Интеллектуальная технология определения подрайонов поиска при планировании поисково-спасательных операций на море тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Селезень Ярослав Юрьевич

• Селезень Ярослав Юрьевич
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Селезень Ярослав Юрьевич

ВВЕДЕНИЕ

РАЗДЕЛ 1 СИСТЕМНЫЙ АНАЛИЗ ЗАДАЧИ РАСПРЕДЕЛЕНИЯ ПОДРАЙОНОВ ПОИСКА ПО ОТДЕЛЬНЫМ ПОИСКОВО-СПАСАТЕЛЬНЫМ СРЕДСТВАМ НА МОРЕ

1.1 Обоснование системных исследований задачи распределения подрайонов поиска по отдельным подвижным средствам при планировании морских поисково-спасательных операций

1.2 Обзор процесса планирования поиска в морских поисково-спасательных операциях и выявление проблемной ситуации

1.3 Определение района возможного местоположения при планировании морских поисково-спасательных операций

1.4 Используемые подвижные средства в морских поисково-спасательных операциях

1.5 Определение района поиска при планировании морских поисково-спасательных операций

1.6 Распределение подрайонов поиска по отдельным поисково-спасательным средствам на море

1.7 Обзор известных работ решения задачи распределения подрайонов поиска по подвижным средствам

Выводы по разделу

РАЗДЕЛ 2 ФОРМАЛЬНАЯ ПОСТАНОВКА ЗАДАЧИ

РАЦИОНАЛЬНОГО РАСПРЕДЕЛЕНИЯ ПОДРАЙОНОВ ПОИСКА ПО ОТДЕЛЬНЫМ ПОИСКОВО-СПАСАТЕЛЬНЫМ СРЕДСТВАМ НА МОРЕ

2.1 Формальное описание предметной области

2.2 Обзор решений задачи выбора среди альтернатив

2.3 Постановка задачи о рациональном распределении подрайонов поиска по отдельным поисково-спасательным средствам на море

Выводы по разделу

РАЗДЕЛ 3 РАЗРАБОТКА МОДЕЛИ ПРЕДПОЧТЕНИЙ РАСПРЕДЕЛЕНИЙ ПОДРАЙОНОВ ПОИСКА ПО ОТДЕЛЬНЫМ ПОИСКОВО-СПАСАТЕЛЬНЫМ СРЕДСТВАМ НА МОРЕ

3.1 Выбор функции оценки качества распределения подрайонов поиска по отдельным поисково-спасательным средствам на море

3.2 Методика построения функции предпочтений распределений подрайонов поиска по отдельным поисково-спасательным средствам на море визуально-интерактивным средством

3.3 Построение модели частных критериев качества распределения подрайонов поиска по отдельным поисково-спасательным средствам на море

3.4 Построение единого суперкритерия качества распределения подрайонов поиска по отдельным поисково-спасательным средствам на море

3.5 Математическое содержание методики идентификации модели экспертных предпочтений распределений подрайонов поиска между поисково-спасательным средствам на море как задачи машинного обучения

3.5.1 Математические содержание задачи отбора информативных признаков

3.5.2 Корреляционный анализ и кластеризация признаков

3.5.3 Применение генетического алгоритма для отбора информативных признаков

3.5.4 Описание методики идентификации модели экспертных предпочтений распределений подрайонов поиска по отдельным поисково-спасательным средствам на море

Выводы по разделу

РАЗДЕЛ 4 РЕШЕНИЕ ЗАДАЧИ РАСПРЕДЕЛЕНИЯ ПОДРАЙОНОВ ПОИСКА ПО ОТДЕЛЬНЫМ ПОИСКОВО-СПАСАТЕЛЬНЫМ СРЕДСТВАМ НА МОРЕ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ГЛОБАЛЬНОЙ ОПТИМИЗАЦИИ

4.1 Обзор методов глобальной оптимизации в части применимости к решению задачи распределения подрайонов поиска по отдельным поисково-спасательным средствам на море

4.2 Формирование тестовых ситуаций для анализа качества решений задачи распределения подрайонов поиска по отдельным поисково-спасательным средствам на море

4.3 Применение метода эмуляции отжига для решения задачи распределения подрайонов поиска по отдельным поисково-спасательным средствам на море

4.3.1 Общие сведения о методе эмуляции отжига

4.3.2 Адаптация метода эмуляции отжига для нахождения оптимального решения задачи распределения подрайонов поиска по отдельным поисково-спасательным средствам на море

4.3.3 Результаты решения задачи распределения подрайонов поиска по отдельным поисково-спасательным средствам на море с использованием алгоритма эмуляции отжига

4.3.4 Настройка гиперпараметров метода эмуляции отжига для нахождения

оптимального решения задачи распределения подрайонов поиска по

отдельным поисково-спасательным средствам на море

Выводы по разделу

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

216

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Интеллектуальная технология определения подрайонов поиска при планировании поисково-спасательных операций на море»

Актуальность темы работы

В настоящее время — по данным Балтийского и международного морского совета, а также Международной палаты судоходства — 1,89 млн. моряков обслуживают мировой торговый флот, управляя более чем 74 тыс. судов по всему миру [1]. На морские перевозки приходится свыше 80% всего объема мировой торговли [2]. Мореплавание [3] является деятельностью повышенной опасности [4], количество аварий на море вызывает серьезное беспокойство [5-7]. Обновление и модернизация флота не снимает необходимости принятия дополнительных мер, направленных на обеспечение безопасности на море, одной из таких мер является поисково-спасательное обеспечение.

Исходя из статистических данных итогов деятельности морских спасательно-координационных центров (МСКЦ) Российской Федерации за период с 2001 г. по 2020 г. [8; 9] морская поисково-спасательная служба РФ в среднем за год в круглых цифрах проводит 120 поисково-спасательных операций, участвует в оказании помощи судам 70 раз, спасает 550 людей, регистрирует 280 аварийных случаев, а также обрабатывает 670 аварийных сообщений.

Оказание помощи терпящему бедствие на море является задачей, требующей проведения поисково-спасательных операций (ПСО) в сложных обстоятельствах и условиях. Одним из важнейших этапов ПСО является этап планирования поиска. Задача распределения подрайонов поиска между поисково-спасательными средствами (ПСС) — определения подрайонов поиска для конкретных ПСС, относится к задачам планирования поиска [10]. Такая задача возникает при необходимости проведения поисковых операций, в которых задействовано несколько ПСС. Практика проведения морских ПСО показывает, что чрезвычайные ситуации на море

развиваются по своему уникальному сценарию. Исходные данные задачи распределения подрайонов поиска между ПСС являются случайными величинами, что не дает возможности воспользоваться заранее заготовленным планом. При этом планирование приходится выполнять в условиях острого дефицита времени, так как с течением времени уменьшаются вероятность выживания терпящих бедствие и ве-ротяность успеха ПСО. Решение задачи распределения подрайонов поиска между ПСС требует учета многочисленных сложно формализуемых факторов, влияющих на качество получения плана поиска.

Решение задачи распределения подрайонов поиска между ПСС на море автоматизированными средствами позволит снизить нагрузку на координатора операций в сложных обстоятельствах и условиях, учитывая дефицит времени, повысить скорость и качество принимаемых им решений [10]. Разработка системы, реализующей рациональное распределение подрайонов поиска между ПСС на море, позволит перейти к качественно новому уровню автоматизации и интеллектуализации процесса планирования морских ПСО [11]. Внедрение данного рода систем в деятельность МСКЦ способствует совершенствованию информационного обеспечения морской деятельности и обеспечения безопасности морской деятельности в части поисково-спасательного обеспечения [12], необходимость чего подтверждается Стратегией развития морской деятельности Российской Федерации до 2030 года [13] и Морской доктриной Российской Федерации [14].

