کتاب یادگیری تقویتی چندعامله برای بهینه‌سازی برنامه‌ریزی وظایف ربات‌ها در زمان واقعی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی چندعامله برای بهینه‌سازی برنامه‌ریزی وظایف ربات‌ها در زمان واقعی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای کنترل ربات‌های صنعتی برای انجام وظایف نگهداری و تعمیر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مبانی یادگیری تقویتی
• 3. عوامل در یادگیری تقویتی
• 4. محیط در یادگیری تقویتی
• 5. پاداش و جریمه در یادگیری تقویتی
• 6. مدل‌های مارکوف تصمیم‌گیری (MDP)
• 7. فضای حالت و عمل
• 8. تابع انتقال حالت
• 9. تابع پاداش
• 10. مسئله بهینه‌سازی در MDP
• 11. الگوریتم‌های یادگیری تقویتی
• 12. یادگیری Q-Learning
• 13. یادگیری SARSA
• 14. یادگیری Deep Q-Network (DQN)
• 15. شبکه‌های عصبی در یادگیری تقویتی
• 16. تابع ارزش
• 17. تابع سیاست
• 18. مقایسه Q-Learning و SARSA
• 19. پیاده‌سازی Q-Learning
• 20. پیاده‌سازی SARSA
• 21. کاربرد یادگیری تقویتی در رباتیک
• 22. برنامه‌ریزی وظایف ربات‌ها
• 23. اهداف ربات‌ها
• 24. محدودیت‌های ربات‌ها
• 25. زمان واقعی در برنامه‌ریزی ربات‌ها
• 26. چالش‌های برنامه‌ریزی وظایف ربات‌ها
• 27. یادگیری تقویتی چندعامله (MARL)
• 28. مفهوم عامل‌های متعدد
• 29. تعامل بین عامل‌ها
• 30. هماهنگی بین عامل‌ها
• 31. رقابت بین عامل‌ها
• 32. مدل‌های ارتباطی بین عامل‌ها
• 33. الگوریتم‌های MARL
• 34. تجزیه و تحلیل بازی‌ها
• 35. بازی‌های مجموع-صفر
• 36. بازی‌های مجموع-غیرصفر
• 37. مفهوم تعادل نش (Nash Equilibrium)
• 38. کاربرد تعادل نش در MARL
• 39. الگوریتم‌های مبتنی بر ارزش در MARL
• 40. Deep Deterministic Policy Gradient (DDPG) برای MARL
• 41. Multi-Agent Deep Deterministic Policy Gradient (MADDPG)
• 42. الگوریتم‌های مبتنی بر سیاست در MARL
• 43. Proximal Policy Optimization (PPO) برای MARL
• 44. Actor-Critic در MARL
• 45. روش‌های هماهنگی در MARL
• 46. یادگیری با میانجی‌گری (Mediated Learning)
• 47. یادگیری با همکاری (Cooperative Learning)
• 48. یادگیری با رقابت (Competitive Learning)
• 49. یادگیری نیمه‌همکارانه (Partially Cooperative Learning)
• 50. مدل‌سازی عامل‌های دیگر
• 51. یادگیری سیاست‌های مشترک
• 52. یادگیری سیاست‌های مجزا
• 53. برنامه‌ریزی وظایف ربات‌ها با MARL
• 54. تخصیص وظایف به ربات‌ها
• 55. زمان‌بندی وظایف ربات‌ها
• 56. بهینه‌سازی مسیر ربات‌ها
• 57. ناوبری ربات‌ها
• 58. شناسایی اشیاء توسط ربات‌ها
• 59. انجام وظایف توسط ربات‌ها
• 60. سیستم‌های رباتیک چند عامله
• 61. کاربردهای MARL در رباتیک صنعتی
• 62. کاربردهای MARL در رباتیک خدماتی
• 63. کاربردهای MARL در رباتیک اکتشافی
• 64. شبیه‌سازی محیط‌های رباتیک
• 65. توسعه محیط‌های شبیه‌سازی
• 66. ارزیابی عملکرد الگوریتم‌های MARL
• 67. سنجه‌های ارزیابی در MARL
• 68. مقایسه الگوریتم‌های مختلف MARL
• 69. چالش‌های پیاده‌سازی MARL در دنیای واقعی
• 70. مقیاس‌پذیری الگوریتم‌های MARL
• 71. قدرت تعمیم‌پذیری الگوریتم‌های MARL
• 72. نویز در داده‌ها و محیط
• 73. خطای مدل‌سازی
• 74. ناپایداری در یادگیری
• 75. تکنیک‌های افزایش پایداری
• 76. تکنیک‌های افزایش مقیاس‌پذیری
• 77. تحلیل حساسیت پارامترها
• 78. کاربرد MARL در بهینه‌سازی منابع
• 79. مدیریت ترافیک با MARL
• 80. سیستم‌های انرژی هوشمند با MARL
• 81. شبکه‌های سنسور با MARL
• 82. بهینه‌سازی زنجیره تأمین با MARL
• 83. کاربرد MARL در ربات‌های پرنده
• 84. کنترل ازدحام ربات‌های پرنده
• 85. هماهنگی ربات‌های پرنده برای مأموریت‌ها
• 86. کاربرد MARL در وسایل نقلیه خودران
• 87. هماهنگی وسایل نقلیه خودران در تقاطع‌ها
• 88. برنامه‌ریزی مسیر برای ناوگان وسایل نقلیه خودران
• 89. مباحث پیشرفته در MARL
• 90. یادگیری تقویتی با پاداش پراکنده
• 91. یادگیری تقویتی با پاداش منفی
• 92. یادگیری تقویتی با یادگیری تقلیدی (Imitation Learning)
• 93. کاربرد یادگیری تقلیدی در MARL
• 94. یادگیری تقویتی با جستجوی اکتشافی پیشرفته
• 95. یادگیری تقویتی با استدلال علی (Causal Reasoning)
• 96. یادگیری تقویتی با شبکه‌های عصبی گراف (GNN)
• 97. کاربرد GNN در MARL
• 98. مرزهای تحقیقاتی در MARL
• 99. آینده MARL در رباتیک
• 100. توسعه الگوریتم‌های کارآمدتر