مدلسازی سیستم فرماندهی حادثه توزیع شده و ارائه روشی برای حل آن با رویکرد یادگیری

سیستم فرماندهی حادثه نیازمند وجود عامل هایی است که به طور معمول با تعداد زیادی از وظایف جستجو و نجات، روبرو می شوند. علاوه بر این، واکنش دهنده ها باید در محیط های بسیار نامطمئن و پویا که در آن وظایف جدید ظاهر می شوند و خطرات ممکن است در فضای فاجعه پخش شوند، کار کنند. بنابراین یافتن تخصیص بهینه و صحیح برای تکمیل تمام فعالیت ها در یک زمان مناسب یک چالش محاسباتی بزرگ است. در ایران، سامانه فرماندهی حادثه به صورت غیرسیستماتیک و غیرهوشمندانه فعالیت می کند و حضور یک سامانه تصمیم ساز صحیح که دارای توانایی یادگیری بوده و توانایی تصمیم های صحیح و سریع را داشته باشد، از اهمیت بالایی برخوردار است. در این مقاله روشی برای حل مسئله تخصیص، که از مسائل بهینه سازی محدودیت توزیع شده می باشد، ارائه می شود. در این روش از تکنیک های تصمیم گیری مارکوف و تکنیک های یادگیری همچون آتوماتای یادگیر استفاده می گردد. نتایج شبیه سازی ها و آزمایشات نشان می دهد که وجود تکنیک یادگیری و رفتار غیرمتمرکز عامل ها، می تواند جایگزین روش های گذشته شده و کمبود روش های قبل را جبران کند. روش پیشنهادی به خوبی می تواند در مقابل روش متمرکز و روش های گذشته از لحاظ میانگین فعالیت انجام شده در حدود ۸۵ درصد و از لحاظ همگرایی و زمان بسیار بهتر عمل کند.

کلیدواژه ها:

سیستم فرماندهی حادثه ، آتوماتای یادگیر ، بهینه سازی محدودیت توزیع شده ، پدافند غیرعامل