فلش‌کارت‌های آموزشی کاربرد یادگیری تقویتی چندعامله در شبیه‌سازی‌های نظامی، اقتصادی و اجتماعی

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب کاربرد یادگیری تقویتی چندعامله در شبیه‌سازی‌های نظامی، اقتصادی و اجتماعی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بازی‌های شبیه‌سازی شده

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه بر یادگیری تقویتی
• 2. مقدمه بر یادگیری تقویتی چندعامله (MARL)
• 3. تفاوت MARL با یادگیری تقویتی تک عامله
• 4. کاربردهای MARL
• 5. مروری بر تاریخچه MARL
• 6. اصول اساسی یادگیری تقویتی
• 7. حالت، عمل، پاداش
• 8. تابع ارزش
• 9. سیاست
• 10. مدل‌سازی محیط
• 11. یادگیری مبتنی بر مدل در مقابل یادگیری بدون مدل
• 12. الگوریتم‌های اصلی یادگیری تقویتی
• 13. Q-Learning
• 14. SARSA
• 15. Deep Q-Networks (DQN)
• 16. Policy Gradients
• 17. Actor-Critic Methods
• 18. مقدمه بر یادگیری تقویتی چندعامله (MARL)
• 19. چالش‌های MARL
• 20. وابستگی به هم (Non-stationarity)
• 21. مقیاس‌پذیری (Scalability)
• 22. ارتباطات بین عامل‌ها (Inter-agent communication)
• 23. هماهنگی (Coordination)
• 24. رقابت (Competition)
• 25. فریب (Deception)
• 26. محیط‌های چندعامله
• 27. مدل‌سازی محیط‌های چندعامله
• 28. انواع محیط‌های چندعامله
• 29. محیط‌های همکاری (Cooperative)
• 30. محیط‌های رقابتی (Competitive)
• 31. محیط‌های مختلط (Mixed)
• 32. محیط‌های با اطلاعات کامل (Fully observable)
• 33. محیط‌های با اطلاعات ناقص (Partially observable)
• 34. مدل‌های شبیه‌سازی در MARL
• 35. انواع شبیه‌سازی‌ها
• 36. شبیه‌سازی‌های گسسته (Discrete)
• 37. شبیه‌سازی‌های پیوسته (Continuous)
• 38. معیارهای ارزیابی در MARL
• 39. پاداش‌دهی در MARL
• 40. طراحی پاداش برای همکاری
• 41. طراحی پاداش برای رقابت
• 42. طراحی پاداش برای اهداف مختلط
• 43. تکنیک‌های اصلی MARL
• 44. یادگیری عامل-پایان (Agent-centric learning)
• 45. یادگیری مبتنی بر مشاهده مشترک (Joint observation learning)
• 46. یادگیری مبتنی بر مشاهده جهانی (Global observation learning)
• 47. یادگیری مبتنی بر مشاهده محلی (Local observation learning)
• 48. رویکردهای یادگیری سیاست مشترک (Joint policy learning)
• 49. رویکردهای یادگیری سیاست مجزا (Independent policy learning)
• 50. رویکردهای مبتنی بر عامل مرکزی (Centralized)
• 51. رویکردهای مبتنی بر عامل مجزا (Decentralized)
• 52. رویکردهای عامل مرکزی-عامل مجزا (Centralized training with decentralized execution - CTDE)
• 53. الگوریتم‌های MARL
• 54. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 55. VDN (Value Decomposition Networks)
• 56. QMIX
• 57. COMA (Counterfactual Multi-Agent Policy Gradients)
• 58. IQL (Independent Q-Learning)
• 59. SEVEN (Shared Experience Value Estimation Network)
• 60. MAPPO (Multi-Agent Proximal Policy Optimization)
• 61. MADDD (Multi-Agent Decentralized Deep Deterministic Policy Gradient)
• 62. MARL در شبیه‌سازی‌های نظامی
• 63. کاربردهای نظامی MARL
• 64. مدیریت ناوگان پهپادها
• 65. هماهنگی ربات‌های نظامی
• 66. مدل‌سازی تاکتیک‌های رزمی
• 67. شبیه‌سازی جنگ‌های شهری
• 68. مدیریت منابع در میدان نبرد
• 69. آموزش نیروهای نظامی
• 70. ارزیابی استراتژی‌های نظامی
• 71. پیش‌بینی رفتار دشمن
• 72. امنیت سایبری نظامی
• 73. سیستم‌های دفاع موشکی
• 74. شناسایی و رهگیری اهداف
• 75. تخصیص نیرو و تجهیزات
• 76. شبیه‌سازی مانورهای نظامی
• 77. بهینه‌سازی مسیر حرکت نیروها
• 78. مدیریت بحران در سناریوهای نظامی
• 79. MARL در شبیه‌سازی‌های اقتصادی
• 80. کاربردهای اقتصادی MARL
• 81. مدل‌سازی بازار سهام
• 82. ترید خودکار (Algorithmic trading)
• 83. مدیریت پورتفولیو
• 84. بهینه‌سازی زنجیره تامین
• 85. مدیریت ریسک
• 86. مدل‌سازی رفتار مصرف‌کننده
• 87. پیش‌بینی تقاضا
• 88. بهینه‌سازی قیمت‌گذاری
• 89. مدیریت منابع در اقتصاد
• 90. شبیه‌سازی اقتصاد کلان
• 91. مدل‌سازی سیاست‌های پولی
• 92. مدل‌سازی سیاست‌های مالی
• 93. رقابت بین شرکت‌ها
• 94. شکل‌گیری انحصار
• 95. مدل‌سازی مذاکرات اقتصادی
• 96. بهینه‌سازی تخصیص منابع
• 97. مدیریت انرژی
• 98. مدل‌سازی رفتار کارگزاران اقتصادی
• 99. MARL در شبیه‌سازی‌های اجتماعی
• 100. کاربردهای اجتماعی MARL