Эволюционное моделирование чрезвычайных ситуаций

Чрезвычайная ситуация — это обстановка на определенной территории, сложившаяся в результате аварии, опасного природного явления, катастрофы, стихийного или иного бедствия

ВНИМАНИЕ! Работа на этой странице представлена для Вашего ознакомления в текстовом (сокращенном) виде. Для того, чтобы получить полностью оформленную работу в формате Word, со всеми сносками, таблицами, рисунками (вместо pic), графиками, приложениями, списком литературы и т.д., необходимо скачать работу.

Содержание

Введение 3
1. Общие положения моделирования чрезвычайных ситуаций 5
2. Эволюционное моделирование процесса распространения пожара 8
Заключение 20
Список литературы 21

Введение

Чрезвычайная ситуация - это обстановка на определенной территории, сложившаяся в результате аварии, опасного природного явления, катастрофы, стихийного или иного бедствия, которые могут повлечь или повлекли за собой человеческие жертвы, ущерб здоровью людей или окружающей природной среде, значительные материальные потери и нарушение жизнедеятельности людей.
Причинами чрезвычайной ситуации являются опасности:
- природные (включая биологические и космические):
- техногенные (пожары, взрывы, аварии):
- социальные (войны, терроризм, экстремизм, криминальные проявления).
По данным ООН в результате стихийных бедствий в 2013 году в мире погибли 236 тыс. человек. Экономические убытки от разгула стихии составили в обшей сложности 181 млрд. долларов. Миллионы людей получили травмы, были вынуждены покинуть свои дома или испытали на себе другие последствия от землетрясений, ураганов, наводнений и засух.
В настоящее время на территории Российской Федерации эксплуатируется около 8 тыс. взрывопожароопасных объектов, более 1,5 тыс. ядерно- и радиационно-опасных объектов, свыше 2.5 тыс. химически опасных объектов. более 29 тыс. напорных гидротехнических сооружений. В зонах вероятного воздействия поражающих факторов аварий и катастроф, которые могут произойти на этих потенциально опасных объектах, проживает свыше 100 млн. граждан России.
Ежегодно в РФ происходит порядка 2.5 тыс. Чрезвычайные ситуации техногенного характера, в результате которых гибнет свыше 50 тыс. людей и более 250 тыс. человек получают увечья. В связи с этим очевидна необходимость постоянной и повсеместной деятельности, направленной на защиту населения и территорий России от аварий и катастроф, снижение рисков ЧС и смягчение их последствий.
Основой этой деятельности является ряд федеральных законов и подзаконных актов по обеспечению безопасности России в условиях природных, техногенных и социальных угроз.
Безопасность - это такое состояние человеческой деятельности, при которой с определенной вероятностью исключается реализация потенциальной опасности. Однако, имеет место аксиома: всякая деятельность люден потенциально опасна. Критерием, т.е. количественной оценкой опасности, является риск.
Практика показывает, что применявшаяся раннее концепция безопасности, исключавшая любые проявления опасности (концепция нулевого риска) оказалась несостоятельной. В настоящее время основной концепцией безопасности является концепция оправданного риска, т.е. риска, который при имеющихся экономических возможностях и общественных отношениях считается допустимым для обычных граждан.
Важным направлением повышения эффективности защитных мероприятий является эволюционное моделирование чрезвычайных ситуаций и прогнозирование их последствий.

