強化学習のQ-learningを用いたサンプルプログラムはないですか？

上記とは別にルーレット選択とボルツマン選択のサンプルプログラムもよろしくお願いします。

プログラムはC言語でお願いします。 どうもこれらがイメージつかないんでお願いします。