WWW.DISS.SELUK.RU

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

 

Pages:     | 1 |   ...   | 2 | 3 || 5 |

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

-- [ Страница 4 ] --

В Государственном научно-исследовательском институте автоматизированных систем в строительстве выполнена разработка программных средств, информационных ресурсов и базы данных, интегрированных в систему ГИС “ГЕОВАРТАУПРАВЛЕНИЕ”, которая обеспечивает автоматизированное выполнение таких функций:

– прием приказов на выезд, печать путевок и контроль выезда техники;

– регистрацию и обработку заявок о пожарах или других стихийных бедствиях;

– регистрацию и обработку заявок на учения;

– регистрацию и обработку заявок о передислокации техники;

– оперативный сбор информации о пожарах и времени их ликвидации;

– получение оперативных справок по текущим заявкам;

– оперативный сбор информации о состоянии пожарной техники, сил и средств;

– учет движения и состояния пожарной техники;

– регистрацию времени работы радиотелефонистов в пожарной части;

– формирование строевой записки;

– формирование отчетов о ликвидации пожаров и других стихийных бедствий;

– формирование ежесуточных отчетов о выездах пожарных расчетов;

– двусторонний обмен информацией между пожарной частью и центром АСУ дежурной части.

Особенностью указанных функций является их пассивный информационно-статистический характер. Аналитические задачи системой “ГЕОВАРТА–УПРАВЛЕНИЕ” и подобными системами не решаются, что является определяющим недостатком, поскольку именно результаты анализа информации являются источником будущих действий, направленных на эффективное функционирование подразделений оперативно-спасательной службы гражданской защиты (ОССГЗ).

Развитие и внедрение современных информационных технологий в большинстве сфер жизнедеятельности общества свидетельствует о возможности их использования и в службах противопожарной защиты. На необходимость этого указывает растущее количество пожаров и людей, которые на них погибают, значительные убытки, с одной стороны, а также функционирование пожарных подразделений в условиях недостаточности материальных и кадровых ресурсов – с другой. Процессы принятия решений сегодня базируются на опыте и интуиции пожарных и диспетчеров. В лучшем случае при тушении особо важных промышленных объектов пользуются картой с указанием подъезда и гидрантов, а при тушении объектов жилого сектора картой с номерами домов (см. приложение А). Количество и виды единиц пожарной техники на начальном этапе определяются согласно установленному расписанию без учета особенностей отдельного пожара.

Золотоношский Драбовский Каменский Рис. 5.1. Структура системы пожарной охраны в Черкасской области Структура современной системы пожарной охраны (на примере Черкасской области) показана на рис. 5.1.

Так, в Министерстве по чрезвычайным ситуациям функционирует департамент пожарной безопасности, на главном сервере которого аккумулируется информация о пожарах в Украине. С использованием глобальной сети Internet осуществляется связь с областными управлениями МЧС.

Главное управление пожарной охраны в Черкасской области, в свою очередь, имеет модемную связь с районными управлениями и телефонную связь с пожарными депо областного центра – города Черкассы.

Рационально было бы построить систему информационного обеспечения процессов пожаротушения на базе клиент-серверной архитектуры таким образом.

1. На сервере МЧС находится статистическая информация о пожарах, а также другие данные справочного характера, приказы, распоряжения, отчеты и т.п.

2. На сервере областного управления находится информация о пожарах в области, а также дублирующая информация из сервера МЧС, причем данные о пожарах в области имеют более высокую степень информативности для анализа.

3. ГУ МЧС в области связано выделенными каналами с районными службами пожарной охраны и пожарными депо больших городов.

4. В депо находятся рабочие станции, на которых функционирует ИАС, исходной информацией для которых является содержание информационного банка на сервере.

5. Результатом роботы ИАС на рабочих станциях является информация справочно-консультативного характера.

Учитывая большое количество пожаров и, исходя из особенностей использования, при проектировании информационного банка (ИБ) необходимо базироваться на принципах информационного и системного единства, открытости, масштабируемости, мобильности, комплексности (рис. 5.2).

Соблюдение принципа информационного единства свидетельствует об обеспечении возможности сквозного движения информации за счет стандартизации форматов представления данных, начиная с их введения в ИБ и заканчивая информационно-аналитическими отчетами. Системное единство требует от разработчиков проекта соблюдения соответствия структуры и функционального наполнения программных модулей главной цели эффективной работы системы.

Согласно принципу новых задач академика В.М. Глушкова [35], ИАС должна быть открытой для внесения изменений и дополнений новыми модулями, предназначенными для решения новых актуальных задач. Учитывая разный уровень технических средств, которые используются в диспетчерских пунктах, клиентское программное обеспечение должно отвечать принципу мобильности, в соответствии с которым оно может быть установлено на рабочей станции с любой существующей конфигурацией. Масштабируемость предусматривает изъятие и дополнение составляющих системы согласно их актуальности и требований внешней среды.

По принципу комплексности информационно-аналитическое обеспечение выполняет функции сопровождения процессов принятия решений как стратегического характера, используя статистическую подсистему, так и тактического характера, базируясь на результатах использования аналитических модулей.

Учитывая особенности оперативного пожаротушения и принятия решений в критических условиях и условиях неопределенности, значение информационного обеспечения растет. Его основой должен стать информационный банк, который будет содержать динамические и статические данные. Статической является информация о:

– парке техники (поля T1, T2,..., Tk ), которая доступна для использования в пределах зоны ответственности подразделения;

– многоквартирных дома с атрибутами ( B1, B2,..., Bl ), которые будут указывать на тип дома, его местонахождение (район, улица, номер дома), удобство подъездных путей, количество гидрантов, количество этажей, тип перекрытия, другое.

КЛИЕНТСКАЯ ЧАСТЬ

СЕРВЕР

РОБОЧИЕ СТАНЦИИ

Принципы разработки К динамической принадлежит информация о происшедших пожарах, а именно:

– объект тушения ( O1, O2,..., Om ), которым может быть квартира, подвал, и тому подобное;

– техника, которая использовалась в начале тушения пожара ( T1п, T2п,..., Tkп ), во время всего тушения – ( T1к, T2к,..., Tkк );

– ошибки, допущенные пожарными ( P, P2,..., Pn );

– Z количество погибших;

– U – материальные убытки;

– G – причина возникновения пожара;

– пр – время от получения сообщения о пожаре до прибытия первого подразделения;

– бр – время боевого развертывания;

– г – время тушения.

Таким образом, ИБ имеет две составляющие:

где S – статическая информация D – динамическая. Ключевыми полями для интеграции этих составляющих являются данные о жилом объекте.

Процесс системного проектирования [142] ИАС для поддержки принятия решений базируется на вышеуказанной структуре информационного обеспечения. Его оптимальное осуществление является возможным посредством использования определенных формализмов, к которым принадлежит ячейка проектирования, содержащая такие элементы:

A – начальные данные, к которым принадлежит информация с ИБ ;

С – ограничения на исходную информацию, большинство из которых содержит данные о ресурсах, например, Ti i, i 1, k, где i – области возможного нахождения Ti (всегда ограничены сверху);

M – модели, которые предназначены для получения решения задачи оценки уровня пожарной безопасности жилого объекта;

R – оценка уровня пожарной безопасности;

V – процедура (метод), согласно которой будет реализовано преобразование:

При формировании модели M необходимо учитывать содержание таких понятий [14] как пожарная опасность – опасность возникновения и развития неуправляемого процесса горения; пожарный риск – количественная характеристика возможности реализации пожарной опасности; управление пожарным риском – разработка и реализация комплекса действий, позволяющего уменьшить значение пожарного риска; уровень пожарной безопасности – количественная характеристика состояния объекта, при котором значение всех пожарных рисков не превышает их допустимых уровней.

После определения входных факторов и результирующей характеристики (уровень пожарной безопасности) выполняем процедуру V, основными этапами которой являются решения задач структурной и параметрической идентификации. Используя информацию с ИБ, находим оценку R.

Как показано выше, разработка структуры информационного обеспечения позволяет оптимизировать процессы принятия решений при возникновении и тушении пожаров в зависимости от особенностей определенного объекта и, как следствие, направлена на спасение человеческих жизней и материальных ценностей. Рассмотрим аспекты решения этой задачи [14].

Разработка ИАС базируется на определении принципов и структуры ИБ. Заметим, что он должен быть открытым для внесения новых записей, а программно-алгоритмическое обеспечение ориентировано не на фиксированное количество записей. Поскольку поля, которые составляют содержание ИБ, имеют разноплановое наполнение, то является необходимым использования одного из двух вариантов разработки. В первом варианте разнотипность полей остается и их значения в дальнейшем программно преобразуются к безразмерному виду. Возможным является также вариант, при котором оператор, вводящий информацию, предварительно по указанным формулам преобразует ее к числовому безразмерному виду. Сравнивая эти варианты, стоит заметить, что у каждого из них есть недостатки и наиболее приемлемым является сценарий работы, при котором будет существовать две таблицы в ИБ. В первой из них информация будет храниться в начальной форме, вторая таблица будет содержать те же данные, но преобразованные автоматизировано по определенному алгоритму. Наличие первой таблицы будет необходимым для выполнения обратных преобразований и формирования аналитических отчетов.

Нотации, согласно которым модифицируются начальные данные, в соответствии с приведенной ранее классификацией и принципами создание экспертных систем [49], будут такими:

– X 1 ::=дата, в формате ДД.ММ.РР;

– X 2 ::=1|2…|16; X 3 ::=0|1...|5, где цифры будут означать качество планирования, исходя из удобства пожаротушения;

– X 4 ::=00|01|10|11, где 00 означает, что подвалов и чердаков нет, 11 – есть, 01– чердак есть, подвала нет, 10 – наоборот;

– X 5 ::=0|…|3 – от наихудшего варианта к наилучшему;

– X 6 ::=0|1|2, где 0 – не отвечает, 1 – соответствие удовлетворительное, 2 – полное соответствие;

– X 7 ::=0|1|2, где 0 – путей эвакуации нет, 1 пути эвакуации в плохом состоянии, 2 – пути эвакуации в хорошем состоянии.

Для внешних факторов нотации представим таким образом:

– Z1 ::=число;

– Z 2 ::=число;

– Z 3 ::= (0;1] – число, выражающее степень укомплектованности кадрами;

– Z 4 ::= (0;1] – укомплектованность средствами пожаротушения;

Z 5 ::=0|1, где 0 – противопожарного водоснабжения нет, 1 – есть;

Z 7 ::=0|1|2, где 0 – состояние ближайших источников водоснабжения плохое, 1 – удовлетворительное, 2 – хорошее;

– Z 9 ::=0|1, где 0 – первичных средств тушения нет, 1 – есть;

– Z10 ::=0|1|2, где 0 – подъезд неудобный, 1 – удовлетворительный, 2 – хороший;

– Z11 ::=00|10|01|11, где 00 – дождя и ветра нет, 10 – дождь без ветра, 01 – ветер, 11 – и дождь, и ветер.

Заметим, что после тестирования системы допускается модификация и детализация как в нотациях, так и коррекция, и дополнение функций входными факторами. Приведенные составляющие ИБ и предложенные нотации составляют основу для разработки ИАС.

