Resumen

Para mejorar la precisión de la predicción de la trayectoria de los barcos, se incorporan los modelos mejorados Grey Wolf Optimizer (GWO) y Support Vector Regression (SVR) para la predicción de la trayectoria de los barcos. Se utilizó la estrategia de caza de aprendizaje dimensional para optimizar el proceso de búsqueda de movimientos de GWO y equilibrar la exploración y la explotación mientras se mantiene la diversidad de la población. Los procedimientos de selección y actualización evitan que GWO quede atrapado en soluciones óptimas locales. Los parámetros óptimos obtenidos por GWO modificado fueron sustituidos en el modelo SVR para predecir la trayectoria del barco. Se llevaron a cabo simulaciones de predicción de trayectoria del modelo Dimension Learning Grey Wolf Optimizer and Support Vector Regression (DLGWO-SVR), Grey Wolf Optimized Support Vector Regression (GWO-SVR) y Differential Evolution Grey Wolf Optimized Support Vector Regression (DEGWO-SVR). Una comparación de los resultados muestra que el modelo de predicción de trayector

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Predicción de trayectoria de barcos; Optimizador del Lobo Gris; Regresión de Vectores de Soporte; Aprendizaje dimensional; Modelo de predicción de trayectorias; Seguridad marítima
• Keywords:Ship track prediction; Grey Wolf Optimizer; Support Vector Regression; Dimensional learning; Trajectory prediction model; Marine safety