• مقدمه (12)
  • پیشگفتار (12)
  • تعریف مسئله (14)
  • مرور پژوهش‌های پیشین (16)
  • اهمیت موضوع (19)
  • نوآوری (22)
  • ساختار پایان‌نامه (23)
• مفاهیم اولیه (24)
  • چارچوب ریاضی یادگیری تقویتی (24)
    • تعاریف (24)
  • روش‌های مورد استفاده در مسائل یادگیری تقویتی (27)
  • محیط‌های غیرایستا (28)
  • سیاست آمیخته وزن‌دار (28)
    • تعریف مسئله سیاست آمیخته وزن‌دار (30)
    • ساختار سیاست آمیخته وزن‌دار (32)
    • پیاده سازی (33)
• الگوریتم آموزش سیاست آمیخته وزن‌دار پیش از دستیابی به سیاست بهینه مدل‌ها (35)
  • مقدمات شبیه‌سازی (36)
    • مسئله شبیه‌سازی (36)
    • چارچوب شبیه‌سازی (38)
    • الگوریتم آموزش سیاست‌ها (39)
    • شیوه ارزیابی (42)
    • کاوش از طریق افزودن ترم انتروپی (43)
    • سیستم‌های مورد استفاده (45)
  • شروع آموزش WMP پیش از دستیابی به سیاست بهینه مدل‌ها (49)
  • دلایل امکان‌پذیری آموزش WMP پیش از دستیابی به سیاست بهینه مدل‌ها (52)
    • وابستگی آموزش WMP به سیاست مدل‌هایی با پاسخ همگرا (52)
    • بهبود عملکرد سیاست ردیابی مرجع با تابع پاداش درجه ۲ (54)
  • الگوریتم پیشنهادی برای تخصیص داده‌های آموزشی به سیاست‌ها (58)
  • شبیه‌سازی (61)
    • شبیه‌سازی اول: کنترل ارابه در سیستم آونگ معکوس (61)
    • شبیه‌سازی دوم: سیستم ون‌درپل با دینامیک یکسان (64)
    • شبیه‌سازی سوم: سیستم ون‌درپول با دینامیک متفاوت (66)
  • جمع‌بندی (69)
• جمع بندی (70)
• مراجع (71)
• واژه‌نامه (76)
• آزمون آماری t (80)