1. Общие положения моделирования чрезвычайных ситуаций

Важнейшим свойством чрезвычайной ситуации является их случайный характер. Случайным является не только момент возникновения чрезвычайной ситуации, но и степень воздействия поражающих факторов, а также реакция на это воздействие объектов и людей, попавших в зону поражения. Случайный характер имеют также пространственно-временные факторы, влияющие на тяжесть последствий чрезвычайной ситуации. К ним относятся:
- расположение очага поражающего воздействия относительно объекта или населенного пункта:
- свойства грунтов под зданиями и на окружающей местности:
- плотность застройки и расселения людей:
- распределение производственного персонала и населения по месту7 пребывания в течение суток и в течение года .
Важной задачей моделирования чрезвычайной ситуации является установление пространственно-временных зависимостей для интенсивности поражающих факторов. Эти зависимости могут быть заданы с помощью функций распределения вероятностей возникновения опасных событий или функций распределения вероятностей случайных величин поражающих факторов.
Эти функции могут быть выражены аналитически, с помощью таблиц или карт сейсмо-. радоно-. пожароопасного и другого районирования.
Задачей эволюционного моделирования чрезвычайной ситуации является также установление зависимости вероятности разрушения зданий и сооружений, а также поражения людей от расстояния (координатные законы) или интенсивности поражающих факторов (параметрические законы).
Законы разрушения объектов и поражения людей в аналитическом, табличном или графическом виде (рис. 1) могут быть найдены путем обработки опытных данных с использованием понятий теории вероятностей и. в частности, нормального закона распределения, а также положений статистики.

Pис. 1. Графики законов разрушения (поражения): а - координатный, 6 - параметрический (Р - вероятность, R - расстояние от эпицентра чрезвычайной ситуации до объекта, I - интенсивность поражающего фактора)
Таким образом, основным методом анализа чрезвычайной ситуации является вероятностный метод. На его основе в зависимости от имеющейся исходной информации могут применяться следующие методики исследования:
- статистическая, когда в качестве вероятностей неблагоприятных событий используются их относительные частоты, определяемые по имеющимся статистическим данным:
- теоретико-вероятностная. используемая для оценки вероятностей редких событий, по которым статистика практически отсутствует:
- эвристическая, основанная на методе экспертных оценок и применяемая в случаях, когда отсутствуют не только статистические данные, но и какие-либо математические модели.
Методы прогнозирования чрезвычайной ситуации наиболее развиты применительно к опасным природным явлениям, благодаря функционированию общегосударственной системы мониторинга за предвестниками стихийных бедствий и катастроф. В настоящее время получили развитие следующие подходы к прогнозированию чрезвычайной ситуации:
- вероятностно-статистический подход, основанный на представлении опасных природных явлений или аварий техногенного характера как пуассоновского потока случайных событий:
- вероятностно-детерминированный подход, основанный на выявлении закономерностей развития природных явлений, в частности, их цикличности, что позволяет использовать подход для целей средне- и долгосрочного прогнозирования. Комплексное применение этих подходов позволило разработать математические модели всех основных видов чрезвычайных ситуаций природного и техногенного характера. Эти модели включают в себя частные модели возникновения и развития чрезвычайной ситуации, модели поражающих воздействий, разрушений и другие .
Структура типовой эволюционной модели чрезвычайной ситуации и схема ее использования для прогнозирования их последствий показаны на рис. 2.

Рис. 2. Блок-схема структуры эволюционной модели и ее использования для прогнозирования последствий чрезвычайной ситуации
Эволюционное моделирование позволяет получить более объективную и точную оценку рисков, что является необходимой предпосылкой принятия обоснованных решений по предупреждению чрезвычайной ситуации, смягчению и ликвидации их последствий.
Эволюционное моделирование (evolutionary computation) - направление в искусственном интеллекте, в основе которого лежат принципы и понятийный аппарат, заимствованные из эволюционной биологии и популяционной генетики и объединяющие компьютерные методы (генетические алгоритмы, генетическое программирование, эволюционное программирование и эволюционные стратегии) моделирования эволюционных процессов в искусственных системах.
Эволюционное моделирование применяется:
- Для изучения и моделирования отдельных процессов естественной эволюции.
- Для совершенствования существующих искусственных систем за счет наделения их свойствами адаптивного поведения и самоорганизации на основе методов эволюционного моделирования.
- Для автоматизации решения различных оптимизационных задач науки и техники.
Области применения методов эволюционного моделирования:
- системы технического проектирования;
- системы автоматического управления и регулирования;
- коммуникационные и транспортные системы;
- управление в социально-экономических системах и др.
Особенности эволюционного моделирования как технологии оптимизации:
- Вместе с обычным чаще всего используется закодированное представление значений параметров задачи (как правило, в виде хромосомы).
- Поиск осуществляется не из единственной точки, а из «популяции» точек.
- Специфика работы позволяет накапливать и использовать знания об исследованном пространстве поиска и следовательно проявлять способность к самообучению.
- В процессе поиска используется значение целевой функции, а не ее приращения.
- Применяются вероятностные, а не детерминированные правила поиска и генерации решений.
- Выполняется одновременный анализ различных областей пространства решений, в связи с чем возможно нахождение новых областей с лучшими значениями целевой функции за счет объединения субоптимальных решений из разных популяций.

