WWW.DISS.SELUK.RU

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

 

Pages:     | 1 | 2 || 4 | 5 |

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

-- [ Страница 3 ] --

Для увеличения информативности начальной информации используем несколько известных методов: “выбеливание входов” [56], метод главных компонент [103], метод box-counting [56]. Каждый из них имеет свою специфику и предназначен для достижения определенных результатов.

Необходимо различать неопределенность, которая сосредоточена в значениях экзогенных факторов X 1, X 2,..., X n и совокупную неопределенность экзогенных факторов и эндогенной характеристики X 1, X 2,..., X n, Y. В первом случае необходимо стремиться к максимизации энтропии, во втором – к минимизации, поскольку следствием решения таких задач является увеличение точности прогнозирования.

Использование метода “выбеливания входов” направлено на увеличение энтропии за счет выравнивания распределения начальных данных. Такое выравнивание будет свидетельствовать об отсутствии линейной связи между факторами. Алгоритм “выбеливания входов” приведен на рис. 3.5. В то же время требование выполнения условия статистической независимости является очень сильным и на практике его реализовать достаточно сложно. В реальных расчетах такое требование целесообразно заменить условием отсутствия линейной зависимости. В соответствии с процедурой “выбеливания” необходимо:

1. Рассчитать средние значения X i, i 1, n, для всех факторов и вычислить их ковариационную матрицу K.

2. Найти линейное преобразование, которое диагонализирует ковариационную матрицу. Соответствующая матрица будет состоять из собственных векторов U решений уравнения KU U, где собственные числа.

3. Рассчитать “выбеленные векторы” по формуле:

Вычисление собственных чисел и собственных векторов U Рис. 3.5. Блок-схема алгоритма “выбеливания входов” Легко убедиться, что векторы X 1', X 2,..., X n являются некоррелируемыми с нулевым средним и единичной дисперсией. Если начальные данные сосредоточены в отдельных, не обязательно связных, подобластях, то в результате этой процедуры происходит выравнивание их распределения по всей области, которая уже будет гиперсферой (на рис. 3. для упрощения и наглядности изображен квадрат). Родственной, но отличной в реализации является идея использования метода главных компонент (МГК) [57], который применяется в случаях построения и исследования моделей больших размерностей, а также моделей, в которые входят мультиколлинеарные переменные. Посредством МГК эффективно преодолевают проблему “проклятия размерности”, которая заключается в том, что для увеличения точности моделей необходимо учитывать все большее количество факторов. В то же время, в результате использования этой процедуры шумовые эффекты, которые присутствуют почти в каждом значении факторов, накапливаются и результаты использования таких моделей являются искаженными.

Рис. 3.6. Технология “выбеливания входов” Вычисление собственных векторов U и собственных чисел Определение главных Определение параметров модели Вычисление параметров модели Алгоритм МГК является таким (рис. 3.7):

1. Нормализация значений всех факторов и получение матрицы X H.

2. Вычисление корреляционной матрицы r ( X H )T X H.

3. Нахождение собственных чисел матрицы r.

4. Упорядочение собственных чисел по возрастанию.

5. Расчет собственных векторов U k, k 1, n. Нахождение главных компонент Z k XU k.

В результате использования МГК, лицо, принимающее решения, имеет возможность, задав определенное значение, определить факторы, которые являются наиболее значимыми (имеют наибольшую дисперсию в пространстве, ортогональном к подпространству других факторов). Кроме того, такие факторы (главные компоненты) будут некоррелируемыми.

Возвращаясь к вышесказанному, заметим, что методы “выбеливания входов” и МГК предназначены для увеличения энтропии в массиве исключительно экзогенных факторов.

Делать выводы из результатов применения указанных методов, не учитывая их влияния на результирующую характеристику, неадекватно и необоснованно. Поэтому, для получения полного отображения взаимозависимостей во всем массиве экзогенных и эндогенных переменных необходимо использовать и методы определения взаимного влияния факторов. Традиционные подходы заключаются в построении корреляционных матриц, выполнении определенных превращений и формировании выводов на основе их результатов.

Достаточно легко определить значимые факторы для прогнозирования исходной характеристики, если она является линейной зависимостью входных факторов. Для этого достаточно ее построить и провести анализ коэффициентов модели. Отнюдь не такой тривиальной задачей является определение наиболее информативных факторов для прогнозирования, если искомая зависимость является нелинейной. На первом шаге необходимо осуществить преобразование начальных данных в качественной форме к количественному виду. Такие процедуры приведены в [132]. Большое количество входных факторов в сравнении с числом наблюдений указывает на необходимость их ранжирования по степени предвидения значений результирующей характеристики, которая ими определяется. Целью такой процедуры является сокращение количества факторов и выделение среди них наиболее значимых. Используем для этого процедуру [65] box-counting, которая предоставляет такую технологию. В соответствии с положениями теории информации, мерой предвидения случайной величины является энтропия.

В методике box-counting она определяется по набору заполненных ячеек, на которые разбивается интервал ее возможных значений. Чем большим будет значение энтропии результирующей характеристики, тем менее прогнозируемыми являются ее значения и тем менее значимым будет соответствующий набор входных факторов. Будем определять энтропию (кросс-энтропию) по формуле где N x – количество вертикальных полос, в которых имеются точки фактора X, N y – количество горизонтальных полос, в которых имеются соответствующие точки фактора Y, N xy – количество ячеек, в которых есть точки ( X, Y ). Пусть X 1, X 2,..., X 6 – независимые факторы, Y – результирующая характеристика. После нормирования их значений точки ( X i j, Y j ) находятся в квадрате [0,1]2 (рис. 3.8). В табл. 3. приведены рассчитанные значения N x, N y, N xy. Анализ полученных результатов указывает на то, что наибольшее значение энтропии имеют первый и третий факторы, далее – четвертый и пятый. Шестой и второй факторы имеют незначительную кросс-энтропию. Поскольку известно, что чем большим является значение кросс-энтропии, тем более определенности вносит значение фактора для прогнозирования исходной характеристики, то последние два фактора можно изъять из последующего анализа.

Значення Y Рис. 2.8. Начальные данные для расчета кросс-энтропии Таблица 3.3. Результаты вычислений кросс-энтропии Достоверность полученных результатов проверена на реальных данных о пожарах в городе Черкассы [49]. При этом генеральная информационная совокупность была разделена на две выборки: учебную и контрольную. На данных первой выборки осуществлялась идентификация искомой зависимости, на данных второй – проверялась ее точность, или способность к обобщению. Поскольку количество статистических данных было малым в сравнении с количеством факторов, которые необходимо было учитывать, то существовала реальная необходимость в увеличении информативности начальных данных.

При использовании метода наименьших квадратов для расчета уравнения множественной линейной регрессии с изъятием мультиколлинеарных факторов отклонение реальных значений от рассчитанных по модели составило 32 %.

Такое же отклонение, но в случае применения МГК 30 %, что свидетельствует о нецелесообразности расчета кросс-энтропии. Комбинируемое применение МГК и “выбеливание входов” уменьшило отклонение результатов до 18 %. И композиция box-counting, МГК и “выбеливания входов” определила наилучший результат – 7%. Такая точность является достаточно высокой для решения нашей задачи.

Таким образом, предложенная технология, которая интегрирует в себе получение наиболее значимых факторов и выравнивание их распределения позволяет получать результаты, точность которых значительно превышает точность результатов известных методов, применяемых отдельно.

3.6. Структурная идентификация модели времени В подавляющем большинстве случаев на особо опасных объектах проведение натурных экспериментов в полном объеме невозможно, также отсутствует статистическая информация. Поэтому принимать решения приходится в условиях неопределенности и такие решения характеризуются доминирующим субъективизмом. Для объективизации процесса принятия решений предлагается применить элементы так называемых „мягких вычислений” [64].

Первый этап заключается в построении модели, которая базируется на нечетком представлении информации. Базовыми элементами такого представления являются лингвистические переменные и функции принадлежности. При формировании терм-множества лингвистических переменных возможны две ситуации. В первой из них формализация задачи определяется суждениями одного эксперта, во второй – коллективом экспертов. Очевидно, что суждения одного эксперта о параметрах пожара, рационально представлять треугольной функцией принадлежности, а суждения коллектива экспертов – трапециевидной. В дальнейшем изложении будем выполнять анализ информации, полученной от одного эксперта.

Определение времени распространения огня из точки М в точку К (см. рис. 3.2) необходимо выполнять при предположениях и ограничениях, устраняющих избыточные варианты и оптимизирующие пространство поиска. Поскольку точка К находится на „северо-востоке” от точки М, то ограничимся „верхне-правым” направлением вероятного направления огня. Формально это означает, что рассматриваемому распространению огня соответствуют ситуации:

где ( xt, yt ) – координаты точки границы огня через время t от начала пожара. Необходимым условием для построения модели является дискретизация значений входных факторов и выходной переменной.

В первом приближении модель, описывающая зависимость времени достижения огнем точки K от входных факторов, представима системой логических высказываний [14]:

В выражении (3.37) точки ti, i 1, m, соответствуют узлам разбиения отрезка [tmin, tmax ] t0 t1... tn, где tmin и tmax – минимальное и максимальное предполагаемое время достижения огнем точки K, соответственно. X 1 – число, являющаяся координатой-абсциссой точки стены помещения, которой достиг пожар. Если стена горизонтальная (см. рис.

3.2), то значение X 1 является серединой отрезка, который рассмат-ривается. X 2 – аналог X 1, он является координатой Y точки стены.

Знание X 1 и X 2 позволяет определить прямую линию, на которой может находиться оборудование. Тогда параметр X 3 определяет время распространения огня до указанной точки при отсутствии препятствий в помещении определенного типа. X 4 – время выгорания оборудования, что может ускорить или замедлить распространение пожара.

X 5 – время разрушения или выгорания дверей, если они есть на отрезке указанной выше прямой. X 6 и X 7 – время движения огня по кабельной шахте и воздуховоду до точки в следующем помещении, соответственно.

Таким образом, в первом приближении мы имеем модель, включающую в себя семь факторов, два из которых являются числами, пять – нечеткие величины, характеризуемые треугольными функциями принадлежности. Такой же треугольной будет и функция принадлежности для значений выходной величины – времени достижения огнем точки K. Каждый блок “Если-То” модели (2.37) соответствует суждениям одного эксперта. Количество экспертов – k p.

Строка в блоке отвечает одному варианту пути распространения огня от точки M до точки K. Тогда фрагмент базы знаний будет таким (табл. 3.4).

Таблица 3.4. Структура данных для инициализации модели перта щения Подстановка значений из базы знаний в модель (3.37) свидетельствует о том, что осуществлена ее структурная идентификация и инициализация. Очевидно, что время распространения огня по различным маршрутам у разных экспертов будет разным. Для того, чтобы минимизировать противоречия и оптимизировать зависимость (3.37) необходимо решить задачу ее параметрической идентификации. Параметрами зависимости являются значения параметров ( ai, ci ), i 3,8 для варианта модели (3.37) с данными из табл. 3.4.

Объективизация модели (3.37) позволит определить минимальное время, за которое пожар может распространиться до определенной точки, найти соответствующий путь и оптимизировать процесс распределения сил и средств пожаротушения.

Заметим, что технология получения модели времени достижения огнем некоторой точки на особенно опасном объекте имеет определенные недостатки. Так, в ней отображен некоторый волюнтаризм, вызванный сужением пространства распространения огня. В то же время, такая технология получения модели отличается и избыточностью, поскольку количество путей распространения огня на практике не может в силу разных причин быть таким большим. Также не учтены варианты слияния огневых потоков.

