Генетические алгоритмы

Генетические алгоритмы достаточно распространены, применяются в различных областях для решения задачи оптимизации.

Финансисты активно применяют их в своей практической деятельности.

Генетические алгоритмы базируются на синтетической теории эволюции, учитывающей биологические механизмы наследования признаков в природных и искусственных популяциях организмов, а также на опыте в области селекции животных и растений. Методологически генетические алгоритмы основаны на гипотезе селекции, которая гласит, что чем выше приспособленность особи, тем выше вероятность того, что в потомстве, полученном с ее участием, признаки, определяющие приспособленность, будут выражены сильнее.

Проектирование начинают с формирования в новом поисковом пространстве области допустимых значений переменных и выбирают некоторые пробные точки, которые имеют смысл генотипов потомков. Далее задействуется механизм эволюции, по сути — глобальной оптимизации (поиска глобального экстремума) целевой функции. Подобно тому как в природе осуществляется скрещивание организмов, в процедуре оптимизации координаты новых пробных точек получаются как результат манипулирования координатами старых, причем в качестве родительских точек выступают лучшие точки в фенотипическом отношении, неудачные решения отбрасываются (отмирают).

Рассмотрим прогнозирование на основе ИНС на примере решения задачи распознавания образов. Данные о прогнозируемой переменной за некоторый промежуток времени образуют образ, класс которого определяется значением прогнозируемой переменной в некоторый момент времени за пределами данного промежутка, т.е. значением переменной через интервал прогнозирования. Метод окон предполагает использование двух окон W и W0 с фиксированными размерами n и m соответственно. Эти окна способны перемещаться с некоторым шагом по временной последовательности исторических данных, начиная с первого элемента, и предназначены для доступа к данным временного ряда, причем первое окно W,, получив такие данные, передает их на вход нейронной сети, а второе W0 — на выход.

Получающаяся на каждом шаге пара W ^ W0 используется как элемент обучающей выборки (распознаваемый образ, или наблюдение).

Каждый следующий вектор получается в результате сдвига окон W и W> вправо на один элемент (s = 1). Предполагается наличие скрытых зависимостей во временной последовательности как множестве наблюдений. Нейронная сеть, обучаясь на этих наблюдениях и соответственно настраивая свои коэффициенты, пытается извлечь эти закономерности и сформировать в результате требуемую функцию прогноза P.

Прогнозирование осуществляется по тому же принципу, что и формирование обучающей выборки. При этом выделяются две возможности: одношаговое и многошаговое прогнозирование.

Многошаговое прогнозирвание используется для осуществления долгосрочного прогноза и предназначено для определения основного тренда и главных точек изменения тренда для некоторого промежутка времени в будущем. При этом прогнозирующая система использует полученные (выходные) данные для моментов времени к + 1, к + 2 и т.д. в качестве входных данных для прогнозирования на моменты времени к + 2, к + 3 и т.д.

Предположим, система обучилась на временной последовательности. Затем она спрогнозировала (к + 1)-й элемент последовательности, когда на ее вход был подан последний из известных ей образов. После этого она осуществляет дальнейшее прогнозирование и на вход подается следующий образ. Последний элемент этого образа является прогнозом системы.

Одношаговое прогнозирование используется для краткосрочных прогнозов, обычно абсолютных значений последовательности. Осуществляется прогноз только на один шаг вперед, но используется реальное, а не прогнозируемое значение для осуществления прогноза на следующем шаге.

Как уже было отмечено, результатом прогноза на НС является класс, к которому принадлежит переменная, а не ее конкретное значение. Формирование классов должно проводиться в зависимости от того, каковы цели прогнозирования. Общий подход состоит в том, что область определения прогнозируемой переменной разбивается на классы в соответствии с необходимой точностью прогнозирования. Классы могут представлять качественный или численный взгляд на изменение переменной.

Начиная с 90-х гг. XX в. в практику управления организациями стали активно внедряться информационные технологии, основанные на парадигме искусственных нейронных сетей (ИНС), которые позволяют с известной долей условности моделировать деятельность человеческого мозга.

Области применения и задачи, решаемые искусственными нейронными сетями

В силу своей универсальности и способности к обобщению ИНС применимы практически во всех областях человеческой деятельности: в геологии и нефтедобыче, в автоматическом управлении сложными динамическими объектами, в медицине и фармакологии, в сельском хозяйстве и агрономии, в финансовой сфере, на всех уровнях управления предприятиями и организациями и т.д. Словом, везде, где есть трудно формализуемая информация и (или) ее большое количество, зашумленность (искаженность) данных, где невозможно или очень сложно построить математическую модель, когда время ограничено, — в таких случаях применяют ИНС.

