Интегрированный алгоритм многокритериального группового принятия решений для задач эвакуации

Обложка

Цитировать

Полный текст

Аннотация

В данной статье представлен интегрированный алгоритм многокритериального группового принятия решений на основе интуиционистского нечеткого гибридного оператора усреднения для выбора оптимальной стратегии эвакуации. Данный алгоритм является многоуровневым, где на первом уровне осуществляется построение модели задачи в виде эвакуационной транспортной сети. На втором уровне производится ранжирование помещений для эвакуации для нахождения их оптимального порядка на основе различных критериев, таких как вместимость помещения, легкость эвакуации, уровень безопасности помещения как убежища, время организации эвакуации из этого места и отдаленность от источника опасности. Ранжирование помещений для эвакуации осуществляется на основе многокритериального группового принятия решений и интуиционистского нечеткого гибридного оператора усреднения для моделирования сомнений и неуверенности экспертов для оценки критериев эвакуации, эвакуационных альтернатив и важности экспертов. Алгоритм оперирует лингвистическими оценками экспертов, позволяя на их основе вычислять веса экспертов и критериев для эффективного принятия решения. Агрегирование оценок осуществляется на основе модифицированного алгоритма, который позволяет оперировать весами критериев, представленными в виде нечетких интуиционистских значений, в отличие от традиционных четких чисел, на основе разработанных модифицированных операторов возведения нечетких чисел в нечеткую степень для учета сомнений и неуверенности группы экспертов. На третьем уровне осуществляется макроскопическая потоковая динамическая эвакуация с учетом возможности размещения пострадавших в помещениях для эвакуации, не являющихся убежищами. Достоинством предложенного алгоритма является возможность моделирования транспортировки эвакуируемых в динамических условиях из опасных зон с учетом их размещения в промежуточных пунктах для максимизации числа спасенных жизней, учитывая неопределённость окружающей среды, нечёткий характер факторов, влияющих на приятие эвакуационных решений, неуверенность и сомнения группы экспертов при оценке эвакуационных стратегий. Для подтверждения эффективности разработанного алгоритма было проведено моделирование эвакуации и создана программная среда, реализованная на языке JavaScript. Проведено сравнение разработанного алгоритма принятия решения на основе оператора IFHA, оперирующего нечеткими весами критериев, с существующими алгоритмами и сделан вывод о достоверности предлагаемого алгоритма. Проведена оценка зависимости времени работы алгоритма от размера входных, подтверждающая возможность использования предложенного алгоритма для больших зданий и транспортных сетей.

