目标：在一个指定容器注满水的过程中保持温度恒定在一个位置上，且尽量缩短注满时间
全局水容量单位：升
全局质量单位：kg
全局温度单位：摄氏度
循环次数：150升上限 or 限定循环次数
热水：输入上限：每次1L；初始值：1/3升
冷水：输入上限：每次1.5L；初始值：1/3升
容器内水温自然下降：每次0.2°
计算一次所用时间不定，模型中假设：单位次数时间为10秒，最大通过流量0.15L/s，每次改变流量1/36L
计算传感器：初始热水温度，冷水温度
偏差修正：未实装
	需要传感器：容器水量传感器；容器水温传感器；冷、热水流量传感器；
		
密度公式：
    rou = -3.84e-06 * t ** 2 - 4.791e-05 * t + 1#t表示温度，单位摄氏度
水混合后温度公式：
    T=(M_1*t1  + M_2*t2) / (M_1 + M_2)#M:表示质量，单位千克、t表示温度，单位摄氏度
    水体混合先有冷热水混合，再用混合后的水与容器内水温混合
r值计算：	r1=np.sqrt(((self.T_now-42))**2)    #r越接近42度越低
		r2=np.sqrt(Water_out)               #溢出水量越少r越小
		r3=np.sqrt(((self.L_now/10-15))**2) #水量未满前越少r越大
		r4=4/L                              #水流量越大越好
    (程序中只选了r1+r2+r4)
网络：
dqn1:net.out*2
	net(
	  (fc1): Linear(in_features=6, out_features=10, bias=True)
	  (out): Linear(in_features=10, out_features=4, bias=True)
	)
dqn2:net*2
	net(
	  (fc1): Linear(in_features=4, out_features=10, bias=True)
	  (out): Linear(in_features=10, out_features=2, bias=True)
	)
输入，6个状态：热、冷水流量、温度 and 容器内水温、水量
输出，因为冷热水的增减可以同时工作，相互独立，所以输出动作2*3个：加、减热水和不变 or 加、减冷水和不变
加速器：Adam
损失函数：MSELoss
（但是我写不来双输出的神经网络，文件里写了两种运行方案）
dqn1:同一个网络，同一种输入，计算两个输出。
    缺点：因为同一种输入，两个输出经常会相同起来，导致前期温度突然上升过高时，下降曲线过长，
    具体原因有可能与水流量决定的R值权重较大有关。单看效果，emmm~~还不错。
    优点：没有特定设立供水量不变的动作，因为加减同一种量的水可能同时出现，可以出现水量不变的情况
dqn2:同一种网络，分两个输入，计算两个输出。
    优点：相当于设定了两个网络，独立训练独立输出，同时互相影响
    缺点：两个网络的内存占用会稍大一点
结果表达方式：
    为更好的呈现结果，结果的可视化，稍有不同分入dqn1和dqn2中，看你的喜欢了
    图一：最优训练结果温度变化曲线
    低温时期：[0-41)度，蓝色
    适合时期：[41-43]度，绿色
    高温时期：[43-)度，红色
    图二：最优训练结果温R值变化曲线，越小越好
    图三：训练次数内训练结果曲线，越小对应的训练结果越好
    图四：最优训练结果的冷热水流量变化曲线，红色：热水；蓝色：冷水
选取一个最优的训练结果：
    由41-43度判断，在41-43度区间内，点数量最多，也就是时间最多的为最优解。
综合的结果判断：
    Dqn模型判断：由R来看，结果模型难以出现一个学习的情况往往是在一个水平线上徘徊，偶尔出现一个好的情况，可以说是很糟糕了。
    由温度曲线来看，优秀的结果还是有的，水温一开始高速上升到42附近，然后没有止住势头继续上升，在回落，稳定。