WWW.DISS.SELUK.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА
(Авторефераты, диссертации, методички, учебные программы, монографии)

 

Pages:     | 1 || 3 | 4 |   ...   | 5 |

«Эволюционные технологии принятия решений при пожаротушении 2 Монография утверждена к печати учеными советами Черкасского государственного технолоББК 22.17 гического университета, протокол № ...»

-- [ Страница 2 ] --

где D пространство существования СПБ, q – состояние СБП, ( q) – функция строения, g ( q) – функция внешних условий СПБ. Дискретное пространство D отображает ресурсы системы, ее рабочий потенциал. Функция ( q) характеризует действие человека, входящего в состав СПБ, на состояния СПБ и формально отображает ее структуру и распределение ресурсов на пространство существования системы. Влияние внешней среды на состояние и функционирование СПБ определяется функцией g ( q). Как известно [18, 89], эффективность системы определяется мерой ее соответствия своему назначению и является действительной, конечной и положительной функцией, максимум которой необходимо найти:

Поскольку взаимодействие СПБ и внешней среды происходит в неантагонистических условиях, то решение задачи (2.2) осуществляется путем поиска стратегии *, которая и обеспечит получение максимальной эффективности. Для этого необходимо решить задачу поиска:

где p j – вероятность реализации g j -й стратегии. Оптимальная стратегия определяется в результате поиска путей, методов и средств, которые обеспечат решение задач (2.2)(2.3).

Одна из таких процедур заключается в интеллектуализации и автоматизации процессов принятия решений и является предметом исследования в монографии. Предварительно определим аспекты современного состояния СПБ и ее характеристики.

Выполняя анализ современного состояния пожарной безопасности жилых объектов, отметим его сложность и многогранность. Социально-экономическая ситуация в стране, при которой наблюдается снижение материального благополучия населения, злоупотребление алкогольными напитками, увеличение количества людей без определенного рода занятий и местожительства, пренебрежение духовными ценностями, падение моральных принципов приводит к тому, что как сознательно, так и бессознательно нарушаются правила пожарной безопасности. Исходя из влияния вышеуказанных факторов, причины возникновения пожаров и гибели людей в результате пожаров разделяют на социальные, техногенные, природные и социально-техногенные. К первым относят поджоги, нарушение правил пользования бытовыми приборами, неосторожное обращение с огнем. К техногенным факторам – нарушение правил установки, эксплуатации электроустановок и теплоустановок. Самовоспламенение предметов и материалов относят к природным факторам.

Увеличение количества пожаров и погибших на них людей является прямым следствием таких обстоятельств и факторов. Учитывая экономические возможности государства, разумным принято считать подход, при котором общие средства, выделяющиеся обществом на обеспечение безопасности, должны быть распределены, так, чтобы ожидаемое количество возможных жертв по всем видам опасностей было бы наименьшим. В мировой практике используется такая классификация по вероятности [148]:

– недопустимый риск – значение больше 104 ;

– твердый контроль риска – при значениях от 104 до 105 ;

– возможен риск – значение меньше 105.

В Украине среднестатистический показатель для человека столкнуться с пожаром составляет 0,013; погибнуть на пожаре – 0,064; погибнуть от пожара – 0,000081. Таким образом, риски столкнуться с пожаром и погибнуть на нем являются недопустимыми, риск погибнуть от пожара подпадает под категорию “твердый контроль риска”.

Из стран, которые приведены в табл. 2.1, худшие за Украину показатели имеет лишь Россия, причем в этих двух странах вероятность погибнуть от пожара, в среднем, на порядок является большей, чем в других странах.

Общая динамика количества пожаров (рис. 2.1), не может не вызывать обеспокоенности у работников оперативно-спасательной службы гражданской защиты (ОССГЗ). Перед ними стоят задачи предупреждения пожаров и повышения эффективности их ликвидации. Изучая сложные системы, анализируя их структуру и принципы функционирования, исходят из позиций системного подхода [68, 139, 142] и использования методов системного анализа [13, 45, 68, 99, 112].

Система пожарной безопасности Sb является одной из подсистем, которые обеспечивают безопасность жизнедеятельности человека. В ее состав, как иерархической структуры, входят государственный департамент пожарной безопасности в составе Министерства по чрезвычайным ситуациям, институтов пожарной безопасности, пожарных подразделений. Как открытая система, она взаимодействует с окружающей средой. Сущностями, которые система Sb получает из нее, являются энергия, информация, ресурсы и материалы.

Таблица 2.1. Основные показатели пожарной безопасности в странах мира в 2004 г Страна млн. чел. пожаров за год, погибших за пожаров на погибших на Рис. 2.1. Количество пожаров в Украине за период 1997- Эта система не является такой, которая способна обеспечить себя самостоятельно, поэтому значительно зависит от поступлений извне. Другим реализованным аспектом открытости является непрерывная поддержка своего социального статуса, которая связана с тем, что в добавление к оказанию прямых услуг населению, система Sb осуществляет побочное влияние на окружающую среду и общество. Так, пожарные подразделения предотвращают загрязнение окружающей среды, предоставляют рабочие места и др. [133] Эффективное функционирование системы пожарной безопасности определяется и ее адаптированностью к изменениям во внешней среде. Факторами таких изменений являются законодательная база, ресурсное обеспечение, погодно-климатические условия, форс-мажорные обстоятельства.

Необходимо заметить, что согласно принципу эмерджентности, который особенно актуален для Sb, не всегда полное материальное и кадровое обеспечение является необходимым и достаточным условием оптимального функционирования пожарных служб. Достижение приемлемого уровня функционирования пожарных подразделений, даже в условиях определенного ресурсного дефицита в состоянии гарантировать создание информационно-аналитического обеспечения системы Sb.

Анализируя структуру пожарных подразделений, определяем наличие в ней двух подсистем. Первой является материальная, функционирующая подсистема, которая выполняет превращение имеющихся ресурсов в услуги. В другой, управляющей подсистеме осуществляется руководство и контроль за деятельностью подразделения. В то время как материально обеспечивающая подсистема имеет дело с разнотипным набором ресурсов, включая физические материалы, денежные, человеческие ресурсы, рабочим материалом подсистемы управления является только информация.

Определяющее количество объектов, на которые направлено функционирование системы пожарной безопасности, составляют жилые объекты Sc (рис. 2.2).

ВН ЕШ НЯ Я СРЕДА

Ж И Л ОЙ О БЬЕКТ П

И Н Ф ОРМ АЦ И Я

ПО ЖА РН ОЕ П ОДРАЗДЕЛЕНИЕ

Значительное влияние случайных факторов указывает об определенной специфике функционирования пожарных подразделений и процессах, которые его сопровождают. Как и любая сложная система, система пожарной охраны имеет свои пространственные и функциональные ограничения. Выделяя из внешней среды, определим аспекты совершенствования ее организации. Ограничившись рассмотрением только жилых многоэтажных объектов, классифицируем способы противопожарной защиты как:

– пассивные, включающие в себя повышение уровня пожарной безопасности владельцами жилья;

– предупредительные, при которых главное внимание сосредотачивается на предупреждении пожаров, путем приведения состояния безопасности объектов к нормативному;

– активные, заключающиеся в адаптации функционирования пожарных подразделений к конкретным особенностям территории и объектов.

Для того чтобы обеспечивать наивысший уровень защиты населения, пожарные подразделения должны использовать механизмы прогнозирования. Особенно важно это для Украины в условиях ограниченности ресурсов. Использование методов прогнозирования, разработка и создание механизмов принятия решений, использующих результаты прогнозирования и соответствующие способы реагирования, приобретают в современных условиях особенную актуальность.

Подразделения противопожарной защиты будут функционировать максимально эффективно, если они будут владеть полным спектром способов и средств защиты и будут способными в любой момент своего функционирования прогнозировать угрожающие ситуации за время, являющеееся достаточным для приведения в действие адекватных мер. Формализуем указанные обстоятельства как тройку элементов:

где Z ( Z1, Z 2,..., Z n ) – способы и средства пожарной защиты;

P – механизм прогнозирования. Результатом использования P является прогнозирование возникновения пожара, который может произойти в интервале времени t1 t и оценка вероятности того, что она произойдет. Областью значений функции F является отрезок [0;1], причем:

– F ( z, p) 1, если за время t2 система пожарной защиты способна применить все средства, являющиеся адекватными угрозе;

– F ( z, p ) 0, если время применения является большим t2 или адекватных средств нет;

– F ( z, p) (0;1) в промежуточных случаях.

Если для любого приемлемого t1 существуют такие z Z и p P, что F ( z, p) 1, то такая система защиты является абсолютной. Нормальное функционирование механизма прогнозирования позволяет более эффективно использовать имеющиеся средства за счет оптимизации их структуры и состава. Как уже отмечено выше, ограниченность ресурсов свидетельствует об актуальности разработки аналитических систем, главной функцией которых станет прогнозирование и разработка сценариев возможных действий.

Каждый год в Украине регистрируют, в среднем, более 40000 пожаров, из которых значительная часть происходит в жилом секторе. Ведение и анализ такой большой информационной базы могли бы быть использованы для получения новых знаний, прогнозирования будущих пожаров и выполнения мероприятий по их эффективному предотвращению и ликвидации.

Исследование функционирования системы пожарной охраны базируется на разработке и использовании многочисленных математических моделей, методов и средств. В то же время, результаты таких процедур не являются однозначными, поскольку базируются на субъективных суждениях, процессах принятия решений в критических условиях, когда даже неправильное решение, реализованное оперативно, является более эффективным, чем правильное, но выполненное с опозданием.

Поскольку в результате значительного количества пожаров наносятся максимальный ущерб уже в первые минуты, то рационально использовать ретроспективную информацию, которая оперативно предоставляется пожарному подразделению через считанные секунды после вызова. Определяющая роль здесь принадлежит информационно-аналитическим системам, которые необходимо внедрять в пожарных подразделениях. При этом необходимо учитывать, что поскольку многоэтажные дома, в подавляющем большинстве, являются типовыми, то целесообразно формировать единую информационную базу пожаров. В каждом пожарном подразделении необходимо установить рабочую станцию, которая будет иметь с ней связь, и будет работать над обработкой информации, а также формировать отчеты, используемые для поддержки процессов принятия решений при пожаротушении.

2.2. Современные методы принятия решений Аналитический обзор литературных источников указывает на разновекторность рассмотрения проблемы информационно-аналитического обеспечения функционирования пожарных подразделений. Основными задачами, представленными в них, являются такие:

– оптимизация распределения сил и средств пожарных расчетов при пожаротушении;

– определение требований к пожарной безопасности объектов как с позиций внутренней структуры и архитектуры, так и окружающей среды;

– анализ и предупреждение ошибок личного состава при пожаротушении;

– автоматизация процессов поддержки принятия решений при пожаротушении;

– определение оптимального состава пожарных подразделений, количества техники, а также мест их базирования;

– расчет вероятностно-статистических характеристик функционирования пожарных подразделений;

– формирование маршрута проезда пожарного автомобиля к месту пожара;

– применение методов искусственного интеллекта для создания экспертных систем.