Таблица 1 – Сравнительный анализ эволюционной и математическй моделей
Эволюционная модель Математическая модель
Хромосома Решение, объект, строка, последовательность
Ген Переменная, параметр, характеристика, признак
Аллель Значение фрагмента закодированного параметра
Локус Номер фрагмента закодированного параметра
Генотип Множество закодированных решений задачи, пространство поиска
Фенотип Множество решений задачи, пространство решений
Особь, индивидуум Объект, система
Пригодность, приспособленность Качество, оптимальность
Fitness-функция Целевая функция
Популяция Множество решений
Поколение Итерация работы эволюционного алгоритма

2. Эволюционное моделирование процесса распространения пожара

Концепция и принципы эволюционного моделирования впервые сформулированы в 1960-х годах Л. Фогелем (L. Fogel) в книге «Искусственный интеллект и эволюционное моделирование» Основная концепция эволюционного моделирования: Заменить процесс моделирования системы моделированием эволюции образующих ее объектов .
Преимущества от реализации этой концепции:
1. Оптимизация системы происходит одновременно с ее проектированием. Одновременно исследуется множество вариантов системы.
2. Минимальное участие человека в проектировании системы за счет появления эффекта самоорганизации в образующих ее (систему) объектах.
3. Возможность гибкого проектирования и исследования систем с элементами адаптивного поведения.
Необходимыми и достаточными условиями возникновения эволюционного процесса являются:
- наследственная изменчивость как предпосылка эволюции;
- борьба за существование как контролирующий и направляющий фактор;
- естественный отбор как преобразующий фактор.
Тогда на каждой итерации (эволюции) поиска.
Каждая новая популяция состоит только из «жизнеспособных» объектов. Каждая новая популяция лучше (в смысле приспособленности, оптимальности) предыдущей.
Естественный отбор моделируется через выполнение процедуры селекции членов популяции. Качество объекта популяции (качество решения) пропорционально вероятности его перехода полностью (копирование) или частично (в виде потомков) в следующее поколение. Четыре эволюции в задаче поиска оптимального решения с размером популяции – четыре. Родители следующего поколения обведены линией «Решения-потомки» наследуют характеристики родителей с некоторой вариацией. Приспособленность индивида популяции (качество решения) оценивается с помощью специальной fitness-функции. Чем лучше ее значение, тем больше потомков в следующем поколении будет у данного члена популяции.
В процессе эволюции последующая популяция зависит только от предыдущей.
Современные исследования процессов пожаротушения методами моделирования в основном посвящены исследованию типовых ситуаций. В частности − пожаротушению в жилом секторе, распространению пожаров в лесных массивах, разработке эффективных технических средств пожаротушения. В то же время исследованию динамики пожаров на особо опасных объектах не уделяется должного внимания, несмотря на то, что в последнее время промышленный рост сопровождается увеличением количества экологических и промышленных катастроф и аварий .
