نوع مقاله : مقاله پژوهشی

نویسندگان

• مریم شکوهی ¹
• محسن افشارچی ²
• حامد شاه حسینی ³

¹ گروه مهندسی کامپیوتر، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

² استاد، گروه مهندسی برق و کامپیوتر، دانشگاه زنجان، زنجان، ایران

³ گروه مهندسی کامپیوتر، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

سیستم فرماندهی حادثه نیازمند وجود عامل‌هایی است که به طور معمول با تعداد زیادی از وظایف جستجو و نجات، روبرو می‌شوند. علاوه بر این، واکنش‌دهنده‌ها باید در محیط‌های بسیار نامطمئن و پویا که در آن وظایف جدید ظاهر می‌شوند و خطرات ممکن است در فضای فاجعه پخش شوند، کار کنند. بنابراین یافتن تخصیص بهینه و صحیح برای تکمیل تمام فعالیت‌ها در یک زمان مناسب یک چالش محاسباتی بزرگ است.

در ایران، سامانه فرماندهی حادثه به صورت غیرسیستماتیک و غیرهوشمندانه فعالیت می‌کند و حضور یک سامانه تصمیم‌ساز صحیح که دارای توانایی یادگیری بوده و توانایی تصمیم‌های صحیح و سریع را داشته باشد، از اهمیت بالایی برخوردار است.

در این مقاله روشی برای حل مسئله تخصیص، که از مسائل بهینه‌سازی محدودیت توزیع شده می‌باشد، ارائه می‌شود. در این روش از تکنیک‌های تصمیم‌گیری مارکوف و تکنیک‌های یادگیری همچون آتوماتای یادگیر استفاده می‌گردد.

نتایج شبیه‌سازی‌ها و آزمایشات نشان می‌دهد که وجود تکنیک یادگیری و رفتار غیرمتمرکز عامل‌ها، می‌تواند جایگزین روش‌های گذشته شده و کمبود روش‌های قبل را جبران کند. روش پیشنهادی به خوبی می‌تواند در مقابل روش متمرکز و روش‌های گذشته از لحاظ میانگین فعالیت انجام شده در حدود 85 درصد و از لحاظ همگرایی و زمان بسیار بهتر عمل کند.

کلیدواژه‌ها

• سیستم فرماندهی حادثه
• آتوماتای یادگیر
• بهینه‌سازی محدودیت توزیع‌شده
• پدافند غیرعامل

موضوعات

• پدافند غیرعامل (پرتوی، آشکارسازی، رفع آلودگی و حفاظت و ایمنی -شیمیایی، زیستی و هسته‌ای و...)

عنوان مقاله [English]

Modeling the Distributed Incident Command System and Present a Learning Approach

نویسندگان [English]

• Maryam Shokoohi ¹
• Mohsen Afsharchi ²
• Hamed Shah-Hosseini ³

¹ Department of Computer Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran

² Prof., Department of Electrical and Computer Engineering, University of Zanjan, Zanjan, Iran

³ Ph.D., Department of Computer Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran, Iran

چکیده [English]

The Incident Command System (ICS) requires agents who routinely deal with a large number of search and rescue tasks. In addition, responses must operate in highly uncertain and dynamic environments where new tasks emerge and may spread across the disaster landscape. Therefore, finding the optimal and correct allocation to complete all activities in a reasonable time is a big computational challenge.

In Iran, the Incident Command System acts asistematic and lack of intelligence, and the presence of a correct decision-making system that has functionality and makes correct and quick decisions is very important.

This article presents a method for solving the allocation problem, which is a distributed constraint optimization problem. This method uses Markov decision techniques and learning techniques such as learning automata.

The results of simulations and experiments show that the existence of the learning technique and the decentralized behavior of agents can replace the past methods and compensate for the lack of previous methods. The proposed method can perform 85% better than the centralized method and previous methods and is much better in terms of convergence and time.

کلیدواژه‌ها [English]

• Incident command system
• learning automata
• distributed constraint optimization
• Passive defense