Конспект лекцій по дисципліні Інформаційні моделі "великих" систем
Вид материала | Конспект |
- Конспект лекцій методичні вказівки для студентів спеціальності 090603 «Електротехнічні, 604.49kb.
- Конспект лекцій Суми Видавництво Сумду 2010, 2423.29kb.
- Конспект лекцій з дисциплін: «Інформаційні системи І технології в туризмі» (для студентів, 21.75kb.
- План проведення лекцій та лабораторних занять 4 курсу “інформаційні системи й технології, 105.09kb.
- Конспект лекцій по дисципліні: "Фінансовий менеджмент" для студентів спеціальностей:, 286.79kb.
- Конспект лекцій з дисципліни "Інформаційні системи та технології у фінансових установах", 1112.81kb.
- Конспект лекцій з курсу "математичні моделі соціально-економічних процесів" (для студентів, 8.32kb.
- 1. Назва модуля, 17.87kb.
- Конспект лекцій 2004 Загальна теорія систем. Конспект лекцій Для студентів денної, 1136.85kb.
- Стислий конспект лекцій з дисципліни "Телекомунікаційні та інформаційні мережі" (тім), 3896.99kb.
Проблема повышения эффективности изобретательской деятельности возникла тогда, когда появились первые изобретения. Долгий путь поиска её решения начался с полного перебора всех возможных вариантов решения.
Среди 1093 патентов, выданных Томасу Альва Эдисону, был патент №223898 от 27.01.1880 г на лампу с угольной нитью накаливания. Для решения этой задачи Эдисон перепробовал 6000 веществ, содержащих углерод, от обыкновенных швейных ниток, покрытых углем, до продуктов питания и смолы. Лучшим оказался бамбук, из которого был сделан футляр японского пальмового веера. На эту титаническую работу ушло около двух лет. [1] Затем были предложены методы мозгового штурма, морфологического анализа, синектики и др. Длительная практическая проверка этих методов показала, что все они хороши для решения простых задач и неэффективны для задач сложных.
Наиболее существенным достижением в решении проблемы повышения эффективности изобретательской деятельности является теория решения изобретательских задач (ТРИЗ), разработанная Г.С.Альтшуллером. На основании анализа больших массивов патентной информации Г.С.Альтшуллер показал, что для устранения примерно полутора тысяч наиболее часто встречающихся технических противоречий имеется 40 наиболее сильных приёмов, дающих эффективные решения. Затем он разработал специальную таблицу, где по вертикали расположил характеристики технических систем, которые необходимо улучшить, а по горизонтали - характеристики, которые при этом недопустимо ухудшаются. На пересечении граф таблицы он указал номера приёмов, которые с наибольшей вероятностью могут устранить возникшее техническое противоречие.
В настоящее время ведутся активные работы по дальнейшему совершенствованию ТРИЗ, связанные в основном с разработкой компьютерных программ, помогающих изобретателю анализировать исходную ситуацию и находить в диалоговом режиме необходимые физические явления, типовые и стандартные решения изобретательских задач.
Ещё в 1979 г. Г.С.Альтшуллер писал: "ТРИЗ пока не осиливает некоторые классы задач (получение новых веществ, выявление оптимальных режимов работы и т.п.). Со временем и эти задачи окажутся под силу ТРИЗ, здесь нет принципиальных затруднений" [2]. Однако этому пророчеству не суждено было осуществиться. И дело вовсе не в том, сам Г.С.Альтшуллер и его многочисленные последователи уделяли недостаточное внимание поискам формализованных подходов к решению этих задач. Дело в принципиальном различии между техническими задачами, суть которых сводится к поиску технических противоречий и выбору одного из множества известных способов их преодоления, и технологическими задачами, для решения которых нужно обладать определёнными знаниями. Именно такими (технологическими) и являются задачи получения новых веществ и выявление оптимальных режимов работы при разработке новых и совершенствовании действующих технологических процессов.
