Содержание к диссертации
Введение
1. Социо-технические системы. проблемы прогнозирования и управления потоком заявок 10
1.1. Обзор социо-технических обслуживающих систем 10
1.2. Задача прогнозирования потоков заявок 15
1.3. Применение нейронных сетей в задачах прогнозирования 26
1.4. Цели планирования. Оптимизация загрузки обслуживающих устройств 35
1.5. Общая постановка задачи 42
2. Разработка моделей прогнозирования и оптимизации потоков заявок 43
2.1. Нейросетевые модели прогнозирования: модификация и тестирование 43
2.1.1. Постановка задачи прогнозирования 43
2.1.2. Подготовка данных для прогнозирования 46
2.1.3. Применение GRNN сетей 49
2.1.4. Модификация нейронных сетей и методов обучения 51
2.1.5. Тестирование различных нейросетевых моделей, применяемых для прогнозирования коротких временных рядов 55
2.2. Многошаговая оптимизация распределения нагрузок 68
2.2.1. Постановка задачи распределения нагрузок 68
2.2.2. Основные этапы оптимизации 71
2.2.3. Локальная оптимизация методами линейного программирования 74
2.3. Выводы по второй главе 78
3. Алгоритмизация методов нейросетвого прогнозирования и многошаговой оптимизации 79
3.1. Вычислительные схемы и алгоритмы нейросетевых моделей.79
3.2. Алгоритмизация оптимизационной задачи 84
3.4. Трудоемкость многошаговой последовательной оптимизации 89
3.5. Выводы 93
4. Реализация специального программного обеспечения 94
4.1. Подсистема прогнозирования потока заявок 95
4.2. Подсистема планирования профилактических медицинских осмотров 98
4.3. Особенности разработанной медицинской информационной системы 101
4.4. Внедрение автоматизированной медицинской системы в рамках МСЧ Стойленского ГОК 107
4.5. Оценка эффективности модуля прогнозирования 111
4.6. Выводы 126
Заключение 128
- Цели планирования. Оптимизация загрузки обслуживающих устройств
- Тестирование различных нейросетевых моделей, применяемых для прогнозирования коротких временных рядов
- Трудоемкость многошаговой последовательной оптимизации
- Внедрение автоматизированной медицинской системы в рамках МСЧ Стойленского ГОК
Введение к работе
Актуальность темы. В последние годы, благодаря развитию информационных технологий, как в фундаментальных, так и в прикладных исследованиях, все более широкое применение получают методы вычислительной математики. И, зачастую, для достижения заданной цели требуется решение нескольких взаимосвязанных задач.
Одним из основополагающих требований, предъявляемых к эффективно функционирующим социо-техническим системам, будь то производственное предприятие или медицинское учреждение, является рациональное управление, которого, в свою очередь, невозможно достичь без проведения качественного планирования. В рамках планирования деятельности системы чаще всего решается задача рационального использования ресурсов. Задача же управления потоком поступающих заявок осталась без должного внимания. Между тем, проведение анализа, прогнозирования и планирования потока заявок позволит повысить общую эффективность функционирования системы.
Ключевым фактором в решении данной задачи является информация о входящем потоке заявок на обслуживание. Зачастую, данные о входящем потоке в обозначенных системах представляют собой короткие, зашумленные временные ряды. Разработав эффективные модели их прогнозирования, мы сможем воздействовать на управляемую составляющую потока: проведение различных плановых мероприятий; что позволит более эффективно использовать имеющиеся ресурсы обслуживающей системы. В контексте настоящей работы примером таких плановых мероприятий может служить проведение профилактических осмотров в медицинском учреждении.
Как отмечено выше, задача прогнозирования входящего потока исследована недостаточно. Нет формулировки задачи в общем виде, что связано с отсутствием методов, учитывающих особенности прогнозируемой функции, когда заранее неизвестны особенности распределения входящего потока заявок. Эффективным методом решения подобных задач может быть примене-
ниє универсальных аппроксиматоров широкого класса многомерных нелинейных функций - искусственных нейронных сетей (НС). Актуальной задачей является исследование и разработка более эффективных нейросетевых методов, обеспечивающих прогнозирование коротких зашумленных временных рядов.
По результатам решения задачи прогнозирования, учитывая колебания входных потоков заявок на обслуживание, а также различный состав проходимых заявками элементов системы, возникает задача оптимального распределения планируемых потоков по временным интервалам обслуживания. Поэтому, разработка соответствующего оптимизационного алгоритма позволит улучшить эффективность функционирования социо-технической системы без закупки дополнительного оборудования или других ресурсов и, следовательно, является актуальной задачей.
Тематика диссертационной работы соответствует научному направлению Воронежского государственного технического университета «Вычислительные системы и программно-аппаратные электротехнические комплексы».
Цель и задачи исследования. Целью работы является разработка математического и программного обеспечения оптимального распределения планируемых потоков заявок по временным интервалам обслуживания на основе повышения эффективности нейросетевых методов прогнозирования. В соответствии с целью поставлены и решены следующие задачи:
анализ пригодности нейросетевых структур для прогнозирования коротких временных рядов, их применимость к поставленной задаче, и разработка улучшенных структур сетей и алгоритмов настройки;
формирование модели обработки потоков заявок и разработка метода оптимизации распределения плановых потоков заявок по временным интервалам обслуживания в социо-технических системах;
разработка алгоритмов и программных средств прогнозирования потока заявок с последующей оптимизацией распределения загрузки;
- экспериментальное исследование программной модели управления
потоком заявок, состоящей из нейросетевой компоненты для прогнозирова
ния входящего потока и комбинаторной компоненты оптимизации планового
распределения потоков заявок.
Методы исследования. В работе использованы методы системного анализа, теории искусственных нейронных сетей, многомерной и комбинаторной оптимизации, линейного программирования, статистического анализа и объектно-ориентированного программирования.
Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной:
комбинированная нейросетевая модель прогнозирования, представляющая собой интеграцию обобщенно-регрессионной сети и многослойного персептрона, обладающая улучшенными аппроксимирующими способностями;
модифицированный алгоритм обучения обобщенно-регрессионной нейронной сети, отличающийся настройкой отклонения радиальных элементов (нейронов), позволяющий улучшить поведение сети при небольшом количестве обучающих выборок;
оптимизационная модель и алгоритм выбора распределяемого для обслуживания подмножества заявок, учитывающие мощность обслуживающих элементов, отличающиеся адаптивным подходом к оценке необходимых для обслуживания мощностей;
многошаговый метод оптимизации распределения планируемых потоков по временным интервалам обслуживания, учитывающий различный набор обслуживающих элементов, проходимый заявками разного типа, и отличающийся использованием метода последовательного улучшения плана для проведения локальной оптимизации.
Практическая значимость работы. Практическая значимость работы заключается в создании специального программного комплекса прогнозирования и оптимизации потоков заявок в обслуживающих системах.
Реализация результатов работы. Основные теоретические и практические результаты работы внедрены в составе медицинской информационной системы в практическую деятельность медико-санитарной части Стойлен-ского ГОК и урологического отделения Воронежской областной клинической больницы. Эффект от внедрения заключается в более эффективном использовании ресурсов медицинских учреждений.
Апробация работы. Основные положения и результаты диссертационной работы докладывались на: Международной научно-практической конференции «Теория активных систем» (Москва, 2001); XV Международной научной конференции «Математические методы в технике и технологиях» (Тамбов, 2002); Международной научно-практической конференции «Социально-экономическое развитие регионов: реальность и перспективы» (Воронеж, 2003); Региональной научно-технической конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве» (Воронеж, 2003); Республиканской научной конференции «Современные сложные системы управления» (Воронеж, 2003); Межвузовских научных конференциях «Системы управления и информационные технологии» (Воронеж, 2001-2002); VI-VIII Республиканских научных конференциях «Современные проблемы информатизации» (Воронеж, 2001-2003); Международной научной конференции «Системные проблемы надежности, качества информационных и электронных технологий» (Москва, 2004); научных семинарах кафедры ABC ВГТУ (Воронеж, 2000-2004).
