ФОРМАЛИЗАЦИЯ МОДЕЛИ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ РЕАГИРОВАНИИ НА ЧРЕЗВЫЧАЙНЫЕ СИТУАЦИИ НА ТРАНСПОРТЕ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.82+614.86

ФОРМАЛИЗАЦИЯ МОДЕЛИ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ РЕАГИРОВАНИИ НА ЧРЕЗВЫЧАЙНЫЕ СИТУАЦИИ НА ТРАНСПОРТЕ

Е.М. Богданова;

А.В. Матвеев, кандидат технических наук, доцент. Санкт-Петербургский университет ГПС МЧС России

Обоснована необходимость использования интеллектуальной системы поддержки принятия решений при реагировании аварийно-спасательных служб на чрезвычайные ситуации и другие происшествия на транспорте. При проектировании данной системы предложена модульная структура, в которой предполагается выделение модуля базы знаний, основанной на продукционной модели знаний. Предложено формализованное описание исходных данных в модели процесса принятия решений, необходимое для решения задачи идентификации сложившейся ситуации при происшествии на транспорте и принятия управленческих решений. При идентификации ситуации из множества прецедентов оценке результатов альтернативах вариантов управленческих решений предложено использование методов машинного обучения.

Ключевые слова: система поддержки принятия решений, идентификация ситуации, формализация, машинное обучение, чрезвычайная ситуация, реагирование, аварийно-спасательные службы

FORMALIZATION OF THE MODEL OF INTELLECTUAL SUPPORT FOR DECISION-MAKING IN RESPONSE TO EMERGENCY IN TRANSPORT

E.M. Bogdanova; A.V. Matveev.

Saint-Petersburg university of State fire service of EMERCOM of Russia

The article substantiates the need to use an intelligent decision support system when responding to emergency situations and other incidents in transport. When designing this system, a modular structure is proposed, in which it is assumed that a knowledge base module is allocated based on the production knowledge model. A formalized description of the initial data in the model of the decision-making process is proposed, which is necessary for solving the problem of identifying the current situation in a transport accident and making managerial decisions. When identifying a situation from a set of precedents, evaluating the results of alternatives to options for management decisions, it is proposed to use machine learning methods.

Keywords: decision support system, situation identification, formalization, machine learning, emergency situations, response, emergency services

Введение

Огромную роль при реагировании на чрезвычайные ситуации (ЧС) и другие происшествия на транспорте играет правильность и оперативность принятия управленческих решений, принимаемых должностными лицами органов управления действиями аварийно-спасательных служб.

Подготовка, принятие и реализация адекватных управленческих решений по выполнению организационно-технических мероприятий, направленных на обеспечение согласованности действий структурных подразделений Единой государственной системы предупреждения и ликвидации чрезвычайных ситуаций (РСЧС), является необходимым

100

условием для обеспечения безопасности при угрозе и возникновении ЧС, устранения возможных последствий в кратчайшие сроки.

Однако деятельность лиц, принимающих решения (ЛИР), осложняется необходимостью учета большого количества разнородной информации, зачастую наличием противоречивой информации либо вообще ее отсутствием в полном объеме, что не позволяет получить объективную оценку сложившейся ситуации. В данных обстоятельствах, с одной стороны, увеличивается ценность достоверной и оперативной информации, а с другой стороны, значительно повышаются требования к информационному обеспечению ЛИР в сфере управления действиями аварийно-спасательных служб. Учет большого количества разнородной информации позволяет более взвешенно подойти к вопросу принятия решения и тем самым обеспечить его адекватность, но при этом становится сложнее искать и обрабатывать все эти многочисленные данные, учитывать большие объемы разнородной информации при принятии решений и связывать их со стоящими перед ЛИР целями [1].

Происходящие ЧС на транспорте во многом характеризуются своей уникальностью. Принятие адекватных управленческих решений в этой связи может обеспечиваться как профессиональной компетенцией ЛИР, так и возможностью своевременно получать и обрабатывать информацию, характеризующую произошедшие ЧС или аварии на транспорте, а также формировать управленческие решения при ее противоречивости или недостатке. Все это предполагает применение экспертных систем и систем поддержки принятия решений (СППР). Применение данных систем обусловлено возможностью использования существующего опыта принятия решений экспертами в сложных ситуациях.