5.2. Особенности подготовки исходных данных с учетом объективной, вероятностной и субъективной неопределенности Необходимость повышения оперативности и качества принятия решений при организации тушения пожаров, спасении людей и предоставлении помощи в ликвидации последствий аварий, катастроф и природных стихий на основе использования новейших компьютерных геоинформационных технологий, а также учета особенностей проблемы внедрения информационно-аналитических технологий и современного состояния автоматизации процессов поддержки принятия решений [139], свидетельствуют об актуальности создания такой информационно-аналитической системы, в которой были бы интегрированы следующие функции:

– формирование, ведение и коррекция ИБ данных о пожарах;

– выполнение операций по информационному сопровождению функционирования ОССГЗ (отчеты, записки, регистрация, обработка заявок и т. п);

– выполнение расчетов и формирование статистических отчетов, которые будут включать у себя группировку, классификацию, отслеживание динамики по таким показателям:

место возникновения пожара;

объект, на котором возник пожар;

условия, способствующие распространению и усложнению тушения пожара;

использование пожарной техники;

источники водоснабжения и первичные средства пожаротушения;

лица, виновные в возникновении пожара;

причины возникновения пожара;

– отслеживание противопожарного состояния многоэтажных домов с использованием таких показателей как: наличие пожарной автоматики, расстояние до ближайшего пожарного депо, удобство подъезда, наличие и удобство эвакуационных выходов, качество конструктивных решений, инженерное обеспечение, наличие и функциональность внутреннего и внешнего противопожарного водопровода;

– расчет оптимальных маршрутов проезда пожарных автомобилей до места пожара в зависимости от состояния дорожного покрытия и насыщенности движения;

– минимизация ошибок личного состава при тушении пожаров путем анализа ретроспективной информации и определения корреляционных соотношений.

Решение указанных задач позволит создать систему полного информационно-аналитического сопровождения процессов принятия решений подразделениями ОССГЗ. Каждая из вышеприведенных задач имеет свои особенности, которые определяются, в первую очередь, типом входных данных и результирующих характеристик. Анализируя процессы принятия решений при пожаротушении, определяем три класса ситуаций.

Первая ситуация определяется детерминированностью и на макроуровне заключается в выборе таких значений параметров q, при которых выгода D результата была максимальной при минимальных расходах C, что будет свидетельствовать об оптимуме E принятого решения (рис. 5.3).

В практике пожаротушения детерминированная ситуация чаще всего имеет место при определении уровня пассивной пожарной безопасности и проведении профилактических мероприятий.

Рис. 5.3. Оценка эффективности в детерминированных условиях Рис. 5.4. Варианты решения проблемы в ситуации риска Вторая ситуация возникает непосредственно при пожаротушении в те моменты, когда необходимо принимать взвешенные решения, исходя из результата интеграции знаний, опыта и интуиции. Если возникает ситуация A, которая может привести к нескольким последствиям с соответствующими вероятностями (рис. 5.4), то в соответствии с общими положениями теории принятия решений [89] необходимо находить математическое ожидание Поскольку ИБ содержит данные как о причинах возникновения пожара, так и об особенностях его тушения, ошибках личного состава, то вычисление вероятностей в (5.3) осуществляется согласно предельных теорем теории вероятностей, с учетом того, что частоты последствий являются известными. Вычисление частот необходимо осуществлять в предположении об однотипности ситуаций. Так, в случае пожара в девятиэтажном доме на пятом этаже рассчитываются вероятности направлений распространения пожара:

через окна, через двери, через вентиляционные отверстия, в результате нагревания межкомнатных и межквартирных стен и потолка.

Если же установить значения вероятностей pa1, pa 2,..., pam по тем или другим причинам невозможно (как это чаще всего и бывает в пожаротушении), то для оценки последствий используются суждения экспертов. Наиболее распространенными методами формализованного представления суждений экспертов является построение функций полезности и функций принадлежности. Теория построения функций полезности изложена в роботе Дж. фон Неймана и О. Моргенштерна [146] и заключается в построении вероятностных конструкций замены одного из вариантов на определенную совокупность других. Автором теории нечетких множеств является Лотфи Заде. Базовым понятием этой теории есть функция принадлежности, которая определяет меру уверенности эксперта в том или ином суждении.

Интеграция трех типов неопределенности в одной информационно-аналитической системе является достаточно сложной проблемой, поскольку процедура уменьшения энтропии для данных, принадлежащих к первому типу, лежит в плоскости вычислительных операций; обработка данных второго типа требует осуществления поиска нужной информации, проверки соблюдения определенных предпосылок, но допускает получение информации в оперативном режиме, что особенно важно при пожаротушении. Субъективная неопределенность возникает в условиях отсутствия ретроспективной информации об аналогичных событиях и задачах. Уменьшить ее оперативно почти невозможно, поскольку необходимо осуществлять опрос экспертов, строить функции принадлежности и выполнять операции с нечеткими множествами. Адекватное использование результатов работы с субъективными суждениями возможно лишь при условии занесения их в информационный банк и соответствующей обработке в неоперативном режиме. Соответствующие постановки задач, определение начальных данных, применение методов математического моделирования и статистической обработки информации, а также формирование типовых форм документов, в которых будут отображены результаты, осуществляется аналитиком по запросам руководящих работников ОССГЗ.

5.3. Структуризация задач и функциональных модулей информационно-аналитической системы на основе принципа информационного единства Проектирование сложных систем, как известно [139, 142], имеет в своей основе логическую схему, а разработка такой логической схемы для создания информационноаналитического обеспечения (ИАО) процессов принятия решений (ППР) противопожарными подразделениями является актуальной современной задачей, поскольку определенные наработки в этой области имеют разрозненный характер и, чаще всего, ограничиваются сбором и анализом статистического материала. Необходимым является создание автоматизированных систем (АС), которые в режиме реального времени предоставляли бы возможность прогнозирования ситуации и указывали на оптимальное распределение ресурсов и, как следствие, способствовали бы уменьшению ошибок при пожаротушении.

Для внесения порядка в процесс создания АС поддержки ППР необходимо разработать схему определить наполнение ее составляющих, их приоритеты и взаимодействие.

Формируя логическую схему, сделаем предварительные предположения [47]. Модель АС M имеет две составляющие:

ИБ – модель информационного банка, который содержит данные о пожарах, их особенностях и ошибках при тушении; ПМ – программный модуль, с помощью которого решаются задачи обслуживания ИБ, анализа и прогнозирования процессов противопожарной защиты. В качестве начальных данных используем данные карты пожаротушения (см.

приложение А), в котором находится информация о параметрах объекта, на котором возник пожар, особенностях его окружения, факторах окружающей среды и особенностях организации процесса пожаротушения. Ограничения включают в себя данные о наличии или отсутствии определенных ресурсов и кадровом составе. Проектным решением должна стать автоматизирована система поддержки принятия решений (АСППР), включающая в себя ИБ и ПМ.

Оценка R определяется такими критериями: полнотой ИБ, его информативностью (способностью к минимизации энтропии процессов решения аналитических задач), точностью идентификации оценки уровня противопожарной безопасности объекта и прогнозирования сценариев развития событий.

Процедура решения задачи создания АС декомпозируется на логически связанную, структурированную систему подзадач:

– определение факторов, которые осуществляют наибольшее влияние на уровень пожарной безопасности жилого объекта;

– определение структуры информационного банка и типизация его составляющих;

– разработка программного обеспечения функционирования ИБ ;

– разработка процедуры унификации входных факторов;

– применение методов увеличения информативности входных данных с выявлением причинно-следственных связей;

– идентификация зависимости между уровнем пожарной безопасности объекта и значимыми факторами;

– расчет оптимального кадрового состава и материальнотехнического обеспечения в режиме реального времени.

Предложенная логическая схема проектирования вместе со структурированными задачами позволяет на единой информационно-методологической базе разработать АС, функционирование которой значительно улучшит аналитическое обеспечение процессов принятия решений в условиях критичности времени и ограниченности ресурсного потенциала. Проблемным остается решение вопросов о наполнении ИБ данными о жилых объектах и создании клиент-серверной архитектуры с сосредоточенным ИБ на сервере и ПМ на рабочих станциях, который позволит модифицировать данные в ИБ и выполнять нужные расчеты для каждого отдельного подразделения.

Разработку ИАС, предназначенной для информационноконсультативного сопровождения процессов принятия решений, необходимо выполнить в соответствии с уровнями системной модели [142]:

цели задачи методы, алгоритмы учитывая технический, технологический, экономический и организационный аспекты (рис. 5.5). Кроме операций с ИБ и процедур формирования отчетов, основой ИАС является банк математических моделей и методов, которые являются инкапсулированными и недоступными для пользователя системы и подлежат изменениям, дополнениям и усовершенствованиям системным аналитиком. При решении определенного класса задач обеспечено резервирование методов, то есть одна и та же задача решается разными методами, а результаты анализируются и усредняются с определенными весовыми коэффициентами. Так, для структурной и параметрической идентификации оценки уровня пожарной безопасности используются такие модели: парная линейная регрессия, множественная линейная регрессия, множественная нелинейная регрессия, часовые ряды, интерполяционные полиномы, нейронные сети и методы:

наименьших квадратов, метод Брандона, алгоритмы АОРО, Левенберга-Марквардта и другие.

Технологический Экономический Организационный Формирование структуры ИБ Детализируя структуру ИБ, отметим в ней присутствие пяти таблиц. Первая таблица содержит информацию о техническом парке, ресурсном обеспечении, средствах пожаротушения, кадровом составе, других технических данных. Во вторую таблицу заносят информацию о пожарах непосредственно из карточки учета пожара. Данные об ошибках личного состава при пожаротушении находятся в третьей таблице и связываются с данными второй таблицы по ключевому полю KEYFIELD. В четвертой таблице собрана информация о внутренних и внешних параметрах, исходя из позиций пожарной безопасности. Безусловно, главную роль играет информация, которая сосредоточена в пятой таблице:

результаты исследования уровня пожарной безопасности объектов жилого сектора, анализ ошибок личного состава и ситуаций их возникновения, оптимальные маршруты проезда к каждому из перекрестков.

Информацию, которая заносится в ИБ оператором или внутренними модулями при функционировании, разделяют на две составляющие: статическую и динамическую [48].

Данные первого типа – информация о новых домах, пожарах и т.п., динамические данные отображают текущую ситуацию с дорожными и погодными условиями, изменения параметров жилых объектов и такие, которые нужны для оперативных расчетов.

Схему функционирования ИАС “БЕЗОПАСНОСТЬ” приведено на рис. 5.6. Ядром системы является банк математических моделей и методов (рис. 5.5). Составляющими банка являются математические модели, реализованные в таких модулях:

– PLR – парная линейная регрессия;

– PNR – парная нелинейная регрессия;

– MLR – множественная линейная регрессия;

– NMR – множественная нелинейная регрессия;

– PKG – полином Колмогорова-Габора;

– NNFF – нейронные сети с прямым распространением сигнала;

– MKNN – нейронные сети с модульно-ядерной структурой;

– MATRIX – модели представления данных для задачи оптимизации проезда пожарного расчета.

МОДЕЛИ МЕТОДЫ ЕЖЕДНЕВНАЯ РАБОТА

TEST1 ПРОФИЛАКТИКА

PKG ALM ПОЖАРОТУШЕНИЕ

Внешняя среда

MATRIX

ИНФОРМАЦИОННЫЙ БАНК

Вычислительные методы инкапсулированы в таких модулях:

– PMLS – МНК для парной линейной регрессии;

– MMLS – МНК для множественной линейной регресссии;

– TEST1 – методы тестирования “негативных” явлений в исходных факторах;

– TESTN – другие методы тестирования;

– GMDH– многорядный алгоритм МГВА;

– CRA – методы корреляционно-регрессионного анализа;

– ALM– алгоритм Левенберга-Маркуарда;

– CGA– метод Глетчера-Ривса;

– BC– процедура “box-counting”;

– MMC – метод главных компонент;

– MWI – процедура “выбеливания” входов;

– GA – процедуры генетического алгоритма.

