Содержание к диссертации
Введение
Глава 1. Сравнительный анализ методов многокритериального анализа сложных объектов 10
1.1. Метод простой аддитивной свертки (SAW) 10
1.2. Методы ЭЛЕКТРА 11
1.3. Метод анализа иерархий 16
1.4. Метод Подиновского 21
1.5. Метод TOPSIS 23
1.6. Функция желательности Харрингтона 25
1.7. Таблица сравнительной оценки методов 29
Выводы 30
Глава 2. Иерархическая и математическая модель объекта исследования (электрокардиографа для СМП) 31
2.1. Статистический анализ медико-технических характеристик электрокардиографов 31
2.2. Алгоритм экспертного опроса 39
2.2.1. Этапы проведения экспертизы 39
2.2.2. Проведение экспертизы с помощью процедуры классификации 53
2.2.3. Оценка согласованности экспертов. 55
2.2.4. Методики определения компетенции эксперта 57
2.3. Иерархическая структура объекта 60
2.4. Модель объекта в виде кортежей 64
2.5. Определение коалиций экспертов 65
2.6. Математический анализ чувствительности решения к вариациям мнений экспертов 69
Выводы 71
Глава 3. Метод комплексирования мнений коалиций экспертов 73
3.1. Математическое обоснование метода 73
3.1.1. Комплексировние мнений экспертов. 73
3.1.2. Слияние мнений. 74
3.1.3. Дополнительное требование 75
3.1.4. Условия иекомплексируемости (противоположности мнений экспертов) 76
3.2. Алгоритм реализации метода : 77
3.2.1. Условные обозначения 78
3.2.2. У чет условия иекомплексируемости (противоположности мнений экспертов) 79
3.2.3. Составление расчетной таблицы на основе формулы (3.3) 79
3.2.4. Определение комплексированной матрицы Ми весов критериев 2уровня 80
3.3. Анализ результатов расчетов, полученных по комплексированной матрице 80
Выводы 87
Глава 4. Анализ чувствительности решения задачи 88
4.1. Модель альтернатив 88
4.2. Анализ чувствительности по критериям 2-го уровня 89
4.3. Сравнительный анализ двух близких альтернатив 94
Выводы 95
Глава 5. Практическая реализация системы 97
5.1. Обобщенная модель процесса рационального выбора прибора для службы СМП 97
5.2. Методика подготовки исходных данных 100
5.3. Практическая реализация задачи рационального выбора электрокардиофафа с помощью предложенного метода выбора альтернативы (основанного на комплексировании матриц мнений двух коалиций экспертов, с учетом различной
компетентности экспертов по каждому из критериев) 105
5.4 Структура информационного обеспечения для автоматизированного выбора МТ
109
5.5. Типовой интерфейс автоматизированного выбора МТ (реализованный на примере электрокардиофафа) 111
Выводы 119
Заключение 120
Список литературы
- Метод анализа иерархий
- Проведение экспертизы с помощью процедуры классификации
- Условия иекомплексируемости (противоположности мнений экспертов)
- Анализ чувствительности по критериям 2-го уровня
Введение к работе
Актуальность проблемы. Моделирование, как инструмент исследований сегодня используется практически во всех отраслях науки. Результаты моделирования - (например, точность и время прогноза), определяются дискретностью или размерностью исходной модели. Для большинства систем именно высокая размерность (или вычислительная сложность) модели является существенным ограничением при реализации практических расчетов.
Применительно к вычислительной технике это означает, что новые задачи, связанные с большими объемами вычислений, которые постоянно возникают в различных сферах человеческой деятельности, стимулируют разработку все более мощных компьютеров. Но, появившись, такой компьютер позволяет использовать более точные математические модели и ставить еще большие задачи. До недавнего времени исследователи для их решения могли использовать только чрезвычайно дорогие суперкомпьютеры. Сегодня многопроцессорные вычислительные системы, обеспечивающие высокую производительность за счет параллельных вычислений, стали доступны широкому кругу исследователей. Кластерная архитектура на сегодняшний день является наиболее востребованной при создании новых высокопроизводительных вычислительных комплексов: в списке самых мощных суперкомпьютеров ТОР500 более 70% систем являются кластерами.
