автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы многокритериального анализа приемлемости альтернатив и гибридные методы искусственного интеллекта в задачах реабилитации техногенно - радиоактивно загрязненных территорий

На правах рукописи

УО5001769 I

Грицюк Сергей Витальевич

МЕТОДЫ МНОГОКРИТЕРИАЛЬНОГО АНАЛИЗА ПРИЕМЛЕМОСТИ АЛЬТЕРНАТИВ И ГИБРИДНЫЕ МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЗАДАЧАХ РЕАБИЛИТАЦИИ ТЕХНОГЕННО - РАДИОАКТИВНО ЗАГРЯЗНЕННЫХ ТЕРРИТОРИЙ

Специальность 05.13.01 - системный анализ, управление и обработка информации (по энергетике)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

] 2 4 НОЯ 2011

Обнинск 2011

005001769

Работа выполнена в Обнинском институте атомной энергетики - филиале Федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Национальный исследовательский ядерный университет «МИФИ»

Научный руководитель:

доктор технических наук Яцало Борис Иванович

Официальные оппоненты:

доктор технических наук Камаев Дмитрий Альфредович

кандидат технических наук Мурынин Александр Борисович

Ведущая организация:

Национальный исследовательский центр «Курчатовский институт»

Защнга состоится «К/ » ¡рекдс^- 20Ц г. в 14 час. 00 мин. на заседании диссертационного совета Д 212.130.10 при Национальном исследовательском ядерном университете «МИФИ» по адресу: 249040, Калужская обл., г. Обнинск, Студгородок, 1, зал заседаний ученою совета ИАТЭ НИЯУ «МИФИ».

С диссертацией можно ознакомиться в библиотеке ИАТЭ НИЯУ «МИФИ».

Автореферат разослан « г.

Ученый секретарь

диссертационного совета Д 212.130.10 д.ф.-м.н., профессор

Шаблов Владимир Леонидович

Общая характеристика работы

Актуальность работы 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.

Цель и задачи исследования

Цель представленной работы состоит в разработке многокритериальных 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.

Для достижения цели были решены следующие задачи:

1. Разработаны методы многокритериального анализа приемлемости альтернатив РгоМАА (Probabilistic Multicriteria Acceptability Analysis) и FMAA (Fuzzy Multicriteria Acceptability Analysis), учитывающие неопределенности объективного и субъективного характера;

2. Предложен гибридный генетический алгоритм FMOCHC (Fuzzy MultiObjective СНС) для решения многоцелевых оптимизационных задач с нечеткими входными данными;

3. Для оптимизации сетей мониторинга радиоактивно загрязненных территорий предложен подход к многоцелевой оптимизации с использованием искусственной нейронной сети в цикле генетического алгоритма;

4. Разработана система поддержки принятия решений, реализующая основные методы дискретного многокритериального анализа решений, в том числе предложенные в данной работе методы многокритериального анализа приемлемости, а также программный инструмент для работы с генетическими алгоритмами;

5. С использованием предложенных методов, алгоритмов и компьютерных систем проведен анализ многокритериальных задач планирования землепользования, реабилитации техногенно загрязненных территорий и оп-

тимизации структуры сети радиационного мониторинга.

Научная новизна

- впервые предложены вероятностные методы многокритериального анализа приемлемости альтернатив РгоМАА и РМАА, учитывающие неопределенности объективного и субъективного характера с использованием методов теории вероятностей (РгоМАА) и нечетких множеств (РМАА);

- впервые предложен гибридный генетический алгоритм РМОСНС 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 РМАА 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 работы 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.

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).

Личное участие автора

Основными результатами, полученными лично соискателем, являются:

- разработка методов многокритериального анализа приемлемости аль-

тернатив ProMAA и FMAA;

- разработка гибридного генетического алгоритма FMOCHC 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.

Положения, выносимые на защиту

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

2. Гибридный генетический алгоритм FMOCHC 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.

Апробация результатов работы

Основные результаты работы докладывались на конференциях (перечислены наиболее значимые международные конференции):

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

• VI Московская международная конференция по исследованию опера-

ций, МГУ, ВЦ РАН, Москва, 19-23 октября 20 Юг.

• 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.

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

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

• XI Международная конференция «Безопасность АЭС и подготовка кадров — 2009», Обнинск, 29 сентября - 2 октября 2009г.

Публикации

Основные результаты диссертации опубликованы в 29 работах, в том числе в 4 статьях в рецензируемых журналах из списка ВАК.

Структура и объем диссертации

Диссертация состоит из введения, четырех глав и заключения с многоуровневой нумерацией внутри каждой главы. Общий объем диссертации составляет 193 страницы машинописного текста. Основной текст работы изложен на 161 странице, включая 44 рисунка и 10 таблиц. Библиографический список литературы содержит 178 наименований.

