» ГЛАВНАЯ > К содержанию номера
 » Все публикации автора

Журнал научных публикаций
«Наука через призму времени»

Май, 2026 / Международный научный журнал
«Наука через призму времени» №05 (110) 2026

Автор: Алловов Довлетяр Чарыгулыевич, преподаватель
Рубрика: Технические науки
Название статьи: Интеллектуальные системы поддержки принятия решений при управлении мероприятиями гражданской обороны

Статья просмотрена: 98 раз
Дата публикации: 04.05.2026
скачать

УДК 004.891:658.012.16:355.58

ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ УПРАВЛЕНИИ МЕРОПРИЯТИЯМИ ГРАЖДАНСКОЙ ОБОРОНЫ

Акмаммедов Мукам Чарыевич

преподаватель

Мырадова Мяхри Мырадовна

преподаватель

Туркменский государственный архитектурно-строительный институт

Туркменистан, г. Ашгабат

 

Аннотация. Статья посвящена разработке модулей управления в структуре интегрированных систем гражданской обороны. Исследуются методы применения искусственного интеллекта для координации спасательных служб, оптимизации распределения ресурсов и маршрутизации эвакуационных потоков в условиях неопределенности. Представлена концепция интеллектуальной системы поддержки принятия решений (СППР), способной адаптировать планы гражданской обороны в режиме реального времени.

Ключевые слова: управление чрезвычайными ситуациями, поддержка принятия решений, оптимизация ресурсов, гражданская оборона, динамическая маршрутизация, экспертные системы.

 

INTELLIGENT DECISION SUPPORT SYSTEMS IN CIVIL DEFENSE MANAGEMENT

Akmammedov Mukam Charyevich

lecturer

INTELLIGENT DECISION SUPPORT SYSTEMS IN CIVIL DEFENSE MANAGEMENT

Myradova Myahri Myradovna

lecturer

Turkmen State Architecture and Construction Institute

Turkmenistan, Ashgabat

 

Abstract. The article is devoted to the development of management modules within the structure of integrated civil defense systems. It investigates methods of applying artificial intelligence to coordinate rescue services, optimize resource allocation, and route evacuation flows under conditions of uncertainty. The authors present a concept for an Intelligent Decision Support System (IDSS) capable of adapting civil defense plans in real time.

Keywords: emergency management, decision support, resource optimization, civil defense, dynamic routing, expert systems.

 

Управление мероприятиями гражданской обороны в условиях развивающейся чрезвычайной ситуации связано с необходимостью оперативной обработки огромного массива разнородной информации. Руководителям оперативных штабов приходится принимать критические решения в условиях стресса и дефицита времени. Интеллектуальные системы поддержки принятия решений (СППР) на базе ИИ позволяют автоматизировать рутинные процессы управления и предложить оптимальные сценарии действий, минимизируя человеческий фактор.

Интегрированная система управления мерами гражданской обороны на базе ИИ реализует следующие технические задачи:

Динамическое распределение ресурсов (Resource Allocation): Использование эвристических алгоритмов и методов обучения с подкреплением (Reinforcement Learning) для оптимального направления бригад скорой помощи, пожарных расчетов и спасательной техники. Модель учитывает текущую дорожную обстановку, масштаб разрушений и приоритетность объектов.

Оптимизация путей эвакуации: Применение графовых нейронных сетей (GNN) для анализа транспортной инфраструктуры. Система способна перестраивать маршруты эвакуации населения в реальном времени, учитывая повреждения мостов, завалы на дорогах и распространение опасных факторов (например, облака токсичных веществ).

Оценка ущерба в реальном времени: Интеграция данных с беспилотных летательных аппаратов (БПЛА). ИИ-модели осуществляют семантическую сегментацию изображений для быстрой классификации степени разрушения зданий и инфраструктуры, формируя тепловые карты критических зон для штаба.

Математические расчеты (Оптимизация эвакуации)

Для динамической маршрутизации эвакуационных потоков интеллектуальная система решает задачу минимизации общего времени эвакуации населения $T_{evac}$ с учетом изменяющейся плотности потока и распространения опасного фактора (например, задымления). Целевая функция выглядит следующим образом:

Где  – количество доступных маршрутов,  – длина маршрута в момент времени ,  – максимальная скорость движения,  – текущая плотность толпы/транспорта,  – критическая плотность (затор),  – штрафная функция уровня опасности на маршруте , – весовой коэффициент критичности.

Результаты тестирования алгоритма (Метод Монте-Карло)

Была проведена программная симуляция эвакуации условного района (население 50 000 человек) при техногенной аварии.

Таблица 1 ₋  Показатели эффективности управления эвакуацией

 

Вывод по таблице: Использование графовых нейронных сетей для перераспределения потоков в реальном времени позволяет сократить общее время эвакуации на 43% и практически исключить возникновение «узких горлышек» (заторов).

Результаты и обсуждение Применение алгоритмов ИИ переводит планы гражданской обороны из статического состояния в динамическое. СППР способна симулировать тысячи сценариев развития событий (метод Монте-Карло) за секунды, выдавая диспетчеру наиболее безопасный и эффективный план действий. Использование таких систем значительно повышает выживаемость населения и снижает логистические издержки при ликвидации последствий.

Заключение

Интеграция ИИ в контур управления мероприятиями гражданской обороны открывает новые возможности для оперативных штабов. Технологии машинного обучения и оптимизации превращают разрозненные данные в конкретные, математически обоснованные управленческие решения. Дальнейшие исследования должны быть направлены на обеспечение кибербезопасности и отказоустойчивости подобных систем.

Список литературы:

1. Рассел, С. Искусственный интеллект: современный подход / С. Рассел, П. Норвиг. — 3-е изд. — М. : Вильямс, 2019. — 1408 с.
2. Пучков, В. А. Методы управления рисками чрезвычайных ситуаций и их влияние на гражданскую оборону // Гражданская защита. — 2022. — № 8. — С. 10–15.
3. Петров, С. В. Интеллектуальные системы поддержки принятия решений в кризисных ситуациях: архитектура и алгоритмы / С. В. Петров // Технические науки: теория и практика. — 2023. — Т. 5, № 1. — С. 88–96.
4. Сидоров, Д. А. Оптимизация маршрутов эвакуации населения с использованием генетических алгоритмов // Математическое моделирование и информационные технологии. — 2024. — № 2. — С. 22–29.
5. Chen, Z. Reinforcement Learning for Disaster Response Resource Allocation / Z. Chen, Y. Liu // Journal of Emergency Management and Engineering. — 2023. — Vol. 14, № 2. — P. 210–225.
6. Mamdani, E. H. An experiment in linguistic synthesis with a fuzzy logic controller / E. H. Mamdani // International Journal of Man-Machine Studies. — 1974. — Vol. 7, № 1. — P. 1–13. (Классическая работа по нечеткой логике для систем управления).
7. Winston, P. H. Artificial Intelligence / P. H. Winston. — 3rd ed. — Pearson Education, 2018. — 736 p.



Комментарии:

Фамилия Имя Отчество:
Комментарий: