在计算材料学领域基于反应力场的分子动力学模拟方法扮演着非常重要的角色,反应力场的质量将直接影响到最终的性质结论的准确性,因此如何获得高质量的反应力场成为计算材料学领域中一个非常重要的研究课题。由于反应力场形式复杂不易确定,只能通过将其参数化然后对参数进行优化的方法来获取最优反应力场参数,这需要付出更大的计算代价并且严重影响最终获得的反应力场质量。针对当前反应力场参数优化方法中所存在的问题,本文对国内外相关研究现状进行总结分析,并围绕强化学习反应力场参数优化方法开展研究。首先本文设计了基于强化学习的反应力场参数优化系统,主要包括反应力场数据文件分布式存储系统设计;强化学习模型设计,其中将当前值以及历史梯度和回报值作为状态,保证了位移不变性,动作空间设计了离散型和连续型两种方案,回报函数设计为连续型;强化学习模型训练算法设计及强化学习模型评估模块设计。其次,本文对离散动作空间深度Q网络算法进行研究,通过引入attention机制解决了传统深度Q网络算法突变点的问题,并成功将训练好的模型参数应用到相似的任务上,提升了搜索效率。为了降低动作空间维度,解决初始解依赖问题,在连续动作空间对异步优势行动者评论家算法研究基础上,借鉴模拟退火思想对算法进行改进,采用32个智能体在不同策略下同时与环境进行交互,到达终止状态时,使用带折扣因子的截尾高斯分布对状态进行重新初始化,并由中央智能体对每个智能体的经验进行综合分析学习,最终得到最优策略。该算法解决了强化学习算法初始解依赖问题,实现了并行化搜索,从而提高搜索效率和搜索范围加速算法收敛。为了进一步提高反应力场参数精度,本文提出一种模型学习和蒙特卡洛树搜索（MCTS）结合的强化学习算法,该算法采用前面强化学习算法运行过程中产出的数据,进行强化学习环境的状态转移模型和回报值函数学习,并将学习到的模型与蒙特卡洛树搜索结合,进一步提升了效率和精度。最后,本文针对以上算法设计了效率精度对比实验及参数平移实验,实验结果表明本文提出的强化学习反应力场优化算法相较GARFfield具有高效性,自适应性和可复用性。将最终得到的力场参数应用到具体的化学反应模拟中去,验证了力场参数的准确性,符合本文预期对于强化学习反应力场参数优化方法的需求。并将强化学习算法与基于梯度的最优化算法在氟元素反应力场参数优化任务上进行对比实验,结果表明强化学习算法可以应用到最优化领域。