Общие задачи, решаемые ИНС, принято условно разделять на несколько основных категорий. •

Классификация (распознавание) образов. Должным образом разработанная ИНС может использоваться как классификатор. После обучения историческим данным ИНС может определять принадлежность анализируемых данных к определенному классу. К таким задачам относится распознавание зрительных образов (человеческих лиц, животных, целей на экране радара), распознавание текста (букв и иероглифов, в том числе автоматическое распознавание и аутентификация подписи), распознавание слуховых образов (речи, сигналов, системы голосового управления), медицинская диагностика (распознавание болезни по симптомам, классификация сигналов электрокардиограммы, клеток крови), различные классификации в военной технике (например, распознавание сигналов радара или сонара), в криминалистике (определение отпечатков пальцев), в физике (распознавание элементарных частиц и происходящих с ними событий путем проведения экспериментов на ускорителях или наблюдение космических лучей), задачи геологического распознавания (определение по косвенным признакам, где следует, а где не следует искать полезные ископаемые), контроль качества продукции (отнесение к классу качественной и некачественной продукции, например, отслеживание качества нефтепродуктов). •

Кластеризация (категоризация). Алгоритм кластеризации размещает близкие образы в один кластер. Несколько лет назад фирма IBM Consulting разработала нейросетевую систему, прогнозирующую свойства потребительского рынка29. Заказчиком выступила одна из крупнейших компаний-производителей пищевых продуктов, имеющая огромные рынки сбыта. Одним из основных маркетинговых механизмов компании является распространение рекламных предложений, дающих право покупки определенного товара со скидкой. Затраты на рассылку предложений довольно велики. Решающим фактором является эффективность рассылки.

Для ее повышения необходимо было провести предварительную сегментацию рынка, а затем адресовать клиентам каждого сегмента именно те купоны, которыми они с большой вероятностью воспользуются, т.е. решить задачу кластеризации, что и было успешно сделано с помощью нейронных сетей Кохонена. На втором этапе для потребителей каждого из кластеров подбирали подходящие коммерческие предложения, а затем строили прогноз объема продаж для каждого сегмента. •

Предсказание/прогноз. Основными приложениями техники предсказания (прогноза) на основе ИНС являются предсказание метеорологической обстановки (дождь, скорость и направление ветра, тайфуны, смерчи)32, прогнозирование свойств химических соединений (фирма Du Pont прогнозирует свойства полимеров33), финансовые прогнозы (игра трейдеров на рынках, предсказание курсов акций, курса валют, конкуренции), в медицине — предсказание исхода лечения, политические прогнозы (результаты выборов, международные отношения), в военном деле (предсказание поведения противника или потенциального противника, действия противника непосредственно в военном конфликте в реальном времени) и даже прогнозирование устойчивости супружеских отношений, отношений внутри группы34, прогнозирование потребления электроэнергии.

При создании систем на основе нейронных сетей на относительно устойчивых западных рынках особых проблем у разработчиков, как правило, не возникает. Российский рынок имеет свои специфические черты: изменчивость, особенности поведения потребителей, воспитанных в условиях дефицита и дефицитных ожиданий (например, закупки в период высоких инфляционных ожиданий). В изменчивых условиях для отечественных предприятий особенно важно иметь прогноз спроса на товары и соответственно дохода компании, чтобы осуществлять оптимальное управление закупками. •

Оптимизация. Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации.

Задачей алгоритма оптимизации является нахождение такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию. Например, поиск наилучших вариантов при конструировании технических устройств, экономического поведения, в логистике при оценке кратчайшего маршрута и соблюдении большого числа ограничений (на минимальный расход топлива, сервис, уровень преступности), при проектировании и оптимизации сетей связи, сетей электроснабжения, систем слежения за состоянием оборудования, при подборе команды (от сотрудников предприятия до спортсменов и участников полярных экспедиций), для проведения оптимальной терапии у больного, а также в других ситуациях принятия решения. •