Об авторах

В. В Курейчик

Южный Федеральный университет

Email: vkur@sfedu.ru
улица Энгельса 1

Е. М Герасименко

Южный Федеральный университет

Email: egerasimenko@sfedu.ru
улица Энгельса 1

Список литературы

  1. Герасименко Е.М., Кравченко Д.Ю., Кравченко Ю.А., Кулиев Э.В. Поддержка принятия решений по предупреждению и ликвидации последствий чрезвычайных ситуаций на основе нечеткого метода структурирования информации // Известия ЮФУ. Технические науки. 2023. № 2(232). С. 201–212.
  2. Shi D., Li J., Wang Q., Chen J., Lovreglio R., Lo J.T.Y., Ma J. Modeling and simulation of crowd dynamics at evacuation bottlenecks during flood disasters // Transportation Research Part E: Logistics and Transportation Review. 2025. vol. 198.
  3. Feng Z., Wang C., An J., Zhang X., Liu X., Ji X., Kang L., Quan W. Emergency fire escape path planning model based on improved DDPG algorithm // Journal of Building Engineering. 2024. vol. 95. doi: 10.1016/j.jobe.2024.110090.
  4. Kim J., Kim B.-J., Kim N. Perception-based analytical technique of evacuation behavior under radiological emergency: An illustration of the Kori area // Nuclear Engineering and Technology. 2021. № 53(3). pp. 825–832. doi: 10.1016/j.net.2020.08.012.
  5. Ford J., Fulkerson D.R. Maximal flow through a network // Canadian Journal of Mathematics. 1956. № 8(3). pp. 399–404.
  6. Gale D. Transient flows in networks // Michigan Mathematical Journal. 1959. № 6(1). pp. 59–63.
  7. Minieka E. Maximal, lexicographic, and dynamic network flows // Oper. Res. 1973. № 21(2). pp. 517–527. doi: 10.1287/opre.21.2.517.
  8. Chalmet L.G., Francis R.L., Saunders P.B. Network models for building evacuation // Fire Technology. 1982. № 18(1). pp. 90–113. doi: 10.1007/BF02993491.
  9. Opasanon S. On finding paths and flows in multicriteria, stochastic and time-varying networks // Ph.D. dissertation. University of Maryland. 2004.
  10. Cui J., An S., Zhao M. A Generalized Minimum Cost Flow Model for Multiple Emergency Flow Routing. Mathematical Problems in Engineering. 2014. doi: 10.1155/2014/832053.
  11. Hamacher H.W., Tufekci S. On the use of lexicographic min cost flows in evacuation modeling // Naval Research Logistics. 1987. vol. 34(4). pp. 487–503.
  12. Dunn C.E., Newton D. Optimal routes in GIS and emergency planning applications // Area. 1992. vol. 24(3). pp. 259–267.
  13. Miller-Hooks E., Patterson S.S. On solving quickest time problems in time-dependent, dynamic networks // Journal of Mathematical Modelling and Algorithms. 2004. № 3(1). pp. 39–71.
  14. Zadeh L.A. The concept of a linguistic variable and its application to approximate reasoning // Part I, Information Sciences. 1975. № 8(3). pp. 199–249.
  15. Garg H., Dutta, D., Dutta P., Gohain B. An extended group decision-making algorithm with intuitionistic fuzzy set information distance measures and their applications // Computers & Industrial Engineering. 2024. 197. doi: 10.1016/j.cie.2024.110537.
  16. Seth T., Muhuri P.K. Hesitant and uncertain linguistics based executive decision making using risk and regret aversion: Methods, implementation and analysis // MethodsX. 2024. vol. 12.
  17. Bozhenyuk A., Gerasimenko E., Kacprzyk J., Rozenberg I. Flows in networks under fuzzy conditions // Studies in Fuzziness and Soft Computing. 2017. vol. 346. 168 p.
  18. Gerasimenko E., Kureichik V., Kuliev E. Maximum Dynamic Flow Model for Hesitant Fuzzy Evacuation with Intermediate Storage at Nodes // Intelligent and Fuzzy Techniques for Emerging Conditions and Digital Transformation (INFUS). Lecture Notes in Networks and Systems. 2022. vol. 307. pp. 694–704.
  19. Gerasimenko E., Kureichik V. Minimum cost lexicographic evacuation flow finding in intuitionistic fuzzy networks // Journal of Intelligent and Fuzzy Systems. 2022. vol. 42(1). pp. 251–263.
  20. Герасименко Е.М. Курейчик В.В. Родзин С.И. Кухаренко А.П. Применение нечеткой логики для принятия решений об эвакуации при наводнении // Известия ЮФУ. Технические науки. 2022. № 4(228). С. 15–29.
  21. Гамаюнова В.О., Богомолов А.С., Кушников В.А., Иващенко В.А. Мультиагентное моделирование эвакуации из помещений с учетом столкновений агентов // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. 2025. Т. 25. № 1. С. 106–115.
  22. Коткова Е.А., Матвеев А.В. Методика интеллектуального прогнозирования эффективности управления эвакуацией людей из общественных зданий // Научно-аналитический журнал "Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России". 2021. № 4. С. 107–120.
  23. Ashraf S., Garg H., Kousar M. An industrial disaster emergency decision-making based on China’s Tianjin city port explosion under complex probabilistic hesitant fuzzy soft environment. Engineering Applications of Artificial Intelligence. 2023. vol. 123. doi: 10.1016/j.engappai.2023.106400.
