حل مسئله فروشنده دوره گرد با الگوریتم یادگیری تقوتی

سلام نیاز دارم که مسئله فروشنده دوره گرد رو با استفاده از RL یا همون یادگیری تقویتی حل کنم. محیط باید با استفاده از stablebaseline3 و gymnasium توسعه داده بشه. حل مسئله ام با استفاده از DQN یا PPO باشه همچنین نیاز دارم که مسئله حل شده به من آموزش داده بشه از طریق یک ویدئو. و قطعا هم مدل باید درست کار کنه. امکان استخدام بیش از 1 نفر هم اگر لازم باشه انجام میدم