کتاب صوتی طراحی الگوریتم‌های MARL برای مدیریت تقاضا در حمل و نقل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی الگوریتم‌های MARL برای مدیریت تقاضا در حمل و نقل

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بهینه‌سازی سیستم‌های مدیریت حمل و نقل هوشمند در مقیاس شهری با استفاده از داده‌های واقعیت افزوده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
• 2. مبانی یادگیری تقویتی (RL)
• 3. عوامل و محیط در RL
• 4. تابع پاداش و تابع ارزش
• 5. اپیزودها و یادگیری در RL
• 6. الگوریتم‌های پایه RL: Q-Learning
• 7. الگوریتم‌های پایه RL: SARSA
• 8. یادگیری تقویتی عمیق (DRL)
• 9. شبکه‌های عصبی در DRL
• 10. شبکه‌های عصبی کانولوشنال (CNN) در DRL
• 11. شبکه‌های عصبی بازگشتی (RNN) در DRL
• 12. معماری‌های DRL: DQN
• 13. معماری‌های DRL: Policy Gradients
• 14. معماری‌های DRL: Actor-Critic
• 15. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
• 16. مفهوم عامل و همکار در MARL
• 17. چالش‌های MARL: عدم ایستایی محیط
• 18. چالش‌های MARL: عدم قطعیت همکاران
• 19. چالش‌های MARL: مقیاس‌پذیری
• 20. طبقه‌بندی الگوریتم‌های MARL
• 21. MARL با مجموع پاداش مشترک
• 22. MARL با پاداش‌های فردی
• 23. MARL با مدل محیط مشترک
• 24. MARL بدون مدل محیط
• 25. الگوریتم‌های بازی‌های مجموع-صفر (Zero-Sum Games)
• 26. الگوریتم‌های بازی‌های مجموع-غیرصفر (General-Sum Games)
• 27. MARL مبتنی بر ارزش (Value-Based MARL)
• 28. MARL مبتنی بر سیاست (Policy-Based MARL)
• 29. MARL ترکیبی (Actor-Critic MARL)
• 30. مدل‌های ارتباطی بین عوامل
• 31. یادگیری ارتباطات در MARL
• 32. استانداردسازی ارتباطات
• 33. مدیریت تقاضا در حمل و نقل
• 34. مفاهیم پایه مدیریت تقاضا
• 35. استراتژی‌های مدیریت تقاضا
• 36. زمان‌بندی و مسیریابی
• 37. تخصیص منابع
• 38. مدل‌سازی رفتار کاربر در حمل و نقل
• 39. مدل‌سازی پیش‌بینی تقاضا
• 40. سیستم‌های حمل و نقل هوشمند (ITS)
• 41. نقش MARL در ITS
• 42. کاربرد MARL در مدیریت ترافیک
• 43. کاربرد MARL در بهینه‌سازی حمل و نقل عمومی
• 44. کاربرد MARL در مدیریت پارکینگ
• 45. کاربرد MARL در تخصیص تاکسی‌های اینترنتی
• 46. کاربرد MARL در مدیریت ناوگان حمل و نقل
• 47. کاربرد MARL در سیستم‌های اشتراک خودرو
• 48. طراحی الگوریتم MARL برای مدیریت تقاضا
• 49. تعریف فضای حالت برای عوامل
• 50. تعریف فضای عمل برای عوامل
• 51. طراحی تابع پاداش برای مدیریت تقاضا
• 52. مدل‌سازی محیط حمل و نقل برای MARL
• 53. شبیه‌سازی محیط حمل و نقل
• 54. معیارهای ارزیابی عملکرد الگوریتم MARL
• 55. الگوریتم‌های MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 56. الگوریتم‌های QMIX (Value Decomposition Networks)
• 57. الگوریتم‌های COMA (Counterfactual Multi-Agent Policy Gradients)
• 58. الگوریتم‌های MAPPO (Multi-Agent Proximal Policy Optimization)
• 59. انتخاب الگوریتم MARL مناسب برای مدیریت تقاضا
• 60. پیاده‌سازی الگوریتم‌های MARL
• 61. استفاده از فریم‌ورک‌های MARL (مانند PettingZoo, RLlib)
• 62. آموزش عوامل در محیط شبیه‌سازی شده
• 63. تنظیم ابرپارامترها در MARL
• 64. ارزیابی نتایج آموزش
• 65. تحلیل حساسیت نتایج به ابرپارامترها
• 66. بهینه‌سازی تابع پاداش
• 67. بهبود طراحی فضای حالت و عمل
• 68. افزایش مقیاس‌پذیری الگوریتم‌ها
• 69. مدیریت نااطمینانی در پیش‌بینی تقاضا
• 70. مدیریت نااطمینانی در رفتار عوامل
• 71. استفاده از تکنیک‌های یادگیری تقویتی متمرکز (Centralized Training)
• 72. استفاده از تکنیک‌های یادگیری تقویتی غیرمتمرکز (Decentralized Execution)
• 73. ترکیب یادگیری تقویتی با روش‌های بهینه‌سازی کلاسیک
• 74. مدل‌سازی رفتار رانندگان و مسافران
• 75. مدل‌سازی تعاملات بین عوامل حمل و نقل
• 76. مدل‌سازی اثرات خارجی (مانند آب و هوا)
• 77. پیاده‌سازی در مقیاس واقعی (چالش‌ها و راهکارها)
• 78. امنیت و قابلیت اطمینان سیستم‌های MARL در حمل و نقل
• 79. اخلاقیات در استفاده از MARL در حمل و نقل
• 80. مطالعات موردی کاربرد MARL در مدیریت تقاضا
• 81. آینده پژوهی در MARL برای حمل و نقل
• 82. پیشرفت‌های اخیر در MARL
• 83. کاربردهای نوظهور MARL در حمل و نقل
• 84. توسعه الگوریتم‌های MARL کارآمدتر
• 85. پژوهش در زمینه تفسیرپذیری (Interpretability) در MARL
• 86. کاربرد MARL در مدیریت مصرف انرژی در حمل و نقل
• 87. کاربرد MARL در بهینه‌سازی زنجیره تأمین حمل و نقل
• 88. کاربرد MARL در پیش‌بینی و مدیریت حوادث ترافیکی
• 89. کاربرد MARL در بهینه‌سازی زیرساخت‌های حمل و نقل
• 90. جمع‌بندی و چشم‌انداز آینده