Integrated Algorithm for Multi-Criteria Group Decision-Making in Evacuation Tasks

Cover Page

Cite item

Full Text

Abstract

This article presents an integrated algorithm for multicriteria group decision-making based on an intuitionistic fuzzy hybrid averaging operator for selecting the optimal evacuation strategy. The algorithm is multilevel, where the first level involves constructing a task model in the form of an evacuation transportation network. At the second level, the ranking of evacuation spaces is performed to determine their optimal order based on various criteria, such as room capacity, ease of evacuation, safety level of the room as a shelter, time required to organize evacuation from the location, and distance from the source of danger. The ranking of evacuation spaces is carried out using multicriteria group decision-making and an intuitionistic fuzzy hybrid averaging operator to model the doubts and uncertainties of experts in evaluating evacuation criteria, alternatives, and expert importance. The algorithm operates with linguistic expert assessments, allowing for the calculation of expert and criterion weights based on these assessments for effective decision-making. Aggregation of assessments is performed using a modified algorithm that allows for the operation of criterion weights represented as intuitionistic fuzzy values, unlike traditional crisp numbers, based on developed modified operators for raising fuzzy numbers to a fuzzy power to account for the doubts and uncertainties of the expert group. At the third level, macroscopic dynamic flow evacuation is carried out, considering the possibility of accommodating evacuees in spaces that are not shelters. The advantage of the proposed algorithm is its ability to model the transportation of evacuees under dynamic conditions from hazardous areas, taking into account their placement in intermediate points to maximize the number of lives saved, considering the uncertainty of the environment, the fuzzy nature of factors influencing evacuation decisions, and the uncertainties and doubts of the expert group in evaluating evacuation strategies. To confirm the effectiveness of the developed algorithm, evacuation modeling was conducted, and a software environment was created, implemented in JavaScript. A comparison of the developed decision-making algorithm based on the IFHA operator, operating with fuzzy weights of criteria, with existing algorithms was carried out, and a conclusion was made about the reliability of the proposed algorithm. An assessment of the dependence of the algorithm’s runtime on the input size was conducted, confirming the possibility of using the proposed algorithm for large buildings and transportation networks.

