کتاب مدیریت مواصلاتی هوشمند با رویکرد عامل‌محور با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت مواصلاتی هوشمند با رویکرد عامل‌محور

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: مدیریت ترافیک (Traffic Management)

📋 سرفصل‌های دوره

• 1. مبانی مدیریت ترافیک هوشمند و سیستم‌های حمل‌ونقل هوشمند
• 2. مفهوم عامل در سامانه‌های حمل‌ونقل هوشمند
• 3. مدل‌سازی شبکه معابر به‌عنوان محیط چندعامله
• 4. تعریف عامل‌ها در مدیریت مواصلاتی
• 5. تقاطع‌ها به‌عنوان عامل‌های تصمیم‌گیرنده
• 6. خودروهای متصل و خودران به‌عنوان عامل‌های هوشمند
• 7. ناوگان حمل‌ونقل عمومی به‌عنوان عامل‌های مشارکت‌کننده
• 8. مدل‌سازی جریان ترافیک برای یادگیری تقویتی
• 9. ویژگی‌های محیط ترافیکی پویا و تصادفی
• 10. تعریف حالت در مسائل کنترل ترافیک
• 11. طراحی فضای حالت برای عامل‌های ترافیکی
• 12. نمایش تراکم و صف خودروها در فضای حالت
• 13. نمایش سرعت و جریان ترافیک
• 14. استفاده از داده‌های حسگرها برای مشاهده وضعیت ترافیک
• 15. تعریف فضای عمل برای عامل‌های ترافیکی
• 16. کنترل چراغ‌های راهنمایی به‌عنوان مسئله تصمیم‌گیری
• 17. تنظیم زمان‌بندی فازهای چراغ راهنمایی
• 18. کنترل زمان سبز و قرمز با یادگیری تقویتی
• 19. طراحی تابع پاداش برای مدیریت ترافیک
• 20. کاهش تأخیر سفر به‌عنوان هدف یادگیری
• 21. کاهش طول صف به‌عنوان معیار پاداش
• 22. افزایش توان عبور شبکه به‌عنوان هدف کنترلی
• 23. مدیریت مصرف سوخت و انتشار آلاینده‌ها
• 24. توازن میان اهداف متضاد در مدیریت ترافیک
• 25. مبانی یادگیری تقویتی برای مدیریت مواصلاتی
• 26. فرمول‌بندی فرایند تصمیم‌گیری مارکوف در ترافیک
• 27. فرمول‌بندی مسئله به‌صورت فرآیند تصمیم‌گیری چندعامله
• 28. تفاوت یادگیری تقویتی تک‌عامله و چندعامله
• 29. یادگیری مستقل عامل‌ها در شبکه ترافیکی
• 30. چالش غیرایستایی در محیط‌های چندعامله
• 31. همکاری میان عامل‌های کنترل‌کننده تقاطع‌ها
• 32. هماهنگی محلی و بهینه‌سازی سراسری
• 33. یادگیری مشارکتی در کنترل ترافیک
• 34. یادگیری رقابتی در سناریوهای حمل‌ونقلی
• 35. سناریوهای مختلط همکاری و رقابت
• 36. مسئله تخصیص اعتبار میان عامل‌های ترافیکی
• 37. طراحی پاداش محلی و پاداش سراسری
• 38. اشتراک‌گذاری اطلاعات میان تقاطع‌های مجاور
• 39. ارتباط مستقیم میان عامل‌های ترافیکی
• 40. ارتباط غیرمستقیم از طریق محیط
• 41. محدودیت پهنای باند در ارتباط عامل‌ها
• 42. یادگیری با مشاهده ناقص وضعیت شبکه
• 43. هماهنگی عامل‌ها در شرایط اطلاعات ناقص
• 44. معماری متمرکز برای آموزش عامل‌های ترافیکی
• 45. معماری غیرمتمرکز برای کنترل ترافیک
• 46. آموزش متمرکز و اجرای غیرمتمرکز در MARL
• 47. الگوی Centralized Training with Decentralized Execution
