شبیه سازی رویدادهای گسسته، بدست آوردن long run average value از optimal policyهای بدست امده در متلب

من یه پروژه دارم، که قراره با یادگیری تقویتی انجام بشه، مساله ای که داریم با استفاده از فرایند تصمیم گیری مارکوف پیاده سازی شده ، در متلب هم پیاده سازی شده و آپتیمال پالیسی ها و لانگ ران اورج ولیو هم از الگوریم value iteration بدست امده، من الان میخوام تو مرحله اول شبیه سازی رو در پایتون انجام بدم، بدین صورت که پالیسی هایی که از متلب بدست امده را به پایتون بدم و اون برام لانگ ران اورج ولیو حساب کنه، بعد مقایسه کنم با اون لانگ ران اورج ولیو که از متلب دارم و وقتی این مرحله اوکی شد این قسمت به عنوان بخشی از الگوریتم یادگیری تقویتی استفاده بشه، ولی فعلا هدفم مرحله اول یعنی شبیه سازی در پایتون هست. پروژه توسط کسی باید انجام بشه تخصص تو زمینه ی فرایندهای مارکوف پیوسته،‌شبیه سازی و یادگیری تقویتی و کار با متلب و پایتون را داشته باشد. در واقع مساله مربوط به تخصیص منبع بین مشتریان می باشد که در این مساله دو نوع مشتری از نوع primary user و یک نوع مشتری از نوع secondary user می باشد، برای primary user و secondary user سیاست ها متفاوت می باشد که همانطور که گفتم optimal policy ها بدست آمده و باید در پایتون شبیه سازی شود و long run average value بدست بیاید.