Кроме того, существует класс задач, которые можно назвать научными. Результаты, получаемые при корректном решении таких задач, обладают существенной научной новизной, высокой практической полезностью и могут быть запатентованы. Такими задачами, например, являются разработки методов:
- дифференциальной диагностики близких по проявлениям заболеваний;
- заблаговременного прогноза осложнений и последствий болезни;
- выбора оптимальной стратегии лечения конкретной болезни с учётом индивидуальных особенностей больного;
- идентификации микроорганизмов (разработка специфических тест -комплексов для каждого из микроорганизмов одного семейства);
- математического синтеза химических формул новых соединений (биологически активных веществ, синтетических красителей и др.), потенциально обладающих заданными свойствами;
- психологического тестирования (разработка специфических тест - комплексов для каждой градации тестируемых показателей) и др.
Для решения технологических и научных задач на уровне изобретения требуется большой объём специфических знаний. Например:
- При оптимизации в действующих и вновь разрабатываемых металлургических, химических, нефтеперерабатывающих, биотехнологических и др. производствах, необходимо знание зависимости выходного показателя (комплекса выходных показателей) от входных параметров технологического режима.
- При получении новых композиционных материалов (металлов, сплавов, резин, пластмасс, катализаторов, выпускных форм красителей и пигментов, смесевых лекарственных форм и др.) необходимо знание зависимости выходного показателя (комплекса выходных показателей) от соотношения исходных компонентов и условий переработки смеси в материал.
- При диагностике близких по проявлению заболеваний необходимо знание сочетаний симптомов (симптом-комплексов, дифференциальных синдромов), характерных для каждой из дифференцируемых болезней.
- При выборе оптимальной стратегии лечения конкретной болезни, необходимо знание зависимости результатов лечения от параметров, характеризующих, болезнь, лечение и индивидуальные особенности больного.
- При направленном синтезе химических соединений определённого класса, обладающих заданным комплексом потребительских свойств, необходимо знание зависимости этих свойств от взаимного расположения элементов структуры в молекуле.
В подавляющем большинстве случаев технологические и научные задачи по своим информационным характеристикам относятся к классу «больших систем». Поведение этих систем определяется большим количеством входных параметров (>10) и выходных показателей (>1), а также существенной зависимостью выходных показателей от взаимодействия входных параметров.
Принципиальной трудностью при решении изобретательских задач такого типа является громадный дефицит априорной информации (знаний специалиста в соответствующей предметной области) о системных закономерностях, связывающих входные параметры и выходные показатели изучаемой «большой системы». Этот дефицит объясняется, прежде всего, психофизиологическими ограничениями возможностей человека при распознавании абстрактных образов (ни один специалист не может оценить зависимость выходного показателя от совместного влияния более чем 2-ух входных параметров).
"Главным ограничителем познавательных и творческих способностей человеческого ума остается неспособность моделировать явления (и решать задачи) многофакторные по самой природе". [3]
По ныне действующей парадигме - "знание - это набор моделей окружающего нас мира". [4]
Поэтому остается единственный путь познания «больших систем» - построение их математических моделей. Однако и на этом пути исследователя ожидают практически непреодолимые методические и вычислительные трудности. Дело в том, что: "Процесс построения математических моделей не является формализованным. Он всегда содержит предположения, расчеты на их основании и сравнение с накопленной информацией" [5].
Предположения в «больших системах», как правило, неконструктивны. Они в основном (из-за отсутствия фактических знаний) сводится к недопустимому упрощению реальной задачи. Например, таким: «изучаемые зависимости линейны, аддитивны, между входными и выходными переменными соблюдается гипотеза компактности, система стационарна, распределение переменных подчиняется нормальному закону и т.п.». Поэтому "построение математических моделей явления пока еще искусство" [6].
С помощью искусства "модельеры" пытаются преодолеть многие нерешённые до сих пор методические проблемы идентификации «больших систем». Однако ни искусство, ни интуиция "модельеров" принципиально не позволяют компенсировать отсутствие знаний о закономерностях, определяющих поведение изучаемой «большой системы», или отсутствие соответствующих формальных методов построения её математических моделей.