• 48. یادگیری ارزش‌محور در مدیریت ترافیک
• 49. Q-Learning برای کنترل چراغ‌های راهنمایی
• 50. Deep Q-Network برای کنترل ترافیک
• 51. Independent Q-Learning در شبکه‌های چندتقاطعی
• 52. یادگیری سیاست‌محور برای کنترل ترافیک
• 53. روش‌های Actor-Critic در مدیریت مواصلاتی
• 54. Multi-Agent Actor-Critic برای کنترل شبکه
• 55. روش‌های MAPPO در مدیریت ترافیک
• 56. روش‌های MADDPG برای عامل‌های حمل‌ونقلی
• 57. روش‌های ارزش‌محور چندعامله مانند QMIX
• 58. مقایسه الگوریتم‌های MARL برای مدیریت ترافیک
• 59. انتخاب الگوریتم بر اساس اندازه و پیچیدگی شبکه
• 60. مقیاس‌پذیری یادگیری چندعامله در شبکه‌های بزرگ
• 61. تعمیم سیاست از یک تقاطع به چند تقاطع
• 62. هماهنگی سلسله‌مراتبی عامل‌های ترافیکی
• 63. کنترل چندسطحی در شبکه‌های مواصلاتی
• 64. گروه‌بندی تقاطع‌ها برای کاهش پیچیدگی
• 65. هماهنگی منطقه‌ای در شبکه‌های شهری
• 66. کنترل ترافیک در شبکه‌های بزرگ‌مقیاس
• 67. مدیریت پدیده انتشار صف میان تقاطع‌ها
• 68. پیشگیری از انسداد شبکه و Spillback
• 69. مدیریت ترافیک در ساعات اوج
• 70. مدیریت رخدادهای غیرعادی و اختلالات ترافیکی
• 71. کنترل ترافیک در شرایط تصادف و انسداد مسیر
• 72. مدیریت ترافیک در شرایط تغییر ناگهانی تقاضا
• 73. هماهنگی چراغ‌های راهنمایی در مسیرهای پرتردد
• 74. کنترل چندتقاطعی و ایجاد موج سبز
• 75. هماهنگی خودروهای متصل با چراغ‌های راهنمایی
• 76. ارتباط Vehicle-to-Infrastructure در مدیریت ترافیک
• 77. ارتباط Vehicle-to-Vehicle میان عامل‌های خودرو
• 78. ادغام داده‌های خودروهای متصل با MARL
• 79. هماهنگی خودروهای خودران در شبکه‌های شهری
• 80. کنترل ناوگان حمل‌ونقل عمومی با یادگیری چندعامله
• 81. مدیریت اتوبوس‌ها و اولویت‌دهی به حمل‌ونقل عمومی
• 82. هماهنگی تاکسی‌ها و سامانه‌های حمل‌ونقل درخواستی
• 83. مدیریت پارکینگ با رویکرد عامل‌محور
• 84. تخصیص مسیر هوشمند با یادگیری چندعامله
• 85. مسیریابی پویا در شبکه‌های شهری
• 86. هماهنگی انتخاب مسیر میان خودروها
• 87. مدیریت تقاضای سفر با عامل‌های هوشمند
• 88. مدیریت ترافیک چندوجهی با MARL
• 89. ادغام حمل‌ونقل خصوصی و عمومی در مدل چندعامله
• 90. طراحی محیط شبیه‌سازی برای مدیریت ترافیک
• 91. شبیه‌سازی شبکه‌های شهری با SUMO
• 92. مدل‌سازی عامل‌ها در SUMO
• 93. استفاده از CityFlow برای آزمایش MARL
• 94. مقایسه محیط‌های شبیه‌سازی ترافیکی
• 95. تولید سناریوهای ترافیکی برای آموزش عامل‌ها
• 96. ایجاد تقاطع‌ها و شبکه‌های مصنوعی برای آزمایش
• 97. تولید تقاضای سفر و الگوهای جریان ترافیک
• 98. آموزش عامل‌ها در محیط شبیه‌سازی
• 99. تنظیم اپیزودها و سناریوهای آموزش
• 100. مدیریت Exploration و Exploitation در ترافیک