Публикации. По результатам исследований опубликовано 15 печатных работ, в том числе 6 без соавторов. В работах, опубликованных в соавторстве, лично соискателем предложены: [4, 7, 12] - нейросетевые методы прогнозирования; [8, 13] - критерии и основные этапы планирования профилактических медицинских осмотров; [1, 3] - общий состав автоматизированных рабочих мест в медицинской системе.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 122 наименований. Основная часть изложена на 128 страницах, содержит, 45 рисунка и 14 таблиц.
Цели планирования. Оптимизация загрузки обслуживающих устройств
В последние годы, благодаря развитию информационных технологий, как в фундаментальных, так и в прикладных исследованиях, все более широкое применение получают методы вычислительной математики. И, зачастую, для достижения заданной цели требуется решение нескольких взаимосвязанных задач.
Одним из основополагающих требований, предъявляемых к эффективно функционирующим социо-техническим системам, будь то производственное предприятие или медицинское учреждение, является рациональное управление, которого, в свою очередь, невозможно достичь без проведения качественного планирования. В рамках планирования деятельности системы чаще всего решается задача рационального использования ресурсов. Задача же управления потоком поступающих заявок осталась без должного внимания. Между тем, проведение анализа, прогнозирования и планирования потока заявок позволит повысить общую эффективность функционирования системы.
Ключевым фактором в решении данной задачи является информация о входящем потоке заявок на обслуживание. Зачастую, данные о входящем потоке в обозначенных системах представляют собой короткие, зашумленные временные ряды. Разработав эффективные модели их прогнозирования, мы сможем воздействовать на управляемую составляющую потока: проведение различных плановых мероприятий; что позволит более эффективно использовать имеющиеся ресурсы обслуживающей системы. В контексте настоящей работы примером таких плановых мероприятий может служить проведение профилактических осмотров в медицинском учреждении.
Как отмечено выше, задача прогнозирования входящего потока исследована недостаточно. Нет формулировки задачи в общем виде, что связано с отсутствием методов, учитывающих особенности прогнозируемой функции, когда заранее неизвестны особенности распределения входящего потока заявок. Эффективным методом решения подобных задач может быть применениє универсальных аппроксиматоров широкого класса многомерных нелинейных функций - искусственных нейронных сетей (НС). Актуальной задачей является исследование и разработка более эффективных нейросетевых методов, обеспечивающих прогнозирование коротких зашумленных временных рядов.
По результатам решения задачи прогнозирования, учитывая колебания входных потоков заявок на обслуживание, а также различный состав проходимых заявками элементов системы, возникает задача оптимального распределения планируемых потоков по временным интервалам обслуживания. Поэтому, разработка соответствующего оптимизационного алгоритма позволит улучшить эффективность функционирования социо-технической системы без закупки дополнительного оборудования или других ресурсов и, следовательно, является актуальной задачей.
Тематика диссертационной работы соответствует научному направлению Воронежского государственного технического университета «Вычислительные системы и программно-аппаратные электротехнические комплексы». Цель и задачи исследования. Целью работы является разработка математического и программного обеспечения оптимального распределения планируемых потоков заявок по временным интервалам обслуживания на основе повышения эффективности нейросетевых методов прогнозирования. В соответствии с целью поставлены и решены следующие задачи: - анализ пригодности нейросетевых структур для прогнозирования коротких временных рядов, их применимость к поставленной задаче, и разработка улучшенных структур сетей и алгоритмов настройки; - формирование модели обработки потоков заявок и разработка метода оптимизации распределения плановых потоков заявок по временным интервалам обслуживания в социо-технических системах; - разработка алгоритмов и программных средств прогнозирования потока заявок с последующей оптимизацией распределения загрузки; - экспериментальное исследование программной модели управления потоком заявок, состоящей из нейросетевой компоненты для прогнозирова ния входящего потока и комбинаторной компоненты оптимизации планового распределения потоков заявок. Методы исследования. В работе использованы методы системного анализа, теории искусственных нейронных сетей, многомерной и комбинаторной оптимизации, линейного программирования, статистического анализа и объектно-ориентированного программирования. Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной: - комбинированная нейросетевая модель прогнозирования, представляющая собой интеграцию обобщенно-регрессионной сети и многослойного персептрона, обладающая улучшенными аппроксимирующими способностями; - модифицированный алгоритм обучения обобщенно-регрессионной нейронной сети, отличающийся настройкой отклонения радиальных элементов (нейронов), позволяющий улучшить поведение сети при небольшом количестве обучающих выборок; - оптимизационная модель и алгоритм выбора распределяемого для обслуживания подмножества заявок, учитывающие мощность обслуживающих элементов, отличающиеся адаптивным подходом к оценке необходимых для обслуживания мощностей; - многошаговый метод оптимизации распределения планируемых потоков по временным интервалам обслуживания, учитывающий различный набор обслуживающих элементов, проходимый заявками разного типа, и отличающийся использованием метода последовательного улучшения плана для проведения локальной оптимизации. Практическая значимость работы. Практическая значимость работы заключается в создании специального программного комплекса прогнозирования и оптимизации потоков заявок в обслуживающих системах.
