Zadatak:
Izraditi osnovnu varijantu Q-learning algoritma, kao i generator problema – 
zadan na principu matrica (mxn) sa slučajnim  generiranjem mogućih prijelaza 
između polja, cilja i raspodjele vrijednosti nagrada (rewards).  
Vidi kratki tutorial i primjer:
http://people.revoledu.com/kardi/tutorial/ReinforcementLearning/index.html