کتاب صوتی بازی استراتژیک پنهان‌سازی و جستجو در شبکه‌ها: کشف بهینه با محدودیت منابع

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بازی استراتژیک پنهان‌سازی و جستجو در شبکه‌ها: کشف بهینه با محدودیت منابع

موضوع کلی: علم شبکه

موضوع میانی: نظریه بازی در طراحی و جستجوی شبکه

📋 سرفصل‌های دوره

• 1. مقدمه: چرا بازی‌های استراتژیک در شبکه‌ها اهمیت دارند؟
• 2. مبانی علم شبکه: گره‌ها، یال‌ها و همسایگی
• 3. انواع شبکه‌ها: اجتماعی، بیولوژیکی، اطلاعاتی و تکنولوژیکی
• 4. معیارهای پایه‌ای شبکه: درجه، مسیر و قطر شبکه
• 5. مبانی نظریه بازی: بازیکنان، استراتژی‌ها و سود
• 6. تعادل نش: مفهوم و کاربرد در بازی‌های استراتژیک
• 7. معرفی رسمی بازی پنهان‌سازی و جستجو (Hiding and Seeking Game)
• 8. بازیکنان بازی: پنهان‌شونده (Hider) و جستجوگر (Seeker)
• 9. فضای استراتژی: مکان‌های ممکن برای پنهان شدن و مسیرهای ممکن برای جستجو
• 10. محدودیت منابع: تعریف بودجه جستجو و محدودیت‌های زمانی
• 11. مدل‌سازی سود و زیان: هزینه جستجو و پاداش یافتن
• 12. مروری بر مقاله "Strategic hiding and exploration in networks"
• 13. تحلیل ساختار شبکه: مرکزیت و حاشیه‌نشینی
• 14. مرکزیت درجه (Degree Centrality): محبوبیت و آسیب‌پذیری
• 15. مرکزیت بینابینی (Betweenness Centrality): کنترل جریان اطلاعات
• 16. مرکزیت نزدیکی (Closeness Centrality): دسترسی سریع به کل شبکه
• 17. مرکزیت ویژه بردار (Eigenvector Centrality): تأثیر و نفوذ در شبکه
• 18. چگونه معیارهای مرکزیت به پنهان‌شونده و جستجوگر کمک می‌کنند؟
• 19. ساختار جامعه (Community Structure) در شبکه‌ها
• 20. نقش پل‌ها و گره‌های مفصلی در اتصال جوامع
• 21. شبکه‌های دنیای کوچک (Small-World Networks) و تأثیر آن بر جستجو
• 22. شبکه‌های بی‌مقیاس (Scale-Free Networks) و وجود هاب‌های مرکزی
• 23. مدل‌های شبکه تصادفی: اردوش-رنیی (Erdős–Rényi)
• 24. استراتژی‌های بنیادین پنهان‌شونده
• 25. پنهان شدن در گره‌های با درجه پایین: استراتژی انزوا
• 26. پنهان شدن در گره‌های با مرکزیت بینابینی پایین: خارج از مسیرهای اصلی
• 27. روانشناسی پنهان‌شونده: ریسک‌پذیری و ریسک‌گریزی
• 28. تحلیل مکان‌های بهینه برای پنهان شدن بر اساس توپولوژی شبکه
• 29. پنهان‌سازی پویا: تغییر مکان برای فرار از جستجوگر
• 30. استراتژی‌های فریب: ایجاد طعمه‌ها و اطلاعات غلط
• 31. دستکاری شبکه توسط پنهان‌شونده: حذف یا افزودن یال‌ها
• 32. محاسبه "امتیاز پنهان‌شدن" برای هر گره در شبکه
• 33. استراتژی‌های بهینه پنهان‌شدن در شبکه‌های بی‌مقیاس
• 34. استراتژی‌های بهینه پنهان‌شدن در شبکه‌های دنیای کوچک
• 35. پنهان‌شدن در خوشه‌های متراکم: استتار در جمع
• 36. استراتژی‌های بنیادین جستجوگر
• 37. الگوریتم‌های کلاسیک جستجو: جستجوی اول سطح (BFS) و اول عمق (DFS)
• 38. ناکامی الگوریتم‌های کلاسیک در برابر حریف استراتژیک
• 39. جستجوی مبتنی بر مرکزیت: شروع از مهم‌ترین گره‌ها
• 40. استراتژی جستجوی حریصانه (Greedy Search)
• 41. پیمایش تصادفی (Random Walk) به عنوان یک استراتژی جستجو
• 42. پیمایش تصادفی هوشمند: وزن‌دهی به یال‌ها
• 43. جستجو با بودجه محدود: بهینه‌سازی انتخاب گره‌ها برای بازرسی
