فلش‌کارت‌های آموزشی MPC مقاوم با استفاده از مدل‌های عدم قطعیت مبتنی بر داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره MPC مقاوم با استفاده از مدل‌های عدم قطعیت مبتنی بر داده

موضوع کلی: کنترل پیش بین مدل (MPC)

موضوع میانی: MPC برای سیستم‌های کنترل مقاوم

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه بر بهینه‌سازی مقاوم
• 2. فصل ۲: مفاهیم پایه بهینه‌سازی
• 3. فصل ۳: مدل‌سازی عدم قطعیت
• 4. فصل ۴: انواع عدم قطعیت (تصادفی، اپیستمیک)
• 5. فصل ۵: عدم قطعیت مبتنی بر داده
• 6. فصل ۶: معرفی MPC
• 7. فصل ۷: دینامیک سیستم در MPC
• 8. فصل ۸: تابع هزینه در MPC
• 9. فصل ۹: محدودیت‌ها در MPC
• 10. فصل ۱۰: حل مسائل بهینه‌سازی در MPC
• 11. فصل ۱۱: MPC استاندارد
• 12. فصل ۱۲: MPC مقاوم (Robust MPC)
• 13. فصل ۱۳: تعریف مقاوم‌سازی
• 14. فصل ۱۴: رویکردهای مقاوم‌سازی
• 15. فصل ۱۵: مدل‌های عدم قطعیت در MPC مقاوم
• 16. فصل ۱۶: عدم قطعیت پارامتری
• 17. فصل ۱۷: عدم قطعیت حالت
• 18. فصل ۱۸: عدم قطعیت ورودی/خروجی
• 19. فصل ۱۹: عدم قطعیت در مدل دینامیکی
• 20. فصل ۲۰: عدم قطعیت در اندازه‌گیری
• 21. فصل ۲۱: فضای عدم قطعیت
• 22. فصل ۲۲: تابع عدم قطعیت (Uncertainty set)
• 23. فصل ۲۳: معرفی مجموعه عدم قطعیت متقارن
• 24. فصل ۲۴: مجموعه عدم قطعیت کروی
• 25. فصل ۲۵: مجموعه عدم قطعیت بیضوی
• 26. فصل ۲۶: مجموعه عدم قطعیت جعبه‌ای
• 27. فصل ۲۷: مجموعه عدم قطعیت اپسیلون-دلتا
• 28. فصل ۲۸: مجموعه عدم قطعیت هالد-کربین
• 29. فصل ۲۹: روش‌های تخمین مجموعه عدم قطعیت
• 30. فصل ۳۰: داده‌های تاریخی برای تخمین
• 31. فصل ۳۱: روش‌های آماری برای تخمین
• 32. فصل ۳۲: مدل‌های توزیع داده
• 33. فصل ۳۳: تخمین بازه‌های عدم قطعیت
• 34. فصل ۳۴: رویکرد worst-case
• 35. فصل ۳۵: تضمین عملکرد در بدترین حالت
• 36. فصل ۳۶: فرمول‌بندی MPC مقاوم بر اساس worst-case
• 37. فصل ۳۷: تابع هزینه مقاوم
• 38. فصل ۳۸: محاسبه بدترین حالت تابع هزینه
• 39. فصل ۳۹: محدودیت‌های مقاوم
• 40. فصل ۴۰: محاسبه بدترین حالت محدودیت‌ها
• 41. فصل ۴۱: حل MPC مقاوم خطی
• 42. فصل ۴۲: استفاده از برنامه‌ریزی خطی ماتریس (LMI)
• 43. فصل ۴۳: قضیه اساسی MPC مقاوم خطی
• 44. فصل ۴۴: پیاده‌سازی LMI در MPC مقاوم
• 45. فصل ۴۵: حل MPC مقاوم غیرخطی
• 46. فصل ۴۶: چالش‌های MPC مقاوم غیرخطی
• 47. فصل ۴۷: روش‌های تقریبی برای MPC مقاوم غیرخطی
• 48. فصل ۴۸: استفاده از تقریب خطی‌سازی
• 49. فصل ۴۹: استفاده از تقریب سطح پاسخ
• 50. فصل ۵۰: روش‌های مبتنی بر نمونه‌برداری
• 51. فصل ۵۱: معرفی MPC مقاوم مبتنی بر داده
• 52. فصل ۵۲: ضرورت MPC مقاوم مبتنی بر داده
