Методы многокритериального анализа приемлемости альтернатив и гибридные методы искусственного интеллекта в задачах реабилитации техногенно - радиоактивно загрязненных территорий тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Грицюк, Сергей Витальевич

• Грицюк, Сергей Витальевич
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Грицюк, Сергей Витальевич

Содержание.

Список условных сокращений.

Введение.

Глава 1. Поддержка принятия решений по реабилитации техногенно загрязненных территорий и защите окружающей среды.

1.1 Многокритериальный анализ решений.

1.2 Многоцелевая оптимизация.

1.3 Геоинформационные системы.

1.4 Искусственные нейронные сети.

1.5 Системы поддержки принятия решений.

1.6 Выводы.

Глава 2. Методы многокритериальной поддержки принятия решений.

2.1 Анализ приемлемости альтернатив.

2.1.1 Базовый алгоритм оценки приемлемости ProMAA/FMAA.

2.1.2 Вероятностный подход - метод РгоМАА.

2.1.3 Подход с использованием нечетких данных - метод FMAA.

2.1.4 Задание весов в РгоМАА и FMAA.

2.2 Генетический алгоритм FMOCHC.

2.3 Интеграция ГА с ИНС для решения задач оптимизации сетей.

2.4 Многокритериальная система поддержки принятия пространственных решений.

2.3.1 ГИС подсистема DECERNS WebSDSS.

2.3.2 МКАР подсистема DECERNS WebSDSS.

2.3.3 DECERNS WebSDSS - интеграция подсистем.

2.5 Выводы.

Глава 3. Реализация методов многокритериального анализа на примере решения практических задач.

3.1 Практические задачи управления загрязненными территориями.

3.1.1 Многокритериальная задача пространственного размещения объектов с учетом радиационного загрязнения.

3.1.2 Многокритериальная задача управления донными отложениями на примере реки Кохеко.

3.1.3 Многокритериальная задача управления донными отложениями на примере порта Нью-Йорка/Нью-Джерси.

3.1.4 Оптимизация структуры контрмер радиоактивно загрязненной территории.

3.1.5 Оптимизация сети мониторинга радиоактивно загрязненных территорий

3.2 Реализация методов.

3.2.1 Методы РгоМАА и FMAA.

3.2.2 Многоцелевой генетический алгоритм FMOCHC.

3.2.3 Исследование архитектур ИНС и интеграция с ГА.

3.3 Исследование задач.

3.4 Выводы.

Глава 4. Обсуяедение полученных результатов.

4.1 Задача №1: сценарий размещения поселения.

4.2 Задача №2: сценарий Кохеко.

4.3 Задача №3: сценарий Нью-Йорк/Нью-Джерси.

4.4 Задача №4: оптимизация структуры контрмер.

4.5 Задача №5: оптимизация сети мониторинга.

4.6 Выводы.

Введение диссертации (часть автореферата) на тему «Методы многокритериального анализа приемлемости альтернатив и гибридные методы искусственного интеллекта в задачах реабилитации техногенно - радиоактивно загрязненных территорий»

В реалиях современного мира мы становимся свидетелями все более увеличивающегося влияния человека на окружающую среду. К сожалению, это влияние, как правило, носит негативный характер. Во многих регионах мира и нашей страны в частности наблюдается устойчивая тенденция к превышению санитарно-гигиенических норм по содержанию в атмосфере окислов углерода, азота, пыли, токсичных соединений металлов, радионуклидов и других веществ. Имеются серьезные проблемы с мелиорацией земель, бесконтрольным применением в сельском хозяйстве минеральных удобрений и пестицидов. Происходит загрязнение сточными водами промышленных и коммунальных предприятий рек, озер, прибрежных морских вод. Из-за постоянного загрязнения атмосферного воздуха, поверхностных и подземных вод, почв, растительности происходит деградация экосистем, что ведет к сокращению продуктивных возможностей биосферы. Рост антропогенного воздействия непосредственно или опосредованно оказывает негативное воздействие на население различных регионов мира.

Ежегодно вводятся в строй новые промышленные предприятия, предприятия энергетического комплекса, химические заводы, коммунальные системы, а также увеличиваются мощности существующих предприятий. Аварии на такого рода предприятиях могут нанести существенный или непоправимый урон экосистемам и окружающей среде в целом.

Рассмотрим некоторые из техногенных аварий последних десятилетий.

АЭС Три-Майл Айленд (Three Mile Island), Пенсильвания, США, 28 марта 1979 года. В ходе аварии была серьёзно повреждена активная зона реактора, часть ядерного топлива расплавилась. До Чернобыльской аварии, случившейся через семь лет, авария на АЭС «Три-Майл Айленд» считалась-крупнейшей в истории мировой ядерной энергетики и до сих пор считается самой тяжёлой ядерной аварией в США. По разным оценкам, радиоактивность газов, выброшенных в атмосферу, составила от 2,5 до 13 миллионов Кюри, однако выброс опасных нуклидов (таких как йод-131) был незначительным. Территория станции также была загрязнена радиоактивной водой, вытекшей из первого контура. Было признано, что операторы допустили ряд ошибок, которые серьёзно ухудшили ситуацию. Эти ошибки были вызваны тем, что они были перегружены информацией, часть которой не относилась к ситуации, а часть была просто неверной.

Чернобыльская АЭС, Украинская ССР, 26 апреля 1986 года. Разрушение носило взрывной характер, реактор был полностью разрушен, и в окружающую среду было выброшено большое количество радиоактивных веществ. В результате аварии загрязнению подверглось более 200 ООО км2, примерно 70% — на территории Белоруссии, России и Украины. Авария расценивается как крупнейшая в своём роде за всю историю ядерной энергетики, как по предполагаемому количеству погибших и пострадавших от её последствий людей, так и по экономическому ущербу. Мировой атомной энергетике в результате Чернобыльской аварии был нанесён серьёзный удар. С 1986 до 2002 года в странах Северной Америки и Западной Европы не было построено ни одной новой АЭС, что связано как с давлением общественного мнения, так и с тем, что значительно возросли страховые взносы и уменьшилась рентабельность ядерной энергетики.

Город Окума, уезд Футаба префектуры Фукусима, Япония, 11 марта 2011 года. В результате сильнейшего землетрясения и последовавшего за ним цунами произошла серьезная радиационная авария на АЭС Фукусима I. Три работающих энергоблока были остановлены действием аварийной защиты, все аварийные системы сработали в штатном режиме. Однако спустя час было прервано электроснабжение (в том числе от резервных дизель-генераторов), предположительно из-за последовавшего за землетрясением цунами (электроснабжение необходимо для охлаждения остановленных реакторов, которые активно выделяют тепло в течение существенного времени после остановки). Сразу после потери резервных дизель-генераторов владелец станции компания ТЕРСО заявила правительству Японии об аварийной ситуации. 23 марта в Токио были введены ограничения на употребление водопроводной воды детьми до одного года из-за обнаружения в ней йода-131. Присутствие йода-131 и цезия-137 было обнаружено в молоке и шпинате в префектуре Фукусима. ВВС, со ссылкой на более раннее сообщение Японского агентства по атомной энергетике, сообщило о превышении концентрации «радиоактивного йода» в 1850 раз в морской воде рядом с АЭС в сравнении с обычным уровнем. На момент начала, авария получила 4 уровень по шкале INES. Впоследствии степень тяжести аварии был повышена до 5 уровня (18 марта, авария с широкими последствиями). 12 апреля Японская Комиссия по ядерной безопасности повысило уровень опасности до максимального 7 уровня, после оценки выбросов радионуклидов йода-131 и цезия-137 в объёмах 1,3х1017 Бк и 6Дх1015 Бк соответственно. Оценка была повышена исходя из количества выбросов йода-131, которое сопоставимо с 10% от выбросов Чернобыльской аварии. По состоянию на 21 апреля 2011 года ликвидация последствий аварии на АЭС Фукусима I продолжается.