По проблематике пожаротушения существует много научных работ. Подавляющее большинство из них посвящено изучению “физики” процессов на пожарах. Интеллектуализация процессов принятия решений, их автоматизация, напротив, в литературных источниках почти не представлена. Приведем несколько типичных примеров. Так, в работе [41] проводится моделирование процесса распределения сил и средств при пожаре, но главное внимание автор обращает только на оптимизацию развертывания пожарных рукавов в зависимости от размещения водоисточников. В сборнике противопожарных норм и правил [123] изложены требования к внутренним подсистемам жилых домов без указаний на привязку их пожарной безопасности к внешним факторам. Другой источник [114], напротив, ориентирует на учет особенностей окружающей среды жилых домов и безопасность его обустройства.

Результаты моделирования различных процессов, имеющих отношение к пожарной безопасности объектов и пожаротушению, приведены в [40, 41]. Их особенностью является теоретическое изучение зоны пожара, горючести разных материалов и особенностей действий пожарных расчетов.

На практике такие результаты, в основном, не находят применения. В то же время, из такого мощного массива данных можно получить значительно больше информации, используя современные методы исследования. На необходимость их применения указывают типичные ошибки, допускаемые при организации пожаротушения.

В [91] отмечается то, что для оперативного управления пожарно-спасательными подразделениями необходимым является применение разнородной информации, в частности, и координатной привязанной. Эта информация должна иметь удобную для анализа форму и обеспечивать принятие оптимальных управленческих решений. Определяющую роль в этом процессе должна сыграть автоматизация процессов поддержки принятия решений. Объектом автоматизации является организационно-управленческая деятельность по предупреждению и ликвидации пожаров, а также управлению пожарными подразделениями при пожаротушении.

Указано на необходимость создания информационно-аналитических систем (ИАС). Целью создания таких систем является усовершенствование автоматизации процессов принятия решений и реализации задач по оперативному управлению пожарными формированиями при тушении пожаров.

ИАС позволит повысить эффективность деятельности пожарных подразделений за счет:

– сокращения времени на обработку заявок и принятие управленческих решений;

– устранения ошибок при диспетчеризации сил и средств;

– обеспечения возможности привлечения необходимого количества пожарных и техники;

– оперативного представления информации о ближайших к месту пожара водоисточниках и оптимизации на основе этой информации распределения сил и средств;

– повышения обоснованности решений, которые принимаются, на основе расширения состава функциональных задач и увеличения объемов оперативной информации;

– уменьшения ошибок при приеме и передаче информации;

– предыдущего планирования действий пожарных подразделений;

ускорения подготовки проектов управленческих решений.

В [90] сообщается, что в 2003 году в Российской Федерации создан ситуационный центр, что вызвано:

– необходимостью усовершенствования управленческих процессов;

– необходимостью обеспечения руководства достоверной и полной информацией о пожаре;

– возможностью оптимизации информации, которая принимается, на основе использования экспертных оценок и моделирования ситуации на пожаре;

– повышением качества предыдущей обработки информации о пожаре, принятых мерах по ее тушению.

Центр работает в трех режимах: мониторинга, повышенной готовности и чрезвычайной ситуации. Состав выполняемых функций в зависимости от ситуации изменяется.

Статья [92] знакомит с зарубежным опытом в определении оптимального состава пожарных подразделений, количества техники, а также места базирования. Установлено, что при определении мест дислокации существует три основных направления, которые определяются с помощью методов исследования операций. Первый связан с моделями детерминированного характера, описывающими механизмы принятия решений по определению мест дислокации подразделений (их еще называют моделями минимизации времени пробега, или моделями „покрытия множеств”). Второй – направление стохастического описания процессов функционирования подразделений в композиции с моделями о “покрытии множеств”. Третий – ориентирован на разработку специальных компьютерных программ, позволяющих имитировать деятельность подразделений.

Для первого направления задача является такой:

В рассматриваемой задаче Z – функционал минимизации, параметр c j – стоимость размещения пожарного подразделения в j -ой области, коэффициенты aij получают значение, равное единице, если i -й объект находится в границах j -ой области и равное нулю – в противном случае. Параметр x j равняется единице, если в j -ой области есть пожарное подразделение и нулю, в противном случае.

Недостаток такого направления заключается в том, что не учитываются особенности пожарной безопасности объектов города и его адекватно можно применить в городах с небольшим количеством объектов, поскольку в противном случае нужны значительные вычислительные ресурсы.

Другое детерминированное направление базируется на „законе обратной пропорциональности квадратному корню” [172]. В статье Р.С. Ларсона и К.А. Стевенсона показано, что если размещение пожарных подразделений в городе обеспечивает минимальное время следования, то оно может быть рассчитано по формуле t 0,47 / n, где n – среднее число пожарных депо на квадратной миле обслуживаемой территории.

Это направление дальше развито в работах П. Колесар и Е. Блума [170, 171]. Ими установлены расчетные формулы для определения ожидаемого расстояния выезда M ( D) и связанного с ним временем следования пожарного подразделения на место вызова M ( ) :

где, a, b, d, c, – эмпирические коэффициенты, A – общая площадь города, M ( N ) – математическое ожидание среднего количества пожарных подразделений, N – общее количество пожарных подразделений.

Для выравнивания степени занятости подразделений, выравнивание среднего значения времени следования по районам выезда и для минимизации суммарного времени следования по городу применяется функционал:

при условии, что A Ai. Если p 1, то имеет место задача минимизации времени проезда. Задача минимизации Z решается методом неопределенных множителей Лагранжа без ограничений. Такой подход является более прогрессивным по отношению к задаче о покрытии множества, поскольку он отображает возможные варианты постановки целей функционирования подразделений и при этом вводится понятие пожарной опасности объектов. К недостаткам относят то, что при таком подходе не обосновывается время следования к месту пожара в зависимости от цели прибытия.

Указанные детерминистские направления исследования не отображают наличие нелинейных и стохастических связей, какие свойственны функционированию пожарных подразделений. Поэтому рационально выбирать другое направление – использование теории массового обслуживания [66, 77]. В то же время, при таком подходе не отображаются связи между требованиями по размещению пожарных депо с другими требованиями пожарной безопасности, которые уже могут быть реализованными.

Эта и другие причины, связанные с нарушениями свойств эргодичности, привели к развитию методов имитационного моделирования [157], которые базируются на использовании вычислительной техники. Поскольку внедрение таких систем связано с экономическими проблемами, то необходимо дополнительно решать задачи оптимизации расходов и учитывать социальный аспект последствий пожаров.

Обоснованный анализ задач, которые относятся к оперативному управлению пожарными подразделениями, приведен в работе [92]. В ней указано, что большинство отечественных публикаций посвящено имитационному моделированию количества вызовов и применения при моделировании систем массового обслуживания, вследствие чего определяются вероятностные характеристики функционирования пожарных подразделений. Так, в работе [15] установлено, что на интенсивность вызовов наибольшее влияние осуществляет фактор времени. Прогнозируется базовое количество пожарных автомобилей в городе в зависимости от количества населения. Установлено также, что количество вызовов является линейной функцией от количества населения. Недостатками таких работ является то, что количество пожарных автомобилей необходимо рассчитывать по пиковым, а не усредненным значениям интенсивности вызовов. Рассматривая максимально загруженный режим работы, необходимо решать и оптимизационные задачи стоимостного типа.

В статье А.Н. Воинова [26] решается задача минимизации среднего времени прибытия подразделения на место пожара при условии, что задано некоторое максимальное нормативное время. Устанавливается, что время прибытия пожарного расчета для объектов с различным социальным и экономическим значением может быть не одинаковым. В качестве критерия используется функция, которая интегрирует вероятностные условия с пространственным размещением объекта. В работе [151] рассматривается задача деления города на районы выезда пожарных подразделений.

Предложено определять районы по времени прибытия на место пожара. Такое решение основывается на необходимости учета состояния дорог, рельефа местности, климатических условий и временных преград, а также особенностей пожарной безопасности объектов и процесса пожаротушения.

В [119] предложены обоснования маршрута выезда пожарного автомобиля, исходя из критерия минимизации времени прибытия личного состава и пожарно-технического вооружения на место пожара. В статье проанализированы факторы, влияющие на аварийную безопасность дорог: ширина проезжей части, обочина, количество полос движения, радиус кривизны, видимость, интенсивность транспортных потоков. Предложено определять коэффициент дорожных условий по формуле:

где n количество участков маршрута, m – число факторов дорожных условий, kij – j -й коэффициент фактора дорожных условий на i -м участке маршрута, Li – длина i -го участка, L – общая длина маршрута следования.

Выполняя анализ литературных научных источников, делаем вывод о том, что подавляющее большинство работ сосредоточено на изучении характеристик материалов, процессов их горения и моделировании процессов распространения огня. Применить результаты таких исследований на практике достаточно тяжело по многим причинам. Поэтому целесообразным является использование автоматизированных систем, поскольку наукоемкие результаты в них являются инкапсулированными, а результаты работы интерпретируются на необходимом уровне.

Возможность применения систем, построенных на принципах искусственного интеллекта в деятельности пожарноспасательных служб, рассмотрена в [110]. Представлена экспертная система для расследования причин пожаров. Априорно считается, что структура знаний экспертов в области расследования пожаров задана в виде продукционных правил.

Такая система имеет ряд преимуществ перед экспертными суждениями: у нее нет предостережений; она не делает поспешных выводов; выбирает наилучшую альтернативу из множества предложенных; введенные в систему знания сохраняются навсегда; основанная на знаниях система устойчива к „помехам”. Модель в виде продукционных правил имеет свойства: модульности (каждое правило описывает независимый фрагмент знаний), возможности инкрементного наращивания (добавление новых правил), удобства модификации (старые правила можно заменять новыми), применение правил способствует прозрачности системы, то есть способности системы к объяснению принятых решений и полученных результатов.

В отличие от теоретических наработок, количество практических разработок остается незначительным. Во Всероссийском научно-исследовательском институте противопожарной обороны (ВНИИПО) создана [95] и усовершенствована [75] имитационная модель функционирования противопожарной службы (ИМФПС), которая является базовым элементом автоматизированной системы управления (АСУ) противопожарными службами города и предназначена для анализа эффективности мероприятий по усовершенствованию функционирования противопожарных служб. В состав ИМФПС входят составляющие модели генерации вызовов, развития пожара, района выезда, диспетчерской службы города, функционирование пожарной части, организации водоснабжения, тушения пожара, прибытия на место пожара.

Моделирование процесса пожаротушения происходит по такой схемой: определяется местоположение пожарных частей, их технический состав и назначение района выезда каждой пожарной части; устанавливается место пожара в прямоугольной системе координат; определяется конструкция здания и его параметры; формируется „наряд” определенной части с указанием необходимого количества и номенклатуры технических средств; устанавливаются параметры пожара;

оцениваются достаточность средств пожаротушения. С использованием ИМФПС проводится многовариантный анализ параметров функционирования противопожарной службы города, включая вопрос обоснования мест дислокации пожарных частей.

Близкой к ИМФПС является система имитационной деятельности противопожарной службы „КОСМАС” [13, 16, 136], которая работает вместе с системой обработки и анализа статистических данных „СТРЭС”. Ее особенностью является использование современных геоинформационных технологий, которые базируются на принципах векторизации графической информации.

2.3. Аспекты нечеткости при моделировании процессов распространения пожара на особо Современный уровень интеллектуализации вычислительных средств и информационная неопределенность процесса пожаротушения указывают на необходимость моделирования скорости распространения пожара и определения его периметра для особо опасных объектов. В качестве соответствующего инструментария перспектиным является использование нечетких баз знаний и соответствующих методов.

При этом возникают задачи адаптации элементов теории к практическим приложениям, в первую очередь необходимо определить аспекты создания технологии автоматизированной обработки данных и прогнозирования, результатом реализации которой будет геоинформационная система.

Моделирование процессов распространения пожаров на особо опасных объектах с течением времени приобретает все большее значение. Такой вывод базируется на данных статистики: количество пожаров имеет небольшую тенденцию к уменьшению, вместе с тем, наблюдается устойчивый рост количества жертв и размеров материального ущерба.

Ситуация усложняется с увеличением производства горючесмазочных материалов, продукции химической промышленности, атомной и других видов энергии. Соответствующие предприятия относят к особо опасным объектам. Пожары на них могут приводить к катастрофическим последствиям.

Критические условия развития и распространения пожаров не позволяют применить адекватные меры и средства пожаротушения, что подчеркивает определяющую роль фактора субъективности при принятии решений. Успешная борьба с пожарами возможна при условии умения прогнозирования процессов их поведения. В большинстве случаев такое прогнозирование является лишь результатом опыта и интуиции руководителя тушения пожара, других специалистов и зачастую приводит к ошибкам.

Применение математического моделирования на базе современной вычислительной техники могло бы позволить быстро и достаточно точно прогнозировать распространение пожаров с учетом конкретных условий. В этом направлении получены определенные научные результаты, которые ориентированы, к сожалению, только на тушение лесных пожаров и пожаров в типовых помещениях. Так, в работе [179] выполнен анализ моделей и методов моделирования лесных пожаров, а в [168] описан программный комплекс, функционирующий на их базе. В Институте автоматики и электромеханики Сибирского отделения РАН разработан метод прогнозирования развития динамических процессов на поверхности Земли на основе нейросетевой обработки последовательности многоспектральных аэрокосмических изображений. Метод обладает адаптивностью, но применим только для моделирования пожаров в окружающей среде. В книге [101] изложены результаты исследований динамики пожара в помещениях различного назначения. Они анализируются применительно к возможностям практического использования в системе гибкого нормирования при проектировании. Предложенная методика не учитывает взаиморасположения помещений различного назначения и, поэтому, является локальной и малоприменимой для особо опасных объектов.

В последние годы за рубежом при определении соответствия зданий и сооружений противопожарным требованиям используется подход на основе объектно-ориентированного нормирования, который предусматривает количественное определения пожарной опасности зданий и сооружений и ее сравнение с величинами, выбранными в качестве критериев. Аналогичная методика предложена для жилых объектов в работе [71] c учетом внешних и внутренних параметров.

Очевидно, что результаты применения методов количественной оценки пожарной безопасности особо опасных объектов являются информативными факторами для определения закономерностей протекания процессов горения, особенностей эвакуации людей, прогнозирования развития ситуации как на объекте, так и вне его.

Таким образом, анализ научных источников, предложенных в них моделей, методов и средств пожаротушения свидетельствует о том, что главное внимание уделяется исследованию типовых ситуаций, случаям, в которых развитие пожара происходит, преимущественно, линейно. Руководителю пожара, чаще всего, рекомендуется определять скорость развития пожара до или во время тушения пожара, исходя из данных статистических таблиц и опыта [71, 101]. В то же время, на особо опасных объектах процесс распространения пожара является существенно нелинейным, что затрудняет использование традиционных методов оценки, а также результатов моделирования. Нелинейность объясняется различной скоростью распространения пожара в зависимости от материала горения, расстояния до дверей, воздуховодов, кабельных шахт, т.е. распределением пожарной нагрузки и газообменом.

Важным представляется тот факт, что исследование процессов распространения пожара из помещения в помещение остается вообще вне рассмотрения.

2.4. Принципы, задачи, направления и перспективные технологии принятия решений в пожаротушении Системный анализ функционирования пожарной охраны в городах Украины свидетельствует о недостаточном информационно-аналитическом обеспечении пожарных подразделений. Существующие системы сосредоточены на решении задач управленческих структур и базируются на методах анализа статистической информации, что не всегда позволяет выполнять обоснование количества и наличия ресурсов. Информационная подсистема нацелена на безусловное обслуживание вызовов, а не на достижение конечной цели вызова, которая к тому же еще и не является сформулированной. Обоснование количества пожарных частей, количества и номенклатуры средств пожаротушения выполняется без учета особенностей объектов и территории, являющихся главными аспектами аналитической подсистемы.

Системный подход в преодолении вышеуказанных недостатков, а также при решении многих других проблем заключается в формировании логической схемы задач системы пожарной охраны как целостной структуры, которая активно и постоянно взаимодействует с окружающей средой и которая будет определять особенности проектирования информационно-аналитической системы ИАС пожарной безопасности. При этом необходимо придерживаться таких принципов:

1. Выполнять формализацию целей выезда противопожарных подразделений в виде соответствующих моделей и критериев, которые будут учитывать пожарную безопасность объектов (пассивную), а также наличие и состояние элементов противопожарной защиты в зданиях;

2. Моделировать деятельность оперативных подразделений не на уровне частных моделей, а как единое целое.

3. При моделировании рационально исходить не из использования вероятностно-статистического подхода, ориентированного на средние ожидаемые величины, а решать задачи оптимизационного типа.

4. Необходимо учитывать особенности, которые вызваны пространственными, временными, ресурсными и погодноклиматическими факторами.

5. Исследовать возможности применения других видов распределений при моделировании, а не только пуассоновского и распределения Эрланга.

Среди тенденций последнего времени, которые имеют отношение к теме нашего исследования, выделим две, на наш взгляд, основные:

– использование современных информационно-аналитических технологий решения сложных задач [27, 30, 88], которые могли бы быть использованы с целью уменьшения человеческих потерь и материальных убытков от пожаров в условиях ресурсного и кадрового дефицита;

– широкое проникновение технологий Soft Computing [97, 122, 132] в процессы решения задач, связанных с поддержкой принятия решений, являющихся особенно актуальными для системы пожарной охраны.

Отметим, что статистические данные, которые собираются по результатам пожаров, систематизируются и поддаются анализу исключительно с целью получения усредненных показателей и определения динамики процессов. В то же время, разный уровень как активной, так и пассивной противопожарной защиты жилых объектов, рост количества ошибок личного состава непосредственно при тушении пожаров и принятии решений, определении оптимального распределения материальных ресурсов и личного состава указывает на необходимость применения глубинных методов анализа информации с целью получения новых знаний и выполнения соответствующих действий.

Факторы, которые используются при анализе последствий пожаров, можно разделить на три больших класса: детерминированные, вероятностно-статистические и субъективные.

Для изучения факторов первой группы применяют известные традиционные методы анализа альтернатив и интегродифференциальные методы оптимизации [7, 135]. Их особенностью является необходимость проверки условий применимости и почти полное отсутствие теоретической базы нелинейного анализа. Изучение второй группы факторов базируется на положениях математической статистики и теории вероятностей [5, 10, 12, 21]. К наибольшему классу данных, которые являются активно присутствующими при изучении пожаров, принадлежит информация субъективного характера. Технологии ее обработки активно развиваются в последние десятилетия [1, 9, 108]. Анализ композиционного сочетания указанных групп факторов для получения новых знаний является важной научной задачей и имеет прикладной характер.

Определение уровня пожарной безопасности жилых объектов, анализ и оптимизацию разделим на две подзадачи.

Первая включает у себя идентификацию уровня (пассивной) пожарной безопасности как зависимости от особенностей здания, возможностей для эвакуации людей, количества гидрантов, их состояния на ближайшей территории и других факторов. Для ее решения необходимо формализовать задачу и осуществить предварительную обработку данных с целью определения наиболее информативных признаков.

Вторая подзадача заключается в идентификации уровня (активной) пожарной безопасности объекта как зависимости от среднего времени проезда пожарного подразделения к месту пожара, среднего времени ее локализации и среднего времени ликвидации. Эффективность процесса решения указанных задач определяется зависимостью от уровня информационно-аналитического сопровождения процессов принятия решений, структуры минимально достаточного ресурсного и кадрового обеспечения, ошибок личного состава как зависимости от особенностей пожара.

Жилые объекты имеют определенные особенности и отмечаются, преимущественно, типичностью проектирования.

Именно поэтому, результат идентификации уровня их пожарной безопасности позволяет решать задачу оптимизации (максимизации), следствием чего становится расчет оптимальных значений тех факторов, которые допускают вариацию.

Примером может быть определение оптимального маршрута проезда пожарных автомобилей, наилучшего размещения пожарных гидрантов, проектирования зданий с запасными выходами и прогнозированием других путей эвакуации людей. Достаточно часто идентифицированная зависимость может и не иметь аналитического вида, тогда для поиска ее оптимального значения необходимо применять технологии Soft computing, которые не накладывают никаких предварительных ограничений на начальную информацию.

Таким образом, в соответствии с определенной целью работы последующее исследование строим, следуя структурнологической схеме (рис. 2.3).

Анализ моделей, методов и ИАС, которые используются в системе пожарной охраны вери Формализация начальных даных и математические постановки задач исследования Классификация факторов, которые влияют на пожарную безопасность обьектов Линейная регресия Нелинейная регресия Полиномиальная идентификация Классические методы Эволюционные методы Идентификация оценки противопожарного состояния обьекта Самоорганизация нейронной сети модели идентификации Минимизация ошибок личного состава путем решения задач идентификации и Эволюционный метод оптимизации пути следования пожарного Создание информационно-аналитического обеспечения сопровождения процесов принятия решений при пожаротушении Проведение экспериментальных исследований и верификация Рис. 2.3. Структурно-логическая схема исследования На первом этапе выполнен анализ научных литературных источников, моделей и методов, которые применялись в системе пожарной охраны и программно-алгоритмических систем. Исходя из его результатов, формулируем цель, принципы и задачи исследования. Определяем информационные источники, выполняем предварительный анализ данных и осуществляем формализованные математические постановки указанных задач. Необходимым условием их решения является классификация факторов, влияющих на пожарную безопасность жилых объектов. Главной задачей и предпосыл-кой решения других задач является структурная и параметрическая идентификация оценки уровня пожарной безопасности. Для этого будет выполнен сравнительный теоретический и экспериментальный анализ классических и эволюционных методов: метода наименьших квадратов для линейной регрессии, метода Брандона для нелинейной регрессии, метода группового учета аргументов для полиномиальной идентификации, нейросетевых методов, а также классических методов и генетических алгоритмов для решения задачи дискретной оптимизации. Рассмотрим композиционную технологию увеличения информативности начальной информации и определим ее влияние на результаты функционирования исследуемых методов.

Оценку противопожарного состояния жилых объектов выполним с помощью нейросетевой идентификации. Поскольку для нейронных сетей не определены методы формирования их структуры и соответствующие ограничения, то также будут предложены процедуры самоорганизации, которые будут оптимизировать процесс расчетов. Нейросетевой подход в сочетании с корреляционно-регрессионным анализом будет применяться для разработки технологии минимизации ошибок личного состава при пожаротушении.

Исследуем разработанный метод оптимизации пути пожарного подразделения к месту пожара на базе применения генетического алгоритма и проведем экспериментальную верификацию. Предложим принципы создания и структурнофункциональные требования к информационно-аналитической системе поддержки принятия решений при пожаротушении.

