Die Satzvereinfachung zielt darauf ab, Sätze lesbarer und verständlicher zu gestalten. Die meisten aktuellen Ansätze stützen sich auf Erkenntnisse aus der maschinellen Übersetzung, um Vereinfachungen aus einlinguistischen Korpora komplexer und einfacher Sätze zu lernen. Wir behandeln das Problem der Satzvereinfachung mit einem Encoder-Decoder-Modell, das mit einem tiefen Reinforcement-Learning-Rahmen verbunden ist. Unser Modell, welches wir {\sc Dress} nennen (als Abkürzung für {\bf D}eep {\bf RE}inforcement {\bf S}entence {\bf S}implification), untersucht den Raum möglicher Vereinfachungen, während es lernt, eine Belohnungsfunktion zu optimieren, die Ausgaben fördert, die einfach, fließend sind und die Bedeutung des Eingangssatzes bewahren. Experimente mit drei Datensätzen zeigen, dass unser Modell wettbewerbsfähige Vereinfachungssysteme übertrifft.