авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 | 2 || 4 |

«СИСТЕМЫ УПРАВЛЕНИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ Сборник трудов 2001 Министерство образования Российской Федерации Воронежский ...»

-- [ Страница 3 ] --

Заключение Помимо вышеуказанных, проводились исследования ряда близких задач, что отражено в публикациях [11, 12]. Некоторый итог результатам исследова ния подведён в [13-15], где содержится последовательное изложение материала с описанием прикладных аспектов его применения в анализе производственных технико-экономических моделей.

Список использованных источников 1. Баканов М.И., Шеремет А.Д. Теория экономического анализа: Учеб ник. – M.: Финансы и статистика, 1997.

2. Баканов М.И., Шеремет А.Д. Теория анализа хозяйственной деятель ности. – M.: Финансы и статистика, 1987.

3. Чеботарёв С.В. Применение теоремы о промежуточном значении в экономическом факторном анализе/ Межвузовский сборник. - Липецк: Изд-во ЛЭГИ, 1998. - С. 165-176.

4. Chebotaryov S.V. Numerical Mathematics Methods in Economic Factorial Analysis/ The Fifth International Conference for Young Computer Scientists (ICYCS`99): Proceedings of the conference. - Nanjing, P. R. China, 1999. - Vol. 1-2, part 10: Computer applications.

5. Фихтенгольц Г.М. Курс дифференциального и интегрального исчис ления: В 3-х т.: Т. 1. – СПб.: Изд-во Лань, 1997.

6. Сравнение различных практических методик цепного динамического экономического факторного анализа / С.Л. Блюмин, В.Ф. Суханов, Т.Г. Розгон, С.В. Чеботарёв. Проблемы безопасности транспортного пространства: Сборник научных трудов международной конференции ЛГТУ и ЛЭГИ. - Липецк: Изд-во ЛЭГИ, 1998. - С. 49-50.

7. Блюмин С.Л., Суханов В.Ф., Чеботарёв С.В. Динамический и струк турный экономический факторный анализ/ Программное обеспечение автома тизированных систем управления: Международная научно-техническая конфе ренции SAS-2000. – Липецк: ЛГТУ, 2000. – С. 25-30.

8. Блюмин С.Л., Суханов В.Ф., Чеботарёв С.В. Экономический фактор ный анализ второго порядка/ Современные проблемы информатизации в не промышленной сфере и экономике: Сборник трудов VI Международной откры той научной конференции. - Воронеж: ВЭПИ, 2001. - С. 40-41.

9. Чеботарёв С.В. Прямой детерминированный факторный анализ как инструмент исследования математических моделей/ Молодые учёные – про мышленности, науке, технологиям и профессиональному образованию для ус тойчивого развития: проблемы и новые решения: Вторая Международная кон ференции стран СНГ. – Москва: Изд-во АМИ, 2000. – С. 97-98.

10. Блюмин С.Л., Суханов В.Ф., Чеботарёв С.В. Исследование модели по требления энергоносителей с использованием прямого детерминированного факторного анализа/ Теория и технология производства чугуна и стали: Сбор ник научных трудов межгосударственной научно-технической конференции. Липецк: ЛЭГИ, 2000. - С. 188-193.

11. Блюмин С.Л., Суханов В.Ф., Чеботарёв С.В. Некоторые оценки для выпуклых комбинаций/ Современный анализ и его приложения: Тезисы докла дов Воронежской зимней математической школы (ВЗМШ-2000). - Воронеж:

Изд-во ВГУ, 2000. С. 50-51.

12. Блюмин С.Л., Суворов В.А., Чеботарёв С.В. Индексы Дивизиа в эко номическом факторном анализе/ Общие проблемы управления и их приложе ния к математической экономике: Материалы Всероссийской конференции. Тамбов: Изд-во ТГУ, 2000. - С. 419-422.

13. Блюмин С.Л., Суханов В.Ф., Чеботарёв С.В. Основы прикладной ма тематики. Экономические производственные задачи: Учеб. пособие. Липецк:

ЛЭГИ, 2000. – 72 с.

14. Chebotaryov S.V. Modern Concepts of Economic Factorial Analysis/ The th 15 European Simulation Multiconference (ESM 2001): Proceedings of the confer ence. – Prague, Czech Republic, 2001. – P. 76-77.

15. Чеботарёв С.В. Современные концепции экономического факторного анализа/ Сборник научных трудов преподавателей и сотрудников, посвящён ный 45-летию Липецкого государственного технического университета. Часть 3. – Липецк: ЛГТУ, 2001. – С. 70-73.

Г.Б.Абричкина МОДЕЛИ РЕЙТИНГОВОЙ ОЦЕНКИ ПРЕДПРИЯТИЙ КАК ЭЛЕМЕНТ СИСТЕМЫ УПРАВЛЕНИЯ РИСКАМИ Банки в настоящее время выполняют разнообразный круг операций [1], которые безусловно подвержены рискам. Принятие рисков - основа банковско го дела [3]. Риски должны быть разумны, контролируемы и находиться в пре делах их финансовых возможностей и компетенции. Активы, в основном кре диты, должны быть достаточно ликвидны для того, чтобы покрыть любой отток средств, расходы и убытки и при этом обеспечить приемлемый для акционеров размер прибыли [6]. Достижение этих целей лежит в основе политики банка по принятию рисков и управлению ими.

Под риском понимается возможная опасность потерь, вытекающая из специфики тех или иных явлений природы и видов деятельности человеческого общества. Риск - это историческая и экономическая категория. Как историче ская категория риск представляет собой осознанную человеком возможную опасность [5]. Как экономическая категория риск представляет собой событие, которое может произойти или не произойти.

Банки стремятся получить наибольшую прибыль. Но это стремление ог раничивается возможностью понести убытки. Риск банковской деятельности и означает вероятность того, что фактическая прибыль банка окажется меньше запланированной, ожидаемой. Чем выше ожидаемая прибыль, тем выше риск.

Последствия неверных оценок рисков или отсутствия возможности противо поставить действенные меры могут быть самыми неприятными.

Во всех случаях риск должен быть определен и отслежен. Эффективность организации управления рисками главным образом зависит от классификации.

Под классификацией риска следует понимать распределение риска на конкрет ные группы по определенным признакам. Научно обоснованная классификация позволяет четко определить место каждого риска в их общей системе. Она соз дает возможности для эффективного применения соответствующих методов, приемов управления.

На практике в коммерческих банках риск рассчитывают двумя методами:

· Объективный основан на вычислении частоты, с которой происходит данное событие.

· Субъективный основан на предположениях (личном опыте и суждени ях оценивающего, мнении экспертов и финансовых консультантов и т.п.) При субъективном определении значения вероятности для одного и того же события приобретают разные величины и таким образом де лается разный выбор.

Основной задачей регулирования рисков является поддержание приемле мых соотношений прибыльности с показателями платежеспособности и лик видности в процессе управления активами и пассивами банка, т.е. минимизация банковских потерь. Минимизация рисков - это борьба за снижение потерь, ина че называемая управлением рисками. Этот процесс включает в себя определе ние их вероятных размеров и последствий, разработку и реализацию мероприя тий по предотвращению или минимизации вязанных с ними потерь.

Управление ликвидностью является одним из путей управления рисками.

Сюда входят:

· Увеличение числа инвесторов, которые инвестировать свои средства в денежные инструменты банка.

· Диверсификация типов источников финансов, которая стабилизирует возможности финансирования и уменьшает степень концентрации фи нансов, которая может сделать банк уязвимым для проблем, создавае мых крупным инвестором средств для банка.

Важным компонентом системы управления кредитными рисками являет ся механизм рейтинговой оценки предприятий, обратившихся за получением кредита, и ранжирование полученных оценок в необходимом порядке.

В основе расчета итогового показателя рейтинговой оценки лежит срав нение предприятий по каждому показателю финансового состояния [2], рента бельности и деловой активности с условным эталонным предприятием, имею щим наилучшие результаты по всем сравниваемым предприятиям. Таким обра зом, базой отсчета для получения рейтинговой оценки состояния дел предпри ятия являются не субъективные предположения экспертов, а сложившиеся в ре альной рыночной конкуренции наиболее высокие результаты из всей совокуп ности сравниваемых объектов. Эталоном сравнения является самый удачливый конкурент, у которого все показатели лучше.

Такой подход соответствует практике рыночной конкуренции, где каж дый самостоятельный товаропроизводитель стремится к тому, чтобы по всем показателям деятельности выглядеть лучше своего конкурента.

Если субъектов рыночных отношений интересуют только вполне опреде ленные объекты хозяйственной деятельности (например, потенциального инве стора могут интересовать показатели работы только сахарных заводов или кон дитерских фабрик), то эталонное предприятие формируется из совокупности однотипных объектов. Однако в большинстве случаев эталонное предприятие может формироваться из показателей работы объектов, принадлежащих раз личным отраслям деятельности [4, 8]. Это не является препятствием к приме нению данного метода оценки, потому что относительные финансовые показа тели сопоставимы и для разнородных объектов хозяйствования.

В общем виде алгоритм сравнительной рейтинговой оценки финансового состояния, рентабельности и деловой активности предприятия может быть представлен в виде последовательности следующих действий:

1. Исходные данные представляются в виде матрицы (Аij), то есть табли цы, где по строкам записаны номера показателей (i=1,2,3,...n), а по столбцам номера предприятий (j= l...i).

2. По каждому показателю находится максимальное значение и заносится в столбец условного эталонного предприятия (m+1).

3. Исходные матрицы предприятия Aij стандартизируются в отношении соответствующего показателя эталонного предприятия по формуле (1):

Aij x ij =, (1) max Aij где xij - стандартизированные показатели состояния j-го предприятия.

