CC BY
48
АВТОМАТИЗАЦИЯ ЗАДАЧ ПЛАНИРОВАНИЯ ТЫЛОВОГО ОБЕСПЕЧЕНИЯ ВОЙСК НА ОСНОВЕ МЕТОДОВ СИСТЕМОЛОГИИ И ГЕОИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
Гусев Александр Алексеевич,
аспирант кафедры оптоэлектроники, преподаватель кафедры теоретической физики и компьютерных технологий Кубанского государственного университета, г. Краснодар, Россия, [email protected]
Ключевые слова: системология, поддержка принятия решений, прогнозирование, порождающие системы, целенаправленные системы, слабоструктурированные проблемы, тыловое обеспечение войск, военная логистика, геоинформационные системы.
Рассматривается возможность применения методов системологии и геоинформационных технологий в автоматизации прогнозирования и оценке целенаправленности управленческих альтернатив в интересах планирования тылового обеспечения войск. Предметом исследования является прогнозирование и поддержка принятия решений в слабоструктурированных управленческих задачах тылового обеспечения войск на основе данных о наблюдаемом поведении объекта управления. Методологической базой исследования является аппарат порождающих систем с поведением и целенаправленных систем системологии Дж.Клира. Показано применение взвешенного алгоритма ближайших соседей для прогнозирования поведения объекта управления, представленного в форме порождающей системы. Результатом исследования является создание программного средства поддержки принятия управленческих решений AimDSS. Gредставлена также разработанная в АО "Конструкторское бюро "Селена" и КубГУ геоинформационная система "МГИС", позволяющая автономно хранить и обрабатывать географические карты территории Российской Федерации в масштабе от 1:100 до 1:10000000, с возможностью навигации по карте и отображения собственного положения оператора, полученного с геонавигационного оборудования. При этом размер карт всей территории РФ не превышает 7 ГБ, для работы "МГИС" не требуется подключение к сети Интернет, возможна полноценная работа продукта под управлением операционной системы МСВС 3.0, добавление пользовательских слоев и специальных объектов. Предлагается применение AimDSS в сочетании с геоинформационной системой "МГИС" для поддержки принятия решений при решении слабоструктурированных задач планировании тылового обеспечения войск, что позволит повысить скорость и эффективность принятия управленческих решений на основе компьютерного анализа данных и автоматического составления прогнозов целенаправленности рассматриваемых управленческих альтернатив; окажет поддержку лицу принимающему решения в условиях частичного или полного отсутствия знаний о внутренней структуре объекта управления при решении ряда тактических задач; интеграция AimDSS с геоинформационной системой "МГИС" позволит упростить поддержку принятия решений в области планирования тылового обеспечения войск, сделав формулирование цели и оценку целенаправленности управленческих альтернатив максимально наглядными.
Для цитирования:
Гусев А.А.. Автоматизация задач планирования тылового обеспечения войск на основе методов системологии и геоинформационных технологий // T-Comm: Телекоммуникации и транспорт. - 2016. - Том 10. - №7. - С. 65-70.
For citation:
Gusev А.А. Automation of military logistics planning on the basis of general systems theory and GIS technologies. T-Comm. 2016. Vol. 10. No.7, рр. 65-70. (in Russian)
Тыловое обеспечение войск, как система мероприятий, направленных на удовлетворение материальных, транспортных, бытовых и др. потребностей войск предполагает решение широкого класса задач планирования, часть из которых являются слабоструктурированными, т.к. требуют целостного анализа исходных данных в различных предметных областях, прогнозирования и принятия решений в условиях неопределенности. Для помощи лицам, принимающим решения в условиях неопределенности предназначены информационные системы поддержки принятая решений (ИСППР). Главным требованием к ИСППР является возможность их надежной работы при решении слабоструктурированных проблем [1], что ограничивает выбор используемых методологий анализа данных и прогнозирования при проектировании ИСППР с целью предпочтения тех методологий, что позволяют получать точные прогнозы при минимальном знании о внутренней структуре исследуемых (управляемых) объектов (систем). Одной из методологий, предлагающих средства для работы с системами, о которых известно наблюдаемое поведение, но не внутренняя структура элементов, ведущая к тому или иному поведению, является системология - научное направление, развиваемое Джорджем Клиром, профессором Центра Интеллектуальных Систем Университета Штата Нью-Йорк, США ставящее своей целью формализацию семантики и логики общесистемных понятий для определения иерархической классификации систем, позволяющую на основе этой классификации и параллельно с ней строить классификацию системных задач и методов их решения на компьютере, не зависящих от конкретной предметной области [2].
