Интеллектуальное управление сложными системами

Интеллектуальное управление сложными системами

Введение

Железнодорожный транспорт России относится к классу сложных динамических систем. С каждым годом его сложность и динамичность возрастают за счет следующих факторов: увеличения транспортных потоков; появления новых, более совершенных технических средств; адаптации отрасли к изменяющимся условиям функционирования; вхождения в мировой транспортный процесс посредством участия в международных транспортных коридорах и выполнения международных норм на перевозки; жесткой конкуренции со стороны других видов транспорта внутри страны и за рубежом.

Отсюда возрастает значимость успешного функционирования железнодорожного транспорта. Для этого необходима четкая и безотказная работа всех его механизмов. Вместе с тем возрастает и влияние отказов технических средств, а также ошибок и случаев брака в работе оперативного персонала при осуществлении поездной и маневровой работы на эффективность функционирования железнодорожного транспорта, что характерно для сложной системы. Они создают затруднения в функционировании перевозочного процесса, разрушают технологическое равновесие и в итоге отрицательно влияют на его конечные результаты.

Так отказ технических средств, вызвавший неоправданную остановку или снижение скорости поезда, зачастую приводит к задержкам не только этого поезда, но и следующих за ним. При длительных задержках возникает сбой в движении обоих направлений на целом участке и даже на соседних. Следствием этого являются экономические потери, вызванные простоем поездов, не соблюдением сроков доставки грузов, а также потерями от снижения уровня доверия пассажиров и грузоотправителей.

Другим негативным последствием отказов устройств автоматики и телемеханики является снижение уровня безопасности движения поездов из-за отключения неисправных или находящихся в защитном состоянии устройств. В таких случаях проверка условий безопасности не осуществляется совсем или осуществляется частично и возлагается на человека, а люди как известно могут ошибаться.

Как показывает практика, большое количество ошибок и случаев брака вызвано высокой информационной загрузкой оперативного персонала. Наиболее крупную группу из них образуют ошибки подмены, ошибки памяти и ошибки в осуществлении управляющих воздействий. Ошибки подмены проявляются в выполнении неправильных действий взамен требуемых или невыполнении требуемых действий вообще. Ошибки памяти проявляются в забывании выполнения управляющих воздействий или проверок в нужный момент. Ошибки в осуществлении управляющих воздействий проявляются в несоблюдении требуемой последовательности воздействий или несоблюдении регламента.

Следующая группа ошибок обусловлена условиями работы оперативного персонала в режиме реального времени с большим объемом информации. К ним относятся ошибки недостатка внимания и ошибки, связанные с неспособностью выполнить требуемое действие по причине растерянности, оцепенения, невозможности успеть выполнить все необходимые действия.

Таким образом, в большинстве случаев отказов и сбоев на железнодорожном транспорте доля человеческого фактора остается очень высокой. Человек является ненадежным звеном системы, но его исключение из контура управления не представляется на сегодняшний день возможным.

Используемые в настоящее время информационные и управляющие системы позволяют устранить часть ошибок, но полностью не исключают их.

В таких условиях требуется смена технологии осуществления перевозок с изменением основных функций управления. При этом существенным образом меняются требования к процессам информатизации и автоматизации: необходим переход от автоматизации рутинных функций к автоматизации функций интеллектуальных - анализу ситуации, выбору оптимального решения, расчету с использованием динамической модели сложной системы. В этом случае работа по оперативному управлению будет связана в основном с оценкой динамики ситуации и выбором оптимальной последовательности операций управления.

1. Интеллектуальное управление сложными системами

.1 Эволюция систем управления

Теория интеллектуальных систем управления возникла на стыке двух фундаментальных научных направлений - теории автоматического управления и теории систем. Основным критерием успеха и полезности существования, которой считается обеспечение создания прикладных систем эффективного управления в наиболее сложных ситуациях, когда заведомо невозможно обеспечить полезное управление другими методами.

Теория и практика управления как область знаний со времени выхода книги американского математика Н.Винера (1984-1964) «Кибернетика и общество» в 1958 году развиваются настолько бурно, что понятия «управление» и «система управления» претерпевают неизбежные изменения. Рассмотрим наиболее яркие события истории теории управления.

В 1784 году англичанин Д.Уатт (1736-1819) построил паровую машину с центробежным регулятором скорости вращения. Однако до средины XIX-го века какая-либо теория регулирования вообще отсутствовала. С ростом мощности паровых машин участились аварии, вызванные плохим качеством регулирования. И вот английский физик Дж. Максвелл (1831-1879) и русский ученый И.А. Вышнеградский (1832-1895) почти одновременно и независимо друг от друга взялись за анализ этой системы, используя теорию малых колебаний. Так начался первый этап в развитии теории автоматического управления, этап расцвета классических методов анализа. Продолжался он до 40-х годов ХХ века, но в содержательном отношении не отличался большим разнообразием подходов.

Именно в этот период времени понятие «оптимального управления» стало применяться не только к техническим, но и социально-экономическим системам. В 30-е годы в Ленинградском университете Л.В. Канторовичем были выполнены исследования по линейному программированию, определены основные задачи, критерий оптимальности, геометрическая интерпретация, методы нахождения оптимального решения и др. Сам термин «линейное программирование» появился в 1951 году в работах американских ученых Дж. Данцига и Т. Купманса. Центральным результатом теории оптимального управления является принцип максимума, дающий необходимое условие оптимального управления и сформулированный в середине 50-х годов советским математиком Л.С. Понтрягиным.

