КУБАНСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ

ЛУЦЕНКО Евгений Вениаминович

АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ В УПРАВЛЕНИИ АКТИВНЫМИ ОБЪЕКТАМИ

(СИСТЕМНАЯ ТЕОРИЯ ИНФОРМАЦИИ И ЕЕ ПРИМЕНЕНИЕ
В ИССЛЕДОВАНИИ ЭКОНОМИЧЕСКИХ, СОЦИАЛЬНО-ПСИХОЛОГИЧЕСКИХ,
ТЕХНОЛОГИЧЕСКИХ И ОРГАНИЗАЦИОННО-ТЕХНИЧЕСКИХ СИСТЕМ)

Краснодар – 2002

УДК	303.732.4
ББК	65.05
Л	86

Рецензенты:

Барановская Т. П., профессор, доктор экономических наук, заведующая кафедрой системного анализа и обработки информации, Кубанский государственный аграрный университет (г.Краснодар)

Ключко В. И., профессор, доктор технических наук, заведующий кафедрой ВТ и АСУ, Кубанский государственный технологический университет (г.Краснодар)

Лежнев В. Г., профессор, доктор физико-математических наук, профессор кафедры математического моделирования, Кубанский государственный университет (г.Краснодар)

Луценко Е. В.

Л 86 Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). – Краснодар: КубГАУ. 2002. – 605 с.

ISBN 5-94672-020-1

В монографии излагаются теоретические основы и технология применения нового междисциплинарного научного направления, получившего название "Автоматизированный системно-когнитивный анализ" (АСК-анализ), в котором с единых позиций теории информации изучаются процессы познания и труда (в форме управления предметом труда). Рассматриваются вопросы применения АСК-анализа для рефлексивного управления активными системами, к которым относятся социально-экономические системы, люди с их "психической реальностью", биологические и экологические системы, а также новый класс технических систем: технические системы с параметрами, качественно-изменяющимися в процессе штатной эксплуатации. При этом сам процесс познания в форме АСК-анализа включается непосредственно в цикл управления в качестве периодически выполняемого этапа.

Предлагаются математическая модель АСК-анализа, основанная на системном обобщении семантической теории информации А.Харкевича, а также соответствующий численный метод и реализующий его специальный программный инструментарий – Универсальная когнитивная аналитическая система "Эйдос" (с системами окружения "Эйдос-фонд" и "Эйдос-Y"). Приведено 4 численных примера применения АСК-анализа в различных предметных областях, подробно рассмотрены опыт и перспективы его применения.

Для студентов, аспирантов и ученых, работающих в области системного анализа, когнитивного анализа, рефлексивного управления активными системами, когнитивного моделирования, для всех интересующихся СИИ, интеллектуальной обработкой данных и интеллектуальным управлением.

Ил. 171. Табл. 44. Формул 94. Библиогр.: 366 назв.

ISBN 5-94672-020-1	Ó Е.В.Луценко, 2002 г.
	Ó КубГАУ, 2002 г.

СОДЕРЖАНИЕ

ВВЕДЕНИЕ.......................................................................................................................................................................... 5

ГЛАВА 1. ПРОБЛЕМА УПРАВЛЕНИЯ АКТИВНЫМИ ОБЪЕКТАМИ И КОНЦЕПЦИЯ ЕЕ РЕШЕНИЯ 35

1.1. ПРОБЛЕМА УПРАВЛЕНИЯ АКТИВНЫМИ ОБЪЕКТАМИ.................................................................. 35

1.2. ТРЕБОВАНИЯ К МЕТОДАМ РЕШЕНИЯ ПРОБЛЕМЫ И КРИТЕРИИ ИХ СРАВНЕНИЯ............ 57

1.3. ТРАДИЦИОННЫЕ ПУТИ РЕШЕНИЯ ПРОБЛЕМЫ................................................................................. 62

1.4. КОНЦЕПЦИЯ РЕШЕНИЯ ПРОБЛЕМЫ: ОБОБЩЕННАЯ МОДЕЛЬ ДЕТЕРМИНИСТСКО-БИФУРКАЦИОННОЙ ДИНАМИКИ АКТИВНЫХ СИСТЕМ................................................................................................................... 90

1.5. ВЫВОДЫ............................................................................................................................................................ 105

ГЛАВА 2. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ АСК-АНАЛИЗА................................................................ 109

2.1. СИСТЕМНЫЙ АНАЛИЗ, КАК МЕТОД ПОЗНАНИЯ............................................................................ 109

2.2. КОГНИТИВНАЯ КОНЦЕПЦИЯ И СИНТЕЗ КОГНИТИВНОГО КОНФИГУРАТОРА................. 133

2.3. ФОРМАЛИЗАЦИЯ БАЗОВЫХ КОГНИТИВНЫХ ОПЕРАЦИЙ СИСТЕМНОГО АНАЛИЗА...... 144

2.4. СТРУКТУРИРОВАНИЕ СИСТЕМНОГО АНАЛИЗА ДО УРОВНЯ БАЗОВЫХ КОГНИТИВНЫХ ОПЕРАЦИЙ 156

2.5. ВЫВОДЫ............................................................................................................................................................ 158

ГЛАВА 3. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ АСК-АНАЛИЗА....................................................................... 163

3.1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ СИСТЕМНОЙ ТЕОРИИ ИНФОРМАЦИИ......................................... 163

3.2. СЕМАНТИЧЕСКАЯ ИНФОРМАЦИОННАЯ МОДЕЛЬ АСК-АНАЛИЗА........................................ 213

3.3. НЕКОТОРЫЕ СВОЙСТВА МАТЕМАТИЧЕСКОЙ МОДЕЛИ (СХОДИМОСТЬ, АДЕКВАТНОСТЬ, УСТОЙЧИВОСТЬ И ДР.)....................................................................................................................................................................................... 280

3.4. СВЯЗЬ СИСТЕМНОГО ОБОБЩЕНИЯ ИНФОРМАЦИОННОЙ МЕРЫ ХАРКЕВИЧА СО СТАТИСТИКОЙ c² И НОВАЯ МЕРА УРОВНЯ СИСТЕМНОСТИ ПРЕДМЕТНОЙ ОБЛАСТИ.................................................................. 288

3.5. СРАВНЕНИЕ, ИДЕНТИФИКАЦИЯ И ПРОГНОЗИРОВАНИЕ КАК ОБЪЕКТНЫЙ АНАЛИЗ (РАЗЛОЖЕНИЕ ВЕКТОРОВ ОБЪЕКТОВ В РЯД ПО ВЕКТОРАМ КЛАССОВ)........................................................................................... 291

3.6. ВЫВОДЫ............................................................................................................................................................ 298

ГЛАВА 4. ЧИСЛЕННЫЙ МЕТОД АСК-АНАЛИЗА......................................................................................... 306

4.1. СТРУКТУРЫ ДАННЫХ И ПОСЛЕДОВАТЕЛЬНОСТЬ ЧИСЛЕННЫХ РАСЧЕТОВ В СООТВЕТСТВИИ С СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ МОДЕЛЬЮ АСК-АНАЛИЗА........................................... 306

4.2. ОПИСАНИЕ АЛГОРИТМОВ БАЗОВЫХ КОГНИТИВНЫХ ОПЕРАЦИЙ СИСТЕМНОГО АНАЛИЗА 308

4.3. ДЕТАЛЬНЫЕ АЛГОРИТМЫ БКОСА (АСК-АНАЛИЗА)...................................................................... 317

4.4. ВЫВОДЫ............................................................................................................................................................ 341

ГЛАВА 5. СПЕЦИАЛЬНЫЙ ПРОГРАММНЫЙ ИНСТРУМЕНТАРИЙ АСК-АНАЛИЗА – СИСТЕМА "ЭЙДОС" 342

5.1. НАЗНАЧЕНИЕ И СОСТАВ СИСТЕМЫ "ЭЙДОС"................................................................................. 342

5.2. ПОЛЬЗОВАТЕЛЬСКИЙ ИНТЕРФЕЙС, ТЕХНОЛОГИЯ РАЗРАБОТКИ И ЭКСПЛУАТАЦИИ ПРИЛОЖЕНИЙ В СИСТЕМЕ "Эйдос".................................................................................................................................................................... 346

5.3. ТЕХНИЧЕСКИЕ ХАРАКТЕРИСТИКИ СИСТЕМЫ "ЭЙДОС" (ВЕРСИИ 7.3)................................. 374

5.4. ОБЕСПЕЧЕНИЕ ЭКСПЛУАТАЦИИ СИСТЕМЫ "ЭЙДОС"................................................................. 378

5.5. ВЫВОДЫ............................................................................................................................................................ 381

ГЛАВА 6. АСК-АНАЛИЗ, КАК МЕТОДОЛОГИЯ СИНТЕЗА И ЭКСПЛУАТАЦИИ РЕФЛЕКСИВНЫХ АСУ АКТИВНЫМИ ОБЪЕКТАМИ (НА ПРИМЕРЕ РЕШЕНИЯ ЗАДАЧ АСУ КАЧЕСТВОМ ПОДГОТОВКИ СПЕЦИАЛИСТОВ) 383

6.1. ФУНКЦИОНАЛЬНО-СТРУКТУРНЫЕ ТИПЫ АСУ............................................................................... 383

6.2. АСК-АНАЛИЗ, КАК АЛГОРИТМ СИНТЕЗА РАСУ АКТИВНЫМИ ОБЪЕКТАМИ.................... 389

6.3. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ СИНТЕЗА РАСУ КАЧЕСТВОМ ПОДГОТОВКИ СПЕЦИАЛИСТОВ 395

6.4. ВЫВОДЫ............................................................................................................................................................ 423

ГЛАВА 7. ОПЫТ И ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ АСК- АНАЛИЗА................................................ 426

7.1. КРАТКИЙ ОБЗОР ОПЫТА ПРИМЕНЕНИЯ АСК-АНАЛИЗА ДЛЯ ИССЛЕДОВАНИЯ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМ.................................................................................................................................................................... 426

7.2. АНАЛИЗ ДИНАМИКИ МАКРОЭКОНОМИЧЕСКИХ СОСТОЯНИЙ ГОРОДОВ И РАЙОНОВ НА УРОВНЕ СУБЪЕКТА ФЕДЕРАЦИИ В ХОДЕ ЭКОНОМИЧЕСКОЙ РЕФОРМЫ (НА ПРИМЕРЕ КРАСНОДАРСКОГО КРАЯ) 430

7.3. ПРОГНОЗИРОВАНИЕ УРОВНЯ БЕЗРАБОТИЦЫ (НА ПРИМЕРЕ ЯРОСЛАВСКОЙ ОБЛАСТИ) 430

7.4. ПРОГНОЗИРОВАНИЕ РАЗВИТИЯ РАЗЛИЧНЫХ СЕГМЕНТОВ РЫНКА (НА ПРИМЕРЕ ФОНДОВОГО РЫНКА РФ) 431

7.5. ПРОГНОЗИРОВАНИЕ РЕЗУЛЬТАТОВ ВЫРАЩИВАНИЯ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР И ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ ПО РАЦИОНАЛЬНОМУ ВЫБОРУ АГРОТЕХНОЛОГИЙ............................. 450

7.6. СОЦИАЛЬНО–ЭКОНОМИЧЕСКИЕ ИССЛЕДОВАНИЯ..................................................................... 456

7.7. СИНТЕЗ И РЕШЕНИЕ ЗАДАЧ УПРАВЛЕНИЯ КАЧЕСТВОМ ПОДГОТОВКИ СПЕЦИАЛИСТОВ (НА ПРИМЕРЕ КЮИ МВД РФ)..................................................................................................................................................................... 463

7.8. ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ СЛОЖНЫМИ ТЕХНИЧЕСКИМИ СИСТЕМАМИ.... 481

7.9. ОГРАНИЧЕНИЯ ПРЕДЛОЖЕННОЙ ТЕХНОЛОГИИ И ВОЗМОЖНОСТИ ОБОСНОВАННОГО РАСШИРЕНИЯ ОБЛАСТИ ЕЕ ПРИМЕНЕНИЯ НА ОСНОВЕ НАУЧНОЙ ИНДУКЦИИ........................................................................ 498

7.10. МОНИТОРИНГ, ПРОГНОЗИРОВАНИЕ И УПРАВЛЕНИЕ В ФИНАНСОВО-ЭКОНОМИЧЕСКОЙ СФЕРЕ 502

7.11. ОЦЕНКА РИСКОВ СТРАХОВАНИЯ И КРЕДИТОВАНИЯ ПРЕДПРИЯТИЯ............................... 507

7.12. АНАЛИЗ ОБЩЕСТВЕННОГО МНЕНИЯ (СОЦИОЛОГИЯ И ПОЛИТОЛОГИЯ)........................ 510

7.13. ЭКОЛОГИЧЕСКИЙ МОНИТОРИНГ, АНАЛИЗ И ПРОГНОЗИРОВАНИЕ.................................... 514

7.14. НЕКОТОРЫЕ ПЕРСПЕКТИВЫ РАЗВИТИЯ И ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ АСК-АНАЛИЗА.......... 515

7.15. ВЫВОДЫ......................................................................................................................................................... 558

ЗАКЛЮЧЕНИЕ............................................................................................................................................................. 565

СПИСОК ЛИТЕРАТУРЫ.......................................................................................................................................... 569

ПРИЛОЖЕНИЯ............................................................................................................................................................. 585

ПР-1. РИСУНКИ....................................................................................................................................................... 585

ПР-2. ТАБЛИЦЫ....................................................................................................................................................... 590

ПР-3. ФОРМУЛЫ..................................................................................................................................................... 592

ПР-4. АКТЫ ВНЕДРЕНИЯ И ПРОВЕДЕНИЯ НАУЧНО-ИССЛЕДОВАТЕЛЬСКИХ РАБОТ............. 593

ПР-5. ДЕТАЛЬНЫЙ УКАЗАТЕЛЬ РАЗДЕЛОВ............................................................................................... 597

ВВЕДЕНИЕ

В данной работе обобщены результаты более чем 18-летних исследований и разработок автора в области автоматизации системного и когнитивного анализа (от "cognition" – "познание", англ.) и управления активными объектами. В результате этих исследований была обобщена семантическая теория информации А.Харкевича и разработана формализуемая когнитивная концепция из которой следует существование 10 базовых когнитивных операций (БКО), к которым сводятся различные процессы познания, в том числе и системный анализ (СА). Системный анализ, структурированный до уровня базовых когнитивных операций, предложено назвать "Системно-когнитивным анализом" (СК-анализ). Разработаны иерархические структуры данных и детальные алгоритмы БКО. Высокая степень детализации алгоритмов БКОСА позволила реализовать их в одной программной системе: Универсальной когнитивной аналитической системе "Эйдос" и автоматизировать СК-анализ, создав тем самым один из вариантов автоматизированного СК-анализа (АСК-анализ).

