فلش‌کارت‌های آموزشی روش‌های کاهش پیچیدگی محاسباتی در بهینه‌سازی MPC

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره روش‌های کاهش پیچیدگی محاسباتی در بهینه‌سازی MPC

موضوع کلی: کنترل پیش بین مدل (MPC)

موضوع میانی: بهینه‌سازی در کنترل پیش بین مدل

📋 سرفصل‌های دوره

• 1. مقدمه بر پیچیدگی محاسباتی در MPC
• 2. تعریف مسئله بهینه‌سازی MPC
• 3. منابع اصلی پیچیدگی در MPC
• 4. پیچیدگی زمانی و فضایی
• 5. تاثیر ابعاد مسئله بر پیچیدگی
• 6. تاثیر دقت مورد نیاز بر پیچیدگی
• 7. تاثیر تعداد مراحل پیش‌بینی بر پیچیدگی
• 8. تاثیر تعداد مراحل کنترل بر پیچیدگی
• 9. مدل‌های خطی در مقابل مدل‌های غیرخطی
• 10. پیچیدگی مدل‌های خطی
• 11. پیچیدگی مدل‌های غیرخطی
• 12. پیچیدگی توابع هزینه
• 13. پیچیدگی قیود
• 14. روش‌های مبتنی بر حل تحلیلی
• 15. حل تحلیلی برای سیستم‌های خطی با قیود خطی
• 16. محدودیت‌های روش‌های تحلیلی
• 17. کاربرد روش‌های تحلیلی در موارد خاص
• 18. روش‌های مبتنی بر حل عددی
• 19. رویکردهای تکراری در حل عددی
• 20. روش نیوتن و مشتقات آن
• 21. پیچیدگی روش نیوتن
• 22. کاربرد روش نیوتن در MPC
• 23. روش گرادیان کاهشی
• 24. پیچیدگی روش گرادیان کاهشی
• 25. کاربرد روش گرادیان کاهشی در MPC
• 26. روش‌های مبتنی بر برنامه‌ریزی خطی (LP)
• 27. پیچیدگی الگوریتم‌های LP
• 28. روش سیمپلکس
• 29. پیچیدگی روش سیمپلکس
• 30. روش نقاط درونی
• 31. پیچیدگی روش نقاط درونی
• 32. کاربرد LP در MPC خطی
• 33. روش‌های مبتنی بر برنامه‌ریزی غیرخطی (NLP)
• 34. پیچیدگی الگوریتم‌های NLP
• 35. روش‌های مبتنی بر QP (Quadratic Programming)
• 36. پیچیدگی الگوریتم‌های QP
• 37. کاربرد QP در MPC خطی با هزینه درجه دو
• 38. روش‌های مبتنی بر برنامه‌ریزی مخروطی مرتبه دوم (SOCP)
• 39. پیچیدگی الگوریتم‌های SOCP
• 40. کاربرد SOCP در MPC با قیود غیرخطی
• 41. روش‌های مبتنی بر برنامه‌ریزی مخروطی تعمیم‌یافته (GCP)
• 42. پیچیدگی الگوریتم‌های GCP
• 43. روش‌های مبتنی بر تجزیه
• 44. تجزیه مسئله بزرگ به مسائل کوچکتر
• 45. روش‌های تجزیه مبتنی بر ساختار سیستم
• 46. روش‌های تجزیه مبتنی بر بلوک
• 47. کاربرد تجزیه در MPC
• 48. کاهش ابعاد مدل
• 49. تقریب مدل خطی
• 50. روش‌های تقریب مدل
• 51. تکنیک‌های خطی‌سازی
• 52. کاهش تعداد متغیرهای حالت
• 53. کاهش تعداد متغیرهای ورودی
• 54. تقریب مدل غیرخطی
• 55. روش‌های کاهش بعد برای سیستم‌های غیرخطی
• 56. تکنیک‌های مبتنی بر حذف متغیرهای غیرضروری
• 57. کاهش پیچیدگی تابع هزینه
• 58. کاهش تعداد ترم‌های تابع هزینه
• 59. انتخاب وزن‌های مناسب در تابع هزینه
• 60. تقریب تابع هزینه
• 61. توابع هزینه شبه‌محدب
• 62. توابع هزینه خطی‌سازی شده
• 63. کاهش پیچیدگی قیود
• 64. ترکیب قیود
• 65. حذف قیود تکراری
• 66. تقریب قیود
• 67. قیود خطی‌سازی شده
• 68. تقریب قیود غیرخطی
• 69. تبدیل قیود به فرم‌های قابل حل‌تر
• 70. روش‌های مبتنی بر الگوریتم‌های تقریبی
• 71. الگوریتم‌های مبتنی بر سیاست‌های اپسیلون-حریصانه
• 72. پیچیدگی الگوریتم‌های تقریبی
• 73. کاربرد الگوریتم‌های تقریبی در MPC
• 74. روش‌های مبتنی بر یادگیری ماشین
• 75. یادگیری تقویتی عمیق (DRL)
• 76. پیچیدگی DRL در MPC
• 77. شبکه‌های عصبی برای تقریب تابع ارزش
• 78. شبکه‌های عصبی برای تقریب تابع سیاست
• 79. آموزش شبکه‌های عصبی
• 80. پیچیدگی محاسباتی در آموزش DRL
• 81. روش‌های مبتنی بر پردازش موازی
• 82. استفاده از پردازنده‌های چند هسته‌ای
• 83. استفاده از GPU
• 84. موازی‌سازی الگوریتم‌های حل
• 85. موازی‌سازی تجزیه مسئله
• 86. موازی‌سازی اجرای MPC
• 87. روش‌های مبتنی بر سخت‌افزار
• 88. سخت‌افزارهای تخصصی برای MPC
• 89. FPGA برای پیاده‌سازی MPC
• 90. ASIC برای پیاده‌سازی MPC
• 91. مقایسه روش‌های مختلف کاهش پیچیدگی
• 92. معیارهای ارزیابی پیچیدگی
• 93. بازه زمانی معامله
• 94. مقدار خطا
• 95. مصرف حافظه
• 96. سازگاری روش‌ها با انواع سیستم‌ها
• 97. سازگاری روش‌ها با انواع قیود
• 98. سازگاری روش‌ها با انواع توابع هزینه
• 99. مطالعه موردی: MPC برای سیستم‌های صنعتی
• 100. مطالعه موردی: MPC برای رباتیک