revert: 移除全部机器学习代码，回退到无 ML 版本

删除 RL/HRL/训练前端及其文档、脚本、测试与依赖：
- src/mcm26b/{rl,hrl,training_ui}/、planner/{rl,hrl}_loop.py、process_control.py
- project/（PPO 策略、训练、环境、评估）
- scripts/{train_rl,train_hrl_*,benchmark_rl,benchmark_hrl,pretrain_*_expert 等}
- tests/{test_rl*,test_hrl*,test_training_ui*}、tests/js/training_ui_harness.cjs
- docs/{algo-rl,hrl-*,training-ui*} 与相关计划条目、论文 PDF 回退

CLI 恢复为 grid/seven/bayes + directional，移除 --strategy rl|hrl、
--q4-strategy、--rl-model、--hrl-* 等参数；pyproject 删除 rl 依赖组与
PyTorch CUDA index，uv.lock 同步重生成。

保留此后的非 ML 改动（referee 回放、Q1/Q3 脚本、代码清理等）。
验证：pytest 232 passed；Q3/Q4 --self-test 全清通过。

README.md

@@ -7,10 +7,6 @@
 - [协议规则表、字段表与状态机（P0 交付）](docs/协议规则表与状态机.md)
 - [问题一完整解答](docs/问题一解答.md)
 - [问题三搜索与总耗时改进方案（含七点覆盖证明和自建消融）](docs/algo-3.md)
-- [问题3/4 强化学习选点（PPO + CUDA）](docs/algo-rl.md)
-- [强化学习审核、修复与独立验证（2026-09-11）](docs/强化学习适用性审核与改进-20260911.md)
-- [HRL 优化方案与 Sol 执行指南（含当前缺口、命令和验收门槛）](docs/hrl-sol-execution.md)
-- [HRL P0+P1 执行报告（本轮实际命令、smoke 与多轮本地测试）](docs/hrl-p1-execution-report.md)
 - [论文](docs/paper/main.tex)
 
 ## 项目结构
@@ -25,13 +21,10 @@ src/mcm26b/
 ├── belief/        # P3 逐频道候选集合 K_c：保守外包多边形 + 半平面裁剪（已完工）
 ├── coverage/      # P4 49点覆盖账本（网格生成 + 逐频道记录）
 ├── planner/       # P3 保证接收盘选点器 / P4 全向闭环 / P5 混合源定向闭环（已完工）
-│                  # P6b RL 接入：planner/rl_loop.py（PPO 选点，惰性加载 torch）
-├── rl/            # P6b 强化学习扩展：训练环境、观测/候选特征、PPO 模型加载（可选依赖）
 ├── evaluation/    # 日志复算与统计（已完工）
 └── harness/       # 测试侧适配：评测机<->Transport 内存回环、故障注入、回放、场景
 tests/             # pytest（含解耦守卫：运行时零导入 referee + 规则表不漂移）
-scripts/           # 采集、基准、可视化与校核脚本（含问题四批量仿真 benchmark_q4.py、
-                   # RL 训练 train_rl.py 与 RL 配对消融 benchmark_rl.py）
+scripts/           # 采集、基准、可视化与校核脚本（含问题四批量仿真 benchmark_q4.py）
 output/ examples/  # 演练证据、算例与生成产物
 ```
 
@@ -71,29 +64,11 @@ Python ≥ 3.10，运行时依赖仅 `requests`；测试/自检另需 `pytest`
 
 ```bash
 uv sync                                   # 安装（可编辑挂载本包与 referee）
-uv sync --group rl --group dev            # 追加 RL 依赖：torch(CUDA)+stable-baselines3+gymnasium
 uv run pytest                             # 全部测试（含 referee 90 项 + 解耦守卫）
 uv run python -m referee                  # 起本地评测机（可选，配合 WebUI 回放）
 uv run mcm26b sim-check                   # P0 自检：复现附件计时示例 105/111/194/199
 uv run mcm26b run --robot-id 2026001 --self-test   # 问题3自检：随机全向场景闭环（不连官方）
 uv run mcm26b run --robot-id 2026001 --self-test --problem 4  # 问题4自检：混合定向源场景
-# RL 策略（需先安装 rl 依赖组并训练模型；详见 docs/algo-rl.md）：
-uv run python scripts/train_rl.py --problem 3 --timesteps 120000   # PPO + CUDA 训练 Q3 选点
-uv run python scripts/pretrain_rl_expert.py --problem 4 --episodes 3000  # 自建模拟器专家行为克隆
-uv run python scripts/train_rl.py --problem 4 --timesteps 40000 --init output/rl/q4_ppo_bc_init.zip
-uv run mcm26b run --robot-id 2026001 --self-test --strategy rl     # 问题3 RL 闭环
-uv run mcm26b run --robot-id 2026001 --self-test --problem 4 --q4-strategy rl  # 问题4 RL 闭环
-uv run python scripts/benchmark_rl.py --seeds 5                    # RL vs 手写策略配对消融
-uv run python scripts/verify_rl_practice.py output/rl/official-practice/q4/20260911-rl-bc-01
-uv run python scripts/benchmark_hrl.py --variants hrl_heuristic,bayes,directional \
-  --manifest output/hrl/manifests/dev.json --output output/hrl/p1-heuristic
-uv run python scripts/train_hrl_high.py --problem 3 --stage 1 --timesteps 2048 \
-  --envs 1 --vec-env dummy --device mps --config-profile production \
-  --reward-profile time --model output/hrl/p1-smoke/q3.zip --eval-episodes 2
-# 训练前端（本地回环 Web UI）：实时进程/进度/参数收敛曲线，详见 docs/training-ui.md
-uv run python -m mcm26b.training_ui --ui-port 8036     # http://127.0.0.1:8036
-uv run mcm26b run --robot-id 2026001 --self-test --strategy hrl \
-  --hrl-model output/hrl/p1-smoke/q3.zip --hrl-device mps
 # 自检默认：源数按题面 10~16 随机；实机预算 30 分钟（--real-budget-s 可改，仅自检生效）；
 # 找全后持续复扫未清除频道直到限时（--config 关闭 persistent_search 可回到"找全即退"）
 uv run mcm26b run --robot-id <队号> --log output/run/session.jsonl  # 对接模拟器正式/演练
@@ -159,7 +134,6 @@ client.exit()
 | P4 问题3全向闭环（49点覆盖、定位队列、清除、停止） | ✅ 官方问题3演练单案例通过（10/10全清，[验证报告](output/q3/practice/20260911-port2026/report.md)） |
 | P5 问题4定向扩展（联合约束、后备清除、预算） | ✅ 自建完成（官方演练待执行） |
 | P6 加速与消融 | ✅ 七点批量（`--strategy seven`，官方演练 12/12）+ 贝叶斯闭环（`--strategy bayes` 默认，自建消融 −30.0%，[算法说明](docs/algo-3-bayes.md)） |
-| P6b RL 选点 | ✅ PPO+CUDA 训练环境/闭环接入/官方+自建演练验证/专家 BC 初始化（Q3 `--strategy rl`，Q4 `--q4-strategy rl`，[算法说明](docs/algo-rl.md)） |
 
 ## 采集与正式测试约束