Задания для самостоятельной работы. 1. Составьте обыкновенную сеть Петри (СП) для моделирования системы массового обслуживания заявок (рисунок 4.10 б) с использованием ингибиторных связей.
1. Составьте обыкновенную сеть Петри (СП) для моделирования системы массового обслуживания заявок (рисунок 4.10 б) с использованием ингибиторных связей.
2. Составьте СП для моделирования очереди (правило работы FIFO) из трех ячеек. Решение показано на рисунке 4.29.
p0 - буфер входных заявок,
p7 - буфер обслуженных заявок,
p8 - разрешение разгрузки выходного буфера,
p2, p4, p6 - ячейки очереди свободны,
p1, p3, p5 - ячейки очереди заняты,
t0 - загрузка входного буфера,
ti - начало обслуживания заявки i-й ячейкой (i=1,2,3),
t4 - загрузка выходного буфера,
t5 - разгрузка выходного буфера.
Рис. 4.29. Сеть Петри, моделирующая очередь
Составьте дерево маркировок данной сети при обслуживании двух заявок, поступивших в систему.
3. На основе решения задачи 2 составьте СП для моделирования стека из 3 ячеек (правило работы LIFO).
4. На основе решения задач 2 и 3 составьте СП для моделирования дека из 3 ячеек (примечание: дек - это очередь с двусторонним движением, загрузка и выгрузка происходит с обоих концов).
5. Решите задачу 2 с использованием ингибиторных связей.
6. Составьте СП для моделирования одноколейной кольцевой железной дороги из 5 участков и 5 станций, по которой в одном направлении движутся два поезда.
7. Составьте обыкновенную СП и дерево всех маркировок в задаче о мудрецах для (п. 4.3.1) и выпишите все слова свободного языка СП.
8. Модификация задачи о мудрецах (п. 4.3.1.). Составьте СП для этой ситуации при условии, что палочки складываются в одну коробочку и извлекаются из нее следующим образом:
а) по одной;
б) по две;
в) сперва мудрец берет правую палочку, затем левую, а освобождает палочки одновременно.
Составьте дерево маркировок для каждого из указанных случаев ( ).
9. Составьте и проанализируйте работу ГЕРТ-сети для системы, изображенной на рисунке 4.11 б, задавшись распределением вероятностей на дугах. Переходы рассматривайте как узлы ГЕРТ-сети, а позиции – как дуги. Вероятности и распределения задайте сами.
Глава 5 Примеры систем поддержки принятия решений
В первой главе в разделе 1.4 были приведены общие сведения о системах поддержки принятия решений (СППР). В данной главе мы попытаемся конкретизировать эту информацию.
В настоящее время разработано и эксплуатируется множество систем поддержки принятия решений (СППР) [2, 4, 21, 22, 26]. Архитектура и структура СППР существенно зависят от вида задач, для решения которых они разрабатывается, от доступных данных, информации и знаний, а также от пользователей системы. В книге [35] описаны две системы поддержки принятия решений – Quick Choice и NEYDIS, в которых реализованы методы решения широкого круга задач. Кроме того, в настоящее время несколько десятков различных фирм выпускают продукты, способные решать те или иные задачи, возникающие в процессе проектирования и эксплуатации систем СППР. Сюда входят СУБД, средства загрузки, трансформации, выгрузки данных, инструменты для OLAP-анализа и многое другое. Анализ рынка таких средств далеко выходит за рамки данного пособия, поэтому мы ограничимся кратким описанием двух действующих систем поддержки принятия решений, которые актуальны для Красноярского края и близки к профилю Сибирского государственного технологического университета.
5.1 Система ЭСПЛА
Система поддержки принятия решений ЭСПЛА (Экспертная система по ликвидации аварий) разработана коллективом специалистов Института вычислительного моделирования СО РАН (г. Красноярск) под руководством доктора технических наук профессора Л.Ф. Ноженковой [12, 22 – 24].
ЭСПЛА предназначена для решения следующих задач.
· Создание единого информационного пространства органов управления МЧС на уровне субъекта Федерации и Федерального округа путем внедрения во все подчиненные органы управления системы сквозного оперативного сбора данных, актуализации баз данных, контроля и оперативного анализа информации.
· Обеспечение оперативного управления, осуществляемого Центрами управления в кризисных ситуациях, а в повседневном режиме функционирования – мониторинг и контроль обстановки, работу с прогностической и аналитической информацией.
· Обеспечение оперативного управления в режиме повышенной готовности и в режиме чрезвычайной ситуации (ЧС) – моделирование масштабов и последствий стихийных бедствий, техногенных аварий и катастроф, формирование оперативных отчетных форм и рекомендаций по действиям в ЧС в соответствии с реальной обстановкой.
Функциональная структура системы показана на рисунке 5.1. Система позволяет организовать сбор, контроль, анализ, агрегацию большого объема информации и передачу ее в вышестоящие органы управления, а также применять для поддержки принятия решений при угрозе или возникновении ЧС различного характера.
Ниже приведена краткая характеристика работы системы в различных режимах функционирования.
Риc. 5.1. Схема сбора, хранения и использования данных на уровне Регионального центра и Главных управлений МЧС субъектов
5.1.1 Режимы функционирования системы
В повседневном режиме деятельности органы управления МЧС получают данные ежедневного мониторинга геофизической, сейсмической, радиационной, химической, гидрологической, лавинной, лесопожарной, лесопатологической, санитарно-эпидемиологической, экологической обстановки. Также проводится контроль состояния потенциально опасных объектов, транспортных коммуникаций, территорий крайнего Севера, готовности аварийно-спасательных формирований, материально-технических резервов для ликвидации ЧС, объектов защиты населения и многое другое. Все это представляет собой огромные массивы данных, необходимых для принятия решений по предупреждению ЧС, управления силами и средствами МЧС.
На основе данных мониторинга обстановки можно оценить вероятность ЧС, ранжировать территории по степени опасности, определять показатели рисков. Для этого необходимы длинные ряды наблюдений, которые формируются в хранилищах данных органов управления МЧС, интегрированных со средствами анализа и отображения данных. Для более детального анализа выборки из больших наборов применяются средства оперативного on-line анализа (OLAP), интегрированные с ГИС.
Эксперт-аналитик может просмотреть изменение ситуации за произвольный период, отобразить данные на карте, сформировать отчетные документы по стандартным формам. Экспертная система позволяет автоматически отслеживать резкие изменения обстановки и оповещать оператора о предпосылках ЧС.
