Discrete Berth Allocation，Iterative Variable Grouping Genetic Algorithm

2018年，全球海洋保险市场规模约为300亿美元，但由于激烈的竞争和复杂的风险评估问题，盈利水平普遍较低。 保险技术（InsurTech）的破坏者Concirrus正在通过新颖地使用人工智能（AI）和大数据分析来转变对海洋风险的评估，以开发行为风险模型。 这是保险业更广泛的市场趋势的一部分，在该趋势中，传统的承保被新的风险分析模式所取代，这种新的风险分析模式通常基于行为风险。 在海上保险市场中，船舶自动识别系统可以用作连接互联网的数据源，以提供有关被保险船舶活动的实时远程信息。 例如，此数据包括船只识别代码，位置信息，航向，速度和航向，目标目的地，预计到达时间，导航状态和船外计算。 其他市场信息（例如天气数据，运输路线数据，地理知识，船只记录和保险记录）也可以合并到复杂的数据分析中，从而在高度精细的级别上建模和更好地理解风险。 这个丰富的数字和数据生态系统使动态构建和测试新颖的统计方法成为可能，从而可以对风险进行建模并开发新的分析方法，从而可以通过主动影响业务客户来降低风险。 Concirrus是一家建立完善的船舶和汽车保险技术公司，其成立是为了利用新的行为风险建模技术并将其应用于保险市场。 InsurTech公司通过实施新业务模型来扰乱市场，这些新业务模型利用人工智能（AI）的先进技术，通过云计算以相对较低的成本访问的高性能数字技术以及大数据分析功能。 Concirrus是保险技术领导者的一个例子，他们采用数字优先的方法，可以避免遗留系统问题，例如高昂的维护成本，缺乏集成和孤立的业务流程。 该案例研究重点关注Concirrus的业务模型，并描述了Quest Marine Insurance Product的运营。 Quest保险产品是一个保险风险分析平台，结合了包括复杂，纵向和行为数据在内的大量数据集，因此海上保险公司可以对船队的风险状况获得更细致和详细的了解，并可以提供相关的保单鼓励并奖励更安全的行为，从而降低损失，损坏船舶，其内装物和船员的风险。 基于Abassi的大数据价值链模型，对Concirrus的价值创造过程进行了详细的描述和分析。 业务模型描述确定了信息和分析竞争优势的几个领域，这些领域为参与海上保险的每个利益相关者创造了业务利益：船队运营商； 保险经纪人； 保险公司和再保险公司。 更一般而言，该案例研究是一位技术领导者的榜样，他正在通过AI的新颖应用和数字化转型来扰乱市场。 概述了行为保险的实施挑战和未来轨迹。

我们都知道，大量的塑料存在于我们的海洋中。这种废物的发生之一是它冲刷在我们的海滩上。幸运的是，许多社区组织活动清理这些海滩。"欧洲环境局"开发了"海洋垃圾观察"应用程序，以跟踪所有努力，以保持我们的海滩清洁。这一目标是加强欧洲的知识，为欧洲的决策提供支持。 MLW_Data.csv MLW_Meta.csv

该库是作为什切青海事大学学生关于船舶自动元件仿真模型的硕士论文（导师 Jerzy Brzozka，博士）的一部分创建的。 它包含 35 个完全可配置的模型，可用于车载控制系统的设计和仿真。 该库可应用于多种领域： - 机电一体化和自动化教学， - 控制与调节理论的科学研究， - 设计办公室控制系统的设计和模拟。 此外，库中还包含 6 个演示系统以展示其潜力。 每个模型和演示系统都有一个帮助文件来介绍其问题。 将存档解压到 C:\ 并通过执行文件夹内的图标“Marine Automatics”来运行库。

MMS是一个针对航海系统的Matlab仿真包，包括舰船模型、水下设备模型和漂浮建筑物模型，同时还包括GNC模块。提供一些关于GNC的基本库和系统例子，库模块包括：包括一些运动学和动力学函数和时域内的GNC应用仿真的Matlab文件；包括设备模型，操纵模型和动力学仿真的Matlab文件；包括一些用户可编辑的设备仿真和控制Matlab文件；包括用于海洋设备和控制系统的动态仿真Simulink工具包。Simulink库中包括设备模型、自动驾驶、DP控制模型、滤波、导航系统和执行机构模型等。如果要使用MSS GNC工具包，请参考下面网址：www.marinecontrol.org.

Handbook of Marine Craft Hydrodynamics and Motion Control.rar

海洋捕食者算法 (MPA) 是一种受自然启发的优化算法，它遵循自然支配最佳觅食策略的规则，并在海洋生态系统中遇到捕食者和猎物之间的速率策略。 针对29个测试功能，CEC-BC-2017测试套件，随机生成的景观，三个工程基准以及两个在通风和建筑节能方面的实际工程设计问题，对MPA的性能进行了评估。 将MPA与三类现有的优化方法进行比较，其中包括：1）GA和PSO是研究最深入的元启发式算法； 2）GSA，CS和SSA是最近开发的算法； 3）CMA-ES，SHADE和LSHADE-cnEpSin高性能优化器和IEEE CEC竞赛的获胜者。 在所有方法中，与LSHADE-cnEpSin相比，MPA获得了第二名，并表现出极具竞争力的结果，LSHADE-cnEpSin是表现最好的方法，并且是CEC 2017竞赛的获胜者之一。 统计事后分析表明，MPA 可以被提名为高性能优化器，是明显优于 GA、P

海洋系统模拟器 (MSS) 是一个用于海洋系统的 Matlab 和 Simulink 库。 它包括船舶、水下航行器和浮动结构的水动力模型。 该库还包含用于实时仿真的引导、导航和控制 (GNC) 块。 算法和方法描述于： TI福森（2021）。 船舶流体动力学和运动控制手册。 第二。 版，威利。 ISBN-13：978-1119575054

matlab有些代码不运行海洋捕食者算法 这是用MATLAB编写的Marine Predators Algorithm的源代码。 海洋捕食者算法（MPA）是一种自然启发式的优化算法，它遵循在海洋生态系统中的最佳觅食策略和捕食者与被捕食者之间的比率策略中自然支配的规则。 Lévy策略是在捕食者稀少的环境中寻找食物时在海洋捕食者（例如鲨鱼，金枪鱼，水貂）中广泛使用的一种模式，但是当在猎物丰富的地区觅食时，该模式通常转换为布朗运动[1]。 捕食者与被捕食者之间的生物相互作用中的最佳遭遇率策略还取决于每个捕食者/被捕食者所采取的运动类型以及被捕食者与被捕食者之间的速度比[2]。 以下重点概述了海洋捕食者中最佳觅食，相互作用和记忆的治理策略： 海洋捕食者使用Lévy策略应对猎物集中度低的环境，而布朗捕食者则对猎物丰富的区域采用布朗运动。 他们在穿越不同栖息地的一生中表现出相同比例的列维和布朗运动。 由于自然（涡流形成）或人为（FAD）等环境影响，它们改变了行为方式，希望找到猎物分布不同的区域。 在低速比（v = 0.1）下，捕食者的最佳策略是列维； 猎物正在布朗或勒维移动； 在单位速度比（v\n=

海洋机器人方面的书，由海洋机器人顶级专家Thor I. Fossen编写。