4. Для каждого анализируемого предприятия значение его рейтинговой оценки определяется но формуле:

R j = (1 - x1 j ) 2 +... + (1 - x nj ) 2, (2) где Rj - рейтинговая оценка;

x1j..xnj - cтандартизированные показатели j-го предприятия.

5. Предприятия упорядочиваются (ранжируются) в порядке убывания рейтинговой оценки.

Наивысший рейтинг имеет предприятие с минимальными значениями сравнительной оценки. Для применения данного алгоритма на практике ника ких ограничений на количество сравниваемых показателей и предприятий не накладывается. Алгоритм получения рейтинговой оценки финансового состоя ния может применяться для сравнения предприятий на дату составления балан са или в динамике.

В первом случае исходные показатели рассчитываются по данным балан са и финансовой отчетности на конец периода. Соответственно и рейтинг пред приятия определяется на конец периода.

Во втором случае исходные показатели рассчитываются как темповые ко эффициенты роста: данные на конец периода делятся на значение соответст вующего показатели на начало периода, или среднее значение показателя от четного периода делится на среднее значение соответствующего показателя предыдущего периода (или иной базы сравнения). Таким образом, мы получаем не только оценку текущего состояния предприятия на определенную дату, но и оценку усилий и способностей по изменению этого состояния в динамике, на перспективу. Такая оценка является надежным измерителем роста конкуренто способности предприятия в данной отрасли деятельности. Она также определя ет более эффективный уровень использования всех производственных и финан совых ресурсов и, в конечном счете, ранг предприятия в кредитной очереди.

Возможно включение в состав исходных данных одновременно как мо ментных, так и темповых показателей, что позволяет получить обобщенную рейтинговую оценку, характеризующую как состояние, так и динамику финан сово-хозяйственной деятельности предприятия.

Исходные данные могут быть расширены за счет включения дополни тельных показателей из справок, предоставляемых предприятиями в банки, на логовые инспекции, из форм статистической отчетности и других источников.

Особенностью системы показателей является то, что почти все они имеют оди наковую направленность (за исключением индекса постоянного актива, дина мика которого носит сложный характер). Это означает, что чем выше уровень показателя или чем выше темп его роста, тем лучше финансовое состояние оцениваемого предприятия. Поэтому при расширении предполагаемой системы за счет включения в неё новых показателей необходимо следить, чтобы это требование не нарушаюсь.

Алгоритм получения рейтинговой оценки может быть также модифици рован: вместо формулы (2) можно также использовать одну из нижеследующих формул:

R 1 = ( A1 j ) 2 +... + ( Anj ) 2, (3) j R 2 = (k1 j A1 j ) 2 +... + (k nj Anj ) 2, (4) j R 3 = k1 j (1 - x1 j ) 2 +... + k nj (1 - k nj ) 2, (5) j где kij - весовые коэффициенты показателей, назначаемые экспертом.

Формула (3) определяет рейтинговую оценку для j-го анализируемого предприятия по максимальному удалению от начала координат, а не по мини мальному отклонению от предприятия эталона. В упрощенном понимании это значит, что наивысший рейтинг имеет то предприятие, у которого суммарный результат по всем однонаправленным показателям выше, чем у остальных.

Формула (4) является модификацией формулы (3). Она учитывает значи мость показателей, определяемую экспертным путем. Необходимость введения весовых коэффициентов для отдельных показателей появляется при дифферен цировании оценки в соответствии с потребностями пользователей.

Формула (5) является соответствующей модификацией формулы (2) и учитывает значимость отдельных показателей при расчете рейтинговой оценки по отношению к предприятию-эталону.

Рассмотренная методика комплексной оценки финансового состояния имеет следующие достоинства.

1. Она базируется на комплексном многомерном подходе к оценке такого сложного явления, как финансовая деятельность предприятия [9].

2. Рейтинговая оценка финансовой деятельности предприятия осуществ ляется на основе данных публичной отчетности предприятия. Для её получения используются важнейшие показатели финансовой деятель ности, применяемые на практике и рыночной экономике.

Таким образом, применение механизма ранжирования предприятий по зволяет использовать его в рамках системы управления кредитными рисками коммерческого банка.

Сейчас банковская система России находится в сложном финансовом по ложении, поэтому нужно обратить особое внимание на сложившуюся ситуацию и четко координировать свои действия в области управления рисками [7]. Клю чевой задачей является балансирование, при этом необязательно уравнивание этих взаимозависимых элементов риска, полное равновесие невозможно, по скольку действия, предпринимаемые для снижения одних рисков, могут увели чить другие. Цели и задачи стратегии управления рисками должны определять ся постоянно изменяющейся внешней средой, в которой приходится работать банку.

Список использованных источников 1. Федеральный Закон “О Банках и банковской деятельности” № 395-1.

2. Приказ Министерства Финансов РФ от 28.07.94 г. №100 “Об утвер ждении положения по бухгалтерскому учету “Учетная политика предприятия”.

3. Усоскин В.М. Современный коммерческий банк. М.: ИПЦ “Вазар Ферро”, 1994.

4. Масленченков Ю.С., Команов В.А. Учетная политика и кредитный анализ предприятия. - Банковский журнал, № 4, 1995.

5. Райс Т., Койли Б. Финансовые инвестиции и риск.

6. Деньги, кредит, банки. М.: Финансы и статистика,1998.

7. Севрук В. Банковские риски. М., 1996.

8. Ковалёв В.В. Финансовый анализ. - Киев,1996.

9. Сопко В. Методика анализа баланса предприятия. МП “Лоран”, 1994.

В.В.Герасимов ОПТИМИЗАЦИЯ УПРАВЛЕНИЯ РЕГИОНАЛЬНЫМИ ОРГАНИЗАЦИОННО-ЭКОНОМИЧЕСКИМИ СИСТЕМАМИ Финансовая политика в управлении региональными организационно экономическими системами (РОЭС) как правило не предполагает наличия средств, достаточных для полного и всеобъемлющего проведения всего ком плекса мероприятий, обеспечивающих максимально эффективное развитие.

Актуальной является задача такого распределения (перераспределения) средств и ресурсов, при котором воздействие оказывалось бы на те факторы, направ ленное изменение которых могло бы в наибольшей степени повлиять на повы шение эффективности работы РОЭС. Воздействовать на эффективность работы РОЭС зачастую получается только опосредованно, через цепочку “мероприятие” ® “фактор влияния” ® “эффективность работы”. Аналогичный подход рассматривался в [1].

Приведем математическую формализацию в предположении, что имеется одна территория, для проведения комплекса мероприятий РОЭС (КМП) по ко * торой выделено C ресурсов (финансовых, технических, человеческих) с точ ностью до D С*. Пусть экспертным путем (например, как в [2]) выделено N значащих факторов, влияние на которые возможно, и всего имеется M различ ных видов КМП (мы предполагаем, что они независимы друг от друга). Тогда задача оптимального управления факторами, влияющими на эффективность ра боты РОЭС, формализуется следующим образом:

N M Yz = xm Qmn Rn ® max, (1) n=1 m= * при ограничении C - C D на используемые ресурсы, где:

Yz - интегральный показатель, характеризующий (количественно или ка чественно) эффективность, причем предполагается, что чем больше Yz, тем лучше эффективность;

Rn (n=1..N) - коэффициент влияния фактора n на эффективность работы РОЭС (может быть получен экспертным путем или в результате экономико-ста тистического анализа);

{Qmn } n==11....N - матрица коэффициентов эффективности влияния КМП m на m M фактор n;

M xm S m - выражение для стоимости комплекса КМП;

C= m= S m - ресурсная стоимость проведения КМП m;

при этом ресурсная стои мость фактически зависит от времени, что еще более усложняет задачу оптими зации;

xm {0,1}, 1 в случае, если КМП с индексом m проводится, 0 в ситуации, когда проведение КМП с индексом m признано нецелесообразным.

Приведенная оптимизационная задача может решаться стандартными эв ристическими методами, но не является классической задачей линейного про граммирования в силу нелинейности ограничения на используемые ресурсы, а также фактической нелинейности S m. Ограничение на используемые ресурсы не является обременительным, поскольку в реальной практике управления уда ется привлечь дополнительные ресурсы, например, из сверхплановых доходов или привлеченных средств организаций и населения. Понятно, кроме того, что в случае, когда полученное значение C близко к C * - D (но превышает его), можно найти такое незапланированное КМП, что общая стоимость будет нена много превышать C * + D и незапланированное превышение можно будет изы скать за счет филиалов других территорий (рис. 1).

Точка t0 соответствует начальной итерации оптимистического алгоритма выбора оптимальной структуры КМП. Понятно, что полученное значение C оказывается далеко от разрешенной полосы. В точке t1 представлен результат применения пессимистического алгоритма, после применения которого мы по лучаем допустимое, но неоптимальное решение (значение Y1 существенно меньше потенциально достижимого). Точка t2 соответствует полученному оп тимальному решению, ресурсная характеристика которого находится близко к нижней границе допустимых значений ресурса. Наконец, в точке t* мы получа ем “недопустимое” с точки зрения ограничений решение, которое в реальных условиях оказывается вполне приемлемым из-за малой (но положительной) разницы между требуемым ресурсом C и C*+D.

Получение конкретных значений коэффициентов влияния фактора n на эффективность работы предприятия ( Rn ) является отдельной задачей, решение которой не входит в рамки настоящего диссертационного исследования. Заме тим только, что один из существующих путей - это применение метода средне взвешенных экспертных оценок для определения конкретного значения Rn.

Кроме того, в некоторых, по-видимому, редких случаях, значение Rn может быть получено путем проведения многолетних наблюдений с последующим применением аппарата прикладной статистики.

C C*+D C* C*-D t* 0 t0 t1 t2 t Рис. 1. Схема выбора оптимальной структуры КМП при превышении предельного значения ресурсов C*+D Получение {Qmn } m=1.. M - матрицы коэффициентов эффективности влия n =1.. N ния КМП m на фактор n, - является не менее сложной задачей, поскольку, в от личие от Rn, коэффициенты являются на деле оценкой эффективности прове дения мероприятий, причем вовсе необязательно, что в исследование включены все факторы, на которые непосредственно или косвенно влияет конкретное КМП. Наличие факторов, не учитываемых в анализе, означает, что суммарный коэффициент эффективности (по строке матрицы, т.е. по всем анализируемым факторам) будет не более, а, как правило, строго меньше рассчитываемого для КМП. С точки зрения соображений нормирования, целесообразно считать, что Qmn1, причем N Qmn 1 для всех m=1..M. (2) n = В идеальном случае, когда учитываются все факторы, на которые влияет КМП, имеет место равенство N Qmn =1 для всех m=1..M, (3) n = причем мы не требуем положительности Qmn, а следовательно, более коррект ным будет следующее ограничение:

N Qmn 1 для всех m=1..M. (4) n = Yz t* 0 t0 t1 t2 t Рис 2. Значения интегрального критерия при соответствующих схемах выбора оптимальной структуры КМП при превы шении предельного значения ресурсов C*+D (в точке t*) Зависимость ресурсной стоимости проведения КМП m S m от времени на первый взгляд представляется неочевидной. Однако, если принять во внимание как динамизм реальной покупательной способности рубля, так и постоянно из меняющуюся хозяйственно-экономическую и законодательную ситуацию, ста нет понятно, что принятие решения в течение, например, недели, потребует корректировки S m.

Современные условия управления РОЭС таковы, что основные потоки финансовых и иных ресурсов имеют преимущественно нисходящий характер (из центра к филиалам или представительствам). В этой связи разумным пред ставляется предположение о том, что чем выше уровень, на котором будет ре шаться задача оптимизации, тем большее улучшение эффективности (усред ненно по соответствующему уровню) будет достигнуто. Понятно, что увеличе ние количества уровней иерархии управления неминуемо повышает размер ность оптимизационной задачи, и начиная с некоторого момента приходится за решение расплачиваться сужением базы факторов влияния и соответствующих матриц. Следовательно, существует некий оптимальный в смысле качества пе рераспределения ресурсов уровень, на котором это перераспределение произ водится. Тем не менее, в данном разделе последовательно будут осуществлены постановки сначала двухуровневой (уровня региона), а затем и трехуровневой задачи оптимизации управления эффективностью работы предприятия.

Будем считать, что орган управления РОЭС осуществляет воздействие на P территорий или филиалов. В силу специфичности каждой территории в ней существуют собственные вектора влияния факторов на эффективность работы и соответствующие матрицы коэффициентов влияния КМП. Более того, понят но, что множества факторов могут различаться для разных территорий. Пока для простоты будем предполагать, что управление осуществляется над единой группой факторов влияния. Тогда задача оптимального управления факторами, влияющими на эффективность работы распределенного предприятия, формали зуется следующим образом:

M p N p p P Yz = a p xm Qmn Rn ® max, (5) m=1 n=1 p = * при ограничении C - C D на используемые ресурсы, где:

Yz - как и прежде, интегральный показатель, характеризующий эффек тивность;

Rnp (n=1..N;

p=1..P) - коэффициент влияния фактора n на эффективность работы распределенного предприятия по территории p (может быть получен экспертным путем или в результате статистического анализа);

{} n =1.. N p Qmn - матрица коэффициентов эффективности влияния КМП m на m=1.. M фактор n по территории p;

P M xm S m - выражение для стоимости всего комплекса КМП;

pp C= p =1 m= p S m - ресурсная стоимость проведения КМП m по территории p (фактиче ская зависимость от времени по-прежнему сохраняется, даже в несколько большей степени вследствие большей масштабности региона);

p x m {0,1}, 1 в случае, если КМП с индексом m проводится на территории p, 0 в ситуации, когда проведение КМП с индексом m на территории p признано нецелесообразным;

a p - коэффициент приоритетности территории p по сравнению с осталь ными (0 a p 1), причем (условие нормирования) P a p = 1. (6) p = При решении сформулированной задачи в качестве одного из результатов легко получаем выражение для количества ресурсов Cp, выделяемых для кон кретной территории p (p=1..P):

M xm S m.

pp Cp = (7) m= Полученное выражение позволяет органам управления работой РОЭС на территории при необходимости осуществить перераспределение выделенных ресурсов в случае, когда за время выделения ресурсов технико-экономическая ситуация существенно изменилась, а осуществить повторное решение глобаль ной задачи на верхнем уровне управления распределенным предприятием уже не получается. Упомянутое перераспределение осуществляется путем решения соответствующей оптимизационной задачи Cp=C*.

p Коэффициенты Rn влияния фактора n на эффективность работы пред приятия по территории p вообще говоря различаются для различных p. Это свя зано с рядом особенностей, среди которых как организационно-исторические, подвергающиеся потенциальной коррекции (сложившийся уровень подготовки кадров, образованности населения), так и финансово-хозяйственные, как пра вило тесно связанные между собой.

Матрицы коэффициентов эффективности влияния КМП m на фактор n по {} n =1.. N p территориям p Qmn также могут существенно различаться для различ m=1.. M ных территорий. Кроме того, совершенно не исключена ситуация, когда кон кретное мероприятие на границе территорий оказывает влияние не только на факторы “своей” территории, но и “чужой”. Если рассматривать объединенную {} p =1.. P n =1.. N p Qmn матрицу в трехмерном пространстве, то внешне она будет m=1.. M представлять из себя набор почти замкнутых параллелепипедов с малым объе мом пересечений. Наиболее интересным для исследования является именно об ласть межпараллелепипедных пересечений, поскольку именно она характери зует те факторы, мероприятия и территории, в которых возможно комплексное воздействие с различных сторон.

Существенной с точки зрения исследования эффективности управления является оценка однородности матрицы эффективности влияния. Чем менее однородной она является, тем существеннее различаются ситуации и “отклик” территорий и тем выше вероятность быстрых изменений вследствие, например, внутрирегиональных социально-экономических процессов. Значительная одно родность матрицы существенно упрощает как решение оптимизационных за дач, так и решение проблем практического управления РОЭС.

Список использованных источников 1. Кравец О.Я., Кравец Б.Б. Оптимизация воздействия на общую онколо гическую ситуацию территории/ Информационные технологии в медицине и управлении здравоохранением/ Тез. сообщ. краевой электронной научно практической конференции. Барнаул: Изд-во КБСМИ, 1999. С.12-13.

2. Архипов И.В., Герасимов В.В. Исследование и оптимизация компонент подсистемы принятия решений в распределенной системе сервисного обслужи вания/ Современные проблемы информатизации в непромышленной сфере и экономике. Сб. трудов. Вып. 6. Воронеж: ВЭПИ, 2001. С. 51-53.

А.С.Терехов ПОДЗАДАЧИ КОМПЛЕКСНОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ МЕДИКО-САНИТАРНОЙ ЧАСТИ Разработка интегрированной информационной системы базируется на использовании единой базы данных, в основу которой положено понятие еди ной электронной карты пациента, призванной заменить стандартную бумажную амбулаторную карточку. Всесторонний учет деятельности МСЧ, отраженный в такой базе данных, предоставляет более эффективные и удобные средства хра нения и использования информации, а также возможность оценить экономиче скую сторону деятельности и ее лечебно-профилактическую эффективность.

Применение единого информационного подхода поможет свести воедино года ми накопленную информацию о работе МСЧ, разрозненную в силу того, что каждое подразделение вело собственный учет, использую свои формы пред ставления данных, при минимальной взаимосвязи с другими подразделениями.

По результатам проведенных исследований функционирования и взаимо действия всех подразделений МСЧ была разработана структура базы данных, обеспечивающая необходимую информативность при минимальной избыточ ности данных. Большая часть информации сгруппирована в тематические спра вочники, с установленными взаимосвязями, отражающими особенности струк туры МСЧ промышленного предприятия. В нескольких основных таблицах в единой форме ведется полный учет деятельности лечебного учреждения, без возможности изменения уже внесенных данных, что обусловлено требования ми, предъявляемыми к медицинской практике, при этом наличие соответст вующих взаимосвязей в структуре базы данных позволяет однозначно опреде лять конкретного работника МСЧ, внесшего те или иные данные.

Для сбора первичной информации по пациентам разработано рабочее ме сто медицинского регистратора. Программный продукт представляет собой ба зовый элемент подсистемы регистрации и учета контингента больных. Это графический интерфейс для внесения в базу данных основных «атрибутов» па циентов МСЧ, снабженный функциями отображения справочной информации, характерной для функционирования обычной регистратуры медицинского уч реждения. Предусмотрена возможность контроля ведения больничных листов и система записи пациентов на прием к врачам и на оказание различных платных услуг. Реализовано простейшее формирование очереди с фиксированным вре менем на каждого пациента, осуществляемое оператором.

Как пример подсистемы приема пациента разработано рабочее место вра ча-терапевта, являющееся в то же время основой для дальнейшего создания ра бочих мест врачей других специальностей, с учетом конкретных особенностей.

Исключением из ряда таких схожих систем составляют рабочие места офталь молога и дантиста, чья деятельность плохо укладывается в рамки стандартного «протоколирования» приема пациента. Проработан графический интерфейс, учитывающий основные функции (занесение результатов приема, просмотр ис тории посещений, заключений врачей других специальностей, занесение ин формации по больничным листам, учет профилактических осмотров, направле ние на анализы). Здесь также может применяться планирование очереди после дующего приема пациентов.

