فلش‌کارت‌های آموزشی ارزیابی و سنجش اثربخشی الگوریتم‌های یادگیری تقویتی چندعامله در بازی‌های شبیه‌سازی شده

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب ارزیابی و سنجش اثربخشی الگوریتم‌های یادگیری تقویتی چندعامله در بازی‌های شبیه‌سازی شده

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بازی‌های شبیه‌سازی شده

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه به یادگیری تقویتی چندعامله
• 2. مفاهیم پایه یادگیری تقویتی
• 3. تابع پاداش
• 4. فضای حالت
• 5. فضای عمل
• 6. سیاست
• 7. تابع ارزش
• 8. یادگیری تقویتی تک عامله
• 9. محدودیت‌های یادگیری تقویتی تک عامله
• 10. مقدمه به یادگیری تقویتی چندعامله (MARL)
• 11. تفاوت‌های کلیدی MARL و RL تک عامله
• 12. چالش‌های MARL
• 13. ناپایداری حریف
• 14. عدم قطعیت محیط
• 15. مقیاس‌پذیری
• 16. عدم کامل بودن مشاهده
• 17. اهداف در MARL
• 18. همکاری
• 19. رقابت
• 20. ترکیبی از همکاری و رقابت
• 21. بازی‌های شبیه‌سازی شده برای MARL
• 22. ویژگی‌های بازی‌های شبیه‌سازی شده مناسب
• 23. مثال‌هایی از بازی‌های شبیه‌سازی شده (مانند StarCraft, OpenAI Gym, PettingZoo)
• 24. نحوه مدل‌سازی بازی‌های شبیه‌سازی شده برای MARL
• 25. تعریف عامل‌ها
• 26. تعریف محیط
• 27. تعریف اهداف و پاداش‌ها
• 28. روش‌های ارزیابی و سنجش اثربخشی در MARL
• 29. معیارهای عملکرد کلی
• 30. معیارهای عملکرد عامل محور
• 31. معیارهای مربوط به همکاری
• 32. معیارهای مربوط به رقابت
• 33. معیارهای مربوط به پایداری
• 34. معیارهای مربوط به کارایی محاسباتی
• 35. متریک‌های استاندارد در MARL
• 36. میانگین پاداش تجمعی
• 37. میانگین پاداش لحظه‌ای
• 38. نرخ موفقیت
• 39. میانگین تعداد گام‌ها تا موفقیت
• 40. انحراف معیار پاداش
• 41. پایداری سیاست
• 42. نرخ همگرایی
• 43. کارایی انتقال (Transfer Efficiency)
• 44. تنوع سیاست‌ها
• 45. معیارهای سنجش همکاری
• 46. همبستگی پاداش‌ها
• 47. همبستگی اقدامات
• 48. همبستگی اهداف
• 49. سنجش اعتماد عامل‌ها
• 50. سنجش هماهنگی عامل‌ها
• 51. معیارهای سنجش رقابت
• 52. نرخ پیروزی
• 53. میانه پاداش در بازی‌های رقابتی
• 54. نرخ تسلیم
• 55. پایداری بازی‌های رقابتی
• 56. معیارهای سنجش عدم قطعیت و ناپایداری
• 57. نوسانات پاداش
• 58. نوسانات سیاست
• 59. تغییرات در فضای حالت و عمل
• 60. تأثیر ناپایداری حریف بر عملکرد
• 61. روش‌های ارزیابی اثربخشی الگوریتم‌ها
• 62. مقایسه با خط مبنا (Baselines)
• 63. مقایسه با الگوریتم‌های دیگر
• 64. تحلیل حساسیت به پارامترها
• 65. تحلیل تأثیر معماری شبکه عصبی
• 66. تحلیل تأثیر روش‌های اکتشاف
• 67. تحلیل تأثیر روش‌های یادگیری آفلاین در مقابل آنلاین
• 68. تحلیل تأثیر روش‌های متمرکز در مقابل غیرمتمرکز
• 69. تحلیل تأثیر روش‌های مبتنی بر مدل در مقابل بدون مدل
• 70. تحلیل تأثیر روش‌های مبتنی بر مشاهده کامل در مقابل ناقص
• 71. تحلیل تأثیر روش‌های مبتنی بر پاداش توزیع شده در مقابل متمرکز
• 72. تحلیل تأثیر روش‌های مبتنی بر بازی در مقابل مبتنی بر محیط
• 73. تحلیل تأثیر روش‌های مبتنی بر یادگیری ناشی از مربی (Curriculum Learning)
• 74. سنجش مقیاس‌پذیری الگوریتم‌ها
• 75. تأثیر تعداد عامل‌ها بر عملکرد
• 76. تأثیر پیچیدگی محیط بر عملکرد
• 77. تأثیر اندازه فضای حالت و عمل بر عملکرد
• 78. تأثیر زمان آموزش بر عملکرد
• 79. تأثیر منابع محاسباتی بر عملکرد
• 80. ابزارها و چارچوب‌های شبیه‌سازی برای ارزیابی
• 81. OpenAI Gym (برای MARL)
• 82. PettingZoo
• 83. Multi-Agent Particle Environments (MPE)
• 84. SMAC (StarCraft Multi-Agent Challenge)
• 85. Unity ML-Agents
• 86. PyMARL
• 87. RLlib (برای MARL)
• 88. TensorForce
• 89. DeepMind Lab
• 90. سایر چارچوب‌های مرتبط
• 91. نکات کلیدی در طراحی آزمایش‌های ارزیابی
• 92. تعریف دقیق مسئله و اهداف
• 93. انتخاب مناسب بازی شبیه‌سازی شده
• 94. تعریف معیارهای ارزیابی واضح
• 95. انتخاب خطوط مبنای مناسب
• 96. تکرارپذیری آزمایش‌ها
• 97. مدیریت تصادفی بودن (Randomness)
• 98. استفاده از میانگین‌گیری در نتایج
• 99. تحلیل آماری نتایج
• 100. ارائه بصری نتایج