ВВЕДЕНИЕ

КОГНИТИВНАЯ АНАЛИТИЧЕСКАЯ СИСТЕМА “ЭЙДОС-6.2” И СИСТЕМА “ЭЙДОC-Y” — АДЕКВАТНЫЙ ИНСТРУМЕНТАРИЙ ДЛЯ ПСИХОЛОГИЧЕСКИХ СЛУЖБ

Работы автора над созданием современных компьютерных Y-технологий, обеспечивающих управляемый перевод человека в оптимальные формы сознания, начались в 1979 году [5]. Эти работы были инициированы необходимостью решения ряда проблем, некоторые из которых освещаются ниже.

Первая группа проблем связана с необходимостью получения комплексной картины предметной области с помощью узкоориентированного, т.е. специализированного психометрического инструментария.

В настоящее время психологи-практики все чаще обращаются к комплексному психологическому тестированию. Основная причина этого очевидна: каждый из стандартных психологических тестов или опросников позволяют исследовать лишь какой-либо один из уровней или аспектов личности, или достаточно узкий их спектр, тогда как основной интерес представляет именно получение и исследование целостной картины, которая определяется характером взаимосвязей разноуровневых свойств личности.

Например, самоактуализационный тест (САТ) измеряет прежде всего социально-обусловленные качества респондентов, тогда как опросник 16 PF Р.Б.Кеттелла - конституционные психические качества, детерминируемые более фундаментальными и устойчивыми генотипическими факторами.

На определяющую роль изучения межуровневых взаимосвязей индивидуальных, психодинамических и социально-психологических свойств личности для интегрального исследования индивидуальности указывал В.С.Мерлин [13].

Вторая группа проблем, связана с тем, что практически все стандартные психодиагностические тесты, опросники и процедуры (далее: “тесты”) обладают целым рядом принципиальных недостатков, ограничивающих их корректное и методологически оправданное применение:

1. эти тесты разработаны и нормированы на выборке разработчика, а должны применяться на выборке пользователя;

2. они созданы для одних целей, а используются для других целей;

На первый взгляд кажется, что первая проблема решается адаптацией тестов, однако это не совсем так. Дело в том, что необходимо еще подтвердить специальным исследованием, что адаптированный скажем С.Петербургской психологической школой (фирма “Иматон” и др.) тест применим на Кубани, т.е. учитывает Южно-Российскую региональную специфику.

Автор считает, что адаптировать тесты необходимо на репрезентативной выборке, представляющей ту генеральную совокупность, на которой они будут применяться. Иначе даже “адаптированные” где-то и для кого-то тесты не будут учитывать региональной специфики, в которой работают конкретные пользователи, и практически ничем не будут отличаться в этом отношении от “неадаптированных”.

Но даже у тестов учитывающих региональную специфику (локализованных) из-за динамичности предметной области со временем уменьшается надежность и валидность. Поэтому необходима периодическая адаптация тестов к изменившимся условиям, а лучше - работа тестов в адаптивном режиме. На сегодняшний день по литературным данным известна лишь одна система, обеспечивающая не только автоматизированную разработку, но и эксплуатацию тестов в адаптивном режиме - это система “ЭЙДОС-6.2” [6].

Известно, что работы по адаптации тестов являются весьма трудоемкими и наукоемкими, а также сложными в организационно-юридическом отношении [2, 11]. Поэтому в настоящее время в России научные центры, способные решать эти задачи, можно буквально пересчитать по пальцам одной руки. Очевидно, мощности этих центров не обеспечивают потребностей регионов в стандартизированном психометрическом инструментарии.

Из этих предпосылок часто делается вывод (см., например, [11]) о том, что необходимо дать психологам технологию создания и адаптации тестов, чтобы они сами на местах могли решать эту проблему. Однако в настоящее время этот вывод представляется автору необоснованным, несмотря на то, что и он придерживался ранее этой точки зрения [6]. Дело в том, что дать психологу подобный инструмент - это все равно, что дать рядовому бухгалтеру систему программирования Turbo C++ и предложить ему, чтобы он сам создал, а затем модернизировал такую систему бухучета, которая отражала бы специфику его предприятия. Однако рядовой бухгалтер не имеет для решения этой задачи ни сил, ни времени, ни соответствующей квалификации. Так же и рядовой психолог не сможет, да и не должен заниматься выработкой своего инструментария.

Но если предположить, что психологи все же займутся не своим прямым делом, а разработкой инструментария, и что у них это получится, то это будет означать одновременно конец какой-либо сопоставимости в их исследованиях, так как каждый будет пользоваться своим собственным инструментарием. По сути мы сталкиваемся в этой ситуации с метрологической проблемой. И мы знаем, что существуют центры и лаборатории стандартизации и метрологии, которые занимаются поверкой и, если надо, настройкой измерительных приборов. Опыт метрологических служб является весьма ценным в нашем случае и им целесообразно воспользоваться.

Следовательно, весьма актуальным является создание региональных ведомственных и межведомственных психологических центров, которые могли бы решать как задачу оснащения практических психологов в своих регионах новыми, адаптированными и сопоставимыми психометрическими методиками, так и обеспечивать организацию и координацию регламентных сопоставимых исследований в масштабах своих регионов.

Проблема нецелевого применения тестов по мнению автора является даже еще более острой, чем проблема их неадекватности. Вызывает по меньшей мере удивление с какой легкостью “специалисты” некоторых частных фирм, изучив всего-лишь одно отдельно взятое психологическое свойство, например, “общительность”, выносят рекомендации о том, может ли данный кандидат быть, например, бухгалтером, сотрудником службы безопасности или инкассатором банка. Спрашивается, зачем банку нужен общительный бухгалтер? Но отсутствием элементарной методологической корректности применения тестов страдают не только коммерческие фирмы, живущие за счет рекламы, вводящей в заблуждение. В медицинской комиссии медотдела УВД с применением тестов Кеттелла и Люшера даются рекомендации о профессиональной пригодности или непригодности каждого конкретного кандидата для службы в ОВД. Но ведь данные тесты не предназначены для этих целей и их применение в данном случае с научно-методической точки зрения не более (и не менее) оправдано, чем, например, применение кофейной гущи.

Конечно ясно, что результаты тестирования с помощью этих тестов каким-то образом связаны с успешностью или неуспешностью службы на различных должностях в ОВД. Но ведь вопрос как раз и заключается в том, что эта взаимосвязь еще никем не исследовалась и фактически никому не известна. А ведь на пути к практическому применению этих знаний необходимо еще создать соответствующий инструментарий, опробировать его, сертифицировать и стандартизировать как пригодный для решения данных конкретных задач. Забегая вперед отметим, что инструментарий и методика для создания двухступенчатого теста на базе тестов Кеттела и Люшера (а также других) имеется: - это базовая когнитивная система “ЭЙДОС-6.2” и система обработки данных комплексного психологического тестирования “ЭЙДОC-Y” [6].

Выводы:

Для проведения исследований интегральной индивидуальности на современном технологическом уровне необходимо применение соответствующих автоматизированных систем, реализующих адекватные данной задаче методологические концепции и математические модели. Задача создания и применения подобных систем является весьма актуальной.

Актуальной является задача создания в КЮИ МВД РФ научно-методического психологического Центра, способного решать как следующие задачи:

1. разработка новых сопоставимых психометрических методик специального назначения;

2. организация, координация, научно-методическое и инструментальное обеспечение регламентных сопоставимых психологических исследований в масштабах региона;

3. адаптация, локализация, сертификация и стандартизация уже имеющихся и практически использующихся психометрических методик.

Все уже практически применяемые в ОВД края психометрические методики должны пройти сертификацию и стандартизацию в Центре. Выводы и рекомендации, которые даются на основе применения не сертифицированных и не стандартизированных Центром методик должны быть признаны научно-методически не обоснованными и юридически ничтожными. В перспективе Центр мог бы выполнять функции регионального ведомственного психологического центра. Функции, структура и обеспечение деятельности подобного центра подробно развиты автором в работе [6].

