Автореферат (1172882), страница 3
Текст из файла (страница 3)
Длярешаемой задачи функция соответствия эквивалентна целевой функции.( ) = ( ), = 1,2, … , _.(11)Для отбора хромосом (комбинаций мероприятий) используется метод «колесо рулетки». Процесс отбора происходит следующим образом:1.Вычислить значение функции соответствия ( ) для каждойхромосомы по формуле (1).2.Вычислить общую функцию соответствия популяции:_ =∑ ( ) −=13.4.(12)Вычислить вероятность отбора для каждой хромосомы :( ) − ={( )}, = 1,2, … , _. = 1, _{( )} = 1, _, = 1,2, … , _ .(13)Вычислить совокупную вероятность для каждой хромосомы : = ∑ , = 1,2, … , _.(14)=1Процесс отбора начинается с вращения колеса _ раз; при этом каждыйраз выбирается одна хромосома по следующему алгоритму:1.
Генерируется случайное число из интервала [0, 1].2. Если ≤ 1 , то выбираем первую хромосому 1 ; иначе выбираем k-уюхромосому (2 ≤ ≤ _) такую, что −1 ≤ ≤ .Для скрещивания хромосом использован метод с одной точкой обмена.Мутация состоит в изменении одного или большего числа хромосом с вероятностью равной коэффициенту мутации. В отличие от классической моделигенетических алгоритмов, для создания комбинаций из разного количества мероприятий, была добавлена вероятность случайного удаления одного гена изхромосомы (75%).7В третьей главе «Компьютерное моделирование для решения задачиподдержки адаптивного управления пожарной безопасностью нефтегазовых объектов» cформирована структура классов информационной системы(ИС) управления пожарной безопасностью, а также структура классов модуляоптимизации значений пожарных рисков на территории нефтегазового объекта.Структура разработанной ИС представлена на рис.
4.Рисунок 4 – Структура разработанной ИСДля применения генетического алгоритма при выполнении задачи оптимизации создан блок оптимизации расчётных величин пожарного риска (рис. 5),позволяющий проводить компьютерное моделирование и анализ эффективностиполученных моделей. Данный блок выполнен в виде информационного класса,содержащего следующие функции:1. Генерация популяции (случайная генерация массива чисел обозначающих координаты объекта).2.
Мутация (инвертирование одного или нескольких случайных битовчисла).3. Скрещивание (обмен битами между двумя особями).4. Колесо рулетки (отбирает особей для формирования новой популяции).5. Целевая функция (определяет степень приспособленности особи в популяции).8Инструменты управлениямоделированиемРешение частных задачс использованиемгенетических алгоритмовАнализ эффективностимероприятийпо управлению пожарнойбезопасностьюВыводрезультатовРисунок 5 – Интерфейс компьютерной программы для проведениявычислительных экспериментовЭффективность программной разработки основана на возможности проводить значительное количество расчетных online-операций с учётом множестванаружных технологических установок и элементов системы противопожарнойзащиты на территории нефтегазовых объектов.
За счет увеличения скорости иудобства проводимых расчетов, увеличивается вариативность анализа управленческих решений, что в свою очередь ведет к более качественному анализу объекта защиты и формированию индивидуальных и эффективных мер по управлению пожарной безопасностью. Данные операции проводятся с учётом анализапожарной опасности объекта защиты, на основе технологических параметров ведения процессов, конструктивных особенностей и размещения технологического оборудования в соответствии с требованиями действующих нормативнотехнических документов.В качестве производственного объекта, на котором проводилась апробацияразработанной модели, выбрана типовая газораспределительная станция (ГРС).Территория ГРС разбита на следующие зоны:А — зона работы операторов на железнодорожной эстакаде (2 чел.);Б — зона работы операторов у резервуарной группы № 1 (2 чел.);В — зона работы операторов у резервуарной группы № 2 (2 чел.);Г — зона работы операторов у резервуарной группы № 3 (2 чел.);Д — зона работы операторов у сепаратора (1 чел.);Е — зона работы операторов на автогазозаправочной станции (АГЗС)(2 чел.);Ж — административно-бытовой комплекс (АБК) (8 чел.).Помимо основных, обозначены прилегающие объекты (зоны):З — торговый комплекс (1000 чел.);И — жилой микрорайон (300 чел.).9План ГРС с графическим отображением распределения зон потенциального риска на территории ГРС и прилегающей селитебной территории представлен на рис.
6.Зона БЗона АЗона ЗЗона ВЗона ЖЗона ГЗона ИЗона ДЗона ЕРисунок 6 – Зоны распространения потенциального пожарного риска на территории ГРСи прилегающей селитебной территории:— здания предприятий;— технологические установки;— селитебные зоныАнализ эффективности разработанной модели и алгоритма проходил в несколько этапов, с использованием предложенной целевой функции. На первомэтапе был сформирован примерный список мероприятий по управлению пожарной безопасностью с условными капитальными, эксплуатационными и приведенными затратами от базовой величины X и оценены параметры Q и D целевойфункции при использовании каждого мероприятия по отдельности (таблица 1).Таблица 1 – Список возможных мероприятий и параметров целевой функции Q и D при ихприменении№12МероприятиеУменьшить вероятность пребывания объекта на 20%ОбъектАЦЖД цистернаQ1616D0,7810,77910Продолжение таблицы 134567Уменьшить степень заполнения резервуара на 15%8910111213Установить автоматическую установку водяного (пенного) пожаротушения или водяного орошения при отсутствии контроля за работоспособностью установки независимой организацией141516171819Установить автоматическую установку пожарной сигнализации202122232425Установить автоматическую установку пожаротушения или водяного орошения при наличии контроля за работоспособностью установки независимой организации (вне зависимости от типа установкипожаротушения)262728293031Установить остальные типы автоматических установок пожаротушения при отсутствии контроля за работоспособностью установки независимой организацией32333435Установить отбортовку площадью 30 м2АЦЖД цистернаСепараторРГС 100РГС 50РГС 100(группа 2)АЦЖД цистернаСепараторРГС 100РГС 50РГС 100(группа 2)АЦЖД цистернаСепараторРГС 100РГС 50РГС 100 (группа2)АЦЖД цистернаСепараторРГС 100РГС 50РГС 100(группа 2)АЦЖД цистернаСепараторРГС 100РГС 50РГС 100(группа 2)АЦЖД цистернаСепаратор16161616160,7790,7790,7790,7790,779160,77916161616160,7790,7790,7790,7790,779160,77916161617170,7880,7810,7900,8710,953170,97416161616160,7790,7790,7790,7790,779160,77916161616160,7790,7790,7790,7790,779160,7791616160,7790,7790,779На следующем этапе проводился поиск комбинаций мероприятий с использованием предложенной модели с целью её анализа и подбора наилучшихпараметров.
Критерием остановки поиска являлась ситуация, когда предлагаемые мероприятия сходятся на 90 и более процентов. После ряда вычислительныхэкспериментов были определены следующие оптимальные настройки генетического алгоритма:– вероятность скрещивания – 80%;– вероятность мутации – 30%.Мутация 30% особей (идентификаторов мероприятий) была выбрана таккак, при этом значении увеличивается вариативность предлагаемых комбинациймероприятий, что ведет к увеличению качества результатов работы алгоритма.Использование показателя ниже 30% ведет к уменьшению вариативности рассматриваемых комбинаций и ухудшению качества результатов (рис. 7).
При увеличении вариативности наблюдается снижение качества предлагаемых комбинаций мероприятий.11Среднее значение суммыпараметров Q и D18,50Максимальное значениецелевой функции 18,0017,5017,0016,5016,0015,501102030405060708090100Вероятность мутации, %Рисунок 7 – Зависимость среднего значения суммы параметров Q и Dцелевой функции от вероятности мутацииВероятность скрещивания выбиралась из промежутка 50-90%, и былаопределена как 80%, так как при этом значении наблюдалась наиболее большаявариативность предлагаемых управленческих решений (рис.
8).Среднее значение суммыпараметров Q и D18,51817,517Максимальное значениецелевой функции , принаибольшей вариативостипрадлагамеых комбинациймероприятий16,51615,515010203040506070Вероятность скрещивания, %8090100Рисунок 8 – Зависимость среднего значения суммы параметров Q и D целевой функцииот вероятности скрещиванияВремя выполнения подбора мероприятий составило 214 мин со следующими характеристиками ЭВМ:– материнская плата: ASUS X99-A (RTL) LGA2011-3;– процессор CPU Intel Core i7-5820K 3.3 GHz / 6 core;– оперативная память: DDR4 PC4-17000 (4x8 Gb).Во всех сериях вычислительного эксперимента предложенная модель всегда находила комбинации мероприятий с высоким значением целевой функции,хотя при подборе комбинаций возможны варианты с большим количеством мероприятий, но низким значением целевой функции.
В результате ЛПР получаетинформацию о множестве альтернативных вариантов комбинаций с высокимзначением целевой функции при требуемом количестве мероприятий в однойкомбинации.127018,560185017,540173016,52010Максимальноезначение целевойфункции принаименьшем времени1615,50Значение суммы параметровQиDВремя подбора мероприятий, минТак как в классическом представлении генетических алгоритмов отсутствует возможность определения оптимальной комбинации мероприятий дляразного их количества в пределах одной серии моделирования, необходимо проводить повторные моделирования для разного количества мероприятий в наборе.Отсюда следует, что время выполнения моделирований будет увеличиватьсяпрямо пропорционально требуемому количеству мероприятий.Для увеличения скорости выполнения моделирования применен подходиспользуемый в адаптивной модели генетических алгоритмов, заключающийсяв случайном удалении одного мероприятия из набора в пределах одной сериимоделирования.После ряда экспериментов было выявлено, что вероятность удаления гена(мероприятия) из хромосомы (мероприятия из набора), при использовании адаптивной модели, значительно влияет на время моделирования, при этом качествоподобранных комбинаций до определённого момента не меняется (рисунок 9).Поэтому вероятность удаления гена (мероприятия) из хромосомы (набора мероприятий) принята равной 75 %.152550758595Вероятность удаления гена, %Время подбора мероприятий, минЗначение целевой функцииРисунок 9 – Зависимость времени подбора комбинаций мероприятийи суммы параметров целевой функции Q и D от вероятностиудаления гена из хромосомыНа рисунке 10 отражены полученные данные об отношении затрачиваемого времени на серию моделирований к количеству рассматриваемых мероприятий в наборе при использовании классической и адаптивной модели генетических алгоритмов.250200150100500Время моделирования,мин.Время моделирования,мин.13250214минут200150100201 2 3 4 5 6 7 8 9 1050минутКоличество мероприятий0в комбинацииКлассическая АдаптивнаяКлассическая модельмодельмодельАдаптивная модельа)б)Рисунок 10 – Сравнение времени моделирования при использовании классическойи адаптивной модели генетических алгоритмов.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
