کتاب رانندگی خودخواهانه، سود جمعی: ظهور عقلانیت جمعی در ترافیک مختلط با یادگیری تقویتی عمیق با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB
رانندگی خودخواهانه، سود جمعی: دوره آموزشی هوش مصنوعی و ترافیک خودران رانندگی خودخواهانه، سود جمعی: دوره آموزشی هوش مصنوعی و ترافیک خودران آیا میدانستید که وسایل نقلیه خودران، حتی با وجود "خودخواهی" م...
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره رانندگی خودخواهانه، سود جمعی: ظهور عقلانیت جمعی در ترافیک مختلط با یادگیری تقویتی عمیق
موضوع کلی: وسایل نقلیه خودران و هوش مصنوعی در حمل و نقل
موضوع میانی: یادگیری تقویتی عمیق برای مدیریت ترافیک مختلط خودران
📋 سرفصلهای دوره
- 1. مبانی هوش مصنوعی در حمل و نقل
- 2. مقدمه ای بر وسایل نقلیه خودران
- 3. انواع سطوح خودرانندگی
- 4. چالش های وسایل نقلیه خودران
- 5. مقدمه ای بر یادگیری ماشین
- 6. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
- 7. یادگیری تقویتی: اصول اولیه
- 8. عناصر کلیدی یادگیری تقویتی: عامل، محیط، حالت، عمل، پاداش
- 9. چرخه یادگیری تقویتی
- 10. مسئله اکتشاف در برابر بهره برداری
- 11. مقدمه ای بر یادگیری تقویتی عمیق (DRL)
- 12. شبکه های عصبی در یادگیری تقویتی
- 13. یادگیری تقویتی عمیق در مقابل یادگیری تقویتی کلاسیک
- 14. الگوریتم های یادگیری تقویتی عمیق: Deep Q-Network (DQN)
- 15. مبانی DQN
- 16. پیاده سازی DQN
- 17. پیشرفت های DQN: Double DQN
- 18. پیشرفت های DQN: Dueling DQN
- 19. پیشرفت های DQN: Prioritized Experience Replay
- 20. الگوریتم های یادگیری تقویتی عمیق: Actor-Critic Methods
- 21. مبانی Actor-Critic
- 22. الگوریتم Advantage Actor-Critic (A2C)
- 23. الگوریتم Asynchronous Advantage Actor-Critic (A3C)
- 24. الگوریتم Proximal Policy Optimization (PPO)
- 25. الگوریتم Deep Deterministic Policy Gradient (DDPG)
- 26. الگوریتم Twin Delayed Deep Deterministic Policy Gradient (TD3)
- 27. الگوریتم Soft Actor-Critic (SAC)
- 28. مفاهیم پایه در مدیریت ترافیک
- 29. مدل های شبیه سازی ترافیک
- 30. مفهوم ترافیک مختلط (Mixed Traffic)
- 31. ترکیب وسایل نقلیه خودران و دستی
- 32. چالش های مدیریت ترافیک مختلط
- 33. رفتار رانندگان انسانی
- 34. رفتار عوامل خودران
- 35. مفهوم عقلانیت جمعی (Collective Rationality)
- 36. مفهوم خودخواهی (Self-Interest)
- 37. تئوری بازی و کاربرد آن در ترافیک
- 38. تعادل نش (Nash Equilibrium)
- 39. تعادل نش محدود (Bounded Nash Equilibrium)
- 40. پیاده سازی DRL برای کنترل ترافیک
- 41. تعریف مسئله DRL برای مدیریت ترافیک مختلط
- 42. تعریف عامل (Agent) در ترافیک مختلط
- 43. تعریف محیط (Environment) ترافیک مختلط
- 44. تعریف فضای حالت (State Space)
- 45. تعریف فضای عمل (Action Space)
- 46. طراحی تابع پاداش (Reward Function) برای عوامل خودران
- 47. پاداش های متمرکز بر خودخواهی (Self-interested Rewards)
- 48. پاداش های متمرکز بر سود جمعی (Systemic Benefits Rewards)
- 49. طراحی تابع پاداش ترکیبی
- 50. مطالعه موردی: شبیه سازی ترافیک در یک شبکه بزرگراهی
- 51. پیاده سازی DRL در شبیه ساز ترافیک
- 52. آموزش عامل های DRL برای رفتار خودخواهانه
- 53. آموزش عامل های DRL برای در نظر گرفتن سود جمعی
- 54. تحلیل نتایج: مقایسه رفتار خودخواهانه و سود جمعی
- 55. شاخص های ارزیابی عملکرد سیستم ترافیک
- 56. معیارهای کلان: میانگین سرعت، تاخیر، ظرفیت
- 57. معیارهای خرد: شتاب، ترمز، تغییر مسیر
- 58. تحلیل ظهور عقلانیت جمعی از رفتارهای خودخواهانه
- 59. تأثیر نسبت وسایل نقلیه خودران بر عقلانیت جمعی
- 60. تأثیر طراحی تابع پاداش بر رفتار عوامل
- 61. روش های ارزیابی عقلانیت جمعی
- 62. تحلیل پایداری سیستم در شرایط مختلف
- 63. تأثیر نویز و عدم قطعیت در محیط
- 64. حملات احتمالی و امنیت سیستم
- 65. پیشرفت های اخیر در DRL برای ترافیک
- 66. یادگیری تقویتی چندعاملی (Multi-Agent RL)
- 67. معماری های شبکه عصبی پیشرفته برای DRL
- 68. تکنیک های انتقال یادگیری (Transfer Learning)
- 69. روش های یادگیری تقلیدی (Imitation Learning)
- 70. یادگیری تقویتی بر پایه مدل (Model-based RL)
- 71. کاربرد DRL در سناریوهای پیچیده ترافیک
- 72. تقاطع ها و پیچ های پر ترافیک
- 73. شرایط اضطراری و واکنشی
- 74. مدیریت ترافیک در شهرهای هوشمند
- 75. اهمیت داده ها و جمع آوری آن ها
- 76. پلتفرم های شبیه سازی و پیاده سازی DRL
- 77. تحدیدات اخلاقی و اجتماعی DRL در حمل و نقل
- 78. ملاحظات حریم خصوصی
- 79. مسئولیت پذیری در سیستم های خودران
- 80. آینده DRL در حوزه حمل و نقل
- 81. روند تحقیقات آینده
- 82. پروژه های عملی با استفاده از DRL
- 83. نکات عملی برای پیاده سازی DRL
- 84. چالش های مهندسی نرم افزار
- 85. مقایسه با روش های سنتی مدیریت ترافیک
- 86. درس آموخته ها از مقاله "Self-Interest and Systemic Benefits"
- 87. اصول طراحی عامل های خودران
- 88. اهمیت مدل سازی تعاملات
- 89. نقش DRL در بهبود جریان ترافیک
- 90. نتیجه گیری و جمع بندی دوره
تگها:
Artificial Intelligence
Autonomous Vehicles
Collective Rationality
deep reinforcement learning
Mixed Autonomy Traffic
Self-Driving Cars
Self-Interest
smart transportation
Traffic Management
ترافیک مختلط
عقلانیت جمعی
مدیریت ترافیک
هوش مصنوعی
وسایل نقلیه خودران
یادگیری تقویتی عمیق
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.