ОПИСАНИЕ СИСТЕМЫ “ЭЙДОC-Y”

Для решения задач комплексной обработки данных психологического тестирования и получения как комплексных индивидуальных психологических портретов респондентов, так и их групп, автором была разработана система “ЭЙДОC-Y”.

Система “ЭЙДОC-Y” относится к окружению системы “ЭЙДОС-6.2” т.е. она с одной стороны представляет собой расширяемый супертест (аналогично MMPI), а с другой стороны является программным интерфейсом между реализованными в ней стандартными тестами и системой “ЭЙДОС-6.2”, обеспечивающей интеллектуальную обработку результатов тестирования [3, 4, 5, 6, 7, 8, 9, 10].

Система “ЭЙДОC-Y” обеспечивает:

1. ввод и обработку первичных данных о респондентах;

2. экспорт данных в универсальную когнитивную аналитическую систему “ЭЙДОС-6.2” для их содержательного углубленного анализа и для разработки двухступенчатых тестов и тестов прямого действия;

3. объединение баз первичных данных, введенных на разных компьютерах.

Основные отличия (а, по мнению автора, и преимущества) системы “ЭЙДОС-Y” по сравнению с аналогами, состоят в следующем:

1. Данная система предназначена не для опроса респондентов непосредственно за компьютером, а для ввода и обработки данных тестирования. Автор считает нецелесообразным применение компьютеров непосредственно для тестирования респондентов в наших условиях, т.к. для большинства респондентов использование компьютера само по себе является сильным стрессовым фактором, что искажает результаты тестирования. Кроме того, как показывает опыт, ввод данных опроса в систему “ЭЙДОC-Y” осуществляется практически на порядок быстрее, чем тестирование за компьютером, что обеспечивает соответствующую экономию машинного времени. Например, вместо использования 50 компьютеров для тестирования 50 респондентов в течение 1 часа, мы тестируем этих респондентов “за столом”, а потом на одном компьютере вводим данные для обработки в течение 5 часов, что не представляет организационно-технических сложностей.

2. Системой сохраняются в базах данных не только результаты интерпретации ответов респондентов (стены, факторы и т.п.), но и сами первичные данные опроса. Это позволяет в дальнейшем использовать непосредственно первичные данные как для их анализа различными методами с помощью статистических систем, так и для разработки тестов прямого действия с помощью системы “ЭЙДОС-6.2”;

3. Система обеспечивает автоматизированное применение ключей и автоматизированную интерпретацию результатов тестирования, как по каждому тесту отдельно, так и по всем тестам совместно в их взаимосвязи, причем виды изучаемых взаимосвязей очень гибко задаются самим исследователем;

4. Система обеспечивает экспорт первичных данных и результатов их стандартной интерпретации в универсальную когнитивную аналитическую систему “ЭЙДОС-6.2”, что позволяет осуществить их совместный содержательный углубленный анализ, а также получить новые оптимальные двухступенчатые тесты и тесты прямого действия;

5. Система позволяет получит не только психологическую характеристику отдельных индивидуумов, но и групп респондентов, относящихся к определенным градациям шкал, введенных самими исследователями.

В настоящее время система “ЭЙДОС-Y” обеспечивает комплексную (совместную) обработку данных по следующим опросным процедурам одновременно:

1. тест выявляющий уровень самоактуализации (САТ);

2. опросник 16 PF Р.Б.Кеттелла;

3. опросник по определению стиля управленческой деятельности;

4. анкета "Ориентация на развитие";

5. анкета "Опосредующие развитие факторы (стимулирующие и препятствующие)".

Принцип организации системы обеспечивает расширение перечня совместно используемых опросных процедур. Добавление новой опросной процедуры реализуется разработчиками системы и требует одного-двух человеко-дней.

Математические модели, реализуемые системой “ЭЙДОC-Y” являются упрощением и конкретизацией моделей системы “ЭЙДОС-6.2” для данного специального случая.

Настройка системы на способ совместной обработки результатов тестирования осуществляется следующим образом.

В режиме “Шкалы классификации респондентов” исследователь имеет возможность ввести наименования некоторого количества шкал и по каждой шкале указать определенное количество градаций с их наименованиями. Количество шкал и количество градаций по разным шкалам может быть различное (в отличии от многих других систем), но не более некоторого максимального количества, определяемого при генерации системы (в настоящее время до 99).

В режиме “Ведение справочника респондентов” исследователь может добавлять новых респондентов, вводить и корректировать их фамилию, имя и отчество (в остальных же режимах данный список респондентов лишь используется и не может быть скорректирован). Правее фамилий есть столбцы, соответствующие шкалам, введенным в справочник шкал. В каждом столбце исследователь задает код той градации соответствующей шкалы, к которой относится респондент. В данном режиме на экране отображаются и наименования шкал, и наименования градаций.

Таким образом в системе “ЭЙДОС-Y” каждый респондент характеризуется не только всей совокупностью его ответов на вопросы батареи тестов, как в большинстве статистических систем (например: SPSS, STATGRAPHICS, STATISTICA), но и принадлежностью к определенным группам, соответствующим градациям шкал, заданных самим пользователем. Решение о принадлежности респондента к тем или иным группам принимается исследователями на основе результатов тестирования или(и) экспертных оценок. Данная особенность системы сближает ее с интеллектуальной системой “ЭЙДОС-6.2” и позволяет организовать полноценный экспорт данных о респондентах в последнюю.

Надежность обработки информации в системе обеспечивается следующими мерами:

1. все режимы ввода данных организованы таким образом, что исключается возможность ввода некорректных данных;

2. система автоматически ведет архивы баз данных;

3. автоматически переиндексирует все базы данных в случае отсутствия индексных массивов.

Выходные формы системы. Каждая опросная процедура, входящая в состав системы, выдает результаты в виде двух таблиц:

1. в первой против фамилии каждого респондента содержатся данные интерпретации его ответов;

2. во второй содержатся усредненные результаты интерпретации для каждой градации каждой шкалы.

Последнее и обеспечивает совместный анализ результатов тестирования респондентов с помощью опросников, реализованных в системе.

Тест САТ и анкета “Ориентация на развитие”, кроме того выдают частотные распределения стандартизированных баллов (стенов), разделенные на три зоны, такие, что вероятность попадания стена в каждую из них одинакова. Система сама определяет границы этих зон, что обеспечивает оценку конкретных респондентов и их групп не только относительно “генеральной совокупности”, но и относительно самой группы респондентов.

Кроме того, система выдает по каждому респонденту итоговые данные по его тестированию с помощью всех тестов в виде одной сводной карты.

Все выходные формы записываются системой в виде текстовых файлов в поддиректорию TXT, что позволяет печатать их с использованием любого текстового редактора и на любом принтере, имеющемся у пользователя.

По опроснику 16 PF Р.Б.Кеттелла системой выдаются также в графическом виде стандартные профили респондентов и их групп (группы соответствуют градациям шкал) по факторам, причем профили групп выдаются в двух видах:

1. одна группа на одной диаграмме;

2. все группы одной шкалы на одной диаграмме.

Эти профили записываются системой в виде PCX-файлов в поддиректорию PCX, причем имена файлов соответствуют кодам респондентов, кодам шкал и групп. Эти графические данные легко могут быть вставлены в сводную карту респондента и распечатаны, например с использованием популярного редактора Winword.

Необходимо отметить, что приведенные характеристики системы не являются окончательными, т.к. она непрерывно совершенствуется.

