دوره کاربرد یادگیری تقویتی در MPC برای سیستم‌های غیرخطی و با ابعاد بالا همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد یادگیری تقویتی در MPC برای سیستم‌های غیرخطی و با ابعاد بالا

موضوع کلی: کنترل پیش بین مدل (MPC)

موضوع میانی: روش‌های یادگیری تقویتی در MPC

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری تقویتی
• 2. مفاهیم اساسی یادگیری تقویتی
• 3. مدل‌های یادگیری تقویتی
• 4. تابع ارزش
• 5. تابع سیاست
• 6. تفاوت بین یادگیری تقویتی و یادگیری نظارت شده
• 7. یادگیری تقویتی بدون مدل
• 8. مدل‌های دینامیکی سیستم
• 9. بهینه‌سازی در فضای حالت
• 10. فرایندهای تصمیم‌گیری مارکوف (MDP)
• 11. تعریف MDP
• 12. عناصر MDP
• 13. حالت‌ها، عمل‌ها، پاداش‌ها
• 14. ماتریس انتقال حالت
• 15. تابع پاداش
• 16. تعادل در MDP
• 17. حل MDP
• 18. الگوریتم‌های مقداردهی ارزش
• 19. مقداردهی ارزش مبتنی بر ارزش
• 20. مقداردهی ارزش مبتنی بر سیاست
• 21. الگوریتم‌های سیاست‌گذاری
• 22. سیاست‌های گرادیان
• 23. سیاست‌های اکتشافی
• 24. کنترل پیش‌بین مدل (MPC)
• 25. مبانی MPC
• 26. مدل سیستم
• 27. پیش‌بینی رفتار سیستم
• 28. تابع هزینه
• 29. حالت‌های هدف
• 30. محدودیت‌ها
• 31. فرآیند بهینه‌سازی در MPC
• 32. مزایای MPC
• 33. معایب MPC
• 34. MPC خطی
• 35. MPC غیرخطی
• 36. MPC با ابعاد بالا
• 37. چالش‌های MPC برای سیستم‌های غیرخطی
• 38. چالش‌های MPC برای سیستم‌های با ابعاد بالا
• 39. یادگیری تقویتی در MPC
• 40. ترکیب یادگیری تقویتی و MPC
• 41. نقش یادگیری تقویتی در MPC
• 42. بهبود مدل سیستم در MPC با RL
• 43. یادگیری تابع هزینه در MPC با RL
• 44. یادگیری سیاست کنترلی در MPC با RL
• 45. مقایسه RL-MPC با MPC سنتی
• 46. کاربرد RL-MPC در سیستم‌های غیرخطی
• 47. کاربرد RL-MPC در سیستم‌های با ابعاد بالا
• 48. الگوریتم‌های RL-MPC
• 49. مقداردهی ارزش عمیق (Deep Q-Learning)
• 50. مقداردهی ارزش عمیق عملگر (Actor-Critic)
• 51. یادگیری سیاست عمیق (Deep Policy Gradient)
• 52. الگوریتم‌های پیشرفته RL-MPC
• 53. یادگیری افزایشی در RL-MPC
• 54. استراتژی‌های اکتشاف در RL-MPC
• 55. تنظیم پارامترها در RL-MPC
• 56. شبیه‌سازی و ارزیابی RL-MPC
• 57. محیط‌های شبیه‌سازی
• 58. معیارهای ارزیابی
• 59. مقایسه با روش‌های دیگر
• 60. مطالعات موردی RL-MPC
• 61. رباتیک
• 62. هوا فضا
• 63. خودرو
• 64. صنایع شیمیایی
• 65. شبکه‌های انرژی
• 66. سیستم‌های توزیع شده
• 67. سیستم‌های هوشمند
• 68. حالت‌های خاص سیستم‌های غیرخطی
• 69. خطی‌سازی سیستم‌ها
• 70. پاسخ حالت به حالت
• 71. مدل‌های مبتنی بر داده
• 72. یادگیری مدل‌های غیرخطی
• 73. شبکه‌های عصبی در RL-MPC
• 74. شبکه‌های عصبی بازگشتی (RNN)
• 75. شبکه‌های عصبی کانولوشنی (CNN)
• 76. شبکه‌های عصبی ترانسفورمر
• 77. محدودیت‌های فیزیکی در RL-MPC
• 78. محدودیت‌های عملیاتی
• 79. محدودیت‌های ایمنی
• 80. معماری‌های RL-MPC
• 81. معماری‌های مرکزی
• 82. معماری‌های توزیع شده
• 83. معماری‌های سلسله مراتبی
• 84. چالش‌های محاسباتی در RL-MPC
• 85. پیچیدگی محاسباتی
• 86. زمان واقعی
• 87. محدودیت‌های سخت‌افزاری
• 88. روش‌های کاهش پیچیدگی
• 89. کاهش ابعاد حالت
• 90. کاهش ابعاد عمل
• 91. انتخاب ویژگی
• 92. فشرده‌سازی مدل
• 93. یادگیری تقویتی در زمان واقعی
• 94. سازگاری با محیط‌های پویا
• 95. به‌روزرسانی سیاست در زمان اجرا
• 96. روش‌های تضمین پایداری در RL-MPC
• 97. تحلیل پایداری
• 98. محدودیت‌های تضمینی
• 99. تحلیل عملکرد
• 100. بیشینه‌سازی پاداش