دوره MPC در عمل: رویکردی برای کنترل مستمر و قابل اتکا همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره MPC در عمل: رویکردی برای کنترل مستمر و قابل اتکا

موضوع کلی: کنترل پیش بین مدل (MPC)

موضوع میانی: MPC برای سیستم‌های کنترل با رویکرد مبتنی بر قابلیت اطمینان مسئولانه مستمر

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری تقویتی چند عاملی
• 2. مفاهیم اساسی یادگیری تقویتی چند عاملی
• 3. انواع محیط های چند عاملی
• 4. مدل های بازی و تعامل
• 5. تعادل نش و بازی های ستاره ای
• 6. یادگیری با انگیزه مشترک
• 7. یادگیری با اهداف متضاد
• 8. یادگیری با اهداف مستقل
• 9. یادگیری با اهداف نیمه مشترک
• 10. مقدمه ای بر MPC
• 11. اصول اولیه کنترل پیش بین مدل
• 12. مدل های سیستم دینامیکی
• 13. تابع هزینه و تابع محدودیت
• 14. روش های بهینه سازی در MPC
• 15. حل کننده های آنلاین و آفلاین
• 16. MPC برای سیستم های خطی
• 17. MPC برای سیستم های غیرخطی
• 18. MPC برای سیستم های با تاخیر
• 19. MPC برای سیستم های نامطمئن
• 20. MPC در عمل: چالش ها و راه حل ها
• 21. ارتباط MPC و یادگیری تقویتی چند عاملی
• 22. رویکردهای ترکیبی MPC و RL
• 23. یادگیری تقویتی برای طراحی مدل در MPC
• 24. یادگیری تقویتی برای تنظیم پارامترهای MPC
• 25. یادگیری تقویتی برای مدیریت محدودیت ها در MPC
• 26. یادگیری تقویتی برای انطباق MPC با محیط
• 27. تحلیل پایداری سیستم های ترکیبی MPC-RL
• 28. پیاده سازی MPC در عمل: گام به گام
• 29. انتخاب مدل مناسب سیستم
• 30. تعریف تابع هزینه و محدودیت ها
• 31. انتخاب الگوریتم بهینه سازی
• 32. تنظیم پارامترهای MPC
• 33. شبیه سازی و آزمایش
• 34. مطالعات موردی MPC در صنعت
• 35. کنترل ربات ها با MPC
• 36. کنترل وسایل نقلیه خودران با MPC
• 37. کنترل سیستم های انرژی با MPC
• 38. کنترل فرآیندهای شیمیایی با MPC
• 39. کنترل سیستم های تولید با MPC
• 40. مطالعات موردی یادگیری تقویتی چند عاملی در عمل
• 41. هماهنگی ربات ها با Multi-Agent RL
• 42. کنترل ترافیک با Multi-Agent RL
• 43. مدیریت منابع با Multi-Agent RL
• 44. یادگیری سیاست های بازی در Multi-Agent RL
• 45. یادگیری استراتژی های تیمی در Multi-Agent RL
• 46. چالش های مقیاس پذیری در Multi-Agent RL
• 47. چالش های تعمیم در Multi-Agent RL
• 48. چالش های تفسیرپذیری در Multi-Agent RL
• 49. چالش های ایمنی در Multi-Agent RL
• 50. پیشرفت های اخیر در MPC
• 51. روش های یادگیری عمیق در MPC
• 52. MPC مبتنی بر شبکه های عصبی
• 53. MPC مبتنی بر یادگیری تقویتی عمیق
• 54. MPC برای ربات های نرم
• 55. MPC برای سیستم های توزیع شده
• 56. پیشرفت های اخیر در یادگیری تقویتی چند عاملی
• 57. اتصال گرا در Multi-Agent RL
• 58. یادگیری تقلیدی در Multi-Agent RL
• 59. یادگیری تقویتی مبتنی بر عامل در Multi-Agent RL
• 60. یادگیری تقویتی مبتنی بر محیط در Multi-Agent RL
• 61. یادگیری تقویتی مبتنی بر پاداش در Multi-Agent RL
• 62. یادگیری تقویتی مبتنی بر مزیت در Multi-Agent RL
• 63. یادگیری تقویتی با پاداش پراکنده
• 64. یادگیری تقویتی برای اکتشاف
• 65. یادگیری تقویتی برای برنامه ریزی
• 66. یادگیری تقویتی برای تصمیم گیری
• 67. یادگیری تقویتی برای کنترل
• 68. مبانی ریاضی MPC
• 69. مبانی ریاضی یادگیری تقویتی
• 70. نظریه بازی ها
• 71. بهینه سازی ریاضی
• 72. نظریه کنترل
• 73. سیستم های دینامیکی
• 74. احتمالات و آمار
• 75. جبر خطی
• 76. ماتریس ها و بردارها
• 77. حساب دیفرانسیل و انتگرال
• 78. بهینه سازی محدب
• 79. برنامه ریزی خطی
• 80. برنامه ریزی غیرخطی
• 81. مجموعه ها و رابطه ها
• 82. تابع و نگاشت
• 83. حد و پیوستگی
• 84. مشتق و کاربردهای آن
• 85. انتگرال و کاربردهای آن
• 86. دنباله ها و سری ها
• 87. فضاهای برداری
• 88. توابع چند متغیره
• 89. بردار گرادیان
• 90. هسین ماتریس
• 91. روش های تکراری
• 92. همگرایی روش های تکراری
• 93. تحلیل عددی
• 94. پیاده سازی الگوریتم ها
• 95. ساختارهای داده
• 96. الگوریتم های جستجو
• 97. الگوریتم های مرتب سازی
• 98. شبه کد
• 99. تابع نمایی
• 100. لگاریتم