دوره شبیه‌سازی و ارزیابی عملکرد یادگیری تقویتی چندعامله در سناریوهای ترافیک شهری همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبیه‌سازی و ارزیابی عملکرد یادگیری تقویتی چندعامله در سناریوهای ترافیک شهری

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

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

📋 سرفصل‌های دوره

• 1. مبانی و مفاهیم پایه‌ای یادگیری تقویتی چندعامله (MARL) در سیستم‌های هوشمند
• 2. مدلسازی ترافیک شهری به عنوان یک مسئله تصمیم‌گیری توزیع‌شده و چندعامله
• 3. آشنایی با محیط‌های شبیه‌سازی ترافیک (SUMO و CityFlow) برای یادگیری ماشین
• 4. تعریف دقیق فضاها، حالت‌ها (States)، اکشن‌ها (Actions) و توابع پاداش (Rewards) در کنترل ترافیک
• 5. معماری‌های یادگیری تیمی و همکاری عامل‌ها در شبکه‌های تقاطع شهری
• 6. بررسی چالش‌های مقیاس‌پذیری و ناپایداری محیط در الگوریتم‌های MARL
• 7. پیاده‌سازی الگوریتم‌های کلاسیک Q-learning و SARSA در سناریوهای ترافیکی ساده
• 8. استفاده از روش‌های یادگیری عمیق تقویتی (DRL) در کنترل هوشمند چراغ‌های راهنمایی
• 9. پیاده‌سازی الگوریتم‌های پیشرفته متمرکز با یادگیری غیرمتمرکز (CTDE) مانند MADDPG
• 10. کاربرد الگوریتم QMIX و تجزیه ارزش در هماهنگی عامل‌های ترافیکی
• 11. مدیریت ازدحام ترافیک در تقاطع‌های چندگانه به صورت شبکه پیوسته
• 12. طراحی سیستم‌های هدایت و مسیریابی پویا برای خودروهای خودران و متصل (CAVs)
• 13. شبیه‌سازی سناریوهای ترافیکی سنگین و شرایط بحرانی (ساعت‌های اوج ترافیک)
• 14. بررسی تأثیر تاخیر ارتباطی و عدم قطعیت حسگرها بر عملکرد عامل‌های ترافیکی
• 15. ارزیابی عملکرد و تعریف متریک‌های کلیدی مانند میانگین تاخیر، طول صف و نرخ گذر
• 16. استفاده از رویکردهای مبتنی بر مدل (Model-Based MARL) در پیش‌بینی جریان ترافیک
• 17. بهینه‌سازی مصرف سوخت و کاهش انتشار آلاینده‌ها با کنترل هوشمند ترافیک
• 18. انتقال یادگیری (Transfer Learning) از محیط‌های شبیه‌سازی شده به سناریوهای واقعی‌تر
• 19. تحلیل پایداری و همگرایی سیاست‌های یادگیری در شبکه‌های بزرگ مقیاس حمل و نقل
• 20. پروژه عملی: طراحی، شبیه‌سازی و ارزیابی یک سیستم جامع هوش مصنوعی برای کنترل چهارراه‌ها