Этап 1. Содержательная постановка задачи

Современное производство характерно тем, что часть производимой продукции (в стоимостном выражении) возвращается в виде инвестиций (т.е. части конечной продукции, используемой для создания основных фондов производства) в производство. При этом время возврата, ввода в оборот новых фондов может быть различным для различного рода производства. Необходимо промоделировать эту ситуацию и выявить динамику изменения величины основных фондов производства (капитала).

Сложность и многообразие, слабая структурированность и плохая формализуемость основных экономических механизмов, определяющих работу предприятий, не позволяют преобразовать процедуры принятия решений в экономической системе в полностью эффективные математические модели и алгоритмы прогнозирования. Поэтому целесообразно использование простых, но гибких и надежных процедур принятия решения.

Рассмотрим одну такую простую модель социально-экономического процесса.

Этап 2. Формулировка гипотез, построение, исследование модели

Динамика изменения величины капитала определяется в нашей модели, в основном, простыми процессами производства и описывается так называемыми обобщенными коэффициентами амортизации (расхода фондов) и потока инвестиций (часть конечного продукта, используемого в единицу времени для создания основных фондов). Эти коэффициенты - относительные величины (оцениваются за единицу времени). Необходимо разработать и исследовать модель динамики основных фондов. Считаем при этом допустимость определенных гипотез, определяющих систему производства.

Пусть x(t) - величина основных фондов (капитала) в момент времени t, где 0

tN. Через промежуток времени ?t она будет равна x(t+?t). Абсолютный прирост равен ?x=x(t+?t)-x(t). Относительный прирост будет равен x=[x(t+?t)-x(t)]/?t.

Примем следующие гипотезы:

социально-экономические условия производства достаточно хорошие и способствуют росту производства, а поток инвестиций задается в виде известной функции y(t);коэффициент амортизации фондов считается неизменным и равным m, и при достаточно малом значении ?t, изменение основных фондов прямо пропорционально текущей величине капитала, т.е. dx=y(t) - mx(t).

Считая ?t

0, а также учитывая определение производной, получим из предыдущего соотношения следующее математическое выражение закона изменения величины капитала - математическую модель (дифференциальное уравнение) динамики капитала:

x?(t) = y(t) - mx(t), x(0)=х0,

где х(0) - начальное значение капитала в момент времени t=0.

Эта простейшая модель не отражает важного факта: социально-экономические ресурсы производства таковы, что между выделением инвестиций и их введением и использованием в выпуске новой продукции проходит время (лаг). Учитывая это, можно записать модель в виде

x?(t) = y(t-T)-mx(t), x(0)=х0

Этой непрерывной, дифференциальной, динамической модели можно поставить в соответствие простую дискретную модель:

хi+1=хi +yj - mхi , x0=с, i=0, 1, 2, :, n, 0<j<n,

где n - предельное значение момента времени при моделировании.

Дискретная модель следует из непрерывной при ?t=1, при замене производной x?(t) на относительное приращение (из определения производной, это справедливо при малых значениях ?t).

Этап 3. Построение алгоритма и программы моделирования

Возьмем для простоты режим моделирования, когда m, c - известны и постоянны, y - увеличивается на каждый следующий момент времени на 1%, а также рассмотрим наиболее простой алгоритм моделирования в укрупненных шагах.

Ввод входных данных для моделирования: с=х(0) - начальный капитал; n - конечное время моделирования; m - коэффициент амортизации; s - единица измерения времени; y - инвестиции.Вычисление xi от i=1 до i=n по рекуррентной формуле, приведенной выше.Поиск стационарного состояния - такого момента времени j, 0jn, начиная с которого все хj, хj +1, :, хn постоянны или изменяются на малую допустимую величину ? >0.Выдача результатов моделирования и, по желанию пользователя, графика.

Алгоритм, записанный на учебном алгоритмическом языке, имеет вид

алг Производство (арг вещ m, c, n, рез вещ таб х[1:366], лит p, q); дано | производство с основными фондами, изменяющимися по закону: | х[i+1]=х[i]+y-mx[i], x[0]=c, i=0, 1, 2, :, n, 0<j<n, | t=i*h, h=1 - шаг по времени (день), | i - текущий момент времени, | m - коэффициент амортизации, | х[0]=с - заданная начальная величина капитала, | y - увеличиваемая на 1% каждый раз величина инвестиций надо | промоделировать динамику основных фондов, т.е. выяснить: | 1) чему они равны на момент времени n; | 2) наступает ли гибель предприятия, т.е. обращается ли капитал | (основные фонды) в нуль при некотором t, и найти это t; | 3) наступает ли ситуация, когда капитал стабилизируется нач | начало тела алгоритма | описание типов переменных цел i, | i - переменная цикла прогноза (текущее время) j, | j - задаваемая величина лага k, | k - момент гибели предприятия (если есть) y | y - величина инвестиций, увеличиваемая по закону y:=1.01*y ввод (m, n, c, y) | ввод исходных данных p:='предприятие не гибнет' | задаем начальное значение s q:='капитал не стационарен' | задаем начальное значение q х[0]:=с | начальное значение капитала (не нулевое) i:=0 | задаем начальный момент времени моделирования нц пoка (i<=n) и (х[i]>0) | заголовок цикла прогноза капитала | тело цикла прогноза капитала х[i+1]=х[i]+y-mx[i] | вычисление прибыли в следующий момент y:=1.01*y | и увеличиваем на 1% - для следующего момента если х[i+1]<=0 | проверка гибели то | если гибнет, - выполняется блок погибшего предприятия p:="предприятие гибнет" | заменяем значение s k:=i-1 | и фиксируем время гибели нц для j от k до n | цикла вычисления всех x[j]=0 | остальных, нулевых значений прибыли кц | конец блок обработки погибшего предприятия если х[i+1]=х[i] | проверка стационарности прибыли то q:="капитал стационарен" | заменяем старое значение q кц кон.

Приведем программу на Паскале для имитационного моделирования (программа реализована для функции типа y=at+b, где a, b - коэффициенты потока инвестиций; структурированность и интерфейс программы "принесены в жертву" компактности, простоте и понятности программы).

PROGRAM MODFOND; {Исходные данные находятся в файле in.dat текущего каталога} {Результаты записываются в файл out. dat текущего каталога} Uses Crt, Graph, Textwin; Type Vector = Array[0..2000] of Real; Mas = Array[0..2000] of LongInt; Var Time, Lag, t, dv, mv, i, yi, p :Integer; tmax, tmin :LongInt; a, b, m, X0, maxx, minx, aa, bb, cc, sx, tk :Real; x :Vector; ax, ay :Mas; ch :Char; f1, f2 :Text; {-------------------------------------------------------------------------------------------} Procedure InputKeyboard; { Ввод с клавиатуры } Begin OpenWindow(10,5,70,20,' Ввод данных ',14,4); ClrScr; WriteLn; WriteLn('Введите время Т прогнозирования системы:'); Repeat Writeln('Для удобства построения графика введите Т не меньше 2'); Write('Т='); ReadLn(Time); until Time>=2; WriteLn('Введите лаг:'); Repeat Write('Лаг должен быть строго меньше Т - '); ReadLn(Lag); until Lag<Time; WriteLn('Введите коэффициенты для вычисления потока инвестиций'); Write('Введите a>0: a= '); ReadLn(a); Write('Введите b>0: b= '); ReadLn(b); Repeat Write('Введите коэффициент амортизации ( 0<M<1 ) - '); Readln(m); until (m<1) and (m>0); Write('Введите значение фондов в начальный момент - '); Readln(X0); CloseWindow; end; {-------------------------------------------------------------------------------------------} Procedure InputFile; { Ввод из файла } Begin Assign(f1,'in.dat'); Reset(f1); Readln(f1,time,lag,a,b,m,X0); Close(f1); End; {-------------------------------------------------------------------------------------------} Procedure OutputFile; { Запись результата работы в файл } Begin Assign(f2,'out.dat'); Rewrite(f2); WriteLn(f2,' Результаты моделирования:'); WriteLn(f2,'Значение фондов в заданное время Т = ',x[time]:4:2); WriteLn(f2,'Максимальное значение фондов = ',maxx:4:2); Write(f2,'Минимальное значение фондов = ',minx:4:2); Close(f2); End; {------------------------------------------------------------------------------------------} Procedure InputRnd; { Ввод случайными числами } Begin Randomize; Repeat Time:=Random(90); until Time>=2; Repeat Lag:=Random(80); until Lag<Time; a:=Random(10); b:=Random(10); m:=Random; X0:=Random(200); End; {------------------------------------------------------------------------------------------} Procedure OutputScreen; { Вывод данных на экран } Begin OpenWindow(10,5,70,20,' Вывод данных: ',4,3); WriteLn; WriteLn(' Данный набор входных параметров:'); WriteLn; WriteLn(' Время Т - ',time); WriteLn(' Лаг - ',lag); WriteLn; WriteLn('Коэффициенты потока инвестиций:'); WriteLn; WriteLn(' a - ',a:4:2); WriteLn(' b - ',b:4:2); WriteLn; WriteLn('Эмпирический коэффициент амортизации - ',m:4:3); Write('Состояние фондов в начальный момент - ',X0:4:2); ReadKey; CloseWindow; End; {-------------------------------------------------------------------------------------------} Procedure Worker; { Рабочая процедура } Var yt :real; Begin x[0]:=X0; For t:=1 to Time do Begin If t<Lag+1 then yt:=0 else yt:=a*(t-1-Lag)+b; x[t]:=yt+(1-m)*x[t-1]; End; maxx:=x[0]; minx:=x[0]; tmin:=0; tmax:=0; For t:=1 to Time do If x[t]>maxx then begin maxx:=x[t]; tmax:=t; end else if x[t]<minx then begin minx:=x[t]; tmin:=t; end; OpenWindow(10,5,70,13,' Результат работы модели: ',14,7); ClrScr; WriteLn; WriteLn('Значение фондов в заданное время Т = ',x[time]:4:2); If tmin<>0 then WriteLn(' Величина фондов возрастает с ',tmin,' до ',tmax); WriteLn(' Максимальное значение фондов = ',maxx:4:2); Write(' Минимальное значение фондов = ',minx:4:2); ReadKey; CloseWindow; End; {---------------------------------------------------------------------------------------------} Procedure Mas_OX; { Масштабирование по оси ОХ } Var st :String; Begin p:=1; While Time>p*24 do inc(p); For i:=1 to 24 do Begin Str(p*i,st); OutTextXY(65+20*i,420,st) End; For t:=0 to Time do ax[t]:=70+round(20*t/p); End; {-------------------------------------------------------------------------------------------} Procedure Mas_OY; { Масштабирование по оси ОУ } Var st :String; k, r :Integer; Begin If maxx>16 then Begin k:=1; While maxx>k*16 do inc(k); For i:=1 to 16 do Begin Str(k*i,st);OutTextXY(35,407-20*i,st);End; tk:=k; End else Begin r:=1; While (maxx<=16/r) and (r<16) do inc®; dec®; For i:=1 to (trunc(16/r-0.1)+1) do Begin Str(i,st); OutTextXY(35,407-0*r*i,st) End; tk:=1/r; End; For t:=0 to Time do ay[t]:=410-round(20*x[t]/tk); End; {----------------------------------------------------------------------------------------------} Procedure Ipol(x1,y1,x2,y2,x3,y3:Real); {Процедура интерполяции} Var d1, da, db, dc :Real; Begin d1:=x1*x1*(x2-x3)+x2*x2*(x3-x1)+x3*x3*(x1-x2); da:=y1*(x2-x3)+y2*(x3-x1)+y3*(x1-x2); db:=x1*x1*(y2-y3)+x2*x2*(y3-y1)+x3*x3*(y1-y2); dc:=x1*x1*(x2*y3-y2*x3)+x2*x2*(x3*y1-y3*x1)+x3*x3*(x1*y2-y1*x2); aa:=da/d1; bb:=db/d1; cc:=dc/d1; End; {--------------------------------------------------------------------------------------------} Procedure Graf; { Построение графика } Begin dv:=detect; InitGraph(dv,mv,''); SetBkColor(7); SetColor(6); Rectangle(30,40,600,450); Line(600,60,620,60); Line(620,60,620,470); Line(50,450,50,470); Line(50,470,620,470); SetFillStyle(1,1); FloodFill(610,450,6); SetFillStyle(1,15); FloodFill(100,100,6); SetColor(5); Circle(70,410,2); Line(70,410,70,50); Line(70,410,590,410); { оси ОХ и ОУ } OutTextXY(587,407,'>'); OutTextXY(67,47,'^'); OutTextXY(57,415,'0'); OutTextXY(80,45,'X(T) - (Величина основных фондов производства)'); OutTextXY(590,415,'T'); OutTextXY(540,430,'(Время)'); SetColor(2); For i:=1 to 16 do Line(67,70+20*i,70,70+20*i); For i:=1 to 24 do Line(70+20*i,410,70+20*i,413); Mas_OX; Mas_OY; For t:=0 to time do Вegin SetColor(Blue); Circle(ax[t],ay[t],2); SetFillStyle(SolidFill,Red); FloodFill(ax[t],ay[t],Blue); End; SetColor(Red); SetLineStyle(3,1,1); Line(70,ay[time],ax[time],ay[time]); Line(ax[time],ay[time],ax[time],410); Ipol(0,x[0],1,x[1],2,x[2]); For i:=ax[0] to ax[2] do Begin sx:=p*(i-70)/20; yi:=410-round(20*(aa*sx*sx+bb*sx+cc)/tk); SetColor(Red); Circle(i,yi,1); End; For t:=1 to Time-2 do Begin Ipol(t,x[t],t+1,x[t+1],t+2,x[t+2]); For i:=ax[t+1] to ax[t+2]do Begin sx:=p*(i-70)/20; yi:=410-round(20*(aa*sx*sx+bb*sx+cc)/tk); SetColor(Red); Circle(i,yi,1); End; End; ReadKey; CloseGraph; End; {-------------------------------------------------------------------------------------------} Begin While true do Begin ClrScr; TextBackGround(2); Window(1,1,80,25); ClrScr; OpenWindow(30,22,50,24,' Нажмите клавишу: ',4,1); OpenWindow(5,5,75,16,' Динамика фондов производства ',14,5); ClrScr; WriteLn; WriteLn(' Пусть х(t) - основные фонды в момент времени t, y(t) -'); WriteLn(' инвестиции, m - коэффициент амортизации фондов.'); WriteLn(' Модель динамики основных фондов (L - лаг):'); Write(' x`(t) = y(t-L) - mx(t), где х(0) = Хо, y(t)=at+b, ( a,b>0 ).'); ReadKey; CloseWindow; OpenWindow(15,10,65,17,' Выбирите вариант входа-выхода: ',15,0); ClrScr; WriteLn; WriteLn(' С клавиатуры - <1>'); WriteLn(' Из файла - <2>'); WriteLn(' Случайными числами - <3>'); WriteLn(' Выход - <Esc>'); ch:=ReadKey; Сase ch of #49: InputKeyboard; #50: Вegin InputFile; OutputScreen; Еnd; #51: Вegin InputRnd; OutputScreen; End; #27: Halt(1); End; CloseWindow; Worker; OutputFile; OpenWindow(22,10,58,14,'',15,5); ClrScr; WriteLn; Write('Для просмотра графика нажмите ввод'); ch:=ReadKey; If ch=#13 then begin Graf; RestoreCrtMode; end; CloseWindow; TextBackGround(15); Window(1,1,80,25); ClrScr; OpenWindow(15,10,65,16,'',15,6); ClrScr; WriteLn; WriteLn(' Хотите еще моделировать ?'); WriteLn; WriteLn('Для выхода нажмите - < Esc >'); WriteLn('Для продолжения нажмите любую другую клавишу'); ch:=ReadKey; If ch=#27 then Halt(1); CloseWindow; End; ClrScr; TextBackGround(0); End.

Этап 4. Проведение вычислительных экспериментов

Эксперимент 1. Поток инвестиций - постоянный и в каждый момент времени равен 10000. В начальный момент капитал - 1000000 руб. Коэффициент амортизации - 0,0025. Найти величину основных фондов через 20 суток, если лаг равен 5 суток.

Эксперимент 2. Основные фонды в момент времени t=0 была равны 5000. Через какое время общая их сумма превысит 120000 руб., если поток инвестиций постоянный и равен 200, а m=0,02, T=3?

Эксперимент 3. Какую стратегию инвестиций лучше использовать, если величина инвестиций постоянная, в начальный момент капитал равен 100000, величина амортизации постоянная?

Этап 5. Модификация (развитие) модели

Модификация 1. Коэффициент амортизации можно взять в форме m=r-sx(t), где r - коэфициент обновления фондов, s - коэффициент устаревания фондов, причем 0

r, s1. При этом модель примет вид

x?(t)=y(t-T)-rx(t)+sx2(t), x(0)=х0

Этой непрерывной, дифференциальной, динамической модели можно поставить в соответствие простую дискретную модель:

хi+1=хi +yj - rхi+sxi 2 , x0=с, i=0, 1, 2, :, n, 0<j<n,

где n - предельное значение момента времени при моделировании. Поставить цели и исследовать непрерывную и дискретную модели.

Модификация 2. Одна из моделей математической экономики задается уравнением: dz/dt=((1-c)*z(t)+k(t-w)+a)l, где z(t) - функция, которая характеризует выпуск продукции, k - коэффициент капиталовложений, a - независимые расходы производства, l - скорость реакции выпуска на капиталовложения, c - постоянная спроса, w - запаздывание (лаг). Поставить цели и исследовать непрерывную и дискретную модели.

Модификация 3. Для модели динамики фондов с переменным законом потока инвестиций: а) построить гипотезы, модель и алгоритм для моделирования; б) сформулировать планы вычислительных экспериментов по этой модели; в) реализовать алгоритм и планы экспериментов на ЭВМ.

Математическое моделирование только в последнее время становится на технологическую основу, в связи с этим необходимо отметить особую роль обычно технологичного имитационного моделирования, которое позволяет нам проигрывать реальные ситуации, происходящие в системах, на их моделях. Компьютерное моделирование (получение, накопление, переработка, хранение, использование, актуализация знаний с помощью ЭВМ), в отличие от математического, используется сравнительно недавно, хотя эти технологии моделирования тесно связаны. Компьютерное моделирование, как правило, применяется тогда, когда не удается построить математической аналитической модели или же такая модель трудоемка для исследования.

Пример. Компьютерной (физической) моделью может служить простая модель броуновского движения, получаемая генерацией компьютером нового случайного положения точки на экране и траектории ее движения; при этом отметим, что сам "датчик случайных чисел компьютера (или языка)" - это компьютерная модель, соответствующая математической модели распределения случайной величины (обычно нормального распределения) или так называемой функции распределения. Это распределение - псевдослучайное, получаемое по вполне детерминированному алгоритму.

Математическое и компьютерное моделирование

Математическая модель описывается (представляется) математическими структурами, математическим аппаратом (числа, буквы, геометрические образы, отношения, алгебраические структуры и т.д.).

У математических моделей есть и дидактические аспекты - развитие модельного и математического стиля мышления, позволяющего вникать в структуру и внутреннюю логику моделируемой системы.

Отметим основные операции (процедуры) математического моделирования.

1. Линеаризация. Пусть дана математическая модель М=М(X, Y, A), где X - множество входов, Y - множество выходов, А - множество состояний системы. Схематически можно это изобразить так: X

AY. Если X, Y, A - линейные пространства (множества), а : XA, : AY - линейные операторы (т.е. любые линейные комбинации ax+by аргументов и преобразуют в соответствующие линейные комбинации a(x)+bi;(y) и a(x)+b(y)), то система (модель) называется линейной. Все другие системы (модели) - нелинейные. Они труднее поддаются исследованию, хотя и более актуальны. Нелинейные модели менее изучены, поэтому их часто линеаризуют - сводят к линейным моделям каким-то образом, какой-то корректной линеаризующей процедурой.

Пример. Применим операцию линеаризации к модели (какой физической системы, явления?) у=at2/2, 0

t4, которая является нелинейной (квадратичной). Для этого заменим один из множителей t на его среднее значение для рассматриваемого промежутка, т.е. на t=2. Такая (пусть простят меня знакомые с линеаризацией читатели, - хоть и очень наглядная, но очень грубая!) процедура линеаризации дает уже линейную модель вида y=2at. Более точную линеаризацию можно провести следующим образом: заменим множитель t не на среднее, а на значение в некоторой точке (это точка - неизвестная!); тогда, как следует из теоремы о среднем из курса высшей математики, такая замена будет достаточно точна, но при этом необходимо оценить значение неизвестной точки. На практике используются достаточно точные и тонкие процедуры линеаризации.

2. Идентификация. Пусть М=М(X, Y, A), A={ai}, ai=(ai1, ai2, ..., aik) - вектор состояния объекта (системы).
Отклонение точной модели от линеаризованной будет в рамках этого критерия равно |at2/2-2at|, 0

t4. Если a>0, то, как несложно оценить с помощью производной, эта погрешность будет экстремальна при t=2a. Например, если a=1, то эта величина не превосходит 2. Это достаточно большое отклонение, и можно заключить, что наша линеаризованная модель в данном случае не является адекватной (как исходной системе, так и нелинеаризованной модели).

4. Оценка чувствительности модели (чувствительности к изменениям входных параметров).

Пример. Из предыдущего примера следует, что чувствительность модели у=at2/2, 0t4 такова, что изменение входного параметра t на 1% приводит к изменению выходного параметра y на более, чем 2%, т.е. эта модель является чувствительной.

5. Вычислительный эксперимент по модели. Это эксперимент, осуществляемый с помощью модели на ЭВМ с целью определения, прогноза тех или иных состояний системы, реакции на те или иные входные сигналы. Прибором эксперимента здесь является компьютер (и модель!). Это процедура часто отождествляется с компьютерным моделированием.

Отметим основные причины, несколько тормозящие выход математического моделирования на новые информационные технологии:

традиционное описание модели системами математических уравнений, соотношений; в то же время, большинство плохо структурированных и плохо формализуемых систем описываются с помощью экспертных данных, эвристических и имитационных процедур, интегрированных пакетов программ, графических образов и т.д.;существующие средства описания и представление моделей на ЭВМ не учитывают специфику моделирования, нет единого представления моделей, генерации новых моделей по банку моделей;недооценка возможностей компьютера, который может делать больше, чем простая реализация алгоритма, как правило, структурируемого и/или реализуемого хорошо, отсутствие доступа к опыту моделирования на ЭВМ.В базовой пятерке: "система (исследуемая среда) - модель (описание среды) - алгоритм (программа) - компьютер (компьютерная технология) - пользователь (выработка решения)" при компьютерном моделировании главную роль играют уже алгоритм (программа), компьютер и технология, точнее, инструментальные системы для компьютера, компьютерные технологии.



Пример. При имитационном моделировании (при отсутствии строгого и формально записанного алгоритма) главную роль играют технология и средства моделирования; аналогичная ситуация наблюдается в когнитивной графике.

Модель не эквивалентна программе, а моделирование не сводится к программированию.

Специфические операции математического моделирования, например, идентификация, линеаризация не сводятся в ЭВМ к преобразованию в ней программ. Расширяется и область применения компьютера и компьютерных моделей.

Основные функции компьютера при моделировании систем:

исполнение роли вспомогательного средства для решения задач, доступных и для обычных вычислительных средств, алгоритмам, технологиям;исполнение роли средства постановки и решения новых задач, не решаемых традиционными средствами, алгоритмами, технологиями;исполнение роли средства конструирования компьютерных обучающих и моделирующих сред типа: "обучаемый - компьютер - обучающий", "обучающий - компьютер - обучаемый", "обучающий - компьютер - группа обучаемых", "группа обучаемых - компьютер - обучающий", "компьютер - обучаемый - компьютер";исполнение роли средства моделирования для получения новых знаний;исполнение роли "обучения" новых моделей (самообучение модели).Компьютерное моделирование - основа представления знаний в ЭВМ (построения различных баз знаний). Компьютерное моделирование для рождения новой информации использует любую информацию, которую можно актуализировать с помощью ЭВМ. Прогресс моделирования связан с разработкой систем компьютерного моделирования, которые поддерживает весь жизненный цикл модели, а прогресс в информационной технологии - с актуализацией опыта моделирования на компьютере, с созданием банков моделей, методов и программных систем, позволяющих собирать новые модели из моделей банка. Автономные подмодели модели обмениваются информацией друг с другом через единую информационную шину - банк моделей, через базу знаний по компьютерному моделированию.