Эволюционные модели и методы анализа прогнозирования оценки уровня пожарной безопасности В отличие от многих других сложных систем в системе пожарной безопасности главным критерием успешного функционирования является критерий времени, знание значения которого необходимо для принятия решений [14]. Такой аспект указывает на необходимость и целесообразность разработки автоматизированных систем, которые будут интегрировать в себе информационную базу и методическое обеспечение, основой которого должны стать методы быстрой обработки данных и оптимизации. Специфика задач и предметной области, значительное количество записей информационной базы, факторов, значение которых необходимо учитывать при анализе пожаров, минимизации потерь и прогнозировании, их разнотипность и зависимость делают невозможным применение классических методов идентификации, которые базируются на интегро-дифференциальной парадигме.

Предварительный анализ свидетельствует о необходимости разработки и применения эволюционных моделей и методов, которые наследуют принципы развития природных систем и не требуют выполнения ограничений на начальную информацию. Большинство аналитических задач в системе пожарной безопасности в качестве базовой подзадачи используют идентификацию определенного закона существования или функционирования, что рационально выполнять с помощью нейронных сетей, а также решения задач оптимизации (преимущественно дискретной), для чего применимы методы эволюционного моделирования.

Преимуществами указанных моделей и методов является их определенная универсальность. Для того чтобы учесть специфику задач исследования, необходимо выполнить адаптацию нейронных сетей к предметной области, данным, ограничениям и выполнить формализацию начальной информации с целью увеличения точности результатов и скорости их поиска.

4.1. Идентификация оценки пожарного Для определения оценки пожарного состояния жилого объекта необходимо решить задачу идентификации. Исходными данными является статистическая информация о пожарах. Традиционно, осуществляя ее последовательный анализ, определялись с видом зависимости, то есть выполняли структурную идентификацию. Этот процесс отмечался значительным присутствием субъективизма и ограниченностью мощности множества потенциальных зависимостей. Решение другой подзадачи – параметрической идентификации традиционно базировалось на методе наименьших квадратов, одной из особенностей которого является необходимость проверки значительного количества требований и предположений. Решив вышеуказанные проблемы, можно утверждать об эффективном оценивании уровня пожарной безопасности. В соответствии с этапами системного анализа, выполним формализацию внутренних и внешних факторов, определяющих пожарную безопасность жилых объектов.

Выделим основные факторы первой группы:

1. X 1 – дата построения.

2. X 2 – количество этажей.

3. X 3 – их планирование.

4. X 4 – наличие подвалов и чердаков.

5. X 5 – структурные особенности дома, имеющие отношение к особенностям развития, тушения и последствий пожара.

6. X 6 – соответствие нормативным требованиям материалов и конструкции.

7. X 7 – наличие и состояние путей эвакуации.

К факторам, которые определяют противопожарное состояние объекта, отнесем такие:

1. Z1 – расстояние до ближайшей пожарной части.

2. Z 2 – количество пожарных частей в 20-километровой зоне.

3. Z 3 – степень укомплектованности ближайшего пожарного подразделения кадрами.

4. Z 4 – укомплектованность средствами пожаротушения.

5. Z 5 – наличие и вид противопожарного водоснабжения.

6. Z 6 – диаметр водопровода.

7. Z 7 – состояние ближайших источников водоснабжения.

8. Z 8 – давление в водопроводе.

9. Z 9 – наличие первичных средств тушения.

10. Z10 – степень удобства подъезда.

11. Z11 – наличие погодно-климатических факторов, осуществляющих влияние на эффективность пожаротушения.

К исходным характеристикам, которые необходимо идентифицировать, принадлежат:

1. Y1 – количество огнетушащих веществ, которые были использованы.

2. Y2 – время развертывания сил и средств.

3. Y3 – время прибытия первого подразделения.

4. Y4 – время ликвидации пожара.

5. Y5 – убытки от пожара.

6. Y6 – ошибки пожарных подразделений.

Таким образом, задача (2.4) заключается в идентификации векторной зависимости:

Отметим, что статистические данные являются зашумленными, поскольку процессы, связанные с вычислительными процедурами и оценкой ситуации, происходят в условиях временного цейтнота. Вместе с тем, в предположении о нормальном распределении данных, зависимость (4.1) может быть идентифицированной. Не выполняя тестирова-ния на мультиколинеарность, гетероскедастичность и автокорреляцию, согласно МНК для исходных характеристик (см. табл.

3.2) получены такие результаты:

Среднее квадратичное отклонение на тестовой выборке 1 22,98.

Среднее квадратичное отклонение на тестовой выборке 2 11,9.

Среднее квадратичное отклонение на тестовой выборке Среднее квадратичное отклонение на тестовой выборке 2 50,9.

Среднее квадратичное отклонение на тестовой выборке 2 14,2.

Среднее квадратичное отклонение на тестовой выборке 2 4,6.

Анализируя коэффициенты при переменных, которые обозначают внутренние и внешние факторы, можно делать выводы об их влиянии на результирующую характеристику.

Но такие оценки в результате перечисленных обстоятельств будут смещенными. Одним из путей преодоления такой проблемы является выполнение процедур препроцессинга данных. Более эффективным процесс идентификации будет при условии изъятия незначимых факторов и уменьшения шумовых эффектов.

4.2. Самоорганизация архитектуры и принципов функционирования нейронной сети Для решения задачи идентификации функции оценки уровня пожарной безопасности жилых объектов рационально использовать в качестве математических моделей прямосвязные нейронные сети. Такой вывод основывается на следующих предпосылках:

1. Мощность базы данных о пожарах является достаточно значительной как по количеству кортежей, так и по количеству полей.

2. База данных постоянно пополняется.

3. Информация, которая содержится в базе данных, является разнотипной.

4. Большинство факторов (полей базы данных) является линейно зависимыми один от другого.

5. Наличие „шумового” эффекта искажает действительные значения факторов, что объясняется субъективным характером процесса осуществления измерений и приводит к смещенной оценке неизвестных параметров.

6. Существующая существенная нелинейность зависимости исходной характеристики от входных факторов.

Очевидно, что такие жесткие ограничения не позволят использовать традиционные методы идентификации. Известно, что нейронные сети не требуют выполнения никаких ограничений на исходную информацию и допускают выполнение определенных преобразований, которые оптимизируют точность идентификации. К таким преобразованиям принадлежат: увеличение информативности исходных данных, нормализация и стандартизация, определение оптимального состава входных факторов и т. п.

Для оптимизации нейросетевой модели традиционно [147] применяют методы, которые базируются на использовании градиентного подхода. К таким методам принадлежат: классический алгоритм обратного распространения ошибки [175], метод сопряженных градиентов [94], алгоритм Левенберга-Марквардта [7] и другие. Об особенностях их использования упоминалось в п. 3.3.

Все указанные методы являются итерационными и достаточно точными, но имеют один определяющий недостаток. Длительный характер обучения сетей с помощью таких алгоритмов не позволяет эффективно и своевременно использовать их для оценки пожарной безопасности на практике.

Один из методов преодоления такого препятствия был предложен в [53]. Создание быстрой нейронной сети, имеющей модульно-ядерную структуру, облегчает процесс настройки весовых коэффициентов за счет уменьшения количества связей, которые необходимо учитывать. Поскольку факторы определения уровня пожарной безопасности объекта разделены на внутренние и внешние, выдвигаем гипотезу о том, что они независимо влияют на ее общую оценку.

Такая НС имела бы два ядра во втором слое (рис. 4.1) и количество связей между первым и вторым слоем можно было бы значительно уменьшить или вообще не учитывать. Но, в таком случае, необходимо иметь информацию о важности факторов и их значимости, которая лежит в определении меры влияния на общую оценку пожарной безопасности объекта. Незнание ее может привести к удалению важных связей и, соответственно, смещении оценки [156, 162].

Рис. 4.1. Структура двохядерной сети Для проверки гипотезы использовалась прямосвязная сеть со всеми связями. Количество входов определялось количеством входных факторов и составляло 18 (первые 7 – внутренние параметры объекта, другие 11 – особенности внешней среды). Для тестирования НС выбрано 30 записей из базы данных и количество нейронов скрытого слоя установлено равным 20. Обоснование количества нейронов скрытого слоя для практического применения приведено ниже.

Все весовые коэффициенты первого слоя при инициализации получили значение 0,5. Обучение НС осуществлялось по алгоритму АОРО. Результирующие значения весовых коэффициентов приведены в табл. 4.1.

Для определения влияния весовых коэффициентов на результаты идентификации воспользуемся таким правилом: если после обучения нейронной сети абсолютное значение весового коэффициента близкое к нулю, то это означает, что соответствующая связь является несущественной и от нее можно избавиться. Анализ данных в табл. 4.1 показал, что в сети можно выделить два ядра (рис. 4.2). Нейронная сеть с изъятыми связями учится значительно быстрее и модель быстрой ядерной сети можно использовать в дальнейшем, считая ее базовой структурой, что допускает оптимизацию под конкретную задачу и набор данных.

Нейроны скрытого слоя Нейроны скрытого слоя Рис. 4.2. Идентификация функции оценки с помощью НС Используем аналогию с известным эконометрическим методом главных компонент [103]. Согласно МГК, находим ковариационную матрицу, ее собственные числа и векторы.

Далее определяем собственные векторы, которые отвечают наибольшим собственным числам и на их основе получаем матрицу векторов главных компонент. Таким образом, остаются только значимые факторы.

Создавая модель НС, будем учитывать несколько положений: во- первых, для получения любой зависимости достаточно одного скрытого слоя (в нашем случае есть два слоя весовых коэффициентов); во-вторых, согласно [176], количество нейронов в скрытом слое не должно превышать удвоенного числа входных факторов, то есть K p 2 ( s d ) (у нас:

202(7+11)); в-третьих, установлено, что количество тренировочных (учебных) образов должно быть приблизительно равным количеству весовых коэффициентов сети, умноженному на обратную величину ошибки [155]. Для нашей задачи количество входных факторов Kin 18, если положить значение ошибки 1 и количество нейронов скрытого слоя K p 20 то, учитывая один нейрон на выходе, получим количество весовых коэффициентов, которые настраиваются, равным K w 18 20 20 380 и, соответственно, количество тренировочных образов должно быть приблизительно равным 380. Если НС имеет ядерную структуру, то количество весовых связей и учебных образов является меньшей почти Известно, что значительное количество настраивающихся связей, и присутствие шумов во входных образах не позволяют получить необходимую точность и сеть достаточно часто попадает в состояние насыщения, происходит так называемый „паралич”. Кроме того, современные вычислительные ресурсы не являются такими уже и безграничными, если речь идет о тысячах учебных образах, каждый из которых содержит более ста элементов. Возникает обоснованное подозрение, что результат за приемлемое время не будет получен.

Предложим модель многоэтапной самоорганизации [141] вышеописанной сети (рис. 4.3). На первом этапе сокращаем количество входных факторов, и изымаем некоторые связи между нейронами первого и второго слоя. Этот процесс отвечает такой процедуре.

Шаг 1. Будем инициализировать весовые коэффициенты равномерно распределенными в (0,1) значениями.

Шаг 2. Подаем в пакетном режиме все образы и рассчитываем значение функции энергии как сумму квадратов отклонений, полученных и заданных значений результирующей характеристики.

Шаг 3. По алгоритму обратного распространения ошибки [112] корректируем значения весовых коэффициентов и опять подаем в пакетном режиме все учебные образы на вход сети.

Шаг 4. Повторяем шаги 2 и 3 несколько раз. Если функция энергии за это время значительно уменьшилась, то суммарная незначительная вариация весовых коэффициентов, отвечающих одному входному фактору, указывает на слабое его влияние на исходную характеристику и фактор можно изъять. Близость к нулю значений весовых коэффициентов при использовании в качестве функции активации классического сигмоида, свидетельствует о незначимости связи между нейронами и ее можно разорвать.

Шаг 5. При необходимости шаги 1-4 повторяют.

