假如你正在使用機器學習教直升飛機，執行復雜的飛行任務。這兒有一張直升飛機引擎關閉時，著陸時拍攝的照片。

這就是所謂的“autorotation”策略。它可以在引擎意外關閉的情況下，讓直升飛機平穩著陸。這種訓練時人類飛行員訓練的一部分。你的目標是，讓機器學習演算法指導直升飛機通過軌道T，並最終安全著陸。

為了應用強化學習，你需要設計一個"獎勵方法"R(), 這個方法來計算每種可能的軌道T的得分值。比如如果軌道T，最終導致直升飛機墜毀，此時的獎勵R(T) = -1000,是一個非常大的負數。如果直升飛機安全著陸，則R(T)為正式，他的大小取決於著陸軌道是否光滑平穩。獎勵函式R()通常由人手工設計，用來計算軌道T有多好。它需要平衡著陸點有多崎嶇（直升飛機是否落到了期望的著陸點）以及對於乘客來說，下降過程的的舒適度，設計好的獎勵函式並不簡單。

設計好獎勵函式R(T)後，強化學習演算法就會控制直升分級取得max_TR(T),然而強化學習演算法有很多的近似值，可能取得最大值。

假設你選擇了一些獎勵函式R(T),並你的學習演算法開始訓練。然而，你的演算法效能可能遠差於人類飛行員的水平，下降過程非常顛簸，而且也沒有人類操作是更安全。那如何區分這個問題是因為學習演算法(通過學習演算法來取得max_TR(T))導致的還是由於獎勵函式(通過獎勵函式來衡量下降舒適度和降落準確率的得分)導致的呢？

為了使用優化驗證測試，將T_human定義為人類飛行員飛行的軌道，將T_out定義為演算法得出的飛行軌道。根據我們之前的描述，T_human優於T_out。因此關鍵測試如下：

1. 如果不等式成立，則獎勵函式R()的計算是正確的。T_human優於T_out，這時我們的槍火學習演算法就是有問題的，因此改進學習演算法是非常有意義的。
2. 如果不等式不成立R(T_human) < R(T_out)，這就意味著獎勵函式R()是有問題的，你應該修改獎勵函式。

很多機器學習應用使用近似搜尋演算法的模式，來優化近似得分函式Socore()。有時沒有特定的輸入x，因此這種優化方法只適用於得分函式Score()。上面的例子中，得分函式就是獎勵函式：Score(T) = R(T)，優化演算法就是強化學習演算法試著去執行的合理飛行軌道T。

這個例子跟之前例子的一點不同是，這例子中比較的物件不是最優的輸出，而是人類的水平T_human。我們假設人類的水平即使不是最優的，但是依然非常好。一幫情況下，只要你能找到最優y*(本例中為T_human)，如果你的演算法比最優的接過差，那麼優化驗證測試就能幫你改進優化演算法或得分函式。