Реализация результатов работы. Основные теоретические и практические результаты работы внедрены в составе медицинской информационной системы в практическую деятельность медико-санитарной части Стойлен-ского ГОК и урологического отделения Воронежской областной клинической больницы. Эффект от внедрения заключается в более эффективном использовании ресурсов медицинских учреждений.
Апробация работы. Основные положения и результаты диссертационной работы докладывались на: Международной научно-практической конференции «Теория активных систем» (Москва, 2001); XV Международной научной конференции «Математические методы в технике и технологиях» (Тамбов, 2002); Международной научно-практической конференции «Социально-экономическое развитие регионов: реальность и перспективы» (Воронеж, 2003); Региональной научно-технической конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве» (Воронеж, 2003); Республиканской научной конференции «Современные сложные системы управления» (Воронеж, 2003); Межвузовских научных конференциях «Системы управления и информационные технологии» (Воронеж, 2001-2002); VI-VIII Республиканских научных конференциях «Современные проблемы информатизации» (Воронеж, 2001-2003); Международной научной конференции «Системные проблемы надежности, качества информационных и электронных технологий» (Москва, 2004); научных семинарах кафедры ABC ВГТУ (Воронеж, 2000-2004).
Тестирование различных нейросетевых моделей, применяемых для прогнозирования коротких временных рядов
Величина ттт определяется требуемой точностью прогноза, его максимальной глубиной п, характером тренда и случайной составляющей.
Короткий временной ряд представляется суммой тренда и случайной составляющей, поэтому ряды, в которых остальные составляющие значимы, из рассмотрения исключаются.
Другая особенность коротких временных рядов состоит в том, что детальное изучение свойств случайной составляющей для них теряет смысл, так как статистические выводы, формально следующие из анализа результатов наблюдений, при малой продолжительности временного ряда т оказываются малодостоверными. Однако полностью исключать случайную составляющую из рассмотрения нецелесообразно, так как она показывает, насколько фактические значения временного ряда на периоде основания отличаются от вычисленных по модели, и эта разница может быть использована для уточнения прогноза, построенного по экспертным суждениям.
Наконец, при прогнозировании коротких временных рядов оказываются несостоятельными традиционные статистические методы определения точности полученных результатов по результатам наблюдений. Если прогнозирование выполняется с использованием экспертной информации, остается единственный путь весьма грубого априорного оценивания точности результатов на основе анализа экспертных суждений и степени соответствия им найденного прогноза.
Возможность разработки общей процедуры такого рода анализа довольно проблематична. Для некоторых суждений оценки точности прогноза очевидны, для других —- не существуют вовсе. В этих условиях наиболее надежна верификация прогноза по прошествии прогнозного периода путем сравнения прогнозных и фактических значений ряда, хотя ценность результатов такой верификации, разумеется, невысока.
