فلش‌کارت‌های آموزشی بهینه‌سازی تخصیص منابع در حمل و نقل شهری با MARL

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب بهینه‌سازی تخصیص منابع در حمل و نقل شهری با MARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بهینه‌سازی سیستم‌های مدیریت حمل و نقل درون شهری

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر حمل و نقل شهری و چالش های آن
• 2. مقدمه ای بر بهینه‌سازی تخصیص منابع
• 3. مقدمه ای بر یادگیری تقویتی چند عاملی (MARL)
• 4. کاربرد MARL در حمل و نقل شهری
• 5. اهداف و دامنه این دوره آموزشی
• 6. ساختار دوره آموزشی
• 7. پیش‌نیازهای دوره آموزشی
• 8. منابع و ابزارهای مورد نیاز
• 9. مرور کلی بر سیستم های حمل و نقل شهری
• 10. انواع وسایل حمل و نقل شهری
• 11. مدل سازی جریان ترافیک
• 12. مدل های فیزیکی ترافیک
• 13. مدل های صف
• 14. مدل های مبتنی بر عامل
• 15. چالش های بهینه‌سازی در حمل و نقل شهری
• 16. تراکم ترافیک
• 17. آلودگی هوا
• 18. مصرف سوخت
• 19. ایمنی
• 20. هزینه ها
• 21. زمان سفر
• 22. تصمیم گیری پویا
• 23. عدم قطعیت
• 24. نیاز به هماهنگی
• 25. مقدمه ای بر بهینه‌سازی
• 26. مفاهیم پایه بهینه‌سازی
• 27. انواع مسائل بهینه‌سازی
• 28. روش های کلاسیک بهینه‌سازی
• 29. بهینه‌سازی خطی
• 30. بهینه‌سازی غیرخطی
• 31. بهینه‌سازی ترکیبی
• 32. مقدمه ای بر تخصیص منابع
• 33. مفهوم تخصیص منابع
• 34. انواع منابع در حمل و نقل شهری
• 35. وسایل نقلیه (تاکسی، اتوبوس، دوچرخه، اسکوتر)
• 36. زیرساخت ها (جاده ها، ایستگاه ها، پارکینگ ها)
• 37. نیروی انسانی (رانندگان، اپراتورها)
• 38. اطلاعات (داده های ترافیک، تقاضا)
• 39. چالش های تخصیص منابع در حمل و نقل شهری
• 40. تقاضای متغیر
• 41. محدودیت منابع
• 42. اولویت بندی اهداف
• 43. توزیع مکانی منابع
• 44. توزیع زمانی منابع
• 45. مقدمه ای بر یادگیری تقویتی (RL)
• 46. مفاهیم پایه یادگیری تقویتی
• 47. عامل، محیط، حالت، عمل، پاداش
• 48. سیاست، تابع ارزش
• 49. الگوریتم های یادگیری تقویتی (Q-learning، SARSA)
• 50. مدل های یادگیری تقویتی عمیق (DQN)
• 51. کاربرد RL در حمل و نقل شهری
• 52. بهینه‌سازی چراغ های راهنمایی
• 53. مدیریت صف ها
• 54. پیش‌بینی تقاضا
• 55. مقدمه ای بر یادگیری تقویتی چند عاملی (MARL)
• 56. مفهوم MARL
• 57. تفاوت RL و MARL
• 58. انواع محیط های MARL
• 59. محیط های همکارانه
• 60. محیط های رقابتی
• 61. محیط های مختلط
• 62. چالش های MARL
• 63. همبستگی حالت ها و اعمال عامل ها
• 64. مقیاس پذیری
• 65. عدم سکون محیط
• 66. مشاهده پذیری محدود
• 67. توابع پاداش متقابل
• 68. الگوریتم های پایه MARL
• 69. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 70. QMIX (Value Decomposition Networks)
• 71. VDN (Value Decomposition Networks)
• 72. IQL (Independent Q-Learning)
• 73. COMA (Counterfactual Multi-Agent Policy Gradients)
• 74. کاربرد MARL در تخصیص منابع حمل و نقل شهری
• 75. مدل سازی سیستم حمل و نقل شهری به عنوان یک سیستم MARL
• 76. تعریف عامل ها (وسایل نقلیه، ایستگاه ها، اپراتورها)
• 77. تعریف حالت ها (موقعیت، وضعیت، تقاضا)
• 78. تعریف اعمال (حرکت، پذیرش مسافر، تغییر مسیر)
• 79. تعریف توابع پاداش (کاهش زمان سفر، افزایش بهره وری، کاهش مصرف سوخت)
• 80. مطالعات موردی MARL در تخصیص منابع حمل و نقل شهری
• 81. بهینه‌سازی تخصیص تاکسی ها
• 82. بهینه‌سازی تخصیص اشتراک دوچرخه و اسکوتر
• 83. بهینه‌سازی تخصیص اتوبوس ها
• 84. مدیریت ناوگان وسایل نقلیه اشتراکی
• 85. هماهنگی بین وسایل نقلیه خودران
• 86. پیاده سازی سیستم های MARL برای تخصیص منابع
• 87. انتخاب چارچوب MARL (OpenAI Gym, PettingZoo, Ray RLlib)
• 88. آماده سازی داده ها و شبیه سازها
• 89. پیاده سازی الگوریتم های MARL
• 90. آموزش و ارزیابی مدل ها
• 91. تنظیم پارامترهای هایپر
• 92. ارزیابی عملکرد سیستم
• 93. معیارهای ارزیابی در MARL برای حمل و نقل
• 94. زمان سفر متوسط
• 95. مسافت طی شده متوسط
• 96. مصرف سوخت
• 97. میزان استفاده از منابع
• 98. هزینه عملیاتی
• 99. رضایت کاربران
• 100. تحلیل حساسیت