El buffet transónico es un fenómeno de grandes oscilaciones de choque autoexcitadas causadas por la interacción entre la onda de choque y la capa límite, que es uno de los problemas comunes de inestabilidad del flujo en la ingeniería aeronáutica. Este fenómeno implica un flujo no estable, lo que dificulta el diseño óptimo. En este artículo, se combina el diseño de optimización de forma aerodinámica con el aprendizaje por refuerzo para abordar el problema del buffet transónico. Utilizando el algoritmo de gradiente de política determinista profunda (DDPG), se construyó un marco de diseño basado en aprendizaje por refuerzo para la optimización de la forma del perfil alar con el fin de lograr una supresión efectiva del buffet transónico. Las características aerodinámicas del perfil alar se calcularon mediante el método de dinámica de fluidos computacional (CFD). Después de la optimización, los ángulos de ataque de inicio del buffet de los perfiles alares NACA0012 y RAE2822 mejoraron en 2 grados y 1.2 grados respectivamente, y las relaciones de sustentación-resistencia mejoraron en un 83.5% y un 30% respectivamente. Resumiendo y verificando los resultados de la optimización, se pueden extraer tres conclusiones generales para mejorar el rendimiento del buffet: (1) estrechamiento del borde de ataque del perfil alar; (2) situar la posición del grosor máximo aproximadamente a 0.4 veces la longitud de la cuerda; (3) aumentar el grosor del borde de salida dentro de un cierto rango. Este artículo estableció un método de diseño óptimo no estable basado en aprendizaje por refuerzo que permite la optimización de problemas no estables, incluido el buffet.