Фактически мы здесь имеем очереди на обслуживание пациентов (от кон сультаций врачей до проведения анализов или инструментальных исследова ний). Оптимальное балансирование потоков пациентов и мощности медицин ского учреждения – одна из задач управления региональной системой здраво охранения в условиях ограниченных ресурсов [1]. При рассмотрении МСЧ как СМО исходные данные позволяют определить вероятность простоя по каждому виду обслуживания и вероятность полной нагрузки. Исходя из этого можно вы брать рациональный вариант, обеспечивающий согласованность потока паци ентов, количество специалистов и единиц оборудования. Здесь большую роль играет вопрос о перспективном прогнозировании, основу которого составляют статистические данные, хранящиеся в интегрированной базе данных. Теорети чески, применение прогнозирование может облегчить планирование и оптими зировать нагрузку не только подразделений МСЧ, но и каждого рабочего места, каждого элемента обслуживания, т.е. в перспективе построение прогноза в ка ждом автоматизированном рабочем месте (АРМе).

При построении прогноза мы имеем возможность выделить управляемые потоки пациентов (плановые осмотры, различные врачебные комиссии и т.п.) и случайные обращения. Возможно, при наличии более подробной информации имеет смысл разделение обозначенных потоков по смысловым группам (работ ники предприятия, платные пациенты, различные льготные группы), которым могут быть присущи некоторые свои особенности. Мы же рассматриваем раз деление потоков пациентов по структурным подразделениям медицинского уч реждения:

· по каждой врачебной специальности;

· по отделениям стационара;

· по различным лабораториям.

При этом следует учесть следующие особенности оптимизации деятель ности медицинских систем массового обслуживания:

· множественность, а зачастую и противоречивость критериев оптимиза ции;

· нерегулярность обращений и невозможность точного предсказания всех потоков пациентов;

· отсутствие однозначных оценок состояния системы и управляющих воздействий [2].

Поскольку прогнозирование никогда не сможет полностью уничтожить риск при принятии решений, необходимо явно определять неточность прогноза.

Обычно, принимаемое решение определяется результатами прогноза (при этом предполагается, что прогноз правильный) с учетом возможной ошибки прогно зирования. Сказанное выше предполагает, что прогнозирующая система долж на обеспечивать определение ошибки прогнозирования, также как и само про гнозирование. Такой подход значительно снижает риск объективно связанный с процессом принятия решений. Необходимо отметить, что прогнозирование это не конечная цель. Прогнозирующая система - это часть большой системы управления и как подсистема, она взаимодействует с другими компонентами системы, играя немалую роль в получаемом результате.

В силу перечисленных факторов традиционные методы экстраполяции, например, линейное предсказание, оказываются малоэффективными: дают не высокую точность и короткий период прогнозирования. Поэтому выбран, как нам кажется, адекватный инструмент, учитывающий свойства задачи, - исполь зование нейронных сетей. Конечно, любой прогноз получается ошибочным, но ошибка зависит от используемой прогнозирующей системы. Предоставляя про гнозу больше ресурсов, можно увеличить точность прогноза и уменьшить убытки, связанные с неопределенностью при принятии решений. Здесь стоит упомянуть, что при достаточном количестве ресурсов и традиционные методы дадут высокую точность прогноза (может быть даже лучше, чем при использо вании нейронных сетей), плюс отсутствие формализованных методов выбора структуры и алгоритма настройки (обучения) нейронной сети – все это говорит не в пользу последних. Однако мы получаем систему, которая будет продол жать настраиваться и в процессе функционирования, а при удачно выбранной начальной структуре сети и подходящем алгоритме обучения можно добиться большей скорости работы при меньших затратах ресурсов по сравнению с тра диционными методами. К достоинствам нейронных сетей можно отнести спо собность показывать хорошие результаты на зашумленных данных (особенно это актуально в нашем случае, когда вся статистическая информация МСЧ ве лась на бумаге и часть данных была утеряна, либо вообще не учтена в силу че ловеческих факторов).

Итак, требуется построить нейронную сеть, которая бы наилучшим обра зом решала задачу прогнозирования. Постановка задачи формируется так:

1. Определение желаемого выходного сигнала (в некоторый момент вре мени) – т.е. прогнозируемый поток пациентов на 12 месяцев вперед;

2. Входной сигнал (в тот же момент времени). Из того что дано и с уче том желаемого выходного сигнала определяется входной сигнал сети.

3. Выходной сигнал (в тот же момент времени). На основании желаемого выходного сигнала определяется действительный выходной сигнал – он пред ставляет собой вектор той же размерности, что и желаемый выходной сигнал.

4. Ошибка решения (в тот момент времени). Ошибка решения определя ется, как правило, как разность желаемого и действительного выходного сигна лов.

5. Функция активации. За функцию активации желательно принять неко торую нелинейную функцию активации.

6. Структура нейронной сети. Вышеуказанных параметров достаточно чтобы перейти к написанию формул, описывающих структуру сети.

7. Функционал оптимизации. Исходя из постановки задачи и определен ных ранее ошибки решения и структуры сети переходим к написанию функ ционала оптимизации.

8. Метод поиска экстремума функционала оптимизации. Определяем ме тод поиска экстремума функционала оптимизации.

9. Выбор начальных значений весов. Исходя из условий задачи и вида функции активации определяем способ выбора начальных условий (начальных значений весов). В случае когда никаких предположений о начальных значений весов нет, их выбирают случайным образом из некоторого интервала [3].

В первую очередь, необходимо отметить, что перед тем как начать трени ровать искусственную нейронную сеть (ИНС), входную информацию необхо димо должным образом подготовить, т.е. в качестве входов и выходов нейросе ти не следует выбирать само количество обращений в МСЧ. Каждый набор входных переменных обучающего, тестового и рабочего множеств, составляю щих «образ», должен обладать свойством инвариантности. Выходные сигналы, формирующиеся на выходах скрытых и выходных нейронов и подающиеся на выходы нейронов следующих слоев, лежат в интервале их активационных функций. Таким образом, и входные сигналы должны также лежать в интервале активационных функций нейронов 1-го скрытого слоя.

Рассмотрим простейший способ формирования входных образов для обу чения ИНС. Основным понятием при работе с рассматриваемым видом входной информации является «окно» («глубина погружения»), т.е. то количество пе риодов времени, которое попадает в «образ», формируемый на входе сети.

Суть метода формирования входных образов заключается в следующем.

Предположим, что данные каждого из образов лежат в диапазоне [Min..Max], тогда наиболее простым способом нормирования будет (x – Min)/(Max – Min).

Таким образом, при любом количестве обращений гарантируется инвариант ность преобразования входной записи.

При выборе набора входных данных из имеющихся следует выделить максимальное число информативных признаков, влияющих на желаемый вы ходной сигнал (оптимальная величина интервала наблюдения, артефакты);

уст ранение несущественных признаков, которые в принципе влияют на желаемый выходной сигнал, но скорее будут давать только лишний шум, и нейронная сеть может обойтись и без них (например, номер месяца, в принципе влияет на ко личество звонков, но поскольку нейронная сеть сама способна обучиться цик личности входного сигнала, то этот признак лучше выбросить;

устранить редко встречающиеся признаки.

Для построения нейронных сетей и их моделирования нами была выбрана математическая среда MathLab с применением пакетов расширения SimuLink и Neural Networks. Данная система вобрала в себя не только передовой опыт раз вития и компьютерной реализации численных методов, накопленный за по следние три десятилетия, но и весь опыт становления математики за всю по следнюю историю человечества [4]. Привлекает возможность последующего использования разработанных в этой системе программ в других приложениях.

Мы просто выбираем удовлетворяющую нас структуру нейронной сети из нескольких уже определенных вариантов, активационную функцию, выбираем алгоритм обучения (простейшие сети могут быть сформированы всего одной командой) и испытываем на заранее подготовленных наборах данных. Полу ченные результаты выводятся как в виде различных графиков или гистограмм, так и в виде обычных таблиц. Удобная работа с матричной формой данных, с возможностью ввода из внешнего файла. Наряду с чисто математическими рас четами нейронных сетей использовались возможности пакета SimuLink для по строения моделей некоторых испытываемых нейронных сетей.

Список использованных источников 1. Петросян С.Л. Оптимизация управления региональным лечебно диагностическим комплексом на основе интеграции медицинских и компью терных технологий: Дис... доктора мед.наук, 05.13.09.-Воронеж,1998.

2. Заславский Е.Л. Оптимизация структурных компонентов функциони рования ЛПУ в условиях инновационных процессов медицинского обслужива ния: Дис... канд. техн. наук, 05.13.09. - Воpонеж, 2000.

3. Галушкин А.И., Томашевич Д.С., Томашевич Н.С., Муромский М.Ю., Шачнев Е.А. Нейросетевые алгоритмы экстраполяции функций и их примене ние в задачах прогнозирования работы Call-центров. М., 2000.

4. Дьяконов В., Круглов В. Математические пакеты расширения MathLab.

С-Пб.:Питер-пресс, 2001.

С.А.Олейникова ОПТИМИЗАЦИЯ СТРУКТУРЫ ВЫЧИСЛИТЕЛЬНОЙ СИСТЕМЫ С МНОГОФАЗНЫМИ ЗАДАЧАМИ 1. Постановка задачи В [1] рассматривалась постановка задачи оптимизации распределённой вычислительной системы. При решении данной задачи необходимо учитывать то, что изначально известны только интенсивности обслуживания, а интенсив ности входящих потоков будут зависеть от того, какие у нас будут маршруты.

Т.е. для решения задачи может потребоваться её обработка не на одном, а на нескольких обслуживающих комплексах, и при этом входные интенсивности будут зависеть от «маршрутов, по которым решается задача». Для нахождения входных интенсивностей, представим маршруты следующим образом.

Пусть имеются следующие потоки:

f1(t) – поток задач только на первый обслуживающий комплекс;

f2(t) – поток задач только на второй обслуживающий комплекс;

… fn(t) – поток задач только на n-й обслуживающий комплекс;

f12(t) – поток задач на первый и второй обслуживающий комплекс;

… f1n(t) – поток задач на первый и n-й обслуживающий комплекс;

… fn-1n(t) – поток задач на n-1-й и n-й обслуживающий комплекс;

… f12…n(t) – поток задач на все обслуживающие комплексы;

Пусть li – интенсивность i-го потока. Тогда если каждый поток – это пу ассоновский поток заявок, то интенсивности для каждого вида обследования можно определить, исходя из следующего факта [2]. Если входящий поток об разован слиянием К пуассоновских потоков с интенсивностями l1, l2,…,lК со ответственно, то общий поток также является пуассоновским с интенсивностью l=l1+l2+…+lК. Поэтому интенсивности входящих потоков для каждого вида обследования можно определить с.о. Пусть fi’(t) – это пуассоновский поток, об разованный всеми вышеперечисленными потоками, среди индексов которых встречается индекс i. Тогда сложив интенсивности всех потоков, из которых получился поток fi’(t), получим интенсивность потока для i–го обслуживающего комплекса. Т.о. без ограничения общности задачи можно сказать, что нам из вестны интенсивности входящих потоков и решать задачу с уже известными интенсивностями.

2. Решение задачи с известными интенсивностями Решим теперь задачу (6) [1] с известными интенсивностями входных по токов и интенсивностями обслуживания. Для этого найдем сначала дисперсию 1 N 2 1 N 1N 1N 2 1N D ( P ) = ( Pi - Pcp ) = Pi - Pcp = Pi - Pi = Pi 2 N N i =1 N i =1 N i =1 N i = i = 1 N 2 N 1 N N N N - 2 Pi + Pi Pj = 2 (n - 1) Pi - Pi Pj.

N i =1 N i =1 j =1 i =1 i =1 j = j i j i Для того, чтобы найти минимум этой функции (т.е. продифференциро вать её по каждой переменной Sk, а затем, приравняв соответствующие произ водные нулю, найти точки, подозрительные на экстремум), выделим отдельно в приведённой выше формулы все слагаемые, содержащие Pk (т.к. только Pk со держит переменную Sk).

1 N N N N D ( P ) = 2 (n - 1) Pi - Pi Pj = 2 ( N - 1) Pk2 + (n - 1) Pi 2 N N i =1 i =1 j =1 i = j i i k (1) N - 2 Pk Pj + f ( P1, P2,..., Pk -1, Pk +1,..., Pn ).

j = j k Вид последнего слагаемого в данном случае непринципиален, т.к. при дифференцировании по переменной Sk оно даст 0.

Для того чтобы рассматривать эту задачу как задачу на условный экстре мум, необходимо дифференцировать Pi. В частности, необходимо дифференци a ik Si ровать Si! и по переменной Si, чего сделать нельзя. Для возможности k! k = дифференцирования указанных выше выражений заменим их приближёнными функциями, которые являются дифференцированными. Для оценки Si! будем использовать формулу Cтирлинга [3] S Si i S i !» 2pS i, (2) e a ik Si - 1.

относительная погрешность которой не превосходит е есть не 12 n k! k = что иное как Si первых членов разложения экспоненты [3]. В силу того, что этот a ik k ® ® 0, оценим данную частич ряд является абсолютно сходящимся, и k!

ную сумму ряда экспонентой a ik Si »

ai. (3) е k!

k = С учётом полученных приближений выпишем новые вероятности Si Pi ( S ) =. (4) S Si i ( S i - a i )ea i a i + 2pS i e ai Si Формула (4) является пригодной для дифференцирования. Для вычисле ния необходимых производных вычислим сначала производную знаменателя Pk по Sk.

Si Si ai S i ai p Si a + 2pS e (Si - a i ) = e 2S a e ( S i - a i ) + i aie i i i S iSi (1 + ln S i )( S i - a i ) + S iSi (a i e ) i ln + 2pS i -S a e ( S i - a i ) + (a i e)Si i Si ai S i Si Si 1 = e 2pS i + 1 + ln S i - 1 - ln a i ( S i - a i ) + 1 = + a e a e 2S i i i Si 1 ai S Si 2pS i ( S i - a i ) + 1.

=e i 2S + ln a a e i i i Тогда Pi ( S i ) Si Si S i ai S i ai = a i + 2pS i a e e ( S i - a i ) - S i 2pS i a e e S i i i Si 1 S i ai Si : a i + 2pS i ( S i - a i ) + 1 a e e (Si - a i ) = 2S + ln a i i i S S i ai 1 i S e 1 - - ln i ( S i - a i ) - S i a i + 2pS i a e 2 ai i = Si a + 2pS S i ea i ( S - a ) i i i i aie S Si ln i -1 +a i Si + a i S a a i + 2pS i e - S i ln i ( S i - a i ) i ai.

= Si S i ai a + 2pS e (Si - a i ) i i aie С помощью полученной формулы найдем производную дисперсии по Si.

D( P ) N - 1 2Si = S i N2 Si a + 2pS S i eai ( S - a ) i i i i aie S Si ln i -1 +a i Si + a i S a a i + 2pS i e - S i ln i ( S i - a i ) i ai Si a + 2pS S i eai ( S - a ) i a e i i i i S Si ln i -1 +a i Si + a i S a a i + 2pS i e - S i ln i ( S i - a i ) i ai -2 Si a + 2pS S i eai ( S - a ) i a e i i i i Sj N = N2 j =1 Sj Sj aj j i e (S j - a j ) a j + 2pS j a e j S Si ln i -1 +a i Si + a i S a a i + 2pS i e - S i ln i ( S i - a i ) i ai 2 = N2 Si a + 2pS S i eai ( S - a ) i i i i aie Si ( N - 1) Si a + 2pS S i ea i ( S - a ) i a e i i i i Sj N - = N j =1 Sj Sj aj j i e (S j - a j ) a j + 2pS j a e j S Si ln i -1 +a i Si + a i S a a i + 2pS i e - S i ln i ( S i - a i ) i ai 2 (P - P ) = 0. (5) i cp Si a + 2pS S i eai ( S - a ) i a e i i i i Решив данное уравнение, найдём все точки Si, подозрительные на экстре мум (или то количество вычислительных компонент для каждого обслуживаю щего комплекса, при котором работа будет являться оптимальной с точки зре ния выбранного нами критерия).

Список использованных источников 1. Олейникова С.А. Постановка задачи оптимизации распределённой вы числительной системы и исследование различных вариантов её решения. Наст.

сб.

2. Клейнрок Л. Теория массового обслуживания. М., Машиностроение, 1979.

3. Фихтенгольц. Основы математического анализа. Том 2. М., Наука, 1968.

Д.И.Васильченко МОДЕЛИРОВАНИЕ И АНАЛИЗ ВЫЧИСЛИТЕЛЬНОЙ СЕТИ ПРЕДПРИЯТИЯ Создание компьютерной сети предприятия в первую очередь включает выбор оптимальной структуры вычислительной сети. Современные принципы построения компьютерных сетей передачи данных на основе технологий Ethernet и Fast Ethernet заключаются в использовании в качестве центральных объединяющих сетевых устройств коммутаторов и концентраторов.

Проектируемая вычислительная сеть предприятия должна обеспечивать информационный обмен сообщениями между основными функциональными подразделениями и цехами.

Наиболее распространенная типовая структура ЛВС подразделения имеет в своем составе выделенный файл-сервер, к которому в процессе работы посто янно происходит обращения от рабочих станций, входящих в состав ЛВС дан ного подразделения. Обмен сообщениями между рабочими станциями ЛВС разных подразделений осуществляется также через серверы этих подразделе ний. Поэтому построение локальной вычислительной сети подразделения про изводится независимо от функционального назначения подразделения. Весь информационный обмен в таких сетях протекает между рабочими станциями и сервером сети. Трафик сообщений непосредственно между рабочими станциям сети пренебрежимо мал, по сравнению с трафиком между сервером и рабочей станцией. Общая структурная схема типовой ЛВС подразделения изображена на рис. 1.

Рис. 1. Структура типовой локальной подсети (1- сервер-маршрутизатор, 2 - концентратор, 3..N-рабочие станции) В качестве объединяющего сетевого устройства в данной сети использо ван концентратор. Применение коммутатора в данном случае нецелесообразно, так как весь поток сообщений от рабочих станций направлен в один канал пе редачи данных соединяющий сервер и центральное сетевое устройство. При та ком распределении трафика передаваемых сообщений преимущества коммута тора не используются. А учитывая его более высокую стоимость по сравнению с концентратором и сложность в обслуживании, применение коммутатора в та кого типа сети становится экономически невыгодным.

Синтез оптимальной структуры сети передачи данных предприятия на ос нове метода обеспечения заданной вероятности своевременной доставки пред полагает выполнение следующей последовательности действий:

1. Построение возможных вариантов структур вычислительной сети предприятия на основе современных принципов построения сетей передачи данных и с учетом существующих ограничений на длины соединяющих кабе лей, на возможные места размещения центральных сетевых узлов и т.д. На рис.

2 изображен пример возможной структуры вычислительной сети конкретного предприятия.

2. Синтез математических моделей вариантов структур сети с использо ванием методов и подходов теории вероятности и теории массового обслужива ния. Результатом синтеза является математическая модель вычислительной се ти, представляющая сеть систем массового обслуживания (СМО). На рис. 3 по казана синтезированная модель вычислительной сети, изображенной на рис. 2.

