CC BY
74
11. Nystrom R. Component [Электронный ресурс] // Game Programming Patterns. URL: http://game-programmingpatterns.com/component.html (дата обращения: 12.11.2015).
12. Schulte zu Berge C., Grunau A., Mahmud H., Navab N. CAMPVis - A game engine-inspired research framework for medical imaging and visualization [Online]// Technical report 2014, Chair for Computer Aided Medical Procedures, Technische Universität München, Munich, Germany, 7 p. URL: http://cam-par.in.tum.de/Main/CAMPVis ( дата обращения 12.11.2015)
13. Минаев А.А., Иващенко А.В. Мультиагентные технологии сбора и обработки информации в задачах медицинской диагностики // в сб. трудов Международного симпозиума «Надежность и качество - 2014» / под ред. Н.К. Юркова. - Пенза: Изд-во ПГУ, 2014. - 1 т. - с. 49 - 51
14. Иващенко А.В., Федосов А.В. Имитационное моделирование в задачах игротехники // в сб. трудов Международного симпозиума «Надежность и качество - 2014» / под ред. Н.К. Юркова. - Пенза: Изд-во ПГУ, 2014. - 1 т. - с. 187 - 188
УДК 004.4
Жуков Н.С., Папшев В.А.
ФГБОУ ВО «Самарский государственный технический университет», Самара, Россия
АЛГОРИТМ ПОСТРОЕНИЯ ГОРОДСКИХ ТУРИСТИЧЕСКИХ ПЕШЕХОДНЫХ МАРШРУТОВ
В статье определены критерии и способ построения оптимального туристического маршрута. Предложен алгоритм построения маршрута на основе решения задачи коммивояжера. Ключевые слова:
алгоритм, критерии оптимальности, туристический маршрут
Решение задачи построения городских туристических пешеходных маршрутов на практике невозможно без использования информационных технологий и моделирования транспортных процессов [1,2]. Следует отметить, что сложность построения маршрутов для современных туристов заключается в том, что каждому нужно предоставить уникальный маршрут по наиболее интересным для него местам, при этом маршрут должен быть оптимален, безопасен и доступен. Задача формирования оптимального туристического пешеходного маршрута заключается в следующем. Маршрут должен проходить через все предоставленные точки хотя бы один раза, а также, учитывать все критерии оценки маршрута (например, расстояние, время, стоимость поездки и др.). В связи с этим, в общем виде данную задачу можно классифицировать как задачу комбинаторной оптимизации, решением которой будет задача коммивояжёра в ее незамкнутом варианте. Задача коммивояжера является широко известной задачей оптимизации комбинаторного типа. Она формулируется следующим образом: дан полный взвешенный граф G(X,V) порядка п, где X = хп} - множество вершин; К^ХхХ - множество ребер, в нем необходимо найти Гамильтонов цикл, имеющий наименьший суммарный вес входящих в него ребер. Цикл в графе называется Гамильтоновым циклом, если он содержит все его ребра, причем каждое ребро один и только один раз [3]. При решении поставленной задачи были использованы генетические оптимизационные алгоритмы как наиболее хорошо исследованный и находящий широкое применение класс методов, сочетающих в себе элементы случайного поиска и эвристических подходов.
Формальное представление задачи коммивояжера [3] представим следующим образом:
GM =
í-1 j = 1
n
^Xy = 1,V/ = iü
^ mm
z
;=i
x¡, = 1, Vi = 1, n
щ< e {0,1}
где с^ вес ребра (¿,/)
Г1,в цикле есть переход из I в / { 0, перехода из I в / нет
Стоит отметить, что решение оптимизационных задач выполняется при помощи различных алгоритмов, в том числе алгоритмов дискретной оптимизации. Такой подход кроме известных преимуществ обладает рядом недостатков, которые представлены ниже [4]:
все алгоритмы, за исключением точных, часто ограничиваются локальными решениями, которые могут быть далеки от оптимальных, при этом затруднен выход из локальных оптимумов;
точные алгоритмы могут работать только с очень ограниченным количеством элементов, что для решения задач большой размерности является недостаточным;
в качестве исходного используется лишь один вариант решения;
методы весьма чувствительны к выбору начальных условий.
