Стационарная модель дислокации пожарных расчетов в условиях динамично развивающегося мегаполиса не всегда и везде гарантирует соблюдение нормативного времени прибытия к месту возгорания, что актуализирует необходимость добавления мобильной компоненты и разработки интеллектуального инструментария по управлению ею. Целью данного исследования является интеллектуализация решения задачи оптимального позиционирования мобильных пожарных расчетов для системы поддержки принятия решений по управлению мобильной компонентой гибридной системы обеспечения пожарной безопасности мегаполиса. Материалы и методы включают математическую постановку логистических задач размещения мобильных пожарных расчетов на потенциальных точках временного позиционирования и их назначения на целевые позиции. С использованием имитационного моделирования определено их рациональное количество для Санкт-Петербурга. Для решения логистических задач адаптированы генетические алгоритмы; создан прототип системы поддержки принятия решений, подтвердивший работоспособность алгоритмов и эффективность их интеграции с прогнозными рисками и данными геоинформационных сервисов. Сделаны выводы относительно новизны и значимости полученных результатов, а также намечены перспективы исследования, которые связаны с распараллеливанием алгоритмов, интеграцией дополнительных критериев (приоритетность объектов, дорожные пробки в реальном времени и т. п.) и валидацией на реальных данных пожарного гарнизона.
The stationary deployment model of fire brigades in a dynamically developing metropolis does not always ensure compliance with the regulatory response time to fire incidents. This highlights the need to introduce a mobile component and develop intelligent tools for its management. The aim of this study is to enhance the solution for the optimal positioning of mobile fire units within a decision support system designed to manage the mobile component of a hybrid urban fire safety system. The materials and methods section includes the mathematical formulation of logistics problems related to the placement of mobile fire units at potential temporary locations and their assignment to target positions. Using simulation modeling, the optimal number of such units for Saint Petersburg was determined. Genetic algorithms were adapted to solve the logistics problems, and a prototype of the decision support system was developed, confirming the operability of the algorithms and the effectiveness of their integration with predictive risk assessments and geoinformation services. The conclusions discuss the novelty and significance of the obtained results and outline future research prospects. These include parallelizing the algorithms, integrating additional criteria (such as object priority, real-time traffic congestion, etc.), and validating the approach using real data from the city’s fire brigade.
1. Российская Федерация. Законы. Технический регламент о требованиях пожарной безопасности: Федер. закон № 123-ФЗ: принят Государственной Думой 4 июля 2008 г.: одобрен Советом Федерации 11 июля 2008 г.: послед. ред. // КонсультантПлюс. [Электронный ресурс]. URL: https://www.consultant.ru/document/cons_doc_LAW_78699 (дата обращения: 09.03.2026).
2. Буйневич М. В., Пелех М. Т. Моделирование развития сети пожарных депо на территории мегаполиса // Передовые инновационные разработки. Перспективы и опыт использования, проблемы внедрения в производство: сборник научных статей по итогам второй международной научной конференции (г. Казань, 30 марта 2019 г.). М.: Конверт, 2019. С. 62–64. EDN: VIYWGF.
3. Буйневич М. В., Пелех М. Т. Проектирование пожарных депо с применением поисково-информационных картографических сервисов // Передовые инновационные разработки. Перспективы и опыт использования, проблемы внедрения в производство: сборник научных статей по итогам шестой международной научной конференции (г. Казань, 31 июля 2019 г.). М.: Конверт, 2019. С. 139–141. EDN: LTZAFB.
4. Арестов П. В. Анализ научных подходов прогнозирования возникновения и распространения пожаров на основе машинного обучения // Молодой ученый. 2024. № 16 (515). С. 5–9. EDN: DIDCNS.
5. Хонгорова О. В., Есина М. Г. Прогнозирование пожаров с учетом индекса сезонности // International Journal of Advanced Studies. 2017. Т. 7. № 1–2. С. 75–77. EDN: YGINET.
6. Ахунова Д. Г. Гибридная организационно-техническая структура пожарной охраны: от статической достаточности к динамической эффективности // Актуальные проблемы безопасности в техносфере. 2025. № 4 (20). С. 60–67. EDN: QKJWHX. DOI: 10.34987/2712-9233.2025.99.56.010.
7. Киндаев А. Ю., Шишов В. Ф. Прогнозирование показателей городских пожаров с помощью искусственных нейронных сетей (на примере Пензенской области) // Концепт. 2014. Т. 20. С. 2816–2820. EDN: SJEXOL.
8. Носырев И. И. Анализ методов решения задач о назначениях с правильным балансом для их применения в логистических моделях // Транспортное дело России. 2025. № 7. С. 242–246. EDN: PGZMAJ.
9. Буйневич М. В., Пелех М. Т., Ахунова Д. Г. Развитие пожарной охраны мегаполиса с использованием технологии имитационного моделирования // Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. 2019. № 3. С. 150–156. EDN: QPSJFU.
10. Ахунова Д. Г. Имитационная модель поддержки принятия решений по размещению пожарно-спасательных подразделений на территории Санкт-Петербурга // Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. 2023. № 3. С. 152–163. EDN: DUOLWH. DOI: 10.61260/2218-130X-2023-3-152-163.
11. Малютин О. С. Информационно-аналитическая система поддержки принятия решений по обоснованию дислокации подразделений пожарной охраны в городской среде на основе гибридных эвристических алгоритмов: дис. ... канд. техн. наук, Москва, 2025. 188 с. [Электронный ресурс]. URL: https://academygps.ru/science-and-technology/dissertation-councils/dissertatsionnyy-sovet-04-2-002-01/3131/ (дата обращения: 11.03.2026).
12. Малютин О. С., Хабибулин Р. Ш. Многокритериальная оптимизация размещения пожарно-спасательных подразделений с использованием генетического алгоритма // Гибридные и синергетические интеллектуальные системы: сборник статей по материалам научной VII Всероссийской Поспеловской конференции. Калининград – СПб., 2024. С. 287–293. EDN: XPFGAB.
13. Емельянова Т. С. Распараллеливание генетического алгоритма в многопроцессорных системах на примере решения транспортной задачи // Известия Волгоградского государственного технического университета. 2009. № 6 (54). С. 14–16. EDN: KUAHKR.
14. Тимофеева О. П., Карпычева А. Ю., Санников А. Н. Решение задачи транспортной логистики с помощью генетического алгоритма // В сборнике: Автотранспортный комплекс 3.0. Актуальные проблемы и перспективы развития: материалы международной научно-практической конференции (г. Грозный, 28–30 апреля 2023 г.). Грозный: Грозненский государственный нефтяной технический университет имени академика М. Д. Миллионщикова, 2023. С. 115–122. EDN: NRPROK. DOI: 10.26200/GSTOU.2023.75.38.019.
15. Ахунова Д. Г. Предпосылки к созданию и архитектура контура управления позиционированием мобильных пожарных расчетов // Автоматизация в промышленности. 2026. № 4. С. 55–60. EDN: OVWUIE.
16. Вострых А. В., Матвеев А. В., Ахунова Д. Г. Программа формирования оптимальных маршрутов следования к месту вызова подразделений МЧС России: свидетельство о регистрации программы для ЭВМ RU 2023683296, опубл. 07.11.2023. Бюл. № 11. Заявка № 2023681771 от 23.10.2023. EDN: VQDQBG.
17. Рыженко Н. Ю. Использование геоинформационных систем в структурах МЧС России // Современные технологии обеспечения гражданской обороны и ликвидации последствий чрезвычайных ситуаций. 2016. № 1–1 (7). С. 480–484. EDN: WDHMPZ.