INFORMATION AND ANALYTICAL SUPPORT OF MANAGEMENT DECISION MAKING UNDER UNCERTAINTY FOR FIRE FIGHTING IN THE MARINE PORTS
Abstract and keywords
Abstract (English):
The article studies the problem of control of firefighting at the seaports under uncertainty, which consists of localization and extinguishing fire with minimum effort and resources within shortest time. The author has developed a model of fire fighting control at the seaports under conditions of uncertainty, the main elements of which are: a model of defining the fire area; a model of selecting the fire rank; an analytical model for evaluating resources sufficiency; an analytical model for resources selection; a neuro-fuzzy model for choosing optimal actions; an evaluation model of successful implementation of the plan; a model for implementation of neuro-fuzzy models. In comparison with existing models, distinctive features of the developed model are the following: application of combined membership functions that allow to perform more accurate approximation of input parameters values; implementation of the block of eliminating dynamic errors. This article assesses the model adequacy and confirms it through model verification and validation. The author has developed information and analytical management support system for fire fighting at seaports which can be used by the chief fire-fighters under uncertainty and is based on the developed model. The developed software is designed to raise the firefighters’ efficiency due to the increase of accuracy of managerial decisions taken by the chief firefighters and reduction of time necessary for decision making.

Keywords:
fire, fire fighting, sea ports, uncertainty, neuro-fuzzy networks, combined membership functions, decision support system
Text
Введение В зависимости от наличия случайных и неопределенных факторов, оказывающих влияние на исход реализации альтернативы, существуют три типа ситуаций принятия управленческих решений [1]: - принятие решения при определенности (характеризуется воздействием установленных детерминированных факторов); - принятие решения при риске (характеризуется влиянием как детерминированных, так и случайных факторов с известными законами распределения); - принятие решения в условиях неопределенности (характеризуется наличием влияния фиксированных и неопределенных факторов, которые не регулируются и не известны в момент принятия решения руководителем или известны с недостаточной для принятия решения точностью; в соответствии с [2], выделяют неопределенность, связанную с неполнотой знаний руководителя о проблеме; неопределенность, связанную с невозможностью точного учета реакции среды на действия лица, принимающего решение, и неточное понимание целей руководителем). Задача управления процессом тушения пожаров в морских портах относится к задачам принятия управленческих решений руководителем тушения пожара (РТП) в условиях неопределенности, поскольку невозможно сформулировать явным образом законы функционирования сложного объекта - пожара по причине ограниченной исследованности и сложности. Результаты анализа возможностей программ для РТП, изложенные в [3], позволили выявить практическую ограниченность их использования для оперативной поддержки работы руководителя при неопределенности. Классические алгоритмические методы и модели теории принятия решений, применяемые в программных средствах, рассмотренных в [3], малоэффективны и не дают высокоточных и оперативных результатов в условиях неопределенности. С целью снятия неопределенности был произведен анализ средств уменьшения степени неопределенности, результаты которого подробно изложены в [3], и установлена предпочтительность применения элементов искусственного интеллекта - нейро-нечетких сетей (ННС) для решения управленческих задач РТП в сложных условиях. С учетом вышеизложенного определена необходимость модификации существующего подхода к организации тактики локализации и ликвидации пожаров в морских портах путем реализации информационной и аналитической поддержки действий РТП на базе ННС, что и явилось целью нашего исследования. Формализация задачи управления процессом тушения пожаров в морских портах в условиях неопределенности Управленческая деятельность РТП в ходе локализации и ликвидации пожара направлена на обеспечение управления пожарными подразделениями, соответствующего требованиям оперативности, качества и устойчивости в условиях неопределенности. Эффективное управление процессом ликвидации аварий в морских портах сокращает время локализации и ликвидации пожара, уменьшает размер материального ущерба и существенно сокращает социальные потери. Нами выполнен всесторонний анализ управленческой деятельности РТП в условиях неопределенности с целью формализации задачи управления процессом тушения пожаров на рассматриваемом типе объектов. Под формализацией задачи принятия управленческих решений РТП при тушении пожаров понимаются выявление и формальное описание взаимосвязей между тактическим потенциалом пожарных подразделений и пространственно-временными параметрами пожара [4]. Однако, согласно [4, 5], установление данных связей является крайне сложным процессом, поскольку: - факторы, характеризующие обстановку на горящем объекте, динамически изменяются, что требует постоянной коррекции и введения дополнительной информации в процессе