Особенность компьютерных систем моделирования - их высокая интеграция и интерактивность. Часто эти компьютерные среды функционируют в режиме реального времени.

Вычислительный эксперимент - разновидность компьютерного моделирования.

Можно говорить сейчас и о специальных пакетах прикладных программ, текстовых, графических и табличных процессоров, визуальных и когнитивных средах (особенно, работающих в режиме реального времени), позволяющих осуществлять компьютерное моделирование.

Компьютерное моделирование и вычислительный эксперимент становятся новым инструментом, методом научного познания, новой технологией из-за возрастающей необходимости перехода от исследования линейных математических моделей систем (для которых достаточно хорошо известны или разработаны методы исследования, теория) к исследованию сложных и нелинейных математических моделей систем (анализ которых гораздо сложнее); грубо, но образно, говоря: "наши знания об окружающем мире - линейны и детерминированы, а процессы в окружающем мире - нелинейны и стохастичны".

Информация (абстракция), реализуясь сообщениями реального мира, овеществляется в разных предметных процессах, а реализация на компьютере вызывает необходимость использования в компьютерах специальных формализованных описаний, представлений этих процессов.

Компьютерное моделирование, от постановки задачи до получения результатов, проходит следующие этапы компьютерного моделирования.

Постановка задачи. Формулировка задачи.Определение цели и приоритетов моделирования. Сбор информации о системе, объекте моделирования.Описание данных (их структуры, диапазона, источника и т.д.).Предмодельный анализ. Анализ существующих аналогов и подсистем.Анализ технических средств моделирования (ЭВМ, периферия).Анализ программного обеспечения (языки программирования, пакеты прикладных программ, инструментальные среды).Анализ математического обеспечения (модели, методы, алгоритмы). Анализ задачи (модели). Разработка структур данных.Разработка входных и выходных спецификаций, форм представления данных.Проектирование структуры и состава модели (подмоделей).Исследование модели. Выбор методов исследования подмоделей.Выбор, адаптация или разработка алгоритмов, их псевдокодов.Сборка модели в целом из подмоделей.Идентификация модели, если в этом есть необходимость.Формулировка используемых критериев адекватности, устойчивости и чувствительности модели.Программирование (проектирование программы). Выбор метода тестирования и тестов (контрольных примеров).Кодирование на языке программирования (написание команд).Комментирование программы.Тестирование и отладка. Синтаксическая отладка.Семантическая отладка (отладка логической структуры). Тестовые расчеты, анализ результатов тестирования.Оптимизация программы.Оценка моделирования. Оценка средств моделирования.Оценка адекватности моделирования.Оценка чувствительности модели. Оценка устойчивости модели.Документирование. Описание задачи, целей.Описание модели, метода, алгоритма. Описание среды реализации.Описание возможностей и ограничений. Описание входных и выходных форматов, спецификаций. Описание тестирования. Создание инструкций для пользователя.Сопровождение. Анализ применения, периодичности использования, количества пользователей, типа использования (диалоговый, автономный и др.), анализ отказов во время использования модели.Обслуживание модели, алгоритма, программы и их эксплуатация.Расширение возможностей: включение новых функций или изменение режимов моделирования, в том числе и под модифицированную среду. Нахождение, исправление скрытых ошибок в программе, если таковые найдутся.Использование модели.Пример.Математическое и компьютерное моделирование подробно, поэтапно, мы рассмотрим на примере следующей простой модели производства. Итак, возьмем укрупненные этапы моделирования производства.

Что такое линеаризация, идентификация, оценка

Что такое математическая модель? Что такое линеаризация, идентификация, оценка адекватности и чувствительности модели?Что такое вычислительный или компьютерный эксперимент? В чем особенности компьютерного моделирования по сравнению с математическим моделированием?

По приведенным ниже моделям: выписать

По приведенным ниже моделям: выписать соответствующую дискретную модель (если приведена непрерывная модель) или непрерывную модель (если приведена дискретная модель); исследовать модель в соответствии с поставленной целью (получить решение, проверить его единственность, устойчивость, наличие стационарного решения); составить алгоритм моделирования; модифицировать модель или разработать на ее основе новую; сформулировать несколько реальных систем, описываемых моделью; линеаризовать и идентифицировать модель (предложить подходы); сформулировать несколько возможных сфер применения моделей и результатов, полученных при ее исследовании; определить тип, входное и выходное множество модели.
Концентрация вещества, поступающего в реку со стоком, изменяется в результате действия рассеивания, адвекции, реакции. Концентрация хi вещества в реке зависит только от расстояния i, i=0,1,:, n по течению реки и определяется по формуле: ab(xi+1-2xi+xi+1)-c(xi-xi-1)-daxi=0, где а - площадь поперечного сечения реки, b - коэффициент рассеивания по течению реки, с - полный объемный расход реки, d - скорость разложения органического вещества. Эти величины a, b, c, d считаются пока постоянными. Общий поток вещества определяется: N=cxi-ab(xi+1-xi). Цель моделирования - прогноз загрязнения реки (для каждого i).Пусть x(t) - величина ресурса (вещественного, энергетического или информационного), а(х) - скорость его возобновления, у(t) - величина потребителя (плотность), b=b(x,y) - скорость потребления ресурса потребителем, причем эксперименты показывают, что часто b=b(x). При этих условиях модель баланса ресурса имеет вид: x'(t)=a-by(t), x(0)=m, y'(t)=cby(t)-dy(t), y(0)=n, где с - к.п.д. переработки ресурса для нужд потребителя (например, в биомассу потребителя), d - коэффициент естественной убыли потребителя. Функция b=b(x), обладающая свойствами: а) b(x) - монотонна, т.е. растет или убывает, b'(x)>0 или b'(x)<0; б) b(0)=0 (в начальный момент трофическая функция равна нулю); в) b(x) - ограничена (т.е.
скорость потребления ресурса ограничена) называется трофической функцией потребителя. Если а=0 - ресурс не возобновляем, иначе - возобновляем с постоянной скоростью а. Рассмотреть социально-экономическую интерпретацию одной модели. Цель моделирования: а) прогноз потребления; б) прогноз переработки; в) идентификация к.п.д. при различных аналогах трофической функции.Пусть рынок некоторых товаров определен в виде клеточного поля. Некоторые клетки поля вначале считаются занятыми (продавцами). Ближайшие к занятым клеткам свободные (граничащие) клетки образуют периметр кластера продавцов (кластер может состоять также только из одного продавца). Ячейки периметра с вероятностью (с частотой) р занимаются новыми продавцами до тех пор, пока кластер не достигнет границ поля (экономической ниши товара) или не пройдет некоторое заданное время моделирования (время снижения потребительского интереса к товарам). Цель моделирования: а) построение клеточно-автоматной, фрактальной картины рынка через некоторое время; б) построение новых законов занятия ниши продавцами товаров и моделирование.

Эволюционное моделирование и генетические алгоритмы

Потребность в прогнозе и адекватной оценке последствий осуществляемых человеком мероприятий (особенно негативных) приводит к необходимости моделирования динамики изменения основных параметров системы, динамики взаимодействия открытой системы с его окружением (ресурсы, потенциал, условия, технологии и т.д.), с которым осуществляется обмен ресурсами в условиях враждебных, конкурентных, кооперативных или же безразличных взаимоотношений. Здесь необходимы системный подход, эффективные методы и критерии оценки адекватности моделей, которые направлены не только (не столько) на максимизацию критериев типа "прибыль", "рентабельность", но и на оптимизацию отношений с окружающей средой. Если критерии первого типа важны, например, для кратко- и среднесрочного прогнозирования и тактического администрирования, то второго типа - для средне- и долгосрочного прогноза, для стратегического администрирования. При этом необходимо выделить и изучить достаточно полную и информативную систему параметров исследуемой системы и его окружения, разработать методику введения мер информативности и близости состояний системы. Важно отметить, что при этом некоторые критерии и меры могут часто конфликтовать друг с другом.

Многие такие социально-экономические системы можно описывать с единых позиций, средствами и методами единой теории - эволюционной.

При эволюционном моделировании процесс моделирования сложной социально-экономической системы сводится к созданию модели его эволюции или к поиску допустимых состояний системы, к процедуре (алгоритму) отслеживания множества допустимых состояний (траекторий). При этом актуализируются такие атрибуты биологической эволюционной динамики (в скобках даны возможные социально-экономические интерпретации этих атрибутов для эволюционного моделирования) как, например:

сообщество (корпорация, корпоративные объекты, субъекты, окружение);видовое разнообразие и распределение в экологической нише (типы распределения ресурсов, структура связей в данной корпорации);экологическая ниша (сфера влияния и функционирования, эволюции на рынке, в бизнесе);рождаемость и смертность (производство и разрушение);изменчивость (экономической обстановки, ресурсов);конкурентные взаимоотношения (рыночные отношения);память (способность к циклам воспроизводства);естественный отбор (штрафные и поощрительные меры);наследственность (производственные циклы и их предыстория);регуляция (инвестиции);самоорганизация и стремление системы в процессе эволюции максимизировать контакт с окружением в целях самоорганизации, возврата на траекторию устойчивого развития и другие.

При исследовании эволюции системы необходима ее декомпозиция на подсистемы с целью обеспечения:

эффективного взаимодействия с окружением; оптимального обмена определяющими материальными, энергетическими, информационными, организационными ресурсами с подсистемами;эволюционируемости системы в условиях динамической смены и переупорядочивания целей, структурной активности и сложности системы;управляемости системы, идентификации управляющей подсистемы и эффективных связей с подсистемами системы, обратной связи.Пусть имеется некоторая система S с N подсистемами. Для каждой i-й подсистемы определим вектор x(i)=(x1(i),x2(i),:,xni(i)) основных параметров (т.е. параметров, без которых нельзя описать и изучить функционирование подсистемы в соответствии с целями и доступными ресурсами системы) и функцию s(i)=s(x(i)), которую назовем функцией активности или просто активностью этой подсистемы.

Пример. В бизнес-процессах это понятие близко к понятию деловой активности.

Для всей системы определены вектор состояния системы x и активность системы s(x), а также понятие общего потенциала системы.

Пример. Потенциал активности может быть определен аналогично биологическому потенциалу популяции, например, с помощью интеграла от активности на задаваемом временном промежутке моделирования.

Эти функции отражают интенсивность процессов как в подсистемах, так и в системе в целом.

Важными для задач моделирования являются три значения s(i)max, s(i)min, s(i)opt - максимальные, минимальные и оптимальные значения активности i-й подсистемы, а также аналогичные значения для всей системы (smax, smin, sopt). В качестве показателя экономического состояния можно брать также отношение значения этого показателя к его нормированному значению, а для комплексного учета влияния параметров на состояние системы можно использовать аналоги меры информационной близости, например, по К. Шеннону.

Если дана открытая экономическая система (процесс), а Н0, Н1 - энтропия системы в начальном и конечном состояниях процесса, то мера информации определяется как разность вида:

?Н=Н0-Н1.Уменьшение ?Н свидетельствует о приближении системы к состоянию статического равновесия (при доступных ресурсах), а увеличение - об удалении.


Величина ?Н - количество информации, необходимой для перехода от одного уровня организации системы к другой (при ?Н>0 - более высокой, при ?Н<0 - более низкой организации).

Возможен подход и с использованием меры по Н. Моисееву. Пусть дана некоторая управляемая система, о состояниях которой известны лишь некоторые оценки - нижняя smin и верхняя smax. Известна целевая функция управления F(s(t),u(t)), где s(t) - состояние системы в момент времени t, а u(t) - управление из некоторого множества допустимых управлений, причем считаем, что достижимо uopt - некоторое оптимальное управление из пространства U, t0<t<T, sminssmax. Мера успешности принятия решения:

H=|(Fmax - Fmin)/(Fmax+Fmin)|,Fmax=max F(uopt, smax), Fmin=min F(uopt, smin), t[t0;T], s[smin;smax].Увеличение Н свидетельствует об успешности управления системой (успешности принятого управляющего решения).

Активности подсистем прямо или опосредованно взаимодействуют с помощью системной активности s(x), например, по простой схеме вида



Функции j(i), y(i) должны отражать эволюционируемость системы, в частности, удовлетворять условиям:

периодичности, цикличности, например: (0<T<?, t:  (i)(s; s(i), t)= (i)(s; s(i), t+T),  (i)(s; s(i), t)=  (i)(s; s(i), t+T));затухания при снижении активности, например: (s(x)0 i=1, 2, ..., n) => ( (i) 0,  (i) 0);равновесности и стационарности: выбор (определение) функции (i), (i) осуществляется таким образом, чтобы система имела точки равновесного состояния, а s(i)opt, sopt достигались в стационарных точках x(i)opt, xopt для малых промежутков времени; в больших промежутках времени система может (в соответствии с теорией катастроф) вести себя хаотично, самопроизвольно порождая регулярные, упорядоченные, циклические взаимодействия (детерминированный хаос).Взаимные активности (ij)(s; s(i), s(j), t) подсистем i и j мы не учитываем. В качестве функции (i), (i) могут быть эффективно использованы производственные функции типа Кобба-Дугласа:



В таких функциях важен параметр i, отражающий степень саморегуляции, адаптации системы.


Как правило, его нужно идентифицировать.

Функционирование системы удовлетворяет на каждом временном интервале (t; t+?) ограничениям вида







При этом отметим, что выполнение для ?>0 одного из двух условий





приводит к разрушению (катастрофе) системы.

Пример. Пусть имеется некоторая социально-экономическая среда, которая возобновляет с коэффициентом возобновления (?,t,x) (0<t<T, 0<x<1, 0<?<T) свои ресурсы. Этот коэффициент зависит, в общем случае, от мощности среды (ее ресурсоемкости, ресурсообеспеченности). Рассмотрим простую гипотезу: (?,t,x)= 0+1x, и чем больше ресурсов - тем больше темп их возобновления. Можно записать непрерывную эволюционную модель (a - коэффициент естественного прироста ресурсов, b - их убыли):



Обозначим (?)=0(?)+1(?)x(?)>0. Тогда



Задача всегда имеет решение x0. Тогда эволюционный потенциал системы можно определить как величину:



Чем выше темп - тем выше ?, чем меньше - тем ниже ?. Каким бы хорошим ни было состояние ресурсов в начальный момент, они неизменно будут истощаться, если потенциал системы меньше 1.

Пример. Пусть umax - максимальный уровень синтаксических ошибок в программе Р, u(t) - их оставшееся количество к моменту времени t. Исходя из простейшей эволюционной модели du/dt+?umax=0, u(t0)=u0, можно заключить, что уровень ошибок убывает при ?(c-t0)-1 (t0<c<T) по закону: u(t) = u0(1+ ?(c-t))/(1+?(c-t0)). Если задать дополнительно u(t*)=u*, (umax - неизвестная величина, t* t0), то закон изменения уровня ошибок находится однозначно, так как: с=(u* t0 - u0t*)/(?u* - ?u0 ) -1/?.

Отметим, что если ds/dt - общее изменение энтропии системы при воздействии на систему, ds1/dt - изменение энтропии за счет необратимых изменений структуры, потоков внутри системы (рассматриваемой как открытая система), ds2/dt - изменение энтропии за счет усилий по улучшению обстановки (например, экономической, экологической, социальной), то справедливо уравнение И. Пригожина:

ds/dt = ds1/dt + ds2/dt.При эволюционном моделировании социально-экономических систем полезно использовать и классические математические модели, и неклассические, в частности, учитывающие пространственную структуру системы (например, клеточные автоматы и фракталы), структуру и иерархию подсистем (например, графы и структуры данных), опыт и интуицию (например, эвристические, экспертные процедуры).



Пример. Пусть дана некоторая экологическая система ?, в которой имеются точки загрязнения (выбросов загрязнителей) xi, i=1, 2, :, n. Каждый загрязнитель xi загрязняет последовательно экосистему в промежутке времени (ti-1; ti], ti=ti-ti-1. Каждый загрязнитель может оказать воздействие на активность другого загрязнителя (например, уменьшить, нейтрализовать или усилить по известному эффекту суммирования воздействия загрязнителей). Силу (меру) такого влияния можно определить через rij, R={rij: i=1,2,:, n-1; j=2,3,:, n}.

Структура задаётся графом: вершины - загрязнители, ребра - меры.

Найдём подстановку минимизирующую функционал вида:



где F - суммарное загрязнение системы с данной структурой S.

Чем быстрее (медленнее) будет произведен учёт загрязнения в точке xi, тем быстрее (медленнее) осуществимы социо-экономические мероприятия по его нейтрализации (усилению воздействия). Чем меньше будет загрязнителей до загрязнителя xi, тем меньше будет загрязнение среды.

В качестве меры rij может быть взята мера, учитывающая как время начала воздействия загрязнителей (предшествующих данной xj), так и число, а также интенсивность этих загрязнителей:



где vij - весовой коэффициент, определяющий степень влияния загрязнителя xi на загрязнитель xj (эффект суммирования), hj - весовой коэффициент, учитывающий удельную интенсивность действия загрязнителя xj или интервал ?i, в течение которого уменьшается интенсивность (концентрация) загрязнителя. Весовые коэффициенты устанавливаются экспертно или экспериментально.

Принцип эволюционного моделирования предполагает необходимость и эффективность использования методов и технологии искусственного интеллекта, в частности, экспертных систем.

Основная трудность при построении и использовании эволюционных моделей: в Природе и Познании, в которых эти модели и цели явно или неявно существуют, результаты функционирования системы и достижения цели прослеживаемы часто лишь по прошествии длительного периода времени, хотя в Обществе и Экономике Человек стремится получить результаты в соответствии с целью явно и быстро, с минимальными затратами Ресурсов.



Адекватным средством реализации процедур эволюционного моделирования являются генетические алгоритмы.

Идея генетических алгоритмов "подсмотрена" у систем живой природы, у систем, эволюция которых развертывается в сложных системах достаточно быстро.

Генетический алгоритм - это алгоритм, основанный на имитации генетических процедур развития популяции в соответствии с принципами эволюционной динамики, приведенными выше. Часто используется для решения задач оптимизации (многокритериальной), поиска, управления.

Данные алгоритмы адаптивны, развивают решения, развиваются сами. Особенность этих алгоритмов - их успешное использование при решении NP-сложных проблем (проблем, для которых невозможно построить алгоритм с полиномиально возрастающей алгоритмической сложностью).

Пример. Рассмотрим задачу безусловной целочисленной оптимизации (размещения): найти максимум f(i), i - набор из n нулей и единиц, например, при n=5, i=(1,0,0,1,0). Это очень сложная комбинаторная задача для обычных, "негенетических" алгоритмов. Генетический алгоритм может быть построен следующей укрупненной процедурой:

генерируем начальную популяцию (набор допустимых решений задачи) - I0=(i1, i2, :, in), ij{0,1} и определяем некоторый критерий достижения "хорошего" решения, критерий остановки , процедуру СЕЛЕКЦИЯ, процедуру СКРЕЩИВАНИЕ, процедуру МУТАЦИЯ и процедуру обновления популяции ОБНОВИТЬ;k:=0, f0:=max{f(i), iI0};нц пока не() с помощью вероятностного оператора (селекции) выбираем два допустимых решения (родителей) i1, i2 из выбранной популяции (вызов процедуры СЕЛЕКЦИЯ); по этим родителям строим новое решение (вызов процедуры СКРЕЩИВАНИЕ) и получаем новое решение i; модифицируем это решение (вызов процедуры МУТАЦИЯ); если f0<f(i) то f0:=f(i);обновляем популяцию (вызов процедуры ОБНОВИТЬ); k:=k+1 кц Указанные процедуры определяются с использованием аналогичных процедур живой природы (на том уровне знаний о них, что мы имеем). Например, процедура СЕЛЕКЦИЯ может из случайных элементов популяции выбирать элемент с наибольшим значением f(i).


Процедура СКРЕЩИВАНИЕ (кроссовер) может по векторам i1, i2 строить вектор i, присваивая с вероятностью 0,5 соответствующую координату каждого из этих векторов-родителей. Это самая простая процедура. Используют и более сложные процедуры, реализующие более полные аналоги генетических механизмов. Процедура МУТАЦИЯ также может быть простой или сложной. Например, простая процедура с задаваемой вероятностью для каждого вектора меняет его координаты на противоположные (0 на 1, и наоборот). Процедура ОБНОВИТЬ заключается в обновлении всех элементов популяции в соответствии с указанными процедурами.

Пример. Работу банка можно моделировать на основе генетических алгоритмов. С их помощью можно выбирать оптимальные банковские проценты (вкладов, кредитов) некоторого банка в условиях конкуренции с тем, чтобы привлечь больше клиентов (средств). Тот банк, который сможет привлечь больше вкладов, клиентов и средств, и выработает более привлекательную стратегию поведения (эволюции) - тот и выживет в условиях естественного отбора. Филиалы такого банка (гены) будут лучше приспосабливаться и укрепляться в экономической нише, а, возможно, и увеличиваться с каждым новым поколением. Каждый филиал банка (индивид популяции) может быть оценен мерой его приспособленности. В основе таких мер могут лежать различные критерии, например, аналог экономического потенциала - рейтинг надежности банка или соотношение привлеченных и собственных средств банка. Такая оценка эквивалентна оценке того, насколько эффективен организм при конкуренции за ресурсы, т.е. его выживаемости, биологическому потенциалу. При этом особи (филиалы) могут приводить к появлению потомства (новых банков, получаемых в результате слияния или распада), сочетающего те или иные (экономические) характеристики родителей. Например, если один банк имел качественную политику кредитования, а другой - эффективную инвестиционную политику, то новый банк может приобрести и то, и другое. Наименее приспособленные особи (филиалы) совсем могут исчезнуть в результате эволюции.


Таким образом, отрабатывается генетическая процедура воспроизводства новых банков (нового поколения), более приспособленных и способных к выживанию в процессе эволюции банковской системы. Эта политика со временем пронизывает всю банковскую "популяцию", обеспечивая достижение цели - появления эффективно работающей, надежной и устойчивой банковской системы. Приведем соответствующий генетический алгоритм (укрупненный и упрощенный):

алг ГЕНЕТИЧЕСКИЙ_АЛГОРИТМ_БАНКОВСКОЙ_СИСТЕМЫ ввод Начальная структура банка (начальная популяция); СТРУКТУРА | процедура оценки структуры по приспособлению Стоп:=0 | флаг для завершения эволюционного процесса нц пока (Стоп=0) СЕЛЕКЦИЯ | процедура генетического отбора нового поколения нц пока (МЕРА) | цикл воспроизводства с критерием МЕРА | мерой эффективности банковской системы РОДИТЕЛИ | процедура выбора двух структур (филиалов) | объединяемых (скрещиваемых) на новом шаге ОБЪЕДИНЕНИЕ | процедура образования (объединения) | нового банка (филиала) ОЦЕНКА | процедура оценки устойчивости нового банка, | образования (рейтинга, устойчивости) ВКЛЮЧЕНИЕ | процедура включения (не включения) в новое | поколение (в банковскую систему) кц МУТАЦИЯ | процедура эволюции (мутации) нового поколения если (ПРОЦЕСС) | проверка функционала завершаемости эволюции то Стоп:=1 кц кон.Мы не конкретизируем структуру процедур СЕЛЕКЦИЯ, МЕРА, РОДИТЕЛИ, ОБЪЕДИНЕНИЕ, ОЦЕНКА, ВКЛЮЧЕНИЕ, МУТАЦИЯ, ПРОЦЕСС, хотя даже на интуитивном уровне ясно, что в этом алгоритме они играют решающую роль для эволюционного процесса. Не менее важен и правильный (эффективный) выбор структуры, а также представления (описания) этой структуры. Часто ее выбирают по аналогии со структурой хромосом, например, в виде битовых строк. Каждая строка (хромосома) представляет собой конкатенацию ряда подстрок (генная комбинация). Гены располагаются в различных позициях строки (локусах хромосомы). Они могут принимать некоторые значения (аллели), например, для битового представления - 0 и 1. Структура данных в генетическом алгоритме (генотип) отражает генетическую модель особи.


