تحلیلی درالگوریتم های یادگیری تقویتی (Reinforcement Learning) برای بهینه سازی مسیر آموزش و عملکرد ربات های خودکار در کارگاه های کامپیوتر کاردانش

پیشرفت شتابان فناوری های هوش مصنوعی و ظهور الگوریتم های یادگیری تقویتی (Reinforcement Learning) افق های تازه ای را در بهینه سازی رفتار و تصمیم گیری مستقل برای سامانه های هوشمند گشوده است. یکی از زمینه های کمتر کاوش شده ولی بسیار امیدبخش در این حوزه، کاربرد یادگیری تقویتی در آموزش عملی و محیط های فنی مهارتی مانند کارگاه های کامپیوتر رشته کاردانش است. در چنین محیط هایی، ربات های خودکار می توانند نقش مکمل آموزشی ایفا کنند؛ از طریق تعامل مستقیم با هنرجویان، یادگیری مسیرهای بهینه برای راهنمایی آنان، و اصلاح مداوم عملکرد و استراتژی خود بر اساس بازخورد محیط. هدف این پژوهش، تحلیل و بررسی مدل های مختلف یادگیری تقویتی در زمینه ارتقای تعامل، آموزش و کارایی ربات های خودکار در کارگاه های آموزشی است؛ به ویژه تمرکز بر چگونگی استفاده از داده های تجربی آموزشی به عنوان منبع پاداش یا تنبیه در الگوریتم های RL. افزون بر آن، تلاش خواهد شد تا چارچوبی برای شبیه سازی و ارزیابی عملکرد این ربات ها در یک بستر عملی واقعی ارائه گردد تا مسیر آموزش، تصمیم گیری و هماهنگی آن ها با نیازهای آموزشی دانش آموزان کاردانش بهینه شود.