Подготовка судоводителей с использованием программного обеспечения с функцией планирования и исполнения перехода
Аннотация
В представляемой работе рассматривается подход к подготовке судоводителей, основанный на использовании программного обеспечения с функцией планирования и исполнения перехода.
В связи с тем, что действия команды на мостике хорошо поддаются систематизации, предлагается подход с использованием конечных автоматов для реализации процесса планирования и исполнения перехода в программном обеспечении. Инструмент планирования и исполнения перехода (voyage planner tool) может быть построен в виде последовательности шагов (wizard), что обеспечивает более высокий уровень системной организации работы.
В работе детально описываются этапы планирования и исполнениия перехода, делается упор на моделирование поведения судна при заданном типе судна, его загрузке, погодных данных и маршруте, а также на решение задач оптимизации финансовых затрат как на этапе планирования маршрутов движения судов, так и на этапе выполнения переходов в реальных метео условиях.
Литература
2. C-Map Integrated Maritime Suite User Manual, 2017.
3. C-Map. URL: https://www.c-map.com (дата обращения: 12.12.2017).
4. Rielly E. Conrad SMP95: Standard Ship Motion Program User Manual, 2005.
5. StormGeo. URL: http://www.stormgeo.com (дата обращения: 12.12.2017).
6. Marorka. URL: http://www.marorka.com (дата обращения: 12.12.2017).
7. Napa. URL: https://www.napa.fi (дата обращения: 12.12.2017).
8. Meteo Group. URL: https://www.meteogroup.com (дата обращения: 12.12.2017).
9. Walther L., Rizvanolli A., Wendebourg M., Jahn C. Modeling and Optimization Algorithms in Ship
Weather Routing // International Journal of e-Navigation and Maritime Economy. 2016. Vol. 4.
P. 31–45.
10. Tan K. C., Lee T. H., Khor E. F. Evolutionary Algorithms for Multi-Objective Optimization: Performance
Assessments and Comparisons // Artificial Intelligence Review archive, 2002. Vol. 17. Issue 4.
P. 251–290.
11. Zitzler E., Laumanns M., Thiele L. // Evolutionary Methods for Design Optimization and Control with
Applications to Industrial Problems, Athens, Greece, International Center for Numerical Methods in
Engineering, 2001. P. 95–100.
12. Deb K., Pratap A., Agarwal S., Meyarivan T. A Fast and Elitist Multiobjective Genetic Algorithm:
NSGAII // IEEE Transactions on Evolutionary Computation. 2002. Vol. 6. Issue 2. P. 182–197.
13. Srinivas N., Deb K. Multiobjective function optimization using nondominated sorting genetic
algorithms // Evolutionary Computation Journal. 1994. Vol. 2. Issue 3. P. 221–248.
14. Rudolph G. Evolutionary search under partially ordered sets // In Proceedings of the International
NAISO Congress of Information Science Innovations (ISI 2001). P. 818-822. ICSC Academic Press:
Millet/Sliedrecht.
15. Zitzler E., Deb K., Thiele L. Comparison of multiobjective evolutionary algorithms: Empirical
results // Evolutionary computation. 2000. Vol. 8. Issue. P. 173–195.
16. Microsoft Azure Cloud. URL: https://azure.microsoft.com (дата обращения: 12.12.2017).
17. Amazon Web Services. URL: https://aws.amazon.com (дата обращения: 12.12.2017).
Материал публикуется под лицензией: