简要说明一下，横坐标为episode，纵坐标为每个episode的return
在前1000个episode为探索阶段，后1000个为训练阶段，但是代码里面实际上每个episode都会做optimize。
采用贪心策略进行探索。我觉得return应该会逐渐升高，最后收敛，而不是现在这样变低。