Окружающая среда, окружение определяется вектором в пространстве параметров и соответствует термину "фенотип". Мера качества (процедура МЕРА) структуры часто определяется целевой функцией (приспособленности). Для каждого нового поколения генетический алгоритм осуществляет отбор пропорционально приспособленности (процедура ОТБОР), модификацию (процедуры РОДИТЕЛИ, ОБЪЕДИНЕНИЕ, ВКЛЮЧЕНИЕ) и мутацию (процедура МУТАЦИЯ). Например, в процедуре ОТБОР каждой структуре ставится в соответствие отношение ее приспособленности к суммарной приспособленности популяции и затем происходит отбор (с замещением) всех особей для дальнейшей генетической обработки в соответствии с этой величиной. Размер отбираемой комбинации можно брать пропорциональным приспосабливаемости, и поэтому особи (кластеры) с более высокой приспособленностью с большей вероятностью будут чаще выбираться, чем особи с низкой приспособленностью. После отбора выбранные особи подвергаются кроссоверу (рекомбинации), т.е. разбиваются на пары. Для каждой пары может применяться кроссовер. Неизмененные особи переходят к стадии мутации. Если кроссовер происходит, полученные потомки заменяют собой родителей и переходят к мутации.

Хотя генетические алгоритмы и могут быть использованы для решения задач, которые, видимо, нельзя решать другими методами, они не гарантируют нахождение оптимального решения (по крайней мере, - за приемлемое время; полиномиальные оценки здесь часто неприменимы). Здесь более уместны критерии типа "достаточно хорошо и достаточно быстро". Главное же преимущество в другом: они позволяют решать сложные задачи, для которых не разработаны пока устойчивые и приемлемые методы, особенно на этапе формализации и структурирования системы, в когнитивных системах. Генетические алгоритмы эффективны в комбинации с другими классическими алгоритмами, эвристическими процедурами, а также в тех случаях, когда о множестве решений есть некоторая дополнительная информация, позволяющая настраивать параметры модели, корректировать критерии отбора, эволюции.

Что такое эволюционное моделирование? Каковы

Что такое эволюционное моделирование? Каковы критерии эффективности при эволюционном моделировании? Для какого типа прогнозирования (по длительности) используется и является эффективным эволюционное моделирование?Что такое генетический алгоритм?Каковы основные общие и различные свойства генетических и "не генетических" алгоритмов?

Привести одну экологическую или экономическую

Привести одну экологическую или экономическую эволюционирующую систему и сформулировать основные принципы и понятия для постановки задачи эволюционного моделирования этой системы.На примере некоторой системы показать, как можно осуществить её декомпозицию с целью ее эволюционного моделирования. Указать приоритеты декомпозиции. Привести для задачи некоторый способ (описание) активности системы, а также функции, по которым можно определять эволюционируемость системы.Описать укрупненный генетический алгоритм эволюции некоторого предприятия (некоторых предприятий).

Основы принятия решений и ситуационного моделирования

Принятие решения и целеполагающая ресурсоориентированная деятельность человека в социальной, экономической, политической, идеологической, военной сферах тесно связаны. В них крайне нежелательны ошибки, которые могут привести к пагубным последствиям. Но из-за ограниченных информационных возможностей человека ошибки всегда возможны. Поэтому есть настоятельная необходимость применения научного подхода к обоснованию и принятию решений.

Принятие решений, наряду с прогнозированием, планированием, ситуационным анализом обстановки, исполнением решений, контролем и учетом является функцией управления. Все функции управления направлены так или иначе на формирование или реализацию решений, и любую функцию управления технологически можно представить в виде последовательности каких-либо связанных общей целью решений.

При прогнозировании и планировании принимаются решения, связанные с выбором методов и средств, организацией работы, оценкой достоверности информации, выбором наиболее достоверного варианта прогноза и наилучшего варианта плана. Таким образом, функция принятия решений является с методологической и технологической точек зрения более общей, чем другие функции управления. Для лица, принимающего решение (ЛПР), принятие решений является основной задачей, которую он обязан исполнять в процессе управления. Поэтому знание методов, технологий и средств решений этой задачи является необходимым элементом квалификации руководителя, базой для дальнейшего управления.

Конечным результатом любой задачи принятия решений становится решение, конструктивное предписание к действию. Решение является одним из видов мыслительной деятельности и имеет следующие признаки: имеется выбор из множества возможностей; выбор ориентирован на сознательное достижение целей; выбор основан на сформировавшейся установке к действию. Основной характеристикой решения является его эффективность, т.е. степень, темп достижения целей и затраты ресурсов для принятия и реализации решения. Решение тем эффективнее, чем больше степень достижения целей и меньше стоимость затрат.

Принятие решения - это выбор одного из множества рассматриваемых допустимых вариантов. Обычно их число конечно, а каждый вариант выбора определяет некоторый результат (экономический эффект, прибыль, выигрыш, полезность, надежность и т.д.), допускающий количественную оценку. Такой результат обычно называется полезностью решения. Таким образом, ищется вариант с наибольшим значением полезности решения. Возможен и подход с минимизацией противоположной оценки, например, отрицательной величины полезности. Часто на практике встречается ситуация, когда каждому варианту решения соответствует единственный результат (детерминированность выбора решения), хотя возможны и другие случаи, например, когда каждому варианту i и условию j, характеризующему полезность, соответствует результат решения xij. Таким образом, можно говорить о матрице решений ||xij||, i=1,2,:m; j=1,2,:,m. Чтобы оценить решение, необходимо уметь оценивать все его последствия. Существуют различные подходы для такой оценки. Например, если решения альтернативные, то можно последствия каждого из них характеризовать суммой его наибольшего и наименьшего результатов, максимумом из возможных таких сумм, максимумом из максимумов по всем вариантам (оптимистическая позиция выбора), максимумом из среднего арифметического (нейтральная позиция выбора), максимумом из минимума (пессимистическая позиция) и другие.

Классические модели принятия решений, как правило, являются оптимизационными, ставящими цель максимизировать выгоду и на основе этих моделей получить практическую прибыль. Так как теоретиков больше интересует первая сторона, а практиков - вторая, то при разработке и использовании таких моделей необходимо их тесное сотрудничество. Практические рекомендации (решения) могут быть получены, если при построении модели принятия решений придать большее значение учету существенных структурных элементов моделируемой системы, т.е. разработке имитационной модели принятия решений, с привлечением экспериментальных, полуэкспериментальных и теоретических методов.


Кроме классических, оптимизационных процедур принятия решений существуют и ряд базовых неклассических (неоклассических) процедур, технологий принятия решений, некоторые из которых мы рассмотрим.

Классификация задач принятия решений проводится по различным признакам. Наиболее существенными являются: степень определенности информации; использование эксперимента для получения информации; количество лиц, принимающих решения; содержание решений; направленность решений.

На процесс принятия решения часто воздействуют различные случайные (стохастические) параметры, усложняющие процедуру. Недостаток информации об их распределении (сложность их измерения) приводит к необходимости принятия каких-то гипотез как об области их изменения, так и о характере их распределения (о функции распределения вероятностей). Правильность используемых гипотез необходимо проверять с помощью методов оценки статистических гипотез. При отсутствии достаточной информации для такой процедуры приходится привлекать большое число типов распределения. Проблемы принятия решений с недетерминированными параметрами называют проблемами принятия решений в условиях недостатка информации. Чем меньше информации у нас, тем больше может оказаться различие между ожидаемым и действительным результатами принимаемых решений в целом. Мера влияния информации (параметров) на результат решения называется релевантностью. Особо важно в социально-экономической сфере принятие решения при наличии рисков (неплатежей, невозвратов кредитов, ухудшения условий жизни и т.д.).

Формализуемые решения принимаются на основе соответствующих математических методов (алгоритмов). Математическая модель задачи оптимизации формализуемого решения включает следующие элементы:

заданную оптимизируемую целевую функцию (критерий управляемости): Ф=F(x1,x2,:,xn), где xj (j=1,2,:,n) - параметры, учитываемые при принятии решения (отражающие ресурсы принятия решений); условия, отражающие ограниченность ресурсов и действий ЛПР при принятии решений: gi(xj)<ai, ki (xj)=bi; cj<xj<di, i=1,2,:,m; j=1,2,:, n.Непременным требованием для решения задачи оптимизации является условие n>m.



В зависимости от критерия эффективности, стратегий и факторов управления выбирается тот или иной метод (алгоритм) оптимизации.

Основными являются следующие классы методов:

методы линейного и динамического программирования (принятия решения об оптимальном распределении ресурсов); методы теории массового обслуживания (принятие решения в системе со случайным характером поступления и обслуживания заявок на ресурсы); методы имитационного моделирования (принятие решения путем проигрывания различных ситуаций, анализа откликов системы на различные наборы задаваемых ресурсов); методы теории игр (принятие решений с помощью определения стратегии в тех или иных состязательных задачах); методы теории расписаний (принятие решений с помощью разработки календарных расписаний выполнения работ и использования ресурсов); методы сетевого планирования и управления (принятие решений с помощью оценки и перераспределения ресурсов при выполнении проектов, изображаемых сетевыми графиками); методы многокритериальной (векторной) оптимизации (принятие решений при условии существования многих критериев оптимальности решения) и другие методы.

Выбор решения - заключительный и наиболее ответственный этап процесса принятия решений. Здесь ЛПР должно осмыслить полученную на этапах постановки задачи и формирования решений информацию и использовать ее для обоснования выбора. В реальных задачах принятия решений к началу этапа выбора решения еще сохраняется большая неопределенность, поэтому сразу осуществить выбор единственного решения из множества допустимых решений практически очень сложно. Поэтому используется принцип последовательного уменьшения неопределенности, который заключается в последовательном трехэтапном (обычно) сужении множества решений. На первом этапе исходное множество альтернативных решений Y сужается (используя ограничения на ресурсы) до множества приемлемых или допустимых решений Y1Y. На втором этапе множество допустимых решений Y1 сужается (учитывая критерий оптимальности) до множества эффективных решений Y2Y1.


На третьем этапе осуществляется выбор (на основе критерия выбора и дополнительной информации, в том числе и экспертной) единственного решения Y*Y2.

Система принятия решений - совокупность организационных, методических, программно-технических, информационно-логических и технологических обеспечений принятия решений для достижения поставленных целей.

Общая процедура принятия решений может состоять из следующих этапов:

анализ проблемы и среды (цели принятия решения, их приоритеты, глубина и ограничения рассмотрения, элементы, связи, ресурсы среды, критерии оценки);постановка задачи (определение спецификаций задачи, альтернатив и критериев выбора решения);выбор (адаптация, разработка) метода решения задачи;выбор (адаптация, разработка) метода оценки решения;решение задачи (математическая и компьютерная обработка данных, имитационные и экспертные оценки, уточнение и модификация, если это необходимо);анализ и интерпретация результатов.Задачи принятия решений могут быть поставлены и решены в условиях детерминированных (определенности, формализованности и единственности целевой функции, ее количественной оцениваемости), риска (возможные решения, исходы распределены вероятностно) и недетерминированных (неопределенности, неточности, плохой формализуемости информации).

В моделях принятия решений используются различные процедуры. В частности, наиболее просты и эффективны следующие:

методы математического программирования;методы кривых безразличия;многокритериального выбора альтернатив на основе четкого или же нечеткого отношения предпочтения;последовательной оценки и последующего исключения вариантов;многомерного ранжирования (шкалирования) объектов и другие.При выборе pационального pешения необходимо принимать во внимание внешнюю сpеду и побочные явления, динамическую изменчивость критериев оценок решения, необходимость ранжирования аспектов и приоритетов решения, их неполноту и разнородность (а иногда и конфликтность).

Продемонстрируем ситуационное моделирование на примере моделирования деятельности банка.


Банковская система является одной из подсистем современной экономической системы, наиболее подверженной информатизации. Развитие банковской системы сопровождается постоянным поиском адекватных оптимальных методов и инструментов управления, принятия решений на основе экономико-математического анализа и моделирования деятельности банков. При этом необходимо учитывать тот факт, что финансовые операции имеют еще и стохастические составляющие, усложняющие и без того сложные процессы начисления процентных ставок, взносов и выплат, регулирования и управления, инвестиций и др. Эти процессы сложны не только динамически, но и вычислительно, логически. Кроме того, от таких прогнозов зависят и прогноз, анализ темпов инфляции, структуры активов и пассивов банка, доходности акций, курсов валют, процентная ставка и др.

Ситуационный анализ денежных потоков состоит в основанном - часто на имитационном моделировании - анализе эффективности того или иного набора финансовых операций и процедур (из множества возможных и допустимых) путем сравнения результатов их воздействия на финансовые, денежные потоки с величиной финансовых, денежных активов без учета их воздействия. Следовательно, ситуационный анализ денежных потоков является динамическим процессом, использующим методы оптимизации и критерии оптимальности. При ситуационном анализе некоторых базовых значений величины активов (соответствующих определенным финансовым условиям и обязательствам, например, величине уставного капитала), можно по некоторым критериям оптимальности (целевым функциям оптимизации), выбрать оптимальный набор возможных, допустимых финансовых операций, обеспечивающих, например, наибольшую доходность. Возможно построение целевой функции максимизации с учетом ликвидности. Возможно также получение решения задач, свидетельствующего об отсутствии роста (или малого роста) каких-либо финансовых параметров, например, активов, из которого можно сделать вывод о невозможности проведения оптимизирующих операций (процедур).

Пусть dt - средний уровень доходности, получаемый в результате проведения некоторых инвестиционных мероприятий, а Pt - процентная ставка на момент времени t=0, 1, 2, ..., T.


Тогда рост активов A будет осуществляться по закону



и можно использовать при ситуационном анализе критерий эффективности:



Соотношение между доходностью активов и ценой пассивов коммерческого банка является важнейшим показателем, который отражает эффективность денежно-финансовой политики банка.

Cитуационный анализ соотношения осложняется рядом факторов:

структура активов и пассивов могут отражаться ссудами различной длительности, а также различными схемами размещения и привлечения обязательств и ценных бумаг, например, возврат денег может быть осуществлен по схеме ежемесячного отчисления процентов и уплаты кредита в конце либо по схеме единовременного возврата суммы долга и процентов в конце промежутка кредитования; необходимостью учета (прогноза) инфляционного ожидания и "увеличения" или "очистки" тех или иных составляющих активов и пассивов в зависимости от инфляции; различными параметрами и факторами, влияющими на степень риска, затрудненностью оценки величины риска.Различные структуры и схемы размещения и привлечения финансовых ресурсов определяют и различные динамические модели.

Например, если схема предусматривает возврат долга с процентами одновременно, реальная ставка рублевого кредита d может быть определена по формуле

d=(z-a)/(1+a/100) (%),где z - номинальная ставка рублевого кредита (%), а - инфляция за период кредитования (%).

Для валютного кредита, очищенного от инфляции, с учетом внутренней конвертируемости рубля:

d=[((1+z/100)(1+g/100)-(1+a/100))/(1+a/100)]100 (%),где z - номинальная ставка валютного кредита (%), g - рост курса валюты за период кредитования (%).

Если же договор размещения кредитов предусматривает учет динамики возврата долга (части долга) и уплаты процентов, то реальная ставка может определяться следующей процедурой:

определяется динамика срочных выплат (части долга и процентов), гарантирующая полное выполнение обязательств за период кредитования, т.е. обеспечивающая выполнение условий

где gt - ежемесячные (ежеквартальные, ежегодные) выплаты, t - номер месяца (квартала, года), в конце которого происходит выплата, S - размер ссуды, выданной в начале договора кредитования, T - количество дней (месяцев, кварталов, лет) кредитования; задается динамика инфляции, например, дискретная функция at=a(t), t=1,2,...,T; определяется реальная ставка d - решение уравнения:



если кредит - валютный, то необходимо дополнить этапы 1-3 этой процедуры следующими этапами: осуществляется прогноз роста курса валюты, т.е. определяется (задается) дискретная функция gt=g(t), t=1, 2, :, T; реальная ставка определяется из уравнения вида (S - ссуда в валюте):

В долговременных финансово-кредитных операциях проценты либо выплачиваются сразу после их начисления, либо их реинвестируют, применяя сложные проценты. Исходная сумма S (база) увеличивается по принятому (кредитором и дебитором) соглашению, а для простых процентов база постоянная и равна начальной сумме S. Присоединение начисленных процентов к базовой сумме называется капитализацией процентов, t=0,:, T.

Важнейшим показателем при ситуационном анализе и моделировании деятельности и жизнеспособности банка является надежность, банковский или кредитный риск. Надежность банка - не просто вероятность быть надежным банком в данный момент, а вероятность банка сохранять надежностные характеристики и отношения на некотором допустимом промежутке их варьирования и для определенного промежутка времени.

Пусть x=(x1, x2, ..., xn)? - вектор, характеризующий надежность банка, а ? - некоторое множество его допустимых изменений. В качестве меры надежности можно взять условную вероятность p=p(P/?), где P - оценка (степень) надежности, P/? - оценка при условии изменения x?.

Пример. Пусть ?=?(x1,x2,x3) - информационные ресурсы, доступные объекту (субъекту), который производит анализ надежности банка, а x=(x1,x2,x3), где x1 - активы банка, x2 - пассивы банка, x3 - дебиторская задолженность банку. Пусть, например, мы хотим оценить надежность банка, но не имеем о банке информации (или имеем нулевую информацию). Тогда значение p(P/?) можно получить, только исходя из двух возможных равновероятных состояний - банк либо надежен, либо не надежен, т.е. p(P/?)=0,5. Результат мало информативен и может быть применен к любому банку при любых условиях ?. Пусть теперь известно, что существует лишь 30 % надежных банков, т.е. мы при оценке надежности банка используем эту информацию.


В этом случае можно оценить надежность банка как 0p(P/?)0,3. В то же время, как и для предыдущего случая, такая оценка надежности будет малоинформативной, так как здесь мы имеем, как и в первом случае, два возможных состояния (p0,3 и p>0,3) и по формуле Шеннона количество информации в том и в другом случае равно

I=log2N=log22=1 (бит).Чем более точной информацией о банке владеет вкладчик (дебитор), тем проще ему можно принимать верные решения, т.е. тем чаще и ближе будут оценки вероятности (надежности) p к p=0 и p=1. Чем меньше информации, тем сложнее принять однозначное решение, тем чаще и ближе будет оценка вероятности к p=0,5 ("пятьдесят на пятьдесят").

Величину p(P/?) принято называть апостериорной вероятностью (a posteriori - после опыта). Под опытом здесь подразумевается процесс получения информации ?, следовательно, p(P/?) - вероятность быть надежным банком с учетом полученной в результате опыта информации.

При определении надежности (например, экспертами) могут допускаться ошибки, в том числе и субъективного характера. Это - вероятность "ложной классификации". Пусть p1 - вероятность отнесения (априори) надежного банка в класс ненадежных, а p2 - вероятность отнесения (априори) ненадежного банка в класс надежных банков. Если не учитывать гипотез о степени их предпочтения (рейтинг банка), то показатель качества классификации - сумма вероятностей совершения ошибок, т.е. p=p1+p2. Можно снабдить их весами (предпочтения) a1 и a2, например, если a1=1, a2=2, то вероятность p2 в 2 раза важнее p1 (иначе говоря, в 2 раза опаснее относить ненадежный банк в группу надежных, чем надежный банк в группу ненадежных). Тогда итоговый показатель является средневзвешенной суммой вероятностей:

p=a1q1+a2q2,где a1, a20, q1, q20, q1, q2- вероятности ошибок, q1=1-p1, q2=1-p2.

Показатель p называют байесовским риском. Чем больше p, тем хуже произведена классификация, а чем она ближе к нулю, тем классификация ближе к реальной или априорной классификации.

Для ситуационного анализа необходимо иметь адекватные модели потока платежей.


Как правило, этот поток - дискретный. Рассмотрим одну из простых подмоделей модели ситуационного анализа, дополняющую выше приведенную процедуру.

Пусть в момент времени t0=0 имеется капитал x(0) (денежных единиц), а в момент времени t=t1, t2, ...,tn имеются транзакции (приход, расход) y(ti), i=1,2,...,n. Рассмотрим, как это бывает на практике, одинаковые промежутки времени (год, месяц, день) [t0;t1], (t2;t3], ..., (tn-1; tn], т.е. ti-ti-1=const и векторы t=(0, t1, t2,...,tn), x=(x(0), x(t1), x(t2), ..., x(tn)), y=(0, y(t1), y(t2), ..., y(tn)), v=(0, v(t1), v(t2), ..., v(tn)), где v(ti) - коэффициент дисконта на промежутке времени (0;ti], т.е. коэффициент относительной скидки или отношения приращения ссуды (капитала) за срок от 0 до ti к наращенной сумме. Тогда потоки приходов и расходов будут, соответственно, равны





Будем считать доходы кредитора (инвестора) отрицательными величинами (отдает), а поступления - положительными. Тогда z(0)=-x(0) - начальный доход (начальная величина инвестиций), а z(ti)=y(ti)-x(ti) - поступление на его счет, i=1,2,..., n.

Чистая стоимость потока Q=R-P равна:



Аналогично, чистое наращенное значение потока на момент времени ti>0 равно (вводя a(tj, ti) - коэффициент наращения на (tj;ti],j=1,:,n-1)



Наращенное значение всех платежей к моменту времени tn=T равно Qn.

Одним из эффективных механизмов принятия деловых решений (в проблемах инвестирования, выработки стратегии поведения, развития и т.д.) является использование ИСПР (просто СПР) - информационных систем поддержки решений (Decision Support Systems), сочетающих современные средства аналитической обработки и средства визуализации информации и технологии поддержки деятельности экспертной группы.

Пример. В области организационного управления наибольший интерес имеют так называемые ситуационные (эмерджентные) комнаты (центры), позволяющие быстро "погрузить" ЛПР в рассматриваемую проблемную ситуацию, обстановку, помочь разобраться в проблеме и принять локально-оптимальное (не обязательно глобально-оптимальное) решение.


Например, президент США имеет несколько таких комнат. Существуют ситуационные центры Президента РФ, Совета Безопасности, МЧС. Ситуационные комнаты - это специальное место для поддержки построения, проигрывания проблемной ситуации и принятия решений одним человеком или группой людей. Эффект от использования ситуационной комнаты зависит от корректности поставленной проблемы, полноты и достоверности используемых данных, сценария обсуждения, технологий интеллектуальной и компьютерной поддержки (например, использования экспертных систем), временного интервала прогноза и др. Простое использование автоматизированной системы обработки документов, поисковых систем, средств визуализации и мультимедиа - недостаточные условия для функционирования ситуационной комнаты. Основная функция СПР - поддержка умственной, эвристической и творческой деятельности ЛПР. СПР может работать в следующих режимах:

проблемный мониторинг и актуализация информации (СМИ, органов власти, объектов управления и пр.) с целью текущего информирования и предупреждения о накапливающихся небольших негативных явлениях; планово-аналитический режим - плановое заслушивание и обсуждение аналитических докладов по проблемной ситуации с целью поддержки и принятия заслушиваемого решения по заранее фиксированному сценарию подачи, демонстрации материала для анализа "вширь" и "вглубь"; чрезвычайный режим - оперативный мониторинг информации, принятие и контроль исполнения решений по непредвиденным, чрезвычайным проблемам с целью уменьшения негативных факторов, влияющих на обычное в таких ситуациях совмещение построения сценария, обсуждения и принятия решений.В базовом варианте, ситуационная комната может включать экран коллективного доступа; компьютер (обычно, ноутбук) с возможностью отображения на экран коллективного доступа; средства доступа к базе данных (знаний), в том числе - с целью сохранения сценария обсуждения, систему подготовки презентаций.

Что такое принятие решения? Что

Что такое принятие решения? Что такое полезность решения? Что такое ЛПР, СПР, ИСПР?Как могут классифицироваться задачи принятия решений? Как влияет неопределенность и многокритериальность на такую классификацию и на решение задачи принятия решений?