В начале 70-х годов советские ученые Ю.И. Клыков и Д.А. Поспелов ввели понятие «ситуационного управления». Его появление обязано разработке и применению в практике управления логико-лингвистических моделей, когда ситуации описывались на языке качественных понятий и отношений, а средства математической логики использовались для организации символьных преобразований от исходной ситуации к целевой.

Чуть позже в 1976 году, впервые в работах Вербоса появился термин «нейроуправление». Это означало начало эры использования математической модели нейрона Мак Каллоха и Питса, а также идей обучения Вебса в теории управления. При этом практические системы управления разрабатывались не в рамках формальных математических моделей, а качественных моделей для представления и манипулирования знаниями человека-управленца в больших системах управления.

В 1975 году советский психолог В.Ф.Венда ввел понятие «гибридный интеллект», как контрпонятие «искусственному интеллекту» и чтобы подчеркнуть непреходящее эволюционное значение взаимодействия естественных интеллектов в природе, обществе и технике. Чуть позже в начале 80-х годов была выдвинута идея гибридного интеллектуального управления на основе многомодельных систем.

Четыре рассмотренных события - зарождение теории автоматического управления, появление термина «оптимального управления», а затем и «ситуационного управления», «нейроуправления», «гибридного интеллектуального управления» охватывают почти вековой период развития теории управления. Эти события не могли возникнуть сами по себе, в не связи с развитием систем управления, которые эволюционировали от искусственно созданных человеком простых технических систем до современных больших систем.

Одной из первых работ, обратившей внимание на эволюцию структур систем управления, была работа Д.А. Поспелова «Логико-лингвистические модели в системах управления», ограничившего свой анализ такими ступеням эволюции как введение обратной связи, адаптации и системы знаний об объекте.

На рис. 1.1 показаны наиболее простые структуры систем управления. В частности на рис.1.1 а) приведена схема системы без обратной связи, которая встречается очень редко в технике и значительно чаще в организационных системах. Такой объект управления, получив задание от субъекта, ни при каких обстоятельствах не считает необходимым информировать его о результатах выполнения поручения.

На рис. 1.1 б) показана схема популярной в управлении и обработке информации системы с обратной связью, в которой субъект работает не только по заранее заложенной программе, но и наблюдает за поведением объекта управления по обратной связи. В таких системах количество возможных состояний объекта управления и внешней среды, наблюдаемых субъектом, ограничено и заранее перечислимо. В случае субъекта-устройства говорят об автоматическом управлении. Если субъект - человеко-машинная система, то речь идет об автоматизированном управлении, где принятие решения остается за управленцем.

На рис. 1.2 показана структура системы управления с адаптацией. Внутри субъекта управления выделяется два самостоятельных элемента - блок управления (управляющий автомат) и блок адаптации. Блок адаптации, получая сигналы о состоянии объекта управления, распознает события, требующие коррекции программ, исполняемых блоком управления, что позволяет добиться улучшения качества работы системы управления.

интеллектуальный управление моделирование

На рис. 1.3 изображена еще одна схема системы управления, в которой эта информация выделена в отдельный блок - модель.

Рассмотренные системы управления используются в несложных технических и социально-экономических (организационных) системах. Однако одной из характерных тенденций развития общества является появление и существование больших сложных систем. У.Р. Эшби указывает, что система является большой с точки зрения наблюдателя, возможности которого она превосходит в каком-либо аспекте, важном для достижения его цели. При этом один и тот же материальный объект в зависимости от цели наблюдателя и средств, имеющихся в его распоряжении, может приводить или не приводить к большой системе; физические размеры объекта не являются существенными.

Большой системе характерны следующие свойства:

) Наличие людей в объекте управления.

) Стохастичность.

В функционировании реальной системы неизбежно участвуют случайные факторы, превращающие процессы изменения всех мгновенных характеристик в случайные процессы. Такие случайные процессы не позволяют применить точный математический анализ.

) Составной характер. Иерархичность.

Стремление к иерархичности - устойчивая тенденция развития систем к упрощению решения задач управления, расчленением по уровням иерархии, устанавливающая порядок ответственности, подчиненности, обмена информацией и др.

) Большая размерность.

Большую размерность системы можно понимать двояко. С одной стороны - это огромное количество элементов, ресурсов, подсистем, звеньев и связей. С другой стороны - размерность подчеркивает и особенность задач, решаемых в больших системах: необходимость исследования многомерных пространств альтернатив.

) Динамичность. Нестационарность.

Это свойство подчеркивает эволюцию больших систем управления. За время жизни они модифицируют как объект, так и субъект управления, перестраивают свои структуры, изменяют связи с внешней средой, корректируют принципы и методы управления. Поэтому они должны быть адаптивными, обучающимися, самоорганизующимися.

) Неоднородность подсистем и элементов.

Во-первых, это физическая разнородность. Элементы систем автоматики - разные по природе объекты, использующие различные изученные человеком явления. Во-вторых, это разнородность математических схем, описывающих функционирование тех или иных элементов. Одни элементы описываются алгебраическими уравнениями, другие - дифференциальными и т.д.

