Model środowiska wieloagentowego w neuroewolucyjnym sterowaniu statkiem

• Autorzy: Łącki M.

Warianty tytułu

EN

Multi-agent environment for neuroevolutionary ship handling

• Języki publikacji: PL

Abstrakty

PL

W artykule tym przedstawiono propozycję użycia neuroewolucyjnego systemu wieloagentowego do wspomagania decyzji manewrowych sternika statku płynącego na ograniczonym obszarze wodnym. W środowisku tym sternik jest osobnikiem określonej populacji, która za pomocą algorytmów ewolucyjnych oraz metod uczenia ze wzmocnieniem dostosowuje się do wyznaczonego zadania, jakim jest bezpieczne przepłynięcie danego obszaru przez wyznaczone jednostki pływające.

EN

This paper presents the proposal of multi-agent environment to simulate and demonstrate learning behavior of helmsmen in ship maneuvering. Simulated helmsmen are treated as individuals in population, which through environmental sensing learn themselves to navigate in restricted waters selecting an optimum trajectory of a vessel. Learning phase of the task is to observe current situation and choose the best action. Neuroevolutionary algorithms are used to solve this task. The best fitted individuals from each population become parents for the next generation of helmsmen in simulated multi-agent navigational situation.

Słowa kluczowe

PL

sterowanie statkiem; sieci neuronowe; środowiska wieloagentowe

EN

ship handling; neural networks; multi-agent environment

• Wydawca: Wydawnictwo Uniwersytetu Morskiego w Gdyni
• Czasopismo: Zeszyty Naukowe Akademii Morskiej w Gdyni
• Rocznik: 2010
• Tom: nr 67
• Strony: 30--36
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Łącki M.

• Akademia Morska w Gdyni

Bibliografia

• 1. Beyer H.G., Schwefel P.M., Evolution strategies A comprehensive introduction, Natural Computing, 2002, 1(1).
• 2. Braun H., Weisbrod J., Evolving feed-forward neural networks, Proceedings of ANNGA 93, International Conference on Artiffcial Neural Networks and Genetic Algorithms, Springer, Berlin 1993.
• 3. Filipowicz W., Łącki M., Szłapczyńska J., Multicriteria decision support for vessels routing, Proceedings of ESREL05 Conference, Gdańsk 2005.
• 4. Kenneth O.S., Miikkulainen R., Effcient Evolution of Neural Network Topologies, Proceedings of the 2002 Congress on Evolutionary Computation, Piscataway, 2002.
• 5. Kenneth O.S., Miikkulainen R., Effcient reinforcement learning through evolving neural network topologies, Proceedings of the Genetic and Evolutionary Computation Conference (GECCO-2002), CA, Morgan Kaufmann, San Francisco 2002.
• 6. 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
• 7. Łącki M„ Ewolucyjne sieci NEAT w sterowaniu statkiem, Inżynieria Wiedzy i Systemy Ekspertowe, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2009.
• 8. Łącki M., Machine Learning Algorithms in Decision Making Support in Ship Handling, Proceedings of TST Conference, WKL, Katowice-Ustroń 2007.
• 9. Łącki M., Neuroevolutionary approach towards ship handling, Proceedings of TST Conference, WKL, Katowice-Ustroń 2008.
• 10. Łącki M., Speciation of population in neuroevolutionary ship handling, [w:] Marine Navigation and Safety of Sea Transportation, red. A. Weintrit, CRC Press/Balkema, Taylor&Francis Group, Boca Raton-London-New York-Leiden, 2009.
• 11. Sutton R., Generalization in Reinforcement Learning: Successful Examples Using Sparse Coarse Coding, Neural Information Processing Systems, 1996, 8.
• 12. Sutton R., Barto A., Reinforcement Learning: An Introduction, MIT Press, 1998.
• 13. Tesauro G., Temporal Difference Learning and TD-Gammon, Communications of the Association for Computing Machinery, 1995, vol. 38, no. 3.
• 14. Touretzky D., Mozer M., Hasselmo M., Neural Information Processing Systems, MIT Press, 1996.