کتاب یادگیری تقویتی چندعامله در زنجیره تامین: استراتژی‌های بهینه‌سازی پویا

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری تقویتی چندعامله در زنجیره تامین: استراتژی‌های بهینه‌سازی پویا

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بهینه‌سازی فرآیندهای مدیریت تدارکات زنجیره تامین

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه بر یادگیری تقویتی چندعامله
  • 2. مبانی یادگیری تقویتی
  • 3. مبانی یادگیری تقویتی چندعامله (MARL)
  • 4. تفاوت MARL با یادگیری تقویتی تک عامله
  • 5. کاربرد MARL در زنجیره تامین
  • 6. چالش‌های سنتی در بهینه‌سازی زنجیره تامین
  • 7. نیاز به رویکردهای پویا و هوشمند
  • 8. یادگیری تقویتی به عنوان راه‌حل
  • 9. اهداف و دامنه یادگیری تقویتی چندعامله در زنجیره تامین
  • 10. مرور ادبیات تحقیق در MARL برای زنجیره تامین
  • 11. معماری‌های رایج MARL
  • 12. مدل‌های عامل-محیط
  • 13. فضای حالت
  • 14. فضای عمل
  • 15. تابع پاداش
  • 16. یادگیری سیاست
  • 17. یادگیری ارزش
  • 18. یادگیری ترکیبی
  • 19. روش‌های مبتنی بر ارزش
  • 20. Q-learning
  • 21. Deep Q-Networks (DQN)
  • 22. Double DQN
  • 23. Dueling DQN
  • 24. Prioritized Experience Replay
  • 25. روش‌های مبتنی بر سیاست
  • 26. Policy Gradients
  • 27. REINFORCE
  • 28. Actor-Critic
  • 29. DDPG
  • 30. روش‌های مبتنی بر مدل
  • 31. یادگیری مدل محیط
  • 32. برنامه‌ریزی مبتنی بر مدل
  • 33. کاربرد روش‌های مبتنی بر مدل در زنجیره تامین
  • 34. چالش‌های خاص MARL در زنجیره تامین
  • 35. عدم قطعیت و تصادفی بودن
  • 36. پویایی و تغییرات محیط
  • 37. مقیاس‌پذیری
  • 38. ارتباط بین عوامل
  • 39. عدم تشخیص کامل محیط
  • 40. مشاهده‌پذیری محدود
  • 41. توزیع داده‌ها
  • 42. همکاری بین عوامل
  • 43. رقابت بین عوامل
  • 44. توازن همکاری و رقابت
  • 45. استراتژی‌های هماهنگ‌سازی
  • 46. استراتژی‌های حل تعارض
  • 47. طراحی تابع پاداش در MARL برای زنجیره تامین
  • 48. پاداش محلی در مقابل پاداش جهانی
  • 49. طراحی پاداش برای تشویق همکاری
  • 50. طراحی پاداش برای جلوگیری از رفتار مخرب
  • 51. تاثیر تابع پاداش بر رفتار عامل
  • 52. پیاده‌سازی MARL در سناریوهای مختلف زنجیره تامین
  • 53. مدیریت موجودی
  • 54. برنامه‌ریزی تولید
  • 55. مدیریت حمل و نقل
  • 56. مدیریت انبار
  • 57. طراحی شبکه زنجیره تامین
  • 58. مدیریت ریسک در زنجیره تامین
  • 59. مدیریت تقاضا
  • 60. مدیریت تامین‌کنندگان
  • 61. مدیریت مشتریان
  • 62. بهینه‌سازی پویای جریان مواد
  • 63. بهینه‌سازی پویای جریان اطلاعات
  • 64. بهینه‌سازی پویای جریان مالی
  • 65. مدل‌سازی زنجیره تامین به عنوان یک بازی چندعامله
  • 66. تعریف عامل‌ها در زنجیره تامین
  • 67. تعریف محیط زنجیره تامین
  • 68. تعریف حالت و عمل برای هر عامل
  • 69. تعریف تابع پاداش برای هر عامل
  • 70. انواع بازی‌های مرتبط با زنجیره تامین
  • 71. بازی‌های با مجموع صفر
  • 72. بازی‌های با مجموع غیر صفر
  • 73. بازی‌های تکراری
  • 74. بازی‌های پویا
  • 75. شبیه‌سازی زنجیره تامین برای آموزش MARL
  • 76. انتخاب موتور شبیه‌سازی
  • 77. طراحی سناریوهای شبیه‌سازی
  • 78. تولید داده‌های آموزشی
  • 79. ارزیابی عملکرد مدل‌های MARL
  • 80. معیارهای ارزیابی
  • 81. مقایسه با روش‌های سنتی
  • 82. تحلیل حساسیت
  • 83. اعتبارسنجی مدل
  • 84. بهبود عملکرد با یادگیری انتقالی
  • 85. یادگیری از طریق شبیه‌سازی به دنیای واقعی
  • 86. انتقال یادگیری بین زنجیره‌های تامین مختلف
  • 87. یادگیری تقویتی عمیق (Deep Reinforcement Learning) در MARL زنجیره تامین
  • 88. ترکیب شبکه‌های عصبی عمیق با MARL
  • 89. پیاده‌سازی شبکه‌های عصبی برای حالت و عمل
  • 90. پیاده‌سازی شبکه‌های عصبی برای تابع ارزش و سیاست
  • 91. کاربرد شبکه‌های عصبی کانولوشنی (CNN)
  • 92. کاربرد شبکه‌های عصبی بازگشتی (RNN)
  • 93. کاربرد شبکه‌های عصبی ترنسفورمر (Transformer)
  • 94. چالش‌های مقیاس‌پذیری در MARL زنجیره تامین
  • 95. تکنیک‌های کاهش ابعاد
  • 96. تکنیک‌های نمونه‌برداری
  • 97. تکنیک‌های دسته‌بندی
  • 98. تکنیک‌های تخصصی‌سازی عامل‌ها
  • 99. تکنیک‌های یادگیری فدرال (Federated Learning) در MARL زنجیره تامین
  • 100. حفظ حریم خصوصی داده‌ها

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.