Рис. 4.3. Типы самоорганизации нейронной сети Таким образом, на первом шаге самоорганизации НС количество входных факторов сокращается и уменьшается количество весовых коэффициентов, что приближает НС к ядерной структуре.

Второй этап заключается в оптимальном подборе активационной функции. Ограничимся рассмотрением двух наиболее распространенных функций – сигмоида и гиперболического тангенса. Заметим, что как первая, так и друга функции являются параметрическими зависимостями. В научной литературе классический сигмоид представляют в виде:

где все коэффициенты являются параметрами и могут выбираться или вычисляться исследователем. Представление гиперболического тангенса не является таким многогранe x e x ным и его формула единственна: tanh x x. В одних случаях более целесообразно применять в качестве активационной функции сигмоид, а в других гиперболический тангенс [141]. Однозначной процедуры выбора не существует, но можно использовать такой подход. При одинаковых равных условиях (например, не используя в Pascal функции randomize), необходимо моделировать функционирование сети в пакетном режиме ограниченное время и анализировать результаты: точность, скорость, динамику. Итогом второго этапа самоорганизации НС станет выбор приемлемого варианта активационной функции.

Если начальная сеть с одним скрытым слоем перестает учиться, а точность обучения не достигнута, то имеет смысл посмотреть динамику значений весовых коэффициентов.

Возможно, НС попадает в состояние насыщения или „паралича”. В таком случае необходимо использовать третий этап самоорганизации. Сущность его заключается в том, что если начальные значения весовых коэффициентов инициализированы в интервале (0, 1), а при последующем обучении их абсолютные значения превышают 5, то имеет смысл вместо них подставить равномерно распределенные на (0, 1) числа и продолжить обучение. Однако такая тактика не всегда оказывается адекватной ситуации, поэтому можно увеличить количество нейронов скрытого слоя на один и процесс начать сначала. В выполнении этой процедуры и заключается третий этап самоорганизации. Четвертый этап аналогичный третьему с тем лишь предостережением, что количество слоев уменьшается до разумно достаточного.

Последний этап является следствием предыдущих и заключается в аналитическом вычислении минимально и максимально возможного количества нейронов в скрытых слоях.

Ввиду того, что на предыдущих шагах уже определено количество значимых входных факторов, функция активации, заданная точность результата и известна мощность множества учебных образов, рассчитывается количество нейронов в скрытых слоях. Возможность их вариации между минимальным и максимальным значениями дает еще одну возможность оптимизации структуры НС.

Обоснование использования процессов самоорганизации следует из востребованности искусственных нейронных сетей для решения задач идентификации сложных многофакторных зависимостей с использованием неоднородных данных, а также большой длительности времени вычислительного процесса, обусловленного количеством весовых коэффициентов и необходимостью их коррекции.

В перспективе не исключается использование еще одного этапа самоорганизации, заключающегося в выборе архитектуры сети и принципов функционирования. Наиболее приемлемыми, кроме рассмотренных прямосвязных сетей, являются сети с радиально-базисными функциями и сети встречного распространения.

4.3. Минимизация ошибок личного состава путем выявления причинно-следственных связей Согласно информации государственного департамента пожарной безопасности в последние годы в результате недостаточного финансирования возникла негативная тенденция к сокращению численности личного состава государственной пожарной охраны. Вместе с этим заметно ухудшились главные показатели ее функционирования, к которым принадлежат: tп среднее время проезда к месту пожара, t ло среднее время локализации пожара, t ли среднее время его ликвидации. Принятие решений в экстремальных условиях и при существовании экстремальных предпосылок приводит к росту количества ошибок личного состава при пожаротушении. Распределение типичных ошибок приведено в табл. 4.2.

Таблица 4.2. Типичные ошибки пожаротушения Медленное наращивание сил и средств ( Q1 ) Некачественное проведение разведки ( Q2 ) Неправильный выбор решающего направления ( Q3 ) Неиспользование газодымозащитных средств (ГДЗЗ) ( Q4 ) Неиспользование ближайших водоисточников ( Q5 ) Неумелая перекачка или подвоз воды ( Q6 ) Непринятие мероприятий по эвакуации людей ( Q7 ) Неэффективное использование пожарной техники ( Q8 ) Другие ошибки ( Q9 ) Таблица 4.3. Матрица коэффициентов парной корреляции Предварительный анализ ошибок при пожаротушении указывает на то, что чаще всего ошибки сопровождают одна другую. Выявление одной из ошибок указывает на определенную вероятность появления сопутствующей ошибки. Для установления факта существования линейной связи между ошибками найдем корреляционную матрицу (табл. 4.3).

Определение особенностей параметров ситуации, которая складывается, и необходимость избежания будущих ошибок являются такими обстоятельствами, изучению которых способствует знание корреляции факторов.

Выводы, которые можно сделать из значений коэффициентов парной корреляции:

1. Медленное наращивание сил и средств ( Q1 ) больше всего зависит от некачественного проведения разведки ( Q2 ) ( k 0,94 ).

2. Непринятие мер по эвакуации людей ( Q7 ) определяется медленным наращиванием сил и средств ( Q1 ), неиспользованием газодымозащитных средств (ГДЗС) ( Q4 ), неэффективным использованием пожарной техники ( Q8 ).

3. Неэффективное использование пожарной техники ( Q8 ) вызвано, в основном, неверным выбором решающего направления пожаротушения ( Q3 ) и неиспользованностью ГДЗС ( Q4 ).

4. Неумелая перекачка или подвоз воды ( Q6 ) прямо связана с неиспользованием ближайших водоисточников ( Q5 ).

5. Одновременно неэффективное использование пожарной техники ( Q8 ) не связано с неиспользованием ближайших водоисточников ( Q5 ), но влияет на неумелую перекачку или подвоз воды ( Q6 ).

6. Значительное количество ошибок зависит от неэффективного использования пожарной техники ( Q8 ).

Значение количества и динамика типичных ошибок личного состава при пожаротушении изображена на графике (рис. 4.4).

Его анализ не позволяет сделать однозначные выводы о тенденциях и делает невозможным прогнозирование количества ошибок. Абсолютные значения вектора дисперсий для каждого типа ошибок D (49,80,20,7,7,1,2,5,6) и относительные значения Dв (2,3,2,1,1,1,3,1,2) подтверждают предыдущее заключение.

Ошибки личного состава при пожаротушении играют чрезвычайную роль. Поскольку развитие пожара происходит за считанные минуты, то даже незначительные, на первый взгляд, ошибки приводят к увеличению человеческих жертв и материального ущерба. Заметим, что существует корреляция типа пожара (набора параметров, которые его определяют) с типом ошибки. С другой стороны, на пожарах разного типа определенные ошибки влияют по-разному.

Установление связи между ошибками личного состава и последствиями пожаров, а также определение меры влияния ошибки определенного типа на последствия пожаров является важной задачей, поскольку ее решение – необходимое условие эффективного информационно-консультативного сопровождения процессов принятия решений при пожаротушении. Рис. 4.4. Динамика типичных ошибок Используя информацию, которая хранится в базе данных (даные о пожарах и ошибках при пожаротушении), идентифицируем следующую зависимость:

где Y ( y1, y2 ) – вектор-функция, y1 – количество человеческих жертв, y2 размер материального ущерба, X ( X1, X2,..., X7 ) – вектор параметров, указывающих на внутренние параметры жилых объектов Z ( Z1, Z 2,..., Z11 ) – параметры, характеризующие внешнюю противопожарную инфраструктуру (см. п.

4.1), Q (Q1, Q2,..., Q9 ) вектор типа ошибок. Установление зависимости (4.3) позволит определить чувствительность количества человеческих жертв и величины материального ущерба к определенному типу ошибки.

Идентификация других зависимостей:

будет способствовать определению склонности личного состава к ошибкам определенного типа при пожаротушении жилых объектов с определенными внутренними характеристиками или определенной внешней противопожарной инфраструктурой.

Устанавливать зависимости (4.3) и (4.4) целесообразно с помощью НС [111]. Определим структуру НС, которая является моделью зависимости (4.3). На входе НС 27 нейронов, что определяется количеством внутренних, внешних параметров объекта и ошибок. Если на пожаре были допущены ошибки, то на вход НС на соответствующие нейроны подаются единицы, в противном случае – нули. НС имеет два выхода. Обученная сеть позволяет определять чувствительность негативных последствий пожара к типу ошибки. Для этого достаточно считать значение векторов X и Z константами и дважды подать их значение на вход НС. Первый раз Q1 1, второй Q1 0, i 1,9. Получим значение y1, y12, y2, y2, где yij i -й выход сети для j -го образа. Тогда, абсолютные коэффициенты чувствительности рассчитываем по таким формулам:

относительные коэффициенты чувствительности:

Значение ai указывает на то, насколько, в среднем, увеличивается количество жертв при допущении ошибки i -го типа, ai2 – значение материального ущерба, bi1, bi2 – то же, но в процентном отношении.

Знание коэффициентов чувствительности является важным информационным фактором при пожаротушении и способствует уменьшению ошибок личного состава.

4.4. Эволюционный метод оптимизации пути пожарного подразделения к месту пожара Сложная социально-экономическая ситуация является непосредственной причиной роста количества пожаров и, как следствие, гибели людей, нанесения имущественных убытков. Кадровый и материальный дефицит, с одной стороны, является причиной неэффективного тушения пожаров, а с другой – стимулом к внедрению новых информационноаналитических технологий, которые позволят повысить эффективность работы пожарных подразделений. Одной из таких задач, требующих применения интеллектуальных моделей и методов, является оптимизация времени проезда пожарного расчета к месту пожара.

Определим исходные предпосылки ее решения [36]. Заметим, что отмеченная задача имеет схожие аспекты с известной задачей коммивояжера. Известно, что более точного метода решения данной задачи, кроме полного перебора всех вариантов, не существует. Удовлетворительные результаты дают метод ветвей и границ [33, 80], метод последовательного анализа вариантов [99], поиск определения оптимального пути с помощью нейронной сети Хопфилда [144].

Однако с помощью последнего метода оптимальный результат получают примерно только в 50% вычислений, точность первых методов в нашем случае также невысокая, что связано с высоковероятным попаданием в локальные оптимумы.

Особенности задачи поиска оптимального пути пожарного расчета заключаются в том, что наилучшее решение ищется по критерию минимума времени. При этом необходимо учитывать количество перекрестков на пути проезда, загруженность дорог (среднее число автомобилей на дороге в единицу времени), их качество. Учет других факторов является также возможным при их особенной значимости и необходимости [152]. Отметим, что технология определения оптимального пути проезда пожарного расчета к месту пожара реализуется с учетом субъективно-статистических факторов. Базовым ее элементом является эволюционный метод определения кратчайшего пути, который изложен ниже.

Упростим задачу (3.9) и будем находить решение задачи поиска Очевидно, что для решения (3.9) необходимо дважды решить (4.1) и выполнить некоторые уточнения результата.

Поиск оптимального пути будем осуществлять с помощью эволюционного алгоритма (ЕА) специального вида, который позволит находить глобальные оптимумы, в общем случае, недифференцированных функций. Определим его основные принципы и базовые элементы.

Основным понятием ЕА является генеральная совокупность – все множество возможных решений. В нашем случае определим генеральную совокупность как множество векторов X ( x0, x1, x2,..., xk, xn ), где x0 – место дислокации пожарного подразделения, xn – номер перекрестка, ближайшего к месту пожара. Таким образом, значением элементов вектора X является последовательность номеров перекрестков, которые необходимо проехать для того, чтобы прибыть в xn.