Область Севесо (недалеко от Милана), Италия, 10 июля 1976 года. Авария произошла на заводе, где производили трихлорфенол. Несколько квадратных километров населенной сельской местности загрязнено сильнодействующим диоксином. Было эвакуировано более 700 человек, а также введены ограничения для остальных 30 000 жителей. Наиболее точно установленным результатом было заболевание хлоракне, но картина последствий для здоровья, связанных с этим случаем, так до конца и не ясна.

Город Бхопал, центральная часть Индии, 3 декабря 1984 года. Ночью в результате утечки газа смертельное облако накрыло город, за несколько часов оставив после себя тысячи мертвых (3 тысячи человек погибли непосредственно в день трагедии, и 15 тысяч - в последующие годы) и сотни тысяч пострадавших (по разным данным, общее количество пострадавших оценивается в 150 - 600 тысяч человек). Авария произошла из-за вышедшей из под контроля реакции в одном из резервуаров с метил-изоцианатом (МИЦ).

Помимо очевидных катастрофических результатов аварии все еще остаются неясными отдаленные последствия для здоровья пострадавших и/или подвергшихся воздействию МИЦ. При анализе причин этой аварии некоторые исследователи пришли к заключению, что «авария в Бхопале произошла из-за определенных действий и решений, принятых в Денбери, Коннектикут, или в каком-то другом месте корпоративной инфраструктуры, но не в Бхопале»

Швейцария, 1 ноября 1986 года. Вскоре после полуночи на складе, принадлежащем международной фармацевтической компании «Сандос» в Швайцерхалле, в 10 км к юго-востоку от Базеля, возник пожар. Около 30 тонн химикатов, хранившихся на складе, были смыты водой при тушении пожара и попали в протекающий рядом Рейн. Сильный экологический урон был нанесен на протяжении приблизительно 250 км. Не считая симптомов болезненного раздражения, о которых сообщалось из районов Базеля, которых достигли газы и испарения, возникшие в результате пожара, о случаях тяжелых заболеваний не сообщалось. Тем не менее, эта авария послужила поводом к серьезному беспокойству, по крайней мере, для четырех европейских стран (Швейцария, Франция, Германия, Нидерланды).

Приведенные выше аварии - это лишь небольшая часть всех бедствий, с которыми пришлось столкнуться человечеству за недолгие 40 лет конца ХХ-го, начала ХХ1-го веков. В сложившейся ситуации ответственность человечества за любые принимаемые решения, в условиях дальнейшего быстрого технического прогресса, будет только возрастать. В свою очередь, это приводит нас к необходимости в развитии существующих и разработке новых подходов к анализу решений (принимаемых в ходе планирования и эксплуатации объекта, а также в процессе устранения последствий произошедших аварий).

При этом стоит особо подчеркнуть, что принятие решений в области планирования строительства различного рода объектов, землепользования, а также защиты населения и окружающей среды, особенно в долгосрочный период ликвидации последствий аварий, носит по своей сути многокритериальный характер. Любое принимаемое решение при таком подходе является компромиссом по ряду конфликтующих между собой целей/критериев (так например, принятие более эффективных мер защиты ведет, как правило, к увеличению стоимости проводимых мероприятий). Существенное влияние на принятия решений, в том числе в области защиты окружающей среды, могут оказывать также неопределенности различной природы (погрешности измерений, которые часто бывают довольно велики, стохастический характер значения некоторых критериев, неуверенность/нечеткость в задании экспертных оценок и т.д.).

Стратегии принятия решений в области защиты населения и окружающей среды в последние десятилетия включают анализ затрата-выгода, сравнительный анализ рисков, многокритериальный и групповой анализ решений, а также учет мнений общественности. Учет различных подходов и методов привел к изменениям в области средств поддержки принятия решений, включая разработку новых инструментов и систем многокритериального анализа решений. Значительное влияние на развитие методов анализа решений и систем поддержки принятия решений было оказано, в том числе, Чернобыльской аварией [25; 26; 38; 70; 103].

Многокритериальный анализ решений сводится в большинстве случаев к классу дискретных задач с конечным (и относительно небольшим) множеством явно заданных альтернатив. Класс таких задач в англоязычной литературе получил название MADM - Multi-Attributive Decision Making. Класс задач многоцелевого анализа решений (MODM - Multi-Objective Decision Making), или более коротко - многоцелевой оптимизации, характеризуется достаточно большим или бесконечным множеством неявно заданных альтернатив [56; 76; 120]. Для решения дискретных многокритериальных задач используются такие ставшие классическими методы, как MAVT, MAUT, АНР, PROMETHEE, ELECTRE, TOPSIS и др. [76; 120]. Многоцелевые задачи решаются с использованием различных оптимизационных методов, включая широкий класс эволюционных/генетических алгоритмов [54; 56; 140].

В настоящее время имеется большое число примеров использования многокритериального анализа для решения задач охраны окружающей среды [54; 56; 76; 80; 120; 137; 138; 140], реабилитации радиоактивно/техногенно загрязненных территорий [19; 21; 24; 80; 88; 115; 140], оптимального размещения и использования объектов энергетического комплекса, в т.ч. атомных электростанций [102; 130-132], управления рисками и планирования землепользования [23; 120-122; 125; 160; 161] и многих других задач [34; 37; 47; 76; 120].

Одним из ключевых моментов в рамках многокритериальной поддержки принятия решений является анализ неопределенностей, включающий как этап усваивания неопределенных значений критериев и предпочтений, так и этап анализа влияния неопределенностей на итоговые рекомендации по принятию решений [76; 120]. Процесс анализа неопределенностей в рамках классических методов MADM основан, как правило, на реализации (однопараметрических) методов анализа чувствительности. В более поздних методах МКАР для анализа неопределенностей объективных значений и субъективных предпочтений используются вероятностные методы, в том числе с применением методов Монте-Карло, а также методы теории нечетких множеств [73; 76; 120; 135].

Целью диссертации является - разработка методов и систем многокритериального анализа решений и их применение для решения задач реабилитации техногенно/радиоактивно загрязненных территорий (произошедших, в том числе, на предприятиях энергетического комплекса) и управления землепользованием. Работа выполнена в рамках международных проектов кафедры информационных систем ИАТЭ НИЯУ МИФИ.

Актуальность темы определяется необходимостью использования современных методов, алгоритмов и систем для обеспечения поддержки принятия управленческих решений по ликвидации последствий возможных и/или имевших место радиационных/техногенных аварий на предприятиях ЯТЦ и других технологических объектах энергетического комплекса и химической промышленности, включая поддержку принятия решений по защите окружающей среды и реабилитации загрязненных территорий с использованием многокритериальных методов и систем, учитывающих, в том числе, различного рода неопределенности объективного и субъективного характера.

На защиту выносятся:

1. Методы многокритериального анализа приемлемости альтернатив, учитывающие неопределенности объективного и субъективного характера -РгоМАА (с использованием теории вероятностей) и РМАА (с использованием теории нечетких множеств), предоставляющие лицу, принимающему решения, дополнительную информацию о рассматриваемой задаче и итоговом ранжировании альтернатив.

2. Гибридный генетический алгоритм РМОСНС для решения многоцелевых оптимизационных задач, позволяющий усваивать неопределенности входных данных.

3. Гибридный подход многоцелевой оптимизации с использованием искусственной нейронной сети в цикле генетического алгоритма для оптимизации сетей мониторинга радиоактивно-загрязненных территорий.

4. Система поддержки принятия решений, реализующая различные методы многокритериальной поддержки принятия решений и анализа неопределенностей, для решения задач охраны окружающей среды и реабилитации техногенно загрязненных территорий.

Личное участие автора

Основными результатами, полученными лично соискателем, являются: разработка методов многокритериального анализа приемлемости альтернатив РгоМАА и РМАА; разработка гибридного генетического алгоритма РМОСНС для решения задач с нечеткими входными данными; реализация подхода по совместному использованию генетического алгоритма и искусственной нейронной сети, и его применение для задачи оптимизации сети мониторинга; разработка системы поддержки принятия решений, реализующей основные методы дискретного многокритериального анализа решений, в том числе предложенные методы многокритериального анализа приемлемости; разработка программного инструмента для работы с генетическими алгоритмами и решения задач многоцелевой оптимизации; анализ практических задач охраны окружающей среды и реабилитации техногенно загрязненных территорий.

Достоверность полученных результатов обеспечена строгим обоснованием используемых математических методов, а также реализацией и успешной апробацией предложенных методов и подходов на различных задачах (размещение объекта на местности с учетом радиоактивного загрязнения, реабилитация и оптимизация сети мониторинга радиоактивно загрязненных территорий).

Публикации

Основные результаты диссертации опубликованы в 29 научных работах, в том числе в 4 рецензируемых журналах из списка ВАК. Результаты докладывались и широко обсуждались на международных конференциях и получили одобрение специалистов в области многокритериального анализа и систем поддержки принятия решений. Наиболее значимыми из указанных международных конференций являются:

• VI Московская международная конференция по исследованию операций, МГУ, ВЦ РАН, Москва, 19-23 октября 2010г.

• 25th Mini-EURO Conference Uncertainty and Robustness in Planning and Decision Making (URPDM 2010), Coimbra, Portugal, 15-17 Апреля, 2010г.

• 2009 SRA Annual Meeting «Risk Analysis: The Evolution of a Science», Baltimore, USA, 6-10 Декабря, 2009г.

• 23-rd European Conference on Operational Research, Bonn, Germany, 5-8 июля, 2009г.

• The 20th International Conference on Multiple Criteria Decision Making, China, Chengdu, 21-26 июня, 2009г.

• 2008 SRA Annual Meeting «Risk Analysis: The Science and the Art», Boston, USA, 7-10 Декабря, 2008г.

Научная новизна результатов заключается в следующем: впервые предложены вероятностные методы многокритериального анализа приемлемости альтернатив РгоМАА и FMAA, учитывающие неопределенности объективного и субъективного характера с использованием методов теории вероятностей (РгоМАА) и нечетких множеств (FMAA); впервые предложен гибридный генетический алгоритм FMOCHC для решения многоцелевых оптимизационных задач с нечеткими входными данными; предложен подход к многоцелевой оптимизации с использованием генетического алгоритма и искусственной нейронной сети.

Методы РгоМАА и FMAA находят свое применение в многокритериальном анализе решений и анализе неопределенностей в рамках теории принятия решений. Предложенные гибридный генетический алгоритм с использованием нечетких входных данных и интеграция генетического алгоритма с искусственной нейронной сетью представляют собой дальнейшее развитие существующих алгоритмов многоцелевой оптимизации.

Практическая значимость результатов и выводов заключается в возможности применения предложенных теоретических методов многокритериального анализа решений и разработанных на их основе компьютерных систем для реализации системного подхода к процессу поддержки принятия решений при исследовании широкого круга научно-практических задач реабилитации радиоактивно/техногенно загрязненных территорий, охраны окружающей среды и управления землепользованием. Кроме этого, разработанные системы многокритериальной поддержки принятия решений могут быть использованы в рамках университетских образовательных курсов, а также курсов повышения квалификации и тренинга.

Результаты диссертационной работы могут быть использованы при решении задач реабилитации радиоактивно/техногенно загрязненных территорий, ликвидации последствий аварий на объектах энергетического комплекса, ЯТЦ и химической промышленности, охраны окружающей среды, управления рисками различной природы; при проведении тренинга специалистов в области анализа и управления рисками и реабилитационными мероприятиями, планирования землепользования; в рамках университетских учебных курсов (теория принятия решений, исследования операций, методы и системы поддержки принятия решений, анализ и управления рисками, техногенные риски и охрана окружающей среды).

Автор выражает благодарность научному руководителю доктору технических наук Б.И. Яцало за постановку задач и коллективу кафедры информационных систем ИАТЭ НИЯУ МИФИ за обсуждение полученных результатов.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Грицюк, Сергей Витальевич

4.6 Выводы

В данной главе приведены результаты анализа трех дискретных задач многокритериального анализа по размещению объектов и управлению донными отложениями. При анализе использовались различные методы МКАР (MAVT/MAUT, АНР, TOPSIS, PROMETHEE), а также два новых, предложенных в данной работе, метода анализа приемлемости РгоМАА и FMAA. Для исследования был использован МКАР модуль системы поддержки принятия решений DECERNS, который реализует все используемые при анализе методы, что существенно упрощает проведение самого исследования, а также ГИС-модуль ПСППР DECERNS для проведения скрининг-анализа в сценарии размещения объекта на радиоактивно загрязненной территории. Для задач по управлению загрязненными донными отложениями результаты сравнивались с результатами, опубликованными в [114; 173], и полностью совпадают. Результаты анализа приемлемости альтернатив методами РгоМАА и FMAA в целом согласуются с результатами, полученными с помощью других методов (для случая четких весовых коэффициентов и оценок альтернатив по критериям). При этом учет неопределенности требует от экспертов больше информации о природе рассматриваемой задачи (задание вида и параметров вероятностных распределений величин, вида функций принадлежности и т.д.), а значит, в итоге, может более полно отразить их предпочтения и учесть возможные неопределенности объективного и субъективного характера. Итоговые ранжирования в этом случае могут отличаться в зависимости от выбранных экспертами параметров, что также отмечено при анализе задач управления донными отложениями на реке Кохеко и в порту Нью-Йорка/Нью-Джерси. В целом, анализ приемлемости предоставляет лицам, принимающим решения, дополнительную информацию о рассматриваемой задаче, и итоговом ранжировании альтернатив (предоставляя, например, информацию о вероятности/мере данной альтернативы занять ранг к).

Подход с использованием нескольких методов также может помочь ЛПР более тщательно понять и проанализировать проблему, но до последнего времени такого инструментария анализа решений не существовало (обычно ПО ППР ограничено одним-двумя подходами). Учитывая, что в MCDA нет понятия «правильного решения» (корректно говорить о компромиссном решении), лицам, принимающим решения, просто необходим инструментарий, который позволял бы проводить проверку устойчивости решений к различным используемым подходам/методам. В данной работе для этих целей предлагается использовать систему ППР DECERNS-MCDA.

В рамках работы с многоцелевыми/MODM задачами проводится анализ задачи оптимизации структуры контрмер и оптимизации структуры сети мониторинга радиоактивно-загрязненной территории Брянской области (задачи №4 и №5). Для решения задачи оптимизации структуры контрмер используется оригинальный многоцелевой генетический алгоритма FMOCHC, который позволяет принимать входные данные с неопределенностью (работа с неопределенностью ведется с использованием нечетких чисел).

В целом, из полученных результатов сделан вывод об эффективности генетических алгоритмов для решения оптимизационных задач большой размерности. Все алгоритмы показали хорошие результаты (максимально приблизившись к идеальной точке) в рамках установленного ограничения/бюджета. Предложенный в данной работе метод FMOCHC, позволяющий работать с нечеткими входными данными дает большее число недоминируемых решений, чем алгоритм МОСНС. Необходимо отметить при этом, что поддержка алгоритмом нечетких данных и необходимость нечеткой алгебры приводят к снижению скорости работы (примерно в 3 раза, по результатам исследований).