Такое состояние можно объяснить исключительным характером чрезвычайных происшествий, стоимостью моделирования уникальных ситуаций, неоправданной уверенностью руководства и персонала предприятий в их безопасности. Важно заметить, что возможные потери от возникновения критических аварийных ситуаций многократно превышают стоимость информационно-аналитических систем, с помощью которых можно осуществлять прогнозирование динамики развития пожаров и объективизировать процессы принятия решений, базируясь на анализе субъективных суждений экспертов.
Определенные результаты в указанном направлении были получены в работах А.О. Быченко, В.Е. Снитюк. Так, А.О. Быченко предложил первый шаг реализации информационно-аналитической технологии, заключающийся в разработке процедуры формирования модели времени распространения пожара, с помощью которой можно максимально близко моделировать процесс принятия решений человеком. Выполнена структурная идентификация и инициализация модели времени распространения пожара. В работе В.Е. Снитюк предложен подход к формированию указанной модели, базирующийся на использовании нечетких баз знаний и соответствующих методов и направленный на реализацию информационно-консультативной геоинформационной системы, которая позволит осуществлять прогнозирование процесса развития пожара в пространственно-временной системе координат.
Очевидно, что мощность банка моделей процесса распространения пожара превышает единицу. Формирование, исследование и использование модели определяется двумя главными факторами: соответствующим критерием ее оптимальности и особенностями внешней среды. Заметим, что такой критерий носит субъективный характер и определяется экспертным путем либо лицом, принимающим решение (ЛПР).
Химические промышленные предприятия и предприятия энергетики имеют на своей территории особо опасные объекты, возникновение пожара на которых или достижение их огнем приведет к техногенным и экологическим катастрофам. Поскольку процесс развития пожара достаточно стремителен, то прогнозирование его пути и времени является актуальной научной задачей, поскольку ее решение позволяет выполнить оптимальное размещение сил и средств пожаротушения и предотвратить катастрофу. Традиционно такая задача решается начальником пожарного расчета, исходя из личного опыта и интуиции, возможно с использованием консультативной помощи подчиненных. Такой субъективизм зачастую приводит к неправильным, не подкрепленным расчетами и информационно-аналитическим сопровождением решениям и, следовательно, к человеческим жертвам и другим негативным последствиям .
Формально постановка задачи определения наиболее возможного пути и времени развития пожара является такой. Предположим, что предприятие, имеющее опасное производство, находится в некоторой системе координат XY. Пусть (x0, y0) − точка возникновения пожара, (x, y) − координаты особо опасного объекта. Тогда возникает несколько задач, в частности необходимо определить:
− минимально возможное время и соответствующий путь достижения пожаром точки (x, y);
− наиболее возможный путь и соответствующее время достижения пожаром точки (x, y);
− среднее возможное время и соответствующие пути достижения пожаром точки (x, y).
Исходными данными являются заключения m экспертов, в соответствии с пожеланиями которых выполнена дискретизация координатной сетки. Предположим, что путь огня может пройти по одному из p маршрутов: {S1, S2,..., S p}. Каждый из маршрутов может состоять из разного количества участков. Так,