Из-за существенного дефицита априорной информации о структуре модели и отсутствия корректных формальных методов идентификации "больших систем" возможности известных методов моделирования в реальных технологических задачах очень чётко определяются известным афоризмом: "Если в задаче меньше трех переменных - это не задача, если больше восьми - она неразрешима" [7]. Анализ возможностей известных методов изучения "больших систем" приводит к неожиданному выводу: "Все созданные человеком "большие системы" не оптимальны и могут быть существенно улучшены". Из этого вывода вытекает парадоксальное следствие: "Все патенты, выданные на решение технологических и научных задач, в принципе могут быть заменены более сильными".
Однако получить необходимую для создания более сильного изобретения информацию об изучаемой "большой системе" можно будет только тогда, когда будет решена главная задача искусственного интеллекта - с помощью формальных процедур (т.е. без участия экспертов) по имеющимся экспериментальным данным генерировать новые, не известные ранее специалистам системные знания о закономерностях, связывающих её входные и выходные переменные.
Для решения этой задачи в рамках Интеллектуальной технологии изучения и совершенствования сложных систем (ИМИБС) разработан принципиально новый метод математического моделирования (метод мозаичного портрета) позволяющий на основании исходных экспериментальных данных построить адекватную изучаемой системе математическую модель и с её помощью реализовать алгоритм изобретения в технологических задачах.
С помощью метода мозаичного портрета решается основная задача искусственного интеллекта - извлечение знаний из данных. Мозаичная модель состоит из формальных, непротиворечивых на данном экспериментальном материале гипотез, описывающих системные закономерности изучаемого объекта. Содержательная интерпретация полученных гипотез на языке соответствующей предметной области позволяет специалистам "прорваться" в закрытую для них до сих пор область системных закономерностей об изучаемой «большой системе» и получить новые знания, необходимые для создания изобретения.
Ниже приводятся примеры содержательной интерпретации полученных с помощью мозаичной модели формальных гипотез в зависимости от решаемой задачи. Каждая формальная гипотеза:
- При изучении технологического процесса - это сочетание поддиапазонов значений нескольких параметров, характеризующее их взаимное влияние на выходной показатель.
- При дифференциальной диагностике - это специфичный симптом-комплекс (дифференциальный синдром) одного из заболеваний.
- При прогнозировании потребительских свойств нового химического соединения - это сочетание элементов структуры молекулы, встречающееся только в соединениях, обладающих заданным комплексом потребительских свойств.
- При идентификации микроорганизмов внутри одного класса (семейства) - это тест-комплекс, специфичный для одной конкретной бактерии и т.п.
Следует отметить, что в дискретной математике не существует общего метода решения задачи поиска «полезных» сочетаний каких либо элементов, кроме полного перебора всех возможных вариантов. Для «больших систем» полный перебор приводит к практически бесконечным затратам времени на реализацию. При разработке метода построения мозаичной модели решена задача её построения за полиномиальное от размерности задачи время, т.е. найден доступный для реализации метод математического описания «больших систем» с практически любыми размерностями векторов входных параметров и выходных показателей.
Мозаичная модель содержит достаточное количество системной информации, необходимой для корректного решения задач диагностики и прогноза поведения изучаемых «больших систем».
Оптимизация изучаемых систем осуществляется с помощью метода логического программирования (см. тему 7).
Ниже приводятся примеры содержательной интерпретации полученных с помощью метода логического программирования решений в зависимости от решаемой задачи:
- При оптимизации технологического режима - это область пространства входных параметров, заданная соответствующими поддиапазонами каждого из них, отображение которого на пространство выходных показателей выделит на последнем область, в которых значения по каждому из выходных показателей соответствуют заданным.
- При разработке нового композиционного материала - это область пространства входных параметров, заданная соответствующими поддиапазонами соотношений компонентов смеси и значений параметров технологического режима, соблюдение которых обеспечивает получение материала, обладающего заданным комплексом потребительских свойств.
