Esta investigación aborda múltiples desafíos enfrentados por las redes de barcos, incluida la banda limitada, conexiones de red inestables, alta latencia y prioridad de comandos. Para resolver estos problemas, utilizamos métodos basados en aprendizaje por refuerzo para simular la ingeniería de tráfico en las redes de barcos. Nos enfocamos en tres aspectos: equilibrio de tráfico, prioridad de instrucciones y estructura de red compleja para evaluar el rendimiento del aprendizaje por refuerzo en estos escenarios. Rendimiento: Desarrollamos un marco de aprendizaje por refuerzo para la ingeniería de tráfico de redes de barcos que trata la política de enrutamiento como el estado y el estado de la red como el entorno. El agente genera cambios de enrutamiento y utiliza acciones para optimizar los servicios de tráfico. Los resultados experimentales muestran que el aprendizaje por refuerzo optimiza el equilibrio del tráfico de red, organiza razonablemente las prioridades de instrucciones y se adapta a estructuras de red complejas, mejorando en gran medida la calidad de servicio (QoS) de la red. A través de un análisis profundo de los datos experimentales, notamos que el consumo de red se redujo en un 9.1% bajo el aprendizaje por refuerzo. El aprendizaje por refuerzo implementó de manera efectiva el enrutamiento prioritario de instrucciones de alta prioridad al tiempo que redujo la tasa de ocupación del borde con la tasa de ocupación más alta en la red en un 18.53%.