Заметим, что количество перекрестков, в общем случае, является переменной величиной. Минимальное значение k определяется номером квазиокружности (см. рис. 3.1), на котором лежит перекресток xn, максимальное значение может быть достаточно большим. Все xi, i 0, n 1, являются разными и ни одно из них не совпадает с xn. На первый взгляд, оптимальными являются также те варианты, у которых xi x j для всех i j, но выполнение такого условия не является обязательным.

Адекватное применение ЕА связано с преобразованиями числовых значений из двоичной системы счисления в десятичную и наоборот. При этом возникает информационная избыточность, поскольку не все двоичные представления будут иметь свои аналоги в десятичной системе. В общем случае, это приводит к необходимости привлечения дополнительных вычислительных ресурсов и увеличения времени решения задачи [81, 103].

Вышеизложенные факты указывают на значительную трудоемкость и нецелесообразность формирования генеральной совокупности. О принадлежности к ней будут свидетельствовать результаты проверки. Важной процедурой является определение выборочной последовательности, которая будет иметь свойство репрезентативности [76, 158, 167, 180]. Каждый ее вектор является составляющей множества X. Выборочные векторы могут иметь разное количество элементов, что связано с количеством перекрестков на пути проезда. Их генерация происходит с учетом содержания матрицы S. Первый и последний элементы векторов одинаковы (перекресток, где находится пожарное депо и ближайший перекресток к месту пожара). Другие элементы определяются случайным образом, но при выполнении условия, что из места дислокации пожарного подразделения можно попасть на один из 4-х перекрестков, а из каждого из них – уже на один из трех. Допустим, что количество элементов в выборочной совокупности равно P.

Для формирования целевой функции (fitness-function) можно применить два подхода. В первом случае необходимо иметь достаточное множество статистических данных, сгруппированных в табл. 4.4, и осуществить идентификацию зависимости где Vl,Vm, T f, Tp – время проезда пожарного расчета к месту пожара, K – количество перекрестков, которые он проехал, g – номер временного интервала, q – показатель качества дорожного покрытия, который интегрирует в себе и погодные условия. При правильной формализации осуществить идентификацию (4.6) несложно, выполнив предварительно нормализацию данных и применив метод наименьших квадратов для построения уравнения линейной регрессии [103], метод Брандона – для нелинейной регрессии [149], методы самоорганизации моделей – для полиномиальных зависимостей (метод группового учета аргументов [72] и метод последовательных упрощений [20]).

Таблица 4.4. Исходные данные для идентификации fitness-function Длина Количество № часового Качество до- Время пути, перекрестков, интервала, рожного проезда, В противном случае формирования целевой функции происходит эмпирически с использованием весовых и поправочных коэффициентов. При этом используются значения матрицы T. Время проезда из x0 в xn определяется в результате выполнения процедуры (по одному из случайных маршрутов, который также является ее результатом):

Procedure Time( T, S, tu, v);

begin j =integer random from {1, 2,…, n};

end.

где T и S – матрицы времени проезда и длины пути между перекрестками, соответственно, tu – время проезда по маршруту, который хранится в массиве v. Очевидно, что время, которое вычисляется вследствие выполнения (4.7) является достаточно приблизительным. Поскольку время проезда пожарного расчета к месту пожара в среднем увеличивается с увеличением минимального количества перекрестков, необходимо уточнение (4.7). Пусть w1 весовой коэффициент, который определяет важность параметра количества перекрестков и который будет использован ниже. На время проезда также оказывает влияние качество дорожного покрытия, важность которого определяется параметром w2. Поскольку в разное время суток длительность проезда пожарного расчета к месту пожара будет разной, то процедуру (4.7) необходимо модифицировать с учетом w3 весового коэффициента важности временных интервалов. Таким образом, учитывая все вышеуказанные аспекты, получим модифицированную процедуру:

Procedure TimeM( T, S, K, G, Q, w1, w2, w3, w, tu, v);

begin j =integer random from {1, 2,…, n};

for i1 1 to 24 do if w q (i1,1) then ww q (i1,2) ;

end.

Сделаем ряд замечаний. Значения времени проезда в процедуре (4.8) должны рассчитываться в зависимости от времени пожара. Весовые коэффициенты определяются эмпирически с помощью экспертов. Таким образом, использование предложенных подходов имеет свои недостатки. Построение функции (4.6) осуществляется аналитически и может быть теоретически обосновано. Функцию (4.8) получают, в большинстве случаев, исходя из эмпирических умозаключений, и процедура ее верификации является достаточно длительной. Ее рационально использовать при малой ретроспективе априорных данных.

Хромосомы и генетические операторы. Учитывая, что каждая вершина (перекресток) инцидентна только четырем другим вершинам, а их общее количество является достаточно большим (используется при построении матриц S и T ), применять традиционное бинарное представление элементов вектора (хромосома) из выборочной совокупности нерационально. Пусть X 1, X 2,..., X p – векторы выборочной совокупности (содержат перечень перекрестков-маршрутов), упорядоченные по количеству элементов, то есть Xi X j, i j.

Для каждого из них рассчитав значение функции (4.6), получим T1, T2,..., Tp.

Используя принцип последовательного преодоления неопределенности, кроссовер будем проводить по принципу последовательного отбора [2, 23], в соответствии с которым большую вероятность участия в рекомбинациях имеют векторы с меньшим значением fitness-function. Допустим, что необходимо определить оптимальный маршрут к перекрестку № 39 (см. рис. 3.1). Для кроссовера выбраны векторы (0, 1, 5, 24, 12, 23, 39) и (0, 1, 12, 4, 11, 23, 39). Определяем, есть ли одинаковые элементы в этих векторах, кроме первых двух и последнего. Такой элемент – 12, он и является точкой деления. Осуществив кроссовер, получим два векторапотомка: (0, 1, 12, 23, 39) и (0, 1, 5, 24, 12, 4, 11, 23, 39). Если одинаковых элементов нет, то один из векторов (с минимальным значением fitness-function) оставляем и случайным образом (с использованием принципа пропорциональности) выбираем другой из выборочной совокупности. Таким образом, в результате кроссовера получим ноль, один или два векторы.

Получив P потомков, среди них и среди P родителей выбираем P наилучших векторов. Такой отбор называется элитным. Кроме него, существуют и другие методы отбора:

селективный, панмиксия, отбор с вытеснением [76]. Практическое моделирование засвидетельствовало преимущество именно элитного отбора, поскольку при нем не теряются оптимальные векторы-решения. Из всех видов отбора только для элитного теоретически доказано [160], что итерационный процесс поиска оптимального решения сходится.

Для предотвращения попадания в локальный оптимум предусмотрена процедура мутации. Происходит она с вероятностью 0,01 по следующей схеме. Разыгрываем случайное число с равномерным распределением на множестве {1,2,…, P }. Если k, то мутации подлежит k -й вектор выборочной совокупности. Если количество элементов в нем равняется d, то разыгрывается случайное число на множестве {2,3,…, d 1 }. Мутации осуществляются в L элементов, для чего осуществляется случайный выбор из двух вариантов ( L 1) -го элемента, которые остались, и случайным образом рассчитывается “хвост” вектора-представителя.

Критерием окончания процесса поиска оптимального решения является выполнение одного из следующих условий:

– достижение необходимого значения fitness-function;

– выборочная популяция состоит из одинаковых элементов;

Если выполняются первое или третье условие, то решением задачи является вектор, значение fitness-function которого является наименьшим.

Разработанная технология имеет свои преимущества перед классическим генетическим алгоритмом и недостатки, связанные с особенностями задачи. Преимуществом является значительное сокращение количества операций, что объясняется применением процедуры преобразования чисел в генетическом алгоритме из десятичной системы счисления в двоичную и наоборот. Десятичное представление оптимизирует процедуру кроссовера за счет уменьшения времени формирования векторов-потомков. В пользу предложенного метода свидетельствует также то, что он не “привязан” к прямоугольной структуре улиц. Если на некоторых из них выполняется ремонт, то в матрицах S и T достаточно на соответствующих местах поставить нули. К недостаткам отнесем проблему формирования выборочной совокупности, что связано с разным количеством элементов у векторов-представителей. Кроме того, процедура определения каждого следующего элемента вектора требует пересмотра строки матрицы расстояний или времени, что, при большом количестве перекрестков, значительно увеличивает длительность работы алгоритма.

Предложенная технология реализована как составная часть информационно-аналитической системы “БЕЗОПАСНОСТЬ” [46], внедряемой в пожарных подразделениях черкасского региона и не имеет аналогов в Украине. Предусматривается, что соответствующий модуль будет работать как в активном, так и в пассивном режимах. В пассивном режиме для каждого часового интервала по известным матрицам количества перекрестков на пути проезда пожарного подразделения и качества дорожного покрытия рассчитывается оптимальный маршрут для каждого перекрестка и записывается в базу данных. При указании места пожара пожарному расчету будет выдаваться распоряжение с двумя вариантами маршрутов к соседним перекресткам. При изменении параметров в одной из определяющих матриц, возникновении ситуации, при которой возникает потребность в экстренной выдаче информации о маршруте, которого нет в базе данных, система переводится в активный режим работы и решает задачу в первую очередь.

Тестирование системы проводилось для структуры улиц, изображенной на рис. 3.1. Конечным пунктом проезда определен перекресток № 39. В выборочную популяцию определены 10 векторов-представителей. После седьмой итерации процесс поиска оптимального решения сошелся, для чего потребовалось 150 вычислений целевой функции – наиболее ресурсозатратная процедура. Вариант с использованием полного перебора вариантов требовал количество вычислений на несколько порядков большее, чем в предыдущем варианте.

Допустим, что процедура идентификации уже выполнена. После того, как определены значимые факторы, она может быть осуществлена методом наименьших квадратов (множественная линейная регрессия) или методами самоорганизации моделей (метод группового учета аргументов и метод предельных упрощений). Дальше для исследования важно, что существует аналитическая зависимость:

где Yi, i 1, n, – значимые факторы, G – известная функция, E – оценка уровня пассивной безопасности объектов. Среди факторов есть такие, значения которых константы и их нельзя изменить ни в процессе эксплуатации, ни при проектировании. Их дополнительно удаляем, поскольку они не влияют на решение оптимизационной задачи. Кроме них, еще необходимо удалить и зависимые факторы.

Допустим, что в зависимости (4.9) отсутствуют мультиколлинеарные факторы. Известно, что значение E [0,1]. При проектировании жилого объекта или в процессе его использования необходимо требовать, чтобы значение оценки уровня пассивной пожарной безопасности E max или E 1.

Сегодняшнее его среднее состояние эксперты оценивают как близкое к 0,5.

В общем случае, решение, полученное вследствие реализации процедуры (4.8), является локальным оптимумом, поскольку процесс его поиска определяется выбором начальной точки и величины шага поиска. Поэтому возникает необходимость использования методов, являющихся инвариантными к такому выбору.

Поскольку реализация и функционирование ГА является достаточно ресурсоемким процессом, то предложенная процедура оптимизации процесса поиска глобального оптимума функции оценки и, как следствие, определения оптимальных значений параметров пассивной пожарной безопасности, является необходимым условием эффективного пожаротушения.

Разработанное программное обеспечение не имеет аналогов и его тестирование доказало рациональность использования эволюционной технологии, а процедуры оптимизации ГА сократили время расчета на 7–10 %.

4.5. Идентификация скорости распространения пожара на особо опасных объектах в условиях неопределенности Процессы пожаротушения на особо опасных объектах определяются объективными и субъективными аспектами:

– сложностью и необходимостью учета многих факторов как внешнего, так и внутреннего происхождения;

– прогнозируемостью и психологическим влиянием на личный состав боевых расчетов возможных катастрофических последствий пожара;

– скоростью распространения пожара, поскольку как структурные, так и функциональные особенности таких объектов способствуют распространению огня.

Лицо, принимающее решение, решает задачу определения главного и других определяющих направлений развития пожара и оптимального распределения сил и средств.