3. Нахождение зависимости вероятности своевременной доставки сооб щений по сети от интенсивностей потоков сообщений, поступающих на вход каждой СМО модели сети передачи данных.

4. Выбор оптимальной структуры вычислительной сети предприятия на основе анализа найденных выше зависимостей.

Рис.2. Пример структуры вычислительной сети Рис. 3. Модель вычислительной сети В силу того, что при проектировании любой системы помимо технических критериев и ограничений всегда существуют критерии, связанные с минимиза цией стоимости разрабатываемого изделия или системы (в данном случае вы числительной сети), то результатом проектирования будет некий компромисс ный вариант структуры сети, имеющий технические характеристики хуже, чем оптимального варианта. Но материальные затраты на реализацию выбранного варианта будут значительно ниже, чем у оптимального.


Проведение исследования синтезированных моделей различных структур вычислительных сетей предполагает, что закон распределения вероятности по ступающих на входы СМО сообщений и закон распределения вероятности об служивания сообщений в СМО являются известными.

Практически во всех компьютерных сетях передача сообщения происхо дит независимо от передачи других сообщений, т.е. в процессе обмена отсутст вует последействие. Исключения составляют сети, в которых информационные пакеты передаются через строго определенные, наперед заданные интервалы времени, например вычислительная сеть АСУ ТП, на основе которой обеспечи вается формирование и выдача управляющих воздействий в соответствии с ал горитмом протекания технологического процесса.

Если рассматривать информационный трафик в некотором интервале времени, например в течение одного часа, то средняя интенсивность передачи сообщений в сети будет приблизительно одинакова во всем выбранном проме жутке времени. Учитывая это, можно считать, что поток передаваемых сообще ний будет обладать свойством стационарности.

Стек программных протоколов, реализующих сетевой обмен в вычисли тельных сетях Ethernet и Fast Ethernet не допускает в сети, образующей один домен коллизий, передачу в один и тот же момент времени более одного пакета данных. Это позволяет говорить об ординарности передаваемого потока дан ных.

Указанные выше рассуждения позволяют считать, что закон распределе ния вероятности поступления сообщения на вход СМО является пуассоновским.

Проведенные экспериментальных исследований в сетях передачи данных предприятий позволяют сделать вывод о характере закона плотности распреде ления вероятности обслуживания сообщений. На рис. 4 показан типовой гра фик, отображающий относительное количество сообщений в зависимости от их объема за некоторый интервал времени.

Рис.4. Распределение количества сообщений в зависимости от их размера:

L1, L2, L3, L4 – размеры сообщений (кБайт), f(t) – плотность распределения ве роятности.

В силу того, что скорость передачи информации по каналу передачи дан ных имеет постоянное значение для всех типов и размеров сообщений, то сле довательно, время обслуживания (время передачи по каналу связи) сообщения будет пропорционально размеру передаваемого сообщения. Распределение, показанное на графике можно без особой погрешности выровнять с помощью показательного закона, подобрав соответствующим образом его параметр [1].

Из выше сказанного следует, что закон распределения времени передачи (об служивания) сообщения по каналу связи при проведении расчетов и анализа СМО можно считать законом с показательным распределением плотности ве роятности.

Список использованных источников 1. Захаров Г.П. Методы исследования сетей передачи данных. М.: Радио и связь, 1982.

2. Кузин Л.Т. Основы кибернетики. М.: Энергия, 1979.

3. Олифер В.Г., Олифер Н.А. Компьютерные сети. Принципы, техноло гии, протоколы. СПб.: Питер, 2001.

4. Власов С.И. Коммутаторы Ethernet. // Сервисный центр. 2001. №8. с.

43-48.

А.С.Матасов РАЗРАБОТКА ЭКСПЕРТНОЙ СИСТЕМЫ ДИАГНОСТИКИ НЕВРОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ НА БАЗЕ НЕЧЕТКОЙ ЛОГИКИ Необходимость создания экспертных диагностических систем возникает в самых разных областях человеческой деятельности. Особенно актуальна их разработка в медицине. Эта область характеризуется высокой потребностью в системах точной классификации и обработки данных.

В последнее время особенно возрос интерес исследователей к нечетким экспертным системам. Как показывают практические результаты, такие систе мы являются прекрасной альтернативой системам на базе статистических мето дов, обеспечивая более качественную диагностику при уменьшении вычисли тельных затрат [1].

В статье представлены результаты разработки и изучения свойств при кладной экспертной системы диагностики неврологических заболеваний на ба зе нечеткой логики. Отличительным элементом этой системы является прело женный метод построения логических правил на основе информации из обу чающих выборок.

Нечеткие экспертные системы, как известно, базируются на механизме нечетких выводов, которые имеют в своей основе базу знаний, формируемых экспертом в предметной области, в виде предикатных правил [1]:

П1: если x1 есть A11, x2 есть A21, … xn есть An1 то y есть B П2: если x1 есть A12, x2 есть A22, … xn есть An2 то y есть B … Пk: если x1 есть A1k, x2 есть A2k, … xn есть Ank то y есть Bm где x - входные переменные, y – выходная, A, B - функции принадлежности, определенные для соответствующих x.

Таким образом, образом, процесс получения четкого результата можно рассматривать в виде:

B = A · R, (1) где · - операция свертки, R – причинное отношения предпосылки и заключения, отражающее знание эксперта.

Операция свертки может быть реализована в нечеткой логике различны ми методами, при этом может различаться и результат. Однако в любом алго ритме можно выделить несколько этапов [2].

1. Приведение к нечеткости или фазификация. На этом этапе определяет ся принадлежность значений входных переменных к заданным нечетким мно жествам. Принадлежность вычисляется по заранее заданным экспертом функ циям принадлежности.

2. Вычисление значения истинности для каждого правила. Это приводит к одному нечеткому подмножеству, которое формируется для каждой перемен ной вывода каждого правила. При этом в качестве операции логической сверт ки использовалась операция логического умножения (prod). Эта операция обес печивает масштабирование функции принадлежности вывода при помощи вы численной степени истинности логического правила.

3. Композиция. Все нечеткие подмножества, назначенные для каждой переменной вывода (во всех правилах) объединяются вместе для формирования одного нечеткого подмножества для каждой переменной вывода.

4. Последний этап – приведение к четкости (дефазификация). На послед нем этапе нечеткий набор выводов преобразуется в четкое число.

Для решения задачи был использован алгоритм нечеткого вывода Sugeno.

В соответствии с ним, значение выходных переменных ищется в виде:

b1=a11x1+a12x2+…+a1nxn b2=a21x1+a12x2+…+a1nxn (2) … bk=am1x1+a12x2+…+a1nxn где b – степень принадлежности наблюдения множеству выходных значений, a - степень принадлежности наблюдения по входным множествам. Четкое значе ние переменной выхода определяется центроидным методом как [3]:

n ai bi i = z= (3) n ai i = z – четкое значение выходной переменной, a определяется как где ai=Ai1(x1)Ai2(x2)…Ain(xn).

Теперь рассмотрим различные аспекты реализации системы. И одним из самых важных моментов на этапе проектирования системы является выбор функции принадлежности. Основная проблема заключается в том, что сложно выработать какие либо рекомендации по этому вопросу. Выбор всецело зави сит от особенностей системы и опыта разработчика. Однако постараемся про анализировать влияние вида функции на конечный результат. Функция принад лежности, как правило, является симметричной функцией, принимающей мак симальное значение, равное 1, в точке однозначной определенности результата.

К наиболее часто используемым в таких случаях функциям относят функцию треугольного вида и функцию Гаусса.

Оценка влияния вида функции принадлежности входной переменной на результат диагностики может быть определен по виду поверхности отклика экспертной системы. Визуально это можно оценить в пространстве одной или двух входных переменных. На рис. 1 представлена поверхность отклика экспе риментальной экспертной системы в случае двух переменных. Зоны поверхно сти (плато) соответствующие z=0 есть класс 1, z=1 есть класс 2. Переход между ними соответствовал неоднозначным диагнозам. В случае треугольного вида функций принадлежности переход между классами скачкообразный и наблюда ется четко выраженная зона неопределенности z=0.5 (рис. 1, а). В случае функ ции Гаусса переход между классами относительно плавный, без промежуточ ных состояний (рис. 1, б).

Рис. 1. Вид поверхностей отклика в случае треугольных (а) функций при надлежности входных переменных и функций Гаусса (б) Для решения данной задачи предпочтение было отдано плавному перехо ду между классами, и в качестве функций принадлежности входных перемен ных были выбраны функции Гаусса.

Следующим и очень важным этапом в построении экспертной системы является задание логических правил принятия решений. Эти правила должны быть определены экспертом при обучении системы. Как правило, их количест во конечно, и возможность ввода дополнительных правил не предусматривает ся. Однако в ряде случаев сформировать конечный список правил очень слож но. Обычно это связано с тем, что информация, с которой работает эксперт, ха рактеризуется множеством параметров, которые имеют примерно равную ин формативность, и расставить среди них приоритеты не представляется возмож ным. Такая информация обычно представляется в виде обучающей выборок – группы объектов, каждый их которых описывается вектором входных воздей ствий и для которого определена принадлежность к классу. Таким образом воз никает проблема использования обучающих выборок для построения логиче ских правил в экспертных система.

Для решения этой проблемы воспользуемся определенной аналогией [3].

Вектор параметров, описывающий наблюдений, по сути дела определяет от клик системы на определенную комбинацию входных воздействий. Эта комби нация в виде логического правила представляет собой связку «и». Таким обра зом, можно трактовать все вектора обучающей выборки как логические прави ла, определяющие поведение системы (состояние выходной переменной на оп ределенную комбинацию входных).