где − j -й участок i −го маршрута, ik − количество участков i −го маршрута, Очевидно, что время распространения пожара от точки (x0, y0) к точке (x, y) является суммой времен прохождения огнем указанных участков. Заметим, что участки в большинстве случаев являются отрезками прямой, но понятие участка маршрута включает в себя также технологические проемы, двери, окна и подобные конструкции.
Учитывая нормативную информацию, справочные материалы, опыт и интуицию, эксперт указывает время распространения огня по определенному участку в виде функции принадлежности. В большинстве случаев, если эксперт имеет наибольшую уверенность в некотором одном значении аргумента, то он определяет время через треугольную функцию принадлежности (ФП), имеющую два параметра; если информационная энтропия является минимальной, ФП может иметь колоколообразную форму. Если у экспертов нет уверенности в точечном значении времени распространении огня и отсутствуют данные о подобных пожарах, то для решения нашей задачи рационально использовать трапециеподобные ФП, поскольку такие ФП позволяют использовать интервальное представление. Трапециеподобная ФП определяется пятью параметрами , где − нижнее модальное значение, − верхнее модальное значение, − левый коэффициент скошенности, - правый коэффициент скошенности, h − высота. Поскольку в эволюционном моделировании используются нейронные сети, то для использования для их обучения градиентных методов необходимо использовать гладкие ФП.
Такими функциями являются колоколообразные (гауссовские) ФП с двумя параметрами.
Для представления экспертных суждений используем продукционные правила. Рассмотрим два способа их записи. В первом случае эксперт делает заключение о наиболее возможном с его точки зрения пути распространения огня. Другой способ более емкий и базируется на суждениях экспертов о возможных путях развития пожара. Заметим, что в первом варианте пути распространения огня, указанные всеми экспертами должны совпадать, в противном случае задача сводится к другому варианту и эксперту предлагается оценивать варианты, предложенные другими экспертами. Таким образом, для наиболее возможного пути развития пожара имеем логическую схему:

где ti − входные величины, указывающие на время прохождения огнем i -го участка пути, ; n − количество участков пути; − функция принадлежности, определенная j -м экспертом для времени ti , ; m − количество экспертов; T − время прохождения огнем от точки возникновения пожара (x0, y0) до точки (x, y); Bi − функция принадлежности, определенная j -м экспертом для времени T; i w − весовые коэффициенты, определяющие компетентность экспертов.
Иную форму представления имеет система продукций для варианта оценки всеми экспертами всех предложенных вариантов:
(3)
В выражении (3) − время прохождения огнем i -го участка в j -варианте развития пожара, количество участков распространение огня в q -варианте развития пожара, − функция принадлежности определенная k -м экспертом для времени − время прохождения огнем от точки (x0, y0) до точки (x, y) при q -м варианте развития пожара; − функция принадлежности определенная k -м экспертом для q -го варианта развития пожара.
Компетентность экспертов, выраженная в весовых коэффициентах их суждений, для ЛПР на момент проведения экспертизы и моделирования может быть неизвестна. Возможно, что возникнет необходимость проверки компетентности и подтверждения или опровержения оценки ЛПР. Предположим, что априорная информация об уровне компетентности экспертов отсутствует. Тогда рационально воспользоваться процедурой ее определения, разработанной в статье В.Е. Снитюк. Такая процедура базируется на аксиоме несмещенности, сущность которой заключается в том, что суждение большинства компетентно. Следствием из нее есть утверждение о том, что наиболее компетентным является тот эксперт, суждения которого максимально совпадают с суждениями других экспертов, т.е.
(4)
где − компетентности экспертов, − весовые коэффициен-ты, указывающие на важность вопроса, − мера близости ответов j -го и k -го экспертов на i -й вопрос.
Для определения меры близости суждений экспертов В.Е. Снытюк предложен алгоритм, базирующийся на их анкетировании, классификации вопросов анкеты в зависимости от типа ответов, соответствующих моделях и их композиции. Полученные значения компетентности экспертов используются в качестве исходных данных моделирования.
Заключения экспертов в форме (2)-(3) имеют неточный характер, выраженный значениями соответствующих параметров функций принадлежности. Их настройка и оптимизация являются необходимым условием получения математических моделей и дальнейшего использования в практических задачах. Рассмотрим методы получения параметров (2) .
Без ограничения общности в качестве модели выберем нейросеть TSK. Реализованная в ней система правил аналогична (2) и имеет вид:

Нейронная сеть, реализующая соответствующий вывод, изображена на рис. 3.