Эволюционное моделирование позволяет компенсировать указанные недостатки за счет того, что: в качестве начального решения используется популяция решений;
методы слабо чувствительны к выбору начальных условий;
благодаря специальным методам, предотвращающим преждевременную сходимость генетических алгоритмов и попадания в локальные оптимумы, эволюционные алгоритмы прекрасно работают в областях, имеющих множество локальных оптимумов;
скорость работы эволюционных методов приемлема в задачах большой размерности.
Генетические алгоритмы отличаются от обычных методов оптимизации, по крайней мере, следующими 4-мя признаками [5]:
работают с кодами множества варьируемых параметров, а не с самими параметрами;
осуществляют поиск решения исходя не из единственной точки, а из популяции точек;
используют только функции пригодности, а не её производные или какую-либо дополнительную информацию;
используют вероятностные, а не детерминированные правила выбора.
В рамках рассматриваемой задачи необходимо выделить количество бит в особи, необходимое для представления всех регулируемых параметров отдельного маршрута. Пронумеруем точки маршрута в исходном множестве X = {%,..., хп}. Из этого следует, что для представления позиции точки в маршруте требуется количество бит, необходимых для представления числа п. Для решения данной задачи разработан следующий алгоритм, первым этапом которого является генерация начальной популяции, состоящей из U особей. Далее устанавливаем точку отсчета поколений Г5 = 0. Вычисляем значение функции пригодности для каждой хромосомы в популяции, а затем средней приспособленность популяции. Устанавливаем точку отсчета поколений Г5 = Г5+1. Выбираем родительскую пару хромосом для оператора двухточечного кроссинго-вера. С заданной вероятностью производим над генотипами выбранных хромосом двухточечный крос-синговер. Последовательно к полученным потомкам применяем оператор мутации с заданной вероятностью. Отбираем из исходной популяции хромосому случайным образом, для её исключения. Обновляем
а
а
[ = 1
текущие позиции заменой отобранных хромосом на потомков, полученные в предыдущем шаге. Если Г5 = ^заданному, то конец работы, иначе - переход к шагу вычисления значения функции пригодности. По завершении работы алгоритма выбирается лучшая особь из полученной популяции. Одним из ключевых моментов работы алгоритма является вычисление функции пригодности для каждой особи в популяции. Рассмотрим этот этап более детально, так как он является не тривиальным для рассматриваемой задачи.
Согласно постановке задачи необходимо определить следующие данные:
перечень возможных точек маршрута; матрицы критериев оценки выгодности маршрута: квадратные матрицы, столбцы и строки которых представляют собой номера точек маршрута из исходного множества, в ячейках содержаться критерий выгодности маршрута (расстояние, время, стоимость поездки и др.).
Да
Конец
Рисунок 1 - Блок схема работы генетического алгоритма
Алгоритм расчета функции пригодности в рамках рассматриваемой задачи состоит из нескольких этапов:
Расчет позиции каждой точки в маршруте;
Сортировка точек согласно их позициям;
Расчет выгодности маршрута по каждому критерию согласно матрицам критериев оценки выгодности маршрута. Расчет производится по формуле: , где п - количество точек в маршруте, х - позиция точки в маршруте, ах._1х. - критерий выгодности маршрута от точки х,_1 до точки х,;
Расчет общей выгодности маршрута. Общая выгодность рассчитывается по формуле: , где п - количество критериев оценки маршрута.
На рисунке 1 представлена блок схема алгоритма.
]
Рисунок 2 - Фрагмент окна построения городского туристического маршрута
На рисунке 2 представлен фрагмент маршрута, построенного на основании критерия максимума исторических достопримечательностей на всем протяжении маршрута.