Для автоматизации оценки ситуации, возникшей в результате ЧС или какого-либо другого происшествия на транспорте, необходимо обработать большой объем информации о характере развития происшествия в пространстве и времени, готовности подразделений и результатах их действий, материально-техническом обеспечении подразделений, средствах индивидуальной защиты и т.д. Для минимизации последствий ЧС в условиях быстрого роста потока информации и дефицита времени, очевидно, возникает необходимость в прогнозировании и оценке масштабов ЧС, определении на основе прогноза потребностей в силах и материально-технических ресурсах для ликвидации происшествия.

Решение данных задач во многом облегчается за счет интеллектуализации управления в типовых ситуациях, связанных с ЧС и другими происшествиями на транспорте, обеспечивающих возможность использовать информацию об опыте и решениях ЛПР в базе знаний при реагировании на каждый вызов в зависимости от сложившейся ситуации.

Создание системы интеллектуальной поддержки для анализа ситуации, выработке решений по управлению в ЧС с использованием современных информационных технологий является крайне важной задачей с учетом существующих рисков, роста объемов накопленной информации в сфере реагирования на ЧС и другие происшествия на транспорте, а также развитием современных информационных технологий.

Постановка задачи

Решение задач по прогнозированию ЧС и других происшествий на транспорте, ожидаемого ущерба от них, повышения эффективности принятия управленческих решений при реагировании аварийно-спасательными службами требует автоматизации на многих этапах принятия решений [2, 3]. Анализ известных СППР показывает, что ни одна из них не является универсальной и не может предоставить ЛПР помощь в решении всех стоящих перед ним проблем. Это предполагает создание интеллектуальной СППР, включающей комплекс математических моделей и алгоритмов поиска решений, основанных на экспертных знаниях, на результатах анализа данных о прецедентах и оперативных данных о произошедших авариях [4].

При создании СППР по реагированию на ЧС на транспорте особое значение имеет разработка модели интеллектуальной поддержки принятия решений как сложного

101

динамического процесса с учетом существующих причинно-следственных связей. В данных условиях для описания решения могут быть использованы методы ситуационного моделирования [5, 6]. Если в прошлом имели место ситуации, характеристики которых схожи с текущей, то их в целом можно считать типовыми с известными решениями по реагированию на них. Это означает, что процесс принятия решения при каждом происшествии можно условно разделить на два этапа: идентификации ситуации из множества прецедентов и выбора решения.

Выбор решения осуществляется в виде последовательности действий (рис.).

Сбор информации 1 Оценка ситуации 2 Принятие решения 3 Реализация сценария действий ^

Рис. Этапы выбора решения при реагировании на ЧС

Большинство действий по сбору информации и оценке ситуации будут решаться при классификации происшествия, то есть на этапе идентификации ситуации из множества прецедентов [7]. Таким образом, требуется реализация модели идентификации сложившейся ситуации и процесса выработки рекомендаций по реагированию на произошедшие происшествия с учетом прошлого опыта экспертов и требований органов управления [8].

Этапу непосредственной разработки модели предшествует этап описания задачи через уяснение целей моделирования и ее формализации [9]. Целями настоящего исследования является формализация модели процесса оценки ситуации при ЧС или другом происшествии на транспорте, прогноза развития ситуации, разработка формализованного описания модели для модуля СППР, решающего задачу идентификации происшествия из множества прецедентов и выбора соответствующих решений.

Результаты

Должностные лица органов управления действиями аварийно-спасательных служб в процессе своей деятельности при реагировании на последствия сложных происшествий или ЧС на транспорте решают задачи принятия решений. Этот процесс, как правило, состоит из этапа генерации возможных альтернативных вариантов, их оценки и выбора наилучшего. Выбор альтернативных вариантов может быть основан на большом количестве противоречащих друг другу требований и оказаться в итоге многокритериальным. Противоречивость требований, неоднозначность оценки ситуации, неполнота и несвоевременность полученной информации относительно каждого произошедшего происшествия в значительной мере могут усложнять принятие итогового решения и существенно влияют на его качество, то есть итоговое решение не всегда может оказаться оптимальным.

Без дополнительной автоматизированной поддержки ЛПР используют упрощенные алгоритмы принятия решений, руководствуясь в основном только собственным опытом и интуицией, что в результате может привести к неэффективным решениям.