В настоящее время в различных предметных областях предложены решения задачи распределения подрайонов между подвижными средствами, однако недостаточная степень изученности вопроса того, как разработанные критерии оптимальности распределения подрайонов между подвижными средствами удовлетворяют практикующих экспертов в исследуемой предметной области и согласуются с требованиями практики, — определяют целесообразность проведения настоящего исследования.

Степень разработанности темы

Проблема распределения поисковых ресурсов на море была сформулирована такими авторами, как B. O. Koopman, Р Гаррет, Дж. Лондон, В. А. Абчук, В. Г. Суздаль. К настоящему времени имеются многочисленные работы, посвященные проблеме распределения подрайонов поиска между подвижными поисковыми средствами и способам её решения, это работы А. Б. Филимонова, Н. Б. Филимонова, В. Ю. Тихонова, C. Sung-Won, F. Balampanis, I. Maza, A. Ollero, T. M. Cabreira, L. B. Brisolara, P. R. Ferreira Jr., C. Berger, M. Wzorek, J. Kvarnström, G. Conte, P. Doherty, A. Eriksson, G. Skorobogatov, C. Barrado, E. Salami, E. Pastor и др. Исследуемая проблема возникает при покрытии пространства между несколькими роботами, в том числе беспилотными подвижными средствами. Основные результаты решения исследуемой проблемы, полученные в сфере робототехники, изложены в работах некоторых из вышеперечисленных авторов, а также в работах S. Hert, V. Lumelsky, M. Hassan, D. Liu, S. Huang, G. Dissanayake, K. Hungerford, P. Dasgupta, K. R. Guruprasad, N. Karapetyan, K. Benson, C. McKinney, P. Taslakian, I. M. Rekleitis, A. P. New, E. S. Rankin, H. Choset, C. S. Tan, R. Mohd-Mokhtar, M. R. Arshad и др. Вопросы поддержки принятия решений в области обеспечения безопасности мореплавания исследуются в работах таких авторов, как С.И. Кондратьев, А.Л. Боран-Кешишьян, В.В. Астреин, М.С. Тищенко, Н.В. Ивановский, А.А. Мироненко, А.А. Грищенко, T.M. Kratzke, L.D. Stone, J.R. Frost, W. Roberts, K. Griendling, А. Gray. D.N. Mavris, J.S. Ferrari и др.

Цель исследования — разработка элементов интеллектуальной технологии распределения подрайонов поиска между подвижными средствами при планировании поисково-спасательных операций на море.

Для достижения поставленной цели решены следующие задачи:

1) выполнен анализ процесса планирования поиска в морских ПСО и задачи распределения подрайонов поиска между ПСС на море;

2) осуществлена математическая постановка задачи распределения подрайонов поиска между ПСС на море;

3) исследованы предпочтения экспертов при решении задачи распределения подрайонов поиска между ПСС, и на их основе разработан критерий оценки качества распределения подрайонов поиска между ПСС;

4) разработана методика идентификации модели экспертных предпочтений распределений подрайонов поиска между ПСС;

5) разработан способ поддержки принятия решений при определении подрайонов поиска поисково-спасательным средствам на море.

Объект исследования — обеспечение безопасности мореплавания.

Предмет исследования — принятие решений при поиске и спасании на

море.

Научная новизна

1) Предложен интегральный показатель качества распределения подрайонов поиска между поисково-спасательными средствами на море, полученный идентификацией экспертных предпочтений.

2) Предложена методика идентификации модели экспертных предпочтений на множестве распределений подрайонов поиска между поисково-спасательными средствами на море.

3) Предложен способ поддержки принятия решений при определении подрайонов поиска поисково-спасательным средствам на море на основе метода эмуляции отжига и модели экспертных предпочтений.

Теоретическая и практическая значимость

Теоретическая значимость работы заключается в выявлении и формализации закономерностей в принимаемых экспертами решениях в задаче распределения подрайонов поиска между ПСС на море на основе зафиксированных частных прецедентов, это дает понимание причин, приводящих к обоснованному решению задачи распределения подрайонов поиска между ПСС при планировании морских ПСО.

Представленные в работе модели предметной области позволили расширить системные представления о планировании морских ПСО и о технологиях

поддержки принятия решений на уровне координации операций International Aeronautical and Maritime Search and Rescue (IAMSAR).

Практическая значимость работы определяется тем, что cформулированная постановка задачи в виде системы частных критериев и цели соответствуют руководящим принципам Руководства IAMSAR, являющимся стандартом, описывающим проведение ПСО, это дает основание утверждать, что построенная математическая модель задачи соответствует возникающей на практике проблемной ситуации. При этом предложенные модели доведены до компьютерной реализации и ведут к результатам решения целевой задачи, приемлемым по качеству и скорости получения результата, таким образом, они могут быть использованы МСКЦ для автоматизированного планирования ПСО на море.

Представленные в работе положения и результаты открывают перспективы решения комплекса задач по развитию информационно-цифровых технологий и систем водного транспорта и обеспечению безопасности водного транспорта в части планирования поиска и спасания на море.

Методология и методы исследования

При выполнении работы применялась методология системного анализа и исследования операций. Использован системный подход и логико-множественная концепция исследования и построения моделей систем. При формировании модели экспертных предпочтений использовались приёмы теории принятия решений, интеллектуальной обработки данных, машинного обучения. При решении целевой задачи применялись математические методы поиска в пространстве состояний. На всех этапах работы широко использовалась вычислительная техника. С помощью прикладного пакета программ и языка Matlab проведены вычислительные эксперименты, а также разработано специализированное программное обеспечение.

Положения, выносимые на защиту

1) Модель экспертных предпочтений распределений подрайонов поиска между поисково-спасательными средствами на море.

2) Методика идентификации модели экспертных предпочтений распределений подрайонов поиска между поисково-спасательными средствами на море.

3) Способ поддержки принятия решений при определении подрайонов поиска поисково-спасательным средствам на море на основе метода эмуляции отжига и модели экспертных предпочтений.

Степень достоверности результатов проведенных исследований

Достоверность результатов обеспечивается:

— используемыми современными математическими методами обработки и анализа данных экспертных оценок;

— используемым научным подходом на основе теории принятия решений к построению модели экспертных предпочтений и качеством построенной модели экспертных предпочтений;

— качеством используемого метода глобального поиска экстремума целевой функции предпочтений — метода эмуляции отжига.

Достоверность результатов подтверждается приемлемыми результатами численных экспериментов по решению целевой задачи эффективного распределения подрайонов поиска между ПСС на море на основе метода глобальной оптимизации и модели экспертных предпочтений.

Апробация результатов

Основные положения диссертационной работы и её отдельные результаты доложены на 5 конференциях:

1) всероссийская научная конференция «Моря России» (Севастополь 2023 г.);

2) III черноморская международная научно-практическая конференция Московского государственного университета имени М. В. Ломоносова «Проблемы развития технологий, государства и общества в цифровую эпоху» (Севастополь, 2019 г.);

3) ежегодная научная конференция МГУ «Ломоносовские чтения — 2019» (Севастополь, 2019 г.);

4) 14-я международная молодежная научно-техническая конференция «Современные проблемы радиоэлектроники и телекоммуникаций, РТ-2018» (Севастополь, 2018 г.);

5) национальная научно-практическая конференция «Механизмы обеспечения конкурентоспособности транспортного комплекса юга России» (Новороссийск, 2018 г.);

Результаты диссертации внедрены в учебный процесс ФГБОУ ВО «ГМУ им. адм. Ф.Ф. Ушакова» по образовательной программе подготовки специальности 26.05.05 «Судовождение» по дисциплине «Поиск и спасание на море» [15].