Таким образом, на пути интеграции с когнитивными технологиями впервые предложен конкретный универсальный вариант автоматизированного системного анализа (АСА), что ранее (на пути максимальной детализации СА) удавалось сделать лишь для конкретных предметных областей применения СА (например, в области нетрадиционной энергетики [271]).

Применение АСК-анализа создало благоприятные условия для автоматизации рефлексивного управления активными объектами как на детерминистских, так и на бифуркационных этапах их развития.

Одним из ключевых понятий работы является понятие "Активных объектов" (АО). Поэтому определение АО целесообразно уточнить.

Определение активных объектов: под активными объектами в данной работе понимаются объекты, имеющие собственную систему целеполагания и принятия решений, а также адаптивную модель предметной области, включая модели самого себя (т.е. АО являются рефлексивными) и управляющих систем различного уровня и назначения, которые воздействуют на активный объект как на объект управления.

К активным объектам относятся прежде всего люди и системы с их участием: это социально-экономические системы различного уровня иерархии от экономики страны и сегмента рынка или отрасли до конкретного предприятия, различные группы населения, электорат, социум, организационно-технические, технологические и человеко-машинные системы, экипажи, а также сложные и интеллектуальные технические системы с параметрами, качественно изменяющимися в процессе штатной эксплуатации.

Традиционно управление активными системами осуществляется на основе подходов, разрабатываемых в политологии, экономике и психологии, "тяготеющих к гуманитарному полюсу". При этом огромный опыт управления техническими и организационными системами, накопленный в теории и практике автоматизированных систем управления (АСУ), остается, по мнению автора, недостаточно востребованным.

Задачи создания АСУ активными объектами управления (АОУ) относятся к важнейшим для жизни общества, однако корректно ставить и решать подобные задачи стало возможным лишь в последнее время благодаря бурному развитию ряда новых перспективных научных направлений: "интеллектуальный анализ данных", "интеллектуальное управление", "нейронные сети", "генетические алгоритмы", "когнитивное моделирование" и ряда других. Весьма существенно, что сами эти новые научные направления могут рассматриваться как "плоды системного эффекта", возникающего на границах научных направлений в результате междисциплинарного взаимодействия.

В этом взаимодействии есть два направления: распространение естественно-научных методов, прежде всего математики и кибернетики, в традиционно гуманитарную сферу; распространение научных результатов и идей, полученных в гуманитарной сфере, в традиционный ареал естественных наук.

В данной работе предпринята попытка "наведения новых мостов" в этом междисциплинарном диалоге, за которым стоит диалог гуманитарного и естественно-научного "полюсов науки".

Управление активными объектами имеет ярко выраженную специфику и ряд существенных отличий от традиционного управления техническими объектами, как по способам математического моделирования объекта управления и принятия решения о выборе управляющих воздействий, так и по способу оказания управляющих воздействий. Причина этого состоит в том, что активные системы развиваются путем чередования детерминистских и бифуркационных этапов. На детерминистских этапах поведение системы жестко предопределено, а после прохождения точек бифуркации – оно в высокой степени неопределенно.

Традиционно (И.Пригожин с соавт.) считается, что в точке бифуркации поведение системы случайно. Предлагается обобщить это понимание, считая, что на бифуркационных этапах осуществляется принятие решений, а на детерминистских – их реализация (случайный выбор есть лишь один из вариантов принятия решений, оптимальный лишь в случае полного отсутствия априорной информации). Таким образом, на бифуркационных этапах определяются закономерности, определяющие поведение системы на детерминистских этапах, это означит, что в точках бифуркации система изменяется качественно (революционно), а на детерминистских этапах – лишь количественно (эволюционно).

Для создания АСУ активными объектами (системами) необходимо осуществить синтез математической модели предметной области, а затем поддерживать ее адекватность при переходе объекта управления через точки бифуркации, которые происходят достаточно часто на протяжении жизненного цикла АСУ. Из вышеизложенного следует, что для этого поддержания адекватности необходим периодический синтез модели АОУ при каждом прохождении системы через точку бифуркации, т.к. в этом случае адаптации (количественного уточнения существующей модели) уже недостаточно.

Однако, в связи с тем, что активные объекты значительно сложнее классических технических и законы их поведения динамичны, в отличие от неизменных физических законов, детерминирующих поведение классических технических объектов, осуществлять периодический синтез математической модели АОУ в режиме реального времени традиционными методами весьма проблематично.

В данной работе предлагается ввести понятия о классических и неклассических технических системах. Под классическими техническими системами (КТС) понимаются технические системы, параметры которых изменяются качественно лишь в случаях прекращения штатного функционирования системы, т.е. при ее аварии или разрушении. Под неклассическими техническими системами (НТС) понимаются технические системы, параметры которых изменяются качественно в процессе штатного (предусмотренного конструкцией, нормального) функционирования системы.

С целью создания благоприятных условий для периодического синтеза математической модели АОУ, необходимо разработать автоматизированный инструмент для исследования (познания) предметной области, обеспечивающий выявление, изучение и отражение в математической модели качественно новых закономерностей, управляющих поведением АОУ после прохождения им точки бифуркации.

При этом в качестве методологии целесообразно использовать системный анализ (СА), т.к. одним из основных его требований является полнота и всесторонность рассмотрения, а из теории автоматизированных систем управления АСУ) хорошо известно, что недоучет в математической модели существенных факторов приводит к неадекватности модели и управления.

Однако, применение системного анализа в неформализованном варианте для управления активными объектами в реальном времени весьма проблематично по причине огромной трудоемкости обработки значительных объемов информации в условиях жестких временных ограничений.

Использование имеющихся программных систем не позволяет решить эту задачу по следующим причинам:

1. Математические модели разработаны не для всех этапов СА и ряд этапов на данный момент остаются неформализованными.

2. Существующие математические модели основываются на различных математических подходах.

3. Не для всех математических моделей разработаны и доступны программные средства.

4. Не для всех этапов СА созданы реализующие из программные системы.

5. Имеющиеся программные системы сложно приобрести.

6. Эти системы разработаны с использованием различного инструментария, в различной идеологии, интерфейсах, на различных платформах и не образуют единого программного комплекса. Поэтому возникают:

– сложности инсталляции различных программных систем в единой операционной среде на одном компьютере.

– сложность передачи данных между программными системами (отсутствие программных интерфейсов, несовместимость по стандартам и структурам данных).

Как это не парадоксально, но приходится констатировать, что автоматизация системного анализа велась несистемно. И путь максимальной детализации системного анализа способствовал возникновению этой ситуации.

Из всего вышесказанного возникает идея комплексной автоматизации системного анализа на единой методологической, математической, алгоритмической и инструментальной основе. В этой связи необходимо отметить, что впервые понятие автоматизированного системного анализа (АСА) предложено В.П.Стабиным в 1984 году [300].

Итак, в данной работе ставится и решается проблема обеспечения устойчивого управления активными объектами как на детерминистских, так и на бифуркационных этапах их развития.

Предлагается решение этой проблемы путем разработки универсального математического метода и соответствующего инструментария автоматизации системного анализа, как метода познания, т.е. путем декомпозиции системного анализа до уровня базовых когнитивных операций, разработки теоретических основ, инструментария и технологии АСК-анализа.

Выдвигается гипотеза, что это позволит обеспечить устойчивое управление активными объектами как на детерминистских, так и на бифуркационных этапах их развития.

Сказанным определяются объект и предмет исследования.

Объект исследования: системный анализ активных объектов.

Предмет исследования: управление активными объектами на основе автоматизированного системно-когнитивного анализа (АСК-анализа).

Проблематика работы соответствует Постановлению Правительства РФ от 28.05.96 "О приоритетных направлениях развития науки и техники и критических технологиях", в части приоритетных направлений "Информационные технологии и электроника" и "Производственные технологии": компьютерное моделирование (теоретические основы и инструментарий для проведения математического эксперимента, включая новые вычислительные модели для задач естественных и гуманитарных наук, эффективные численные методы для реализации таких моделей); искусственный интеллект (интеллектуальные системы поддержки принятия решений на основе неклассических логик и интеллектуального интерфейса /в т.ч. когнитивной графики/, интегрированные экспертные системы, основанные на знаниях, методы и средства выявления и представления знаний, методы правдоподобных рассуждений, объединяющих индукцию, аналогию и абдукцию, их применение в интеллектуальных системах); распознавание образов (математические методы и инструментальные средства широкого назначения и для решения индивидуальных, нестандартных или особо важных задач распознавания, прогнозирования и анализа в различных предметных областях); информационная поддержка технологии (модели жизненного цикла продукции, производственных процессов и среды).

Цель и задачи исследования. Целью работы является разработка методологии, математической модели и численного метода, соответствующего специального программного инструментария АСК-анализа, технологии и методики его применения для управления активными объектами.

Для достижения цели в работе решены следующие задачи:

1) разработка схемы СА, ориентированного на интеграцию с когнитивными технологиями;

2) разработка формализуемой когнитивной концепции, выявление БКО, структуризация СА до уровня БКО, разработка обобщенного алгоритма АСК-анализа;

3) разработка математической модели АСК-анализа;

4) разработка численного метода, реализующего математическую модель (конструирование структур данных и алгоритмов БКОСА и визуализации когнитивной графики); разработка детального алгоритма АСК-анализа;

5) создание специального программного обеспечения, реализующего предложенные математические модели и алгоритмы БКОСА, т.е. создание инструментария АСК-анализа;

6) разработка методологии, технологии и методики синтеза рефлексивных АСУ активными объектами;

7) синтез и эксплуатация компонент рефлексивных АСУ активными объектами на основе технологии и инструментария АСК-анализа (в различных предметных областях).

Методы исследований. Научные исследования работы основывались на теоретических и экспериментальных методах.

Теоретические методы: системный анализ, когнитивный анализ, теория информации, теория принятия решений, теория распознавания образов, теория активных систем, теория рефлексивного управления, теория автоматизированных систем управления, математическая статистика, линейная алгебра, когнитивная психология, логика, гносеология.

Экспериментальные методы: численный эксперимент, измерения внутренней и внешней, дифференциальной и интегральной валидности предложенных моделей.

Достоверность и обоснованность основных научных и практических результатов исследования подтверждается следующим:

– предложенная системная теория информации (СТИ) имеет четкую методологическую основу, построена на достоверных, проверяемых общеизвестных фактах (явлении интерференции последствий выбора);

– предложенная математическая модель и численный метод, реализованные в программном инструментарии, исследуются и верифицируются на адекватность в каждом конкретном исследовании на основе АСК-анализа;

– формализуемая когнитивная концепция обоснована методологически и фактологически;

– применена комплексная методика исследования, обеспечивающая взаимопроверяемость, сопоставляемость данных полученных в различных исследованиях, проведенных с применением АСК-анализа;

– применен апробированный математический аппарат;

– постановка задач корректна, предложенные методы решения рассматриваемых в работе задач обоснованы;

– получены оправданные, наглядные и интуитивно-убедительные результаты, совпадающие с уже известными экспертам при проведении исследовании с помощью АСК-анализа уже ранее изученных другими методами предметных областей;

– АСК-анализ, его технология и инструментарий обеспечивают накопление и анализ как положительного, так и отрицательного опыта. В работе приводятся 4 численных примера из различных предметных областей, основанные на обработке фактологического материала, включающего 1860629 фактов опыта;

– многолетняя успешная эксплуатация созданного специального программного инструментария и технологии, реализующих предложенные математические модели в десятках различных предметных областей подтверждается 17 актами об успешном решении задач идентификации и прогнозирования развития активных систем, управления ими за 1987 – 2002 годы.

В работе предлагаются:

1. Формализуемая когнитивная концепция и следующий из нее когнитивный конфигуратор (т.е. минимальный полный набор БКО, к которым сводятся различные процессы познания), состоящий из десяти БКО.

2. Теоретические основы и технология АСК-анализа.

3. Математическая модель АСК-анализа, основанная на системном обобщении семантической меры целесообразности информации А.Харкевича.

4. Численный метод, в универсальной форме реализующий математическую модель АСК-анализа, включающий иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА.

5. Специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод АСК-анализа – Универсальная когнитивная аналитическая система "Эйдос".

6. Технология и методика синтеза рефлексивных АСУ на основе АСК-анализа, в частности в области управления качеством подготовки специалистов.

7. Применение предложенных методики, технологии и специального инструментария для решения реальных задач в четырех предметных областях:

– прогнозирование и исследование развития сегмента фондового рынка РФ;

– прогнозирование результатов применения агротехнологий и поддержка принятия решений по управлению урожайностью сельскохозяйственных культур.

– управление качеством подготовки специалистов;

– синтез систем автоматического управления автономными комбинированными фотоветроэлектроэнергетическими установками;

Научная новизна работы состоит в следующем:

1. Предложен новый подход к автоматизации системного анализа, основанный не на его максимальной детализации (традиционный подход), а за счет структурирования по базовым когнитивным операциям системного анализа (БКОСА).

2. Предложена целостная научная концепция, получившая название: "Формализуемая когнитивная концепция", обеспечивающая:

– адекватное отражение иерархической структуры когнитивных процессов;

– формализацию понятия "смысл" за счет дискретно-интегрального представления фактов опыта;

– структуризацию процессов познания по базовым когнитивным операциям (БКО).

3. Предложены новые понятия: "Базовые когнитивные операции системного анализа" (БКОСА) и "Когнитивный конфигуратор", под которым понимается минимальный полный набор БКОСА, достаточный для представления различных процессов познания.

4. Из формализованной когнитивной концепции следует существование 10 БКОСА, образующих "когнитивный конфигуратор": 1) присвоение имен; 2) восприятие; 3) обобщение (синтез, индукция); 4) абстрагирование; 5) оценка адекватности модели; 6) сравнение, идентификация и прогнозирование; 7) анализ (дедукция и абдукция); 8) классификация и генерация конструктов; 9) содержательное сравнение; 10) планирование и принятие решений об управлении.

3. Системный анализ рассматривается как метод познания. Системный анализ структурирован до уровня базовых когнитивных операций. Системный анализ, структурированный до уровня базовых когнитивных операций, предложено называть системно-когнитивным анализом (СК-анализ). Предложена обобщенная структура СК-анализа. Показано, что СК-анализ имеет лучшие предпосылки для автоматизации, чем системный анализ.

4. Изменена (обобщена) традиционная трактовка известных понятий "Состояние бифуркации" и "Детерминистское состояние": предложено рассматривать их соответственно не как состояния с высокой и низкой неопределенностью поведения системы (И.Пригожин с соавт.), а как состояния принятия и реализации решений, качественного и количественного изменения закономерностей поведения системы.

5. Предложена обобщенная модель детерминистско-бифуркационной динамики активных объектов.

6. Введено новое понятие: "Интерференция последствий выбора", на основе которого переосмыслено содержание фундаментального понятия "Информация" и дано обоснование необходимости разработки системной теории информации (СТИ).

7. Предложен вариант системной теории информации, в рамках которого получено системное обобщение формулы А.Харкевича для семантической меры целесообразности информации и введена новая информационная мера, получившей название "Системная мера целесообразности информации" (СМЦИ).

8. В системной мере целесообразности информации, в котором впервые непосредственно в аналитическом выражении для самого понятия "Информация" отражены такие фундаментальные свойства систем, как "Уровень системности" и "Степень детерминированности" системы. Кроме того это выражение (как и формула Шеннона) удовлетворяет принципу соответствия с выражением Хартли в детерминистском случае, учитывает понятия цели и мощность множества будущих состояний объекта управления, обеспечивает формализацию смысла на основе дискретно-интегрального описания предметной области, сопоставимость в пространстве-времени.

Эти свойства системной меры целесообразности информации свидетельствуют о ее оптимальности как основы математической модели управления активными объектами.

Необходимо акцентировать то обстоятельство, что предложенная "Системная мера целесообразности информации" является известной мерой Харкевича, модифицированной таким образом, что выполняется принцип соответствия с мерой Хартли (для детерминистского случая), который выполняется и для меры Шеннона (для равновероятных событий). Тем самым в предложенной СТИ снято одно из противоречий между семантической теорией информации Харкевича и классической теорией информации Шеннона.

9. На основе системной меры целесообразности информации разработана математическая модель активных объектов, относящаяся к классу семантических информационных моделей. Данная модель обеспечивает формализацию БКОСА (в т.ч. решение прямых и обратных задач идентификации и прогнозирования, задач кластерно-конструктивного анализа) и автоматизированный синтез обобщенных таблиц решений на основе непосредственно эмпирических данных и вывод информации о механизмах принятия решений в форме обобщенных правил логического вывода (с расчетной степенью истинности посылок, импликаций и существования заключений).

10. На основе системной мере целесообразности информации предложена новая информационная мера уровня системности предметной области, связанная с мерой c².

11. Показано, что предложенный в работе метод идентификации и прогнозирования является разложением вектора состояния объекта по векторам обобщенных образов классов, представляющих собой произвольные функции, поэтому предложено называть этот метод "Объектным анализом" (термин автора) по аналогии с Фурье-анализом.

12. Разработан численный метод, включающий иерархические структуры баз данных и 24 детальных алгоритма 10 БКОСА, а также алгоритмы визуализации когнитивной графики (отображение векторов, семантических сетей и когнитивных диаграмм состояний АОУ и факторов).

13. Создана программная система (Универсальная когнитивная аналитическая система "Эйдос"), реализующая математическую модель с соответствующим численным методом и автоматизирующая все 10 базовых когнитивных операций системного анализа.

Таким образом:

– СК-анализ автоматизирован и создан автоматизированный системно-когнитивный анализ (АСК-анализ);

– создан инструментарий АСК-анализа в качестве которого выступает система "Эйдос".

14. Разработаны методика и технология синтеза рефлексивных АСУ активными объектами на основе АСК-анализа, обеспечивающие синтез и адаптацию модели, на (соответственно) бифуркационных и детерминистских этапах развития АОУ.

15. Разработана технология достоверного прогнозирования состояний АОУ на детерминистских этапах его развития и достоверного прогнозирования времени перехода АОУ в бифуркационное состояние.

16. Разработаны концептуальные основы синтеза АСУ качеством подготовки специалистов: предложена двухуровневая модель РАСУ качеством подготовки специалистов и алгоритм ее синтеза на основе применения автоматизированного системного анализа, структурированного до уровня базовых когнитивных операций.

17. Продемонстрирована возможность синтеза и эксплуатации компонент рефлексивных АСУ активными объектами (РАСУ АО) в режиме адаптации и периодического синтеза модели на основе применения АСК-анализа в ряде предметных областей.

18. Предложены новые понятия о классических и неклассических технических системах:

– под классическими техническими системами (КТС) понимаются технические системы, параметры которых изменяются качественно лишь в случаях прекращения штатного функционирования системы, т.е. при ее аварии или разрушении

– под неклассическими техническими системами (НТС) понимаются технические системы, параметры которых изменяются качественно в процессе штатного (предусмотренного конструкцией, нормального) функционирования системы.

19. Предложено изменение трактовки понятий "адаптация" и "синтез" модели:

– традиционно под адаптацией модели понимается не только количественное, но и качественное ее изменение

– в данной работе предлагается под адаптацией понимать лишь ее количественное изменение, а для качественного ее изменения использовать термин "синтез".

20. В порядке научной дискуссии и развития обоснованных в работе теоретических положений высказан ряд спорных, но интересных идей:

– идея многополюсных конструкты, являющиеся обобщением бинарных конструктов;

– идея континуального обобщения АСК-анализа на основе применения нечеткой логики.

Теоретическая значимость подтверждается следующим:

– формализацией базовых когнитивных операций, многие из которых совпадают с известными методами научного мышления: обобщение (синтез, индукция); абстрагирование; оценка адекватности; внешнее и содержательное сравнение, идентификация и прогнозирование; дедукция и абдукция; классификация и формирование понятий (конструктов);

– изложены новые идеи и аргументы в их пользу;

– приведены многие элементы научной теории: сформулированы гипотеза; доказаны 4 теоремы об аддитивности системной меры целесообразности информации; при создании СТИ проанализированы исходные научные факты, на основе анализа которых исторически было сформировано понятие "Информация" и расширена фактологическая база этого понятия; создан механизм их автоматизированной интерпретации в семантической информационной модели, обеспечивающей автоматическую генерацию выводов, анализ тенденций, учет факторов и условий;

– на основе предложенной системной теории информации сформулирован новый ранее неизвестный "Закон повышения эмерджентности", описывающий возрастание доли системной информации в объекте при увеличении количества его элементов, а также три следствия из него;

– в рамках СТИ сформулированы гипотезы "О природе сложности системы" и "О видах системной информации": сложность системы определяется количеством содержащейся в ней информации; системная информация включает две составляющих: зависящее от количества элементов системы и зависящее также от характера взаимосвязей между элементами;

– вычленена новая перспективная проблема, подлежащая дальнейшему исследованию: применение технологии АСК-анализа для создания on-line многоагентных распределенных систем обнаружения, накопления и использования знаний в Internet, что действительно может превратить "мировую паутину" в "мировой (коллективный) разум" и может явится качественно новым шагом на пути эволюции ноосферы.

Практическая значимость проведенного исследования состоит в разработке инструментария АСК-анализа в виде Универсальной когнитивной аналитической системы "Эйдос" обеспечивающей: создание автоматизированных систем мониторинга, идентификации (прогнозирования) состояний активных объектов и управления ими в самых различных предметных областях; надежную эксплуатацию этих систем в промышленном режиме при массовой обработке информации; углубленный интеллектуальный анализ данных.

Реализация результатов. Опыт применения АСК-анализа подтверждает эффективность его использования в следующих предметных областях: социологические и политологические исследования, анализ общественного мнения (Краснодарский сектор Института социологических исследований АН СССР, Краснодарский краевой агропромышленный комитет, Академия государственной службы при Президенте РФ, Краснодарский государственный институт культуры, Информационно-аналитический центр администрации Краснодарского края, Аналитический центр администрации Ярославской области и др.); проектирование адаптивных АСУ сложными техническими объектами (Государственное предприятие особое конструкторское бюро "Икар", Кубанский государственный технологический университет); решение ряда задач управления качеством подготовки специалистов (Краснодарский юридический институт МВД РФ); идентификация и анализ макроэкономических состояний городов и районов Краснодарского края и края в целом на основе оценки значимости индикаторов макроэкономики и применения методов статистической теории информации и искусственного интеллекта (Департамент экономики и прогнозирования администрации Краснодарского края); прогнозирование результатов применения агротехнологий и управление выращиванием сельскохозяйственных культур (Кубанский государственный аграрный университет); прогнозирование успешности будущей профессиональной деятельности в экстремальных ситуациях в условиях высокой ответственности и дефицита времени (Северокавказская региональная поисково-спасательная служба Государственного комитета РФ по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий МЧС, АО "Новошип" Новороссийское морское пароходство), решение задач Центра Правительственной связи в Краснодарском крае.

Проведенные исследования являются составной частью плановых и договорных НИР и ОКР. Все они приняты заказчиками, что подтверждается 17 актами о внедрении предложенных технологий и инструментария АСК-анализа.

Апробация работы. Основные положения и результаты данной работы докладывались и обсуждались на 21 международных, всесоюзных, всероссийских семинарах и симпозиумах: Всесоюзная научно-практическая конференция "Проблемы управления развитием городов" (Краснодар, 1985); VIII Всесоюзный съезд психологов (Москва, 1989); Всероссийская конференция "В.И.Вернадский и современность /к 130–летию со дня рождения/" (Краснодар, 1993); IX научно-практическая конференция "Теоретические и прикладные проблемы социально-психологической и медико-педагогической службы" (Краснодар, 1995); Всероссийская научно–практическая конференция "Состояние и связи криминалистики и теории оперативно–розыскной деятельности ОВД" (Краснодар, 1995); Межвузовская научно-практическая конференция "Актуальные проблемы социально-правовой подготовки специалистов и перспективы совершенствования системы комплектования органов внутренних дел" (Краснодар, 1997); Всероссийская научно–практическая конференция "Актуальные проблемы социально–правовой подготовки специалистов и перспективы совершенствования системы комплектования ОВД" (Краснодар, 1997); Межвузовская конференция "Организация и методологические проблемы компьютеризации учебного процесса" (Краснодар, 1998); 1-я Всероссийская научно-техническая конференция "Компьютерные технологии в науке, проектировании и производстве" (Н.Новгород, 1999); III Всероссийская научно-техническая конференция "Информационные технологии и системы" (Воронеж, 1999); III международная открытая сессия "Modus Academicus": "Компьютерные технологии в науке и образовании XXI века" (Ульяновск, 1999); 1-я Всероссийская научно-техническая конференция "Теория конфликта и ее приложения" (Воронеж, 2000); 2-е Всероссийское совещание-семинар "Интеллектуальные информационные системы" (Воронеж, 2000); 2-я Международная выставка-конференция "Информационные технологии и телекоммуникации в образовании" (Москва, 2000); III международная научно-практическая конференция "Вековой поиск модели хозяйственного развития России" (Волжский, 2000); II, III и IV межвузовские научно-технические конференции "Проблемы совершенствования систем защиты информации, электроснабжения военных объектов и образовательных технологий подготовки специалистов" (Краснодар, 2000-2002); Всероссийская конференция "Опыт и проблемы совершенствования региональной системы дополнительного профессионального образования в области управления качеством" (Краснодар, 2001); Всероссийская конференция "Проблемы экономического и социального развития России" (Пенза, 2001); "Научное обеспечение современных технологий производства, хранения и переработки плодов и ягод в России и странах СНГ (Москва, 2002).

Публикации. По теме данной работы опубликовано: 58 научных работ, в том числе: 4 монографии; 1 стандарт, 49 научных статей, авторские права на созданное специальное программное обеспечение и структуры баз данных защищены 4 свидетельствами РосПатента РФ.

Структура и объем работы. Работа состоит из введения, семи глав с выводами к каждой из них, заключения, списка использованной литературы, содержащего 366 наименований, и 5 приложений. Работа изложена на 605 страницах машинописного текста и содержит: 44 таблицы, 171 рисунок, 94 нумерованных формулы и 5 приложений на 21 странице.

Во введении сформулированы объект и предмет исследования, его цель, проблема и задачи, обоснована актуальность, освещен научный аппарат, показана научная новизна и практическая значимость, дано краткое изложение основных идей, приведены сведения по апробации основных результатов данной работы.

В 1-й главе: "Проблема управления активными объектами и концепция ее решения" даны определения основных терминов, используемых в данной работе; поставлена проблема; проанализированы традиционные подходы к решению проблемы и предложена концепция ее решения.

1. Причина возникновения проблемы обеспечения устойчивого управления активными объектами состоит в том, что математическая модель периодически теряет адекватность при переходе объекта через точку бифуркации.

2. Традиционно эта проблема решается путем адаптации модели на основе апостериорной информации. Однако в данном случае этого недостаточно, т.к. необходимо качественное изменение модели, т.е. не адаптация, а синтез.

3. Концепция решения проблемы: необходимо обеспечить периодический синтез модели активного объекта в режиме реального времени, для чего необходимо применение автоматизированного системного анализа как инструмента автоматизации познания предметной области.

Таким образом, целью работы является разработка методологии, математической модели и численного метода, соответствующего специального программного инструментария АСК-анализа, технологии и методики его применения для управления активными объектами.

Для достижения цели в работе решены следующие задачи:

1) разработка схемы СА, ориентированного на интеграцию с когнитивными технологиями;

3) разработка математической модели АСК-анализа;

6) разработка методологии, технологии и методики синтеза рефлексивных АСУ активными объектами на основе АСК-анализа;

Решение этих задач составляет этапы решения проблемы, поставленной в работе.

Во 2-й главе: "Методологические основы АСК-анализа" системный анализ рассматривается как метод познания, предлагаются схема системного анализа, ориентированного на интеграцию с когнитивными технологиями и концепция формализации базовых когнитивных операций, подробно анализируется место базовых когнитивных операций в системном анализе и предлагается обобщенная схема системного анализа, структурированного до уровня базовых когнитивных операций.

В этой главе реализован 1-й этап решения проблемы – разработка схемы СА, ориентированного на интеграцию с когнитивными технологиями с целью создания условий для дальнейшей автоматизации его этапов.

Отсюда органично вытекает 2-й этап решения проблемы – разработка формализуемой когнитивной концепции, выявление базовых когнитивных операций (БКО), структуризация системного анализа до уровня БКО, разработка обобщенного алгоритма системно-когнитивного анализа (АСК-анализа).

1. Системный анализ представляет собой теоретический метод познания, современное воплощение конкретной диалектики. Перспектива его автоматизации состоит в интеграции с когнитивными технологиями.

2. Предлагаемая когнитивная концепция рассматривает процесс познания, как многоуровневую иерархическую систему обработки информации в которой когнитивные структуры каждого уровня являются результатом интеграции структур предыдущего уровня. Таким образом между структурами разных уровней иерархии существует отношение "дискретное - интегральное". Именно это служит основой формализации смысла. В рамках предложенной когнитивной концепции сконструирован когнитивный конфигуратор (терм.авт.), представляющий собой минимальную полную систему когнитивных операций, названных "базовые когнитивные операции системного анализа" (БКОСА). Всего выявлено 10 таких операций, каждая из которых достаточно элементарна для формализации и программной реализации: 1) присвоение имен; 2) восприятие; 3) обобщение (синтез, индукция); 4) абстрагирование; 5) оценка адекватности модели; 6) сравнение, идентификация и прогнозирование; 7) дедукция и абдукция; 8) классификация и генерация конструктов; 9) содержательное сравнение; 10) планирование и принятие решений об управлении.

3. С целью создания предпосылок автоматизации, предложено структурировать системный анализ до уровня базовых когнитивных операций, допускающих формализацию и автоматизацию. СА, структурированный до уровня БКО, предложено называть системно-когнитивным анализом (СК-анализ).

В 3-й главе: "Математическая модель АСК-анализа" реализован 3-й этап решения проблемы, состоящий в разработке математической модели АСК-анализа: разработана концепция системной (эмерджентной) теории информации; семантическая информационная модель, обеспечивающая количественную и качественную адаптацию с учетом динамики предметной области (т.е. адаптацию и пересинтез); исследованы важнейшие свойства предложенной математической модели; предложена новая информационная мера уровня системности предметной области, связанная с мерой c²; развитый метод идентификации и прогнозирования предложено называть "Объектным анализом" по аналогии с Фурье-анализом.

1. Предложен вариант реализации системной теории информации в рамках которого:

– обоснованы требования к математической модели и численной мере;

– осуществлен выбор базовой численной меры для чего проанализированы абсолютные, относительные и аналитические формы представления информации; теория информации применена для анализа процесса труда и средств труда; в рамках предложенной информационной теории стоимости раскрыта глубокая взаимосвязь между понятиями "стоимость" и "информация"; рассмотрены вопросы определения стоимости баз знаний и источник эффективности АСУ с точки зрения теории информации;

– сконструирована новая системная мера семантической целесообразности информации для чего получено системное обобщение формулы Хартли для количества информации; сформулирован закон возрастания эмерджентости и 3 следствия из него; получено системное обобщение формулы А.Харкевича для количества информации; рассмотрены генезис и некоторые интерпретации системной теории информации (СТИ).

2. На базе системной (эмерджентной) теории информации разработана содержательная (семантическая) информационная модель АСК-анализа, относящаяся к интеллектуальным информационным моделям:

– предложен формализм двух взаимосвязанных семантических информационных пространств: пространства классов (в котором объектами являются вектора обобщенных образов классов), и пространства атрибутов (в котором объектами являются вектора атрибутов). Причем координатами векторов в обоих случаях являются информативности, рассчитываемые в соответствии с предложенной системной мерой целесообразности информации;

– раскрыт механизм когнитивной структуризации и формализации предметной области путем использования шкал и градаций;

– описана возможность использования классической теории информации Шеннона для расчета весовых коэффициентов и мер сходства;

– развита математическая модель, основанная на семантической мере целесообразности информации: даны решения трех основных задач АСУ (синтез и адаптация модели, расчет влияния факторов на переход объекта управления в различные состояния, прогнозирование поведения объекта управления, выработка многофакторного управляющего воздействия, сравнение факторов и состояний объекта управления); обоснована сопоставимость предложенных частных критериев (доказаны 4 теоремы о сопоставимости).

3. Исследованы основные свойства математической модели: ее непараметричность; зависимость информативностей факторов и адекватности модели от объема обучающей выборки; зависимость адекватности, уровня системности и степени детерминированности модели от степени ее ортонормированности.

4. Предложена новая меры уровня системности предметной области, основанная на системной мере целесообразности информации, математически показана связь предложенного критерия с критерием c².

5. Показано, что предложенный метод идентификации и прогнозирования с математической точки зрения является разложением вектора состояния объекта по векторам обобщенных образов классов, представляющих собой произвольные функции, поэтому предложено называть этот метод "Объектным анализом" по аналогии с Фурье-анализом.

Предложенная математическая модель объединяет преимущества содержательных и статистических моделей и позволяет решать задачи идентификации и прогнозирования развития активных систем (разложение вектора объекта по векторам классов – "Объектный анализ"), а также вырабатывать эффективные управляющие воздействия путем решения обратной задачи прогнозирования и применения элементов нетрадиционной логики и правдоподобных (нечетких) рассуждений.

Разработка семантической информационной модели создает необходимые предпосылки для разработки численного метода (алгоритмов и структур данных) и разработки инструментария АСК-анализа.

В 4-й главе: "Численный метод АСК-анализа" реализован 4-й этап решения проблемы состоит в разработке численного метода, реализующего математическую модель (конструирование структур данных и алгоритмов БКОСА и визуализации когнитивной графики); разработка детального алгоритма АСК-анализа.

В данной главе:

1. Десять базовых когнитивных операций детализированы на 24 подоперации.

2. В соответствии с формализуемой когнитивной концепцией разработана детальная иерархическая структура данных, обеспечивающая реализацию когнитивных операций и подопераций.

3. Даны вербальные описания всех базовых когнитивных операций с детализацией по подоперациям.

4. Приведены детальные алгоритмы всех базовых когнитивных операций с детализацией по подоперациям.

Таким образом, в данной главе разработан численный метод, включающий иерархические структуры данных и 24 алгоритма всех 10 базовых когнитивных операций системного анализа, чем обеспечивается уровень детализации, достаточный для программной реализации АСК-анализа. Необходимо отметить, что данный численный метод реализует все БКОСА на основе непосредственно эмпирических данных.

В 5-й главе: "Специальный программный инструментарий АСК-анализа - система "Эйдос" подробно описана разработанная автором Универсальная когнитивная аналитическая система "Эйдос", защищенная 4 Свидетельствами РосПатента РФ (1994 год). Показано, что система "Эйдос" обеспечивает реализацию всех базовых когнитивных операций автоматизированного системного анализа и решение проблемы и задач, поставленных в данном исследовании. В этой главе раскрыты назначение и состав системы, подробно описан ее пользовательский интерфейс, а также технология создания и эксплуатации приложений. Приведены технические характеристики системы, предложены инфраструктура эксплуатации и виды обеспечения. Система "Эйдос" является большой системой: листинг ее исходных текстов (текущей версии 7.3 вместе с системами окружения "Эйдос-фонд" и "Эйдос-Y") 6-м шрифтом составляет около 800 страниц, в процессе работы система оперирует десятками баз данных.

Здесь реализован 5-й этап решения проблемы – создание специального программного обеспечения, реализующего предложенные математические модели и алгоритмы БКОСА, т.е. создание инструментария АСК-анализа.

1. Создана Универсальная когнитивная аналитическая система "Эйдос", обеспечивающая автоматизацию всех базовых когнитивных операций системного анализа.

2. Рассмотрена технология синтеза и эксплуатации приложений в системе "Эйдос", обеспечивающая:

– формализацию предметной области;

– подготовку обучающей выборки и управление ей;

– синтез семантической информационной модели предметной области;

– оптимизацию модели;

– проверку адекватности модели;

– идентификацию и прогнозирование;

– типологический анализ (включая решение обратной задачи идентификации и прогнозирования, семантический информационный и кластерно-конструктивный анализ учебных достижений и факторов).

– оригинальную графическую визуализация результатов анализа в форме когнитивной графики (семантических сетей и когнитивных диаграмм).

Описание функций и структуры системы "Эйдос" ведется на основе описания ее интерфейса с детальной привязкой к реализуемым в каждой подсистеме и режиме базовым когнитивным операциям системного анализа.

В 6-й главе: "АСК-анализ, как методология синтеза и эксплуатации рефлексивных АСУ активными объектами (на примере решения задач АСУ качеством подготовки специалистов)" разработана классификация функционально-структурных типов АСУ и определено место адаптивных АСУ сложными системами (ААСУ СС) и РАСУ АО в этой классификации; показаны роль и место АСК-анализа в РАСУ АО; предложено рассматривать алгоритм АСК-анализа, как алгоритм синтеза РАСУ АО; рассмотрены некоторые теоретические вопросы синтеза РАСУ качеством подготовки специалистов.

Здесь представлен 6-й этап решения проблемы, включающий разработку методологии, технологии и методики синтеза рефлексивных АСУ активными объектами на основе АСК-анализа.

1. Разработаны классификация функционально-структур-ных типов АСУ и показано место адаптивных АСУ сложными системами и рефлексивных АСУ активными объектами в этой классификации; показаны роль и место АСК-анализа в рефлексивных АСУ активными объектами.

2. Предложено рассматривать алгоритм АСК-анализ, как алгоритм синтеза рефлексивных АСУ активными объектами.

3. Рассмотрены некоторые теоретические вопросы синтеза РАСУ качеством подготовки специалистов, предложена ее двухуровневая структура:

– на первом уровне объектом управления является учащийся, а управляющей системой – педагогический процесс;

– на втором уровне объектом управления является педагогический процесс, а управляющей системой – руководство вузом и вышестоящие инстанции.

В 7-й главе: "Опыт и перспективы применения АСК-анализа" реализован последний 7-й этап решения проблемы: синтез и эксплуатация компонент рефлексивных АСУ активными объектами на основе технологии и инструментария АСК-анализа (в различных предметных областях).

В данной главе:

– сделан обзор опыта применения АСК-анализа для исследования социально-экономических проблем;

– приведены развернутые численные примеры успешного практического применения предложенной технологии АСК-анализа в 4-х предметных областях: (анализ и прогнозирование состояний фондового рынка; синтез РАСУ возделыванием сельскохозяйственных культур; решение задач РАСУ качеством подготовки специалистов; синтез САУ ФВЭУ);

– на основе метода научной индукции сформулированы ограничения АСК-анализа и обоснована возможность корректного расширения области его применения на предметные области, где эти ограничения несущественны;

– описаны перспективы применения предложенных технологий АСК-анализа в управлении технологиями, экономике, психологии, социологии и политологии, маркетинговых, рекламных и социально-психологических исследованиях, правоохранительной сфере и в Internet (создание многоагентных распределенных систем обнаружения, накопления и использования знаний по различным предметным областям), в ряде других областей. В частности отмечаются перспективные применения для атрибуции анонимных и псевдонимных текстов, контент-анализа, синтеза интеллектуальных дескрипторных информационно-поисковых систем с интерфейсом запросов на естественном языке, идентификации и классификации изображений по их вербальным описаниям, формирования обобщенных фотороботов лиц по направлениям деятельности и идентификации с ними, применения в области психографологии и дерматоглифики, и т.д., кроме того рассматриваются ограничения предложенного варианта АСК-анализа и рассматриваются вопросы его развития (путем преодоления указанных ограничений) с применением теории нечетких множеств и неклассической логики. В порядке обсуждения в научной дискуссии предложено рассматривать автоматизированный системный анализ, структурированный до уровня базовых когнитивных операций, как автоматизированный системно-когнитивный анализ (АСК-анализ).

Основной вывод, по результатам данной главы, состоит в том, что оправданным и обоснованным выглядит предположение об очень высокой универсальности математического метода и инструментария АСК-анализа, а также технологии и методики его применения в самых различных предметных областях, в которых накапливаются факты и производятся их обобщение и анализ, а также выполняются другие когнитивные операции, связанные с процессами познания и управления.

В Заключении отражены основные выводы и результаты, полученные в данной работе, подчеркнуты некоторые предложенные в ней новые теоретические идеи, высокая достоверность полученных результатов и их практическая значимость.

Автор данной работы выражает признательность кандидату технических наук, доценту Владимиру Николаевичу Лаптеву, доктору технических наук, профессору Лойко Валерию Ивановичу, доктору экономических наук, профессору Барановской Татьяне Петровне, доктору экономических наук, профессору Семенову Михаилу Игнатьевичу, доктору технических наук, профессору Левину Борису Калиновичу, доктору технических наук, профессору Атрощенко Валерию Александровичу, доктору технических наук, профессору Симанкову Владимиру Сергеевичу, кандидату психологических наук, доценту Некрасову Сергею Дмитриевичу, кандидату психологических наук, доценту Третьяку Владимиру Георгиевичу, доктору биологических наук, кандидату технических наук, профессору Засухиной Ольге Александровне, заслуженному учителю Российской Федерации Гельферу Феликсу Семеновичу и доктору педагогических наук, профессору Бедерхановой Вере Петровне за поддержку и вклад в понимание проблематики исследования.

ГЛАВА 1. ПРОБЛЕМА УПРАВЛЕНИЯ АКТИВНЫМИ ОБЪЕКТАМИ И КОНЦЕПЦИЯ ЕЕ РЕШЕНИЯ

1.1. ПРОБЛЕМА УПРАВЛЕНИЯ АКТИВНЫМИ ОБЪЕКТАМИ

1.1.1. Классификация систем и понятие активного объекта. Определения основных терминов

С целью постановки проблемы данной работы рассмотрим классификацию систем, определим понятие активного объекта (системы), дадим авторскую интерпретацию основных терминов, используемых в работе.

Основные понятия теории систем

Рассмотрим понятие "система", обращая основное внимание на особенности применения этого фундаментального понятия в теории и практике синтеза рефлексивных автоматизированных систем управления (РАСУ) активными объектами (системами).