Процесс принятия решений в критических условиях отмечается значительным количеством ошибок, что в случае возможной техногенной катастрофы является недопустимым.

Одной из предпосылок минимизации неправильных решений является аналитическое прогнозирование скорости распространения пожара, что позволит рассчитать время достижения огнем опасного объекта, определить решающее направление и оптимизировать процесс пожаротушения.

Известно, что прогнозирование базируется на анализе ретроспективной информации и идентификации искомой зависимости. В случае особо опасных объектов это невозможно, поскольку каждый объект является нетипичным, площадь и периметр пожара достаточно большие и его описание, в форме пригодной для расчетов, чаще всего, отсутствует. Поэтому традиционно используются справочные данные о скорости распространения пожара в помещениях в зависимости от их типа, скорости выгорания материалов, температуре пламени, влияющем на разрушение конструкций и веществ, экспертные оценки [96]. В критических условиях учесть все значимые факторы, которые влияют на скорость распространения огня и его направление, значения разнородных констант достаточно тяжело, поэтому экспертные оценки необходимы, в первую очередь, для того, чтобы учесть состояние материала, по которому распространяется огонь, а также наличие внутренних и внешних факторов, влияющих на его скорость. Разнотипность значений факторов, критические условия вызывают значительные расхождения экспертных заключений, что осложняет принятие решений.

Таким образом, имеем задачу идентификации зависимости:

где Vl – линейная скорость распространения огня в помещениях определенного типа ( Vl [a, b] ); Vm – средняя скорость выгорания материала ( Vm const ); T f – температура пламени горения материала ( T f [t1, t2 ] ); Tp – температура плавления конструкции ((Tp [q1, q2 ]) (Tp q)) ; X in, X out – внутренние и внешние факторы, соответственно.

Очевидно, что каждый из параметров Vl,Vm, T f, Tp зависит от X in, X out. Неявным образом эти зависимости присутствуют в экспертных оценках, которые являются решающими в процессах принятия решений при пожаротушении. В то же время, такой субъективизм, как было указано выше, не способствует оптимизации выбора главного направления пожаротушения и распределения сил и средств, в связи с чем предлагаем использовать нечеткие базы знаний для идентификации и прогнозирования скорости распространения огня.

Производной от задачи (4.10) является задача идентификации времени достижения огнем определенной точки где S – путь распространения огня до точки с координатами ( x, y ). Очевидно, что задача (4.11) является более общей и адекватной для поддержки принятия решений при пожаротушении, поскольку, в отличие от задачи (4.10), в ней учтено наличие препятствий на пути пожара, разнотипность помещений и другие факторы.

Идентификация зависимости (4.11) может быть выполнена при разных условиях и предположениях, среди которых основными являются такие:

1. Рассматриваются суждения одного эксперта.

2. Учитываются суждения многих экспертов с одинаковыми или неизвестными уровнями компетентности.

3. Суждения экспертов имеют разный уровень значимости (компетентности экспертов разные).

4. Путь распространения огня является однородным, то есть структура помещений и препятствий является неизменной независимо от его маршрута.

5. Пожар может распространяться разными маршрутами с разным количеством помещений и препятствий на его пути с учетом замедляющих и ускоряющих факторов.

На начальном этапе решения задачи идентификации (4.11) будем считать, что принятие решений зависит от одного эксперта, а путь распространения огня является однородным, то есть выполняются первое и четвертое условия.

Поскольку эксперт один, то рационально считать, что его суждения о значении параметров, определяющих время распространения огня от точки до точки, описываются симметричными треугольными функциями принадлежности.

В общем случае будем считать, что время распространения пожара Tx, y до точки K ( x, y ) определяется n факторами ( Z1, Z 2,..., Z n ), то есть Tx, y G ( Z1, Z 2,..., Z n ). Каждый фактор изменяется в ограниченной области, zij [ Z i, Z i ], i 1, n, j 1, mi.

Экспертом установлено, что все аргументы функции G заданы нечеткими числами ( Z1, Z 2,..., Z n ) с функциями принадлежности:

Для идентификации (4.11) используем принцип обобщения Заде [55, 56, 83, 84], который при наших обозначениях и указанных условиях формулируется так:

Если Tx, y G ( Z1, Z 2,..., Z n ) функция от n независимых переменных и аргументы Z1, Z 2,..., Z n заданы нечеткими числами Z1, Z 2,..., Z n, соответственно, то значением функции Таким образом, зная функции принадлежности каждого из аргументов четкой функции, решение (4.13) позволяет найти функцию принадлежности значений результирующей характеристики.

Допустим, что путь распространения огня от точки M ( x0, y0 ) до точки K ( x, y ) проходит через n помещений и препятствий. Тогда функция Tx, y имеет вид:

где Ti, i 1, n, – время распространения огня до границы i -го помещения или время выгорания, или разрушения i -го препятствия. Заметим, что функцию (4.13) можно получить несколькими способами. Первый из них заключается в том, что эксперт указывает для каждого Ti, i 1, n, несколько значений с соответствующей мерой уверенности и тогда нечеткое множество Ti может быть представлено как где знак суммы означает объединение пар значение времени – значение его функции принадлежности. Второй способ базируется на выборе нескольких представителей tij Ti, j 1, ni, принадлежащим носителям соответствующих (4.12). Результаты применения как первого, так и второго способа позволяют осуществить переход к последующим шагам согласно с формулой (4.13). Получив функцию принадлежности (4.13) и выполнив дефаззификацию [84, 122], получаем число, которое будет отвечать искомому времени распространения пожара.

Очевидно, что суждение одного эксперта и результаты соответствующего расчета нельзя интерпретировать как руководство к действию, а необходимо использовать как дополнительную информацию. Увеличить их достоверность можно, используя данные, полученные от нескольких экспертов.

При этом возможны варианты. В первом варианте суждения экспертов достаточно усреднить, получить трапециеподобные функции принадлежности и реализовать процедуру, аналогичную приведенной выше. При этом, конечно, компетентности экспертов считаются одинаковыми. Другой способ заключается в использовании нечетких баз знаний [97, 122].

Нечеткие базы знаний, как известно, отображают такую структуру: “если А, то Б”. При этом и А, и Б в действительности являются функциями принадлежности, определяющими уверенность эксперта в том, что входной фактор и результирующая характеристика (скорость распространения огня) получают значения из определенных ограниченных множеств. База знаний может содержать значительное количество правил, которые определяется детализацией и точностью экспертных предположений. Функции принадлежности в такой базе представлены своими параметрами, количество которых определяется их формой. Традиционно используют треугольные, трапециевидные и гауссовские функции принадлежности. Расчеты в последнем случае упрощаются, но их получить и верифицировать достаточно сложно.

Следующим этапом после формирования такой базы данных является идентификация зависимости (4.11). При этом возникает проблема работы с нечеткими множествами, функциями принадлежности и процедурами их структурной и параметрической идентификации. Стоит также учитывать то, что использование (4.11) базируется на представлении входной информации в нечетком виде, а также то, что необходимо интерпретировать результат, который сам будет иметь вид функции принадлежности. Важную роль играет необходимость решения задачи параметрической оптимизации функций принадлежности.

Использование для поддержки принятия решений в процессах пожаротушения информационно-аналитических систем необходимо для объективизации субъективных решений. Предложенная процедура вычисления времени распространения пожара от одной точки к другой позволит руководителю процессом пожаротушения определять решающие направления развертывания боевых сил и средств, что особенно важно для объектов, составляющих угрозу жизни людей и окружающей среде. Моделирование с применением элементов теории нечетких множеств будет способствовать объективизации процессов принятия решений в реальной ситуации.

4.6. Объективизация процессов принятия решений в пожаротушении на базе нечеткой логики и Значительную роль при оптимизации процессов пожаротушения особо опасных объектов имеют технологии объективизации процессов принятия решений. Информационная неопределенность и критические условия обусловливают рациональность применения методов теории нечетких систем и нейро-нечетких систем для идентификации времени развития пожара и достижения им особо опасных объектов.

Современные мировые тенденции ориентируют на рост выпуска продукции в химической, металлургической и энергетической отраслях. Расширение производства, строительство новых предприятий и стремление иметь более высокую норму прибыли приводит к тому, что вопросы безопасности отодвигаются на второй план. А ведь на каждом из таких производств есть особо опасные объекты, разрушение которых может привести к экологическим и техногенным катастрофам. Особую опасность представляют пожары, достаточно часто возникающие на таких предприятиях.

Заметим, что они, в большинстве случаев, являются режимными объектами с ограниченным доступом к информации о строении предприятия, его архитектурным и структурным особенностям, размещению особо опасных объектов. В случае возникновения пожара прибывший пожарный расчет оказывается в условиях почти полной неопределенности. Начальник расчета вынужден принимать решение в критических условиях, определяемых возможными последствиями пожара. Такие условия пожаротушения и информационная неопределенность приводят к неверному определению пути распространения огня, неправильному использованию сил и средств пожаротушения.

В научной литературе не нашли своего отражения задачи моделирования процесса развития пожара в замкнутых помещениях с особо опасными объектами, в результате чего определение маршрута движения огня, времени достижения особо опасного объекта при принятии решений остается неизвестным. Отметим, что особенностью развития таких пожаров является значительное количество помещений, имеющих строение и покрытие из различных материалов с разной степенью изношенности и, как следствие, огнестойкости. Кроме того, необходим учет технологических проемов, вентиляционных люков, кабельных шахт и их влияния на скорость распространения пожара. Ранее [128] мы уже отмечали, что некоторое релевантное моделирование проводилось только для процессов линейного распространения пожара, в частности при горении лесных массивов.

Поскольку процесс распространения пожара в таких условиях является достаточно сложным, получить адекватную аналитическую модель при современном уровне развития математических методов и интеллектуализации процессов принятия решений не представляется возможным. Мы предлагаем осуществить объективизацию процессов принятия решений с использованием анализа субъективных суждений на базе нечеткой логики и нейро-нечетких сетей. Известно, что полученные результаты поддаются анализу и интерпретации в отличие от обычных нейронных сетей. Кроме того, они составляют исходный информационный материал для проведения сценарного анализа [69] возможных вариантов развития пожара.

Рассмотрим элементы технологии решения задач определения возможного времени достижения огнем особо опасного объекта, расчет наиболее вероятного маршрута движения огня, что позволит объективизировать субъективные процессы принятия решений.

Предваряя дальнейшее изложение, заметим, что моделирование процессов развития пожаров на предприятиях с особо опасными объектами имеет уникальный характер, определяемый их особенностями. Поэтому для каждого предприятия необходимо осуществлять разработки моделей и осуществлять моделирование отдельно. Естественно, такой процесс является достаточно ресурсозатратным, однако убытки от пожаров многократно превышают стоимость разработок, интегрированных в информационно-аналитические системы.

Рассмотрим некоторую упрощенную систему предприятия (рис. 4.5). Пусть эксперты считают, что точка, в которой возник пожар, известна (с некоторой степенью достоверности) и необходимо определить время достижения огнем точки Е, где и находится особо опасный объект. Достаточно точно определить координаты точки А не представляется возможным и эксперты указывают ее с помощью функций принадлежности (одна – для координаты x точки А, другая – для координаты y ). Предположим, что помещение, в котором возник пожар, известно (см. помещение 1 на рис. 4.5).

Для повышения точности расчетов и локализации места возгорания разобьем его на прямоугольники, что следует из архитектурных особенностей и находящегося там оборудования. Прямоугольники нумеруем.