Публикации

Основные результаты диссертации опубликованы в 11 работах, в том числе в 4 статьях в изданиях, рекомендованных ВАК РФ, 5 публикаций — тезисы и материалы конференций, получено два свидетельства о государственной регистрации программ для ЭВМ.

Структура и объем работы

Диссертационная работа состоит из введения, четырех разделов, заключения, списка сокращений и условных обозначений, списка литературы из 1 43 наименований и двух приложений. Общий объем диссертации — 219 страницы, работа проиллюстрирована 43 рисунками и включает две таблицы.

РАЗДЕЛ 1 СИСТЕМНЫЙ АНАЛИЗ ЗАДАЧИ РАСПРЕДЕЛЕНИЯ ПОДРАЙОНОВ ПОИСКА ПО ОТДЕЛЬНЫМ ПОИСКОВО-СПАСАТЕЛЬНЫМ СРЕДСТВАМ НА МОРЕ

1.1 Обоснование системных исследований задачи распределения подрайонов поиска по отдельным подвижным средствам при планировании морских поисково-спасательных операций

Планирование поиска в морских ПСО и, в частности, решение задачи распределения подрайонов поиска между ПСС на море, осуществляется в системе поиска и спасания (search and rescue (SAR)). Методологической основой для исследования и синтеза систем является системный анализ. Системный анализ можно охарактеризовать как научно-методологическую дисциплину, изучающую принципы, методы и средства исследования сложных объектов посредством представления их в качестве систем и анализа этих систем [16]. Системный анализ опирается на комплекс общенаучных, эмпирических и математических методов. Теоретическую и методологическую основу системного анализа составляют общая теория систем и системный подход. Общая теория систем представляет собой общенаучную и логико-методологическую концепцию исследований объектов, представляющих собой системы [17]. В свою очередь системный подход представляет собой методологию науки, в основе которой лежит исследование объектов как систем [18]. Другой важной особенностью системного анализа является то, что он позволяет перейти от слабоструктурированной проблемы к структурированной. Математическая постановка проблемы бывает не сразу достижима. Системный анализ применяется, когда проблема не может быть сразу представлена и решена с помощью формальных математических методов, то есть, когда имеет место большая начальная неопределённость проблемной ситуации, которая видится в настоящем

исследовании. Таким образом, используя системный анализ можно исследовать ранее неизученные аспекты сложных объектов и существующих систем.

В диссертационной работе лучшая структурированность достигается за счёт применения формальных языковых средств, имеющих конкретную, общепризнанную семантику. В качестве такого формального языкового средства выбран Unified Modeling Language (UML) [19; 20], позволяющий описывать широкий спектр различных предметных областей с помощью объектно-ориентированного подхода, который широко используется в сфере информационных технологий. Объектно-ориентированный подход наиболее близок к теоретико-множественному описанию систем. В свою очередь теоретико-множественный подход — это одна из форм математического описания предметных областей. Собственно, в настоящем исследовании применение методологии системного анализа и языка UML предшествует формальной математической постановке задачи. Применение объектно-ориентированного подхода и языка UML имеет также дополнительное преимущество, заключающееся в том, что такой симбиоз методов наикратчайшим образом ведёт к решению сопутствующей подзадачи — построения необходимого программного обеспечения. В конечном итоге использование программного обеспечения для ЭВМ, как правило, обеспечивает возможность более эффективно решать насущные практические задачи, сводящиеся к вычислениям и формальным построениям. Кроме того, программное обеспечение, описанное в виде проектной модели и написанное на формальном языке программирования, также является моделью проблемной области, а значит, имеет все присущие моделям полезные свойства.

В связи с вышеуказанными особенностями целесообразным видится исследовать предметную область с использованием подходов и инструментов системного анализа.

В подразделе 1.2 выполнен анализ процесса планирования поиска в морских ПСО, обозначена проблемная ситуация и проблема (задача), с которой сталкивается лицо, планирующее операцию, как правило, координатор операции, на этапе определения подрайонов поиска и схем поиска для конкретных ПСС на море. В последующих подразделах выполняется спецификация задачи. В подразделах 1.3—1.5 определяются специфические входные данные для этапа определения

подрайонов поиска и схем поиска для конкретных ПСС на море. В подразделе 1.6 перечисляются требования к результату распределения подрайонов поиска между ПСС на море, выполняется содержательная постановка задачи диссертационного исследования и приводится описание системы определения подрайонов поиска для конкретных ПСС при планировании морских ПСО. В подразделе 1.7 представлен обзор известных работ по решению задачи распределения подрайонов поиска между подвижными средствами.

1.2 Обзор процесса планирования поиска в морских поисково-спасательных операциях и выявление проблемной ситуации

Планирование поиска выполняется, когда система SAR находится в состоянии ПСО. Органом, ответственным за организацию эффективного поиска и спасания и за координацию ПСО в пределах поисково-спасательного района на море, является морской спасательно-координационный центр [10].

Планирование ПСО определяется как «разработка оперативных планов, включая планы поиска, спасания и конечной доставки оставшихся в живых в соответствующее медицинское учреждение или другое безопасное место» [10]. В контексте ПСО планирование относится к одному из этапов надлежащего выполнения ПСО, в течение которого разрабатывается действенный план операции [10]. В ПСО планированию предшествуют этапы поступления первых сведений и начальных действий. Последующими этапами относительно планирования являются этап оперативных мероприятий и этап завершения ПСО. Успех ПСО зависит от быстроты планирования и ее проведения, данная деятельность исключительно важна для общества по гуманным соображениям, потому как способствует спасанию человеческих жизней [10]. Таким образом, планирование имеет решающее значение для успеха ПСО. В системе SAR планирование осуществляется на аварийных стадиях тревоги или бедствия. Стадия аварийности определяется исходя из оценки степени сложности аварийной ситуации, опасения за безопасность лиц или судов, которые

могут подвергаться опасности [10; 21]. Оценка производится координатором операций на этапе начальных действий ПСО после анализа всей имеющейся информации. Планирование на стадии бедствия осуществляется в обязательном порядке, а на стадии тревоги — в случае необходимости [10].

Поиск считается сложной, наиболее дорогостоящей и связанной с опасностью функцией системы SAR и часто является единственным возможным способом обнаружения оставшихся в живых и оказания им помощи [10]. Поиск представляет собой операцию, координируемую, как правило, координационным или вспомогательным центром поиска и спасания, при которой используются имеющиеся персонал и средства для определения местоположения лиц, терпящих бедствие [10; 21]. Поступающие аварийные сообщения, как правило, не содержат сведений о местоположении или содержат неточные сведения [10]. Данные о месте бедствия имеют решающее значение для дальнейшего развития событий в рамках ПСО [10]. В случае отсутствия точной информации о местоположении объекта SAR, оно подлежит установлению. Кроме того, даже при наличии достаточно точной информации о местоположении объекта SAR возможны ошибки определения местоположения объекта SAR и ПСС. Указанные факторы определяют необходимость выполнения поиска. В случаях существенной неопределенности местоположения объекта SAR требуется привлечение значительного поискового усилия, которое целесообразно обеспечить несколькими ПСС. Именно такого рода ПСО на море рассматриваются в диссертационном исследовании.

Результатом планирования поиска является план поисковых действий, который представляет собой задание, составляемое координатором операций, для передачи в качестве инструкций (сообщения о поисковых действиях) координатору на месте проведения операции, ПСС и ведомствам, участвующим в ПСО [10].

Координатор операций, координатор на месте проведения операции и капитаны (командиры) ПСС в системе SAR являются лицами, принимающими решения (ЛИР). Отметим, что система SAR — это социотехническая система, так как в ней в процессе её функционирования взаимодействуют материально-технические средства и некоторые штатные и внештатные субъекты (персонал служб SAR и привлеченные по необходимости сторонние лица). В ходе ПСО субъекты вносят

свой посильный вклад, решая задачи по принятию решений для достижения целей ПСО.

