CC BY
42
УДК 004.9:639.2
СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
В ИССЛЕДОВАНИЯХ И ПРОМЫСЛЕ ВОДНЫХ БИОРЕСУРСОВ
Ф. В. Коломейко, С. П. Сердобинцев
DECISION SUPPORT SYSTEMS IN RESEARCHES AND FISHERY FOR AQUATIC BIOLOGICAL RESOURCES
F. V. Kolomeyko, S. P. Serdobintsev
Показана актуальность разработки и применения систем поддержки принятия решений в исследованиях и промысле водных биоресурсов. Предложено их создание с использованием принципов автоматизированных систем научных исследований. Рассматривается концепция автоматизированной системы поддержки принятия решений, которая объединяет автоматизированную систему научных исследований, информационно-справочную и географическую информационную системы. Она включает множество математических, интеллектуальных методов анализа данных, систему управления базами данных, базы данных и знаний, что повышает эффективность научных исследований и рыбного промысла.
информационное обеспечение, водные биоресурсы, рыбный промысел, базы данных, базы знаний, автоматизация, научные исследования, информационно-справочная система, географическая информационная система, система поддержки принятия решений
The paper shows relevance of creation and using of decision support systems in researches and fishery for aquatic biological resources. It is proposed to develop such systems using principles of automated scientific research. The concept of an automated decision support system is being considered that integrates the automated system of scientific research, inquiry system and geographic information system. This system includes a lot of mathematical, intellectual methods, databases, databases management system and knowledge bases. It increases the efficiency of scientific researches and fishery.
information support, water biological resources, fishery, data bases, knowledge bases, automation, inquiry system, geographic information system, decision support system
ВВЕДЕНИЕ
Проблемы стабильного и качественного обеспечения всех слоев населения рыбными продуктами питания оказывают значительное влияние на продовольственную безопасность страны. Решение этих проблем возможно за счет эффективной организации промысла водных биоресурсов (ВБР) и развития аквакультуры, что достигается путем создания новых и совершенствования существующих методов изучения и прогнозирования состояния ВБР. Данные, собираемые во время научных исследований ВБР и рыбного промысла, неоднородны и нестационарны.
Они зависят от множества стохастических факторов, поэтому традиционных математических методов для их анализа и достоверного прогноза не всегда достаточно. При использовании этих данных не менее важна смысловая, логическая обработка информации, опыт экспертов и специалистов-практиков [1]. В таких случаях необходимо принимать решения на основе множества критериев и не только использовать первичную информацию в виде баз данных, но и формировать базы знаний (БЗ). Поэтому, несмотря на то, что к настоящему времени разработано множество математических моделей динамики численности гидробионтов, создан широкий набор информационных систем [2-5], до сих пор недостаточно знаний о законах функционирования морских экосистем, и, как следствие, порой достоверность научных прогнозов оставляет желать лучшего [6]. Следовательно, задачи и проблемы, возникающие в этой области согласно классификации проблем, принятой в системном анализе, следует отнести к слабоструктурированным, так как они содержат как качественные, так и количественные элементы. Для решения указанных проблем необходимо повышать уровень автоматизации исследований ВБР и выдачи рекомендаций по организации промысла. Принятию эффективных решений в исследованиях и промысле водных биоресурсов способствуют информационные системы, совмещающие математическую и автоматизированную экспертную обработку данных. В качестве таковых могут выступать информационные системы поддержки принятия решений (СППР), которые помогают оптимизировать и ранжировать возможные решения. СППР, создаваемые для обеспечения исследований ВБР, должны строиться на принципах, заложенных в основе автоматизированных систем научных исследований (АСНИ), либо являться составной частью АСНИ. В данном контексте АСНИ представляет собой информационную систему для автоматизации проведения экспериментов, построения моделей объектов, процессов и в целом научных исследований на основе соответствующего программно-аппаратного обеспечения.
ОСНОВНАЯ ЧАСТЬ
Применение СППР совместно с АСНИ наиболее эффективно в тех современных областях науки и техники, которые имеют дело с использованием больших объемов информации. Это, прежде всего, относится к исследованиям Мирового океана, ВБР и среды их обитания.
