Gemi çarpışmalarının önlenmesi için melez algoritma tabanlı bir karar destek sisteminin oluşturulması
Öz
Gemi kazalarının çoğunluğunun insan hatalarından kaynaklanması, bu hataları en aza indirgeyecek karar destek sistemleri ile alakalı çalışmaların artmasına neden olmaktadır. Bu çalışmada, gemi çarpışmalarını önleyebilecek bir karar destek sistemi ortaya konulmuştur. Sistem üç ana parçadan oluşmaktadır. Gemilerin ileriki pozisyonlarını tahmin edebilen bir yapay sinir ağı sistemi, çevredeki gemilerin hangisi ile çarpışma riskinin daha fazla olduğunu hesaplayan bir bulanık mantık sistemi ve CSGA (Cuckoo Search-Genetic Algorithm) algoritması kullanarak çarpışma önleme rotası hesaplayabilen sistem. Bu çalışmada, çarpışma önleme sisteminin başarısının ölçülmesi amacıyla senaryolar oluşturulmuştur. Çarpışma önleme rotalarının hesaplanması aşamasında kullanılan CSGA algoritması ile literatürde daha önce kullanılmış olan KKA (Karınca Kolonisi Algoritması), PSO (Parçacık Sürü Optimizasyonu), ve GA (Genetik Algoritma) algoritmaları, elde edilen sonuçların verimliliği açısından karşılaştırılmıştır. Algoritmaların verimliliği ölçülürken; hesaplama için harcadıkları zamanın az olması ve önerdikleri çarpışma önleme rotalarının gemiyi rotasından en az sapma ile tekrar rotasına döndürmesi kriterleri gözönüne alınmıştır. CSGA algoritması ile çarpışma önleme sisteminde, hesaplama süreleri gözönüne alındığında, ortalama olarak, KKA’ya nazaran 29,47 kat, PSO’ya nazaran 5,78 kat, GA’ya nazaran 2,72 kat daha hızlı sonuç vermiştir. Algoritmaların hesapladığı yolların uygunluğu gözönüne alındığında CSGA algoritması, yapılan hesaplamalarda, ortalama olarak karınca KKA’ya nazaran %7,85, PSO’ya nazaran %2,62, GA’ya nazaran %1,18 daha uygun sonuçlar bulabilmiştir.
Anahtar Kelimeler
Kaynakça
- Referans1R. Apostol-Mates ve A. Barbu, Human Error- The Main Factor In Marine Accidents, “Mircea cel Batran” Naval Academy Scientific Bulletin, 2016.
- Referans2L. W. Naeem, E. Rajabally , G. Watson, T. Mills , Z. Bhuiyan ve I. Salter, COLREGs-Compliant Path Planning for Autonomous Surface Vehicles: A Multiobjective Optimization Approach, IFAC PapersOnLine, 2017.
- Referans3P. Chen, G. Shi, S. Liu ve Y. Zhang, Decision Support Based on Artificial Fish Swarm for Ship Collision Avoidance From Ais Data,International Conference on Machine Learning and Cybernetics, Chengdu, 2018.
- Referans4H. Shena, H. Hashimoto, A. Matsuda, Y. Taniguchi, D. Terada ve C. Guo, Automatic collision avoidance of multiple ships based on deep Q-learning, Applied Ocean Research, cilt 86, pp. 268-288, 2019.
- Referans5X. Geng , Y. Wang, P. Wang ve B. Zhang, Motion Plan of Maritime Autonomous Surface Ships by Dynamic Programming for Collision Avoidance and Speed Optimization, Sensors, cilt 19, 2019.
- Referans6T. Inan ve A. F. Baba, Particle swarm optimization-based collision avoidance, Turkish Journal of Electrical Engineering & Computer Sciences, cilt 27, pp. 2137-2155, 2019.
- Referans7T. Fossen ve T. Perez, Marine Control, 2004. www.marinecontrol.org. Erişim tarihi: 12 Ekim 2016.
- Referans8D. W. Marquardt, An algorithm for least-squares estimation of nonlinear parameters., Journal of the Society for Industrial and Applied Mathematics, p. 431–441, 1963.
Ayrıntılar
Birincil Dil
Türkçe
Konular
Mühendislik
Bölüm
Araştırma Makalesi
Yayımlanma Tarihi
7 Nisan 2020
Gönderilme Tarihi
7 Ağustos 2019
Kabul Tarihi
24 Aralık 2019
Yayımlandığı Sayı
Yıl 2020 Cilt: 35 Sayı: 3
Cited By
Hedef Programlama Yöntemi ile Akaryakıt İstasyonları Tanıtımı için Personel Çizelgeleme Problemi
Journal of Polytechnic
https://doi.org/10.2339/politeknik.796136A SURVEY on MCDM APPROACHES for MARITIME PROBLEMS
Mersin Üniversitesi Denizcilik ve Lojistik Araştırmaları Dergisi
https://doi.org/10.54410/denlojad.1325664