В режиме чрезвычайной ситуации управление ликвидацией ЧС происходит обычно в себя несколько этапов. На каждом этапе жизненно необходимо выполнение в короткий срок определенной последовательности действий, характер которых может меняться в зависимости от условий аварийной ситуации. В основу действий всех сил и средств в чрезвычайной ситуации, независимо от уровня управления, должно быть положено решение руководителя. Сущность решения состоит в определении цели действий, способов ее достижения, сил, средств и времени, требующихся для этого, порядка действий в соответствии с протеканием процесса ликвидации ЧС.
Оперативное управление процессом ликвидации ЧС включает следующие этапы:
· информирование персонала объекта и населения близлежащих кварталов об аварийной обстановке и принимаемых мерах по обеспечению безопасности;
· выявление, оценку и прогнозирование аварийной обстановки, факторов техногенного воздействия на человека и окружающую среду;
· организацию и осуществление аварийного технологического контроля, локализацию аварийных процессов;
· формирование и принятие управленческих решений по локализации аварии (катастрофы), предотвращению формирования опасных факторов техногенного воздействия, а также, в случае развития и эскалации аварии, предотвращению или максимальному ослаблению воздействия этих факторов на человека и окружающую среду;
· доведение задач до специальных служб и формирований, других структур, привлекаемых для реализации принятых решений.
Общая схема оперативной деятельности по ликвидации чрезвычайных ситуаций приведена на рисунке 5.2. Процессы ликвидации техногенной ЧС характеризуют следующие четыре блока:
· блок экстренных мер,
· блок анализа и формирования решений,
· блок защиты и обеспечения,
· блок аварийно-спасательных и других неотложных работ (АС и ДНР).
Первые два блока выполняются последовательно, причем в зависимости от типа аварии, угрозы или возникновения ЧС, их состав может изменяться. Блок защиты и обеспечения и блок АС и ДНР работают одновременно, причем происходит постоянное обращение к блоку анализа и формирования решений для того, чтобы скорректировать действия формирований, участвующих в ликвидации ЧС согласно складывающейся обстановке. Схема разработана с учетом действий в самой сложной обстановке – в условиях аварии с выбросом опасного химического вещества. При других типах аварий блоки изменяют свою структуру, например, при радиационной аварии «обеззараживание» заменяется на «дезактивацию», а при пожарах или авариях на коммунально-энергетических сетях эти процессы могут быть не нужны.
Рис. 5.2. Схема оперативного управления ликвидацией ЧС
5.1.2 Принятие решений при техногенных авариях
Рассмотрим процедуры принятия решений при техногенных авариях. В этом случае система выполняет следующие действия:
· запрашивает у пользователя тип ЧС и в зависимости от этого загружает необходимый модуль расчета масштабов аварии;
· производит расчет зон действия поражающих факторов ЧС, выводит отчет результаты моделирования;
· запрашивает у пользователя информацию о месте аварии;
· моделирует зону поражения, формирует тематическую карту и список объектов в зоне ЧС;
· экспертная подсистема формирует текст оповещения персонала объекта и населения, отчетные документы по формам 2/ЧС, ОДС-2, ОДС-4, рекомендации по действиям в ЧС, справку об объекте и типе вещества, участвующего в аварии.
Модель ситуации задается в редакторе баз знаний и может быть дополнена или изменена администратором системы.
Рис. 5.3. Результаты моделирования разгерметизации
емкости с аммиаком по методике ТОКСИ-3
Экспертная подсистема формирует необходимые решения по управлению в ЧС, обращаясь к другим модулям системы. Необходимая информация о месте аварии и характеристиках формирований извлекается из баз данных, последствия ЧС моделируются в ГИС и с помощью базы знаний с применением расчетных методик формируются рекомендации по действиям в ЧС. Вывод представляет собой эстафету присоединенных процедур, которые автоматически вызывают необходимые модули системы. На рисунке 5.3 показаны результаты расчета последствий химической аварии по методике ТОКСИ. Эту методику обычно применяют для проведения сложных расчетов при составлении Деклараций и Паспортов безопасности промышленных объектов. В условиях ЧС обычно применяются упрощенные методики (например, РД-52.254-90), не требующие ввода большого числа параметров. В данной системе пользователь может выбирать метод расчета, способ визуализации (карта, график) и формы представления результатов. Сформированные рекомендации системы представляют собой проекты документов, оформленные согласно стандартам МЧС России. Интегрированные в систему методики оценки последствий взрывов и пожаров нефтепродуктов позволяют значительно расширить функциональные возможности. Система используется на различных уровнях принятия решений – от промышленного объекта до регионального центра.
База данных по потенциально опасным объектам сформирована на основе Реестра потенциально опасных объектов, содержащего основную информацию по химически, взрыво- и пожароопасным объектам. Она представляет собой сложную многостраничную форму, позволяющую просмотреть всю необходимую информацию об объекте и вывести ее в виде отчета. Все промышленные объекты имеют картографическую привязку, причем система использует картографический материал, детализированный в зависимости от задачи.
База данных по опасным веществам представляет собой электронный справочник, содержащий аварийные карточки, используемые при перевозках опасных грузов железнодорожным транспортом. Она содержит более 650 карточек, в которых описаны физические и химические свойства веществ, их взрыво- и пожароопасность, действия при различного рода авариях – оказание первой медицинской помощи пострадавшим, использование средств индивидуальной защиты и так далее.
5.1.3 Использование информационных ресурсов
ЭСПЛА-ПРО интегрирует не только программные ресурсы на основе модульного принципа, но и большие объемы информационных ресурсов. Информационная среда содержит базы знаний, базы данных, картографические базы.
Базы знаний представляют информацию о возможных сценариях ЧС и мероприятиях, направленных на смягчение их последствий.
Базы данных содержат сведения об источниках и реципиентах риска, силах и средствах мониторинга, предупреждения и ликвидации ЧС, статистическую и оперативную информацию.
Картографические базы данных содержат электронные карты местности.
Используемая в системе технология OLAP (On-Line Analytical Processing) использует многомерную модель данных, которая позволяет адекватно представить процесс работы с информационными объектами, наглядно описать основные аналитические операции, оптимальным образом построить физическую модель данных для хранения и обработки запросов. OLAP обеспечивает высокую скорость работы с данными при выполнении аналитических операций, наглядное представление результатов и оперативное построение отчетов. Cпецифика OLAP-технологии требует концентрации данных в так называемых хранилищах данных (ХД). Организация ХД отличается от обычных реляционных баз. ХД системы содержит собственно информационные таблицы, обновляемые с помощью системы СтатЭкспересс, согласно Регламенту сбора и обмена информацией и справочники, которые необходимы при анализе данных. Кроме того, в Хранилище может находиться дополнительная информация: базы знаний, шаблоны отчетных форм и другое.
