С.В. Мацеевич1, А.К. Усачева2, А.С. Захаров3

1–3 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)
1 cvmac@mail.ru; 3 zakharov.as17@physics.msu.ru;

Постановка проблемы. Основным элементом системы мониторинга космического пространства (СМКП) являются радиолокационные станции, которые после зондирования обрабатывают сигнал и передают в центр управления информацию о координатах и состоянии космических аппаратов. Ключевая роль в поддержании характеристик станции на заданном уровне принадлежит операторам. Значительное техническое усложнение радиолокационных станций приводит к увеличению количества информации, предоставляемой оператору. Кроме того, частая необходимость в прогнозировании технических характеристик СМКП также усложняет процесс проведения анализа функционирования системы. В связи с этим появляется необходимость в оптимизации действий оператора.

Цель. Разработать метод оптимизации действий оператора на основе графового представления.

Результаты. Проведён анализ применения методов искусственного интеллекта, в частности, машинного обучения и нейронных сетей, в системах поддержки принятия решений. Для анализа текстовой регламентирующей информации выбрана большая языковая модель BLOOM с открытым исходным кодом, позволяющая сформировать граф последовательности действий. Для анализа и оптимизации графа разработаны оригинальные метод и алгоритм оптимизации последовательности действий оператора, что позволяет повысить эффективность работы его работы за счёт совершенствования методов поддержки принятия решений.

Практическая значимость. Разработанная в рамках исследования программа позволяет сформировать оптимизированную последовательность действий оператора на основе многокритериального анализа (выбор парето-оптимальных решений). Результаты оптимизации могут быть использованы при проектировании систем поддержки принятия решений в части обоснования необходимости и достаточности отображаемой информации на экранах.

Мацеевич С.В., Усачева А.К., Захаров А.С. Метод оптимизации действий оператора радиолокационной станции мониторинга космического пространства на основе графового представления // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 6. С. 77−87. DOI: 10.18127/j19998554-202506-08

1. Толстых А.В. Обоснование необходимости информационной поддержки оператора радиолокационной автоматизированной измерительно-информационной системы, функционирующего в условиях неопределенности / Сб. ст. по материалам ВНТК, посвященной Дню образования войск связи. Воронеж: ВУНЦ ВВС «ВВА». 2015. С. 214–216.
2. Садовникова Н.П., Парыгин Д.С., Щербаков М.В. Системы поддержки принятия решений: учеб. пособие. Волгоград: ВолгГТУ. 2021. 108 с.
3. Ларичев О.И., Петровский А.Б. Системы поддержки принятия решений: современное состояние и перспективы развития // Итоги науки и техники. Теория вероятностей. Математическая статистика. Теоретическая кибернетика. 1987. Т. 21. С. 131–164.
4. Зюзина А.Д., Мацеевич С.В., Воронин А.С., Мочалов М.Н. Современные системы визуализации текущей обстановки в ЗРК «Пэтриот» и интегрированной системе боевого управления IBCS // Вестник Воздушно-космической обороны. 2023.
   №4 (40). С. 119–126.
5. Савенков П.А. Использование методов и алгоритмов машинного обучения в системах поддержки принятия управленческих решений // Известия ТулГУ. Технические науки. 2019. № 2.
6. Михайлова С.С., Мацеевич С.В., Захаров А.С., Шарипов Д.А., Петровский А.В. Расчет показателей готовности выездных бригад на основе модели комплексных аварий на объектах критической инфраструктуры // Нелинейный мир. 2025. Т. 23. № 3. С. 15–24. DOI: https://doi.org/10.18127/ j20700970-202503-03
7. Самойленко В.С., Федотова А.Ю. Архитектура интеллектуальной системы поддержки принятия решений // Международный научно-исследовательский журнал. 2024. № 8 (146). URL: https://research-journal.org/archive/8-146-2024-august/10.60797/ IRJ.2024.146.10 (дата обращения: 13.02.2025). DOI: 10.60797/IRJ.2024.146.10
8. Конев К.А. Машинное обучение для поддержки принятия решений в сфере качества на промышленном предприятии // Экономика. Информатика. 2023. № 3.
9. Ahmad, S.F., Han, H., Alam, M.M. et al. Impact of artificial intelligence on human loss in decision making, laziness and safety in education. Humanit Soc Sci Commun 10. 311 (2023). https://doi.org/10.1057/s41599-023-01787-8
10. Самойленко В.С., Федотова А.Ю. Архитектура интеллектуальной системы поддержки принятия решений // Международный научно-исследовательский журнал. 2024. № 8 (146). URL: https://research-journal.org/archive/8-146-2024-august/10.60797/ IRJ.2024.146.10 (дата обращения: 13.02.2025). DOI: 10.60797/IRJ.2024.146.10
11.  Крошилин А.В., Бабкин А.В., Крошилина С.В. Особенности построения систем поддержки принятия решений на основе нечёткой логики // Информатика, телекоммуникации и управление. 2010. № 2 (97).
12. Мацеевич С.В., Захаров А.С., Владко У.А., Зюзина А.Д., Мочалов М.Н. Применение показателя когнитивной нагрузки графического элемента для обоснования требований к системе визуализации РЛС дальнего обнаружения // Научная визуализация. 2024. 16.3: 87–96. DOI: 10.26583/sv.16.3.09