報酬の計算方法を修正

　改良型PGLeafで報酬計算の式を修正。

　で、結果。23万局学習したパラメータで対ssp（5五将棋モード）は300-?-93で勝率76.3％、95％信頼区間は71.8〜80.5。

　わりかしいい感じなので、次は60万局学習後のパラメータで連続対戦してみます。