В общем случае процесс построения прогноза можно представить в виде двух взаимно связанных задач: 1) построение модели исследуемого явления; 2) оценка основных характеристик (параметров) модели по базовым данным и получение по этой модели интервальной оценки прогноза. Как правило, эти задачи дополняют одна другую, процесс построения прогноза часто бывает итерационным — оценка параметров модели по базовым данным и полученные интервальные оценки прогноза могут послужить основанием для изменения исходной модели и последующего пересчета прогноза. В задаче расчета прогноза особое внимание должно быть уделено учету погрешностей исходных данных при оценке характеристик (параметров) модели и процедуре получения интервальных оценок прогнозов [27]. Первая задача базируется на физических законах, законах развития общества, а нередко и на интуиции, тогда как вторая задача может быть решена методами математической статистики. Таким образом, если на основе законов природы или общественного развития может быть получена модель, то основной проблемой будет нахождение адекватных математических методов построения прогноза. В процессе построения модели явления опираются, как правило, на наиболее устойчивые события. Например, наилучшее условие для построения модели и последующего прогноза — когда процесс или параметры модели постоянны. Поэтому при построении модели наряду с интегральными методами и элементарными функциями пользуются конечными разностями такого порядка, при которых процесс считается стационарным. Модели бывают концептуальные, физические или математические в зависимости от того, какая сторона явления в данном случае наиболее существенна, от методов, которые можно использовать при построении модели, от количества и качества имеющейся информации. Относительная простота является главной характеристикой модели. Во многих случаях для того, чтобы модель была полезной, ее сложность должна находиться в определенном соотношении со сложностью описываемого объекта. Если физический механизм явления полностью ясен, можно вывести математическое выражение, точно описывающее явление. Во многих случаях для получения таких описаний (моделей) нужны подробные сведения, которых может не быть, и приходится прибегать к эмпирической модели. Оба названных случая представляют собой крайности. Обычно используемые модели занимают промежуточное положение. В частности, можно использовать неполные теоретические представления для указания подходящего класса математических функций, которые могут быть затем получены эмпирически, когда число параметров модели и их числовые значения оцениваются по экспериментальным данным. При корректировке моделей теоретический анализ не только указывает на подходящий вид модели, но может дать хорошие оценки числовых значений ее параметров. Эти значения затем можно проверить, анализируя реальные данные. Результат такой проверки служит в свою очередь основанием для пересмотра модели. Итерационный подход к построению моделей включает в себя следующие этапы: 1. На основе теории и практики явления выбирается класс моделей, ориентируясь на те цели, для которых создается модель. 2. Разрабатываются простейшие методы идентификации подклассов этих моделей. Процесс идентификации может быть использован для получения грубых предварительных оценок параметров моделей. 3. Пробная модель подгоняется к экспериментальным данным; оцениваются ее параметры. Грубые оценки, полученные на этапе идентификации, можно использовать как начальные значения в более точных итеративных методах оценивания параметров. 4. Диагностические проверки позволяют выявить возможные дефекты подстройки модели и диагностировать их причины. Если такие дефекты не выявлены, модель готова к использованию. Если обнаружено какое-либо несоответствие, итеративные циклы идентификации, оценок и диагностической проверки повторяются до тех пор, пока не будет найдено подходящее представление модели.
Трудоемкость многошаговой последовательной оптимизации
В принципе любое предприятие имеет иерархию планов. В ряду сопод-чиненности можно различить следующие виды планирования [11]: - общее (долгосрочное основополагающее, концепция фирмы); - стратегическое (долгосрочное развитие различных подразделений, функциональности, персонала); - тактическое (условий хозяйственных операций - производственных мощностей, капиталов, инвестиций, персонала и т.д.); - оперативное планирование (конкретных действий на краткосрочный период). Основными признаками стратегического планирования являются: - цель планирования - долгосрочное обеспечение существования и выполнения основной цели предприятия; - носитель идеи планирования - высшее руководство; - проблемы планирования - отсутствие надежности и структурирования; - горизонт планирования - долгосрочное; - охват - глобальный, широкий спектр альтернатив; - принципы - изменение окружающей обстановки (контролируемые факторы). Тактическое планирование осуществляется на основе стратегического и является ядром осуществления стратегических планов (горизонт 1-5 лет), касается в первую очередь финансирования, инвестиций, персонала. Оперативным планированием охватываются отдельные функциональные области учреждения. При планировании решается множество проблем, основные причины которых [3]: - особенности исходного состояния (проблемы планирования плохо структурированы, их тяжело определить и измерить); - особенности конечного состояния (характер влияния на цели и ресур сы при планировании не определен, а проявит себя только в будущем, мно жественность целей), - проблемы альтернатив (имеется неопределенность в отношении имеющихся альтернатив, поиск других требует времени и средств); - проблемы инструментария (выбор наиболее оптимального); - большое число лиц, участвующих в планировании; - ответственность (один человек принимает на себя ответственность, план же составляют другие); - проблема контроля (в ходе составления, выполнения и корректировки). По приведенной иерархии планирование обслуживания заявок можно отнести к оперативно-тактическому планированию. Здесь мы составляем план с небольшим горизонтом, при этом охватывается каждый отдельный обслуживающий элемент.
При рассмотрении обслуживающей системы не учитывается деятельность элементов, не относящихся к обработке поступающих заявок. Если рассматривать планирование обслуживания потоков заявок на примере медицинского учреждения, то целесообразно разделить обслуживающие подразделения на следующие группы: 1) Врачи-консультанты. В большинстве случаев обслуживание пациентов в этой группе осуществляется за конченый промежуток времени в один этап. Время обслуживания может варьироваться от подразделения к подразделению и в зависимости от типа обращения — то ли это обращение за консультацией (т.е. возможны большие колебания затрачиваемого врачом времени), то ли плановый профилактический осмотр (где процедура во многом стандартизирована, и можно заранее оценить требуемое время). 2) Лаборатории. Группа характеризуется тем, что зачастую требуется несколько этапов для получения результата. Данный факт, однако, нивелируется тем, что участие пациента обычно требуется только на первом этапе. Тем не менее, из-за такой формы функционирования данного вида подразделений общее время обслуживания одного пациента может растянуться на несколько дней. 3) Отдельным блоком можно выделить регистратуру: а) не все потоки пациентов проходят через это подразделение; б) нередко прохождение пациента не только начинается с регистратуры, но и заканчивается там же; в) в зависимости от организации медицинского учреждения могут сильно варьироваться выполняемые регистратурой функции. 4) Касса. Для пациентов, обращающихся за платными услугами. Функции кассы могут быть совмещены с регистратурой. 5) Различные процедурные кабинеты. Прохождение данного типа подразделений более характерно для стационарных больных. Соответствующим образом можно провести группировку обслуживающих элементов и в других обслуживающих социо-технических системах, что позволит упростить процедуру анализа прохождения заявок различного типа, а также сделать этот процесс более наглядным. Для рассматриваемого примера медицинского учреждения в качестве управляемой (плановой) составляющей общего потока заявок можно рассматривать категорию профилактических медицинских осмотров (а для торговой организации это могут быть плановые закупки / поставки товаров различного вида). Соответственно, требуется решить задачу оптимального распределения этой плановой составляющей по временным интервалам. В случае с медицинским учреждением имеет смысл рассматривать только первые две группы обслуживающих подразделений из приведенных выше. Далее, время обслуживания каждого пациента в том или ином подразделении не учитывается, вместо этого берется среднее значение, исходя из которого, вычисляется пропускная способность (количество обслуживаемых пациентов в день или в месяц). Учет многоэтапного характера обслуживания для второй группы в явном виде не ведется.
Внедрение автоматизированной медицинской системы в рамках МСЧ Стойленского ГОК
Количество итераций, необходимое для решения задачи линейного программирования, зависит от конкретных особенностей задачи и от начального опорного плана. Приемлемых теоретических опенок, числа итераций для общей задачи линейного программирования не существует. Опыт показывает, что, как правило, число итераций в различных задачах линейного программирования находится в пределах от т до 2 т.
Заметим, что для контрольных расчетов по такому алгоритму рекомендуется через определенное число итераций вычислять оценки Aj не только по рекуррентным формулам, но и непосредственно из соотношений (2.27). Для этого требуется т (п +1) умножение. Если не проверять оценки векторов базиса (Aj = 0 для j є Іх), то дополнительное число умножений, с которым связан контроль, равно т (п — т + 1), т.е. столько же, сколько необходимо для проведения отдельной итерации. Контроль вычислений при таком алгоритме представляет, таким образом, достаточно трудоемкую работу. Оценки, позволяющие указать число итераций, после которого рационально производить контроль, неизвестны.
Далее, переходя к внешнему циклу алгоритма оптимизации в рамках одного месяца, отметим, что максимально нам потребуется выполнить решение задачи линейного программирования к раз по общему числу маршрутов медицинских профилактических осмотров. В этом же цикле, т.е. те же к раз выполняется процедура выбора маршрутов, распределение которых и осуществляется в задаче линейного программирования. Основное количество операций при выборе очередного маршрута составляют операции сложения и сравнения. Умножение встречается только при увеличении нормативной нагрузки на 5% для выборки подходящего маршрута, когда не удалось выбрать нужное количество маршрутов, соответствующих текущим нормам. Таких умножений будет р - по числу типов медицинского обслуживания при однократном увеличении. Мы не можем точно утверждать, каково максимальное количество подобных приращений при выборке одного маршрута - это будет зависеть от корректности представленных в задаче данных и точности построенного ранее прогноза. Примем условно, что для выборки следующего маршрута потребуется не более чем 50-ти процентное увеличение нормативов нагрузки. Таким образом, получается 10 /? умножений в рамках одного цикла оптимизации по месяцу.
В результате приходим к следующему количеству ресурсоемких математических операций при проведении оптимизации по одному месяцу (исключая контрольные вычисления, выполнение которых может потребоваться для проверки точности работы метода последовательного улучшения плана) (3.4): При расчете годового цикла нам потребуется провести 12 циклов таких расчетов. Однако следует напомнить, что одного прохода по 12 месяцам может оказаться недостаточным. Необходимость проведения повторной оптимизации проверяется в конце работы всего алгоритма. При неудовлетворительных результатах производится коррекция нормативов нагрузки, т.е. потребуется еще р умножений.
Следует отметить отсутствие в алгоритме более сложных вычислительных операций, чем деление и умножение, а также пропорциональность конечных временных затрат от количества маршрутов и типов медицинского обслуживания. Таким образом, разработанный алгоритм оптимизации характеризуется низкими затратами вычислительными времени и может быть полностью просчитан за приемлемый временной интервал. В третьей главе диссертационной работы осуществлена алгоритмизация методов неиросетевого прогнозирования и решения задачи оптимизации загрузки обслуживающей системы. Были получены следующие результаты: - представлен обобщенный алгоритм прогнозирования с применением нейронных сетей; - предложен алгоритм настройки разработанной ранее смешанной нейронной сети; - предложен алгоритм модифицированного обучения GRNN сети с настройкой отклонений а всех радиальных элементов (нейронов); - реализован алгоритм функционирования GRNN сети, отличающийся экономией оперативной памяти по сравнению с традиционными реализациями данной нейросетевой модели; - в рамках решения задачи оптимизации загрузки обслуживающей системы построены алгоритмы планирования загрузки и алгоритм выбора заявок; - реализована вычислительная схема метода последовательного улучшения плана и осуществлена оценка ее ресурсоемкости. В данной главе осуществлена реализация специального программного обеспечения нейросетевого прогнозирования и планирования потоков заявок в обслуживающих социо-технических системах. Описывается структурная архитектура модулей, позволяющая раскрыть детали реализации программных компонентов и их функциональное взаимодействие на прмере построения медицинской автоматизированной системы. Одним из примеров обслуживающей системы, где стоит задача оптимизации загрузки путем распределения управляемых потоков заявок с различным маршрутом прохождения, является медицинское учреждение (например, поликлиника). Поэтому разработана инвариантная часть медицинской системы, обеспечивающая сбор информации, и ее хранение и взаимодействующая с модулями прогнозирования и планирования потоков заявок (пациентов).
Рассмотрены вопросы разработки следующих компонентов медицинской автоматизированной системы: структуры БД, АРМ «Регистратура», АРМ врача-терапевта, модуль построения прогноза, модуль планирования медицинских осмотров. Дано описание функционирования и взаимодействия подсистем.
Для разработки программ применялись объектно-ориентированные среды программирования Borland C++ Builder и Microsoft Visual С, а также СУБД Borland Interbase. Программные модули предназначены для работы на платформе Win32. Для доступа к СУБД использовались функции библиотеки ODBC.
В конце, как бы подводя итог всей работе рассматривается задача непосредственной реализации и внедрения комплексной автоматизированной медицинской системы в рамках медико-санитарной части Стойленского горно-обогатительного комбината (СГОК). Приводится оценка текущего уровня компьютеризации и схема поэтапного внедрения системы.
