اپلیکیشن اندرویدی فلش‌کارت آموزشی اصول و الگوریتم‌های یادگیری تقویتی چندعامله در طراحی سیستم‌های حمل و نقل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول و الگوریتم‌های یادگیری تقویتی چندعامله در طراحی سیستم‌های حمل و نقل

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای طراحی سیستم‌های حمل و نقل عمومی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم پایه عامل و محیط در یادگیری تقویتی
• 3. انواع عامل‌ها در سیستم‌های حمل و نقل
• 4. مدل‌های یادگیری تقویتی: مدل‌دار و بدون مدل
• 5. یادگیری تقویتی مدل‌دار: مدل‌سازی دینامیک محیط
• 6. یادگیری تقویتی بدون مدل: یادگیری مستقیم از تجربه
• 7. الگوریتم‌های یادگیری تقویتی بدون مدل: Q-Learning
• 8. الگوریتم‌های یادگیری تقویتی بدون مدل: SARSA
• 9. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 10. شبکه‌های عصبی عمیق در یادگیری تقویتی
• 11. کاربرد شبکه‌های عصبی کانولوشنی (CNN)
• 12. کاربرد شبکه‌های عصبی بازگشتی (RNN)
• 13. یادگیری تقویتی با استفاده از تابع ارزش
• 14. یادگیری تقویتی با استفاده از سیاست (Policy Gradient)
• 15. الگوریتم Actor-Critic
• 16. الگوریتم A2C (Advantage Actor-Critic)
• 17. الگوریتم A3C (Asynchronous Advantage Actor-Critic)
• 18. الگوریتم DDPG (Deep Deterministic Policy Gradient)
• 19. الگوریتم TD3 (Twin Delayed Deep Deterministic Policy Gradient)
• 20. الگوریتم SAC (Soft Actor-Critic)
• 21. اصول یادگیری تقویتی چندعامله (MARL)
• 22. تفاوت‌های یادگیری تقویتی تک‌عامله و چندعامله
• 23. چالش‌های یادگیری تقویتی چندعامله
• 24. عدم ایستا بودن محیط از دید هر عامل
• 25. عدم قطعیت در رفتار سایر عامل‌ها
• 26. هماهنگی و رقابت بین عامل‌ها
• 27. طبقه‌بندی سناریوهای چندعامله
• 28. سناریوهای همکاری (Cooperative MARL)
• 29. سناریوهای رقابتی (Competitive MARL)
• 30. سناریوهای مختلط (Mixed MARL)
• 31. سناریوهای نیمه‌همکاری (General-Sum)
• 32. الگوریتم‌های یادگیری تقویتی چندعامله مبتنی بر ارزش
• 33. الگوریتم‌های یادگیری تقویتی چندعامله مبتنی بر سیاست
• 34. یادگیری تقویتی چندعامله با عامل‌های متمرکز و غیرمتمرکز
• 35. مدل‌های عامل متمرکز (Centralized Training)
• 36. مدل‌های عامل غیرمتمرکز (Decentralized Execution)
• 37. مدل‌های عامل متمرکز با اجرای غیرمتمرکز (CTDE)
• 38. الگوریتم COMA (Counterfactual Multi-Agent Policy Gradients)
• 39. الگوریتم MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 40. الگوریتم QMIX
• 41. الگوریتم VDN (Value Decomposition Networks)
• 42. کاربرد یادگیری تقویتی چندعامله در مدیریت ترافیک
• 43. بهینه‌سازی جریان ترافیک با عامل‌های هوشمند
• 44. مدیریت چراغ‌های راهنمایی با یادگیری تقویتی
• 45. تخصیص مسیر به وسایل نقلیه
• 46. پیش‌بینی ازدحام ترافیک
• 47. تطبیق الگوهای ترافیک با تقاضا
• 48. سیستم‌های حمل و نقل هوشمند (ITS)
• 49. مدیریت ناوگان وسایل نقلیه در حمل و نقل عمومی
• 50. بهینه‌سازی زمان‌بندی اتوبوس‌ها و قطارها
• 51. مدیریت تاکسی‌های اینترنتی
• 52. سیستم‌های حمل و نقل اشتراکی
• 53. کاربرد در وسایل نقلیه خودران
• 54. هماهنگی بین وسایل نقلیه خودران
• 55. تصمیم‌گیری در تقاطع‌های شلوغ
• 56. تشخیص و اجتناب از موانع
• 57. مدیریت پارکینگ هوشمند
• 58. بهینه‌سازی مصرف سوخت در وسایل نقلیه
• 59. مدل‌سازی رفتار رانندگان
• 60. شبیه‌سازی سیستم‌های حمل و نقل
• 61. ارزیابی عملکرد الگوریتم‌های MARL در محیط‌های شبیه‌سازی شده
• 62. معیارهای ارزیابی در یادگیری تقویتی چندعامله
• 63. مقایسه الگوریتم‌های مختلف MARL
• 64. تحلیل حساسیت پارامترها
• 65. کاربرد در سیستم‌های حمل و نقل ریلی
• 66. مدیریت قطارها و ایستگاه‌ها
• 67. بهینه‌سازی مصرف انرژی در قطارها
• 68. پیش‌بینی تاخیر قطارها
• 69. مدیریت حوادث در سیستم‌های ریلی
• 70. کاربرد در سیستم‌های حمل و نقل هوایی
• 71. مدیریت ترافیک هوایی
• 72. بهینه‌سازی مسیرهای پروازی
• 73. مدیریت فرودگاه‌ها
• 74. هماهنگی پهپادها برای حمل و نقل
• 75. کاربرد در حمل و نقل دریایی
• 76. مدیریت کشتی‌ها و بنادر
• 77. بهینه‌سازی مسیرهای کشتیرانی
• 78. کاهش تصادفات دریایی
• 79. مدل‌سازی رفتار شناورها
• 80. مباحث پیشرفته در یادگیری تقویتی چندعامله
• 81. یادگیری تقویتی چندعامله با ارتباطات بین عامل‌ها
• 82. یادگیری تقویتی چندعامله با حافظه
• 83. یادگیری تقویتی چندعامله با یادگیری اکتشافی
• 84. یادگیری تقویتی چندعامله با عامل‌های ناهمگن
• 85. یادگیری تقویتی چندعامله با یادگیری انتقال
• 86. یادگیری تقویتی چندعامله با نظریه بازی‌ها
• 87. کاربرد در بهینه‌سازی لجستیک
• 88. مدیریت زنجیره تامین
• 89. بهینه‌سازی انبارداری
• 90. تحویل بسته‌ها
• 91. برنامه‌ریزی مسیر تحویل
• 92. مدیریت ریسک در سیستم‌های حمل و نقل
• 93. تحلیل رفتار عامل‌ها در سناریوهای پیچیده
• 94. پایداری و قابلیت اطمینان در سیستم‌های حمل و نقل هوشمند
• 95. اخلاق در هوش مصنوعی و سیستم‌های حمل و نقل
• 96. ملاحظات امنیتی در سیستم‌های حمل و نقل هوشمند
• 97. آینده یادگیری تقویتی چندعامله در حمل و نقل
• 98. نتیجه‌گیری و جمع‌بندی کلی
• 99. چالش‌های پیاده‌سازی الگوریتم‌های MARL در دنیای واقعی
• 100. راهکارهای افزایش کارایی و مقیاس‌پذیری الگوریتم‌ها