کتاب بهینه‌سازی پویای زمان‌بندی چراغ‌های راهنمایی با MARL با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

249,950 تومان
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی پویای زمان‌بندی چراغ‌های راهنمایی با MARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

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

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر سیستم‌های هوشمند حمل و نقل
  • 2. مبانی بهینه‌سازی چراغ‌های راهنمایی
  • 3. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
  • 4. معماری عامل‌ها در MARL
  • 5. ارتباطات بین عامل‌ها در MARL
  • 6. تابع پاداش در MARL
  • 7. فضای حالت و عمل در MARL
  • 8. الگوریتم‌های پایه MARL
  • 9. یادگیری Q-Learning برای MARL
  • 10. Deep Q-Networks (DQN) برای MARL
  • 11. Actor-Critic Methods برای MARL
  • 12. Proximal Policy Optimization (PPO) در MARL
  • 13. Multi-Agent Deep Deterministic Policy Gradient (MADDPG)
  • 14. تکنیک‌های هماهنگی در MARL
  • 15. تکنیک‌های رقابت در MARL
  • 16. روش‌های توزیع شده در MARL
  • 17. روش‌های متمرکز در MARL
  • 18. مدل‌سازی ترافیک شهری
  • 19. جمع‌آوری داده‌های ترافیک
  • 20. پردازش و پاکسازی داده‌های ترافیک
  • 21. تحلیل آماری داده‌های ترافیک
  • 22. شبیه‌سازی جریان ترافیک
  • 23. مفاهیم صف و تأخیر در ترافیک
  • 24. مدل‌سازی تقاضای سفر
  • 25. پیش‌بینی جریان ترافیک
  • 26. مدل‌های پیش‌بینی سری زمانی
  • 27. شبکه‌های عصبی بازگشتی (RNN) برای پیش‌بینی ترافیک
  • 28. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
  • 29. شبکه‌های حافظه کوتاه مدت (GRU)
  • 30. مدل‌های مبتنی بر گراف (GCN) برای پیش‌بینی ترافیک
  • 31. ارزیابی مدل‌های پیش‌بینی ترافیک
  • 32. مقدمه‌ای بر بهینه‌سازی چراغ‌های راهنمایی
  • 33. کنترل تطبیقی چراغ‌های راهنمایی
  • 34. کنترل مبتنی بر حسگر
  • 35. کنترل مبتنی بر پیش‌بینی
  • 36. کنترل اولویت‌دار
  • 37. کنترل زمان‌بندی ثابت
  • 38. کنترل زمان‌بندی تطبیقی
  • 39. کنترل مبتنی بر فاز
  • 40. کنترل مبتنی بر تقاطع
  • 41. کنترل شبکه‌ای تقاطع‌ها
  • 42. بهینه‌سازی شبکه‌های ترافیکی
  • 43. مدل‌سازی ترافیک شهری با MARL
  • 44. طراحی تابع پاداش برای بهینه‌سازی چراغ‌ها
  • 45. تعریف فضای حالت برای چراغ‌های راهنمایی
  • 46. تعریف فضای عمل برای چراغ‌های راهنمایی
  • 47. پیاده‌سازی الگوریتم‌های MARL برای کنترل چراغ‌ها
  • 48. شبیه‌سازی سیستم کنترل چراغ با MARL
  • 49. ارزیابی عملکرد سیستم کنترل چراغ با MARL
  • 50. مقایسه با روش‌های سنتی کنترل چراغ
  • 51. کاربرد MARL در تقاطع‌های شلوغ
  • 52. کاربرد MARL در شبکه‌های جاده‌ای
  • 53. کاربرد MARL در مدیریت اضطراری ترافیک
  • 54. کاربرد MARL در بهبود کیفیت هوا
  • 55. کاربرد MARL در کاهش مصرف سوخت