Необходимость разработки математических моделей, методов и информационно-аналитического обеспечения процессов принятия решений в системе пожарной охраны вызвана двумя главными обстоятельствами: ростом количества пожаров и количества погибших на них людей, а также ограниченностью ресурсного обеспечения пожарных подразделений. Ранее определены аспекты современного состояния пожарной охраны и основные причины возникновения пожаров. Установлено, что риск для человека столкнуться с пожаром и погибнуть на нем являются недопустимыми, риск погибнуть от пожара является предельно допустимым в сравнении с мировыми нормами.

Выполнен анализ научных источников, который показывает, что главное внимание специалистов сосредоточено на имитационном моделировании количества вызовов, обосновании количества пожарных частей, количества и номенклатуры средств пожаротушения. Существующие системы сосредоточены на решении задач управленческих структур, функционирование их аналитической подсистемы базируется на методах анализа статистической информации, что не всегда позволяет выполнять обоснование количества и наличия ресурсов, не учитываются также особенности объектов и территории. Информационная подсистема нацелена на безусловное обслуживание вызовов, а не на достижение конечной цели вызова, которая к тому же и не является сформулированной.

В главе предложены принципы системного подхода к преодолению указанных недостатков. Указано на необходимость применения современных информационно-аналитических технологий, в частности, технологий Soft Computing в процессах решения задач, связанных с поддержкой принятия решений, что является особенно актуальными для системы пожарной охраны.

Разработана структурно-логическая схема исследования, в основу которой положена методология системного анализа.

Ее стержнем является решение задач оптимизации пассивной и активной безопасности жилых объектов на базе эволюционного моделирования.

Методика исследования, методы идентификации и оптимизации целевых функций пожарной Современное состояние информатизации пожарных подразделений в Украине находится на уровне значительно низшем от среднего среди других государственных служб.

Одним из следствий этого является рост количества пожаров с человеческими жертвами и значительными материальными убытками, а также увеличение числа ошибок личного состава. Многофакторность процессов пожаротушения не позволяет выполнить их адекватный эвристический анализ и требует применения наукоемких аналитических технологий.

Не в последнюю очередь необходимость этого вызвана и ресурсной ограниченностью пожарных подразделений.

По результатам каждого пожара составляется специальный документ, который содержит информацию о специфике объекта, на котором он произошел, об особенностях процесса пожаротушения и действиях пожарных по ликвидации пожара. Именно поэтому актуальным является создание информационной базы, разработка моделей и методов, которые позволят решить задачи идентификации функции оценки уровня пожарной безопасности объектов; определения наиболее значимых факторов; самоорганизации процесса “добычи” знаний из информационной базы, поскольку только за год, в среднем, происходит 40000 пожаров и их учет при вычислениях будет предопределять проблемы с машинными ресурсами; структурной и параметрической идентификации зависимостей между ошибками личного состава, особенностями пожара и объекта пожаротушения;

определения скорости и времени распространения пожара на особо опасных объектах; разработки процедур расчета оптимального распределения имеющихся ресурсов для уменьшения времени локализации и ликвидации пожара.

Для решения указанных задач предлагается использовать нейронные сети [28, 36, 37, 38, 65, 79, 107, 144, 176], эволюционные методы [23, 29, 32, 76, 86], методы теории нечетких множеств [1, 9, 55, 63, 64, 83, 108] и гибридные системы [83, 97, 122]. Их особенностью и преимуществом является определение скрытых зависимостей между факторами, идентификация целевых функций и прогнозирование, а также возможность решения задачи многофакторной оптимизации без получения целевой функции в аналитическом виде.

Эффективность указанных методов будет увеличена путем использования процедур предварительной подготовки данных.

3.1. Формализация задач повышения эффективности функционирование пожарных Согласно постулатам системного анализа постановка задачи является равноценным этапом ее решения [85]. Для такой сложной системы как СПБ модели, методы и средства решения задач образуют определенную технологию. Эффективность ее реализации зависит от уровня и правильности формализации соответствующих задач и выбора методов их решения. Приведем модели и методы решения формализованных задач:

– идентификации оценки уровня пожарной безопасности жилых объектов на основе учета композиции внутренних и внешних факторов;

– минимизации ошибок личного состава при тушении пожара;

– увеличения информативности априорной информации путем применения композиции методов обработки данных;

– минимизации времени проезда пожарного автомобиля к месту пожара;

– определения времени и маршрута распространения пожара от места его возникновения к особенно опасному объекту.

3.1.1. Идентификация оценки уровня пожарной безопасности жилых объектов на основе учета композиции внутренних и внешних факторов Пожарная безопасность Pb объекта жилого сектора включает в себя такие факторы как обеспечение безопасности людей в случае пожара Pp, материальные убытки Pm, гражданскую ответственность перед третьими лицами Po и экологические убытки Pe [78, 148]. Фактор Pp включает в себя:

1. P p своевременную и беспрепятственную эвакуацию людей;

2. P2p спасение людей, которые могут поддаваться влиянию опасных факторов пожара;

3. P3p защита людей на путях эвакуации от опасных факторов пожара.

Материальные убытки Pm определяются, исходя из реальных статистических данных на однотипных объектах. Они также зависят от вероятности пожара на объекте, наличия и эффективности технических решений противопожарной защиты.

Методология оценки факторов Po в Украине находится в зародышевом состоянии и в нашем исследовании не рассматривается.

Таким образом, задача, которую необходимо решить, заключается в максимизации оценки уровня пожарной безопасности ( Eb max ) и декомпозируется на такие подзадачи:

где E p – оценка уровня обеспечения безопасности людей, Em оценка уровня материального ущерба и На практике такие задачи, в основном, решаются на этапе проектирования домов с учетом особенностей их программируемой эксплуатации по этапам жизненного цикла [142].

На пожарную безопасность дома влияют как его внутренние, так и внешние факторы. К внутренним факторам относятся параметры архитектуры и структуры (см. рис. 2.1).

Первые определяют компонентный состав материалов, использованных при строительстве, вторые, преимущественно, базируются на проектных решениях. Степень огнестойкости зданий определяется минимальной границей степени огнестойкости строительных конструкций. Формализуя задачу оценки уровня пожарной безопасности объекта жилого сектора, определим две группы данных: первая – общая группа данных об объекте, вторая – данные о противопожарном состоянии объекта [8, 50, 124, 142]. Соответственно этому, к основным факторам первой группы отнесем: дату построения объекта; количество этажей; его планировка; наличие подвалов и чердаков; структурные особенности объекта, имеющие отношение к особенностям развития, тушения и ликвидации последствий пожара; соответствие нормативным требованиям материалов и конструкции; наличие и состояние путей эвакуации.

Факторы второй группы включают в себя: расстояние до ближайшей пожарной части; количество пожарных частей в 20-километровой зоне; степень укомплектованности ближайшего пожарного подразделения кадрами; укомплектованность средствами пожаротушения, наличие и вид противопожарного водоснабжения; диаметр водопровода; состояние ближайших источников водоснабжения; расстояние до места пожара; давление в водопроводе; наличие первичных средств тушения; степень удобства подъезда; наличие погодно-климатических факторов, которые осуществляют влияние на эффективность пожаротушения.

Основными исходными характеристиками, которые необходимо идентифицировать, являются: количество огнетушащих веществ, которые были использованы; время развертывания сил и средств; время прибытия первого подразделения; время ликвидации пожара; убытки от пожара; ошибки пожарных подразделений.

Информация о пожарах и их анализ составляют статистические данные. Базируясь на них, функции информационно-аналитического обеспечения заключаются в решении задач идентификации:

где Yi – исходные характеристики, i {1,.., m}, X {X1, X2,..., Xn } – вектор факторов общих данных об объекте, Z {Z1, Z 2,..., Z k } – вектор факторов, характеризующих противопожарное состояние объекта. Каждая из зависимостей Fi позволяет определить, насколько динамика исходной характеристики определяется изменениями внутренних и внешних параметров жилого объекта.

Идентификация зависимостей (3.4) способствует упорядочению иерархии факторов, осуществляющих влияние на эффективность тушения пожара, а также меры чувствительности динамики исходной характеристики к изменению входного фактора. В результате выполнения такой процедуры появится возможность прогнозировать развитие ситуации, определять необходимость реализации того или другого сценария пожаротушения, формировать адекватный кадровый состав и обеспечивать подразделения необходимыми ресурсами. Кроме того, анализ идентифицированных зависимостей направлен на предотвращение подобных пожаров, устранение недостатков, имеющих место во время тушения, и распространение позитивного опыта пожаротушения.

Обозначим оценку пассивной пожарной безопасности объекта. Она имеет статическую s и динамическую d составляющую. Их композиция и составляет интегральную характеристику объекта, то есть g ( s, d ). Предположим, что 0, 1. Определение составляющих множеств и, s d а также идентификация функции g ( *, * ) являются также задачами нашего исследования.

3.1.2. Формализованная постановка задачи минимизации ошибок личного состава при Поскольку действия личного состава при тушении пожара происходят в экстремальной ситуации, то они сопровождаются ошибками, которые приводят к несвоевременному предоставлению квалифицированной помощи людям и увеличение материального ущерба. Пребывание во временном цейтноте, необходимость быстрого принятия решений и субъективный фактор увеличивают вероятность неправильных действий.

Будем считать известной статистику ошибок, допущенных при тушении пожаров за последние годы. Известно, что достаточно часто личный состав допускает несколько ошибок на одном пожаре. Таким образом, возникает необходимость их анализа на однотипных объектах и поиске корреляционной зависимости.

Для решения задачи минимизации ошибок личного состава на первом этапе выполним ее формализацию [43].

Пусть Q (Q1, Q2,..., Q9 ) – вектор основных ошибок, которые допускает личный состав при тушении пожаров, где:

Q1 – “Медленное наращивание сил и средств”;

Q2 –“Некачественное проведение разведки”;

Q3 –“Неверный выбор решающего направления”;

Q4 –“Неиспользование ГДЗС”;

Q5 –“Неиспользование ближайших водоисточников”;

Q6 –“Неэффективное перекачивание или подвоз воды”;

Q7 –“Непроведение мероприятий по эвакуации людей”;

Q8 –“Неэффективное использование пожарной техники”;

Q9 –“Другие ошибки”.

Очевидно, что элементы векторов X и Z влияют на ошибки. Заметим, что не все факторы являются определяяющими для всех ошибок. Классифицируем факторы таким способом. К первой группе ( R1 ) отнесем параметры объекта, на котором возник пожар; ко второй ( R2 ) – особенности окружающей среды (подъезд к объекту, наличие гидрантов во дворе); к третьему ( R3 ) – факторы окружающей среды (погодно-климатические условия); к четвертому ( R4 ) – особенности организации и ресурсное обеспечение пожарных подразделений (наличие средств пожаротушения, техническое обеспечение).

Для прогнозирования вероятных ошибок при пожаротушении на определенном объекте необходимо решить задачу идентификации зависимости:

которая является равносильной задаче нелинейной оптимизации и заключается в поиске:

где – параметры зависмости (3.5), Ei, i 1, n, статистические значения ошибок. Информационным дополнением к решению задачи (3.5)(3.6) будет нахождение корреляционной матрицы:

Рассматривая только многоэтажные жилые дома, будем допускать наличие базы данных o, содержащей значение массивов Ri, i 1, 4, и базы данных п, в которой отображены карты всех пожаров (см. приложение A). Результат, который необходимо получить, содержит в себе оценку пожарной безопасности объектов и идентификацию зависимостей ошибок пожаротушения от значений параметров, сложившихся на тот момент времени. Очевидно, что некоторые поля являются стационарными, значения, занесенные в них, являются неизменными. К ним относятся записи элементов массива R1 и частично R2. Массив R4 и другая часть R2 изменяются с значительной периодичностью – от недели до года и больше. Информация о погоде ( R3 ) изменяется ежедневно.

