这个问题之前也想过，因为启发式算法和强化学习算法都属于基于搜索，再具体一点，算是基于多叉树搜索的优化算法，并且和盲目搜索（深度优先，广度优先）比都是带有目的性的。这一点在解决GRID-WORLD问题上就能感觉到。
例如：启发式算法以A*搜索算法为例，其通过每次计算open表中的估价最小的节点来确定搜索顺序；强化学习以Q-learning为例，其通过不同状态与动作下的回报期望（即Q-value）来决定搜索顺序。
然而，哪怕是目的或者过程十分的类似，但如何决定下一个节点选择哪个才是解决问题的关键，在这个问题上，两者的理论基础和方式完全不同。
个人愚见：
启发式算法是利用一定的目标函数（如神经网络的损失函数）引导搜索局部最优解的，而强化学习则利用MDP过程中的期望收敛性不断逼近最优解（有点绝对了）。启发式算法的优化模式很多，无论是单目标还是多目标还是每种算法的输入输出类型；而强化学习的模式较为单一，即从agent和environment的交互中更新参数（即学习），然而现实或者仿真场景中的学习确实都是强化学习的模式。