Инструментом системологин, отвечающим, на наш взгляд, задаче поддержки принятия управленческих решений при решении слабоструктурированных проблем являются целенаправленные системы, формализующие управленческую цель и оценивающие систему объекта управления на предмет близости ее наблюдаемого поведения к управленческой цели.
В Кубанском государственном университете (далее -КубГУ) под руководством к.ф-м.наук, доцента Швецовой H.A., автором была разработана информационная система AimDSS, программно реализующая инструмент целенаправленных систем системологии в виде целенаправленной информационной системы [3][4][5][6][7][8]. При этом, под целью понимается заданная пользователем вероятностная целевая функция поведения */(с) , относительно которой
оценивается приведенная функция поведения lf(c) системы объекта управления (заданной множеством наолюдаемых
состояний CEC) при реализации /-ой управленческой альтернативы.
Управленческая альтернатива в общем случае представляет собой дополнение системы объекта управления некоторым множеством переменных принятия решения.
Приведенная функция поведения [1/(с) системы объекта управления строится на основе дополненной функции поведения Lf'(p,z) системы объекта управления при реализации управленческого варианта i, которая определена на дополненном множестве состояний {CsC,ZeZ}, образующемся в результате добавления в систему объекта управле-
ния переменных принятия решения. При этом отдельная приведенная вероятность 1/(с1) рассчитывается по формуле:
1Ш = У '/'(С|,гк)
к (О
Расстояние 5(*, ¿) между /-ой приведенной функцией поведения и целевой функцией оценивается по формуле Хэм-минга:
б(*,0 = 2 7(C)- У(с)|
сес (2)
Степень целенаправленности системы объекта управления при реализации альтернативы i определяется по формуле:
, л , «о. О
о>(*, 0 = 1---—
2 (3)
Однако, в работах Дж.Клира остается нераскрытым вопрос о применении тех или иных математических методов к прогнозированию и ретроспекции будущего и предшествующего эмпирическим данным поведения системы объекта управления.
Поскольку поведение системы объекта управления в соответствии с формальностями Дж,Клира представляет собой выборку из последовательности наблюдаемых состояний
С € С объекта управления и количество различных состояний |С| всегда ограничено, можно рассматривать различные
состояния С £ С , как множество С классов С, к одному из которых может принадлежать поведение объекта в данный момент времени. Таким образом, задача о предсказании состояния системы объекта управления, соответствующего некоторому моменту времени Т+1 (или моменту -t, при ретроспекции) по известному множеству состояний для отрезка времени [0; Т] может быть сведена к задаче классификации неизвестного состояния.
Одним из наиболее распространенных и простых методов классификации является алгоритм к ближайших соседей (Воронцов К.В., 2008). Соседями классифицируемого состояния являются предшествующие (последующие — при ретроспекции) известные состояния системы объекта управления.
Решение о принадлежности классифицируемого состояния к тому или иному классу CEC принимается на основе голосования по к ближайшим соседям, в результате которого алгоритм относит классифицируемое состояние к тому классу, который наберет наибольшее число голосов.
Выбор к может быть достаточно произвольным, однако следует иметь в виду, что в тривиальном случае к=1, новые состояния будут классифицированы так же, как ближайшее к ним известное состояние. Таким образом, алгоритм будет неустойчив к статистическим выбросам.
Если же, напротив, включить в число ближайших соседей все известные состояния мы можем столкнуться с ситуацией оверфиттинга.
Исходя из этого, подбор значения к необходимо осуществлять по критерию скользящего контроля с исключением объектов по одному (le ave-one-out, LOO) [9]. Таким образом к будет параметром, зависящим от объема выборки, что будет дополнительным достоинством алгоритма.