Прежде всего система – это целостная совокупность некоторых элементов, не сводящаяся к простой сумме своих частей, т.е. представляющая собой нечто большее, чем просто сумму частей. Это нечто, отсутствующее в частях системы, взятых самих по себе, и совершенно необходимое, чтобы элементы образовали систему, представляет собой интегрирующее начало, системообразующий фактор. Интегрирующее начало может быть как объективным, так и субъективным, а системы, соответственно, естественными и искусственными. Искусственная система есть средство достижения цели. Но и естественные, например, экологические системы, человек часто рассматривает с прагматической точки зрения, т.е. с точки зрения того, что они могут ему дать или какими они должны быть, чтобы обеспечить человеку определенные желательные условия, т.е. опять же с точки зрения соответствия определенным субъективным целям.

Различные модели систем отличаются тем, насколько полно в этих моделях отражены знания разработчиков модели о внутреннем строении моделируемых систем, и насколько эти модели являются подходящими для применения с точки зрения достижения целей АСУ.

Простейшей (полностью феноменологической) моделью системы является модель "черного ящика" [234]. Так называют систему, о которой внешнему наблюдателю доступны только лишь входные и выходные параметры, а внутренняя структура системы и процессы в ней неизвестны. Входные параметры можно рассматривать как управляющие воздействия, а желательные значения выходных – как цель управления. Ряд важных выводов о поведении системы можно сделать, наблюдая только ее реакцию на воздействия, т.е. наблюдая зависимости между изменениями входных и выходных параметров. Такой подход открывает возможности изучения систем, устройство которых либо совершенно неизвестно, либо слишком сложно для того, чтобы можно было по свойствам составных частей и связям между ними сделать выводы о поведении системы в целом. Поэтому понятие "черный ящик" широко применяется при решении задач идентификации и моделировании реакции на управляющее воздействие в АСУ сложными объектами управления.

Важно понимать, что "черный ящик" представляет собой именно систему, причем в общем случае, сложную систему. Из этого следует очень важный вывод: оптимизировать какой–либо отдельно взятый выходной параметр нельзя, так как это может привести к уничтожению всей системы, т.е. выходные параметры необходимо рассматривать системно, т.е. в единстве, комплексе.

Несмотря на свою кажущуюся простоту, построение модели "черного ящика" не является тривиальной задачей. Дело в том, что любая реальная система взаимодействует со средой бесчисленным множеством способов. Строя модель системы, из этого бесчисленного множества связей отбирают конечное их число и включают их в список входов и выходов. Критерием отбора при этом является целевое назначение модели, существенность той или иной связи для достижения цели. То, что существенно и важно, включается в модель, а то, что не существенно и не важно – не включается.

Но проблема как раз и заключается в том, что в действительности заранее никому не может быть точно известно, какие входные параметры оказывают существенное влияние на выходные целевые параметры, а какие нет. Это можно узнать, статистически исследовав эволюцию некоторого объекта в течение длительного времени, что проблематично, либо изучив достаточное количество аналогичных объектов, находящихся на различных стадиях своей эволюции, т.е. вариабельных конкретных "мгновенных" реализаций аналогичных объектов управления.

Но даже если такая информация имеется, то математически ее обработать, например с применением факторного анализа, также далеко не просто, так как обычно размерность реальных задач намного (на несколько порядков) превосходит возможности стандартных статистических методов и пакетов.

Более развитой, чем "черный ящик" является модель состава системы, в которой перечисляются составляющие ее элементы и подсистемы. Совокупность необходимых и достаточных для достижения целей управления элементов и подсистем с определенными отношениями между ними называется структурой системы.

Суммируя модели "черного ящика", состава и структуры, можно дать следующее синтетическое определение системы: "Система есть совокупность взаимосвязанных элементов, обособленная от среды и взаимодействующая с ней как единое целое для достижения определенной объективной или субъективной цели" [234].

Существуют различные подходы к классификации систем:

– по происхождению: искусственные, смешанные и естественные;

– по степени изученности структуры (наличию информации): "черный ящик", "серый ящик (непараметризованный и параметризованный классы), "белый ящик";

– по способу управления: управляемые извне, самоуправляемые, с комбинированным управлением;

– по ресурсной обеспеченности управления: энергетические ресурсы (обычные и энергокритичные), материальные ресурсы (малые и большие), информационные ресурсы (простые и сложные).

При недостатке априорной информации об объекте управления построение его содержательной модели затруднительно. В этих условиях, возможно применить модель "черного ящика", которая предполагает минимум знаний о структуре и связях входных и выходных параметров моделируемого объекта.

При построении этой модели выходные параметры определяются исходя из целей управления, а проблема выбора входных параметров, значимо влияющих на выходные, в принципе может решаться различными методами, например, такими как: многофакторный анализ, дискриминантный анализ, методы проверки статистических гипотез, методы теории информации.

В данной работе предлагаются различные варианты классификации параметров, в зависимости от того, какие состояния объекта управления и среды они характеризуют и в какой степени они зависят от человека.

Более пристального внимания заслуживает также классификация систем по ресурсной обеспеченности управления. Для того, чтобы модель реально заработала, или, как говорят была актуализирована, необходимы затраты различных ресурсов, прежде всего энергетических, материальных, информационных, финансовых, а также других.

Конечно, ресурсная обеспеченность меняется с течением времени, что связано прежде всего с совершенствованием компьютерной техники и информационных систем, а также зависит от возможностей организаций и конкретных исследователей и разработчиков. Поэтому классификация этого типа, безусловно, является относительной.

Большой называется система, поведение которой определяется всей совокупностью ее элементов, взаимодействующих между собой, ни один из которых не является определяющим [234]. В рассматриваемом контексте термин "большая" означает не пространственные размеры системы, а большое количество ее элементов. При моделировании больших систем возникает проблема высокой размерности описания. Например, если применяется многофакторная модель, то вычислительные и понятийные (связанные с интерпретацией) трудности возникают уже при количестве факторов от семи до десяти. В то же время многие реальные задачи требуют учета многих сотен и даже тысяч различных факторов. На практике чаще всего исследователь самостоятельно решает неформализованным путем, какие факторы исследовать, а какие нет.

Сложной называется система, адекватное моделирование которой требует учета отсутствующей или недоступной на момент моделирования информации [234]. Если управление приводит к неожиданным, непредвиденным или нежелательным результатам, т.е. отличающимся от ожидаемых (прогнозируемых) в соответствии с моделью, то это объясняется недостатком существенной информации, что порождает неадекватность модели.

Таким образом, простота или сложность системы относительна и указывает на достаточность или недостаточность информации о системе в действующей модели этой системы, т.е. связана с возможностью построения адекватной модели.

Определения базовых понятий, используемых в работе

Предметная область (ПО) представляет собой систему, включающую: активный объект управления, управляющую систему и окружающую среду (рисунок 1.1).

Активными будем называть системы, имеющие собственную систему целеполагания и принятия решений, а также адаптивную модель самого себя (рефлексивность) и окружающей среды, включая модели систем управления различного уровня и назначения, которые воздействуют на активную систему (АС) как на активный объект управления (АОУ). В работе термины "активная система" и "активный объект" рассматриваются как синонимы.

Рисунок 1.1. Структура предметной области

и рефлексивной АСУ активными объектами

Сложная система – это система, которая не может быть отображена в формальной модели по причине дефицита информации о ней.

Рефлексивная система – это система, имеющая собственную адаптивную модель себя и окружающей среды.

Из сопоставления этих определений следует, что активные системы являются одновременно сложными рефлексивными системами.

Активный объект управления (АОУ) – активная система, являющаяся объектом управления.

Классификация факторов:

– активный объект управления описывается факторами, характеризующими его текущее и прошлые состояния;

– управляющая система характеризуется технологическими факторами, с помощью которых она оказывает управляющее воздействие на активный объект управления;

– окружающая среда характеризуется прошлыми, текущими и прогнозируемыми факторами, которые также оказывают воздействие на активный объект управления.

Управляющие факторы – это факторы, оказывающие влияние на объект управления, которыми может воздействовать управляющая система. Факторы окружающей среды – это факторы, оказывающие влияние на объект управления, и действие которых не зависит от управляющей системы. Необходимо отметить, что факторы всех этих категорий в математической модели рассматриваются единообразно, что не исключает возможности изучения влияния на результаты управления отдельных различных групп или единичных факторов.

Модель активного объекта управления учитывает два уровня: информационный и поддержки. На информационном уровне локализуются функции целеполагания, синтеза и адаптации модели окружающей среды АОУ (включая управляющую систему), принятия и реализации решений. Уровень поддержки представляет собой систему, обеспечивающую функционирование информационного уровня (рисунок 1.1)

Классификация состояний АОУ. Активный объект управления характеризуется будущими состояниями, которые классифицируются как целевые и нежелательные. Причем эта классификация в общем случае различная у самого активного объекту управления и управляющей системы (они могут полностью не совпадать, а также частично или полностью совпадать).

Адаптация модели ПО – количественное изменение параметров модели, уточнение обобщенных образов классов и семантических портретов факторов.

Синтез модели ПО – формирование или качественное изменение параметров модели: формирование образов новых классов и/или учет влияния новых факторов. Формальная модель ПО представляет собой математическую модель, численный метод, структуры баз данных, алгоритмы их обработки, обеспечивающие отображение в количественной форме структуры ПО, а также изучение причинно-следственных взаимосвязей между факторами и будущими состояниями АОУ.

Системно-когнитивный анализ (СК-анализ) – это системный анализ, как метод познания, структурированный до уровня базовых когнитивных операций.

Автоматизированный системно-когнитивный анализ (АСК-анализ) (Automated system cognitive analysis) – это системно-когнитивный анализ в котором базовые когнитивные операции автоматизированы.

1.1.2. Двухуровневая модель активной системы и рефлексивное мета-управление

По-видимому, понятие активной системы впервые предложено отечественными учеными В.В. Дружининым и Д.С. Конторовым в 1976] [71]. В дальнейшем большой вклад в развитие теории активных систем внесли Бурков В.Н., Новиков Д.А., Черкашин А.М. [32].

Определение активной системы: активные системы – это системы с целеполаганием и активной свободной волей, поведение которых основано на накоплении информации о себе и окружающей среде, ее анализе, прогнозе собственного состояния и состояния окружающей среды, на принятии и реализации решений.

Примерами активных систем являются люди, коллективы (предприятия), социально-экономические системы различных уровней и масштабов: от коллективов и предприятий, до территориально-распределенных межотраслевых комплексов, а также биологические и экологические системы, некоторые интеллектуальные кибернетические системы и многие другие.

Соотношение содержания понятий "сложная система" и "активная система": из определения активной системы следует, что функции, характерные для активных систем, могут реализоваться только за счет сложной системы их поддержки.

Отсюда следует еще одно определение активных систем: активные системы – это сложные системы с целесообразным поведением.

Это определение является "классическим" в том смысле, что дано через подведение под более общее понятие ("сложная система") и выделение специфического признака ("целесообразное поведение").

Это означает, что активную систему можно упрощенно представить в виде двухуровневой модели: т.е. суперпозиции, объединения двух систем (рисунок 1.2):

1. Интеллектуальной информационной системы (ИИС), обеспечивающей целеполагание, накопление информации (мониторинг), ее интеллектуальный анализ, прогноз развития себя и окружающей среды, принятие решений.

2. Сложной системы поддержки функций (ССПФ) ИИС и реализации управляющих воздействий.

Рисунок 1. 2. Двухуровневая модель активной системы

Понятие рефлексии: из определения активной системы непосредственно следует, что они действуют на основе определенной сформированной и постоянно модифицируемой ими модели самих себя и окружающей среды, причем в модель окружающей среды входит и модель внешней автоматизированной системы управления (АСУ), которая оказывает воздействие на активную систему.

Итак, в связи с тем, что активные системы рефлектируют, управление ими может быть только рефлексивным. Нерефлексивные адаптивные модели в случае управления активным объектом управления просто не обеспечивают необходимого уровня адекватности, так же как линейные модели непригодны для управления существенно нелинейными процессами.

Поэтому предлагается новое понятие: "рефлексивная АСУ" (РАСУ), – это АСУ, в которой в качестве объекта управления выступает активная система, т.е. это АСУ активным объектом управления (АОУ): РАСУ АОУ.

Новизна теории РАСУ АОУ по сравнению с классической теорией автоматизированных систем управления состоит прежде всего в том, что в классической теории активной стороной является только система автоматического управления (САУ), а объект управления (ОУ) рассматривается только как пассивный объект управляющих воздействий, в РАСУ же объект управления также является активной стороной (субъектом), он стремится к своим целям, которые в общем случае не совпадают с целями управления, активно отражает окружающую среду, включая АСУ, адаптируется, вырабатывает и реализует решения.

Поэтому, несмотря на то, что рефлексивное управление уже получило определенное развитие в рамках таких наук, как психология, менеджмент, имиджмент, акмеология, для теории автоматизированного управления рефлексивное управление является новым перспективным направлением научных исследований и разработок. Именно в рамках теории автоматизированного управления рефлексивное управление может стать автоматизированным, т.е. получить в свое распоряжение математические и алгоритмические модели и реализующие их программные системы, а также соответствующую методологию, технологию и методику их применения.

Поэтому можно обоснованно утверждать, что в автоматизации состоит одно из перспективных направлений развития рефлексивного управления.

Понятие уровня рефлексии, соотношение между адаптивными и рефлексивными АСУ. Чтобы раскрыть данный вопрос рассмотрим таблицу 1.1:

Между адаптивными АСУ сложными системами (ААСУ СС) и рефлексивными АСУ активными объектами (РАСУ АО) есть много общего, можно даже сказать, что РАСУ АО в определенном смысле являются развитием ААСУ АС, поэтому представляет интерес их сопоставление.

В этой связи необходимо отметить, что адаптивные АСУ сложными системами по существу являются РАСУ 0-го порядка рефлексивности.

Таблица 1. 1 – СОДЕРЖАНИЕ ПОНЯТИЯ: "УРОВЕНЬ РЕФЛЕКСИИ"

Поэтому развитие теории РАСУ активными объектами можно рассматривать как одну из "точек роста" теории адаптивных систем управления сложными объектами.

Итак, адаптивные системы управления являются частным случаем рефлексивных. Общее между ними в постоянной модификации модели объекта управления и окружающей среды в системе управления.

Существует две основные причины, определяющие необходимость адаптации системы управления:

1. Динамика предметной области, т.е. объекта управления и окружающей среды.

2. Повышение степени адекватности модели предметной области до необходимого уровня.