Особенности больших сложных систем и определяют дальнейшую эволюцию систем управления, делают необходимым внесение изменений в приведенные на рис. 1.4 модели.

Ее основная отличительная особенность от схемы на рис. 1.3 - признание неоднородности, выражающейся в отказе от создания и использования одной достаточно сложной модели и замене ее множеством более простых моделей . Данная схема системы управления функционально избыточна, т.е. модели рассматривают одну и ту же сущность с разных сторон, на разных уровнях абстрагирования. Модели  не связаны между собой, они автономны. Такая система управления подобна одной из популярных структур - «системе поддержки принятия решений», когда получив задание от ЛПР, эксперты, используя специализированную информацию, выдают частные, профессионально ограниченные решения задачи, которые должны быть затем обобщены (перемешаны, интегрированы) в единое решение одним лицом - ЛПР.      

На рис. 1.5 представлена модель системы управления, в которой автономные модели связаны между собой. Вновь введенным в структуру элементом здесь является межмодельный интерфейс, обозначенный широкой стрелкой. Физический смысл такого нового элемента - это взаимодействие и оказание помощи друг другу экспертами при решении поставленной ЛПР задачи. Такая помощь может быть разноплановой - это и обмен знаниями, предварительная обработка информации одним специалистом, чтобы дать возможность другому решить его задачу, это объяснения одним экспертом, какое решение получил другой и т.д. Главное, что характеризует такую систему управления - это «гибридный интеллект» в смысле Венды.

Рассмотренная на рис. 1.5 структура не позволяет варьировать интерфейсами на множестве моделей. Будучи один раз созданным такой гибрид жестко сохраняет свою структуру.

На рис. 1.6 представлена схема гибридной системы с несколько другой организацией. В нее включен новый элемент - гибридизатор. Он позволяет построить из узкопрофессиональных моделей структуру подобную решаемой задаче и предложить ЛПР эту структуру в качестве метода решения. Если структура оказалась по каким-то причинам неприемлемой, то гибридизатор по информации блока управления может подобрать новые модели или использовать другие связи между моделями.

Эволюция систем управления, естественно не ограничивается и не завершается моделями, изображенными на рис. 1.4 - 1.6 . Однако именно эти модели последнее время применяются во многих приложениях для решения сложных практических задач.

.2 Методы интеллектуального управления

Такие методы актуальны при невозможности установить и (или) скорректировать до необходимой степени точности модель системы. Имеющуюся неопределенность возмущений и характеристик компенсируют за счет внедрения в систему управления некоторого заимствуемого у человека «знания» или «интеллекта».

Обычно считается, что система управления является интеллектуальной, если она ориентирована на использование привносимой от человека (на уровне эвристик, прецедентов, аналогий, схем и других подобных приемов) информации для компенсации разного рода неопределенностей.

В частности, речь может идти о необходимости перехода от аппарата оптимизации управляющих воздействий в сторону выработки управляющих решений с использованием лингвистических описаний и логически выразимых закономерностей.

Такой переход для систем управления возможен по трем направлениям (рис. 1.8-1.10).

Первое направление (рис. 1.8) состоит в принципиальной замене для системы управления понятия «автоматическая» на понятие «автоматизированная», т.е. включающая в себя аналитические и статистические модели для оптимизации и лицо принимающее окончательные решения.

Второе направление (рис. 1.9) предполагает различные варианты эвристической коррекции фундаментальных аналитических, статистических или логических зависимостей. Одним из вариантов является то, что в ходе разработки модели эксперт или ЛПР предоставляют свои знания или примеры своей узкопрофессиональной деятельности (эвристики), которые используются совместно с фундаментальными моделями. Иногда от последних вообще отказываются, либо, что значительно чаще, включают их в эвристические модели.

Другой вариант может предполагать существование доказанных в науке эвристик, сокращающих перебор вариантов. Эти эвристики и без консультаций с ЛПР или экспертами могут применяться разработчиками в алгоритмах и программах.

Эвристики, так или иначе применяются, чтобы компенсировать погрешности аналитических или статистических моделей. Одна из первых попыток такой коррекции были предпринята в 70-ые годы группой ученых, возглавляемой Э. Фейгенбаумом из Станфордского университета. Их работы и привели к созданию одного из первых инструментов такой коррекции - экспертных систем, или систем, основанных на знаниях.

В настоящее время для организации эвристической коррекции в интеллектуальном управлении разработано множество методов в прикладных теориях: исследовании операций (методы многокритериальной оптимизации), теории принятия решений (деревья решений), системном анализе (метод деревьев целей, экспертных оценок, деловых игр, мозговых штурмов и др.) и особенно в искусственном интеллекте - ИИ (нечеткие и нейросистемы, генетические и эволюционные алгоритмы и др.).

Третье направление - интеллектуальное управление в автоматическом режиме (рис. 1.10), т.е. без участия человека, в котором принятие решения выполняется с использованием баз знаний.

База знаний может быть разработана либо составлена вручную экспертом, либо извлечена автоматически из потока данных, поступающих со входа и выхода объекта управления или из статистических данных, накопленных наблюдениями за поведением системы управления.

Из всех методов искусственного интеллекта, которые могут обеспечить организацию интеллектуального управления в автоматическом режиме в промышленности широкое распространение получила нечеткая логика, поскольку именно она позволяет непосредственно реализовать в системе регулирования опыт и знания специалистов и технологических операторов.