ÓÓ
m
У
Классифицированные (предсказанные) таким образом будущие (предшествующие) состояния системы добавляются в выборку, соответствующую рассматриваемой управленческой альтернативе и по формулам (2) и (3) происходит расчет расстояния Хэмминга между альтернативой и управленческой целью и расчет степени целенаправленности системы. Пользователь принимает решение о предпочтении той или иной управленческой альтернативы на основе соответствующего ей максимума степени целенаправленности (3). При этом, пользователь может задать интервал прогнозирования (ретроспекции), используемый при проверке данной управленческой альтернативы.
Продемонстрируем применение алгоритма ближайших соседей к предсказанию будущего системы объекта управления с помощью Аш1085
В сиетемологии Дж,Клира обработка данных по наблюдаемому поведению системы происходит на эпистемологическом уровне порождающей системы, которую можно представить в виде двумерной таблицы, столбцами которой являются значения выборочных переменных 31...3П, кодирующие проявления свойств системы, а строки заданы значениями базы (например, времени (). Задача заключается в предсказании значений в]...^ в строке, соответствующей искомому моменту времени ^^ по имеющимся в распоряжении иследовагеля строкам для моментов времени
Продемонстрируем (таблица 1) работу алгоритма для некоторой произвольной порождающей системы. 13 целях определенности и наглядности, без ограничения общности будем считать, что п=4, а возможное целочисленное значение искомой переменной (множество проявлений свойств системы) принадлежит отрезку [0..4].
Таблица 1
Порождающая система
1 3] 35 Зз
1 1 0 2 1
2 1 4 3 0
3 3 2 1 1
4 0 1 4 3
5 ?
ем будем понимать количество промежуточных ячеек таблицы, разделяющих искомую переменную и данного соседа.
Таблица 2
Разбиение ближайших соседей по рангам в зависимости от расстояния в таблице
I $2 гз 34
1 1 0 2 1
2 1 4 3 0
3 3 2 1 1
4 0 1 4 3
5
Таким образом, мы имеем 13 ближайших соседей, принадлежащих к 4 рангам по убыванию (выделены в таблице 2 различным размером шрифта) по удаленности от искомой переменной.
Номер ранга будет являться так же весовым коэффициентом при голосовании соседа.
Поскольку в данном примере проявлений свойств системы всего 5 — «О», «1», «2», «3» и «4», с помощью голосования по соседям нам нужно определить значение искомой переменной из этого множества.
На первом шаге определим весовой вклад соседей в классификацию искомой переменной, как имеющей значение «О». За этот вариант голосуют соседи (3];4) и 1), имеющие весовые коэффициенты 4 и I соответственно. Таким образом, имеем 4+1=5 - весовой вклад в то, что искомая переменная принадлежит к классу «О».
На втором шаге определим голоса за класс «1». За этот класс будут голосовать два соседа веса 2 ;2) и (эз;3> и 2 соседа веса 1 (8^1) и (я^З), а также один ближайший сосед веса 4 (з1;4). Таким образом, имеем 2*2+1*2+4=10- весовой вклад в то, что искомая переменная принадлежит классу «1».
Аналогично рассчитаем голоса за классы «2», «3» и «4». Сведем результаты голосования в таблицу (табл. 3).
Таблица 3
Результаты голосования соседей
Прежде всего, определим, как много соседей искомой переменной мы будем рассматривать. Как отмечено выше, выбор только одного соседа сделает алгоритм неустойчивым к статистическим выбросам. Выбор значительного числа соседей может привести к возникновению проблемы овер-фиттинга. Выбор всех возможных соседей породит, кроме оверфиттинга, еще и проблему вычислительного времени в том случае, когда данных о поведении системы действительно много (десятки тысяч строк).
Мы предполагаем, что для задач прогнозирования будет достаточно рассматривать до 20 ближайших соседей искомой переменной.
Критерием выбора соседей, а также критерием значимости их голоса при определении значения искомой переменной будет являться расстояние от искомой переменной до соответствующего соседа в таблице, отображающей рассматриваемую нами порождающую систему.
Разобьем (табл. 2) соседей искомой переменной по рангам, в зависимости от расстояния в таблице. Под расстояни-
Предполагаемое значение Суммарный вклад соседей
(класс) искомой переменной в голосование
0 5
1 10
2 3
3 6
4 5
Как видно в данном примере, в результате голосования соседей побеждает предположение о том, что искомая переменная имеет значение «1»,
Алгоритм голосования является итеративным и допускает простое увеличение, как количества рассматриваемых рангов соседей, так и количества возможных значений (проявлений свойств) искомой переменной, оставляя за пользователем определение конкретных значений параметров алгоритма в целях избегания шумовых выбросов, оверфиттинга и значительных вычислительных затрат.
