Βελτιστοποίηση παραμέτρων διαδρομής πλοίου με μηχανική μάθηση
Optimization of ship route parameters with machine learning
Μεταπτυχιακή διπλωματική εργασία
Συγγραφέας
Μαραγκός, Βίκτωρ
Ημερομηνία
2021-02Επιβλέπων
Nikolaou , GrigorisΛέξεις-κλειδιά
Μηχανική μάθηση ; Machine learning ; Πλοία ; Διαδρομή πλοίου ; ΑλγόριθμοιΠερίληψη
Η παρακάτω διπλωματική διατριβή αναφέρεται στην βελτιστοποίηση διαδρομής πλοίου με μηχανική μάθηση. Αρχικά παρατίθεται μια εισαγωγή για το θέμα και γίνεται επεξήγηση της διατριβής. Στη συνέχεια αναλύονται ο σκοπός, οι στόχοι, τα ερευνητικά ερωτήματα και η δομή της διατριβής. Έπειτα προχωράμε στην κύρια δομή της διπλωματικής διατριβής, οπού στο δεύτερο κεφάλαιο αναφέρονται συνοπτικά τα είδη των πλοίων, ο ορισμός διαδρομής και η χάραξη της. Το 3ο κεφάλαιο είναι αφιερωμένο στη μηχανική μάθηση, με αναφορές στους τύπους μηχανικής μάθησης και σε πλεονεκτήματα μειονεκτήματα αυτής. Ακόμη πραγματοποιείται αναφορά στην μηχανική μάθηση μέσα στη ναυτιλία και ο ορισμός βελτιστοποιήσεις διαδρομής. Από το 4ο κεφάλαιο ξεκινά η λύση και επεξήγηση του αλγορίθμου. Δηλαδή πραγματοποιείται ανάλυση του προβλήματος, επιλογή
μοντέλου, αναλύεται το κόστος απόφασης και αναλύονται τα κριτήρια επιλογής το κάθε ένα ξεχωριστά. Στη συνέχεια παρατίθεται ο ενδεικτικός τρόπος επίλυσης του προβλήματος, καθώς και η ανάλυση του συστήματος. Ακόμη θα γίνει αναφορά στην μοντελοποίηση του συστήματος και στα 2 ξεχωριστά δένδρα αποφάσεων που θα χρησιμοποιηθούν για την λύση του προβλήματος. Επίσης υπάρχει και η συνοπτική επεξήγηση του αλγορίθμου. Στο 5ο κεφάλαιο παρουσιάζεται η ανάλυση,
εφαρμογή και λειτουργία του αλγορίθμου. Αρχικά περιγράφεται η δομή του αλγορίθμου. Στη συνέχεια αναλύεται η εφαρμογή του και οι ιδιαιτερότητες που μπορεί να υπάρχουν από πλοίο σε πλοίο. Ακόμη υπάρχει ένα συνοπτικό παράδειγμα για την καλύτερη κατανόηση του αλγορίθμου. Στο 6ο κεφάλαιο αναφέρεται ένας εναλλακτικός τρόπος βελτιστοποίησης παραμέτρων, ο οποίος είναι
βελτιστοποίηση της ταχύτητας του πλοίου. Στο 7ο κεφάλαιο αναφέρεται ο σκοπός της χρήσης του αλγορίθμου και χρησιμότητά του. Επιπρόσθετα στο 8ο υπογραμμίζεται η αλληλεπίδραση του αλγορίθμου με ήδη υπάρχον εφαρμογές. Ακόμη στο 9ο κεφάλαιο αναφέρονται τα πλεονεκτήματα και τα μειονεκτήματα του αλγορίθμου. Τέλος το 10ο κεφάλαιο προβάλετε η μελλοντική έρευνα, που μπορεί να εφαρμοστεί και τα συμπεράσματα της διπλωματικής διατριβής.
Περίληψη
The following thesis refers to Optimization of ship route parameters with machine learning. First of all there is an introduction of topic, also you could find the explanation of thesis. Subsequently objectives, research questions and structure of thesis are analyzed in first chapter. Then we move on to the main structure of the thesis. The second chapter refers to types of vessel, the definition of route. Chapter 3 is devoted to machine learning, with references to the types of machine learning and its advantages
and disadvantages. I am also referring to machine learning in shipping and definition of vessel route optimization. At 4th chapter begins the solution and explanation of the algorithm. I am performing problem analysis, model selection, decision cost analysis and the selection criteria are analyzed. The following is an indicative way of solving the problem, in addition system will be analyzed. The algorithm consists of two separate decision trees that will be used to solve our topic. There is also a brief
explanation of the algorithm. On chapter 5th the analysis, application and operation of the algorithm have been presented. Firstly the main structure of algorithm is described. Then follows the application analysis and the peculiarities that may exist from ship to ship. There is also a concise example for a better understanding of algorithm. Furthermore there is an alternative solution of data optimization. This is the Vessel’s Speed optimization, which is referred on chapter 6th. On Chapter 7 th the purpose of using the algorithm is stated. Furthermore the use of algorithm is developing. In addition, the 8 th chapter emphasizes the interaction of the algorithm with already existing applications. On Chapter 9th the advantages and disadvantages of the algorithm are mentioned. Finally, on 10th chapter I am highlighting the future research, which can be applied and the conclusions of thesis.