{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3221278"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3221278","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Αναζήτηση θέσης στάθμευσης οχήματος με χρήση νοημοσύνης σμήνους","abstract":"Η συγκεκριμένη έρευνα έγινε στα πλαίσια διπλωματικής εργασίας για την απόκτηση μεταπτυχιακού διπλώματος και περιλαμβάνει θεωρητικό κομμάτι αλλά και την ανάπτυξη αλγορίθμου που πραγματεύεται τη λύση του προβλήματος που μελετήθηκε καθώς και κώδικα για την υλοποίηση των προσομοιώσεων και των πειραμάτων. Αντικείμενο της εργασίας είναι η χρήση τεχνικών μηχανικής μάθησης / τεχνητής νοημοσύνης με σκοπό τη βελτιστοποίηση του χρόνου εύρεσης θέσης στάθμευσης στις σύγχρονες πόλεις και σε περιβάλλοντα τα οποία είναι σχεδόν κορεσμένα. Πιο συγκεκριμένα, εστιάζουμε στο κομμάτι της βελτιστοποίησης με τη βοήθεια της νοημοσύνης σμήνους και κυρίως μια παραλλαγή ενός ήδη υπάρχοντος αλγορίθμου. Η μέθοδος που προτείνεται είναι βασισμένη στον αλγόριθμο Ant Colony Optimization (ACO). Ο αλγόριθμος ACO είναι εμπνευσμένος από τη φύση και ειδικότερα από τις αποικίες των μυρμηγκιών. Το πρώτο σύστημα που υλοποίησε τον ACO εισήχθη από τον Marco Dorigo. Ο ACO είναι ένας μεθευριτικός αλγόριθμος γενικού σκοπού, ο οποίος μπορεί να χρησιμοποιηθεί για την επίλυση NP-complete προβλημάτων και είχε πολλές εξελίξεις. Ο αλγόριθμος ACO αποτελεί ιδανική λύση για δίκτυα που χαρακτηρίζονται από αυτονομία, λόγω της αυτοργάνωσης που παρουσιάζει. Κρατώντας τα στοιχεία της αυτοργάνωσης και της αυτονομίας του αρχικού αλγορίθμου στους πράκτορες του συστήματος, για τη λύση του προβλήματος της εύρεσης θέσης στάθμευσης σε εύλογο χρόνο χρησιμοποιήθηκε μια ανάστροφη παραλλαγή του ACO που από εδώ και πέρα θα ονομάζουμε βελτιστοποίηση ανεστραμμένης αποικίας μυρμηγκιών (IACO). Το σύστημα που προτείνεται αποτελείται από ισάξιους πράκτορες - οχήματα χωρίς ιδιαίτερη νοημοσύνη. Αποστολή του καθενός πράκτορα είναι η ταχύτερη εύρεση θέσης στάθμευσης σε μια περιοχή κοντινή του προορισμού κάθε οχήματος – πράκτορα. Έτσι φαίνεται πως δημιουργούνται σχέσεις ανταγωνισμού ανάμενα στους πράκτορες και όχι σχέσεις συνεργασίας, όπως για παράδειγμα στη φυσική περίπτωση μιας αποικίας μυρμηγκιών. Έτσι, ενώ οι φερομόνες που αφήνουν τα μυρμήγκια στα μονοπάτια τα οποία κινούνται είναι σήματα επικοινωνίας για ισχυροποίηση ενός μονοπατιού, στον αλγόριθμο που περιγράφουμε παρακάτω είναι σημάδια αποφυγής μια διαδρομής. Η αποφυγή επιλέγεται σε ένα μονοπάτι με μεγαλύτερη φερομόνη από ένα άλλο, αφού μια θέση στάθμευσης σε ένα τέτοιο μονοπάτι έχει πιο πολλές πιθανότητες να καλυφθεί από ανταγωνιστές πράκτορες που αναζητούν και αυτοί θέση στάθμευσης. Παρόλη τη σχέση ανταγωνισμού στο περιγραφόμενο σύστημα, φαίνεται πως ένας αλγόριθμος συνεργασίας των πρακτόρων ωφελεί το σύνολο και κατ’ επέκταση και τον εκάστοτε πράκτορα. Έτσι, με τη χρήση του συνεργατικού συστήματος νοημοσύνης σμήνους, από τα πειραματικά αποτελέσματα φαίνεται ότι μειώνεται ο χρόνος αναζήτησης θέσης στάθμευσης και κατ’ επέκταση η γενικότερη