Остановимся подробнее на программной реализации алгоритма подсчета голосов.
Входными данными алгоритма являются координаты (в); искомой переменной в таблице, количество рассматриваемых рангов соседей Я, весовой параметр и интервал прогнозирования I (рис. 1),
>.- n^j в БД
£Мют| Ьсдтапд | - Порттлалщи ппма 11 Цдр&дхищ^^ц a^itna"
Рис. 1. Настройка параметров алгоритма прогнозирования в AimDSS
На первом шаге определяются соседи наивысшего ранга R искомой переменной, имеющие вес при голосовании.
В случае, если пользователь включает учет ближайших соседей по диагонали и по той же строке, в число соседей ранга R для искомой переменной (s¡;j) попадают переменные с координатами (зцЩ; (s¡.iy-l), (s¡y-l), (s¡+bj-l),(si+iy), ПРИ условии, что значения i и j не выводят нас за край таблицы. Определение соседей искомой переменной может быть исполнено, как функция nearestneigiibour, принимающая i и j в качестве аргументов и возвращающая список ближайших соседей.
Определив соседей ранга R, нам необходимо определить соседей ранга R-1, для чего можно вызвать ту же самую функцию nearestneighbour, но уже для каждого соседа ранга R, найденного на предыдущем шаге.
В результате циклического запуска nearestneigbour для составления списков соседей ранга R, R-l,..,R-k,... 1 мы получим исходные данные для проведения голосования.
В новом цикле мы будем определять количество и вес голосов за то, что искомая переменная принадлежит поочередно к каждому из возможных классов целочисленных значений.
При этом, суммарный голос Vc за принадлежность искомой переменной к данному классу с будет вычисляться по формуле (4):
Vc = у (1 + rf< W) • q„
где w - заданный пользователем весовой параметр, Г/ - ранг данного соседа, qi - количество соседей данного ранга /, принадлежащих к данному классу с.
После определения всех суммарных голосов Vc, в массиве Vc отыскивается максимальный элемент и искомой переменной присваивается значение соответствующего ему класса.
AimDSS представляет средства для поддержки принятия решений в различных предметных областях, при этом исходные данные могут быть импортированы из электронных таблиц или введены вручную. Однако, в силу специфики, в задачах планирования тылового обеспечения войск представляется целесообразной интеграция программного модуля поддержки принятия решений AimDSS с той или иной геоинформационной системой.
В АО «Конструкторское бюро «Селена» (г. Краснодар) и КубГУ в 2015 г. был разработан кросс-платформенный программный продукт «Мобильная геоинформационная система» («МГИС») [10J, позволяющий автономно хранить и обрабатывать географические карты территории Российской Федерации в масштабе от 1:100 до 1:10000000, с возможностью навигации по карте и отображения собственного положения оператора, полученного с геонавигационного оборудования. При этом размер карт всей территории РФ не превышает 7 ГБ, для работы «МГИС» не требуется подключение к сети Интернет, возможна полноценная работа продукта под управлением операционной системы МСВС 3.0, добавление пользовательских слоев и специальных объектов, а также, при необходимости, оперативная загрузка общедоступной географической информации из всемирного хранилища Open Street Map.
В настоящий момент ведётся работа по обеспечению наглядного ввода и вывода исходных данных в решающий модуль AimDSS из reo информационно го модуля «МГИС».
В заключение необходимо отметать, что:
1. применение методов системологии в задачах планирования тылового обеспечения войск позволит, на наш взгляд, повысить скорость и эффективность принятия управленческих решений на основе компьютерного анализа данных и автоматического составления прогнозов целенаправленности рассматриваемых управленческих альтернатив;
2. методы системологии, реализованные в AimDSS, позволят оказать поддержку принятия решений в условиях частичного или полного отсутствия знаний о внутренней структуре объекта управления, что будет полезным при решении ряда тактических задач;
3. интеграция AimDSS с геоинформационной системой «МГИС» позволит упростить поддержку принятия решений в области планирования тылового обеспечения войск, сделав формулирование цели и оценку целенаправленности управленческих альтернатив максимально наглядными.