.3 Сложности интеллектуального управления

Идея коррекции фундаментальных математических моделей, полученных глубоким познанием объективных закономерностей явлений и процессов окружающего нас мира с использованием эвристических специализированных знаний, выявленных из субъективного восприятия человеком системы управления, основывается на уже доказанных психологами и кибернетиками фактах существования в памяти человека «модели внешнего мира» и зависимости восприятия им реальности от этой модели.

Поскольку интеллектуальные системы управления ориентированы на использование привносимой от человека информации, то возникновение и развитие теории интеллектуального управления, неразрывно связано с субъектно-ориентированным подходом в науке. Значимость такого подхода показала еще квантовая физика, появившаяся в 20-х годах ХХ-го века и заменившая атом как реальную сущность на абстракцию волнового процесса. На современном этапе развития теории управления наиболее четко субъектно-ориентированный подход сформулировали А.Н. Мелихов, Л.С. Берштейн, С.Я. Коровин: «Значительная часть информации необходимая для математического описания объекта существует в форме представлений и пожеланий специалистов - экспертов, имеющих опыт работы с данным объектом».

Картина восприятия объекта управления представляется как пересечение двух процессов. Первый процесс, присущий миру управления - познание объекта управления специалистом-управленцем. Этот процесс идет по схеме, когда восприятие человеком того, чем он управляет зависит от модели внешнего мира, представленной понятиями «теории» и «опыта». При этом термин «теория» обозначает фундаментальный научный базис, а термин «опыт» - узкопрофессиональные знания, накопленные на практике.

Второй процесс, присущий миру моделирования - познание системы управления специалистом по моделированию (модельером). В практике моделирования специалист-модельер, владеющий уже другим научным фундаментом и практическим опытом применения одного или более методов моделирования, направляет свою познавательную деятельность на восприятие личностной модели объекта управления эксперта.

Проблемы взаимодействия миров управления и моделирования исследовались психологами, специалистами по экспертным системам, лингвистами, а также в других прикладных науках. Эти проблемы хорошо известны - дуальность мышления человека, позволяющая ему совместно манипулировать профессиональным языком, как подмножеством естественного языка и интуитивными, чувственными не вербальными образами, «когнитивная защита» эксперта и «психологический барьер» общения управленца и модельера, возникающие при попытках извлечь знания и опыт из эксперта.

Еще одна проблема организации интеллектуального управления - терминологическая и гносеологическая. Ее суть состоит в том, что толкование модельерами термина «задача» тесно связано с целеполаганием и во многом единственно, осталось скорее присущим простым, адаптивным и модельным (рис. 1.1-1.3), чем многомодельным, гибридным системам управления (рис. 1.4-1.6). Успешно развивавшиеся в кибернетике методы анализа, редукции и решения сложных оптимизационных задач с количественной постановкой для первый систем, оказались неприменимыми к сложным практическим задачам с присущей им неоднородностью во вторых системах.

2. Эволюция задач интеллектуального управления

.1 Классификация задач

Практически все ученые, так или иначе определявшие понятие «задачи», систематизировали их в классификации, которые затем выполняли функцию инструмента сокращения многообразия в мире задач, выделения типовых классов задач, что оправдывало появление, существование и эволюцию методов решения задачи в мире моделирования. Тем самым ограничивался круг, перечень задач, которые могли быть решены с использованием того или иного метода.

На рис. 2.1 показана классификация задач подобная современному уровню понимания задач и зафиксированная в научных дисциплинах из табл. 2.1. Классификация построена следующим образом: центральное место в ней занимает понятие «задача», которое уточняется через свойства, записанные внутри пятиугольников. Эти же свойства - одновременно основания классификаций задач, размещенных в прямоугольниках.

Классификации 1, 6, 9, 10 традиционны для науки.

Следующая группа классификаций 2, 3, 4 и 7 отражает задачи интеллектуального управления.

Вопросы сложности моделирования и структурных свойств задачи отражены в классификациях 5 и 8.

2.2 Эволюция понятия «задачи»

Понимание термина «задача», введено специалистами по исследованию операций Р. Акоф и М. Сасиени в конце 60-х - начале 70-х годов, в период бурного становления методов оптимизации в кибернетике. Определения Р. Акоф и М. Сасиени дошли до наших дней практически без существенных изменений.

Принято считать, что задача существует тогда, когда:

) существует субъект, перед которым возникает задача;

) в распоряжении субъекта имеется минимум две альтернативы, т.е. есть выбор;

) существует цель, которую он стремится достичь;

) существуют оценки, по которым можно сравнить альтернативы и судить о достижении цели.

Однако для ЛПР существующая задача становится предметом решения только тогда, когда оно не знает, какая альтернатива наилучшая и именно это ему и требуется определить.

Особенно ценно определение Э.В.Попова (см. табл. 2.1), специалиста по экспертным системам. Потому, что именно экспертные системы один из первых классов систем, которые были ориентированы на решение не искусственно упрощенных задач исследуемых в исследовании операций, теории принятия решений, теории управления, а задач, возникающих на практике, решаемых в мире управления. При переходе от искусственных к практическим задачам, как объектам анализа и имитации решения в мире моделирования, по существу изменилось определение «задачи» и расширился спектр свойств, которые целесообразно учесть. Самое главное - это то, что в определение введены подзадачи, выделенные внутри исходной проблемы. Таким образом, сделан очевидный шаг к тому, что практика заставляет модельера отказаться от рассмотрения задачи как неделимой на составные части единой сущности.