КРАТКАЯ ИНФОРМАЦИЯ О СИСТЕМЕ “ЭЙДОС-6.2”

Система “ЭЙДОС-6.2” является лицензионным программным продуктом (свидетельство РосАПО № 940217) и предназначена для решения следующих задач:

1. разработки оптимальных адаптивных методик тестирования, прогнозирования, идентификации объектов и их состояний (мониторинга), разработки супертестов в самых различных предметных областях,

2. эксплуатации этих оптимальных методик в промышленном режиме при массовой обработке информации,

3. углубленного анализа результатов тестирования, включающего ранговый (информационный) и кластерно - конструктивный анализ эталонных описаний классов распознавания и признаков, а также анализ достоверности заполнения анкет.

Все эти возможности реализуются как на локальном компьютере, так и в режиме OffLine-услуг сети InterNet.

КОГНИТИВНАЯ КОНЦЕПЦИЯ СИСТЕМЫ “ЭЙДОС-6.2”

Прежде всего процесс познания начинается с процесса восприятия объектов и явлений Реальности. Процесс восприятия осуществляется с помощью органов восприятия: прежде всего зрения, а также слуха, осязания и других. Органы восприятия дают человеку чувственную информацию о признаках наблюдаемых объектов.

На самых первых этапах жизни человека эти признаки объектов не образуют устойчивых взаимосвязанных комплексов, т.е. целостных образов объектов. Но опыт взаимодействия человека с реальными объектами приводит к выявлению взаимосвязей между признаками. Так в результате опыта обнаруживается, что некоторые признаки наблюдаются как правило вместе друг с другом (наличие пространственно-временных корреляций), другие же наоборот, вместе практически не встречаются. Могут быть также признаки, которые встречаются как бы случайным образом и, по-видимому, никак не связаны с другими.

Существование устойчивых взаимосвязей между признаками говорит о том, что они не являются самостоятельной реальностью, а отражают нечто стоящее за ними и их объединяющее, т.е. реальные объекты. С другой стороны это означает, что признаки не генерируются из ничего, а имеют объективное содержание. Каждому Реальному объекту или явлению Реальности в сознании человека соответствует некоторая своя устойчивая взаимосвязь признаков (этого объекта), т.е. свой определенный образ, а именно конкретный чувственный образ данного конкретного (этого) объекта. Конкретный чувственный образ объекта представляют собой совокупность всех его воспринимаемых признаков, как общих с другими объектами, так и в большей или меньшей степени специфических именно для данного конкретного объекта.

Следующий этап познания Реальности состоит в том, что некоторый взрослый человек - учитель (обычно мать или отец) показывает ребенку окружающие его объекты и произносит их названия на некотором символическом языке, т.е. дает им некоторые условные наименования или имена.

Если чувственно воспринимаемые признаки конкретного объекта имеют объективное происхождение, то наименование объекта устанавливает его принадлежность к некоторой категории объектов, включающей вообще говоря много различных объектов, объединенных по их назначению или иной функциональной роли в природе или обществе с точки зрения познающего человека (общества), или роль данного объекта для самого познающего человека.

Необходимо также отметить, что у животных, в отличие от человека, сам набор обобщенных образов довольно жестко фиксирован (свой для каждого вида) и количественно очень ограничен.

На этом этапе весьма существенным обстоятельством является то, что самые различные объекты одного функционального назначения получают одинаковое название, например различные мячи все получают наименование “Мяч”, столы - “Стол” и так далее.

При этом ребенок устанавливает (корреляционные) взаимосвязи:

· между наблюдаемыми признаками данного конкретного объекта и наименованием социально-обусловленной обобщенной категории, к которой данный объект относится;

· между наименованиями признаков и наименованиями обобщенных категорий объектов.

Благодаря существованию этих связей и становится возможным говорить о смысле признаков, т.е. о том, что каждое физическое свойство конкретного объекта несет определенную информацию о роли этого объекта в природе, обществе или для конкретного человека.

Таким образом введение в обиход наименований объектов становится важнейшей предпосылкой для формирования их абстрактных обобщенных образов, причем сама возможность обобщения связана с классификацией объектов по их социальной роли (назначению).

Среди различных окружающих объектов совершенно аналогично формируется предметный образ и такого специфического для каждого конкретного человека объекта, как его собственное физическое тело. Так формируется “образ Я”, характерный для физической формы сознания, формируется предметное сознание и самосознание.

Когда абстрактные обобщенные образы объектов сформированы, то становится возможным узнавание конкретных объектов, т.е. их идентификация. Операция узнавания состоит в сравнении конкретного чувственного образа определенного объекта с обобщенными абстрактными образами и определение степени сходства и различия между данным конкретным чувственным образом и обобщенными образами. В результате, т.е. когда конкретный объект узнан, человек может назвать его наименование, т.е. может восстановить его функциональную роль в природе, обществе или лично для себя. Если человек в состоянии это сделать, то считается, что он понимает смысл того, что он воспринимает.

Таким образом, узнавание это процесс установления соответствия между объективным описанием объекта, как дискретной совокупности признаков и его единым и неделимым (континуальным) именем, т.е. наименованием той обобщенной категории, к которой данный объект относится по своей социально-обусловленной роли. У человека интенсиональные (дискретное) и экстенсиональное (континуальное) описания объектов обрабатываются двумя различными взаимно-дополнительными системами отражения, работа которых обеспечивается различными полушариями мозга, и лишь взаимодействие этих двух систем обеспечивает обработку смысла.

По мере накопления опыта выясняется, что некоторые специфические признаки практически однозначно позволяют идентифицировать объекты, т.е. отнести их к определенным обобщенным категориям, другие же встречаются примерно с одинаковой вероятностью у самых различных объектов и для целей идентификации являются практически бесполезными. Умение человека определить ценность тех или иных признаков для решения задачи идентификации уже говорит о накоплении достаточно большого опыта восприятия и обобщения.

Когда такой достаточно значительный опыт накоплен, то следующим совершенно естественным этапом познания является выделение всего наиболее существенного путем отбрасывания случайных и не несущих существенной информации признаков, а также дублирующих и избыточных признаков, имеющих очень сходный друг с другом смысл. В результате этой операции, называющейся “абстрагирование”, первоначальное описание объекта на языке признаков, включающее все его чувственно-воспринимаемые признаки, заменяется значительно более сжатым и экономным описанием, содержащим только наиболее существенные для идентификации объекта признаки. После этой операции процесс ориентации в предметной области становится более экономным по затратам всех видов ресурсов, более легким и быстрым, чем до этого, причем при сохранении необходимого высокого качества.

Высвобождение сил познающего человека после исключения из анализа второстепенной и несущественной информации позволяет подойти к решению более сложных задач, таких как выявление сходств и различий между обобщенными образами различных видов объектов Реальности, а также выявление смысловых взаимосвязей между различными признаками этих объектов. Кроме того использование сжатых и высокоинформативных образов объектов позволяет быстро и с минимальными внутренними затратами относить конкретные чувственно-наблюдаемые объекты к тем или иным обобщенным категориям, функции и свойства которых уже известны, и таким образом эффективно ориентироваться в некоторой предметной области (окружающей среде).

В дальнейшем, применяя на практике ранее сформированные модели Реальности, человек получает новую достоверную информацию о степени их эффективности и, соответственно, адекватности. Эта информация обратной связи используется для уточнения и развития конкретной чувственно-эмоциональной и обобщенной, абстрактной (формальной) модели Реальности, в чем и состоит ее адаптивность.

О МАТЕМАТИЧЕСКОЙ МОДЕЛИ СИСТЕМЫ “ЭЙДОС-6.2”

Под математической моделью автор понимает не только чисто аналитическую модель, которая выражена в виде системы формул, но и более общую алгоритмическую модель, которая на аналитическом (формульном) языке в настоящее время не имеет представления и выражается лишь в операционной форме, например в форме ориентированных графов, сетей Петри или блок-схем.

