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.
Парадигма - это установившиеся в науке представления о том, что является истинным в определённой проблеме.
«Парадигма - устойчивая система представлений о смысле и границах науки своего рода договоренность о том, что считать научным, а что ненаучным». (Ю.А.Шрейдер. Что происходит с наукой? Химия и жизнь, 2,1978, с.3-10).
«Парадигма - есть некое интеллектуальное поле - размытое поле аксиом, определяющее, что есть научное в науке. Парадигма защищает науку от проникновения в неё сорняков». (Налимов В.В. Что есть истина? Химия и жизнь,1,1978, с. 43-49).
По мнению «отца» кибернетики Норберта Винера «5% математиков создают математику, остальные 95% выполняют защитную роль, ограждая математическую науку от засорения недостаточно строгими построениями».
Разработка и практическое применение интеллектуальной технологии изучения «больших систем» привело к смене многих общепринятых парадигм. Ниже приводятся некоторые примеры, иллюстрирующие эту смену.
13.1. Постановка задачи
В соответствии с существующей парадигмой постановка задачи - это искусство высококвалифицированных специалистов. Для того чтобы корректно поставить задачу, кроме знания предметной области, к которой относится задача, необходимо так же знание методов её решения. Поскольку корректные методы решения задач, связанных с изучением «больших систем» не известны, постановка таких задач является искусством.
«Умение хорошо поставить задачу - это искусство». (с.19).(Новые идеи в планировании эксперимента. Под редакцией. Налимова В.В. - М.: "Наука", 1969, с.334).
«Не существует твердых и эффективных правил относительно того, как надо формулировать задачу в самом начале процесса моделирования, т.е. сразу после первого знакомства с ней». (Р.Шенон. Имитационное моделирование систем - искусство и наука. - М.: "Мир", 1987, с.418).
«Постановка задачи является наиболее трудной частью ее решения. Умение поставить задачу - залог успеха в достижении поставленной цели». (Основы научных исследований./Под ред. В.И.Крутова, В.В.Попова. - М.: Высшая школа, 1989. - 400 с.).
В интеллектуальной технологии изучения «больших систем» формализованы все этапы построения математической модели, кроме выбора перечня входных параметров. Благодаря этому появилась возможность формализовать постановку задачи изучения любого сложного объекта со следующей формулировкой: «По таблице экспериментальных данных, каждая строка которой содержит значения входных параметров и выходных показателей в одной реализации изучаемого объекта (процесса, системы, явления) построить математическую модель зависимости выходного показателя (комплекса выходных показателей) от входных параметров».
Для технологических процессов в металлургии, химии, нефтепереработке и др. задача идентификации может быть сформулирована следующим образом: «Построить математическую модель зависимости выхода и качества продукта от параметров технологического режима». Хотя эффективность работы каждого технологического процесса оценивается множеством выходных показателей (производительность, выход целевого продукта, показатели качества, себестоимость, расходные нормы по сырью и энергоресурсам, удельное количество отходов, предельно допустимые концентрации токсичных веществ и т.п.), основными показателями являются качество и выход продукта.
При увеличении выхода снижаются:
- расход сырья на единицу полученной продукции (ресурсосбережение);
- расход энергии на единицу полученной продукции (энергосбережение);
- расход непрореагировавших компонентов, количество продуктов побочных реакций и потери целевого продукта (экология);
- себестоимость продукции (поскольку доля затрат на сырьё, энергетику и экологию составляет 50-90% и более в общей её себестоимости).
Поэтому задача оптимизации любых технологических процессов имеет следующую формулировку: «Найти нормы технологического режима, обеспечивающие получение продукта с максимальным выходом и заданным качеством продукта». В случае если спрос на продукцию какого-либо производства начнёт превышать предложение, возможна и другая постановка задачи: «получить продукт с максимальной прибылью и заданным качеством».
Интеллектуальная технология исследования позволяет в любой предметной области вместо множества различных и практически всегда некорректных задач сформулировать минимальное их количество.
Например:
- При разработке новых композиционных материалов (металлов, сплавов, резин, пластмасс, катализаторов, выпускных форм красителей и пигментов, смесевых лекарственных форм и т.п.): «Из m компонентов смеси выбрать n (n
- Задачи диагностики и оптимизации лечения в медицине:
1. Для изучаемого подмножества близких по проявлениям заболеваний найти специфичные для каждой болезни симптом - комплексы (дифференциальные синдромы).
2. Для конкретного заболевания построить модель для выбора оптимальной стратегии лечения, учитывающую индивидуальные особенности больного.