Содержание работы

Во введении обоснована актуальность разработки современных методов, алгоритмов и систем для обеспечения поддержки принятия решений по ликвидации последствий возможных или имевших место радиационных/техногенных аварий, обозначены цели и задачи исследования. Сформулированы научная новизна и практическая значимость работы, представлены положения, выносимые автором на защиту.

Первая глава посвящена обзору текущего состояния исследований и разработок по теме диссертации.

Во введении к первой главе обсуждаются общие понятия теории принятия решений, системы поддержки принятия решений, роль геоинформационных систем в процессе принятия пространственных решений. Дается общая схема процесса многокритериального анализа решений, а также приводится классификация и примеры использования различных методов и подходов в данной области.

В первом параграфе приведен обзор основных методов дискретного многокритериального анализа решений (МАУТ/МАиТ, АНР, ТОРБК, РЯО-МЕТНЕЕ, БМАА, РиггуМАУТ и др.), указаны их особенности и недостатки, отмеченные в научных публикациях.

Во втором параграфе проводится обзор методов многоцелевой оптимизации. Особое внимание уделено наиболее активно развивающимся в последнее время областям, таким как эволюционные вычисления и многокритериальные генетические алгоритмы. Отмечено, что генетические алгоритмы, благодаря своей эвристической природе могут применяться для решения широкого класса задач.

В третьем параграфе обсуждаются геоинформационные системы, представляющие собой эффективного поставщика данных для систем поддержки принятия пространственных решений (анализа пространственно распределенных альтернатив). Также проводится обзор работ в области интеграции геоинформационных систем и методов/систем многокритериального анализа решений.

В четвертом параграфе рассматриваются искусственные нейронные сети, эффективно используемые для решения широкого круга задач, включая задачи интерполяции и оптимизации. Приводится обзор литературы в области применения нейронных сетей совместно с геоинформационными системами в качестве метода интерполяции пространственно распределенных данных.

В пятом параграфе приведен обзор систем поддержки принятия решений разработанных (и разрабатываемых) в России и за рубежом, которые применяются для мониторинга и реабилитации техногенно/радиоактивно загрязненных территорий.

Во второй главе предложен ряд новых методов и оригинальных подходов к анализу решений, при этом рассматриваются как методы решения задач дискретного многокритериального анализа решений, так и методы решения задач многоцелевой оптимизации.

В первом параграфе обсуждается важность учета неопределенностей в рамках многокритериального анализа решений и предлагается два новых метода анализа приемлемости альтернатив - РгоМАА и БМАА, способных учитывать неопределенности объективного и субъективного характера с использованием вероятностных методов и теории нечетких множеств.

В рамках базового алгоритма, положенного в основу этих методов, для

всех рассматриваемых альтернатив на основе попарного сравнения конструируются «события ранга» с использованием логических операций «И/АКБ» (знак Л) и «ИЛИ/ОЯ» (знак V ). Учет и анализ неопределенностей в рамках предлагаемых методов основан на оценке меры «события ранга»: 8ц={Альтернатива а, имеет ранг к}, 1,к=1, ...,п

В общем виде события могут быть сформированы с использованием логических выражений следующим образом:

^=1,у,, ((*,(77< <77'Ял (77< - . (о

где 77(=77(а) оценка альтернативы а„ /=1,...,и, в интегральной шкале ценности/полезности; при этом, чем выше значение ц-, в ряду значений г\и

щ..... 7]„, тем лучше альтернатива в/ (относительно заданного множества

альтернатив) и тем выше ее ранг. Ранг альтернативы - это ее место в упорядоченном по предпочтению списке альтернатив (ранг 1 присваивается лучшей альтернативе, ранг п - худшей).

Предлагаемый вероятностный подход РгоМАА основан на трактовке используемых величин (значения критериев й значения весовых коэффициентов), как случайных с известными/заданными законами распределения. Если интегральная оценка альтернативы характеризуется соответствую-

щей плотностью распределения вероятностей щ(х) (функцией распределения Г,(х)), то, в предположении независимости (в рамках модели сравнения интегральных полезностей альтернатив) рассматриваемых случайных величин, вероятности событий ранга (1) могут быть оценены следующим образом:

£ 1 (Ш1-*■/.) П (2)

(/,</2<...</4.,) *=1

Предлагаемый метод РМАА является адаптацией анализа приемлемости (1) по отношению к множеству ценностей {У(а), /=1.....и}, выражаемых

нечеткими числами. Как и для метода РгоМАА, используется обозначение 77, для нечеткого числа также рассматриваются нечеткие числа: щ= 77, -

,...,и. Функция принадлежности нечеткого числа щ определяется формулой:

Мщ(2)= V (3)

где хлу = тт(х,>>)> хVу = тах(х,у).