Необходимо отметить, что время адаптации модели до приемлемого уровня адекватности определяется возможностями (вычислительными и информационными ресурсами) АСУ и может превышать время нахождения предметной области в относительно стационарном состоянии. В этом случае происходит срыв управления. Так неопытный художник не может написать "похожий на оригинал" портрет, если натура все время "вертится". Основной причиной этого является то, что информация стареет и становится неадекватной. При использовании для выработки управляющих воздействий закономерностей и взаимосвязей между управляющими факторами и результатами их воздействия, выявленных на основе устаревшей, неадекватной информации, соответственно будет получен и неадекватный результат. Поэтому непрерывное накопление все больших объемов статистики само по себе еще не обеспечивает все большего соответствующего увеличения точности.

Если предметная область стационарна, то новые объемы информации обладают все меньшей и меньшей новизной и вносят все меньший вклад в увеличение точности модели. Иначе говоря уменьшение погрешности модели на одну и ту же величину (например 1%) сначала обходится дешево, а затем все дороже и дороже. Поэтому начиная с момента накопления определенного объема информации в базе данных и достижении требуемой точности модели продолжение процесса накопления информации становится нерациональным и этот процесс останавливают. Таким образом в этом случае можно изучить предметную область один раз перед проектированием АСУ и больше к этому вопросу не возвращаться. Если же предметная область вдруг неожиданно и существенно измениться, то в такой АСУ произойдет срыв управления, т.к. она станет неадекватной.

Если же предметная область динамична, то устаревшая информация может искажать картину и фактически является шумом, а новой информации может быть недостаточно для достижения необходимой точности модели. Соответственно возникает задача определения оптимальной продолжительности учитываемой предыстории на основе исследования соотношения "стоимость информации/точность модели". Поэтому, в этом случае, необходимо непрерывно (или периодически в соответствии с определенным регламентом) накапливать информацию и изучать, познавать предметную область, чтобы обеспечить актуальность исходной информации и адекватность модели для принятия решений.

Функция интеллектуального анализа и познания предметной области обычно выполняется (реализуется) разработчиками АСУ непосредственно перед ее проектированием (НИР и ОКР) с применением уже имеющихся в арсенале науки знаний, выработанных поколениями ученых.

Когда исследование предметной области необходимо провести один раз в течение достаточно длительного специально отведенного для этого времени, то это в общем-то представляет собой вполне посильную и в какой-то степени техническую задачу.

Когда же это необходимо делать непрерывно, в реальном времени (т.е. непосредственно в процессе эксплуатации АСУ), при жестких временных ограничениях и больших размерностях обрабатываемых данных, то человек не справляется с выполнением функции познания предметной области и становится узким местом в системе управления, и, таким образом, возникает проблема, которую необходимо разрабатывать и решать.

Обычно задачи управления такого класса, которые требуют для своего решения накопления информации, ее интеллектуального анализа и познания динамичной предметной области в реальном времени при жестких ограничениях и больших размерностях данных, просто не решались.

Предлагается автоматизировать часть функций познания, т.е. некоторые из когнитивных операций, обычно реализуемых человеком, т.е. дать человеку-исследователю, человеку-аналитику инструмент, средство труда, более эффективно чем он, выполняющий переданные ему функции, освобождающий человека от нагрузки, связанной с выполнением переданных функций и, этим самым, и повышающий эффективность выполнения им оставшихся функций.

Средство автоматизации когнитивных операций представляет собой средство труда высокого функционального уровня и как всякое средство труда, реализует переданные ему функции, ранее выполнявшиеся только человеком, вне биологических и психических ограничений человека, человек же выполняет оставшиеся ему функции в более комфортном режиме, не будучи обремененным выполнением функций, переданных средству труда.

Однако различие между адаптивными и рефлексивными АСУ, связанное с учетом или неучетом существования рефлексии не является единственным. Второе, и может быть даже более существенное, различие состоит в характере управляющего воздействия, которое особенно наглядно проявляется в случае управления двухуровневым АОУ:

1. Управляющее воздействие в ААСУ АОУ направлено на ССПФ ИИС. При этом есть два варианта, связанные с тем, выключается или нет ИИС в результате управляющего воздействия на сложную систему поддержки (рисунок 1.3):

– ССПФ ИИС не выключается и ее действие приводит к тому, что АОУ "сопротивляется" внешнему управляющему воздействию, что приводит к неоправданным затратам энергии на управление (инерция), а также к тому, что система вообще не переходит в целевое состояние или через некоторое время возвращается в исходное состояние;

– ССПФ ИИС выключается, и тогда управление АОУ ничем не отличается от классического варианта адаптивного управления АОУ.

2. Управляющее воздействие РАСУ АОУ направлено непосредственно на ИИС. Это приводит к коррекции целей и мотиваций АОУ в направлении их сближения и согласования с целями внешней системы управления, что приводит к изменению направления его активности в русло, обеспечивающее "самопроизвольный" переход АОУ в заданное целевое состояние. Очень существенно, что при этом затраты энергии на управление могут быть практически нулевыми по сравнению с вариантом воздействия на ССПФ.

Рисунок 1. 3. Различие в характере управляющего воздействия на АОУ
в РАСУ ОУ и ААСУ СС

Наглядным примером, отражающим характер (уровень) воздействия на активный объект управления – пациента, является лечебное управляющее воздействие врача:

– врач-хирург физически воздействует на организм пациента (т.е. на сложную систему поддержки психических функций), как сложную систему;

– врач-психотерапевт психически воздействует на психику пациента, модифицируя его мотивации, ценности, способы оценки, стимулы и установки, рассматривая его как активную систему.

Для обеспечения высокой эффективности воздействия психотерапевт должен предварительно создать у пациента свой образ, внушающий высокий авторитет и доверие. Если пациенту будет по каким-то причинам смешно смотреть или слушать психотерапевта, то последний обречен на неудачу. Таким образом, психотерапевт управляет пациентом, как активной системой методом рефлексивного управления.

Когда при управлении человеком не считаются с тем, что он представляет собой активную систему, т.е. без согласования с ним оказывают прямое воздействие на его организм, то это часто рассматривают как насилие, оскорбление или преступление.

Примеры рефлективного взаимодействия высокого порядка:

1. Слова из песни популярной группы: "Она обернулась чтобы посмотреть, не обернулся ли он, чтобы посмотреть, не обернулась ли она".

2. "Коридор", который получается при отражении зеркал друг в друге или изображение на видеомониторе, которое получается, когда на него направляешь видеокамеру, соединенную с ним.

3. Микрофон, поднесенный к динамикам, соединенный с ними.

Третий пример наглядно иллюстрирует, что РАСУ высокого порядка рефлективности в принципе могут и самовозбуждаться, если величина рефлексии больше некоторой величины.

Возникает естественный вопрос о необходимости и целесообразности учета высоких порядков рефлективности в АСУ.

В этой связи необходимо отметить, что:

– системы высокого порядка рефлективности встречаются редко и являются довольно экзотическими;

– как правило, эффект от рефлексивных взаимодействий 2-го и более высоких порядков быстро ослабевает и на практике им можно пренебречь;

– при необходимости учета высоких порядков рефлективности резко возрастает сложность математических моделей и алгоритмов для их анализа, а также трудоемкость сбора и анализа информации.

Все это делает рассмотрение РАСУ высоких порядков рефлективности неоправданным, поэтому в данном исследовании ограничимся рассмотрением РАСУ 1-го порядка рефлективности, которые в дальнейшем изложении будут называться просто "РАСУ" без дополнительных специальных уточнений.

Связь рефлексивного управления и системного анализа: одно из основных требований системного анализа – это требование полноты и всесторонности рассмотрения. Это требование не может быть в полной мере выполнено без учета рефлексии, т.к. нерефлексивные модели активных объектов просто неполны, а значит неадекватны. При управлении детерминистскими системами рефлексивностью часто можно пренебречь без существенного ущерба для качества управления, когда же объект управления представляет собой активную систему, неучет рефлективности приводит к недопустимому уровню неадекватности модели.

Это означает, что необходимо непрерывно изучать, познавать АОУ для обеспечения адекватности его модели.

Не вполне адекватным является представление о том, что рефлексия характерна только для достаточно развитых систем, например биологических или даже только обладающих сознанием и самосознанием. Рефлексия представляет универсальное свойство объектов не только живой, но и неживой природы на всех иерархических уровнях организации систем: и в микромире, и на макро- и мега- уровнях, т.е. рефлексия является одним из проявлений всеобщего взаимодействия и взаимного отражения в природе. В качестве примеров достаточно привести второй закон Ньютона и вариационные принципы, в частности, принцип Мопертюи.

Это означает, что методы рефлексивного управления применимы и актуальны не только для управления социально-экономическими, экологическими, биологическими и интеллектуальными кибернетическими системами, но и для управления макро- и микрообъектами неживой природы, причем не только классическими, но и особенно квантовыми. Последнее заслуживает пояснения.

Квантовые объекты являются системами, которые могут находится в двух основных состояниях: редуцированном, т.е. локализованном в пространстве-времени, и в виртуальном, при котором пространственное распределение плотности вероятности описывается нелокальной волновой функцией. Именно при измерении параметров квантовых объектов или оказании на них классического по своей природе управляющего воздействия с помощью классических приборов происходит их полная или частичная редукция, т.е. их состояние существенно изменяется. Это можно рассматривать как проявление рефлексии.

Необходимо отметить, что на первый взгляд понятие цели имеет чисто субъективный характер и, соответственно, активные системы – это системы, в которых есть какой-то элемент сознания. Однако это не совсем так. В ряде случаев поведение физических и природных систем, которым трудно приписать сознание, проще понять и смоделировать, если предположить, что они как бы стремятся к некоторым объективным целям (достаточно вспомнить "Принцип Мопертюи").

Поведение активных систем прогнозировать сложнее, чем детерминистских, т.к. активность вносит существенный элемент неопределенности. Это сближает активные системы с стохастическими. Отличие состоит в том, что в стохастических системах неопределенность имеет случайный характер, т.е. представляет собой ни что иное, как шум, статистические характеристики которого обычно известны. Это обстоятельство позволяет прогнозировать и учитывать характеристики этого шума при управлении.

Неопределенность в поведении активных систем имеет принципиально иной, гораздо более сложный, целесообразный характер. Активная система может по-разному реагировать на одно и то же управляющее воздействие в зависимости от предыстории своего развития, состояния окружающей среды и прогноза их развития. Более того, активная система адаптируется к применяемым методам управления ею, включая в свою модель окружающей среды и саму внешнюю систему управления. Модель активной системы, на основе которой осуществляется управление ею, должна учитывать это обстоятельство, поэтому она с необходимостью должна быть не просто адаптивной, а более того – рефлексивной (Дружинин В.В., Конторов Д.С., 1976 [71].

Из того, что активная система создает и непрерывно модифицирует модель внешней среды (включая модель внешней системы управления), непрерывно обеспечивая ее адекватность, с необходимостью следует, что управление активной системой предполагает непрерывное ее изучение (познание), на основе которого должна адаптироваться модель активной системы в системе управления.

1.1.3. Постановка проблемы, выбор объекта и предмета исследования

Развитие активных систем представляет собой последовательное чередование этапов принятия и реализации решений. На этапе принятия решения (состояние бифуркации) состояние АС фиксировано, а направление его будущего развития неопределенно. В этом состоянии формируются или задаются закономерности, определяющие дальнейшее развитие системы на детерминистском этапе, при этом система изменяется (трансформируется) качественно, т.е. революционно. Именно в состоянии бифуркации проявляются те специфические особенности активных систем, которые позволяют называть их активными. На этапе же реализации решения (детерминистский этап), наоборот, направление развития фиксировано, а состояние АС неопределенно. В этом состоянии система развивается в соответствии с закономерностями, заданными ранее на бифуркационном этапе, при этом система изменяется количественно, т.е. эволюционно. На детерминистских этапах АС по сути можно рассматривать как сложные системы.

Необходимо отметить, что примерно с середины 80–х годов школа И.Пригожина развивает чрезвычайно перспективный и глубокий подход, согласно которому в развитии любой системы (в том числе и человека) чередуются периоды, в течение которых система ведет себя то как "в основном детерминированная", то как "в основном случайная", т.е. системы развиваются путем поочередного прохождения детерминистских и бифуркационных состояний. Однако в данном данном исследовании понятие бифуркации понимается несколько шире: т.е. как принятие решений, соответственно, детерминистский этап рассматривается как этап реализации решений. Случайный выбор направления дальнейшего развития системы представляет собой лишь один из возможных подходов к принятию решений, приемлемый в случае дефицита информации.

При управлении активными объектами на детерминистских этапах их развития адекватны адаптивные АСУ сложными системами, основанные на: мониторинге; выявлении закономерностей в предметной области путем анализа данных мониторинга; применении выявленных закономерностей в предметной области для прогнозирования развития АС и управления ей; количественном уточнении модели предметной области на основе использования информации обратной о результатах управления.

Таким образом на детерминистских этапах развития АС осуществляется адаптация формальной модели ПО, в которой в формализованном виде накапливаются знания о закономерностях, действующих на этом этапе.

Однако, на бифуркационном этапе развития АС формализованное знание закономерностей ПО, накопленное на предыдущем детерминистском этапе развития АОУ, теряет свою адекватность и является практически бесполезным или даже вредным для дальнейшего управления АОУ. При применении устаревшей модели для управления недопустимо повышается вероятность срыва управления, т.е. перевода АОУ в нецелевые состояния, что крайне нежелательно или недопустимо.

Объект исследования: системный анализ активных объектов.

1.2. ТРЕБОВАНИЯ К МЕТОДАМ РЕШЕНИЯ ПРОБЛЕМЫ И КРИТЕРИИ ИХ СРАВНЕНИЯ

Эти требования по сути являются требованиями к математической модели активного объекта управления, а критерии – критериями оценки степени адекватности модели.

Требования можно разделить на две основные группы:

– общие требования, связанные с качеством выполнения моделью своих функций и ее реализуемостью;

– специфические требования, вытекающие из их использования для синтеза и эксплуатации адаптивных АСУ сложными объектами.

Рассмотрим эти требования по порядку. Необходимо отметить, что в соответствии с концептуальной идеей решения основной проблемы, поставленной в данной работе (см. раздел 1.5), рассмотрим методы распознавания образов и принятия решений с точки зрения их применимости для моделирования активных объектов управления в рефлексивных АСУ активными объектами.

1.2.1. Общие требования (критерии качества)

Одно из основных общих требований к модели – "функциональность". Под функциональностью понимается пригодность модели для достижения поставленной цели. В контексте данной работы модель функциональна, если она обеспечивает адекватную идентификацию текущего состояния моделируемого объекта и отражает динамику его развития.