Планирование поиска включает в себя последовательные этапы, выполняемые координатором операций [10], представленные диаграммой состояний ЦЫС, см. рисунок 1.1

Рисунок 1. 1

— Последовательные этапы планирования поиска в ПСО

Диаграммы состояний соответствуют математической модели конечного автомата.

Этапы планирования поиска повторяются до тех пор, пока либо не будут обнаружены оставшиеся в живых, либо оценка ситуации не покажет, что дальнейшие поиски не дадут результатов [10], данное условие соответствует переходу В на диаграмме рисунка 1.1 из блока 1 «оценка ситуации». Переход по условию А соответствует естественному ходу действий при планировании ПСО (при выполнении текущего действия — переход к следующему). Переход по условию Б осуществляется в случаях, когда в ПСО может появиться новая информация, которая меняет логику построения плана поиска, например, при поступлении информации, противоречащей ранее сделанным допущениям.

Исследуемая проблемная ситуация возникает на этапе определения подрайонов поиска и схем поиска для конкретных поисковых средств в морских ПСО, блок 6 на диаграмме рисунка 1.1. Под проблемной ситуацией [22] подразумевается ситуация затруднения в получении приемлемого по мнению координатора операций распределения подрайонов поиска для конкретных ПСС в условия морских ПСО.

Проблема (задача) в общей содержательной постановке заключается в необходимости получения приемлемого по мнению координатора операций распределения подрайонов поиска между ПСС в условиях морских ПСО.

Существует необходимость специфицировать условия проблемы (задачи) с учётом обстоятельств возможных чрезвычайных происшествий на море. Установим специфические входные данные для этапа определения подрайонов поиска и схем поиска для конкретных поисковых средств в морских ПСО. Входные данные в обобщённом виде — это данные о районе предстоящего поиска и ПСС в морских ПСО.

1.3 Определение района возможного местоположения при планировании морских поисково-спасательных операций

Возникновению исследуемой задачи предшествует решение задачи определения района возможного местоположения объекта SAR, именуемого как возможный район. Определение возможного района выполняется по шагам [10], представленным диаграммой активности UML на рисунке 1.2.

Рисунок 1.2 — Определение возможного района

На диаграмме активности в прямоугольниках со скруглёнными углами изображены «действия», которые работают как преобразователи информации, принимающие на вход объекты одного типа и преобразующие их в объекты другого типа. Входящие и исходящие объекты изображены в виде прямоугольных контактов к действиям. После символа двоеточия идёт название класса, которому принадлежит данный объект. Диаграмма активности соответствует формализму сетей Петри.

На первом этапе определяются максимально возможные границы района путем построения окружности с центром в LKP радиусом равным максимальному расстоянию, которое могли преодолеть оставшиеся в живых с момента получения координат последнего известного местоположения (last known position (LKP)) до известного или предполагаемого времени возникновения аварийной ситуации [10]. Систематический поиск в районе столь больших размеров, как правило, практически неосуществим [10]. Поэтому следующий этап заключается в разработке одного или нескольких сценариев, или анализе совокупностей известных фактов в сочетании с рядом тщательно продуманных допущений, которые позволяют судить о том, что могло произойти с оставшимися в живых с того момента, когда они, как известно, находились в безопасности [10]. Каждый сценарий должен согласовываться с известными фактами дела. Наиболее вероятный(ые) сценарий(ии) используется в качестве основы для планирования поиска [10].

В результате, в пределах возможного района получают район меньших размеров — возможный район для данного сценария [10]. Основной целью разработки сценариев и получения такого района является концентрация поискового усилия, с тем чтобы обеспечить эффективный поиск в наиболее вероятных местах возможного местоположения объекта SAR [10].

Каждый сценарий должен позволять определить исходный пункт (географический ориентир), который может быть одним из четырёх подвидов: точка (группа точек), линия или район [10; 23].

Вследствие передвижения оставшихся в живых вызванного на море влиянием на объект SAR сил дрейфа (от ветра, течения, волнения) координаты и

погрешность определения местоположения исходного пункта должны быть пересчитаны, таким образом задача определения возможного местоположения решается с учетом дрейфа (блок 3 и 4 на рисунке 1.1) [10; 24-37]. При планировании поиска в качестве временного интервала дрейфа принимается период от отсчета начального местоположения объекта SAR до начала поиска. Таким образом, влияние дрейфа на возможное местоположение объекта SAR должно быть учтено к моменту определения района поиска (блок 5 на рисунке 1.1) и решения задачи распределения подрайонов поиска между ПСС (блок 6 на рисунке 1.1). В процессе поиска дрейф объекта SAR может быть учтен путем корректировки схемы поиска, которая реализована в современных электронно-картографических навигационно-информационных системах и рассмотрена в работах [15; 38; 39].

Список литературы диссертационного исследования кандидат наук Селезень Ярослав Юрьевич, 2024 год

СПИСОК ЛИТЕРАТУРЫ

1. Seafarer Workforce Report: The Global Supply and Demand for Seafarers in 2021. — BIMCO; ICS, 2021. — 90 p.

2. Review of Maritime Transport 2022. — New York: UNCTAD, 2022. — 174 p.

3. Кодекс торгового мореплавания Российской Федерации от 30.04.1999 N 81-ФЗ (ред. от 28.06.2022) (с изм. и доп., вступ. в силу с 01.12.2022).

4. «Гражданский кодекс Российской Федерации (часть вторая)» от 26.01.1996 N 14-ФЗ (ред. от 01.07.2021, с изм. от 08.07.2021) (с изм. и доп., вступ. в силу с 01.01.2022).

5. Safety and Shipping Review 2020. — Munich: Allianz Global Corporate & Specialty SE, 2020. — 52 p.

6. Safety and Shipping Review 2021. — Munich: Allianz Global Corporate & Specialty SE, 2021. — 58 p.

7. Safety and Shipping Review 2022. — Munich: Allianz Global Corporate & Specialty SE, 2022. — 66 p.

8. Коровин А.Г. Пути создания и развития поискового и спасательного обеспечения морской деятельности в Российской Федерации//Евразийский союз ученых, 2015, N 4-4(13), C. 93-101.

9. Илюхин В.Н., Виноградов Ф.Д., Вальдман Н.А., Таровик В.И. О совершенствовании требований к судовым спасательным средствам//Морской Вестник, 2021, N 4(80), C. 104-109.

10. Руководство по международному авиационному и морскому поиску и спасанию : в 3 Т. Т. 2 : Координация операций. — Лондон: IMO; Монреаль: ICAO, .

11. Селезень Я.Ю. Разработка системы автоматизации планирования поисковых действий морских поисково-спасательных операций//Материалы 10-ой международной молодежной научно-технической конференции Севастополь, 12-17 мая 2014 Современные проблемы радиотехники и телекоммуникаций «РТ-2014». — Севастополь: СевНТУ, 2014. — C. 141.

12. Селезень Я.Ю. Этапы становления и развития поисковых и аварийно-спасательных работ на море в России//Материалы ежегодной научной конференции МГУ Ломоносовские чтения — 2019. — Севастополь: Филиал МГУ в г. Севастополе, 2019. — C. 100-101.

13. Распоряжение Правительства Российской Федерации от 08.12.2010 г. .№2205-р : Стратегия развития морской деятельности Российской Федерации до 2030 года//Собрание законодательства Российской Федерации, 2010, N 51, C. 6954.

14. Указ Президента Российской Федерации от 31.07.2022 г. № 512 «Об утверждении Морской доктрины Российской Федерации»//Собрание законодательства Российской Федерации, 2022, N 31, C. 5699.