принятия РТП управленческого решения; - для решения задач РТП использует неопределенную информацию; - для обеспечения достоверного решения РТП необходимо учесть множество ситуационных факторов (оперативно-тактическую характеристику объекта, на котором произошел пожар; cведения о подразделениях пожарной охраны населенного пункта, их организации, численности личного состава и укомплектованности и др.), что затрудняет процесс формализации задачи; - большинство знаний о соответствиях между вариантами решения и условиями обстановки на горящем объекте получено опытным путем и др. В ходе анализа деятельность РТП рассматривалась как определенная совокупность его существенных решений в требуемый момент времени, обеспечивающих успешное тушение пожаров, и были выявлены ключевые проблемы управления процессом тушения пожаров на рассматриваемом типе объектов - в морских портах. На основании результатов анализа была произведена формализация задачи управления процессом тушения пожаров в морских портах в виде системы (1) где- ранг пожара, определяющий состав ресурсов, привлекаемых к локализации и ликвидации пожара; - время тушения пожара в случае привлечения определенного состава ресурсов, мин. Как видно из системы (1), состав ресурсов, привлекаемых к локализации и ликвидации пожара, представляет собой функцию от ранга пожара . Лицу, принимающему решение, в ходе управления процессом тушения пожаров в морских портах необходимо минимизировать значение данной функции, при этом должно обеспечиваться условие минимизации продолжительности тушения пожаров . Разработка нейро-нечеткой модели управления процессом тушения пожаров в морских портах в условиях неопределенности Для решения задачи управления процессом тушения пожаров в сложных условиях разработана нейро-нечеткая модель (ННМ) управления процессом тушения пожаров в морских портах в условиях неопределенности (рис. 1). Данная модель, подробно рассмотренная в [3], является комплексной и содержит в качестве основных элементов следующие ННМ: ННМ определения площади пожара на базе сети ANFIS (Adaptive-Network-Based Fuzzy Inference System); ННМ выбора ранга пожара на базе сети NEFCLASS (Neuro Fuzzy Classification); аналитическую модель оценки достаточности ресурсов; аналитическую модель выбора ресурсов; ННМ выбора оптимального плана мероприятий на базе сети NEFCLASS; ННМ оценки успешности реализации плана на базе сети NEFCLASS; ННМ реализации моделей на базе сетей NEFCLASS и ANFIS. Предложенная модель базируется на применении сетей ANFIS и NEFCLASS. Выбор типов ННС осуществлен в соответствии с результатами анализа сетей в зависимости от области их применения и с результатами сравнения основных параметров тестирования сетей - продолжительности обучения сети в количестве итераций (эпох) и среднеквадратичной ошибки, изложенными в [3]. Рис. 1. Нейро-нечеткая модель управления процессом тушения пожаров в морских портах в условиях неопределенности: - входные данные; - выходные данные; - ввод данных для построения ННС; - ННМ; - площадь пожара в здании, м2; - ранг пожара; - оценка достаточности ресурсов; - оптимальный план действий; - оценка успешности реализации плана; - выбор ресурсов Сеть ANFIS реализует нечеткую систему Такаги - Сугено в виде пятислойной ННС прямого распространения сигнала [6], структура которой представлена на рис. 2: - 1 слой - слой нейронов, адаптируемых с параметрической активационной функцией и определяющих значения функции принадлежности (ФП)при конкретных значениях входов; - 2 слой - слой П-нейронов, каждый узел которого соответствует определенному нечеткому правилу и соединен с теми узлами первого слоя, которые формируют предпосылки данного правила. Этот слой определяет степень выполненияправила, которая рассчитывается как произведение входных сигналов; - 3 слой - слой N-нейронов, осуществляющий нормализацию степеней выполнения правил путем определения относительного веса выполнения нечеткого правила; - 4 слой - слой нейронов, определяющий вклад каждого нечеткого правила в выход ННС; - 5 слой - слой из одного нейрона, который осуществляет агрегирование результата, полученного по различным правилам, и формирует выходное значение сети. Нечеткие правила сети ANFIS описывают данные в виде правила [6]: ЕСЛИ И И … ИТО, где - порядковый номер нечеткого правила. Правила базы знаний сети ANFIS являются объектно-ориентированными, что значительно снижает вероятность возникновения катастрофического увеличения объема базы знаний при большом числе входных переменных [7, 8]. Рис. 2. Структура сети Adaptive-Network-Based Fuzzy Inference System Сеть NEFCLASS, в соответствии с [9, 10], предназначена для определения класса объекта по его входному вектору признаков, класс - подмножество. Сеть NEFCLASS представляет собой трехслойный нечеткий персептрон, типовая структура сети представлена на рис. 3 [9]: - 1 слой - - входные нейроны, в которых представляются входные образцы (активациянейрона обычно не изменяет входное значение); - 2 слой (скрытый) - - нейроны правил; - 3 слой - - выходные нейроны каждого класса. Рис. 3. Структура сети Neuro Fuzzy Classification Согласно [11], активация для нейронов правили для нейронов выходного слоя с образцомопределяется по следующим формулам: где - активация для нейронов правил с образцом ; - активация для нейронов правил для нейронов выходного с образцом ; - активация