ИАС “БЕЗОПАСНОСТЬ” работает в двух режимах: текущем и оперативном. При текущем режиме:

– выполняется идентификация уровней пожарной безопасности жилых объектов и формируются данные необходимые для отчетов;

– выполняются расчеты оптимальных путей проезда пожарного подразделения ко всем перекресткам зоны ответственности;

– при изменении параметров, от которых зависит время проезда, выполняется пересчет;

– выполняется анализ ошибок, устанавливаются связи между ними и определяются соотношения между пожаротушением определенных объектов и типами ошибок.

Для повседневного функционирования используется техническая информация, на базе которой формируются отчеты и строевые записки. Выполнение профилактических мероприятий базируется на данных расчетов, анализе приоритетности и значениях внутренних и внешних параметров жилых объектов.

При поступлении вызова в пожарной части по адресу объекта, на котором возник пожар, формируется информационно-аналитическая записка, которая содержит такие данные:

– значение внутренних и внешних параметров объекта;

– оценку уровня его пожарной безопасности с обоснованием;

– анализ ошибок, допущенных при тушении типичных объектов и в типичных ситуациях;

– рекомендованный маршрут проезда к месту пожара.

Такая информация позволит в режиме реального времени быстро оценивать ситуацию, принимать правильные решения, минимизировать вероятности ошибок, минимизировать время проезда пожарного подразделения к месту пожара, а также время его локализации и ликвидации, что будет способствовать предотвращению человеческих жертв и материальных убытков.

5.4. Особенности моделирования процесса развития пожара с использованием нечеткой информации Идентификация зависимостей (3.10) и (3.11) является достаточно сложной задачей, поскольку необходимо учитывать большое число факторов, не каждый из которых имеет точечное численное значение, или значение в интервале, что обусловлено различием справочной информации и реальным состоянием; строительные материалы имеют разный уровень износа; взаимодействие факторов может приводить к непрогнозируемым последствиям. Несмотря на все эти обстоятельства, очевидно, что разработка моделей (3.10) и (3.11) является необходимым условием минимизации риска катастрофических последствий пожаров на особо опасных объектах.

Информационным базисом моделирования служит база данных, которая в дальнейшем будет преобразовываться в банк знаний. При проектировании базы данных необходимо учитывать такие аспекты:

– испытания показывают, что не у всех новых строительных конструкций, удовлетворяющих условиям надежной эксплуатации в нормальных условиях, обеспечивается требуемая огнестойкость;

– ее таблицы должны содержать информацию о фундаментальных законах тепломассопереноса, учитывающие закономерности горения материалов;

– информация должна быть представлена таким образом, чтобы процесс расчетов мог быть полностью автоматизированным и требовал минимального экспертного присутствия;

– существовала возможность оперативного внесения данных, являющихся исходной информацией для прогнозирования;

– предусмотреть учет степени изношенности строений;

наличие легковоспламеняющихся предметов, синтетических изделий и техники, что увеличивает возможность возникновения пожаров и делает самый незначительный пожар чрезвычайно опасным, а также данных о потенциальных источниках опасности – подвалах и чердаках, кабельных коммуникациях;

– разработать структуру баз данных таким образом, чтобы в них можно было представлять нечеткую информацию;

– в качестве элементного базиса считать помещения, для них указывать особенности внутренней и внешней архитектуры, наличие и состояние возможных путей распространения пожара с указанием типовых и экспертно определяемых значений скорости и направления распространения пожара (рис. 5.7).

При формировании таблиц базы данных необходимо обратить внимание на субъективизм экспертов и способы верификации полученной нечеткой информации. Одним из них есть определение компетентности экспертов на базе аксиомы несмещенности [130] и учет их суждений с соответствующими весовыми коэффициентами.

Представление нечеткой информации объективизируют с помощью интервального представления или определения лингвистических переменных и построения функций принадлежности [1]. Если эксперты уверены в том, что значения параметра могут быть среди чисел интервала a, b без предпочтений, то достаточно выбрать интервальное представление информации.

Помещение № n Блок координатной привязки Рис. 5.7. Формирование таблиц базы данных Использование треугольных функций принадлежности рационально в том случае, когда отсутствует постоянная уверенность в том, что значения фактора принадлежат некоторому интервалу. Для представления таких функций достаточно двух параметров (см. рис. 5.7), поскольку значения фактора X i c a, c a, где c – значение, уверенность в получении которого является наибольшей. Трапециевидная функция принадлежности [55] применяется в том случае, когда существует максимальная одинаковая уверенность в принадлежности значения параметра интервалу m, m. Достаточно часто, например в [68], предлагают использовать колоколообразные функции принадлежности 1/ (1 (x b) / a).

Они являются двухпараметрическими. В связи с таким разнообразием представления нечеткой информации возникает задача определения и оптимальности каждого варианта.

Важным является аспект верификации полученного формального представления, поскольку проведение натурного эксперимента невозможно. Будем предполагать, что решение задач идентификации (3.10) и (3.11), т.е. скорость и периметр распространения огня является нечеткими переменными. Представления их функций принадлежности заносят в базу данных вместе с правилами такого типа:

........

Значение каждого выражения в скобках и результирующего выражения определяется значением соответствующей функции принадлежности. Базы данных, включающие такие значения, превращаются в нечеткие базы знаний [122, 128], поскольку позволяют осуществлять структурную и параметрическую идентификацию зависимостей (3.10) и (3.11) и получать новые знания из существующих данных. Важно понимать, что нельзя применять вероятностные модели, которые требуют однородных выборок с необходимостью многократного повторения типового процесса, что для особо опасных объектов неразрешимая задача. Это еще раз свидетельствует в пользу применения нечеткого моделирования.

При построении моделей (3.10) и (3.11) возникает проблема определения факторов, являющихся наиболее значимыми для определения скорости и путей распространения огня. Она связана с большим количеством факторов и значительным субъективизмом определения их значений, что вносит шумовой эффект в решение задачи идентификации.

Значительная информационная насыщенность итерационного процесса формирования модели и, собственно, моделирования требует привлечения методов интеллектуального анализа данных, проведения верификации априорных данных, методов и результатов моделирования. Не исключено, что полученные модели будут уникальными и смогут быть использованными на других объектах. Но как уже указывалось ранее, такой подход в ситуации особо опасных производств является оправданным.

Поскольку процесс распространения пожара является координатно привязанным, то результатом реализации предлагаемой технологии должна стать некая геоинформационная система. Входной информацией для нее будет точка возникновения пожара, на выходе по запросу пользователя будет получена карта развития пожара с указанием скорости и наиболее вероятных путей распространения огня, а также время, через которое он достигнет указанной точки. Такие же задачи необходимо решать и при определении уровня задымления помещений.

Современные технологии формирования описаний элементной структуры и динамических процессов, основанные на применении вычислительной техники и создаваемые в виде компьютерных многофункциональных баз данных, позволяют автоматизировать процесс анализа нечеткой информации и прогнозирования развития ситуации на основе автоматизированной системы управления базами данных. Они открывают новые возможности для объективизации экспертной оценки параметров помещений особо опасного объекта и временных характеристик процесса развития пожара.

Безусловно, реализация таких технологий требует проведения комплекса научных, технических и организационных задач.

Разработка и внедрение моделей, методов и средств, базирующихся на обработке нечеткой, а также, возможно, неполной информации даст возможность адекватного реагирования на наиболее опасном направлении развития пожара и своевременного предупреждения о возможности возникно-вения критической ситуации в той или иной точке объекта.

Пожарная безопасность особо опасных объектов является той предметной областью, важность исследования которой не вызывает сомнений. В то же время, она является наименее информационно насыщенной с доминированием субъективных факторов при принятии решений, что приводит к катастрофическим последствиям в случае возникновения пожара. Предлагаемый подход направлен на реализацию информационно-консультативной геоинформационной системы, которая даст возможность прогнозирования процесса развития пожара в пространственно-временной системе координат.

Значительная трудоемкость реализации такой технологии сопровождается рядом аспектов, определенных выше. Кроме них остаются проблемы интерпретации полученных результатов как нечеткой информации и оптимизации идентифицируемых зависимостей, направленых на повышение точности расчетов.

5.5.Структура и особенности формирования базы знаний для моделирования процесса распространения пожара на особо опасных объектах Моделирование процесса распространения пожара на особо опасных объектах является необходимым атрибутом процесса эффективного пожаротушения, поскольку он происходит в критичных условиях и имеет как объективную, так и субъективную неопределенность. Главной задачей, которая решается с использованием моделирования является определение времени распространения пожара от точки его возникновения до точки, достижение которой огнем приведет к катастрофическим последствиям. В [17, 128] предложено для ее решения использовать методы теории нечетких множеств и разработаны модели, посредством которых можно в значительной мере объективизировать процессы принятия решений.

Необходимым условием разработки и внедрения методов нечеткого моделирования является формирование структуры и сопровождения базы знаний, которая будет основной составной частью информационно-аналитической системы “БЕЗОПАСНОСТЬ”. Особенностями такой базы знаний являются:

– открытость для внесения информации о новых объектах;

– гибкость, которая предусматривает добавление новых элементов и их изъятие в случае установления противоречий;

– уникальность, вызванная особенностями особо опасных объектов;

– системность, которая необходима для соблюдения единых требований и форматов представления входной, промежуточной и результирующей информации.

Разработку базы знаний предлагается осуществлять на основе трех моделей: строения, функционирования и развития [142]. Модель строения является теоретико-множественной моделью и определяет состав базы знаний:

Мб O, A1(a11, a12,..., a1k ), A2 (a21, a22,..., a2k ),..., An (an1, an2,..., ank ), (5.4) где O – идентификатор объекта, Ai (*,*,...,*) – идентификатор поля базы знаний, ail – 1-й формат i -го поля данных Модель функционирования базы знаний позволяет определить, информация из каких полей будет использоваться при решении определенных задач. К таким задачам относятся:

– определение кратчайшего возможного маршрута распространения огня;

– определение наиболее возможного пути развития пожара;

– расчет усредненного времени и соответствующего маршрута распространения огня;

– формирование перечня возможных вариантов развития пожара в соответствии с заданными часовыми маркерами и тому подобное.

Модель функционирования является информационной моделью:

где P – непустое множество задач, A – множество атрибутов (полей) базы знаний, m – количество задач.

Модель развития формируется как определенное следствие процесса развития информационно-аналитической системы во времени, базирующееся на расширении знаний о пожарах, объектах пожаротушения, экспертной информации. Развитие базы знаний происходит в соответствии с параллельно-иерархической схемой, где ее уровни являются отображением процесса решения вышеуказанных задач в случаях привлечения дополнительных экспертов, изменения типа и формы функций принадлежности, которые являются отображением их суждений. На этапах такой схемы осуществляется последовательное уточнение решений, поскольку они ориентируют на решение одной задачи несколькими методами или на решение определенной проблемы путем решения последовательности уточняющих задач.

В модели развития интегрированы возможные варианты композиции задач и методов решения, а также учитывается необходимость расширения, уточнения и модификации запи-сей в базе знаний. Модель развития формально представим так:

М р t, Pi1 Pi2 ( Pi1, Pi2 )... ( Pil,..., Piq ), Ait, Ait, Ait, (5.6) где t – время, Pi j – задачи, Ait, Ait – увеличение или уменьшение атрибутов задачи, Ait – их содержательная модификация.

Таким образом, разработка тройки моделей является основанием для программируемого создания и сопровождения базы знаний для моделирования процессов распространения пожаров на особо опасных объектах, что позволит реализовывать конструктивные построения, которые будут инвариантными к будущим ситуациям.

Скорость распространения и последствия пожаров на особо опасных объектах определяют актуальность и необходимость разработки моделей и использования моделирования для определения наиболее вероятных направлений, путей и времени распространения огня. В работе [17] определены основные факторы, которые влияют на скорость развития пожара и изменения периметра. Первой задачей, которую необходимо решать при создании информационно-аналитической системы моделирования процессов развития пожаров, является формирование базы знаний. Она должна содержать статистические данные о прошедших пожарах, нормативных величинах, экспертных данных и данных, которые определяют размещение определенных объектов.