Для решения задачи оптимизации структуры сети мониторинга использован гибридный подход, совмещающий использование многоцелевых генетических алгоритмов для поиска оптимальных решений и нейронных сетей для оценки значений радиоактивного загрязнения объектов землепользования исследуемого района. Приводятся результаты экспериментов с несколькими модифицированными многоцелевыми генетическими алгоритмами (NSGA-II и МОСНС). Для оценки результатов загрязнения радионуклидами 137Cs в точках (полигонах), не вошедших в формируемую сеть мониторинга, используется подобранная в результате исследования нейронная сеть с двумя скрытыми слоями (см. Главу 2.3 и Главу 3.2.3).

Показано, что комбинирование генетических алгоритмов и нейронной сети дает хорошие результаты в решении задачи оптимизации структуры сети мониторинга: при экономии от 40% до 70% средств на мониторинг радиоактивно загрязненной территории получены оценки со средней относительной ошибкой от 14% до 23%. Учитывая ошибку самих данных мониторинга (10-20%), такой результат можно считать вполне удовлетворительным.

Для MODM задач (задачи №4 и №5) проведен дополнительный анализ найденных генетическими алгоритмами решений методом субоптимизации и методом MAVT, и таким образом было показано, как различные методы могут применяться совместно с методами оптимизации для решения достаточно сложных задач, с большим числом альтернатив.

Заключение

Исследования, проведенные в рамках данной диссертации, посвящены разработке методов и систем поддержки принятия решений, а также их научно-практическому применению для решения задач реабилитации техногенно/радиоактивно загрязненных территорий (в том числе после аварий на объектах энергетического комплекса) и защиты окружающей среды. В результате работы:

1. разработаны методы многокритериального анализа приемлемости альтернатив, позволяющие учитывать неопределенности объективного и субъективного характера с использованием вероятностных методов (РгоМАА) и теории нечетких множеств {РМАА), и предоставляющие лицу, принимающему. решения, дополнительную информацию о рассматриваемой задаче и итоговом ранжировании альтернатив;

2. для решения многоцелевых оптимизационных задач с нечеткими данными предложен гибридный генетический алгоритм РМОСНС для поиска недоминируемых альтернатив, позволяющий усваивать неопределенности входных данных;

3. для решения задач оптимизации структуры сетей мониторинга радиоактивно-загрязненных территорий предложен гибридный подход с использованием искусственной нейронной сети в цикле многоцелевого генетического алгоритма;

4. разработана оригинальная система поддержки принятия решений, которая не имеет аналогов в классе существующих (пространственных) систем поддержки принятия решений как по уровню интеграции функций ГИС и методов поддержки принятия решений, так и по разнообразию/количеству реализованных методов МКАР, возможности интеграции математических моделей, а также анализа неопределенностей.

Разработанные методы и системы были применены для исследования актуальных задач реабилитации радиоактивно загрязненных территорий и охраны окружающей среды, включая задачи: по размещению объектов с учетом радиоактивного загрязнения территории, по управлению донными отложениями на реке Кохеко и в порту Нью-Йорка/Нью-Джерси; а также задачи многоцелевой оптимизации: оптимизации структуры контрмер на радиоактивно загрязненных территориях и оптимизации сети мониторинга радиоактивно загрязненной территории.

При решении дискретных многокритериальных задач были использованы новые методы РгоМАА и БМАА, которые доказали эффективность и практическую значимость анализа приемлемости альтернатив в целом.

Из результатов, полученных при решении многоцелевой задачи оптимизации структуры контрмер, сделан вывод об эффективности применения генетических алгоритмов при решении оптимизационных задач большой размерности. Предложенный в данной работе оригинальный алгоритм БМОСНС, позволяет работать с нечеткими входными данными (что часто бывает необходимо в задачах, в которых исходные данные характеризуются существенными неопределенностями).

Для задачи по оптимизации структуры сети мониторинга радиоактивно загрязненных территорий был предложен оригинальный подход, совмещающий в себе использование искусственных нейронных сетей для пространственной интерполяции радиоактивного загрязнения и многоцелевых генетических алгоритмов для оптимизации структуры сети. В результате применения данного подхода были найдены решения, позволяющие исключить отбор проб на более чем 40% полигонов, заменив их интерполяцией посредством нейронной сети (со средней ошибкой порядка 15-20%), что имеет несомненную практическую значимость и приводит к существенной экономии средств при построении сети мониторинга радиоактивно-загрязненной территории.

Список литературы диссертационного исследования кандидат технических наук Грицюк, Сергей Витальевич, 2011 год

1. Арутюнян Р.В., Беликов В.В., Беликова Г.В. и др. Компьютерная система "Нострадамус" для поддержки принятия решений при аварийных выбросах на радиационно-опасных объектах // Известия РАН. Энергетика. — 1995. — Т. 4. — С. 19-30.

2. Арутюнян Р.В., Илюшкин А.И., Линге И.И. и др. Экологический менеджмент: научно-техническая поддержка принятия решений при радиационных авариях // Инженерная экология. — 2005. — Т. 1. — С. 3-8.

3. Бабуцкий A.M., Грицюк C.B., Василевская М.В. Многокритериальная система поддержки принятия решений DECERNS WebSDSS // Научная Сессия НИЯУ МИФИ. — 2010. — С. 34-36.

4. Болыпов JI.A., Арутюнян Р.В.,-Каневский М.Ф. Интегрированные системы для поддержки принятия решений в области радиоэкологии // Известия РАН. Энергетика. — 1995. — Т. 3. — С. 21-27.

5. Грицюк C.B., Шипилов Д.Е., Ткачук А.Н. и др. Многокритериальный анализ решений в рамках проекта DECERNS // V Курчатовская молодежная научная школа, Москва, РНЦ Курчатовский институт. — 2007. — С. 103.

6. Грицюк C.B., Яцало Б.И., Диденко В.И. Управление мероприятиями по реабилитации радиоактивно загрязненных территорий с использованием методов многоцелевой оптимизации // Известия вузов. Ядерная Энергетика. —2010. —Т. 3. —С. 55-65.

7. Диденко В.И., Яцало Б.И., Брук Г.Я. и др. Анализ структуры доз облучения населения радиоактивно загрязненных территорий с использованием многоуровневых адаптивных моделей оценки доз // Известия вузов. Ядерная энергетика. — 2004. — Т. 1. — С. 54-60.

8. Каневский М.Ф., Савельева Е.А., Демьянов В.В. Кригинг и базовые методы геостатистики. М.: ВИНИТИ. — 1999. — 136 с.

9. Ларичев О.И. Теория и методы принятия решений. М.: Физматкнига. — 2006. —296 с.

10. Лотов A.B. Один подход к перспективному планированию экономики в условиях отсутствия критерия // Тр. конф. «Системный анализ и перспективное планирование». М.: ВЦ АН СССР. — 1973.

11. Лотов A.B. О целостном рассмотрении эколого-экономических проблем. М.: ВЦ РАН. — 1994Г— 35 с.

12. Лотов A.B., Бушенков В.А., Каменев Г.К. и др. Компьютер и поиск компромисса. Метод достижения целей. М.: Наука. — 1997. — 239 с.

13. Паркин P.A., Каневский М.Ф., Савельева Е.А. и др. Оценка загрязнения территории Брянской области радионуклидами с использованием нейронных сетей // Известия вузов. Ядерная энергетика. — 2002. — Т. 2. — С. 63-69.

14. Подиновский В.В. Введение в теорию важности критериев. М.: Физматлит.2007. —64 с.

15. Садыхов P.A., Неронов В.Ф. Интерполяция поверхностей нейронными сетями // Вопросы теории безопасности и устойчивости систем. — 2007. — С. 85-93.

16. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: Синтег.1998. —376 с.