15. Боран-Кешишьян А.Л., Селезень Я.Ю., Асатиани А.А. Поиск и спасание на море. — РИО ГМУ им. адм. Ф.Ф. Ушакова, 2021. — 120 с.

16. Дроздов Н.Д., Чернышов В.Н., Шумский А.А., Шелупанов А.А., Александров П.С., Малер Е.А. Системный анализ//Гуманитарный портал: Концепты/ ред. А.В. Агеев. — Центр гуманитарных технологий, 2022.

17. Садовский В.Н., Бернштейн В.Л. Общая теория систем//Гуманитарный портал: Концепты/ ред. А.В. Агеев. — Центр гуманитарных технологий, 2022.

18. Блауберг И.В., Юдин Э.Г., Садовский В.Н. Системный подход//Гуманитарный портал: Концепты/ ред. А.В. Агеев. — Центр гума-нитар-ных техно-логий, 2022.

19. Unified Modeling Language Version 2.5.1. — Needham, MA, U.S.A.: OMG, 2017. — 754 с.

20. Новиков Ф.А., Иванов Д.Ю. Моделирование на UML : теория, практика, видеокурс. — СПб.: Профессиональная литература, Наука и Техника, 2010. — 640 с.

21. Международная конвенция по поиску и спасанию на море 1979 года (с изменениями и дополнениями). — URL: https://base.garant.ru/2561006/ (дата обращения: 11.04.2024).

22. Градов А.П. Понятие проблемной ситуации: Научно-технические ведомости СПбГПУ//Экономические науки, 2014, N 6(209), C. 18-25.

23. Селезень Я.Ю., Боран-Кешишьян А.Л. Анализ теоретико-методологических подходов к количественной оценке возможности локализации объекта поиска и спасания на море в районе его предполагаемого местонахождения//Вестник государственного морского университета им. адмирала Ф.Ф. Ушакова, 2016, N 2 (15), C. 11-15.

24. Селезень Я.Ю. Экспериментальные исследования дрейфа объектов поиска и спасания на море//Вестник государственного морского университета им. адмирала Ф.Ф. Ушакова, 2016, N 4 (17), С. 20-23.

25. Селезень Я.Ю. Теоретические исследования дрейфа объектов поиска и спасания на море//Эксплуатация морского транспорта, 2016, N Спецвыпуск, С. 14-20.

26. Селезень Я.Ю., Боран-Кешишьян А.Л. Методы определения параметров дрейфа в подветренную сторону объектов поиска и спасания на море//Системы контроля окружающей среды, 2016, N 6 (26), С. 41-44.

27. Селезень Я.Ю., Боран-Кешишьян А.Л. Исследование параметров дрейфа в подветренную сторону типовых объектов поиска и спасания на море компьютерным имитационным моделированием//Материалы 11 -ой международной молодежной научно-технической конференции Современные проблемы радиотехники и телекоммуникаций «РТ - 2015» Севастополь, 16-20 ноября 2015 года. — Севастополь: СевГУ, 2015. — С. 141.

28. Селезень Я.Ю. Исследование движения объектов поиска морских поисково-спасательных операций под действием неконтролируемого дрейфа//Материалы тринадцатой международной научно-технической конференции «Измерительная и вычислительная техника в технологических процессах» (В0ТТП_13_2014). — Одесса: Одесская национальная академия связи им. Попова., 2014. — С. 237-238.

29. Селезень Я.Ю. Анализ методик определения возможного местоположения объекта поиска и спасания на море с учетом дрейфа//Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова, 2019, Т. 11, N 6, С. 1011-1025.

30. Селезень Я.Ю. Модели и методы расчета района вероятного местонахождения объектов поиска и спасания при дрейфе на море//Материалы конф. в 9 Т. 27-я Международная Крымская конференция «СВЧ-техника и телекоммуникационные технологии» (КрыМиКо'2017). Севастополь, 10-16 сентября 2017 г. — Москва; Минск; Севастополь, 2017. — Т. 9. — С. 1898-1901.

31. Селезень Я.Ю., Боран-Кешишьян А.Л. Разработка геоинформационной системы определения координат объектов поиска и спасания при неконтролируемом дрейфе с заданной радиальной погрешностью местоположения//Эксплуатация морского транспорта, 2015, N 3, С. 20-23.

32. Селезень Я.Ю., Боран-Кешишьян А.Л., Афонин И.Л. Модель определения района вероятного местонахождения объектов поиска и спасания на море с учетом дрейфа//Материалы 13-й международной молодежной научно-технической

конференции Современные проблемы радиоэлектроники и телекоммуникаций «РТ-2017» Севастополь, 20-24 ноября 2017 года. — Севастополь: СевГУ, 2017. — С. 275.

33. Селезень Я.Ю. Математическая постановка задачи определения предполагаемого местоположения и состояния объекта морского поиска и спасания//Матери-алы XIV международной научно-технической конференции «Измерительная и вычислительная техника в технологических процессах» (ВОТТП_14_2015). — Одесса; Хмельницький: Одесская национальная академия связи им. Попова; ХНУ, 2015. — С. 198-199.

34. Селезень Я.Ю. Методика автоматизированного определения координат вероятного местонахождения объектов поиска и спасания на море//Материалы международной научной конференции студентов, аспирантов и молодых ученых «Ломоносов» 2017 XXIV международная научная конференция студентов, аспирантов и молодых ученых «Ломоносов-2017». — М.: МАКС Пресс, 2017.

35. Селезень Я.Ю. Модель автоматизированного определения координат вероятного местонахождения объектов поиска и спасания на море//Материалы четвертой межвузовской научно-практической конференции (Севастополь, 23-24 февраля 2017 года) Ушаковские чтения. — Севастополь: Филиал ФГБОУ ВО «ГМУ им. адм. Ф.Ф. Ушакова», 2017. — С. 34-37.

36. Селезень Я.Ю., Тульчинский В.И. Математическая модель динамики движения дрейфующих объектов морских поисково-спасательных операций/Эксплуатация морского транспорта, 2016, N 3 (80), С. 28-32.

37. Селезень Я.Ю., Балабанов А.Н. Исследование динамики дрейфа и определение дрейфовых характеристик научно-исследовательского судна «Пионер-М»//Мате-риалы Всероссийской научно-технической конференции Интеллектуальные системы, управление и мехатроника - 2018. — Севастополь: СевГУ, 2018. — С. 77- 81.

38. Селезень Я.Ю., Боран-Кешишьян А.Л. Совершенствование программных средств планирования поиска и спасания в электронно-картографических навига-ционно-информационных системах//Материалы 14-й международной молодежной научно-технической конференции Современные проблемы радиоэлектроники и телекоммуникаций «РТ-2018». — Севастополь: СевГУ, 2018. — С. 227.

39. Селезень Я.Ю. Совершенствование электронно-картографических навигаци-онно-информационных систем в части планирования поиска и спасания//Мат. П-ой (XVI) национальной научно-практической конференции 15-16 ноября 2018 года в

2 ч. Ч1. Механизмы обеспечения конкурентоспособности транспортного комплекса юга России. — Новороссийск: РИО ГМУ им. адм. Ф.Ф. Ушакова, 2018. — C. 99-100.

40. Селезень Я.Ю., Афонин И.Л., Байздренко А.А. Понятийно-категориальный аппарат системы поиска в поисково-спасательных операциях на море//Сборник научных трудов Черноморского высшего военно-морского училища имени П.С. Нахимова, 2015, N 2, C. 162-166.

41. Селезень Я.Ю., Боран-Кешишьян А.Л. Использование систем мониторинга судоходства в задаче привлечения поисково-спасательных сил и средств//Сборник тезисов Научно-техническая конференция «Проблемы телекоммуникаций» 22-25 апреля 2014. — Киев: НТУУ «КПИ». — C. 221-223.