Математическая модель системы “ЭЙДОС” разработана автором на основе теории информации и обеспечивает адекватное формальное описание базовых когнитивных операций, психологическое описание которых дано в когнитивной концепции:

1. восприятие: интенсиональное (дискретное) представление чувственного образа конкретного объекта в форме совокупности признаков;

2. присвоение формальных (знаковых) имен: экстенсиональное (континуальное) представление чувственного образа конкретного объекта в форме принадлежности к некоторым градациям определенных смысловых шкал;

3. обобщение (синтез, индукция): формирование обобщенных образов различных категорий объектов на основе одновременного использования экстенсиональных и интенсиональных описаний конкретных объектов, которые используются в качестве примеров;

4. анализ обобщенных образов (дедукция): выявление общего и особенного для каждого обобщенного образа;

5. анализ признаков: выявление общего и особенного в смысловом содержании каждого признака;

6. абстрагирование: определение для каждого признака его вклада в различие друг от друга обобщенных образов; контролируемое и корректное удаление незначимых признаков с сохранением всей существенной информации;

7. классификация обобщенных образов: определение сходств и различий обобщенных образов друг с другом; объединение сходных образов в кластеры; формирование биполярных систем наиболее непохожих кластеров, т.е. конструктов образов;

8. классификация признаков: определение сходств и различий признаков по их смыслу; объединение сходных по смыслу признаков в кластеры; формирование биполярных систем наиболее непохожих кластеров, т.е. конструктов признаков;

9. содержательное сравнение обобщенных образов: определение признаков, по которым заданные два образа несопоставимы, которыми они сходны и которыми они отличаются друг от друга;

10. содержательное сравнение признаков: определение элементов смысла, по которым заданные два признака несопоставимы, которыми они сходны и которыми они отличаются друг от друга;

11. распознавание (идентификация) конкретных объектов: сравнение чувственного образа конкретного объекта со всеми обобщенными образами.

Математическая модель разрабатывалась с учетом необходимости эксплуатировать основанную на ней программную систему (т.е. систему “ЭЙДОС”) на практически значимых приложениях достаточно больших размерностей на реальных компьютерах при разумных затратах машинного времени. При этом автором были теоретически найдены, а затем воплощены в программной реализации варианты решения в частности следующих научных и технических проблем:

· проблема комбинаторного взрыва, которая возникает при попытке классификации обобщенных образов и признаков путем объединения их в кластеры в различных количествах и в различных сочетаниях в кластерах;

· проблема выбора адекватной меры смысла признака;

· проблема разработки адекватной семантической модели признака;

· проблема разработки адекватной модели обобщенного образа класса;

· проблема обеспечения работоспособности модели на нерепрезентативных выборках и при отсутствии достаточной статистики;

· проблема обеспечения структурной репрезентативности выборки (ремонт выборки и взвешивание данных);

· проблема обеспечения независимости времени распознавания (идентификации) от объема обучающей выборки;

· проблема обеспечения адаптивности обобщенных образов за счет учета информации обратной связи о правильности или ошибочности идентификации конкретных объектов.

Описанию различных аспектов математической модели системы “ЭЙДОС” посвящены работы: [4,6,9], а также статья автора: “Когнитивная аналитическая система “ЭЙДОС-6.2”, как инструмент исследования интегральной индивидуальности по Вольфу Мерлину”.

Степень адекватности когнитивной концепции и основанной на ней математической модели может быть определена лишь экспериментальным путем, то есть путем независимых экспертных оценок степени правильности результатов применения модели. Эта проверка должна быть проведена в тех предметных областях, в которых планируется применение модели.

В настоящее время имеется 15 актов об успешном применении системы “ЭЙДОС” в различных областях [1, 6], в том числе на высоком уровне, рекомендация Минтруда, 3 авторских свидетельства на нее и связанные с ней разработки [7, 8, 10], 13 публикаций, в том числе 2 книги [6, 9]. Система “ЭЙДОС” была успешно применена для компьютерной обработки данных диссертационного исследования [14].

В совокупности все эти результаты по-видимому, подтверждают адекватность как когнитивной концепции автора, так и основанной на ней математической модели базовых когнитивных операций, а также их программной реализации в виде системы “ЭЙДОС-6.2” и систем окружения.

Отличия Системы “ЭЙДОС-6.2” от аналогов:

От экспертных систем Система “ЭЙДОС” отличается тем, что для ее обучения от экспертов требуется лишь само их решение о принадлежности того или иного объекта или его состояния к определенному классу, а не формулирование правил (продукций) или весовых коэффициентов, позволяющих прийти к такому решению. Система генерирует их сама, т.е. автоматически, и в этом отношении функционально полнее экспертных систем. Дело в том, что эксперты, как правило, не могут (или даже не хотят) логически обосновывать свои решения, а довольно часто принимают решения вообще не на основе логических обоснований, тем более, что таких обоснований может и вообще не существовать в природе.

Но главное и наиболее принципиальное отличие системы “ЭЙДОС” от экспертных систем состоит в том, что она строит свои выводы на основе вероятностных семантических сетей, тогда как обычные экспертные системы - на основе детерминистских сетей вывода:

Экспертные системы:	Система “ЭЙДОС”:
“если объект обладает признаком A, то он относится к классу B”.	“в том факте, что объект обладает признаком A, содержится I Bit информации о том, что он с относится к классу B”.

Из этого следует очень важный вывод: если в экспертных системах из одного факта делается один вывод, то в системе “ЭЙДОС” из одного факта следует столько выводов, сколько классов. Примерно так же отличается жесткий “Лапласовский” детерминизм механики Исаака Ньютона от статистической концепции причинности траекторной формулировки квантовой теории поля Ричарда Фейнмана.

От систем статистической обработки информации Система “ЭЙДОС” отличается прежде всего своими целями, которые состоят в следующем:

1. Формирование обобщенных образов исследуемых классов распознавания и признаков по данным обучающей выборки (т.е. обучение);

2. Исключение из системы признаков тех из них, которые оказались наименее ценными для решения задач системы;

3. Вывод информации по обобщенным образам классов распознавания и признаков в удобной для восприятия и анализа текстовой и графической форме (информационные или ранговые портреты);

4. Сравнение распознаваемых анкет с обобщенными образами классов распознавания (распознавание);

5. Сравнение обобщенных образов классов распознавания и признаков друг с другом (кластерно-конструктивный анализ);

6. Содержательное сравнение обобщенных образов классов распознавания и признаков друг с другом, в частности диаграммы В.С.Мерлина;

7. Расчет частотных распределений классов распознавания и признаков, а также двумерных матриц сопряженности на основе критерия c² и коэффициентов Пирсона, Чупрова и Крамера.

Система отображает и формирует в виде PCX-файлов 50 видов различных двухмерных и трехмерных графических форм в стандарте VGA 16-Color (640x480) и в виде TXT-файлов более 50 видов различных текстовых форм. Имеется подробное руководство по системе типографского качества, объемом около 300 листов.

Цель систем статистической обработки может быть сформулирована следующим образом: “Получить процентные распределения ответов по различным категориям корреспондентов и их сочетаний”. Система же “ЭЙДОС” количественно определяет какое количество информации и о принадлежности к каким классам содержится во всех обнаруженных отличиях распределений признаков по классам распознавания. Таким образом, Система выполняет за исследователя-аналитика (специалиста по интерпретации) работу по сопоставительному анализу процентных распределений, которую при использовании систем статистической обработки ему приходится выполнять вручную, что чаще всего просто невозможно при реальных размерностях данных. Более того, именно на использовании этой аналитической по форме информации и основаны все виды интеллектуального анализа, которые обеспечивает Система.