Далее под СППР в исследованиях и промысле водных биоресурсов будем подразумевать систему, совмещающую в себе элементы АСНИ. Необходимость создания и использования таких СППР связана с тем, что целью многих научных исследований является построение модели реального объекта (процесса или явления). Разработка модели включает сопоставление теории и эксперимента. На теоретической стадии сейчас постоянно растет потребность в применении все более сложного математического аппарата, а значит, всё более широком использовании ЭВМ (персональных компьютеров, серверов, смартфонов и т.п.). В свою очередь, повышение сложности модели объекта приводит к увеличению объёмов собираемой информации во время экспериментальной стадии исследования. Также длительные научные исследования позволяют формировать большие временные ряды научных данных. Так, в Атлантическом филиале ФГБНУ Всероссийского научно-исследовательского института рыбного хозяйства и океанографии («АтлантНИ-РО») в базе данных (БД) «Биология океанических районов» на текущий момент содержится более 5 млн биологических анализов ВБР, собранных в Атлантическом океане. Поэтому промысловая и научная деятельность требует создания и
использования информационных систем (СППР и АСНИ). Таким образом, при разработке и применении СППР с элементами АСНИ в исследованиях ВБР достигаются цели роста эффективности и качества научных исследований, уменьшение их продолжительности и трудоемкости.
Во время создания СППР и, соответственно, повышения уровня автоматизации научных исследований ВБР следует учитывать их главные особенности как объекта автоматизации. К таким особенностям относятся многогранность исследовательской деятельности, существенная роль человеческого фактора, высокий уровень априорной неопределенности хода и результатов исследования, непрерывность и уникальность процесса научного исследования, многообразие исследовательских задач.
Создание СППР, включающей АСНИ, представляется целесообразным на основе структуры, состоящей из трех уровней [7].
Объектный уровень функционирует при непосредственной связи с объектом исследований. Он предназначен для организации эксперимента, регистрации данных и представления исследователю первичных результатов. К этому уровню следует отнести модули Информационно-справочной системы АтлантНИРО (ИСС) [4] для ввода собранных данных во время научно-исследовательских рейсов и деятельности научных наблюдателей на промысловых судах.
Инструментальный уровень направлен на общую обработку полученных экспериментальных данных, предварительных научных расчетов. На этом уровне осуществляется накопление, хранение и формирование полученной информации в набор баз данных в соответствии с направлениями исследований. К этому уровню в АтлантНИРО можно отнести используемые многочисленные БД, две системы управления ими (СУБД) и агрегирующие функции модулей ИСС.
Базовый (или сервисный) уровень предназначен для проведения наиболее сложных научных расчетов, моделирования и представления информации. К этому уровню относятся модули географической информационной системы (ГИС) АтлантНИРО для сингулярного спектрального анализа временных рядов и для работы с базой знаний, модуль для интеллектуального анализа данных.
Трехуровневая организация современных СППР с элементами АСНИ позволяет предоставить исследователю необходимые средства вычислительной техники и автоматизации на всех этапах исследования, обеспечить оптимальное взаимодействие модулей системы.
При промысле ВБР анализируются данные и осуществляется прогноз для определения перспективного района промысла на основе априорной (ретроспективной) и новой (текущей) информации для максимизации прибыли рыбодобы-вающих и рыбообрабатывающих организаций и снижения непроизводительных затрат судов на поиск скоплений промысловых объектов. При этом необходимо решать задачи нахождения баланса между прибылями предприятий и обеспечением рациональной эксплуатации запасов водных биоресурсов. В рыболовстве и сохранении ВБР, производстве и реализации продукции из водных биоресурсов присутствует лицо, принимающее решение (ЛИР). В качестве ЛПР может быть любое лицо, выполняющее анализ информации, предоставляемой СППР, и оказывающее влияние на выбор решения [8]. В СППР необходимо использовать методы интеллектуального анализа данных (англ. - Data mining) [9]. Кроме этого, СППР в рыбном хозяйстве в связи с большим потоком первичных данных должны обладать средствами предоставления пользователю обобщённой информации в удобном для восприятия и анализа виде (сводные таблицы, диаграммы, географиче-
ские карты и т.п.). Подобная агрегация сведений из баз данных, содержащих первичную промыслово-биологическую, физико-химическую, гидрометеорологическую, эффективна на основе технологии многомерного анализа и обработки больших массивов данных под названием OLAP (англ. online analytical processing - интерактивная аналитическая обработка).
