Sharif Digital Repository / Sharif University of Technology
    • [Zoom In]
    • [Zoom Out]
  • Page 
    		 of  0
  • [Previous Page]
  • [Next Page]
  • [Fullscreen view]
  • [Close]
 
شبیه سازی عددی نانوجت ضربه ای در کاربرد خنک کاری تراشه های میکروالکترونیک با استفاده از روش شبیه سازی مستقیم مونت کارلو
اخلاقی، حسن Akhlaghi, Hassan

Cataloging brief

شبیه سازی عددی نانوجت ضربه ای در کاربرد خنک کاری تراشه های میکروالکترونیک با استفاده از روش شبیه سازی مستقیم مونت کارلو
پدیدآور اصلی :   اخلاقی، حسن Akhlaghi, Hassan
ناشر :   صنعتی شریف
سال انتشار  :   1388
موضوع ها :   میکرو/نانوکانال Micro/Nanochannel انتقال حرارت Heat Transfer شبیه سازی مستقیم مونت کارلو...
شماره راهنما :   ‭45-40535

Find in content

sort by

Bookmark

  • مقدمه (12)
    • تعریف مسئله (12)
    • اهمیت موضوع (16)
    • اهداف پژوهش (17)
    • ساختار پایان‌نامه (18)
  • مدلسازی دینامیکی و چهارچوب حل (19)
    • مدل دینامیکی سامانه (19)
    • مبانی یادگیری‌تقویتی (20)
      • فرایند تصمیم‌گیری مارکوف (21)
      • برنامه ریزی پویا (23)
      • روش مونت كارلو (24)
      • یادگیری TD (24)
      • اکتشاف در برابر بهره‌برداری و سیاست ‑حریصانه (27)
    • مبانی یادگیری ماشین و شبکه‌عصبی (28)
      • مدل خطی و تابع زیان (28)
      • بهینه‌سازی پارامترها (29)
      • شبکه‌های عصبی و توابع فعال‌سازی (32)
      • معماری‌های پرکاربرد در یادگیری عمیق (34)
    • یادگیری‌تقویتی‌عمیق (41)
      • رویکرد مبتنی بر ارزش (43)
      • رویکرد گرادیان سیاست (44)
      • رویکرد بازیگر-منتقد (45)
      • الگوریتم PPO (46)
    • یادگیری‌تقویتی‌عمیق چندعامله (51)
      • پارادایم‌های یادگیری در محیط چندعامله (53)
      • طراحی پاداش و حل مسئله تخصیص اعتبار (54)
      • گسترش PPO به MAPPO (55)
  • کارهای پیشین (58)
    • ربات‌های پروازآزاد (58)
      • مدلسازی دینامیکی (59)
    • روش‌های کنترل و هدایت در مسائل چندعاملی (60)
      • روش‌های کلاسیک مبتنی بر مدل (60)
      • روش‌های مبتنی بر اجماع و کنترل توزیع‌شده (60)
      • روش‌های رفتاری و الهام‌گرفته از طبیعت (61)
      • گذار به روش‌های نوین (61)
      • یادگیری تقویتی عمیق (61)
      • مشاهده ناقص در محیط‌های چندعاملی (65)
      • تخصیص اعتبار در محیط‌های چندعاملی (66)
      • جمع‌بندی و رویکرد پیشنهادی (67)
  • شبیه‌سازی و تحلیل نتایج (69)
    • صورت‌بندی مسئله (70)
      • فضای مشاهدات (70)
      • فضای عمل (71)
    • ارزیابی کارایی لایه توجه (71)
    • تحلیل ابرپارامترها (73)
      • اندازه دسته‌ها (76)
      • ضریب برش (76)
      • تعداد دوره‌های آموزش (77)
      • طول دنباله مشاهدات (77)
      • تأثیر ابرپارامترها بر مقیاس‌پذیری (78)
    • تحلیل مسیر حرکت عامل‌ها (78)
  • نتیجه گیری و کارهای آینده (88)
    • جمع‌بندی و نتیجه‌گیری (88)
    • کارهای آینده (89)
      • استفاده از مدل‌های زبانی بزرگ برای برنامه‌ریزی وظایف (89)
      • ادغام ورودی‌های بصری با استفاده از شبکه‌های عصبی کانولوشنی (90)
      • شتاب‌دهی فرآیند آموزش با استفاده از یادگیری تقلیدی (90)
      • گسترش به سناریوهای پیچیده‌تر و واقع‌گرایانه‌تر (91)
  • مراجع (92)
Loading...