Память, адресуемая по содержанию. В модели вычислений фон Неймана обращение к памяти доступно только посредством адреса, который не зависит от содержания памяти. Более того, если допущена ошибка в вычислении адреса, то может быть выбрана из памяти совершенно иная информация. Ассоциативная память, или память, адресуемая по содержанию, доступна по указанию заданного содержания. Содержимое памяти может быть вызвано даже по частичному входу или искаженному содержанию. Она используется при создании мультимедийных информационных баз данных, ассоциативном поиске информации и создании ассоциативных моделей; синтезе речи; формировании естественного языка. •

Управление в режиме реального времени. Объектами управления могут быть: системы управления и регулирования с пред сказанием; управление роботами, самолетами и ракетами; управление транспортным потоком35, другими сложными устройствами; технологические процессы непрерывного производства (металлургического, химического, и т.д.); разнообразные конечные автоматы: системы массового обслуживания и коммутации, телекоммуникационные системы. •

Другие задачи. Сейчас сфера оценки, в частности оценка недвижимости в связи с ростом цен и развитием ипотеки, страхования и бизнеса, вообще приобретает значительную популярность. Оценка стоимости дома или квартиры зависит от большого числа факторов, таких, как общая и жилая площадь, удаленность от центра, экологическая обстановка, престижность, тип дома, ремонт и т.д. Поскольку вид этой зависимости неизвестен, а построить модель - дело практически бесперспективное, стандартные методы анализа неэффективны. Как правило, эту задачу решают эксперты-оценщики, работающие самостоятельно либо в риэлтерском агентстве. Основной недостаток, естественно, заключается в субъективности оценщика, а также в возможных и не таких уж редких разногласиях между оценщиками. Существуют успешные примеры решения задачи объективной оценки с помощью нейросети. В частности, фирма Attrasoft приводит пример оценки стоимости домов в Бостоне с учетом 13 параметров.

Как мы выяснили, традиционные методы прогнозирования при построении модели опираются на данные прошлых наблюдений, а затем используют найденную модель для экстраполяции значений интересующей переменной в будущее. Это предполагаемое значение и используется как прогноз, на основании которого затем строится план мероприятий. В таких моделях изначально предполагается, что поведение исследуемой системы в будущем будет точно таким же, как и в прошлом, за исключением тех переменных, которые специально выделяются в модели.

Иногда в традиционных моделях делаются предположения о распределении совокупности значений, которые могут проверяться или не проверяться. Например, в случае интервальной оценки с использованием регрессионной модели предполагается, что генеральная совокупность в основном соответствует нормальному распределению.

Какие же существуют различия при решении задач прогнозирования между нейронными сетями и традиционными (статистическими) методами прогнозирования? При построении нейронной сети в компьютере создается множество моделей, охватывающих полный набор прошлых взаимоотношений между всеми переменными, способными повлиять на результирующие значения зависимых переменных. Программная реализация нейронной сети ассимилирует эти модели и предпринимает попытку установить существующие взаимосвязи, «изучая» то, как они изменялись до этого. Этот процесс изучения, называемый также обучением, напоминает практическое обучение человека той или иной работе.

Некоторые исследователи в области прогнозирования отметили сходство между принципами функционирования нейронных сетей и традиционными методами прогнозирования, в которых предпринимается попытка найти величины, необходимые для успешного предсказания зависимой переменной. Теоретическое преимущество использования нейронной сети как инструмента прогнозирования состоит в том, что здесь не нужно заблаговременно устанавливать взаимоотношения между величинами, поскольку метод предусматривает изучение существующих взаимосвязей на готовых моделях. Для нейронных сетей также не требуются никакие предположения относительно основного распределения совокупности, и в отличие от многих традиционных методов они могут работать с неполными данными.

Достижение успеха в применении нейронной сети иногда называют полной совместимостью. Это означает, что программа нейронной сети быстро и без затруднений замещает существующую модель, например регрессионный анализ, не нарушая работы организации. Повышение эффективности, как и достижение большей точности прогнозов, иногда может быть достигнуто с минимальным вмешательством в текущее управление. Нейронные сети особенно эффективны в тех случаях, когда исходные данные сильно коррелируют либо неполны или рассматриваемой системе свойственна высокая степень нелинейности.

Как отмечают А.А. Ежов и С.А. Шумский в курсе лекций по использованию нейросетей в экономике и бизнесе, «области приложения нейрокомпьютинга подчас сильно пересекаются или почти совпадают со сферами применения математической статистики, теории нечетких множеств и экспертных систем. Связи и параллели нейрокомпьютинга чрезвычайно многообразны и свидетельствуют о его универсальности».