13.2. Формальная идентификация структуры математической модели
«Эта задача совершенно не формализована - поиск структуры оператора полностью зависит от интуиции исследователя. Угадывать структуру нелинейных функционалов мы пока не умеем. Просто даже не знаем, как подойти к этой задаче». (А.А. Дородницын. Проблема тематического моделирования в описательных науках. Кибернетика, 4,1983, с.6-10)
«Структура модели должна выбираться на основе глубокого изучения интересующей нас системы. Принцип "черного ящика", предполагающий полное отсутствие априорной информации, едва ли применим и реалистичен в подавляющем большинстве случаев». ( Современные методы идентификации систем./ Под ред. П.Эйкхоффа. - М: Мир. 1983. - 400 с.)
С помощью метода мозаичного портрета при практически любом количестве входных параметров структура математической модели генерируется с помощью формализованных процедур без участия исследователя.
13.3. Формализованное построение математической модели по экспериментальным данным
В соответствии с существующей парадигмой построение математической модели творческий процесс, который не может быть формализован.
«Модели, к которым мы сейчас так привыкли в науке, можно получить только из предпосылок, но не непосредственно из результатов опытов». (Налимов В.В. Что есть истина? Химия и жизнь, 1, 1978, с. 43-49).
«При построении модели требуется не только и не столько знание математики, сколько глубокое понимание сущности описываемых явлений. (В.В.Кафаров. Методы кибернетики в химии и химической технологии. - М: Химия, 1985, 448 с.).
«Для исследователя любой сложной системы недостаточно знать существующие рецепты. Анализ каждой сложной системы - это уникальная проблема, требующая не только разносторонней культуры, но и изобретательности и таланта. Построение моделей - всегда процедура неформальная. Она очень сильно зависит от исследователя, его опыта, таланта» (Н.Н.Моисеев. Математические задачи системного анализа. М.: Наука, 1981, с.488).
В интеллектуальной технологии изучения «больших систем» построение математической модели практически полностью формализовано. Не формализован только этап выбора перечня входных параметров.
Это позволяет по экспериментальным данным получать содержательные модели объектов (процессов, систем, явлений) любой физической природы при полном отсутствии любой другой информации.
13.4. Необходимость использования неформальных методов при построении математической модели
«При синтезе процесса управления сложной системой неизбежно использование неформальных (экспертных) методов». (Реальность и прогнозы искусственного интеллекта. Сб. статей. Пер. с англ. //Под ред. В.Л.Стефанюка. - М.:Мир, 1987. -247 с.).
«Системный подход в управлении сложными объектами обычно связан с неформальными методами управления». (Л.А.Расстригин. Современные принципы управления сложными объектами М.: Советское Радио, 1980.-232 с.).
«Объединение формальных и неформальных методов исследования сулит резкое повышение эффективности творческой деятельности». (Кухтенко А.И. Кибернетика и фундаментальные науки. - К.: Наукова думка. 1987. - 144 с.)
При изучении «больших систем» знания экспертов существенно ограничены. Из-за психофизиологических ограничений, присущих человеку, ни один эксперт не способен оценить:
- как зависит на выходной показатель от взаимодействия более чем 2-ух входных параметров;
- как влияет один входной параметр более чем на 1-ин выходной показатель.
Следовательно, при использовании неформальных методов:
- принципиально невозможно получение новой нетривиальной информации;
- полученные решения будут необъективны, во-первых, потому что эксперту не известна истина, и, во-вторых, потому что у каждого эксперта имеется своё (не совпадающее с другими экспертами) мнение.
С помощью ИМИБС решается проблема формальной идентификации «больших систем» любой физической природы и на базе полученной модели - задачи формального прогноза, диагностики и оптимизации объектов (процессов, систем, явлений) в любых предметных областях
13.5. Выдвижение гипотез
В соответствии с существующей парадигмой выдвижение гипотез может осуществляться только человеком и не может быть формализовано.
«Новые гипотезы нельзя вывести непосредственно из результатов наблюдений. Человеческий ум, подмечая новые явления, умеет выдвигать новые и плодотворные гипотезы; научить этому машину, очевидно, нельзя». (Налимов В.В. "Что есть истина?" Химия и жизнь,1, 1978,с.43-49).
«Экспериментальные данные могут быть использованы лишь для проверки и уточнения исходной гипотезы или для выбора одной из нескольких априори предложенных гипотез». (Новые идеи в планировании эксперимента. Под редакцией Налимова В.В. - М.: "Наука", 1969, с.334).
