[DQN-3] Coder la Target Network + epsilon-greedy decay

[Celz-Pch]

Objectif

Stabiliser l'entraînement avec une target network et gérer l'exploration.

Tasks

• Créer target_net = copie de q_net (copy.deepcopy)
• Mise à jour périodique : target_net.load_state_dict(q_net.state_dict()) tous les N épisodes
• Implémenter epsilon-greedy : action aléatoire avec proba epsilon, sinon argmax(Q(s))
• Decay : epsilon = max(epsilon_end, epsilon * epsilon_decay) après chaque épisode

Critère de succès

Epsilon part de 1.0 et converge vers 0.01 au fil des épisodes.