Таблица 2.1 Обзор типичных определений термина «задача» за период 1962-2000 гг

1982-1989              Ефимов, 1982 Искусственный интеллект Борисов, Вилюмс, Сокур, 1986 Теория принятия решений Гладун, 1987 Искусственный интеллект Поспелов, 1986  Искусственный интеллект Науман, 1987 Теория принятия решений Ильин, 1989 Автоматизация программирования            Задача: заданы исходная и конечная ситуации. Необходимо построить из конкретных операций программу, которая, будучи примененной к исходной ситуации, позволила бы достичь конечной ситуации. Задача принятия решения - это семерка , где - постановка задачи, - множество допустимых альтернатив,  - множество критериев оценки степени достижения поставленных целей,  - множество шкал измерения по критериям,  - отображение множества допустимых альтернатив в множество критериальных оценок, - система предпочтений решающего элемента, - решающее правило, отражающее систему предпочтений.

Текущая ситуация и цель в совокупности образуют задачу, которая управляет деятельностью.

Для постановки задачи управления объектом ЛПР должно знать описание объекта (его структуру и функционирование), цель существования объекта и критерий управления.

Задача принятия решения определяется ситуацией: Кто должен или обязан (или хочет) решать? Где, т.е. на (в) каком месте, в каком окружении (среде), при каких обстоятельствах и граничных условиях предстоит принимать решение? Когда (до какого срока, иногда - как часто) требуется принимать решения? Как (каким образом или в какой форме, иногда - чем) должно быть выражено решение? Что обуславливает решение? В чем его замысел, цель? Для чего оно служит? Зачем его нужно принимать?

1991- 1999             Лорьер, 1991 Искусственный интеллект Попов и др., 1986 Искусственный интеллект Волкова, Денисов, 1999 Системный анализ Нечаев, 1990 Теория систем Башлыков, Еремеев, 1994 Искусственный интеллект             Смысл слова «задача» как синонима слову «проблема» происходит от значения греческого слова «баллейн» - бросать. Задача - это объект, брошенный вперед. Для идентификации неформализованной (плохо -структурированной) задачи необходимо указать: общую характеристику задачи; подзадачи, выделенные внутри данной задачи; ключевые понятия, характеристики и отношения; входные и выходные данные; предположительный вид решения; знания релевантных задач; примеры (тесты) решения задачи. Задача - это цель, возможные средства ее достижения, критерии (несколько критериев), отражающих требования к достижению цели. Для решения задачи нужно определить выражения, связывающие цель со средствами. Концептуальная модель задачи может быть представлена тройкой ,где  - конечная цель (результат) решения задачи;  - исходные данные, удовлетворяющие требованиям необходимости и достаточности (полноты) для получения результата;  - условия (известные или предполагаемые), конкретизирующие отношения между  и  и отражающие, как преобразуется в ; , где  - метод решения (указания и описания);  - алгоритм и  - программа решения задачи.

При этом следует иметь в виду, что речь идет не о методе решения задачи дроблением на составные части, о котором говорил еще Декарт, а о гипотезе о том, что задача возникающая в практике интеллектуального управления или проектирования, по определению должна рассматриваться во взаимосвязи частей, т.е. как система и к ней должны быть применены существующие или выработаны новые принципы системного анализа.

.3 Развитие методов решения задач интеллектуального управления

Термин «расчленение», введенный еще Декартом, чтобы обозначить деятельность математика, снижающего сложность недоступной его пониманию задачи, с развитием методов оптимизации в кибернетике и системном анализе уступил место понятиям «редукции» и «декомпозиции».

Идеи Декарта применительно задач линейного программирования большой размерности были использованы в опубликованном в 1960-м году методе Данцига-Вулфа. Этот метод оказался особенно эффективным для решения линейных задач, матрицы условий которых имеют блочно-диагональную структуру с небольшим числом общих связывающих ограничений. Алгоритм метода Данцига-Вулфа включает итерационный обмен между множеством независимых подзадач, целевые функции которых включают варьируемые параметры из координирующей задачи. В подзадачи вводятся параметры, полученные при решении координирующей задачи, а в координирующую задачу вводятся решения подзадач, которые оптимальным образом комбинируются и служат для получения новых оценок. Последние вновь вводятся в подзадачи, и итеративный процесс продолжается вплоть до этапа, на котором удовлетворяется критерий оптимальности.

В 1963 году Розен распространил свою процедуру расчленения для линейных задач на нелинейные задачи узкого класса, в которых переменные разделяются на два подмножества - связывающих и линейных переменных. Замечательной особенностью задач этого класса является то, что при фиксированных связывающих переменных исходная задача разделяется на некоторое количество линейных подзадач, количество которых совпадает с числом линейных переменных.

Еще один подход к редукции сложных формализованных задач, применяемый к более широкому классу систем, чем в линейном программировании, предложили в начале 70-х годов ХХ-го века М. Месарович, Д. Мако и И. Такахара, использовавших для этого понятие «иерархия слоев принятия решений». Суть подхода состоит в том, что сложная проблема разбивается на семейство последовательно расположенных более простых подпроблем, так, что решение всех подпроблем позволяет решить исходную проблему.

