فلش‌کارت‌های آموزشی کنترل پیش‌بین مدل برای سیستم‌های خودتنظیم با قابلیت یادگیری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کنترل پیش‌بین مدل برای سیستم‌های خودتنظیم با قابلیت یادگیری

موضوع کلی: کنترل پیش بین مدل (MPC)

موضوع میانی: MPC برای سیستم‌های کنترل تطبیقی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر کنترل پیش‌بین مدل
• 2. مبانی سیستم‌های خودتنظیم
• 3. مدل‌سازی دینامیکی سیستم‌ها
• 4. تحلیل پایداری سیستم‌های خطی
• 5. مفاهیم پایه کنترل بهینه
• 6. مقدمه‌ای بر بهینه‌سازی مقید
• 7. الگوریتم‌های بهینه‌سازی عددی
• 8. روش‌های حل مسائل بهینه‌سازی مقید
• 9. مقدمه‌ای بر یادگیری ماشین
• 10. یادگیری نظارت شده
• 11. یادگیری بدون نظارت
• 12. یادگیری تقویتی
• 13. شبکه‌های عصبی مصنوعی
• 14. معماری‌های شبکه‌های عصبی
• 15. پس‌انتشار خطا
• 16. بهینه‌سازی شبکه‌های عصبی
• 17. روش‌های تنظیم‌گری (Regularization)
• 18. مقدمه‌ای بر کنترل پیش‌بین مدل (MPC)
• 19. فرمول‌بندی مسئله MPC
• 20. تابع هزینه در MPC
• 21. محدودیت‌ها در MPC
• 22. حل‌کننده MPC
• 23. شبیه‌سازی سیستم‌های دینامیکی
• 24. پیاده‌سازی MPC برای سیستم‌های خطی
• 25. کنترل پیش‌بین مدل غیرخطی (NMPC)
• 26. روش‌های تقریب در NMPC
• 27. روش‌های حل NMPC
• 28. کنترل پیش‌بین مدل مبتنی بر مدل‌های یادگرفته شده
• 29. استخراج مدل از داده‌ها
• 30. مدل‌های جعبه سیاه (Black-box Models)
• 31. مدل‌های جعبه سفید (White-box Models)
• 32. مدل‌های جعبه خاکستری (Grey-box Models)
• 33. استفاده از شبکه‌های عصبی در مدل‌سازی
• 34. مدل‌های رگرسیون خطی
• 35. مدل‌های سری زمانی (ARIMA)
• 36. مدل‌های حالت فضا (State-Space Models)
• 37. استخراج مدل‌های حالت فضا از داده‌ها
• 38. یادگیری مدل‌های حالت فضا با شبکه‌های عصبی
• 39. کاربرد MPC با مدل‌های یادگرفته شده
• 40. طراحی کنترل‌کننده MPC با مدل‌های یادگرفته شده
• 41. ارزیابی عملکرد MPC با مدل‌های یادگرفته شده
• 42. بهبود عملکرد MPC از طریق یادگیری
• 43. تنظیم پارامترهای MPC
• 44. تنظیم وزن‌های تابع هزینه
• 45. تنظیم طول افق پیش‌بینی
• 46. تنظیم طول افق کنترل
• 47. بهبود پایداری MPC
• 48. مقابله با عدم قطعیت در مدل
• 49. روش‌های مدیریت عدم قطعیت در MPC
• 50. کنترل پیش‌بین مدل مقاوم (Robust MPC)
• 51. مقدمه‌ای بر بهینه‌سازی تصادفی
• 52. کنترل پیش‌بین مدل با در نظر گرفتن عدم قطعیت (Stochastic MPC)
• 53. تقریب توزیع عدم قطعیت
• 54. شبیه‌سازی مونت کارلو در MPC
• 55. کاربرد MPC در سیستم‌های صنعتی
• 56. کنترل فرآیندهای شیمیایی
• 57. کنترل سیستم‌های رباتیک
• 58. کنترل سیستم‌های قدرت
• 59. کنترل سیستم‌های خودرو
• 60. کنترل پهپادها
• 61. کنترل سیستم‌های توزیع شده
• 62. شبکه‌های حسگر بی‌سیم
• 63. سیستم‌های خانگی هوشمند
• 64. سیستم‌های تصفیه آب
• 65. سیستم‌های تولید انرژی تجدیدپذیر
• 66. کنترل ربات‌های متحرک
• 67. کنترل بازوهای رباتیک
• 68. کنترل ربات‌های همکار (Cobots)
• 69. کاربرد MPC با قابلیت یادگیری
• 70. یادگیری تطبیقی در MPC
• 71. تنظیم خودکار پارامترهای MPC
• 72. یادگیری سیاست‌های کنترلی
• 73. بهبود مداوم عملکرد MPC
• 74. یادگیری از طریق تجربه (Reinforcement Learning)
• 75. ترکیب MPC و یادگیری تقویتی
• 76. تکنیک‌های پیشرفته در MPC
• 77. کنترل پیش‌بین مدل مبتنی بر مدل‌های گرافی (Graph-based MPC)
• 78. کنترل پیش‌بین مدل مبتنی بر مدل‌های انتشاری (Diffusion Model MPC)
• 79. کنترل پیش‌بین مدل برای سیستم‌های مقیاس بزرگ
• 80. بهینه‌سازی محاسباتی در MPC
• 81. زمان‌بندی اجرای MPC
• 82. پیاده‌سازی سخت‌افزاری MPC
• 83. کاربردهای نوظهور MPC
• 84. کنترل خودمختار در هوش مصنوعی
• 85. سیستم‌های تصمیم‌گیری پویا
• 86. خلاصه و جمع‌بندی مباحث MPC
• 87. چالش‌های آینده در MPC
• 88. مسیرهای تحقیقاتی در MPC
• 89. اخلاق در سیستم‌های خودمختار
• 90. ملاحظات امنیتی در MPC
• 91. قوانین و مقررات مرتبط با سیستم‌های خودمختار
• 92. روش‌های اعتبارسنجی مدل‌های یادگرفته شده
• 93. بهینه‌سازی تابع هزینه با استفاده از یادگیری
• 94. طراحی سیستم‌های کنترلی هوشمند و تطبیقی