فلش‌کارت‌های آموزشی نکات کاربردی یادگیری تقویتی چندعامله در استراتژی‌های اطلاعاتی صنعت حمل و نقل

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب نکات کاربردی یادگیری تقویتی چندعامله در استراتژی‌های اطلاعاتی صنعت حمل و نقل

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای استراتژی‌های مدیریت اطلاعات استراتژیک در صنعت حمل و نقل

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری تقویتی چندعامله
• 2. مبانی یادگیری تقویتی
• 3. مبانی یادگیری تقویتی چندعامله
• 4. تفاوت های کلیدی بین یادگیری تقویتی تک عامله و چندعامله
• 5. کاربرد یادگیری تقویتی چندعامله در صنعت حمل و نقل
• 6. فرصت ها و چالش های یادگیری تقویتی چندعامله در استراتژی های اطلاعاتی
• 7. تعریف مسئله در صنعت حمل و نقل
• 8. محیط های پویا و پیچیده در صنعت حمل و نقل
• 9. عوامل و بازیگران در صنعت حمل و نقل
• 10. اهداف و پاداش ها در استراتژی های اطلاعاتی
• 11. مدل سازی محیط حمل و نقل
• 12. فضای حالت و فضای عمل
• 13. دینامیک محیط
• 14. توابع پاداش و جریمه
• 15. مفاهیم اساسی در یادگیری تقویتی چندعامله
• 16. تعریف عامل
• 17. تعریف عامل هوشمند
• 18. تعریف عامل خودمختار
• 19. تعریف عامل انطباقی
• 20. ارتباطات بین عوامل
• 21. مدل های تعاملی عوامل
• 22. تعریف بازی در نظریه بازی ها
• 23. بازی های همزمان و متوالی
• 24. بازی های با اطلاعات کامل و ناقص
• 25. بازی های با مجموع صفر و غیر مجموع صفر
• 26. دسته بندی الگوریتم های یادگیری تقویتی چندعامله
• 27. الگوریتم های مبتنی بر ارزش
• 28. الگوریتم های مبتنی بر سیاست
• 29. الگوریتم های مبتنی بر مدل
• 30. الگوریتم های ترکیبی
• 31. الگوریتم های یادگیری تقویتی چندعامله متمرکز
• 32. الگوریتم های یادگیری تقویتی چندعامله توزیع شده
• 33. الگوریتم های یادگیری تقویتی چندعامله نیمه متمرکز
• 34. معرفی الگوریتم های کلیدی
• 35. Q-learning در حالت چندعامله
• 36. DQN در حالت چندعامله
• 37. Policy Gradient در حالت چندعامله
• 38. Actor-Critic در حالت چندعامله
• 39. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 40. VDN (Value Decomposition Networks)
• 41. QMIX (Q-learning for Multi-Agent Coordination)
• 42. COMA (Counterfactual Multi-Agent Policy Gradients)
• 43. معرفی الگوریتم های دیگر
• 44. IQL (Independent Q-Learning)
• 45. CTDE (Centralized Training with Decentralized Execution)
• 46. تکنیک های کلیدی در یادگیری تقویتی چندعامله
• 47. اهمیت همکاری بین عوامل
• 48. اهمیت رقابت بین عوامل
• 49. مدیریت عدم قطعیت
• 50. مدیریت مقیاس پذیری
• 51. استراتژی های اکتشاف و بهره برداری
• 52. استراتژی های اکتشاف در محیط های چندعامله
• 53. استراتژی های بهره برداری در محیط های چندعامله
• 54. استراتژی های تعادل اکتشاف و بهره برداری
• 55. مدیریت پاداش های پراکنده
• 56. مدیریت پاداش های همزمان
• 57. مدیریت پاداش های تاخیری
• 58. مدیریت پاداش های چند هدفه
• 59. تکنیک های مدل سازی محیط
• 60. مدل های شبیه سازی
• 61. مدل های مبتنی بر داده
• 62. مدل های ترکیبی
• 63. تکنیک های یادگیری سیاست
• 64. یادگیری سیاست های مشترک
• 65. یادگیری سیاست های مجزا
• 66. یادگیری سیاست های سلسله مراتبی
• 67. تکنیک های یادگیری ارزش
• 68. یادگیری ارزش های مشترک
• 69. یادگیری ارزش های مجزا
• 70. یادگیری ارزش های سلسله مراتبی
• 71. تکنیک های هماهنگی بین عوامل
• 72. هماهنگی مبتنی بر ارتباطات
• 73. هماهنگی مبتنی بر الگوهای رفتاری
• 74. هماهنگی مبتنی بر نظارت مرکزی
• 75. هماهنگی مبتنی بر توافق
• 76. تکنیک های رقابت بین عوامل
• 77. رقابت مبتنی بر مدل های نظریه بازی
• 78. رقابت مبتنی بر استراتژی های تطبیقی
• 79. رقابت مبتنی بر یادگیری از حریف
• 80. تکنیک های مدیریت عدم قطعیت
• 81. مدل سازی عدم قطعیت های محیطی
• 82. مدل سازی عدم قطعیت های عوامل دیگر
• 83. استراتژی های یادگیری مقاوم
• 84. تکنیک های مدیریت مقیاس پذیری
• 85. معماری های مبتنی بر شبکه های عصبی عمیق
• 86. معماری های مبتنی بر مدل های مولد
• 87. معماری های مبتنی بر یادگیری سلسله مراتبی
• 88. معماری های مبتنی بر یادگیری فدرال
• 89. کاربردها در صنعت حمل و نقل
• 90. بهینه سازی جریان ترافیک
• 91. مدیریت تقاطع های هوشمند
• 92. کنترل چراغ های راهنمایی
• 93. پیش بینی ترافیک
• 94. مدیریت پارکینگ هوشمند
• 95. بهینه سازی مسیرها
• 96. بهینه سازی تخصیص منابع (وسایل نقلیه، رانندگان)
• 97. مدیریت ناوگان حمل و نقل
• 98. بهینه سازی لجستیک و زنجیره تامین
• 99. مدیریت حمل و نقل عمومی
• 100. مدیریت حمل و نقل بار