کدنویسی یادگیری تقویت شده در متلب Reinforcement Learning

با سلام یک شبکه حمل و نقل موجوده میخواهیم با حذف گره های شبکه مقدار دو پارامتر در شبکه اندازه گیری شود. از قبل یک کد آماده موجوده که به صورت تصادفی گره ها را حذف و در هر مرحله پس از حذف هر گره مقدار دو پارامتر را برآورد میکند. کد در اختیار شما قرارداده خواهد شد. کاری که از شما میخوام: با استفاده از یادگیری تقویت شده توالی حذف گره ها از شبکه تعیین شود به نحوی که انتگرال تابع هدف موجود در کد ماکزیمم گردد. ساختار کدی که دارم واضحه و ازتون میخوام همون ساختار حفظ بشه و با انجام تغییراتی یادگیری تقویت شده بهش اضافه بشه. تجربه کار با گراف و الگوریتم های یادگیری ماشین برای این کار ضروریست. با تشکر