Применение классических генетических алгоритмов и в целом математического моделирования для оптимизации мероприятий по обеспечению безопасности объектов осложняется нелинейными зависимостями между защитными мерами и быстрым ростом вычислительной нагрузки при расширении перечня элементов. Цель исследования состояла в разработке модифицированного алгоритма, в котором на смену традиционной функции приспособленности приходят механика виртуального перемещения и коалиционная селекция. Ядром метода служит преобразование экспертных баллов в дискретные шаги с последующим циклическим движением особей по замкнутой шкале; популяция самопроизвольно группируется в объединения, для скрещивания внутри которых отбираются наиболее контрастные по суммарному шагу варианты. Тестовая проверка показала, что алгоритм отыскивает не абстрактный максимум, а сбалансированный, внутренне согласованный набор мер, избегая как слабых, так и нереалистично ресурсоемких комбинаций. Огрубление оценок смягчает влияние субъективности, а группировка удерживает генетическое разнообразие популяции. Получаемый перечень мероприятий оказывается проверенным на непротиворечивость и взаимное усиление, что особенно значимо в условиях жестких бюджетных рамок и неполноты исходных данных. Предложенный инструмент пригоден для поддержки выбора защитных мер при ограниченных ресурсах.
The use of classical genetic algorithms, and mathematical modeling in general, to optimize facility security measures is complicated by nonlinear dependencies between protective measures and the rapid increase in computational load as the list of elements expands. The goal of the study was to develop a modified algorithm that replaces the traditional fitness function with virtual movement mechanics and coalition selection. The core of the method is the transformation of expert scores into discrete steps, followed by cyclical movement of individuals along a closed scale; the population is spontaneously grouped into unions, within which the most contrasting variants in terms of the total step are selected for crossbreeding. Testing showed that the algorithm does not seek an abstract maximum, but a balanced, internally consistent set of measures, avoiding both weak and unrealistically resource-intensive combinations. Coarsening the estimates mitigates the influence of subjectivity, and the grouping maintains the genetic diversity of the population. The resulting set of measures is verified for consistency and mutual reinforcement, which is especially important under tight budget constraints and incomplete initial data. The proposed tool is suitable for supporting the selection of protective measures under resource constraints.
1. Хвостов В. А., Рогозин Е. А., Никулина Е. Ю. Направления и перспективы использования эволюционных методов обоснования требований к безопасности информации автоматизированных систем // Вестник Воронежского института МВД России. 2015. № 4. С. 198–204. EDN: VDKUZF.
2. Тарасов А. Д. Адаптивный генетический алгоритм в задаче проектирования систем физической защиты критически важных объектов // Вестник компьютерных и информационных технологий. 2016. № 1 (139). С. 23–31. DOI: 10.14489/vkit.2016.01.pp.023-031. EDN: VHITIV.
3. Тарасов А. Д. Эффективность работы генетического алгоритма в задаче проектирования систем физической защиты // Информационные технологии. 2016. Т. 22. № 4. С. 243–249. EDN: VVAEDP.
4. Сергеев Н. П., Степанов Л. В., Дурденко В. А. Математическое моделирование оценки защищенности объекта уголовно-исполнительной системы на основе модифицированного генетического алгоритма // Инженерный вестник Дона. 2025. № 12 (132). EDN: YCXWVY.
5. Боровский А. С., Тарасов В. Н. Анализ результатов работы генетического алгоритма в задаче оптимального размещения средств инженерно-технической защиты на объекте // Интеллект. Инновации. Инвестиции. 2014. № 3. С. 51–58. EDN: STAFYX.
6. Дровникова И. Г., Змеев А. А., Рогозин Е. А. Частная методика формирования требований к системам защиты информации от несанкционированного доступа в автоматизированные системы с использованием генетического алгоритма // Вестник Дагестанского государственного технического университета. Технические науки. 2018. Т. 45. № 3. С. 114–122. DOI: 10.21822/2073-6185-2018-45-3-114-122. EDN: USBTUF.
7. Космачева И. М., Давидюк Н. В., Сибикина И. В., Кучин И. Ю. Модель оценки эффективности конфигурации системы защиты информации на базе генетических алгоритмов // Моделирование, оптимизация и информационные технологии. 2020. Т. 8. № 3 (30). DOI: 10.26102/2310-6018/2020.30.3.022. EDN: RHTJEA.
8. Сергеев Н. П., Степанов Л. В. Математическое моделирование и численные методы оценки режима безопасности в УИС // Вестник Воронежского института ФСИН России. 2025. № 2. С. 138–145. EDN: FGOGIS.
9. Мурзакова А. А., Мурзакова Е. А., Паюсова Т. И. Проектирование оптимальной системы защиты информации с использованием генетического алгоритма // Математическое и информационное моделирование: сборник научных трудов. Вып. 16. Тюмень: Тюменский государственный университет, 2018. С. 331–340. EDN: UZXOXO.
10. Первов К. С., Хафизов Ф. Ш., Васильев Д. В., Озден И. В. Анализ и оптимизация алгоритмов управления техносферной безопасностью на основе нечетких когнитивных карт // Нефтегазовое дело. 2022. № 1. С. 28–50. DOI: 10.17122/ogbus-2022-1-28-50. EDN: DOJHCT.
11. Васильев В. И., Вульфин А. М., Кириллова А. Д. Анализ и управление рисками информационной безопасности АСУ ТП на основе когнитивного моделирования // Моделирование, оптимизация и информационные технологии. 2022. Т. 10. № 2 (37). DOI: 10.26102/2310-6018/2022.37.2.022. EDN: FKRMPL.
12. Израилов К. Е. Генетический реверс-инжиниринг программ для поиска уязвимостей // Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. 2025. № 1. С. 109–119. DOI: 10.61260/2218-130X-2025-1-109-119. EDN: UHFRBI.
13. Гребенюк Г. Г., Никишов С. М., Середа Л. А. Анализ уязвимости сложных сетевых инфраструктур с применением генетического алгоритма // Проблемы управления. 2021. № 6. С. 52–59. DOI: 10.25728/pu.2021.6.5. EDN: VWLMPW.
14. Степанов Л. В., Паринов А. В., Кольцов А. С., Сергеев Н. П. Особенности решения задач оптимизации на основе математических методов // Вестник Воронежского института ФСИН России. 2022. № 4. С. 177–181. EDN: AKRSZO.
15. Гладков Л. А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы. M.: Физико-математическая литература, 2009. 320 с. ISBN 978-5-9221-1118-8. EDN: MUWRYJ.