دوره یادگیری تقویتی چندعامله برای کنترل ترافیک هوایی در زمان واقعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی چندعامله برای کنترل ترافیک هوایی در زمان واقعی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

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

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی و کاربرد آن در مدیریت ترافیک هوایی
• 2. مفاهیم پایه یادگیری تقویتی: عامل، محیط، پاداش، سیاست
• 3. فرآیندهای تصمیم مارکوف (MDP) و کاربرد آن‌ها در ترافیک هوایی
• 4. از یادگیری تقویتی تک‌عامله به چندعامله: چرایی و چالش‌ها
• 5. فرآیندهای تصمیم مارکوف چندعامله (Markov Games)
• 6. معماری‌های یادگیری تقویتی چندعامله: متمرکز، غیرمتمرکز، ترکیبی
• 7. همکاری و رقابت میان عامل‌ها در سیستم‌های چندعامله
• 8. مسئلهٔ عدم ایستایی محیط در MARL و راهکارهای آن
• 9. یادگیری Q چندعامله (Multi-Agent Q-Learning)
• 10. الگوریتم MADDPG برای هماهنگی عامل‌ها
• 11. الگوریتم QMIX و تجزیهٔ ارزش در تیم عامل‌ها
• 12. الگوریتم‌های Actor-Critic چندعامله
• 13. یادگیری تقویتی مبتنی بر ارتباط میان عامل‌ها (Communication-based MARL)
• 14. تخصیص اعتبار در سیستم‌های چندعامله (Credit Assignment)
• 15. مدل‌سازی فضای حالت در کنترل ترافیک هوایی
• 16. مدل‌سازی فضای عمل برای هواپیماها و ایستگاه‌های کنترل
• 17. طراحی تابع پاداش برای ایمنی و کارایی پرواز
• 18. شبیه‌سازی ترافیک هوایی با ابزارهای متن‌باز (BlueSky, SUMO)
• 19. پیاده‌سازی محیط شبیه‌سازی سفارشی برای کنترل ترافیک هوایی
• 20. مدل‌سازی هواپیما به‌عنوان عامل مستقل در MARL
• 21. هماهنگی مسیر پرواز میان چند هواپیما با MARL
• 22. اجتناب از تصادم و حفظ فاصلهٔ ایمنی با یادگیری تقویتی
• 23. مدیریت تراکم ترافیک هوایی در فرودگاه‌ها
• 24. زمان‌بندی بهینهٔ برخاست و فرود با MARL
• 25. مسیریابی پویا در فضای هوایی با عامل‌های یادگیرنده
• 26. مدیریت تأخیرها و بازبرنامه‌ریزی پرواز در زمان واقعی
• 27. یادگیری تقویتی برای کنترل هوشمند برج مراقبت
• 28. ترکیب MARL با سیستم‌های هشدار برخورد (TCAS)
• 29. مقیاس‌پذیری الگوریتم‌های MARL برای تعداد زیاد هواپیما
• 30. یادگیری انتقالی (Transfer Learning) در سیستم‌های کنترل ترافیک هوایی
• 31. یادگیری تقویتی عمیق چندعامله (Deep MARL) و شبکه‌های عصبی
• 32. معماری شبکه‌های عصبی مناسب برای پردازش داده‌های ترافیک هوایی
• 33. مدیریت عدم قطعیت و نویز در داده‌های حسگرها و رادار
• 34. هماهنگی سلسله‌مراتبی میان عامل‌ها در سیستم‌های بزرگ‌مقیاس
• 35. یادگیری تقویتی مبتنی بر مدل (Model-Based MARL) برای پیش‌بینی ترافیک
• 36. ارزیابی عملکرد الگوریتم‌های MARL با معیارهای ایمنی و کارایی
• 37. تحلیل پایداری و همگرایی الگوریتم‌های یادگیری چندعامله
• 38. مدیریت ریسک و تصمیم‌گیری در شرایط اضطراری با MARL
• 39. یکپارچه‌سازی MARL با سیستم‌های مدیریت ترافیک هوایی موجود (ATM)
• 40. پردازش داده‌های بلادرنگ از رادار و ADS-B برای آموزش عامل‌ها
• 41. بهینه‌سازی مصرف سوخت با هماهنگی مسیر مبتنی بر یادگیری تقویتی
• 42. مقابله با تغییرات آب‌وهوایی و اختلالات ناگهانی در ترافیک هوایی
• 43. امنیت سایبری و مقاوم‌سازی سیستم‌های MARL در برابر حملات
• 44. تست و اعتبارسنجی الگوریتم‌های MARL پیش از پیاده‌سازی عملی
• 45. استانداردها و مقررات ایمنی هوانوردی مرتبط با اتوماسیون هوشمند
• 46. مطالعهٔ موردی: کنترل ترافیک هوایی فرودگاه‌های پرتردد با MARL
• 47. مطالعهٔ موردی: مدیریت فضای هوایی چندمنطقه‌ای با عامل‌های همکار
• 48. چالش‌های تبیین‌پذیری (Explainability) در تصمیمات MARL برای هوانوردی
• 49. مسیرهای آیندهٔ پژوهش در یادگیری تقویتی چندعامله برای هوانوردی