Preference-based evolutionary multi-objective optimization in ship weather routing - Publikacja - MOST Wiedzy

Wyszukiwarka

Preference-based evolutionary multi-objective optimization in ship weather routing

Abstrakt

In evolutionary multi-objective optimization (EMO) the aim is to find a set of Pareto-optimal solutions. Such approach may be applied to multiple real-life problems, including weather routing (WR) of ships. The route should be optimal in terms of passage time, fuel consumption and safety of crew and cargo while taking into account dynamically changing weather conditions. Additionally it must not violate any navigational constraints (neither static nor dynamic). Since the resulting non-dominated solutions might be numerous, some user support must be provided to enable the decision maker (DM) selecting a single ‘‘best’’ solution. Commonly, multi-criteria decision making methods (MCDM) are utilized to achieve this goal with DM’s preferences defined a posteriori. Another approach is to apply DM’s preferences into the very process of finding Pareto-optimal solutions, which is referred to as preference-based EMO. Here the Pareto-set is limited to those solutions, which are compliant with the pre-configured user preferences. The paper presents a new tradeoff-based EMO approach utilizing configurable weight intervals assigned to all objectives. The proposed method has been applied to ship WR problem and compared with a popular reference point method: r-dominance. Presented results prove applicability and competitiveness of the proposed method to solving multi-objective WR problem.

Cytowania

  • 1 1

    CrossRef

  • 1 0

    Web of Science

  • 1 1

    Scopus

Autorzy (2)

Cytuj jako

Pełna treść

pobierz publikację
pobrano 6 razy
Wersja publikacji
Accepted albo Published Version
Licencja
Creative Commons: CC-BY-NC-ND otwiera się w nowej karcie