Внедрение интеллектуальной СППР в деятельность ЛПР предоставит им возможность интеллектуальной поддержки принятия решений и помощь в:

- анализе исходных данных, которые на начальном этапе реагирования могут оказаться неполными;

- формировании возможных альтернативных вариантов решения по реагированию на происшествие в конкретных условиях сложившейся обстановки;

- идентификации и отнесении происшествия к одной из известных категорий из множества прецедентов;

102

- прогнозировании динамики развития ситуации возможных последствий для различных альтернативных вариантов принятых решений;

- оптимизации решений, связанных с размещением сил и средств, потенциально задействованных при ликвидации происшествий и ЧС на транспорте.

Отличительной особенностью интеллектуальных систем является то, что они должны быть основаны на некотором представлении определенных знаний (базы знаний) в виде хранимой информации, формализованной в соответствии с множеством правил. Данную информацию СППР по определенным алгоритмам может использовать при формировании логического вывода.

В рамках настоящей задачи для представления знаний в СППР наиболее предпочтительным видится использование логических продукционных правил, структурированных в соответствии с образцом («если..., то ... »). Данные правила формируются на основе существующих регламентирующих документов (например, расписания выездов аварийно-спасательных формирований территориальных подразделений РСЧС) и экспертных знаний ЛПР. Использование базы знаний, основанных на множестве продукционных правил, позволяет на основе проведения декомпозиции задачи принятия управленческих решений реализовать модульный принцип синтеза продукционной системы, что в значительной степени облегчает процесс ее проектирования и автоматизацию. Кроме того, данная структура продукционных правил облегчает их смысловую интерпретацию, а также без существенных трудностей позволяет в случае необходимости добавлять новые функциональные модули.

Практическое использование модели, основанной на множестве продукционных правил, позволит выдавать рекомендации по применению конкретных сил и средств при реагировании на происшествия на транспорте, что действительно необходимо в ситуациях, когда ЛПР на начальном этапе может иметь неполный объем входных данных, представляющих определенную совокупность параметров, характеризующих информацию о сложившейся ситуации.

Предлагается формализованное описание модели интеллектуальной поддержки принятия решений при реагировании на ЧС на транспорте.

Для синтеза продукционной модели знаний, являющейся структурным элементом интеллектуальной СППР, на начальном этапе необходимо провести формализацию исходных данных.

На основе анализа деятельности органов управления аварийно-спасательными службами, участвующими в ликвидации последствий ЧС на транспорте, была проведена детализация выполняемых ими задач [10] после получения информации о ситуации и формализация исходных данных.

Вектор параметров V = { , г2, г 3, г4} указывает виды транспортных средств, участвующих в происшествии ( г1 - авария на автотранспорте; г2 - на железнодорожном транспорте; г з - на водном транспорте; г4 - на воздушном транспорте).

Среди основных видов аварий на автотранспорте выделяют: 1 - наезд на препятствие; VI 2 - наезд на стоящее транспортное средство (ТС); VI з - лобовое столкновение; - боковое столкновение; - касательное столкновение;

- опрокидывание ТС; - дорожно-транспортные происшествия (ДТП) с падением ТС с крутых склонов. Таким образом, вектор значений основных видов аварий выглядит следующим образом А = {г г г, г г 2, г г 3 , 4, 5, г г 6 , г г 7}.

Категории транспортных средств, участвующих в происшествии описываются вектором К = { кг, к2, к3 , к4, к5 }, где к^ - мототранспорт; к2 - легковые ТС; кз - среднегабаритные ТС; к4 - грузовые автомобили; к5 - микроавтобусы и автобусы.

Также немаловажным фактором, описывающим возникшую ситуацию, является наличие опасных грузов или потенциально опасных объектов ( . В связи

с этим выделяют:

103

- ДТП с ТС, перевозящим горючие (ГЖ) или легковоспламеняющиеся жидкости (ЛВЖ), в результате которого произошел их разлив или утечка ( h 1) ;

- ДТП с ТС, перевозящим аварийно химически опасные вещества (АХОВ), в результате которого произошел их разлив или утечка ( ;

- ДТП с ТС, перевозящим биологически опасные вещества (БВ), в результате которого произошел их разлив или утечка, повлекшие заражение ими окружающей среды ( ;

- ДТП с ТС, перевозящим радиационно опасные вещества (РВ), в результате которого произошел их разлив или утечка, повлекшие загрязнение ими окружающей среды ( ;

- ДТП с ТС, перевозящим взрывчатые вещества и взрывоопасные предметы, при котором возникла угроза их детонации вследствие их перемещения, механического воздействия на них или нагрева (горения) ( h4) .