Таким образом, выбор генетического алгоритма для построения городских туристических маршрутов наиболее оптимален, как с точки зрения времени предоставления результата, так и возможности тонкой настройки функции пригодности.
ЛИТЕРАТУРА
1. Самсонов М.А., Папшев В.А. Решение задач организации и управления дорожным движением на основе информационных технологий / В мире научных открытий. 2010. № 4-10. С. 140-141.
2. Папшев В.А., Самсонов М.А., Чугунов И.А., Вельмезев Ф.Ф. Определение характеристик улично-дорожной сети и систематизация данных по интенсивности движения индивидуального и общественного транспорта г.о. Самара при построении имитационной модели транспортного процесса / Труды международного симпозиума Надежность и качество. 2013. Т. 1. С. 204-207.
3. Д.И. Батищев, Е.А. Неймарк, Н.В. Старостин Применение генетических алгоритмов к решению задач дискретной оптимизации Нижний Новгород 2007
4. Емельянов В.В. Теория и практика эволюционного моделирования / Емельянов В.В., Курейчик В.В., Курейчик В.М. - М.: Физматлит, 2003. - 430с.
5. Интеллектуальные системы управления. Теория и практика Васильев В.И., Ильясов Б.Г. Издательство: Радиотехника 2009 392c.
УДК: 623.746-519
Князьков А.В., Королев В.С., Кулапин В.И., Чайковский В.М,
ФГБОУ ВПО «Пензенский государственный университет», Пенза, Россия
СИСТЕМА МОНИТОРИНГА СОСТОЯНИЯ ЗДОРОВЬЯ ЧЕЛОВЕКА С ПЕРЕДАЧЕЙ СИГНАЛА ТРЕВОГИ
Предлагается система, предназначена для мониторинга состояния здоровья пожилых людей и беспроводной отправки уведомлений при критических показателях.
Ключевые слова:
мониторинг, состояние здоровья,
критические показатели, радиоканал.
Современный ритм жизни не всегда позволяет нам находиться рядом с близкими людьми преклонного возраста, имеющими целый ряд серьезных заболеваний. При этом, весьма вероятна возможность возникновения чрезвычайной ситуации, когда состояние здоровья близкого человека может резко ухудшиться. Жизненная практика показывает, что большой процент данных людей не в состоянии обратиться за посторонней, в том числе и медицинской, помощью. Очевидно, последнее вызывает необходимость в создании системы удаленного мониторинга, которая позволит постоянно, круглые сутки, быть в курсе состояния здоровья пожилых людей, отслеживать его на расстоянии, и своевременно получать оповещать о возникновении угрозы его состоянию здоровью.
В настоящее время одним из наиболее эффективных способов решения подобной задачи является применение систем постоянного ношения, а именно наручного браслета, постоянно контролирующего значения целого ряда жизненно важных параметров и в случае отклонения их от контрольных значений отправлять тревожный сигнал на центральный модуль. Следует отметить, что система, выполненная
в виде наручного браслета, находящемся на запястье руки человека, с одной стороны исключает возможность его снятия и случайную потерю, но с другой стороны накладывает ограничение на количество возможных, жизненно важных контролируемых параметров.
Одним из наиболее значимых параметров, по которому судят о состоянии здоровья человека следует считать пульс. Известно [1], что пульс -это ритмичное колебание стенок артерий, соответствующих ритму сокращения сердечной мышцы, поэтому их нормальная частота является критерием функционирования всей сердечнососудистой системы. По показателям пульса можно судить о силе и ритмичности сердцебиения. Так же важным фактором является частота сердцебиений (ЧСС). Каждому возрасту человека соответствует своё значение ЧСС, превышение которого свидетельствует о нездоровом состоянии.
Существует множество методов для измерения пульса [2], основными из которых являются электрокардиография и плетизмография. Электрокардиография - это оценка изменения интенсивности электрических полей, появляющихся при работе