Основные характеристики Системы “ЭЙДОС-6.2”:

1. обеспечивается достоверность распознавания обучающей выборки: на уровне 90% (интегральная валидность), которая повышается после оптимизации системы признаков, т.е. после исключения признаков с низкой селективной силой,

2. Система обеспечивает одновременно обработку до 4000 классов распознавания и 4000 признаков, причем признаки могут быть не только качественные (да/нет), но и количественные, т.е. числовые,

3. реализована возможность разработки супертестов, в том числе интеграции стандартных тестов в свою среду, корректным образом решает взаимосвязанные задачи адаптации стандартных тестов к нашим условиям, применения их для других целей, чем те, для которых они предназначены (при этом не играет роли известны ли методики интерпретации, т.е. “ключи” этих тестов).

4. в Системе имеется научная графика, обеспечивающая высокую степень наглядности, а также естественный словесный интерфейс при обучении Системы и запросах на распознавание,

Области возможного применения Системы “ЭЙДОС-6.2”:

1. исследования по политологии, социологии, прикладной психологии в том числе на основе обработки больших объемов информации, полученной в результате мониторинга в краткие сроки по распределенной многомашинной технологии,

2. медицинская диагностика, мониторинг динамики состояний больных, изучение взаимосвязей между лечебными воздействиями и эффектом, определение гомеопатических типов, избыточности и недостаточности меридианов, и т.д.,

3. определение профпригодности и оптимальной профессиональной принадлежности, в том числе в специальных областях, требующих от человека специфических способностей и адекватного поведения в экстремальных ситуациях, в том числе в измененных формах сознания,

4. анализ и прогнозирование биржевых ситуаций, прогнозирование курсов валют и ценных бумаг, изучение тенденций фондового рынка,

5. другие применения в любых областях, в которых возникают задачи идентификации и ПРОГНОЗИРОВАНИЯ ситуаций, объектов или их состояний по внешним признакам;

6. изучение влияния факторов различной природы на количество и качество результатов деятельности; использование выявленных зависимостей для разработки обоснованных рекомендаций;

7. диагностика сверхспособностей (ясновидение, ретро и прекогниции, телекинез, психосинтез и т.п.), в том числе потенциальных;

8. развитие, адаптация и привязка (локализация), разработка новых профессиональных методик специального назначения в области астрологии, психографологии, физиогномики (исследование фотороботов), дерматоглифики (хиромантии);

9. выявление и изучения характера влияния факторов, связанных с переходами в осознанные сновидения и высшие формы сознания;

10. прогнозирования способности человека адекватно действовать в экстремальных ситуациях и выйти из них с потерями или без потерь решив или не решив поставленные задачи (важно отметить, что данная методика может быть разработана по материалам исключительно личных дел, т.е. заочно, без личного привлечения респондентов);

11. прогнозирования места и времени аномальных явлений и катастроф различной природы.

Основной вывод работы: создан и в течение ряда лет на многочисленных приложениях успешно опробирован програмный и методический инструментарий для решения как научных, так и практических задач в области прикладной психологии и прогнозирования профпригодности, в том числе в специальных областях деятельности. Целессобразно создать в КЮИ МВД РФ научно-методический психологический Центр для решения этих задач с применением данного инструментария. В перспективе при повышении статуса КЮИ МВД РФ этот Центр мог бы стать ведомственным Южно-Российским Центром по разработке, сертификации и стандартизации специальных психометрических методик.

ОБЪЕКТ И ПРЕДМЕТ ИССЛЕДОВАНИЯ. АКТУАЛЬНОСТЬ ТЕМЫ

Объектом данного исследования являются методы поддержки принятия решений в адаптивных АСУ динамическими многопараметрическими слабодетерминированными системами, как на этапе идентификации состояний среды и объекта управления, так и на этапе выработки и реализации управляющих воздействий.

Существуют различные подходы к классификации объектов управления:

- по происхождению: искусственные, смешанные, естественные;

- по типу переменных: с качественными переменными, с количественными переменными, со смешанными переменными;

- по типу связи между входными и выходными переменными: взаимосвязь неизвестна («черный ящик»), взаимосвязь известна частично (непараметризованный класс), известен вид распределения (параметризованный класс), взаимосвязь известна полностью («белый ящик»);

- по способу управления: управляемые извне, самоуправляемые, с комбинированным управлением.

В данном исследовании нас будут интересовать прежде всего динамические многопараметрические слабодетерминированные объекты управления. Будем считать, что объект управления является:

- динамичным, если характер взаимосвязей между входными и выходными параметрами, и даже сам их набор, не является постоянным, а изменяется с течением времени;

- многопараметрическим, если для адекватного описания поведения объекта управления необходимо использовать не единицы или десятки, а сотни и даже тысячи различных параметров;

- слабодермининированным, если поведение объекта определяется не одним или несколькими его параметрами, а только всей их совокупностью или большинством параметров.

АСУ является адаптивной, если в ней реализована возможность периодической перестройки передаточной функции в соответствии с новыми (актуальными) взаимосвязями между входными и выходными параметрами объекта управления.

Цель применения АСУ обычно можно представить в виде некоторой суперпозиции двух подцелей:

стабилизация состояния объекта управления в динамичной или даже агрессивной внешней среде;

перевод объекта в некоторое конечное состояние, в котором он приобретает определенные заранее заданные свойства.

Обычно в АСУ ставится и решается именно первая цель.

В классическом варианте [7, 12] АСУ рассматривается как система, состоящая из двух основных подсистем: управляющей и управляемой, т.е. из субъекта и объекта управления (см.рис.1). Причем АСУ действует в определенной окружающей среде, которая является общей и для субъекта, и для объекта. Граница между тем, что считается окружающей средой, и тем, что считается объектом управления относительна и определяется возможностью подсистемы управления оказывать на них воздействие: на объект управления управляющее воздействие может быть оказано, а на среду нет.

Управляющая система, в свою очередь, состоит из следующих подсистем:

А). подсистема идентификации состояний окружающей среды и объекта управления;

Б). подсистема выработки управляющих воздействий;

В). подсистема реализации управляющих воздействий.

А. Подсистема идентификации (мониторинга) по сути дела решает задачу измерения, т.е. по определенным внешним признакам, на основе некоторой модели, она принимает решения о принадлежности текущих состояний среды и объекта управления к определенным классификационным категориям, т.е. к тем или иным градациям измерительных шкал.

Б. Подсистема выработки управляющих воздействий, анализирует влияние среды на объект управления и вырабатывает такие управляющие воздействия, которые действуя с учетом влияния среды позволяют в определенном смысле «наилучшим образом» достичь цели управления. При этом в данной подсистеме, на основе соответствующих математических моделей, решаются следующие две задачи прогнозирования:

прогнозирование развития состояния среды;

прогнозирование поведения объекта управления при различных вариантах развития среды и различных управляющих воздействиях на объект.

Генерируя и сравнивая на основе целевых критериев возможные альтернативы развития, подсистема выработки управляющих воздействий сужает круг приемлемых альтернатив осуществляя выбор лишь некоторых из них, и, таким образом, принимает решение о наилучшем (в определенном смысле) способе управляющего воздействия на объект управления.

Предметом данного исследования является разработка и реализация интеллектуальных методов поддержки принятия решений в адаптивных АСУ динамическими многопараметрическими слабодетерминированными системами, как на этапе идентификации состояний среды и объекта управления, так и на этапе выработки и реализации управляющих воздействий.

Актуальность данного исследования обусловлена тем, что оно позволяет повысить эффективность функционирования систем управления.

Место объекта и предмета исследования в структуре АСУ. В данном исследовании основное внимание уделяется применению методов распознавания образов и теории информации в структуре АСУ, во-первых, в подсистеме идентификации (мониторинга) состояний среды и объекта управления, и, во-вторых, в подсистеме выработки управляющих воздействий.