Место, где произошло происшествие на транспорте, характеризуется следующими параметрами: s 1 - населенный пункт; s 2 - автомагистраль; s 3 - дорога со скоростным движением; S4 - дорога обычного типа (нескоростная дорога); s 5 - туннель или путепровод. Это будет описываться вектором S = {s 1 , s 2 , s 3 , s4 , s 5}.

Вектор G = {g 1 , g2 , g3 , g4} описывает тип дорожного покрытия, где gх - земляное покрытие; - гравийное; - битумное покрытие; - бетонное покрытие.

Расстояние до места расположения аварийно-спасательных служб характеризуется параметром , а загруженность дороги - параметром .

Время возникновения происшествия характеризуется параметрами

t 1 = { t 1 1 > ti2 < 3< t14} - время года, где ^ 1 - зима; t 1 2 - весна; ^ 3 - лето; t14 - осень; Î2 = { t2 1 . t22 , t23 , t24} - время суток, где t2 1 - утро; t22 - день; t23 - вечер; t24 - ночь.

Метеорологическая обстановка описывается вектором значений, соответствующих состоянию погоды в момент происшествия W = {wi, w2 , w3 , w4, W5 ,w6, w7 , w8, wg}, где - ясно; - пасмурно; - туман; - дождь, - снегопад; - температура выше +30°; w 7 - температура ниже -30°; w 8 - метель; w 9 - ураганный ветер [11].

Также для формализации задачи распознавания ситуаций и принятия основных решений необходимо указать параметры, характеризующие вид необходимой помощи при реагировании на происшествия. К таким параметрам относятся:

- первая помощь (first aid);

- деблокирование пострадавших (unblock);

- смыв топлива (fuel flush);

- тушение пожара (firefighting);

- нейтрализация угрозы падения на аварийное ТС с пострадавшими грузов, конструкций и других опасных предметов (falling structures);

- ликвидация разлива горюче-смазочных материалов, АХОВ и других опасных грузов (OSR operations);

- транспортировка пострадавших (transportation).

Первоначальные данные о количестве погибших и пострадавших обозначим через и соответственно.

Обозначим множество различных ситуаций через S= {s 1 ,s2 , s 3 , s4i s 5 }, где - параметр, определяющий необходимость привлечения пожарно-спасательных подразделений; - необходимость привлечения бригад скорой медицинской помощи (БСМП); s 3 - необходимость привлечения сотрудников Государственной инспекции безопасности дорожного движения (ГИБДД); s4 - необходимость привлечения дорожных служб; - выполнение иных действий, не связанных с привлечением указанных сил и средств.

Если необходимо привлечь силы и средства определенного типа, то значение соответствующего параметра увеличивается, в противном случае - уменьшается. Состояние ситуации зависит от ее развития, если S -> m m, то ситуация нормальная, если S -> m ах,

104

то это ситуация, близкая к ЧС. Множество возможных управленческих решений обозначим Б = { йу}, й) - одно из возможных решений конкретной ситуации.

Формализованное описание модели для задачи распознавания ситуаций и принятия основных решений описывается следующим образом:

с^е!?!, // 5 -> тах й еБ 2,1 [ б з — тах, б 1, б2, б4, б 5 — тт йI еБ 2 и Б з и Б 4,1 [ б1 , б 2 , б з — тах, б4, б 5 — тт йI еБ2 и Б4,1 [ б2, бз — тах, б1, б4, б5 — тт (1)

й^е02 и Б3 и И4 и 51( з3, -> тах й]б02 и 53, -> тах й1 еБ 6,1 [ б 5 — тах,

где - множество решений об идентификации ЧС (признании происшествия как ЧС); Б 2 - множество решений о привлечении сотрудников ГИБДД; Б з - множество решений о привлечении подразделений МЧС России Бз = { йз,г,...,йз е}, е = 1,/ ( йе - решение о привлечении соответствующих пожарно-спасательных подразделений МЧС России, - максимальное количество пожарно-спасательных подразделений, находящихся в зоне ответственности ЛПР; Б4 - решение о привлечении БСМП, Б4 = { й4,1,...,й4о}, о = 1,1, где й-4,0 - решение о привлечении соответствующей БСМП, / - максимальное количество БСМП, находящихся в зоне ответственности ЛПР); Б 5 - множество решений о привлечении дорожных служб к месту аварии; - множество решений о признание ситуации, при которой не требуется привлечения дополнительных сил и средств, Б ^ = { й

