کتاب یادگیری تقویتی چندعامله برای بهینهسازی عملکرد کلی سیستم رباتیک با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB
249,950 تومان
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره یادگیری تقویتی چندعامله برای بهینهسازی عملکرد کلی سیستم رباتیک
موضوع کلی: یادگیری تقویتی چندعامله (MARL)
موضوع میانی: یادگیری تقویتی چندعامله برای کنترل ربات‌های صنعتی برای انجام وظایف نگهداری و تعمیر
📋 سرفصل‌های دوره
- 1. مفهوم MARL در بهینهسازی سیستم‌های رباتیک صنعتی
- 2. تفاوت رویکرد تک‌عامله و چندعامله در کنترل ربات
- 3. نقش عامل، وضعیت، اقدام، پاداش و گذار در سامانه رباتیک
- 4. دسته‌بندی تعاملات همکارانه، رقابتی و ترکیبی
- 5. مدل‌سازی مسئله به‌صورت MDP
- 6. مدل‌سازی مشاهده‌ناپذیری و عدم‌قطعیت با POMDP
- 7. تعریف فضای حالت و اقدام برای ربات‌های صنعتی
- 8. طراحی فضای اقدام پیوسته، گسسته و ترکیبی
- 9. طراحی پاداش برای عملکرد، ایمنی و هزینه
- 10. پاداش‌گذاری چندمعیاره در سیستم رباتیک
- 11. تخصیص اعتبار میان عوامل
- 12. تفکیک وظایف و تشکیل زیرمنظومه‌ها
- 13. طراحی سلسله‌مراتبی تصمیم‌گیری
- 14. هماهنگی زمان‌بندی و وابستگی عملیاتی
- 15. ارتباط محدود، دیردار و قابل‌اعتماد میان ربات‌ها
- 16. آموزش مرکزی و اجرای غیرمتمرکز
- 17. مشکل غیرایستایی هنگام آموزش همزمان عوامل
- 18. مقایسه آموزش مستقل RL با MARL هماهنگ
- 19. مقیاس‌پذیری در ناوگان‌های رباتیکی
- 20. کارایی نمونه‌ای و کاهش آزمایش‌های پرهزینه
- 21. یادگیری تقویتی مدل‌محور برای سیستم‌های رباتیک
- 22. یادگیری تقویتی مقدارمحور چندعامله
- 23. روش‌های Value Decomposition
- 24. الگوریتم‌های Actor–Critic چندعامله
- 25. سیاست‌گرادیان چندعامله و آموزش همگام
- 26. روش‌های ترکیبی مدل‌محور و سیاست‌محور
- 27. کنترل بهینه حرکت و نیرو در ربات‌های صنعتی
- 28. مدل‌سازی سینماتیک و دینامیک به‌عنوان بخشی از مسئله MARL
- 29. مدیریت محدودیت‌های مکانیکی و محدوده حرکتی
- 30. برنامه‌ریزی مسیر هماهنگ برای چند ربات
- 31. کنترل همکاری‌ای حمل بار و جوشکاری یا مونتاژ
- 32. اولویت‌بندی وظایف نگهداری و تعمیر در خط تولید
- 33. تخصیص ربات‌ها به موقعیت‌ها و دستورهای تعمیر
- 34. زمان‌بندی تعمیرات، توقف خط و منابع تخصصی
- 35. یکپارچه‌سازی داده‌های سنسور و مانیتورینگ وضعیت
- 36. مدل‌سازی فرسودگی، خرابی و قابلیت اطمینان
- 37. یادگیری تقویتی برای نگهداری پیش‌دستانه
- 38. تصمیم‌گیری تحت عدم‌قطعیت در تشخیص و تعمیر خرابی
- 39. تعادل بین توقف برنامه‌ریزی‌شده و خرابی ناگهانی
- 40. بهینهسازی همزمان زمان چرخه، انرژی و تاب‌آوری
- 41. ادغام محدودیت‌های ایمنی در پاداش و اقدام
- 42. کنترل ایمن چندعامله در فضای کاری مشترک
- 43. حفاظت از انسان، ابزار و تجهیزات حساس
- 44. اعتبارسنجی رفتارهای بحرانی و نادیده‌گرفته‌شده
- 45. استفاده از Formal Verification برای محدودیت‌های MARL
- 46. طراحی محیط شبیه‌سازی چندعامله صنعتی
- 47. Digital Twin برای آموزش و بهینهسازی ناوگان رباتیک
- 48. Domain Randomization و مدل‌سازی ناهمگونی ربات‌ها
- 49. انتقال از شبیه‌سازی به واقعیت با Sim-to-Real
- 50. به‌روزرسانی آنلاین سیاست در خط تولید
- 51. تطبیق با تغییر ظرفیت ماشین‌آلات و الگوی تقاضا
- 52. یادگیری مستمر بدون فراموشی سیاست‌های پایدار
- 53. جابه‌جایی دانش میان وظایف و محیط‌های مختلف
- 54. مدیریت خرابی عامل و کنترل مقاوم
- 55. بازآرایی خودکار نقش‌ها هنگام از دست رفتن ربات
- 56. کاهش مصرف انرژی از طریق تصمیم‌گیری هماهنگ
- 57. بهینهسازی سطح سرویس و کاهش توقفات تولید
- 58. طراحی معیارهای ارزیابی عملکرد سیستم در مقیاس کلان
- 59. سنجش بهره‌وری، ایمنی، پایداری و مصرف انرژی
- 60. مقایسه MARL با کنترل کلاسیک، MPC و هوریستیک‌ها
- 61. طراحی Benchmark قابل‌تکرار برای سناریوهای صنعتی
- 62. تحلیل حساسیت نسبت به تنظیمات و عدم‌قطعیت محیط
- 63. توضیح‌پذیری تصمیم‌های عوامل و ردیابی علت عملکرد
- 64. مدیریت داده، نسخه‌بندی مدل و پایش سیاست در عمل
- 65. راه‌اندازی تدریجی MARL کنار سیستم‌های کنترلی موجود
- 66. پاسخ‌گویی به رخدادهای غیرمنتظره و بازیابی از خطا
- 67. چارچوب طراحی کامل از تعریف مسئله تا استقرار
تگ‌ها:
Digital Twin
Fleet Optimization
Industrial Robotics
Maintenance and Repair
MARL
Multi-Agent Reinforcement Learning
Multi-Robot Systems
Predictive Maintenance
Reinforcement Learning
Robot Control
Robotic System Optimization
Safety-Critical AI
Sim-to-Real
Smart Manufacturing
Task Allocation
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.