Оперативный анализ данных можно выполнять как в самой системе
ЭСПЛА-ПРО, так и в виде отдельной программы Аналитик. Системапозволяет строить различные представления информации в виде кросс-таблиц и кросс-диаграмм на основе оперативной аналитической обработки данных.
Особого внимания заслуживают картографические данные. Большая часть объектов в хранилище данных имеет пространственную привязку, что позволяет строить тематические карты, аналитические картограммы, оперативно «собирать» карты обстановки, сложившейся или прогнозируемой при возникновении ЧС.
Система ЭСПЛА получила высокую оценку специалистов, она стоит на боевом дежурстве в органах управления по делам ГО и ЧС Красноярского края с 1998 года.
5.2 Информационная система дистанционного мониторинга лесных пожаров Федерального агентства лесного хозяйства РФ
В настоящем разделе описана одна из наиболее крупных распределенных систем дистанционного мониторинга природных процессов, охватывающая всю территорию России – Информационная система мониторинга лесных пожаров Федерального агентства лесного хозяйства (ИСДМ-Рослесхоз) [1, 2]. Дана краткая характеристика системы, перечислены решаемые системой задачи и основные потребители информации, описаны источники космических данных, а также центры приема и обработки информации. Описаны информационные продукты, создаваемые системой, а также методы прогнозирования параметров лесных пожаров и принятия решений на основе данных ИСДМ-Рослесхоз.
5.2.1 Общая характеристика системы
Система ИСДМ-Рослесхоз создавалась, начиная с 1995 года, в рамках различных проектов. Создание ее элементов в различные годы финансировалось Рослесхозом, МПР России, РАН, фондами РФФИ и TASIS. По заказу Рослесхоза в 2003 году были проведены работы по унификации элементов ИСДМ-Рослесхоз, и в конце пожароопасного сезона она была введена в опытную эксплуатацию. В 2004 году проводилась опытная эксплуатация и доработка элементов системы. В 2005 году был разработан и утвержден первый регламент работы системы, и она была введена в промышленную эксплуатацию. Следует отметить, что система, даже находясь в промышленной эксплуатации, продолжает постоянно развиваться, у нее появляются новые возможности и задачи, связанные, в том числе, с совершенствованием системы управления лесами в Российской Федерации.
Система создавалась большим консорциумом, в состав которого в различные годы входили организации и институты Рослесхоза, Российской академии наук, Росгидромета, организации других ведомств и частные предприятия. Все эти годы постоянно участвовали в создании, внедрении, эксплуатации и развитии системы, в частности, следующие организации: ФГУ «Авиалесоохрана» (АЛО), Институт космических исследований Российской академии наук (ИКИ РАН), Центр по проблемам экологии и продуктивности лесов Российской академии наук (ЦЭПЛ РАН), Институт солнечно-земной физики Сибирского отделения Российской академии наук (ИСЗФ СО РАН), Санкт-Петербургский научно-исследовательский институт лесного хозяйства (СПбНИИЛХ) и другие организации.
Космический мониторинг лесных пожаров, проведение которого обеспечивает ИСДМ-Рослесхоз, является в настоящее время составной частью государственной программы инвентаризации лесов и, в соответствии с Постановлением Правительства РФ от 26 июня 2007 г. № 407 «О проведении государственной инвентаризации лесов», выполняется с целью выявления и учёта изменений состояния лесов, происходящих в результате негативных воздействий лесных пожаров, и причин их возникновения. Космический мониторинг выполняется также в целях проведения оценки эффективности мероприятий по охране лесов от пожаров, их тушению и соответствия этих мероприятий плану субъекта Российской Федерации, лесохозяйственному регламенту и проекту освоения лесов. При этом одной из важных задач космического мониторинга является оценка последствий действия лесных пожаров. Эти задачи являются сегодня основными для ИСДМ-Рослесхоз. В то же время ИСДМ-Рослесхоз продолжает также решать задачи по оперативному обеспечению информацией работ по организации мониторинга и тушения пожаров. Следует отметить, что создание ИСДМ-Рослесхоз еще в 2005 году позволило фактически определить новые уровни мониторинга и охраны лесов. В зависимости от уровня интенсивности соответствующих мероприятий вся территория лесного фонда РФ делится в настоящее время на следующие зоны мониторинга:
· наземного и авиационного мониторинга;
· космического мониторинга первого уровня;
· космического мониторинга второго уровня.
Общая картина расположения данных зон приведена на рисунке 5.4.
К зоне космического мониторинга первого уровня относятся удаленные и труднодоступные территории, на которых авиапатрулирование не производится и не планируется, а тушение лесных пожаров выполняется только при наличии угрозы населённым пунктам или объектам экономики. Следует отметить, что на этих территориях статистика о действующих пожарах и их последствиях формируется исключительно на основе спутниковых данных.
К зоне космического мониторинга второго уровня относятся территории, на которых плановое авиационное патрулирование не проводится. Обнаружение лесных пожаров производится преимущественно с использованием данных мониторинга лесных пожаров ИСДМ-Рослесхоз. Тушение лесных пожаров производится с применением авиации и авиапожарных команд.
Рис. 5.4. Зоны мониторинга лесных пожаров в Российской Федерации
ИСДМ-Рослесхоз должна обеспечивать информацией следующих основных пользователей:
· Федеральное агентство лесного хозяйства Российской Федерации (Рослесхоз);
· заинтересованные федеральные министерства, агентства и службы, ответственные за мониторинг и охрану окружающей среды;
· агентства, службы, министерства и организации, обеспечивающие работы по мониторингу и тушению лесных пожаров в субъектах РФ и федеральных округах;
· отраслевые институты и научные организации Рослесхоза;
· аппарат, службы и региональные представительства Министерства по ГО и чрезвычайным ситуациям РФ.
Для решения поставленных задач ИСДМ-Рослесхоз должна оперативно обеспечивать предоставление пользователям системы объективной, однородной (сопоставимой по всей территории России) информации.
Для этого она производит:
· сбор данных о регистрации пожаров на охраняемой и неохраняемой территориях;
· сбор данных о состоянии окружающей среды, необходимых для организации работ по обнаружению и тушению лесных пожаров;
· сбор информации, необходимой для проведения оценок последствий действия лесных пожаров;
· оперативную обработку данных с целью построения информационных продуктов, необходимых для принятия управленческих решений при организации и проведении работ по обнаружению и тушению лесных пожаров;
· оперативное предоставление информации, необходимой для принятия управленческих решений, в том числе для оценки эффективности принимаемых мер и использования средств для организации мониторинга и тушения лесных пожаров.