Для решения сложной проблемы определяют семейство проблем , которые пытаются решить последовательным путем  в том смысле, что решение любой задачи из этой последовательности определяет и фиксирует какие-то параметры  в следующей проблеме. Последняя задача становится полностью определенной и можно приступить к ее решению. Решение исходной задачи будет достигнуто, как только решены все подзадачи.

На редукцию трудноформализуемых задач обратил внимание еще М.Минский в 1967 году, который подчеркнул, что «… в ходе решения одной задачи может показаться необходимым решение множества взаимосвязанных задач». Однако, первые фундаментальные результаты в этой области, которые в последующем и определили становление и развитие систем, основанных на знаниях, получены в 1973 г. Н. Нильсоном.

В подходе Н. Нильсона, основанном на сведении трудноформализуемой задачи к подзадачам, используются операторы, которые преобразуют описания задач в описания подзадач. Если описывать задачу на языке описания состояний, то любая задача поиска в пространстве состояний может быть представлена как совокупность трех объектов

где - множество начальных состояний, - множество операторов, отображающих описания состояний в описания состояний, -множество целевых состояний. Оператор сведения задачи к подзадачам преобразует описание задачи во множество результирующих или дочерних описаний задач. Это преобразование таково, что решение всех дочерних задач обеспечивает решение исходной родительской задачи. Конечная цель подобного сведения задачи к подзадачам состоит в получении таких элементарных подзадач, решения которых очевидны.

Для заданного описания задачи может существовать много возможных операторов сведения. Применение каждого такого оператора порождает альтернативные множества подзадач. Некоторые из этих задач могут оказаться неразрешимыми, так что в ходе решения задачи необходимо перепробовать несколько операторов, чтобы построить такое множество, все элементы задачи которого разрешимы, т.е. возникает задача перебора. Этими подзадачами могут быть как задачи, решающиеся за один шаг перебора в пространстве состояний, так и другие более сложные задачи, имеющие известные решения.

В конце 80-х годов известные специалисты в системном анализе Ф.И. Перегудов и Ф.П. Тарасенко предложили метод редукции сложных, слабоструктурированных, плохоформализованных задач, с использованием экспертом содержательной модели предметной области в качестве основания редукции.

При этом авторы исходят из того, что эксперт обычно легко разделяет целое на части, но затрудняется доказать полноту и безизбыточность получаемого набора частей. Эти затруднения преодолеваются использованием в качестве основания редукции модели рассматриваемой системы. При таком подходе редукция представляется как сопоставление объекта анализа с некоторой моделью и выделение в нем того, что соответствует элементам взятой модели.

В результате применения предложенного метода редукции к сложному объекту получается декомпозиция в виде древовидной структуры, которая должна удовлетворять двум противоречащим принципам: полноты, т.е. задача должна быть рассмотрена максимально всесторонне и подробно, и простоты, т.е. дерево должно быть максимально компактным «вширь» и «вглубь». Компромиссы между ними вытекают из качественного требования: свести сложный объект анализа к конечной совокупности простых подобъектов либо (если это не удается) выяснить причину неустранимой сложности.

Независимость алгоритма от предметной области, вариабельность, ориентация на более широкий класс практических задач, делают его мощным инструментом для анализа и неоднородных задач.

Сложность анализа неоднородных задач двояка. С одной стороны, по определению, они имеют не единственную, а множество декомпозиций, структурирующих задачи системы по множеству отношений. С другой стороны, редукция во множество однородных задач и построение декомпозиций - только один из этапов системного анализа неоднородных задач, за редукцией должны следовать спецификация однородных задач, анализ на неоднородность и выбор методов, соответствующих задачам.

Процедура спецификации - неформальная и выполняется модельером, который, прежде всего, должен повысить степень собственной уверенности в понимании задачи. После того, как модельеру станет понятен смысл задачи он сможет сформулировать цель , исходные данные и условия . Также необходимо задать идентификатор, по которому ее можно будет отличить от других задач в мире задач.

Следующая после редукции и спецификации задач - процедура подбора инструментальных средств (методов, моделей, традиционных технологий информатики) для решения однородных задач. В настоящее время такая процедура не может быть записана алгоритмом и поэтому ее реализация относится скорее к знаниям и искусству модельера-разработчика, чем предмету теории.

Проверка неоднородности выполняется, чтобы повысить у модельера степень уверенности в том, что исходная задача может быть отнесена к классу неоднородных. Это оправдывает необходимость дальнейших работ по гибридизации и синтезу метода решения такой задачи.

3. Эволюция методов моделирования интеллектуальных систем

.1 Классификация методов моделирования

Работы российских и зарубежных ученых привели к огромному многообразию методов, применяемых для моделирования решения задач в больших системах. Однако, по мнению многих специалистов, в частности О.И. Ларичева наиболее заметное влияние на развитие методов моделирования деятельности человека в системах управления оказывают исследование операций, системный анализ, искусственный интеллект и принятие решений. В исследовании операций основное внимание уделяется количественному описанию рассматриваемой проблемы, а также количественным методам нахождения оптимального решения. Системный анализ ориентирован на решение слабоструктурированных проблем, возникающих в крупных организационных системах. Отсюда видно существенное отличие методов системного анализа от исследования операций - формализованные, хорошо структурированные задачи в исследовании операций и слабо структурированные в системном анализе. Принятие решений гораздо шире, чем системный анализ по классу рассматриваемых задач. Оно охватывает как слабо структурированные, так и неструктурированные проблемы принятия решений при многих критериях, принятие коллективных решений, системы поддержки принятия решений и имеет общие проблемы с искусственным интеллектом, в котором ставится задача построения искусственных систем, приближающихся к человеку по своим возможностям.