Такая структура информационной базы при значительной мощности свидетельствует об актуальности ее самоорганизации, являющейся вспомогательной задачей, и ее решение даст возможность повышения эффективности процесса получения отмеченного выше результата.

3.1.3. Формализация задачи увеличения информативностиаприорной информации путем применения композицииметодов обработки данных Информационная база содержит большое количество записей, которые содержат значение многих факторов. В то же время, очевидно, что между определенными факторами существуют линейные зависимости и учет каждого из них при решении задач не является обязательным, а зачастую сопровождается негативными последствиями, поскольку явление мультиколлинеарности [103] влияет на точность анализа и адекватного использования результатов. Сокращение количества факторов позволит уменьшить присутствие шумовых эффектов и минимизировать требования к вычислительным ресурсам. Заметим, что такие процедуры не должны существенно влиять на точность результата, для чего необходимо найти наиболее значимые факторы и учитывать только их. Таким образом, получаем задачу:

где K зн количество учитываемых значимых факторов, H (Y ) – апостериорная энтропия прогнозирования значения результирующей характеристики, I пот информационные потери.

3.1.4. Формализованная постановка задачи минимизации времени проезда пожарного Предположим, без ограничения общности, что структура дорог является прямоугольной (рис. 3.1). Пронумеруем каждый перекресток в соответствии с центрально-радиальной схемой. Местонахождение пожарного подразделения имеет нулевой номер, наиболее отдаленному от него перекрестку отвечает наибольший номер. Количество перекрестков – N.

Рассмотренной структуре дорог отвечает матрица расстояний между перекрестками S (sij )iNj0, где sij – расстояние от i -го к j -у перекрестку. Зная среднюю скорость движения пожарного расчета, матрице расстояний можно поставить в соответствие матрицу времени проезда между перекрестками T (tij )iN j 0.

Рис. 3.1. Центрально-радиальная нумерация перекрестков Факторы, влияющие на время проезда, по форме представления их значений можно разделить на три группы:

детерминированные, вероятностно-статистические и субъективные.

Минимальное количество перекрестков K на пути проезда пожарного расчета – детерминированный фактор, его значения – натуральные числа, равные номеру квазиконцентрического круга (см. рис. 3.1) и растущие в меру отдаления перекрестка назначения от местоположения пожарного подразделения.

Таблица 3.1. Статистический ряд частоты Загруженность дорог U вероятностно-статистический фактор, характеризирующийся статистическим рядом распределения (табл. 3.1), где в верхней части таблицы находятся временные интервалы, в нижней относительные частоты количества автомобилей в этих временных интервалах.

Качество дорожного покрытия V является субъективным фактором и определяется функцией принадлежности, которая может быть как непрерывной, так и дискретной. Ее построение может быть осуществлено одним из двух способов. Первый базируется на парных сравнениях [121], выполненных одним экспертом, второй – на статистической обработке мнений группы экспертов.

Предположим, что место пожара H находится между двумя перекрестками n1 и n2. Тогда необходимо определить оптимальный маршрут, отвечающий решению задачи поиска [129]:

K ( kij )i 1, j21, где ki1 – номер перекрестка назначения, ki 2 – минимальное количество перекрестков, которое нужно пересекать при проезде к ki1 ; G ( gij )i24 j21, где gi1 номер временного интервала (сутки разбиты на 24 промежутка: с часов до 1-го часа (1), с 1-го часа до 2-го часа (2),…), gi 2 относительные частоты количества автомобилей в gi1 -м вреQ ( qij )i,N1, где qij (0,1) – коэф- фициенты, определяющие качество дорожного покрытия от i -го перекрестка до j -го. Заметим, что матрица G может иметь не статистическую, а субъективную природу. Если движение в одно и то же время на разных участках дороги является неравномерным, то матрица G будет трехмерной, одно из измерений которой отвечает участку дороги. В зависимости от особенностей конкретного города или ситуации, количество матриц значений факторов, влияющих на скорость движения пожарного расчета, может быть увеличено. Отметим, что сущность учета других факторов не будет отличаться от уже рассмотренных.

Высокая вероятность пожаров среди объектов жилого сектора, увеличение количества пострадавших в условиях ресурсного и кадрового дефицита определяют необходимость повышения эффективности работы пожарных подразделений путем применения аналитических технологий.

Один из подходов к реализации такого задания, который базируется на эволюционном моделировании, будет рассмотрен ниже.

3.1.5. Формализованная постановка задачи определения времени и скорости распространения пожара на особо опасных объектах Известно [114], что строительные конструкции классифицируют по огнестойкости и способности распространять огонь. Показателем огнестойкости Po является предел, который определяется временем до наступления одного из граничных состояний:

– потери несущей способности;

– утраты целостности;

– утраты теплоизолирующей способности.

Показателем способности строительной конструкции распространять огонь Ps является граница распространения огня и по этому показателю их делят на три класса:

– граница распространения огня равна нулю;

– граница распространения огня M 25 см для горизонтальных конструкций и M 40 см – для вертикальных;

– граница распространения огня M 25 см для горизонтальных конструкций и M 40 см – для вертикальных.

Таким образом, для особо опасных объектов известны показатели огнестойкости и способности распространения огня для отдельных строительных конструкций. Другими факторами, влияющими на динамику пожара, являются средняя скорость распространения горения Vo на различных объектах (в основном, помещениях определенного типа) и скорость выгорания некоторых твердых материалов Vv.

Существующие методы определения времени достижения огнем определенной точки базируются на опыте, Интуиции руководителя тушением пожара и заключаются в суммировании времен его распространения по разным помещениям и через препятствия. Точность такого расчета является достаточно низкой из-за неопределенности значений многих факторов, их неполноты и неизвестности для лица, принимающего решения.

Осуществим формализованную постановку задачи. Пусть t0 – время возгорания, M ( x0, y0 ) – точка возникновения пожара (рис. 3.2). Необходимо определить t K – время достижения пожаром точки K ( xK, yK ). Считаем, что для особо опасных объектов известна структура помещений, месторасположение предметов, усиливающих или замедляющих распространение огня, а также наличие и расположение технических проемов. Заметим, что каждая точка объекта имеет координатную привязку на плоскости. Точка с нулевыми координатами находится в нижнем левом углу. Каждое помещение, коридоры имеют пространственные ограничения, зафиксированные в базе данных.

Рис. 3.2. Схема объекта и пути распространения пожара Не ограничивая общности, предположим, что количество помещений равно N, форма распространения пожара в коридорах является прямоугольной, в других помещениях имеет вид кругового сектора.

Исходная информация включает в себя:

– среднюю скорость распространения огня V0i, i 1, N, в каждом из N помещений;

– наличие, координаты и скорость выгорания V ji, j 0, ki, j -го типа оборудования в i -м помещении;

– наличие, координаты и среднюю скорость распростраl нения огня в кабельных шахтах Vsh ;

– наличие, координаты, огнестойкость дверей Pd, i 1, m, и окон Pw, w 1, m;

– наличие, координаты и скорость распространения огня по воздуховодам Vv и технологическим проемам.

Сопутствующие задачи имеют такие составляющие:

– определить аспекты моделирования процесса распространения пожара в каждом из помещений особо опасного объекта с учетом особенностей его архитектуры A, строительных материалов (C1, C2,..., Cn ), оборудования (O1, O2,..., Om ), других факторов R и разработать математическую модель расчета скорости распространения пожара – определить время Tij распространения пожара из одного помещения в другое, используя информацию о типе перекрытий ( P, P2,..., Pk ), кабельных шахтах ( S1, S2,..., Sq ), окнах (W1,W2,...,Wg ), дверях (D1, D2,..., Db ), воздуховодах ( H1, H 2,..., H u ), технологических проемах (V1,V2,...,Vz ) и разработать алгоритм аппроксимации периметра пожара P G(P, P,..., P, S1, S2,...,Sq,W,W,...,Wg, D, D2,..., D,H1,H2,..., Hu,V,V2,...,Vz ), (3.11) где под периметром будем понимать длину границы распространения огня, имеющую форму круга, кругового сектора или прямоугольника.

3.2. Классические модели и методы структурной и параметрической идентификации целевой В качестве базиса решения задач (3.1)–(3.2) выступает определенная информационная среда, являющаяся посредником между проектируемым объектом жилого сектора, строительными организациями и внешней средой. На начальных этапах проектирования существует информация о предполагаемой структуре объекта, структуре его окружения и номенклатуре строительных материалов. В процессе эксплуатации накапливаются статистические данные и об объектах-аналогах. Полученная информация используется при решении задач (3.1)–(3.2) для идентификации критериальных функций, которыми являются зависимости E p ( A) и Em ( B ), где A и B – факторы, определенные ниже. Отметим, что A и B могут иметь как общие, так и различные составляющие. Этот факт является важным при учете того обстоятельства, что решения задач (3.1)–(3.2) определенным образом, противоречат одно другому. Также нельзя указать одну интегральную оценку уровня пассивной пожарной безопасности. Очевидно, что, в подавляющем большинстве случаев, выбор необходимо делать в пользу решения задачи (3.1).

Первой подзадачей, которую необходимо рассмотреть для решения (3.1), является задача идентификации E p ( A) и Em ( B). Для этого определяется множество факторов, составляющих A и B. Конкретное наполнение этих совокупностей оставим практическим специалистам. Пусть A ( X1, X2,..., Xk ) и B ( Z1, Z 2,..., Z l ), где X 1, X 2,..., X k – факторы, влияющие на безопасность людей, Z1, Z 2,..., Z l – факторы, определяющие величину материальных убытков при пожаре. Среди них имеются, как уже было указано выше, детерминированные, вероятностно-статистические и субъективные факторы. Их формализация и приведение к единой шкале – важное пред-варительное условие решения задач (3.1)–(3.2). Учитывая конечность и ограниченность множества объектов жилого сектора, детерминированные факторы имеют значение в ограниченных, чаще всего, дискретных множествах, то есть При определении вероятностно-статистических факторов необходимо отметить то, что они могут быть представлены двумя способами. В первом случае значение фактора определяется из ряда распределения, то есть где pvj P{Z i zvj }.

Вероятности, в соответствии с законом больших чисел [21], отвечают частотам реализации вариантов на объектаханалогах. В большинстве случаев такие факторы отображают особенности строения жилых объектов. Второй случай отвечает не ряду распределения, а одной вероятности, например, вероятности пожара на объекте.

Субъективные факторы характеризуются функциями принадлежности [97]. Каждому значению факторов xiu, i k2 1, k, z w, j l2 1, l, отвечают значения функций принадлежности i (xiu ) и j ( z w ) из отрезка [0,1], которые, при необходимости, путем дефаззификации превращаются в числовые значения факторов. Таким образом, области значений факторов второго и третьего типа совпадают. Путем применения монотонного преобразования x ( x xmin ) ( xmax xmin ) переведем в отрезок [0,1] и значения факторов первого типа.

Идентификация зависимостей требует построения таблиц с такими полями:

Заполнение таблиц для каждого пожара на объектах жилого сектора является трудоемким процессом с большой избыточностью. Поэтому будем требовать их заполнения только для объектов-эталонов [97, 99], количество которых определяется экспертами, также устанавливающих для них оценки E e и Em. При необходимости количество кластеров может быть увеличено.