- При оптимизации лечения конкретной болезни - это перечень лечебных воздействий, обеспечивающий максимальную эффективность лечения.
- При формальном синтезе химических формул соединения данного класса - это химические формулы соединений, потенциально обладающих заданным комплексом физико-химических, биологических и других свойств.
По определению (специалист с помощью неформальных процедур не может получить оптимальное решение при изучении «больших систем», а корректные формальные методы их изучения не известны) результаты решения задач оптимизации с помощью методов мозаичного портрета и логического программирования в каждом конкретном случае являются основой для написания заявки на патент.
Ниже приведены примеры общих постановок технологических и научных задач и соответствующих формулировок формул изобретения по результатам их решения.
12.1. задача изучения и оптимизации действующих технологических процессов. Формулировка формулы изобретения
Для технологических процессов в химической, металлургической, нефтеперерабатывающей, биотехнологической и других отраслей промышленности универсальной является следующая постановка задачи: "Найти условия проведения технологического процесса, обеспечивающие существенное повышение его эффективности по комплексу заданных критериев". Более чёткая постановка задачи формулируется следующим образом: "Найти условия проведения технологического процесса, обеспечивающие получение продукта с минимальной себестоимостью и заданным качеством". Поскольку доля сырья и энергетики в себестоимости продукта играет определяющую роль, а расходные нормы по этим показателям практически полностью определяются выходом готового продукта на загруженное сырьё, возможна следующая модификация постановки задачи: "Найти условия проведения технологического процесса, обеспечивающие получение продукта с максимальным выходом и заданным качеством». При такой постановке решается также экологическая проблема сокращения количества отходов производства. Из материального баланса производства «сырье = продукт + отходы» следует, что с увеличением выхода готового продукта соответственно снижается и количество отходов производства.
В тех редких случаях, когда спрос на выпускаемый продукт превышает предложение, наиболее целесообразной будет следующая постановка задачи: "Найти условия проведения технологического процесса, обеспечивающие получение продукта с максимальной прибылью и заданным качеством".
С помощью метода мозаичного портрета (ММП) строится математическая модель изучаемого процесса и на её основе с помощью метода логического программирования (МЛП) определяются условия проведения технологического процесса, обеспечивающие решение поставленной задачи. При наличии патента-аналога необходимо лишь сопоставить полученный режим с его описанием в патенте, отметить существенные различия и подготовить заявку на патент. Формула изобретения записывается следующим образом: Способ получения продукта А, отличающийся тем, что с целью повышения эффективности технологического режима по выходным показателям (перечислить выходные показатели, значения которых существенно превосходят патентные) необходимо выдерживать следующие условия проведения процесса (приводятся значения тех входных параметров, которые существенно отличаются от патента-аналога).
Например, при оптимизации производства сульфаминовой кислоты найден оптимальный технологический режим проведения процесса, существенно отличающийся от режима, приведенного в патенте - аналоге. В результате его внедрения были существенно превышены регламентируемые выходные показатели:
- массовая доля основного вещества повысилась с 83.0 до 95.62% (на 15.2% отн);
- содержание серной кислоты сокращено с 6.0 до 2.58% (на 57.0% отн);
- мощность производства возросла с 3000 до 3300 т/год (на 10% отн).
По результатам работы получено авторское свидетельство № 1060565 «Способ получения сульфаминовой кислоты».
12.2. Задача разработки нового технологического процесса или нового композиционного материала. Формулировка формулы изобретения
При разработке нового технологического процесса или нового композиционного материала исходная информация, необходимая для их изучения, может быть получена в режиме активного эксперимента по специальному плану, позволяющему с помощью минимального количества опытов построить соответствующие математические модели, описывающие зависимость выходного показателя от каждого из входных параметров изучаемой системы. [8-10].
Поскольку оптимизация изучаемого объекта проводится в дискретных шкалах, рекомендации по значениям входных параметров и соотношениям компонентов задаются в виде соответствующих оптимальных поддиапазонов их значений.
