دوره کاربردهای عملی یادگیری تقویتی چندعامله در هدایت گروهی پهپادها برای اکتشاف همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربردهای عملی یادگیری تقویتی چندعامله در هدایت گروهی پهپادها برای اکتشاف

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای کنترل ربات‌های پرنده برای نقشه‌برداری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مبانی یادگیری تقویتی
• 3. معرفی عامل‌های هوشمند
• 4. مفهوم محیط و عامل
• 5. تابع پاداش و هدف‌گذاری
• 6. فضای حالت و فضای عمل
• 7. مدل‌های مارکوف تصمیم‌گیری (MDP)
• 8. روش‌های ارزش‌گذاری حالت
• 9. روش‌های سیاست‌گذاری
• 10. یادگیری تقویتی بدون مدل
• 11. یادگیری تقویتی مبتنی بر مدل
• 12. الگوریتم‌های Q-Learning
• 13. الگوریتم‌های SARSA
• 14. یادگیری تقویتی عمیق (Deep RL)
• 15. شبکه‌های عصبی در یادگیری تقویتی
• 16. شبکه‌های عصبی کانولوشنی (CNN)
• 17. شبکه‌های عصبی بازگشتی (RNN)
• 18. معرفی یادگیری تقویتی چندعامله (MARL)
• 19. تفاوت MARL با یادگیری تقویتی تک‌عامله
• 20. چالش‌های یادگیری تقویتی چندعامله
• 21. غیرایستایی محیط در MARL
• 22. ناسازگاری سیاست‌ها در MARL
• 23. پیچیدگی محاسباتی در MARL
• 24. چارچوب‌های مدل‌سازی MARL
• 25. مدل‌های مرکزگرا (Centralized)
• 26. مدل‌های غیرمتمرکز (Decentralized)
• 27. مدل‌های ترکیبی (Hybrid)
• 28. مدل‌های مبتنی بر عامل (Agent-based)
• 29. روش‌های یادگیری سیاست مشترک
• 30. روش‌های یادگیری سیاست مجزا
• 31. روش‌های مبتنی بر هماهنگی
• 32. مفهوم هماهنگی در هدایت گروهی
• 33. روش‌های ارتباطی بین عامل‌ها
• 34. ارتباط صریح (Explicit Communication)
• 35. ارتباط ضمنی (Implicit Communication)
• 36. تکنیک‌های یادگیری تقویتی برای هدایت گروهی
• 37. هدایت گروهی پهپادها: کاربردها
• 38. اکتشاف در محیط‌های ناشناخته
• 39. نقشه‌برداری از مناطق وسیع
• 40. جستجو و نجات در بلایای طبیعی
• 41. نظارت و پایش زیرساخت‌ها
• 42. مدل‌سازی هدایت گروهی پهپادها
• 43. تعریف مسئله هدایت گروهی پهپادها
• 44. قوانین دینامیکی پرواز پهپادها
• 45. محدودیت‌های سخت‌افزاری پهپادها
• 46. محدودیت‌های ارتباطی در گروه پهپادها
• 47. اهداف اکتشاف با گروه پهپادها
• 48. پوشش کامل منطقه
• 49. یافتن نقاط مورد علاقه
• 50. بهینه‌سازی مسیر پرواز
• 51. مدیریت منابع گروه پهپادها
• 52. الگوریتم‌های یادگیری تقویتی برای اکتشاف
• 53. یادگیری تقویتی برای پوشش منطقه
• 54. یادگیری تقویتی برای اجتناب از برخورد
• 55. یادگیری تقویتی برای تخصیص وظایف
• 56. یادگیری تقویتی برای مسیریابی بهینه
• 57. روش‌های یادگیری تقویتی عمیق در MARL
• 58. Deep Q-Networks (DQN) در MARL
• 59. Actor-Critic methods در MARL
• 60. Multi-Agent Deep Deterministic Policy Gradient (MADDPG)
• 61. Proximal Policy Optimization (PPO) برای MARL
• 62. یادگیری تقویتی مبتنی بر بازی (Game Theory)
• 63. مفاهیم نظریه بازی‌ها
• 64. تعادل نش (Nash Equilibrium)
• 65. بازی‌های تکراری
• 66. کاربرد نظریه بازی‌ها در MARL
• 67. مدل‌سازی تعاملات استراتژیک
• 68. توسعه سیاست‌های مقاوم
• 69. یادگیری تقویتی برای هدایت گروهی با موانع
• 70. شناسایی و اجتناب از موانع ثابت
• 71. شناسایی و اجتناب از موانع متحرک
• 72. تأثیر موانع بر هماهنگی گروهی
• 73. یادگیری تقویتی برای اکتشاف با منابع محدود
• 74. مدیریت مصرف انرژی پهپادها
• 75. بهینه‌سازی عمر باتری
• 76. تأمین انرژی در طول مأموریت
• 77. یادگیری تقویتی برای اکتشاف در محیط‌های پویا
• 78. تغییرات محیطی ناگهانی
• 79. پدیده‌های جوی
• 80. تحرک غیرمنتظره اهداف
• 81. ارزیابی عملکرد الگوریتم‌های MARL
• 82. معیارهای سنجش کارایی
• 83. نرخ موفقیت در اکتشاف
• 84. زمان لازم برای پوشش منطقه
• 85. میزان برخوردها
• 86. منابع محاسباتی مورد نیاز
• 87. شبیه‌سازی محیط‌های هدایت گروهی
• 88. نرم‌افزارهای شبیه‌ساز پهپاد
• 89. ساخت محیط‌های شبیه‌سازی سفارشی
• 90. اعتبارسنجی نتایج شبیه‌سازی
• 91. پیاده‌سازی عملی الگوریتم‌ها
• 92. زبان‌های برنامه‌نویسی مرتبط (Python)
• 93. کتابخانه‌های یادگیری تقویتی (Ray RLlib, OpenAI Gym)
• 94. سخت‌افزار مورد نیاز برای پیاده‌سازی
• 95. ملاحظات امنیتی در هدایت گروهی پهپادها
• 96. پیشگیری از حملات سایبری
• 97. حفاظت از اطلاعات جمع‌آوری شده
• 98. اصول اخلاقی در استفاده از پهپادها
• 99. کاربرد در چارچوب قوانین کشور
• 100. ملاحظات مربوط به حریم خصوصی