ПРИМЕРЫ АДАПТИВНЫХ АСУ МНОГОПАРАМЕТРИЧЕСКИМИ СЛАБОДЕТЕРМИНИРОВАННЫМИ СИСТЕМАМИ

Одним из авторов данной работы разработана программная система «ЭЙДОС» [78, 79, 80], обеспечивающая идентификацию состояния окружающей среды и динамичного многопараметрического объекта управления, а также прогнозирование развития среды и поведения объекта управления при различных вариантах управляющего воздействия на него.

В качестве примеров кратко рассмотрим применение интеллектуальных технологий, реализованных в системе «ЭЙДОС», при управлении искусственными экосистемами и физиологическим состоянием человека.

АДАПТИВНАЯ СИСТЕМА УПРАВЛЕНИЯ ВЫРАЩИВАНИЕМ СЕЛЬХОЗКУЛЬТУР

В 1993 году под научным руководством профессора О.А.Засухиной из Кубанского Агроуниверситета данная технология была применена для разработки методики прогнозирования урожайности и качества сельскохозяйственных культур в зависимости от вида почв, культуры-предшественника, применяемой агротехнологии (нормы высева, виды и нормы внесения удобрений, методы вспашки, ротация и так далее) [1]. . Материалы этих работ были представлены на международной конференции "Партнерство во имя прогресса", проходившей в конце мая 1994 года в г.Анапе.

При разработке методики были проведены следующие работы:

1. поставлены цели методики и в соответствии с ними разработан перечень прогнозируемых хозяйственных ситуаций, то есть результатов выращивания (были использованы две шкалы: “шкала качества” и “шкала количества” с общим числом дихотомических градаций 35);

2. разработан формализованный паспорт результатов выращивания сельхозкультур, позволяющий описать в пригодной для компьютерной обработки форме результаты выращивания конкретной сельхозкультуры на конкретном поле и по конкретной технологии (паспорт содержал 34 шкалы с общим числом дихотомических градаций 188). Формализованный паспорт состоял из двух частей: первая из них содержала шкалы, описывающие не зависящие от воли человека факторы, вторая часть содержала технологические факторы, зависящие от свободной воли и решения человека, которые можно рассматривать как средство достижения желаемых хозяйственных результатов;

3. часть некомпьютеризированного архива по выращиванию сельхозкультур в условиях Кубани, принадлежащего Агроуниверситету, была представлена в виде формализованных паспортов и введена в систему “ЭЙДОС” в качестве примеров выращивания;

4. система на основе предъявленных реальных примеров выращивания сельхозкультур выявила взаимосвязи между применяемыми технологиями и полученными результатами и сформировала так называемые информационные портреты по каждому результату выращивания. Информационный портрет хозяйственной ситуации представляет собой перечень технологических факторов с количественным указанием того, какое влияние каждый из них оказывает на осуществление данной ситуации;

5. каждый из технологических факторов был на основе обработки примеров автоматически (то есть системой “ЭЙДОС”) охарактеризован тем, какое влияние он оказывает на осуществление каждой хозяйственной ситуации;

6. система сравнила различные хозяйственные ситуации и сформировала группы наиболее сходных из них (кластеры), а также определила какие кластеры наиболее сильно отличаются друг от друга (конструкты). При этом был выявлен конструкт: “качество-количество”, иначе говоря было выявлено, что для получения высокого качества и большого количества необходимы совершенно противоположные и несовместимые (невозможные одновременно) почвы: предшественники и агротехнологические приемы;

7. аналогично и технологические факторы были сгруппированы в кластеры и конструкты, так, например, было выявлено, что некоторые различные по своей природе факторы имеют сходное влияние на результаты;

8. после выполнения данных работ была проверена способность системы правильно прогнозировать хозяйственные результаты на массиве уже введенных формализованных паспортов, то есть была определена внутренняя интегральная и дифференциальная валидность методики, которая оказалась достаточно высокой и приемлемой для практического применения. В то же время были выявлены некоторые слабо детерминированные хозяйственные ситуации, которые наиболее сложно вызывать и достоверно прогнозировать.

Всего же система “ЭЙДОС” выдает в виде файлов, которые могут быть использованы в среде Windows, 50 различных текстовых форм и 50 графических 2d & 3d форм.

Данная методики позволяет решить две основные задачи:

1. она прогнозирует, какие хозяйственные результаты наиболее вероятны (а какие практически невозможны) на данном виде почв и с данными предшественниками, а также имеющимися в распоряжении агротехнологиями;

2. она консультирует, какие виды почв, предшественники и технологии должны быть, чтобы можно было рассчитывать с определенной уверенностью на заданный хозяйственный результат.

Система сама оценивает степень достоверности своих прогнозов и рекомендаций, т.е. она не просто дает рекомендацию, но и количественно оценивает степень надежности этой рекомендации.

Кроме того система дает характеристику каждого технологического приема (то есть говорит, “на что он работает”), а также выдает рекомендации по замене желательных технологических приемов, но очень дорогих или которых нет в наличии, другими, более дешевыми и которые есть и, при этом, имеют сходное влияние на хозяйственные результаты.

Таким образом, данная методика позволяет “просматривать” различные варианты технологии, прогнозировать последствия применения различных технологических приемов, и, на этой основе, вырабатывать научно обоснованные рекомендации по выбору возделываемой культуры и оптимальной для поставленных целей агротехнологии.

При проведении данной работы был выявлен своеобразный аналог “бройлерного эффекта” для сельхозкультур: то есть оказалось, что при стремлении получить очень высокий урожай начиная с определенного момента практически все усилия идут уже не на увеличение количества зерна, а на увеличение объема зеленой массы. Количество зерна при этом конечно увеличивается, но очень резко растет его себестоимость. Это значит, что рентабельнее получать не сверхвысокие, а просто высокие урожаи.

Данная методика:

1. может эксплуатироваться в адаптивном режиме: то есть квалифицированный пользователь может увеличивать базу примеров, расширять перечень прогнозируемых (идентифицируемых) хозяйственных ситуаций, увеличивать количество факторов в формализованном паспорте или контролируемо уменьшать размерность описания задачи без потери качества. Эти особенности функционально сближают систему «ЭЙДОС» с нейронными сетями [17];

2. позволяет использовать любое количество шкал для классификации и описании прогнозируемых ситуаций, причем в разных шкалах может быть различное количество градаций, но их общее количество не должно превышать 8000;

3. сама выявляет зависимости на основе примеров выращивания, взятых из реальной практики, и не требует от эксперта формализованного описания этих зависимостей (продукций), как в ряде экспертных систем.

Данное исследование показательно как само по себе, так и в качестве примера применения Системы для выявления взаимосвязей между различными технологиями с одной стороны, и хозяйственными (финансовыми) результатами с другой.

АДАПТИВНАЯ СИСТЕМА УПРАВЛЕНИЯ СОСТОЯНИЕМ БОЛЬНОГО

Данный пример имеет гипотетический характер.

При разработке методики необходимо провести следующие работы:

1. поставить цели методики и разработать в соответствии с ними перечень прогнозируемых и целевых состояний больного, переход в которые рассматривается как результат воздействия на больного с помощью определенных медицинских технологий (специфических и неспецифических лечебных факторов);

2. разработать формализованный паспорт больного, позволяющий описать в пригодной для компьютерной обработки форме его социальную и медицинскую историю, актуальное состояние (социальный статус, анамнез, симптоматика, лабораторные исследования и др.), лечебные воздействия и их результат. Формализованный паспорт состоит из трех основных частей: первая содержит шкалы, описывающие не зависящие от лечащего врача факторы, вторая часть содержит факторы, зависящие от решения лечащего врача, которые можно рассматривать как средство достижения желаемых лечебных результатов, и третья – содержит классификацию самих прогнозируемых и целевых лечебных результатов.