Рис. 3. Структура нечеткой нейронной сети TSK

В первом шаре нейронов выполняется фаззификация входных значений, т. е. для каждого значения каждой переменной и каждого значения терм-множества находят значения ФП
Количество нейронов второго шара соответствует количеству входов сети. В них выполняется агрегация ФП отдельных переменных и для каждого правила рассчитывается
В нейронах третьего шара рассчитываются, собственно, значения функций TSK, которые умножаются на выходы нейронов предыдущего шара, т.е.
Очевидно, что количество нейронов совпадает с количеством нейронов предыдущего шара. Четвертый шар образуют два нейрона. В первом из них рассчитывается сумма во втором Результирующий единственный нейрон пятого шара выполняет деление
Общее выражение функционирования сети TSK есть таким:

Предположим, что нечеткой нейросетью реализуется неизвестное отображение
T = F(X).
Существует учебная выборка Заметим, что векторы являются действительно значимыми. Целевая функция для k -го образа будет такой:

где − рассчитанные значения выхода нейросети, Zk − значения, заданные таблично. Обучение сети осуществляется по градиентному методу. Фаззификация входов нейросети осуществляется ФП

где m – количество правил. Тогда вектор параметров нейросети, которые подлежат оптимизации, будет таким:

Приведем основные выражения для обучения модели TSK:

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

Для совокупности параметров коррекция осуществляется так:

Очевидно, что количество параметров в зависимости (6) является очень большим для адекватного и быстрого обучения нейросети. Существуют методы ускорения процесса обучения, базирующиеся на разделении совокупности параметров на две группы. Параметры первой группы вычисляются в результате решения системы уравнений или считаются постоянными величинами, параметры второй группы получают в процессе обучения нечеткой сети.
Известно, что эволюционное моделирование используется преимущественно для оптимизации дискретнозначных функций. Эволюционные методы имеют различия, но общим является наличие целевой функции или функции приспособленности. В нашей задаче такой функцией является сумма функций. Потенциальные решения представляют собой элементы вектора.
Существуют два подхода к представлению потенциальных решений. В первом случае такие решения представляют как генотипы, т.е. соответствующие бинарные хромосомы, поскольку известно, что такое представление обладает максимальной информационной насыщенностью. Второй подход базируется на фенотипическом представлении, при котором решения имеют десятичный вид. Для него характерно получение новых решений с использованием нормально распределенных смещений и без рекомбинаций.
У нейросетевых моделей и эволюционных методов есть как преимущества, так и недостатки. В пользу эволюционного моделирования свидетельствует отсутствие требований к целевым функциям и предусмотренная внутри алгоритмов операция мутации, позволяющая минимизировать риск получения локальных оптимумов. Преимуществом нейросетевых технологий является определяемое алгоритмами монотонное стремление целевой функции к удовлетворительному значению. Эффективность использования той или другой технологии зависит от количества участков прохождения пожара, количества экспертов и процедуры использования обучающей и контрольной последовательностей .
На предыдущем шаге получены оценки параметров, использование и учет которых направлены на объективизацию субъективных суждений. Вместе с тем, проблема принятия оптимального или допустимого решения остается. Решение задачи идентификации времени пожара в случае учета продукционных правил (2) и дальнейшего принятия решений не представляет трудности, поскольку путь распространения идентифицирован, а время является некоторым средневзвешенным экспертным показателем.
Иная ситуация имеет место, если эксперты указывают множество путей распространения пожара от исходной до конечной точки. Неопределенность, вызванная неединственностью особо опасных объектов на возможном пути распространения огня, и различные масштабы возможных катастроф определяют критерии принятия решений. Очевидно, что в роли таких критериев могут быть:
− наиболее возможный путь распространения огня и разработка соответствующей процедуры определения времени распространения огня по этому пути;
− путь, время распространения огня по которому является мин., и разработка процедуры определения такого пути из множества возможных;
− путь, время распространения по которому является средним, и разработка соответствующей процедуры его определения.
Такие критерии являются аналогами известных критериев Сэвиджа и Гурвица. Предусловием выбора решения, исходя из перечисленных критериев, является построение и использование экспертной системы.
Преимущества алгоритмов эволюционного моделирования при чрезвычайных ситуациях как методов оптимизации:
- независимость от вида функции, включая поддержку неаналитического задания функции:
- независимость от области определения и типов переменных оптимизации;
- применение к широкому диапазону задач без модификации алгоритма;
- высокая помехозащищенность. Как следствие адекватная робастность.
Заключение

