Моделирование уровня риска решений, принимаемых при управлении ликвидацией пожаров

Введение. Системы поддержки принятия решений при управлении пожаротушением позволяют снизить прямой материальный ущерб, количество погибших и пострадавших. Работа посвящена построению модели риска, заключенного в решениях, принятых руководителем тушения пожара (РТП) как лицом, принимающим реще- ния (ЛПР), в контексте управления тушением пожара в многоэтажном здании.

Цели и задачи. Целью исследования является построение модели, отражающей уровень риска в рещениях, принимаемых РТП. Для достижения цели необходимо решить следующие задачи: 1) выбрать тип модели принятия решений; 2) построить алгоритм оценивания параметров модели по наблюдениям за решениями, принятыми РТП; 3) проанализировать качество модели.

Методы. Выбран класс моделей принятия решений, называемых играми с природой. Процедура принятия рещений ЛПР при тущении пожара в многоэтажном здании представлена в виде трехуровневого дерева рещений. Оно преобразовано в нормальную (табличную) форму, что позволило представить выбор решений в виде критерия Гурвица. Параметр пессимизма-оптимизма Гурвица отражает степень риска в решениях ЛПР. Для проверки работоспособности предложенной технологии оценивания параметра Гурвица выполнено имитационное моделирование.

Результаты и их обсуждение. Имитационные эксперименты подтвердили работоспособность предложенной технологии оценивания степени склонности ЛПР к риску. Оценки, построенные для разных ЛПР, позволяют сравнивать степень склонности к риску различных РТП. Это дает возможность построить эталонные оценки по данным о принятии решений опытными РТП. Оценки других РТП можно сравнивать с эталонными и делать выводы о качестве их управления.

Выводы. Цель исследования достигнута путем решения поставленных задач. Предложенная технология является разновидностью машинного обучения, представляется перспективной и может быть использована в составе систем поддержки принятия решений РТП, а также при обучении и подготовке персонала, занимающегося управлением в чрезвычайных ситуациях.

1. Брушлинский Н. Н., Соколов С. В. Математические методы и модели управления в ГПС и РСЧС. — М. : АГПС МЧС России, 2011. — 250 с.

2. Семиков В. Л. Комплексные исследования проблем безопасности // Технологии техносферной безопасности. —2015. —Вып. 5(63). — С. 235-242. URL: http://agps-2006.narod.ru/ttb/2015-5/31-05-15.ttb.pdf (дата обращения: 28.03.2019).

3. БрушлинскийН. Н., Клепко Е. А., Попков С. Ю., Соколов С. В. Управление пожарной безопасностью субъектов Российской Федерации на основе анализа пожарных рисков // Проблемы безопасности и чрезвычайных ситуаций. — 2010. — № 3. — С. 104-114.

4. Повзик Я. С. Пожарная тактика. — М. : ЗАО “Спецтехника”, 2004. — 416 с.

5. Пожарные риски: динамика, управление, прогнозирование / Под ред. Н. Н. Брушлинского, Ю. Н. Шебеко. — М. : ВНИИПО. 2007. — 370 с.

6. Тетерин И. М., Топольский Н. Г., Климовцов В. М., Прус Ю. В. Применение математической теории игр в системе поддержки принятия решений руководителем тушения пожара // Технологии техносферной безопасности. — 2008. — Вып. 6 (22). — 21 с. URL: http://agps-2006.narod.ru/ttb/2008-6/09-06-08.ttb.pdf (дата обращения 28.03.2019).

7. Macqueron C. Computational Fluid Dynamics Modeling of a wood-burning stove-heated sauna using NIST’s Fire Dynamics Simulator. — 2009. — 9 p. URL: https://arxiv.org/ftp/arxiv/papers/1404/1404.6774.pdf (дата обращения: 28.03.2019).

8. Steffen B., Seyfried A. Modelling of pedestrian movement around 90° and 180° bends // Conference at Advanced Research Workshop on Fire Protection and Life Safety in Buildings and Transportation Systems (15-17 October 2009, Santander). 11 p. URL: https://arxiv.org/ftp/arxiv/papers/0912/0912.0610.pdf (дата обращения: 28.03.2019).

9. Stroh R., Bect J., Demeyer S., Fischer N., Vazquez E. Gaussian process modeling for stochastic multifidelity simulators, with application to fire safety. — 2016. — 6 p. URL: https://arxiv.org/pdf/1605.02561.pdf (дата обращения: 28.03.2019).

10. Hamke E. E., Jordan R., Ramon-Martinez M. Breath Activity Detection Algorithm. — 2016. — 11 p. URL: https://arxiv.org/ftp/arxiv/papers/1602/1602.07767.pdf (дата обращения: 28.03.2019).

11. Ribeiro J., Almeida J. E., Rossetti R. J.F., Coelho A., Coelho A. L. Using serious games to train evacuation behaviour. — 2013. — 6p. URL: https://arxiv.org/ftp/arxiv/papers/1303/1303.3828.pdf (дата обращения: 28.10.2018).

12. YunK., Bustos J., Lu T. Predicting rapid fire growth (flashover) using conditional generative adversarial networks. —2018. —4p. URL: https://arxiv.org/ftp/arxiv/papers/1801/1801.09804.pdf (дата обращения: 28.03.2019).

13. Zhang J., SeyfriedA. Empirical characteristics of different types of pedestrian streams. —2012. — 8 p. URL: https://arxiv.org/ftp/arxiv/papers/1207/1207.5931.pdf (дата обращения: 28.03.2019).

14. Бомас В.В., Судаков В.А. Поддержка субъективных решений в многокритериальных задачах.— М. :МАИ, 2011. — 176 с.

15. Лабскер Л. Г. Теория критериев оптимальности и экономические решения. — М.: Кнорус, 2009. — 744 с.

16. Новиков Д. А. Иерархические модели военных действий // Управление большими системами. — 2012. — Вып. 37. — С. 25-62.

17. Виллисов В.Я. Адаптивный выбор управленческих решений. Модели исследования операций как средство хранения знаний ЛПР. — Саарбрюкен, Германия : LAP LAMBERT Academic Publishing, 2011. —376 с.

18. Петровский А. Б. Теория принятия решений. — М. : Академия, 2009. — 400 с.

19. Пожары и пожарная безопасность в 2016 г. : стат. сб. / Под общ. ред. Д. М. Гордиенко. — М. : ФГУ ВНИИПО, 2017. — 124 с.

20. Taha H. A. Operations research: an introduction. — 10th global ed. — Harlow, England: Pearson Education Limited, 2016. — 848 p.