我目前正在研究一个问题，我需要在一个健身房环境中为不同的运动员依次采取行动。玩家是同质的，因此我想训练一个模型，该模型可用于顺序决定不同玩家的动作。我之所以选择这种方法，是因为我不想为不同的同类玩家训练单个模型，并且当我想扩展到数百名玩家时，使用多离散动作空间会失败。
我想通过以下方式做到这一点：
对于n个玩家：
Select state of the player n and determine action
Perform action and update state for player n
Determine reward based on the new state of player n
通常在RL中，“更新状态”用于确定下一个动作。但是，在我的问题中，我想根据单个玩家的状态选择一个动作，该动作不同于其他玩家的状态（目标不同）。
我的问题是：
我在哪里可以遍历不同的特工（我无法在step功能中做到这一点，并且我不想在单个步骤后重设剧集）？
您对如何解决此问题还有其他建议吗？