«Для того чтобы экспериментировать, исследовать, учёный должен строить определённые гипотезы». (Д.Н.Хорафас. Системы и моделирование. М.: Мир, 1967. с.419).
«Процессы выдвижения гипотез или процессы выдумывания моделей - это неформальные процессы: как раз здесь исследователь и должен проявлять талант». (Я.И.Хургин. Как объять необъятное? - М. :"Знание", 1985, 192 с.)
«Выдвижение гипотез связано с предположением, выходящим за пределы опыта». (Г.Виноградов. Научное предвидение. - М: "Высшая школа", 1973)
Поскольку психофизиологические ограничения возможностей человека не позволяют даже самым талантливым специалистам представить себе, как зависит выходной показатель более чем от 2-ух входных параметров, и как влияет один входной показатель на комплекс выходных показателей, возможности человека генерировать корректные гипотезы при изучении «больших систем» принципиально недостаточны.
Между тем:
- С помощью метода восстановления одномерных зависимостей порождаются непротиворечивые на данном экспериментальном материале гипотезы о влиянии каждого из рассматриваемых входных параметров на любой комплекс заданных выходных показателей.
- С помощью метода мозаичного портрета порождаются непротиворечивые на данном экспериментальном материале гипотезы о зависимости выходного показателя (комплекса выходных показателей) от взаимного влияния различных сочетаний входных параметров.
Практически все эти гипотезы несут новую, нетривиальную, не известную специалистам ранее информацию о системных закономерностях изучаемого процесса. То есть вопреки существующей парадигме, (гипотеза выдвигается экспертом, затем проверяется экспериментально) появилась возможность генерировать гипотезы с помощью формальных процедур, без участия человека.
Новая парадигма: эксперт задает переменные, между которыми он хочет посмотреть зависимость. Процедура искусственного интеллекта сама подносит ему на блюдечке формально выдвинутые и экспериментально проверенные (непротиворечивые на данном экспериментальном материале) гипотезы, так что ему остаётся только "белая" работа - содержательная их интерпретация.
13.6. Невозможность формального построения математической модели в случае, если выходных показателей болем одного
В соответствии с существующей парадигмой не существует корректных методов свёртки множества выходных показателей в обобщённый критерий оценки качества функционирования изучаемой системы (процесса).
«Основной проблемой при решении задач многокритериальной векторной оптимизации является способ сворачивания всех критериев в один глобальный». (Л.А.Расстригин. Современные принципы управления сложными объектами. - М.: Советское Радио, 1980.-232 с.).
«Свертка критериев всегда является актом неформальным». (Н.Н.Моисеев. Математические задачи системного анализа.- М.:"Наука",1981,488 с.).
«Анализ экспертных методов определения весовых коэффициентов (при свёртке множества выходных показателей в обобщённый критерий) позволяет сделать заключение о том, что в настоящее время не существует такого метода, который был бы свободен от недостатков: ограничивающих возможность его использования». (В.А.Глотов, В.В.Павельев. Векторная стратификация.- М.:"Наука",1984. 94 с.).
В интеллектуальной технологии процедура свёртки вектора выходных показателей в обобщенный критерий полностью формализована и корректна.
13.7. Определение искусственного интеллекта
В соответствии с существующей парадигмой искусственный интеллект - это «решение машинами некоторого класса задач, которые до сих пор решал человек». (Л.Т. Кузин. Основы кибернетики. М., 1970).
«Если система решает задачи, которые человек решает обычно посредством своего интеллекта, то мы имеем дело с системой искусственного интеллекта». (С.М.Шалютин. Искусственный интеллект. - М.:Мысль. 1985.-199 с.).
На 1-ой международной научно-практической конференции "Искусственный интеллект - 2000" приняты следующие определения:
«Интеллект - совокупность универсальных процедур, которая позволяет на сознательном уровне строить конкретные алгоритмы решения частных творческих задач».
«Интеллект - реализованный алгоритм решения задач, сформированный сознанием».
«Искусственный интеллект - это область исследований, направленных на то, чтобы заставить машины выполнять функции, которые в настоящее время для них слишком трудны, и особенно такие функции, которые способны выполнять люди».
«Большого экономического эффекта от использования "чистого" искусственного интеллекта вряд ли следует ожидать». (А.Эндрю. Искусственный интеллект. - М.:Мир. 1985.-с.264).