Далее авторы утверждают, что «поскольку в настоящее время нейронные сети с успехом используются для анализа данных, уместно сопоставить их со старыми хорошо разработанными статистическими методами. В литературе по статистике иногда можно встретить утверждение, что наиболее часто применяемые нейросетевые подходы являются ничем иным, как неэффективными регрессионными и дискриминантными моделями. Многослойные нейронные сети действительно могут решать задачи типа регрессии и классификации. Однако, во- первых, обработка данных нейронными сетями носит значительно более многообразный характер — вспомним, например, активную классификацию сетями Хопфилда или карты признаков Кохонена, не имеющие статистических аналогов. Во-вторых, многие исследования, касающиеся применения нейросетей в финансах и бизнесе, выявили их преимущества перед ранее разработанными статистическими методами».

Рассмотрим подробнее результаты сравнения методов нейросетей и математической статистики. Как уже отмечалось, некоторые статистики утверждают, что нейросетевые подходы к обработке данных являются просто заново переоткрытыми и переформулированными, но хорошо известными статистическими методами анализа. Иными словами, нейрокомпьютинг просто пользуется новым языком для описания старого знания. Формализм нейронных сетей, действительно, способен претендовать на роль универсального языка.

Свойство нейронной сети к обобщению будет при этом использоваться для предсказания выходной величины по значению входа.

При сравнении этих двух подходов видно, что при описании своих методов статистика апеллирует к формулам и уравнениям, а парадигма ИНС — к графическому описанию нейронных архитектур.

Если вспомнить, что с формулами и уравнениями оперирует левое полушарие мозга, а правое — с графическими образами, то можно понять, что в сопоставлении со статистикой вновь проявляется своего рода «правополушарность» нейросетевого подхода.

Еще одним существенным различием является то, что для методов статистики не имеет значения, каким образом будет минимизироваться невязка; в любом случае модель остается той же самой, в то время как для ИНС главную роль играет именно метод обучения. Иными словами, в отличие от нейросетевого подхода оценка параметров модели для статистических методов не зависит от метода минимизации

В отличие от нейросетевого подхода, в котором основное время забирает обучение сетей, при традиционном статистическом подходе это время тратится на тщательный анализ задачи. При этом опыт статистиков используется для выбора модели на основе анализа данных и информации, специфичной для данной области. Использование нейронных сетей — этих универсальных аппроксиматоров — обычно проводится без использования априорных знаний, хотя в ряде случаев оно весьма полезно. Например, для рассматриваемой линейной модели использование именно среднеквадратичной ошибки ведет к получению оптимальной оценки ее параметров.

Помимо рассмотренной простейшей модели можно привести примеры других, в некотором смысле эквивалентных, моделей статистики и нейросетевых парадигм.

В настоящее время в статистическом сообществе растет интерес к нейронным сетям как с теоретической, так и с практической точек зрения. Это проявляется, в частности, во включении нейросетевых средств в такие стандартные статистические пакеты, как SAS и SPSS, STATISTICA.

Отвечая на вопрос о том, что же все-таки лучше — классические статистические методы или искусственные нейронные сети, сделаем заключение, что все зависит от ситуации. Иногда, особенно если априорная информация о данных отсутствует, разумнее использовать нейронные сети. Такой выбор часто дает быстрое и качественное решение задачи, как правило, не худшее, чем получаемое статистическими методами после тщательного изучения структуры данных.

Иногда высказывают мнение, что статистические методы предназначены для профессионалов, поскольку их использование требует основательной теоретической подготовки. В то же время нейронные сети — это инструмент любителей, который можно быстро освоить и применять. Как бы то ни было разработка нейросетевой системы анализа данных, действительно, может быть осуществлена за значительно более короткое время (порядка нескольких месяцев), нежели создание аналогичной системы статистического анализа (требующее годы).

При наличии дополнительных знаний о характере задачи статистические данные могут оказаться предпочтительнее. При сравнительном анализе возможностей нейронных сетей и статистических методов надо быть достаточно осторожными, поскольку иногда весьма сложные нейросетевые подходы сопоставляются с простыми статистическими моделями, или наоборот. Существует мнение, что одинаково мощные статистические и нейросетевые подходы дают результаты, одинаковые по точности и по затратам.