для нейроновс образцом min, max - операция взятия минимума и максимума соответственно (возможно использование иных функции - -нормы и -конормы); - нечеткий вес соединения входного нейрона x с нейроном правила; - нечеткий вес соединения нейрона правила с нейроном выходного слоя c. Нечеткие правила ННС NEFCLASS имеют вид правил [9]: ЕСЛИ имеет ФПИимеет ФПИ … Иимеет ФП, ТО образецпринадлежит классу, где- нечеткие множества. В соответствии с [9], база правил ННС NEFCLASS представляет собой аппроксимацию неизвестной функции вида и описывает задачу классификации, в которой такая, что , если x принадлежит классу. При этом, согласно [11], база правил сети фактически аппроксимируется к функции , а функцияимеет вид, где - интерпретация результатов классификации ННС. В процессе реализации ННМ управления процессом тушения пожаров в морских портах в условиях неопределенности (см. рис. 1) построены: - сеть ANFIS, предназначенная для прогнозирования площади пожара (входные параметры - площадь помещения, где произошел пожар, м2; предел огнестойкости строительных конструкций, мин; линейная скорость распространения горения, м/мин; время развития пожара, мин; выходной параметр - ); - сеть NECLASS для выбора ранга пожара (входные параметры - площадь пожара в здании, м2; этаж, на котором произошел пожар, этаж; предел огнестойкости строительных конструкций, мин; количество людей на объекте, чел.; выходной параметр - ); - сеть NECLASS для выбора оптимального плана мероприятий (входные параметры - площадь помещения, где произошел пожар, м2; предел огнестойкости строительных конструкций, мин; линейная скорость распространения горения, м/мин; время развития пожара, мин; ранг пожара; площадь пожара в здании, м2; выходной параметр -); - сеть NECLASS для оценки успешности реализации плана (входные параметры - ранг пожара; площадь пожара в здании, м2; время тушения пожара, мин; количество погибших, чел.; количество пострадавших, чел.; фактический расход огнетушащих веществ, л/с; выходной параметр - ). Предлагаемая ННМ (см. рис. 1) обладает рядом преимуществ в сравнении с существующими моделями: использованы комбинированные ФП (колоколообразные с порогами), осуществляющие более точную аппроксимацию значений входных параметров; внедрен блок устранения динамических ошибок при функционировании модели. На базе результатов моделирования [3] произведены верификация и валидация моделей, результаты которых представлены в таблице. При верификации модели выполнена количественная оценка различий между значениями выходного параметра, полученными при использовании разработанной модели и базовой модели со стандартными ФП для обучающей выборки. При валидации модели произведена количественная оценка различий между значениями выходного параметра, полученными при использовании разработанной модели и базовой модели со стандартными ФП для эталонной базы. Результаты оценки, отображенные в таблице, подтверждают адекватность моделей. Результаты оценки адекватности моделей Показатель Верификация модели Валидация модели Базовая сеть Модель Базовая сеть Модель Для построения ННМ Количество правильных ответов при выборе ранга пожара, % 83 83 0 85 85 0 Среднеквадратичная ошибка прогноза площади пожара, м2 9,3 9,2 0,1 112,0 109,7 2,3 Количество правильных ответов при оценке успешности реализации плана мероприятий, % 100 100 0 69 70 1 Количество правильных ответов при выборе оптимального плана мероприятий, % 68 68 0 20 67 47 Для прогнозирования площади пожара Среднеквадратичная ошибка, м2 9,2 9,2 0 47,9 109,7 61,8 Для выбора ранга пожара Количество правильных ответов, % 83 83 0 85 85 0 Для оценки успешности реализации плана Количество правильных ответов, % 100 100 0 70 89 19 Для выбора оптимального плана мероприятий Количество правильных ответов, % 68 75 7 67 71 4 Таким образом, нами разработана ННМ управления процессом тушения пожаров в морских портах в сложных условиях, базирующаяся на использовании элементов искусственного интеллекта - математического аппарата ННС. Достоинства модели: построение ННС с комбинированными ФП с целью повышения качества аппроксимации входных данных; создание блока устранения динамических ошибок для нейтрализации некорректных результатов работы модели. В процессе верификации и валидации моделей подтверждена их адекватность. Разработка системы, обеспечивающей информационную и аналитическую поддержку принятия решений руководителем тушения пожара в морских портах при неопределенности Завершающим этапом модификации существующего подхода к организации тактики тушения пожаров на объектах морского типа при неопределенности является разработка системы, осуществляющей информационную и аналитическую поддержку РТП при тушении пожаров и основанной на предложенной ННМ. В ходе создания системы учтены общие принципы создания систем поддержки принятия решений, изложенные в [12], требования унификации, подробно описанные в [3], а также особенности действий пожарных подразделений при тушении пожаров в морских портах и практические особенности применения программы. Проектирование системы выполнено с учетом вышеперечисленных требований. Предложенная система состоит из объединенных общей целевой функцией функциональных подсистем: рабочего модуля, содержащего модели и реализующего управление моделями с целью обмена информацией между элементами системы; модуля