• 44. مدل‌سازی فرآیند جستجو به عنوان یک مسئله پوشش گره (Node Coverage)
• 45. تأثیر اطلاعات اولیه بر استراتژی جستجو
• 46. جستجوی آگاهانه (Informed Search) در مقابل جستجوی ناآگاهانه
• 47. بهینه‌سازی مسیر جستجو برای حداکثر کردن احتمال کشف
• 48. استراتژی جستجو در شبکه‌های دارای ساختار جامعه
• 49. فرمول‌بندی بازی به صورت یک بازی با مجموع صفر (Zero-Sum Game)
• 50. ماتریس سود و زیان بازی پنهان‌سازی و جستجو
• 51. یافتن استراتژی‌های خالص و ترکیبی
• 52. محاسبه تعادل نش برای بازی در شبکه‌های کوچک
• 53. پیچیدگی محاسباتی یافتن تعادل نش در شبکه‌های بزرگ
• 54. تحلیل بازی پشته‌لبرگ (Stackelberg Game): وقتی یک بازیکن اول حرکت می‌کند
• 55. بازی پشته‌لبرگ نوع اول: جستجوگر رهبر است
• 56. بازی پشته‌لبرگ نوع دوم: پنهان‌شونده رهبر است
• 57. تأثیر توپولوژی شبکه بر استراتژی‌های تعادلی
• 58. چه نوع شبکه‌هایی برای پنهان‌شونده و چه نوعی برای جستجوگر بهتر است؟
• 59. بازی با اطلاعات ناقص (Imperfect Information)
• 60. مدل‌سازی باورهای بازیکنان در مورد استراتژی حریف
• 61. تعادل نش بیزی (Bayesian Nash Equilibrium)
• 62. تأثیر عدم قطعیت در ساختار شبکه بر بازی
• 63. بازی‌های تکراری: یادگیری از حرکات قبلی حریف
• 64. تکامل استراتژی‌ها در طول زمان: رویکرد نظریه بازی تکاملی
• 65. مفهوم استراتژی پایدار تکاملی (Evolutionarily Stable Strategy)
• 66. شبیه‌سازی عامل‌بنیان (Agent-Based Simulation) برای تحلیل بازی
• 67. گسترش مدل: بازی با چندین پنهان‌شونده
• 68. رقابت و همکاری بین پنهان‌شوندگان
• 69. گسترش مدل: بازی با چندین جستجوگر
• 70. رقابت و همکاری بین جستجوگران
• 71. بازی در شبکه‌های پویا (Dynamic Networks): تغییر ساختار در طول زمان
• 72. استراتژی‌های انطباقی برای بازیکنان در شبکه‌های پویا
• 73. پنهان‌سازی و جستجو در شبکه‌های چندلایه (Multilayer Networks)
• 74. پنهان‌سازی اطلاعات در مقابل پنهان‌سازی یک عامل فیزیکی
• 75. نقش زمان: شبکه‌های زمانی (Temporal Networks)
• 76. محدودیت‌های زمانی در پنهان‌سازی و جستجو
• 77. الگوریتم‌های تقریبی برای یافتن استراتژی‌های نزدیک به بهینه
• 78. کاربرد یادگیری تقویتی (Reinforcement Learning) برای یافتن استراتژی
• 79. مدل‌سازی مسئله به عنوان یک فرآیند تصمیم‌گیری مارکوف (MDP)
• 80. مقابله با استراتژی‌های حریف: ضد-پنهان‌سازی و ضد-جستجو
• 81. مفهوم "هزینه پنهان‌سازی" و "هزینه جستجو" در دنیای واقعی
• 82. کاربرد در امنیت سایبری: شناسایی و پنهان‌سازی بدافزارها
• 83. کاربرد در شبکه‌های تروریستی: یافتن سلول‌های مخفی
• 84. کاربرد در اپیدمیولوژی: یافتن "بیمار صفر" (Patient Zero)
• 85. کاربرد در بازاریابی و تبلیغات: هدف قرار دادن مشتریان کلیدی
• 86. کاربرد در شبکه‌های اجتماعی: انتشار اطلاعات و مقابله با اطلاعات نادرست
• 87. کاربرد در زیست‌شناسی: استراتژی‌های شکار و طعمه
• 88. تحلیل موارد واقعی: مطالعه موردی شبکه‌های قاچاق
• 89. ملاحظات اخلاقی در طراحی استراتژی‌های جستجو و پنهان‌سازی
• 90. آینده پژوهش: چالش‌های باز و مسیرهای تحقیقاتی
• 91. جمع‌بندی مفاهیم کلیدی دوره
• 92. مرور نهایی: چگونه استراتژی بهینه را در یک شبکه واقعی طراحی کنیم؟