ИНФОРМАЦИОННО-АНАЛИТИЧЕСКАЯ ПОДДЕРЖКА ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ ПРИ ТУШЕНИИ ПОЖАРОВ В МОРСКИХ ПОРТАХ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ
Аннотация и ключевые слова
Аннотация (русский):
Сформулирована задача управления процессом тушения пожаров в морских портах в условиях неопределенности, заключающаяся в локализации и ликвидации пожара минимальным нарядом сил и средств за минимальное время. Для решения задачи разработана модель управления процессом тушения пожаров в морских портах в условиях неопределенности, основными элементами которой являются: модель определения площади пожара; модель выбора ранга пожара; аналитическая модель оценки достаточности ресурсов; аналитическая модель выбора ресурсов; нейро-нечеткая модель выбора оптимального плана мероприятий; модель оценки успешности реализации плана; модель реализации нейро-нечетких моделей. Отличительными особенностями разработанной модели в сравнении с существующими являются следующие: применение комбинированных функций принадлежности, позволяющих выполнять более точную аппроксимацию значений входных параметров; внедрение блока устранения динамических ошибок. В процессе верификации и валидации модели подтверждена ее адекватность. Разработана система, обеспечивающая информационную и аналитическую поддержку принятия решений руководителем тушения пожара в морских портах при неопределенности и базирующаяся на разработанной модели. Использование разработанного программного продукта позволяет повысить эффективности действий пожарных за счет роста точности решений, принимаемых руководителем, и сокращения времени на формулирование решения.

Ключевые слова:
пожар, тушение пожара, морские порты, неопределенность, нейро-нечеткие сети, комбинированные функции принадлежности, система поддержки принятия решений
Текст
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.
Список литературы

1. Капыш А. С. Интеллектуальная система поддержки принятия решений на основе рассуждений по прецедентам: дис.. канд. техн. наук. Волгоград, 2011. 238 с.

2. Моисеев Н. Н. Предисловие к книге Орловского С. А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. 208 с.

3. Станкевич Т. С. Информационно-аналитическая поддержка управления при тушении пожаров в морских портах: дис. … канд. техн. наук. М., 2016. 172 с.

4. Григорьев А. Н. Поддержка принятия управленческих решений при тушении крупных пожаров в общественных зданиях: дис. … канд. техн. наук. М., 2012. 210 с.

5. Лазарсон Э. В. Формализация знаний и интеллектуальная поддержка принятия решений в задачах выбора // Интеллектуальные системы в производстве. 2006. № 2. С. 4-14.

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

7. Круглов В. В. Нечеткие игровые модели и их применение в задачах принятия решений, классификации и прогнозирования // Вестн. Моск. энергет. ин-та. 2004. № 1. С. 82-85.

8. Абраменкова И. В., Круглов В. В. Экспресс-алгоритм прогнозирования катастроф // Приборы и системы. Управление, контроль, диагностика. 2006. № 1. С. 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. Зайченко Ю. П. Нечеткие модели и методы в интеллектуальных системах; под общ. ред. М. З. Згуровского. Киев: Изд. дом «Слово», 2008. 333 с.

12. Денисов А. Н., Шевцов М. В. Информационно-функциональный подход к управлению силами и средствами на пожаре // Технологии техносферной безопасности. 2010. № 3 (31). URL: http://academygps.ucoz.ru/ttb/index.html (дата обращения: 17.06.2017).

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