Каждая из этих прикладных научных областей в своем развитии выработала свои методы, безусловно опираясь при этом на теоретический фундамент классической, дискретной математики, математической логики, теории вероятностей, теории игр и др.

На рис. 3.1 показана классификация, соответствующая современному уровню понимания моделирования как инструмента познания человеческой деятельности в системах управления.

Рассмотренная классификация методов ориентирована на исследование множества методов потенциально ориентированных на организацию интеллектуального управления и отражает определенную картину мира методов моделирования за сорокалетний период времени. В ней учтены результаты создания методов как в различных научных школах, так и за рамками коллективов. Эти результаты зачастую пересекаются, что естественно для параллельно развивающихся научных школ.

Этому развитию присущи и жаркие споры за абсолютную истину, а также проникновение методов и моделей одной школы в другие научные коллективы, совместная разработка новых методов за узкими рамками исповедуемых идей и другие тенденции, которые оказывают заметное влияние на эволюцию мира методов моделирования.

3.2 Развитие методов моделирования

Многообразие мира методов моделирования и как следствие многообразие моделей, наработанных в научных школах для многих предметных областей, следует отнести к одному из самых заметных результатов ХХ века.

Рожденный в умах ученых метод, и носящий безусловно какие-то личностные черты своего создателя, как знание, будучи формализованным на некотором языке начинает свою «жизнь» в мире методов моделирования. В жизни, применительно к миру задач, проявляется его ограниченность, т.е. достоинства и недостатки метода, сильные и слабые стороны. Будучи изученным другими специалистами, имеющими свое субъективное видение внешнего мира, свои профессиональные знания, метод может быть ими несущественно модифицирован или видоизменен качественно настолько, что превратится уже в другой новый метод. Такая деятельность в мире методов моделирования приводит к явлениям, когда чистый метод (первооснова) очень скоро просто перестает существовать в буквальном смысле, впитывая в себя многочисленные дополнения и изменения.

Дополнения и изменения, как правило, заимствуются из других методов, в которых недостатки, характерные для метода-оригинала отсутствуют. В итоге, в мире методов моделирования происходят изменения методов-сущностей, вызванные внесением изменений в свойства методов. Эти изменения можно назвать мутацией метода. Кроме мутации миру моделирования присущи и такие явления как отбор методов-родителей для разработки нового метода-потомка, а также оценка метода-потомка с точки зрения поставленных создателями целей.

Многообразие в мире методов моделирования для решения задач всегда волновало ученых. Идея перемешивания (комбинирования) методов для организации интеллектуального управления оказалась плодотворной, что и определяет в определенной степени эволюционные процессы: селекцию методов-родителей, комбинирование на «генетическом» уровне и подбор для гибрида-потомка свойств адекватных неоднородностям.

Типичные картины 70-х и 80-х годов мира методов моделирования показаны на рис. 3.2. Для них характерны узкие области общих задач. Полная асимметрия, центробежность и не системность видны в автономных методах, используемых каждой дисциплиной, которым скорее был присущ дух аналитических, чем синтетических подходов. Такие аналитические, разрозненные подходы, основанные на выделение некоторого частного свойства или аспекта понятия «интеллект» и развития соответствующих формальных моделей, привели к возникновению различных, расходящихся направлений. Осуществлялось противопоставление и неуклонное расхождение научных школ, методы которых использовались для организации интеллектуального управления или проектирования.

Возникшая и долгие годы господствовавшая в науке управления несистемная и индивидуалистическая парадигма моделирования решения задач имеет принципиальные ограничения. В соответствии с этой парадигмой существует универсальный, глобальный, централизованный подход, согласно которому для решения задачи возможно собрать в единой базе и эффективно использовать знания различной природы, поступающих от всех возможных источников.

Область интеграции методов за рамками автономных ниш, безусловно существовала и в 70-ые, 80-ые годы. Она обозначена на рис. 3.2 а) серой окружностью. На рис. 3.2 б), по мнению Г.С. Поспелова, роль такой междисциплинарной области выполняет «Теория больших систем и АСУ». И в том и другом случае, область интеграции была развита плохо не только вследствие господства рассмотренной выше несистемной парадигмы, но из-за неразвитости методов и инструментальных средств информатики.

Ситуация в информатике 70-80-ых годов характеризовалась неразвитыми стандартами межпрограммного обмена, операционными системами ЭВМ, не поддерживающими технологии создания и использования межпрограммных интерфейсов и отсутствием рынка специального программного обеспечения, который мог бы удовлетворить потребности специалистов по разработке и применению междисциплинарных методов.

В 1986 вышла монография М. Минского «The society of mind», в которой он обосновал социальные взгляды на природу интеллекта. Эта работа позволила сформулировать парадигму, которая определила две наиболее важные тенденции развития интеллектуального управления в 90-ые годы - интеграцию и децентрализацию.