• 53. فصل ۵۳: یادگیری مدل از داده
• 54. فصل ۵۴: مدل‌های جعبه سیاه
• 55. فصل ۵۵: مدل‌های جعبه سفید (با پارامترهای نامعلوم)
• 56. فصل ۵۶: مدل‌های جعبه خاکستری
• 57. فصل ۵۷: تخمین پارامترها از داده
• 58. فصل ۵۸: روش‌های تخمین پارامتر (بیشینه درست‌نمایی)
• 59. فصل ۵۹: روش‌های تخمین پارامتر (کمترین مربعات)
• 60. فصل ۶۰: تخمین بازه‌های اطمینان برای پارامترها
• 61. فصل ۶۱: استفاده از بازه‌های اطمینان در MPC مقاوم
• 62. فصل ۶۲: مدل‌سازی عدم قطعیت مبتنی بر داده با اتوماتای متناهی
• 63. فصل ۶۳: اتوماتای متناهی و دینامیک سیستم
• 64. فصل ۶۴: یادگیری اتوماتای متناهی از داده
• 65. فصل ۶۵: استفاده از اتوماتای متناهی در MPC مقاوم
• 66. فصل ۶۶: مدل‌سازی عدم قطعیت مبتنی بر داده با شبکه‌های عصبی
• 67. فصل ۶۷: شبکه‌های عصبی برای مدل‌سازی دینامیک
• 68. فصل ۶۸: تخمین عدم قطعیت در پیش‌بینی شبکه‌های عصبی
• 69. فصل ۶۹: روش‌های Bayesian Neural Networks
• 70. فصل ۷۰: Monte Carlo Dropout
• 71. فصل ۷۱: استفاده از عدم قطعیت شبکه‌های عصبی در MPC مقاوم
• 72. فصل ۷۲: مدل‌سازی عدم قطعیت مبتنی بر داده با ماشین‌های بردار پشتیبان (SVM)
• 73. فصل ۷۳: SVM برای طبقه‌بندی و رگرسیون
• 74. فصل ۷۴: تخمین عدم قطعیت با SVR
• 75. فصل ۷۵: استفاده از عدم قطعیت SVR در MPC مقاوم
• 76. فصل ۷۶: مدل‌سازی عدم قطعیت مبتنی بر داده با شبیه‌سازی
• 77. فصل ۷۷: ایجاد سناریوهای شبیه‌سازی
• 78. فصل ۷۸: استفاده از شبیه‌سازی برای تعریف مجموعه عدم قطعیت
• 79. فصل ۷۹: مقاوم‌سازی با استفاده از سناریوهای داده‌محور
• 80. فصل ۸۰: ترکیب رویکردهای مبتنی بر داده و worst-case
• 81. فصل ۸۱: روش‌های Robust Optimization مبتنی بر داده
• 82. فصل ۸۲: Robust Optimization با استفاده از داده‌های آماری
• 83. فصل ۸۳: Robust Optimization با استفاده از یادگیری ماشین
• 84. فصل ۸۴: موارد کاربردی MPC مقاوم مبتنی بر داده
• 85. فصل ۸۵: کاربرد در رباتیک
• 86. فصل ۸۶: کاربرد در سیستم‌های انرژی
• 87. فصل ۸۷: کاربرد در فرایندهای صنعتی
• 88. فصل ۸۸: کاربرد در وسایل نقلیه خودران
• 89. فصل ۸۹: کاربرد در شبکه‌های هوشمند
• 90. فصل ۹۰: چالش‌های پیاده‌سازی MPC مقاوم مبتنی بر داده
• 91. فصل ۹۱: نیاز به داده‌های با کیفیت
• 92. فصل ۹۲: پیچیدگی محاسباتی
• 93. فصل ۹۳: اعتبارسنجی مدل‌ها
• 94. فصل ۹۴: تفسیر نتایج
• 95. فصل ۹۵: مقایسه با MPC استاندارد
• 96. فصل ۹۶: مزایای MPC مقاوم مبتنی بر داده
• 97. فصل ۹۷: معایب MPC مقاوم مبتنی بر داده
• 98. فصل ۹۸: آینده تحقیقات در MPC مقاوم مبتنی بر داده
• 99. فصل ۹۹: روندهای نوظهور
• 100. فصل ۱۰۰: جمع‌بندی و چشم‌انداز