При разработке нового технологического процесса определяются условия (технологический режим), обеспечивающие получение продукта с заданным выходным показателем (комплексом выходных показателей). По результатам разработки оформляется заявка на патент.
При наличии патента-аналога, формула изобретения имеет следующий вид: «Метод получения продукта А, отличающегося тем, что с целью достижения... (перечисляются выходные показатели, по которым достигнутые значения выше, чем в патенте - аналоге), он получается при значениях технологических параметров ... (приводятся только те, полученные при оптимизации значения поддиапазонов параметров технологического режима, которые отличаются от соответствующих значений поддиапазонов в патенте-аналоге)».
При разработке нового композиционного материала определяются оптимальные соотношения компонентов смеси и технологический режим получения материала, обладающего заданным комплексом потребительских свойств. По результатам разработки оформляется заявка на патент.
В случае если патента-аналога нет, формула изобретения имеет следующий вид: «Метод получения материала А, отличающегося тем, что с целью достижения (перечисляются выходные показатели и достигнутые по ним значения), он получается при соотношении компонентов смеси (приводятся оптимальные поддиапазоны значений соотношений компонентов) и значениях технологических параметров (приводятся оптимальные поддиапазоны значений параметров технологического режима)».
В случае если патент-аналог есть, формула изобретения имеет следующий вид: «Метод получения материала А, отличающегося тем, что с целью достижения... (перечисляются выходные показатели, по которым достигнутые значения выше, чем в патенте - аналоге), он получается при соотношении компонентов смеси... (приводятся только те, полученные при оптимизации поддиапазоны соотношений компонентов, которые отличаются от соответствующих поддиапазонов соотношений в патенте-аналоге) и значениях технологических параметров ... (приводятся только те, полученные при оптимизации значения поддиапазонов параметров технологического режима, которые отличаются от соответствующих значений поддиапазонов в патенте-аналоге)».
12.3 задача синтеза новых химических соединений, обладающих заданными потребительскими свойствами. Формулировка формулы изобретения
Задача направленного синтеза химических соединений с заданными свойствами - одна из самых сложных и практически важных научных задач. Известно, например, что для включения красителя в ассортимент необходимо провести 800-1000 синтезов, а для создания нового лекарства необходим скрининг около 100000 соединений [11].
Постановка задачи при её решении с помощью ИМИБС: "Для определённого класса химических соединений построить системную модель зависимости комплекса заданных физико-химических, биологических и др. свойств от химического строения соединений изучаемого класса и на основании полученной модели осуществить направленный синтез химических формул новых соединений, обладающих комплексом заданных физико-химических, биологических и др. свойств".
Алгоритм решения этой задачи:
- с помощью ММП для изучаемого класса химических соединений строится математическая модель зависимости "строение - свойства";
- по этой модели с помощью МЛП осуществляется синтез химических формул новых не известных ранее соединений, потенциально обладающих заданным комплексом потребительских свойств;
- после химического синтеза и соответствующих испытаний новых соединений оформляется заявка на патент "На новое химическое соединение, обладающее заданными свойствами..."
Примеры решения задачи направленного синтеза новых химических соединений, обладающих заданными свойствами, приведены в теме 10.
12.4. задачи диагностики, прогноза и оптимизации лечения в медицине. Формулировка формулы изобретения
Постановка задачи разработки метода дифференциальной диагностики близких по проявлениям заболеваний: «На основании таблицы экспериментальных данных, каждая строка которой содержит информацию о проявлениях болезни и верифицированном диагнозе для одного больного, найти специфические симптом-комплексы (дифференциальные синдромы) для каждой болезни из группы дифференцируемых заболеваний»
С помощью ММП строится системная математическая модель, определяющая характерные для каждой из дифференцируемых болезней симптом-комплексы (дифференциальные синдромы). С помощью симптом-комплексов осуществляется надежное распознавание каждого из этих заболеваний. Полученная модель служит основой для написания заявки на патент: "Метод дифференциальной диагностики внутри группы близких по проявлениям заболеваний, например, болезней А, В, С и Д, отличающийся тем, что с целью повышения точности дифференциальной диагностики распознавание болезней осуществляется по специфичным для каждой болезни симптом - комплексам. (Приводятся симптом-комплексы для болезней А, В, С и Д)".