Интеграция пошла еще в 80-ые годы, когда чистые экспертные системы начали комбинироваться с базами данных, аналитическими методами, текстовыми редакторами, что привело к появлению экспертных систем второго поколения, так называемых, гибридных или интегрированных ЭС.

За последнее десятилетие оформились в самостоятельное направление исследования по «многоагентным системам», привлекающих ученых возможностью интегрировать передовые достижения различных дисциплин общей теории систем. Уже сейчас агентно-ориентированный подход находит широкое применение в таких областях как распределенное решение сложных задач, реинжиниринг бизнеса и построение виртуальных предприятий, организация коллективов роботов и в др. приложениях.

Желание разработчиков решать не теоретические, а практические, неоднородные задачи оказывает все более сильное влияние на эволюцию мира методов моделирования интеллектуальных систем. Это заставляет ученых искать модели за рамками отдельных школ, приводит к большей симметрии, центростремительным тенденциям, системности и расширению области интеграции методов моделирования.

.3 Модели взаимодействия миров задач и методов моделирования

Построим две модели взаимодействия миров задач и методов моделирования. Они формируют модель внешнего мира.

Пространственная картина миров однородных задач  и автономных методов , характерная для 70 - 80-х годов показана на рис. 3.3 а). В плоскости  окружностями показаны однородные задачи

В плоскости  окружностями изображены объекты

- методы решения

где ,,,  и , которые включают в себя множество методов работы со знаниями , множество автономных моделей , множество алгоритмов A и множество программ P, интерпретирующих модели  на ЭВМ. Петлями на рис. 3.3 а) обозначены отношения получения новых знаний в рамках ограничений данного вида знаний. Два мира и  связаны отношениями соответствия задачи  и метода ее решения  (может быть и более одного).

Иная современная картина дана на рис. 3.3 б). В ответ на редукцию  в  в  возникает соответствующий «системный отклик», образующий структуры знаний ( методов, моделей, программ) за рамками . Интеграция в этом случае означает возникновение отношений  (жирная линия) между , т.е. разнородными знаниями, и формирование структур -, интерпретирующих такие отношения. Таким образом, в  нет заранее известной структуры знаний, адекватной . Такая структура является искомой и должна быть построена.

Выделение и классификация отношений  играет большое значение в работе с интегрированными и распределенными знаниями, гибридным интеллектом создании интегрированных, междисциплинарных методов. Такая важность объясняется тем, что становится возможной прежде всего систематизация накопленного в этой области опыта за счет выделения и исследования типовых схем за пределами узких и «тесных» рамок автономных методов. Появляется возможность системных исследований свойств и возможностей таких схем, сравнительного анализа их достоинств и недостатков. Наконец, открывается путь для разработки технологий, создающих, управляющих и поддерживающих такие схемы при организации интеллектуального управления и проектирования.

На рис. 3.4 изображен один из возможных вариантов классификации отношений .

Заключение

Развитие теории управления позволило достичь следующих результатов. Научным сообществом была принята необходимость смещения акцентов с традиционного для науки и практики взгляда на сложную задачу, как на неделимый объект, на рассмотрение ее как неоднородной сущности, требующей, прежде всего, тщательного анализа и углубленного понимания.

Практические задачи в силу ряда факторов имеют неоднородности, которые при системном анализе должны быть учтены и к ним подобраны свои инструменты - методы моделирования. Таким образом, возникает проблема системного анализа практической задачи и выбора соответствующих ее неоднородностям методов моделирования.

Другим результатом явилась выработка моделей, полезных разработчику автоматизированных систем обработки информации и управления. В которых все объекты представлены гетерогенными системами, что открывает возможность рассматривать их не как статические сущности, а как эволюционирующие и развивающиеся.

За анализом задачи должен последовать синтез на полученном модельном, а точнее многомодельном поле некоторой интегрированной модели, которая и стала бы инструментом решения сложной практической проблемы. Необходимость создания интегрированных моделей за рамками автономных методов и привела к появлению на рубеже 70-х и 80-х годов парадигмы отказа от абсолютизации какого-то одного вида знаний при разработке интеллектуального управления и перехода к взаимокоррекции, взаимокомпенсации недостатков и сотрудничеству в ансамблях моделей. На множестве автономных моделей может быть построена структура, использующая и управляющая преимуществами различных представлений одновременно в целях преодолеть несовершенства других, разработка которой ассоциируется с конструированием метода объяснения или решения сложной задачи.

Список литературы

1. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. - М.: Финансы и статистика, 2004. - 176 с.

2. Колесников А.В. Гибридные интеллектуальные системы. Теория и технология разработки / Под ред. А.М. Яшина. - СПб.: СПбГТУ, 2001. - 711

3. Колесников А.В. Методология и технология разработки функциональных гибридных интеллектуальных систем // Интегрированные модели и мягкие вычисления в искусственном интеллекте. 2-й Международный научно-практический семинар: сб. научн. тр.- М.: Физматлит, 2003. - С.161- 167.

4. Лидовский В.В. Теория информации. Учебное пособие. - М.:МГАПИ, 2003. - 112 с.

5. Ивницкий В.А., Поплавский А.А. Проблема перехода к информационно управляющему режиму в системе оперативной организации перевозочного процесса. Вестник ВНИИЖТ, 2007, №1

6. Кучумов Р.В., Бутузов М.А. Интеллектуальная система управления движением поездов для крупных станций. Вестник ВНИИЖТ, 2008, №3