Мера событий 5"«, определяет индекс приемлемости ранга //(/, к) или степень уверенности в том, что альтернатива / имеет ранг к. Индексы приемлемости ранга //(/,&) могут быть определены с использованием методов нечеткой логики (например, с использованием одного из наиболее часто используемых вариантов Лукашевича):

ми) = М^) = //( V ((л(% < 0)) л (//.. > 0))) =

(/1</2<...</4_]) 1=1 > 1

5=1 ,..,¿-1 , ч

(4)

= шах {гп1п{ лип и.., шш д.}}

Располагая данными о мерах (матрице) Рл =Р } или/и

/л(},к) = событий эксперты/ЛПР могут выбирать наиболее при-

емлемую альтернативу. Для интеграции имеющихся показателей приемлемости альтернативы, может быть также использован (если эксперты видят в этом необходимость) метод взвешенного суммирования (5) для определения индекса Д, интегральной приемлемости альтернативы а,:

^=2>г/<(и), (5)

*=1

ас и

где м?к - веса относительной важности рангов, задаваемые экспертами/ЛПР.

Предложенные методы РгоМАА и РМАА, основанные на оценке индексов приемлемости рангов, представляют собой один из подходов к учету неопределенностей объективных значений и субъективных предпочтений в рамках многокритериального анализа решений. Являясь фактически расширением методов МАУТ/МАиТ в части оценки интегральной полезности альтернативы с учетом неопределеностей, описанные варианты многокритериального анализа приемлемости РгоМАА и РМАА не используют концепцию ожидаемой полезности. Указанные методы могут быть эффективным средством анализа решений в случаях существенной неопределенности значений критериев и/или весовых коэффициентов; при этом неопределенности могут быть представлены как с использованием случайных, так и с использованием нечетких величин.

Особое внимание в параграфе уделено заданию весовых коэффициен-

тов для методов ProMAA и FMAA с учетом возможных неопределенностей.

Во втором параграфе предлагается многоцелевой генетический алгоритм FMOCHC, представляющий собой оригинальную модификацию генетического алгоритма МОСНС. В отличие от МОСНС, алгоритм FMOCHC позволяет учитывать неопределенности входных данных с использованием нечетких величин.

Для работы с нечеткими данными в алгоритме FMOCHC разработаны специальные классы, позволяющие в качестве оценок по критериям вместо действительных чисел использовать нечеткие числа, все операции при этом производятся посредством нечеткой алгебры, а сравнения нечетких чисел осуществляются через дефаззификацию по центру масс.

В третьем параграфе предлагается подход по интеграции искусственной нейронной сети и генетического алгоритма для решения задачи оптимизации сетей мониторинга радиоаюгивно/техногенно загрязненных территорий.

Каждая особь популяции генетического алгоритма кодирует в своем генотипе (используется бинарное кодирование) одно из возможных решений (для задачи оптимизации сетей решением является подсеть), а искусственная нейронная сеть используется на каждой итерации алгоритма для оценки параметров рещений/подсетей, в частности рассчитывает оценки альтернатив по критериям задачи.

В четвертом параграфе описана система многокритериального анализа пространственных решений DECERNS, ее общая структура, основные подсистемы и функции. При этом основное внимание уделено блоку многокритериального анализа решений DECERNS-MCDA: приведена схема блока, описана внутренняя архитектура и разработанная библиотека методов.

В третьей главе описаны рассматриваемые в данной работе практические задачи размещения объектов, охраны окружающей среды и реабилитации техногенно загрязненных территорий с использованием разработанных методов и систем.

В первом параграфе представлены: задача по размещению объектов с учетом радиационного загрязнения территории (на примере размещения дачного поселка) и две задачи по управлению загрязненными донными отложениями. Задачи исследуются методами дискретного анализа решений MAVT, АНР, TOPSIS, PROMETHEE, MAUT, а также предложенными в данной работе методами анализа приемлемости ProMAA и FMAA (для вариантов

задач с распределенными весовыми коэффициентами). При анализе первой задачи также используется ГИС для скрининга альтернатив, оценки критериев, анализа и представления пространственно распределенных данных и альтернатив. Также в главе представлены две задачи многоцелевой оптимизации: задача оптимизации структуры контрмер на радиоактивно-загрязненной территории, которая решается с помощью многокритериальных генетических алгоритмов NSGA-II, МОСНС и предложенного алгоритма FMOCHC (для варианта задачи с нечеткими входными данными), а также задача оптимизации сети мониторинга радиоактивно-загрязненной территории, к которой применяется предложенный подход по интеграции искуственной нейронной сети в цикл генетического алгоритма (используются многоцелевые алгоритмы NSGA-II и МОСНС).

