我的问题如下我在PyTorch DQN教程中的代码检查，但当时指的是强化学习一般：什么是强化学习最佳勘探/开采的最佳实践？
在DQN教程中，steps_done变量是一个全局变量，并且EPS_DECAY = 200。这意味着：后128步，的ε-阈值= 0.500;后889步，的ε-阈值= 0.0600;和经过1500个步骤，的ε-阈值= 0.05047。
在早情节可能非常短，任务相当简单 - - 在其中需要远远更多的探索更复杂的问题，但怎么样，这可能为CartPole问题教程特色工作？例如，如果我们有一个问题，拥有40000个集，其中的每一个有万个时间步长，怎么会我们成立了小量贪婪探索政策？有没有在RL工作中使用的一些经验法则？
预先感谢您的任何帮助。
好了，对于我想这是最好使用基于步骤哪些更新小量线性退火的ε-贪婪策略：
EXPLORE = 3000000 #how many time steps to play
FINAL_EPSILON = 0.001 # final value of epsilon
INITIAL_EPSILON = 1.0# # starting value of epsilon
if epsilon > FINAL_EPSILON:
epsilon -= (INITIAL_EPSILON - FINAL_EPSILON) / EXPLORE