17. Трахтенгерц Э.А., Шершаков В.М., Камаев Д.А. Компьютерная поддержка управления ликвидацией последствий радиационного воздействия. М.: Синтег.2004. —460 с.

18. Яцало Б.И., Алексахин P.M. Методы анализа защитных мер в сельскомхозяйстве: оценка эффективности, уровни вмешательства и сравнение различных контрмер // Радиационная биология. Радиоэкология. — 1997. — Т. 37. —№5. —С. 114-124.

19. Яцало Б.И., Алексахин P.M., Мирзеабасов О.А. Оптимизация радиационной защиты в агросфере: методы и компьютерные системы поддержки принятия решений // Радиационная биология. Радиоэкология. — 1997. — Т. 37. — № 4. — С. 705-718.

20. Яцало Б.И., Грицюк С.В., Мирзеабасов О.А. и др. Учет неопределенностей в рамках многокритериального анализа решений с использованием концепции приемлемости // Управление большими системами. — 2011. — Т. 32. — С. 5-30.

21. Яцало Б.И., Демин В.Ф. Поддержка принятия решений по управлению техногенно загрязненными территориями на основе анализа риска с применением геоинформационных технологий // Атомная Энергия. — 2002. — Т. 93. —№2. —С. 128-136.

22. Яцало Б.И., Мирзеабасов О.А., Пичугина И.А. и др. Геоинформационная система радиоактивно загрязненной территории Брянской области // Вестник Российской Академии Сельскохозяйственных Наук. — 2001. — Т. 2. — С. 4647.

23. The International Chernobyl Project. Vienna: IAEA. — 1991. — 66 p.

24. The radiological consequences of the Chernobyl accident / eds. A. Karaoglou, G. Desmet, G.N. Kelly et al. // The First International Conference of the European Commission, Belarus, Russian Federation, and Ukraine. Minsk, Belarus. — 1996. — 1192 p.

25. The R Project for Statistical Computing Электронный ресурс. URL: http://www.r-project.org/ (дата обращения: 11.03.2011).

26. SSJ: Stochastic Simulation in Java Электронный ресурс. URL: http://www.iro.umontreal.ca/~simardr/ssj/indexe.html (дата обращения: 27.04.2011).

27. Encog Java and DotNet Neural Network Framework Электронный ресурс. URL: http://www.heatonresearch.com/encog (дата обращения: 11.03.2011).30. jMetal Электронный ресурс. URL: http://jmetal.sourceforge.net/ (дата обращения: 11.03.2011).

28. Abrahart R.J., See L., Kneale P.E. Applying saliency analysis to neural network rainfall-runoff modeling // Proceedings of GeoComputation 99. Virginia, USA: Mary Washington College Fredericksburg. — 1999. — P. 921-928.

29. Alba E., Molina G., Chicano F. Optimal placement of antennae using metaheuristics // Proceedings of the 6th international conference on Numerical methods and applications NMA'06. Berlin, Heidelberg: Springer-Verlag. — 2006. — P. 214-222.

30. Altman D. Fuzzy set theoretic approaches for handling imprecision in spatial analysis // International Journal of Geographical Information Systems. — 1994. — Vol. 8. —№3. —P. 271-289.

31. Armstrong M.P. Requirements for the development of GIS-based group decision support systems // Journal of the American Society for Information Science. — 1994.

32. Vol. 45. — № 9. — P. 669-677.

33. Armstrong M.P., Xiao N., Bennett D.A. Using genetic algorithms to create multicriteria class intervals for choropleth maps // Annals of the Association of Americain Geographers. — 2003. — Vol. 93. — № 3. — P. 595-623.

34. Arthur J.L., Nalle D.J. Clarification on the use of linear programming and GIS for landuse modeling // International Journal of Geographical Information Science. — 1997. — Vol. 11. — № 4. — P. 397-402.

35. Awasthi A., Chauhan S.S. An Analytical Hierarchical Process-based decisionmaking approach for selecting car-sharing stations in medium size agglomerations // The International Journal of Information and Decision Sciences. — 2008. — Vol. 1.1. —P. 66-96.

36. Baverstam U., Fraser G., Kelly G.N. Decision Making Support for Off-site Emergency Management // Radiation Protection Dosimetry. — 1997. — Vol. 73. — № 1-4. —P. 1-13.

37. Belton V., Stewart T. Multiple Criteria Decision Analysis: An Integrated Approach. Dordrecht: Kluwer Academic. — 2002. — 396 p.

38. Bennett D.A., Wade G.A., Armstrong M.P. Exploring the solution space of semistructured geographical problems using genetic algorithms // Transactions in GIS. — 1999. — Vol. 3. — № 1. — P. 51-71.

39. Benvenuto F., Marani A. Neural networks for environmental problems: data quality control and air pollution nowcasting // Global NEST: The International Journal. — 2000. — Vol. 2. — № 3. — P. 281-292.

40. Brans J.P., Vincke P. A preference ranking organization method: the PROMETHEE method for multiple criteria decision-making // Management Science.1985. — Vol. 31. — № 6. — P. 647-656.

41. Brown S., Sclireier H., Thompson W.A. et al. Linking multiple accounts with GIS as decision support system to resolve forestry wildlife conflicts // Journal of Environmental Management. — 1994. — Vol. 42. — № 4. — P. 349-364.

42. Bryan B.A., Adams J.M. Three-dimensional neurointerpolation of annual mean precipitation and temperature surfaces for China // Geographical Analysis. — 2002.1. Vol.34. —P. 93-111.

43. Carlsson C., Fuller R. Fuzzy multiple criteria decision making: Recent developments // Fuzzy Sets and Systems. — 1996. — Vol. 78. — P. 139-153.

44. Carver S., Peckham R. Using GIS on the Internet for planning // Geographical information and planning. New York: Springer. — 1999. — P. 371-390.

45. Carver S.J. Integrating multi-criteria evaluation with geographical information systems // International Journal of Geographical Information Systems. — 1991. — Vol. 5. — № 3. — P. 321-339.

46. Chang D.-Y. Applications of the extent analysis method on fuzzy AHP // European Journal of Operational Research. — 1996. — Vol. 95. — P. 649-655.

47. Cheesman J., Petch J. Interpolation of severely non-linear spatial systems with missing data: Using kriging and neural networks to model precipitation in uplandareas // Geographic information research: TransAtlantic perspectives. — 1999. — P. 175-187.

48. Chen C., Tim U.S. Using artificial neural networks as interpolation method in GIS // Proceedings of GIS/LIS. Nashville, Tennessee: American Congress on Surveying and Mapping. — 1995. — P. 157-162.

49. Chino M., Ishikawa H., Yamazawa H. SPEEDI and WSPEEDI: Japanese Emergency Response Systems to Predict Radiological Impacts in Local and Workplace Areas due to a Nuclear Accident // Radiation Protection Dosimetry. — 1993. —Vol. 50. —№2-4. —P. 145-152.

50. Chuvieco E. Integration of linear programming and GIS for land-use modeling // International Journal of Geographical Information Systems. — 1993. — Vol. 7. — № 1. —P. 71-83.

51. Cieniawski S., Eheart W., Ranjithan S. Using Genetic Algorithms to Solve a Mültiobjective Groundwater Monitoring Problem // Water Resources Research. — 1995. — Vol. 31. — № 2. — P. 399-409.

52. Civco D.L., Wang Y. Classification of multispectral, multitemporal, multisource spatial data using artificial neural networks. Bethesda, Maryland: American Congress on Surveying and Mapping. — 1994. — P. 123-133.

53. Coello C.A.C., Lamont G.L., Veldhuizen D.A. van. Evolutionary Algorithms for Solving Multi-Objective Problems. Berlin, Heidelberg: Springer. — 2007. — 800 p.

