基于强化学习的智能体训练实战：从Q-Learning到Deep Q-Network (DQN)

强化学习（Reinforcement Learning, RL）是一种通过与环境交互来学习最优策略的机器学习方法。Q-Learning是经典的强化学习算法，而Deep Q-Network (DQN)则通过引入深度神经网络进一步提升了其性能。本文将通过一个完整的实战案例，展示如何使用Q-Learning和DQN训练智能体，并提供详细的代码实现。

---

案例背景

我们选择经典的CartPole（倒立摆）环境作为案例。目标是通过训练智能体，使杆子尽可能长时间保持直立。

---

代码实现

1. 环境准备

首先，安装所需的Python库：

pip install gym torch numpy

2. 环境初始化

使用gym库加载CartPole环境：

import gym
import n