Однако сразу заметим, что использование набора логических правил, по лученных непосредственно по данным из обучающей выборки нецелесообразно и нерационально. Это объясняется тем, что количество наблюдений в обучаю щей выборке может быть очень велико. Полученный в таком случае набор пра вил можно минимизировать (выполнить свертку) за счет перехода от базиса «и»

нескольких правил к базису «и-или» одного правила. Кроме того, велика веро ятность наличия избыточности информации в обучающей выборке, когда одна и та же комбинация входных переменных (признаков) присутствует в несколь ко раз. Как правило, эксперт, предоставляя разработчику экспертной системы такую информацию, не может исключить идентичные наблюдения, так как с его точки зрения они относятся к разным объектам. Такие наблюдения должны быть исключены при формировании логических правил.

Рассмотрим алгоритм свертки логических правил, предложенный в раз работанной системе. На самом деле он предельно прост и интуитивно понятен.

Если два наблюдения относятся к одному и тому же классу, при этом они раз личаются лишь значением одного признака, то такие правила могут быть свер нуты из формы «и» в одно правило формы «и-или». Примет такой свертки:

Форма «и»:

если x1 есть A11, x2 есть A12 то y есть B если x1 есть A21, x2 есть A12 то y есть B Форма «и-или»:

если x1 есть (A11 или A21) и x2 есть A21 то y есть B Таким образом значительно сокращается количество логических правил в системе, что ведет к снижению затрат на оперативную память и увеличивает скорость вычислений при работе модели.

На основе приведенной методики сформулируем алгоритм свертки логи ческих правил. Следует заметить, что алгоритм предусматривает последова тельное добавление правил в систему и, следовательно, последовательное обу чение.

Шаг S1. Для нового наблюдения из обучающей выборки проверить нали чие в системе правила, соответствующее значения его выходной и входных пе ременных. Если такое правило в системе существует – добавление не произво дить и алгоритм завершается.

Шаг S2. Произвести поиск правила, которое может быть расширенно за счет данных из добавляемого наблюдения. Если такое правило не найдено – пе рейти к шагу S4.

Шаг S3. Расширить найденное в результате поиска правило за счет ин формации из нового наблюдения по описанному выше принципу и завершить алгоритм.

Шаг S4. Этот шаг выполняется, если не найдено правило, которое может быть расширено. В таком случает добавить в систему новое право в соответст вии с информацией из наблюдения.

В заключении можно отметить, что результатом этих исследований яви лась отработка методики создания систем классификации на основе нечеткой логики и разработка на ее основе диагностической системы неврологических заболеваний. Практические исследования проводились на обучающей выборке объемом 91 наблюдения по 13 признакам на 4 диагноза. В настоящий момент ведутся исследования влияния на результат диагностики других параметров системы, а именно: применение различных типов логических операция на эта пах обработки логических правил и композиции, различные методы приведения к четкости (дефазификации). Однако, полученные на современном этапе ре зультаты позволяют говорить о перспективности использования алгоритмов нечеткой логики для построения систем классификации.

Список использованных источников 1. Круглов В. В., Дли М. И., Голунов Р. Ю. Нечеткая логика и искусст венные нейронные сети: учеб. пособие. - М.: Издательство физико математической литературы, 2001.

2. Алтунин А. Е., Семухин М. В. Модели и алгоритмы принятия решений в нечетких условиях. - Тюмень: Издательство Тюменского государственного университета, 2000.

3. Борисов А. Н., Крумборг О. А., Федоров И. П. Принятие решений на основе нечетких моделей: примеры использования. – Рига: Зинатне, 1990.

Н.И.Гребенникова, В.Ф.Барабанов АВТОМАТИЗАЦИЯ ПРОЦЕССА РАСЧЕТА КОЛИЧЕСТВЕННОГО БАЛАНСА И ТЕХНИКО-ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ ТЕХНОЛОГИЧЕСКОГО ПРОЕКТА Расчет количественного баланса и технико-экономических показателей занимает значительную часть времени при выполнении технологических про ектов, т.к. этот трудоемкий процесс производится вручную. Предлагается метод автоматизированного расчета количественного баланса и расчета технико экономических показателей для предприятий зерноперерабатывающей про мышленности.

Особенностью предлагаемого алгоритма является то, что расчеты ведутся непосредственно с технологической схемы, представленной в привычной для технолога графической форме.

Подготовка технологической схемы может вестись тремя вариантами: с помощью условных графических обозначений, с помощью структурных эле ментов с дальнейшим раскрытием в графические модели и непосредственно с помощью графических моделей. Одновременно заполняется таблица связей, в соответствии с которой графические модели соединяются между собой. Это по зволяет гораздо быстрее и качественнее разработать технологическую схему (рис.1).

Рис.1. Технологическая схема, полученная с использованием графических моделей Необходимо прежде всего построить граф для технологической схемы, представляющий известные связи, т.е. отношение обязательного предшество вания. Ориентированный граф является естественным средством для описания и анализа сложных технологических схем, требующих выполнения большого числа взаимосвязанных операций. Каждая графическая модель в технологиче ской схеме – вершина, а каждая связь – ребро графа (рис.2).

Заметим, что по своей природе граф, представляющий процесс выполне ния операций является ациклическим, т.е. он не должен содержать циклов. На личие циклов создало бы невозможную ситуацию, в которой ни одна из опера ций, входящих в цикл, не могла бы начаться первой, т.к. ее начало зависело бы от выполнения другой операции в цикле.

Рис.2. Граф технологической схемы Если в технологической схеме содержится цикл, то, используя отношение строгого порядка в связном графе без циклов, следует исключить из рассмотре ния одну дугу, являющуюся последней дугой в цикле. С технологической точки зрения, следует исключить дугу, которая завершает операцию в цикле, т.е., по которой идет возврат продукта на технологическую систему для доработки, с которой он вышел изначально. Отбрасывая дугу, мы получим граф без циклов.

Для определения последовательности расчета количественного баланса и технико-экономических показателей, связный граф без циклов разбивается на уровни. Для этого использовался метод, предложенный М.Демукроном.

На основании утверждения «если операция имеет начальное событие в виде вершины, то она не может быть начата до тех пор, пока все операции за канчивающиеся в ней не будут выполнены» на каждом этапе вычислений по следовательно исключаются вершины и дуги, выходящие из них. Это приводит к тому, что образуются уровни (рис.3), при этом порядок всех вершин удовле творяет всем условиям предшествования, определяемым дугами графа.

Уровень может содержать несколько вершин. Порядок вершин внутри одного и того же слоя безразличен, т.е. эти вершины не соединены между собой дугами. В соответствии с полученным разбиением технологической схемы на уровни производится расчет количественного баланса и технико экономических параметров.

Рис. 3. Представление технологической схемы по уровням для расчета количественного баланса и технико-экономических показателей Для каждой графической модели разработаны математические зависимо сти, позволяющие произвести автоматизированный расчет количественного баланса, показателей эффективности, потребляемой мощности, экономических показателей для блока в целом. При составлении математических зависимостей учитываются особенности каждой графической модели, количество поступаю щего на машину и выходящего из нее продукта.

Данные балансовых соотношений используют для расчета и подбора не обходимого технологического и транспортного оборудования, а также бункеров для зерна, готовой продукции и отходов.

Итак, можно произвести расчет всей технологической схемы в целом, рассчитать затраты электроэнергии и экономические показатели, т.е. рассчитать стоимость всего технологического проекта.

В.В.Панявин ТЕНДЕНЦИЯ РАЗВИТИЯ БЫСТРОДЕЙСТВИЯ СТАТИЧЕСКИХ ОЗУ Статическая память, построенная, как и процессор, на триггерных ячей ках, соизмерима по быстродействию с современными процессорами. Совре менная технология изготовления чипов (на данный момент в процессорах Pentium 4 она составляет уже 0,13 мкм) позволяет работать им на частотах 2,4 ГГц. Данное обстоятельство обуславливает резкий рост быстродействия статической памяти. Для разработчиков алгоритмов и аппаратных средств функционального тестирования статических ОЗУ необходимо четко представ лять временные характеристики современных микросхем статических ОЗУ.

Быстродействие памяти определяется временем выполнения операций за писи или считывания данных. Основными параметрами любых элементов па мяти является минимальное время доступа и длительность цикла обращения.

Время доступа (access time) определяется как задержка появления действитель ных данных на выходе памяти относительно начала цикла чтения. Длитель ность цикла определяется как минимальный период следующих друг за другом обращений к памяти, причем циклы чтения и записи могут требовать различ ных затрат времени [1].

Статическая память — SRAM (Static Random Access Memory), как и сле дует из ее названия, способна хранить информацию в статическом режиме — то есть сколь угодно долго при отсутствии обращений (но при наличии питающе го напряжения). Ячейки статической памяти реализуются на триггерах — эле ментах с двумя устойчивыми состояниями.

По сравнению с динамической па мятью эти ячейки более сложные и занимают больше места на кристалле (тре буется шесть транзисторов на ячейку, то есть микросхема емкостью Мбит состояла бы из более чем 24 миллионов транзисторов [1]), однако они проще в управлении и не требуют регенерации. Быстродействие и энергопот ребление статической памяти определяется технологией изготовления и схемо техникой запоминающих ячеек. Самая экономичная КМОП память (CMOS Memory) имеет время доступа более 100 наносекунд, но зато пригодна для дли тельного хранения информации при питании от маломощной батареи, что и применяется в памяти конфигурации PC. Самая быстродействующая статичес кая память имеет время доступа в несколько наносекунд, что позволяет ей рабо тать на частоте системной шины процессора, не требуя от него тактов ожида ния. Типовой объем памяти современных микросхем SRAM достигает Мбит. Относительно высокая удельная стоимость хранения информации и энергопотребление при низкой плотности упаковки не позволяют использовать SRAM в качестве основной памяти компьютеров. В PC микросхемы SRAM в основном используются для построения внешнего (L2) кэша основной памяти.