Значительная часть таких факторов имеет субъективный характер происхождения, что определяется:

– неполнотой данных, связанной с невозможностью осуществить измерение в критических условиях, а также их потерей;

– неопределенностью, которая возникает благодаря интервальному заданию множества значений параметров и экспертным предположением о возможных областях их изменения;

– противоречивостью суждений экспертов о процессе развития пожара.

Общая структура базы знаний приведена в [17]. Ее особенностью является представление значений факторов в виде треугольных или гауссовских функций принадлежности, которые определяются двумя параметрами. Отметим, что такая форма представления является самой простой и ее применение будет обоснованным, если эксперты в одном из значений каждого фактора будут иметь максимальную уверенность. Если же окажется, что параметр может с максимальной уверенностью получать значения в некотором интервале, тогда рационально использовать трапециевидную функцию принадлежности. Таким образом, решение задачи определения вида функции принадлежности является первым необходимым шагом препроцессинга данных и формирования нечеткой базы знаний.

На следующем этапе подготовки исходной информации определяем коэффициенты компетентности экспертов, если они не заданы а priori. При этом используем технологию, представленную в [101]. В расчетах компетентность экспертов будет играть роль весовых коэффициентов их суждений.

Третий этап предварительной обработки данных заключается в определении противоречивости в суждениях экспертов и разработке процедуры их нивелирования, а также в выявлении подобных суждений и их изъятии без потери информативности.

Формированием логических правил завершается создание нечеткой базы знаний. При определении пути огня и его скорости считаются известными начало координат (точка с координатами (0,0)) и координаты объекта ( x*, y* ), который может стать источником катастрофы в случае достижения его огнем. Заметим, что точка возникновения огня ( x 0, y 0 ) является переменной величиной при формировании правил вывода. Динамическое изменение координат этой точки и экспертное определение пути огня и скорости достижения точки ( x*, y* ) позволят уменьшить неопределенность, обусловленную неполнотой данных, и минимизировать противоречивость экспертной информации.

Очевидно, что применение нечетких баз знаний для идентификации зависимости скорости распространения огня и его периметра от типа и состояния покрытия, наличия объектов на пути пожара, препятствий и подобных факторов, является перспективным направлением в моделировании динамики пожаров. Очевидно, что необходимым условием последующего эффективного использования базы знаний есть предварительная обработка информации, в частности, минимизация неопределенности и неполноты данных, увеличение их информативности и минимизация противоречивости экспертных оценок за счет сглаживания субъективных суждений и выявления некомпетентных экспертов.

В пятой главе приведены результаты разработки программно-алгоритмического обеспечения процесса информационно-консультативного сопровождения процессов поддержки принятия решений при профилактике и пожаротушении.

Предложено структуру информационного обеспечения на базе клиент-серверной архитектуры, принципы формирования и структуру информационного банка. Разработаны нотации, в соответствии с которыми разнотипные данные приведены к единой шкале, что является необходимым условием их последующей обработки.

Классифицированы факторы пожаротушения как детерминированные, вероятностные и субъективные, а также предложена технология определения их последствий. Поскольку создание информационно-аналитической системы является сложной слабоструктурированной проблемой, предложено разработку и использование логической схемы задач на базе системной модели с учетом технического, технологического, экономического и организационного аспектов.

Разработана функциональная схема информационноаналитической системы, в основе которой находится банк математических моделей и методов и определено его наполнение. Установлены принципы ее работы в трех режимах:

ежедневном, профилактики и пожаротушения.

С целью настройки параметров системы и сравнения результатов выполнено экспериментальное моделирование, которое подтвердило, что использование модульно-ядерной структуры сокращает время обучения сети на 36–40 % при неизменной точности результатов; время проезда к месту пожара, определенное посредством эволюционного моделирования уменьшается, в среднем, на 7–10 % в сравнении с экспертными оценками; процедура самоорганизации нейронной сети приводит к сокращению времени ее обучения, в среднем, на 54–62 % и точность обобщения увеличивается на 2–3 % при других неизменных условиях; при выполнении препроцессинга данных точность прогнозирования увеличивается на 4–8 %.

Экспериментальная верификация, нерешенные проблемы и перспективные направления 6.1. Исследование эффективности нейросетевых алгоритмов обучения для идентификации целевой В соответствии с факторами, формализация которых выполнена в пп. 3.1 и 4.1, определена выборка (табл. 6.1) из базы статистических данных и проведено исследование эффективности функционирования нейронных сетей на базе алгоритма Левенберга-Марквардта, стандартного back propagation и алгоритма сопряженных градиентов, которые вычисляются согласно процедуры Флетчера-Ривса (сonjugate gradient backpropagation CGA) [7]. Структура нейронной сети во всех трех случаях осталась неизменной: три слоя, количество нейронов в первом из которых отвечает количеству входных факторов, во втором –15 нейронов, в третьем – один. Максимальное количество эпох обучения составляло 1000, а среднеквадратическая ошибка обучения 0,001. Учебная выборка насчитывала 14 образов, проверочная – 6. Исследование выполнялось с применением пакета Matlab 7.0.

Графики динамики целевой функции при обучении нейросетей изображены на рис. 6.1–6.3. Расчеты подтвердили теоретические предостережения относительно сходимости вышеприведенных алгоритмов. Стандартный back propagation за 1000 эпох не сошелся и нужная точность не достигнута, хотя очевидно, что 2000 эпох для сходимости было бы достаточно. Динамика целевой функции для алгоритма сопряженных градиентов имеет ступенчатый характер и уже за 600 эпох нужная точность достигнута. Наилучшие результаты при обучении получено по алгоритму Левенберга– Марквардта. При наихудшей стартовой позиции нужная точность достигается уже на 20 итерации. Кроме скорости обучения нужно проверить обученные сети на их способность к обобщению, то есть то, насколько точно они могут быть использованы для прогнозирования. Для этого случайным образом из той же базы данных сформировано проверочную выборку из 6 образов. Все они подавались на входы нейросетей и для каждой результирующей характеристики рассчитывалась среднеквадратическая ошибка:

где Y ji – рассчитанное сетью i -е значение j -й выходной характеристики, Y ji – табличное значение. Результаты приведены в табл. 6.1 и изображены на рис. 6.4. Они указывают на то, что точность обобщения для всех нейронных сетей является сравнимой и все они могут быть использованы для идентификации функции оценки уровня пожарной безопасности объектов жилого сектора.

Таблица 6.1. Исходные данные исследований (выборочная совокупность) Z1 4 0,2 0,9 2,3 4,3 2,4 2,6 3,1 4,5 3,5 3,3 3,4 1,2 2, Z3 0,8 0,7 0,7 0,8 0,8 0,8 0,8 0,8 0,8 0,8 0,8 0,8 0,7 0, Z4 0,6 0,7 0,6 0,6 0,6 0,6 0,6 0,6 0,6 0,6 0,6 0,6 0,7 0, Y1 7,8 4,2 6,3 1,2 4,0 5,1 7,0 0,8 5,0 4,8 4,6 2,8 4,5 7, Y2 2 2,1 3,5 1,2 5,3 4,1 5,1 4,2 3,1 2,8 3,5 4,2 7,2 2, Y3 7,5 1,2 2,6 5,5 12,3 9,2 7,2 10 14 11 12 12 5,2 6, Y5 0,2 2,8 0,6 0,8 0,5 5,1 9,2 3,8 4,5 0,5 0,9 1,5 2,1 3, Таблица 6.2. Среднеквадратические ошибки Среднеквадратичое отклонение Рис. 6.4. Погрешности прогнозирования исходных Вместе с тем, необходимо отметить особенность применения нейронных сетей с указанными алгоритмами обучения: сравнительно низкая способность к обобщению в точках, которые находятся близко к границе области обучения.

6.2. Моделирование и интерпретация результатов функционирования информационноаналитической системы “БЕЗОПАСНОСТЬ” Существует еще третий режим роботы ИАС “БЕЗОПАСНОСТЬ”, в котором происходит настройка параметров работы системы и реализованных алгоритмов. Поскольку аналитическая подсистема интегрирует в себе модели и методы, которые инкапсулированы в информационно-аналитической системе и, в общем случае, являются доступными лишь для разработчиков системы, то такая настройка осуществляется до начала использования ИАС. Она позволяет повысить достоверность результатов функционирования системы.

Для верификации функционирования ИАС “БЕЗОПАСНОСТЬ” определена процедура, которая состоит из таких шагов:

Шаг 1. Выполнить обучение сети с модульно-ядерной структурой и осуществить тестирование точности функционирования на контрольной выборке. При формировании структуры учесть значение весовых коэффициентов (см.

табл. 4.1).

Шаг 2. С использованием генетического алгоритма определить оптимальные маршруты проезда пожарного подразделения к месту пожара и сравнить их с маршрутами, определенными эмпирически.

Шаг 3. Выполнить анализ скорости обучения и точности обобщения нейронной сети при выполнении этапов ее самоорганизации.

Шаг 4. Сравнить точность результатов при использовании методов увеличения информативности (см. п. 3.5) и при применении нейронной сети.

До выполнения эксперимента сделаем такие замечания.

ИАС содержит модули, выполняющие операции унификации представления данных (превращение из нечислового вида к количественному), стандартизации, нормализации, определения значимых факторов и минимизации шумовых эффектов. Для последних операций применяются метод главных компонент (используется в линейном случае для определения ортогональных наиболее значимых факторов);

метод “выбеливания входов”, посредством которого распределение данных становится равномерным, что обуславливает максимальную информационную энтропию и способствует увеличению точности последующей аппроксимации;

метод “box-counting”, который позволяет установить факторы, которые оказывают наибольшее влияние на прогнозирование значений результирующей характеристики. В ИАС указанные методы оформлены отдельными модулями и используются для решения определенного множества задач.

Заметим, что препроцессинг данных является процедурой предварительной подготовки данных. В главных математических модулях сосредоточены алгоритмы реализации методов линейной алгебры, итерационных методов решения нелинейных алгебраических уравнений, дифференциальных уравнений, методов линейной и нелинейной идеентификации. Основой их применения являются модели, в качестве которых используются нейронные сети, ряды Фурье, совокупность элементарных нелинейных функций и другие.

Для верификации предложенных моделей, методов и алгоритмов использовались модули ИАС “БЕЗОПАСНОСТЬ” и программная система Matlab 7.0. Эксперименты проводились на компьютере с такой конфигурацией: процессор – Pentium M 2000 MHz, оперативная память – 1 Гб, винчестер – 120 Гб, операционная система – Windows ХР.

Решение задачи идентификации выполнено с использованием нейронной сети прямого распространения с тремя слоями. В первом слое количество нейронов, согласно с количеством входных факторов, составляло 18, в скрытом слое – 20 нейронов и один нейрон на выходе. Таким образом, количество связей равнялось 380. Для эксперимента из базы данных сделана выборка, насчитывающая 400 элементов, структура которых приведена в табл. 6.1. Поскольку количество образов в сравнении с данными эксперимента, результаты которого приведены в п. 2.4, изменилось, то эксперимент был повторен. В учебную выборку случайным образом отобрано 320 образов, в контрольную – 60, в проверочную – 20. Для всех образов выполнена нормализация, в результате чего их значения находятся на интервале [–1; 1].

На первом шаге проведено обучение прямосвязанной сети вышеприведенной конфигурации со всеми связями (full ехperiment – FE) с использованием алгоритмов back propogation (BP), Левенберга-Марквардта (LM) и методом сопряженных градиентов (CGA), а также проверена ее способность к обобщению на проверочной последовательности.

Результаты приведены в табл. 6.3. На следующем шаге, зная значение весовых коэффициентов обученных сетей и учитывая данные табл. 5.1, моделируем модульно-ядерную архитектуру нейронной сети, для чего нейроны скрытого слоя делим на две равные части по 10 нейронов. Тогда связи между первыми семью входными нейронами и нейронами второго десятка скрытого слоя, а также между вторыми одиннадцатью нейронами входящего слоя и первыми десятью нейронами скрытого слоя разрываем (module kernel structure – MKS), для чего значение соответствующих весовых коэффициентов устанавливаем равными нулю и не позволяем их настройку. Усредняя результаты обучения и тестирования, делаем вывод о сокращении времени обучения на 36–40% при неизменной точности обобщения. Выполняя последующую оптимизацию структуры нейронной сети, выдвигаем гипотезу о том, что на разные результирующие характеристики входные факторы осуществляют неравномерное влияние. Для ее проверки выполнен анализ весовых коэффициентов обученных НС. Если сумма абсолютных величин, отвечающих входному фактору, является незначительной, то и влияние такого фактора на результирующую характеристику почти отсутствует. Результаты являются такими (см. табл. 6.3).

Таблица 6.3. Результаты экспериментов (значение целевой функции на проверочной последовательности) 1. Для Y1 незначимыми факторами является X 5, X 7 и 3. Для Y3 – все составляющие вектора X и Z 4, Z5, Z 6, Z 7, Для каждой результирующей характеристики при обучении нейронной сети удаляем соответствующие входные факторы (deleted factors – DF). В результате выполнения вышеприведенной процедуры скорость обучения сетей увеличилась еще на 3–8 %. Точность увеличилась на 0,4–0,9 %.

Проведенные исследования выполнялись в предположении, что в качестве активационной функции нейронов скрытого слоя использован гиперболический тангенс. Эксперименты с классическим сигмоидом (CS) выполнялись при условии другого нормирования и имели, при всех прочих неизменных условиях, более низкую точность обобщения на 1–1,4 %. Поэтому, в дальнейшем активационной функцией оставался гиперболический тангенс. Исследуя НС на оптимальное количество нейронов скрытого слоя, учитывалась скорость обучения и точность обобщения. Поскольку количество результирующих характеристик равняется шести и, соответственно, есть шесть НС, то в результате экспериментов установлено, что оптимум является плавающим и составляет от 18 до 23 нейронов, в зависимости от других параметров.

Увеличить точность результатов моделирования можно посредством уменьшения влияния шумовых эффектов и увеличения информативности значений исходных факторов.

Используя методику box-counting, заметим, что их распределение является неравномерным и, как следствие, факторы имеют малую энтропию, которая приводит к низкому качеству прогнозирования значений результирующих характеристик. Для того, чтобы “выровнять” распределение значений входных факторов применим метод “выбеливания входов”. Его алгоритм и результаты применения приведены в приложении Б. “Выбеленные” входы имеют равномерное распределение со средним нулевым значением. Значение исходных характеристик оставляем без изменений.

Обучив нейронную сеть и выполнив ее тестирование на проверочной последовательности, получаем результат, который свидетельствует о том, что при обучении сети на “выбеленных входах” точность является выше на 4–6%, чем при обучении на “обычных” входах.

В аналитическом блоке ИАС “БЕЗОПАСНОСТЬ” реализована процедура, которая позволяет улучшить точность результата. На первом ее шаге удаляются мультиколлинеарные факторы и с использованием метода главных компонент строится линейная модель множественной регрессии.

Заметим, что при этом большинство шумовых влияний уже не учитывается. Далее исследуем остатки модели и используем box-counting для выявления значимых из них, либо “выбеливание входов” и на значимых, либо модифицированных остатках учим нейронную сеть. Таким образом, имеем сумму преобразований: линейное – множественная регрессия и нелинейное преобразование, которое реализуется нейронной сетью. В табл. 6.3 результаты обозначены как ME (minimization entropy). Их точность на 1–2 % превышает точность результатов, полученных при простом использовании “выбеливания входов”. Проблемой остается решение задачи прогнозирования для точек, которые не входили к начальную матрицу экспериментальных данных, поскольку возникает необходимость пересчета матрицы собственных векторов и вектора собственных чисел, и, как следствие, последующее переобучение нейронных сетей.

Наиболее актуальной задачей для пожарных подразделений является минимизация времени следования к месту пожара. Как уже было указано в п. 4.4, посредством ИАС “БЕЗОПАСНОСТЬ” расчет оптимального пути к каждому перекрестку проводится в пассивном режиме, его результаты заносятся к базу данных. Любые изменения качества дорожного покрытия, особенностей дорожной обстановки приводят к пересчету оптимального пути. В случае возникновения пожара начальник боевого расчета получает информационную карточку, на которой уже отмечен рекомендованный маршрут.

Тестирование предложенного метода проводилось для схемы перекрестков, изображенной на рис. 3.1. Функцию приспособленности и матрицу расстояний между перекрестками приведено в приложении В.

В процессе моделирования было выявлено две проблемы.

Первая из них заключалась в том, что из каждого перекрестка, обычно, есть дороги только к четырем другим перекресткам. В то же время, в матрице расстояний, как минимум, на порядок больше вариантов, поэтому возникает значительная вычислительная избыточность. Другая проблема заключается в рациональном представлении хромосомрешений. В частности, априорно невозможно определить, какую длину должна иметь хромосома, отвечающая количеству перекрестков, которое должен проехать пожарный расчет к месту пожара.

Для решения указанных проблем предложены такие процедуры. Согласно рис. 3.1 и матрицы расстояний строим матрицу N (nij )i4, jm1 (таблицу направлений, в которой показаны перекрестки, находящиеся по разные стороны от фиксированного) и матрицу L (lij )i4, jm1 (таблица расстояний от фиксированного перекрестка к смежным) (табл. 6.4).

Очевидно, что до фиксированного перекрестка существует большое количество путей, каждый из которых проходит через разное количество промежуточных перекрестков. Минимальное количество таких перекрестков определяется номером квазиконцентрической окружности, проходящим через финальный перекресток. Максимальное количество перекрестков определяется экспертным путем и, чаще всего, не превышает тройного количества минимальных перекрестков в критических случаях, и удвоенной – в штатных ситуациях.

Таблица 6.4 Таблица направлений Таблица расстояний между перекрестками Определим в качестве конечного перекресток № 39 (см.

рис. 3.1). Он принадлежит четвертой квазиконцентрической окружности, поэтому наименьшая длина хромосомы равняется четырем и она является такой:

В хромосоме x(1) 0 – стартовая точка (депо), x(4) 39 – конечная точка.

Максимальную длину хромосомы положим равной восьми.

Параллельно с выполнением традиционных операций ГА, в предложенной процедуре необходимо придерживаться таких шагов. При инициализации выборочной популяции обеспечить равномерное представительство хромосом разной длины. Для этого разыгрываем случайное равномерно распределенное целое число из множества {4, 5, 6, 7, 8}, которое отвечает длине хромосомы. Если это число 4, то первый и последний ее фрагмент уже известны. Вспомогательная хромосома состоит из четырех генов. Первые два гена кодируют направление движения из x(1) (соответственно: 00 – налево, 01 – прямо, 10 – направо, 11 – назад), другие два – с x(4). На допустимость решения указывает выполнение ограничения, которое определяет то, что перекрестки x(2) и x(3) являются соседними. Для хромосом с большей длиной такая процедура выполняется рекурсивно.

При выполнении экспериментального моделирования без выполнения вышеприведенной процедуры время поиска оптимального решения по критерию минимума расстояния составило, в среднем, 12–16 мин. Если же в алгоритме поиска выполняется вспомогательная процедура, то время поиска оптимального решения за счет сокращения неверных шагов уменьшилось до 0,8–1,1 мин. Если же целевой функцией является (4.10) с предварительно установленными экспертным путем весовыми коэффициентами, то время проезда к месту пожара по маршруту, определенное посредством моделирования, на 7–10 % является меньшим, чем время, которое отвечает маршруту, предложенному экспертами (начальниками боевых расчетов), или совпадает. Верификация этого факта достигается вычислением целевой функции по двум предложенным маршрутам при постоянных значениях весовых коэффициентов, определяющих особенность проезда.

Результаты применения указанных методов имеют разный формат представления. Поэтому в ИАС “БЕЗОПАСНОСТЬ” особенное внимание обращено на важность унифицированного представления результатов, которое позволит интерпретировать результаты без участия специалиста-аналитика. Необходимым условием эффективного использования ИАС является создание геоинформационного представления области пространства как в общем плане (улицы, дома, перекрестки), так и в частном (гидранты, подъездные пути и тому подобное) с привязкой к местности.

За время, которое проходит от момента поступления вызова до момента выезда боевого расчета к месту пожара, оператор вводит координаты дома и получает необходимую информацию в виде информационно-консультативной записки. В ней отображены адрес жилого объекта, рекомендованный кратчайший путь проезда к нему с указанием критичных ситуаций на дороге, оценка уровня пожарной безопасности объекта с указанием всех его внутренних и внешних параметров, а также информация об ошибках личного состава, которые были допущены при пожаротушении аналогичных объектов и корреляцию между ошибками.

Принятие во внимание указанной информации начальником расчета позволит минимизировать все критические параметры пожаротушение: времени проезда к месту пожара, времени локализации пожара и времени ее ликвидации.

Создание, внедрение и использование информационноаналитических систем в системе пожарной охраны является важной и актуальной современной проблемой, поскольку необходимость оперативной обработки информации при пожаротушении является неопровержимой, а современный уровень развития вычислительной техники и программного обеспечения является предпосылкой соответствующей разработки. Задачи минимизации времени проезда пожарных автомобилей к месту пожара, времени локализации и ликвидации пожара, ошибок личного состава могут и должны решаться посредством автоматизированных систем.

Последующие исследования должны быть направлены на полное обслуживание подразделений ОССГЗ, решение проблем информационного и аналитического сопровождения их функционирования, унификации в пределах страны информационных потоков, содержащих данные о пожарах и доступе к информационному банку соответствующих специалистов и аналитиков. Особенностью реализации ИАС является клиент-серверная архитектура с использованием сосредоточенной базы данных. Необходимость такой архитектуры обусловлена типичностью объектов в разных городах и районах городов страны, целесообразностью создания общей базы данных, наличием клиентских приложений в каждом подразделении для долгосрочного прогнозирования и получения оперативной информации о конкретном пожаре.

6.3. Верификация методов определения времени распространения пожара до особо опасного объекта Для определения времени достижения огнем особо опасного объекта при условии, что пожар начался в первом помещении в области (см. рис. 4.5), определяемой ограничениями – x [10, 20] и y [10,20], были выбраны восемь экспертов. Каждый из них выразил уверенность, что пожар начался в точке, координаты которой определяются с помощью гауссовской функции принадлежности. Средние значения и среднеквадратические отклонения, являющиеся параметрами такой функции, приведены в табл. 6.5.

Таблица 6.5. Значения параметров функций принадлежности В результате моделирования с использованием нечеткого логического вывода Мамдани получена поверхность, изображенная на рис. 6.5.

Она позволяет определить время распространения пожара до особо опасного объекта из любой точки рассматриваемой области.

Вторая задача заключалась в определении времени распространения огня до особо опасного объекта в случае, если эксперты предполагают возможные пути развития пожара и высказывают допущения о времени продвижении огня через каждое помещение на пути к точке Е. При этом эксперты ориентированы на нормативные значения, которые представимы в виде числовых интервалов. Для исследования выбраны 8 экспертов, каждый из них указал наиболее вероятный предполагаемый маршрут распространения пожара и параметры функций принадлежности (гауссовской) для времен пожара в отдельных помещениях (табл. 6.6).

