Narzędzia help

Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
first previous next last
cannonical link button

http://yadda.icm.edu.pl:80/baztech/element/bwmeta1.element.baztech-a895823a-8b12-4cb1-9361-aa4ee1458008

Czasopismo

Autobusy : technika, eksploatacja, systemy transportowe

Tytuł artykułu

Kontrola trajektorii ruchu statku za pomocą metod neuroewolucyjnych

Autorzy Łącki, M. 
Treść / Zawartość
Warianty tytułu
EN Ship trajectory control with neuroevolutionary method
Języki publikacji PL
Abstrakty
PL Celem badań przedstawionych w tym artykule jest sprawdzenie, czy metoda neuroewolucyjna z bezpośrednim kodowaniem genetycznym może być wykorzystana w autopilocie statkowym. Jednym z głównych zadań autopilotów statków jest utrzymanie płynącej jednostki na zadanej trajektorii, z uwzględnieniem dynamicznych parametrów ruchu statku i warunków środowiskowych. W niniejszym artykule opisano i przedstawiono wyniki symulacji adaptacyjnego autopilota neuroewolucyjnego z użyciem modelu symulacyjnego promu pasażerskiego. Neuroewolucja to połączenie dwóch różnych metod: algorytmów ewolucyjnych i sztucznych sieci neuronowych. Takie połączenie tworzy bardzo elastyczne narzędzie wspomagania decyzji i sterowania, które może być zastosowane w wielu innych systemach transportowych w celu poprawy ich efektywności.
EN The purpose of the study presented in this article is to determine whether the neuroevolutionary method with direct genetic encoding can be part of the ship's autopilot. One of the main tasks of the ship's autopilot is to maintain the movement of the vessel on the trajectory, taking into account the dynamic parameters of the ship's motion. This article describes and illustrates the results of the simulation of adaptive neuroevolutionary autopilot using the simulator model of the passenger ferry. Neuroevolution is a combination of two different methods: evolutionary algorithms and artificial neuronal networks. This combination creates a very flexible decision support and control tool that can be used in many other transport systems to improve their efficiency.
Słowa kluczowe
PL trajektoria   statek   metoda neuroewolucyjna  
EN trajectory   ship   neuroevolutionary method  
Wydawca Instytut Naukowo-Wydawniczy "SPATIUM". sp. z o.o.
Czasopismo Autobusy : technika, eksploatacja, systemy transportowe
Rocznik 2017
Tom R. 18, nr 12
Strony 588--591, CD
Opis fizyczny Bibliogr. 11 poz., wykr.
Twórcy
autor Łącki, M.
  • Akademia Morska w Gdyni - Wydział Nawigacyjny, Katedra Nawigacji
Bibliografia
1. M. Łącki, Ship Handling in Wind and Current with Neuroevolutionary Decision Support System, in Navigational Problems, 0 vols., CRC Press, 2013, pp. 71–77.
2. S. Lee, J. Yosinski, K. Glette, H. Lipson, and Clune J, Evolving gaits for physical robots with the HyperNEAT generative encoding: the benefits of simulation, Appl. Evol. Comput., 2013.
3. E. Haasdijk, A. A. Rusu, and A. E. Eiben, HyperNEAT for Locomotion Control in Modular Robots, 9th International Conference on Evolvable Systems, 2010.
4. D. Bagnell and J. Schneider, Autonomous helicopter control using reinforcement learning policy search methods, Robotics and Automation, 2001.
5. S. Kenneth, K. Nate, S. Rini, and M. Risto, Neuroevolution of an automobile crash warning system, Proceedings of the 2005 conference on Genetic and evolutionary computation, Washington DC, USA, 2005.
6. D. B. D. Ambrosio, J. Lehman, S. Risi, and K. O. Stanley, Evolving Policy Geometry for Scalable Multiagent Learning, Autonomous Agents and Multiagent Systems, 2010.
7. V. A. Kappatos, G. Georgoulas, C. D. Stylios, and E. S. Dermatas, Evolutionary dimensionality reduction for crack localization in ship structures using a hybrid computational intelligent approach, Proceedings of the 2009 international joint conference on Neural Networks, Atlanta, Georgia, USA, 2009.
8. K. O. Stanley and M. Risto, Efficient Reinforcement Learning Through Evolving Neural Network Topologies, Proceedings of the Genetic and Evolutionary Computation Conference, 2002.
9. M. Łącki, Wyznaczanie punktów trasy w neuroewolucyjnym sterowaniu statkiem, Logistyka, vol. 6, 2010.
10. M. Łącki, Machine Learning Algorithms in Decision Making Support in Ship Handling, TST, Katowice-Ustroń, 2007.
11. Mielniczuk S., Wybrane metody optymalizacji w rozwiązywaniu sytuacji kolizyjnych na morzu, Autobusy - Technika, Eksploatacja, Systemy Transportowe 2017, nr 6.
Uwagi
Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018)
Kolekcja BazTech
Identyfikator YADDA bwmeta1.element.baztech-a895823a-8b12-4cb1-9361-aa4ee1458008
Identyfikatory