About the authors

V. V Kureichik

Southern Federal University

Email: vkur@sfedu.ru
Engels St. 1

E. M Gerasimenko

Southern Federal University

Email: egerasimenko@sfedu.ru
Engels St. 1

References

  1. Герасименко Е.М., Кравченко Д.Ю., Кравченко Ю.А., Кулиев Э.В. Поддержка принятия решений по предупреждению и ликвидации последствий чрезвычайных ситуаций на основе нечеткого метода структурирования информации // Известия ЮФУ. Технические науки. 2023. № 2(232). С. 201–212.
  2. Shi D., Li J., Wang Q., Chen J., Lovreglio R., Lo J.T.Y., Ma J. Modeling and simulation of crowd dynamics at evacuation bottlenecks during flood disasters // Transportation Research Part E: Logistics and Transportation Review. 2025. vol. 198.
  3. Feng Z., Wang C., An J., Zhang X., Liu X., Ji X., Kang L., Quan W. Emergency fire escape path planning model based on improved DDPG algorithm // Journal of Building Engineering. 2024. vol. 95. doi: 10.1016/j.jobe.2024.110090.
  4. Kim J., Kim B.-J., Kim N. Perception-based analytical technique of evacuation behavior under radiological emergency: An illustration of the Kori area // Nuclear Engineering and Technology. 2021. № 53(3). pp. 825–832. doi: 10.1016/j.net.2020.08.012.
  5. Ford J., Fulkerson D.R. Maximal flow through a network // Canadian Journal of Mathematics. 1956. № 8(3). pp. 399–404.
  6. Gale D. Transient flows in networks // Michigan Mathematical Journal. 1959. № 6(1). pp. 59–63.
  7. Minieka E. Maximal, lexicographic, and dynamic network flows // Oper. Res. 1973. № 21(2). pp. 517–527. doi: 10.1287/opre.21.2.517.
  8. Chalmet L.G., Francis R.L., Saunders P.B. Network models for building evacuation // Fire Technology. 1982. № 18(1). pp. 90–113. doi: 10.1007/BF02993491.
  9. Opasanon S. On finding paths and flows in multicriteria, stochastic and time-varying networks // Ph.D. dissertation. University of Maryland. 2004.
  10. Cui J., An S., Zhao M. A Generalized Minimum Cost Flow Model for Multiple Emergency Flow Routing. Mathematical Problems in Engineering. 2014. doi: 10.1155/2014/832053.
  11. Hamacher H.W., Tufekci S. On the use of lexicographic min cost flows in evacuation modeling // Naval Research Logistics. 1987. vol. 34(4). pp. 487–503.
  12. Dunn C.E., Newton D. Optimal routes in GIS and emergency planning applications // Area. 1992. vol. 24(3). pp. 259–267.
  13. Miller-Hooks E., Patterson S.S. On solving quickest time problems in time-dependent, dynamic networks // Journal of Mathematical Modelling and Algorithms. 2004. № 3(1). pp. 39–71.
  14. Zadeh L.A. The concept of a linguistic variable and its application to approximate reasoning // Part I, Information Sciences. 1975. № 8(3). pp. 199–249.
  15. Garg H., Dutta, D., Dutta P., Gohain B. An extended group decision-making algorithm with intuitionistic fuzzy set information distance measures and their applications // Computers & Industrial Engineering. 2024. 197. doi: 10.1016/j.cie.2024.110537.
  16. Seth T., Muhuri P.K. Hesitant and uncertain linguistics based executive decision making using risk and regret aversion: Methods, implementation and analysis // MethodsX. 2024. vol. 12.
  17. Bozhenyuk A., Gerasimenko E., Kacprzyk J., Rozenberg I. Flows in networks under fuzzy conditions // Studies in Fuzziness and Soft Computing. 2017. vol. 346. 168 p.
  18. Gerasimenko E., Kureichik V., Kuliev E. Maximum Dynamic Flow Model for Hesitant Fuzzy Evacuation with Intermediate Storage at Nodes // Intelligent and Fuzzy Techniques for Emerging Conditions and Digital Transformation (INFUS). Lecture Notes in Networks and Systems. 2022. vol. 307. pp. 694–704.
  19. Gerasimenko E., Kureichik V. Minimum cost lexicographic evacuation flow finding in intuitionistic fuzzy networks // Journal of Intelligent and Fuzzy Systems. 2022. vol. 42(1). pp. 251–263.
  20. Герасименко Е.М. Курейчик В.В. Родзин С.И. Кухаренко А.П. Применение нечеткой логики для принятия решений об эвакуации при наводнении // Известия ЮФУ. Технические науки. 2022. № 4(228). С. 15–29.
  21. Гамаюнова В.О., Богомолов А.С., Кушников В.А., Иващенко В.А. Мультиагентное моделирование эвакуации из помещений с учетом столкновений агентов // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. 2025. Т. 25. № 1. С. 106–115.
  22. Коткова Е.А., Матвеев А.В. Методика интеллектуального прогнозирования эффективности управления эвакуацией людей из общественных зданий // Научно-аналитический журнал "Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России". 2021. № 4. С. 107–120.
  23. Ashraf S., Garg H., Kousar M. An industrial disaster emergency decision-making based on China’s Tianjin city port explosion under complex probabilistic hesitant fuzzy soft environment. Engineering Applications of Artificial Intelligence. 2023. vol. 123. doi: 10.1016/j.engappai.2023.106400.
  24. Luo Z., Tian J., Zeng J., Pilla F. Flood risk evaluation of the coastal city by the EWM-TOPSIS and machine learning hybrid method. International Journal of Disaster Risk Reduction. 2024. vol. 106.
