اپلیکیشن اندرویدی فلش‌کارت آموزشی رهیافت‌های یادگیری تقویتی چندعامله برای ترافیک شهری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رهیافت‌های یادگیری تقویتی چندعامله برای ترافیک شهری

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بهینه‌سازی سیستم‌های حمل و نقل هوشمند

📋 سرفصل‌های دوره

• 1. مبانی یادگیری تقویتی و کاربردهای آن در حمل و نقل
• 2. معرفی یادگیری تقویتی چندعامله و چالش‌های آن
• 3. مفاهیم پایه: عامل، محیط، حالت، عمل و پاداش
• 4. فرایند تصمیم‌گیری مارکوف و تعمیم آن به چندعامله
• 5. فرایند تصمیم‌گیری مارکوف چندعامله در ترافیک
• 6. بازی‌های مارکوفی و مدل‌سازی تعامل خودروها
• 7. انواع همکاری و رقابت میان عوامل ترافیکی
• 8. مشکل غیرایستایی محیط در ترافیک شهری
• 9. مشکل تخصیص اعتبار در کنترل چندعامله ترافیک
• 10. مشکل کاوش-بهره‌برداری در فضای ترافیکی
• 11. مبانی سیستم‌های حمل و نقل هوشمند
• 12. معماری سیستم‌های کنترل ترافیک شهری
• 13. مدل‌سازی شبکه ترافیک شهری
• 14. تعریف فضای حالت و عمل برای کنترل چراغ راهنما
• 15. طراحی تابع پاداش برای بهینه‌سازی ترافیک
• 16. پاداش‌های چندهدفه: زمان سفر، آلودگی و مصرف سوخت
• 17. شکل‌دهی پاداش و راهکارهای عملی در ترافیک
• 18. روش‌های مستقل: IQL و کاربرد آن در کنترل ترافیک
• 19. روش‌های متمرکز آموزش و غیرمتمرکز اجرا (CTDE)
• 20. الگوریتم QMIX و ترکیب ارزش‌ها در کنترل ترافیک
• 21. الگوریتم VDN و تجزیه تابع ارزش
• 22. الگوریتم MADDPG برای کنترل پیوسته ترافیک
• 23. الگوریتم MAPPO و یادگیری سیاست متمرکز
• 24. الگوریتم COMA و تخمین‌گر مزیت متمرکز
• 25. روش‌های مبتنی بر گرادیان سیاست در MARL ترافیکی
• 26. یادگیری تقویتی چندعامله مبتنی بر ارتباطات
• 27. ارتباطات صریح و ضمنی میان عوامل ترافیکی
• 28. توجه و ترنسفورمرها در MARL ترافیکی
• 29. حافظه و بازگشت‌پذیری در کنترل ترافیک
• 30. تجزیه تیم و تشکیل ائتلاف میان عوامل
• 31. هماهنگی چراغ‌های راهنما در تقاطع‌های متعدد
• 32. هماهنگی میان خودروها و زیرساخت (V2I)
• 33. هماهنگی خودرو-به-خودرو (V2V) با MARL
• 34. مسیریابی پویا و تخصیص مسیر با MARL
• 35. مدیریت ازدحام و کنترل جریان ترافیک
• 36. اولویت‌دهی به وسایل نقلیه اضطراری با MARL
• 37. مدیریت خطوط ویژه اتوبوس و حمل و نقل عمومی
• 38. کنترل ترافیک در ساعات اوج
• 39. مدیریت پارکینگ هوشمند با MARL
• 40. یکپارچه‌سازی MARL با اینترنت اشیا در ترافیک
• 41. یادگیری انتقالی در MARL برای شهرهای مختلف
• 42. یادگیری چندوظیفه‌ای در سیستم‌های ترافیکی
• 43. تعمیم سیاست‌ها به سناریوهای ترافیکی جدید
• 44. یادگیری تقویتی چندعامله مبتنی بر مدل در ترافیک
• 45. مدل‌های جهانی و پیش‌بینی جریان ترافیک
• 46. یادگیری تقویتی سلسله‌مراتبی چندعامله در ترافیک
• 47. یادگیری تقلیدی و ترکیب آن با MARL ترافیکی
• 48. ایمنی و قابلیت اطمینان در MARL ترافیکی
• 49. محدودیت‌های ایمنی و اقدامات محافظتی در کنترل ترافیک
• 50. مقاوم‌سازی در برابر خرابی عامل‌ها و حسگرها
• 51. یادگیری مقاوم و تطبیق با تغییرات ترافیکی
• 52. پایداری و همگرایی الگوریتم‌های MARL در ترافیک
• 53. ارزیابی عملکرد و معیارهای سنجش MARL ترافیکی
• 54. محیط‌های شبیه‌سازی ترافیک: SUMO و CityFlow
• 55. شبیه‌سازی چندعامله ترافیک شهری
• 56. انتقال از شبیه‌سازی به دنیای واقعی (Sim-to-Real)
• 57. چالش‌های شکاف واقعیت در MARL ترافیکی
• 58. آزمون میدانی و ارزیابی در محیط واقعی
• 59. اخلاق و مسئولیت در سیستم‌های خودمختار ترافیکی
• 60. چشم‌اندازهای آینده MARL در ترافیک شهری
• 61. روندهای نوین و پژوهش‌های باز در MARL ترافیکی
• 62. پروژه عملی: طراحی یک سیستم MARL برای کنترل ترافیک شهری