Осуществляя моделирование и определяя путь и время распространения пожара от точки его возникновения до особо опасного объекта необходимо знать о последствиях, авариях, катастрофах, к которым может привести достижение его огнем. Таким образом, возникает задача идентификации функции убытков от последствий пожара. Знание ее значений является необходимым условием принятия решений в критических условиях.
Применение эволюционного моделирования обосновывается значительной субъективностью исходной информации, отсутствием единственной математической модели и соответствующих математических методов. В то же время разработка экспертных систем для решения подобных задач на базе реализации геоинформационных технологий сталкивается с массой проблем, разрешение которых в условиях ресурсного дефицита невозможно. Однако возрастающие риски, связанные с развитием опасных производств, раньше или позже приведут к созданию и использованию подобных технологий.

Список литературы

1. Аверченков, В.И. Эволюционное моделирование и его применение: монография / В.И. Аверченков, П.В. Казаков. - Брянск: БГТУ, 2009. – 200 с.
2. Букатова, И.Л. Эволюционное моделирование и его приложения / И. Л. Букатова. - М.: Наука, 1979. - 232 с.
3. Быченко А.О. Модели распространения пожара на особо опасных объектах в условиях неопределенности // Искусственный интеллект. − 2006. − № 3. − С. 359-365
4. Гладков, Л.А. Генетические алгоритмы / Л.А. Гладков, В.В. Курейчик, В.М. Курейчик. - М.: ФИЗМАТЛИТ, 2006. – 320 с.
5. Джарратано Д., Райли Г. Экспертные системы: Принципы разработки и программирования. − М.: Вильямс, 2007. − 1152 с.
6. Дюбуа Д., Прад А.. Теория возможностей. – М.: Радио и связь, 1990. − 286 с.
7. Емельянов, В.В. Теория и практика эволюционного моделирования / В.В. Емельянов, В.В., Курейчик, В.М. Курейчик – М.:ФИЗМАТЛИТ, 2003. – 431 с.
8. Згуровский М.З. Интегрированные системы оптимального управления и проектирования. – Киев: Выща школа, 1990. – 351 с.
9. Круглов В.В. Нечеткая логика и искусственные нейронные сети. – М.: Физматлит, 2001. - 224 с.
10. Матвеевский С.Ф. Основы системного проектирования комплексов летательных аппаратов. – М.: Машиностроение, 1987. − 239 с.
11. Рассел С., Норвиг П.. Искусственный интеллект: Современный подход. − М.: Вильямс, 2005. − 1424 с.
12. Снитюк В., Биченко А. Эволюционное моделирование процесса распространения пожара // Автоматизированные системы управления и приборы автоматики. − 2006. − Вып. 134. P. 247-254.
13. Снитюк В.Е., Биченко А.О. Аспекты нечеткости при моделировании процессов распространения пожара на особо опасных объектах // Автоматизированные системы управления и приборы автоматики. − 2006. − Вып. 134. − С.89-93
14. Снитюк В.Е., Рифат М.А. Модели и методы определения компе-тентности экспертов на базе аксиомы несмещенности // Вестник Черкасского государственного технологического университета. 2000. № 4. - С. 121-126.
15. Хайкин C.. Нейронные сети. - М.: Вильямс, 2006. -1104 с.
16. Шаптала В.Г. Основы моделирования чрезвычайных ситуаций / Под ред. В.Г.Шатала, В. Ю. Радоуцкий. - Белгород: БГГУ, 2010. - 166 с.


Скачиваний: 0
Просмотров: 0
Скачать реферат Заказать реферат