  24. Luo Z., Tian J., Zeng J., Pilla F. Flood risk evaluation of the coastal city by the EWM-TOPSIS and machine learning hybrid method. International Journal of Disaster Risk Reduction. 2024. vol. 106.
  25. Dhamala M.C., Adhikari D., Khanal P. Pyakurel U. Generalized maximum flow over time with intermediate storage // Annals of Operations Research. 2024. vol. 335(1). pp. 111–134.
  26. Xu Z. Hesitant Fuzzy Sets Theory // Studies in Fuzziness and Soft Computing. 2014. vol. 314.
  27. D’Urso P., Chachi J., Kazemifard A., De Giovanni L. OWA-based multi-criteria decision making based on fuzzy methods // Ann. Oper. Res. 2024. doi: 10.1007/s10479-024-05926-5.
  28. Kazemifard A., Chachi J. MADM approach to analyse the performance of fuzzy regression models. Journal of Ambient Intelligence and Humanized Computing. 2022. vol. 13(8). pp. 4019–4031.
  29. Chen S.M., Yang M.W., Lee L.W., Yang S.W. Fuzzy multiple attributes group decision making based on ranking interval type-2 fuzzy sets // Expert Systems with Applications. 2012. vol. 39(5). pp. 5295–5308.
  30. Wang W.Z., Liu X.W., Qin Y. Multi-attribute group decision making models under interval type-2 fuzzy environment // Knowledge-Based Systems. 2012. vol. 30. pp. 121–128.
  31. Zadeh L.A. Fuzzy sets // Information and Control. 1965. vol. 8. pp. 338–353.
  32. Piegat A. Fuzzy Modelling and Control. Berlin Heidelberg. Springer-Verlag. 2001. 728 p.
  33. Atanassov K.T. Intuitionistic fuzzy sets // Fuzzy Sets and Systems. 1986. vol. 20(1). pp. 87–96. doi: 10.1016/S0165-0114(86)80034-3.
  34. Ngan S.-C. An extension framework for creating operators and functions for intuitionistic fuzzy sets // Information Sciences. 2024. vol. 666.
  35. Senapati T., Chen G., Mesiar R., Yager R.R. Intuitionistic fuzzy geometric aggregation operators in the framework of Aczel-Alsina triangular norms and their application to multiple attribute decision making // Expert Systems with Applications. 2023. vol. 212. doi: 10.1016/j.eswa.2022.118832.
  36. Xu Z.S. Intuitionistic fuzzy aggregation operators // IEEE Transactions on Fuzzy Systems. 2007. vol. 15(6). pp. 1179–1187.
  37. Ye J. Group decision-making strategy based on aggregation operators of linguistic confidence interval neutrosophic numbers in a linguistic neutrosophic multivalued scenario // Engineering Applications of Artificial Intelligence. 2025. vol. 141. doi: 10.1016/j.engappai.2024.109823.
  38. Faizi S., Shah M.H., Sałabun W., Rashid T. A novel approach employing hesitant intuitionistic fuzzy linguistic Einstein aggregation operators within the EDAS approach for multicriteria group decision making // Heliyon. 2024. vol. 10(11).
  39. Faizi S., Shah M., Rashid T. A modified VIKOR method for group decision-making based on aggregation operators for hesitant intuitionistic fuzzy linguistic term sets // Soft Computing. 2022. vol. 26(5). pp. 2375–2390.
  40. Torra V. The weighted OWA operator // International Journal of Intelligent Systems. 1997. vol. 12(2). pp. 153–166.
  41. Kacprzyk J., Bozhenyuk A., Gerasimenko E. Lexicographic maximum dynamic evacuation modeling with partial lane reversal based on hesitant fuzzy TOPSIS // Applied Soft Computing. 2023. vol. 144. doi: 10.1016/j.asoc.2023.110435.
  42. Gerasimenko E. Dynamic Flow Algorithm with Intermediate Storage for Emergency Evacuation Allowing Lane Reversal based on Incomplete Intuitionistic Fuzzy Preference Relation // The open transportation journal. 2024. vol. 18(1). doi: 10.2174/0118744478281682240627062300.
  43. Khanal D.P., Pyakurel U., Dhamala T.N., Dempe S., Schiermeyer I. Prioritized Maximum Multi-Commodity Flow in Evacuation Planning Dynamics of Disasters // Natural Phenomena to Human Activity. 2024. pp. 123–140.
  44. Adhikari M.C., Pyakurel U. Lexicographic Maximum Flow Allowing Intermediate Storage // The Nepali Mathematical Sciences Report. 2022. vol. 39. no. 1. pp. 1–13.
  45. Wang L., Gong Z., Zhang N. Consensus Modelling on Interval-Valued Fuzzy Preference Relations with Normal Distribution // International Journal of Computational Intelligence Systems. 2018. vol. 11(1). pp. 706–715.
  46. Chen K.-S., Hsieh T.-H., Chang C.-P., Yao K.-C., Huang T.-H. Fuzzy Decision-Making and Resource Management Model of Performance Evaluation Indices // Axioms. 2024. vol. 13(3).
  47. Baral S., Parida P., Sahoo D. Fuzzy TOPSIS technique for multi-criteria group decision-making: A study of crude oil price // Results in Control and Optimization. 2025. vol. 19. doi: 10.1016/j.rico.2025.100565.
  48. Герасименко E.М., Кравченко Д.Ю., Курейчик В.В., Кулиев Э.В, Кравченко Ю.А., Родзин С.И. Модифицированный биоинспирированный метод поддержки принятия решений по предупреждению и ликвидации последствий чрезвычайных ситуаций // Информационные технологии. 2023. Т. 29. № 8. С. 423–436. doi: 10.17587/it.29.423-436.
  49. Buckley J.J. The Fuzzy Mathematics of Finance // Fuzzy Sets and Systems. 1987. № 21(3). pp. 257–273.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».