Ввиду того, что количество факторов достаточно большое (100), одной из традиционно применяемых процедур является определение коэффициентов корреляции факторов с оценкой уровня пожарной безопасности объектов. Поскольку зависимости могут быть и нелинейными, то такой подход не является единственным, но вследствие его применения получим уменьшение априорной энтропии, поскольку остаются факторы, которые осуществляют наибольшее влияние на оценку, а уменьшение их количества уменьшает и присутствие, а также влияние шумовых эффектов.

Выполнение анализа сложной системы, начальными данными для которого являются значения экзогенных факторов, то есть таких, которые определяются за пределами системы, ее структура, элементная база и принципы функционирования, становится одной из главных задач исследования и проектирования вместе с задачами синтеза и принятия решений. Значение эндогенных (результирующих) характеристик известно на этапе идентификации и неизвестно при прогнозировании.

Идентификация, как составляющая задачи анализа, и прогнозирование, как необходимый этап для синтеза, являются дуальными задачами, поскольку решение второй возможно только с использованием решения первой, которая, в свою очередь, является актуальной при экстраполяции исходной информации. Известными традиционными моделями и методами решения задачи идентификации являются:

– линейная парная и множественная регрессия (метод наименьших квадратов при выполнении предпосылок его применения и обобщенный метод наименьших квадратов, в противном случае) [103, 153];

– нелинейная множественная регрессия (метод Брандона) [149];

– полиномиальная аппроксимация (метод группового учета аргументов) [20, 72–74, 134] и другие.

Пусть X 1, X 2,..., X n входные факторы, Y результирующая характеристика. Задача идентификации эквивалентна задаче поиска или, что то же самое, поиска где – параметры зависимости Yi F ( X 1i, X 2,..., X n ), Yi – знаi i чения, рассчитанные по идентифицированной зависимости.

Составляющей эффективного решения задачи (3.14) является решение задачи упорядочения факторов по уровню влияния на динамику значений характеристики Y. Для этого необходимо осуществить отображение множества значений каждого фактора X i, i 1, n, и результирующей характеристики Y на отрезок [0,1] (осуществить нормирование), после чего найти значение F H F ( X 1H, X 2H,..., X nH ). На следующем шаге необходимо рассчитать и упорядочить факторы X i по величине отклонения В результате нахождения значений (3.15)–(3.16) будет сформирована упорядоченная по значимости последовательность факторов На усмотрение лица, принимающего решение, достаточно задать некоторое число k {1,2,..., n} и оставить только k первых факторов. Вследствие этого является возможной потеря точности результата идентификации, но изъятие факторов с значительным присутствием шумовых эффектов будет только способствовать эффективной идентификации и более точному прогнозированию.

Другой составляющей получения (3.14) является спецификация зависимости F, т.е. решение задачи ее структурной идентификации. Какой бы из вышеуказанных методов не использовался, обязательно приходится учитывать определенные ограничения.

1. Для линейной регрессии [103] имеют место такие требования:

– равенство математического ожидания остатков нулю;

– немультиколлинеарность факторов X 1, X 2,..., X n ;

– постоянство дисперсии остатков и их независимость;

– отсутствие зависимости значений экзогенных факторов от остатков.

2. Для нелинейной регрессии недостатками являются:

ограниченный выбор при спецификации модели;

вычислительная сложность расчетов.

3. Для полиномиальной аппроксимации [134]:

– необходимость выбора внешних критериев;

– свобода выбора и, как следствие, значительная неопределенность процесса поиска оптимального решения.

Перечисленные особенности и недостатки классических методов идентификации делают невозможным эффективное решение задачи поиска неизвестной зависимости.

Необходимость субъективного вмешательства в процесс выбора оптимальной модели, тестирования множества исходных данных, вычислительная сложность алгоритмов, реализующих вышеприведенные методы, свидетельствует о необходимости применения моделей и методов, базирующихся на новых, неклассических парадигмах.

3.3. Нейронные сети – универсальные модели идентификации сложных зависимостей Процесс решения задач идентификации сопровождается многочисленными проблемами, главной из которых является выбор эффективного метода получения искомых функций.

Многофакторные зависимости (3.4)–(3.5) не являются линейными и, соответственно, традиционными статистическими методами определить их невозможно. Невозможным также является использование спектрального анализа вследствие незначительного влияния временного фактора на результирующие характеристики, а также сложности возможных зависимостей и недостаточной, в этом случае, статистической базы. Значения факторов принадлежат разным знаковым областям и без предварительной подготовки использовать их для анализа нельзя. Среди большого количества факторов достаточно сложно определить значимые факторы. Высокий уровень корреляции их значений обусловливает большую вероятность ошибки идентификации искомых зависимостей.

Свободными от всех вышеизложенных ограничений являются искусственные нейронные сети (НС). Адекватное применение НС требует определенной подготовки исходных данных, знания их возможных архитектур и принципов функционирования, преимуществ и недостатков. Предварительный анализ показал, что к классическим парадигмам НС, которые могли бы быть использованы для решения задач идентификации, относятся прямосвязные нейронные сети с алгоритмом обратного распространения ошибки (АОРО) [175], сети встречного распространения (СВР) [161], сети с радиально-базисными функциями активации (RBFсети) [131, 174], стохастические нейронные сети (СНС)[174].

Прямосвязная нейронная сеть изображена на рис. 3.3.

Начальной информацией для обучения НС служат данные, представленные в табл. 3.2. Используем такие обозначения:

N количество точек наблюдений, которые получены в результате экспериментов или являются статистическими данными; вектор X – входы сети, D желаемые или реальные выходы, X ( X 1, X 2,..., X p ), D (d1, d 2,..., d k ). Целевая функция, которую необходимо минимизировать, является такой:

Рис. 3.3. Искусственная нейронная сеть Очевидно, что значения d kj (заданные выходы первого слоя) неизвестны. Поэтому, на первом этапе ограничимся выходами последнего слоя. Формула (3.17) трансформируется в (3.18):

Получаем задачу:

Таблица 3.2. Начальные данные для обучения нейронной сети Традиционно [7, 66], минимум ищут методом градиентного спуска, что означает настройку весовых коэффициентов таким образом:

где ij весовой коэффициент, который отвечает связи i -го нейрона ( n 1 )-го слоя с j -м нейроном n -го слоя, 0 1 – коэффициент скорости обучения. Известно [106, 144], что где y j выход нейрона, S j взвешенная сумма его входных сигналов (аргумент активационной функции). В качестве такой функции целесообразно выбирать классический сигмоїд y, или гиперболический тангенс. Третий множитель Первый множитель в (3.19) легко разложить следующим образом:

В (2.22) сумму ищут среди нейронов ( N 1) -го слоя. Введем новую переменную:

Получим рекурсивную формулу:

что дает возможность вычислить (j n ), зная (j n 1). А для выходного слоя для случая гиперболического тангенса или в случае сигмоида Тогда (3.18) имеет вид:

Для того, чтобы придать процессу коррекции весовых коэффициентов некоторой инерционности, которая сглаживает резкие прыжки при перемещении по поверхности целевой функции, (3.28) дополняется значением изменения коэффициентов на предыдущей итерации где коэффициент инерционности, t номер текущей итерации.

Особенностью функционирования НС с АОРО является прохождение входных сигналов от входного слоя к выходному и коррекция ошибки в обратном направлении. Два десятилетия тому назад предложение АОРО стало толчком для динамического применения НС к решению разнотипных задач. Учеными доказано [29], что процесс обучения НС с АОРО обязательно сходится. Вместе с тем, к недостаткам АОРО относят возможность неопределенно длинного процесса обучения. Одной из причин этого является неэффективность выбора итерационного шага. Кроме этого, алгоритм АОРО не является защищенным от попадания в локальные оптимумы, а процесс обучения от “паралича”, связанного с малыми приростами весовых коэффициентов и вычислительными погрешностями округления.

Сеть встречного распространения [162] имеет такую же архитектуру, как и сеть, изображенная на рис. 3.3. Отличием структуры является использование в качестве первого слоя Кохонена [169] и второго слоя Гроссберга [159]. Известно, что слой Кохонена функционирует по принципу “победитель забирает все” и в нем определяется нейрон – индикатор класса, а в слое Гроссберга за счет настройки весовые коэффициенты приближаются к входному образу. Таким образом, СВР реализует преобразование:

Ассоциационные свойства сети после обучения реализации (2.30) позволяют осуществлять и отображения с неизвестными входами или выходами:

Преимуществом СВР является возможность вычисления обратных функций, простота и скорость обучения, что позволяет адекватно использовать ее в предварительных расчетах и для решения определенного класса задач. Недостатком сети является низкая точность аппроксимации.

НС с радиально-базисными функциями активации, в большинстве случаев, имеют прямой алгоритм обучения.

Следствием этого является точная аппроксимация в точках обучения и высокая точность аппроксимации внутри области обучения. Сеть RBF имеет один скрытый слой. Количество нейронов в нем обычно совпадает с количеством учебных образов. В качестве функций активации используются радиально-базисные функции где X – обучающий образ, C центр активационной функции. Обучение RBF-сети осуществляется по такому алгоритму [29, 174]:

1. Осуществить инициализацию весовых коэффициентов W скрытого слоя.

2. Подав на вход сети все образы, получить систему равнений 3. Решение системы (2.32) W F 1 D и будет искомой системой весовых коэффициентов.

В пользу использования RBF-сети свидетельствует ее скорость обучения, недостатками сети является неформализированный выбор “ширин” окон активационных функций и, как следствие, проблемы с точностью экстраполяции, хотя определенные попытки в этом направлении уже сделаны [131]. Также достаточно часто возникают проблемы с вычислением обратной матрицы из-за плохой обусловленности F.

Еще одной важной нейросетевой парадигмой являются стохастические алгоритмы обучения НС [163]. Такое обучение также является итерационным. В сравнении с НС с АОРО главным преимуществом является минимизация риска попадания в локальный оптимум функции энергии. Достигается такой результат путем случайного допуска ухудшения значений целевой функции. Недостатком такой сети является слишком низкая скорость сходимости итерационного процесса, что вызвано значительным количеством шагов в неверном направлении при поиске оптимума функции энергии. Оптимизация этого процесса достигается за счет использования разных распределений при генерации приращений весовых коэффициентов. Исследования в направлении увеличения скорости сходимости алгоритма продолжаются с использованием базовой идеи, которая заключается в использование композиции АОРО со стохастическими методами обучения [144].

Учитывая значительное количество недостатков, сопровождающих процессы использования НС, а именно, низкую точность аппроксимации для образов, находящихся как в области обучения (СВР-сеть), так и вне границ области обучения (RBF-сети), низкую скорость сходимости (сети со стохастическими методами обучения), для исследования точности и скорости сходимости выбраны прямосвязные сети с методами обучения, базирующимися на вычислении производных первого и второго порядка (см. главу 5).

3.4. Аспекты решения задач оптимизации методами эволюционного моделирования Если зависимость, которую нужно идентифицировать, существует в неаналитическом виде (таблица числовых значений), применение интегро-дифференциальных методов невозможно, поскольку не всегда известно, является ли она гладкой функцией. Отмеченный аспект убеждает в необходимости использование методов, которые не предполагают наличия свойства гладкости у искомой зависимости, и сводят вероятность попадания в локальный оптимум к нулю (рис. 3.4). Такую технологию реализуют генетические алгоритмы (ГА). Классический вариант ГА предложен в роботе Д. Холланда [164] и развит в трудах его учеников и коллег [156].