Рис. 4.5. Схема предприятия с особо опасным объектом Пусть известно, что пожар возник в k -м помещении, k {1, 2,..., n}. Экспертные заключения имеют вид:

где Bi, Ci, Di – нечеткие множества с функциями принадлежности Bi, Ci, Di, i 1, m, m – количество экспертов. Какой из традиционно применяемых функций принадлежности отдать предпочтение: треугольной, гауссовской, трапециеподобной или колоколообразной – описано в работе [125]. Ниже будет приведен пример решения задачи определения времени распространения пожара с использованием (4.16), нечеткого логического вывода Мамдани и программной системы Matlab.

Таким образом, зная экспертные заключения, можно определить время достижения огнем точки Е, если задать координаты точки возникновения пожара в области (4.16).

Заметим, что количество правил типа (4.16) должно равняяться количеству прямоугольников в области 1, а все функции принадлежности имеют области значений [ ax (k ), bx ( k )] и [ a y ( k ), by (k )], где k – номер прямоугольника. Трактовка задачи определения времени с использованием (4.16) является простейшей и может быть использована для предварительного заключения.

Рассмотрим другую постановку задачи. Пусть эксперты предполагают маршруты развития пожара. Базируясь на знании нормативных значений скорости движения огня по определенной поверхности и выгорания материалов, эксперт прогнозирует значение времени распространения пожара от одной границы помещения до другой границы в указанном направлении в виде функции принадлежности.

В этом случае система экспертных заключений будет такой:

В системе (4.17) ti, i 1, n, – время прохождения огнем i -го помещения в указанном направлении. Заметим также, что в (4.17) в каждой из строк присутствуют не все элементы ti, что следует из различий в маршрутах.

Очевидно, что задача в такой постановке имеет свои преимущества и недостатки. Преимуществом является более высокая точность результата в сравнении с предыдущей задачей, а также то, что, зная нормативные данные, эксперт может точнее определить функцию принадлежности времени развития пожара в каждом помещении. Недостаток – суммарное накопление ошибки, значение которой тем больше, чем больше помещений находится на указанном экспертом маршруте. Результаты экспериментального моделирования с помощью нечеткого логического вывода Сугено будут рассмотрены ниже.

Рассмотрим еще одну задачу, в которой выполняется объективизация субъективных суждений экспертов. Предположим, что в (4.17) (используем логический вывод Сугено) нечеткие множества Bi j, i 1, n, j 1, m, представлены функциями принадлежностями с неопределенными параметрами. Наt c j ) пример, если это гауссовские функции yij exp( i j i 2 ), то таких параметров два: ci и i, i 1, n, j 1, m.

Несколько будет отличаться и консеквент: t d 0 di ti.

Для определения параметров ci, i и di используем сеть ANFIS [166], которая реализует нечеткий вывод в форме Сугено. Используем для ее обучения обычный алгоритм обратного распространения ошибки с методом наименьших квадратов, который необходим для поиска значений параметров консеквента.

Какие преимущества предоставляет обученная нейронная сеть ANFIS? Во-первых, она позволяет настроить параметры функций принадлежности и объективизировать таким образом субъективные предпосылки. Во-вторых, для обучения ANFIS используется критерий внешнего дополнения – минимум значения среднеквадратической ошибки на точках контрольной последовательности, что позволяет повысить точность идентификации времени распространения огня. И, в-третьих, задав входные данные, можно получить время достижения огнем особо опасного объекта практически из любой точки предприятия.

Выше рассмотрены задачи определения времени достижения пожаром особо опасного объекта. Очевидно, что такими тремя задачами не ограничивается весь круг возможных релевантных постановок задач. Рассмотренные и решенные задачи с помощью нечеткой логики и нейро-нечетких сетей являются наиболее простыми. Дальнейшие исследования будут заключаться в сведении к единому заключению и объективизации суждений многих экспертов, возможно с противоречивыми утверждениями.

В конечном итоге результатом данного направления должна стать информационно-аналитическая система, работающая в пассивном и активном режимах. В активном режиме система начинает работать при поступлении звонка о пожаре. Достаточно ввести координаты точки возникновения возгорания и система рассчитает время достижения огнем особо опасного объекта и его наиболее возможный маршрут.

Такая информация будет еще одним и достаточно важным фактором при принятии решений. Подчеркнем роль нейронечетких сетей как адаптивного инструментария решения задач идентификации и рассмотрим модифицированные постановки задач определения времени распространения огня и метод моделирования с использованием сети TSK.

4.7. Идентификация времени распространения Напомним, что формально постановка задачи определения наиболее возможного пути и времени развития пожара является такой. Предположим, что предприятие, имеющее опасное производство, находится в некоторой системе координат XY. Пусть ( x0, y0 ) – точка возникновения пожара, ( x, y ) – координаты особо опасного объекта. Тогда возникает несколько задач, в частности необходимо определить:

– минимально возможное время и соответствующий путь достижения пожаром точки ( x, y );

– наиболее возможный путь и соответствующее время достижения пожаром точки ( x, y );

– среднее возможное время и соответствующие пути достижения пожаром точки ( x, y ).

Исходными данными являются заключения m экспертов, в соответствии с пожеланиями которых выполнена дискретизация координатной сетки. Предположим, что путь огня может пройти по одному из p маршрутов: {S1, S2,..., S p }. Каждый из маршрутов может состоять из разного количества участков.

Так, S1 {s1, s12,..., s1k1 }, S 2 {s2, s2,..., s2 2 }, …, S p {s1, s 2,..., s pp }, (4.18) где si j – j -й участок i го маршрута, ki – количество участков i -го маршрута, i 1, p. Очевидно, что время распространения пожара от точки ( x0, y0 ) к точке ( x, y ) является суммой времен прохождения огнем указанных участков. Заметим, что участки в большинстве случаев являются отрезками прямой, но понятие участка маршрута включает в себя также технологические проемы, двери, окна и подобные конструкции.

Учитывая нормативную информацию, справочные материалы, опыт и интуицию, эксперт указывает время распространения огня по определенному участку в виде функции принадлежности. В большинстве случаев, если эксперт имеет наибольшую уверенность в некотором одном значении аргумента, то он определяет время через треугольную функцию принадлежности (ФП), имеющую два параметра [68]; если информационная энтропия является минимальной, ФП может иметь колоколообразную форму [83]. Если у экспертов нет уверенности в точечном значении времени распространении огня и отсутствуют данные о подобных пожарах, то для решения нашей задачи рационально использовать трапециеподобные ФП, поскольку такие ФП позволяют использовать интервальное представление. Трапециеподобная ФП [44] определяется пятью параметрами (m, m,,, h), где m – нижнее модальное значение, m – верхнее модальное значение, – левый коэффициент скошенности, – правый коэффициент скошенности, h – высота.

Поскольку в эволюционном моделировании применяются нейронные сети, то для их обучения с помощью градиентных методов необходимо использовать гладкие ФП. Такими функциями являются колоколообразные или гауссовские ФП с двумя параметрами.

Для представления экспертных суждений используем продукционные правила [42, 120]. Рассмотрим два способа их записи. В первом случае эксперт делает заключение о наиболее возможном с его точки зрения пути распространения огня. Другой способ более емкий и базируется на суждениях экспертов о возможных путях развития пожара.

Заметим, что в первом варианте пути распространения огня, указанные всеми экспертами должны совпадать, в противном случае задача сводится к другому варианту и эксперту предлагается оценивать варианты, предложенные другими экспертами. Таким образом, для наиболее возможного пути развития пожара имеем логическую схему:

If t1 A11 & t2 A2 &...& tn An then T B1 with weigth w1 OR If t1 A12 & t 2 A2 &... & tn An2 then T B2 with weigth w2 OR...

If t1 A1m & t2 A2 &...& tn Anm then T Bm with weigth wm, где ti – входные величины, указывающие на время прохождения огнем i -го участка пути, i 1, n; n – количество участков пути; Ai j – функция принадлежности, определенная j м экспертом для времени ti, j 1, m; m – количество экспертов; T – время прохождения огнем от точки возникновения пожара ( x0, y0 ) до точки ( x, y ); Bi – функция принадлежности, определенная j -м экспертом для времени T ; wi весовые коэффициенты, определяющие компетентность экспертов.

Иную форму представления имеет система продукций для варианта оценки всеми экспертами всех предложенных вариантов:

if t12 A122 & t2 A2 &... & tk22 Ak22 then T2 B2 OR...

if t1p A1p 2 & t2p A2p 2 &... & tkpp Akpp2 then Tp B2p with weigth w...

If t1 A11m & t2 A2 m &... & tk1 Ak1m then T1 Bm OR if t12 A12 m & t2 A22 m &... & tk22 Ak22m then T2 Bm OR...

if t1p A1pm & t2p A2pm &... & tkpp Akpm then Tp Bm with weigth wm.

В выражении (4.20) ti j – время прохождения огнем i -го участка в j -варианте развития пожара, i 1, k p ; kq – количество участков распространение огня в q -варианте развития деленная k -м экспертом для времени ti j, k 1, m; Tq – время прохождения огнем от точки ( x0, y0 ) до точки ( x, y ) при q м варианте развития пожара; Bkq – функция принадлежности, определенная k -м экспертом для q -го варианта развития пожара.

Компетентность экспертов, выраженная в весовых коэффициентах их суждений, для ЛПР на момент проведения экспертизы и моделирования может быть неизвестна. Возможно, возникнет необходимость проверки компетентности и подтверждения или опровержения оценки ЛПР.

Предположим, что априорная информация об уровне компетентности экспертов отсутствует. Тогда рационально воспользоваться процедурой ее определения, разработанной в статье [130]. Такая процедура базируется на аксиоме несмещенности [89], сущность которой заключается в том, что суждение большинства компетентно. Следствием из нее есть утверждение о том, что наиболее компетентным является тот эксперт, суждения которого максимально совпадают с суждениями других экспертов, т.е.

где k – компетентности экспертов, k 1, m; wi – весовые коэффициенты, указывающие на важность вопроса, i 1, n;

(ij, ik ) – мера близости ответов j -го и k -го экспертов на i -й вопрос.

Для определения меры близости суждений экспертов предложен алгоритм [130], базирующийся на их анкетировании, классификации вопросов анкеты в зависимости от типа ответов, соответствующих моделях и их композиции.

Полученные значения компетентности экспертов используются в качестве исходных данных моделирования.

Заключения экспертов в форме (4.19)–(4.20) имеют неточный характер, выраженный значениями соответствующих параметров функций принадлежности. Их настройка и оптимизация являются необходимым условием получения математических моделей и дальнейшего использования в практических задачах. Рассмотрим методы получения параметров (4.19).

Без ограничения общности в качестве модели выберем нейросеть TSK (Takagi, Sugeno, Kang’a) [177]. Реализованная в ней система правил аналогична (4.19) и имеет вид:

где k 1, m. Нейронная сеть, реализующая соответствующий вывод, изображена на рис.4.6.

В первом шаре нейронов выполняется фаззификация входных значений, т. е. для каждого значения каждой переменной и каждого значения терм-множества находят значения ФП Ak ( x j ), k 1, m, j 1, n. Количество нейронов второго шара соответствует количеству входов сети. В них выполняется агрегация ФП отдельных переменных и для каждого правила рассчитывается wk min Ak ( xi ), k 1, m.

В нейронах третьего шара рассчитываются, собственно, значения функций TSK, которые умножаются на выходы нейронов предыдущего шара, т.е. gi wi ( pio pij x j ).

Очевидно, что количество нейронов совпадает с количеством нейронов предыдущего шара. Четвертый шар образуют два нейрона. В первом из них рассчитывается сумма венный нейрон пятого шара выполняет деление Y f1 f 2.