Продукционные правила, соответствующие данным в табл. 6.6, будут такими:

Таблица 6.6. Значения параметров функции принадлежности для нечеткого вывода Сугено № эксперта На рис. 6.6 приведены все функции принадлежности и промежуточные результаты, соответствующие процедуре получения результата нечеткого логического вывода Сугено.

Наиболее возможное значение показано тонкой вертикальной линией на нижнем правом рисунке.

Решая третью задачу, выполнялась оптимизация значений параметров функций принадлежностей. Для проведения экспериментальной верификации предложенной процедуры выбрано результаты заключений 30 экспертов. Заметим, что в этом случае маршрут распространения огня задан и включает четыре помещения. Структура ANFIS приведена на рис. 6.7.

Для обучения нейро-нечеткой сети генеральная совокупность разделена на учебную и контрольную выборки. В первую выборку вошло 25 образов, во вторую – 5. Был использован обычный алгоритм обратного распространения ошибки и определено 100 итераций.

Для сравнительного анализа выбрана обычная прямосвязная двухшаровая нейронная сеть с алгоритмом Левенберга-Марквардта. В скрытом шаре насчитывалось 15 нейронов и аналогично указано 100 итераций.

Время обучения и нейро-нечеткой сети, и обычной нейронной сети оказалось примерно одинаковым. Значение ошибки на точках учебной последовательности для сети ANFIS составило 0,155 (рис. 6.8). Среднеквадратическая ошибка на точках контрольной последовательности – 7,9955.

Для нейронной сети с алгоритмом обратного распространения ошибки значение среднеквадратической ошибки на точках учебной последовательности равно 14,28, на контрольных точках – 58,24 (рис. 6.9).

Таким образом, можно сделать вывод о том, что в результате функционирования нейро-нечеткой сети ANFIS получаем результаты с ошибками на порядок меньше, чем при использовании для аппроксимации обычной прямосвязной нейронной сети.

ЗАКЛЮЧЕНИЕ

В монографии изложены идеи, принципы, модели, методы решения научной задачи анализа и оптимизации уровня пожарной безопасности жилых объектов и особо опасных объектов.

Выполнен анализ системы пожарной безопасности, определено ее структуру и функции, приведено теоретико-множественную модель, установлены тенденции динамики количества пожаров, что позволило выполнить структуризацию факторов влияния на пожарную безопасность объектов и формализовать задачу повышения эффективности функционирования противопожарных подразделений.

Установлено, что процедуры автоматизированной обработки данных в системе пожарной безопасности на сегодня сводятся к вычислению статистических показателей, что не позволяет проводить адекватный анализ действий личного состава и разрабатывать сценарии пожаротушения.

Выполнен анализ классических и нейросетевых методов идентификации на предмет их применения к определению уровня пожарной безопасности жилых объектов. Установлено, что точность нейросетевых методов является на порядок выше, хоть и остается низкой. Предложено использовать двухядерную нейронную сеть, что позволило минимизировать присутствие шумовых эффектов в данных, увеличить скорость обучения и повысить точность обобщения сети на 2–3 %.

Предложена модель многоэтапной самоорганизации нейронной сети, направленной на оптимизацию процесса ее обучения и увеличения точности идентификации искомой зависимости.

Разработан метод минимизации ошибок личного состава пожарных подразделений, который основывается на установлении зависимости между типом ошибки и внутренними и внешними параметрами жилого объекта, а также определении корреляционных связей между ошибками. Использование такого метода позволит уменьшить количество одиночных и комплексных ошибок при пожаротушении.

Разработана модель времени проезда пожарного подразделения к месту пожара, которая базируется на учете расстояния, качества дорожного покрытия, времени суток, других факторов и предложен метод ее оптимизации с использованием генетического алгоритма. Автоматизация расчета минимального пути позволяет уменьшить время на принятие решений и избежать доминирующего влияния фактора субъективности.

Для увеличения информативности исходной информации предложено использовать технологию, которая интегрирует в себе методы box-counting, главных компонент и “выбеливания входов”.

Разработано структуру и принципы функционирования информационно-аналитической системы поддержки принятия решений при пожаротушении “БЕЗОПАСНОСТЬ”.

Определена структура таблиц базы данных и документов, которые выдаются начальнику пожарного расчета, и имеют информационно-консультативную направленность.

Использование разработанных моделей и методов анализа и оптимизации уровня пожарной безопасности жилых объектов расширяет научно-методическую базу исследования эффективности профилактических мероприятий и процессов пожаротушения, а ее достоверность подтверждается результатами экспериментов, апробацией и внедрением.

Проведенное исследование имеет практическое значение, которое заключается в следующем:

Усовершенствованы методы принятия решений при пожаротушении и минимизации ошибок личного состава с использованием эволюционного моделирования. Полученные положения позволяют эффективно проводить противопожарные мероприятия, анализировать результаты пожаротушения и использовать их при возникновении аналогичных ситуаций.

Предложенные методы определения оценки уровня пожарной безопасности жилых объектов на базе нейронных сетей указывают на методологический аспект, составляющими которого также являются методы расчета наиболее значимых факторов. Результаты исследований свидетельствуют о преимуществах использования информационно-аналитической системы “БЕЗОПАСНОСТЬ” с помощью которой происходит сопровождение процессов принятия решений при пожаротушении от момента поступления сообщения о пожаре до времени окончания ликвидации пожара.

Список использованных источников 1. Аверкин А.Н., Батыршин И.З., Блишун А.Ф. и др. Нечеткие множества в моделях управления и искусственного интеллекта. М.: Наука, 1986. 312 с.

2. Алгулиев Р.М., Алыгулиев Р.М. Генетический подход к оптимальному назначению заданий в распределенной системе // Искусственный интеллект. 2004. № 4. С. 79–88.

3. Арнольд В.И. Теория катастроф. – М.: Наука, 1990. – 191 с.

4. Афанасьев Э.В., Ярошенко В.Н. Эффективность информационного обеспечения управления. – М.: Экономика, 1987. – 111 с.

5. Бабак В.П., Билецкий А.Я., Приставка А.П., Приставка П.А. Статистическая обработка данных. – К.: “МИВВЦ”, 2001. – 388 с.

6. Бабич Г.Х. Принятие решений на основе анализа дерева решений в условиях неполноты информации // Кибернетика. – 1986. – № 5. – С. 113–121.

7. Банди Б. Методы оптимизации. Вводный курс. – М.:

Радио и связь, 1988. – 128 с.

8. Баранин В.Н. Особенности оценки экономической эффективности технических средств противопожарной защиты в современных условиях // Пожарная безопасность. – 2002.

№ 3. C. 16–18.

9. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях. В кн.: Вопросы анализа и процедуры принятия решений. – М.: Мир, 1976. – С. 172–215.

10. Берк К., Кэйри П. Анализ данных с помощью Microsoft Excel. М.: “Вильямс”, 2004. 560 с.

11. Борисов А.Н., Алексеев А.В., Меркулова Г.В. и др. Обработка нечеткой информации в системах принятия решений. – М.: Радио и связь, 1975. – 304 с.

12. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. – М.: Наука, 1983. – 464 с.

13. Брушлинский Н.Н. Системный анализ деятельности Государственной противопожарной службы: Учебник. М.:

МИПБ МВД России, 1998. 255 с.

14. Брушлинский Н.Н., Глуховенко Ю.М., Клепко Е.А. Динамика пожарных рисков в России в ХIX-XX веках // Пожарная безопасность. – 2003. – № 4. – С. 11–15.

15. Брушлинский Н.Н., Соболев Н.Н., Лупанов С.А. Влияние фактора времени на интенсивность потока вызовов пожарных подразделений в городе // Проблемы пожарной безопасности объектов народного хозяйства и административно-территориальных единиц: Сб. научн. тр. – М.: ВНИИПО, 1988. – С. 9–16.

16. Брушлинский Н.Н., Соколов С.В., Алехин Е.М. Методологические, теоретические и прикладный проблемы противопожарных служб в городах // Научно-техническое обеспечение деятельности ГПС: Сб. научн. тр. – М.: ВНИИПО, 1997. – С. 29–41.

17. Быченко А.А. Модели распространения пожара на особо опасных объектах в условиях неопределенности // Искусственный интеллект. – 2006. – № 3. – С. 359–365.

18. Валькман Ю.Р. Интеллектуальные технологии исследовательского проектирования. – К.: Port-Royal, 1998. – 250 с.

19. Вапник В.Н., Червоненскис А.Я. Теория распознавания образов. – М.: Наука, 1974. – 415 с.

20. Васильев В.И. Взаимозаменяемость метода группового учета аргументов (МГУА) и метода предельных упрощений (МПУ) // Искусственный интеллект. – 2001. № 1. – С. 29–42.

21. Вентцель Е.С., Овчаров Л.А. Теория вероятностей и ее инженерные приложения. – М.: Наука, 1988. – 480 с.

22. Витковски Т. Многоэтапные процессы принятия решений в управлении предприятием // Проблемы управления и информатики. – 1998. – № 3. – С.124–138.

23. Витковски Т., Антчак А. Генетические алгоритмы – современный инструмент поиска квазиоптимальных решений // Проблемы управления и информатики. – 2003. – № 5. – С. 22–35.

24. Витковски Т., Эльзвай С., Антчак А. Проектирование основных операций генетических алгоритмов для планирования производства // Проблемы управления и информатики. – 2003. – № 6. – С. 129–138.

25. Вознесенский В.А. Статистические методы планирования эксперимента в технико-экономических исследованиях. – М.: Статистика, 1974. – 192 с.

26. Воинов А.Н. О критерии оптимальности в задачах размещения аварийных служб // Вопросы экономики в пожарной охране: Сб. научн. тр. Вып. 5. – М.: ВНИИПО МВД СССР, 1976. – С. 53–56.

27. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. –СПб.: Питер, 2000. – 384 с.

28. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учебн.

пособие для вузов. – М.: ИПРЖР, 2001. – 385 с.

29. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. – Харьков: Основа, 1997. – 112 с.

30. Герман О.В. Введение в теорию экспертных систем и обработку знаний. – Минск: ДизайнПРО, 1995. – 255 с.

31. Гермейер Ю.Б. Введение в теорию исследования операций. – М.: Наука, 1971. – 270 с.

32. Глибовец Н.Н., Медвидь С.А. Генетические алгоритмы и их использование для решения задачи составления расписаний // Кибернетика и системный анализ. – 2003. – № 1. – С. 95–108.

33. Глибовец Н.Н., Олецкий А.В. Искусственный интеллект. К.: Изд. дом “Академия”, 2002. 366 с.

34. Гличев А.В. Системная эффективность технических систем. – М: Экономика, 1971. – 270 с.

35. Глушков В.М. Основы безбумажной информатики. – М.: Наука, 1982. - 552 с.

36. Головко В.А. Нейронные сети: обучение, организация и применение. – М.: ИПРЖР, 2001. – 256 с.

37. Горбань А.Н. Обучение нейронных сетей. – М.: СП “Параграф”, 1990. – 159 с.

38. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. – 276 с.

39. Гринберг А.С., Козак Д.А., Шегал Б.Р. Экспертные системы со встроенной моделью компенсации риска // УСиМ. – 1992. – № 3/4. – C. 116–120.

40. Громовенко О.Л. Модель оценки тактических возможностей пожарных подразделений по тушению крупного пожара // Пожаровзрывобезопасность. – 2002. – № 6. – С. 6–9.

41. Громовенко О.Л. Модель распределения сил и средств для выполнения боевых действий по ликвидации горения на пожаре // Пожаровзрывобезопасность. – 2002. – № 4. – С. 42–46.

42. Джарратано Д., Райли Г. Экспертные системы: Принципы разработки и программирования. – М.: “И.Д. Вильямс“, 2007. – 1152 с.