· оценку последствий действия лесных пожаров по данным дистанционных наблюдений;
· формирования различных отчетных форм на основе информации наземного, авиационного и спутникового мониторинга;
· организацию оперативного и долговременного хранения данных, собранных и обработанных системой, и информационных продуктов;
· проведение комплексных проверок и детального анализа информации по отдельным действующим пожарам с целью оценки качества и объективности информации, полученной на основе данных наземного, авиационного и спутникового мониторинга;
· информационную поддержку и обучение пользователей по вопросам использования данных ИСДМ-Рослесхоз;
· постоянное совершенствование и развитие элементов ИСДМ-Рослесхоз для устранения выявленных в процессе эксплуатации недостатков и расширения ее функциональности.
Основными источниками информации для ИСДМ-Рослесхоз в настоящее время являются:
· данные о лесных пожарах, полученные от организаций и служб, обеспечивающих мониторинг и тушение лесных пожаров;
· информация, полученная на основе данных, поступающих со спутниковых систем дистанционного зондирования Земли (далее спутниковые данных);
· метеоинформация, поступающая из организаций Федеральной службы по гидрометеорологии и мониторингу окружающей среды и других открытых источников;
· данные регистрации молниевых разрядов;
· данные наземных и авиационных обследований отдельных пожаров, выполненных специалистами авиалесоохраны (АЛО);
· различная картографическая информация.
5.2.2 Использование спутниковых данных
Безусловно, ключевыми в системе являются спутниковые данные, поскольку именно они позволяют оперативно получать информацию по всей территории лесного фонда Российской Федерации (1100 млн га). Поэтому подробнее рассмотрим работу ИСДМ-Рослесхоз именно со спутниковыми данными.
Основными задачами, для решения которых в ИСДМ-Рослесхоз используются в настоящее время спутниковые данные, являются:
· получение оперативной информации для оценки метеообстановки (в первую очередь, о состоянии облачности);
· оперативная регистрация зон с подозрениями на лесные пожары на охраняемых территориях;
· оперативная оценка характеристик действующих пожаров (площадь, направление развития, задымленность и т.д.) по данным о зонах активного горения;
· оценка площадей, пройденных огнем, на основе анализа данных об изменении состояния растительности до и после пожара; оценка степени повреждений лесов на площадях, пройденных огнем;
· определение типов территории, на которой действуют пожары (покрытая лесом, не покрытая лесом), уточнение площадей, пройденных огнем, на основе анализа данных высокого пространственного разрешения; комплексный анализ данных об отдельных пожарах, в том числе для проверки информации, предоставляемой региональными службами;
· получение отчетных форм и статистической информации о пожарах и их последствиях;
· уточнение картографической информации; выявление «устойчивых огней» (постоянно действующих тепловых источников).
Для решения указанных задач в ИСДМ-Рослесхоз используются следующие спутниковые данные.
Данные, получаемые приборами AVHRR, установленными на спутниках серии NOAA. Эти данные используются в системе для детектирования подо-зрений на действующие пожары и построения различных изображений облачности.
Данные, получаемые приборами MODIS, установленными на спутниках TERRA и AQUA. Эти данные также используются в системе для детектирования подозрений на действующие пожары и построения различных изображений облачности. Они используются при оперативной оценке площадей, пройденных огнем на основе информации об активном горении.
Данные MODIS используются для оценки площадей, пройденных огнем, и повреждений лесов на этих площадях на основе анализа состояния растительности до и после действия пожаров.
Данные, получаемые прибором SPOT-VGT, который установлен на спутнике SPOT. Эти данные используются для оценки площадей, пройденных огнем, и повреждений лесов на этих площадях на основе анализа состояния растительности до и после действия пожаров.
Результаты обработки данных приборов HRV и HRVIR, установленных на спутниках SPOT2 и SPOT 4. Эти данные используются для уточнения оценок площадей, пройденных огнем, а также верификации автоматических алгоритмов выявления площадей, пройденных огнем, и оценки степени повреждений лесов. В ряде случаев они также используются для уточнения картографических основ.
Данные прибора Ресурс ДК и LANSAT ETM+, установленных соответственно на спутниках РЕСУРС ДК и LANDSAT. Эти данные в основном используются для выборочного контроля площадей, пройденных огнем, и верификации автоматических алгоритмов выявления площадей, пройденных огнем, и оценки степени повреждений лесов. В ряде случаев они также используются для уточнения картографических основ. Данные прибора LANSAT ETM+ используются в системе также для обеспечения автомати-ческого уточнения географической привязки данных приборов HRV и HRVIR. При необходимости в систему также поступают данные других спутников.
Для работы с указанной информацией в ИСДМ-Рослесхоз создана распределенная автоматизированная система сбора и обработки спутниковых данных, которая позволяет в настоящее время оперативно получать информацию практически по всей территории России. Система позволяет в настоящее время получать данные перечисленных выше приборов в следующем режиме.
Данные AVHRR получаются ежедневно, частота их получения для отдельных регионов может превышать 12 раз в сутки.
Данные MODIS получаются ежедневно, частота их получения для отдельных регионов может превышать 6 раз в сутки.
Данные SPOT-VGT поступают в систему 1 раз в 10 дней (безоблачный композит).
Результаты обработки данных HRV и HRVIR получаются ежедневно, однако, поскольку эти приборы имеют достаточно узкую полосу наблюдения, по отдельным регионам в среднем имеется 2-3 безоблачных наблюдения за сезон. При этом по некоторым регионам могут быть получены более частые серии данных, и в то же время могут встретиться регионы, по которым данные за сезон отсутствуют.
Данные Ресурс ДК, LANSAT ETM+ и других спутниковых систем получаются эпизодически, обычно по районам, по которым требуется провести дополнительный анализ и проверку информации.
5.2.3 Центры приема и обработки спутниковых данных
В настоящее время в систему автоматически поступают данные из многих источников.
Оперативные данные прибора AVHRR (спутники NOAA) поступают из следующих центров:
· Центр приема Института космических исследований Российской академии наук (ИКИ РАН) г. Москва.
· Западносибирский региональный центр приема и обработки данных (ЗапСибРЦПОД) г. Новосибирск.
· Центр приема Института леса СО РАН (ИЛ СО РАН) г. Красноярск.
· Дальневосточный региональный центр приема и обработки данных (ДВРЦПОД) г. Хабаровск;
· Центр приема ЮНИИ ИТ г. Ханты-Мансийск.
