用很多次frp工具进行内网穿透了，在这里统一记录一下过程。尤其是在ubuntu下写入系统服务并开机自启并非我能独立写出的，我还是得把服务配置记录在此为妙。

很多人喜欢把人生定义成一个又一个分叉路口，在每个路口做出选择，然后走向不同的未来。我并不排斥这样的人生观，甚至大多数时候我觉得我处在重大的分叉路，这让我的很多选择都瞻前顾后，难以两全。正如此刻，2024的末尾，我的求学生涯已经来到了硕士二年级，我不得不去考虑我该如何度过这似乎“非常重要”的2025年。

在上一节中，我们通过Q-learning算法实现了一个能够自主学习玩贪吃蛇的强化学习智能体。虽然Q-learning算法在小规模的状态空间中表现良好，但它的局限性也非常明显。由于Q-table的大小随状态空间的增长呈指数级扩展，在面对更复杂或连续的环境时，Q-learning会因存储和计算的限制而难以适用。而贪吃蛇游戏的状态空间虽然经过简化，但仍然存在较大的扩展潜力。 在本章中，我们将基于前文提到

在完成了贪吃蛇游戏的基本功能后，我们将尝试实现一个能自主学习玩贪吃蛇的AI智能体。本节我们通过实现前文提到的Q-learning算法，进一步直接体会强化学习的实现与训练过程。

在这里记录一下主页的搭建过程，以免日后遗忘。

最近工作中涉及到一个在零和博弈中求解Minimax的问题，算出的纯策略解效果并不好，于是想试试用线性规划来求解混合策略均衡解。