Słowa kluczowe

Informacje szczegółowe

Kategoria:
Publikacja w czasopiśmie
Typ:
artykuły w czasopismach
Opublikowano w:
APPLIED SOFT COMPUTING nr 84, strony 1 - 21,
ISSN: 1568-4946
Język:
angielski
Rok wydania:
2019
Opis bibliograficzny:
Szłapczyńska J., Szłapczyński R.: Preference-based evolutionary multi-objective optimization in ship weather routing// APPLIED SOFT COMPUTING -Vol. 84, (2019), s.1-21
DOI:
Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1016/j.asoc.2019.105742
Bibliografia: test
  1. M.-C. Tsou, H.-C. Cheng, An ant colony algorithm for efficient ship routing, Polish Marit. Res. 20 (2013) 28-38, http://dx.doi.org/10.2478/pomr-2013- 0032. otwiera się w nowej karcie
  2. S. Chaudhuri, K. Deb, An interactive evolutionary multi-objective opti- mization and decision making procedure, Appl. Soft Comput. J. 10 (2010) 496-511, http://dx.doi.org/10.1016/j.asoc.2009.08.019. otwiera się w nowej karcie
  3. H. Lu, R. Zhou, Z. Fei, J. Shi, A multi-objective evolutionary algorithm based on Pareto prediction for automatic test task scheduling problems, Appl. Soft Comput. 66 (2018) 394-412, http://dx.doi.org/10.1016/J.ASOC.2018.02. 050. otwiera się w nowej karcie
  4. P. Fattahi, V. Hajipour, A. Nobari, A bi-objective continuous review in- ventory control model: Pareto-based meta-heuristic algorithms, Appl. Soft Comput. 32 (2015) 211-223, http://dx.doi.org/10.1016/J.ASOC.2015.02.044. otwiera się w nowej karcie
  5. B. Min, C. Park, I. Jang, J.M. Kang, S. Chung, Development of Pareto- based evolutionary model integrated with dynamic goal programming and successive linear objective reduction, Appl. Soft Comput. 35 (2015) 75-112, http://dx.doi.org/10.1016/J.ASOC.2015.06.007. otwiera się w nowej karcie
  6. R. Szlapczynski, P. Krata, Determining and visualizing safe motion param- eters of a ship navigating in severe weather conditions, Ocean Eng. 158 (2018) http://dx.doi.org/10.1016/j.oceaneng.2018.03.092. otwiera się w nowej karcie
  7. A.C. Bukhari, I. Tusseyeva, B.G. Lee, Y.G. Kim, An intelligent real-time multi- vessel collision risk assessment system from VTS view point based on fuzzy inference system, Expert Syst. Appl. 40 (2013) 1220-1230, http: //dx.doi.org/10.1016/j.eswa.2012.08.016. otwiera się w nowej karcie
  8. J. Lisowski, Game control methods in avoidance of ships collisions, Polish Marit. Res. 19 (2012) 3-10, http://dx.doi.org/10.2478/v10012-012-0016-4. otwiera się w nowej karcie
  9. A. Lazarowska, A new deterministic approach in a decision support system for ship's, Expert Syst. Appl. (2016) 1-10, http://dx.doi.org/10.1016/j.eswa. 2016.11.005. otwiera się w nowej karcie
  10. R.W. James, Application of Wave Forecasts To Marine Navigation, 1957.
  11. H. Hagiwara, J.A. Spaans, Practical weather routing of sail-assisted motor vessels, J. Navig. 40 (1987) 96-119, http://dx.doi.org/10.1017/ S0373463300000333. otwiera się w nowej karcie
  12. R.H. Motte, S. Calvert, On the selection of discrete grid systems for on- board micro-based weather routeing, J. Navig. 43 (1990) 104-117, http: //dx.doi.org/10.1017/S0373463300013849. otwiera się w nowej karcie
  13. C. de Wit, Proposal for low cost ocean weather routeing, J. Navig. 43 (1990) 428-439, http://dx.doi.org/10.1017/S0373463300014053. otwiera się w nowej karcie
  14. S. Wei, P. Zhou, Development of a 3D dynamic programming method for weather routing, Int. J. Mar. Navig. Saf. Sea Transp. 6 (2012) 79-85. otwiera się w nowej karcie
  15. Y.-C. Chang, R.-S. Tseng, G.-Y. Chen, P.C. Chu, Y.-T. Shen, Ship routing utilizing strong ocean currents, J. Navig. 66 (2013) 825-835, http://dx.doi. org/10.1017/S0373463313000441. otwiera się w nowej karcie
  16. S.J. Bijlsma, Minimal time route computation for ships with pre-specified voyage fuel consumption, J. Navig. 61 (2008) 723-733, http://dx.doi.org/ 10.1017/S037346330800492X. otwiera się w nowej karcie
  17. G. Mannarini, G. Coppini, P. Oddo, N. Pinardi, A prototype of ship rout- ing decision support system for an operational oceanographic service, TransNav -Int. J. Mar. Navig. Saf. Sea Transp. 7 (2013) 53-59, http: //dx.doi.org/10.12716/1001.07.01.06. otwiera się w nowej karcie
  18. G. Mannarini, N. Pinardi, G. Coppini, P. Oddo, A. Iafrati, I. Nazionale, V.D. Creti, VISIR-I: small vessels -least-time nautical routes using wave forecasts, Geosci. Model Dev. 9 (2016) 1597-1625, http://dx.doi.org/10. 5194/gmd-9-1597-2016. otwiera się w nowej karcie