Общее выражение функционирования сети TSK есть таким:

Предположим, что нечеткой нейросетью реализуется неизвестное отображение тим, что векторы x, i 1, n, являются действительнозначными. Целевая функция для k -го образа будет такой:

где Z k ( ) – рассчитанные значения выхода нейросети, Z k – значения, заданные таблично. Обучение сети осуществляется по градиентному методу. Фаззификация входов нейросети осуществляется ФП где m – количество правил. Тогда вектор параметров нейросети, которые подлежат оптимизации, будет таким:

Приведем основные выражения для обучения модели TSK:

aij (t 1) aij (t ) j k, k 1, p, p – количество обучающих образов;

В этом случае выражение для вычисления производной отличается от предыдущего только последним множителем:

Для совокупности параметров pij, j 1, m, i 0, n коррекция осуществляется так:

Очевидно, что количество параметров в зависимости (4.23) является очень большим для адекватного и быстрого обучения нейросети. Существуют методы ускорения процесса обучения, базирующиеся на разделении совокупности параметров на две группы. Параметры первой группы вычисляются в результате решения системы уравнений или считаются постоянными величинами, параметры второй группы получают в процессе обучения нечеткой сети.

Известно, что эволюционное моделирование используется преимущественно для оптимизации дискретнозначных функций. Эволюционные методы имеют различия, но общим является наличие целевой функции или функции приспособленности. В нашей задаче такой функцией является сумма функций (4.25). Потенциальные решения представляют собой элементы вектора. Существуют два подхода к представлению потенциальных решений. В первом случае такие решения представляют как генотипы, т.е. соответствующие бинарные хромосомы, поскольку известно, что такое представление обладает максимальной информационной насыщенностью. Второй подход базируется на фенотипическом представлении, при котором решения имеют десятичный вид. Для него характерно получение новых решений с использованием нормально распределенных смещений и без рекомбинаций.

У нейросетевых моделей и эволюционных методов есть как преимущества, так и недостатки. В пользу эволюционного моделирования свидетельствует отсутствие требований к целевым функциям и предусмотренная внутри алгоритмов операция мутации, позволяющая минимизировать риск получения локальных оптимумов. Преимуществом нейросетевых технологий является определяемое алгоритмами монотонное стремление целевой функции к удовлетворительному значению. Эффективность использования той или другой технологии зависит от количества участков прохождения пожара, количества экспертов и процедуры использования обучающей и контрольной последовательностей.

На предыдущем шаге получены оценки параметров, использование и учет которых направлены на объективизацию субъективных суждений. Вместе с тем, проблема принятия оптимального или допустимого решения остается.

Решение задачи идентификации времени пожара в случае учета продукционных правил (4.19) и дальнейшего принятия решений не представляет трудности, поскольку путь распространения идентифицирован, а время является некоторым средневзвешенным экспертным показателем.

Иная ситуация имеет место, если эксперты указывают множество путей распространения пожара от исходной до конечной точки. Неопределенность, вызванная неединственностью особо опасных объектов на возможном пути распространения огня, и различные масштабы возможных катастроф определяют критерии принятия решений. Очевидно, что в роли таких критериев могут быть:

– наиболее возможный путь распространения огня и разработка соответствующей процедуры определения времени распространения огня по этому пути;

– путь, время распространения огня по которому является минимальным, и разработка процедуры определения такого пути из множества возможных;

– путь, время распространения по которому является средним, и разработка соответствующей процедуры его определения.

Такие критерии являются аналогами известных критериев Сэвиджа и Гурвица [135]. Предусловием выбора решения, исходя из перечисленных критериев, является построение и использование экспертной системы, базирующейся на нечеткой базе знаний с правилами типа (4.19) или (4.20) и оптимизированными параметрами.

Таким образом, в третьей главе выполнена формализация внутренних и внешних факторов, определяющих пожарную безопасность жилых объектов. Установлены основные исходные характеристики, которые необходимо идентифицировать. Обосновано использование прямосвязной нейронной сети как модели оценки уровня пожарной безопасности объекта. Выдвинута гипотеза о целесообразности применения сети с модульно-ядерной структурой и предложена процедура, результаты выполнения которой засвидетельствовали правильность гипотезы и конструктивно позволили получить такую структуру. Для оптимизации процесса обучения нейронной сети, уменьшения влияния шумового эффекта разработано модель и процедуру ее многоэтапной самоорганизации.

Для минимизации ошибок личного состава при пожаротушении предложено использовать информационноконсультативное сопровождение, которое будет включать в себя анализ ретроспективы. В частности, установлено, между какими ошибками существует достаточно сильная корреляция, которые из них сопровождают одна другую и являются независимыми между собой. Предложено использовать нейронные сети для идентификации зависимостей между количеством человеческих жертв, материальным ущербом, параметрами жилых объектов и ошибками личного состава.

Предложен эволюционный метод определения кратчайшего пути проезда пожарного подразделения к месту пожара, базирующийся на использовании генетического алгоритма. Определены целевые функции поиска оптимального решения, разработаны формальные представления базовых структурных единиц и предложены критерии окончания итерационного процесса.

Поскольку среднее время пожара, при котором наносится основной ущерб, составляет несколько минут, то внедрение разработанного метода позволит повысить уровень объективизации пожарной ситуации при принятии решений. Нерешенной остается проблема оптимизации предложенного метода, связанная с уменьшением времени формирования популяции решений.

Осуществляя моделирование и определяя путь и время распространения пожара от точки его возникновения до особо опасного объекта необходимо знать о последствиях, авариях, катастрофах, к которым может привести достижение его огнем. Таким образом, возникает задача идентификации функции убытков от последствий пожара. Знание ее значений является необходимым условием принятия решений в критических условиях.

Применение эволюционного моделирования обосновывается значительной субъективностью исходной информации, отсутствием единственной математической модели и соответствующих математических методов. В то же время разработка экспертных систем для решения подобных задач на базе реализации геоинформационных технологий сталкивается с массой проблем, разрешение которых в условиях ресурсного дефицита невозможно. Однако возрастающие риски, связанные с развитием опасных производств, раньше или позже приведут к созданию и использованию подобных технологий.

Информационно-аналитическое обеспечение процессов принятия решений при пожаротушении Широкое внедрение информационных технологий в большинство отраслей человеческой деятельности не стало данью моде, а является объективной необходимостью, вызванной увеличением скорости процессов в сфере материального производства и общества, а также актуальностью разработки соответствующего сопровождения как аналитического, так и консультативного характера. Несколько в стороне от процессов внедрения новых разработок, базирующихся на применении компьютерной техники и методов теории принятия решений, остаются подразделения пожарной охраны. Этому есть определенные объяснения. Так, диспетчеры привыкли работать с автоматикой еще 60-х годов, руководство не всегда понимает важность внедрения информационно-аналитических систем, поскольку не имеет опыта практической работы с системами-аналогами, существует и определенный ресурсный дефицит.

В то же время в системе пожарной охраны чрезвычайно важно внедрять новые технологии, поскольку критическим параметром ее эффективного функционирования, как ни в какой другой области, является время. Пожар возникает и развивается за считанные минуты, личный состав пожарных подразделений работает в условиях постоянного стресса. От его работы зависит жизнь людей и объем материальных убытков. Важной составляющей предупреждения пожаров также является профилактическая работа.

Для того чтобы минимизировать время приезда пожарного подразделения, локализации и ликвидации пожара, количество ошибок личного состава, необходимо разрабатывать и внедрять информационно-аналитические системы, которые позволят уменьшить влияние фактора субъективности на процессы принятия решений и будут использоваться как дополнительные информационно-консультативные средства.

5.1. Принципы разработки и структура информационного банка данных о пожарах на базе клиент-серверной архитектуры Современные тенденции внедрения информационных технологий во все сферы общественного производства свидетельствуют о необходимости разработки информационноаналитических систем и в отраслях инфраструктуры, одной из которых является пожарная охрана. На необходимость такого подхода указывают данные Государственного департамента пожарной безопасности, согласно которым наблюдается рост количества пожаров, а также погибших и травмированных на них людей. Невзирая на то, что в последние годы имеет место волнообразная тенденция динамики количества пожаров, общее их количество остается значительным. В результате пожаров наносится колоссальный материальный ущерб.

Критериями, по которым оценивают эффективность функционирования системы пожарной охраны, как уже указано выше, является минимизация времени проезда, локализации и ликвидации пожара. На поддержку решения такого спектра задач и направлено создание ИАС. Разработка информационно-аналитического обеспечения для сопровождения процессов принятия решений при пожаротушении коррелирует с государственными программами информатизации.

Задание комплексного исследования и разработки ИАС для использования в системе пожарной охраны возникло в последнее время в связи с развитием средств вычислительной техники, что является предпосылкой их эффективного использования. Ретроспективный анализ последних публикаций свидетельствует о том, что, в основном, в них представлены результаты решения узкоспециальных задач, таких как оценки тактических возможностей пожарных подразделений при тушении крупных объектов [41, 123], проведение мониторинга пожарных показателей в разрезе лет и месяцев [115, 133], исследование методологии испытания строительных материалов [136].



Pages:     | 1 | 2 || 4 | 5 |
 


Похожие работы:

«Министерство образования Республики Беларусь УЧРЕЖДЕНИЕ ОБРАЗОВАНИЯ ГРОДНЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИМЕНИ ЯНКИ КУПАЛЫ И.И.Веленто ПРОБЛЕМЫ МАКРОПРАВОВОГО РЕГУЛИРОВАНИЯ ОТНОШЕНИЙ СОБСТВЕННОСТИ В РЕСПУБЛИКЕ БЕЛАРУСЬ И РОССИЙСКОЙ ФЕДЕРАЦИИ Монография Гродно 2003 УДК 347.2/.3 ББК 67.623 В27 Рецензенты: канд. юрид. наук, доц. В.Н. Годунов; д-р юрид. наук, проф. М.Г. Пронина. Научный консультант д-р юрид. наук, проф. А.А.Головко. Рекомендовано Советом гуманитарного факультета ГрГУ им....»

«Федеральное агентство по образованию ГОУ ВПО Иркутский государственный университет Н. В. Задонина, К. Г. Леви ХРОНОЛОГИЯ ПРИРОДНЫХ И СОЦИАЛЬНЫХ ФЕНОМЕНОВ В СИБИРИ И МОНГОЛИИ Монография 1 УДК 316.334.5 ББК 55.03 З–15 Печатается по решению редакционно-издательского совета Иркутского государственного университета и ученого совета Института земной коры СО РАН Рецензенты: д-р геол.-минерал. наук, проф. В. С. Имаев д-р геол.-минерал. наук, проф. Р. М. Семенов Ответственный редактор: д-р физ.-мат....»

«i i i i БИБЛИОТЕКА БИОТЕХНОЛОГА Р. П. Тренкеншу, Р. Г. Геворгиз, А. Б. Боровков ОСНОВЫ ПРОМЫШЛЕННОГО КУЛЬТИВИРОВАНИЯ ДУНАЛИЕЛЛЫ СОЛОНОВОДНОЙ (DUNALIELLA SALINA TEOD.) Севастополь, 2005 i i i i i i i i УДК 639. Тренкеншу Р. П., Геворгиз Р. Г., Боровков А. Б. Основы промышленного культивирования Дуналиеллы солоноводной (Dunaliella salina Teod.) — Севастополь: ЭКОСИ–Гидрофизика, 2005. — 103 с. В монографии представлены результаты исследований продукционных характеристик Dunaliella salina Teod.,...»

«МИНИСТЕРСТВО ОБРАЗОВАНИ Я И НАУКИ РОССИЙСК ОЙ ФЕДЕРАЦИИ САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СЕРВИСА И ЭКОНОМИКИ В.А. ЧЕРНЕНКО Т.Ю. КОЛПАЩИКОВА РАЗВИТИЕ КУЛЬТУРНОПОЗНАВАТЕЛЬНОГО ТУРИЗМА В СЕВЕРО-ЗАПАДНОМ ФЕДЕРАЛЬНОМ ОКРУГЕ РОССИЙСКОЙ ФЕДЕРАЦИИ МОНОГРАФИЯ Санкт-Петербург 2012 УДК 338.48 (470.2) ББК 65.443 (235.0) Ч 49 Рекомендовано к изданию на заседании Научно-технического совета СПбГУСЭ, протокол № от Черненко В.А., Колпащикова Т.Ю. Развитие культурнопознавательного туризма в...»