3. часть некомпьютеризированного архива по историям болезни, принадлежащего базовому лечебному учреждению, будет представлена в виде формализованных паспортов и введена в систему “ЭЙДОС” в качестве примеров того, к каким лечебным результатам фактически приводят те или иные лечебные воздействия на больных, имеющих определенную предысторию и актуальное состояние;

4. система на основе предъявленных реальных примеров лечения выявит взаимосвязи между предысторией больного, актуальной клинической картиной, применяемыми медицинскими технологиями (лечебными факторами) и полученными лечебными результатами и сформирует так называемые информационные портреты по каждому результату. Информационный портрет лечебного результата представляет собой перечень различных характеристик больного, а также лечебных факторов с количественным указанием того, какое влияние каждый из них оказывает на осуществление данного результата;

5. для каждой из характеристик больного, каждого лечебного фактора будет на основе обработки примеров лечения автоматически (то есть самой системой “ЭЙДОС”) количественно определено, какое влияние он оказывает на осуществление каждого лечебного результата;

6. система сравнит различные лечебные результаты и сформирует группы наиболее сходных из них (кластеры), а также определит какие кластеры наиболее сильно отличаются друг от друга (конструкты). При этом будут выявлены не только уже известные специалистам конструкты, но могут быть обнаружены и новые, ранее неизвестные;

7. аналогично и технологические факторы будут сгруппированы в кластеры и конструкты, так, например, будет выявлено, что некоторые различные по своей физической природе специфические и неспецифические лечебные факторы оказывают сходное влияние на лечебные результаты;

8. после выполнения данных работ будет проверена способность системы правильно прогнозировать лечебные результаты на массиве уже введенных формализованных паспортов, то есть будет определена внутренняя интегральная и дифференциальная валидность методики. Если она окажется достаточно высокой, то методику можно будет рекомендовать для опытно-экспериментального практического применения. В то же время, по-видимому, будут выявлены и слабодетерминированные лечебные результаты, которых наиболее сложно добиваться и достоверно прогнозировать.

Таким образом, данная методики позволит решить следующие две основные задачи:

1. прогноз, какие лечебные результаты наиболее вероятны (а какие практически невозможны) при данной предысторией, с данной актуальной клинической картиной, а также имеющимися в распоряжении медицинскими технологиями;

2. консультация, какие предыстория, клиническая картина и лечебные воздействия должны быть, чтобы можно было рассчитывать с определенной уверенностью на заданный лечебный эффект.

Кроме того система дает характеристику каждого технологического приема (то есть говорит, “на что он работает”), а также выдает рекомендации по замене желательных технологических приемов, но очень дорогих или труднодоступных, другими, более дешевыми и которые есть в распоряжении, и, при этом, имеют сходное влияние на лечебные результаты.

Таким образом, данная методика позволяет “просматривать” различные варианты технологии, прогнозировать последствия применения различных технологических приемов, и, на этой основе, вырабатывать научно обоснованные рекомендации по выбору квазиоптимальной для поставленных целей лечебной технологии.

Данная методика:

1. может эксплуатироваться в адаптивном режиме: то есть квалифицированный пользователь может увеличивать базу примеров, расширять перечень прогнозируемых (идентифицируемых) лечебных ситуаций ситуаций, увеличивать количество факторов в формализованном паспорте или контролируемо уменьшать размерность описания без потери качества. Эти особенности функционально сближают систему «ЭЙДОС» с нейронными сетями [17];

2. позволяет использовать любое количество шкал для классификации и описании прогнозируемых и целевых лечебных результатов, причем в разных шкалах может быть различное количество градаций, но их общее количество не должно превышать 8000;

3. сама выявляет зависимости на основе примеров лечения, взятых из реальной практики, и не требует от эксперта формализованного описания этих зависимостей (продукций), как в ряде экспертных систем.

Данное исследование показательно как само по себе, так и в качестве примера применения Системы для выявления взаимосвязей между различными технологиями с одной стороны, и результатами применения этих технологий, с другой.

Прагматическая актуальность. Традиционно АСУ основаны на оптимизационных детерминистских моделях и алгоритмах, что позволяет достичь цели сохранения состояния объекта управления при малых возмущениях. При этом управление осуществляется по параметрам объекта управления, как правило, вблизи его состояния равновесия.

Данный подход оправдан и эффективен при управлении хорошо формализованными стационарными линейными техническими и другими системами, однако не позволяет осуществлять управление сложными, большими, слабо детерминированными и эволюционирующими системами (будем называть их "неклассическими"). Примеры неклассических систем: макро- и микросоциально-экономические системы в условиях динамичной экономики «переходного периода», иерархические элитные и этнические группы, социум и электорат, физиология и психика человека, природные и искусственные экосистемы, и т.п.

Потребность в управлении подобными системами давно назрела у всех трех ветвей власти, однако создание соответствующих АСУ наталкивается на нерешенность ряда научных, прежде всего математических, проблем, а также высокую технологическую сложность и трудоемкость их проектирования и создания.

Научная актуальность. В науке разработан мощный математический аппарат, позволяющий решать ряд оптимизационных задач в области АСУ. Однако оптимизационные математические модели управления основаны на предположениях о том, что передаточная функция объекта управления, во-первых, является детерминистской, во-вторых, единственной, и, в третьих, неизменной во времени. Кроме того, оптимизационный подход имеет ряд внутренних ограничений и разработан лишь для очень ограниченного числа относительно простых случаев. Для описания неклассических систем этот аппарат просто не подходит.

Следовательно, актуальной является разработка функциональной структуры перспективных АСУ, включающих в качестве существенных функциональных звеньев развитые подсистемы идентификации и прогнозирования состояний среды и неклассического объекта управления, а также разработка соответствующего математического аппарата, позволяющего адекватно описывать сложные, большие, слабодетерминированные и эволюционирующие объекты управления.

Этот математический аппарат должен обеспечить формирование и периодическую адаптацию динамической информационной модели неклассического объекта управления в окружающей среде, в условиях оказания на него (в том числе и значительных) управляющих воздействий.

ОБЪЕКТ ИССЛЕДОВАНИЯ

Объектом диссертационного исследования являются автоматизированные системы управления (АСУ).

ПРЕДМЕТ ИССЛЕДОВАНИЯ

Предметом диссертационного исследования являются методы поддержки принятия решений в АСУ сложными, большими, слабо детерминированными и эволюционирующими системами, как на этапе идентификации состояний среды и объекта управления, так и на этапе выработки и реализации управляющих воздействий.

ЦЕЛИ ИССЛЕДОВАНИЯ

Прагматическая цель исследования: создать автоматизированную систему, применимую в реально действующих автоматизированных системах управления в качестве подсистемы поддержки принятия решений, как на этапе идентификации состояний среды и объекта управления, так и на этапе прогнозирования их развития и выработки управляющих воздействий.

Научная цель исследования: разработать математическую модель, обеспечивающую адекватное компьютерное моделирование адаптивных и когнитивных (т.е. познавательных) процессов человека, изучающего некоторую предметную область, осознающего множество возможных альтернатив ее развития и осуществляющего выбор, приводящий к сужению круга этих альтернатив, а также принимающего решения по выбору управляющего воздействия, повышающего вероятность реализации желаемых вариантов.

ЗАДАЧИ ИССЛЕДОВАНИЯ

Основная задача исследования: разработка и реализация метода поддержки принятия решений, обеспечивающего идентификацию состояний и выработку управляющих воздействий в АСУ сложными, большими, слабо детерминированными и эволюционирующими объектами управления.

Частные задачи исследования:

- Обоснование аналитического вида функции суперкритерия.

- Вывод аналитического выражения для весовых коэффициентов, отражающих относительный вклад частных критериев в суперкритерий.

- Решение проблемы приведения частных критериев к общей единице измерения или к безразмерному виду.

