void updateQValue()
{
  // newQ = oldQ + learningRate * (target - oldQ)
  // target = reward + discountFactor * maxQ(nextState)


  if (nextState >= 0 && nextState < numStates && currState >= 0 && currState < numStates)
  {
    float target = reward + gamma * Q[nextState][nextMaxQ];
    float error = target - Q[currState][action];
    Q[currState][action] = Q[currState][action] + alpha * error;
  }
}


int findMaxQIndex(int row)
{
  int index = 0;    // υποθετικά η μέγιστη τιμή είναι στη θέση 0
  
  if (row >= 0 && row < numStates)    // ελέγχουμε αν το row είναι εντός του πίνακα, καλού κακού
  {
    if (Q[row][index] < Q[row][1])    // αν η θέση 1 έχει μεγαλύτερη τιμή, παίρνουμε αυτή ως index
      index = 1;
      
    if (Q[row][index] < Q[row][2])    // αν η θέση 2 έχει μεγαλύτερη τιμή, παίρνουμε αυτή ως index
      index = 2;
  }
  
  return index;
}