دوره بهینه‌سازی استراتژی‌ها در MARL با استفاده از روش‌های Policy Gradient پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی استراتژی‌ها در MARL با استفاده از روش‌های Policy Gradient پیشرفته

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: الگوریتم‌های مبتنی بر سیاست (Policy-based Algorithms)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعاملی (MARL)
• 2. مبانی یادگیری تقویتی (RL)
• 3. مفهوم عامل و محیط در RL
• 4. تابع پاداش و هدف عامل
• 5. حالت، عمل و سیاست در RL
• 6. مدل‌های یادگیری تقویتی: مدل‌دار و بدون مدل
• 7. یادگیری آفلاین و آنلاین
• 8. یادگیری مبتنی بر ارزش و یادگیری مبتنی بر سیاست
• 9. روش‌های یادگیری تقویتی مبتنی بر ارزش: Q-Learning
• 10. روش‌های یادگیری تقویتی مبتنی بر سیاست: Policy Gradient
• 11. مقدمه‌ای بر MARL و چالش‌های آن
• 12. تفاوت MARL با RL تک عاملی
• 13. مشکل عدم ایستا بودن محیط در MARL
• 14. فضای حالت و عمل مشترک و مجزا
• 15. مسائل هماهنگی و رقابت در MARL
• 16. رویکردهای مرکزی و غیرمتمرکز در MARL
• 17. معماری‌های یادگیری تقویتی چندعاملی
• 18. مقدمه‌ای بر روش‌های Policy Gradient در MARL
• 19. گرادیان سیاست برای یک عامل
• 20. محاسبه گرادیان سیاست
• 21. روش‌های Monte Carlo Policy Gradient
• 22. روش‌های Actor-Critic
• 23. مقدمه‌ای بر Actor-Critic در MARL
• 24. اتصال Actor و Critic در MARL
• 25. چالش‌های Actor-Critic در MARL
• 26. روش‌های Advance Policy Gradient
• 27. یادگیری سیاست‌های واکنشی (Reactive Policies)
• 28. یادگیری سیاست‌های برنامه‌ریزی شده (Planned Policies)
• 29. تکنیک‌های کاهش واریانس در Policy Gradient
• 30. Baseline در Policy Gradient
• 31. Adaptive Baseline
• 32. Entropy Regularization
• 33. معرفی روش‌های Policy Gradient پیشرفته برای MARL
• 34. Deep Deterministic Policy Gradient (DDPG) در MARL
• 35. Multi-Agent DDPG
• 36. Factored DDPG
• 37. Counterfactual Multi-Agent Policy Gradients (COMA)
• 38. COMA: طراحی و پیاده‌سازی
• 39. مزایا و معایب COMA
• 40. Multi-Agent Actor-Critic with Parameter Sharing
• 41. Parameter Sharing در MARL
• 42. مزایا و معایب Parameter Sharing
• 43. Multi-Agent Deep Deterministic Policy Gradient with Centralized Training and Decentralized Execution (MADDPG)
• 44. MADDPG: معماری و عملکرد
• 45. کاربردهای MADDPG
• 46. Reinforcement Learning with Opponent Modeling
• 47. مدل‌سازی حریف در MARL
• 48. تکنیک‌های مدل‌سازی حریف
• 49. Multi-Agent Proximal Policy Optimization (MAPPO)
• 50. MAPPO: اصول و الگوریتم
• 51. مقایسه MAPPO با سایر روش‌ها
• 52. Learning Communication Protocols in MARL
• 53. ارتباط بین عامل‌ها در MARL
• 54. یادگیری پروتکل‌های ارتباطی
• 55. Deep Reinforcement Learning for Cooperative Multi-Agent Systems
• 56. سیستم‌های چندعاملی تعاونی
• 57. کاربرد DRL در سیستم‌های تعاونی
• 58. Multi-Agent Path Finding (MAPF)
• 59. مسئله یافتن مسیر چندعاملی
• 60. رویکردهای حل MAPF با MARL
• 61. Multi-Agent Traffic Signal Control
• 62. کنترل هوشمند چراغ‌های راهنمایی
• 63. کاربرد MARL در مدیریت ترافیک
• 64. Robotics and Multi-Agent Control
• 65. کنترل ربات‌های چندگانه
• 66. کاربرد MARL در رباتیک
• 67. Game Theory and Multi-Agent Reinforcement Learning
• 68. نظریه بازی‌ها و MARL
• 69. مفاهیم نظریه بازی‌ها در MARL
• 70. Combinatorial Game Theory and MARL
• 71. نظریه بازی‌های ترکیبی
• 72. کاربرد در MARL
• 73. Multi-Agent Coordination and Cooperation
• 74. هماهنگی و همکاری عامل‌ها
• 75. روش‌های پیشرفته هماهنگی
• 76. Multi-Agent Competition and Adversarial Learning
• 77. رقابت و یادگیری خصمانه
• 78. کاربرد در بازی‌ها
• 79. Decentralized Partially Observable Markov Decision Processes (Dec-POMDPs)
• 80. مدل Dec-POMDP
• 81. روش‌های حل Dec-POMDP
• 82. Communication Learning in Multi-Agent Systems
• 83. یادگیری ارتباطات در سیستم‌های چندعاملی
• 84. کاربردها و چالش‌ها
• 85. Multi-Agent Reinforcement Learning for Resource Allocation
• 86. تخصیص منابع با MARL
• 87. مدل‌سازی و حل مسائل تخصیص منابع
• 88. Multi-Agent Reinforcement Learning for Network Management
• 89. مدیریت شبکه‌ها با MARL
• 90. کاربرد در شبکه‌های مخابراتی و کامپیوتری
• 91. Multi-Agent Reinforcement Learning for Recommender Systems
• 92. سیستم‌های توصیه‌گر چندعاملی
• 93. کاربرد در پلتفرم‌های آنلاین
• 94. Multi-Agent Reinforcement Learning for Financial Trading
• 95. معاملات مالی چندعاملی
• 96. استراتژی‌های معاملاتی با MARL
• 97. Multi-Agent Reinforcement Learning for Robotics Swarms
• 98. دسته‌های رباتیک
• 99. کنترل و هماهنگی دسته‌ها
• 100. Multi-Agent Reinforcement Learning for Supply Chain Optimization