Оперативные данные прибора MODIS (спутники TERRA, AQUA) поступают из следующих центров:
· Центр приема ГУ НИЦ «Планета» г. Москва;
· Западносибирский региональный центр приема и обработки данных (ЗапСибРЦПОД) г. Новосибирск;
· Центр приема Института леса СО РАН (ИЛ СО РАН) г. Красноярск;
· Дальневосточный региональный центр приема и обработки данных (ДВРЦПОД) г. Хабаровск;
· Центр приема ЮНИИ ИТ г. Ханты-Мансийск;
· Центр приема и обработки спутниковых данных ОАО «Самара-Информспутник» г. Самара.
Продукты обработки данных прибора MODIS (MOD09 и MOD 14) поступают:
· из архивов данных Геологической службы США (USGS) (ежедневных продуктов MOD09),
· из центра обработки Университета штата Мериленд США (результаты детектирования пожаров MOD 14).
Продукты обработки данных прибора VGT (спутник SPOT) поступают из архивов компании VITO.
Результаты обработки данных приборов HRV и HRVIR (спутник SPOT) поступают из следующих центров;
· Западносибирский региональный центр приема и обработки данных (ЗапСибРЦПОД) г. Новосибирск;
· Дальневосточный региональный центр приема и обработки данных (ДВРЦПОД) г. Хабаровск;
· Центр приема и обработки спутниковых данных ОАО «Самара-Информспутник» г. Самара.
Центры, через которые в систему поступают оперативные данные, обеспечивают покрытие практически всей территории России. Зоны покрытия этих центров приведены на рисунке 5.5. При этом для некоторых территорий достигается пятикратное потенциальное дублирование приема. В основном же по территории обеспечивается трехкратное дублирование. Это обеспечивает достаточно устойчивое поступление в систему оперативных данных.
Автоматические комплексы обработки и архивации данных установлены в следующих организациях:
· ФГУ «Авиалесоохрана» г. Пушкино (основной центральный узел системы) и Институт космических исследований Российской академии наук (ИКИ РАН) г. Москва (дублирующий центральный узел системы).
· Центр приема ГУ НИЦ «Планета» г. Москва;
· Западносибирский региональный центр приема и обработки данных (ЗапСибРЦПОД) г. Новосибирск;
· Дальневосточный региональный центр приема и обработки данных (ДВРЦПОД) г. Хабаровск;
· Центр приема ЮНИИ ИТ г. Ханты-Мансийск;
· Центр приема Института леса СО РАН (ИЛ СО РАН) г. Красноярск;
· Центр приема и обработки спутниковых данных ОАО «Самара-Информспутник» г. Самара.
Рис. 5.5. Зоны видимости станций центров приема,
использующихся в ИСДМ-Рослесхоз
В этих же центрах установлены и информационные узлы, обеспечивающие пользователям оперативный доступ к данным. Эти узлы обеспечивают представление данных через WEB-интерфейсы (http://www.nffc.aviales.ru), специализированные ГИС и систему автоматизированной рассылки данных.
5.2.4 Информационные продукты, формируемые системой
Поскольку ИСДМ-Рослесхоз предоставляет информацию по очень большой территории, одним из основных требований к предоставляемой системой информации является ее однотипность и сопоставимость для разных территорий. Поэтому в системе автоматически формируются однотипные информационные продукты по всей территории России. Схема расположения информационных серверов ИСДМ-Рослесхоз приведена на рисунке 5.6.
К основным продуктам, формирующимся в системе на основе спутниковых данных, сегодня можно отнести следующие.
· Различные пространственные и цветосинтезированные композитные изображения, полученные по данным AVHRR и MODIS, предназначенные для оценки состояния и динамики облачных структур и действующих пожаров. Для работы с этими данными создана система динамических интерфейсов, позволяющих пользователям самостоятельно выбирать произвольный регион и осуществлять анализ данных, полученных по этому региону. Пример такого интерфейса приведен на рисунке 5.7.
· Автоматически выделенные точки с подозрениями на действующие пожары. Данные точки получаются на основе обработки данных приборов AVHRR и MODIS. Для обработки данных AVHHR используется алгоритм, разработанный в ИСЗФ СО РАН, для обработки данных MODIS используется стандартный алгоритм MOD 14.
Рис. 5.7. Пример динамического интерфейса
ИСДМРослесхоз, обеспечивающего работу с архивами
данных высокого пространственного разрешения
После выполнения автоматической обработки в центрах приема и обработки спутниковых данных может быть также проведена их ручная коррекция с помощью программного обеспечения и методик, разработанных для ИСДМ-Рослесхоз в ИСЗФ СО РАН. Выделенные точки с подозрениями на действующие пожары заносятся в специализированные базы данных, использующиеся в системе. В дальнейшем эти базы данных используются для создания следующих динамических картографических продуктов на информационных серверах или в ГИС ИСДМ-Рослесхоз.
· Информация о площадях, пройденных огнем, получается на основе автоматической обработки временных рядов данных приборов SPOT-VGT и MODIS. Обработка производится с помощью специального алгоритма.
· Информация о степени повреждения лесов на площадях, пройденных огнем. Обработка производится с помощью специализированного алгоритма, разработанного в ИКИ РАН.
· Устойчивые цветосинтезированные изображения высокого пространственного разрешения, полученные на основе данных приборов HRV, HRVIR, LANDSAT ETM+, РЕСУРС ДК. Для работы с этими данными в системе также реализованы специальные динамические интерфейсы, обеспечивающие возможность оперативного выбора и анализа информации.
· На основе информации о выделенных подозрениях на действующие пожары и оценок площадей, пройденных огнем, в системе оперативно формируются различные отчетные формы - как по отдельным действующим пожарам, так и по административным субъектам.
Доступ ко всем этим и другим информационным продуктам можно получить на информационных серверах ИСДМ-Рослесхоз.
Следует также отметить, что в ИСДМ-Рослесхоз формируется большое число различных информационных продуктов (формы, карты) на основе не только спутниковой информации, но и метеоданных, информации наземного и авиационного мониторинга и данных грозопеленгации.
В настоящее время система доступа к данным и интерфейсы, использующиеся на информационных серверах ИСДМ-Рослесхоз, позволяют проводить комплексный анализ этих данных совместно с информационными продуктами, получаемыми на основе спутниковых данных.