Во втором параграфе приводятся особенности реализации предложенных во второй главе методов: описаны особенности задания распределенных величин и нечетких чисел, интерфейс и выходные результаты методов Рго-МАА и FMAA; также описаны: выбранные параметры для генетических алгоритмов, исследование архитектур нейронных сетей, процедура построения нейронной сети и ее интеграции в генетический алгоритм.

В третьем параграфе описаны система многокритериального анализа решений DECERNS-MCDA и среда для запуска генетических алгоритмов и визуализации развития популяции в реальном времени.

В четвертой главе приведены результаты анализа пяти рассматриваемых в диссертационной работе сценариев, описанных в первом параграфе главы 3.

В первом параграфе рассматриваются результаты анализа задачи по размещению дачного поселка на территории Новозыбковского и Клинцовско-го районов Брянской области с учетом загрязнения территории (см. карту загрязнения на рис.1).

Предложен следующий подход к поиску решения поставленной задачи: реализация скрининг-процесса, используя при этом ГИС-функции СППР DECERNS, с последующим применением методов многокритериального анализа решений для найденного множества альтернатив.

Рис.1. Карта поверхностного загрязнения С8-137 и векторные слои крупных рек и дорог.

Были согласованы следующие критерии для поиска площадки под строительство дачного поселка (стадия скрининг-процесса): близость к населенным пунктам, близость к дорогам, близость к водным объектам, близость к заболоченной территории, расстояние от железной дороги, близость к лесным массивам, расстояние от животноводческих ферм, расстояние от экологически опасных объектов, плотность поверхностного загрязнения территории.

В рамках последующего анализа найденных альтернатив методами МКАР использовались следующие критерии: близость к лесным массивам, расстояние от животноводческих ферм, расстояние от экологически опасных объектов, плотность поверхностного загрязнения территории (радионуклидами 137Cs), общая оценка качества местности/ландшафта, общие расходы, связанные со строительством дачного участка на выбранной территории. Для анализа задачи использовались следующие методы МКАР: MAVT, TOPSIS, PROMETHEE, MAUT, а также предложенные в данной работе методы анализа приемлемости РгоМАА (см. рис.2) и FMAA.

Результаты разных методов оказались хорошо согласованы. Учитывая результаты анализа чувствительности и, принимая во внимание дополнительный анализ альтернатив с использованием ГИС и всего множества географической и атрибутивной информации, лучшими альтернативами были признаны альтернативы и А$. Заказчики согласились с мнением экспертов

об отсутствии значимой разницы между двумя этими альтернативами и приняли решение сделать выбор между ними после дополнительного анализа этих площадок с выездом на места.

Отче! (РгоМАА)

(>Индексы ч Ранжирование

Индексы приемлемости рангов

5 3 !!111И 1

м 0.46 0,40 0,14 0,00 0,

1 А2 : 0.09 0,30 0.53 0,02 0,00

АЗ 0,44 0.30 0,24 0,02 0,00

: 0,00 0,00 0,04 0,84 0,13

Л5 0,00 0,00 0,00 0,12 0,38

0.4«!

Вер-т

^Рзнг

Рис.2. Задача размещения: результаты оценок приемлемости по методу РгоМАА

Во втором параграфе рассматриваются результаты анализа задачи по управлению загрязненными донными отложениями на реке Кохеко (Нью-Хэмпшир, США). Приведены рассматриемые в задаче 4 критерия (цена, качество окружающей среды, влияние на экологическую среду обитания, влияние на среду обитания человека) и 4 альтернативы, группы весовых коэффициентов, заданные экспертами, и таблица характеристик альтернатив по критериям. Обсуждаются результаты анализа задачи с использованием методов МАУТ, АНР и Р1ЮМЕТНЕЕ, также приводятся результаты анализа приемлемости альтернатив по методам РгоМАА и БМАА (рассматривается вариант задачи с распределенными весовыми коэффициентами). Проведен

анализ итогового ранжирования альтернатив при использовании каждого из методов. Несморя на некоторые различия в ранжировании, результаты анализа приемлемости в целом согласуются с результатами, полученными по другим методам.