«Основные усилия в области искусственного интеллекта приходятся на поиск универсальных методов решения: ученые старались найти общие принципы, которые можно было бы применять, отвлекаясь от специфики конкретной предметной области». (Нильсон Н. Принципы искусственного интеллекта. - М.: Радио и связь, 1985.-376 с.).
Как видно из последующей цитаты, задача разработки универсальных методов решения сложных задач с помощью искусственного интеллекта решена не была.
«На вопрос о существовании искусственного интеллекта следует дать отрицательный ответ: любая программа жестко приспособлена для данной конкретной задачи, алгоритм, вводимый в машину, не несет в себе семантики совершаемой работы». (Васильев И.В., Шевченко А.И. Искусственный интеллект. Формирование и распознавание образов. - Донецк: ДОНГИИИ, 2000. -360 с.).
Интеллектуальная технология изучения «больших систем» решает основную задачу искусственного интеллекта порождение знаний из данных в любой предметной с помощью универсальных формализованных процедур. После разработки интеллектуальной системы изучения «больших систем» может быть дано следующее определение искусственному интеллекту: Искусственный интеллект - это формализованная процедура порождения новых знаний из данных при решении сложных задач, которые в принципе не могут быть решены человеком.
13.8. Практическая неразрешимость NP- полных задач.
При идентификации изучаемого объекта с помощью метода мозаичного портрета переходят к измерению входных параметров и выходных переменных в дискретных шкалах. Оптимизация объекта по его мозаичной модели тоже осуществляется в дискретных шкалах. Поскольку в дискретной математике нет других общих методов решения, кроме полного перебора, а полный перебор характеризуется экспоненциальным ростом времени построения модели от размерности задачи, то эти две задачи до разработки ИМИБС считались NP- полными, т.е. практически неразрешимыми за приемлемое время.
Предложены алгоритмы решения этих задач, которые позволяют их решить за полиномиальное время от размерности задачи. Например, с помощью ИМИБС задача идентификации объекта по экспериментальным данным с 98 входными параметрами была решена за 11 минут. По тем же данным усечённая задача (10 параметров) методом перебора была решена за 21 сек. Расчётное время на решение полной задачи перебором составило бы 21*3(98-10) сек или 7.4*1035 лет (здесь 3 - число поддиапазонов, на который делились диапазоны вариаций значений каждого параметра при переходе к дискретным шкалам).
13.9. Парадигма образования
Изменение существующей парадигмы в зависимости от изменяющихся условий может быть продемонстрировано на примере определения, что должен знать человек, чтобы считаться образованным.
В эпоху античности и в средние века образованным считался человек, который умел читать и писать. А если он ещё умел и считать, то считался всесторонне образованным.
По мере развития и дифференциации науки и производства возникла определённая специализация. Образованным стал считаться человек, компетентный в своей предметной области. Требования к специалисту были не высоки - он должен был знать о своей профессии больше и уметь делать лучше, чем неспециалисты.
При советской власти в условиях жесткой конкуренции с другими странами существенно возросли требования качеству обучения. Однако закрытость СССР оставляла практически единственный доступ к мировой научной и технической мысли - через реферативные журналы, то есть не требовалось знание иностранных языков. Парадигма обучения по сравнению со средневековой изменилась только качественно и формулировалась следующим образом: "Чем специалист больше знает и умеет в своей предметной области, тем выше его квалификация".
По мере внедрения компьютерной техники в практику работы научных организаций и производство возникла ещё одна составляющая оценки качества специалиста - компьютерная грамотность.
После развала Советского Союза учёным и специалистам стали доступны результаты работ их западных коллег. Оказалось: США ежегодно публикуют около 250 тыс. научных статей, а Россия - 23 тыс.; среди 3750 лучших научных журналах мира 1500 - американских и только 71 российских.
В этих условиях знание языка международного общения - английского языка стало необходимой составляющей при оценки квалификации специалиста. Т.о. существующая парадигма оценки квалификации специалиста покоится на 3-х китах: профессиональных знаниях и умениях в соответствующей предметной области; компьютерной грамотности и знании английского языка.
Однако практика жизни показала, что когда речь идёт об изучении, прогнозировании поведения, диагностике и оптимизации реальных технологических, биологических, медицинских, психологических, социологических и др. систем (так называемых «больших систем»), эти составляющие компетентности специалиста необходимы, но недостаточны.
Из-за объективных психофизиологических ограничений возможностей человека в познании «больших систем» и отсутствия корректных формальных математических методов их изучения практически все функционирующие сложные системы не оптимальны.