Следует отметить, что ИСДМ-Рослесхоз постоянно развивается. Ее развитие в основном связано с появлением возможностей получения новых типов информации (в основном спутниковых данных) и расширением круга задач, стоящих перед системой. Так, например, в связи с изменением структуры управления лесами, связанной с вводом в действие нового лесного кодекса, одной из основных задач системы стало предоставление информации для оценки эффективности проводимых в регионах работ по мониторингу и тушению лесных пожаров. Для решения этих задач в 2007 году были существенно переработаны блоки и методики, обеспечивающие сравнение информации, полученной на основе спутниковых, авиационных и наземных наблюдений, а в настоящее время в системе создается специализированный блок, который должен обеспечить проведение выборочных проверок данных по отдельным пожарам (включая их наземные и авиационные обследования).
Следует также отметить, что сегодня ИСДМ-Рослесхоз начинает обеспе-чивать работы не только по решению задач мониторинга лесных пожаров, но и по мониторингу различных процессов, происходящих в лесах (например, процессов гибели лесов от различных воздействий). Как показал опыт эксплуа-тации системы, реализованные в ней технологии и созданная для обеспечения ее работы инфраструктура могут стать основой для организации дистанционного мониторинга практически всех происходящих в лесах процессов.
5.2.5 Прогнозирование параметров лесных пожаров по данным ИСДМ-Рослесхоз
В данном разделе рассмотрена одна из задач принятия решений при мониторинге лесных пожаров – задача прогнозирования поведения пожара. Наличие достоверного прогноза распространения и развития лесного пожара позволяет оценить угрозу природной среде, объектам экономики и населенным пунктам, заблаговременно принять необходимые меры по предотвращению ущерба, спланировать работу противопожарных сил. Ниже кратко описаны возможные методы решения задачи прогнозирования параметров лесных пожаров [13].
В настоящее время прогнозирование лесных пожаров ведется с использованием математических моделей и компьютерной техники. Известны десятки моделей распространения пожара, основанных на различных походах и методах.
Задача разработки системы прогноза развития крупных лесных пожаров и оценки их последствий на основе информации, собранной в ИСДМ-Рослесхоз с охватом всей лесной территории, охраняемой ФГУ «Авиа-лесоохрана», яляется достаточно сложной. Трудность задачи определяется несколькими факторами.
· Сложный характер и изменчивость поведения крупных многодневных лесных пожаров, которые развиваются на большой площади в изменяющихся природных и погодных условиях.
· Недостаточная или неточная информация о характеристиках леса, топографии местности, локальных метеоданных.
· Малая разрешающая способность имеющихся космических снимков пожаров.
· Не всегда достоверная отчетная информация, поступающая с мест.
В силу сказанного перед разработкой непосредственно программного обеспечения прогноза развития лесных пожаров необходимо провести исследование различных методов прогнозирования на основе имеющейся в системе ИСДМ-Рослесхоз архивной информации о пожарах прошлых лет.
Важным этапом любого исследования является статистическая обработка экспериментальных данных. В случае лесных пожаров такими данными являются ретроспективные данные о пожарах, то есть о площади регистрации и ликвидации пожара и метеорологических данных на период пожара.
Данные для исследования были взяты из ИСДМ-Рослесхоз по Красноярскому краю за 2008 и 2009 годы и Магаданской области за 2008 год. Объектом исследования являлись только крупные лесные пожары, т.е. такие, площадь которых после ликвидации составляла не менее 200 га. Однако статистический анализ не выявил наличия достоверных зависимостей между параметрами пожаров.
Поэтому рассматривались другие методы прогнозирования. Важнейшим параметром, по которому оценивается опасность лесного пожара, является скорость прироста площади, пройденной огнем. При прогнозировании этой величины для крупного многодневного лесного пожара важно определить характер зависимости площади пожара от времени. В случае моделирования динамики пожара с учетом воздействия противопожарных сил и средств величина площади, пройденной огнем, обычно представляется в виде кривой, приведенной на рисунке 5.8. На этом графике отмечены три характерных момента времени:
- момент возникновения пожара,
- момент начала борьбы с пожаром,
- момент ликвидации пожара.
Рис. 5.8 . График прироста площади пожара:
- момент возникновения пожара; - момент начала борьбы с пожаром,
- момент ликвидации пожара; - соответственно, площади пожара в момент начала тушения и в момент ликвидации (общая площадь, пройденная огнем)
График показывает, что после возникновения пожар развивается свободно, с нарастающей скоростью. После начала тушения скорость прироста площади замедляется и стремится к нулю, а пожар останавливается на площади, равной .
Для описания динамики свободного распространения пожара (т.е. его распространения без воздействия противопожарных сил и средств – до момента tS) удобно использовать выражение
, (5.1)
где - текущее время, - экспериментально определяемый показатель скорости роста площади пожара, постоянный множитель; при пожар развивается с постоянной скоростью, при скорость развития уменьшается, а при - увеличивается.
Используя модель вида (5.1) при выбранном параметре , можно по данным о зарегистрированной площади пожара в различные моменты времени оценить параметры модели и , а затем использовать модель для прогнозирования дальнейшего хода пожара.
В принципе, для грубой оценки указанных параметров достаточно знать площадь свободно распространяющегося пожара в два момента времени, т.е. иметь две точки на кривой (рисунок 5.8) в интервале времени от до .
Пусть известны площади пожара и ,
где .
Тогда из (5.1) следует:
, (5.2)
, (5.3)
. (5.4)
Если имеются данные о площади пожара в несколько моментов времени, то эту задачу можно решить методом наименьших квадратов.
Более точная оценка скорости прироста площади требует использования данных о множестве параметров, характеризующих природные и погодные условия, в которых происходит пожар.
Эффективным методом прогнозирования скорости прироста площади лесного пожара оказались нейронные сети. Данный метод позволяет выявить скрытые зависимости между входными параметрами, что особенно важно в случае сложных многофакторных систем, какими являются лесные пожары. По архивным и оперативным данным из ИСДМ-Рослесхоз, с использованием математической модели (5.1) можно сформировать выборки данных, по которым обучаются и тестируются нейронные сети. Прогнозируемым (выходным) параметром является среднесуточный прирост площади пожара, или коэффициент k в модели (5.1).
В качестве входных параметров используются:
· код лесхоза,
· площадь регистрации пожара в гектарах,
· количество дней наблюдения пожара,
· код растительности местности пожара,
· температура воздуха на дату начала пожара,
· точка росы на дату начала пожара,
· дефицит точки росы в градусах Цельсия на дату начала пожара,
· осадки за сутки на дату начала пожара,
· классы природной пожарной опасности КППО,
· комплексные показатели пожарной опасности – ПВ-1 и ПВ-2.
Размерность входного слоя нейронной сети варьируется в зависимости от количества входных параметров, которое изменялось в зависимости от условий прогнозирования. Выходной слой состоит из одного нейрона, определяющего прогноз площади пожара.
