کتاب صوتی یادگیری تقویتی عمیق در طراحی استراتژی‌های کاهش آلودگی هوا در حمل و نقل ملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی عمیق در طراحی استراتژی‌های کاهش آلودگی هوا در حمل و نقل ملی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بهینه‌سازی سیستم‌های مدیریت حمل و نقل هوشمند در مقیاس ملی با استفاده از الگوریتم‌های یادگیری تقویتی عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی عمیق
• 2. مبانی یادگیری تقویتی
• 3. عوامل یادگیری تقویتی: عامل، محیط، حالت، عمل
• 4. تابع پاداش و تعریف آن
• 5. مدل‌های مارکوف تصمیم‌گیری (MDP)
• 6. حل MDP با روش‌های برنامه‌ریزی
• 7. روش‌های مبتنی بر ارزش: تابع ارزش حالت، تابع ارزش عمل
• 8. روش‌های مبتنی بر سیاست
• 9. یادگیری تقویتی بدون مدل
• 10. یادگیری تقویتی مبتنی بر مدل
• 11. مقدمه‌ای بر شبکه‌های عصبی عمیق
• 12. کاربرد شبکه‌های عصبی در یادگیری تقویتی
• 13. یادگیری عمیق تقویتی (DRL)
• 14. شبکه‌های عصبی کانولوشنی (CNN) در DRL
• 15. شبکه‌های عصبی بازگشتی (RNN) در DRL
• 16. شبکه‌های عصبی ترنسفورمر در DRL
• 17. الگوریتم‌های ارزش-مبتنی عمیق: DQN
• 18. بهینه‌سازی DQN: Double DQN, Dueling DQN
• 19. الگوریتم‌های سیاست-گرادیان عمیق: REINFORCE
• 20. الگوریتم‌های Actor-Critic: A2C, A3C
• 21. الگوریتم‌های مبتنی بر میانگین سیاست: TRPO, PPO
• 22. الگوریتم‌های مبتنی بر مدل عمیق
• 23. یادگیری تقویتی استنباطی
• 24. یادگیری تقویتی چندعاملی
• 25. مقدمه‌ای بر آلودگی هوا در حمل و نقل
• 26. منابع اصلی آلودگی هوا در حمل و نقل
• 27. اثرات آلودگی هوا بر سلامت عمومی
• 28. اثرات آلودگی هوا بر محیط زیست
• 29. اثرات اقتصادی آلودگی هوا
• 30. قوانین و مقررات ملی کاهش آلودگی هوا
• 31. راهبردهای موجود برای کاهش آلودگی هوا
• 32. چالش‌های اجرای راهبردها
• 33. مفهوم کاهش آلودگی هوا در حمل و نقل
• 34. اهمیت کاهش آلودگی هوا در حمل و نقل ملی
• 35. یادگیری تقویتی در بهینه‌سازی ترافیک
• 36. مدل‌سازی سیستم حمل و نقل با یادگیری تقویتی
• 37. تعریف محیط برای مسئله کاهش آلودگی هوا
• 38. حالت‌های محیط: وضعیت ترافیک، سطح آلودگی
• 39. اعمال عامل: کنترل چراغ‌های راهنمایی، مدیریت سرعت
• 40. پاداش در مسئله کاهش آلودگی هوا
• 41. طراحی تابع پاداش برای کاهش انتشار
• 42. استفاده از DRL برای کنترل چراغ‌های راهنمایی
• 43. بهینه‌سازی جریان ترافیک با DRL
• 44. کاهش زمان سفر با DRL
• 45. کاهش مصرف سوخت با DRL
• 46. کاهش انتشار آلاینده‌ها با DRL
• 47. استفاده از DRL برای مدیریت سرعت خودروها
• 48. بهینه‌سازی سرعت در بزرگراه‌ها
• 49. تأثیر مدیریت سرعت بر آلودگی هوا
• 50. الگوریتم‌های DRL برای مدیریت سرعت
• 51. یادگیری تقویتی در بهینه‌سازی مسیر
• 52. مدل‌سازی مسیریابی با یادگیری تقویتی
• 53. طراحی تابع پاداش برای مسیریابی بهینه
• 54. کاهش مسافت پیموده شده با DRL
• 55. کاهش زمان رسیدن با DRL
• 56. بهینه‌سازی مسیر برای وسایل نقلیه عمومی
• 57. یادگیری تقویتی در مدیریت ناوگان حمل و نقل
• 58. بهینه‌سازی تخصیص وسایل نقلیه
• 59. کاهش آلودگی ناشی از جابجایی ناوگان
• 60. استفاده از DRL در برنامه‌ریزی حمل و نقل
• 61. پیش‌بینی تقاضای حمل و نقل با DRL
• 62. بهینه‌سازی زمان‌بندی حمل و نقل عمومی
• 63. یادگیری تقویتی در مدیریت ترافیک هوشمند
• 64. سیستم‌های حمل و نقل هوشمند (ITS)
• 65. نقش DRL در ITS
• 66. بهینه‌سازی هماهنگی وسایل نقلیه
• 67. کاهش تراکم ترافیک با DRL
• 68. یادگیری تقویتی در طراحی زیرساخت‌های حمل و نقل
• 69. بهینه‌سازی جانمایی ایستگاه‌های شارژ خودروهای برقی
• 70. طراحی مسیرهای دوچرخه‌سواری با DRL
• 71. یادگیری تقویتی در ترویج حمل و نقل پاک
• 72. مشوق‌های رفتاری برای استفاده از حمل و نقل پاک
• 73. مدل‌سازی ترجیحات شهروندان با DRL
• 74. طراحی استراتژی‌های تشویقی با DRL
• 75. یادگیری تقویتی در ارزیابی و پایش آلودگی هوا
• 76. مدل‌سازی انتشار آلاینده‌ها بر اساس داده‌های ترافیک
• 77. پیش‌بینی کیفیت هوا با DRL
• 78. پایش مستمر آلودگی هوا با DRL
• 79. بهینه‌سازی استقرار سنسورهای کیفیت هوا
• 80. یادگیری تقویتی در آموزش و فرهنگ‌سازی
• 81. ایجاد بسترهای آموزشی تعاملی
• 82. ارائه راهنمایی‌های شخصی‌سازی شده
• 83. ترویج الگوهای رفتاری پایدار
• 84. پیاده‌سازی DRL در شبیه‌سازهای آموزشی
• 85. ارزیابی و اعتبارسنجی مدل‌های DRL
• 86. ملاحظات اخلاقی در کاربرد DRL
• 87. مسئولیت‌پذیری در سیستم‌های خودکار
• 88. امنیت داده‌ها در سیستم‌های DRL
• 89. چالش‌های اجرایی و مقیاس‌پذیری DRL
• 90. آینده پژوهی در DRL و حمل و نقل پایدار
• 91. مطالعات موردی موفق در ایران
• 92. چشم‌انداز آینده حمل و نقل پاک با DRL