Разработано большое количество алгоритмов и программ моделирования, реализованных на машинах классической архитектуры. В настоящее время весьма актуальна задача переноса систем моделирования на параллельную платформу. Наиболее распространенные параллельные многопроцессорные вычислители на основе кластерных технологий обладают неоспоримым преимуществом - хорошей масштабируемостью, однако имеют и серьезный недостаток - слабая связь узлов. Именно это накладывает ограничения на вычислительные алгоритмы и методы распределения нагрузки для таких систем.
Параллельные алгоритмы, разрабатываемые для систем моделирования, должны обязательно учитывать то, что активное использование межузловых обменов существенно снижает эффективность использования вычислительного пространства.
В задачах анализа система часто рассматривается как некоторая обобщенная модель. Состояние системы можно описать сложной
функцией F, зависящей от множества переменных \Zl Zn !, каждая из
которых тоже описывается некоторой функцией, зависящей от времени.
-* — ^ЧА'^2'^3' >^n)
A =/l V*i; * 2 ''"'З' '"m'V
A = /2 V-^l 5 -^ 2 ' -^3' э -Чиэ 0
А =/я 4^5-^25^35 'Xm>0
Ее реализация в виде последовательной программы не вызывает особых трудностей, поскольку не требует временного согласования процессов вычисления значений переменных. Однако при большом временном интервале моделирования и вьгаислительно сложных зависимостях/требуемое время расчетов будет очень большим.
7 = F(Z1,Z2,Z3, ,Z„)
і 1 \ і
t4 t t t4 Z *max ''Total * ~"~ *max
1 Z.2 Z.-3 n
Простейший подход к распараллеливанию подобных задач связан с распределением вьгаислений функций по узлам системы. При этом время вьгаислений /Totai будет определяться временем расчета наиболее трудоемкой функции tmsx. Сложность реализации такого подхода связана с необходимостью обеспечения синхронизации вьгаислений.
Прямой перенос имеющихся прикладных программ на параллельную платформу невозможен, необходимо разрабатывать новые параллельные алгоритмы и программы. Таким образом, задача разработки эффективных параллельных алгоритмов и программ в области имитационного моделирования является актуальной.
В работе предлагается способ распределения нагрузки для систем имитационного моделирования, адаптированный для слабосвязанных многопроцессорных вычислителей. К этому классу относятся машины с архитектурами NUMA, DSM, СоРС. Для них характерно то, что время обращения процессора к локальной памяти узла значительно меньше времени обращения к памяти соседнего узла. Это происходит из-за того, что в последнем случае необходимо использовать вместо шины процессора внешнюю коммуникационную среду с большей латентностью и меньшей пропускной способностью.
Цель работы и задачи исследования. Цель работы: разработка алгоритма и программы имитационного моделирования на слабосвязанных многопроцессорных системах.
Для достижения поставленной цели в работе решаются следующие основные задачи:
Анализ методов моделирования, используемых в различных областях человеческой деятельности.
Анализ особенностей аппаратных средств систем имитационного моделирования.
Разработка способа распределения нагрузки для параллельных систем имитационного моделирования.
4. Разработка программы имитационного моделирования,
адаптированной для слабосвязанных многопроцессорных систем.
5. Проведение испытаний и анализ эффективности предложенного
алгоритма.
Методы исследования. При решении поставленных задач были использованы положения теории систем, теории множеств, теории графов, вычислительная схемотехника и языки программирования.
Научная новизна. В диссертации предложены и исследованы новые параллельные вычислительные алгоритмы, повышающие эффективность работы слабосвязанных многопроцессорных систем. Алгоритмы позволяют повысить эффективность использования узлов и общую производительность слабосвязанных многопроцессорных систем при решении задач системного анализа методами имитационного моделирования.
Практическая значимость. Предложенный способ распределения вычислительной нагрузки и вычислительный алгоритм имитационного моделирования, адаптированы для слабосвязанных многопроцессорных систем. Их использование позволяет минимизировать пересылки между узлами системы и за счет этого повысить эффективность параллельных вычислений.
Способ распределения нагрузки, апробированный на задаче имитационного моделирования, может быть применен при решении различных задач системного анализа и обработки информации на параллельных вычислителях.
Положения, выносимые на защиту.
Анализ методов распределения вычислительной нагрузки на слабосвязанных многопроцессорных системах.
Способ распределения вычислительной нагрузки для программ имитационного моделирования на слабосвязанных многопроцессорных системах.
Параллельный вычислительный алгоритм имитационного моделирования, адаптированный для слабосвязанных многопроцессорных систем.
Параллельная программа моделирования взаимодействия объектов и окружающей среды.
Результаты экспериментальных исследований, испытаний и анализ эффективности предложенного алгоритма.
Внедрение результатов. Результаты диссертационной работы используются на кафедре вычислительной техники МИЭТ при проведении лабораторных работ по курсу «Высокопроизводительные вычислительные системы».
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Всероссийских межвузовских научно-технических конференциях студентов и аспирантов "Микроэлектроника и информатика - 2005, 2006, 2007", Международной школе-конференции -2005, научной сессии МИФИ - 2007, Всероссийской межвузовской научно-практической конференции молодых ученых, специалистов, преподавателей, аспирантов и студентов "Актуальные проблемы информатизации. Развитие информационной инфраструктуры, технологий и систем - 2007".
Публикации. По материалам диссертации опубликовано шесть тезисов докладов и три статьи. Получено свидетельство РФ на программу для ЭВМ.
Структура и объём диссертационной работы. Рукопись диссертационной работы состоит из введения, четырех глав, заключения, списка литературы и приложения.
Метод анализа иерархий
Одним из наиболее часто используемым в задачах анализа многокритериальных оценок является разработанный американским ученым Т. Саати метод анализа иерархий (МАИ), заключающийся в иерархическом представлении элементов, определяющих суть решаемой проблемы. Метод апробирован в ряде исследований в области социологии, экономики, экологии и является правдоподобной моделью естественного хода человеческих рассуждений при решении сложных задач иерархического выбора.
Метод состоит в декомпозиции проблемы на более простые составляющие части и дальнейшей обработке последовательности суждений лица, принимающего решение, с помощью матриц парных сравнений. В результате работы с матрицами рассчитываются относительные степени взаимодействия элементов в иерархии, и выбирается наилучшая с точки зрения цели альтернатива [40,62].
На первом этапе данного метода строится иерархическая система, состоящая из трех уровней: первым уровнем такой системы является цель, вторым — критерии, уточняющие цель, третьим — альтернативы, которые должны быть оценены сначала по критериям второго уровня, а потом с точки зрения общей цели.
На втором этапе МАИ строятся матрицы парных сравнений для каждого уровня: множество матриц для нижних уровней и одна матрица для верхнего уровня: при этом элементы нижнего уровня сравниваются друг с другом с точки зрения удовлетворения критерию на верхнем уровне. Таким образом, полу чается набор квадратных матриц суждений. Парные сравнения проводятся в терминах доминирования одного из элементов над другим.
Попарное сравнение всех частных критериев (элементов) проводится с помощью шкалы лингвистических оценок. Для построения моделей принятия решений в условиях неопределенности используется лингвистический подход, позволяющий формализовать задачу при наличии критериев и ограничений, описанных на естественном языке. Такой метод формализации описания нечетких, качественных характеристик был предложен Л.А.Заде. Лингвистический подход отражает особенности человека как субъекта принятия решений и обработки информации. Человек плохо воспринимает излишне детализированные шкалы значений признаков. Психофизические данные свидетельствуют о том, что человек уверенно различает не более 7±2 градаций на шкале некоторого признака (параметра). Если же шкала содержит большее число градаций, то соседние уровни начинают сливаться, и уже не могут быть с уверенностью разграничены [38]. Важной компонентой метода Саати является матрица суждений, в которой значения элементов основаны не на точных измерениях, а на субъективных суждениях (эти матрицы подготавливаются экспертами). Матрица суждений Л = (ау), i,j = l,2, ...,h, (1) где ay — число, соответствующее значимости объекта I по сравнению с J (объектами являются либо критерии, либо средства). Эти числа будем называть суждениями. При ранжировании, т.е. оценке относительной важности объекта, значения суждений определяются в соответствии со шкалой оценок относительной важности объектов. В МАИ элементы задачи сравниваются попарно по отношению к их воздействию на общую для них характеристику. Система парных сведений приводит к результату, который может быть представлен в виде обратносимметричной матрицы. Элементом матрицы ад является интенсивность проявления элемента иерархии і относительно элемента иерархии j, оце ниваемая по шкале интенсивности от 1 до 9, предложенной автором метода (табл. 1.1).
Если эксперт считает, что объект I явно важнее объекта J, то это 4-я строка, и в качестве суждения берется ау = 7. Если объект I находится в противоположном отношении к объекту J (например, объект J явно важнее объекта I), то суждение ay = 1/aji. Таким образом, матрица (1) является обратносимметричной, а диагональные элементы ац равны 1. Если суждения совершенны при всех сравнениях, то а;к=ауа для всех i, j, к, и матрицу А называют согласованной. Согласованную матрицу можно получить, только если сравнения основаны на точных измерениях.
После построения матриц формируется набор локальных приоритетов или рангов а, О, которые выражают относительное влияние множества элементов нижнего уровня на соответствующие элементы примыкающего сверху уровня. Их совокупность Ж = (аг15 х,,аг3,...,#„) отвечает собственному вектору матрицы л{ау}. Поэтому вектор W может быть найден как решение уравнения AW = Ш, где Л - собственное значение (число) матрицы А{аЛ.
Существует несколько методов отыскания собственного вектора и собственного числа заданной матрицы: методы расчета матриц, метод вектора, минимизирующий функционал, метод неопределенных множителей Лагранжа, приближенный метод Саати [40,73].
Выберем метод Саати, так как он наиболее простой. Этот подход заключается в отыскании приближенных значений вектора рангов, как среднегеометрических величин каждой строки матрицы парных сравнений: а, = п А а,
Далее необходимо проверить, правильно ли проставлены значения частных критериев. Это можно сделать при помощи индекса согласованности (ИС) матрицы парных сравнений л{а,у}, который дает информацию о степени согласованности парных сравнений. Индекс согласованности для каждой матрицы рассчитывается на основе оценки максимальной величины собственного значения матрицы 2max. Он может быть приближенно получен следующим образом: сначала суммируется каждый столбец матрицы парных сравнений, затем сумма первого столбца умножается на величину первой компоненты нормализованного вектора рангов, сумма второго столбца — на вторую компоненту и т. д. Затем полученные числа суммируются.
Проведение экспертизы с помощью процедуры классификации
Предположим, нужно приобрести прибор, обладающий известными нам m количественными характеристиками х = (х ,...,хт). На предварительном этапе опрашивается большое число экспертов относительно качества предъявленных им приборов. Эксперты дают свои заключения на основе анализа наблюдаемых ими значений векторов х = (х ,...,хт). Экспертов просят не ранжировать наблюдаемые приборы, а относить их к одному из классов, например, к классам А,= ( ПОСРЕДСТВЕННЫЙ), А2 = ( ХОРОШИЙ), А3 =(ОТЛИЧНЫЙ). Возможна более подробная градуировка. Поэтому, в общем случае будем относить приборы к некоторым классам Ai...,Ak При проведении опроса снимаются характеристики соответствующих приборов, которые формируют так называемую «обучающую выборку» уп = (у ,...,у{пт)),п=1,2,...,К
Пусть li ..., 1к - количества приборов в каждом из классов. Тогда отношения pi=l/N,z"=7,...,k, можно рассматривать как априорные вероятности соответствующих классов. Переномеруем обучающую выборку таким образом, чтобы первые її индексов относились к приборам, попавшим в класс Ai следующие 12 индексов относились к приборам, попавшим в класс А2 и т. д. Последние к индексов относятся к приборам, попавшим в класс Ак.
Рассматривая новые приборы - кандидаты для покупки, мы относим их к одному из рассматриваемых классов с помощью линейных дискриминантных функций.
Стандартная технология классификации следующая: Вычисляются линейные дискриминантные функции по формулам SM = О ; Z )и --/л . Z lju . + 1п# (2.8) Здесь № - -векторы средних по соответствующим классам, построенные по «обучающей выборке, т.е. ? =(fl .(1) f І 7,,2,)--fi , " _ т і /2 1 72 1 J2, и - (— У v(1) — V v(2)) — У v(m) " 2 " М 2-і У і ] Z-i У " , г Lu У і ИТ.Д. Элементы матрицы ]jT - это числа л N і N л N G.. =—У y(Vr) -—У у{г)— У (г) Рассматриваемый прибор, обладающий характеристиками и, относят к классу Aj, если Si(u) Sj(u), j i. Таким образом, производится упорядоченность объектов по качественным классам.
Далее оценивают степень влияния каждого фактора на выбранную выходную величину. Для этого используют ряд показателей, но наиболее часто -сумму рангов данного фактора. Чем меньше эта величина, тем сильнее влияет фактор на выходную величину.
Расположим теперь входы в порядке возрастания суммы их рангов: xlt,xh,...,xlri, где индекс /, равен номеру фактора с соответствующей суммой рангов (xh -фактор с минимальной суммой рангов). Здесь на первом месте стоит самый существенный вход (его номер /,-), а далее следуют остальные в порядке уменьшения их влияния на выход.
Для анализа результатов ранжирования используют диаграмму рангов (рисунок 2.8). Наиболее благоприятным видом диаграммы является возрастание рангов по параболе. В этом случае легко разделить факторы на группы и по К-критерию Линка-Уэллеса отсеять несущественные. \ сумма рангов Хц Хп Хіз Хы Хі5 Входы Хы Рисунок 2.8. Диаграмма рангов Расчетная величина К-критерия определяется по формуле К = р k(G - G ) V max min / к 2Х (2.9) где Х-число факторов, включаемых в группу; б mm - среднее значение суммы рангов фактора (средние ранги), максимальное и минимальное значения G{ в группе;
Если значение Кр меньше табличного при выбранном уровне значимости р, числе сравниваемых средних К и числа специалистов т, то сравниваем сред ние ранги G/, (i = \,К) не различаются между собой.
Оценка согласованности экспертов. Проверка значимости W осуществляется в соответствии с процедурой статистической проверки гипотез. Получим распределение W для случая выполнения гипотезы о независимости оценок экспертов. і m w =—r±—У m2(n-\)jl ЕІ-Е yjm i=\ Si (2.10)
Выражение, возводимое в квадрат в (2.10), при независимости Щ и достаточно большом числе экспертов (т 7) распределено по нормальному закону с нулевым математическим ожиданием и единичной дисперсией. Это следует из центральной предельной теоремы [21,23].
В свою очередь, сумма квадратов независимых нормально распределен-ных случайных величин распределена по закону X (Пирсона) с числом степеней свободы о, равным числу слагаемых в сумме за вычетом количества наложенных связей на элементы суммы. В нашем случае имеется только одна тп{п +1) связь сумма Ej — константа и она равна z . С учетом вышесказанного из (2.10) следует, что величина т(п-1)Е распределена по закону , с числом степеней свободы и=п-1.
Для проверки значимости W необходимо задаться уровнем значимости а {а - вероятность ошибки при отвержении выдвинутой гипотезы о независимости оценок экспертов). В соответствии с а и v определяется квантиль X табл Затем следует рассчитать величину расц используя следующую формулу: X2paC4=m(n-l)W (2.11)
Если окажется, что Х Пшбл Храсч, то выдвинутая гипотеза отвергается, при этом вероятность ошибки того, что гипотеза все же может быть верна, не более а.
Ранее указывалось, что выражение (2.11) распределено по закону Пирсона, когда т 7. В работе [21] показано, что при ограничении на число экспертов и объектов т(п-1) 20 распределение коэффициента согласия апрокси-мируется распределением р (Фишера).
Условия иекомплексируемости (противоположности мнений экспертов)
Расчет значений комплексированной матрицы М осуществлен на основе среднегеометрического, в котором коэффициент компетентности используется в качестве степени, что позволяет учесть мнения экспертов по показателям по которым они обладают наибольшей компетентностью, и снизить влияние мнений экспертов по показателям, по которым они некомпетентны.
Необходимо проверить, насколько комплексированная матрица учитывает мнений экспертов в части показателей, по которым они наиболее компетентны. Первая коалиция (врачи) по показателям К1 - количество каналов, К2 - нижняя частота пропускания, КЗ - сервисные функции, имеет наибольшую компетентность. Коэффициенты компетентности коалиции врачей по данным показателям принимают значения 0,75; 0,8 и 0,9 соответственно. Вторая коалиция (инженеры) по показателям К4 - качество аккумулятора; K5 - тип фильтра; Кб - объем памяти, имеет наибольшую компетентность. Коэффициенты компетентности коалиции инженеров по данным показателям принимают значения 0,9; 0,75 и 0,7 соответственно. Для анализа результатов расчетов полученных по комплексированной матрице М, используем 3 подхода:
1. Сравнение на качественном уровне.
Сравниваются попарно одноименные элементы матриц А и М (т.е. номер строки и номер столбца элемента матрицы А должны совпадать с номером строки и номером столбца элемента матрицы М) для любых i=l,2,3 и для любых j= 1,2,3.
Так элемент матрицы А с номером строки 3 и с номером столбца 1 имеет значение 3, а элемент матрицы М с номером строки 3 и с номером столбца 1 имеет значение 3,07. Таким образом, разница этих значений составляет 0,07. Максимальное отклонение элементов матрицы М от элементов матрицы А не превышает 5% (0,05), поэтому можно заключить что элементы достаточно близки друг к другу.
Сравниваются попарно одноименные элементы матриц В иМ (т.е. номер строки и номер столбца элемента матрицы В должны совпадать с номером строки и номером столбца элемента матрицы М) для любых i= 1,2,3 и для любых j=l,2,3.
Так элемент матрицы В с номером строки бис номером столбца 5 имеет значение 3, а элемент матрицы М с номером строки бис номером столбца 5 имеет значение 3,003. Таким образом, разница этих значений составляет 0,003. Максимальное отклонение элементов матрицы М от элементов матрицы В не превышает 2,8% (0,139), поэтому можно заключить что элементы достаточно близки друг к другу.
Сравнение на количественном уровне. Древовидная структура. Для сравнения матриц на количественном уровне проводился экспертный опрос. В качестве экспертов для оценки сравнительной значимости групп показателей (медицинские и технические показателей) выступали эксперты верхнего уровня - руководители пяти специализированных бригад скорой помощи (табл. 3.2).
Все пять экспертов верхнего уровня высказывались независимо. Коэффициент компетентности каждого эксперта по каждому критерию (табл. 3.3) определен по итогам анкетирования по методу взаимооценки.
По критериям К1, К2, КЗ принимается во внимание только мнение 1-ой коалиции (врачи), а по критериям К4, К5, Кб — только мнение 2-ой коалиции (инженеры). При этом принимался во внимание вес групп показателей.
Берем подматрицу, состоящую из элементов матрицы А с индексом ij, где і =1,2,3 и j=l,2,3 - (матрица врачей), и определяем вектор весов комплексных показателей Kl, К2, КЗ (табл. 3.5); далее определяем нормированный вектор весов показателей, с учетом важности группового показателя (медицинского показателя).
1. Для выработки единого мнения при проведении экспертного опроса необходимо учитывать компетентность коалиций экспертов.
Известная модификация метода Саати учитывает только обобщенные (единые) компетентности экспертов, но не учитывает различные компетентности экспертов по каждому из критериев, что существенно уменьшает эффективность решения задачи.
Сравнительный анализ методов многокритериального анализа сложных объектов показал, что все они обладают общим недостатком: они не имеют возможность комшіексировать разные мнения групп экспертов и не учитывают компетентности экспертов по каждому из критериев оптимизации, что существенно уменьшает эффективность рационального выбора .
2. В работе предложен метод, идея которого заключается в комплексиро-вании матриц мнений двух коалиций экспертов, с учетом различной компетентности экспертов по каждому из критериев, причем сформулированы условия непротиворечивости мнений коалиций, невыполнение которых может привести к несогласованности полученной обобщенной матрицы, отражающей совокупное мнение коалиций.
3. Разработан алгоритм реализации метода выбора альтернатив. Элементами этого алгоритма являются: формирование множества альтернатив, формирование множества критериев, определение коалиции экспертов, определение компетентности коалиции экспертов, проверка согласованности и т.д.
4. Проведен анализ результатов расчетов, полученных по комплексиро-ванной матрице при сравнении на качественном и. количественном уровнях разной структуры, и показано, что результаты 2-ого и 3-ого подходов практически совпадают с результатами, полученными на основе комплексирования матриц коалиций экспертов с учетом их компетентности, что подтверждает работоспособность предлагаемого метода.
Анализ чувствительности по критериям 2-го уровня
Практическая реализация задачи рационального выбора электрокардиографа с помощью предложенного метода выбора альтернативы (основанного на комплексированш матриц мнений двух коалиций экспертов, с учетом различной компетентности экспертов по каждому из критериев)
Задача выбора электрокардиографа решается следующим образом.
1. С помощью экспертного опроса определяется множество (ядро) критериев оценки, и определяется значимость каждого критерия при выборе электрокардиографа. В работе были выделены следующие критерии: К1 - Количество каналов, К2 - Нижняя частота пропускания, КЗ - Сервисные функции: К3.1 - Наличие сервисной базы в городе, К3.2 -Передача ЭКГ по телефону, КЗ. 3 - Режим работы на улице (на морозе), КЗ. 4 - Просмотр ЭКГ прямо на экране, КЗ. 5 - Вес, К3.6 - Работа без аккумулятора (непосредственно от сети), К3.7 - Отсутствие блокировки работы прибора при определенном значении разряда аккумулятора, К4 - Качество аккумулятора: К4.1- Емкость аккумулятора, К4. 2 - Время заряда аккумулятора, К4.3 - Тип аккумулятора, К5 - Тип фильтра: К5.1- фильтр дрейфа изолинии, К5.2 - фильтр мышечного тремора, К5.3 - Сетевой фильтр, Кб - Объем памяти.
2. Для проведения исследования были отобраны 15 российских и зарубежных электрокардиографов: А1 - Альтон-03(ф. Альтоника), А2 - Cardiovit ATI (ф. Schiller), A3 - arl200 view (ф. Cardioline), A4 - FX-3010 АТ1(ф. Fukuda Denshi ), A5 - Daedalus network (ф. Cardiette), A6 - ЭКЗТ-12-01 (ф. Геолинг), A7 - РХ-7202(ф. Fukuda Denshi ), A8 - ЭКГ-01 (ф. BAJIEHTA), A9-ECG-10Ю(ф.Віосаге ECG), А10 -KENZ ECG 108(ф. Suzuken), All-ECG-101 (ф. Man & Machine), A12- ECG 1001а(ф. FARUM S.A), A13- FX-2111 (ф. Fukuda Denshi), A14- ECG-6851 (ф. Нихон Коден), A15- ЭК1Т-07 (ф. (Ижевск).
3. Используя метод выбора альтернатив, с участием экспертов производится определение весового коэффициента каждого критерия путем попарного их сравнения по девятибалльной шкале отношений.
В табл.5.8 показаны весовые коэффициенты критериев и важность 15 электрокардиографов по каждому из критериев, переведенных в шкалу [0,1] Синтез полученных коэффициентов важности осуществляется по форму п neVj = Ш,У, (аддитивная свертка), где Vj— обобщенный показатель качества j-й альтернативы; gt— вес і-го критерия; V,j— важность j-й альтернативы по і-му критерию переведенная в шкалу (измеренная в шкале) [0 , 1]. V(Alton03)=(0,136 0,6581)+(0,134 0,531)+(0,042 1+0,061 1+0,125 1+ +0,011 0+0,06 0,85+0,017 1+0,022 1)+(0,15 0,474+0,06 0,8+0,024 1)+ +(0,008 1+0,027 1+0,015 1)+(0,109 1)=0,781.
Аналогично для других приборов: V(Cardiovit АТ-1) = 0.685; V(arl200view) = 0,511; V(FX-3010) = 0,579; V(Daedalus network) = 0,472; V(3K3T-12-01) = 0,468
Структура информационного обеспечения для автоматизированно раМТ »го выбо На рисунке 5.13 представлена структура информационного обє для автоматизированного выбора МТ.
В основе этого лежит справочник критериев (таблица kr.mdf) и тивы (таблица altemative.mdf). Данные в справочник критериев и алш могут импортироваться из внешних систем, таких как АИС «ММИ -подняться вручную [39].
Необходимо минимизировать количество критериев с помощьк: ного опроса. Для этого формируются анкеты, и в результате анкети] является ядро критериев (таблица atkriteria.mdf). Далее, ядро критерие руется в иерархические структуры (таблицы ierarhia.mdf и ierstruct, последующие действия производятся уже с учетом выбранной иерарх] Полученные результаты оценки могут быть сохранены в бі (таблица res.mdf), выведены на печать.
Поиск наиболее полного источника информации об электрокардиографе, в частности, и медицинской технике, в целом, привел нас к разработчикам Федеральной автоматизированной информационной системы «Мониторинг медицинских изделий» (в дальнейшем АИС «ММИ») [39, 49, 81].
АИС «ММИ» предназначена для комплексного информационного обеспечения органов управления различного уровня, специалистов системы здравоохранения, а также разработчиков, производителей и поставщиков медицинских изделий, других заинтересованных организаций при принятии решений, связанных с эксплуатацией, производством и закупкой медицинских изделий.
