یک شبکه حسگر بی سیم شبکه ای است شامل صدها گره حسگر که به صورت تصادفی و یا به طور دستی در یک محدوده جغرافیایی پخش شده اند. گره های حسگر در تعامل با یکدیگر به نظارت بر شرایط فیزیکی و محیطی منطقه تحت پوشش خود مشغول بوده و اطلاعات دریافتی توسط هر گره به کمک گره های دیگر در کل شبکه منتشر می شود. یکی از مسائل چالش بر انگیز در رابطه با شبکه های حسگر بی سیم مسئله مسیریابی اطلاعات است؛ از آنجاییکه گره های حسگر از لحاظ منابع انرژی به شدت با محدودیت مواجه هستند، هدف اصلی اکثر الگوریتم های مسیریابی در شبکه های حسگر بی سیم انتقال اطلاعات به گونه ای است که تا حد امکان در انرژی مصرفی گره ها صرفه جویی شده و در نتیجه طول عمر شبکه افزایش یابد. در سال های اخیر تعدادی از محققین به منظور استفاده بهینه از منابع شبکه و بهبود عمل مسیریابی اطلاعات، الگوریتم های یادگیری ماشین و بخصوص یادگیری تقویتی را بر روی مسئله مسیریابی در شبکه های حسگر بی سیم پیاد ه کرده اند. در این پایان نامه روشی مطرح می شود که بر پایه اعمال راهکار یادگیریq، به عنوان یکی از پرکاربردترین الگوریتم های یادگیری تقویتی بر روی مسیریابی داده ها در شبکه های حسگر بی سیم استوار است. بدین منظور یکی از روش های مسیریابی در شبکه های حسگر بی سیم به نام الگوریتم انتشار بر اساس شیب را به طور خاص مد نظر قرار داده و با اعمال روش یادگیری q روی این الگوریتم، روش مسیریابی جدیدی ارائه کرده ایم که در آن داده های دریافتی توسط هر کدام از گره های شبکه، در زمان کمتر و از طریق مسیر بهینه به گره مقصد ارسال می شوند. نتایج حاصل از شبیه سازی حاکی از آن است که پیاده سازی روش یادگیریq روی الگوریتم انتشار بر اساس شیب به میزان قابل توجهی از بار تحمیلی روی شبکه و ترافیک دریافتی در گره مقصد و همچنین تاخیر در ارسال بسته های داده می کاهد.