دوره بهینه سازی وظایف سوراخکاری دقیق ربات های صنعتی با MARL به همراه فلش کارت بر روی فلش مموریجدید

سرفصل های دوره: 1. مقدمه به ربات های صنعتی و سوراخکاری دقیق 2. اهمیت دقت در سوراخکاری رباتیک 3. چالش های سوراخکاری دقیق با ربات های صنعتی 4. معرفی یادگیری تقویتی چند عاملی (MARL) 5. مزایای MARL برای بهینه سازی وظایف رباتیک 6. کاربرد MARL در سوراخکاری دقیق ربات ها 7. مروری بر مفاهیم پایه یادگیری تقویتی (RL) 8. عامل (Agent)، محیط (Environment)، حالت (State) 9. عمل (Action)، پاداش (Reward)، سیاست (Policy) 10. تابع ارزش (Value Function)، تابع Q (Q-Function) 11. یادگیری آفلاین و آنلاین 12. یادگیری مبتنی بر مدل و بدون مدل 13. معرفی یادگیری تقویتی چند عاملی (MARL) 14. عوامل متعدد (Multiple Agents) 15. تعاملات بین عوامل (Inter-Agent Interactions) 16. اهداف مشترک و رقابتی در MARL 17. چالش های خاص MARL 18. ناپایداری آموزش (Training Instability) 19. مشکل غیر ایستا بودن محیط (Non-Stationarity) 20. مقیاس پذیری (Scalability) 21. مشکل اکتشاف/استفاده (Exploration/Exploitation Dilemma) 22. انواع معماری های MARL 23. مرکزی (Centralized) 24. غیر متمرکز (Decentralized) 25. مختلط (Hybrid) 26. مدل های یادگیری سیاست (Policy Learning Models) 27. یادگیری ارزش (Value Learning Models) 28. روش های MARL محبوب 29. MADDPG (Multi-Agent Deep Deterministic Policy Gradient) 30. QMIX (Q-value Mixing) 31. VDN (Value Decomposition Networks) 32. ...