Тем не менее примеры решения действительно важных прикладных задач могут дать представление о возможностях того

или иного подхода. Среди так или иначе конкурирующих парадигм (а нейронные сети и статистика имеют общую часть специалистов в области анализа данных и прогнозирования), как правило, побеждает не более обоснованная и надежная, а та, что согласно Имре Лакатосу ставит новые задачи для исследования. Теория и методология ИНС — гораздо более молодая отрасль знания, нежели статистика, и, кроме того, сфера теории нейронных сетей гораздо шире анализа данных. Она включает в себя не только анализ данных в чистом виде, но и моделирование деятельности мозга, а также разработку нейроэмуляторов (аппаратно-программных комплексов).

Конструктивный взгляд на взаимоотношение нейронных сетей и статистических методов заключается в том, что в общем случае они должны помогать друг другу и обогащать друг друга. Кристоф и Пьер Кувре назвали такой процесс «перекрестным опылением».

Джон Такер провел тщательное сравнительное исследование использования логистической регрессии и нейронных сетей и определил следующее их принципиальное различие, которое сохраняет свое значение и при общем сопоставлении статистики и нейрокомпьютинга. В то время как статистические методы фокусируются на оптимальном методе выбора переменных, нейросети ставят во главу угла предобработку этих переменных. Если нейронная сеть представляет собой многослойный персеп- трон, то функцией скрытых слоев и является такая последовательная предобработка данных. Вследствие этого нейронные сети занимают уникальное место среди методов обработки данных, превосходя их в универсальности и сложности, оставаясь при этом методом, малочувствительным к форме данных как таковых.

Главный практический вывод, который может сделать исследователь, сводится к фразе, уже ставшей афоризмом: «Если ничего не помогает, попробуйте нейронные сети».

При прогнозировании важнейшим является вопрос о качестве прогноза. Он обычно сводится к расчету допустимой средней ошибки и коэффициента корреляции. В большинстве случаев нейросеть дает более качественный результат по сравнению с известными статистическими моделями анализа, такими, как модели AR, MA, ARMA, ARIMA и др. При этом вести такое сравнение достаточно сложно. Нейронные сети способны работать с противоречивыми и неполными данными, пытаясь дать точные прогнозы цен и индикаторов на определенный интервал времени. Статистический же анализ просто интерпретирует текущее состояние цен и индикаторов в соответствии с некоторыми априорными моделями. Однако нейронные сети — это не волшебная палочка, и человеку думать все равно нужно, потому что качество прогнозов определяется прежде всего уровнем профессионализма пользователя.

Полное обеспечение количественной информацией по всем параметрам и предыдущим состояниям (системы, для которых имеется достаточно ретроспективной информации, обеспечивающей реализацию прогноза по формальным стохастическим методикам с заданной точностью и на заданное время).

Частичное отсутствие количественной информации (системы, в которых недостаточно ретроспективной информации для реализации прогноза по формальным стохастическим методикам невозможно построить адекватную модель).

Обеспечение только качественной информацией (системы с известной структурой и характером зависимостей прогнозируемых параметров).

Подобная типологизация методов экономического прогнозирования рассматривается в работе Д.Э. Ханка, Д.У. Уичерна, А.Дж. Райтса, где в качестве признаков выделены:

1) модель данных (стационарные, трендовые, сезонные, циклические);

2) отдаленность прогноза во времени (краткий, средний, большой периоды);

3) тип модели (временной ряд, каузальная) и др.

Контрольные вопросы по теме «Интеллектуальные технологии прогнозирования»

1. Назовите основные виды современных интеллектуальных технологий..

2. Дайте сравнительную характеристику экспертных систем, нечеткой логики, генетических алгоритмов и искусственных нейронных сетей.

3. Какие области применения ИНС вы знаете?

4. Опишите принцип функционирования технического нейрона.

5. Охарактеризуйте суть и основные принципы построения и работы нейросети.

6. В чем заключается смысл обучения «с учителем» и «без учителя»?

7. Какие существуют типы искусственных нейросетей?

8. Назовите отличия рекуррентных сетей от прямонаправленных.

9. Нарисуйте структуру простейшей многослойной сети.

10. За счет каких особенностей нейросети показывают лучшие результаты при прогнозировании социально-экономических процессов по сравнению с традиционными методами?

Тема 4.1. Генеральный план: характеристика, правила составления

В соответствии с Градостроительным Кодексом РФ Генеральный план является основным градостроительным документом, определяющим в интересах населения и государства:

· условия формирования среды жизнедеятельности,

· направления развития территории и границы города,

· зонирование территории,

· развитие инженерно-транспортной инфраструктуры,

· градостроительные требования к охране объектов наследия и особоохраняемых территорий,

· экологическое и санитарное благополучие.