43. Джулай А.Н. Проблемы и пути информатизации пожарных подразделений на базе эволюционной биокибернетики // Сборник докл. Межд. научн.-практ. конф. “Единое информационное пространство”. – Днепропетровск. – 2003. – С. 139.

44. Джулай А.Н. Перспективы и проблемы применения технологий Soft Computing для решения задачи повышения эффективности противопожарной защиты объектов жилого сектора // Тезисы докл. VI Межд. научн.-практ. конф.

студентов, аспирантов и молодых ученых “Системный анализ и информационные технологии”. – К.: НТУУ „КПИ”, 2004. – C. 103–104.

45. Джулай А.Н. Системный анализ уровня пожарной безопасности объектов жилого сектора // Вестник ЧГТУ. – 2003. –№ 3. – С. 123–130.

46. Джулай А.Н. Структура информационного обеспечения процесса оценки уровня пожарной безопасности жилого объекта // Материалы IV Всеукр. конф. мол. ученых “ИTOНT-2004”. – Черкассы. – С. 90–91.

47. Джулай А.Н. Структуризация задач проектирования систем поддержки принятия решений противопожарными подразделениями // Материалы VII Межд. научн.-практ.

конф. "Наука и образование '2004". – Днепропетровск: Наука и образование. – 2004. – Том 72. – С. 39–41.

48. Джулай А.Н. Структурный анализ информационной технологии автоматизированной поддержки принятия решений при пожаротушении // Искусственный интеллект.

– 2005. – № 3. – C. 392–398.

49. Джулай А.Н. Увеличение энтропии экзогенных факторов – необходимое условие эффективной идентификации целевой функции // Вестник ЧГТУ. – 2004. – № 4. – С. 176–179.

50. Джулай А.Н. Эволюционная технология аналитической оценки уровня пассивной пожарной безопасности объектов жилого сектора // АСУ и приборы автоматики. – 2004. – Вып. 128. – С. 35–40.

51. Диксон Дж. Проектирование систем: изобретательство, анализ и принятие решений. – М.: Мир, 1969. – 440 с.

52. Дитрих Я. Проектирование и конструирование. Системный подход. – М.: Мир, 1981. – 456 с.

53. Дорогов А.Ю. Структурный синтез двухслойных быстрых нейронных сетей // Кибернетика и системный анализ. – 2000. – № 4. – С. 47–56.

54. Дружинин В.В., Конторов Д.С. Системотехника. – М.:

Радио и связь, 1985. – 200 с.

55. Дюбуа Д., Прад А. Теория возможностей. – М.: Радио и связь,1990. – 286 с.

56. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. – М.: МИФИ, 1998. – 224 с.

57. Емельянов А.С. Эконометрия и прогнозирование. – М.: Экономика, 1985. – 208 с.

58. Жук К.Д. Исследование задач оптимизации иерархических систем с управляемой структурой. – К.: 1974. – (Препр./АН УССР. Ин-т кибернетики; 74-4, 74-5).

59. Жук К.Д. Методы системного проектирования как основа разработки САПР. – К.: 1976. – (Препр./ АН УССР. Ин-т кибернетики; 76-1).

60. Жук К.Д., Тимченко А.А. Автоматизированное проектирование логико-динамических систем. – К.: Наукова думка, 1981. – 451 с.

61. Жук К.Д., Тимченко А.А., Доленко Т.И. Исследование структур и моделирование логико-динамических систем. – К.: Наукова думка, 1975. – 199 с.

62. Жук К.Д., Тимченко А.А., Родионов А.А. и др. Построение современных САПР. – К.: Наук. думка, 1983. – 420 с.

63. Заде Л. Понятие лингвистической переменной и ее применение к принятию приближенных решений. – М.:

Мир, 1976. – 167 с.

64. Заде Л.А. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных интеллектуальных систем. Новости искусственного интеллекта. – 2001. – № 2–3. – С. 7–11.

65. Заенцев И.В. Нейронные сети: основные модели. – Воронеж: ВГУ, 1999. – 76 с.

66. Зайченко Ю.П. Исследование операций. – К.: ВИПОЛ, 2000. – 688 с.

67. Захаров В.Н., Поспелов Д.А., Хазацкий В.Е. Системы управления. Задание. Проектирование. Реализация. – М.:

Энергия, 1972. – 424 с.

68. Згуровский М.З. Интегрированные системы оптимального управления и проектирования. – К.: Выща школа, 1990. – 351 с.

69. Згуровский М.З. Сценарный анализ как системная методология предвидения // Системные исследования и информационные технологи. – 2002. – № 1. – С. 7–38.

70. Згуровский М.З., Панкратова Н.Д. Системный анализ.

Проблемы, методология, приложения. – К.: Наук. думка, 2005. – 743 с.

71. Иванников В.П., Клюс П.П. Справочник руководителя пожара. – М.: Стройиздат, 1987. – 288 с.

72. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. – К.: Техніка, 1975. – 312 с.

73. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. – К.: Наук. думка, 1982. – 216 с.

74. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. – М.: Радио и связь, 1987. – 120 с.

75. Имитационная модель функционирования пожарной охраны / Э.Г. Сон, Е.П. Васильев, В.Н. Копченов, А.Г. Вилитенко // Проблемы безопасности объектов народного хозяйства административно-территориальных единиц: Сб. научн.

тр. – М.: ВНИИПО, 1988. – С. 66–84.

76. Исаев С.А. Разработка и исследование генетических алгоритмов для принятия решений на основе многокритериальных нелинейных моделей: Автореф. дисс. канд.

техн. наук: 05.13.17 / Нижегородск. гос. унив. – Н. Новгород. – 2000. – 18 с.

77. Исследование операций: В 2-х т. Пер. с англ. / Под ред.

Дж. Моудера, С. Элмаграби. – М.: Мир, 1981. – 863 c.

78. Исследование пожаров. Справочно-методическое пособие. – К.: Пожинформтехника, 1999. – 224 с.

79. Калан Р. Основные концепции нейронных сетей.:

Пер. с англ. – М.: Издательский дом “Вильямс”, 2001. – 288 с.

80. Кини Р.Л., Райфа Х. Принятие решений при многих критериях: предпочтения и замещения. – М.: Радио и связь, 1981. – 562 c.

81. Кисляков А.В. Генетические алгоритмы: математический анализ некоторых схем репродукции // Информационные технологии. – 2000. – № 12. – С. 9–14.

82. Кисляков А.В. Генетические алгоритмы: операторы скрещивания и мутации репродукции // Информационные технологии. – 2001. – № 1. – С. 29–34.

83. Круглов В.В. Нечеткая логика и искусственные нейронные сети. – М.: Физматлит, 2001. – 224 с.

84. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечёткая логика и искусственные нейронные сети: Учеб. пособие. – М.: Физматлит, 2001. – 224 с.

85. Кубрякова Е.С. Словарь когнитивных терминов. – М.:

МГУ, 1996. – 453 с.

86. Курейчик В.М., Родзин С.И. Эволюционные алгоритмы:

генетическое программирование // Известия РАН. Теория и системы управления. – 2002. – № 1. – С. 127–137.

87. Левин В.И. Структурно-логические методы исследования сложных систем с применением ЭВМ. – М.: Наука, 1987. – 304 с.

88. Люгер Ф. Дж. Искусственный интеллект. Стратегии и методы решения сложных проблем. – М.: “Вильямс”, 2003. – 864 с.

89. Матвеевский С.Ф. Основы системного проектирования комплексов летательных аппаратов. – М.: Машиностроение, 1987. – 240 с.

90. Матюшин А.В., Олейников В.Т., Зыков В.И., Крылов А.Г., Зайцев С.А. Создание и программно-техническое оснащение ситуационного центра ГУГПС МЧС России // Пожарная безопасность. – 2004. – № 4. – С. 72–76.

91. Матюшин А.В., Олейников В.Т., Крылов А.Г., Науменко К.Н.

Автоматизированная геоинформационная система поддержки принятия решений должностными лицами единых дежурно-диспетчерских служб // Пожарная безо-пасность. – 2004. – № 4. – С. 64–67.

92. Матюшин А.В., Порошин А.А., Матюшин Ю.А. Зарубежный опыт обоснования мест дислокации оперативных подразделений пожарной охраны // Пожарная безопасность. – 2005. – № 2. – С. 74–81.

93. Матюшин А.В., Порошин А.А., Матюшин Ю.А. Отечественный опыт расчетного обоснования ресурсов оперативных подразделений пожарной охраны и мест их дислокации в населенных пунктах // Пожарная безопасность. – 2005. – № 3. – С. 61–74.

94. Медведцев В.С., Потемкин В.Г. Нейронные сети.

MATLAB 6 / Под общ. ред. к.т.н. В.Г. Потемкина. – МИФИ.:

ДИАЛОГ-МИФИ, 2002. – 496 с.

95. Минаев С.Н., Гермониус Ю.В., Ширяев В.Ю. Имитационная система моделирования пожарной охраны города // Вопросы экономики в пожарной охране. – М.: ВНИИПО, 1981. – С. 56–65.

96. Миронов М.П., Маскаева Л.Н., Макурин Ю.Н. Применение комплексного вероятностного подхода к прогнозированию пожаров и оценке ущерба от них // Пожарная безопасность. – 2005. – № 5. – С. 110–114.



Pages:     | 1 |   ...   | 2 | 3 || 5 |
 


Похожие работы:

«Федеральное агентство по образованию Владивостокский государственный университет экономики и сервиса _ А.П. ЛАТКИН М.Е. БРЫЛЕВА ТЕОРИЯ И ПРАКТИКА РЕГУЛИРОВАНИЯ ПРЕДПРИНИМАТЕЛЬСТВА В СФЕРЕ РОЗНИЧНОЙ ТОРГОВЛИ Монография Владивосток Издательство ВГУЭС 2010 ББК 65.35 Л 27 Рецензенты: М.В. Белобородов, канд. экон. наук, нам. начальника Управления ФАС; А.А. Исаев, д-р экон. наук, проф. каф. МК (ВГУЭС). Латкин, А.П., Брылева, М.Е. Л 27 ТЕОРИЯ И ПРАКТИКА РЕГУЛИРОВАНИЯ ПРЕДПРИНИМАТЕЛЬСТВА В СФЕРЕ...»

«В.Г. Матвейкин, В.А. Погонин, С.Б. Путин, С.А. Скворцов МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И УПРАВЛЕНИЕ ПРОЦЕССОМ КОРОТКОЦИКЛОВОЙ АДСОРБЦИИ МОСКВА ИЗДАТЕЛЬСТВО МАШИНОСТРОЕНИЕ-1 2007 В.Г. Матвейкин, В.А. Погонин, С.Б. Путин, С.А. Скворцов МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ И УПРАВЛЕНИЕ ПРОЦЕССОМ КОРОТКОЦИКЛОВОЙ АДСОРБЦИИ МОСКВА ИЗДАТЕЛЬСТВО МАШИНОСТРОЕНИЕ-1 УДК 517. ББК 965+л11-1с116+В М Р е це н зе н т ы: Доктор технических наук, профессор, заведующий кафедрой Информационные процессы Тверского...»

«Н.А. Ярославцев О существовании многоуровневых ячеистых энергоинформационных структур Невидимое пространство в материальных проявлениях Омск - 2005 1 Рекомендовано к публикации ББК 28.081 решением научно-методического УДК 577.4 семинара химико-биологического Я 80 факультета Омского государственного педагогического университета от 05.04.2004 г., протокол №3 Я 80 Н.А. Ярославцев. О существовании многоуровневых ячеистых энергоинформационных структур. Монография – Омск: Полиграфический центр КАН,...»