К базовым операторам ГА относят кроссовер (рекомбинации, кроссинговер), мутации и инверсии. С их помощью осуществляется преимущественное размножение лучше адаптированных к внешней среде индивидов, а также производство индивидов с характеристиками, которые отсутствовали у индивидов предыдущих поколений. В оптимизационных задачах, таким образом, реализуется приближение к оптимальному решению и выбивание целевой функции из локальных экстремумов.

Классический ГА реализуется таким образом:

Шаг 2. Инициализировать начальную популяцию Pt случайно выбранными индивидами из {0,1}t.

Шаг 3. Вычислить значения функции приспособленности (fitness-func-tion в дальнейшем изложении) всех индивидов из Pt.

Шаг 4. Пока условие останова не верно выполнить:

Шаг 4.1. Выбрать индивидов для репродукции из Pt, исходя из значений их fitness-function.

Шаг 4.2. Применить генетические операторы для репродукционного пула для производства потомков.

Шаг 4.3. Вычислить fitness-function потомков.

Шаг 4.4. Заменить индивидов из Pt потомками и создать Шаг 5. Вывод результатов.

К главным предпосылкам применения ГА отнесем такие аспекты:

1. Известна функция приспособленности (fitness-function), которая указывает на меру близости полученного решения к оптимальному. Чаще всего такими функциями являются те, минимальное или максимальное значение которых нужно найти.

2. Для каждого из факторов X 1, X 2,..., X n задаются области изменения их значений 1, 2,..., n, то есть X i i, i 1, n.

В зависимости от желаемой или предполагаемой точности решения (такого, что Yопт Y, где Yопт оптимальное решение, Y вычисленное), формируется генеральная совокупность предполагаемых решений, количество элементов в которой равно N. На усмотрение аналитика выбирается размер представительской выборки K. Если он является достаточно малым или большим, то это приведет к значительным расходам времени, поскольку в первом случае поиск оптимального решения будет длительным, а во втором – будет требовать значительного количества вычислительных операций, связанных с уточнением решения. Каждое потенциальное решение Y i представляют бинарным кодом и называют хромосомой (chromosome), то есть реализуют преобразование:

3. Для каждого решения вычислим значение его эффективности, для чего осуществим обратное превращение Yбi Y i и найдем Ei G (Y i ), i 1, K . Пропорционально значениям Ei с хромосомами Yбi ассоциируют определенное значение вероятности pi их участия в воспроизводстве потомков.

4. В зависимости от значений pi выбираются хромосомы для рекомбинации и формируется новая представительская выборка. Поскольку в рекомбинациях с большей вероятностью принимают участие лучшие хромосомы, то итерационно повторяя предыдущие операции, получим оптимальное решение.

5. Для того, чтобы решение не оказался локальным, используют мутации (mutation), сущность которых заключается в изменении одного или нескольких бинарных значений в хромосоме на противоположные.

6. Для обеспечения эффективности ГА важным является критерий его остановки и процедура выбора оптимального решения. Рационально использовать критерии, у которых для заданного 0 :

– попарная сумма расстояний между всеми представителями – сумма расстояний от всех представителей к среднему –попарные суммы отклонений между всеми значениями функции принадлежности E i E j.

Оптимальным будет такое решение Y в популяции, которому отвечает максимальное значение E.

ГА имеет внутренние недостатки. К ним относят трудности реализации, многовариантность таких операций алгоритма, как выбор родительских хромосом, формирование новой популяции, выбор вероятностей воссоздания и мутации. Определение их оптимальных комбинаций является прерогативой исследователя и зависит от типа решаемой задачи, ее формализации и вида представления (3.33). Важными проблемами, влияющими на процесс получения решения задачи оптимизации и обобщающими вышеуказанные недостатки, являются:

1. Низкая скорость сходимости, обусловленная значительным количеством шагов в ошибочном направлении.

2. Низкая вариабельность параметров ГА в процессе его работы, что исключает возможность динамической настройки и, как следствие, увеличивает необходимое количество операций.

В то же время ГА имеет преимущества перед другими методами многокритериальной оптимизации, что отображено в следующей теореме [160]:

Теорема. Пусть выполнены следующие условия:

1. Последовательность популяций P 0, P1,..., которые Генерируются ГА, является монотонной, то есть 2. Для любых элементов a и a ' элемент a ' достижим из a посредством мутации и кроссовера, то есть через последовательность переходов в ряде структур.

Тогда глобальный оптимум функции f отыскивается с вероятностью 1:

Квинтэссенция теоремы заключается в том, что при выполнении указанных двух условий процесс ГА обязательно сходится. Но в ней не указано на конструктивный путь, обеспечивающий обязательное их выполнение. Следствием этого и являются отмеченные недостатки алгоритма.

Для технологии реализации операторов ГА, включающих в себя рекомбинации (кроссовер), мутации и инверсии, которые базируются на бинарных представлениях и использовании вероятностных приемов, точные оценки сходимости алгоритма и его скорости еще не получены.

Вместе с тем, можно улучшить эффективность некоторых шагов ГА как с целью поиска оптимального решения, так и для оптимизации самого процесса поиска. Для этого используются некоторые дополнительные процедуры. Одна из них широко известна [165] и заключается в применении кода Грея вместо простого представления фенотипов (начальные действительные значения аргументов) в бинарной системе счисления. Преимущество его применения заключается в обеспечении, определенным образом, непрерывности поиска оптимального решения. Конструктивно это свойство заключается в отличии двух последовательных элементовфенотипов в бинарном представлении на один разряд.

Если не использовать код Грея, то значение вероятности сходимости ГА к глобальному оптимуму является недостаточным и сам алгоритм требует использования дополнительных конструктивных процедур, эффективность которых сама по себе достаточная высока, но время их реализации и функционирования, чаще всего, перекрывает преимущества использования алгоритма.

Код Грея обеспечивает непрерывность изменения аргументов целевой функции, значительно повышает вероятность сходимости (до 0,95–0,99) и не гарантирует обеспечения необходимого результата лишь в случае неверно выбранной дискретности изменения значений входных независимых переменных. Его использование является также необходимым условием применения других процедур, оптимизирующих скорость и точность результатов ГА.

Мы предлагаем использовать одну из таких процедур, сущность которой заключается в сокращении операций ГА и оптимизации процесса поиска решения.

Процесс изменения аргументов имеет вероятностный характер и является не достаточно управляемым. Эта особенность компенсируется управляемостью процессом изменения функции приспособленности, которая реализуется через сокращение количества представителей в популяции путем применения критерия отбора индивидуумов с соответствующими максимальными (минимальными) значениями. При этом осуществляется ликвидация индивидов, которые в результате присутствия вероятностных эффектов ведут процесс поиска оптимального решения в неверном направлении.

Почему эволюционное моделирование рационально применить для поддержки принятия решений при пожаротушении? Система пожарной безопасности является такой областью, в которой присутствие информационно-аналитических технологий является минимальным и ограничивается, в лучшем случае, составлением карты пожаротушения, заполнением базы данных информацией о каждом пожаре и вычислением статистических величин.

На практике необходимой является разработка технологии оценки уровня пассивной пожарной безопасности, что позволит адекватно реагировать на реальную ситуацию в жилищном секторе и принимать своевременные меры, исходя из структуры и наличия необходимых средств. Идентификация функции оценки и решения оптимизационных задач с использованием генетического алгоритма дает возможность определения искомой зависимости без учета любых требований к начальным данным.

3.5. Методы увеличения информативности и минимизации шумовых эффектов факторов Значительное количество факторов, которые необходимо учитывать при обработке исходной информации и ограниченность желаемой ретроспективы подвергают сомнению результаты решения задачи структурной и параметрической идентификации. Увеличение информативности априорной информации и повышение достоверности вычисления результата прогнозирования являются задачами, которые составят основу эффективного управления функционированием пожарных подразделений.

Понятие информационной неопределенности связано с появлением роботы К. Шеннона “Математическая теория связи” [150] в 1934 году. В ней предложено, а советским ученым Л.Я. Хинчиным доказана единственность функционала, который назван энтропией и имеет вид:

Этот функционал указывает на меру неопределенности выбора дискретного состояния из ансамбля U. Если n состояний u1, u2,..., un и их вероятности p1, p2,..., pn известны, то функционал (3.34) удовлетворяет следующим требованиям:

1. H (u ) непрерывная функция вероятностей состояний 4. H (u ) – действительная, неотрицательная функция.

5. H ( X Y ) H ( X ) H (Y ), если X и Y статистически независимые события.

6. H (u ) – характеризует среднюю неопределенность выбора одного состояния из U. Количество информации I (u ) является мерой снятой неопределенности, ее вычисляют как разность I (u ) H aposteriori (u ) H apriori (u ), где H apriori (u ) – энтропия до проведения опыта, H aposteriori (u ) энтропия после его проведения.

Задаче идентификации зависимости Y F ( X 1, X 2,..., X n ) свойственна значительная энтропия. Она связана с определением наиболее значимых факторов, спецификацией зависимости, неопределенностью наиболее вероятных значений исходной характеристики.



Pages:     | 1 || 3 | 4 |   ...   | 5 |
 


Похожие работы:

«Государственное бюджетное общеобразовательное учреждение высшего профессионального образования Амурская государственная медицинская академия Государственное научное учреждение Дальневосточный зональный научно-исследовательский ветеринарный институт А.Д. Чертов, С.С. Целуйко, Р.Н. Подолько ЯПОНСКАЯ ДВУУСТКА В АМУРСКОЙ ОБЛАСТИ (Жизненный цикл и эпидемиология) БЛАГОВЕЩЕНСК 2013 УДК 616. 995. 122. 22/571. 6 ISBN 5 – 85797 – 081 ББК 55.17 (255.3) Ч ЯПОНСКАЯ ДВУУСТКА В АМУРСКОЙ ОБЛАСТИ (Жизненный...»

«Министерство культуры Российской Федерации ФГБОУ ВПО Кемеровский государственный университет культуры и искусств Лаборатория теоретических и методических проблем искусствоведения ТЕАТРАЛЬНОЕ ИСКУССТВО КУЗБАССА – 2000 Коллективная монография Кемерово Кузбассвузиздат 2012 УДК 792 ББК 85.33 Т29 Ответственный редактор кандидат искусствоведения, доктор культурологии, профессор Кемеровского государственного университета культуры и искусств Н. Л. Прокопова Рецензенты: доктор искусствоведения,...»

«Хадарцев А.А., Субботина Т.И., Иванов Д.В., Гонтарев С.Н. МЕДИКО-БИОЛОГИЧЕСКИЕ АСПЕКТЫ КЛЕТОЧНЫХ ТЕХНОЛОГИЙ Тула – Белгород, 2013 Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования ТУЛЬСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ Федеральное государственное автономное образовательное Учреждение высшего профессионального образования БЕЛГОРОДСКИЙ ГОСУДАРСТВЕННЫЙ НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ...»