При этом отмечено, что учет неопределенностей требует от экспертов больше информации о природе рассматриваемой задачи (задание вида и параметров вероятностных распределений величин, вида функций принадлежности и т.д.), что способствует более полному учету неопределенностей объективных значений и субъективных предпочтений в рамках анализа влияния неопределенностей на рекомендуемые / принимаемые решения (результат анализа приемлемости приведен на рис.3).

| Отчет (РгоМАА) Ц | Индексы Ранжирование!_______|)

Индексы приемлемости рангов

4 3 2 минм

взт 0.005 0,213 0,252 0,530 |

пц 0,001 0,637 0,279 0,083

шИИ 0,000 0,132 0,469 0,399 j 0,000 |

сг 0,994 0,006 0,000

О С'З

___ Ранг

4 3 2 1

Рис.3. Задача Кохеко: анализ приемлемости по методу РгоМАА

В третьем параграфе приведено исследование задачи по управлению загрязненными донными отложениями в порту Нью-Йорка/Нью-Джерси (США). Также как в первой задаче, приводятся рассматриваемые критерии (значение экологической опасности, значимость различных путей отрицательного влияния на экосистемы, значимость различных путей отрицательного влияния на здоровье населения, максимальный риск заболевания раком, концентрация загрязненных веществ в рыбе, стоимость, отношение площади пострадавшей территории к емкости сооружения), 8 предложенных экспертами альтернатив, группы весовых коэффициентов выработанные разными группами экспертов, таблица характеристик альтернатив по критериям. Как и в первой задаче, обсуждаются результаты анализа по основным методам дискретного многокритериального анализа решений и по методам анализа приемлемости, предлагаемым в работе. В этом случае ранжирование альтернатив зависит от используемого метода МКАР, но все методы выделяют три альтернативы, которые могут быть рекомендованы ЛПР для дальнейшего рассмотрения (результаты анализа приемлемости альтернатив по методу БМАА приведены на рис.4).

Поскольку учет неопределенности требует от экспертов больше информации о природе рассматриваемой задачи, итоговые ранжирования в этом случае могут отличаться в зависимости от выбранных экспертами параметров, что отмечено как при анализе первой задачи, так и при анализе второй. Также в параграфе делается вывод о том, что анализ приемлемости, в целом, предоставляет ЛПР дополнительную информацию о рассматриваемой задаче, и итоговом ранжировании альтернатив (в том числе, например, информацию о вероятности/мере данной альтернативы иметь ранг к).

В четвертом параграфе рассматривается задача оптимизации структуры контрмер на радиоактивно загрязненной территории Новозыбковского района Брянской области (РФ). Каждая альтернатива задачи представляет собой множество объектов землепользования (привязанных к населенным пунктам), а также соответствующих контрмер, которые будут применяться на некоторых из этих объектов. Рассматриваются три критерия (предотвращаемая коллективная доза облучения местного населения, доля производимого в регионе молока с загрязнением, не превышающим установленный норматив, доля населения региона, проживающего в населенном пункте со среднегодовой дозой, превышающей установленный норматив) и ограничение на стоимость предлагаемых мероприятий-

Индексы приемлемости рангов

Рис.4. Задача Нью-Йорк/Нью-Джерси: анализ приемлемости по методу БМАА.

Для решения задачи используется предложенный в рамках данной работы многоцелевой генетический алгоритма РМОСНС, который позволяет принимать входные данные с неопределенностью с использованием нечетких чисел (пример одного из решений задачи, предложенного алгоритмом РМОСНС, приведен на рис. 5). Из полученных результатов сделан вывод об эффективности генетических алгоритмов для решения оптимизационных задач большой размерности в целом. Предложенный в данной работе метод

| Отчет (РииуММ) 8

* . " :: 033 0.3858 п пзз 0.3301 БЗЗ 0 3654 ЗЕ " _ 0.0327 БД ' 0.5МЗ_ ТПМ 0.0397 ТПД 1_0,4В57^

0,4057

0.3858

0.3654

0,3301

0,0397

0,0045

0,0027

0,7009^ 0,0517

_0,29Э1 0,0068

^0,2719 0,0045

^ '

0.0068 0.4677 0.4024 0.4460 0.0045

| 0,0207 | 0.5198 | 0.4380 I 0.4802 | 0.0182

, 5

| 0.0213 0 4802 0 4554 0 5198 0.0189

4

0.0323 0.4380 0.5446 0.4554 0,0304

0.0517

0.5323

0,0823

0,4677

0,0834

0,4460

0,1067

0,4024

1

0 5521 0,0189 0.0304 0.0182 0.4479

0,4479 0,0213 0,0323 0.0207 0,5521

БМОСНС дает большее число недоминируемых решений, чем другие генетические алгоритмы, но поддержка алгоритмом нечетких данных и необходимость нечеткой алгебры приводят к снижению скорости работы

Рис.5. Задача оптимизации структуры контрмер: решение задачи на карте Новозыбковского района. Различными цветами указаны предлагаемые алгоритмом контрмеры.

