Real-time training algorithms in neuroevolutionary navigational decision support system

• Autorzy: Łącki M.

Warianty tytułu

PL

Algorytmy szkolenia w czasie rzeczywistym w neuroewolucyjnym systemie wsparcia podejmowania decyzji nawigacyjnych

• Języki publikacji: EN

Abstrakty

EN

The paper presents the idea of using advanced machine learning algorithms to aid decision making in ship manoeuvring in real time. Evolutionary neural networks are used in this purpose. In the simulated model of manoeuvring ship a helmsman is treated as an individual in population of competitive helmsmen, which through environmental sensing and evolution processes learn how to navigate safely through restricted waters.

PL

Artykuł przedstawia koncepcję wykorzystania zaawansowanych algorytmów uczenia się maszyn dla wsparcia podejmowania decyzji manewrowania okrętem w czasie rzeczywistym. Do tego celu wykorzystywane są ewolucyjne sieci neuronowe. W symulowanym modelu manewrowania okrętem sternik jest traktowany jako jednostka w populacji konkurencyjnych sterników, którzy poprzez wyczuwanie środowiskowe i procesy ewolucyjne uczą się jak prowadzić nawigację bezpiecznie po ograniczonych akwenach.

Słowa kluczowe

EN

machine learning; artificial intelligence; evolutionary neural networks; marine navigation; routing and manoeuvring; safe ship control; computer simulation

PL

sztuczna inteligencja; ewolucyjne sieci neuronowe; nawigacja morska; wyznaczanie tras; manewrowanie; sterowanie bezpieczeństwem okrętu; symulacja komputerowa

• Wydawca: Akademia Marynarki Wojennej im. Bohaterów Westerplatte
• Czasopismo: Zeszyty Naukowe Akademii Marynarki Wojennej
• Rocznik: 2012
• Tom: R. 53 nr 4 (191)
• Strony: 93--104
• Opis fizyczny: Bibliogr. 18 poz., rys., tab.

Twórcy

autor

Łącki M.

• Akademia Morska w Gdyni

Bibliografia

• [1] Beyer H.-G., Schwefel H.-P., Evolution strategies — A comprehensive introduction, ‘Natural Computing’, 2002, 1(1), pp. 3–52.
• [2] Braun H., Weisbrod J., Evolving Feedforward Neural Networks, International Conference on Artificial Neural Networks and Genetic Algorithms, Innsbruck, Springer-Verlag, 1993.
• [3] Filipowicz W., Łącki M., Szłapczyńska J., Multicriteria decision support for vessels routing, European Safety and Reliability, A. A. Balkema, Taylor & Francis Group, Gdańsk 2005.
• [4] Kaelbling L. P., Littman M. L., Moore A. W., Reinforcement Learning: A Survey, ‘Journal of Artificial Intelligence Research’, 1996, cs.AI/9605, pp. 237–285.
• [5] Kenneth O. S., Bryant B. D., Risto M., Real-time neuroevolution in the NERO video game, ‘IEEE Transactions on Evolutionary Computation’, 2005, 9(6), pp. 653–668.
• [6] Kenneth O. S., Risto M., Efficient evolution of neural network topologies, Proceedings of the Evolutionary Computation on 2002. CEC ’02, Proceedings of the 2002 Congress, IEEE Computer Society, 2002, Vol. 2, pp. 1757–1762.
• [7] Kenneth O. S., Risto M., Efficient Reinforcement Learning Through Evolving Neural Network Topologies, Proceedings of the Genetic and Evolutionary Computation Conference, Morgan Kaufmann Publishers Inc., 2002, pp. 569–577.
• [8] Łącki M., Machine Learning Algorithms in Decision Making Support in Ship Handling, TST Conference, WKŁ, Katowice — Ustroń 2007.
• [9] Łącki M., Neuroevolutionary approach towards ship handling, TST Conference, WKŁ, Katowice — Ustroń 2008.
• [10] Łącki M., Ewolucyjne sieci NEAT w sterowaniu statkiem, [in:] Inżynieria wiedzy i systemy ekspertowe, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2009, pp. 535–544.
• [11] Łącki M., Speciation of population in neuroevolutionary ship handling, [in:] Marine Navigation and Safety of Sea Transportation, A. Weintrit (ed.), CRC Press/Balkema, Taylor & Francis Group, Boca Raton — London — New York — Leiden, 2009, pp. 541–545.
• [12] Łącki M., Model środowiska wieloagentowego w neuroewolucyjnym sterowaniu statkiem, ‘Zeszyty Naukowe’ AM w Gdyni, 2010, No 67, pp. 31–37.
• [13] Łącki M., Wyznaczanie punktów trasy w neuroewolucyjnym sterowaniu statkiem, ‘Logistyka’, 2010, No 6.
• [14] Singh S., Sutton R., Reinforcement learning with replacing eligibility traces, ‘Mach. Learn.’, 1996, 22(1–3), pp. 123–158.
• [15] Spears W. M., Speciation using tag bits, Handbook of Evolutionary Computation, 1998.
• [16] Sutton R., Barto A., Reinforcement Learning: An Introduction, The MIT Press, 1998.
• [17] Sutton R. S., Generalization in reinforcement learning: Successful examples using sparse coarse coding, 1996.
• [18] Tesauro G., Temporal difference learning and TD-Gammon, ‘Communications of the ACM’, 1995, 38(3), pp. 58–68.