СППР в рыбохозяйственной отрасли можно разделить по уровню управленческих решений, принимаемых на основе их рекомендаций. СППР, как и решения по отношению ко всей отрасли, могут быть стратегическими [10], тактическими и оперативными. В данной работе делается акцент на СППР, ориентированной на принятие решений на уровне отдельных организаций.
В настоящее время в области информационного обеспечения рыбного хозяйства СППР не используются в полной мере. Такие системы обычно строятся на основе отдельных математических моделей [11] и модулей, как правило, отдающих предпочтение одному методу выбора решений (на основе прецедентов), ограниченному набору видов ВБР и (или) району промысла [12]. Часто такие системы концентрируются, прежде всего, на экономических расчетах [13]. Разработка автоматизированной СППР (АСППР), объединяющей АСНИ, ИСС и ГИС, включающей не один, а множество математических и интеллектуальных методов, СУБД, БД, БЗ ведётся в АтлантНИРО. Обобщенная функциональная структура АСППР показана на рис. 1.
Некоторые модули системы и взаимосвязи между ними уже реализованы на практике и используются при анализе промыслово-биологических данных. В качестве основы для создания программного обеспечения указанной системы применяются языки программирования JavaScript, PHP, Borland Delphi и С++. Взаимодействие с базами данных в программном комплексе организуется с помощью СУБД Microsoft SQL Server и PostgreSQL. Для построения АСППР широко применяется свободное программное обеспечение с открытыми исходными кодами, например СУБД PostgreSQL и множество модулей, созданных на JavaScript, PHP, в том числе и ГИС, обеспечивающая основную часть интерфейса всей АСППР. Это позволяет осуществлять гибкую модификацию системы и делает её доступной для использования с экономической точки зрения.
Рис. 1. Обобщенная функциональная структура АСППР Fig. 1. Generalized functional structure of automated decision support system
Разрабатываемая программно-техническая структура системы и веб-интерфейс взаимодействия эксперта с системой поддержки принятия решений обеспечивают нахождение эффективного варианта решения по управлению рыбным промыслом и исследованием ВБР. Отличительной чертой предлагаемой концепции АСППР является то, что возможности системы не ограничены работой с данными только определённых объектов и районов промысла. При соответствующем наполнении её баз данных и баз знаний система может быть использована для поддержки принятия решений по широкому набору объектов и районов промысла.
Согласно рис. 1 в подсистему ввода АСППР поступает исходная информация, получаемая спутниками Земли, научно-исследовательскими и промысловыми судами, также предусмотрена возможность получать другую дополнительную информацию, запрашиваемую экспертом и ЛПР. Подсистема обработки и визуализации данных включает программные средства, необходимые для комплексной обработки информации, направляемой в (из) ГИС, и набор баз данных и знаний по исследуемым объектам и районам промысла. Подсистема также содержит модули, реализующие технологии анализа данных OLAP и Data Mining. БЗ может содержать типовые ситуации в интересующем ЛПР районе, описание основных особенностей поведения и распределения биоресурсов, рекомендации по маневрированию флота, и, таким образом, БЗ описывает возможные сценарии промысловой обстановки. Учитывая это, наиболее целесообразно создавать БЗ в составе АСППР на основе продукционной модели представления знаний. Важной частью задач АСППР является пространственная визуализация данных для построения карт распределения параметров, характеризующих среду обитания ВБР и их состояние. Для целей визуализации используется ГИС собственной разработки. Один из возможных вариантов интерфейса АСППР, используемый в настоящее время на практике, показан на рис. 2.