На данный момент существуют следующие разновидности статической памяти:

Async SRAM, Sync Burst SRAM и Pipelined Burst SRAM [2].

Async SRAM — обычная (стандартная) асинхронная статическая память (Standard или Asynchronous SRAM). Этот тип подразумевается под термином SRAM по умолчанию, когда тип памяти не указан (до недавних пор ему и не было альтернативы).

Теперь необходимо привести характеристики быстродействия некоторых старых статических ОЗУ, взятых из [3] и [4] (табл. 1).

Таблица Микросхе- Технология изготовле- Время доступа ТАС, ма ния нс К185РУ4 биполярные структуры К134РУ6А биполярные структуры К505РУ4 р-МОП структуры К505РУ6 n-МОП структуры К564РУ2 КМОП структуры Данные, приведенные в табл. 1, необходимы для сравнения с быстродей ствием современных статических ОЗУ, которые будут приведены ниже.

Микросхемы типа Async SRAM имеют простейший асинхронный интер фейс, включающий шину адреса, шину данных и сигналы управления CS#, OE# и WE# [2]. Микросхема выбирается низким уровнем сигнала CS# (Chip select), низкий уровень сигнала ОЕ# (Output Enable) открывает выходные буферы для считывания данных, WE# (Write Enable) низким уровнем разрешает запись.

Временные диаграммы циклов обращения приведены на рис. 1. При операции записи управление выходными буферами может производиться как сигналом ОЕ# (цикл 1), так и сигналом WE# (цикл 2). Для удобства объединения микро схем внутренний сигнал CS# может собираться по схеме «И» из нескольких внешних, например, CS0#, CS1 и CS2# — в таком случае микросхема будет вы брана при сочетании логических сигналов 0, 1, 0 на соответствующих входах.

Время доступа — задержка появления действительных данных на выходе относительно момента установления адреса — у стандартных микросхем SRAM составляет 12, 15 или 20 наносекунд, что позволяет процессору выпол нять пакетный цикл чтения 2-1-1-1 (то есть без тактов ожидания) на частоте системной шины до 33 МГц. На более высоких частотах цикл будет не лучше 3 2-2-2 [2].

Рис. 1. Временные диаграммы чтения и записи асинхронной статической памяти Sync Burst SRAM — синхронная статическая память, оптимизированная под выполнение пакетных (burst) операций обмена, свойственных работе кэш памяти. В ее структуру введен внутренний двухбитный счетчик адреса. В до полнение к сигналам, используемым асинхронной памятью (адрес, данные, CS#, OE# и WE#), память использует сигнал CLC (Clock) для синхронизации с системной шиной и сигналы управления пакетным циклом ADSP#, CADS# и ADV#. Сигналы CADS# (Cache ADdress Strobe) и ADSP# (ADdress Status of Processor), которыми процессор или кэш-контроллер отмечает фазу адреса оче редного цикла, являются стробами записи начального адреса цикла во внутрен ний регистр адреса. Любой из этих сигналов инициирует цикл обращения, оди ночный (single) или пакетный (burst), а сигнал ADV# (ADVance) используется для перехода к следующему адресу пакетного цикла. Все сигналы, кроме управления выходными буферами ОЕ#, синхронизируются по положительному перепаду сигнала CLK. Это означает, что значение входных сигналов должно установиться до перепада и удерживаться после него еще некоторое время. Вы ходные данные при считывании будут также действительны во время этого пе репада. На рис. 2 приведены диаграммы нескольких вариантов циклов чтения синхронной статической памяти. Обратим внимание, что двухбитный счетчик адреса не позволяет перейти границу четырехэлементного пакетного цикла.

Кроме того, порядок счета адресов внутри пакетного цикла соответствует спе цифическому порядку (interleaved), принятому в процессорах i486 и старше.

Микросхемы синхронной статической памяти, как и SDRAM, обычно имеют сигнал, выбирающий режим счета адреса: чередование (для процессоров Intel) или последовательный счет (для Power PC) [2].

Синхронный интерфейс с таким набором сигналов позволяет памяти уз навать о намерениях процессора раньше и при задержке данных на выходе SRAM относительно синхронизирующего перепада ТKQ (Clock-to-Output Access Time) 8,5, 10 и 13,5 нc обеспечивать цикл 2-1-1-1 на частотах 66, 60 и 50 МГц соответственно. Однако на частотах 75 МГц и выше цикл будет 3-2-2-2.

РВ SRAM (Pipelined Burst SRAM) — конвейерное усовершенствование синхронной памяти. Конвейером является дополнительный внутренний регистр данных, который, требуя дополнительного такта в первой пересылке цикла, по зволяет остальные данные получать без тактов ожидания даже на частотах вы ше 75 МГц. Задержка данных относительно синхронизирующего перепада у со временных микросхем РВ SRAM составляет 4,5-8 нc. Но, как и в случае Sync Burst SRAM, этот параметр не является временем доступа в чистом виде (не следует забывать о двух-трех тактах в первой передаче), а отражает появление действительных данных относительно очередного перепада сигнала синхрони зации. Интерфейс РВ SRAM аналогичен интерфейсу Sync Burst SRAM.

Рис. 2. Временные диаграммы чтения синхронной статической памяти В табл. 2 приведены характеристики быстродействия современных стати ческих ОЗУ.

Таблица Частота Async SRAM Sync Burst SRAM PB SRAM шины, Цикл ТАС, нс Цикл ТKQ, нс Цикл ТKC, нс МГц 33 2-1-1-1 15 2-1-1-1 - 3-1-1-1 50 3-2-2-2 20 2-1-1-1 13,5 3-1-1-1 60 3-2-2-2 17 2-1-1-1 10 3-1-1-1 66 3-2-2-2 15 2-1-1-1 8,5 3-1-1-1 75 - - 3-2-2-2 - 3-1-1-1 83 - - 3-2-2-2 - 3-1-1-1 100 - - 3-2-2-2 - 3-1-1-1 133 - - 3-2-2-2 - 3-1-1-1 7, Для различных типов памяти быстродействие указывается различными способами:

ТАС – время доступа;

ТKQ – задержка данных относительно синхронизирующего перепада;

ТKC – минимальный период тактовых импульсов [2].

Итак, современные интегральные схемы и блоки статических ОЗУ имеют очень высокое быстродействие (время доступа – несколько наносекунд). Это усложняет задачи входного контроля (у потребителя). Потребитель приобретает ОЗУ как готовые изделия, специфика внутреннего устройства которых не имеет значения. Для потребителя ОЗУ важно лишь, чтобы приобретаемые микросхе мы и блоки ОЗУ надежно выполняли свои функции – запись, чтение и хранение двоичной информации, а так же обладали требуемым быстродействием. Есте ственно, выгоден тот поставщик, изделия которого имеют лучшие показатели «стоимость – достоверность функционирования», при этом достоверность функционирования ОЗУ должна определятся на основе некоторого универсаль ного (или стандартного) теста, инвариантного к внутренней архитектуре ОЗУ и его информационному объему. Данное обстоятельство и требует поиска таких алгоритмов функционального тестирования, которые могли бы формироваться на рабочих частотах ОЗУ и проводить их контроль за приемлемое для практики время (то есть при минимальном количестве контрольно-диагностических ин формационных массивов).

Данный вопрос возможно разрешить, если при решении задачи разработ ки быстродействующих и эффективных алгоритмов функционального тестиро вания многоразрядных статических ОЗУ использовать информационный под ход к анализу и синтезу контрольно-диагностических информационных масси вов. Суть данного подхода состоит в следующем:

1) исключаются из рассмотрения конкретные виды физических неисправ ностей ОЗУ;

2) структура контрольно-диагностического информационного массива в ОЗУ должна быть такой, что бы обладала максимальной энтропией;

3) определение и сравнение величин энтропий контрольно диагностических информационных массивов трактуется как абсолютная и от носительная эффективность рассматриваемого теста.

Список использованных источников 1. Самохин С. История памяти. Технологии недавнего прошлого и совре менные решения // Компьютер пресс. – 2000. – №1. – С. 22-26.

2. Гук М. Аппаратные средства IBM PC. Энциклопедия. СПб: Питер, 2001.

3. Полупроводниковые запоминающие устройства и их применение/ Под ред. А.Ю.Гордонова. М.: Радио и связь, 1981.

4. Полупроводниковые БИС запоминающих устройств: Справочник/ Под ред. А.Ю.Гордонова и Ю.Н.Дьякова. М.: Радио и связь, 1986.

Е.А.Солдатов, А.С.Гусева РЕГУЛИРОВАНИЕ ТЕМПЕРАТУРНОГО РЕЖИМА ПРОЦЕССА ГЛАВНОГО БРОЖЕНИЯ СУСЛА Спиртовое брожение сахаров сусла под действием ферментов дрожжей является основным процессом в производстве пива.

Главными факторами, влияющими на брожение, являются применяемые расы дрожжей и температура брожения. Основные технологические процессы при главном брожении: предварительное брожение (не обязательно);

наполне ние бродильных аппаратов суслом;

введение в сусло дрожжей (если отсутство вал процесс предварительного брожения);

сбраживание сусла;

перекачивание молодого пива на дображивание и отъем дрожжей.

Предварительное брожение применяют для ускорения сбраживания сусла и получения однородного качества пива.



Pages:     | 1 | 2 || 4 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.