W
Рис. 2. Окно оператора МГИС
Литература
\.KeenP,G.W„ Scott Morton M.S. Decision support systems : an organizational perspective. Reading, Mass.: Addison-Wesley Pub. Co., 1978.
2. Клир Дж. Системология. Автоматизация решения системных задач. - М.: Радио и связь, 1990. - 544 с.
3. Gusev A.A.. Shvetsova N.A. The design of a goal-oriented information system for decision support // Материалы IV международной научно-практической конференции Актуальные направления фундаментальных и прикладных исследований 4-5 августа 2014 г., Т.1. - North Charleston, США, 2014. - С. 134-137.
4. Гусев А.А. Реализация концепции целенаправленных систем а компьютерной поддержке принятия управленческих решений II Современные проблемы физики, биофизики и иифокоммуникаци-онных технологий. Материалы всероссийской заочной научно-практической конференции, Краснодар: Краснодарский ЦНТИ, 2014, - С. ¡51-157.
5. Гусев А.А. Проектирование информационной системы поддержки принятия управленческих решений на основе целенаправленной информационной системы II Современное состояние и приоритеты развития фундаментальных наук в регионах: труды XI Всероссийской научной конференции молодых ученых и студентов. Краснодар: Кубанский гос. ун-т, 2014. - С. 115-118.
6. Гусев А.А. Применение целенаправленной информационной системы к задаче оценки соответствия поведения сложной системы заданной цели // Материалы V международной научно-практической конференции Академическая наука - проблемы и
достижения 1-2 декабря 2014 г., T.I. - North Charleston, США, 2014. -С. 137-144.
7. Гусев A.A. Реализация некоторых методов системологии в компьютерной поддержке принятия управленческих решений // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета {Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. -№09(103). - IDA [article ID): 1031409075. - Режим доступа: http://ej.kubagro.ru/2014/09/pdf/75.pdf.
8. Гусев A.A. Применение целенаправленной информационной системы в поддержке принятия решения о предпочтении выпускающей кафедрой сотрудничества с конкретным работодателем // Материалы V международной научно-практической конференции Фундаментальные и прикладные науки сегодня 30-31 марта 2015 г, Т.I.-North Charleston, США, 2015.-С. 118-129.
9. Antti Sorjamaa. Jin Нао. Amaury Lendasse. Mutual Information and k-Nearest Neighbors Approximator for Time Series Prediction // Artificial Neural Networks: Formal Models and Their Applications -ICANN 2005. Vol. 3697 of the series Lecture Notes in Computer Science. -C, 553-558.
10. Свидетельство № 2015618041 Российская Федерация. Мобильная геоииформациониая система: свидетельство о государственной регистрации программы для ЭВМ / A.A. Гусев, А.Э. Волошин, H.A. Яковснко, Е.В, Строганова; заявители и правообладатели ФГБОУ ВПО «Кубанский государственный университет» и ОАО «КБ «Селена» - № 215614540; заявл. 01.06.2015; зарегистр, 29.07,2015.
7Т>
MANAGEMENT
AUTOMATION OF MILITARY LOGISTICS PLANNING ON THE BASIS OF GENERAL SYSTEMS THEORY AND GIS TECHNOLOGIES
Alexander A. Gusev, post-graduate student at the chair of optronics, lecturer at the chair of theoretical physics and computer technologies, Kuban State University, Krasnodar, Russia, [email protected]
Abstract
The article observes a possibility of applying the methods of general systems theory and GIS technologies to automate forecasting and evaluating of purposefulness of management alternatives for military logistics planning. The subject of the study is the prediction and decision support for solving semi-structured military logistics problems on the basis of data on observed behavior of control object. The methodological base of the research is made up by generating systems with behavior and goal-oriented systems from general systems theory by George Klir. The article shows the use of a weighted nearest neighbor algorithm for predicting the behavior of a control object, presented in the form of the generating system. The result of the study is a software tool "AimDSS" aimed at supporting semi-structured decision making. The article also presents the JSC "Design Bureau "Selena" and the Kuban State University's Geographic Information System "MGIS" allowing offline store and processing of maps of the territory of the Russian Federation on a scale of 1: 100 to 1: 10,000,000, with the ability to navigate through the map and display your own position, obtained with navigation equipment. The size of the map throughout the Russian Federation does not exceed 7 GB. "MGIS" does not require an Internet connection to show and navigate the maps. It can be run under operating system MSVS 3.0, allowing user to add on the map their custom layers and special facilities. It is proposed to use AimDSS in conjunction with the GIS "MGIS" to support decision making in solving semistructured military logistics planning problems, which will increase the speed and efficiency of decision-making based on computer analysis of data and automatic forecasting with the evaluation of purposefulness of the management alternatives under consideration; it will support the decision maker under partial or complete lack of knowledge about the internal structure of the control object in solving a number of tactical problems; AimDSS integration with GIS "MGIS" will simplify decision support in military logistics planning by making the formulation of objectives and evaluation of purposefulness of alternatives vivid to the maximum.
Keywords: general systems theory, decision support systems, forecasting, generating systems, goal-oriented systems, semi-structured problems, military logistics, GIS.
References
1. Keen P.G.W., Scott Morton M.S. Decision support systems: an organizational perspective. Reading, Mass.: Addison-Wesley Pub. Co., 1978.
2. Klir George, D.Elias. Architecture of Systems Problem Solving. New York: Plenum Press, 1985. 354 pp. (in Russian)
3. Gusev A.A., Shvetsova N.A. The design of a goal-oriented information system for decision support. Topical areas of fundamental and applied research IV, Vol.1. North Charleston, USA, 2014. Pp. 134-137.
4. Gusev A.A. Realizaciya koncepcii celenapravlennyh sistem v komp'yuternoj podderzhke prinyatiya upravlencheskih reshenij / Sovremennye problemy fiziki, biofiziki i infokommunikacionnyh tekhnologij. Materialy vserossijskoj zaochnoj nauchno-prakticheskoj kon-ferencii. Krasnodar: Krasnodarskij CNTI, 2014. Pp.151-157. (in Russian)
5. Gusev A.A. Proektirovanie informacionnoj sistemy podderzhki prinyatiya upravlencheskih reshenij na osnove celenapravlennoj informa-cionnoj sistemy / Sovremennoe sostoyanie i prioritety razvitiya fundamental'nyh nauk v regionah: trudy XI Vserossijskoj nauchnoj kon-ferencii molodyh uchenyh i studentov. Krasnodar: Kubanskij gos. un-t, 2014. Pp.115-118. (in Russian)
6. Gusev A.A. Primenenie celenapravlennoj informacionnoj sistemy k zadache ocenki sootvetstviya povedeniya slozhnoj sistemy zadannoj celi / Academic science - problems and achievements V. Vol.1. North Charleston, USA, 2014. Pp. 137-144. (in Russian)
7. Gusev A.A. Realization of some system-logical methods in computer decision support. / Gusev A.A. // Scentific Journal of KubSAU -Krasnodar: KubSAU, 2014. No. 09(103). IDA [article ID]: 1031409075. URL: http://ej.kubagro.ru/20l4/09/pdf/75.pdf. (in Russian)
8. Gusev A.A. Primenenie celenapravlennoj informacionnoj sistemy v podderzhke prinyatiya resheniya o predpochtenii vypuskayushchej kafedroj sotrudnichestva s konkretnym rabotodatelem / Fundamental and applied sciences today V, Vol.1. North Charleston, USA, 2015. Pp. 118-129.
9. Antti Sorjamaa, Jin Hao, Amaury Lendasse. Mutual Information and k-Nearest Neighbors Approximator for Time Series Prediction / Artificial Neural Networks: Formal Models and Their Applications - ICANN 2005. Volume 3697 of the series Lecture Notes in Computer Science. Pp. 553-558.
10. Svidetel'stvo № 2015618041 Rossijskaya Federaciya. Mobil'naya geoinformacionnaya sistema: svidetel'stvo o gosudarstvennoj regis-tracii programmy dlya EHVM / A.A. Gusev, A.EH. Voloshin, N.A. YAkovenko, E.V. Stroganova; zayaviteli i pravoobladateli FGBOU VPO "Kubanskij gosudarstvennyj universitet" i OAO "KB "Selena" № 215614540; zayavl. 01.06.2015; zaregistr. 29.07.2015. (in Russian)