Совместно с Военно-медицинской Академией (г. Санкт-Петербург) был разработан простой и неинвазивный метод дифференциальной диагностики «язвенная болезнь желудка - раковая болезнь желудка», основанный на использовании специфических для каждого из дифференцируемых заболеваний симптом - комплексах. Практическое использование этого метода, например, в гастроэнтерологическом отделении городской клинической больницы N 20 (г. Санкт-Петербург) показало, что в 96.4% случаев диагноз, поставленный с использованием предложенного метода, совпал с верифицированным клиническим (гастроскопия с прицельной биопсией, операция).
Задачи прогноза осложнений (исходов) болезни могут быть представлены в следующей формулировке: Разработать метод заблаговременного прогноза осложнений (исходов) конкретной болезни (А) на основании информации о её проявлениях, собираемой в начальный период болезни.
Совместно с Военно-медицинской Академией (г. Санкт -Петербург) разработан метод прогноза осложнений инфаркта миокарда в остром периоде (кардиогенный шок, разрыв миокарда, недостаточность кровообращения, фибрилляция желудочков или без осложнений), которые обычно реализуются на 3-40 день пребывания в стационаре. Исходная информация о больном собиралась в день поступления в стационар, а диагноз осложнения записывался после его реализации. Построенная по этим данным мозаичная модель содержит 5 подмножеств симптом-комплексов, характерных для каждого из возможных осложнений [12].
Для реализации прогноза информация о значениях входных параметров нового больного, собираемая в 1-ый день его пребывания в стационаре, кодируется кодом, принятым при построении мозаичной модели. Затем определяют, симптом-комплексы каких осложнений встречаются у больного. Если у больного встречаются симптом комплексы только одного осложнения, выбирается превентивная терапия, соответствующая этому прогнозу. Если у больного встречаются симптом-комплексы 2-ух или более осложнений, может быть принято 2 решения:
- проводить превентивную терапию для более вероятного осложнения, которому соответствует большее количество выделившихся симптом-комплексов;
- исключить из превентивной терапии для более вероятного осложнения те лекарственные препараты и лечебные воздействия, которые противопоказаны при менее вероятном осложнении (осложнениях).
Мозаичная модель прогноза осложнений болезни служит основой для написания заявки на патент: Метод заблаговременного прогноза осложнений инфаркта миокарда (кардиогенный шок, разрыв миокарда, недостаточность кровообращения, фибрилляция желудочков или без осложнений), отличающийся тем, что с целью повышения точности прогноза его проводят по специфическим для каждого осложнения симптом - комплексам, построены на основании информации о больном, полученной в первый день пребывания в стационаре. (Приводятся специфические симптом - комплексы для каждого из осложнений: инфаркта миокарда).
Практическое использование разработанного с помощью ИМИБС метода прогноза осложнений инфаркта миокарда позволило, например, в кардиологическом отделении городской клинической больницы №23 (г. Москва) сократить летальность от острого крупноочагового инфаркта миокарда на 36,8%, а от мелкоочагового инфаркта - на 45,1%.
Аналогично ставятся и решаются задачи ранней диагностики (или даже в латентном периоде) опасных для жизни хронических заболеваний (раковая болезнь, хроническая почечная недостаточность и др.).
Постановка задачи разработки метода выбора оптимальной стратегии лечения конкретной болезни: "На основании мозаичной модели болезни, устанавливающей зависимость эффективности лечения конкретной болезни (А) от параметров, характеризующих: болезнь и индивидуальность больного, с помощью метода ситуационного программирования синтезировать для каждого конкретного больного оптимальную стратегию лечения»
С помощью ММП строится системная математическая модель, определяющая зависимость эффективности лечения конкретной болезни от параметров, характеризующих: индивидуальность больного (цвет глаз, группа крови, резус-фактор и др.), болезнь (анамнез, клиника, данные инструментальных и лабораторных методов исследования и др.), используемое лечение.
