基于事件的优化和学习方法是提高学习速度的有效途径,这种方法充分地利用了待解决问题的结构信息,通过对结构信息的提取,发现环境状态的特征,将具有相同属性的状态转移构造成集合,以此来表示环境结构中的“事件”,然后通过事件来达到优化学习策略的目的。本文将这种基于事件的优化方法应用到强化学习的具体问题之中,提出了一种新的强化学习算法——基于事件的概率Q学习算法(Event-based Probabilistic Q-learning, EPQL)。这种方法利用事件的触发来指导智能体在状态层的学习,其充分利用了环境的结构特点来达到加快学习的目的。为了验证这种方法的有效性,本文选择了经典而又具有广泛应用前景的移动机器人导航问题作为应用背景,使用基于ZigBee无线传感网技术结合航位推测法和智能地板的手段来提高机器人的定位精度以达到提高事件触发精确度的目的,并利用模糊控制器的方式来提高事件触发的概率。实现了机器人面对错综复杂环境来完成导航任务的目的。实验仿真中对不同学习速率以及选择不同动作选择策略下的EPQL算法和不加事件的概率Q学习算法(Probabilistic Q-learning, PQL)进行对比,结果显示基于事件的强化学习方法在学习性能上的更具优势。在仿真的基础上,为了进一步证明这种方法的具体应用价值,本文依照复杂办公环境设计了机器人导航的具体硬件环境,通过底层学习和事件触发结合的方式成功地验证了基于事件的方法在具体应用中的良好学习性能,同时也进一步证明这种通过提取结构信息特点构造事件的方式是易于实现的且具有很好的应用价值。