  • 56. کاربرد MARL در افزایش ایمنی ترافیک
  • 57. چالش‌های پیاده‌سازی MARL در دنیای واقعی
  • 58. ملاحظات امنیتی در سیستم‌های MARL
  • 59. ملاحظات اخلاقی در سیستم‌های MARL
  • 60. تکنیک‌های یادگیری انتقالی در MARL
  • 61. یادگیری تقویتی با تقلید (Imitation Learning)
  • 62. یادگیری تقویتی با پاداش ضمنی (Inverse Reinforcement Learning)
  • 63. مدل‌های پیش‌بینی رفتار رانندگان
  • 64. مدل‌سازی تعاملات بین خودروها
  • 65. مدل‌سازی تعاملات بین خودرو و زیرساخت
  • 66. کاربرد MARL در خودروهای خودران
  • 67. کاربرد MARL در سیستم‌های حمل و نقل هوشمند (ITS)
  • 68. کاربرد MARL در مدیریت پارکینگ هوشمند
  • 69. کاربرد MARL در بهینه‌سازی مسیر حمل و نقل عمومی
  • 70. کاربرد MARL در سیستم‌های مدیریت ناوگان
  • 71. کاربرد MARL در بهینه‌سازی زنجیره تأمین
  • 72. مباحث پیشرفته در MARL
  • 73. یادگیری تقویتی عمیق با اتکا به مدل (Model-Based Deep RL)
  • 74. یادگیری تقویتی بدون اتکا به مدل (Model-Free Deep RL)
  • 75. یادگیری تقویتی با پاداش پراکنده (Sparse Reward RL)
  • 76. یادگیری تقویتی با پاداش مبتنی بر زمینه (Contextual Reward RL)
  • 77. یادگیری تقویتی با چندین وظیفه (Multi-Task RL)
  • 78. یادگیری تقویتی با چندین عامل و چندین وظیفه (Multi-Agent Multi-Task RL)
  • 79. یادگیری تقویتی با جستجوی اکتشافی (Exploration in RL)
  • 80. یادگیری تقویتی با کاهش ابعاد (Dimensionality Reduction in RL)
  • 81. یادگیری تقویتی با استدلال (Reasoning in RL)
  • 82. یادگیری تقویتی با قابلیت تفسیر (Explainable RL)
  • 83. استفاده از شبکه‌های مولد تخاصمی (GANs) در MARL
  • 84. استفاده از شبکه‌های گراف کانولوشنی (GCNs) در MARL
  • 85. استفاده از شبکه‌های ترنسفورمر (Transformers) در MARL
  • 86. ارزیابی ریسک در سیستم‌های MARL
  • 87. بهینه‌سازی زمان‌بندی با رویکردهای کلان داده
  • 88. روش‌های داده‌کاوی برای تحلیل الگوهای ترافیکی
  • 89. کاربرد هوش مصنوعی در بهینه‌سازی زیرساخت‌های شهری
  • 90. ملاحظات فنی در استقرار سیستم‌های هوشمند
  • 91. فناوری‌های ارتباطی برای سیستم‌های هوشمند (V2X)
  • 92. امنیت سایبری در سیستم‌های حمل و نقل هوشمند
  • 93. پروتکل‌های ارتباطی در ITS
  • 94. استانداردهای جهانی در ITS
  • 95. آیندهٔ بهینه‌سازی ترافیک با هوش مصنوعی
  • 96. تأثیر تحولات جمعیتی بر ترافیک شهری
  • 97. راهکارهای نوین برای مدیریت ترافیک
  • 98. سیاست‌گذاری در حوزه حمل و نقل هوشمند
  • 99. همکاری بین‌المللی در توسعه ITS
  • 100. فرهنگ‌سازی برای پذیرش سیستم‌های هوشمند
تگ‌ها: MARL بهینه‌سازی ترافیک چراغ راهنمایی هوشمند سیستم‌های هوشمند شهری شبکه‌های عصبی عمیق کنترل ترافیک مدیریت حمل و نقل هوش مصنوعی در حمل و نقل یادگیری تقویتی چندعامله یادگیری ماشینی

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.