54. Coello C.C. 20 years of evolutionary mültiobjective optimization: What has been done and what remains to be done // Computational Intelligence: Principles and Practice: IEEE Computational Intelligence Society. — 2006. — P. 73-88.

55. Cressie N. Statistics for spatial data. New-York: John Wiley & Sons. — 1991. — 900 p.

56. D'Avignon G.R., Vincke P. An outranking method under uncertainty // European

57. Journal of Operational Research. — 1988. — Vol. 36. — P. 311-321.

58. De Jong K.A. An analysis of the behavior of a class of genetic adaptive systems. Ann Arbor, MI, USA: University of Michigan. — 1975. — 266 p.

59. Deb K.D., Pratap A., Agarwal S. et al. A fast and elitist multiobjective genetic algorithm: NSGA-II // IEEE Transactions on Evolutionary Computation. — 2002. — Vol. 6. — № 2. — P. 182-197.

60. Densham P.J. Spatial decision support systems // Geographical Information Systems, Volume 1: Principles. London: Longman. — 1991. — P. 403-412.

61. Densham P.J., Goodchild M.F. Spatial decision support systems: A research agenda // Proceedings GIS/LIS'89. Orlando, Florida: American Congress on Surveying and Mapping. — 1989. — P. 707-716.

62. Dorohonceanu B., Marin B. A Simple Method for Comparing Fuzzy Numbers. Rutgers University, Piscataway: CAIP Center. — 2002.

63. Durillo J.J., Nebro A.J., Luna F. et al. jMetal: a Java Framework for Developing Multi-Objective Optimization Metaheuristics. Málaga, Spain: Departamento de ' Lenguajes y Ciencias de la Computación, University of Málaga. — 2006. — 12 p.

64. Dyer J.S. Remarks on the Analytic Hierarchy Process // Management Science. — 1990. — Vol. 36. — P. 249-258.

65. Edwards W., Barron F.H. SMART and SMARTER: Improved simple methods for multiattribute utility measurement // Organizational Behavior and Human Decision Processes. — 1994. — Vol. 60. — P. 306-325.

66. Ehrhardt J., Shershakov V.M. Real-time on-line decision support systems (RODOS) for off-site emergency management following a nuclear accident. Final Report, Joint Study Project 1, European Commission, DG XII, EUR 16533 EN. Brussels. — 1996.

67. Ehrhardt J., Weis A. Development of RODOS, A Comprehensive Real-Time online Decision Support for Nuclear Emergencies Management. Brussels: European Commission. —1996.

68. Eshelman L.J. The CHC Adaptive Search Algorithm: How to Have Safe Search When Engaging in Nontraditional Genetic Recombination // FOGA. Bloomington, Indiana, USA: Morgan Kaufinann. — 1991. — P. 265-283.

69. Fayad C., Petrovic S. A fuzzy genetic algorithm for real-world job shop scheduling // Proceedings of the 18th international conference on Innovations in Applied Artificial Intelligence IEA/AIE'2005. London, UK: Springer-Verlag. — 2005. — P. 524-533.

70. Feng T., Keller L.R. A Multiple-Objective Decision Analysis for Terrorism Protection: Potassium Iodide Distribution in Nuclear Incidents // Decision Analysis. — 2006. — Vol. 3. — P. 76-93.

71. Fernández-Castro A.S., Jiménez M. PROMETHEE: An Extension through Fuzzy "Mathematical Programming // The Journal of the Operational Research Society. —2005.—Vol.56. —№ 1. —P. 119-122.

72. Figueira J., Greco S., Ehrgott M. Multiple Criteria Decision Analysis: State of the Art Surveys. Boston, Dordrecht, London: Springer Verlag. — 2005. — 1035 p.

73. Fischer M.M., Nijkamp P. Design and use of geographic information systems and spatial models // Geographic information systems, spatial modelling and policy evaluation / eds. M.M. Fischer, P. Nijkamp. Berlin: Springer-Verlag. — 1993. — P. 1-13.

74. Fonseca C.M., Fleming P.J. Genetic Algorithms for Multiobjective Optimization: Formulation, Discussion and Generalization // Genetic Algorithms: Proceedings of the Fifth International Conference. : Morgan Kaufinann. — 1993. — P. 416-423.

75. Fonseca C.M., Fleming P.J. An Overview of Evolutionary Algorithms in Multiobjective Optimization // Evolutionary Computation. — 1995. — Vol. 3. — № 1. —P. 1-16.

76. French S. Multi-Attribute Decision Support in the Event of a Nuclear Accident // Journal of Multi-Criteria Decision Analysis. — 1996. — Vol. 5. — № 1. — P. 3957.

77. Geldermann J., Spengler Т., Rentz O. Fuzzy outranking for environmental assessment. Case study: iron and steel making industry // Fuzzy Sets and Systems. — 2000. —Vol. 115.—№ 1. —P. 45-65.

78. Goldberg D.E. Genetic Algorithms in Search, Optimization, and Machine Learning. Boston, MA, USA: Addison-Wesley Professional. — 1989. — 372 p.

79. Gooverts P. Geostatistics for natural resources evaluation. UK: Oxford University Press. —1997. —483 p.

80. Grebenkov A., Yatsalo B.I., Lukashevich P. et al. Application of DECERNS SDSS to wildlife sanctuaries: Eutrophic bog case study // Abstracts of 2009 SRA Annual Meeting «Risk Analysis: The Evolution of a Science». Baltimore, USA. — 2009. —P. 98.

81. Gritsyuk S.V., Babutski A.M., Vasilevskaya M.V. et al. Environmental protection with the use of multi-criteria Decision Support System DECERNS // XI Международная конференция «Безопасность АЭС и подготовка кадров — 2009». Обнинск. — 2009. — Р. 105-106.

82. Gritsyuk S.V., Tkachuk A., Babutski A.M. et al. DECERNS: New Web-based Software Tool for Multicriteria Decision // Abstracts of 2009 SRA Annual Meeting «Risk Analysis: The Evolution of a Science». Baltimore, USA. — 2009. — P. 100.

83. Hamáláinen R.P., Lindstedt M.R.K., Sinkko K. Multi-Attribute Risk Analysis in Nuclear Emergency Management // Risk Analysis. — 2000. — P. 455-468.

84. Haines L.M. A statistical approach to the analytic hierarchy process with interval judgments // European Journal of Operational Research. — 1998. — Vol. 110. — № 1. —P. 112-125.

85. Harmancioglu N.B., Singh V.P., Alpaslan M.N. Environmental Data Management. Boston MA: Kluwer Academic Publishers. — 1998. — 316 p.

86. Holland J.H. Adaptation in Natural and Artificial Systems. Ann Arbor, Michigan:

87. The University of Michigan Press. — 1975. — 228 p.

88. Horn J., Nafpliotis N., Goldberg D.E. Multiobjective Optimization Using the Niched Pareto Genetic Algorithm. IlliGAL Report 93005. USA: University of Illinois. —1993. —P. 1-32.

89. Hwang C.L., Yoon K. Multiple attribute decision making: Methods and applications. New York: Springer-Verlag. — 1981. — 259 p.

90. Jankowski P., Ewart G. Spatial decision support system for health practitioners: Selecting a location for rural health practice // Geographical Systems. — 1996. — Vol. 3. — №2. — P. 279-299.

91. Janssen R., Rietveld P. Multicriteria analysis and geographical information systems: An application to agriculture land-use in the Netherlands // Geographical information systems for urban and regional planning. Dorchecht: Kluwer. — 1990. — P. 129-139.

92. Kahraman C. Fuzzy Multi-Criteria Decision Making: Theory and Applications with Recent Developments. New York: Springer. — 2008. — 600 p.

93. Keeney R.L., Nair K. Evaluating potential nuclear power plant sites in the Pacific Northwest using decision analysis // IIASA Paper. — 1976. — Vol. 1. — P. 76-100.

