Prediction of Drifter Trajectory Using Evolutionary Computation

Table 12

Results on parameters of all the tested methods.

Method	Evaluation	Case
		1	5	6	7
DE, PSO	MAE	0.0900	0.0796	0.0334	0.0611
	Euclid	0.1501	0.1295	0.0514	0.0896
	NCLS	0.9051	0.8035	0.9324	0.8900
PSO, CMA-ES	MAE	0.0962	0.1051	0.0391	0.0851
	Euclid	0.1656	0.1754	0.0587	0.1431
	NCLS	0.8963	0.7338	0.9228	0.8242
CMA-ES, DE	MAE	0.0962	0.1048	0.0386	0.0867
	Euclid	0.1656	0.1756	0.0580	0.1459
	NCLS	0.8953	0.7334	0.9237	0.8207
DE, PSO; CMA-ES	MAE	0.0885	0.0943	0.0268	0.0751
	Euclid	0.1537	0.1593	0.0404	0.1224
	NCLS	0.9028	0.7582	0.9470	0.8495
DE (rand/1)	MAE	0.0920	0.0828	0.0392	0.0653
	Euclid	0.1541	0.1342	0.0593	0.0956
	NCLS	0.9026	0.7965	0.9220	0.8826
PSO (Inertia = 0.3)	MAE	0.0907	0.0820	0.0385	0.0622
	Euclid	0.1512	0.1330	0.0584	0.0913
	NCLS	0.9044	0.7984	0.9232	0.8878
CMA-ES (weight = log, λ = 100)	MAE	0.1303	0.1393	0.0761	0.1304
	Euclid	0.2165	0.2300	0.1189	0.2200
	NCLS	0.8631	0.6513	0.8437	0.7297
MOHID model [10]	MAE	0.1352	0.1238	0.0656	0.0434
	Euclid	0.2161	0.1890	0.1155	0.0628
	NCLS	0.8633	0.7134	0.8480	0.9229

Note. The lower the MAE and Euclidean values, the better. The higher the NCLS values, the better.