Algoritmos de Aprendizaje por refuerzo

Busco a alguna persona que pueda revisar el codigo que se basa en algoritmos de asignación dinamica de recursos de 5G, los algoritmos son 3: uno usando q learning, otro usando policy gradient y el otro que no use aprendizaje por refuerzo, y el problema principal que presenta mi proyecto es que no estoy obteniendo los resultados esperados con el algoritmo de policy gradient, quisiera que optimicen las graficas de probabilidad de acceso exitoso, el numero de retransmisiones y el retardo en el acceso.