Генеральный план - это основной градостроительный документ, определяющий перспективы развития города на длительный срок. Подготовка генеральных планов поселений, генеральных планов городских округов (далее также - генеральные планы) осуществляется применительно ко всем территориям поселений, городских округов.

Подготовка генерального плана поселения, генерального плана городского округа может осуществляться применительно к отдельным населенным пунктам, входящим в состав поселения, городского округа, с последующим внесением в генеральный план изменений, относящихся к другим частям территорий поселения, городского округа. Подготовка генерального плана и внесение в генеральный план изменений в части установления или изменения границы населенного пункта могут также осуществляться применительно к отдельным населенным пунктам, входящим в состав поселения, городского округа.

Генеральные планы включают в себя карты (схемы) планируемого размещения объектов капитального строительства местного значения, в том числе:
объектов электро-, тепло-, газо- и водоснабжения населения в границах поселения, городского округа; автомобильных дорог общего пользования, мостов и иных транспортных инженерных сооружений в границах населенных пунктов, входящих в состав поселения, в границах городского округа;
иных объектов, размещение которых необходимо для осуществления полномочий органов местного самоуправления поселения, органов местного самоуправления городского округа. Генеральные планы содержат положения о территориальном планировании и соответствующие карты (схемы).

Положения о территориальном планировании, содержащиеся в генеральных планах, включают в себя: цели и задачи территориального планирования; перечень мероприятий по территориальному планированию и указание на последовательность их выполнения.

В основном создание генерального плана участка преследует две основных цели. Первая цель – это создание документа, который необходимо согласовать с соответствующими органами - для того, чтобы вы могли на своем участке возвести капитальные постройки и провести различные инженерные сети.

На первый взгляд кажется, что на своем участке земли вы можете делать все, что хотите. На самом деле, архитектурные и другие органы местной администрации следят за тем, чтобы не был нарушен генеральный план заселения поселка и чтобы проведенные вами коммуникации не представляли угрозы для общества.

Так, например, составление плана участка должно соответствовать действующим противопожарным требованиям. Для общей информации сообщим, что, к примеру, проезжая часть на вашем участке должна находиться на расстоянии не менее 5 метров от стен основной проектируемой постройки, а сама ширина проезжей части должна составлять не менее 3,5 метров. Только в таком случае можно будет обеспечить свободный проезд пожарных машин и проведение спасательных работ на участке.

Вторая цель составления генерального плана участка состоит в том, что у вас на руках окажется разработанный проект, позволяющий максимально удобно расположить на участке жилые здания, подсобные строения, малые архитектурные формы, детские площадки, бассейны, клумбы и так далее. При этом, даже если вы выберите типовой проект, то равно постарайтесь учесть особенности участка и получить максимальную пользу от планирования.

Составляющие генерального плана

Генеральный план застройки участка выполняется в виде чертежей в масштабах 1:500 или 1:2000 на топографической основе с пояснениями. План-схема участка включает в себя следующий комплект документации.

1. Ситуационный план: представляет собой схему расположения конкретного участка в составе поселка.

2. Опорный план: это схема участка с обозначением уже существующих построек, инженерных коммуникаций и зеленых насаждений.

3. Генеральный план: представляет собой основной чертеж; это схема планировки земельного участка с обозначением планируемых построек и других постоянных объектов, крупных деревьев, площадок, пешеходных дорожек, поездов.

4. Сводная схема инженерных сетей: отражает прокладку инженерных сетей и объектов на территории участка, места их ввода в постройки.

5. Схема инженерной подготовки и вертикальной планировки территории: характеризует объемы проведения запланированных земляных работ, содержит отметки высоты (начальные и окончательные) в различных точках участка.

6. Схема использования территории в период проведения строительных работ.

7. Пояснительная записка и технико-экономические показатели, касающиеся площади участка, его застройки, озеленения, мощения и т. п.

Обычно образец плана земельного участка предоставляют соответствующие органы. Однако на практике, как правило, выполнением данной работы занимаются компании, которые за умеренную плату не только подготовят необходимый план садового участка, но и завизируют его в соответствующих органах власти.

