Wyznaczanie punktów trasy w neuroewolucyjnym sterowaniu statkiem

• Autorzy: Łącki M.

Warianty tytułu

EN

Setting waypoints in neuroevolutionary ship handling

• Konferencja: Transcomp - XIV International Conference Computer Systems Aided Science, Industry and Transport
• Języki publikacji: PL

Abstrakty

PL

W artykule tym autor przedstawia system wspomagania decyzji sternika podczas manewrowania statkiem na ograniczonym obszarze. Podstawą systemu są ewolucyjne sztuczne sieci neuronowe, których struktura i parametry, odpowiednio zakodowane w kodzie genetycznym, rozwijają się w czasie symulacji, dostosowując całą populację do wyznaczonego zadania jakim jest bezpieczne przejście statku od pozycji startowej do celu. W celu usprawnienia procesu uczenia sieci neuronowej autor proponuje algorytm wyznaczania punktów trasy będących dodatkowym użytecznym zestawem informacji podczas obliczania wychylenia steru.

EN

In this article the author presents a decision support system for the helmsman maneuvering the vessel in a restricted area. The system is based on evolutionary artificial neural networks, whose structure and parameters, encoded in the genetic code, develop during the simulation by adjusting the entire population to an assignment which is safe passage of the ship from starting point to designated goal. To improve the learning process the author proposes an algorithm of setting waypoints for additional useful data set when calculating the angle of the rudder.

Słowa kluczowe

PL

algorytmy ewolucyjne; sieci neuronowe; sterowanie statkiem

EN

neuroevolutionary ship handling

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2010
• Tom: nr 6
• Opis fizyczny: Pełny tekst na CD, Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Łącki M.

• Akademia Morska w Gdyni, Wydział Nawigacyjny, Katedra Nawigacji, 81-225 Gdynia, ul. Morska 81-87, tel. [phone],

Bibliografia

• [1] Łącki M.: Ewolucyjne sieci NEAT w sterowaniu statkiem, Inżynieria Wiedzy i Systemy Ekspertowe, Akademicka Oficyna Wydawnicza EXIT, Warszawa, str. 535-544, 2009
• [2] Kenneth O.S., Miikkulainen R.: Effcient reinforcement learning through evolving neural network topologies, Proceedings of the Genetic and Evolutionary Computation Conference (GECCO-2002), San Francisco, CA, Morgan Kaufmann, 2002
• [3] Łącki M.: Neuroevolutionary approach towards ship handling, Proceedings of TST Conference, Katowice - Ustroń, WKL, 2008
• [4] Łącki M: Speciation of population in neuroevolutionary ship handling, Marine Navigation and Safety of Sea Transportation, redakcja: Adam Weintrit, CRC Press/Balkema, Taylor & Francis Group, Boca Raton – London - New York - Leiden, str. 541-545, 2009
• [5] Tesauro G.: Temporal Difference Learning and TD-Gammon, Communications of the Association for Computing Machinery, vol. 38, No. 3., 1995
• [6] Sutton R., Barto A.: Reinforcement Learning: An Introduction, MIT Press, 1998
• [7] Sutton R.: Generalization in Reinforcement Learning: Successful Examples Using Sparse Coarse Coding, Neural Information Processing Systems 8, 1996
• [8] Łącki M.: Machine Learning Algorithms in Decision Making Support in Ship Handling, Proceedings of TST Conference, Katowice - Ustron, WKL, 2007
• [9] Touretzky D., Mozer M., Hasselmo M.: Neural Information Processing Systems, MIT Press, 1996
• [10] Kenneth O.S., Miikkulainen R.: Effcient Evolution of Neural Network Topologies, Proceedings of the 2002 Congress on Evolutionary Computation, Piscataway, 2002
• [11] Braun H., Weisbrod, J.: Evolving feed-forward neural networks, Proceedings of ANNGA93, International Conference on Artiffcial Neural Networks and Genetic Algorithms, Berlin: Springer, 1993
• [12] Beyer H. G., Schwefel P. H.: Evolution strategies A comprehensive introduction, Natural Computing, 1(1):352, 2002
• [13] Kenneth O.S., Miikkulainen R.: Real-Time Neuroevolution in the NERO Video Game, Proceedings of the IEEE 2005 Symposium on Computational Intelligence and Games, Piscataway, 2005