94. Keeney R.L., Raiffa H. Decisions with multiple objectives: Preferences and value tradeoffs. New York: J. Wiley. — 1976. — 592 p.

95. Keeney R., Nair K. Selecting nuclear power plant sites in the Pacific Northwest using decision analysis // Conflicting objectives in decisions. New York: John Wiley & Sons. — 1977. — P. 294-322.

96. Kelly G.N., Fraser G. Decision Making Support for Off-site Emergency Management // Radiation Protection Dosimetry. — 1993. — Vol. 50. — № 2-4. — P. 1-13.

97. Knowles J.D., Corne D.W. Approximating the Nondominated Front Using the Pareto Archived Evolution Strategy // Evolutionary Computation. — 2000. — Vol. 8.1. P. 149-172.

98. Laaribi A., Chevalier J.J., Martel J.M. A spatial decision aid: a multicriterion evaluation approach // Computers, Environment and Urban Systems. Québec, Canada: Université Laval. — 1996. — Vol. 20. — №6. — P. 351-366.

99. Lahdelma R., Hokkanen J., Salminen P. SMAA Stochastic Multiobjective Acceptability Analysis // European Journal of Operational Research. — 1998. — Vol. 106. —P. 137-143.

100. Lahdelma R., Salminen P. Smaa-2: Stochastic Multicriteria Acceptability Analysis for Group Decision Making // Operations Research. — 2001. — Vol. 49. — №3. —P. 444-454.

101. Lahdelma R., Makkonen S., Salminen P. Multivariate Gaussian criteria in SMAA // European Journal of Operational Research. — 2006. — Vol. 170. — № 3.1. P. 957-970.

102. Lee K.H. First Course on Fuzzy Theory and Applications. Berlin Heidelberg: Springer-Verlag. — 2005. — 335 p.

103. Leung Y., Shatin N. Intelligent spatial decision support systems. Berlin: Springer-Verlag. — 1997. — 470 p.

104. Levary R.R., Wan K. A simulation approach for handling uncertainty in the analytic hierarchy process // European Journal of Operational Research. — 1998. — Vol. 106. —№ 1. —P. 116-122.

105. Li B., McClendon R.W., Hoogenboom G. Spatial Interpolation of Weather Variables for Single Locations Using Artificial Neural Networks. Ottawa, Canada:

106. ASAE. — 2004. — P. 629-637.

107. Li X. Development of a Neural Network Spatial Interpolator for Precipitation Estimation // Proceedings of the GIS/LIS'97 Annual Conference. Cincinnati, Ohio, USA: Minnesota GIS/LIS Consortium. — 1997. — P. 667-676.

108. Lotov A. Computer-Based Support for Planning and Negotiation on Environmental Rehabilitation of Water Resource Systems // Rehabilitation of Degraded Rivers: Challenges, Issues and Experiences. Kluwer Academic Publishers. — 1998. —P. 417-446.

109. Lotov A., Bushenkov V., Chernykh O. Multi-criteria DSS for River Water Quality Planning // Microcomputers in Civil Engineering — 1997. — Vol. 1. — P. 57-67.

110. Lotov A., Bushenkov V., Kamenev G. Feasible Goals Method: Search for Smart Decisions. Computing Centre of Russian Academy of Sciences. — 2001. — 240 p.

111. Malczewski J. GIS and multicriteria decision analysis. New York: John Wiley and Sons. — 1999. — 392 p.

112. Malczewski J. GIS-based land-use suitability analysis: a critical overview // Progress in Planning. — 2004. — Vol. 62. — P. 3-65.

113. Malczewski J. GIS-based multicriteria decision analysis: a survey of theliterature // International Journal of Geographical Information Science. — 2006. — Vol. 20. — № 7. — p. 703-726.

114. Marks L., Dunn E. Fuzzy multiple attribute evaluation of agricultural systems // Using multi-criteria decision analysis in natural resource management. Hampshire: Ashgate Publishing, Ltd. — 2006. — P. 119-142.

115. Martel J.M., Zaras K. Stochastic dominance in multicriteria analysis under risk // Theory and Decision. — 1995. — Vol. 39. — P. 31-49.

116. Matthews K.B., Craw S. Applying Genetic Algorithms to Multiobjective Land Use Planning // W3C Recommendation. Morgan Kaufmann. — 2000. — P. 613-620.

117. Nebro A.J., Alba E., Molina G. et al. Optimal antenna placement using a new multi-objective chc algorithm // 9th annual conference on Genetic and evolutionary computation GECCO'07. New York, USA: ACM. — 2007. — P. 876-883.

118. Openshaw S., Turner A.G.D. Dissagregative Spatial Interpolation // GISRUK 9tRTAnnual Conference. Wales, UK: University of Glamorgan. — 2001. — P. 570571.

119. Openshaw S., Openshaw C. Artificial Intelligence in Geography. New York, USA: John Wiley & Sons, Inc. — 1997. — 348 p.

120. Paola J.D., Showengerdt R.A. The effect of neural network structure on a multi-spectral land use/land cover classification // Photogrammetric Engineering and Remote Sensing. — 1997. — P. 535-544.

121. Parks G. Multiobjective PWR Reload Core Optimization Using Genetic Algorithms // International Conference on Mathematics and Computations, Reactor Physics, and Environmental Analyses. — 1995. — P. 615-624.

122. Parks G. Multiobjective pressurized water reactor reload core design by nondominated genetic algorithm search // Nuclear Science and Engineering. — 1996. — Vol. 124. —№ 1. —P. 178-187.

123. Parks G. Multiobjective pressurised water reactor reload core design using a genetic algorithm // The 3rd International Conference on Artificial Neural Networks and Genetic Algorithms. Norwich, UK: Springer-Verlag. — 1997. — P. 178-187.

124. Perestrello de Vasconcelos M.J., Silva S., Tome M. Spatial prediction of fireignition probabilities: Comparing logistic regression and neural networks // Photogrammetric Engineering and Remote Sensing. — 2000. — Vol. 67. — P. 7381.

125. Prato T. Multiple attribute evaluation of management alternatives for the Missouri River System // Using multi-criteria decision analysis in natural resource management. Hampshire: Ashgate Publishing, Ltd. — 2006. — P. 75-92.

126. Radhamani G., Joseph N. Managing Uncertain Data using Multi Criteria Repeat Crossover Genetic Algorithm // The International Journal of Recent Trends in Engineering. — 2009. — Vol. 2. — № 4. — P. 207-209.

127. Rayan T.C. Spatial decision support systems // Proceedings URISA'92. USA. — 1992. —P. 49-59.

128. Reed P.M., Minsker B.S., Valocchi A.J. Why Optimize Long Term Groundwater Monitoring Design? A Multiobjective Case Study of Hill Air Force Base // Proceedings of World Water and Environmental Resources Congress. Washington, DC: ASCE. — 2001. — P. 502.

129. Reed P., Minsker B.S., Goldberg D.E. A multiobjective approach to cost effective long-term groundwater monitoring using an elitist nondominated sorted genetic algorithm with historical data // Journal of Hydroinformatics. — 2001. — Vol.3. —P. 71-89.

130. Rigol J.P., Jarvis C.H., Stuart N. Artificial neural networks as a tool for spatial interpolation // International Journal of Geographical Information Science. — 2001.1. Vol. 15. —P. 323-343.

131. Ritzel B., Eheart W., Ranjithan S. Using genetic algorithms to solve a multiple objective groundwater pollution containment problem // Water Resources Research.1994. — Vol. 30. — № 5. — P. 1589-1603.

132. Rosenbloom E.S. A probabilistic interpretation of the final rankings in AHP // European Journal of Operational Research. — 1996. — Vol. 96. — № 2. — P. 371378.