Для того, чтобы составленный вами генеральный план дачного участка не вызвал ни у кого сомнений, необходимо учесть следующие, так называемые, зоны контроля. К ним относится правило: в местах прохождения инженерных коммуникаций нельзя осуществлять строительство домов и других построек, в также сажать высокие деревья.

Генеральный план дачного участка также подразумевает (рис. 2), что расстояния между постройками соседних участков будут регулироваться не личным желанием, а противопожарными нормами. Также во избежание того, что территория участка во время сильного дождя превратится в болотистую местность, необходимо чтобы план дачного участка определял наличие дренажной системы, способной осушить участок и предотвратить его подтопление. Если с вашего участка открывается красивый вид на окрестные места, то стоит также организовать и отразить на плане видовые точки.

Также при составлении генерального плана участка стоит учитывать и советы по расположению дома, которые заключаются в следующем. Если вам достался неровный участок, имеющий наклон в ту или иную сторону, то дом лучше строить на возвышенности. Если же вам все же больше нравится вариант с расположением здания в низине, то обязательно примите меры против подтопления построек.

Дом целесообразно расположить на малых уклонах и обязательно параллельно горизонталям. При строительстве на склоне с крутизной более 1:2 для обеспечения устойчивости земляного полотна необходимо использовать подпорные стенки и другие сооружения. Обратите внимание, что нормативы требуют, чтобы дом был расположен на расстоянии 5-6 метров от границы участка, проходящей по улице, и на расстоянии не менее чем 3 метра от соседних участков.

Составление генерального плана земельного участка направлено на решение двух задач:

Задача №1. Формирование документа, который в обязательном порядке должен пройти основательное согласование с надлежащими органами. Это требуется для того, чтобы владелец надела мог возвести на принадлежащей ему территории капстроения и сделать подвод необходимых инженерных коммуникаций.

Зачастую многие собственники земельных участков уверены в том, что они вольны делать на своей земле все, что им заблагорассудится, но это далеко не так. Органы самоуправления, архитектурный надзор скрупулезно следят за должным исполнением генерального плана заселения земельных участков, за технически правильным выполнением подведения всех коммуникационных сетей, поскольку последние не должны представлять опасность для людей. К примеру, составление плана должно в полной мере отвечать всем установленным противопожарным инструкциям. Так, по действующим нормам проезжая часть на индивидуальном участке должна пролегать от стен проектируемого строения на расстоянии, которое не должно составлять менее пяти метров, а ширина проезжей части – минимум три с половиной метра. Максимальное соблюдение данных нормативов обеспечит свободный проезд спецтехники и проведение спецработ на участке.

Задача №2. Разработка генплана участка позволит иметь в распоряжении сформированный проект, который разрешит максимально достоверно вычислить правильное распределение на территории участка всех строений: жилого дома, хозяйственных блоков, игровой площадки, бассейна, цветочных клумб, огорода и другое. В том случае, если собственник участка отдаст предпочтение типовому проекту, то все равно желательно учесть особенности своего участка.

Предоставлением образцов плана земельных участков занимаются надлежащие должностные органы. Но как показывает, практика существуют компании, которые выполняют данную работу за умеренную плату – подготовят нужный план участка и завизируют там, где это необходимо сделать.

В ходе разработки генплана специалист максимально точно определяет месторасположения жилого объекта на территории участка. При этом должны быть строго учтены все допустимые противопожарные и санитарные инструкции по отношению к другим находящимся объектам строительства на собственном участке и прилегающих землевладений. Кроме этого, обязательно определяется местоположение элементов инженерных сетей (коллектора теплового насоса, септика, колодца, скважины), вырабатываются рекомендации по проведению инженерно-технических мероприятий (укрепление рельефа, осушение участка). Также создаются рекомендации для привязки таких этапов как выбор решения по созданию фундамента, конструкции здания для оптимальной нагрузки на фундамент строительных материалов, электрификации объекта, отопления, канализационной сети.

Для выполнения проекта генплана надо предоставить:

§ топографическую съемку или кадастровый план, что даст полное представление о границах проектируемого участка и его ориентации в пространстве;

§ схему, отражающую подсоединение к внешним инженерным сетям (водопровод, проход канализационных труб, электрической линии, газопровода);

§ схему, которая воспроизводит расположение наличествующих построек на соседних участках, проложенных дорог и всех подъездных путей прилегающих участков;

§ описание всех собственных построек, которые планируется возвести на территории.

Генеральный план г. Екатеринбурга