کتاب صوتی بهینه‌سازی سیاست در سیستم‌های چندعامله: رویکردهای نوین Policy-based

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی سیاست در سیستم‌های چندعامله: رویکردهای نوین Policy-based

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: الگوریتم‌های مبتنی بر سیاست (Policy-based Algorithms)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سیستم‌های چندعامله و بهینه‌سازی سیاست
• 2. مبانی نظری سیستم‌های چندعامله
• 3. معرفی عامل‌ها و محیط‌های عامل‌محور
• 4. انواع سیستم‌های چندعامله (همکار، رقابتی، مختلط)
• 5. مفهوم سیاست در سیستم‌های چندعامله
• 6. تعریف بهینه‌سازی سیاست
• 7. اهمیت بهینه‌سازی سیاست در کاربردهای واقعی
• 8. مرور تاریخچه و تحولات بهینه‌سازی سیاست
• 9. مدل‌سازی ریاضی سیستم‌های چندعامله
• 10. فضای حالت و فضای عمل در سیستم‌های چندعامله
• 11. فرآیندهای تصمیم‌گیری مارکوف (MDP) برای یک عامل
• 12. فاکتورگیری در MDP برای سیستم‌های چندعامله
• 13. مدل‌های بازی (Games) در سیستم‌های چندعامله
• 14. تعادل‌های نش (Nash Equilibria) در بازی‌های همزمان
• 15. یادگیری تقویتی (Reinforcement Learning) برای یک عامل
• 16. مبانی یادگیری تقویتی
• 17. الگوریتم‌های یادگیری تقویتی مبتنی بر ارزش (Value-based)
• 18. الگوریتم‌های یادگیری تقویتی مبتنی بر سیاست (Policy-based)
• 19. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 20. یادگیری تقویتی در سیستم‌های چندعامله (MARL)
• 21. چالش‌های یادگیری تقویتی در سیستم‌های چندعامله
• 22. ناپایداری و پیچیدگی یادگیری در MARL
• 23. عدم قطعیت و عدم مشاهده‌پذیری در MARL
• 24. مقیاس‌پذیری فضای حالت و عمل در MARL
• 25. یادگیری هماهنگ (Cooperative MARL)
• 26. یادگیری مبتنی بر ارزش مشترک (Joint Action-Value Learning)
• 27. یادگیری مبتنی بر سیاست مشترک (Joint Policy Learning)
• 28. مدل‌های تخصصی برای یادگیری هماهنگ
• 29. یادگیری مبتنی بر عامل‌های مرکزی (Centralized Training)
• 30. یادگیری مبتنی بر عامل‌های توزیع‌شده (Decentralized Execution)
• 31. یادگیری عامل‌های با قابلیت ارتباط (Communication Learning)
• 32. یادگیری رقابتی (Competitive MARL)
• 33. یادگیری مبتنی بر بازی‌های مجموع-صفر (Zero-Sum Games)
• 34. یادگیری عامل‌های یادگیرنده در برابر عامل‌های ایستا (Learning vs. Fixed Opponents)
• 35. یادگیری مبتنی بر بازی‌های مجموع-غیرصفر (Non-Zero-Sum Games)
• 36. یادگیری مبتنی بر تئوری بازی‌های تکاملی (Evolutionary Game Theory)
• 37. یادگیری مختلط (Mixed MARL)
• 38. رویکردهای ترکیبی برای یادگیری هماهنگ و رقابتی
• 39. یادگیری مبتنی بر مدل (Model-based MARL)
• 40. یادگیری بدون مدل (Model-free MARL)
• 41. یادگیری تقویتی عمیق در سیستم‌های چندعامله
• 42. شبکه‌های عصبی عمیق برای نمایش سیاست و ارزش
• 43. شبکه‌های عصبی کانولوشنی (CNN) در MARL
• 44. شبکه‌های عصبی بازگشتی (RNN) در MARL
• 45. معماری‌های ترکیبی در MARL
• 46. الگوریتم‌های Policy Gradient در MARL
• 47. REINFORCE در MARL
• 48. Actor-Critic در MARL
• 49. A3C (Asynchronous Advantage Actor-Critic) در MARL
• 50. DDPG (Deep Deterministic Policy Gradient) در MARL
• 51. PPO (Proximal Policy Optimization) در MARL
• 52. TRPO (Trust Region Policy Optimization) در MARL
• 53. الگوریتم‌های مبتنی بر ارزش در MARL
• 54. DQN (Deep Q-Network) برای MARL
• 55. Double DQN برای MARL
• 56. Dueling DQN برای MARL
• 57. Prioritized Experience Replay در MARL
• 58. Multi-Agent Deep Deterministic Policy Gradient (MADDPG)
• 59. Counterfactual Multi-Agent Policy Gradients (COMA)
• 60. Value-Decomposition Networks (VDN)
• 61. QMIX: Composing Value Functions for Multi-Agent Control
• 62. QTRAN: Learning to factorize multi-agent policies
• 63. Deep Coordination Graphs
• 64. Multi-Agent Actor-Critic with Centralized Critic
• 65. Multi-Agent Deep Deterministic Policy Gradient for Cooperative Tasks
• 66. Reinforcement Learning with Shared Experience Replay for Multi-Agent Systems
• 67. Multi-Agent Policy Gradient with Shared Information
• 68. Learning Emergent Communication in Multi-Agent Systems
• 69. Multi-Agent Imitation Learning
• 70. Inverse Reinforcement Learning in Multi-Agent Systems
• 71. Multi-Agent Hierarchical Reinforcement Learning
• 72. Multi-Agent Reinforcement Learning with Opponent Modeling
• 73. Robust Multi-Agent Reinforcement Learning
• 74. Safe Multi-Agent Reinforcement Learning
• 75. Fairness in Multi-Agent Reinforcement Learning
• 76. Explainable Multi-Agent Reinforcement Learning
• 77. Applications of Multi-Agent Reinforcement Learning
• 78. Robotics and Multi-Agent Control
• 79. Autonomous Driving and Multi-Agent Systems
• 80. Traffic Signal Control using Multi-Agent Reinforcement Learning
• 81. Resource Management in Cloud Computing with MARL
• 82. Energy Management and Smart Grids with MARL
• 83. Gaming and Multi-Agent AI
• 84. Financial Trading Systems with MARL
• 85. Healthcare and Multi-Agent Systems
• 86. Supply Chain Optimization with MARL
• 87. Human-Robot Interaction and MARL
• 88. Ethical Considerations in Multi-Agent Reinforcement Learning
• 89. Future Trends in Multi-Agent Reinforcement Learning
• 90. Open Problems in Multi-Agent Reinforcement Learning
• 91. Benchmarks and Datasets for MARL
• 92. Software Tools and Frameworks for MARL
• 93. Theories of Multi-Agent Learning and Cooperation
• 94. Theories of Multi-Agent Competition and Negotiation
• 95. Theories of Multi-Agent Coordination and Synchronization
• 96. Theories of Multi-Agent Learning in Dynamic Environments
• 97. Theories of Multi-Agent Learning with Partial Observability
• 98. Theories of Multi-Agent Learning with Communication Constraints
• 99. Theories of Multi-Agent Learning for Complex Tasks
• 100. Theories of Multi-Agent Learning for Multi-Objective Optimization