دوره کاربرد هوش مصنوعی در مدیریت حمل و نقل شهری: MARL و 5G همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد هوش مصنوعی در مدیریت حمل و نقل شهری: MARL 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 مدیریت حمل و نقل شهری
• 2. چالش‌های مدیریت ترافیک در کلان‌شهرها
• 3. نقش فناوری‌های نوین ارتباطی (5G) در حمل و نقل هوشمند
• 4. اصول پایه‌ای یادگیری تقویتی چندعامله (MARL)
• 5. تفاوت MARL با یادگیری تقویتی تک‌عامله (RL)
• 6. معادلات دینامیک‌های مارکوف چندعامله (MDP)
• 7. مدل‌های عمل متقابل در شبکه‌های حمل و نقل
• 8. پروتکل‌های ارتباطی 5G و پتانسیل آن برای بهره‌برداری در سیستم‌های MARL
• 9. مجموعه‌های داده‌ای ردیابی وسایل نقلیه (GPS, Floating Car Data)
• 10. داده‌های هوشمند ترافیک از حسگرهای شهری
• 11. پردازش پیش‌پردازش داده‌ها برای آموزش MARL
• 12. جمع‌آوری داده‌های حسگرهای اینترنت اشیا در شبکه‌های 5G
• 13. مدیریت و نگهداری داده‌های پویا و گسترده
• 14. تفسیر داده‌ها و ویژگی‌های مربوط به الگوی ترافیک
• 15. الگوریتم‌های MARL همزمان (Synchronous)
• 16. الگوریتم‌های MARL هم‌زمان (Asynchronous)
• 17. یادگیری با تقویت متقابل (Q-Learning) در محیط‌های چندعامله
• 18. شبکه‌های تقویت متقابل (Actor-Critic) برای MARL
• 19. روش‌های یادگیری همزمان با تفاوت‌های زمانی (TD) در MARL
• 20. روش‌های یادگیری مبتنی بر سیاست (Policy Gradient) در MARL
• 21. الگوریتم‌های بازی‌های تقویت‌شده (Game-based MARL)
• 22. رویکردهای مبتنی بر یادگیری تقویتی با هدف‌های چندگانه
• 23. یادگیری تقویتی با استفاده از یادگیری عمیق (Deep MARL)
• 24. پروتکل‌های ارتباطی بین نمایندگان
• 25. اشتراک‌گذاری اطلاعات در زمان واقعی در شبکه‌های 5G
• 26. طراحی مکانیزم‌های مشابهت‌سنجی (Similarity mechanisms)
• 27. تکنیک‌های هماهنگی در محیط‌های ترافیکی پویا
• 28. مدیریت بلوک‌های کنترل در سیستم‌های MARL
• 29. روش‌های انعطاف‌پذیر و مقاوم در برابر خطا برای MARL
• 30. بهینه‌سازی زمان‌بندی چراغ‌های راهنمایی و رانندگی با MARL
• 31. مسیریابی خودروهای عمومی (Bus Routing) با استفاده از MARL
• 32. بهینه‌سازی پارکینگ شهری با MARL
• 33. مدیریت تقاضا و مشارکت رانندگان (Demand Response)
• 34. سیستم‌های خودران اشتراکی در محیط‌های شهری
• 35. مدیریت ترافیک پهناband پهن در شبکه‌های 5G
• 36. سیستم‌های حمل و نقل بار چندوجهی با MARL
• 37. مطالعه موردی: شبکه ترافیک هوشمند در شهری با جمعیت 5 میلیون نفر
• 38. پیاده‌سازی MARL در سیستم مدیریت ترافیک سنگاپور
• 39. آزمایش‌های میدانی در سیستم‌های حمل و نقل هوشمند در شانگهای
• 40. تحلیل پتانسیل 5G برای MARL در سیستم‌های مدیریت ترافیک اروپایی
• 41. آزمایش‌های بهینه‌سازی زمان‌بندی چراغ‌های راهنمایی و رانندگی در بوستون
• 42. بررسی عملکرد سیستم‌های خودران اشتراکی در آزمایشگاه‌های شهری
• 43. معیارهای ارزیابی عملکرد در MARL (گین همگانی، نرخ همگرایی)
• 44. اندازه‌گیری بازدهی سیستم حمل و نقل (توقف‌ها، زمان سفر)
• 45. تحلیل هزینه-فایده ادغام 5G در سیستم‌های MARL
• 46. سنجش تأثیرات زیست‌محیطی
• 47. سنجش قابلیت اطمینان و مقاومت در برابر خرابی‌ها
• 48. مقیاس‌بندی الگوریتم‌های MARL برای کلان‌شهرهای بزرگ
• 49. تکنیک‌های بهینه‌سازی به‌کاررفته بر روی GPU/TPU
• 50. استفاده از کامپیوترهای لبه‌ای برای پردازش MARL در شبکه‌های 5G
• 51. توزین بار بین پردازش مرکزی و لبه‌ای
• 52. بهینه‌سازی استفاده از پهناband شبکه 5G برای انتقال داده‌ها
• 53. یادگیری تقویتی با استفاده از شبکه‌های مولدانه (Generative MARL)
• 54. مدل‌های MARL مبتنی بر یادگیری تقویتی با استفاده از شبکه‌های عصبی (Graph Neural Networks)
• 55. یادگیری تقویتی با استفاده از یادگیری عمیق مبتنی بر شبکه‌های عصبی (Graph RL)
• 56. یادگیری تقویتی با استفاده از یادگیری تقویتی با استفاده از شبکه‌های عصبی (Policy Gradient with GNNs)
• 57. یادگیری تقویتی با استفاده از یادگیری تقویتی با استفاده از شبکه‌های عصبی (Actor-Critic با GNNs)
• 58. مسائل حریم خصوصی داده‌های ترافیک
• 59. چارچوب‌های قانونی برای سیستم‌های حمل و نقل هوشمند
• 60. اثرات اجتماعی به‌کارگیری MARL در مدیریت ترافیک
• 61. ملاحظات عدالت و دسترسی عادلانه به خدمات حمل و نقل
• 62. ادغام 6G و فناوری‌های بعدی در مدیریت حمل و نقل هوشمند
• 63. راهکارهای پیشنهادی برای سیستم‌های حمل و نقل شهری در دهه آینده
• 64. چشم‌انداز یادگیری تقویتی چندعامله با استفاده از شبکه‌های عصبی (Future of MARL in Smart Cities)
• 65. مقدمه‌ای بر کتابخانه‌های MARL (MPE, PettingZoo)
• 66. مقدمه‌ای بر کتابخانه‌های 5G (5G-NR, OpenAirInterface)
• 67. تنظیم محیط‌های MARL با استفاده از Gym-Parallel
• 68. استفاده از ROS برای مدل‌سازی ترافیک شهری
• 69. استفاده از Mininet-EXT برای شبیه‌سازی شبکه‌های 5G
• 70. استفاده از TensorFlow Agents و PyTorch for MARL
• 71. استفاده از Ray RLlib برای آموزش MARL مقیاس‌پذیر
• 72. پروژه 1: پیاده‌سازی Q-Learning همزمان برای بهینه‌سازی زمان‌بندی چراغ‌های راهنمایی و رانندگی
• 73. پروژه 2: آموزش Actor-Critic برای مسیریابی خودروهای عمومی
• 74. پروژه 3: طراحی پروتکل‌های ارتباطی برای MARL مبتنی بر 5G
• 75. پروژه 4: آزمایش مقیاس‌پذیری با استفاده از داده‌های ترافیک چندکلان‌شهری
• 76. پروژه 5: تحلیل تأثیرات زیست‌محیطی با استفاده از مدل‌های MARL
• 77. ساختار ارزیابی دوره
• 78. تفسیر داده‌های ارزیابی
• 79. دستیابی به گواهینامه
• 80. مرور کلید نکات دوره
• 81. ارائه منابع بیشتر و مطالعات آینده
• 82. جلسه پرسش و پاسخ