(примерно в 3 раза, по результатам исследований). При этом необходимо отметить, что для широкого класса задач, в т.ч. и данном случае, отсутствуют жесткие требования на время решение задачи.

В пятом параграфе рассматривается задача оптимизации структуры сети мониторинга радиоактивно загрязненной территории Брянской области. Каждая альтернатива представляет собой сеть мониторинга - подмножество полигонов, в которых производятся измерения загрязнения, загрязнение других полигонов определяется с использованием искуственной нейронной сети. Рассматриваются два критерия (средняя относительная ошибка сети мониторинга, стоимость создания/поддержки сети мониторинга).

Для решения задачи используется предложенный гибридный подход, совмещающий использование многоцелевых генетических, алгоритмов для поиска оптимальных решений и нейронных сетей для оценки значений радиоактивного загрязнения объектов землепользования исследуемого района по уже имеющимся данным. Приводятся результаты экспериментов с несколькими модифицированными многоцелевыми генетическими алгоритмами (ИБСА-П и МОСНС). Для оценки результатов загрязнения ра-

дионуклидами 137Св в точках (полигонах), не вошедших в формируемую сеть мониторинга, используется выбранная в результате предварительного исследования нейронная сеть архитектуры 2-7-5-1 с двумя скрытыми слоями (пример одного из решений задачи приведен на рис.6).

Рис.6. Задача оптимизации сети мониторинга: решение на карте хозяйства «Решительный» (темным цветом указаны исключенные из мониторинга полигоны, в которых предлагается использовать нейронную сеть)

В том же параграфе показано, что комбинирование генетических алгоритмов и нейронной сети дает хорошие результаты в 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 многоцелевых задач (задачи оптимизации структуры контрмер и сети мониторинга) проведен дополнительный анализ найденных генетическими алгоритмами решений методом субоптимизации и методом МАУТ; таким образом, показано, как различные методы могут применяться совместно с методами оптимизации для решения достаточно сложных задач с большим числом альтернатив.

В заключении представлены основные результаты проделанной работы:

1. Разработаны методы многокритериального анализа приемлемости альтернатив, позволяющие учитывать неопределенности объективного и

субъективного характера с использованием вероятностных методов (РгоМАА) и теории нечетких множеств (FMAA), 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 FMOCHC 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.

Основные публикаций по теме диссертации

В рецензируемых Журналах из списка ВАК .

1. Грнцюк С.В. Управление мероприятиями по реабилитации радиоактивно загрязненных территорий с использованием методов многоцелевой оптимизации / С.В. Грицюк, Б.И. Яцало, В.И. Диденко //Ядерная Энергетика. Известия Высших Учебных Заведений. №3,2010, С. 55-65.

2. Грицюк С.В. Оптимизация структуры сети мониторинга радиоактивно загрязненных территорий с использованием многокритериальных генетических алгоритмов и нейронных сетей / С.В. Грицюк, Б.И. Яцало, Г.И. Афанасьев, И.А. Пичугина // Ядерная Энергетика. Известия Высших Учебных Заведений. №4,2010. С. 91-102.

3. Яцало Б.И. Учет неопределенностей в рамках многокритериального анализа решений с использованием, концепции приемлемости / Б.И. Яцало, С.В. Грицюк, О.А. Мирзеабасов, М.В. Василевская // Управление большими системами. Выпуск 32. М.: ИПУ РАН, 2011. С. 5-30.

4. Yatsalo В. Multi-Criteria Spatial Decision Support System DECERNS: Application to Land Use Planning / B. Yatsalo, V. Didenko, A. Tkachuk,

S. Gritsyuk, O. Mirzeabasov, V. Slipenkaya, A. Babutski, I. Pichugina, T. Sullivan, I. Linkov // International Journal of Information Systems and Social Change, 1(1), 2010. P. 11-30.

В других изданиях

5. Yatsalo В. Land-Use Planning and Risk Management with the Use of Web-based Multi-Criteria Spatial Decision Support System DECERNS / B. Yatsalo, S. Gritsyuk, V. Didenko, M. Vasilevskaya, O. Mirzeabasov, A. Babutski // Proc. of the 25th Mini-EURO Conference «Uncertainty and Robustness in Planning and Decision Making, URPDM 2010». University of Coimbra, Portugal, 15-17 April, 2010-P. 9-10.

6. Yatsalo B. Multicriteria Acceptability Analysis: ProMAA Approach / B. Yatsalo, S. Gritsyuk, A. Tkachuk, O. Mirzeabasov // Proc. of the 25th MiniEURO Conference «Uncertainty and Robustness in Planning and Decision Making, URPDM 2010». University of Coimbra, Portugal, 15-17 April, 2010 - P. 11-12.