Очевидно, что функциональность модели не является единственным критерием ее качества. Показателями качества модели являются также либо собственно вероятность ошибки классификации, либо связанные с ней некоторые функции потерь. При этом различают условную вероятность ошибочной классификации, ожидаемую ошибку алгоритма классификации на выборке заданного объема, и асимптотическую ожидаемую ошибку классификации. Функции потерь также разделяют на функцию средних потерь, функцию ожидаемых потерь и эмпирическую функцию средних потерь.

Необходимо отметить, что само понятие "ошибка классификации" предполагает, что существует независимый от алгоритма распознавания способ, позволяющий достоверно определить, к какому классу относится каждый распознаваемый объект. Обычно (но не всегда) считается, что таким способом является экспертная оценка. На этой основе может быть сформулирован соответствующий критерий качества алгоритмов распознавания, который можно было бы назвать "степень соответствия экспертным оценкам", или более пространно: "очевидность и естественность результатов автоматизированной классификации для человека–специалиста". Дело в том, что, к сожалению, слишком часто результаты автоматизированной классификации плохо интерпретируются, т.е., проще говоря, малопонятны или совсем непонятны людям, несмотря на то, что при этом они являются правильными с точки зрения определенных формальных критериев. Это безусловно является существенным недостатком таких алгоритмов.

Кроме того, алгоритмы распознавания имеют свои "области компетентности", т.е. эффективность их работы в большей или меньшей степени зависит от статистических характеристик входных данных (обучающей выборки), и от того, что априорно известно об этих статистических характеристиках. В данном исследовании предлагается соответствующий критерий качества распознающего алгоритма, который мог бы быть назван "универсальность".

Практически во всех случаях предъявляются более или менее жесткие требования и ко времени решения задачи. В ряде случаев быстродействие алгоритма играет очень существенную, если не решающую роль: например, в военных приложениях (конечно, при условии, что идентификация выполняется правильно). Во всяком случае с прагматической точки зрения можно считать, что если на реальных данных, которые необходимо обработать, алгоритм работает неприемлемо долго, то можно сделать вывод о том, что он просто практически не работает.

Конечно, время решения задачи (при всех прочих равных условиях) определяется не только вычислительной эффективностью алгоритма, но и мощностью вычислительной системы (компьютера). Поэтому использование современных быстродействующих компьютеров весьма желательно. И все же не следует смешивать эти две проблемы, так как при любом уровне развития вычислительной техники всегда существовали алгоритмы, которые работали практически, а также алгоритмы, которые работали лишь теоретически, т.е. гипотетически.

Следующим критерием качества модели является ее "логическая сложность". Часто алгоритмы с более высокой достоверностью распознавания являются и более сложными.

Например, такие развитые и качественные с точки зрения высокой достоверности распознавания методы, как комплексные методы: "алгоритмы вычисления оценок" (АВО) и "коллективы решающих правил" (КРП) [75] имеют очень высокую сложность. Отсюда следует высокая сложность их программной реализации, а также низкое быстродействие, сложность интерпретации результатов их работы.

Косвенным критерием качества распознающего алгоритма является "наличие коммерческой программной реализации", а также популярность у пользователей соответствующей программной системы.

Естественно, упомянутыми выше критериями качества алгоритмов распознавания их перечень не ограничивается. Учитывая это, предлагается ввести понятие "интегральный критерий качества алгоритма распознавания". В предварительном плане для количественной оценки интегрального критерия можно предложить метод сведения многокритериальной задачи к однокритериальной, однако более подробное рассмотрение этих вопросов выходит за рамки данной работы.

По–видимому, идеальным, с точки зрения предложенных выше критериев качества, можно считать универсальный, высокоадекватный, быстросходящийся и устойчивый, быстродействующий и простой алгоритм, дающий интуитивно–понятные специалистам результаты.

Например, применяются три основных экспериментальных метода оценки наиболее распространенного критерия качества распознающих алгоритмов, вероятности достоверного распознавания:

– выборка используется одновременно как обучающая и контрольная;

– выборка разбивается на две части – обучающую и контрольную;

– из всей выборки случайным образом извлекается один объект, а по оставшимся синтезируется решающее правило и производится распознавание извлеченного объекта, эта процедура повторяется заданное число раз (например, до полного перебора).

Первый способ дает завышенную оценку качества распознавания по сравнению с той же оценкой качества по независимым от обучения данным. Второй способ является самым простым и убедительным. Им широко пользуются, если экспериментальных данных достаточно. В то же время третий способ, называемый также методом скользящего экзамена, является наиболее предпочтительным, так как дает меньшую дисперсию оценки вероятности ошибки. Однако этот метод является и самым трудоемким, так как требует многократного построения правила распознавания.

1.2.2. Специфические требования, вытекающие из проблематики исследования

Кроме общих требований к методу распознавания образов, существуют еще и специфические, которые вытекают из применения этого метода для синтеза и эксплуатации адаптивных АСУ сложными системами.

Метод должен обеспечивать:

– решение обратной задачи распознавания: т.е. по целевому состоянию АОУ он должен определять входные параметры, переводящие объект управления в это состояние;

– сравнение целевых и иных состояний активного объекта управления по тем факторам, которые способствуют или препятствуют переводу АОУ в эти состояния (изучение вопросов устойчивости управления).

Таким образом, на основе вышеизложенного можно сформулировать следующие основные требования к моделям АОУ, ориентированные на применение в РАСУ АО.

Модель должна обеспечивать:

– идентификацию состояния АОУ по его выходным параметрам (при независимости времени идентификации от объема обучающей выборки);

– выработку эффективных управляющих воздействий на активный объект управления;

– накопление информации об объекте управления и повышение степени адекватности модели, в том числе в случае изменения характера взаимосвязей между входными и выходными параметрами АОУ (адаптивность);

– определение ценности факторов для детерминации состояний АОУ и контролируемое снижение размерности модели при заданных граничных условиях, в том числе избыточности.

Кроме того, модель должна быть математически прозрачной (достаточно простой) и технологичной в программной реализации.

1.3. ТРАДИЦИОННЫЕ ПУТИ РЕШЕНИЯ ПРОБЛЕМЫ

1.3.1. Характеристика исходных данных и требования к математической модели

Предполагается, что исходные данные обладают большими размерностями (тысячи и десятки тысяч факторов и состояний объекта управления), не подчиняются нормальному распределению, являются фрагментарными (неполными), а также неточными и зашумленными. Считается, что их невозможно собрать в результате специально-организованного эксперимента и единственным способом их получения является наблюдение.

Из этих характеристик исходных данных вытекают следующие основные требования к математической модели:

– содержательная интерпретируемость;

– эффективная вычислимость на основе эмпирических данных (наличие эффективного численного метода);

– универсальность;

– адекватность;

– сходимость;

– семантическая устойчивость;

– сопоставимость результатов моделирования в пространстве и времени;

– непараметричность;

– формализация базовых когнитивных операций системного анализа (прежде всего таких, как обобщение, абстрагирование, сравнение классификация и др.);

– корректность работы на фрагментарных, неточных и зашумленных данных;

– возможность обработки данных очень больших размерностей (тысячи и десятки тысяч факторов и будущих состояний объекта управления);

– математическая и алгоритмическая ясность и простота, эффективная программная реализуемость.

Рассмотрим различные классы моделей на предмет их соответствия предъявляемым требованиям.

1.3.2. Понятие модели; классификация и общие принципы построения моделей. Выбор класса модели активного объекта управления в рефлексивной АСУ (содержательные информационные модели)

При построении АСУ существует фундаментальная и в принципе неустранимая проблема, вытекающая из противоречия между целью и средствами АСУ. Это проблема адекватности средств: АСУ создаются для управления состояниями реальных объектов, а манипулируют они лишь условными сигналами о состояниях реальных объектов и их математическими моделями.

Перед принятием решения о характере управляющего воздействия на объект его возможные результаты моделируются в АСУ на основе математической модели объекта управления. Поэтому эффективность АСУ непосредственно связана с адекватностью модели объекта управления и достоверностью информации о его реальных состояниях.

В этой связи для достижения целей исследования необходимо:

– рассмотреть роль и место математических моделей в общей системе классификации моделей различного типа;

– дать определение сложной системы и сложного объекта управления АСУ;

– сформулировать общие принципы построения математических моделей сложных систем;

– обосновать выбор абстрактной модели АОУ.

Сущность моделирования и общая классификация моделей.

Под моделью понимается некий объект–заместитель, который в определенных условиях заменяет изучаемый объект–оригинал, воспроизводя наиболее существенные его свойства и обеспечивая большее удобство оперирования [234].

Первоначально в качестве моделей одних объектов применялись другие объекты. Затем были осознаны модельные свойства чертежей, рисунков и карт. Отдельный класс составляют физические аналоговые модели: электрические, пневматические и т.п. Следующий шаг заключался в признании того, что моделями одних реальных объектов могут служить не только другие реальные объекты, но и абстрактные идеальные построения, типичным примером которых служат математические и другие символические модели, в частности сам язык.

Математические модели в свою очередь подразделяются на статистические (матричные), операциональные (алгоритмические) и аналитические [234].

Кроме того, модель может быть специально построена таким образом, чтобы отражать только внешние, наблюдаемые феноменологические характеристики моделируемых явлений. Такие модели называются феноменологическими. Также разработчик может попытаться сконструировать содержательную модель явления, вскрывающую внутренние ненаблюдаемые механизмы явления, но таким образом, чтобы из этой содержательной модели следовали и внешне наблюдаемые характеристики. Если эти прогнозируемые на основании содержательной модели внешние характеристики соответствуют действительно наблюдаемым, то обычно считается, что и содержательная модель соответствует действительности, т.е. верна или истинна.

При этом считается, что "в действительности все устроено именно так, как это предполагается в содержательной модели". Это очень сильная и ответственная операция придания абстрактной модели онтологического статуса называется гипостазированием. В результате выполнения этой и чаще всего неоправданной операции люди начинают считать, что мир устроен определенным образом, хотя в действительности так устроена лишь их модель этого мира. К вопросу об истинности содержательных моделей нужно относиться крайне осторожно, так как, по–видимому, можно создать неограниченное количество различных содержательных моделей, верно объясняющих одну и ту же феноменологическую картину (альтернативные модели).

К этому необходимо добавить, что построение содержательных моделей значительно более трудоемко, чем феноменологических.

Математические модели обладают различной степенью общности:

– наиболее общими являются статистические (матричные) модели, частным случаем которых являются информационные модели, которые позволяют отобразить и детерминистские, и статистические системы очень большой размерности;

– алгоритмические модели имеют более узкую область адекватности: они неудобны для отображения статистических зависимостей и лучше работают в детерминистской области;

– аналитические модели можно отнести к подмножеству алгоритмических, для которых разработан аналитический формализм (уравнения, формулы).

С возникновением математической лингвистики было осознано, что языковые модели также относятся к аналитическим моделям. В этом смысле любое словесное описание какого либо объекта является его моделью, а сам язык в целом является моделью той области реальности, которую можно каким–либо образом (с различными степенями адекватности) отобразить с его использованием [234]. Более того, язык – это модель реальности, вполне адекватно отражающая исторический опыт того народа, который этот язык создал.

В настоящее время осуществляются совершенно обоснованные попытки обобщить понятие модели на любые информационно связанные реальные и идеальные системы. Если есть любые две информационно взаимодействующие системы (неважно реальные или идеальные), то любая из этих систем может рассматриваться как модель другой в той степени, в какой она отражает ее.

Таким образом, модель некоторого объекта или явления есть и средство, и результат его познания.

Именно использование модели явления позволяет АСУ моделировать последствия различных вариантов целенаправленного управляющего воздействия на него, сравнивать эти возможные последствия с целевыми, желательными состояниями и выбирать воздействие, приводящее к результату, наиболее близкому к целевому.

Общие принципы построения математических моделей при управлении активными объектами.

Рассмотрим этапы построения, вопросы алгоритмизации и программной реализации моделей сложных систем, применимых в адаптивных АСУ сложными системами.

Существуют три основных проблемы, которые необходимо решить перед созданием математической модели сложной системы:

– прежде всего должна быть определена цель создания модели, так как модель отображает оригинал не во всей его полноте (это невозможно, так как модель конечна, а любой объект неисчерпаем), а лишь те аспекты оригинала, которые связаны с достижением поставленной цели; цель, безусловно, сама представляет собой модель того состояния объекта управления, для достижения которого применяется АСУ;

– должен быть выбран тип модели, исходя из двух взаимосвязанных требований: во–первых, модель должна адекватно отображать актуальное состояние оригинала, и, во–вторых, она должна обеспечивать формирование алгоритма преобразования объекта управления из актуального состояния в целевое;

– модель должна быть проста в реализации, т.е. требовать для своей реализации минимальных вычислительных и других видов ресурсов, так как в противном случае эта модель будет представлять лишь чисто абстрактный интерес.

Отметим, что в качестве варианта решения этих проблем, имеющего ряд достоинств, в данном исследовании предложена адаптивная информационная модель, обеспечивающая динамическую перестройку решающих правил в соответствии с содержанием обучающей информации и новой (дополнительной) или изменившейся целью.

Модель должна обеспечивать выявление наиболее существенного в объекте с точки зрения достижения цели управления.

Конечность модели неизбежно приводит к тому, что любая модель является упрощенной. Это считается приемлемым, так как все соглашаются с неизбежностью того, что модель соответствует оригиналу с некоторой погрешностью. Необходимо лишь, чтобы эта погрешность была практически приемлемой. Необходимо подчеркнуть, что на практике упрощенность модели не является особым препятствием для ее эффективного применения.

Существует еще одна причина вынужденного упрощения модели: необходимость практической реализации модели и реального оперирования с ней. Очень сложные модели невозможно реализовать и практически использовать, поэтому они имеют скорее лишь чисто научную ценность. Опыт показывает, что сложные модели редко хорошо работают. Часто упрощенные модели дают огромный выигрыш в потребляемых вычислительных ресурсах по сравнению с оптимальными моделями, давая результаты, отличающиеся от оптимальных условно говоря в десятых знаках после запятой. Простые и эффективные модели часто вызывают своего рода эстетическое удовлетворение, т.е. они в определенном смысле "красивы".