κίνηση σε τοπικό αλλά και γενικευμένο επίπεδο. Το προτεινόμενο σύστημα, όπως και τα περισσότερα συστήματα νοημοσύνης σμήνους, έχει εφαρμογή και καλή απόδοση σε μικρές αλλά και σε μεγαλύτερες κλίμακες μεγεθών κορεσμού, πρακτόρων αλλά και σημείων στάθμευσης.","abstract_html":"Η συγκεκριμένη έρευνα έγινε στα πλαίσια διπλωματικής εργασίας για την απόκτηση μεταπτυχιακού διπλώματος και περιλαμβάνει θεωρητικό κομμάτι αλλά και την ανάπτυξη αλγορίθμου που πραγματεύεται τη λύση του προβλήματος που μελετήθηκε καθώς και κώδικα για την υλοποίηση των προσομοιώσεων και των πειραμάτων. Αντικείμενο της εργασίας είναι η χρήση τεχνικών μηχανικής μάθησης / τεχνητής νοημοσύνης με σκοπό τη βελτιστοποίηση του χρόνου εύρεσης θέσης στάθμευσης στις σύγχρονες πόλεις και σε περιβάλλοντα τα οποία είναι σχεδόν κορεσμένα. Πιο συγκεκριμένα, εστιάζουμε στο κομμάτι της βελτιστοποίησης με τη βοήθεια της νοημοσύνης σμήνους και κυρίως μια παραλλαγή ενός ήδη υπάρχοντος αλγορίθμου. Η μέθοδος που προτείνεται είναι βασισμένη στον αλγόριθμο Ant Colony Optimization (ACO). Ο αλγόριθμος ACO είναι εμπνευσμένος από τη φύση και ειδικότερα από τις αποικίες των μυρμηγκιών. Το πρώτο σύστημα που υλοποίησε τον ACO εισήχθη από τον Marco Dorigo. Ο ACO είναι ένας μεθευριτικός αλγόριθμος γενικού σκοπού, ο οποίος μπορεί να χρησιμοποιηθεί για την επίλυση NP-complete προβλημάτων και είχε πολλές εξελίξεις. Ο αλγόριθμος ACO αποτελεί ιδανική λύση για δίκτυα που χαρακτηρίζονται από αυτονομία, λόγω της αυτοργάνωσης που παρουσιάζει. Κρατώντας τα στοιχεία της αυτοργάνωσης και της αυτονομίας του αρχικού αλγορίθμου στους πράκτορες του συστήματος, για τη λύση του προβλήματος της εύρεσης θέσης στάθμευσης σε εύλογο χρόνο χρησιμοποιήθηκε μια ανάστροφη παραλλαγή του ACO που από εδώ και πέρα θα ονομάζουμε βελτιστοποίηση ανεστραμμένης αποικίας μυρμηγκιών (IACO). Το σύστημα που προτείνεται αποτελείται από ισάξιους πράκτορες - οχήματα χωρίς ιδιαίτερη νοημοσύνη. Αποστολή του καθενός πράκτορα είναι η ταχύτερη εύρεση θέσης στάθμευσης σε μια περιοχή κοντινή του προορισμού κάθε οχήματος – πράκτορα. Έτσι φαίνεται πως δημιουργούνται σχέσεις ανταγωνισμού ανάμενα στους πράκτορες και όχι σχέσεις συνεργασίας, όπως για παράδειγμα στη φυσική περίπτωση μιας αποικίας μυρμηγκιών. Έτσι, ενώ οι φερομόνες που αφήνουν τα μυρμήγκια στα μονοπάτια τα οποία κινούνται είναι σήματα επικοινωνίας για ισχυροποίηση ενός μονοπατιού, στον αλγόριθμο που περιγράφουμε παρακάτω είναι σημάδια αποφυγής μια διαδρομής. Η αποφυγή επιλέγεται σε ένα μονοπάτι με μεγαλύτερη φερομόνη από ένα άλλο, αφού μια θέση στάθμευσης σε ένα τέτοιο μονοπάτι έχει πιο πολλές πιθανότητες να καλυφθεί από ανταγωνιστές πράκτορες που αναζητούν και αυτοί θέση στάθμευσης. Παρόλη τη σχέση ανταγωνισμού στο περιγραφόμενο σύστημα, φαίνεται πως ένας αλγόριθμος συνεργασίας των πρακτόρων ωφελεί το σύνολο και κατ’ επέκταση και τον εκάστοτε πράκτορα. Έτσι, με τη χρήση του συνεργατικού συστήματος νοημοσύνης σμήνους, από τα πειραματικά αποτελέσματα φαίνεται ότι μειώνεται ο χρόνος αναζήτησης θέσης στάθμευσης και κατ’ επέκταση η γενικότερη κίνηση σε τοπικό αλλά και γενικευμένο επίπεδο. Το προτεινόμενο σύστημα, όπως και τα περισσότερα συστήματα νοημοσύνης σμήνους, έχει εφαρμογή και καλή απόδοση σε μικρές αλλά και σε μεγαλύτερες κλίμακες μεγεθών κορεσμού, πρακτόρων αλλά και σημείων στάθμευσης.","abstract_has_math":false,"creators":["Δημόπουλος Γρηγόριος","Dimopoulos Grigorios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T05:47:06Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3221278"],"render_values":[{"text":"uoadl:3221278","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3221278","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3221278","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3221278","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Δημόπουλος Γρηγόριος","Dimopoulos Grigorios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3221278","https://pergamos.lib.uoa.gr/uoa/dl/object/3221278"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η συγκεκριμένη έρευνα έγινε στα πλαίσια διπλωματικής εργασίας για την απόκτηση μεταπτυχιακού διπλώματος και περιλαμβάνει θεωρητικό κομμάτι αλλά και την ανάπτυξη αλγορίθμου που πραγματεύεται τη λύση του προβλήματος που μελετήθηκε καθώς και κώδικα για την υλοποίηση των προσομοιώσεων και των πειραμάτων. Αντικείμενο της εργασίας είναι η χρήση τεχνικών μηχανικής μάθησης / τεχνητής νοημοσύνης με σκοπό τη βελτιστοποίηση του χρόνου εύρεσης θέσης στάθμευσης στις σύγχρονες πόλεις και σε περιβάλλοντα τα οποία είναι σχεδόν κορεσμένα. Πιο συγκεκριμένα, εστιάζουμε στο κομμάτι της βελτιστοποίησης με τη βοήθεια της νοημοσύνης σμήνους και κυρίως μια παραλλαγή ενός ήδη υπάρχοντος αλγορίθμου. Η μέθοδος που προτείνεται είναι βασισμένη στον αλγόριθμο Ant Colony Optimization (ACO). Ο αλγόριθμος ACO είναι εμπνευσμένος από τη φύση και ειδικότερα από τις αποικίες των μυρμηγκιών. Το πρώτο σύστημα που υλοποίησε τον ACO εισήχθη από τον Marco Dorigo. Ο ACO είναι ένας μεθευριτικός αλγόριθμος γενικού σκοπού, ο οποίος μπορεί να χρησιμοποιηθεί για την επίλυση NP-complete προβλημάτων και είχε πολλές εξελίξεις. Ο αλγόριθμος ACO αποτελεί ιδανική λύση για δίκτυα που χαρακτηρίζονται από αυτονομία, λόγω της αυτοργάνωσης που παρουσιάζει. Κρατώντας τα στοιχεία της αυτοργάνωσης και της αυτονομίας του αρχικού αλγορίθμου στους πράκτορες του συστήματος, για τη λύση του προβλήματος της εύρεσης θέσης στάθμευσης σε εύλογο χρόνο χρησιμοποιήθηκε μια ανάστροφη παραλλαγή του ACO που από εδώ και πέρα θα ονομάζουμε βελτιστοποίηση ανεστραμμένης αποικίας μυρμηγκιών (IACO). Το σύστημα που προτείνεται αποτελείται από ισάξιους πράκτορες - οχήματα χωρίς ιδιαίτερη νοημοσύνη. Αποστολή του καθενός πράκτορα είναι η ταχύτερη εύρεση θέσης στάθμευσης σε μια περιοχή κοντινή του προορισμού κάθε οχήματος – πράκτορα. Έτσι φαίνεται πως δημιουργούνται σχέσεις ανταγωνισμού ανάμενα στους πράκτορες και όχι σχέσεις συνεργασίας, όπως για παράδειγμα στη φυσική περίπτωση μιας αποικίας μυρμηγκιών. Έτσι, ενώ οι φερομόνες που αφήνουν τα μυρμήγκια στα μονοπάτια τα οποία κινούνται είναι σήματα επικοινωνίας για ισχυροποίηση ενός μονοπατιού, στον αλγόριθμο που περιγράφουμε παρακάτω είναι σημάδια αποφυγής μια διαδρομής. Η αποφυγή επιλέγεται σε ένα μονοπάτι με μεγαλύτερη φερομόνη από ένα άλλο, αφού μια θέση στάθμευσης σε ένα τέτοιο μονοπάτι έχει πιο πολλές πιθανότητες να καλυφθεί από ανταγωνιστές πράκτορες που αναζητούν και αυτοί θέση στάθμευσης. Παρόλη τη σχέση ανταγωνισμού στο περιγραφόμενο σύστημα, φαίνεται πως ένας αλγόριθμος συνεργασίας των πρακτόρων ωφελεί το σύνολο και κατ’ επέκταση και τον εκάστοτε πράκτορα. Έτσι, με τη χρήση του συνεργατικού συστήματος νοημοσύνης σμήνους, από τα πειραματικά αποτελέσματα φαίνεται ότι μειώνεται ο χρόνος αναζήτησης θέσης στάθμευσης και κατ’ επέκταση η γενικότερη κίνηση σε τοπικό αλλά και γενικευμένο επίπεδο. Το προτεινόμενο σύστημα, όπως και τα περισσότερα συστήματα νοημοσύνης σμήνους, έχει εφαρμογή και καλή απόδοση σε μικρές αλλά και σε μεγαλύτερες κλίμακες μεγεθών κορεσμού, πρακτόρων αλλά και σημείων στάθμευσης.","This work was carried out in the context of a diploma thesis for obtaining a master's degree and includes a theoretical part and the development of an algorithm that deals with the solution of the problem at hand, as well as code for simulations and experiments. The objective of the following work is the exploitation of machine learning / artificial intelligence techniques to optimize the time of finding a parking space in modern cities and in environments that are mostly saturated. More specifically, we focus on the part of optimization with the help of swarm intelligence and mainly a variation of an existing algorithm. The proposed method is based on the Ant Colony Optimization (ACO) algorithm. The ACO algorithm is inspired by nature, in particular by the colonies of ants. The first system to implement ACO was introduced by Marco Dorigo. ACO is a general-purpose metaheuristic algorithm that can be used to solve NP-complete problems and has had many developments. The ACO algorithm is an ideal solution for networks characterized by autonomy, due to its self-organization. Keeping the good part of the self-organization and autonomy of the original algorithm in the system agents, we propose a solution for the parking space problem in a reasonable time, with a reverse variant of ACO which from now on we will call inverted ant colony optimization (IACO). The proposed system consists of equivalent agents - vehicles without special intelligence. The mission of each agent is to find parking space the fastest in an area close to the destination of each vehicle - agent. Thus, it seems that competitive relations are created for the agents and not cooperative relations, as for example in the natural case of an ant colony. So, while the pheromones that ants leave on the paths they move are communication signals to reinforce a path, in the algorithm described below are signs of avoiding a path. Avoidance is chosen on a path with more pheromone than another, since a parking space on such a path is more likely to be covered by competing agents who are also looking for a parking space. Despite the competitive relationship in the described system, it seems that an algorithm of cooperation of the agents benefits the whole and, by extension, the respective agent."]