Для каждого конкретного больного задаётся ситуация - значения параметров, характеризующих его индивидуальность, и болезнь. Для полученной ситуации с помощью метода ситуационного программирования синтезируется максимально эффективное лечение.
Метод ситуационного программирования (МСП) является одной из модификаций метода логического программирования. Сущность МСП заключается в выделении ситуации - сочетания кодов поддиапазонов неуправляемых параметров, характеризующей проявления болезни и индивидуальность конкретного больного, а затем (для этой ситуации) синтеза оптимального управления (выбора выбор максимально эффективных лечебных воздействий. Разрабатывается пакет программ, реализующих выбор максимально эффективное лечение конкретной болезни для каждой конкретной ситуации (каждого конкретного больного).
На основании полученных данных оформляется заявка на патент: Метод оптимизации лечения болезни N с учётом индивидуальных особенностей больного, отличающийся тем, что с цель повышения эффективности лечения, для каждой конкретной ситуации, определяемой параметрами, характеризующими болезнь и индивидуальность больного, по мозаичной модели болезни с помощью метода ситуационного программирования синтезируются рекомендации по соответствующему оптимальному лечению.
В общем случае, при использовании ИМИБС для оптимизации "больших систем", сопоставление полученной при оптимизации области оптимальных значений входных параметров с соответствующей областью входных параметров патента-аналога определяет то существенное отличие, которое затем войдёт в формулу изобретения: "отличающееся тем, что с целью повышения эффективности работы по выходному показателю Yi (комплексу показателей Y)... и далее приводится полученное отличие».
В общем случае, при использовании ИМИБС для прогноза и диагностики "больших систем", сопоставление полученной с помощью метода мозаичного портрета системной модели, состоящей из специфичных тест-комплексов (симптом-комплексов) для каждого из прогнозируемых (диагностируемых) состояний, и соответствующих средств прогноза (диагностики) в патенте-аналоге определяет то существенное отличие, которое затем войдёт в формулу изобретения: "отличающееся тем, что с целью повышения эффективности прогноза (диагностики) используются специфичные для каждого прогнозируемого (диагностируемого) состояния специфичные тест-комплексы (симптом-комплексы)…Далее приводятся перечни тест-комплексов (симптом-комплексов) специфичных для каждого прогнозируемого (диагностируемого) состояния.
В настоящее время в науке существует значительное несоответствие между затратами труда отдельных учёных на получение исходных данных и значимостью результатов, получаемых на основании анализа этих данных. " Мир науки полон усердно работающих учёных, которые с избытком владеют умением логически мыслить, большой добросовестностью в работе, и, тем не менее, они навсегда лишены способности выдвигать новые идеи. К великому сожалению новые идеи не являются только прерогативой тех, кто длительное время был занят их поиском и разработкой". [13]. Использование ИМИБС в научной работе позволит устранить это противоречие. ИМИБС позволит учёному не только корректно сформулировать постановку задачи исследования и, соответственно, корректно провести сами исследования, но и получить из экспериментальных данных новые, неизвестные до сих пор в науке системные закономерности изучаемого объекта.
Трудно себе представить, сколько новых знаний похоронено в результатах проведенных ранее исследований! [13]. С помощью ИМИБС эти знания можно получить без дополнительных затрат на новые экспериментальные исследования.
Наиболее перспективными технологиями начала 21 считаются: новые материалы, полупроводники, полупроводники с улучшенными свойствами, цифровая обработка изображений, сохранение информации на носителях высокой плотности, скоростные компьютеры, оптоэлектроника, системы искусственного интеллекта, информационные супермагистрали, сенсорные технологии, биотехнологии, системы медицинской диагностики.
Использование формализованных процедур ИМИБС при разработке технологий 21 века позволит по каждой из них получить оптимальные решения и защитить эти решения соответствующими патентами.