42. Международная конвенция по охране человеческой жизни на море 1974 года СОЛАС 74 : текст, измененный Протоколом 1988 года к ней, с поправками (с изменениями на 24 мая 2018 года). — URL: https://docs.cntd.ru/document/901765675 (дата обращения: 11.04.2024).

43. Международная конвенция о спасании 1989 года//Бюллетень международных договоров, 2001, N 4.

44. Логинов А.А. Оценка разведывательных возможностей БЛА//Доклады и статьи ежегодной научно-практической конференции «Перспективы развития и применения комплексов с беспилотными летательными аппаратами». — Коломна: 924 ГЦ БпА МО РФ, 2016. — C. 153-158.

45. Павлов В.Ю., Терновсков В.Б., Филиппенков П.Н. Аэромобильная коммуникационная сеть//Сборник научных докладов и статей по материалам II Научно-практической конференции «Перспективы развития и применения комплексов с беспилотными летательными аппаратами». — Коломна: 924 ГЦ БпА МО РФ, 2017. — C. 141-147.

46. Beckmann F. SearchWing — Search Area Calculations. — URL: https://www.hs-augsburg.de/homes/beckmanf/dokuwiki/lib/exe/fetch.php?media=sw-areacalc.pdf (дата обращения: 11.04.2024).

47. Test mission on Sea-Watch 4. — URL: https://www.hs-augsburg.de/searchwing/seawatch-tests-2021-en/ (дата обращения: 11.04.2024).

48. ScanEagle. — URL: https://www.boeing.com/defense/autonomous-systems/scaneagle/index.page (дата обращения: 11.04.2024).

49. Агеев А.М., Михайленко С.Б., Зезюля В.А. Способ точной посадки беспилотного летательного аппарата//Доклады и статьи ежегодной научно-практической конференции «Перспективы развития и применения комплексов с беспилотными летательными аппаратами». — Коломна: 924 ГЦ БпА МО РФ, 2016. — C. 17-23.

50. Международные правила предупреждения столкновений судов в море МППСС-72. — 6-е. — М.: Моркнига, 2020. — 168 с.

51. Абчук В.А., Суздаль В.Г. Поиск объектов. — М.: Советское радио, 1977. — 336 с.

52. Frost J.R. The Theory of Search: A Simplified Explanation. — Fairfax, Virginia: Soza & Company, Ltd.; Office of Search and Rescue U.S. Coast Guard, 1996. — 101 p.

53. Руководство по международному авиационному и морскому поиску и спасанию : в 3 Т. Т. 3 : Подвижные средства. — Лондон: IMO; Монреаль: ICAO, .

54. Frost J.R., Stone L.D. Review of Search Theory: Advances and Applications to Search and Rescue Decision Support. — Fairfax; Reston; Groton: Soza & Company, Ltd; Metron, Inc.; U.S. Coast Guard Research & Development Center, 2001. — 127 p.

55. Аккоф Р.Л. Искусство решения проблем. — М.: Мир, 1982. — 218 с.

56. Тарасенко Ф.П. Прикладной системный анализ : учебное пособие. — 2-е изд., перераб. и доп. — М.: Кнорус, 2022. — 322 с.

57. Koopman B.O. The Theory of Search. III. The Optimum Distribution of Searching Effort//Operations Research, 1957, Vol. 5, No. 5, P. 613-626.

58. Гаррет Р., Лондон Дж. Основы анализа операций на море. — М.: Воениздат, 1974. — 269 с.

59. Филимонов А.Б., Филимонов Н.Б., Тихонов В.Ю. Планирование операций в задачах пространственного поиска объектов//Известия Южного федерального университета, 2017, N 2 (187), C. 185-197.

60. Cabreira T.M., Brisolara L.B., Ferreira Jr. P.R. Survey on Coverage Path Planning with Unmanned Aerial Vehicles//Drones, 2019, Vol. 3, No. 1.

61. Tan C.S., Mohd-Mokhtar R., Arshad M.R. A Comprehensive Review of Coverage Path Planning in Robotics Using Classical and Heuristic Algorithms//IEEE Access, 2021, Vol. 9, P. 119310-119342.

62. Sung-Won C., Jin-Hyoung P., Hyun-Ji P., Seongmin K. Multi-UAV Coverage Path Planning Based on Hexagonal Grid Decomposition in Maritime Search and Rescue//Mathematics, 2022, Vol. 10, No. 1.

63. F. Balampanis, I. Maza, A. Ollero Spiral-like coverage path planning for multiple heterogeneous UAS operating in coastal regions//2017 International Conference on Unmanned Aircraft Systems (ICUAS). — 2017. — P. 617-624.

64. C. Berger, M. Wzorek, J. Kvarnstrom, G. Conte, P. Doherty, A. Eriksson Area coverage with heterogeneous UAVs using scan patterns//2016 IEEE International Symposium on Safety, Security, and Rescue Robotics (SSRR). — 2016. — P. 342-349.

65. F. Balampanis, I. Maza, A. Ollero Area decomposition, partition and coverage with multiple remotely piloted aircraft systems operating in coastal regions//2016 International Conference on Unmanned Aircraft Systems (ICUAS)/journalAbbreviation: 2016 International Conference on Unmanned Aircraft Systems (ICUAS). — 2016. — P. 275-283.

66. Maza I., Ollero A. Multiple UAV cooperative searching operation using polygon area decomposition and efficient coverage algorithms//Distributed Autonomous Robotic Systems 6/ eds. R. Alami, R. Chatila, H. Asama. — Tokyo: Springer Japan, 2007. — P. 221-230.

67. Skorobogatov G., Barrado C., Salami E., Pastor E. Flight planning in multi-unmanned aerial vehicle systems: Nonconvex polygon area decomposition and trajectory assignment//International Journal of Advanced Robotic Systems, 2021, Vol. 18.

68. Rekleitis I.M., New A.P., Rankin E.S., Choset H. Efficient Boustrophedon MultiRobot Coverage: an algorithmic approach//Annals of Mathematics and Artificial Intelligence, 2008, Vol. 52, No. 2, P. 109-142.

69. Wzorek M., Berger C., Doherty P. Polygon Area Decomposition Using a Compactness Metric. — arXiv, 2021. URL: https://arxiv.org/abs/2110.04043 (дата обращения: 11.04.2024).

70. De Floriani L., Puppo E. An on-line algorithm for constrained Delaunay triangulation//CVGIP: Graphical Models and Image Processing, 1992, Vol. 54, No. 4, P. 290-300.

71. Bern M., Michell S., Ruppert J. Linear-size nonobtuse triangulation of polygons//Discrete & Computational Geometry, 1995, Vol. 14, No. 4, P. 411-428.

72. Asano T., Asano T. Minimum partition of polygonal regions into trapezoids//24th Annual Symposium on Foundations of Computer Science (sfcs 1983). — 1983. — P. 233-241.

73. Levcopoulos C., Lingas A. Bounds on the length of convex partitions of polygons//Foundations of Software Technology and Theoretical Computer Science/ eds.

M. Joseph, R. Shyamasundar. — Berlin, Heidelberg: Springer Berlin Heidelberg, 1984. — P. 279-295.

74. Lien J.-M., Amato N.M. Approximate convex decomposition of polygons//Special Issue on the 20th ACM Symposium on Computational Geometry, 2006, Vol. 35, No. 1, P. 100-123.

75. Hongguang Z., Guozhao W. New Framework for Decomposing a Polygon with Zero or More Holes//The Open Cybernetics & Systemics Journal, 2015, Vol. 9, P. 390-405.