  19. M. Zyczkowski, R. Szłapczyński, Multi-objective weather routing of sailing vessels, Polish Marit. Res. 24 (2017) http://dx.doi.org/10.1515/pomr-2017- 0130. otwiera się w nowej karcie
  20. M. Zyczkowski, P. Krata, R. Szłapczyński, Multi-objective weather routing of sailboats considering wave resistance, Polish Marit. Res. 25 (2018) 4-12, http://dx.doi.org/10.2478/pomr-2018-0001. otwiera się w nowej karcie
  21. M.C. Tsou, Integration of a geographic information system and evolutionary computation for automatic routing in coastal navigation, J. Navig. 63 (2010) 323-341, http://dx.doi.org/10.1017/S0373463309990385. otwiera się w nowej karcie
  22. J. Szlapczynska, Multiobjective approach to weather routing, TransNav - Int. J. Mar. Navig. Saf. Sea Transp. 1 (2007) 273-278. otwiera się w nowej karcie
  23. S. Marie, E. Courteille, Multi-objective optimization of motor vessel route, TransNav -Int. J. Mar. Navig. Saf. Sea Transp. 3 (2009) 133-141. otwiera się w nowej karcie
  24. J. Hinnenthal, G. Clauss, Robust Pareto-optimum routing of ships utilising deterministic and ensemble weather forecasts, Ships Offshore Struct. 5 (2010) 105-114, http://dx.doi.org/10.1080/17445300903210988. otwiera się w nowej karcie
  25. R. Vettor, C. Guedes Soares, A Ship Weather Routing Toll to Face the Challenges of an Evolving Maritime Trade, 2015. otwiera się w nowej karcie
  26. R. Vettor, C. Guedes Soares, Development of a ship weather routing system, Ocean Eng. 123 (2016) 1-14, http://dx.doi.org/10.1016/j.oceaneng.2016.06. 035. otwiera się w nowej karcie
  27. S. Bechikh, M. Kessentini, L. Ben Said, K. Ghédira, Preference incorporation in evolutionary multiobjective optimization: A survey of the state-of-the- art, Adv. Comput. 98 (2015) 141-207, http://dx.doi.org/10.1016/bs.adcom. 2015.03.001. otwiera się w nowej karcie
  28. K. Sindhya, K. Miettinen, K. Deb, A hybrid framework for evolutionary multi-objective optimization, IEEE Trans. Evol. Comput. 17 (2013) 495-511, http://dx.doi.org/10.1109/TEVC.2012.2204403. otwiera się w nowej karcie
  29. K. Deb, H. Jain, An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, Part I: Solv- ing problems with box constraints, IEEE Trans. Evol. Comput. 18 (2014) 577-601, http://dx.doi.org/10.1109/TEVC.2013.2281535. otwiera się w nowej karcie
  30. H. Ishibuchi, R. Imada, Y. Setoguchi, Y. Nojima, Reference point specifi- cation in inverted generational distance for triangular linear Pareto front, IEEE Trans. Evol. Comput. 22 (2018) 961-975, http://dx.doi.org/10.1109/ TEVC.2017.2776226. otwiera się w nowej karcie
  31. L. Ben Said, S. Bechikh, K. Ghedira, The r-dominance: A new dominance relation for interactive evolutionary multicriteria decision making, IEEE Trans. Evol. Comput. 14 (2010) 801-818, http://dx.doi.org/10.1109/TEVC. 2010.2041060. otwiera się w nowej karcie
  32. A.L. Jaimes, A.A. Montaño, C.A.C. Coello, Preference incorporation to solve many-objective airfoil design problems, in: 2011 IEEE Congr. Evol. Com- put, CEC 2011, 2011, pp. 1605-1612, http://dx.doi.org/10.1109/CEC.2011. 5949807. otwiera się w nowej karcie
  33. K. Miettinen, F. Ruiz, A.P. Wierzbicki, Introduction to multiobjective op- timization: Interactive approaches, in: J. Branke, K. Deb, K. Miettinen, R. Słowiński (Eds.), Multiobjective Optim. Interact. Evol. Approaches, Springer Berlin Heidelberg, Berlin, Heidelberg, 2008, pp. 27-57, http://dx.doi.org/10. 1007/978-3-540-88908-3_2. otwiera się w nowej karcie
  34. E. Filatovas, A. Lančinskas, O. Kurasova, J. Žilinskas, A preference-based multi-objective evolutionary algorithm R-NSGA-II with stochastic local search, Cent. Eur. J. Oper. Res. 25 (2017) 859-878, http://dx.doi.org/10. 1007/s10100-016-0443-x. otwiera się w nowej karcie
  35. K. Deb, A. Kumar, Light beam search based multi-objective optimization using evolutionary algorithms, in: 2007 IEEE Congr. Evol. Comput. CEC 2007, 2007, pp. 2125-2132, http://dx.doi.org/10.1109/CEC.2007.4424735. otwiera się w nowej karcie
  36. H. Trautmann, T. Wagner, D. Brockhoff, R2-EMOA: Focused multiobjective search using R2-indicator-based selection, in: G. Nicosia, P. Pardalos (Eds.), Learn. Intell. Optim, Springer Berlin Heidelberg, Berlin, Heidelberg, 2013, pp. 70-74. otwiera się w nowej karcie