о том, когда необходимо проводить

Требуется принять решение о том, когда необходимо проводить профилактический ремонт ЭВМ, чтобы минимизировать потери из-за неисправности. В случае, если ремонт будет производиться слишком часто, затраты на обслуживание будут большими при малых потерях из-за случайных поломок. Так как невозможно предсказать заранее, когда возникнет неисправность, необходимо найти вероятность того, что ПЭВМ выйдет из строя в период времени t. ЭВМ ремонтируется индивидуально, если она остановилась из-за поломки. Через T интервалов времени выполняется профилактический ремонт всех n ПЭВМ. Построить процедуру принятия решения о ремонте (исходя из различных ситуаций, в которые помещено ЛПР).Интенсивность спроса x (спрос в единицу времени) на некоторый товар задается непрерывной функцией распределения f(x). Если запасы в начальный момент невелики, возможен дефицит товара. В противном случае к концу рассматриваемого периода запасы нереализованного товара могут оказаться большими. Потери возможны и в том, и в другом случае. Предложите процедуру принятия решения о необходимом запасе товаров.При работе на ЭВМ необходимо периодически проверять наличие вирусов. Приостановка в обработке информации приводит к определенным экономическим издержкам. Если же вирус вовремя не будет обнаружен, возможна и потеря информации, и затраты на восстановление. Варианты решения таковы: Е1 - полная проверка; Е2 - минимальная проверка (проверка каталога); Е3 - отказ от проверки. ЭВМ может находиться в состояниях: F1 - вирус отсутствует; F2 - вирус есть, но он не успел активизироваться; F3 - некоторые файлы испорчены вирусом и нуждаются в восстановлении. Предложите процедуру принятия решения. Организуйте группу и руководство по ситуационному моделированию для решения этой проблемы (для принятия решений по проблеме).

Модели знаний

Такие понятия как "интеллект", "интеллектуальность", у специалистов различного профиля (системного анализа, информатики, нейропсихологии, психологии, философии и др.) могут несколько различаться, причем это не несет в себе никакой опасности.

Примем, не обсуждая ее положительные и отрицательные стороны, следующую "формулу интеллекта":

"Интеллект = цель + факты + способы их применения",

или, в несколько более "математическом", формализованным виде:

"Интеллект = цель + аксиомы + правила вывода из аксиом".

При поиске наиболее удобных, рациональных средств и форм информационного обмена человек чаще всего сталкивается с проблемой компактного, однозначного и достаточно полного представления знаний.

Знания - система понятий и отношений для такого обмена. Можно условно классифицировать знания в предметной области на понятийные, конструктивные, процедурные, фактографические знания и метазнания.

Понятийные знания - набор понятий, используемых при решении данной задачи, например, в фундаментальных науках и теоретических областях наук, т.е. это понятийный аппарат науки.

Конструктивные знания - наборы структур, подсистем системы и взаимодействий между их элементами, например, в технике.

Процедурные знания - методы, процедуры (алгоритмы) их реализации и идентификации, например, в прикладных науках.

Фактографические - количественные и качественные характеристики объектов и явлений, например, в экспериментальных науках.

Метазнания - знания о порядке и правилах применения знаний (знания о знаниях).

Представление знаний есть процесс, конечная цель которого - представление информации (семантического смысла, значения) в виде информативных сообщений (синтаксических форм): фраз устной речи, предложений письменной речи, страниц книги, понятий справочника, объектов географической карты, мазков и персонажей картины и т.п.

Для этого необходимо пользоваться некоторой конструктивной системой правил для их представления и восприятия (прагматического смысла).
Назовем такую систему правил формализмом представления знаний. Неформализуемые знания - это знания, получаемые с применением неизвестных (неформализуемых) правил, например, эвристик, интуиции, здравого смысла и принятия решений на их основе.

Человек пользуется естественным формализмом - языком, письменностью. Язык, языковые конструкции развиваются благодаря тому, что человеческие знания постоянно нуждаются в языковом представлении, выражении, сжатии, хранении, обмене. Мысль, которую нельзя выразить в языковой конструкции, не может быть включена в информационный обмен. Язык - форма представления знаний. Чем многообразнее язык народа, чем больше знаний он может отражать, тем богаче культура народа. В то же время, предложения и слова языка должны иметь однозначный семантический смысл. Особую роль играет язык математики как язык наук (не только точных, но и гуманитарных), формализации знаний, основа изложения системы знаний в естественных науках. Свой язык имеют химия, физика, экономика, информатика и т.д. Языки наук часто пересекаются и взаимообогащаются при исследовании междисциплинарных проблем.

Использование языковых систем и диалектов повышает надежность информационного обмена, снижая возможность неправильного истолкования передаваемой информации и уровень шумов в сообщениях. Главное назначение языка науки - создавать и использовать типовые, "стандартные" формы изложения, сжатия и хранения знаний, ликвидация полисемии (смысловой многозначности) естественного языка. Полисемия, обогащая естественный язык, делая его богаче и выразительнее, тем не менее, является в информационном обмене источником семантического шума, смысловой неоднозначности, а часто - и алогичности, неалгебраичности.

Пример. Найдем и формализуем закономерность в последовательности 1, 10, 11, 100, 111, 1000, 1111, 10000, ... . Из сравнения членов A[i] (i=1,2,...) последовательности, стоящих на четных местах и на нечетных местах, видно, что: 1) элемент на нечетном месте получается из элемента на предыдущем нечетном месте добавлением единицы справа к нему; 2) каждый элемент на четном месте получается из элемента на предыдущем четном месте добавлением справа к нему нуля.


Это словесно описанное (неформализованное) правило можно записать на математическом языке, в аналитическом виде. Получим для случаев 1) и 2): A[2n]=10A[2n-2], A[2n-1]=10A[2n-1]+1, n=1, 2, ... . Можно записать формулу, объединяющую обе эти формулы: A[2n+m]=10A[2n+n-2]+m, где m=0 или m=1. Лучшая форма (с меньшей полисемией): А[2n+mod(n,2)]=10A[2n+mod(n,2)-2]+ mod(n,2).

Пример. Формализуем закон формирования последовательности: AB, AAB, ABB, AAAB, ABBB, ... . Словесное описание правила имеет вид: к слову, стоящему на очередном нечетном месте, добавляется с конца символ "В", а к слову, стоящему на очередном четном месте слева, добавляется символ "А". "Формульная" запись правила: Х2n+1=X2n-1+B, X2n=A+X2n-2, n=1, 2, 3, ... . Здесь операция "+" означает конкатенацию (присоединение текста к тексту справа), а Хn - элемент последовательности на n-м месте.

Одной из важных форм (методов) формализации знаний является их представление классом (классификация).

Классификация - выделение некоторого критерия (некоторых критериев) распределения и группировка систем или процессов таким образом, что в одну группу попадают лишь те системы (процессы), которые удовлетворяют этому критерию (значению критерия). Классификация - это метод научной систематики, особенно важный на начальном этапе формирования базовых знаний научного направления. Классификация, установление эквивалентности объектов, систем позволяет решать такие важные задачи информатики как фиксация знаний, поиск по образцу, сравнение и др.

Пример. Такими системами являются классификационная система К. Линнея в ботанике, систематика живых организмов, таблица элементов Д. Менделеева, систематика экономических систем, механизмов, "табель о рангах", введенная Петром Первым в 1722 г. Эта табель подразделяла чины на 14 рангов. Каждому чину соответствовала определенная должность. Первые 6 рангов статской и придворной служб и первый обер-офицерский чин в армии давали право на получение потомственного дворянства, что способствовало формированию дворянской бюрократии.


Таким образом, "табель о рангах" выполняла социально-экономическую классификацию определенной (определяющей) части общества, социально-экономическое стимулирующее упорядочивание.

Указанные выше классификационные системы - иерархические структуры (модели) представления знаний. Отдельные понятия, факты, знания, связаны между собой отношениями дедуктивного (от частного к общему), индуктивного (от общего к частному) или индуктивно-дедуктивного вывода и формализуются соответствующими формальными структурами: древовидными, морфологическими, реляционными и др.

Пример. Рассмотрим систему "Фирма". Опишем всех сотрудников фирмы в лексикографически упорядоченном списке с именем "Сотрудники", указывая табельный номер, ФИО, год рождения, образование, специальность, разряд, стаж работы. Этот список дает нам знание о коллективе, его возрастных и профессиональных качествах и др. Составим другой список - "Заработная плата", где укажем для каждого сотрудника условия оплаты, величину их заработка (стоимости единицы времени их работы). Этот список дает нам знания о системе оплаты фирмы, ее финансового состояния и др. Оба списка содержат необходимый объем знаний о трудовом коллективе, если цель исследования этой системы - начисление заработной платы. Здесь мы наблюдаем и древовидные, и морфологические, и реляционные модели представления знаний.

Для более строгой формализации (сложных и динамических) знаний в последнее время используют такой перспективный инструментарий, как категории и функторы. Впрочем, математическая сложность такого аппарата не дает применять его на первоначальных этапах формализации знаний и он чаще используется лишь тогда, когда знания получили достаточно полную математическую форму описания.

Появление и развитие объектно-ориентированных технологий и объектно-ориентированного проектирования, использующих близкие по духу идеи, тем не менее, актуализируют аппарат категорий и функторов, поэтому введем основные начальные понятия.



Категория K=<S,M> - это совокупность S элементов (компоненты, характеристики, параметры, свойства и другие параметры исследуемой системы), называемых объектами категории, и совокупность преобразований, морфизмов M - специального типа преобразований, которые позволяют описывать (определять), например, эквивалентность, инвариантность и другие свойства. Объекты и морфизмы связаны между собой так, что:

каждой упорядоченной паре объектов А, В

S сопоставлено множество M(A, B) морфизмов из M; каждый морфизм mM принадлежит только одному из множеств M(A,B); в классе морфизмов М введен закон композиции морфизмов: произведение aob морфизма aM(A,B) на морфизм bM(C,D) определено и принадлежит M(A,B) тогда и только тогда, когда объект BX совпадает с объектом CX, причем композиция морфизмов ассоциативна: (ao b)o c=ao (bo c); в каждом множестве М(A,A) содержится единичный или тождественный морфизм IA: aM(X,A), bM(A,Y),A,X,YF, IA: aoIA=a, IAob=b.Категории, их использование для представления знаний адекватны мыслительным процедурам человека, учитывающим опыт, интуицию, понимание мира в терминах категорий, которым мы затем приписываем реальные оболочки, конкретные структуры. Объекты категории могут быть связаны между собой, влиять друг на друга, даже если у них нет общего (формального) сходства, а свойства категорий отражают сущность способностей человека, его поведения в окружении.

Функтор - обобщение понятия категории. Для введения преобразования между категориями используем понятие функтора. Функтор - аналог семантической операции, т.е. преобразования информации, приводящего к появлению некоторого смыслового (семантического) содержания.

Функтор определяется парой отображений, которые сохраняют композицию морфизмов и тождественные отображения (сохраняют смысл информации при преобразованиях): одно отображение преобразует объекты S (грубо говоря, - информацию), а другое - преобразует морфизмы M (грубо говоря, - семантический смысл).

Самый плохо формализуемый в информатике процесс - это процесс образования семантического смысла.


Строгая математическая основа аппарата категорий и функторов позволяет исследовать семантический смысл математически корректно (путем построения семантических сетей, анализа фреймов, продукционных правил и др.), что является необходимым условием формализации знаний, разработки баз знаний и систем интеллектуальной поддержки принятия решений.

Категорийно-функторный подход к проблеме формализации знаний позволяет формализовать многие интуитивно используемые понятия.

Пример. Формализуем, например, понятия "формула", "теория". Формула Fi - запись вида Ri(k)(x1,:,xk), которую следует читать так: k переменных x1,:, xk удовлетворяют отношению Ri(k). В каждой i-ой формуле Fi может быть различное число свободных (не связанных) переменных. Понятие "(формальная) теория" можно определить как кортеж Т=<S,F>, где S - сигнатура (множество определенных, разрешенных операции), а F - множество формул без свободных переменных (аксиом теории). Если дополнительно определено и множество правил вывода P, то T=<S,F,P>. Отсюда видно, что формальная теория базируется на конкретной предметной области, определяемой сигнатурой.

Для компьютерного представления и обработки знаний и данных о предметной области (об объектах, процессах, явлениях, их структуре и взаимосвязях), они должны быть формализованы и представлены в определенном формализованном виде.

При традиционном способе реализации математической модели, знаний, заложенных в ней, строится моделирующий алгоритм (моделирующая программа), т.е. знания процедурно зависят от метода (алгоритма) обработки. В интеллектуальных системах (в системах искусственного интеллекта, в частности) знания о предметной области представлены в виде декларативной (описательной) модели формирования базы знаний и соответствующих правил вывода из нее и явно не зависят от процедуры их обработки. Для этого используются специальные модели представления знаний, например, продукционные, фреймовые, сетевые и логические. При обработке модели знаний используются процедуры логического вывода, называемые также механизмом или машиной вывода.


Обычно в базе знаний зафиксированы общие закономерности, правила, описывающие проблемную среду и предметную область.

Процедуры вывода позволяют на основании общих правил вывести решение для заданной конкретной ситуации, описываемой некоторыми исходными данными. Цепочка логического вывода строится по мере приближения к решению, в зависимости от выведенных на каждом шаге данных и выведенных к этому шагу новых знаний. Конкретные формы организации дедуктивного вывода зависят от того, в какой форме представлены знания в базе знаний (на каком языке представления знаний).

Продукционная модель представления знаний наиболее распространена в приложениях. Модель реализуется правилами-продукциями:

если <условие> то <заключение>.В качестве условия может выступать любая совокупность суждений, соединенных логическими связками и (), или ().

Пример. Продукцией будет следующее правило:

если (курс доллара-растет)(сезон-осень)(число продавцов-убывает) то (прогноз цен на рынке жилья - рост рублевых цен на квартиры).Такого рода правила и знания о ценах, предложении и спросе на рынке жилья могут стать базой для базы знаний о рынке жилья и экспертной системы для риэлторской группы (фирмы).

Существуют две основные стратегии вывода на множестве правил-продукций:

прямой вывод (вывод от исходных данных-фактов, аксиом - к цели, по пути вывода пополняя исходную базу знаний новыми полученными истинными фактами; процесс заканчивается лишь тогда, когда выведен факт, эквивалентный искомому); обратный вывод (вывод от целевого факта к данным, на очередном шаге отыскивается очередной факт, в заключительной части содержится факт, эквивалентный исходному факту; процесс заканчивается тогда, когда для каждого факта, выведенного на очередном шаге, не будет найдено правило, имеющее этот факт в качестве заключения, а посылками - исходные или выведенные на предыдущих шагах факты).Обе приведенные стратегии вывода имеют недостатки, достоинства и модификации.

Пример. Если все множество правил-продукций разбито на группы по некоторому признаку (структурировано), то вместо полного или случайного перебора всех правил при прямом и обратном выводе осуществляется целенаправленный переход от одной группы правил к другой.


Используются также смешанные стратегии вывода, сочетающие прямой и обратный вывод.

Продукционные модели удобны для представления логических взаимосвязей между фактами, так как они более формализованы и достаточно строгие (теоретические), модульные (продукции явно между собой не связаны, поэтому их можно модифицировать по модульной технологии), соответствуют долговременной памяти человека.

Представление знаний в виде семантической сети является одной из основных моделей представления знаний.

Семантическая сеть - это ориентированная графовая структура, каждая вершина которой отображает некоторое понятие (объект, процесс, ситуацию), а ребра графа соответствуют отношениям типа "это есть", "принадлежать", "быть причиной", "входить в", "состоять из", "быть как" и аналогичным между парами понятий. На семантических сетях используются специальные процедуры вывода: пополнение сети, наследование свойств, поиск по образцу и др.

Пример. Рассмотрим факт: "причиной неритмичной работы предприятия является старое оборудование, а причиной последнего - отсутствие оборотных средств". Семантическая сеть может содержать вершины "оборотные средства", "старое оборудование", соединяемые ребрами - отношениями типа "быть причиной".

Достоинство семантических сетей - наглядность представления знаний, с их помощью удобно представлять причинно-следственные связи между элементами (подсистемами), а также структуру сложных систем. Недостаток таких сетей - сложность вывода, поиска подграфа, соответствующего запросу.

Характерная особенность семантических сетей - наличие трех типов отношений:

класс - элемент класса (часть - целое, класс - подкласс, элемент - множество и т.п.); свойство - значение (иметь свойство, иметь значение и т.п.); пример элемента класса (элемент за, элемент под, раньше, позже и др.).Фреймовая модель представления знаний задает остов описания класса объектов и удобна для описания структуры и характеристик однотипных объектов (процессов, событий) описываемых фреймами - специальными ячейками (шаблонами понятий) фреймовой сети (знания).



Фрейм - концентратор знаний и может быть активизирован как отдельный автономный элемент и как элемент сети. Фрейм - это модель кванта знаний (абстрактного образа, ситуации), активизация фрейма аналогична активизации этого кванта знаний - для объяснения, предсказания и т.п. Отдельные характеристики (элементы описания) объекта называются слотами фрейма. Фреймы сети могут наследовать слоты других фреймов сети.

Различают фреймы-образцы (прототипы), хранящиеся в базе знаний, и фреймы-экземпляры, создаваемые для отображения реальных ситуаций для конкретных данных.

Фреймовое представление данных достаточно универсальное. Оно позволяет отображать знания с помощью:

фрейм-структур - для обозначения объектов и понятий;фрейм-ролей - для обозначения ролевых обязанностей;фрейм-сценариев - для обозначения поведения;фрейм-ситуаций - для обозначения режимов деятельности, состояний.Пример. Фрейм-структурами являются понятия "заем", "вексель", "кредит". Фрейм-роли - "кассир", "клиент", "сервер". Фрейм-сценарии - "страхование", "банкинг", "банкротство". Фрейм-ситуации - "эволюция", "функционирование", "безработица".

Пример. Например, возьмем такое понятие, как "функция". Различные функции могут отличаться друг от друга, но существует некоторый набор формальных характеристик для описания любой функции (фрейм "Функция"): тип и допустимое множество изменений аргумента (область определения функции), тип и допустимое множество значений функции (множество значений функции), аналитическое правило связи аргумента со значением функции. Соответственно, могут быть определены фреймы "Аргумент", "Значение функции", "Закон соответствия". Далее можно определить фреймы "Тип аргумента", "Вычисление значения функции", "Операция" и др. Пример слотов для фрейма "Закон соответствия": аналитический способ задания закона; сложность вычисления (реализации).


Чтобы описать конкретное значение фрейма, необходимо каждому слоту придать конкретное значение, например, таким образом:

Имя фрейма - Функция;

Аргумент - x;

Значение функции - y;

Закон соответствия - квадратичный.

Слоты:

Значения аргумента - R;

Способ задания функции - y=ax2+bx+c;

Сложность вычисления - 7.

Пример. Фрейм "Задача вычислительного типа" - на рис. 14.1.


Рис. 14.1.  Структура фрейма "Задача вычислительного типа"

Фреймовое представление наглядно и структурировано (модульно) и позволяет получать описание системы в виде связанных, иерархических структур (модулей - фреймов, единиц представления знаний).

Логическая (предикатная) модель представления знаний основана на алгебре высказываний и предикатов, на системе аксиом этой алгебры и ее правилах вывода. Из предикатных моделей наибольшее распространение получила модель предикатов первого порядка, базирующаяся на термах (аргументах предикатов - логических констант, переменных, функций), предикатах (выражениях с логическими операциями). Предметная область описывается при этом с помощью предикатов и системы аксиом.

Пример. Возьмем утверждение: "Инфляция в стране превышает прошлогодний уровень в 2 раза". Это можно записать в виде логической модели: r(InfNew, InfOld, n), где r(x,y) - отношение вида "x=ny", InfNew - текущая инфляция в стране, InfOld - инфляция в прошлом году. Тогда можно рассматривать истинные и ложные предикаты, например, r(InfNew, InfOld, 2)=1, r(InfNew, InfOld, 3)=0 и т.д. Очень полезные операции для логических выводов - операции импликации, эквиваленции и др.

Логические модели удобны для представления логических взаимосвязей между фактами, они формализованы, строги (теоретические), для их использования имеется удобный и адекватный инструментарий, например, язык логического программирования Пролог.

Модель предметной области можно определить упрощенно в виде:

<модель предметной области>=<понятийные знания>+<конструктивные знания>.При реализации указанных выше моделей используются эвристики - эмпирические или полуэмпирические правила, с помощью которых эксперт (экспертная группа) в отсутствие алгоритма (например, задача плохо структурируема) пытается найти решение, моделируя возможный ход рассуждений эксперта на основе эвристической информации, получаемых в результате опыта, наблюдения, сбора и анализа статистики.



Пример. Сбор эвристической информации у представителей рынка приводит к следующим знаниям, которые можно представить, например, семантической сетью или продукциями:

нужно рекламировать свой товар активно в начальный период; нужно поднимать цены в условиях отсутствия конкуренции; нужно опускать цены в условиях жесткой конкуренции; нужно стараться быть монополистом на рынке и др.Многие знания, особенно находящиеся на стыке наук, трудно формализовать и описать формальными моделями, исследовать аналитически. В таких случаях часто применяют эвристики, эвристические процедуры, использующие аналоги, опыт поиска нового, исследования родственных задач, перебор вариантов с учетом интуиции.

Пример. Такими процедурами учат компьютер играть в шахматы. Шахматная программа - один из самых ранних примеров невычислительного применения ЭВМ. Если в 50-х годах она "играла" на уровне "разрядника", то за 40-50 лет она "научилась играть" на уровне чемпиона мира.

Темы для научных исследований и выступлений (рефератов)

Формализованное и не формализованное знание. Методы формализации знания. Модели знания.Категориально-функторный анализ и его применения.

Что такое знания, метазнания? Что

Что такое знания, метазнания? Что такое представление знаний?Что такое категория, функтор?Каковы типы моделей знаний, их характеристики?

и одну семантическую модели знаний

Формализуйте понятия "Решить задачу", "Решение задачи", "Метод решения задачи", "Алгоритм решения задачи".Постройте одну продукционную и одну семантическую модели знаний по специальности.Постройте одну фреймовую и одну логическую модели знаний по специальности.

Новые технологии проектирования и анализа систем

Процесс извлечения (получения) информации строится на основе упорядоченных последовательных действий по сбору, накоплению, отражению, преобразованию, актуализации данных; такие процессы в информатике называются информационными технологиями, и их основными элементами являются технические средства и устройства, например, в телеграфе - телетайпное устройство, в телевидении - телевизор и т.д.

Новые информационные технологии - это информационные технологии, базирующиеся на новых, инфологических и компьютерных средствах получения, хранения, актуализации информации, знаний.

Высокие технологии - это технологии качественного изменения состава, характера, методов решаемых задач, технологии эволюции, а не функционирования.

Пример. Обычная ("старая") технология вычислений ставит основную цель - найти решение задачи за приемлемое время и стоимость. Новая технология использования математических компьютерных пакетов ставит новую цель - найти решение достаточно быстро, точно и экономично. Высокая технология распределенных, квантовых вычислений ставит цель - найти решение задачи, не решаемой (труднорешаемой) обычными технологиями.

В узком понимании, новая информационная технология - использование вычислительной техники и систем связи для создания, сбора, передачи, хранения, обработки информации; она - часть информационного бизнеса.

Любая технология базируется на научно-теоретическом, инженерно-техническом, программном обеспечении. Само по себе это ядро еще не образует технологию. Для этого оно должно быть интегрировано и поддерживаемо сетевыми пространственно-временными, оранизационно-людскими связями и отношениями. Должна быть система, сеть поддержки технологических отношений (TSN).

Пример. TSN системы дистанционного обучения состоит из инфраструктуры - компьютерных сетей, протоколов их взаимодействия и т.д. Хаб (маршрутизатор) - элемент этой системы, но он управляется своим программным обеспечением (например, программа переключения), своим электрическим обеспечением. Хаб сам по себе - не технология.
Программа Word - сама по себе не технология (хотя ее часто называют технологией подготовки и редактирования документов), а элемент технологии, определяемой как MS Office - технологии автоматизированого, компьютеризованного делопроизводства, автоматизации работ в офисе.

Традиционная (классическая) информационная технология, как правило, строится на базе хорошо формализуемых, структурируемых интеллектуальных процедур. Новая информационная технология, как правило, строится на основе плохо формализованных и структурированных интеллектуальных процедур.

Цивилизация возможна только при наличии информации, информационных потоков и обменов в обществе.

Информация делает народы человечеством.

Сначала информационные технологии использовались, из-за их сложности, уникальности и дороговизны, только в научных центрах и крупных промышленных компаниях. По мере совершенствования, распространения и удешевления, информационные технологии проникли в разные отрасли и стали развивать их и развиваться сами, что привело к развитию потребностей общества.

Новые информационные технологии бывают следующих базовых типов:

когнитивные технологии, направленные большей частью на получение, хранение и актуализацию знаний, принятие интеллектуальных решений;инструментальные технологии, направленные большей частью на использование в качестве инструментария, среды для построения других технологий и для обслуживания их; прикладные технологии, направленные большей частью на решение проблем некоторой проблемной области (или областей);коммуникативные технологии, направленные большей частью на решение проблем связи, коммуникаций, общения.Отметим, что такое деление - весьма условное - и технология может с успехом быть и прикладной, и когнитивной, и инструментальной, и коммуникативной.