В качестве нейроимитаторов используются программы NeuroPro 0.25 и Statistica NeuralNetwork. В рамках исследования были обучены и протестированы более 300 нейронных сетей различной конфигурации. Процент достоверности, выдаваемых ими ответов, колеблется в пределах от 86 до 94 %. Применение нейронных сетей без учителя оказалось малоэффективным для решения задач прогнозирования, однако они могут оказаться полезными при подготовке данных и классификации пожаров.
Наилучшие результаты показывают нейросети с конфигурациями:
· 8 скрытых слоёв по 10 нейронов;
· 7 скрытых слоёв по 12 нейронов.
Для решения задачи подготовки данных к нейросетевому прогнозированию использовались методы OLAP. Данные представляются в виде абстрактного многомерного куба, ребрами которого являются измерения, а внутри куба находятся значения. В качестве измерений можно задавать наиболее существенные входные параметры модели, в качестве значений используется критерий, по которому отбираются пожары для прогнозирования. В нашем случае это была общая площадь, пройденная огнем.
На основе полученных данных о динамике площади можно решать задачу построения контуров пожаров. Контур пожара (внешняя граница кромки пожара) рассчитывался на основе теории процессов распространения [13]. Для построения контуров может быть использован метод подвижных сеток [12].
Вопросы для самопроверки
1. Каково назначение системы ЭСПЛА?
2. Что такое «банк пространственных данных»?
3. Для каких целей используют технологию OLAP?
4. Какие информационные ресурсы необходимы для принятия решения?
5. Назовите основания, по которым выделены зоны мониторинга лесных пожаров.
6. Назовите типы спутников и бортовой аппаратуры, используемых для мониторинга состояния лесов. В каких диапазонах волн они работают?
7. Перечислите пункты приема и обработки спутниковой информации системы на территории РФ.
8. Какие природные и погодные характеристики влияют на возникновение и распространение лесного пожара, как их учитывают в системе?
9. Перечислите основные параметры лесного пожара, которые определяются на основе спутниковых данных.
10. Назовите основные документы, которые готовит система ИСДМ-Рослесхоз. Кто является их пользователем?
11. Зачем нужны и в чем состоят задачи прогнозирования параметров лесных пожаров?
12. Опишите технологию обучения нейронных сетей применительно к задачам прогнозирования лесных пожаров.
Заключение
Курс теории принятия решений, представленный в данной книге, знакомит студента главным образом с традиционными математическими методами, разработанной в связи с развитием техники, экономики и социальных наук в последние десятилетия. Эта теория имеет тесную связь с фундаментальными науками, она опирается на обширный математический аппарат и вычислительные методы.
В то же время практика принятия решений при управлении – весьма широкая область человеческой деятельности, далеко выходящая за пределы данного пособия. Предполагаемый читатель данной книги – современный специалист по информатике и вычислительной технике – в своей профессиональной деятельности, несомненно, встретится с разработкой и использованием систем принятия решений, однако, возможно, это будут системы другого рода, а именно:
· организационного управления;
· управления персоналом;
· управления в социальной сфере;
· управления проектами (в том числе проектами разработки программного обеспечения);
· логистического управления и другие.
В перечисленных областях выработаны собственные подходы, методы и средства управления и принятия решений, не всегда опирающиеся на сложный математический аппарат. В учебных планах профессиональной подготовки бакалавра по информатике и вычислительной технике предусмотрены дисциплины, посвященные указанным аспектам инженерной деятельности, с которыми студенты познакомятся на старших курсах.
Необходимо отметить, что все большее распространение принимают методы искусственного интеллекта при принятии решений, которые не рассмотрены в данной книге.
Кроме того, бурное развитие технологий Интернет открывает ранее невиданные возможности создания распределенных систем на основе так называемых облачных вычислений, которые могут изменить идеологию и подходы к методам и процедурам принятия решений.
Однако независимо от того, какую профессиональную траекторию выберет специалист – производство, бизнес, наука или педагогическая деятельность, знания основ теории принятия решений окажутся полезными в его работе.
Библиографический список
1. Барталев, С.А. Информационная система дистанционного мониторинга лесных пожаров Федерального агентства лесного хозяйства РФ (состояние и перспективы развития)/С.А. Борталев // Современные проблемы дистанционного зондирования Земли из космоса. – Москва: Институт космических исследований РАН, 2008. т.5, №11– С. 419-429.
2. Беляев, А.И. Использование спутниковых данных в системе дистанционного мониторинга лесных пожаров МПР РФ/ А.И. Беляев, Г.Н. Коровин, Е.А. Лупян // Современные проблемы дистанционного зондирования Земли из космоса: Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных объектов и явлений: сборник научных статей. М.: GRANP polygraph, 2005. –Т. 1. –С. 20-29.
3. Бенькович, Е. Практическое моделирование динамических систем./ Е. Бенькович, Ю.Б. Колесов, Ю.Б. Сениченков. – СПб.: БХВ-Петербург, 2002. – 464 с.
4. Блюмин С.Л. Шуйкова И.А. Модели и методы принятия решений в условиях неопределенности. / С.Л. Блюмин, И.А. Шуйкова – Липецк: ЛЭГИ, 2001. – 138 с.
5. Боев, В.Д. Компьютерное моделирование: пособие для курсового и дипломного проектирования. / В.Д. Боев, Д.И Кирик., Р.П. Сыпченко.– СПб.: ВАС, 2011. – 348 с.
6. Вероятностные методы в вычислительной технике / под ред. А.Н. Лебедева и Е.А. Чернявского. М.: Высшая школа, 1986. – 312 с.
7. Вильчик, С.И. Формирование баз знаний для интеллектуальной системы по предупреждению и ликвидации ЧС на промышленном предприятии. Автореф. канд. дисс. / С.И. Вильчик. – Красноярск, ИВМ СО РАН, 2003. – 24 c.
8. Гантмахер, Ф.Р. Теория матриц. / Ф.Р. Гантмахер, М.: Наука, 1966. – 576с.
9. Дейкстра, Э. Дисциплина программирования. / Э. Дейкстра. – М.: Мир, 1978. – 275 с.
10. Доррер, Г.А. Применение вычислительной техники в лесной и деревообрабатывающей промышленности: учебное пособие. / Г.А. Доррер, Г.А. Воротовов. – Красноярск: СТИ, 1978. – 140 с.
11. Доррер, Г.А. Методы моделирования дискретных систем.: учебное пособие. / Г.А. Доррер. – Красноярск: ИПЦ КГТУ, 2005. – 171 с.