},{"key":"dc:title","label":"Title","values":["Αναζήτηση θέσης στάθμευσης οχήματος με χρήση νοημοσύνης σμήνους"]}]}],"canonical_facts":{"dc:creator":["Δημόπουλος Γρηγόριος","Dimopoulos Grigorios"],"dc:date":["2022"],"dc:description":["Η συγκεκριμένη έρευνα έγινε στα πλαίσια διπλωματικής εργασίας για την απόκτηση μεταπτυχιακού διπλώματος και περιλαμβάνει θεωρητικό κομμάτι αλλά και την ανάπτυξη αλγορίθμου που πραγματεύεται τη λύση του προβλήματος που μελετήθηκε καθώς και κώδικα για την υλοποίηση των προσομοιώσεων και των πειραμάτων. Αντικείμενο της εργασίας είναι η χρήση τεχνικών μηχανικής μάθησης / τεχνητής νοημοσύνης με σκοπό τη βελτιστοποίηση του χρόνου εύρεσης θέσης στάθμευσης στις σύγχρονες πόλεις και σε περιβάλλοντα τα οποία είναι σχεδόν κορεσμένα. Πιο συγκεκριμένα, εστιάζουμε στο κομμάτι της βελτιστοποίησης με τη βοήθεια της νοημοσύνης σμήνους και κυρίως μια παραλλαγή ενός ήδη υπάρχοντος αλγορίθμου. Η μέθοδος που προτείνεται είναι βασισμένη στον αλγόριθμο Ant Colony Optimization (ACO). Ο αλγόριθμος ACO είναι εμπνευσμένος από τη φύση και ειδικότερα από τις αποικίες των μυρμηγκιών. Το πρώτο σύστημα που υλοποίησε τον ACO εισήχθη από τον Marco Dorigo. Ο ACO είναι ένας μεθευριτικός αλγόριθμος γενικού σκοπού, ο οποίος μπορεί να χρησιμοποιηθεί για την επίλυση NP-complete προβλημάτων και είχε πολλές εξελίξεις. Ο αλγόριθμος ACO αποτελεί ιδανική λύση για δίκτυα που χαρακτηρίζονται από αυτονομία, λόγω της αυτοργάνωσης που παρουσιάζει. Κρατώντας τα στοιχεία της αυτοργάνωσης και της αυτονομίας του αρχικού αλγορίθμου στους πράκτορες του συστήματος, για τη λύση του προβλήματος της εύρεσης θέσης στάθμευσης σε εύλογο χρόνο χρησιμοποιήθηκε μια ανάστροφη παραλλαγή του ACO που από εδώ και πέρα θα ονομάζουμε βελτιστοποίηση ανεστραμμένης αποικίας μυρμηγκιών (IACO). Το σύστημα που προτείνεται αποτελείται από ισάξιους πράκτορες - οχήματα χωρίς ιδιαίτερη νοημοσύνη. Αποστολή του καθενός πράκτορα είναι η ταχύτερη εύρεση θέσης στάθμευσης σε μια περιοχή κοντινή του προορισμού κάθε οχήματος – πράκτορα. Έτσι φαίνεται πως δημιουργούνται σχέσεις ανταγωνισμού ανάμενα στους πράκτορες και όχι σχέσεις συνεργασίας, όπως για παράδειγμα στη φυσική περίπτωση μιας αποικίας μυρμηγκιών. Έτσι, ενώ οι φερομόνες που αφήνουν τα μυρμήγκια στα μονοπάτια τα οποία κινούνται είναι σήματα επικοινωνίας για ισχυροποίηση ενός μονοπατιού, στον αλγόριθμο που περιγράφουμε παρακάτω είναι σημάδια αποφυγής μια διαδρομής. Η αποφυγή επιλέγεται σε ένα μονοπάτι με μεγαλύτερη φερομόνη από ένα άλλο, αφού μια θέση στάθμευσης σε ένα τέτοιο μονοπάτι έχει πιο πολλές πιθανότητες να καλυφθεί από ανταγωνιστές πράκτορες που αναζητούν και αυτοί θέση στάθμευσης. Παρόλη τη σχέση ανταγωνισμού στο περιγραφόμενο σύστημα, φαίνεται πως ένας αλγόριθμος συνεργασίας των πρακτόρων ωφελεί το σύνολο και κατ’ επέκταση και