управления, выполняющего информирование о результатах функционирования рабочего модуля. Взаимодействие модулей системы направлено на обеспечение высокоэффективной работы системы и позволяет поднять ее функциональные возможности на качественно новый уровень. Трехуровневая архитектура в полной мере обеспечивает оперативную и эффективную адаптацию системы к решению задачи и быстрое внедрение системы в информационную среду объекта. При разработке системы использовались среды программирования Matlab с приложением Fuzzy Logic Toolbox [13] и Delphi. Предварительная настройка ННС в системе выполнена методом горной кластеризации для минимизации отклонения между результатами нечеткого моделирования и экспертными данными. В завершенном виде система, предназначенная для поддержки управления РТП, представляет собой архив, содержащий компьютерную программу самой системы и дополнительные модули, необходимые для реализации ее основных функций. Для обеспечения полноценного функционирования системы необходим IBM-совместимый персональный компьютер, содержащий одну из перечисленных ниже операционных систем: Windows XP Service Pack 3; Windows XP x64 Edition с пакетом обновления 2; Windows Server 2003 R2 с пакетом обновления 2; Windows Vista Service Pack 1 или 2; Windows Server 2008 с пакетом обновления 2 или R2; Windows 7; процессор Intel или AMD x86 с поддержкой SSE2; дисковое пространство емкостью 3-4 Гб; оперативное запоминающее устройство рекомендуемой емкостью 2048 Мб. Минимальный состав программных средств, необходимых для функционирования системы, включает в себя пакет прикладных программ Matlab с приложением Fuzzy Logic Toolbox (версия не ранее Matlab 2010b) или набор dll-библиотек для поддержки работы языка Matlab MCR (MATLAB Component Runtime). Предлагаемая система предназначена для осуществления достаточного информационного и аналитического обеспечения деятельности РТП в условиях неопределенности в процессе локализации и ликвидации пожаров в морских портах. Система имеет в своем составе базы, составленные из достоверных данных; обладает достаточной быстротой отклика; возможностью хранить данные в разных форматах; возможностью быстрого добавления, исключения и корректировки данных; доступностью для пользователя всех данных, накопленных в течение продолжительного времени. Система обрабатывает информацию, поступающую от различных источников; формирует управленческие решения с приемлемым уровнем точности; обеспечивает принятие управленческих решений в условиях неопределенности; обладает способностью к адаптации и обучению. Интерфейс пользователя разработан с учетом требования «дружелюбности» к пользователю с целью сокращения сроков освоения системы и обеспечения удобства при ее использовании. В соответствии с эргономическими требованиями диалоговые окна интерфейса выполнены в едином стиле; на них размещено рациональное количество информации, необходимой для работы, чтобы не допустить информационной перегруженности окон; размещение элементов осуществлено с учетом обеспечения минимизации действий пользователя, необходимых для подключения часто требуемых функций. Главное диалоговое окно системы (рис. 4) пользователю вызывать все остальные формы. Рис. 4. Главное диалоговое окно системы, обеспечивающей информационную и аналитическую поддержку принятия решений руководителем тушения пожара в морских портах при неопределенности При оценке эффективности разработанной системы, в соответствии с [3], подтверждено, что применение данного программного средства обеспечивает повышение эффективности управления действиями пожарных подразделений и сокращает время формулирования руководителем управленческих решений. Таким образом, разработана система, обеспечивающая информационную и аналитическую поддержку принятия решений РТП в морских портах на базе ННС. В процессе оценки эффективности системы при локализации и ликвидации пожаров в морских портах подтверждено повышение эффективности управленческих решений РТП при неопределенности. Предполагается, что предложенная система, базирующаяся на элементах искусственного интеллекта - ННС, может быть применена в центрах управления в кризисных ситуациях для создания единого информационного пространства МЧС России. Заключение Таким образом, в ходе исследования получены следующие результаты. 1. Выполнена формализация задачи управления процессом тушения пожаров в морских портах при неопределенности, суть которой заключается в локализации и ликвидации пожара минимальным нарядом сил и средств за минимальное время. 2. Разработана ННМ управления процессом тушения пожаров в морских портах. Преимуществом разработанной модели управления является применение колоколообразных с порогами функций принадлежности и наличие блока устранения динамических ошибок. Колоколообразные с порогами функции принадлежности позволяют произвести аппроксимацию значений входных параметров модели с большей точностью в сравнении с базовыми стандартными функциями принадлежности. Блок устранения динамических ошибок осуществляет нейтрализацию динамических ошибок, возникающих в ходе функционирования модели. 3. Разработан программный продукт - система, осуществляющая информационную и аналитическую поддержку принятия решений РТП в условиях неопределенности. Применение данной системы обеспечивает рост эффективности управленческих решений руководителя.
References