«1 Министерство сельского хозяйства Российской Федерации Федеральное государственное образовательное учреждение высшего профессионального образования Великолукская государственная сельскохозяйственная академия В.Ю. КОЗЛОВСКИЙ А.А. ЛЕОНТЬЕВ С.А. ПОПОВА Р.М. СОЛОВЬЕВ АДАПТАЦИОННЫЙ ПОТЕНЦИАЛ КОРОВ ГОЛШТИНСКОЙ И ЧЕРНО-ПЕСТРОЙ ПОРОД В УСЛОВИЯХ СЕВЕРО-ЗАПАДА РОССИИ Научное издание ВЕЛИКИЕ ЛУКИ 2011 2 УДК 636.23:612(470.2)(035.3) ББК 46.03-27(235.0) А РЕЦЕНЗЕНТЫ: доктор биологических наук, профессор...»

«КЫРГЫЗСКО-РОССИЙСКИЙ СЛАВЯНСКИЙ УНИВЕРСИТЕТ ИНСТИТУТ МИРОВОЙ КУЛЬТУРЫ Кафедра истории и культурологии Кафедра мировых языков А.Г. Кузнецов ТВОРЦЫ И ИНТЕРПРЕТАТОРЫ ОЧЕРКИ О КИРГИЗСКИХ МУЗЫКАНТАХ Бишкек 2009 УДК 78 ББК 85.313(2Ки)7 К 89 Ответственный редактор – заслуженный деятель культуры Киргизской Республики, кандидат искусствоведения Е.С. Лузанова. Рецензенты: заслуженный деятель культуры Киргизской Республики, доцент К.Ш. Асанбаев, канд. филос. наук, доцент Н.В. Кумскова. Рекомендовано к...»

«Vinogradov_book.qxd 12.03.2008 22:02 Page 1 Одна из лучших книг по модернизации Китая в мировой синологии. Особенно привлекательно то обстоятельство, что автор рассматривает про цесс развития КНР в широком историческом и цивилизационном контексте В.Я. Портяков, доктор экономических наук, профессор, заместитель директора Института Дальнего Востока РАН Монография – первый опыт ответа на научный и интеллектуальный (а не политический) вызов краха коммунизма, чем принято считать пре кращение СССР...»

«Д.Е. Муза 55-летию кафедры философии ДонНТУ посвящается ИНФОРМАЦИОННОЕ ОБЩЕСТВО: ПРИТЯЗАНИЯ, ВОЗМОЖНОСТИ, ПРОБЛЕМЫ философские очерки Днепропетровск – 2013 ББК 87 УДК 316.3 Рекомендовано к печати ученым советом ГВУЗ Донецкий национальный технический университет (протокол № 1 от 06. 09. 2013 г.) Рецензенты: доктор философских наук, профессор Шаповалов В.Ф. (Московский государственный университет им. М.В. Ломоносова) доктор философских наук, профессор Шкепу М.А., (Киевский национальный...»

«Э.Ноэль-Нойман ОБЩЕСТВЕННОЕ МНЕНИЕ Elisabeth Noelle-Neumann FFENTLICHE MEINUNG Die Entdeckung der Schweigespirale Ullstein 1989 Э.Ноэль-Нойман ОБЩЕСТВЕННОЕ МНЕНИЕ ОТКРЫТИЕ СПИРАЛИ МОЛЧАНИЯ Издательство Прогресс-Академия Москва 1996 ББК 60.55 Н86 Перевод с Немецкого Рыбаковой Л.Н. Редактор Шестернина Н.Л. Ноэль-Нойман Э. Н 86 Общественное мнение. Открытие спирали молчания: Пер. с нем./Общ. ред. и предисл....»

«Министерство образования Российской Федерации Уральский государственный профессионально-педагогический университет Уральское отделение Российской академии образования Академия профессионального образования В. А. Федоров ПРОФЕССИОНАЛЬНО-ПЕДАГОГИЧЕСКОЕ ОБРАЗОВАНИЕ: ТЕОРИЯ, ЭМПИРИКА, ПРАКТИКА Екатеринбург 2001 УДК 378.1 (082) ББК Ч4 46 Ф 33 Федоров В. А. Профессионально-педагогическое образование: теория, эмпирика, практика. Екатеринбург: Изд-во Урал. гос. проф.пед. ун-та, 2001. 330 с. ISBN...»

«ТЕЛЕКОММУНИКАЦИОННОЕ ПРАВО Ю. В. Волков РЕГУЛИРОВАНИЕ ЛОКАЛЬНЫХ СЕТЕЙ (От концепции до инструкции) Монография Екатеринбург 2010 УДК 347.76/.(763.8) ББК 67.404.3 Рецензенты: Бахрах Д.Н. - заслуженный деятель науки России, профессор, доктор юридических наук, профессор Уральской государственной юридической академии. Соколов Ю.Н. - кандидат юридических наук, доцент Уральской государственной юридической академии. Монография рассмотрена и одобрена на кафедре информационного права и естественнонаучных...»

«В.Д. Бицоев, С.Н. Гонтарев, А.А. Хадарцев ВОССТАНОВИТЕЛЬНАЯ МЕДИЦИНА Том V ВОССТАНОВИТЕЛЬНАЯ МЕДИЦИНА Монография Том V Под редакцией В.Д. Бицоева, С.Н. Гонтарева, А.А. Хадарцева Тула – Белгород, 2012 УДК 616-003.9 Восстановительная медицина: Монография / Под ред. В.Д. Бицоева, С.Н. Гонтарева, А.А. Хадарцева. – Тула: Изд-во ТулГУ – Белгород: ЗАО Белгородская областная типография, 2012.– Т. V.– 228 с. Авторский коллектив: Засл. деятель науки РФ, акад. АМТН, д.т.н., проф. Леонов Б.И.; Засл....»

«Г. Федоров, Й. фон Браун, В. Корнеевец ОПЫТ СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО ИССЛЕДОВАНИЯ СЕЛЬСКОГО ХОЗЯЙСТВА И ПИЩЕВОЙ ПРОМЫШЛЕННОСТИ КАЛИНИНГРАДСКОЙ ОБЛАСТИ Калининград 1997 3 Министерство общего Кильский и профессионального образования университет Российской Федерации Калининградский государственный университет Г. Федоров, Й. фон Браун, В. Корнеевец ОПЫТ СОЦИАЛЬНО-ЭКОНОМИЧЕСКОГО ИССЛЕДОВАНИЯ СЕЛЬСКОГО ХОЗЯЙСТВА И ПИЩЕВОЙ ПРОМЫШЛЕННОСТИ КАЛИНИНГРАДСКОЙ ОБЛАСТИ Калининград УДК 338.436. Федоров Г.М.,...»

«Министерство образования и науки Российской Федерации Федеральное агентство по образованию Владивостокский государственный университет экономики и сервиса _ Российская академия наук Дальневосточное отделение Институт истории, археологии и этнографии народов Дальнего Востока Ю.Н. ОСИПОВ КРЕСТЬЯНЕ -СТ АРОЖИЛЫ Д АЛЬНЕГО ВОСТОК А РОССИИ 1855–1917 гг. Монография Владивосток Издательство ВГУЭС 2006 ББК 63.3 (2Рос) О 74 Рецензенты: В.В. Сонин, д-р ист. наук, профессор Ю.В. Аргудяева, д-р ист. наук...»

«ГОУ ВПО Пермский государственный университет Горный институт УрО РАН Естественно-научный институт Таврический Национальный университет Лаборатория карстоведения и спелеологии В.Н. Дублянский ИСТОРИЯ УКРАИНСКОЙ СПЕЛЕОЛОГИИ Пермь-Симферополь, 2005 УДК 551.(477) ББК 26.823 Д 79 Дублянский В.Н. История украинской спелеологии. – Пермь – Симферополь Пермь, 2005. – 111 с. Монография посвящена изложению истории становления и развития спелеологии на Украине. В ней собраны литературные и фондовые...»

«Министерство образования и науки Российской Федерации ФГБОУ ВПО Югорский государственный университет Институт мониторинга климатических и экологических систем СО РАН Институт химии нефти СО РАН В. Ю. Полищук, Ю. М. Полищук ГЕОИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ ПОЛЕЙ ТЕРМОКАРСТОВЫХ ОЗЕР В ЗОНАХ МЕРЗЛОТЫ Ханты-Мансийск 2013 УДК 551.34;551.58 ББК 26.36+26.237 П 50 ISBN 978-5-9611-0079-2 Рецензенты: д. т. н., профессор В. И. Алексеев; д. ф.-м. н., профессор В. А. Крутиков Полищук В. Ю., Полищук Ю. М. П 50...»

«РОССИЙСКАЯ АКАДЕМИЯ НАУК ИНСТИТУТ СОЦИАЛЬНОЭКОНОМИЧЕСКОГО РАЗВИТИЯ ТЕРРИТОРИЙ РАН А.А. Шабунова, К.А. Гулин, М.А. Ласточкина, Т.С. Соловьева МОДЕРНИЗАЦИЯ ЭКОНОМИКИ РЕГИОНА: СОЦИОКУЛЬТУРНЫЕ АСПЕКТЫ Вологда 2012 УДК 316.4(470.12) ББК 60.524(2Рос–4Вол) Публикуется по решению М74 Ученого совета ИСЭРТ РАН Работа выполнена при поддержке гранта Российского гуманитарного научного фонда №11-32-03001а Социально-гуманитарный потенциал модернизации России Модернизация экономики региона: социокультурные...»

«МИНИСТЕРСТВО СПОРТА, ТУРИЗМА И МОЛОДЕЖНОЙ ПОЛИТИКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ ВОЛГОГРАДСКАЯ ГОСУДАРСТВЕННАЯ АКАДЕМИЯ ФИЗИЧЕСКОЙ КУЛЬТУРЫ Кафедра спортивного менеджмента и экономики М.П. БОНДАРЕНКО, С.В. ШЕВАЛДИНА СОЦИАЛЬНОЕ ПАРТНЕРСТВО И СПОРТ: МОТИВЫ И ДОСТИЖЕНИЯ Монография ВОЛГОГРАДСКОЕ НАУЧНОЕ ИЗДАТЕЛЬСТВО 2011 УДК 316.4 + 796 ББК 67.405 + 75.7 Б 81 Рецензенты: д. п. н., проф., зав. кафедрой спортивного...»

«Министерство образования и науки Российской Федерации Ярославский государственный университет им. П.Г. Демидова КРЕАТИВНОСТЬ КАК КЛЮЧЕВАЯ КОМПЕТЕНТНОСТЬ ПЕДАГОГА МОНОГРАФИЯ Ярославль 2013 УДК 159.922 ББК 88.40 К 79 Работа выполнена при финансовой поддержке РГНФ, проект №11-06-00739а Рецензенты: доктор психологических наук, профессор, главный научный сотрудник Института психологии РАН Знаков Виктор Владимирович; доктор психологических наук, профессор, председатель Российского отделения...»

«Министерство образования и науки Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования Северный (Арктический) федеральный университет имени М.В. Ломоносова Ю.Ф. Лукин Российская Арктика в изменяющемся мире Монография Архангельск ИПЦ САФУ 2013 УДК 323(985) ББК 66.3.(211) Л84 Рекомендовано к изданию редакционно-издательским советом Северного (Арктического) федерального университета имени М.В. Ломоносова Рецензенты: доктор...»

«Министерство образования и науки Российской Федерации Ивановский государственный химико-технологический университет Филологический факультет Санкт-Петербургского государственного университета ЧЕЛОВЕК ГОВОРЯЩИЙ: ИССЛЕДОВАНИЯ XXI ВЕКА К 80-летию со дня рождения Лии Васильевны Бондарко Монография Иваново 2012 УДК 801.4 ББК 81.2 Человек говорящий: исследования XXI века: коллективная монография / под ред. Л.А. Вербицкой, Н.К. Ивановой, Иван. гос. хим.-технол. ун-т. – Иваново, 2012. – 248 с....»








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

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