  25. Dhamala M.C., Adhikari D., Khanal P. Pyakurel U. Generalized maximum flow over time with intermediate storage // Annals of Operations Research. 2024. vol. 335(1). pp. 111–134.
  26. Xu Z. Hesitant Fuzzy Sets Theory // Studies in Fuzziness and Soft Computing. 2014. vol. 314.
  27. D’Urso P., Chachi J., Kazemifard A., De Giovanni L. OWA-based multi-criteria decision making based on fuzzy methods // Ann. Oper. Res. 2024. doi: 10.1007/s10479-024-05926-5.
  28. Kazemifard A., Chachi J. MADM approach to analyse the performance of fuzzy regression models. Journal of Ambient Intelligence and Humanized Computing. 2022. vol. 13(8). pp. 4019–4031.
  29. Chen S.M., Yang M.W., Lee L.W., Yang S.W. Fuzzy multiple attributes group decision making based on ranking interval type-2 fuzzy sets // Expert Systems with Applications. 2012. vol. 39(5). pp. 5295–5308.
  30. Wang W.Z., Liu X.W., Qin Y. Multi-attribute group decision making models under interval type-2 fuzzy environment // Knowledge-Based Systems. 2012. vol. 30. pp. 121–128.
  31. Zadeh L.A. Fuzzy sets // Information and Control. 1965. vol. 8. pp. 338–353.
  32. Piegat A. Fuzzy Modelling and Control. Berlin Heidelberg. Springer-Verlag. 2001. 728 p.
  33. Atanassov K.T. Intuitionistic fuzzy sets // Fuzzy Sets and Systems. 1986. vol. 20(1). pp. 87–96. doi: 10.1016/S0165-0114(86)80034-3.
  34. Ngan S.-C. An extension framework for creating operators and functions for intuitionistic fuzzy sets // Information Sciences. 2024. vol. 666.
  35. Senapati T., Chen G., Mesiar R., Yager R.R. Intuitionistic fuzzy geometric aggregation operators in the framework of Aczel-Alsina triangular norms and their application to multiple attribute decision making // Expert Systems with Applications. 2023. vol. 212. doi: 10.1016/j.eswa.2022.118832.
  36. Xu Z.S. Intuitionistic fuzzy aggregation operators // IEEE Transactions on Fuzzy Systems. 2007. vol. 15(6). pp. 1179–1187.
  37. Ye J. Group decision-making strategy based on aggregation operators of linguistic confidence interval neutrosophic numbers in a linguistic neutrosophic multivalued scenario // Engineering Applications of Artificial Intelligence. 2025. vol. 141. doi: 10.1016/j.engappai.2024.109823.
  38. Faizi S., Shah M.H., Sałabun W., Rashid T. A novel approach employing hesitant intuitionistic fuzzy linguistic Einstein aggregation operators within the EDAS approach for multicriteria group decision making // Heliyon. 2024. vol. 10(11).
  39. Faizi S., Shah M., Rashid T. A modified VIKOR method for group decision-making based on aggregation operators for hesitant intuitionistic fuzzy linguistic term sets // Soft Computing. 2022. vol. 26(5). pp. 2375–2390.
  40. Torra V. The weighted OWA operator // International Journal of Intelligent Systems. 1997. vol. 12(2). pp. 153–166.
  41. Kacprzyk J., Bozhenyuk A., Gerasimenko E. Lexicographic maximum dynamic evacuation modeling with partial lane reversal based on hesitant fuzzy TOPSIS // Applied Soft Computing. 2023. vol. 144. doi: 10.1016/j.asoc.2023.110435.
  42. Gerasimenko E. Dynamic Flow Algorithm with Intermediate Storage for Emergency Evacuation Allowing Lane Reversal based on Incomplete Intuitionistic Fuzzy Preference Relation // The open transportation journal. 2024. vol. 18(1). doi: 10.2174/0118744478281682240627062300.
  43. Khanal D.P., Pyakurel U., Dhamala T.N., Dempe S., Schiermeyer I. Prioritized Maximum Multi-Commodity Flow in Evacuation Planning Dynamics of Disasters // Natural Phenomena to Human Activity. 2024. pp. 123–140.
  44. Adhikari M.C., Pyakurel U. Lexicographic Maximum Flow Allowing Intermediate Storage // The Nepali Mathematical Sciences Report. 2022. vol. 39. no. 1. pp. 1–13.
  45. Wang L., Gong Z., Zhang N. Consensus Modelling on Interval-Valued Fuzzy Preference Relations with Normal Distribution // International Journal of Computational Intelligence Systems. 2018. vol. 11(1). pp. 706–715.
  46. Chen K.-S., Hsieh T.-H., Chang C.-P., Yao K.-C., Huang T.-H. Fuzzy Decision-Making and Resource Management Model of Performance Evaluation Indices // Axioms. 2024. vol. 13(3).
  47. Baral S., Parida P., Sahoo D. Fuzzy TOPSIS technique for multi-criteria group decision-making: A study of crude oil price // Results in Control and Optimization. 2025. vol. 19. doi: 10.1016/j.rico.2025.100565.
  48. Герасименко E.М., Кравченко Д.Ю., Курейчик В.В., Кулиев Э.В, Кравченко Ю.А., Родзин С.И. Модифицированный биоинспирированный метод поддержки принятия решений по предупреждению и ликвидации последствий чрезвычайных ситуаций // Информационные технологии. 2023. Т. 29. № 8. С. 423–436. doi: 10.17587/it.29.423-436.
  49. Buckley J.J. The Fuzzy Mathematics of Finance // Fuzzy Sets and Systems. 1987. № 21(3). pp. 257–273.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».