اپلیکیشن اندرویدی فلش‌کارت آموزشی یادگیری تقویتی چندعامله برای شبکه‌های حمل و نقل هوشمند شهری و 5G

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی چندعامله برای شبکه‌های حمل و نقل هوشمند شهری و 5G

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بهینه‌سازی سیستم‌های مدیریت حمل و نقل هوشمند در مقیاس شهری با ادغام فناوری 5G

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم پایه یادگیری تقویتی: پاداش، حالت، عمل
• 3. مفاهیم پایه یادگیری چندعامله: محیط‌های چندعامله، عاملیت‌ها
• 4. چالش‌های یادگیری تقویتی چندعامله
• 5. معماری‌های پایه در MARL: مستقل، متمرکز، هیبریدی
• 6. روش‌های مستقل یادگیری (Independent Learners)
• 7. روش‌های یادگیری متمرکز (Centralized Learning)
• 8. یادگیری متمرکز انتقادی (Centralized Critic)
• 9. ارتباط و همکاری بین عامل‌ها در MARL
• 10. مقدمه‌ای بر شبکه‌های حمل و نقل هوشمند شهری
• 11. اجزای اصلی سیستم‌های ITS
• 12. فناوری 5G و کاربرد آن در ITS
• 13. تاخیر کم (Low Latency) در 5G و تاثیر آن بر ITS
• 14. پهنای باند بالا (High Bandwidth) در 5G و ITS
• 15. امنیت و حریم خصوصی در ITS با 5G
• 16. مدل‌سازی محیط‌های حمل و نقل شهری برای MARL
• 17. شبیه‌سازی ترافیک و ابزارهای آن (SUMO, VISSIM)
• 18. تعریف مسئله بهینه‌سازی ترافیک به عنوان یک مسئله MARL
• 19. طراحی پاداش برای کنترل ترافیک
• 20. کنترل چراغ‌های راهنمایی با MARL
• 21. بهینه‌سازی مسیر با MARL
• 22. مدیریت پارکینگ هوشمند با MARL
• 23. کنترل ازدحام ترافیک با MARL
• 24. پیش‌بینی ترافیک با استفاده از یادگیری تقویتی
• 25. بهینه‌سازی ناوگان حمل و نقل عمومی با MARL
• 26. مدیریت شارژ خودروهای برقی در شبکه هوشمند
• 27. هماهنگی وسایل نقلیه خودران با MARL
• 28. بهینه‌سازی توزیع ترافیک در شرایط اضطراری
• 29. یادگیری تقویتی عمیق چندعامله (Deep MARL)
• 30. شبکه‌های عصبی عمیق و MARL
• 31. الگوریتم‌های Deep Q-Network (DQN) در MARL
• 32. الگوریتم‌های Actor-Critic در MARL
• 33. Multi-Agent Deep Deterministic Policy Gradient (MADDPG)
• 34. Counterfactual Multi-Agent Policy Gradients (COMA)
• 35. Value Decomposition Networks (VDN)
• 36. QMIX
• 37. مقدمه‌ای بر مسائل غیر ایستا (Non-Stationary) در MARL
• 38. روش‌های مقابله با مسائل غیر ایستا
• 39. یادگیری انتقال (Transfer Learning) در MARL برای ITS
• 40. یادگیری چندوظیفه‌ای (Multi-Task Learning) در MARL
• 41. چالش‌های پیاده‌سازی MARL در مقیاس واقعی
• 42. مسائل مربوط به امنیت سایبری در MARL-ITS
• 43. ملاحظات اخلاقی در استفاده از MARL در ITS
• 44. ارزیابی و اعتبارسنجی مدل‌های MARL در ITS