76. Hassan M., Liu D., Huang S., Dissanayake G. Task oriented area partitioning and allocation for optimal operation of multiple industrial robots in unstructured environments//2014 13th International Conference on Control Automation Robotics & Vision (ICARCV). — 2014. — P. 1184-1189.

77. Hert S., Lumelsky V. Polygon Area Decomposition for Multiple-Robot Workspace Division//International Journal of Computational Geometry & Applications, 1998, Vol. 08, No. 04, P. 437-466.

78. Karapetyan N., Benson K., McKinney C., Taslakian P., Rekleitis I.M. Efficient multirobot coverage of a known environment//In proceedings of IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2017 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). — 2017. — P. 1846-1852.

79. Hungerford K., Dasgupta P., Guruprasad K.R. A Repartitioning Algorithm to Guarantee Complete, Non-overlapping Planar Coverage with Multiple Robots//Springer Tracts in Advanced Robotics 12th International Symposium on Distributed Autonomous Robotic Systems (DARS 2014)/ eds. N.-Y. Chong, Y.-J. Cho. — Tokyo: Springer Japan, 2016. — Vol. 112. — P. 33-48.

80. Korsah G.A., Stentz A., Dias M.B. A comprehensive taxonomy for multi-robot task allocation//The International Journal of Robotics Research, 2013, Vol. 32, No. 12, P. 1495-1512.

81. Астреин В.В. Методология анализа и синтеза сложных активных технических систем и ее реализация в системе безопасности судовождения : дис. д-р. техн. наук: 05.13.01/В.В. Астреин. — Краснодар: Кубанский государственный технологический университет, 2017. — 311 с.

82. Астреин В.В., Кондратьев С.И., Боран-Кешишьян А.Л. Формализация общей стратегии принятия решений для достижения комплексной безопасности судна//Морские интеллектуальные технологии, 2019, N 1-2 (43), C. 127-131.

83. Астреин В.В., Кондратьев С.И., Боран-Кешишьян А.Л. Методологические основы распределенной автоматизированной системы управления безопасностью су-довождения//Эксплуатация морского транспорта, 2020, N 3(96), C. 59-64.

84. Мироненко А.А. Методология формализации навигационной обстановки, планирования маршрута и программных траекторий движения судна : дис. д-р. техн. наук: 05.22.19/А.А. Мироненко. — г. Новороссийск: ФГБОУ ВПО «ГМУ им. адм. Ф.Ф. Ушакова», 2016. — 310 с.

85. Тищенко М.С., Ивановский Н.В. Применение экстремальной модели выпуклого программирования для решения задачи «поиска и спасения людей на море»: Морские технологии//Вестник Керченского государственного морского технологического университета, 2023, N 1, C. 85-90.

86. Тищенко М.С., Ивановский Н.В. Решение задачи оценки вероятности нахождения объекта поиска в заданном районе: Морские технологии//Вестник Керченского государственного морского технологического университета, 2023, N 2, C. 137-144.

87. Грищенко А.А. Методы поддержки принятия решений при поиске и сопровождении подвижных объектов на море : дис. кандидат техн. наук: 05.22.19/А.А. Грищенко. — Новороссийск: ФГБОУ ВО «ГМУ им. адм. Ф.Ф. Ушакова», 2020. — 134 с.

88. Roberts W., Griendling K., Gray A., Mavris D.N. Unmanned Vehicle Collaboration Research Environment for Maritime Search and Rescue. — 2016.

89. Kratzke T.M., Stone L.D., Frost J.R. Search and Rescue Optimal Planning System//2010 13th International Conference on Information Fusion. — 2010. — C. 1-8.

90. Ferrari J.F. A Study of Optimal Search and Rescue Operations Planning Problems. — 2019.

91. Клир Дж. Системология. Автоматизация решения системных задач. — М.: Радио и связь, 1990. — 534 с.

92. Селезень Я.Ю. Формализация задачи распределения подрайонов поиска между поисково-спасательными средствами//Эксплуатация морского транспорта, 2023, N 2(107), C. 19-28.

93. Березовский Б.А., Борзенко В.И., Кемпнер Л.М. Бинарные отношения в многокритериальной оптимизации. — М.: Наука, 1981. — 150 с.

94. Лотов А.В., Поспелова И.И. Многокритериальные задачи принятия решений : учебное пособие. — М.: Макс-Пресс, 2008. — 196 с.

95. Кнут Д.Э. Искусство программирования : в 3 Т. Т. 1: Основные алгоритмы. — М.: Вильямс, 2019. — 720 с.

96. Сачков В.Н. Комбинаторный анализ//Математическая энциклопедия : в 5 Т. — М.: Советская Энциклопедия, 1979. — Т. 2. — C. 974-979.

97. Шукаев Д.Н. Прикладные методы оптимизации : учебник. — М.: Издательский дом Академии Естествознания, 2017. — 212 с.

98. Гантмахер Ф.Р. Теория матриц. — 6-е изд. — М.: Физматлит, 2010. — 560 с.

99. Сколько атомов во Вселенной и можно ли их подсчитать?//VokrugSveta.ru. — URL: https://www.vokrugsveta.ru/articles/-id670317/ (дата обращения: 11.04.2024).

100. Рассел С., Норвиг П. Искусственный интеллект : Современный подход. — 2-е изд. — М.: Вильямс, . — 1407 с.

101. Кини Р.Л., Райфа Х. Принятие решений при многих критериях : предпочтения и замещения. — М.: Радио и связь, 1981. — 560 с.

102. Сирота А.А. Методы и алгоритмы анализа данных и их моделирование в MATLAB. — СПб.: БХВ-Петербург, 2016. — 384 с.

103. Вентцель Е.С. Дискуссия по исследованию операций/Исследование операций (методологические аспекты). — М.: Наука, 1972. — C. 92-95.

104. Вентцель Е.С. Исследование операций. Задачи, принципы, методология. — 5-е. — М.: КноРус, 2010. — 191 с.

105. Селезень Я.Ю. Методика построения модели экспертных предпочтений распределения подрайонов поиска между поисково-спасательными средствами/Эксплуатация морского транспорта, 2023, N 2(107), C. 87-93.

106. Селезень Я.Ю. Свидетельство о государственной регистрации программы для ЭВМ № 2023680307 Российская Федерация. Визуально-интерактивное средство выявления предпочтений при распределении подрайонов поиска между поисково-спасательными средствами; правообладатель Селезень Я.Ю. № 2023669156; за-явл.18.09.2023 ; зарегистрировано в Реестре программ для ЭВМ 28.09.2023.

107. ГОСТ 15971-90. Системы обработки информации: Термины и определения. — М.: Издательство стандартов, 1991. — 12 с.

108. Фактор//Большая советская энциклопедия. — М.: Советская энциклопедия, 1969.

109. Селезень Я.Ю., Боран-Кешишьян А.Л. Математические модели критериев распределения подрайонов поиска между поисково-спасательными средствами//Мор-ские интеллектуальные технологии, 2023, N 2(60) ч. 1, C. 198-208.

110. Воронцов К.В. Машинное обучение. — URL: http: //www.machmeleammg.ru/wiki/mdex.php?tiÜe=Машинное_обуче-ние_%28курс_лекций%2С_К.В.Воронцов%29 (дата обращения: 11.04.2024).

111. Гмурман В.Е. Теория вероятностей и математическая статистика : учебник для вузов. — 12-е изд. — М.: Юрайт, 2022. — 479 с.

112. Мандель И.Д. Кластерный анализ. — М.: Финансы и статистика, 1988. — 176 с.

113. Макконнелл Д. Основы современных алгоритмов. — 2-е доп. изд. — М.: Техносфера, 2004. — 368 с.

114. MATLAB Documentation. — URL: https://www.mathworks.com/help/ (дата обращения: 16.03.2023).

115. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. — СПб.: БХВ-Петербург, 2005. — 736 с.