Пример. Такова, например, технология компьютерного моделирования, гипермедиа.

Возможно деление (также условное) информационных технологий и по сфере использования, например:

информационные технологии в науке;информационные технологии в образовании;информационные технологии в проектировании и производстве;информационные технологии в управлении;информационные технологии в сфере услуг;информационные технологии в сфере быта. Можно также условно разбить все новые технологии на две группы - технологии корпоративной работы и технологии индивидуальной работы.



Рассмотрим новые информационные технологии, ограничиваясь содержательным простым их обзором, с учетом того, что наиболее важные информационные технологии анализа и синтеза систем - математическое и компьютерное, имитационное моделирование - уже были нами рассмотрены выше. Отметим лишь, что математическое моделирование - "старая" информационная технология, в отличие от компьютерного моделирования, являющегося новой технологией.

1.Технология баз данных (БД) и систем управления БД (СУБД). БД - достаточно большие наборы структурированных данных некоторой предметной области, представленные на машинных носителях и имеющие общую и удобную структуру, единые организационно-методические, программно-технические и языковые средства обеспечения использования данных различными программами пользователей. В зависимости от способа и технологии представления данных, различают иерархические, сетевые или реляционные базы данных, табличные или страничные. В любой БД задается порядок (отношение порядка) на множестве записей (полей записи), например, ключевыми полями, содержимое которых нумеруемо, лексикографически упорядочено. Таких полей может быть несколько, и при сортировке (выборке, модификации) данных записи ищутся сперва по одному ключу, затем - по другому и т.д., пока не будет совпадения или несовпадения требуемых полей. Остальные поля при этом не сравниваются. Такой процесс называется сортировкой или поиском, сравнением по ключу (ключам). Кроме поиска по ключу, можно искать и по значению, перебирая все записи БД, но этот процесс более длителен и часто требует построения дополнительных вспомогательных индексных таблиц для хранения подходящих по поисковому образцу значения записей (если такие есть).

В последнее время распространяется технология удаленных БД. Она базируется на коллективном доступе пользователей к информационным ресурсам, сосредоточенным на едином компьютере, или хост-компьютере, в диалоговом режиме по сетям передачи данных. Информационными продуктами здесь выступают БД разных предметных областей, а также различные директории, рубрикаторы и другие данные, облегчающие пользователю поиск по БД.


Информационные услуги предоставляются благодаря наличию разнообразных средств поиска, обработки и выдачи информации. Информационные продукты и программные средства служат главными элементами банков данных или автоматизированных банков данных (АБД) - основной организационной формы, в которой развиваются современные технологии коммерческого распространения информации. Основными особенностями данной технологии, определяющими ее достоинства и ее недостатки, являются:

предоставление пользователю только информационных услуг, а не непосредственно информационных продуктов, в результате чего он получает (оплачивает) только действительно нужную информацию;полнота информации, связанная с загрузкой на мощные хост-компьютеры больших массивов данных;высокая скорость обновления, модификации и перемещения информации;развитое программное обеспечение, позволяющее не только находить и получать информацию, но и при необходимости осуществлять ее графическую, наукометрическую и эконометрическую обработку.Интерактивные услуги АБД могут предоставляться в режимах:

локальном, когда работа пользователя осуществляется с терминала, подключенного к хост-компьютеру; удаленном, когда работа пользователя осуществляется с физически удаленного от хост-компьютера терминала по сетям связи. Пример. В локальном режиме работают читатели библиотеки, осуществляющие поиск в АБД, который расположен на ее вычислительном центре, с терминалов по всему помещению библиотеки. В удаленном режиме можно работать, например, с библиотекой Конгресса США.

СУБД (DBMS - DataBase Management System) - программная система, обеспечивающая общение (интерфейс) программ пользователя и данных из БД. Это общение происходит на специальном непроцедурном языке логического представления данных и структур данных; сами данные описываются средствами также специального языка представления данных, программы пользователя при этом могут быть написаны на языке программирования. СУБД должна иметь средства, позволяющие сформулировать запрос к БД (поиск, сортировка и т.д.) на языке, близком к естественному и понятному для пользователя, но в то же время формальном, реализованном на ЭВМ языке.


Такие языки называются языками запросов к базам данных и относятся языкам непроцедурного типа.

Основные функции СУБД:

управление данными во внешней памяти - обеспечение необходимых структур внешней памяти для хранения данных и манипулирования ими;управление буферными областями памяти - обеспечение копирования необходимой части БД в области (буфере) оперативной памяти, а также использование определенных правил манипулирования с буферами;управление транзакциями, т.е. последовательностями операций над БД, рассматриваемыми СУБД как одна макрооперация; каждая транзакция не изменяет БД, а, следовательно, можно выполнять различные транзакции, т.е. организовывать многопользовательскую работу с БД через СУБД, в том числе и параллельную;поддержание надежности хранения данных в БД через избыточность данных и журнал (часть БД, недоступная пользователям СУБД и тщательно копируемая; в нее поступают записи обо всех изменениях БД) с целью сохранения данных при сбоях аппаратуры или программы;поддержка языков БД (языков определения логической структуры БД, языков манипулирования данными) или единого интегрированного языка, содержащего необходимые средства для работы - от проектирования БД до обеспечения базового пользовательского интерфейса с БД.Пример. База данных ГИБДД всех владельцев автотранспорта, из которой по запросам сотрудников ГИБДД можно оперативно извлечь, например, данные о владельце машины по номеру ее госрегистрации.

2. Технологии хранилищ данных и интеллектуального анализа данных. Хранилище данных - очень большая специализировнная БД и программная система, предназначенная для извлечения, коррекции (чистка, правка) и загрузки данных из источников в БД с многомерной структурой, включая средства упрощения доступа, анализа с целью принятия решения. Интеллектуальный анализ данных (Data Mining) - автоматический поиск скрытых ("не лежащих на поверхности") в больших базах данных взаимоотношений и связей с помощью математического и инфологического анализа, выделения трендов, кластеризации (кластерного анализа), классификации и распознавания (таксономии), шкалирования и т.д.


Специальные модели и алгоритмы анализа извлекают из больших баз данных (или из других хранилищ данных, например, электронных таблиц) знания, позволяющие агрегировать, интегрировать и детализировать эти данные и, самое главное, принимать на их основе решения. Это, по сути, идентификация скрытых в них зависимостей.

Пример. Хранилища данных собирают и централизуют текущую информацию о состоянии дел корпорации, о ее услугах, клиентах, поставщиках, и предоставляют аналитические и отчетные инструменты. С помощью анализа финансовых отчетов фирм, можно разбить их на классы по финансовой устойчивости, по вероятности банкротства, что поможет банку-кредитору осуществлять политику их кредитования более эффективно. Интеллектуальный анализ данных в геоинформационных системах может помочь обнаружить и визуализировать участки земной коры с залежами нефти, газа, сейсмоопасные. В бизнесе такой анализ может осуществляться для оценки надежности клиентов, выявления мошенничества, интерактивного маркетинга, анализ трендов и др. т.е. для Business Intellgence.

3. Технология баз знаний (БЗ) и экспертных систем (ЭС). БЗ - накопление, структурирование и хранение с помощью ЭВМ знаний, сведений из различных областей таким организованным способом, что можно иметь доступ к этим знаниям, расширять их, получать, выводить новые знания и т.д.

Пример. БЗ по хирургическим операциям брюшной полости, из которой молодой и неопытный хирург в экстренной хирургической ситуации может извлечь необходимую информацию об операции; сама же БЗ разработана на основе знаний высокопрофессиональных и опытных хирургов.

ЭС - накопление опыта, знаний, умений, навыков высокого уровня профессионалов-экспертов, структурирование и хранение, актуализация с помощью ЭВМ с целью получения экспертных суждений по различным проблемам данной области.

Пример. Примером ЭС "Хирург" может быть экспертная система, построенная на основе приведенного выше примера БЗ. БЗ и ЭС тесно связаны. Примером другой ЭС может быть система "Таможня", которая дает возможность анализировать документацию о финансовых сделках, находить и выдавать подозрительные факты, исследовать их связи и давать рекомендации финансовым инспекторам.



4. Технология электронной почты и телекоммуникационного доступа к удаленной от пользователя информации, носителю информации, собеседнику - человеку или компьютеру. Электронная почта - система передачи сообщений с помощью компьютера отправителя и приема их с помощью компьютера получателя. При этом сообщение отправителя преобразуется из цифровых кодов, например, с помощью модема, в коды электромагнитных колебаний, передаваемых по телефонным каналам, а ЭВМ адресата производит обратное преобразование. Развитие сетей связи - виртуальные локальные вычислительные сети, объединяющие пользователей не по территориальному принципу, а по профессиональным интересам. Телеконференция - обмен сообщениями (докладами) между участниками (подписчиками) конференции, анонсированной на специальной доске объявлений в сети, в частности, на электронной доске объявлений. Телеконференция представляет собой технологию на базе программных средств интерактивного доступа к ресурсам сети и предназначена для обсуждения какой-либо тематики. С помощью телеконференций можно проводить консалтинг, обучение, совещание, автоматизацию офиса и др. Базовая система проведения видеоконференций обычно включает: мощную рабочую мультимедийную станцию; видеокамеру и специальную плату для сжатия видеоинформации; микрофон и видеомагнитофон; средства сопряжения с используемой для проведения конференции сетью. Телеконференции могут проводиться как в режиме обмена письмами по электронной почте (режим почтового подключения), так и в режиме терминального интерактивного подключения через телекоммуникационные сети. В режиме терминального подключения пользователь может иметь доступ (подписку) к целой системе телеконференций, но, в отличие от режима почтового подключения, можно подключаться к заявленной конференции непосредственно в сети, с помощью специальных программ, управляющих работой пользователей с телеконференциями. Эти программы позволяют выполнять следующие манипуляции: найти конференцию; подписаться на конференцию (зарегистрироваться); перейти в конференцию; послать отклик (доклад); получить отклик (доклад); закрыть подписку и другие.



Пример. Рассмотрим медицинские видеоконференции (один из наиболее убедительных и ярких социально-экономических примеров использования телеконференции). В крупных больницах и клиниках сейчас имеется современное медицинское оборудование - томографы, эхокардиографы и др., а также достаточно высококвалифицированный медицинский персонал, с помощью которых в режиме видеодиалога (конференции) врачи из региональных (вплоть до районных) медицинских учреждений могут обсудить результаты диагностики больного, диагноза, методов и стратегий лечения. Проблема "приближения" этих средств и кадров особенно актуальна для нашей страны, с ее большой территорией. Основные направления использования медицинских телеконференций:

первичное консультирование дооперационных больных и уточнение предварительного диагноза, анализ обследования;постооперационные консультации и наблюдение больных;срочные неотложные консультации больных в критических ситуациях;консилиумы и консультации, обмен мнениями врачей.Технология проведения медицинской видеоконференции:

согласование времени проведения видеоконференции (сеанса связи);подготовка информации о пациенте (файлов записей из историй болезни, статических данных, например, рентгенограммы, эхокардиограммы и др., и динамических, например, видеозаписи операций и результатов анализа);предварительная пересылка данных по электронной почте;обсуждение в режиме видеодиалога информации о больном и диагноза;принятие решения, а также документирование результатов обсуждения.В Научном центре сердечно-сосудистой хирургии им. А.Н. Бакулева РАМН проведено множество плановых и экстренных видеоконсультаций. Экономическая и социально-медицинская выгода от таких видеоконференций в 6-10 раз выше, чем от классической технологии проведения консультаций с выездом в клинику (что иногда невозможно).

5. Технология (использования) автоматизированных систем (АС) и автоматизированных рабочих мест (АРМ). АС - это человеко-машинная система для исполнения ежедневных, часто рутинных, профессионально выполняемых на рабочем месте сотрудника работ - с целью уменьшения затрат времени, сокращения числа ошибок и обеспечения оперативной связи с другими сотрудниками; интеллектуальные системы имеют также способность к перестройке технологической цепочки, они способны и к обучению.



Возможны различные системные цели автоматизации (в зависимости от типа организации, структуры): эффективное управление потоками материальных, трудовых, информационных, энергетических ресурсов, повышение социальных, экономических и технических показателей системы и других систем (для управляющих систем); минимизация риска невыполнения планов и максимизация качества принятых решений, повышение конкурентоспособности, рентабельности (для производственных систем); получение новых знаний, повышение престижа в области инноваций, расширение сферы использования результатов исследования, создание "ноу-хау", обеспечение экономической эффективности (для научно-исследовательских организаций); минимизация риска невыполнения заказа или услуг, повышение конкурентоспособности, повышение экономической эффективности функционирования (для обслуживающих орагнизаций); повышение престижа, совершенствование учебного процесса, переход к новым формам обучения, к дистанционному образованию (для образовательных организаций).

В последние годы распространилась концепция корпоративных и распределенных систем в народном хозяйстве, в которых широко используются локальные информационные системы. Для реализации идеи распределенного управления необходимо создание автоматизированных рабочих мест на базе профессиональных компьютеров (рабочих станций).

АРМ - предметно-ориентированная инструментальная АС, устанавливаемая непосредственно на рабочем месте специалиста и предназначенная для автоматизации профессиональной деятельности (сидящего за этим рабочим столом сотрудника). Можно их определить как автоматизированные системы локального характера, соответствующие некоторому функциональному назначению. Несмотря на различный характер задач, решаемых с помощью АРМ, принципы создания любых АРМ должны быть общими:

системность, во-первых, подхода к проектированию и решению задач и, во-вторых, возможность работы в составе сети, системы;гибкость, приспособляемость, адаптируемость к изменениям задач;устойчивость, надежность в работе, восстанавливаемость при сбоях;эффективность (по затратам, повышению производительности труда);быстрота отклика - минимум времени на каждый шаг диалога с пользователем; полнота выполняемых функций, решаемых профессиональных задач;интерактивность - возможность вмешиваться в диалог, выбирать следующий шаг диалога, например, в форме команд на специальном командном языке, в форме выбора объектов, в форме "меню", в смешанной форме;функциональность, дружественность, эргономические характеристики и удобство использования, в частности, ориентация на непрофессионала в области компьютерной подготовки и др.



Пользовательский интерфейс АРМ часто организуется с помощью понятия рабочего стола на экране. Экран делится на три части (три объекта). Первая (обычно верхняя часть) - строка меню, с ее помощью осуществляется доступ к другим объектам. Вторая часть (обычно нижняя часть) называется строкой состояния, с ее помощью быстро вызываются наиболее используемые объекты или отображается важная текущая информация. Третья часть (основная, средняя часть экрана) называется рабочей поверхностью (поверхностью стола), с ее помощью отображаются все объекты, вызываемые из меню или из строки состояния. Такая форма организации диалога человека и машины наиболее удобна, и многие программы используют именно ее. Программные средства АРМ - часть инструментального программного обеспечения.

Пример. АРМ секретаря-референта должен включать редактор текстов, электронную таблицу, переводчики, органайзер и др. АРМ студента-экономиста должен иметь электронные учебники по изучаемым дисциплинам, обучающие программы и среды, электронные справочники и энциклопедии, переводчики, органайзер и др. АРМ администратора базы данных должен быть оснащен СУБД, электронным журналом администратора и др. АРМ управляющего должен обладать средствами описания управленческой деятельности в виде сетевого графика, системой контроля исполнения, системой согласования документов, системой электронной подписи, системой ведения совещания и др. АРМ статистика (работника статистической службы) должен включать информационно-справочные базы и материалы, средства его обслуживания и поддержки, средства анализа статистических данных для оперативного составления докладов, справок и отчетов, в частности, для анализа динамических рядов и проверки статистических гипотез. АРМ банковского служащего и банковские системы, - наиболее развиваемые системы. Они содержат программное и техническое обеспечение как специального назначения (например, для банковских расчетов и операций с банкоматами), так и для обеспечения безопасности таких систем.


Банковские системы используют локальные вычислительные сети, специализированные бизнес-серверы, ЭВМ общего назначения, технологию "клиент-сервер" и, часто, ОС UNIX, объединение несколько локальных сетей, межсетевой обмен и удаленный доступ филиалов банка к ресурсам центрального офиса банка для выполнения электронных платежей, транзакций. Банковские системы должны иметь средства адаптации к конкретным условиям эксплуатации. Для поддержки оперативной работы банка, банковская система должна функционировать в режиме реального времени OLTP (On-Line Transaction Processing, Онлайновая Обработка Состыковок). Основные их функции:

автоматизация всех ежедневных внутрибанковских операций, ведение бухгалтерии и составление сводных отчетов;обеспечение связей с филиалами и отделениями;автоматизированное взаимодействие с клиентами (система "банк-клиент");анализ деятельности банка и выбор оптимальных в данной ситуации решений;автоматизация розничных операций - применение банкоматов и кредитных карточек;межбанковские расчеты;автоматизация деятельности банка на рынке ценных бумаг (мониторинг курсов, объемов сделок и т.д.);оперативная информационная поддержка финансовой и кредитной политики банка.Необходимо отметить, что автоматизация учреждения, организации заключается не только в обеспечении работников АРМ локальной сетью, электронной почтой и т.п., но и в создании новой технологии совместной работы и управления с целью эффективной работы всего учреждения. Это своего рода информационная, экономическая (корпоративная) культура совместной работы, использования (актуализации) профессиональных знаний, умений и инноваций. При этом знания каждого сотрудника могут быть актуализированы другими сотрудниками, обсуждены (проголосованы) и применены ими.

6. Технологии компьютерного (компьютеризированного) офиса коллективной работы в офисе. Компьютерный офис - офис, в котором имеется высокий уровень компьютеризации, внедрения АРМ, систем делопроизводства, так, что вся профессиональная деятельность офиса может быть успешно автоматизирована.



Пример. Компьютерный офис - это, например, офис, где работа осуществляется с использованием локальных сетей связи и интегрированной программной среды Microsoft Office, которая включает в себя все основные программные пакеты для выполнения типовых и регулярно выполняемых операций, работ в офисе, в частности, ведение делопроизводства, контроль исполнения и др. Microsoft Office имеет встроенный простой язык программирования - Visual Basic for Аpplications (VBA). Этот язык позволяет создавать новые приложения или корректировать и связывать старые, выполняемые в среде Microsoft Office, а также расширять возможности офиса, его используемых приложений. Стандартное ядро Microsoft Office включает:

редактор текстов Microsoft Word (функции редактора - набор, именование и сохранение текста, модификация, переименование и перемещение текста или его отдельных фрагментов, вставка различных формул, графиков, таблиц, диаграмм и др.); электронную таблицу Excel (функции - обработка, хранение и модификация в произвольных таблицах чисел, строк, столбцов, формул, по которым динамически изменяются числа, строки и столбцы); систему для презентаций (презентационный пакет) PowerPoint (функции - создание и проецирование на большом экране электронных презентаций, слайд-шоу, ярких пленок для проектора, раздаточных печатных материалов); систему управления базами данных Access (реляционная СУБД, доступная любому пользователю и позволяющая быстро и эффективно организовывать, анализировать, перемещать, вести поиск и т.д. для больших массивов информации, без дублирования информации в них), например, по шаблонам создания базы данных: Адресная книга - создает базу данных типа адресной книги, Библиотека - создает базу данных типа библиотеки, Контакты - создает базу данных типа контактных связей и др. Более совершенные версии Microsoft Office-97, -2000, кроме приведенных стандартных приложений, имеют и следующие приложения:

Office Assistant - помощник для подсказок;HTML- и Web-поддержку (Internet Assistants);различные программы-помощники (Graph - графическое представления данных, Organization Chart - создатель штатного расписание офиса, Equation Editor - редактор формул, WordArt - создатель логотипов, заголовков, ClipArt Gallery - для просмотра рисунков) и др.В состав Microsoft Office-2000 входят, и в ее дальнейшие модификации будут входить, возможности одновременного показа презентаций по локальной сети, использование возможностей системы распознавания речи, визуальные среды разработки различных офисных приложений (например, заполнения платежных поручений), сайты рабочих групп, системы визуализации данных, система сканирования и ввода данных и др.



Технология "Рабочая группа" - технология совместной работы нескольких связанных между собой общими инфоромационными ресурсами компьютеров ("рабочей группы"), объединенных для решения какой-либо общей задачи.

Пример. Типы рабочих групп: "Дирекция", "Бухгалтерия", "Канцелярия". Компьютерная сеть организации может объединять несколько рабочих групп. У каждого компьютера рабочей группы имеется идентификатор, имя в группе, например, по ФИО человека, на нем работающего. В рабочей группе "Бухгалтерия" может существовать компьютер (рабочее место) "Главбух" или "Иванов Сергей Николаевич".

Рабочая группа может быть и временной - для работы над конкретным проектом в пределах определенного промежутка времени.

Пример. Можно организовать рабочую группу "Презентация фирмы", которая состоит из компьютеров сотрудников фирмы, подготавливающих презентацию своей фирмы, или "Годовой отчет" - для подготовки годового финансового отчета фирмы. Все эти люди могут работать в разных отделах, но они составляют временную рабочую группу, чтобы было легко обмениваться информацией общего доступа при работе над отчетом.

Обмен информацией может происходить и между рабочими группами. Для этого не нужно физически перемещать компьютеры: чтобы сформировать рабочую группу, достаточно присвоить всем компьютерам, входящим в состав группы, ее имя.

Пример. Операционная система Windows for Workgroups позволяет выделение компьютеров в рабочие группы при ее инсталляции. Изменять состав и структуру рабочей группы затем можно из "Панели управления", запустив прикладную программу Network (сеть). При этом все компьютеры одной сети, независимо от их объединения в рабочие группы, имеют доступ к общим принтерам и общим файлам, а такие приложения как Mail (Электронная почта), Shedule+ (Ежедневник), работают только в пределах одной рабочей группы. Передача почты через Mail возможна только в пределах одной рабочей группы.


Как правило, в небольших фирмах имеется одна рабочая группа.

Технология (модель взаимодействия) "Клиент-сервер" - это технология взаимодействия компьютеров в сети, в которой каждый из компьютеров имеет свое рабочее назначение. Один, более мощный, компьютер (сервер) в сети владеет и распоряжается информационными и аппаратными ресурсами (процессор, файловая система, почтовая служба, база данных и др.), другой, менее мощный ("клиент"), имеет доступ к этим ресурсам лишь через сервер.

Этот принцип распространяется и на взаимодействие программ и информационных сред. Программа (среда), выполняющая предоставление соответствующего набора услуг - "сервер", а программа (среда), пользующаяся этими услугами - "клиент". Технология традиционной модели "клиент-сервер" модернизируется и совершенствуется.

Пример. Сейчас говорят уже о принципиально иной концепции взаимодействия между элементами сети peer-to-peer (P2P), позволяющей отдельным компьютерам работать друг с другом напрямую.

7. Технологии использования интегрированных пакетов прикладных программ (ППП) - технологии на базе специальным образом организованных комплексов программ для решения различных классов однотипных и часто встречающихся задач из различного типа предметных областей. Современные ППП имеют диалоговую, интерактивную обратную связь с пользователем в процессе постановки задачи, решения и анализа результатов. При решении задач применяют обычно используемый в предметной области интерфейс. "Интеллектуальность" ППП - возможность постановки задачи содержательно, не указывая алгоритма ее решения. Построение алгоритма решения и сборка целевой программы производятся автоматически и скрыто от пользователя. Предметное обеспечение ППП - база знаний о методах, алгоритмах решения задачи и о самих задачах. Программирование осуществляется в терминах предметной области, ЭВМ используется уже на этапе постановки задачи, решение задач - с помощью автоматического построения цепочки программ, по ходу накопления знаний о решаемой задаче, т.е.


возможно пополнение базы знаний ППП. Используются инструментальные ППП, которые ускоряют и упрощают процесс создания ППП и снижают его стоимость. Для этого метода характерна высокая интеграция: наполнение ППП само состоит из ППП различного назначения.

Пример. В качестве примера интегрированного ППП приведем пакет MathCAD, предназначенный как для сложных математических вычислений, так и для несложных (в режиме инженерного калькулятора).

8. Технологии машинной графики и визуализации - технологии, базирующиеся на системах рисования и черчения различных графических объектов и образов с помощью ЭВМ и устройств рисования (например, плоттеров), а также их визуального, наглядного представления. Особо следует отметить средства анимации - "оживления" изображений на экране, т.е. методы и средства создания динамических изображений, иначе говоря - компьютерных мультфильмов.

Пример. Примером средств машинной графики может служить программный комплекс изображения пространственных объектов и их динамической актуализации - пакет "3D-Studio". Этот пакет позволяет не только создавать трехмерные сцены, но и использовать их при реализации компьютерных анимационных ситуаций (мультипликаций) с использованием различных графических файлов разных форматов, что дает возможность применять при разработке мультфильмов известные графические пакеты: СorelDraw, PhotoPaint и др. 3D-Studio имеет модульную структуру, состоящую из пяти модулей, за каждым из которых закреплены задачи конкретного типа, решаемые в строгой последовательности. Первый модуль (2D-Shaper) является основным инструментом создания и редактирования плоских фигур, а также снабжения других модулей особыми геометрическими структурами, формами и траекториями. Для преобразования плоских фигур в трехмерные каркасные объекты имеется модуль 3D-Lofter, в который включены мощные средства генерации сложных пространственных форм и структур. Подготовленные двумерные планы моделей отображаются ("выдавливаются") в третье измерение по специально заданным траекториям.


Модуль 3D- Lofter снабжен средствами деформации, например, по осям, что позволяет создавать трехмерные объекты более сложных форм. Можно построить 3D-фигуру по трем проекциям на координатные плоскости.

Современные технологии 3D-графического моделирования позволяют строить полные трехмерные объекты по их эскизам.

Пример. Программная среда LightWave Modeler, позволяет, используя соответствующие графические примитивы, формировать графический персонаж, который легко анимируется по желанию (масштаб, направление, цвет и т.п.) пользователя.

9. Гипертекстовые технологии. Гипертекст (Hypertext - "сверхтекстовая, надтекстовая".) - эта технология на базе средств обработки больших, глубоко вложенных, структурированных, связанных семантически и понятийно текстов, информации, которые организованы в виде фрагментов (текста), которые относятся к одной и той же системе объектов, расположенных в вершинах некоторой сети и выделяемых обычно цветом; они дают возможность при машинной реализации быстро, нажатием нескольких клавиш, вызывать и помещать в нужное место просматриваемого или организуемого нового текста заданные фрагменты гипертекста, т.е. тексты, "привязанные" к выделенным по цвету ключевым словам или словосочетаниям; гипертекстовая технология позволяет определять, выбирать вариант актуализации информации гипертекста в зависимости от информационных потребностей пользователя и его возможностей, уровня подготовки, т.е. жестко и заранее не определяет сценарии диалога. При работе с гипертекстовой системой пользователь может просматривать документы (страницы текста) в том порядке, в котором ему это больше нравится, а не последовательно, как это принято при чтении книг, т.е. гипертекст - нелинейная структура. Достигается это путем создания специального механизма связи различных страниц текста при помощи гипертекстовых ссылок, т.е. кроме линейных ссылок обычного текста типа "текст-предшественник - текст-преемник", у гипертекста можно построить еще сколь угодно много других динамических ссылок, ассоциированных с документом в целом или только с отдельными его фрагментами, т.е.


контекстные ссылки.

Пример. Примерами гипертекстов могут быть электронные журналы.

10. Средства и системы мультимедиа (multimedia) и гипермедиа (hypermedia). Медиа - "среда или носитель информации". Мультимедийность, многосредность - актуализация различных сред и чувств восприятия информации: средства озвучивания, оживления - мультипликации, графического и наглядного представления входных и выходных данных задачи и сценариев решения или даже самого решения.

Пример. Примерами средств мультимедиа могут служить звуковые карты (Sound Blaster) для генерирования на ЭВМ широкого диапазона звуков, активные звуковые колонки для их передачи и устройства считывания информации с компакт-дисков - CD-ROM, позволяющие считывать большие объемы информации, например, некоторую сложную и длительную музыкальную композицию, а затем воспроизводить с использованием предыдущих двух средств мультимедиа.

Средства гипермедиа - средства на основе синтеза концепции гипертекста и мультимедиа, т.е. в гипертекстовые фрагменты могут быть "встроены" мультимедийное сопровождение, мультимедийные приложения: hypermedia=hypertext+multymedia.

Пример. Глобальной гипермедийной системой является WWW (Word Wide Web - "Всемирная Паутина") - система навигации, поиска и доступа к гипертекстовым и мультимедийным ресурсам Интернет в реальном масштабе времени. Глобальной ее можно считать потому, что, в отличие от обычного (локального) гипертекста, ссылка на документ в нем (осуществляемая одним или несколькими щелчками мыши) может привести не только к другому документу (как в локальном гипертексте), но и к другому компьютеру (WWW-серверу), возможно, в другом полушарии. Работа ведется с помощью универсальной программы-клиента, которая позволяет объединить в единое целое клиента и сервер. Для доступа к WWW-серверу (информации на нем) необходимо знать адрес сервера, например, адрес http://www.mark-itt.ru - сервер со списком российских WWW-серверов, http (HyperText Transfer Protocol) - протокол работы с гипертекстом.


Имеется система автоматического поиска по определенным ключам (запросам, разделам). Информация в WWW представлена в виде гипертекстового документа, включающего в себя различные типы данных (текст, графика, видео, аудио, ссылки на другие гипертекстовые документы и т.д.). Такие документы называют WWW-страницами (WWW-pages). Эти страницы просматриваются с помощью броузеров, специальных программ для навигации по сети. Страницы хранятся на компьютерах-узлах сети, которые называют сайтами (site). Каждый компьютер имеет свой уникальный IP-адрес URL (Uniform Resource Locator - универсальный локатор ресурсов), с помощью которого броузер знает, где находится информация и что надо с ней делать. Cтраница - основной элемент WWW. На них находится та информация, которую мы ищем в сети, или ссылки на эту информацию. Страницы, гипертекст - это легкая и быстрая в использовании, чрезвычайно мощная система связанных ключевых слов и фраз (ссылок), позволяющая ссылаться на другие ключевые слова и фразы других страниц. Эти ссылки обычно выделены другим цветом, и достаточно просто щелкнуть мышкой по выделенной ссылке, чтобы перейти к информации, на которую отсылает эта ссылка. Для создания гипертекстовых приложений (например, личной WWW-страницы) используется специальный язык HTML (HyperText Markup Language), позволяющий создавать гипертекстовый документ в любом текстовом редакторе формата ASCII, с подключением графических файлов двух основных форматов GIF, JPEG.

По мнению ряда исследователей, следующей после Web формой коллективного сосуществования компьютеров будет Grid, которая даст пользователям больше возможностей для работы с удаленными машинами. Если World Wide Web можно сравнить с аналоговой телефонной сетью, способной передавать тексты, аудио и видео, то Grid подобна современной системе электроснабжения, предоставляющей потребителям столько ресурсов, сколько им необходимо. В настоящее время в ЦЕРНе ведутся работы по определению стандартов для Grid. Так же, как и WWW, новая концепция, в первую очередь, будет востребована в исследовательских кругах.


Ученые с помощью Grid будут получать доступ к ресурсам, необходимым для решения их задач. Архитектура Grid трехслойна: интерфейс, слой приложений и операционная система Grid, позволяющая подключить пользователей к распределенным ресурсам.

11. Нейро-математические и нейро-информационные технологии и сети. Нейротехнологии - технологии на базе моделей, методов, алгоритмов, программ, моделирующих, имитирующих нейронные сети и процессы решения задач искусственного интеллекта; позволяют эффективно реализовывать параллелизм, самообучение, распознавание и классификацию, адаптивность, перестройку структуры, топологии.

Пример. Идентификация личности в криминологии; выбор управляющих воздействий в сложных системах; геологоразведка; диагностика в сейсмологии. Нейросистема VNS-736, например, позволяет обрабатывать (распознавать) изображения размером 512_512 элементов.

Пример. Одним из распространенных зарубежных нейросистем является пакет Brain Maker. Пусть необходимо решить задачу прогноза цены закрытия на сегодняшних торгах по валютным тысячедолларовым трехмесячным фьючерсным контрактам. Пусть нас устраивает точность прогноза, при которой правильно указывается ценовой тренд (подъем, спад) и изменение цены с точностью не ниже 90% от последнего скачка. Применение нейронной сети начинается с подготовки входных данных: курс доллара, индекс инфляции, ставка межбанка, биржевые индексы, объем торгов, количество сделок, максимальные и минимальные цены и др. После предварительной настройки сети начинается итерационный процесс обучения, в результате которой нейросеть настраивает свою логическую структуру для точной реакции рынка на те или иные воздействия. Для этого в пакете Brain Maker предусмотрен мощный аналитический блок, который позволяет увидеть, какие параметры оказывают позитивное влияние на ситуацию, а какие - негативное. Затем сеть снова обучается и далее тестируется на качество и адекватность, и после удачного тестирования используется для прогнозов. За десять биржевых дней сеть ни разу не ошиблась в знаке отклонения фьючерсных котировок, а девять дней из десяти отклонение прогноза от реальной цены составило менее 10 рублей.


BrainMaker - это программа, с которой началась история применения нейронных сетей в России. В этом пакете на профессиональном уровне реализована классическая многослойнная нейронная сеть. Это единственная программа, в которой есть возможность настройки всех параметров нейронных сетей и алгоритмов обучения. В последнее время BrainMaker чаще всего используется не как самостоятельная программа, а как надстройка к программе TradeStation для анализа в режиме реального времени. NeuroShell, хотя и является универсальной программой, но благодаря тому, что она была первой русифицированной нейросетевой программой с удобным интерфейсом, ей удалось завоевать широкое распространение на российском рынке. Для решения финансовых задач NeuroShell имеет модуль рыночных индикаторов, позволяющий использовать более 20 индикаторов технического анализа при работе с нейросетью.

Пример. Известное семейство российских программ NeuroScalp построено по модульному принципу. Базовым модулем является модуль классического технического анализа, в который интегрируются дополнительные модули, реализующие различные методы анализа финансовых рынков. В настоящее время доступны следующие дополнительные модули: "Экспертный модуль, российский рынок акций" - модуль, содержащий готовые нейросети для трех российских акций: РАО Газпром, РАО ЕЭС России, НК Лукойл; "Модуль Нейронных сетей" - эмулятор классических многослойных нейронных сетей с использованием генетических алгоритмов; "Модуль Карты Кохонена" - модуль, реализующий карты Кохонена в приложении к финансовым рынкам; "Модуль Статистика" - модуль статистической обработки финансовой информации и анализа рынка. NeuroScalp имеет удобный интерфейс и реализует необходимое множество методов, требуемое для реализации различных идей пользователя. Демо-версию нейропакета можно найти по адресу http://www.tora-centre.ru/nscalp.

12. Технология виртуальной реальности, виртуальная реальность - технологии актуализации различных гипотетических сред и ситуации, не существующих реально и возможных как варианты развития реальных аналогов систем реального мира; эти технологии и системы позволяют управлять виртуальным объектом, системой путем моделирования законов пространства, времени, взаимодействия, инерции и др.



Высшая форма развития компьютерного офиса - виртуальный офис и виртуальная корпорация - офисы и корпорации, не существующие в обычном, классическом виде ("имеющих вывеску, штат, здание"), а созданные воображаемо, распределенно - как в пространстве, так и во времени (отделы и сотрудники могут находиться даже на различных континентах, общаясь по работе с помощью ЭВМ и сетей связи). Они являются высшей ступенью делового сотрудничества и в корне меняют организацию работ и систему информационного обеспечения сотрудников.

Виртуализация свойств и атрибутов корпорации, динамическое (а иногда и виртуальное!) выделение их общих фундаментальных (родовых, классовых) свойств, их описание и использование в рамках единой технологии, позволяет сократить промежуток между прогнозируемым (или имитируемым) состоянием корпорации и его реальным состоянием. У корпорации общие интересы появляются, актуализируются, виртуализируются на тот период, когда они служат общей цели. Успех виртуальной корпорации (ее разработки, внедрения и сопровождения) зависит от полноты и качества информационных потоков между объектами корпорации. При этом новые сотрудники корпорации (или сотрудники новой корпорации) имеют дело, в первую очередь, с информационными моделями, например, с моделями склада сырья, изделия, менеджера, поставщика, банка (банковских расчетов). Таким образом, виртуальные компьютерные корпорации поддерживают широкий спектр работ и услуг - начиная от соединения предприятий по ресурсам, производству, сбыту, снабжению, управлению, информационному обеспечению и т.д., обеспечивая базовую компетентность - совокупность знаний и умений по организации, координации и согласованию общих организационных, материальных, информационных ресурсов элементов корпорации, поддержки и развития ее инфраструктуры (архитектуры, инноваций, активов, рекламы и др.) и заканчивая обеспечением корпоративных функций системы с меньшими затратами и более качественно, уменьшая бюрократизм и уровни иерархии в системе, а также время реакции на изменения на рынке.



Основные характеристики виртуальной корпорации: наличие основного вида бизнеса (деятельности) для всех подсистем; концентрация пользователей вокруг этого вида деятельности и общие взаимосвязанные цели, планирование и ресурсообеспечение, общие (интегрированные) стратегии поведения и актуализации ресурсов, общая (интегрированная) технология актуализации ресурсов.

В виртуальной корпорации "новые рабочие или служащие" будут в основном иметь дело с инфологическими моделями рабочих мест, инструментов, сырья, поставщиков, рынков сбыта и услуг, "новые менеджеры" будут принимать оперативные и более интеллектуальные решения по гораздо более широкому кругу вопросов, а "новое руководство" будет занято многокритериальными стратегическими проблемами. Следовательно, от них требуется качественно новый уровень профессионализма, ответственности и стремление к самообразованию.

Пример. Виртуальная маркетинговая корпорация "Да Винчи" объединяет ряд горнорудных месторождений, производственные (машиностроительные и строительные), транспортные, инвестиционные, экологические системы. Все подсистемы "Да Винчи" поставляются без доработок под конкретный объект (как детские конструкторы сборно-разборного типа). Один из сценариев, предлагаемых в проекте (Venture Managment Model), моделирует нижеследующую ситуацию. Горнодобывающая компания ведет разработки в Новой Гвинее. Построенный в этой местности отель может быть расширен для обслуживания растущего потока деловых клиентов этой компании, а также туристов. Консорциуму, имеющему бизнес в сфере коммуникаций и гостиничных услуг, предлагается долевое участие в развитии этой местности и эксплуатации отеля. Для снижения накладных расходов на расширение отеля и инфраструктуры туризма привлекаются крупные строительные компании (на условиях долевого участия в прибылях). Отметим при этом, что критерии эффективности бизнеса в таком составе - различны, а процесс принятия стратегических решений сопряжен с конфликтными интересами партнеров, динамически изменяющейся их картиной.


Для реализации этой корпорации имеются электронная (мультимедийная) почта для поддержки процессов принятия решений первыми лицами, средства телеконференций для функциональных подразделений и аналитиков, геоинформационная система, САПР, взаимодействующая с СУБД через структуру данных с пространственной привязкой, система компьютерного делопроизводства на всех этапах. Используются современные технологии типа "клиент-сервер" и объектно-ориентированные под Windows NT, Windows-95 (рабочие места), Unix (сервер), полные версии MS Office и компьютерный документооборот. В системе электронного документооборота используются: полнотекстовый поиск, доступ к проектной документации на всех этапах жизненного цикла проекта, подготовка интерактивной технической документации. Документ может содержать текст, например, HTML-документ, иллюстрации в одном или нескольких слоях, редакторские правки и комментарии участников различных рабочих групп, участвующих в проекте, трехмерные объекты из программ САПР, подключаемые к документу видео- и аудиофайлы.

Пример. Технологии виртуальной реальности широко используют различные тренажеры для обучения пилотов самолетов, водителей автомобилей, капитанов судов, которые позволяют помещать обучаемого в соответствующие воображаемые ситуации (включая и аварийные), в том числе и никогда не существовавшие в реальности и не "укладывающиеся" в рамки законов классической механики, физики; эффекты виртуальной реальности создаются часто за счет одновременного воздействия на различные органы чувств, включая подсознание, сенсомоторику. Интересны проекты создания хирургических тренажеров с использованием методов и средств виртуальной реальности. Важной формой виртуальной реальности (виртуального понятия) является рынок. Если раньше под рынком понималось реальное место встречи продавцов и покупателей, то теперь это понятие состоит из экономических, коммерческих, производственных и коммуникационных отношений и систем; они теперь могут встречаться и реализовывать свои функции в компьютерных системах.



13. Когнитивные технологии - методы, средства и приемы, обеспечивающие визуальное, гипермедийное представление условий задач и/или предметной области, которое помогает находить или стратегию решения (или само решение), либо позволяет оценивать и сравнивать пути решения, принять тот или иной адекватный выбор.

Пример. Когнитивная графика, позволяющая геометрически, образно представлять предметную среду и построить, исходя из этого, требуемый графический объект, в частности, пространственное представление этого объекта. Есть и средства, и методы визуального программирования (проектирования программ), в частности, среда Visual-C. Когнитивные методы выбора решений в области бизнеса позволяют принимать решения и определять стратегии поведения на основе качественных данных, личностных суждений (эффективно для ликвидации неопределенностей). Например, модель принятия решений Института США и Канады РАН, используя блоки, подмодели типа "Мир", "Ценность", "Средство", "Интерес", "Стереотип", "Цель", "Сценарий", "Проблема", позволяет изменять содержательное наполнение этих блоков, генерировать новые цели и сценарии (используя старые).

14. Технологии информационного реинжиниринга - методы и средства коренного пересмотра, перепроектирования информационных сетей и процессов с целью достижения резких, например, "порядковых" улучшений в ключевых показателях информационных сетей и систем, в частности, по показателям типа "производительность-стоимость", "время-объем информации", "функционирование-документация", "технология-удобство" и др. Реинижиниринговые мероприятия изменяют работу (из моноплановой она становится многоплановой), роль работника (от подконтрольного исполнителя - к принятию самостоятельных решений), оценку эффективности работы и оплаты труда (от оценки трудозатрат - к оценке результата), роль менеджера (от контролирующей функции - к тренинговой), и, самое главное, организационную структуру (от иерархической - к матричной и сетевой).



Пример. Сокращение времени принятия решения и цикла подготовки и подписания документов, например, средствами компьютерного делопроизводства, сетями связи и экспертными системами, которые обеспечивают доступ руководителя, принимающего решение, ко всем этапам, узлам и инструментариям подготовки решения; перенос акцента с проблемы "Как делать?" на проблему "Что делать?". Отметим, что популярную в информационных системах, сетях технологию "удаленный сервер данных и клиентский доступ" можно считать реинжиниринговой. Реинжиниринг системы подготовки докладов, отчетов, например, может свести цикл подготовки отчета с 20-30 операций до 5-10. Простое усовершенствование не может дать таких результатов.

15. Объектно-ориентированные технологии, технологии объектно-ориентированного анализа (технологии представления и актуализации информации, информационных процессов, систем как совокупностей объектов и классов с использованием следующих понятий: объект, экземпляр класса - все то, что может быть полно описано некоторыми атрибутами состояния; класс - совокупность объектов с одинаковыми атрибутами; инкапсуляция - скрытие внутренней информации, возможность отделения объектов и классов от внешнего мира; наследование - возможность создавать из классов-родителей новые классы-потомки, сохраняющие атрибуты и свойства родителей; полиморфизм - способность объектов выбирать метод представления на основе типов данных, актуализируемых сообщений).

Инструменты объектно-ориентированного анализа: атрибуты (описания объектов, классов); операции (процессы, применяемые к классам объектов); потоки данных (группы элементов данных, реализующие связи между объектами); наследование (агрегирование и обобщение).

Пример. Объектно-ориентированные среды программирования, например, С++, Smalltalk; объектно-ориентированный инжиниринг или набор приемов и методов проектирования бизнеса, наиболее эффективно обеспечивающих заданные цели и прибыль; объектно-ориентированный пользовательский интерфейс, использующий, например, понятия "класс описаний", "класс языков", "класс операционных сред" и др.


При объектно-ориентированном программировании в среде языка АPL, например, процедуры исполняются в соответствии с логикой и инструкциями некоторой программы, которая определяет последовательность и содержание действий; выполнение этой программы инициируется с помощью сообщения, посылаемого заданному объекту пользователем, другой программой или объектом. Получатель сообщения решает, какая программа будет выполнена.

Пример. HTML - статичное средство. Чтобы "оживить" содержимое Web, сделать интерактивные HTML-страницы, используется среда JavaScript. Одной из важных для информатики объектно-ориентированных систем является Java-система, сред - Java-интерпретирующая машина, технологий - Java-технология. Расмотрим их вкратце. В основе всех их лежит язык программирования Java, ориентированный на сеть Internet и серверы WWW. Язык Java произошел от языка программирования Oak, с синтаксисом, близким к синтаксису языка C++. Средствами языка Java можно разрабатывать приложения для различных платформ: Intel Pentium, Macintosh, Sun и др. Java-программы бывают автономного использования (выполняемые в режиме интерпретации на конкретной компьютерной платформе) и аплеты, (applets), выполняемые в режиме интерпретации виртуальной Java-машиной, которая встроена практически во все современные браузеры. Аплеты Java встраиваются в документы HTML, хранящиеся на сервере WWW. С помощью аплетов можно сделать страницы сервера Web динамичными и интерактивными. Все данные для обработки аплеты могут получить только от сервера Web. Язык Java является объектно-ориентированным и имеет объемную библиотеку классов, значительно упрощающих разработку приложений, так как программист больше внимания может уделить функциональной части приложения, а не организации интерфейса, динамических массивов и т.п. В широком смысле, Java - это технология, изначально рассчитанная на интеграцию с сетевой Web-средой, полностью независимой от платформы. Виртуальная Java-машина - машина, на которой исходные Java-программы интерпретируются в коды этой машины.


Это делает Java-среду мощным и удобным средством разработки клиентских компонентов Web-систем. В Java-среде пользователь может осуществлять динамическую загрузку объектов из сети, т.е. ему не нужны дорогостоящие работы по наладке, администрированию клиентских Java-систем, так как для обеспечения работы клиента на новой версии достаточно загрузить ее на сервере. Имеются инструментальные среды, например, Java Studio, позволяющие проектировать приложения вообще без программирования, из готовых компонент, устанавливая между ними связи и отношения в соответствии с внутренней логикой приложения. Для повышения производительности Java-приложений в браузерах используется компиляция Just-In-Time compilation ("на лету"). При первой загрузке аплета его код транслируется в обычную исполняемую программу, которая сохраняется на диске и запускается. В результате общая скорость выполнения аплета увеличивается в несколько раз.

16. Средо-ориентированные технологии (интерактивные технологии проектирования, разработки, актуализации информационных систем, в которых сперва строится нужная среда, инструментарий, а затем происходит их автоматизированная настройка с помощью выполнения процедур типа: переместить, вставить, удалить, указать, активизировать и др.; готовые среды, "как кубики", объединяются в нужные структуры, а затем настраиваются на конкретные классы проблем или пользователей, причем изменения одних из них могут изменять и другие).

Пример. Средо-ориентированные системы программирования, в которых часто используется "оконный интерфейс", "оконная среда". Они основываются на понятиях "окно", "рамка", "фрейм", "рисунок на экране", "оконное меню" и др., каждый из которых ассоциируется с наиболее подходящей инструментальной средой: тексты - с текстовым процессором, таблицы - с электронной таблицей, графики - со средой деловой графики и т.д. К этим типовым средам могут быть добавлены также и разработанные самим программистом среды, а также библиотеки сред.


Отметим, что интерактивное планирование позволяет находить оптимальные структуры и набор ресурсов для достижения поставленной цели.

В последние годы вырос интерес к распределенным системам - программным комплексам, составные части которых функционируют на разных компьютерах в сети, используя при взаимодействии технологии различного уровня, от непосредственного использования пакетов TCP/IP до технологий с высоким уровнем абстракции, таких, например, как CORBA. В этих системах обеспечены следующие возможности, невыполнимые при использовании традиционных технологий:

масштабируемость, т.е. эффективное обслуживание различного числа клиентов одновременно;надежность создаваемых приложений, т.е. устойчивость не только к ошибкам пользователей, но и к сбоям в системе коммуникаций;непрерывная длительная работа (режим 24?7, т.е. 24 часа в течение 7 дней недели);высокий уровень безопасности системы, т.е. защиты и отслеживания, протоколирования информации на всех этапах функционирования;высокая скорость разработки приложений и простота их сопровождения и модификации (достаточен средний уровень программиста). Технология CORBA создавалась некоммерческой организацией - содружеством разработчиков и пользователей программного обеспечения OMG как универсальная технология создания распределенных систем с использованием языков Java, С, Ada, Smalltalk, Delphi, Perl, Python и др. Клиентская часть может быть написана на любом языке программирования, поддерживающим CORBA.