7. Gritsyuk S. Multi-Criteria Decision Aiding with the Use of DECERNS WebSDSS / S. Gritsyuk, B. Yatsalo, A. Tkachuk, A. Babutski, M. Vasilevskaya, V. Didenko, O. Mirzeabasov, T. Sullivan // Proc. of the 20-th International Conference on Multiple Criteria Decision Making. 21-26 June 2009. China, Chengdu, University of Electronic Science and Technology of China - P. 111-112.

8. Gritsyuk S. Environmental protection with the use of multi-criteria Decision Support System DECERNS / S. Gritsyuk, A. Babutski, M. Vasilevskaya, B. Yatsalo, V. Didenko, O. Mirzeabasov // XI Международная конференция «Безопасность АЭС и подготовка кадров — 2009», 29 сентября - 2 октября 2009г., г.Обнинск-С. 105-106.

9. Грицюк С.В. Многокритериальные методы анализа решений в рамках проекта DECERNS / С.В. Грицюк, Д.Е. Шипилов, А.Н. Ткачук, В.И. Диденко, Б.И. Яцало II 4-ая международная конференция «Математические идеи П.Л. Чебышева и их приложение к современным проблемам естествознания»: тез.докл., Обнинск, 14-18 мая 2008г. Обнинск, ИАТЭ, 2008. С. 24-25.

10. Yatsalo В. DECERNS: Web-based Multi-Criteria Spatial Decision Support System / B. Yatsalo, S. Gritsyuk, V. Didenko, A. Babutski, A. Tkachuk, O. Mirzeabasov, M. Vasilevskaya // Proceedings of the Vl-th Moscow International Conference on Operations research. Moscow. 2010. P. 172-174.

11. Yatsalo B. New Approach to Multi-Criteria Acceptability Analysis / B. Yatsalo, S. Gritsyuk, O. Mirzeabasov // Proceedings of the Vl-th Moscow International Conference on Operations research. Moscow. 2010. P. 174-176.

12. Yatsalo B. Sustainable Land Management with the Use of Multicriteria Spatial Decision Support System: DECERNS Approach / B. Yatsalo, V.

Didenko, A. Tkachuk, 0. Mirzeabasov, S. Gritsyuk, D. Shipilov, V. Slipenkaya, A. Grebenkov, T. Sullivan // Proceedings of the Sakharov Readings 2008: Environmental Problems of the 21 Century. MSEU, Minsk. 2008. P. 224.

13. Yatsalo B. DECERNS SJDSS: Multicriteria Spatial Decision Support System for Sustainable Land Management / B. Yatsalo, V. Didenko, A. Tkachuk, O. Mirzeabasov, S. Gritsyuk, D. Shipilov, V. Slipenkaya, A. Grebenkov, T. Sullivan // Proceedings of the Sakharov Readings 2008: Environmental Problems of the 21 Century. MSEU, Minsk. 2008. P. 225.

14. Yatsalo B. DecernsSDSS - spatial decision support system for lan-duse planning and management / B. Yatsalo, V. Didenko, A. Tkachuk, O. Mirzeabasov, S. Gritsyuk, D. Shipilov, V. Slipenkaya, A. Grebenkov, T. Sullivan// SRA 2nd World Congress on Risk. Guadalajara. 2008. P. 35.

15. Tkachuk A. Integration of Multi-criteria Decision Analysis with Neural Networks and Bayesian Methods: Methodology and Application Case Studies / A. Tkachuk, I. Linkov, B. Yatsalo, S. Gritsuk, D. Shipilov, O. Mirzeabasov, V. Didenko, T. Sullivan // Abstracts of 2008 SRA Annual Meeting «Risk Analysis: The Science and the Art». December 7-10,2008. Boston, USA. P. 142.

16. Tkachuk A. Multi-criteria Decision Analysis within DECERNS WebSDSS / A. Tkachuk, B. Yatsalo, S. Gritsuk, D. Shipilov, O. Mirzeabasov, V. Didenko, T. Sullivan, I. Linkov // Abstracts of 2008 SRA Annual Meeting «Risk Analysis: The Science and the Art». December 7-10,2008. Boston, USA. P. 74.

17. Yatsalo B. Multicriteria Spatial Decision Support System DECERNS WebSDSS for Risk Based Land Management / B. Yatsalo, V. Didenko, A. Tkachuk, O. Mirzeabasov, S. Gritsuk, D, Shipilov, V. Slipenkaya, A. Grebenkov, T. Sullivan II Abstracts of 2008. SRA Annual Meeting «Risk Analysis: The Science and the Art». Dec. 7-10,2008. Boston, USA. P. 73.