Таким образом, при создании модели явления нужно стремиться не только к тому, чтобы она адекватно отражала все наиболее существенные стороны моделируемого явления (с точки зрения достижения цели управления), но и соответствовала требованиям "простоты" и "красоты".

При создании модели необходимо специально в явном виде сформулировать те предпосылки, которые должны быть истинными, чтобы модель была применимой, т.е. те условия и характеристики моделируемых явлений, соблюдение которых необходимо для обеспечения адекватности модели.

Например, в ряде случаев пользователи статистических пакетов применяют параметрические статистические процедуры, пригодные только в случае нормальности выборки, и при этом не только не проверяют, выполняется ли это условие, но и даже не задумываются о том, соблюдается ли оно в их конкретном случае. К выводам, полученным при подобных "методах" исследования, нужно относиться с большой осторожностью, так как достоверный результат при таком подходе сам является случайностью.

Подобные ситуации выдвинули перед разработчиками моделей специальную проблему: создание моделей, применимость которых сохраняется в очень широком диапазоне условий данных. В математической статистике этому подходу соответствуют непараметрические и робастные процедуры обработки данных, в теории управления – исследование устойчивости моделей и адаптивные модели.

Часто бывает сложным явно исследовать выборку на нормальность. В этом случае косвенным свидетельством в пользу ее нормальности может служить согласованность результатов ее анализа параметрическими и непараметрическими методами. Поэтому рекомендуется не ограничиваться каким–либо одним, пусть даже, по–видимому, адекватным задаче методом, а применять несколько различных методов и затем сопоставлять их результаты друг с другом. Это существенно увеличивает надежность выводов.

Наука накопила значительный опыт построения различного рода моделей. Заманчивой кажется идея обобщения этого опыта и построения алгоритма для проектирования моделей, по крайней мере моделей определенного класса. Однако более глубокий анализ показывает, что построение модели является сложным наукоемким и творческим итерационным процессом, в котором в процессе построения модели могут уточняться и даже изменяться цели ее создания и другие исходные данные. В любом случае обнаружить недостатки уже работающей модели гораздо проще, чем предусмотреть и обойти их заранее. На основании этого можно сделать вывод о том, что создание каждой модели высокого качества представляет собой событие в соответствующей области науки, а сам процесс создания новых моделей, полностью (до конца) в принципе не формализуем.

В этой связи особую значимость приобретает вопрос о разработке адаптивных моделей, т.е. моделей, способных легко перестраиваться и сохранять высокую степень адекватности как при изменении целевых и оценочных установок, так и самой моделируемой предметной области.

Опыт показывает, что модели, не обладающие высокой степенью адаптивности, как правило, имеют короткий жизненный цикл, так как быстро теряют адекватность (исключением из этого правила являются лишь естественнонаучные модели, описывающие фундаментальные свойства реальности).

1.3.3. Модели, применяемые в социально-экономическом анализе и прогнозировании

Согласно В. В. Федосееву с соавторами [322] общепринятой классификации моделей социально-экономических систем не существует, вместе с тем для этого обычно используют несколько независимых друг от друга классификационных шкал с градациями (таблица 1.2).

Таблица 1. 2 – КЛАССИФИКАЦИЯ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ
СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМ

Сам В. В. Федосеев рассматривает:

– основы линейного программирования;

– оптимальные экономико-математические модели;

– методы и модели анализа динамики экономических процессов;

– модели прогнозирования;

– балансовые модели;

– эконометрические (регрессионные) модели;

– прикладные модели.

Другие авторы дают несколько отличающуюся классификацию экономико-математических методов и моделей.

Н. Ш. Кремер, Б. А. Путко и соавторы [112, 113] рассматривают:

– модели линейного и нелинейного программирования;

– модели сетевого планирования и управления;

– теорию массового обслуживания;

– модели управления запасами;

– элементы теории вероятностей, математической статистики и линейной алгебры;

– парный и множественный регрессионный анализ;

– регрессионные статические и динамические модели;

– методы анализа временных рядов и прогнозирования;

– обобщенную линейную модель множественной регрессии и метод наименьших квадратов;

– системы одновременных уравнений.

О.О.Замков, А.В.Толстопятенко и Ю.Н.Черемных в своей работе [87] раскрывают содержание следующих методов:

– функции и графики;

– основы дифференциального исчисления и его применение к исследованию функций, в частности эластичности функций и функций нескольких переменных;

– соотношения между суммарными, средними и предельными величинами;

– оптимизационные задачи с ограничениями и задачи оптимизации производства;

– методы максимизации полезности, модели потребительского спроса и компенсационные эффекты;

– производственные функции;

– экономическая динамика и ее моделирование;

– математическая теория игр;

– экономико-статистические методы;

– линейная регрессия: статистический анализ модели, ее построение и применение для макроэкономического анализа;

– метод наименьших квадратов;

– системы одновременных уравнений;

– нелинейная регрессия;

– авторегрессионное преобразование.

Таким образом, на основании этого краткого анализа, по мнению автора, можно констатировать, что традиционно при рассмотрении экономико-математических методов недостаточно внимания уделяется интеллектуальным методам анализа данных и извлечения знаний из данных (Data Mining), прежде всего таким, как методы распознавания образов и принятия решений, а также вопросам применения теории информации в экномических исследованиях. В определенной степени эту диспропорцию компенсируют такие работы как [181–184, 320, 321]. Рассмотрим некоторые из этих методов и подходов подробнее.

1.3.4. Идентификация состояний активных систем в рефлексивных АСУ

Основные задачи адаптивной идентификации.

Распознавание представляет собой информационный процесс, реализуемый некоторым преобразователем информации (интеллектуальным информационным каналом, системой распознавания), имеющим вход и выход. На вход системы подается информация о том, какими признаками обладают предъявляемые объекты. На выходе системы отображается информация о том, к каким классам (обобщенным образам) отнесены распознаваемые объекты.

При создании и эксплуатации автоматизированной системы распознавания образов решается ряд задач. Рассмотрим кратко и упрощенно эти задачи. Отметим, что у различных авторов формулировки этих задач, да и сам набор не совпадают, так как он в определенной степени зависит от конкретной математической модели, на которой основана та или иная система распознавания. Кроме того, некоторые задачи в определенных моделях распознавания не имеют решения и, соответственно, не ставятся.

Задача формализации предметной области.

По сути это задача является задачей кодирования. Составляется список обобщенных классов, к которым могут относиться конкретные реализации объектов, а также список признаков, которыми эти объекты в принципе могут обладать.

Задача формирования обучающей выборки.

Обучающая выборка представляет собой базу данных, содержащую описания конкретных реализаций объектов на языке признаков, дополненную информацией о принадлежности этих объектов к определенным классам распознавания.

Задача обучения системы распознавания.

Обучающая выборка используется для формирования обобщенных образов классов распознавания на основе обобщения информации о том, какими признаками обладают объекты обучающей выборки, относящиеся к этому классу и другим классам.

Задача снижения размерности пространства признаков.

После обучения системы распознавания (получения статистики распределения частот признаков по классам) становится возможным определить для каждого признака его ценность для решения задачи распознавания. После этого наименее ценные признаки могут быть удалены из системы признаков. Затем система распознавания должна быть обучена заново, так как в результате удаления некоторых признаков статистика распределения оставшихся признаков по классам изменяется. Этот процесс может повторяться, т.е. быть итерационным.

Задача распознавания, идентификации и прогнозирования.

Распознаются объекты распознаваемой выборки, которая, в частности, может состоять и из одного объекта. Распознаваемая выборка формируется аналогично обучающей, но не содержит информации о принадлежности объектов к классам, так как именно это и определяется в процессе распознавания. Результатом распознавания каждого объекта является распределение или список всех классов распознавания в порядке убывания степени сходства распознаваемого объекта с ними.

Задача контроля качества распознавания, идентификации и прогнозирования.

После распознавания может быть установлена его адекватность. Для объектов обучающей выборки это может быть сделано сразу, так как для них просто известно, к каким классам они относятся. Для других объектов эта информация может быть получена позже. В любом случае может быть определена фактическая средняя вероятность ошибки по всем классам распознавания, а также вероятность ошибки при отнесении распознаваемого объекта к определенному классу.

Результаты распознавания должны интерпретироваться с учетом имеющейся информации о качестве распознавания.

Задача адаптации.

Если в результате выполнения процедуры контроля качества установлено, что оно неудовлетворительное, то описания неправильно распознанных объектов могут быть скопированы из распознаваемой выборки в обучающую, дополнены адекватной классификационной информацией и использованы для переформирования решающих правил, т.е. учтены. Более того, если эти объекты не относятся к уже имеющимся классам распознавания, что и могло быть причиной их неверного распознавания, то этот список может быть расширен. В результате система распознавания адаптируется и начинает адекватно классифицировать эти объекты.

Задача выработки управления (обратная задача распознавания, идентификации и прогнозирования).

Задача распознавания состоит в том, что для данного объекта по его известным признакам устанавливается его принадлежность к некоторому ранее неизвестному классу. В обратной задаче распознавания, наоборот, для данного класса распознавания устанавливается, какие признаки наиболее характерны для объектов данного класса, а какие нет (или какие объекты обучающей выборки относятся к данному классу).

Задачи кластерного и конструктивного анализа.

Кластерами называются такие группы объектов, классов или признаков, что внутри каждого кластера они максимально сходны, а между разными кластерами – максимально различны.

Конструктом (в контексте, рассматриваемом в данном разделе) называется система противоположных кластеров. Таким образом, в определенном смысле конструкты есть результат кластерного анализа кластеров.

В кластерном анализе количественно измеряется степень сходства и различия объектов (классов, признаков), и эта информация используется для классификации. Результатом кластерного анализа является сама классификация объектов по кластерам. Эта классификация может быть представлена в форме семантических сетей.

Задача когнитивного анализа.

В когнитивном анализе информация о сходстве и различии классов или признаков интересует исследователя сама по себе, а не для того, чтобы использовать ее для классификации, как в кластерном и конструктивном анализе.

Если для двух классов распознавания является характерным один и тот же признак, то это вносит вклад в сходство этих двух классов. Если же для одного из классов этот признак является нехарактерным, то это вносит вклад в различие.

Если два признака коррелируют друг с другом, то в определенном смысле их можно рассматривать как один признак, а если антикоррелируют, то как различные. С учетом этого обстоятельства наличие различных признаков у разных классов также вносит определенный вклад в их сходство и различие.

Результаты когнитивного анализа могут быть представлены в форме когнитивных диаграмм.

Методы идентификации и их характеристики.

Принципы классификации методов распознавания образов.

Распознаванием образов называются задачи построения и применения формальных операций над числовыми или символьными отображениями объектов реального или идеального мира, результаты решения которых отражают отношения эквивалентности между этими объектами. Отношения эквивалентности выражают принадлежность оцениваемых объектов к каким–либо классам, рассматриваемым как самостоятельные семантические единицы.

При построении алгоритмов распознавания классы эквивалентности могут задаваться исследователем, который пользуется собственными содержательными представлениями или использует внешнюю дополнительную информацию о сходстве и различии объектов в контексте решаемой задачи. Тогда говорят о "распознавании с учителем" [75]. В противном случае, т.е. когда автоматизированная система решает задачу классификации без привлечения внешней обучающей информации, говорят об автоматической классификации или "распознавании без учителя". Большинство алгоритмов распознавания образов требует привлечения весьма значительных вычислительных мощностей, которые могут быть обеспечены только высокопроизводительной компьютерной техникой.

Различные авторы ( Ю.Л. Барабаш [15], В.И. Васильев [39], А.Л. Горелик , В.А. Скрипкин [58], Р. Дуда, П. Харт [72], Л.Т.Кузин [114], Ф.И. Перегудов, Ф.П. Тарасенко [234], Темников Ф.Е., Афонин В.А., Дмитриев В.И. [309], Дж. Ту, Р. Гонсалес [315], П. Уинстон [318], К. Фу [328], Я.З. Цыпкин [340] и др.) дают различную типологию методов распознавания образов. Одни авторы различают параметрические, непараметрические и эвристические методы, другие – выделяют группы методов, исходя из исторически сложившихся школ и направлений в данной области. Например, в работе [75], в которой дан академический обзор методов распознавания, используется следующая типология методов распознавания образов:

– методы, основанные на принципе разделения;

– статистические методы;

– методы, построенные на основе "потенциальных функций";

– методы вычисления оценок (голосования);

– методы, основанные на исчислении высказываний, в частности на аппарате алгебры логики.

В основе данной классификации лежит различие в формальных методах распознавания образов и поэтому опущено рассмотрение эвристического подхода к распознаванию, получившего полное и адекватное развитие в экспертных системах.

Эвристический подход основан на трудно формализуемых знаниях и интуиции исследователя. При этом исследователь сам определяет, какую информацию и каким образом система должна использовать для достижения требуемого эффекта распознавания.

Подобная типология методов распознавания с той или иной степенью детализации встречается во многих работах по распознаванию. В то же время известные типологии не учитывают одну очень существенную характеристику, которая отражает специфику способа представления знаний о предметной области с помощью какого–либо формального алгоритма распознавания образов.

Д.А.Поспелов (1988) выделяет два основных способа представления знаний [244]:

– интенсиональное, в виде схемы связей между атрибутами (признаками).

– экстенсиональное, с помощью конкретных фактов (объекты, примеры).

Интенсиональное представление фиксируют закономерности и связи, которыми объясняется структура данных. Применительно к диагностическим задачам такая фиксация заключается в определении операций над атрибутами (признаками) объектов, приводящих к требуемому диагностическому результату. Интенсиональные представления реализуются посредством операций над значениями атрибутов и не предполагают произведения операций над конкретными информационными фактами (объектами).

В свою очередь, экстенсиональные представления знаний связаны с описанием и фиксацией конкретных объектов из предметной области и реализуются в операциях, элементами которых служат объекты как целостные системы.

Можно провести аналогию между интенсиональными и экстенсиональными представлениями знаний и механизмами, лежащими в основе деятельности левого и правого полушарий головного мозга человека. Если для правого полушария характерна целостная прототипная репрезентация окружающего мира, то левое полушарие оперирует закономерностями, отражающими связи атрибутов этого мира [91, 244].

Описанные выше два фундаментальных способа представления знаний позволяют предложить следующую классификацию методов распознавания образов:

– интенсиональные методы, основанные на операциях с признаками.

– экстенсиональные методы, основанные на операциях с объектами.

Необходимо особо подчеркнуть, что существование именно этих двух (и только двух) групп методов распознавания: