چکیده: با افزایش استفاده از دستگاه های بی سیم هوشمند و ظهور ایده اینترنت اشیا، سیستم های ارتباطی بی سیم با تقاضای نرخ داده بالاتر و همچنین کیفیت بهتر خدمات روبرو شده اند. برای دستیابی به چنین میزان داده بالا، شبکه های بی سیم باید در فرکانس های بالا مانند باند های میلی متر و تراهرتز، کار کنند. از طرفی با افزایش فرکانس، امواج قادر به عبور از موانع مانند دیوار نیستند و در محیط تلف می شوند که باعث عمق نفوذ کمتر می شوند و همچنین محوشدگی چند مسیره، به دلیل برهم کنش سیگنال‌هایی که از چند مسیر مختلف در هوا از فرستنده به گیرنده می‌رسند، استفاده از چنین فرکانس های بالایی از امواج الکترومغناطیسی را محدود می کنند. محققان برای کنترل این موارد، ایده پوشش اشیاء موجود در محیط با فراسطوح مبتنی بر نرم افزار را ارائه کردند تا محیط انتشار را به یک محیط قابل برنامه ریزی تبدیل کنند. در این روش تمام دیوار ها توسط قطعاتی با اندازه های یکسان از فرا سطوح که به آن ها کاشی گفته می شود، پوشانده می شوند. چالش اصلی این است که محیط در طول ارتباط می تواند دست خوش تغییرات شود، به عنوان مثال یک مانع ناگهانی مسیر سیگنال را مسدود کند. از این رو در این پایان نامه الگوریتم آموزش یادگیری تقویتی (RL) برای ایجاد چنین محیطی ارائه شده است. از آن جا که یک عامل در الگوریتم RL به تدریج با محیط در تعامل است می تواند تصمیم بهتری بگیرد، به خصوص زمانی که محیط تغییر می‌کند. نتایج روش پیشنهادی با کار گذشته که از الگوریتم ژنتیک برای ایجاد محیط قابل برنامه ریزی استفاده کرده، مقایسه شده است. در کار گذشته، میانگین توان دریافتی برای 12 گیرنده، dBmW 25.38 می-باشد و روش مبتنی بر یادگیری تقویتی در این پایان نامه، میانگین توان دریافتی را 12 درصد افزایش داده است.