  37. G. Rudolph, O. Schütze, C. Grimme, H. Trautmann, An aspiration set EMOA based on averaged hausdorff distances, in: P.M. Pardalos, M.G.C. Resende, C. Vogiatzis, J.L Walteros (Eds.), Learn. Intell. Optim., Springer International Publishing, Cham, 2014, pp. 153-156. otwiera się w nowej karcie
  38. E. Zitzler, D. Brockhoff, L. Thiele, The hypervolume indicator revisited: On the design of Pareto-compliant indicators via weighted integration, in: S. otwiera się w nowej karcie
  39. Obayashi, K. Deb, C. Poloni, T. Hiroyasu, T. Murata (Eds.), Evol. Multi- Criterion Optim., Springer Berlin Heidelberg, Berlin, Heidelberg, 2007, pp. 862-876. otwiera się w nowej karcie
  40. M.T.M. Emmerich, A.H. Deutz, I. Yevseyeva, On Reference Point Free Weighted Hypervolume Indicators Based on Desirability Functions and their Probabilistic Interpretation, Elsevier B.V., 2014, http://dx.doi.org/10. 1016/j.protcy.2014.10.001. otwiera się w nowej karcie
  41. D. Brockhoff, Y. Hamadi, S. Kaci, Using comparative preference statements in hypervolume-based interactive multiobjective optimization to cite this version: Using comparative preference statements in hypervolume-based interactive multiobjective, Learn. Intell. Optim. (2014). otwiera się w nowej karcie
  42. J. Branke, S. Corrente, S. Greco, R. Słowiński, P. Zielniewicz, Using choquet integral as preference model in interactive evolutionary multiobjective optimization, European J. Oper. Res. 250 (2016) 884-901, http://dx.doi. org/10.1016/j.ejor.2015.10.027. otwiera się w nowej karcie
  43. E. Fernandez, E. Lopez, F. Lopez, C.A. Coello Coello, Increasing selective pressure towards the best compromise in evolutionary multiobjective optimization: The extended NOSGA method, Inf. Sci. (Ny). 181 (2011) 44-56, http://dx.doi.org/10.1016/j.ins.2010.09.007. otwiera się w nowej karcie
  44. E. Oliveira, C.H. Antunes, Á. Gomes, A comparative study of different approaches using an outranking relation in a multi-objective evolutionary algorithm, Comput. Oper. Res. 40 (2013) 1602-1615, http://dx.doi.org/10. 1016/j.cor.2011.09.023. otwiera się w nowej karcie
  45. S. Bechikh, L. Ben Said, K. Ghédira, Searching for knee regions of the Pareto front using mobile reference points, Soft Comput. 15 (2011) 1807-1823, http://dx.doi.org/10.1007/s00500-011-0694-3. otwiera się w nowej karcie
  46. J. Branke, T. Kaußler, H. Schmeck, Guidance in evolutionary multi-objective optimization, Adv. Eng. Softw. 32 (2001) 499-507, http://dx.doi.org/10. 1016/S0965-9978(00)00110-1. otwiera się w nowej karcie
  47. D. Cvetković, I.C. Parmee, Preferences and their application in evolutionary multiobjective optimization, IEEE Trans. Evol. Comput. 6 (2002) 42-57, http://dx.doi.org/10.1109/4235.985691. otwiera się w nowej karcie
  48. P.K. Shukla, C. Hirsch, H. Schmeck, A framework for incorporating trade-off information using multi-objective evolutionary algorithms, in: R. Schaefer, C. Cotta, J. Kołodziej, G. Rudolph (Eds.), Parallel Probl. Solving from Nature, PPSN XI, Springer Berlin Heidelberg, Berlin, Heidelberg, 2010, pp. 131-140. otwiera się w nowej karcie
  49. Y. Jin, B. Sendhoff, Incorporation of fuzzy preferences into evolutionary multiobjective optimisation, in: Proc. Genet. Evol. Comput. Conf. GECCO, 2002, p. 683.
  50. J. Szlapczynska, Multi-objective weather routing with customised cri- teria and constraints, J. Navig. 68 (2015) http://dx.doi.org/10.1017/ S0373463314000691. otwiera się w nowej karcie
  51. P. Krata, J. Szlapczynska, Ship weather routing optimization with dynamic constraints based on reliable synchronous roll prediction, Ocean Eng. 150 (2018) 124-137, http://dx.doi.org/10.1016/j.oceaneng.2017.12.049. otwiera się w nowej karcie
  52. P. Krata, J. Szlapczynska, Weather hazard avoidance in modeling safety of motor-driven ship for multicriteria weather routing, in: Methods Algorithms Navig., 2012, http://dx.doi.org/10.1201/b11344-27. otwiera się w nowej karcie
  53. E. Zitzler, M. Laumanns, L. Thiele, SPEA2: Improving the strength Pareto evolutionary algorithm, Evol. Methods Des. Optim. Control with Appl. Ind. Probl. (2001) 95-100, http://dx.doi.org/10.1.1.28.7571.
Źródła finansowania:
  • Projekt
Weryfikacja:
Politechnika Gdańska

wyświetlono 54 razy

Publikacje, które mogą cię zainteresować

Meta Tagi