Выводы
1. Анализ известных методов изучения, разработки и оптимизации "больших систем" приводит к неожиданному выводу: из-за присущих человеку психо-физиологических ограничений при распознавании абстрактных образов (ни один специалист не может оценить зависимость выходного показателя от совместного влияния более чем 2-х входных параметров) и отсутствия корректных математических методов моделирования многофакторных систем («если в задаче больше 8-ми переменных - она неразрешима»), все созданные человеком "большие системы" не оптимальны и могут быть существенно улучшены.
2. Из этого вытекают совсем уже парадоксальные, но, тем не менее, надёжно логически обоснованные следствия:
- Все патенты, выданные на решение задач идентификации, прогноза, диагностики и оптимизации "больших систем" могут быть заменены более сильными.
- В каждом конкретном случае разработка более сильного решения, чем в соответствующем патенте-аналоге, может быть осуществлена с помощью формальных процедур интеллектуальной методологии изучения сложных систем (ИМИБС).
- ИМИБС - является формализованным алгоритмом изобретения в области прогноза, диагностики и оптимизации «больших систем».
3. ИМИБС отличается от АРИЗ (алгоритма решения изобретательских задач, разработанного на основе ТРИЗ) не только областью применения (с помощью АРИЗ решаются задачи создания изобретений в технике, а с помощью ИМИБС - в технологии и науке), но и степенью формализации при постановке и решении изобретательских задач. ИМИБС позволяет с самого начала исследования ставить задачу корректно и решать ее с помощью формализованных процедур.
ЛИТЕРАТУРА
1. Я.И. Хургин. Да, нет, может быть... - Москва, «Наука», 1977, с.208.
2 . Г.С.Альтшуллер. Творчество как точная наука. - Москва: «Советское радио». 1979, с.175.
3. C. Лем. Планета Земля. Век 21. - Комсомольская правда, 1.08.1992г.
4. Л.А.Расстригин. С компьютером наедине. - Москва: «Радио и связь», 1990. -224 с.
5. Дородницын А.А. Математика и описательные науки. с.6-15. Число и мысль. Сборник. Вып.5.-Москва: «Знание», 1982.-176 с.
6. А.А. Дородницын. Проблема математического моделирования в описательных науках. - Кибернетика, 4, 1983, с.6-10.
7. Энон. Основные закономерности научной работы. Физики продолжают шутить Москва: "Мир", 1968 г.
8. М.Д.Кац, Давиденко А.М. Методология разработки новых композиционных материалов, обладающих заданным комплексом физико-химических (потребительских) свойств. - Вестник ХГПУ, выпуск 104, 2000 г.
9. М.Д.Кац, В.П.Невмывако, Л.М.Славуцкая и др. Методология исследования при разработке новых химико-технологических процессов - "Химическая технология", 4, 1984.
10. M. Kats, V. Kestelman, A. Davidenko. Methodology of developing a new composite material with specified combination of physical and chemical properties or utilization qualities.- SCIENTIFIC ISRAEL – TECHNOLOGICAL ADVANTAGES. Contents VOL. 5. 2003 No. 2 " Materials Engineering“.
11. Р.Уайф, Ю.Хехенкамп. "SORT&gen - новая информационная технология открытия лекарств будущего. - Российский химический журнал. 1998, №6.
12. М.Д.Кац, В.Н.Ардашев, Г.М.Яковлев и др. Метод мозаичного портрета в прогнозировании осложнений инфаркта миокарда. - "Кардиология", 6, 1981.
13. Эдвард де Боно. Рождение новой идеи, Москва: "Прогресс",1976, 141 с.
Нельзя представить себе теоретический аппарат, овладев которым любой человек, даже не имеющий практического опыта, сможет успешно решать важнейшие практические задачи. (А.А.Фельдбаум).
При построении модели требуется не только и не столько знание математики, сколько глубокое понимание сущности описываемых явлений (В.В.Кафаров).
Новые гипотезы нельзя вывести непосредственно из результатов наблюдений. (В.В.Налимов).
Правильное формулирование задачи - это проблема не менее сложная, чем само решение задачи. (Н.С.Бахвалов).