133. Roy B. Multicriteria Methodology for Decision Aiding. Dordrecht: Kluwer Academic. — 1996. — 292 p.

134. Sárkózy F. GIS Functions-Interpolation // Period. Polytech. Civil. — 1999. — Vol. 43. —P. 63-87.

135. Saaty T.L. The Analytic Hierarchy Process, Planning, Piority Setting, Resource Allocation. New York: McGraw-Hill. — 1980. — 287 p.

136. Schaffer J.D. Multiple Objective Optimization with Vector Evaluated Genetic Algorithms. Nashville, TN, USA: Vanderbilt University. — 1984. — 205 p.

137. Schaffer J.D. Multiple Objective Optimization with Vector Evaluated Genetic Algorithms // 1st International Conference on Genetic Algorithms. Hillsdale, NJ, USA: L. Erlbaum Associates Inc. — 1985. — P. 93-100.

138. See L., Corne S., Dougherty M. et al. Some initial experiments with neural network models of flood forecasting on the River Ouse // 2nd International Conference on Geocomputing. New Zealand. — 1997. — P. 886-895.

139. Shershakov V.M., Borodin R.V., Kosykh V.S. Radioecological Analysis "Support System (REGASS) // Radiation Protection Dosimetry. — 1993. — Vol. 50. -№2-4. —P. 181-184.

140. Simon H.A. The new science of management decisions. New York: Harper & Row. — I960. —460 p.

141. Srinivas N., Deb K. Multiobjective Optimization Using Nondominated Sorting in Genetic Algorithms // Evolutionary Computation. — 1994. — Vol. 2. — № 3. — P. 221-248.

142. Stewart T.J. Simplified approaches for multi-criteria decision making under uncertainty // Journal of Multi-Criteria Decision Analysis. — 1995. — Vol. 4. — P. 246-258.

143. Stewart T.J., Janssen R., Herwijnen M. van. A genetic algorithm approach to multiobjective land use planning // Computers and Operations Research. — 2004. — Vol. 31. — № 14. — P. 2293-2313.

144. Tervonen T., Figueira J.R. A survey on stochastic multicriteria acceptability analysis methods // Journal of Multi-Criteria Decision Analysis. — 2008. — Vol. 15. — № 1-2. —P. 1-14.

145. Tkachuk A., Yatsalo B.I., Gritsyuk S.V. et al. Multi-criteria Decision Analysiswithin DECERNS WebSDSS // SRA Annual Meeting «Risk Analysis: The Science and the Art». Boston, USA: Society for Risk Analysis. — 2008. — P. 74.

146. Vemuri V., Cedeno W. A New Genetic Algorithm for Multi ObjectiveOptimization in Water Resource Management. Piscataway, New Jersey: IEEE Press. — 1995. — P. 495-500.

147. Wang X., Kerre E.E. Reasonable properties for the ordering of fuzzy quantities // Fuzzy Sets Syst. — 2001. — Vol. 118. — P. 375-385.

148. Waters N. Expert systems within a GIS: Knowledge acquisitions for spatial decision support systems // Proceedings of GIS'90. Vancouver: McKinsey. — 1989. — P. 740-759.

149. Winterfeldt D. von, Edwards W. Decision Analysis and Behavorial Research. Cambridge: Cambridge University Press. — 1986. — 624 p.

150. Yang X. Implementation of Neural Network Interpolation in ArcGIS and Case Study for Spatial-Temporal Interpolation of Temperature. Dallas, USA: University of Texas. —2005. — 122 p.

151. Yatsalo B.I. Decision Support System for Risk Based Land Management and Rehabilitation of Radioactively Contaminated Territories: PRANA approach // International Journal of Emergency Management. — 2007. — Vol. 4. — № 3. — P. 504-523.

152. Yatsalo B.I., Didenko V.I., Gritsyuk S.V. et al. Multi-Criteria Spatial Decision Support System DECERNS: Application to Land Use Planning // International Journal of Information Systems and Social Change. — 2010. — Vol. 1. — № 1. — P. 11-30.

153. Yatsalo B.I., Didenko V.I., Gritsyuk S.V. et al. Risk-based Land Management with the Use of Spatial Decision Support System DECERNS WebSDSS // SRA Annual Meeting «Risk Analysis: The Evolution of a Science». Baltimore, USA. — 2009. —P. 203.

154. Yatsalo B.I., Didenko V.I., Tkachuk A. et al. DecernsSDSS spatial decision support system for landuse planning and management // SRA 2nd World Congress on Risk. Guadalajara. — 2008. — P. 35.

155. Yatsalo B.I., Didenko V.l., Tkachuk A. et al. Sustainable Land Management with the Use of Multicriteria Spatial Decision Support System: DECERNS Approach // Sakharov Readings 2008: Environmental Problems of the 21 Century. Minsk: MSEU. —2008. —P. 224.

156. Yatsalo B.I., Didenko V.l., Tkachuk A. et al. DECERNS SDSS: Multicriteria Spatial Decision Support System for Sustainable Land Management // Sakharov Readings 2008: Environmental Problems of the 21 Century. Minsk: MSEU. — 2008. — P. 225.

157. Yatsalo B.I., Didenko V.l., Tkachuk A. et al. Multicriteria Spatial Decision Support System DECERNS WebSDSS for Risk Based Land Management // SRA Annual Meeting «Risk Analysis: The Science and the Art». USA. — 2008. — P. 73.

158. Yatsalo B.I., Gritsyuk S.V. DECERNS SDSS: Multi-Criteria Decision Support System for Analysis of Spatial Alternatives // The 23rd European Conference on Operational Research. Bonn, Germany. — 2009. — P. 189.

159. Yatsalo B.I., Gritsyuk S.V., Didenko V.l. et al. DECERNS: Web-based Multi-Criteria Spatial Decision Support System // Vl-th Moscow International Conference on Operations research (ORM-2010). Moscow: MSU. — 2010. — P. 172-174.

160. Yatsalo B.I., Gritsyuk S.V., Didenko V.l. et al. Land-Use Planning and Risk Management with the Use of Web-based Multi-Criteria Spatial Decision Support System DECERNS. Portugal: University of Coimbra. — 2010. — P. 9-10.

161. Yatsalo B.I., Gritsyuk S.V., Mirzeabasov O.A. New Approach to Multi-Criteria Acceptability Analysis // Vl-th Moscow International Conference on Operations research (ORM-2010). Moscow: MSU. — 2010. — P. 174-176.

162. Yatsalo B.I., Hedemann Jensen P., Alexakhin R.M. Methodological Approaches to Analysis of Agricultural Countermeasures on Radioactive Contaminated Areas: Estimation of Effectiveness and Comparison of Different Alternatives // Radiation

163. Protection Dosimetry. — 1997. — Vol. 74. — № 1-2. — P. 55-61.

164. Yatsalo B.I., Kiker G.A., Kim J. et al. Application of Multicriteria Decision Analysis Tools to two Contaminated Sediment Case Studies // Integrated Environmental Assessment and Management. — 2007. — Vol. 3. — №2. — P. 223233.

165. Zhou J., Civco D.L. Using genetic learning neural networks for spatial decisionmaking in GIS // Photogrammetric Engineering and Remote Sensing. — 1996. — Vol. 52. — № 11p. 1287-1295.

166. Zitzler E., Thiele L. Multiobjective Optimization Using Evolutionary Algorithms A Comparative Case Study // Parallel Problem Solving from Nature -PPSN-V. Springer. — 1998. — P. 292-301.

167. Zitzler E., Thiele L. Multiobjective Evolutionary Algorithms: A Comparative Case Study and the Strength Pareto Approach // IEEE Transactions on Evolutionary Computation. — 1999. — Vol. 3. — № 4. — P. 257-271.