τον εκάστοτε πράκτορα. Έτσι, με τη χρήση του συνεργατικού συστήματος νοημοσύνης σμήνους, από τα πειραματικά αποτελέσματα φαίνεται ότι μειώνεται ο χρόνος αναζήτησης θέσης στάθμευσης και κατ’ επέκταση η γενικότερη κίνηση σε τοπικό αλλά και γενικευμένο επίπεδο. Το προτεινόμενο σύστημα, όπως και τα περισσότερα συστήματα νοημοσύνης σμήνους, έχει εφαρμογή και καλή απόδοση σε μικρές αλλά και σε μεγαλύτερες κλίμακες μεγεθών κορεσμού, πρακτόρων αλλά και σημείων στάθμευσης.","This work was carried out in the context of a diploma thesis for obtaining a master's degree and includes a theoretical part and the development of an algorithm that deals with the solution of the problem at hand, as well as code for simulations and experiments. The objective of the following work is the exploitation of machine learning / artificial intelligence techniques to optimize the time of finding a parking space in modern cities and in environments that are mostly saturated. More specifically, we focus on the part of optimization with the help of swarm intelligence and mainly a variation of an existing algorithm. The proposed method is based on the Ant Colony Optimization (ACO) algorithm. The ACO algorithm is inspired by nature, in particular by the colonies of ants. The first system to implement ACO was introduced by Marco Dorigo. ACO is a general-purpose metaheuristic algorithm that can be used to solve NP-complete problems and has had many developments. The ACO algorithm is an ideal solution for networks characterized by autonomy, due to its self-organization. Keeping the good part of the self-organization and autonomy of the original algorithm in the system agents, we propose a solution for the parking space problem in a reasonable time, with a reverse variant of ACO which from now on we will call inverted ant colony optimization (IACO). The proposed system consists of equivalent agents - vehicles without special intelligence. The mission of each agent is to find parking space the fastest in an area close to the destination of each vehicle - agent. Thus, it seems that competitive relations are created for the agents and not cooperative relations, as for example in the natural case of an ant colony. So, while the pheromones that ants leave on the paths they move are communication signals to reinforce a path, in the algorithm described below are signs of avoiding a path. Avoidance is chosen on a path with more pheromone than another, since a parking space on such a path is more likely to be covered by competing agents who are also looking for a parking space. Despite the competitive relationship in the described system, it seems that an algorithm of cooperation of the agents benefits the whole and, by extension, the respective agent."],"dc:identifier":["uoadl:3221278","https://pergamos.lib.uoa.gr/uoa/dl/object/3221278"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Αναζήτηση θέσης στάθμευσης οχήματος με χρήση νοημοσύνης σμήνους"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:47:06Z"}