- Разработка математической модели, содержащей формальные модели следующих когнитивных операций: восприятие, присвоение формальных (знаковых) имен, обобщение (синтез, индукция), анализ обобщенных образов (дедукция), анализ признаков, абстрагирование, классификация обобщенных образов, классификация признаков, содержательное сравнение обобщенных образов, содержательное сравнение признаков, распознавание (идентификация) типов и состояний конкретных объектов. Кроме того, математическая модель должна обеспечивать высокую степень адаптивности, т.е. выявление новых состояний объекта управления; выявление новых входных параметров, значимо связанных с состояниями объекта управления; выявление новых статистических закономерностей во взаимосвязях между входными параметрами и состояниями объекта управления; периодическую идентификацию и прогнозирование состояний неклассического объекта управления по его параметрам с учетом состояния среды и управляющих воздействий.

Математическая модель должна быть адекватной, т.е. в тех областях, в которых есть компетентные эксперты, она должна давать очевидные для них результаты. Если это будет обеспечено, то можно надеяться, что и в других, пока не исследованных областях, она также даст верные результаты. Кроме того, математическая модель должна разрабатываться с учетом необходимости эксплуатировать основанную на ней программную систему с практически значимыми приложениями больших размерностей на реальных для России компьютерах при разумных затратах машинного времени. Для этого необходимо теоретически найти, а затем воплотить в программной реализации решения следующих частных научных и технических проблем:

проблема комбинаторного взрыва, которая возникает при попытке классификации обобщенных образов и признаков путем объединения их в кластеры в различных количествах и в различных сочетаниях в кластерах;

проблема выбора адекватной меры смысла признака;

проблема разработки адекватной семантической модели признака;

проблема разработки адекватной модели обобщенного образа класса;

проблема обеспечения работоспособности модели на нерепрезентативных выборках и при отсутствии достаточной статистики;

проблема обеспечения структурной репрезентативности выборки (ремонт выборки и взвешивание данных);

проблема обеспечения независимости времени распознавания (идентификации) от объема обучающей выборки;

проблема обеспечения адаптивности обобщенных образов за счет учета информации обратной связи о правильности или ошибочности идентификации конкретных объектов.

МЕТОДОЛОГИЯ ИССЛЕДОВАНИЯ

Решение основной задачи исследования, а также многочисленных частных задач, возможно при условии применения адекватной методологии, т.е. прежде всего научно-методического аппарата (метода), а также конкретной методики исследования.

Само решение о выборе того или иного метода исследования является сложно формализуемым процессом.

В качестве метода формального описания способа принятия решений, в диссертационной работе принят многокритериальный язык.

Этот выбор обусловлен тем, что многокритериальный язык является интуитивно ясным и в настоящее время наиболее полно разработанным, а также, видимо по этим причинам, и наиболее популярным.

Различные кокретизации многокритериального подхода отличаются выбором функции предпочтения, видом суперкритерия, способом обеспечения сопоставимости частных критериев (проблема размерности), а также видом весовых коэффициентов, отражающих вклад частных критериев в суперкритерий.

Методика расчета весовых коэффициентов, предлагаемая автором, основана на результатах статистической теории информации, а именно на семантической мере информации А.А.Харкевича. С точки зрения этого подхода, выбор представляет собой снятие неопределенности, т.е. сужение множества альтернатив, тогда как количество информации выступает как мера степени снятия неопределенности. Попутно данный подход обеспечивает решение проблемы согласования размерностей частных критериев, т.к. весовые коэффициенты всех частных критериев просто измеряются в одной и той же единице измерения - в битах.

Данная методология позволяет построить формальную математическую модель базовых когнитивных операций, а также решить другие задачи и проблемы, сформулированные выше.

ВЫВОДЫ

Как показывает опыт исследований и разработок в области принятия решений, в процессах выбора в той или иной форме всегда используется ряд критериев оценки предпочтения альтернатив. Этот процесс имеет ряд этапов, которые присутствуют практически во всех методах принятия решений. На первом этапе формируется сам набор альтернатив и критериев, затем альтернативы описываются на языке критериев, и лишь затем они анализируются и сравниваются.

Поэтому автор считает, что многокритериальный подход является наиболее общим. В то же время именно благодаря общности этого подхода в нем остается достаточно свободы и неопределенности в вопросах выбора конкретных наиболее значимых критериев, определения их относительного веса, учета их взаимосвязей и .т.п.

По общему мнению необходимость решения этих и других конкретных вопросов и является основной причиной сложности применения многокритериального подхода. Сам по себе этот подход не снимает проблем неопределенности, а лишь меняет форму их проявления, т.е. внешне снимая ее он в действительности как бы загоняет ее вглубь: неопределенность в выборе альтернатив преобразуется в неопределенность выбора вида частных критериев и их весовых коэффициентов, наиболее адекватных данной конкретной задаче. Для снятия неопределенности и на этих уровнях автором предложено применение статистической теории информации, прежде всего семантической меры информации.

ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ. ПУБЛИКАЦИИ

К настоящему времени имеется значительный опыт применения системы “ЭЙДОС” с 1981 по 1997 год, подтвержденный 12 актами о выполненных работах, в т.ч. по заказу академических институтов, два отзыва, в т.ч. министерский. Система рекомендована для применения Аналитическим центром при Президенте Российской Федерации. С применением системы защищено несколько кандидатских диссертаций. Авторские научные и конструкторские решения, примененные в системе, защищены 3 авторскими свидетельствами, кроме того по системе издано 9 научных публикаций, в том числе 2 монографии, (всего у автора 54 публикации, в т.ч. 6 книг). Изучены и обоснованы перспективы применения системы “ЭЙДОС” в правоохранительной сфере, в сфере управления социально-экономическими системами, а также в ряде других областей. Имеются данные для оценки социально-экономической эффективности применения системы “ЭЙДОС”.

Объектом данного исследования являются автоматизированные системы управления (АСУ).

Цель применения АСУ обычно можно представить в виде некоторой суперпозиции двух подцелей:

- стабилизация состояния объекта управления в динамичной или даже агрессивной внешней среде;

- перевод объекта в некоторое конечное состояние, в котором он приобретает определенные заранее заданные свойства.

Как правило, в АСУ ставится и решается именно первая цель.

Традиционно [7, 12] АСУ рассматривается как система, состоящая из двух основных подсистем: управляющей и управляемой, т.е. из субъекта и объекта управления. Причем АСУ действует в определенной окружающей среде, которая является общей и для субъекта, и для объекта. Граница между тем, что считается окружающей средой и объектом управления относительна и определяется возможностью подсистемы управления оказывать на них воздействие: на объект управления управляющее воздействие может быть оказано, а на среду нет.

Управляющая система, в свою очередь, состоит из подсистемы идентификации состояний окружающей среды и объекта управления, подсистемы выработки управляющих воздействий и подсистемы реализации управляющих воздействий.

Подсистема идентификации по сути дела решает задачу измерения, т.е. по определенным внешним признакам, на основе некоторой модели, она принимает решения о принадлежности текущих состояний среды и объекта управления к определенным классификационным категориям, т.е. к тем или иным градациям измерительных шкал.

Подсистема выработки управляющих воздействий, анализирует влияние среды на объект управления и вырабатывает такие управляющие воздействия, которые действуя с учетом влияния среды позволяют в определенном смысле «наилучшим образом» достичь цели управления.

При этом, на основе соответствующих математических моделей, решаются следующие две задачи прогнозирования:

- прогнозирование развития состояния среды;

- прогнозирование поведения объекта управления при различных вариантах развития среды и различных управляющих воздействиях на объект.

Предметом исследования в настоящей работе являются методы поддержки принятия решений в АСУ сложными, большими и слабо детерминированными системами, как на этапе идентификации состояний среды и объекта управления, так и на этапе выработки и реализации управляющих воздействий.

Исходя из вышесказанного, данный предмет исследования является актуальным и заслуживающим специального углубленного исследования.