Разработка алгоритма минимизации риска перехода в неблагоприятное состояние организма человека

Дипломная работа состоит из шести основных частей. Во введении говорится об актуальности этой работы и о целях, которые необходимо достичь. В основной части статьи описывается подход к построению интегрального индекса для многомерных данных. Рассмотрены алгоритмы решения задачи выбора оптимального управляющего воздействия. Среди рассмотренных алгоритмов-алгоритм имитации отжига, генетический алгоритм и алгоритм полного поиска. В заключение приводится таблица работы этих алгоритмов на реальных данных. Проведен сравнительный анализ этих алгоритмов.

Введение…………………………………………………………………………………………………… 12
1 Обзор литературы …………………………………………………………………………………. 14
2 Постановка задачи …………………………………………………………………………………. 18
2.1 Содержательная постановка задачи …………………………………………………… 18
2.2 Математическая постановка задачи. ………………………………………………….. 19
3 Основные методы при решении задачи ………………………………………………….. 21
3.1 Интегральный показатель …………………………………………………………………. 21
3.2 Алгоритм поиска в ширину для выбора управляющего воздействия ….. 23
3.3 Генетический алгоритм …………………………………………………………………….. 26
3.4 Алгоритм симуляции отжига ( алгоритм)…………………………………… 38
4 Результаты моделирования …………………………………………………………………….. 43
4.1 Рассчитанные значения интегральных показателей…………………………….. 44
4.2 Модель нейронной сети……………………………………………………………………… 47
4.3 Реализация генетического алгоритма для выбора управляющего
воздействия …………………………………………………………………………………………………. 51
4.4 Реализация алгоритма симуляции отжига (по Коши, Больцману и
Быстрый) …………………………………………………………………………………………………….. 55
5 Статистический анализ …………………………………………………………………………… 66
5.1 Подбор закона распределения …………………………………………………………….. 66
4.2 Проверка соответствия нормальному распределению интегрального
показателя …………………………………………………………………………………………………… 76
5.2 Доверительные интервалы для интегральных показателей ………………….. 78
5.3 Проверка адекватности модели нейронной сети ………………………………….. 80
6 Программный модуль …………………………………………………………………………….. 83
7 ФИНАНСОВЫЙ МЕНЕДЖМЕНТ, РЕСУРСОЭФФЕКТИВНОСТЬ И
РЕСУРСОСБЕРЕЖЕНИЕ …………………………………………………………………………. 84
7.1 Предпроектный анализ ……………………………………………………………………….. 86
7.1.1 SWOT-анализ …………………………………………………………………………………… 86
7.2 Инициация проекта …………………………………………………………………………….. 88
7.3 Планирование управлением научно-технических проектом…………………. 89
7.3.1 Структура работ в рамках научного исследования ……………………………. 89
7.3.2 Определение трудоемкости выполнения работ …………………………………. 91
7.3.3 Бюджет научно-технического исследования …………………………………….. 94
7.4 Оценка экономической эффективности проекта ………………………………… 100
8 СОЦИАЛЬНАЯ ОТВЕТСТВЕННОСТЬ ………………………………………………… 102
8.1 Производственная безопасность ……………………………………………………….. 106
8.1.1 Анализ вредных и опасных факторов, которые могут возникнуть на
рабочем месте при проведении исследований …………………………………………….. 106
8.2 Обоснование мероприятий по защите исследователя от действия опасных
и вредных факторов …………………………………………………………………………………… 107
Заключение …………………………………………………………………………………………….. 122
Список использованных источников ……………………………………………………….. 124
Приложение A ………………………………………………………………………………………… 126
Приложение Б …………………………………………………………………………………………. 140
Приложение В ………………………………………………………………………………………… 142
Приложение Г …………………………………………………………………………………………. 144
Приложение Д ………………………………………………………………………………………… 149
Приложение Е …………………………………………………………………………………………. 156

Для нахождения оптимального управления были рассмотрены
эвристические алгоритмы, среди них: различные реализации генетического
алгоритма, алгоритмы имитации отжига, а так же алгоритм полного перебора –
поиск в ширину ( ℎ ℎ).
Для решения задачи было смоделировано шесть моментов времени. На
каждом моменте времени было задано три управляющих воздействия (без
воздействия, с мексидолом, с сарбифером).
Каждый алгоритм настраивался для решения конкретной задачи:
 Для генетического алгоритма были подобраны способы селекции и
скрещивания и установлен оптимальный размер популяции.
 Для каждого из рассматриваемых алгоритмов отжига (Больцмановский
отжиг, отжиг Коши и быстрый отжиг) подбирались начальная и конечная
температуры
 Для алгоритма полного перебора построена структура дерева, которая
соответствует постановке задачи.

Таблица 26 – Результаты работы алгоритмов задачи оптимизации
Название алгоритма Достижение Число итераций Время работы
оптимума

BestRand+1pCrossing да 146 0.240

BestRand+2pCrossing да 290 0.301

BestRand+ Crossing да 30 0.172

Roulette+1pCrossing да 290 0.280

Roulette+2pCrossing да 284 0.289

Roulette+ Crossing да 55 0.196

Fast annealing да 1600 0.148

Koshi annealing да 1000 0.053

BFS algorithm да 0.04
Из таблицы результатов работы алгоритмов можно заключить, что
алгоритм поиска в ширину является самым быстрым среди других
рассматриваемых алгоритмов применительно к данной задаче. Второй по
скорости – это отжиг коши. Меньше всего итераций для достижения
оптимального решения у генетического алгоритма, который в качестве
селекции использует «наилучший + случайно выбранный», а в качестве
оператора кроссовера – « Crossing».
Как видно, почти все рассматриваемые алгоритмы сошлись к
оптимальному решению, за исключением Больцмановского отжига, который
затратил самое большое число итераций и времени.
Если сравнивать генетические алгоритмы и алгоритмы имитации отжига
с алгоритмом полного перебора, то нужно обращать внимание на множество
допустимых решений. Размер структуры дерева зависит от двух параметров –
количество управляющих воздействий и количество моделируемых моментов
времени. Таким образом, чем больше этих параметров, тем шире становится
множество допустимых решений и соответственно структура дерева будет
разрастаться и места в памяти компьютера для нее может не хватить.
Из сказанного выше можно сделать следующее заключение:
Если необходимо найти точное решение задачи и множество
допустимых решений ограничено и относительно невелико, то рекомендуется
применять алгоритм поиска в ширину для полного перебора, который займет
мало времени для работы. С другой стороны, если задача более трудоемкая или
трудная, то следует применить эвристические алгоритмы, среди которых
в данной работе хорошо показали себя генетический алгоритм, который в
качестве селекции использует «наилучший + случайно выбранный», а в
качестве оператора кроссовера – « Crossing» и отжиг Коши.
За счет рассмотренных методов для каждого пациента рассматриваемой
грцппы было найдено оптимальное управляющее воздействие. В результате
применения этого управляющего воздействия вероятность возникновения риска
перехода в неблагоприятное состояние пациента снизился на 10%.