1. Kapysh A. S. Intellektual'naya sistema podderzhki prinyatiya resheniy na osnove rassuzhdeniy po precedentam: dis.. kand. tehn. nauk. Volgograd, 2011. 238 s.

2. Moiseev N. N. Predislovie k knige Orlovskogo S. A. Problemy prinyatiya resheniy pri nechetkoy ishodnoy informacii. M.: Nauka, 1981. 208 s.

3. Stankevich T. S. Informacionno-analiticheskaya podderzhka upravleniya pri tushenii pozharov v morskih portah: dis. … kand. tehn. nauk. M., 2016. 172 s.

4. Grigor'ev A. N. Podderzhka prinyatiya upravlencheskih resheniy pri tushenii krupnyh pozharov v obschestvennyh zdaniyah: dis. … kand. tehn. nauk. M., 2012. 210 s.

5. Lazarson E. V. Formalizaciya znaniy i intellektual'naya podderzhka prinyatiya resheniy v zadachah vybora // Intellektual'nye sistemy v proizvodstve. 2006. № 2. S. 4-14.

6. Nauck D., Klawonn F., Kruse R. Foundations of Neuro-Fuzzy Systems. John Wiley & Sons, Inc. New York, 1997. 305 p.

7. Kruglov V. V. Nechetkie igrovye modeli i ih primenenie v zadachah prinyatiya resheniy, klassifikacii i prognozirovaniya // Vestn. Mosk. energet. in-ta. 2004. № 1. S. 82-85.

8. Abramenkova I. V., Kruglov V. V. Ekspress-algoritm prognozirovaniya katastrof // Pribory i sistemy. Upravlenie, kontrol', diagnostika. 2006. № 1. S. 5-7.

9. Nauck D., Kruse R. NEFCLASS A neuro-fuzzy approach for the classification of data // Proceedings of the 1995 ACM symposium on Applied computing (Nashville, Tennessee, USA, February 26-28, 1995). New York, USA, 1995. P. 1-5.

10. Kruse R., Gebhard J., Klawonn F. Foundation of Fuzzy Systems. New York: John Wiley and Sons Inc., 1994. 407 p.

11. Zaychenko Yu. P. Nechetkie modeli i metody v intellektual'nyh sistemah; pod obsch. red. M. Z. Zgurovskogo. Kiev: Izd. dom «Slovo», 2008. 333 s.

12. Denisov A. N., Shevcov M. V. Informacionno-funkcional'nyy podhod k upravleniyu silami i sredstvami na pozhare // Tehnologii tehnosfernoy bezopasnosti. 2010. № 3 (31). URL: http://academygps.ucoz.ru/ttb/index.html (data obrascheniya: 17.06.2017).

13. Fuzzy Logic Toolbox / MathWorks. URL: http://www.mathworks.com/products/fuzzy-logic (data obrascheniya: 17.06.2017).


Login or Create
* Forgot password?