Так как CORBA - стандартная инфраструктура разработки и использования различных платформ, ОС и приложений, то все спецификации CORBA являются полностью открытыми. CORBA реализует высокий уровень абстракции - все проблемы и описания взаимодействия с операционной системой или сетевыми средствами осуществляются на низком уровне и скрытно от прикладного программиста. Высокий уровень абстракции достигается за счет отображения инструкций на языке спецификаций - на конкретный язык программирования. CORBA может передавать данные различных типов: структуры, объединения и др.


Предусмотрена система описания и контроля типов. Для каждого языка используется свое отображение данных на языке спецификаций. CORBA поддерживает статический и динамический способ организации удаленных вызовов и имеет развитые средства получения информации о серверах. CORBA обладает высоким уровнем устойчивости к сбоям за счет большей изоляции клиентов и серверов, автоматического сохранения состояния объектов, более мощной и продуманной схемы управления транзакциями. Управление транзакциями берет на себя так называемый Сервис Управления Транзакциями CORBA (Object Transaction Service). CORBA обеспечивает высокий уровень безопасности. Предусмотрена идентификация пользователя, списки прав доступа к ресурсам, система аудита и многое другое. Интеграция CORBA и сети Интернет выполняется за счет использования протокола, построенного поверх TCP/IP, что позволяет использовать URL-имена в качестве имен для Службы Именования CORBA.

17. CASE-технологии (Computer-Aided System Еngineering -автоматизированное проектирование информационных систем, или технологии, позволяющие автоматизировать основные этапы и процедуры жизненного цикла информационных систем: от анализа исходного состояния и целей - до проектирования интерфейсов, привычных проектировщику, пользователю и основных процедур функционирования системы; чем больше этапов и процедур автоматизируется, тем лучше и быстрее получается информационная система, тем шире ее приложения).

Пример. Технология STRADIS (STRategic Architecture for the Deployment of Information Systems - стратегическая архитектура для развертывания информационных систем) определяет и поддерживает основные этапы жизненного цикла системы: цели, их приоритеты, требования к ресурсам, распределению работ, составу и содержанию проектной документации, методика выполнения процедур проектирования и программирования, тестирования и управления. Включает в себя следующий инструментарий для этого: графический редактор (графическая среда), СУБД, средства описания сценариев диалога с системой, выходных документов и др.



18. Технологии и системы компьютерной алгебры, системы символьных преобразований, аналитических вычислений (системы, позволяющие производить автоматические преобразования формул и алгебраических выражений, в частности, приведение подобных членов в алгебраическом выражении, нахождение первообразной заданной аналитически функции, ее дифференцирование и т.д.).

Пример. Система Reduce для формульных преобразований, которая позволяет как находить эквивалентные алгебраические выражения, так и вычислять их численные значения (в том числе и комплекснозначные), суммировать конечные и бесконечные ряды (сумма - как функция!), производить алгебраические операции с полиномами, матрицами, интегрировать и дифференцировать.

19. Нечеткие технологии (технологии обработки данных и вывода знаний, принятия решений на основе описания систем аппаратом нечетких множеств и нечеткой логики).

Пример. Медицинский диагноз часто основан на нечетких, неопределенных четко связях симптомов и болезней, их нечеткой зависимости, поэтому для компьютерной постановки диагноза, построения экспертной системы постановки диагноза эта технология особенно эффективна, так как позволяет делать нечеткие выводы, которые затем могут быть проверены. Проблемы дактилоскопии также могут быть решены эффективно с помощью нечетких систем распознавания отпечатков.

Все новые информационные технологии, так или иначе, используют методы и проблематику искусственного интеллекта, инженерии знаний, часто переплетаются и интегрируются.

Проблематику искусственного интеллекта составляют знания, информация о данной области, которые пока объективно непонятны, неточны, не формализуемы, не структурируемы, не актуализируемы доступными средствами (и могут стать таковыми в процессе функционирования системы, приобретения знаний).

Инженерия знаний - наука, изучающая проблемы выявления, структурирования, формализации и актуализации знаний для разработки различного типа интеллектуальных систем, технологий.

Все новые информационные технологий должны обеспечивать целенаправленность, информативность, адекватность, точность, полноту, воспринимаемость и структурированность сообщений, а также гибкость, комфортность, своевременность и простоту их актуализации во времени, в пространстве и информационно.



Все информационные технологии - основа многих других технологии, а также способ актуализации информации, основа мышления.

Основные тенденции развития новых информационных технологий, независимо от сферы их использования:

возрастание роли и активности (актуальности) информационного ресурса, т.е. качество и оперативность принимаемых интеллектуальных решений в обществе во все большей степени зависит от содержания, точности и своевременности получаемой информации, ее пространственно-временных характеристик;развитие способности к активному техническому, программному и технологическому взаимодействию (стандартизации и совместимости таких взаимодействий), т.е. появление более совершенных стандартов взаимодействия, все чаще - уже на уровне проектных работ, на уровне разработки спецификаций;изменение структуры инфологических и структурных взаимодействий, ликвидация промежуточных звеньев (непосредственность), т.е. устранение этапов и функций посредников информационного обмена и услуг, ликвидация промежуточных функций внутри компаний и между ними, более широкое распространение, упрощение доступа, снижение цен и т.д.;глобализация или использование пространственных, временных и организационных возможностей и емкости информационного рынка (практически беспредельного);конвергенция или формирование рынка новых информационных технологий, состоящего из основных сегментов - частное потребление (развлечения, бытовые услуги и т.п.), обеспечение бизнеса (производство, продажа, маркетинг и т.п.), интеллектуальная профессиональная работа (автоформализация профессиональных знаний и др.).Пример. В 1990 г. около 40% интеллектуальных работников в США использовали на своих рабочих местах новые информационные технологии, в частности, концерн Microsoft инвестирует в новые медиапроекты до 20% своего научного бюджета, выпуская энциклопедии и справочники на CD, работая параллельно с нормальным телевидением в сети интернет, открывая в Интернете свои мультимедийные журналы, например, Slate (http://www.slate.com) и др.


Выполнение японской программы создания компьютеров пятого поколения сдерживается тем, что новая архитектура программного обеспечения пока не сочетается с существующими центрами искусственного интеллекта, новые протоколы не могут быть использованы в старых системах связи, а новые машинные языки не подходят для старых систем и т.д. В банковской сфере уменьшается роль мелких банков, так как на внедрение информационных технологий требуются значительные ресурсы. Имеющие доступ к терминалам общего пользования ("электронным киоскам") заказывают товары и получают электронные купоны. Примером глобальной программы является программа ESPRIT (Европейская стратегическая программа исследований в области информационных технологий). Примерами аппаратно-программной конвергенции могут быть принтеры с функциями ксерокса и факса.

Заканчивая свой неполный обзор (полный обзор, видимо, сделать невозможно) новых информационных технологий, наиболее важных для системного анализа, отметим, что появляются все новые их разновидности и приложения, а они становятся основным фактором (инструментарием) глобализации, фактором, изменяющим традиционные критерии принятия решения и возможности мирового бизнеса (ценообразование, издержки, местоположение и т.д.).

Чем отличается новая технология от

Чем отличается новая технология от "старой", высокая - от новой?Каковы основные элементы новых информационных технологий? Что такое БД (СУБД, АРМ, электронная почта, телеконференция, база знаний, экспертная система, интегрированный пакет прикладных программ, машинная графика, компьютерный и виртуальный офис, виртуальная корпорация, мультимедиа, гипермедиа, математическое и компьютерное моделирование, нейротехнологии, виртуальная реальность, объектно- и средоориентированная технология)?Какова роль технологий информатики в процессе познания?Какова роль новых информационных технологий в развитии общества, в социальной сфере, в развитии инфраструктуры общества?Каковы основные социально-экономические последствия внедрения новых информационных технологий в общественную жизнь, науку, производство, быт?

и построить для них примеры

Выбрать одну-две новые технологии и построить для них примеры использования, указать достоинства и недостатки.Построить несколько макетов (логических моделей) БД социально-экономического направления (например, пенсионного фонда). Описать структуру записей, атрибуты полей базы, сформулировать запросы. Осуществить операции (поиска, сортировки, модификации) с базой данных. Оценить объем информации в БД.Построить несколько макетов (логических моделей) баз знаний по социально-экономической предметной области. Построить несколько макетов (логических моделей) экспертной системы по социально-экономической проблеме. Привести примеры проблем, которые можно решить эффективно с помощью экспертной системы. Осуществить какие-либо корректные операции с построенными базами знаний на логическом уровне. Построить компьютерные модели баз знаний по реальным социально-экономическим системам (процессам) и рассмотреть их эксплутационные ситуации и области приложения. Оценить объем информации (качественно и количественно) в построенной (или другой) базе знаний. Осуществить постановку некоторых задач, которые можно решать с помощью некоторой базы знаний и (или) экспертной налоговой системы. Выполнить операции логического вывода из базы знаний, возможно, упростив для этого структуру базы знаний.Построить несколько сценариев проведения телеконференций по различным налоговым проблемам. Описать работу организатора (модератора) и пользователя телеконференции. Оценить объем информации в сеансе телеконференции. Осуществить постановку некоторых задач, которые можно решать с помощью телеконференции. Описать технологию решения этих задач. Привести примеры социально-экономических последствий проведения телеконференций и использования электронной почты. Оценить эти последствия. Привести примеры телеконференции по вашей специальности. Описать работу некоторой гипотетической виртуальной корпорации с участием специалистов по Вашей будущей специальности.Описать спецификации и процедуру реинжиниринга системы обучения студентов по Вашей будущей специальности.

Е2Е-проекты по системному анализу и моделированию

А. Цель проекта и этапы выполнения проекта:

изучение литературы общего (по системному анализу) и предметного характера (по рассматриваемой проблеме), выявление и описание элементов, целей, их приоритетов; определение и описание ресурсов исследования (математических, предметных, программных, технических, технологических); информационное обследование системы (сбор и изучение данных о системе, разработка необходимых спецификаций); выбор и описание критериев адекватности, устойчивости, эффективности системы; выбор метода (методов) и построение морфологической, функциональной и инфологической моделей системы; выбор и описание критериев адекватности, устойчивости, эффективности, идентификации модели, на основе соответствующих критериев системы; обсуждение и определение возможных критериев эффективности (полезности) принятия решений; алгоритмизация и программирование; отладка, тестирование, имитационные расчеты; оформление проектного решения (отчета).

Б. Структура группы разработчиков:

постановщик проблемы - предметник (1 человек); системный аналитик (1); предметный аналитик (1-3, в зависимости от сложности выбранной системы); системный программист (1); прикладной программист (1-2); специалист по тестированию, тестировщик (1); специалист по презентациям (1); приемная комиссия - эксперты, консультанты (1, 3 или 5).

Возможно совмещение функций.

В. Критерии оценки проекта: актуальность темы (системы), полнота, адекватность, информативность, качество и другие системные критерии.

С. Ориентировочный перечень проблем (темы могут быть выбраны и по желанию преподавателя и/или студента):

1. Прогноз поливов и величины урожая - важная социально-экономическая и сельскохозяйственная задача. Наиболее известные способы определения влажности почвы - метеорологический и термостатно-весовой. Первый может не дать желаемой точности, а второй связан с большими материальными и временными затратами. Поэтому важно разработать имитационную процедуру, дающую достаточную точность и учитывающую физиологические характеристики сельхозкультур.
Уравнение водного баланса расчетного корнеобитаемого слоя растений можно записать: W'(t)=q(t)P(t)+P1(t)-E(t)-(t), где P(t) - величина осадков; q(t) - коэффициент использования осадков (определяется, например, экспертно или по формуле Харченко С.И., через Wmin - наименьшую влагоемкость почвы и Wz - влажность завядания); P1(t) - подпитывание (приток) из грунтовых вод; E(t) - суммарное испарение из корнеобитаемого слоя; H(t) - уровень (сток) грунтовых вод, W(t) - средняя по слою влажность почвы (с учетом поливов или на межполивной период). Оценить и учесть влияние накопившейся к некоторому моменту времени биомассы растений на экологически обоснованную величину суммарного испарения в каждый момент времени. Величину суммарного испарения из корнеобитаемой зоны растений представить в виде суммы интенсивности транспирации растениями E1(t) и интенсивности испарения с поверхности почвы E0(t): E(t)=E0(t)+E1(t). Прирост биомассы описывается, например, уравнением x'(t)=a(t)E1(t)-b(t)x(t), где x(t) - биомасса культуры; a(t) - эффективность транспирации; b(t) - коэффициент расхода на дыхание. Для определения динамики накопления биомассы может использоваться банк различных моделей, из которых подбирается по тем или иным критериям адекватности наилучшая модель (по результатам идентификации). В рассматриваемой нами процедуре моделирования будем использовать простую для идентификации модель Ферхюльста-Пирла: x'(t)=[?(t)-?(t)x(t)]x(t), где ? - коэффициент роста (автоприроста), ? - коэффициент сопротивления среды (нехватки воды). Динамика прироста биомассы хорошо описывается уравнением Давидсона-Филиппа: х'(t)=e0(t)(F(t)-R(t)), где e0 - коэффициент перехода от массы усвоенной СО2 к сухой фитомассе; F - суммарный фотосинтез растений; R - суммарное дыхание растений. Интенсивность дыхания за сутки зависит от величины накопившейся биомассы. Экспериментально получено, что R(t)=b(t)x(t)+e1F(t), где e1 - коэффициент затрат на рост биомассы растений. Коэффициенты е0, е1 - экспериментально определяемые, для ряда культур ?0=0,68, ?1=0,27.


Принимая во внимание приведенные уравнения и соотношения, имеем следующую модель расчета влажности почвы, с учетом динамики накапливаемой биомассы: W'(t)=q(t)P(t)+P1(t)-E(t)-H(t), E1'(t)=[?(t)-?(t)x(t)+b(t)]x(t)/a(t), Из этих соотношений имеем: b(t)=(1-e1)F(t)/x(t)-(?(t)-?(t)x(t))/e0. Для нахождения влажности почвы нам необходимо идентифицировать ? и ?. При постоянстве этих параметров (для простоты) можно использовать имитационную процедуру на основе метода наименьших квадратов:

где i - номер фазы вегетации растения (i=1,2, ..., n); n - число фаз вегетации; xi0 - экспериментальные величины урожайности культуры за репрезентативный период времени; xi - теоретические величины урожайности сельхозкультур, определяемые по приведенной выше формуле. Фотосинтез F возможно учесть, например, с помощью формулы: F(t)=Fmaxe-?[s(t)-z][?(t)x(t)/?(t)]2/3, где s(t) - текущая сумма биологически активных температур, z - сумма биологически активных температур для максимального развития листовой поверхности, m - эмпирический коэффициент. Одним из наиболее важных условий увеличения урожайности сельхозкультур является необходимая влажность почвы, которая позволит получить оптимальный режим орошения и, как следствие, - высокий урожай. Определить проектную урожайность для сравнительно длительных промежутков времени (фаз вегетации):



где x(W) - прогнозная урожайность; xmax - максимальная урожайность сельхозкультур; W - влагообеспеченность корнеобитаемого слоя почвы, определяется как описано выше; Wmin, Wmax - соответственно, нижняя и верхняя границы влагообеспеченности почвы, при которой урожай равен нулю; Wopt - влагообеспеченность, соответствующая xmax; ? - параметр, характеризующий темпы роста урожая с увеличением влагообеспеченности.

2. Рассмотрим социо-эколого-экономическую проблему оценки степени загрязнения среды и воздействия загрязнителей на человека (животное, растение), а именно, интегральной оценки степени загрязненности среды для некоторых основных загрязнителей и оценки их влияния на человека и животное.


При выборе загрязнителей учитываются: степень воздействия на экосистему; степень вредности (класс опасности) для человека; распространенность в биосфере; пороговый уровень содержания загрязнителя в атмосфере, при котором загрязнитель начинает свое воздействие; действие смеси загрязнителей, эффект суммирования воздействий. Например, для описанной ниже модельной ситуации были выбраны следующие загрязнители: сероводород, аммиак, двуокись углерода, двуокись азота, серная кислота, ацетон, двуокись серы, стирол, фтористый водород, окись углерода, этилацетат. Их выбор определялся как важностью для рассматриваемого объекта (гидрометаллургический объект), так и применением найденных открытых источников данных. С использованием многофакторного нелинейного анализа был получен ряд регрессионных зависимостей, а затем на их основе вычислены нормированные интегральные оценки загрязнения (приведенные к единице). Имитационная процедура строилась следующим образом. Пусть интегральная оценка загрязнения среды обозначается через y. Будем, для простоты, различать только 3 случая:

слабо выраженное загрязнение - 0y(1)<1/3;средне выраженное загрязнение - 1/3y(2)<2/3;сильно выраженное загрязнение - 2/3y(3)1. Под у понимается некоторая интегральная характеристика, оценка суммарного воздействия загрязнителей, например, она может быть ассоциирована с вероятностью загрязнения; оценки y(1), y(2) и y(3) могут быть выражениями оптимистической, реалистической и пессимистической оценок загрязнения среды. Используя регрессионный и корреляционный анализ, получаем экспериментальные зависимости уi=f(xi), где xi - фактор (загрязнителя) номер i, уi - оценка загрязнения по xi. Получены следующие результаты:

Номер фактораЗависимость для человекаЗависимость для животного

1	y=1,00000x	y=0,35714x
2	y=0,0000029+1,17647x	y=0,09524x
3	y=x/(0,0016+0,00007x)	y=x/(0,0014+0,00011x)
4	y=2,10521x	y=1,11111x
5	y=x/(0,0055+0,000068x)	у=x/(0,00666+1,00001x)
6	Y=0,000013+0,351x	y=0,02857x
7	y=x/(0,21+0,000115x)	y=0,02873x
8	y=0,2941x	y=0,08x
9	Y=0,0000991+2,41x	y=2,50x
10	y=-0,00004+0,26317x	y=0,125x
11	y=0,03634х	y=-0,00004+0,02778x

Остаточная дисперсия этих зависимостей не более 0,0001.


Затем, используя эти зависимости в качестве базисных функций, в результате нелинейного регрессионного анализа по базисной системе {fi} строятся зависимости вида y(j)=F(y1, y2,..., yn), j=1, 2, 3. При этом учитывается эффект суммирования влияния отдельных загрязнителей. Далее определяются оценки среднего ожидаемого загрязнения и его дисперсии для данной экологической системы. Приведенная процедура имитационного моделирования, при всей ее простоте, - технологична и позволяет оценивать загрязнение экосистемы, что актуально не только при экологическом, но и при социально-экономическом краткосрочном прогнозировании. Для слабо-, средне- и сильнозагрязненных участков (вдали, на среднем удалении, и вблизи от загрязнителя, например, от трубы гидрометаллургического завода) были получены зависимости для оценки интегрального влияния концентрации этих загрязнителей на человека:

y(1)=exp(-1,79+2,89x1+1732,87x2+11002,4x3+93,67x4+1980,42x5+1,58x6+26,14x7 +34,657x8+42,001x9+3,466x10+0,046x11)y(2)=exp(-0,81+0,58x1+67,58x2+2534,16x3+0,92x4+540,62x5+0,34x6+10,14x7 +0,20x8+8,11x9+0,37x10+0,02x11)y(3)=exp(-0,02+0,01x1+0,12x2+6,28x3+0,01x4+1,83x5+0,004x6+0,05x7 +0,003x8+0,02x9+0,003x10+0,37x11)Для тестового примера (случай слабого загрязнения): х1=х2=х3=0, х4=х5=х6=х7=0,0001, х8=х9=0,001, х10=х11=0,01 (мг/л) получаем оценку загрязненности этого имитационного полигона среды y(1)=0,23. При этом, используя аналогичные оценки для случаев средне- и сильнозагрязненных участков, получим y(2)=0,56 и y(3)=0,98, что согласуется с вышеприведенными гипотетическими оценками, для которых строилась модель. Математическое ожидание загрязнения среды и дисперсия: М=0,57, ?=0,02. Отметим, что если все хi=0 (i=1, 2, :, 11), то, например, y(1)=0,09. Это может быть отражением как меры адекватности модели, так и, скорее всего, присутствием в среде фонового загрязнения даже при нулевом загрязнении, что подтверждают известные экологи (Р.Г. Хлебопрос). Из приведенного модельного примера видно, что модель может быть полезна для планирования экологических и эколого-экономических мероприятий, например, последствий (штрафов) за экологические нарушения.


Обобщить, усложнить ситуацию и провести аналогичное исследование.

3. При исследовании ряда экологических и социально- экономических систем часто достаточно бывает качественно оценить воздействия, особенно наиболее существенные, и определить причинно-следственные связи между воздействиями (человека, например) и вектором х состояния системы, x=(x1, x2, ..., xn), где хi - фактор экологического состояния, i=1, 2,..., n. Такого рода модели не позволяют нам оценить всю сложную и динамическую цепь взаимовлияний экологических параметров среды, но являются когнитивным инструментарием на начальных стадиях исследования системы, например, на этапе формализации и структурирования системы. Рассмотрим следующую процедуру проведения экспертизы и основанного на ней моделирования. Сформируем профессиональную (эффективную качественно и количественно) группу экспертов. Требования к качественному составу: общая эрудиция; профессионализм в данной области; психологическая совместимость; научный интерес и отсутствие материального интереса к проблеме; опыт, умения и навыки; самокритичность и критичность. Обычно это осуществляется анкетным опросом, тестированием. Количественная оценка компетентности потенциального i-го эксперта:



где cij - вес градации, перечеркнутой i-ым экспертом по j-ой характеристике в анкете, cjmax - максимальный вес (предел шкалы) j-ой характеристики в баллах, m - общее количество характеристик в анкете, di - вес ячейки, перечеркнутой экспертом в шкале самооценки в баллах, ui - предел шкалы самооценки эксперта в баллах. Оптимальная численность экспертной группы оценивается сложнее. Необходимо обеспечить высокий уровень компетентности экспертной группы и стабилизацию средней оценки прогнозируемой системы. Максимальная ее численность может быть оценена как



где Kmax - максимально возможная компетентность в выбранной системе шкал, n - количество испытуемых. Минимальная численность может быть оценена как Nmin=0,5(3/h+5), где h - допустимая величина изменения средней оценки в группе, при условии, что экспертная группа считается сформированной, если за нее голосовали не менее 2/3 испытуемых.


Численность экспертной группы должна быть от Nmin до Nmax . После того, как экспертная группа сформирована, приступаем, собственно говоря, к процедуре моделирования. Выбирается, например, эмпирическим путем вектор состояния системы x?, ? - рассматриваемая область (среда), а также некоторые граничные векторы состояния среды a=(a1, a2, ..., an), b=(b1, b2, ..., bn), ai=min{xi}, bi=max{xi}, где минимум и максимум берется по всей области ?. Составляется матрица V из элементов vij, где vij - степень влияния xi на xj, i=1,2,...,n. При этом можно использовать, например, подмодели корреляционного анализа. Далее выбираем начальное состояние х0 и проводим имитационные расчеты по заданной временной сетке. Управление моделью (траекторией поведения системы) можно осуществлять изменениями параметров xi, ai, bi, vij или выбором новой модели взаимодействия из некоторого банка моделей. Простыми моделями этого банка могут быть квадратичная, кубическая, дробно-рациональная, экспоненциальная, логарифмическая и другие зависимости. Используется также динамическое переупорядочивание связей в системе, модели (например, переход от одной модели к другой, более оптимальной по остаточной дисперсии). Наконец, оцениваем эффективность j-й траектории (имитационного варианта номер s, приводящего к решению номер r, 1rR):



где N - число траекторий, cs - экспертная оценка значимости цели номер s, gsr(x) - функционал эффективности траектории s, приводящей к цели r. Определяем вероятность pzk предпочтения траектории номер z другой траектории с номером k и функцию правдоподобия этого предпочтения W:



где pz и pk - вероятности предпочтений для траекторий номер z, k, соответственно, dzk - экспертная (сравнительная) оценка траекторий z и k (ее можно взять, в частности, равной сумме оценок или баллов, при которых траектория z предпочиталась траектории k). Заметим, что более сложная и формализованная модель получается, если повторять имитационные расчеты с различными вероятностями pz и pk, уточняемыми каждый раз, например, следующим образом (qz - экспертная оценка траектории z, например, сумма баллов, в которой отмечалась траектория номер z):





Данная процедура и ее модификации могут быть использованы при реализации экспертных систем в различных областях. Реализуйте данную процедуру в одной информационной системе (например, в экспертной системе).