116. Пупков К.А., Егупов Н.Д., Гаврилов А.И., Зверев В.Ю., Коньков В.Г., Милов Л.Т., Мочалов И.А., Мышляев Ю.А., Трофимов А.И. Методы робастного, нейро -нечёткого и адаптивного управления : Методы теории автоматического управления. — М.: Изд-во МГТУ им. Н.Э. Баумана, 2021. — 743 с.

117. Корячко В.П., Курейчик В.М., Норейнков И.П. Теоретические основы САПР. — М.: Энергоатомиздат, 1987. — 400 с.

118. Репин В. Бизнес-процессы: Моделирование, внедрение, управление. — М.: Манн, Иванов и Фербер, 2013. — 512 с.

119. Mitchell T.M. Machine Learning. — McGraw-Hill Education, 1997. — 414 p.

120. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. — Киев: Наук, думка, 1981. — 296 с.

121. Подлазова А.В. Генетические алгоритмы в примерах решения задач рас-кроя//Информационные технологии в управлении, 2008, N 2, C. 57-63.

122. Jamshidi M., Krohling R.A., dos S. Coelho L., Fleming P.J. Robust Control Systems with Genetic Algorithms/publisher: Emerald Group Publishing Limited. — Boca Raton, London, New York, Washington D.C.: CRC Press, 2019. — 232 p.

123. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. — М.: Горячая линия -Телеком, 2006. — 452 с.

124. Пантелеев А.В., Скавинская Д.В. Метаэвристические алгоритмы глобальной оптимизации. — М.: Вузовская книга, 2019. — 332 с.

125. Растригин Л.А. Случайный поиск - специфика, этапы истории и предрас-судки//Вопросы кибирнетики, 1978, N 33 : Проблемы случайного поиска, C. 3-16.

126. Жиглявский А.А., Жилинскас А.Г. Методы поиска глобального экстремума. — М.: Наука, 1991. — 247 с.

127. Сухарев А.Г. Глобальный экстремум и методы его отыскания//Математиче-ские методы в исследовании операций. — М.: Изд-во МГУ, 1981. — C. 4-37.

128. Archetti F., Schoen F. A survey on the global optimization problem: General theory and computational approaches//Annals of Operations Research, 1984, Vol. 1, No. 2, P. 87-110.

129. Kan A.H.G., Boender C.G.E., Timmer G.Th. A Stochastic Approach to Global Optimization//Conference proceedings Computational Mathematical Programming/ ed. K. Schittkowski. — Berlin, Heidelberg: Springer Berlin Heidelberg, 1985. — P. 281-308.

130. Бассейновый план поиска и спасания людей, терпящих бедствие на море, в поисково-спасательном районе МСКЦ Новороссийск. — Новороссийск, 2021. — 98 с.

131. Бассейновый план поиска и спасания людей, терпящих бедствие на море, в поисково-спасательном районе МСПЦ Севастополь. — Севастополь, 2021. — 86 с.

132. Алексеев В.В. Безопасность полётов вертолётов Ка-27, Ка-32, Ка-29 : учебно-методическое пособие : в 2 Т. Т. 1. — М., 2013. — 512 с.

133. Руководство по летной эксплуатации самолета Ан-26. — № 1636 Изменение №1-№11, 1992-2006. — М.: Воздушный транспорт, 1992. — 496 с.

134. Беспилотный летательный аппарат Орион. — URL: https://kronshtadt.ru/products/bespilotnyij-kompleks-orion (дата обращения: 11.04.2024).

135. Селезень Я.Ю. Организация сил и средств поиска и спасания Новороссийского морского спасательно-координационного центра//Материалы межвузовской научно-практическая конференции (Севастополь 24-25 февраля 2014 г.) Ушаков-ские чтения. — Севастополь: КФ «ГМУ им. адм. Ф.Ф. Ушакова», 2014. — C. 67-72.

136. Бассейновый план поиска и спасания людей, терпящих бедствие на море, в поисково-спасательном районе МСПЦ Керчь. — Керчь, 2021. — б9 с.

137. Джонс М.Т. Программирование искусственного интеллекта в приложениях. — М.: ДМК Пресс, 2011. — 312 с.

138. Шамин Р.В. Машинное обучение в задачах экономики. — М.: Грин Принт, 2019. — 139 с.

139. Ingber L. Adaptive simulated annealing (ASA): Lessons learned//Control Cybernetics, 199б, Vol. 25, P. 33-54.

140. Селезень Я.Ю., Балабанов А.Н. Решение задачи распределения района поиска между поисково-спасательными средствами с применением концепции рациональных агентов//Сборник материалов III Черноморской международной научно-практической конференции Московского государственного университета имени М.В. Ломоносова Проблемы развития технологий, государства и общества в цифровую эпоху. — Севастополь: Филиал МГУ в г. Севастополе, 2019. — C. 35-3б.

141. Hussain A., Muhammad Y.S., Nauman Sajid M., Hussain I., Mohamd Shoukry A., Gani S. Genetic Algorithm for Traveling Salesman Problem with Modified Cycle Crossover Operator//Computational Intelligence and Neuroscience, 2017, Vol. 2017.

142. Селезень Я.Ю. Свидетельство о государственной регистрации программы для ЭВМ № 2023669749 Российская Федерация. Программа определения подрайонов поиска для поисково-спасательных средств на основе метода эмуляции отжига и модели экспертных предпочтений ; правообладатель Селезень Я.Ю. № 2023669163; заявл.18.09.2023 ; зарегистрировано в Реестре программ для ЭВМ 20.09.2023.

143. Селезень Я.Ю. Распределение подрайонов поиска между поисково-спасательными средствами//Тезисы докладов Всероссийской научной конференции Моря России: от теории к практике океанологических исследований. — Севастополь: ФГБУН ФИЦ МГИ, 2023. — C. 103-104.

ПРИЛОЖЕНИЕ А СВИДЕТЕЛЬСТВА О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ

ПРОГРАММ ДЛЯ ЭВМ

(обязательное)

РОС 011x1 СЛ/л^П (^ВГ Г^Ра

СВИДЕТЕЛЬСТВО

» гос).мрстагвмом решо^ваи програчми XII ЖN1 Л* 2023669749

При! рамча оирс ic.it ими нодрайоиоа отека хм номскоаочпасак-льмыъ срсдпа на оемме чгю,ц •м>.1аиии иГАИН м MO.tr.IM 1к11Нр1МЫ« ирг ншчиниИ

Ир»»', ««п«. Гги-н"«» Ярег.юи Юрмлич (Ш )

\> Селе уем к Я росла* Юрмвич (Ш ')

л 202366«» 163

Рисунок А.1 — Свидетельство о государственной регистрации программы для ЭВМ № 2023669749

Рисунок А.2 — Свидетельство о государственной регистрации программы для ЭВМ № 2023680307

ПРИЛОЖЕНИЕ Б ПРИМЕРЫ РЕШЕНИЯ ЗАДАЧ РАЗНЫХ РАЗМЕРНОСТЕЙ

(обязательное)

а)

б)

в)

г)

Рисунок Б.1 — Примеры распределений района поиска овальной формы, с количеством ПСС а 4, б) 5, в) 6, г) 7

а)

б)

в)

г)

Рисунок Б.2 — Примеры распределений района поиска при объединении двух исходных точек, с количеством ПСС а) 4, б) 5, в) 6, г) 7

а)

б)

в) г)

Рисунок Б.3 — Примеры распределений района поиска при трёх сценариях,

с количеством ПСС а) 4, б) 5, в) 6, г) 7

а)

б)

в) г)

Рисунок Б.4 — Примеры распределений района поиска сложной формы, с количеством ПСС а) 4, б) 5, в) 6, г) 7