С появлением интеллектуальной методологии изучения сложных систем (ИМИБС), позволяющей решить основные задачи кибернетики и искусственного интеллекта: формализованное (практически без участия экспертов) построение эмпирической модели изучаемой системы с практически любым количеством входных параметров и выходных показателей и решение с помощью этих моделей задач прогноза поведения, диагностики и оптимизации систем (объектов, процессов, явлений) любой физической природы, появилась возможность корректного решения множества важных научно-исследовательских и практических задач, решение которых с помощью известных методов вызывало существенные, а в подавляющем большинстве случаев и непреодолимые методические и вычислительные трудности.
Очевидно, что после появления ИМИБС новая парадигма оценки квалификации специалиста должна содержать ещё и 4 составляющую: методическую грамотность - умение применять ИМИБС для изучения, прогноза поведения, диагностики и оптимизации «больших систем» в своей предметной области.
13.10. Низкая научная эффективность эмпирических моделей
«Эмпирическая модель записана на одном только ей присущем языке и не может ни обогатить науку, ни обогатиться за счет науки, если ее предварительно не переведут на общий научный язык, что может оказаться длительной процедурой. (А.Бейнз, Ф.Бредбери, С.Саклинг. Организация исследований в химической промышленности (условия, цели и стратегия). - М.:Химия, 1974, 336 с).
Метод мозаичного портрета позволяет с помощью формальных процедур получать новые, нетривиальные, неизвестные ранее специалистам системные закономерности, которые автоматически интерпретируются на языке любой предметной области.
13.11. Сжатие информации
«Сжатие информации не может происходить без ее потери». (Н.Н.Моисеев. Математик задает вопросы. - М.: "Знание", 1975, 192 с.).
При построении мозаичной модели осуществляется существенное сжатие информации за счёт перехода от «богатых» континуальных (численных) шкал к «бедным» дискретным шкалам. Именно за счёт этого перехода и появляется возможность получать с помощью формализованных процедур новые, не известные ранее специалистам системные знания об изучаемом объекте. При использовании континуальных шкал задача формального получения новых, не известных экспертам априори знаний из экспериментальных данных неразрешима.
13.12. Эффективность прогнозирования
«На сегодняшний день математическая теория прогнозирования не располагает достаточно глубокой собственной теорией. Это не может не сказываться на достоверности прогнозов, чего бы они не касались». (Виктор Садовничий. Наука как фактор экономического подъёма. "Проблемы теории и практики управления". 3/2001 г., с.32-36).
С помощью интеллектуальной технологии исследования эффективно решаются задачи прогнозирования поведения любых сложных систем.
Например, разработан метод прогноза осложнений инфаркта миокарда (кардиогенный шок, фибрилляция желудочков, разрыв миокарда, недостаточность кровообращения и без осложнений), которые проявляются на 3 - 40 день, по информации, собираемой в 1-й день поступления больного с острым инфарктом в стационар. Оперативный и точный прогноз осложнений позволил использовать специфическую для каждого осложнения превентивную терапию, вместо применявшейся ранее общей недифференцированной по осложнениям терапии, позволило сократить летальность от крупноочагового на 36,8%, а от мелкоочагового инфаркта на 45,1%.
В качестве другого примера можно привести прогнозирование комплекса потребительских свойств новых, ещё не синтезированных соединений по их химическим формулам.
Была построена математическая модель зависимости комплекса заданных свойств (устойчивость к свету, устойчивость к сублимации, выбираемость при 1% выкраске) дисперсных моноазокрасителей от их химического строения.
По химическим формулам 73 новых соединений, планируемых для последующего синтеза, с помощью математической модели по были предсказаны значения их потребительских свойств. После химического синтеза и колористических испытаний всех 73 красителей оказалось:
- из 10 красителей, для которых было предсказано приемлемое качество, у 9-и по всем показателям колористические оценки были не хуже заданных, а у 1-ого совпал показателям устойчивости к свету и сублимации был на 0.5 балла хуже. (Впрочем, точность оценки этих показателей по ГОСТу 97-33-61 как раз и составляет 0.5 балла).
У остальных 63 красителей полученные оценки не соответствовали заданным требованиям.
Выводы
Разработка и практическое использование интеллектуальной технологии исследования привело:
- к существенному изменению представлений о том, что является истинным в таких фундаментальных категориях, как, например, гипотеза, постановка задачи, модель и др.;
- к существенному сокращению области ранее невозможного за счёт расширения области ставших возможными решений в самых различных областях науки и технологий;
- к открывшейся возможности во многих областях науки и технологий ставить и решать задачи, которые ранее считались неразрешимыми.