«Федеральное агентство по образованию Филиал Сочинского государственного университета туризма и курортного дела в г.Н.Новгород Н. В. Мордовченков, С. А. Зверев Теоретические основы комплексной диагностики как метода в управлении персоналом организации Монография Нижний Новгород 2009 ББК 65.1 М 79 Мордовченков, Н.В. Теоретические основы комплексной диагностики как метод в управлении персоналом организации: монография / Н. В. Мордовченков, С. А. Зверев; филиал СГУТ и КД в г. Н. Новгород. – Н....»

«В.С. ГРИГОРЬЕВА ДИСКУРС КАК ЭЛЕМЕНТ КОММУНИКАТИВНОГО ПРОЦЕССА: ПРАГМАЛИНГВИСТИЧЕСКИЙ И КОГНИТИВНЫЙ АСПЕКТЫ • ИЗДАТЕЛЬСТВО ТГТУ • УДК 81.42 ББК Ш100 Г834 Р е ц е н з е н т ы: Доктор филологических наук, профессор, заведующий кафедрой русского языка ТГУ им. Г.Р. Державина А.Л. Шарандин Доктор филологических наук, профессор, заведующий кафедрой русского языка ТГТУ И.М. Попова Григорьева, В.С. Г834 Дискурс как элемент коммуникативного процесса: прагмалингвистический и когнитивный аспекты :...»

«В.Ю. Кудрявцев, Б.И. Герасимов ЭКОНОМИЧЕСКИЙ АНАЛИЗ ТОПЛИВНО-ЭНЕРГЕТИЧЕСКОГО КОМПЛЕКСА (НА ПРИМЕРЕ ТАМБОВСКОЙ ОБЛАСТИ) Научное издание КУДРЯВЦЕВ Вадим Юрьевич, ГЕРАСИМОВ Борис Иванович ЭКОНОМИЧЕСКИЙ АНАЛИЗ ТОПЛИВНО-ЭНЕРГЕТИЧЕСКОГО КОМПЛЕКСА (НА ПРИМЕРЕ ТАМБОВСКОЙ ОБЛАСТИ) Монография Редактор З.Г. Ч ер нов а Компьютерное макетирование З.Г. Черново й Подписано в печать 07.07.2005. Формат 60 84 / 16. Бумага офсетная. Печать офсетная. Гарнитура Тimes New Roman. Объем: 5,22 усл. печ. л.; 5,2...»

«РОССИЙСКАЯ АКАДЕМИЯ НАУК КАРЕЛЬСКИЙ НАУЧНЫЙ ЦЕНТР ИНСТИТУТ БИОЛОГИИ МОНИТОРИНГ И СОХРАНЕНИЕ БИОРАЗНООБРАЗИЯ ТАЁЖНЫХ ЭКОСИСТЕМ ЕВРОПЕЙСКОГО СЕВЕРА РОССИИ Петрозаводск 2010 УДК 630*228.81:574.1(470.1/2) ББК 43.4(231) М 77 Мониторинг и сохранение биоразнообразия таежных экосистем Европейского Севера России / Под общей редакцией П. И. Данилова. – 2010.– 310 с. Табл. 53. Ил. 114. ISBN 978-59274-0435-3 В монографии обобщены результаты изучения биоразнообразия (видового, популяционного, ценотического)...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ федеральное государственное бюджетное образовательное учреждение высшего профессионального образования КРАСНОЯРСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ им. В.П. Астафьева В.А. Мальцев Гуманистическая этика: ИСТОРИЯ И ПРОБлЕМЫ Монография Электронное издание КРАСНОЯРСК 2013 ББК 87.7 М 215 Рецензенты: А.И. Таюрский, академик РАО, председатель Сибирского отделения Российской академии образования; А.И. Шилов, доктор медицинских наук,...»

«ДИВИНСКАЯ Е. В. ОЛИМПИЙСКОЕ ОБРАЗОВАНИЕ БУДУЩИХ СПЕЦИАЛИСТОВ ФИЗИЧЕСКОЙ КУЛЬТУРЫ И СПОРТА НА ОСНОВЕ ЛИЧНОСТНО ОРИЕНТИРОВАННОГО ПОДХОДА Волгоград 2012 МИНИСТЕРСТВО СПОРТА, ТУРИЗМА И МОЛОДЕЖНОЙ ПОЛИТИКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Волгоградская государственная академия физической культуры Кафедра теории и истории физической культуры и спора Дивинская Е.В. ОЛИМПИЙСКОЕ ОБРАЗОВАНИЕ БУДУЩИХ СПЕЦИАЛИСТОВ...»

«ПОТЕНЦИАЛ ИННОВАЦИОННОГО РАЗВИТИЯ ПРЕДПРИЯТИЯ Под редакцией доктора экономических наук, профессора С.Н. Козьменко Сумы, 2005 УДК 330.341.1 ББК 65.050.9 П64 Рекомендовано к печати Ученым советом Украинской академии банковского дела НБУ, протокол № 8 от 18.03.2005 Рецензенты: А.М. Телиженко, доктор экономических наук, профессор, зав. кафедрой управления Сумского государственного университета; Л.В. Кривенко, доктор экономических наук, профессор, зав. кафедрой региональной экономики Украинской...»

«УПРАВЛЕНИЕ КАЧЕСТВОМ КОНКУРЕНТОСПОСОБНЫХ И ВОСТРЕБОВАННЫХ МАТЕРИАЛОВ И ИЗДЕЛИЙ Монография УДК ББК К Рецензенты: д.т.н., профессор кафедры Экономика и менеджмент Южно-Российского государственного университета экономики и сервиса Буряков (г. Шахты, Россия) к.т.н., ведущий инженер ООО Новосибирский центр стандартизации и мониторинга качества, эксперт по сертификации обуви, изделий из кожи; меха, меховых изделий; систем качества И.Н. Антимоновав (Новосибирск, Россия) д.т.н., профессор, зав. каф....»

«Е.И.Козлова ТЕОРИЯ БОГАТСТВА, РЫНКА И ЗАНЯТОСТИ В УЧЕНИИ У. ПЕТТИ Монография Воронеж Издательство Научная книга 2013 1 УДК 331.586 65.02 ББК 65.02 К 59 Рецензенты: Гаврилов В.В. д-р экон. наук, профессор (Воронежский государственный университет); Хватов О.С. д-р. экон. наук, профессор (Липецкий филиал РАНХиГС) К 59 Козлова, Е.И. Теория богатства, рынка и занятости в учении У.Петти: Монография. - Воронеж: Издательство Научная книга, 2013. - 204 с. ISBN 978-5-98222-839-0 В книге предпринята...»

«А.Б. КИЛИМНИК, Е.Э. ДЕГТЯРЕВА НАУЧНЫ Е ОСНОВЫ ЭКОЛОГИЧЕСКИ ЧИСТЫХ ЭЛЕКТРОХИМИЧЕСКИХ ПРОЦЕССОВ СИНТЕЗА ОРГАНИЧЕСКИХ СОЕДИНЕНИЙ НА ПЕРЕМЕННОМ ТОКЕ ИЗДАТЕЛЬСТВО ТГТУ УДК 541.138.3: 621.357.3 ББК Г 5/6 К392 Рецензенты: Доктор технических наук, профессор С.И. Дворецкий, Кандидат химических наук, доцент Б.И. Исаева К3 Килимник, А. Б. Научные основы экологически чистых электрохимических процессов синтеза органических соединений на переменном токе : монография / А.Б. Килимник, Е.Э. Дегтярева. – Тамбов...»

«Российская Академия Наук Институт философии В.М.Богуславский ФРАНЦИСКО САНЧЕЗ — ФРАНЦУЗСКИЙ ПРЕДШЕСТВЕННИК ФРЕНСИСА БЭКОНА Москва 2001 УДК 14 ББК 87.3 Б 74 В авторской редакции Научно вспомогательная работа И.А.Лаврентьева Рецензенты: доктор филос. наук М.А.Абрамов, доктор филос. наук В.В.Соколов Богуславский В.М. Франциско Санчез — Б 74 французский предшественник Френсиса Бэкона. – М., 2001. – 134 с. Монография В.М.Богуславского посвящена фи лософу периода позднего Возрождения — Франциско...»

«Казанский государственный университет Институт языкознания РАН Российский научно-образовательный центр по лингвистике им. И. А. Бодуэна де Куртенэ Поляков В.Н., Соловьев В.Д. Компьютерные модели и методы в типологии и компаративистике Казань Казанский государственный университет 2006 1 УДК 81:004.9 ББК 81:32.973 П 54 Печатается по решению редакционно-издательского совета Казанского государственного университета Поляков В.Н. П 54 Компьютерные модели и методы в типологии и компаративистике....»

«St. Petersburg Center for the History of Ideas http://ideashistory.org.ru Микешина Л.А. ЭПИСТЕМОЛОГИЯ ЦЕННОСТЕЙ Серия основана в 1999 г. В подготовке серии принимали участие ведущие специалисты Центра гуманитарных научно-информационных исследований Института научной информации по общественным наукам, Института всеобщей истории, Института философии Российской академии наук ББК 87.3(0) М59 Главный редактор и автор проекта Humanitas С.Я. Левит Заместитель главного редактора И.А.Осиновская...»

«ФЕДЕРАЛЬНОЕ АГЕНТСТВО МОРСКОГО И РЕЧНОГО ТРАНСПОРТА ФЕДЕРАЛЬНОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ВОДНЫХ КОММУНИКАЦИЙ А. А. Авсеев Концепция спекулятивного и современная западная философия Рекомендовано Редакционно-издательским советом Санкт-Петербургского государственного университета водных коммуникаций Санкт-Петербург 2013 УДК 14 ББК 87 Р ец ензен ты: доктор философских наук, профессор Государственного...»

«ФОНД ПРАВОВЫХ ПРОБЛЕМ ФЕДЕРАЛИЗМА И МЕСТНОГО САМОУПРАВЛЕНИЯ ОФИЦИАЛЬНОЕ ЭЛЕКТРОННОЕ ОПУБЛИКОВАНИЕ ИСТОРИЯ / ПОДХОДЫ / ПЕРСПЕКТИВЫ Под редакцией заслуженного юриста Российской Федерации, доктора юридических наук, профессора Национального исследовательского университета Высшая школа экономики В.Б. Исакова Москва • 2012 УДК 34:002 ББК 67.400.6 О91 Официальное электронное опубликование: История, подходы, перспективы / Под ред. проф. В.Б. Исакова. — О91 М.: Формула права, 2012. — 320 с. ISBN...»

«m.o. oe)mhjnb de“ek|mnq| op`bnnup`mhek|m{u npc`mnb on p`qqkednb`mh~, p`qjp{h~ h opedropefdemh~ opeqrokemhi • hgd`ek|qbn cr • Министерство образования и науки Российской Федерации ГОУ ВПО Тамбовский государственный технический университет Н.П. ПЕЧНИКОВ ДЕЯТЕЛЬНОСТЬ ПРАВООХРАНИТЕЛЬНЫХ ОРГАНОВ ПО РАССЛЕДОВАНИЮ, РАСКРЫТИЮ И ПРЕДУПРЕЖДЕНИЮ ПРЕСТУПЛЕНИЙ Утверждено к изданию секцией по юридическим наукам Научно-технического совета ТГТУ Тамбов Издательство ТГТУ 2006 УДК 343 ББК Х4 П317 Р е це н зе н...»








 
© 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.