4. В качестве конкретного примера реализации имитационных вычислительных экспериментов рассмотрим модель качественного прогнозирования системы (процесса). При решении многих Е2Е-проблем, когда из-за длительности экологических процессов экспериментальное изучение становится практически невозможным, построение математических и компьютерных моделей часто является единственным способом принятия ключевых решений. Для разрешения многих эколого-экономических задач достаточно качественно промоделировать динамику развития системы. В рассматриваемой системе (модели) ключевую роль играют факторы состояния системы. Так как при построении модели учесть все факторы влияния практически невозможно, то модель данного типа не позволяет проследить всю сложную цепь взаимовлияния экологических параметров среды, но с ее помощью становится возможным оценить наиболее существенные эколого-экономические воздействия, а также определить причинно-следственные связи в данной экосистеме. Для каждого определяющего фактора задается его текущее, максимальные и минимальные значения границ его изменения или задается вектор состояния экосистемы x=(x1, x2,...:, xn) и два вектора границ его изменения: xmax=(x1max, x2max,..., xnmax), xmin=(x1min, x2min,..., xnmin), где n - число факторов. При этом для каждого фактора: ximin<xi<ximax. Для каждого фактора задается коэффициент влияния его на каждый из остальных, в том числе и на самого себя, т.е. строится матрица воздействий A:

	1	2	...	n
1	a11	a12	...	a1n
2	a21	a22	...	a2n
...	...	...	...	...
n	an1	an2	...	ann

Матрица имеет порядок n, где n - число рассматриваемых факторов. Коэффициент aij показывает степень влияния фактора xi на фактор xj. При равном взаимном влиянии факторов, элементы матрицы можно брать как коэффициенты парной корреляции. В дальнейшем, по этой заданной матрице воздействия, на каждом временном шаге будет вычисляться новое состояние каждого фактора в зависимости от состояния других.


Затем проводится формирование вектора состояния системы. При нормировании каждому фактору присваивается значение, лежащее от 0 до 1, которое зависит от максимального и минимального значений:



В различных системах факторы взаимосвязаны между собой различным образом. Определяет эту связь не только матрица воздействия, но и функциональная зависимость одного фактора от других. В данной модели для простоты использованы два основных метода взаимосвязи, а именно линейная и экспоненциальная зависимость (расширение банка функций не принципиально). Основным предназначением данной системы является проведение учебных имитационных экспериментов для получения данных, качественно характеризующих состояние экосистемы в заданный момент времени. В ходе эксперимента на экран выводятся графики, показывающие состояние каждого из факторов в тот или иной момент времени. На каждом временном шаге система вычисляет новое состояние каждого фактора. В зависимости от выбранной гипотезы взаимодействия факторов, выбираем зависимость вида fi(x1,x2,...,xn), например,

fi(x1,x2,...,xn)=a1ix1+a2ix2+...+anixnдля линейной зависимости или

fi(x1,x2,...,xn)=exp(a1ix1+a2ix2+...+anixn)для экспоненциальной. Текущее состояние экосистемы можно представить точкой n-мерного пространства. В эксперименте экосистема пребывает во множестве таких точек, и совокупность их является траекторий развития системы. Управление экосистемой, траекторией ее развития, происходит при помощи изменения текущего состояния факторов, минимального и максимального их значений, редактирования матрицы влияния. Реализована возможность "записи и считывания экосистемы" в файл, что избавляет от необходимости каждый раз вводить параметры экосистемы. На экране отображается продолжительность эксперимента, факторы и приписываемая каждому фактору палитра цветов. После окончания эксперимента выводятся конечные значения факторов. Пользователь может сохранить их в отдельном файле для последующего использования. Реализовать соответствующую информационную систему прогнозирования.



5. Рассмотрим рынок жилья. Можно выделить два подхода к оценке жилья - использование математических и компьютерных оценок и использование экспертных оценок. В основе математической и компьютерной оценки лежит принцип статистической обработки большого массива объектов недвижимости и анализа зависимости цены объекта от его характеристик, таких как местоположение, износ, наличие улучшений и т.д. В процессе сбора данных поступает весьма разнородная информация. В случае неудовлетворительной адекватности производится корректировка модели путем изменения ее вида и введения новых переменных либо путем рекалибровки ее коэффициентов. Обычно набирается достаточное количество подобных объектов, и получаемый результат усредняется. Существует много статистических и моделирующих процедур для анализа рынка и построения модели, в частности, NCSS, AEP, Microcal Origin и др. Они достаточно сложны в использовании, хотя и предоставляют специалисту большие возможности. Имея хорошую базу данных, можно построить и настроить успешно работающую модель в течение 1-2 недель. Если же эксперту нужно разобраться в чужом рынке и начать выдавать приемлемые оценки, то среднее отклонение оценок рынка жилья по моделям относительно реальных цен не будет сильно отличаться от этой величины, причем эта оценка может выигрывать по среднему отклонению за счет фильтрации шумов во временных данных стоимости жилья. При условии достаточно полной, корректной и представительной базы данных, реальные и прогнозные средние примерно равны, и последние будут отражать наиболее вероятные цены сделок. С другой стороны, рыночная стоимость никогда не определена абсолютно точно, существует вариация стоимости каждого конкретного объекта и, соответственно, средняя вариация по базе. Моделирование рынка жилья, как правило, подстегивает инвестиции в недвижимость. В предлагаемой процедуре моделирования предпринята попытка анализа рынка жилья г. Нальчика и построения экономико-статистических оценок рынка. К сожалению, из-за отсутствия реальных данных по объему и ценам сделок, рынок пришлось моделировать на основе данных, полученных путем анализа объявлений в газетах "Синдика-Информ" и "Из рук в руки".


Такие данные достаточно приблизительны и дают возможность анализа лишь предложения на рынке жилья, но этот подход вкупе с математическим и компьютерным анализом данных может оказаться одним из эффективных приемов при оценке качественного и среднестатистического состояния рынка жилья. При наличии данных не представляет трудностей переход и к проблеме анализа цен и спроса на рынке жилья. Цена на жилье зависит от ряда объективных качественных параметров, к которым можно отнести: месторасположение и время постройки дома; количество комнат; смежность комнат; общая площадь; жилая площадь; площадь кухни; этаж; этажность дома; материал стен; наличие балконов и лоджий; наличие телефона; удаленность от центра города; расположение относительно станций ж/д и автомагистралей; расположение относительно центров локального влияния (места работы); дата оценки. Цены на жилье в г. Нальчике сравнимы с ценами многих курортных и промышленных центров России. Материальную основу жилищного рынка в КБР составляет приватизированное жилье г. Нальчика. По данным различных источников в КБР, доля приватизированных квартир составляет 55 %, что близко к данным по Ставропольскому краю (56%), Ростовской области (51%), Северной Осетии - Алании (54%). Так как использовалась методика сбора данных по газетным объявлениям, необходимо было до компьютерного анализа (построения моделей) осуществить предварительную статистическую обработку. Простая процедура предварительной статистической обработки такова:

Вычисляются средние величины x0 по 1, 2, 3, 4-комнатным квартирам.Вычисляются наибольшее xmax и наименьшее xmin в каждой из групп.Вычисляются наибольшие отклонения от среднего в каждой группе (или размах): dmax=| xmin (max) - x0|. Вычисляются относительные отклонения: w=dmax /x0 .Находим по таблице Стьюдента процентные точки для t(5%) и t(0,1%). Вычисляем соответствующие точки w(5%; n), w(0,1%; n).Если w(5%; n)>t(5%) (w(0,1%; n)>t(0,1%)), то отсеиваем грубое значение цены жилья и пересчитываем все заново (повторяем п.1-7).По результатам, полученным после работы этого алгоритма, было проведено математическое и компьютерное моделирование по нахождению регрессионных зависимостей наилучшей адекватности вида: x=x(t), y=y(t), где x - оценка ($) стоимости 1 м2 жилья общей площади; y - оценка стоимости 1 м2 жилья жилой площади; t - время: t=1 - январь, t=2 - февраль и т.д.


В результате проведенных достаточно громоздких и объемных расчетов (не приводимых по этой причине) выявлено, что наиболее адекватной формой модели является обратно-пропорциональная зависимость:

x(t)=1/(At+B), y(t)=1/(Ct+D),где регрессионные параметры A, B, C, D определяются на основе экспериментальных данных с использованием метода наименьших квадратов и линеаризующих замен:

X(t)=1/x(t), Y(t)=1/y(t).В результате такой замены обратно-пропорциональная зависимость линеаризуется, т.е. приводится к виду:

X(t)=At+B, Y(t)=Ct+D.Далее, в соответствии с методом наименьших квадратов, находим неизвестные A, B, C, D. После нахождения решений A, B, C, D можно осуществить обратную замену в обратно-пропорциональных зависимостях и найти регрессионные зависимости вида (с оценкой адекватности): x=x(t), y=y(t). Получены в результате моделирования адекватные модели регрессионного типа. Оценки адекватности этих моделей примерно равны 10-6 (остаточная дисперсия). Приведем ряд построенных моделей. Модель оценки средней стоимости 1 м2 общей площади по всем типам квартир по 1997-1998 годах: x(t)=1/(0,0044-0,00006 t). Модель средней стоимости 1 м2 жилой площади по всем типам квартир по 1997-1998 годах: x(t)=1/(0,0018-0,0009 t). Для сравнительного анализа и оценки адекватности модели были проделаны соответствующие расчеты по более точным данным риэлторских групп Москве. Были получены, соответствующие модели: x(t)=1/(0,000008 t+0,00098); y(t)=1/(0,000006 t+0,00061). Итак, наилучшей формой зависимостей при моделировании рынков жилья гг. Москвы и Нальчика (возможно, и других) является зависимость

x(t)=(a+bt)-1 , y(t)=(c+dt)-1 .Полученные модели можно использовать для прогнозных расчетов. Например, используя полученную для стоимости 1 м2 общей площади жилья г. Москвы формулу, можно рассчитать значение на февраль 1998 года (берем t=26):

x(26)=1/(0,000008?26+0,00098)=1/0,001188=941,75 ($).Это достаточно близко к данным риэлторских групп г. Москвы на февраль 1998 года - 957$. Отклонение составляет 1,5 %, модель приемлема.


Необходимо проделать вышеприведенную работу (информационное обследование рынка жилья в Вашем городе и сбор данных, выполнение приведенной или более "тонкой" процедуры предварительной обработки, регрессионный анализ) для рынка жилья Вашего города.

6. Пусть относительное число лиц, желающих поменять свой Е2Е-выбор номер 1 на выбор номер 2 пропорционально числу x1 тех, кто уже сделал выбор 1 и относительной привлекательности выбора 2, т.е. числу a2x1/(a1+a2). Аналогично, число лиц, желающих поменять свой выбор 2 на выбор 1, будет пропорционально числу a1x2/(a1+a2). Если k1 и k2 - указанные коэффициенты пропорциональности, то можно записать модель динамики выбора решений из двух возможных:

x'1(t)=k1x1(a1x2/(a1+a2)-a2x1/(a1+a2)), x1(0)=x10 ,x'2(t)=k2x2(a2x1/(a1+a2)-a1x2/(a1+a2)), x2(0)=x20 . На выбор решения влияют различные факторы. Осуществить системный анализ этих факторов для некоторой выбранной Вами Е2Е-системы, построить соответствующую модификацию приведенной выше модели с "расщеплением" параметров модели (например, для простоты рассуждений, аддитивно), выполнить жизненный цикл моделирования с целью: а) выработки тактики увеличения (уменьшения) k1 и k2; б) идентификации параметров k1 и k2.

7. Популяцию рассматривают в качестве структурной единицы вида и единицы эволюции. Каждая популяция характеризуется определенной численностью (частотой, процентом или долей) особей с тем или иным признаком, ее изменениями во времени. В природе происходит постоянное колебание численности популяций: число особей то сокращается, то увеличивается. Неравномерность распределения особей одного вида в ареале обитания связана с колебаниями урожаев кормов, климатических условий (влажность, температура, освещенность), возрастным и половым составом особей, интенсивностью их размножения и продолжительностью жизни. К факторам эволюции, помимо естественного отбора - процесса, в результате которого выживают и оставляют после себя потомство преимущественно особи с полезными в данных условиях признаками, - относится также изоляция, т.е.


возникновение различных преград к свободному скрещиванию особей. Перечисленные факторы повышают или понижают частоту различных генотипов в популяции и значительно усложняют зависимости в уравнении эволюции. Сокращение численности за некоторые пределы может привести к вымиранию генотипов популяции или к стационарности плотности особей. Пусть популяция состоит из трех генотипов с частотами x, y, z. Будем считать, что действует только естественный отбор, и вероятности доживания особей до репродуктивного возраста каждого генотипа определяются, соответственно, как a, b, c. Уравнения эволюции можно взять в виде

xi+1=xi+xi(a-axi-byi-czi), xo=d,yi+1=yi+yi(b-axi-byi-czi), y0=e,zi+1=zi+zi(c-axi-byi-czi), z0=m.Вероятности a, b, c, d, e, m можно задавать (как численно, так и с помощью функции распределения вероятностей) или генерировать датчиком случайных чисел. Осуществить системный анализ аналогичной Е2Е-системы, построить соответствующую модификацию приведенной выше модели, выполнить жизненный цикл моделирования с целью а) вычисления численности генотипов в каждый момент времени; б) определения, происходит ли вымирание особей каждого генотипа или же возникает ли момент, когда численность особей каждого генотипа становится стационарной; г) определения вероятности дожития особей до репродуктивного возраста; д) выяснения, как можно использовать эту систему (исследования) в пенсионном или страховом деле, например, для расчета страхового риска.

8. Рассмотрим базу знаний и экспертную Е2Е-системы с использованием аппарата нечетких множеств и нечеткой логики, которая позволит оценивать (в том числе - качественно) социо-экономико-экологическое состояние некоторой среды по задаваемым пользователем (экспертом) количественным оценкам тех или иных параметров среды (выбираемых из базы знаний системы). Для каждого входного фактора в диалоговом режиме задаются относительные (от 0 до 1) оценки влияния этого фактора (вес фактора). После анализа этих данных (этой экологической обстановки) система принимает, на основе базы знаний, решение о состоянии социо-экономико-экологической среды, используя количественную оценку (от 0 до 1) и десятибалльную (0-9) качественную систему оценок.


Для автоматического получения базы знаний используется алгоритм классификации заданного класса. Пусть имеется набор объектов, которые необходимо разделить на группы. Определяется функция f(x,y) принадлежности нечеткого отношения типа "сходство" на заданном множестве объектов (для каждой пары объектов x, y). По этой функции определяется обычное (не нечеткое) отношение на множестве объектов, по которому эти объекты разбиваются на классы эквивалентности (классы, в которые попадают только элементы, эквивалентные по данному отношению). Для создания базы знаний (какого типа?) и обучения можно использовать процедуру вида:

определение начальной выборки объектов; получение частотной таблицы на основе знаний экспертов (первый анализ выборки); фиксирование начальных правил вывода по этой таблице, например, правил типа "Если ... то ... ", "Если ... и если ... то ... ", "Если ... или если ... то ... " и др.; итерация (проход) по выборке, с попыткой предсказать исход для каждого объекта по текущим правилам; если предсказание - неудовлетворительное, то модификация правила; если процент ошибок неудовлетворителен или стабилизировался, то переход к пункту 4; иначе - вывод заключения системы об обстановке. Фрагмент базы знаний (до обучения) для фактора (параметра) "Состояние почвы" приведен в таблице. 16.1. Таблица 16.1. Фрагмент базы знанийПараметрЧастотная таблица

Контроль над эррозией	5 5 5 6 8 10 12 14 16 15 16
Сооружения для отдыха	30 30 30 30 30 30 30 30 30 30 30
Ирригация	5 5 5 6 8 10 12 14 15 16 15
Сжигание отходов	5 5 5 6 8 10 12 14 16 15 16
Строительство дорог	15 16 15 14 12 10 8 6 5 5 5
Строительство каналов	5 5 5 6 8 10 12 14 16 15 16
Плотины	15 16 15 14 12 10 8 6 5 5 5
Туннели	16 15 16 14 12 10 8 6 5 5 5
Буровые работы	20 20 19 17 14 10 6 3 1 0 0
Открытые разработки	20 20 19 17 14 10 6 3 1 0 0
Вырубка лесов	15 16 15 14 12 10 8 6 5 5 5
Охота и рыболовство	30 30 30 30 30 30 30 30 30 30 30
Растениеводство	16 15 16 14 12 10 8 6 5 5 5
Скотоводство	15 16 15 14 12 10 8 6 5 5 5
Химическое производство	30 30 30 30 30 30 30 30 30 30 30
Лесопосадки	5 5 5 6 8 10 12 14 16 15 16
Удобрения	0 0 1 3 6 10 14 17 19 20 20
Регулирование животных	5 5 5 6 8 10 12 14 15 16 15
Автомобильное движение	16 15 16 14 12 10 8 6 5 5 5
Трубопроводы	30 30 30 30 30 30 30 30 30 30 30
Хранение отходов	15 16 15 14 12 10 8 6 5 5 5
Борьба с сорняками	16 15 16 14 12 10 8 6 5 5 5
Течи и разливы	30 30 30 30 30 30 30 30 30 30 30

Ниже приведен сценарий и протокол диалога с такой системой.

Протокол диалога (23.02.1998 - Понедельник, 11: 23: 37)

Входные данные:

Контроль над эрозией: 0,6Сооружения для отдыха: 0,1Ирригация: 0,9Сжигание отходов: 1,0Строительство мостов и дорог: 0,6Искусственные каналы: 0,5Плотины: 0,3Туннели и подземные сооружения: 0,9Взрывные и буровые работы: 0,45667Открытая разработка: 0,567Вырубка лесов: 0,345Охота и рыболовство: 0,234Растениеводство: 0,678Скотоводство: 0,648Химическая промышленность: 0,2456Лесопосадки: 0,54846Удобрения: 0,6Регулирование диких животных: IGNORE (игнорируется фактор)Автомобильное движение: 0,6Трубопроводы: 0,0Хранилища отходов: 0,0Использование ядохимикатов: 0,2Течи и разливы: 0,0Принятие решения о социо-экономико-экологической обстановке:

Состояние почвы: 0,55177 (слабое положительное)Состояние поверхностных вод: 0,52969 (слабое положительное)Качественный состав вод: 0,62299 (некоторое положительное)Качественный состав воздуха: 0,61298 (некоторое положительное)Температура воздуха: 0,48449 (слабое отрицательное)Эрозия: 0,59051 (слабое положительное)Деревья и кустарники: 0,54160 (слабое положительное)Травы: 0,59051 (слабое положительное) Сельхозкультуры: 0,51698 (слабое положительное)Микрофлора: 0,48702 (слабое отрицательное)Животные суши: 0,59804 (слабое положительное)Рыбы и моллюски: 0,51525 (слабое положительное)Насекомые: 0,56000 (слабое положительное)Заболачивание территории: 0,50000 (слабое положительное)Курорты на суше: 0,52729 (слабое положительное)Парки и заповедники: 0,54668 (слабое положительное)Здоровье и безопасность: 0,62870 (некоторое положительное)Трудовая занятость людей: 0,51196 (слабое положительное)Плотность населения: 0,55539 (слабое положительное)Соленость воды: 0,48750 (слабое отрицательное)Солончаки: 0,57000 (слабое положительное)Заросли: 0,62935 (некоторое положительное) Оползни: 0,70588 (выраженное положительное)9. Разработать экспертную систему для консультирования и экспертных суждений при решении задач: выработки (оптимизации) политики предоставления налоговых отчетов с целью уменьшения налоговых платежей законными методами (например, прогноза налоговых последствий операций с активами); легализации доходов и уменьшения сокрытия доходов. Ядро экспертной системы взаимодействует с приложениями типа "Мастер" для решения конкретных проблем. Данные вводятся из Книги доходов и расходов. Ядро экспертной системы взаимодействует (рис. 16.1) с приложениями типа "Мастер" для решения конкретных проблем: 1) Мастер Р (регистраций) решает задачу формулировки пользователем исходного состояния, заполнения отчетных документов; 2) Мастер Т (расходов и доходов) представляет необходимую информацию о доходах и расходах; Мастер О (оптимизации) решает задачу оптимальной легализации доходов, т.е. приведения в соответствие доходов и расходов; Мастер Д (отчетных документов) решает задачу своевременного и полного представления необходимых документов в налоговые органы; Мастер К (консультаций) решает задачи эксперта-консультанта при представлении данных.


Рис. 16.1.  Структура экспертной системы

10. Моделирование процесса обучения иностранному языку относится к классу плохо формализуемых и плохо структурируемых систем. Причина в том, что язык с его законами и правилами, которые имеют массу исключений, усложняющих процесс универсализации языковых явлений, плохо поддается формализации, а, следовательно, математическому описанию. Тем не менее, в последние годы уделяется большое внимание компьютерному и математическому моделированию процесса обучения иностранному языку. Известно, что лексический фонд любого языка достаточно велик и овладеть им полностью человек не в состоянии. Как правило, активный словарный запас взрослого равен приблизительно 10% всего запаса языка. Овладение языком зависит от наличия или отсутствия языковой среды. Практика показывает, например, что человек, изучающий иностранный язык вне языковой среды в течение 6 лет, должен овладеть 3000 слов. Это количество специально отобранных слов позволяет понять 95% любого текста. Специалисты в области преподавания языка (в частности, неродного) утверждают, что человек в течение одного двухчасового занятия может усвоить приблизительно 15 слов. Поэтому предполагается, что вначале можно усваивать 20-25 слов, а далее это количество уменьшить. Это мнение не распространяется на все системы обучения языку. Например, на протяжении ряда лет проводился обучающий эксперимент в Рижском педагогическом институте, который показал, что в состоянии релаксации (психического и физического расслабления, вызываемого внушением) за 20 минут студенты усваивали объем информации в виде фраз до 200 слов. Результаты и других экспериментов подтвердили, что в состоянии релаксации усваивается большой объем лексики. Она прочно запоминается и легко извлекается из памяти в процессе разговора. Существенную помощь в обучении языку может оказать компьютерное и математическое моделирование этого процесса, в частности, процесса обогащения (запоминания) словарного запаса учащихся. Выдвинем гипотезу: если человек обладает максимальной способностью запоминать слова, то словарный запас можно определять как xmax=const. Оставшийся до уровня насыщения xmax запас слов в момент времени t равен величине xmax-x(t)=y(t), где x(t) - количество слов, которые обучаемый запоминает в момент времени t (0<tT). Если исходить из гипотезы, согласно которой скорость изменения словарного запаса (темп изучения) прямо пропорционален x(t), то получаем уравнение:

x'(t)=k(xmax-x(t)) , x(0)=x0 ,где k - коэффициент пропорциональности, отражающий динамические характеристики темпа изучения. Решая это уравнение, можно получить закон изменения словарного запаса обучаемого:

x(t)=xmax(1-exp(-kt))+x0exp(-kt).В гипотезе не учитывались некоторые характеристики обучаемого и факторы, тормозящие обучение. Построить и исследовать новую аналогичную модель при новой гипотезе: k зависит от x по простому закону k=ax, где a>0 - некоторый параметр. Построить банк функций k и обучить модель на них. Предположив, что k колеблется в течении всего времени занятий, например, по закону k=A(C+sint), где A - коэффициент, определяемый с помощью уровня памяти, C - число, зависящее от t, определяющее работоспособность, построить и исследовать соответствующую модель. Рассмотреть во всех случаях 3 режима моделирования: а) скорость запоминания слов известна; б) скорость запоминания слов неизвестна; в) максимальный запас слов неизвестен. Для определения уровня памяти использовать простейший тест: пользователю предлагаются буквы, которые надо запомнить, а затем воспроизвести; уровень памяти - число правильно воспроизведенных букв, деленное на число всех букв и затем умноженное на 0,06. Применить к проблеме оценки времени достижения некоторого задаваемого запаса слов, например, сдачи TOEFL. Усложнить (улучшить) и исследовать модель.

---

---