Рис. 2. Интерфейс взаимодействия ЛПР и АСППР Fig. 2. Interaction interface of decision maker and decision support system
Некоторые составные части интерфейса, показанные на рис. 2, обозначены следующим образом: 1 - интерактивная географическая карта; 2 - инструмент для фильтрации данных; 3 - блок для выборки данных промысловой статистики из БД; 4 - блок задания параметров интерполяции; 5 - таблицы данных, с которыми работает эксперт; 6 - блок для задания параметров анализа и прогнозирования временных рядов; 7 - блок для выборки абиотических данных из соответствующих БД, в данном случае температуры поверхности океана; 8 - блок 3D-картирования. Интерфейс разработан с учетом возможности гибко настраиваться экспертом и ЛПР под свои потребности, расположение элементов меняется и сохраняется пользователем для восстановления в других сеансах работы с системой. Предусмотрено добавление новых источников информации и их просмотр на одном окне - например, данные об абиотических параметрах в анализируемом районе, в том числе гидрометеорологические сайты сети Интернет.
Для анализа динамики временного ряда и прогнозирования пространственно-временного распределения водных биоресурсов в разрабатываемой АСППР среди прочих методов использовано сочетание мощных и быстро развивающихся методов сингулярного спектрального анализа (ССА) (в частности, модификация ССА под названием "Гусеница") и сингулярного спектрального прогноза. Математическая сущность методов подробно представлена в работе [14] применительно к анализу и прогнозу нестационарных временных рядов статистических наблюдений за ВБР и средой их обитания. Используя разрабатываемую АСППР, эксперт в процессе анализа может очистить сформированный временной ряд от шума, выделить тренд и сезонные составляющие в выловах судов, динамике среды обитания и биологического состояния ВБР. Анализ и прогноз рядов производятся с помощью web-ГИС [2], являющейся модулем АСППР и реализующей алгоритм ССА. Экономические и административные особенности промысловой деятельности являются одной из причин погрешности в математическом прогнозировании промысла, однако они могут быть учтены при формировании и применении базы знаний и опыта эксперта, используемых в АСППР.
Во время промысла важны не только время, место и размеры промысловых скоплений, но и биологическое состояние гидробионтов. Так, часто в пищевой промышленности большую ценность имеет не мышечная ткань гидробионта, а другая его составляющая часть, например, икра [15]. В АСППР автоматизированы подобные расчёты по определению района и сезона для получения соответствующего качества и количества икры.
В АтлантНИРО в рамках задачи постоянного повышения информатизации и автоматизации научных исследований ведутся работы по совершенствованию существующих модулей АСППР и созданию новых. Разработан модуль, реализующий интеграцию баз данных по разным направлениям исследований ВБР. Он позволяет научным сотрудникам в процессе экосистемных исследований не тратить время на обращение к каждой БД по отдельности и принимать решения на основе одновременного анализа всей доступной информации. Модуль, предназначенный для перевода промыслово-биологической информации в электронный вид, помогает ускорить работу и снизить вероятность ошибок ввода данных инженерами на берегу и научными наблюдателями на промысловых судах. В АСППР присутствует модуль для ведения и верификации научных БД, который обеспечивает актуальность и достоверность информации, хранящейся в них. Эти
БД используются в ежедневной работе сотрудниками АтлантНИРО для быстрого доступа ко всей информации, собранной в рейсах 1956-2019 гг. Всё перечисленное повышает информатизацию научных исследований и автоматизацию аналитической обработки информации, помогает повысить эффективность исследований, производительность труда, сократить сроки обработки и анализа научной информации. В дальнейшем планируется создание в рамках единой системы функциональности по автоматизации таких важных расчетов в исследованиях ВБР, как оценка их запаса и общего допустимого улова [16].
ЗАКЛЮЧЕНИЕ
Внедрение предлагаемой автоматизации сбора, обработки и анализа данных в процессы научных исследований и промысла ВБР позволяет повысить качество работы экспертов, исследователей, рыбаков и обеспечить своевременное принятие рациональных решений управленческим персоналом. Описанные программные решения совместимы с выбранным аппаратным обеспечением. Разрабатываемая система является распределённой и включает в себя в качестве аппаратного обеспечения ряд серверов: главный сервер БД с установленными модулями АСППР, дублирующий сервер и вспомогательные, размещённые на промысловых и научно-исследовательских судах. С серверами по клиент-серверной технологии соединены персональные компьютеры научных сотрудников, промысловиков, ЛПР и экспертов. В целях повышения отказоустойчивости АСППР, локальной вычислительной сети организации и судна необходимы резервирование серверов и автоматическая репликация данных с основного сервера (основных серверов) на резервные.
Представленный опыт показывает актуальность и принципиальную возможность создания АСППР, объединяющей несколько информационных систем, таких как АСНИ, ИСС и ГИС, не замыкающейся на одном методе или модели, а включающей множество математических, интеллектуальных методов, СУБД, БД, БЗ, смысловую и логическую обработку информации, учитывающую сложно формализуемые знания экспертов и специалистов-практиков.
СПИСОК ИСПОЛЬЗОВАННЫХ ЛИТЕРАТУРНЫХ ИСТОЧНИКОВ
1. Козин, М. А. Особенности принятия управленческих решений на промысле / М. А. Козин // Рыбное хозяйство. - 1990. - № 7. - С. 73-75.
2. Коломейко, Ф. В. Географические информационные системы на основе программного обеспечения с открытым исходным кодом (open source) и базы данных в научных исследованиях водных биоресурсов / Ф. В. Коломейко // Водные биоресурсы, аквакультура и экология водоёмов: науч. конф. (25-26 сент.): тр.; ФГБОУ ВПО «КГТУ». - Калининград, 2013. - С. 69-72.
3. К вопросу о разработке информационно-справочной системы АтлантНИРО / Ф.В. Коломейко и [др.] // Математическое моделирование и информационные технологии в исследованиях биоресурсов Мирового океана (14-17 сент.): отраслевой семинар: материалы. - Владивосток, 2004. - С.106-107.
4. Свидетельство о государственной регистрации программы для ЭВМ № 2016660553 Российская Федерация. Информационно-справочная система
АтлантНИРО / Коломейко Ф. В., Перевертнюк М. В., Бутович Я. Ф., Щукина Е. В.; правообладатель - ФГБНУ «АтлантНИРО». (РФ). - №2016617847; поступл. 18.07.2016; зарегистр. 16.09.2016. - 1 с.
5. Волвенко, И. В. Информационное обеспечение комплексных исследований водных биоресурсов северо-западной Пацифики. Ч. 3. ГИС, атласы, справочники, новые перспективы / И. В. Волвенко // Труды ВНИРО. - 2015. - Т. 157. -С. 100-126.
6. Титова, Г. Д. Биоэкономические проблемы рыболовства в зонах национальной юрисдикции / Г. Д. Титова. - Санкт-Петербург: ВВМ, 2007. - 368 с.
7. Фомичев, Н. И. Автоматизированные системы научных исследований: учеб. пособие / Н. И. Фомичев. - Ярославль: Яросл. гос. ун-т, 2001. - 112 с.
8. Петровский, А. Б. Компьютерная поддержка принятия решений: современное состояние и перспективы развития / А.Б. Петровский // Системные исследования. Методологические проблемы: ежегодник под ред. Д. М. Гвишиани,
B. Н. Садовского. - Москва: Эдиториал УРСС, 1996. - № 24. - С. 146-178.
9. Коломейко, Ф. В. Системы поддержки принятия решений в рыбном хозяйстве / Ф. В. Коломейко, С. П. Сердобинцев // VI Междунар. Балтийский морской форум (3-6 сент. 2018): материалы. - Калининград, 2018. - С. 21-20 [Электронный ресурс]. URL: http://bmf.klgtu.ru/wp-content/uploads/2018/12/TOM-6.pdf (дата обращения: 20.02.2019)
10. Приказ Федерального Агентства по рыболовству от 12 октября 2009 г. N 896 "Об утверждении Концепции внедрения и использования информационных технологий в деятельности Росрыболовства, его территориальных органов и находящихся в его ведении организаций".
11. Truong T.H., Rothschild B.J., Azadivar F. Decisión support system for fisheries management. Proceedings of the 37th conference on Winter simulation. Winter Simulation Conference, 2005, pp. 2107-2111.
12. Дубищук, М. М. Подходы к выделению оптимальных участков промысла в Центрально-Восточной Атлантике на основе оперативных спутниковых данных о термических условиях среды / М. М. Дубищук, В.Б. Лукацкий // XI конф. по проблемам рыбопромыслового прогнозирования: тез. докл. [Электронный ресурс]. - URL: http://www.atlantniro.ru/onpr/pubs/optimal_2012.pdf. (Дата обращения: 20.02.2019)
13. Фомин, С. Ю. Оптимальное управление рыбодобывающим флотом на основе применения модели линейного программирования / С. Ю. Фомин // Региональная экономика: теория и практика. - 2008. - № 36. - С. 77-87.
14. Сердобинцев, С. П. Применение информационных технологий в прогнозировании распределения объектов рыбопромыслового лова /
C. П. Сердобинцев, Ф. В. Коломейко // Информационные технологии. - 2009. -№ 3. - С. 82-85.
15. Многофакторный анализ выхода икры минтая Охотского моря / Е. Н. Харенко [и др.] // Рыбное хозяйство. - 2007. - № 4. - С. 106-112.
16. Амосова, В. М. Информационное и методическое обеспечение оценки запаса и общего допустимого улова шпрота Балтийского моря / В. М. Амосова, Т. Г. Васильева // Труды АтлантНИРО. Новая серия. - 2017. - Т. 1, № 4. -С. 87- 97.
Haynubiu wypnan «H3eecmuH KfTY», № 54, 2019 г.
REFERENCES
1. Kozin M. A. Osobennosti prinyatiya upravlencheskikh resheniy na promysle [Features of making managerial solutions in fisheries ]. Rybnoe khozyaystvo, 1990, no. 7, pp. 73-75.
2. Kolomeyko F. V. Geograficheskie informatsionnye sistemy na osnove programmnogo obespecheniya s otkrytym iskhodnym kodom (open source) i bazy dannykh v nauchnykh issledovaniyakh vodnykh bioresursov [Geographic information systems based on Open Source Software and data bases in scientific researches of aquatic bioresources]. Nauchnaya konferentsiya 25-26 sentyabrya "Vodnye bioresursy, akvakul'tura i ekologiya vodoyomov". KGTU, Kaliningrad, 2013, pp. 69-72.
3. Kolomeyko F. V., Zuev A. V., Chur V. N., Shchukina E. V. K voprosu o razrabotke informatsionno-spravochnoy sistemy AtlantNIRO [On the development of AtlantNIRO information reference system]. Otraslevoy seminar "Matematicheskoe modelirovanie i informatsionnye tekhnologii v issledovaniyakh bioresursov Mirovogo Okeana". Vladivostok, 2004, pp. 106-107.
4. Svidetel'stvo o gosudarstvennoy registratsii programmy dlya EVM № 2016660553, Rossiyskaya Federatsiya. Informatsionno-spravochnaya sistema AtlantNIRO. Kolomeyko F. V., Perevertnjuk M. V., Butovich Ya. F., Shchukina E.V. ; pravoobladatel' - FGBNU «AtlantNIRO». (RF) № 2016617847; postupl. 18.07.2016; zaregistr. 16.09.2016, 1 p.
5. Volvenko I. V. Informatsionnoe obespechenie kompleksnykh issledovaniy vodnykh bioresursov severo-zapadnoy Patsifiki. Chast' 3. GIS, atlasy, spravochniki, novye perspektivy [Information support of comprehensive studies of Northwestern Pacific aquatic biological resources. Part 3. GIS, atlases, reference books, new perspectives]. Trudy VNIRO, 2015, T.157, pp. 100-126.
6. Titova G. D. Bioekonomicheskie problemy rybolovstva v zonakh natsional'noy yurisdiktsii [Bio-economic problems of fishing in the zones of national jurisdiction]. SPb, VVM, 2007, 368 p.
7. Fomichev N. I. Avtomatizirovannye sistemy nauchnykh issledovaniy: ucheb. posobie [Automated systems of scientific research: textbook]. Yaroslavl', Yarosl. gos. un-t, 2001, 112 p.
8. Petrovskiy A. B. Komp'yuternaya podderzhka prinyatiya resheniy: sovremennoe sostoyanie i perspektivy razvitiya [Computer support of decision making: current state and prospects of development]. Sistemnye issledovaniya. Metodologicheskieproblemy. M., 1996, no. 24, pp. 146-178.
9. Kolomeyko F. V., Serdobintsev S. P. Sistemy podderzhki prinyatiya resheniy v rybnom khozyaystve [Decision support systems in fisheries]. VI Mezhdunar. Baltiyskiy morskoy forum. Kaliningrad, 2018, pp. 21-20, available at: http://bmf.klgtu.ru/wp-content/uploads/2018/12/TOM-6.pdf (Accessed 20 February 2019).
10. Prikaz Federal'nogo agentstva po rybolovstvu ot 12 oktyabrya 2009 g. № 896 "Ob utverzhdenii Konceptsii vnedreniya i ispol'zovaniya informatsionnykh tekhnologiy v deyatel'nosti Rosrybolovstva, ego territorial'nykh organov i nakhodyashchikhsya v ego vedenii organizatsiy".
11. Truong T. H., Rothschild B.J., Azadivar F. Decision support system for fisheries management. Proceedings of the 37th conference on Winter simulation. Winter Simulation Conference, 2005, pp. 2107-2111.
12. Dubishchuk M. M., Lukatskiy V. B. Podkhody k vydeleniyu optimal'nykh uchastkov promysla v Tsentral'no-Vostochnoy Atlantike na osnove operativnykh sputnikovykh dannykh o termicheskikh usloviyakh sredy. Tez. dokl. XI konf. po problemam rybopromyslovogo prognozirovaniya, available at: http://www.atlantniro.ru/onpr/pubs/optimal_2012.pdf. (Accessed 20 February 2019).
13. Fomin S. Ju. Optimal'noe upravlenie rybodobyvayushchim flotom na osnove primeneniya modeli lineynogo programmirovaniya [Optimal management of fishing fleet based on using of linear programming model]. Regional'naya ekonomika: teoriya ipraktika. 2008, no. 36, pp. 77-87.
14. Serdobintsev S. P., Kolomeyko F. V. Primenenie informatsionnykh tekhnologiy v prognozirovanii raspredeleniya ob"ektov rybopromyslovogo lova [Information technologies in forecasting of fishing objects distribution]. Informatsionnye tekhnologii. 2009, no 3, pp. 82-85.
15. Harenko E. N., Kotenev B. N., Sopina A. V., Roy V. I., Serdobincev S. P., Kolomeyko F. V. Mnogofaktornyy analiz vykhoda ikry mintaya Okhotskogo morya [Multi-factor analysis of yield of walley pollack roe (the Sea of Okhotsk)]. Rybnoe khozyaystvo. 2007, no 4, pp. 106-112.
16. Amosova V. M., Vasil'eva T. G. Informatsionnoe i metodicheskoe obespechenie otsenki zapasa i obshchego dopustimogo ulova shprota Baltiyskogo morya [Information and methodological support for sprat stock assessment and total allowable catch in the Baltic Sea]. Trudy AtlantNIRO. Novaya seriya. 2017, vol. 1, no. 4, pp. 87- 97.
ИНФОРМАЦИЯ ОБ АВТОРАХ
Коломейко Федор Викторович - Атлантический филиал ФГБНУ «Всероссийский научно-исследовательский институт рыбного хозяйства и океанографии» («АтлантНИРО»); зав. отделом «Региональный центр данных»;
E-mail: [email protected]
Kolomeyko Fyodor Victorovich - Russian Federal «Research Institute of Fisheries and
Oceanography» «VNIRO» Atlantic branch of VNIRO («AtlantNIRO»);
Head of «Regional Data Center» Department; E-mail: [email protected]
Сердобинцев Станислав Павлович - Калининградский государственный технический университет; доктор технических наук, профессор;
E-mail: [email protected]
Serdobintsev Stanislav Pavlovich - Kaliningrad State Technical University; Professor, Doctor of Engineering; E-mail: [email protected]
