Indirect encoding in neuroevolutionary ship handling

• Autorzy: Łącki M.

Identyfikatory

DOI

10.12716/1001.12.01.07

• Języki publikacji: EN

Abstrakty

EN

In this paper the author compares the efficiency of two encoding schemes for artificial intelligence methods used in the neuroevolutionary ship maneuvering system. This may be also be seen as the ship handling system that simulates a learning process of a group of artificial helmsmen - autonomous control units, created with an artificial neural network. The helmsman observes input signals derived form an enfironment and calculates the values of required parameters of the vessel maneuvering in confined waters. In neuroevolution such units are treated as individuals in population of artificial neural networks, which through environmental sensing and evolutionary algorithms learn to perform given task efficiently. The main task of this project is to evolve a population of helmsmen with indirect encoding and compare results of simulation with direct encoding method.

Słowa kluczowe

EN

ship handling; neuroevolutionary ship handling; artificial intelligence; artificial intelligence method; ship manoeuvering; Neuroevolution; evolutionary algorithms; direct encoding method

• Wydawca: Faculty of Navigation, Gdynia Maritime University
• Czasopismo: TransNav : International Journal on Marine Navigation and Safety of Sea Transportation
• Rocznik: 2018
• Tom: Vol. 12, no. 1
• Strony: 71--76
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Łącki M.

• Gdynia Maritime University, Gdynia, Poland

Bibliografia

• 1 Gruau, F. 1994. Neural Network Synthesis Using Cellular  Encoding And The Genetic Algorithm. 
• 2 Haasdijk, E., Rusu, A.A. & Eiben, A.E. 2010. HyperNEAT  for Locomotion Control in Modular Robots.
• 3 Isherwood, J.W. 1973. Trans. R. Inst. Nav. Archit., Wind  resistance of merchant ships, vol. 115, 327–332.
• 4 Kwaśnicka,  H.  2007.  Ewolucyjne  projektowanie  sieci  neuronowych  ,  Oficyna  Wydawnicza  Politechniki  Wrocławskiej. 
• 5 Łącki, M. 2007. Machine Learning Algorithms in Decision  Making Support in Ship Handling. , Katowice‐Ustroń:  WKŁ,
• 6 Łącki,  M.  2012.  TransNav  ‐ Int.  J.  Mar.  Navig.  Saf.  Sea  Transp., Neuroevolutionary Ship Handling System in a  Windy Environment, Vol. 6, No. 4, pp. 453‐458 
• 7 Larkin,  D.,  Kinane,  A.  &  O’Connor,  N.  2006.  Towards  hardware acceleration of neuroevolution for multimedia  processing applications on mobile devices , Hong Kong,  China.
• 8 Lee, S., Yosinski, J., Glette, K., Lipson, H. & Clune J 2013.  Appl. Evol. Comput., Evolving gaits for physical robots  with the HyperNEAT generative encoding: the benefits  of simulation,. 
• 9 Lehman,  J.  &  Miikkulainen,  R.  2013.  Scholarpedia,  Neuroevolution, vol. 8, 30977.
• 10 Nowak, A., Praczyk, T. & Szymak, P. 2008. Zeszty Nauk.  Akad.  Mar.  Wojennej,  Multi‐agent  system  of  autonomous underwater vehicles ‐ preliminary report,  vol. 4, 99–108.
• 11 OCIMF  1977.  Prediction  of  Wind  and  Current  Loads  on  VLCCs , Oil Companies International Marine Forum. 
• 12 Stanley,  K.O.  &  Risto,  M.  2002.  Efficient  Reinforcement  Learning  Through  Evolving  Neural  Network  Topologies.
• 13 Stanley, K.O., Bryant, B.D. & Risto, M. 2005. IEEE Trans.  Evol. Comput., Real‐time neuroevolution in the NERO  video game, vol. 9, 653–668.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).