18. Yatsalo B. DECERNS SDSS: Multi-Criteria Decision Support System for Analysis of Spatial Alternatives / B. Yatsalo, S. Gritsyuk // The 23rd European Conference on Operational Research. Bonn, July 5-8,2009. P. 189.

19. Gritsyuk S. DECERNS: New Web-based Software Tool for Multicriteria Decision / S. Gritsyuk, A. Tkachuk, A. Babutski, M. Vasilevskaya, O. Mirzeabasov, V. Didenko, B. Yatsalo, T. Sullivan // Abstracts of2009 SRA Annual Meeting «Risk Analysis: The Evolution of a Science». Baltimore, USA. 2009. P. 100.

20. Yatsalo B. Risk-based Land Management with the Use of Spatial Decision Support System DECERNS WebSDSS / B. Yatsalo, V. Didenko, S. Gritsyuk, O. Mirzeabasov, T. Sullivan // Abstracts of 2009 SRA Annual Meeting «Risk Analysis: The Evolution of a Science». Baltimore, USA. 2009. P. 203.

21. Бабуцкий A.M. Многокритериальный анализ решений с ис-

пользованием DECERNS WebSDSS / A.M. Бабуцкий, C.B. Грицюк, М.В. Василевская, Б.И. Яцало // Применение кибернетических методов в решении проблем общества XXI века: тез.докл. VII Межрегиональная научно-техническая конференция студентов и аспирантов. Обнинск: ИАТЭ. 2009. С. 34-36.

22. Афанасьев Г.И. Решение оптимизационных задач с помощью генетических алгоритмов / Г.И. Афанасьев, C.B. Грицюк, Б.И. Яцало // Информационные системы и технологии 2009: тез.докл. научно-технической конференции студентов, аспирантов и молодых специалистов. Обнинск: ИАТЭ. 2009. С. 88.

23. Грицюк C.B. Многокритериальная поддержка принятия решений с использованием веб-системы DECERNS WebSDSS / C.B. Грицюк, А.М. Бабуцкий, М.В. Василевская, Б.И. Яцало // Информационные системы и технологии 2009: тез.докл. научно-технической конференции студентов, аспирантов и молодых специалистов. Обнинск: ИАТЭ. 2009. С. 98-99.

24. Grebenkov A. Application of DECERNS SDSS to wildlife sanctuaries: Eutrophic bog case study / A. Grebenkov, B. Yatsalo, P. Lukashevich, S. Pluta, S. Gritsuk, O. Mirzeabasov // Abstracts of 2009 SRA Annual Meeting «Risk Analysis: The Evolution of a Science». Baltimore, USA. 2009. P. 98.

25. Василевская M.B. Учет неопределенности в моделях анализа решений с использованием теории нечетких множеств / М.В. Василевская, C.B. Грицюк // Научная Сессия НИЯУ МИФИ-2010. Москва. 2010. С. 99.

26. Бабуцкий А.М. Многокритериальная система поддержки принятия решений DECERNS WebSDSS / А.М. Бабуцкий, C.B. Грицюк, М.В. Василевская // Научная Сессия НИЯУ МИФИ-2010. Москва. 2010. С. 34-36.

27. Грицюк C.B. Многокритериальный анализ решений в рамках проекта DECERNS / C.B. Грицюк, Д.Е. Шипилов, А.Н. Ткачук, Б.И. Яцало // V Курчатовская молодежная научная школа. Москва, РНЦ «Курчатовский институт». 2007. С. 103.

28. Грицюк C.B. Многокритериальные методы поддержки принятия решений в рамках web-системы DECERNS / C.B. Грицюк, Д.Е. Шипилов, Б.И. Яцало // Применение кибернетических методов в решении проблем общества XXI века: тез.докл. VI Региональной студенческой научно-технической конференции. Обнинск: ИАТЭ. 2008. С. 40-41.

29. Шипилов Д.Е. Разработка систем поддержки принятия решений на основе методов MCDA / Д.Е. Шипилов, C.B. Грицюк, Б.И. Яцало // Информационные системы и технологии 2007: тез.докл. научно-технической конференции студентов, аспирантов и молодых специалистов. Обнинск, ИАТЭ. 2007. С. 119-120.

Компьютерная верстка С.В. Грицюк ПЛР № 060267 от 14.04.1998

Подписано к печати 07.11.2011 Формат бум. 60x84/16

Печать цифровая Бумага МВ Печ. л. 1,5

Заказ № 610 Тираж 100 экз. Цена договорная

ЗАО «Бист» ИНН4025048308 249030, г.Обнинск, ул. Курчатва,16а

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.

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.

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.

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.