«Е.М.Григорьева Ю.А.Тарасова ФИНАНСОВЫЕ ПРЕДПРИНИМАТЕЛЬСКИЕ СТРУКТУРЫ: ТРАНСФОРМАЦИЯ ПОД ВЛИЯНИЕМ РЫНОЧНОЙ КОНЪЮНКТУРЫ Монография Санкт-Петербург 2010 УДК 336 ББК 65 Ф 59 Рецензенты: д-р экон. наук, проф. Е.М.Рогова, заведующая кафедрой Финансовый менеджмент и финансовые рынки Санкт-Петербургского филиала ГУ-ВШЭ; к.э.н, доцент Козлова Ю.А., ГУАП. Григорьева Е. М., Тарасова Ю. А. Финансовые предпринимательские структуры: трансформация под влиянием рыночной конъюнктуры. Монография. – СПб.: ИД...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ НИЖЕГОРОДСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ ИМЕНИ КОЗЬМЫ МИНИНА В.Т. Захарова ИМПРЕССИОНИЗМ В РУССКОЙ ПРОЗЕ СЕРЕБРЯНОГО ВЕКА Монография Нижний Новгород 2012 Печатается по решению редакционно-издательского совета Нижегородского государственного педагогического университета имени Козьмы Минина УДК ББК 83.3 (2Рос=Рус) 6 - 3-...»

«ЕСТЕСТВЕННОНАУЧНАЯ КАРТИНА МИРА (Часть 1) ОТЕЧЕСТВО 2011 УДК 520/524 ББК 22.65 И 90 Печатается по рекомендации Ученого совета Астрономической обсерватории им. В.П. Энгельгардта Научный редактор – акад. АН РТ, д-р физ.-мат. наук, проф Н.А. Сахибуллин Рецензенты: д-р. физ.-мат. наук, проф. Н.Г. Ризванов, д-р физ.-мат. наук, проф. А.И. Нефедьева Коллектив авторов: Нефедьев Ю.А., д-р физ.-мат. наук, проф., Боровских В.С., канд. физ.-мат. наук, доц., Галеев А.И., канд. физ.-мат. наук, Камалеева...»

«Федеральное агентство по образованию ГОУ ВПО Российский государственный профессиональнопедагогический университет Уральское отделение российской академии образования С. В. Гурьев ИНФОРМАЦИОННЫЕ КОМПЬЮТЕРНЫЕ ТЕХНОЛОГИИ В ФИЗИЧЕСКОМ ВОСПИТАНИИ ДОШКОЛЬНИКОВ: МЕТОДОЛОГИЯ, ТЕОРИЯ, ПРАКТИКА Екатеринбург 2008 УДК 373.037:004(075) ББК Ч411.055я7–1 Г 95 Гурьев С. В. Информационные компьютерные технологии в физическом воспитании дошкольников: методология, теория, практика [Текст]: монограф./ С. В....»

«САНКТ-ПЕТЕРБУРГСКИЙ УНИВЕРСИТЕТ УПРАВЛЕНИЯ И ЭКОНОМИКИ Калининградский институт экономики В. И. Гвазава Профессиональная речевая компетенция специалиста по связям с общественностью САНКТ-ПЕТЕРБУРГСКИЙ УНИВЕРСИТЕТ УПРАВЛЕНИЯ И ЭКОНОМИКИ Калининградский институт экономики В. И. Гвазава ПРОФЕССИОНАЛЬНАЯ РЕЧЕВАЯ КОМПЕТЕНЦИЯ СПЕЦИАЛИСТА ПО СВЯЗЯМ С ОБЩЕСТВЕННОСТЬЮ Монография Санкт-Петербург 2011 УДК 80 (075.8) ББК (65.290-2) Г 25 Рецензенты: Г. С. Бережная — доктор педагогических наук, профессор М....»

«Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования Ивановский государственный энергетический университет имени В.И. Ленина А.И. Тихонов Законы природы с позиций теории информации 2008 ББК 20 Т46 Тихонов А.И. Законы природы с позиций теории информации / ГОУВПО Ивановский государственный энергетический университет имени В.И. Ленина. – Иваново, 2008. – 216 с. ISBN Рассмотрены фундаментальные законы природы, которым подчиняются как...»

«Министерство образования Институт экономики и науки РФ и организации промышленного Алтайский государственный производства со РАн университет Алтайская лаборатория Центр социально-экономических экономических исследований и региональной и социальных исследований политики Иэопп со РАн Устойчивое развитие сельских территорий алтайского края: социально-экономические и пространственные аспекты Монография Новосибирск — Барнаул Издательство Алтайского государственного университета УДК 338 (571.150) ББК...»

«3 ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ РОССИЙСКАЯ АКАДЕМИЯ ПРАВОСУДИЯ ЦЕНТРАЛЬНЫЙ ФИЛИАЛ Клепиков Сергей Николаевич АДМИНИСТРАТИВНАЯ ОТВЕТСТВЕННОСТЬ В СУБЪЕКТАХ РОССИЙСКОЙ ФЕДЕРАЦИИ Воронеж 2006 4 Государственное образовательное учреждение высшего профессионального образования РОССИЙСКАЯ АКАДЕМИЯ ПРАВОСУДИЯ ЦЕНТРАЛЬНЫЙ ФИЛИАЛ КАФЕДРА ОБЩЕТЕОРЕТИЧЕСКИХ ПРАВОВЫХ ДИСЦИПЛИН Клепиков Сергей Николаевич АДМИНИСТРАТИВНАЯ ОТВЕТСТВЕННОСТЬ В СУБЪЕКТАХ...»

«ЮДИНА ИРИНА НИКОЛАЕВНА ФИНАНСОВАЯ НЕСТАБИЛЬНОСТЬ: ЦИКЛИЧНОСТЬ, ПУЗЫРИ И КРИЗИСЫ МОНОГРАФИЯ ТЮМЕНЬ Ист Консалтинг 2010 УДК 338.124.4 ББК 65.26 Ю16 Рецензенты: Казанцева Светлана Михайловна, доктор экономических наук, профессор, заведующая кафедрой национальной экономики и менеджмента ГОУ ВПО ТО Тюменская государственная академия мировой экономики, управления и права. Колмаков Владимир Владимирович, кандидат экономических наук, доцент, генеральный директор ООО Ист Файненшиэл Сервисиз энд...»

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Иркутский государственный университет Г. М. Другов А. И. Сизых В. А. Черемных Геология мусковитовых пегматитов Мамской слюдоносной провинции МОНОГРАФИЯ УДК 553.677(571.5) ББК 26.325.2(2Р54) Д76 Научный редактор профессор А. И. Сизых Рецензенты: профессор А. Н. Иванов, доцент В. А. Булнаев Другов Г. М. Геология мусковитовых пегматитов...»

«Дугин А.Г. Археомодерн Москва 2011 УДК 316.3/4 ББК 60.5 Д80 Печатается по решению кафедры социологии международных отношений социологического факультета МГУ им. М.В.Ломоносова Рецензенты: д.филос.н. Попов Э.А. д.филос.н. Верещагин В.Ю. Автор приносит благодарность Н.Мелентьевой, А.Чернову, В.Туркот за помощь в работе над редактированием этой книги. Д80 Дугин А.Г. Археомодерн – М., Арктогея, 2011. — 142 стр. Книга представляет собой статьи и фрагменты отдельных произведений, описывающие с...»

«Т.Н. ЗВЕРЬКОВА РЕГИОНАЛЬНЫЕ БАНКИ В ТРАНСФОРМАЦИОННОЙ ЭКОНОМИКЕ: ПОДХОДЫ К ФОРМИРОВАНИЮ КОНЦЕПЦИИ РАЗВИТИЯ Оренбург ООО Агентство Пресса 2012 УДК 336.7 ББК 65.262.101.3 З - 43 Рецензенты: Доктор экономических наук, профессор Белоглазова Г.Н Доктор экономических наук, профессор Парусимова Н.И. Зверькова Т.Н. З - 43 Региональные банки в трансформационной экономике: подходы к формированию концепции развития. Монография / Зверькова Т.Н. – Оренбург: Издательство ООО Агентство Пресса, 2012. – 214 с....»

«И. Н. Андреева ЭМОЦИОНАЛЬНЫЙ ИНТЕЛЛЕКТ КАК ФЕНОМЕН СОВРЕМЕННОЙ ПСИХОЛОГИИ Новополоцк ПГУ 2011 УДК 159.95(035.3) ББК 88.352.1я03 А65 Рекомендовано к изданию советом учреждения образования Полоцкий государственный университет в качестве монографии (протокол от 30 сентября 2011 года) Рецензенты: доктор психологических наук, профессор заведующий кафедрой психологии факультета философии и социальных наук Белорусского государственного университета И.А. ФУРМАНОВ; доктор психологических наук, профессор...»

«Министерство образования Республики Беларусь УЧРЕЖДЕНИЕ ОБРАЗОВАНИЯ ГРОДНЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИМЕНИ ЯНКИ КУПАЛЫ Э.С.ЯРМУСИК КАТОЛИЧЕСКИЙ КОСТЕЛ В БЕЛАРУСИ В ГОДЫ ВТОРОЙ МИРОВОЙ ВОЙНЫ (1939–1945) Монография Гродно 2002 pawet.net УДК 282: 947.6 ББК 86.375+63.3(4Беи)721 Я75 Рецензенты: доктор исторических наук, профессор кафедры истории Беларуси нового и новейшего времени БГУ В.Ф.Ладысев; кандидат исторических наук Григорианского университета в Риме, докторант Варшавского...»

«А. Ф. Дащенко, В. Х. Кириллов, Л. В. Коломиец, В. Ф. Оробей MATLAB В ИНЖЕНЕРНЫХ И НАУЧНЫХ РАСЧЕТАХ Одесса Астропринт 2003 ББК Д УДК 539.3:681.3 Монография посвящена иллюстрации возможностей одной из самых эффективных систем компьютерной математики MATLAB в решении ряда научных и инженерных проблем. Рассмотрены примеры решения задач математического анализа. Классические численные методы дополнены примерами более сложных инженерных и научных задач математической физики. Подробно изложены...»

«В.В. Тахтеев ОЧЕРКИ О БОКОПЛАВАХ ОЗЕРА БАЙКАЛ (Систематика, сравнительная экология, эволюция) Тахтеев В.В. Монография Очерки о бокоплавах озера Байкал (систематика, сравнительная экология, эволюция) Редактор Л.Н. Яковенко Компьютерный набор и верстка Г.Ф.Перязева ИБ №1258. Гос. лизенция ЛР 040250 от 13.08.97г. Сдано в набор 12.05.2000г. Подписано в печать 11.05.2000г. Формат 60 х 84 1/16. Печать трафаретная. Бумага белая писчая. Уч.-изд. л. 12.5. Усл. печ. 12.6. Усл.кр.отт.12.7. Тираж 500 экз....»

«РОССИЙСКАЯ АКАДЕМИЯ НАУК ИНСТИТУТ СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО РАЗВИТИЯ ТЕРРИТОРИЙ РАН Т.В. Ускова, Р.Ю. Селименков, А.Н. Чекавинский Агропромышленный комплекс региона: состояние, тенденции, перспективы Вологда 2013 УДК 338.43(470.12) ББК 65.32(2Рос-4Вол) Публикуется по решению У75 Ученого совета ИСЭРТ РАН Ускова, Т.В. Агропромышленный комплекс региона: состояние, тенденции, перспективы [Текст]: монография / Т.В. Ускова, Р.Ю. Селименков, А.Н. Чекавинский. – Вологда: ИСЭРТ РАН, 2013. – 136 с....»







 
© 2013 www.diss.seluk.ru - «Бесплатная электронная библиотека - Авторефераты, Диссертации, Монографии, Методички, учебные программы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.