По причине слабоструктурированности рассматриваемой задачи [12] при идентификации ситуации из множества прецедентов, оценке результатов при определенных альтернативах и принятии решений по прогнозированию ее развития в интеллектуальной СППР необходимо использование методов машинного обучения. К наиболее часто используемым методам можно отнести метод опорных векторов, деревья решений, метод к-ближайших соседей, наивный байесовский классификатор, логистическую регрессию, нейросетевое моделирование. Каждый из представленных методов характеризуется определенными достоинствами и недостатками своего применения, причем зачастую на первый план выходит не качество результатов применения методов, а возможность интерпретации полученных результатов [13]. В рамках настоящей статьи сравнительный анализ данных методов и проблема выбора конкретного метода для решения задачи идентификации ситуации при реагировании на ЧС и другие происшествия на транспорте не рассматривается.

Выводы

Обоснована необходимость использования интеллектуальной СППР для анализа начальных данных о ЧС или другом происшествии на транспорте с целью выработки рекомендаций для ЛПР по оперативному принятию правильного решения по реагированию и ликвидации происшествия аварийно-спасательными службами.

Проведена декомпозиция процесса принятия решения по реагированию на происшествия на транспорте. Обосновано, что большинство действий по сбору информации и оценке ситуации будет решаться при классификации происшествия, то есть на этапе идентификации ситуации из множества прецедентов, хранимого в базе знаний.

При проектировании интеллектуальной СППР по реагированию на ЧС на транспорте предложена модульная структура, в которой предполагается выделение модуля базы знаний, основанной на продукционной модели знаний, что позволит выдавать рекомендации по применению конкретных сил и средств при реагировании на происшествия на транспорте.

105

Была проведена детализация выполняемых задач аварийно-спасательными службами после получения информации о ситуации. На основе этого проведена формализация исходных данных в модели процесса принятия решений.

Предложенное формализованное описание необходимо для решения задачи идентификации сложившейся ситуации при происшествии на транспорте и принятия управленческих решений.

Предложено при идентификации ситуации из множества прецедентов, оценке результатов при определенных альтернативах и принятии решений по прогнозированию ее развития использовать методы машинного обучения при использовании формализованных параметров, характеризующих сложившуюся ситуацию.

Дальнейшие направления работы связаны с разработкой непосредственно самой модели и методики решения проблемы идентификации ЧС или происшествия на транспорте с использованием методов машинного обучения, прогнозирования их развития, а также принятия решений на основе продукционной модели.

Литература

1. Максимов А.В. Организационное обеспечение информационной системы по разработке планов реагирования на чрезвычайные ситуации // Науч.-аналит. журн. «Вестник С.-Петерб. ун-та ГПС МЧС России». 2020. № 2. С. 32-38.

2. Safiullin R., Kerimov M., Afanasyev A., Marusin A. A model for justification of the number of traffic enforcement facilities in the region. Transportation Research Procedia, 36, 493-499. URL: https://doi.org/10.10167j.trpro.2018.12.135 (дата обращения: 20.03.2021).

3. Матвеев А.В., Богданова Е.М. Классификация методов прогнозирования чрезвычайных ситуаций // Национальная безопасность и стратегическое планирование. 2018. № 4 (24). С. 61-70.

4. Matveev A., Maximov A., Bogdanova E. Intelligent decision support system for transportation emergency response. Transportation Research Procedia. 2020. 50. 444-450.

5. Ситуационное моделирование в автоматизированных системах мониторинга и управления экологической безопасностью / О.А. Иващук [и др.] // Информационные системы и технологии. 2015. № 2 (88). С. 57-64.

6. Савиных В.П. Пространственное ситуационное моделирование // ИТНОУ: Информационные технологии в науке, образовании и управлении. 2018. № 1 (5). С. 92-104.

7. Карпов Л.Е., Юдин В.Н. Адаптивное управление по прецедентам, основанное на классификации состояний управляемых объектов // Труды Института системного программирования РАН. 2007. Т. 13. № 2. С. 37-57.

8. Shah M.M.S., Chrpa L., Kitchin D., McCluskey T.L., Vallati M. 2013. Exploring knowledge engineering strategies in designing and modelling a road traffic accident management domain // In Twenty-Third International Joint Conference on Artificial Intelligence, 2373-2379.

9. Матвеев А.В. Математическое моделирование в сфере безопасности. СПб.: С.-Петерб. ун-т ГПС МЧС России, 2020. 213 с.

