فلش‌کارت‌های آموزشی سیستم‌های یادگیری تقویتی چندعامله برای ربات‌های صنعتی خودکار

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب سیستم‌های یادگیری تقویتی چندعامله برای ربات‌های صنعتی خودکار

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای کنترل ربات‌های صنعتی برای انجام وظایف برش و جوشکاری قطعات بزرگ

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر رباتیک صنعتی خودکار
• 2. مقدمه ای بر یادگیری تقویتی
• 3. مبانی یادگیری تقویتی
• 4. عناصر اصلی یادگیری تقویتی
• 5. فضای حالت
• 6. فضای عمل
• 7. تابع پاداش
• 8. سیاست
• 9. تابع ارزش
• 10. مدل محیط
• 11. یادگیری بدون مدل در مقابل یادگیری مبتنی بر مدل
• 12. یادگیری آفلاین در مقابل یادگیری آنلاین
• 13. یادگیری تطبیقی
• 14. الگوریتم های یادگیری تقویتی پایه
• 15. یادگیری Q
• 16. مقدار Q
• 17. جدول Q
• 18. به روز رسانی Q-Learning
• 19. الگوریتم SARSA
• 20. تفاوت بین Q-Learning و SARSA
• 21. حداکثر آنتروپی در یادگیری تقویتی
• 22. یادگیری عمیق تقویتی (DRL)
• 23. شبکه های عصبی مصنوعی
• 24. شبکه های عصبی کانولوشنی (CNN)
• 25. شبکه های عصبی بازگشتی (RNN)
• 26. یادگیری عمیق Q-Network (DQN)
• 27. بهینه سازی DQN
• 28. Double DQN
• 29. Dueling DQN
• 30. Prioritized Experience Replay
• 31. Actor-Critic Methods
• 32. Actor-Critic
• 33. Advantage Actor-Critic (A2C)
• 34. Asynchronous Advantage Actor-Critic (A3C)
• 35. Deep Deterministic Policy Gradient (DDPG)
• 36. Proximal Policy Optimization (PPO)
• 37. Trust Region Policy Optimization (TRPO)
• 38. Multi-Agent Reinforcement Learning (MARL)
• 39. مقدمه ای بر سیستم های چندعامله
• 40. ملاحظات خاص MARL
• 41. تعاملات عامل-عامل
• 42. هماهنگی عامل-عامل
• 43. رقابت عامل-عامل
• 44. همکاری عامل-عامل
• 45. یادگیری در محیط های مشترک
• 46. یادگیری از دیدگاه مشترک
• 47. یادگیری از دیدگاه های جداگانه
• 48. یادگیری با عامل مرکزی
• 49. یادگیری با عامل غیرمتمرکز
• 50. یادگیری با عامل نیمه متمرکز
• 51. الگوریتم های MARL
• 52. Independent Q-Learning (IQL)
• 53. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 54. QMIX (Q-Mixing)
• 55. VDN (Value Decomposition Networks)
• 56. COMA (Counterfactual Multi-Agent Policy Gradients)
• 57. MAPPO (Multi-Agent Proximal Policy Optimization)
• 58. CommNet (Communication Networks)
• 59. DIAL (Differentiable Inter-Agent Learning)
• 60. مروری بر رباتیک صنعتی
• 61. کاربرد ربات ها در صنعت
• 62. انواع ربات های صنعتی
• 63. ربات های مفصلی
• 64. ربات های SCARA
• 65. ربات های کارتزین
• 66. ربات های دلتا
• 67. ربات های همکار (Cobots)
• 68. محیط های رباتیک صنعتی
• 69. شبیه سازی رباتیک صنعتی
• 70. ابزارهای شبیه سازی (Gazebo, CoppeliaSim, Webots)
• 71. مدل سازی ربات های صنعتی
• 72. مدل سازی محیط های صنعتی
• 73. کاربرد MARL در رباتیک صنعتی
• 74. وظایف ربات های صنعتی
• 75. مونتاژ
• 76. جوشکاری
• 77. رنگ آمیزی
• 78. برداشت و قرار دادن
• 79. بازرسی
• 80. انتقال مواد
• 81. ملاحظات خاص MARL برای ربات های صنعتی
• 82. مقیاس پذیری
• 83. امنیت
• 84. قابلیت اطمینان
• 85. کارایی
• 86. زمان واقعی
• 87. یادگیری سیاست های مونتاژ
• 88. یادگیری سیاست های جوشکاری
• 89. یادگیری سیاست های رنگ آمیزی
• 90. یادگیری سیاست های برداشت و قرار دادن
• 91. یادگیری سیاست های بازرسی
• 92. یادگیری سیاست های انتقال مواد
• 93. هماهنگی ربات ها در وظایف مونتاژ
• 94. هماهنگی ربات ها در وظایف جوشکاری
• 95. هماهنگی ربات ها در وظایف رنگ آمیزی
• 96. هماهنگی ربات ها در وظایف برداشت و قرار دادن
• 97. هماهنگی ربات ها در وظایف بازرسی
• 98. هماهنگی ربات ها در وظایف انتقال مواد
• 99. ربات های همکار و MARL
• 100. یادگیری از طریق مشاهده (Learning from Demonstration) در MARL