12. Доррер, Г.А. Распределенные информационные системы экологического мониторинга: учебное пособие./ Г.А. Доррер, В.В. Ничепорчук. –Красноярск, СибГТУ, 2010. – 232 с.
13. Доррер, Г.А. Оценка и прогнозирование динамики крупных лесных пожаров./ Г.А. Доррер, В.С. Коморовсий // Технологии техносферной безопасности: Интернет-журнал. МЧС России, Академия ГПС. 2011, вып.2.
14. Доррер, Г.А. Исследование жизненного цикла электронных информационных ресурсов./ Доррер Г.А., Попов А.А., Сысенко К.В. // Вестник СибГАУ. – 2009, №2. – С. 128 – 132.
15. Кемени, Дж. Конечные цепи Маркова./ Дж. Кемени, Дж. Снелл. – М.: Наука, 1970. – 450 с.
16. Константинова, Н.С. Онтологии как системы хранения знаний. / Н.С. Константинова, О.А. Митрофанова. – СПб.: СПбГУ, 2008. – 54с.
17. Королюк, В.С. Полумарковские процессы и их приложения./ В.С. Королюк, А.Ф Турбин. – Киев: Наукова думка, 1976. – 290 с.
18. Котов В.Е. Сети Петри/ В.Е. Котов. – М.: Наука, 1984. –158с.
19. Кофман, А. Займемся исследованием операций: пер. с франц. / А. Кофман, Р.Фор. – М.: Мир, 1966. – 280 с.
20. Ломазова, И.А. Вложенные сети Петри: моделирование и анализ распределенных систем с объектной структурой./И.А. Ломазова. – М.: Научный мир, 2004. – 208 с.
21. Максимов, В.И. Когнитивные технологии для поддержки принятия управленческих решений./В.И.Максимов, К.Корноушенко, С.В.Качаев. //Информационное общество, 1999, вып. 2, С. 50 – 54.
22. Ноженкова, Л.Ф. Гибридные информационные технологии: направления развития и применения/Л.Ф. Ноженкова. // Вестник КрасГУ. – Красноярск: КрасГУ, 2004. – С. 99-106.
23. Ноженкова, Л.Ф./ Средства построения систем поддержки принятия решений по предупреждению и ликвидации ЧС. / Ноженкова Л.Ф., Исаев С.В., Ничепорчук В.В., Евсюков А.А., Морозов Р.В., Марков А.А.// Проблемы безопасности и чрезвычайных ситуаций. №4. М.: 2008. С. 46-54.
24. Ноженкова, Л.Ф. Применение экспертной ГИС для анализа пожарной обстановки в Красноярском крае. / Л.Ф. Ноженкова, С.В. Исаев, В.В. Ничепорчук, А.А. Евсюков, Р.В. Морозов, А.А. Марков //Проблемы безопасности и чрезвычайных ситуаций. №2. М.: 2009. – С. 75–85.
25. Константинова, Н.С. Онтологии как системы хранения знаний. / Н.С. Константинова, О.А. Митрофанова. – СПб.: СПбГУ, 2008. – 54 с.
26. Орлов, А.И. Основы теории принятия решений: учебное пособие. / А.И. Орлов. – М.: МГТУ им. Баумана, 2002. – 37с.
27. Основы теории вычислительных систем /под ред. проф. С.А. Майорова, М.: Высшая школа, 1978, – 408 с.
28. Питерсон, Дж. Теория сетей Петри и моделирование систем. / Дж Питерсон. – М.: Мир, 1984. – 234 с.
29. Плотинский, Ю.М. Теоретические и эмпирические модели социальных процессов: учебное пособие для высших учебных заведений. /Ю.М. Плотинский. М.: Издательская компания «Логос», 1998. – 280 с.
30. Подиновский, В.В., Ногин В.Д. Парето-оптимальные решения многокритериальных задач./ В.В. Подиновский, В.Д. Ногин. – М.: Наука, 2007. – 255 с.
31. Советов, Б.Я. Моделирование систем./ Б.Я.Советов, С.А.Яковлев. – М.: Высшая школа, 1985, – 350 с.
32. Соловьев, В.Д. Онтологии и тезаурусы. / В.Д. Соловьев, Б.В. Добров, Н.В. Лукашевич. – Казань, Москва: Казанский ГУ, МГУ им. М.В. Ломоносова, 2006. – 157с.
33. Филипс, Д. Методы анализа сетей. / Д. Филипс, А. М. Гарсиа-Диас. – М:, Мир. 1984. Черноруцкий И.Г. – 400с.
34. Черноруцкий, И.Г. Методы оптимизации в теории управления: учебное пособие. / И.Г. Черноруцкий. – Спб.: Питер, 2004. – 256 с.
35. Черноруцкий И.Г. Методы принятия решений. / И.Г. Черноруцкий. – СПб.:БХВ-Петербург, 2005. – 416с.
36. Шибанов А.П. Обобщенные GERT-сети для моделирования протоколов, алгоритмов и программ телекоммуникационных систем.: Диссертация на соиск. уч. степ. доктора технич. наук./А.П. Шибанов. – Рязань: РГРА, 2003. – 307с.
37. Юдин, Д.Б. Линейное программирование (теория, методы и приложения)./ Д.Б. Юдин, Е.Г. Гольштейн. – М.: «Наука». Главная редакция физико-математической литературы, 1969. – 424с.
38. Axelrod, R. The Structure of Decision: Cognitive Maps of Political Elites. / R.Axelrod. – Princeton. University Press. – 1976.
39. Checland, P.B. Models Validation in Soft Systems Practice / P.B Checland. –System Research, 1995. Vol. 12. № 1. P. 47 – 54.
40. Cherchman, C.W. The system approach and its enemies. / C.W. Cherchman. – N.Y.: Basic books. – 1979.
41. Dublin Core Metadata Element Set: Reference Description
[Электронный ресурс] /DCMI.–Version1.1.– [USA]: DCMI, 1999. – Режим доступа: http://dublincore.org/documents/dces.
42. Jensen, K. Coloured Petri Nets: Basic Concepts, Analysis Methods and Practical Use. / K. Jensen. – Berlin, Spingler. Vol.1 – 1996, Vol.2 – 1997, Vol.3 – 1997.
43. Markovitz, H. Portfolio selection / H. Markovitz // The Journal of FInanceб vol. VII, №1б 1952. – р. 60 – 91.
44. Niessen, J. Introduction to ITService[Электронный ресурс]/ J. Niessen – Режим доступа http://allitil.ru/book/42-vvedenie-v-itsm.-glava-1.html.
Дата добавления: 2015-09-07; просмотров: 1133;