10. Руководство по ведению аварийно-спасательных работ при ликвидации последствий дорожно-транспортных происшествий с комплектом типовых технологических карт разборки транспортных средств, деблокирования и извлечения пострадавших при ликвидации последствий ДТП: М.: МЧС России, 2012. 220 с.

11. Об издании и применении ОДМ 218.6.015-2015 «Рекомендации по учету и анализу дорожно-транспортных происшествий на автомобильных дорогах Российской Федерации: распоряжение Федер. дорожного агентства от 12 мая 2015 г. № 853-р. Доступ из справ.-правовой системы «КонсультантПлюс».

12. Будников Д.Н. Слабоструктурированные задачи в автоматизированных системах силовых структур // Направления совершенствования АСУ: сб. докладов Молодежной науч.-практ. конф. 2015. С. 37-43.

106

13. Микони С.В. Теория принятия управленческих решений: учеб. пособие. СПб., Изд-во «Лань», 2015. 448 с.

References

1. Maksimov A.V. Organizacionnoe obespechenie informacionnoj sistemy po razrabotke planov reagirovaniya na chrezvychajnye situacii // Nauch.-analit. zhurn. «Vestnik S.-Peterb. un-ta GPS MCHS Rossii». 2020. № 2. S. 32-38.

2. Safiullin R., Kerimov M., Afanasyev A., Marusin A. A model for justification of the number of traffic enforcement facilities in the region. Transportation Research Procedia, 36, 493-499. URL: https://doi.org/10.1016Zj.trpro.2018.12.135 (data obrashcheniya: 20.03.2021).

3. Matveev A.V., Bogdanova E.M. Klassifikaciya metodov prognozirovaniya chrezvychajnyh situacij // Nacional'naya bezopasnost' i strategicheskoe planirovanie. 2018. № 4 (24). S. 61-70.

4. Matveev A., Maximov A., Bogdanova E. Intelligent decision support system for transportation emergency response. Transportation Research Procedia. 2020. 50. 444-450.

5. Situacionnoe modelirovanie v avtomatizirovannyh sistemah monitoringa i upravleniya ekologicheskoj bezopasnost'yu / O.A. Ivashchuk [i dr.] // Informacionnye sistemy i tekhnologii. 2015. № 2 (88). S. 57-64.

6. Savinyh V.P. Prostranstvennoe situacionnoe modelirovanie // ITNOU: Informacionnye tekhnologii v nauke, obrazovanii i upravlenii. 2018. № 1 (5). S. 92-104.

7. Karpov L.E., Yudin V.N. Adaptivnoe upravlenie po precedentam, osnovannoe na klassifikacii sostoyanij upravlyaemyh ob"ektov // Trudy Instituta sistemnogo programmirovaniya RAN. 2007. T. 13. № 2. S. 37-57.

8. Shah M.M.S., Chrpa L., Kitchin D., McCluskey T.L., Vallati M. 2013. Exploring knowledge engineering strategies in designing and modelling a road traffic accident management domain // In Twenty-Third International Joint Conference on Artificial Intelligence, 2373-2379.

9. Matveev A.V. Matematicheskoe modelirovanie v sfere bezopasnosti. SPb.: S.-Peterb. un-t GPS MCHS Rossii, 2020. 213 s.

10. Rukovodstvo po vedeniyu avarijno-spasatel'nyh rabot pri likvidacii posledstvij dorozhno-transportnyh proisshestvij s komplektom tipovyh tekhnologicheskih kart razborki transportnyh sredstv, deblokirovaniya i izvlecheniya postradavshih pri likvidacii posledstvij DTP: M.: MCHS Rossii, 2012. 220 s.

11. Ob izdanii i primenenii ODM 218.6.015-2015 «Rekomendacii po uchetu i analizu dorozhno-transportnyh proisshestvij na avtomobil'nyh dorogah Rossijskoj Federacii: rasporyazhenie Feder. dorozhnogo agentstva ot 12 maya 2015 g. № 853-r. Dostup iz sprav.-pravovoj sistemy «Konsul'tantPlyus».

12. Budnikov D.N. Slabostrukturirovannye zadachi v avtomatizirovannyh sistemah silovyh struktur // Napravleniya sovershenstvovaniya ASU: sb. dokladov Molodezhnoj nauch.-prakt. konf. 2015. S. 37-43.

13. Mikoni S.V. Teoriya prinyatiya upravlencheskih reshenij: ucheb. posobie. SPb., Izd-vo «Lan'», 2015. 448 s.

107