فلش‌کارت‌های آموزشی بهینه‌سازی پویای سیگنال‌های ترافیکی با یادگیری تقویتی چندعامله

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب بهینه‌سازی پویای سیگنال‌های ترافیکی با یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بهینه‌سازی سیستم‌های مدیریت حمل و نقل هوشمند در مقیاس فضایی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر بهینه‌سازی ترافیک
• 2. مقدمه ای بر یادگیری تقویتی
• 3. مقدمه ای بر یادگیری تقویتی چندعامله (MARL)
• 4. چالش‌های ترافیکی شهری
• 5. اهمیت بهینه‌سازی سیگنال‌های ترافیکی
• 6. کاربردهای MARL در سیستم‌های هوشمند
• 7. مروری بر روش‌های سنتی کنترل ترافیک
• 8. نقاط ضعف روش‌های سنتی
• 9. نیاز به رویکردهای پویا و تطبیقی
• 10. تعریف مسئله بهینه‌سازی سیگنال ترافیکی
• 11. مدل‌سازی تقاطع‌های ترافیکی
• 12. مدل‌سازی جریان ترافیک
• 13. معیارهای ارزیابی عملکرد سیستم ترافیک
• 14. هدف از بهینه‌سازی سیگنال ترافیکی
• 15. مفهوم عامل در MARL
• 16. مفهوم محیط در MARL
• 17. مفهوم حالت در MARL
• 18. مفهوم اقدام در MARL
• 19. مفهوم پاداش در MARL
• 20. مفهوم سیاست در MARL
• 21. مفهوم تابع ارزش در MARL
• 22. یادگیری تقویتی تک عامله (Single-Agent RL)
• 23. الگوریتم Q-Learning
• 24. الگوریتم SARSA
• 25. الگوریتم Deep Q-Networks (DQN)
• 26. یادگیری تقویتی چندعامله (Multi-Agent RL)
• 27. چالش‌های MARL (تعامل عامل‌ها، ناپایداری)
• 28. انواع معماری‌های MARL
• 29. معماری متمرکز (Centralized)
• 30. معماری غیرمتمرکز (Decentralized)
• 31. معماری ترکیبی (Hybrid)
• 32. تکنیک‌های یادگیری مشترک (Shared Learning)
• 33. تکنیک‌های یادگیری مجزا (Independent Learning)
• 34. الگوریتم‌های MARL مبتنی بر عامل‌های مستقل (Independent Q-Learning)
• 35. الگوریتم‌های MARL مبتنی بر عامل‌های مشارکتی (Cooperative MARL)
• 36. الگوریتم‌های MARL مبتنی بر عامل‌های رقابتی (Competitive MARL)
• 37. الگوریتم‌های MARL مبتنی بر عامل‌های مختلط (Mixed MARL)
• 38. مدل‌سازی فضای حالت در MARL برای ترافیک
• 39. مدل‌سازی فضای اقدام در MARL برای ترافیک
• 40. مدل‌سازی تابع پاداش در MARL برای ترافیک
• 41. طراحی تابع پاداش برای کاهش تاخیر
• 42. طراحی تابع پاداش برای کاهش ازدحام
• 43. طراحی تابع پاداش برای افزایش ظرفیت
• 44. طراحی تابع پاداش برای تعادل جریان
• 45. انتخاب الگوریتم MARL مناسب برای مسئله ترافیک
• 46. پیاده‌سازی DQN برای کنترل سیگنال ترافیکی
• 47. پیاده‌سازی Actor-Critic برای کنترل سیگنال ترافیکی
• 48. پیاده‌سازی MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 49. پیاده‌سازی COMA (Counterfactual Multi-Agent Policy Gradients)
• 50. پیاده‌سازی QMIX (Value Decomposition Networks)
• 51. شبیه‌سازی محیط ترافیکی
• 52. استفاده از شبیه‌سازهای ترافیک (SUMO, VISSIM)
• 53. جمع‌آوری داده‌های ترافیکی
• 54. پیش‌پردازش داده‌های ترافیکی
• 55. آموزش مدل MARL
• 56. ارزیابی عملکرد مدل MARL
• 57. معیارهای ارزیابی عملکرد (میانگین تاخیر، میانگین طول صف)
• 58. مقایسه با روش‌های پایه (Baseline)
• 59. تحلیل حساسیت مدل به پارامترها
• 60. تحلیل قابلیت تعمیم مدل
• 61. ملاحظات پیاده‌سازی در دنیای واقعی
• 62. چالش‌های مقیاس‌پذیری
• 63. امنیت و قابلیت اطمینان سیستم
• 64. تفسیرپذیری (Interpretability) مدل
• 65. ملاحظات اخلاقی
• 66. کاربرد MARL در شبکه‌های هوشمند حمل و نقل
• 67. بهینه‌سازی سیگنال ترافیکی در تقاطع‌های پیچیده
• 68. بهینه‌سازی سیگنال ترافیکی در شبکه‌های بزرگ
• 69. بهینه‌سازی سیگنال ترافیکی با در نظر گرفتن خودروهای خودران
• 70. بهینه‌سازی سیگنال ترافیکی با در نظر گرفتن عابران پیاده و دوچرخه‌سواران
• 71. بهینه‌سازی سیگنال ترافیکی در شرایط آب و هوایی نامساعد
• 72. بهینه‌سازی سیگنال ترافیکی در زمان رویدادهای خاص
• 73. یادگیری نحوه ارتباط بین عامل‌های ترافیکی
• 74. یادگیری استراتژی‌های هماهنگ برای عامل‌های ترافیکی
• 75. مدیریت ترافیک در زمان بحران
• 76. بهینه‌سازی جریان ترافیک بین‌شهری
• 77. کاربرد MARL در پارکینگ هوشمند
• 78. کاربرد MARL در مدیریت ناوگان حمل و نقل
• 79. کاربرد MARL در بهینه‌سازی مسیر
• 80. مروری بر تحقیقات اخیر در زمینه MARL برای ترافیک
• 81. چالش‌های پیش رو و جهت‌گیری‌های تحقیقاتی آینده
• 82. کاربرد هوش مصنوعی در حمل و نقل پایدار
• 83. نقش MARL در کاهش انتشار آلاینده‌ها
• 84. نقش MARL در بهبود ایمنی ترافیک
• 85. مطالعات موردی (Case Studies) از پیاده‌سازی MARL در ترافیک
• 86. جمع‌بندی و نتیجه‌گیری
• 87. منابع و مراجع