Нейронные сети и генетические алгоритмы в вопросах оптимизации процесса принятия решений в пожарной охране.
Neural networks and genetic algorithms in the optimization of the decision-making process in fire protection
- 1 АГПС МЧС России
- 2 ФГБОУ ВО Академия государственной противопожарной службы МЧС России
В статье приводится анализ особенностей применения генетических алгоритмов и нейронных сетей и необходимость внедрения технологий искусственного интеллекта в пожарной охране. Таблица отражающая принципиальные отличия нейронных сетей и генетических алгоритмов при решении разного рода задач.
The article analyzes the features of the application of genetic algorithms and neural networks and the need to introduce artificial intelligence technologies in fire protection. Table reflecting the fundamental differences between neural networks and genetic algorithms in solving various tasks.
В современном веке информатизации и технического прогресса все чаще ведутся споры о возможностях искусственного интеллекта и способах его внедрения в различные сферы человеческой жизни. Основной целью данной статьи является выявление преимуществ и недостатков нейронных сетей и генетических алгоритмов, сравнительные характеристики, и, возможность внедрения технологий искусственного интеллекта в пожарную охрану.
Применение генетических алгоритмов обосновано при оптимизации функций и запросов в базах данных [1]. При решении разнообразных задач на графах. Для настройки и обучения искусственной нейронной сети и решении задач компоновки, составления расписаний и игровых стратегий [2]. Генетический алгоритм представляет собой циклический процесс скрещивания между собой начальных критериев (или "родителей"), и путем отбора выявления наиболее подходящих вариантов решения. Чтобы запустить алгоритм необходимо задать целевую функцию для объектов популяции и создать начальную популяцию, т.е. "родителей"[3]. Если при завершении первого цикла результат не был достигнут, система выбирает новых "родителей" и поиск решения начинается сначала.
Другое направление искусственного интеллекта - это нейронные сети. Искусственная нейронная сеть — это математическая модель, программное воплощение которой основано на принципе работы нейронных связей головного мозга человека [3]. При обучении нейронной сети до определенного уровня, можно решать задачи прогнозирования или управления, а так же для распознавания образов при минимальных входных данных. Искусственная нейронная сеть является системой соединённых и взаимодействующих между собой простых нейронов. Они общаются между собой сигналами, посылаемыми от одного нейрона к другому, и, если соединить все нейроны в одну сеть с мощным звеном управления, можно решать довольно сложные задачи.
Нейронные сети не программируются, а обучаются. Обучение состоит в том, чтобы найти определенную зависимость связи между нейронами, которые, в процессе обучения, выявляют взаимосвязь между входной и выходной информацией и обобщают полученные результаты, что позволяет получить решение на основе уже имеющихся данных, которые отсутствовали при обучении или же при неточных или искаженных данных.
Далее рассмотрим преимущества, недостатки и возможности генетических алгоритмов и нейронных сетей в виде сравнительной таблицы.
Таблица 1.
№ п/п | Критерии | Генетические алгоритмы | Нейронные сети |
1. | Необходимость обучения | Обучение не требуется | Требуется обучение, с применением генетических алгоритмов. |
2. | Распознавание образов | Да, но при сложной настройке и с большой вероятностью ошибки | Да, после обучения |
3. | Возможность прогнозирования | Да, требуется сложная настройка | Да, требуется массив статистической информации для обучения |
4. | Возможность анализа | Генетические алгоритмы не являются аналитическими, но с их помощью можно выявить наиболее оптимальные решения поставленных задач | Да, имеется возможность анализа, после обучения сети с учителем или без |
5. | Использование в качестве СППР | Да, генетические алгоритмы позволяют решать многокритериальные задачи, что обосновывает их применение в качестве СППР | Да, применение обученной нейронной сети позволяет решать задачи линейного программирования, при искаженных или отсутствующих входных данных |
6. | Оптимизация функций | Да, при помощи генетических алгоритмов возможна оптимизация функции, путем отсеивания параметров, не входящих в область решения | Нет. Даже после обучения нейронной сети недоступна оптимизация |
7. | Оптимизация запросов в базах данных | Да, происходит в процессе селективного отбора путей выполнения запросов и отсеивания не удовлетворяющих заданным критериям поиска | Нет, нейронная сеть не подразумевает решение задач с несколькими критериями |
8. | Задачи компоновки | Да, задачи наиболее оптимальной компоновки так же решаются в процессе селективного отбора и на выходе имеется одна или несколько наиболее удачных комбинаций, удовлетворяющих решению | Нет, для нейронной сети невозможно решение задач компоновки |
9. | Составление игровых стратегий | Да, генетические алгоритмы позволяют решать многокритериальные задачи, на основании которых построена теория игр | Нет, так как решение подобных задач требует многокритериального подхода |
10. | Применение в биоинформатике | Да, является основным элементом биоинформатики | Да, нейронные сети изначально разработаны как модель нейронов человеческого мозга, и на данном этапе активно используется для создания искусственного интеллекта |
Таким образом было выявлено, что генетические алгоритмы, как и нейронные сети решают схожие по своей структуре задачи, но при этом, имеют принципиально разные подходы к решению этих задач. Помимо этого, нейронные сети обучаются при помощи генетических алгоритмов.
Применение данных информационных ресурсов в пожарной охране безгранично и возможно для оптимизации любой сферы деятельности. В частности, для анализа и прогнозирования деятельности подразделений ФПС ГПС, а также возможности в корне изменить системы поддержки и принятия решений и разрабатывать оптимальные системы противопожарной защиты для различного рода объектов [4]. При помощи генетических алгоритмов возможно комбинировать между собой мероприятия для противопожарной защиты объекта и выявлять оптимальные комбинации. Так же можно разрабатывать оптимальную расстановку сил и средств при тушении пожаров на основе ранее собранных статистических данных на объектах подобного назначения.
Исходя из вышесказанного можно сделать вывод о том, что нейронные сети и генетические алгоритмы необходимо внедрять в информационные системы пожарной охраны, для оптимизации процессов прогнозирования и анализа, а также разработки стратегии развития подразделений как в рамках субъекта РФ, так и в рамках развития всей системы МЧС в целом.
Список использованной литературы:
1. Хабибулин Р.Ш. Интеллектуализация управления пожарной безопасностью на объектах хранения нефти и нефтепродуктов. Пожарная безопасность: проблемы и перспективы. /Сборник статей по материалам VI Всероссийской научно-практической конференции с международным участием 23-24 сентября 2015 г.: в 2-х ч. Ч.1 / ФГБОУ ВО Воронежский институт ГПС МЧС России. – Воронеж, 2015. – С. 22-25.
2. Хабибулин Р.Ш., Гудин С.В., Шихалев Д.В. Генетический алгоритм для задачи оптимизации расположения наружной технологической установки на объекте нефтепереработки с учетом минимизации пожарных рисков. Информатика, управление и системный анализ: Труды IV Всероссийской научной конференции с международным участием. – Т. I. – Тверь: Тверской государственный технический университет , 2016. С. 110-120.
3. Гальберштам Н. М., Баскин И. И., Палюлин В. А., Зефиров Н. С. Нейронные сети как метод поиска зависимостей структура — свойство органических соединений // Успехи химии. — 2003. — Т. 72, № 7. — С. 706—727.
4. В.М. Курейчик, В.В. Курейчик. Эволюционные методы принятия решений Материалы Всероссийской конференции "Интеллектуальные САПР-97" стр. 1-5