کتاب صوتی رانندگی خودخواهانه، سود جمعی: ظهور عقلانیت جمعی در ترافیک مختلط با یادگیری تقویتی عمیق

🎓 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