Технологии управления на базе ситуационных центров

К счастью, технологии, позволяющие создавать адаптивные модели управления и находить оптимальные решения в изменчивой среде, сегодня известны, отработаны и продолжают развиваться[7]. Они лежат в основе так называемых центров страте­гического управления, или ситуационных центров, обслуживаю­щих правительства разных стран, спецслужбы и министерства по чрезвычайным ситуациям. Бурное развитие соответствующего инструментария в последние годы сделало технологии ситуацион­ных центров доступными для крупного и среднего бизнеса.

Ситуационные центры обеспечивают два качественных аспек­та обработки и предоставления информации: многоэкранностью пользовательского информационного поля и применением для обработки информации высокоинтеллектуальных информацион­ных технологий.

Типичный ситуационный комплекс выглядит приблизительно так: множественные экраны пестрят графиками, таблицами и диаграм­мами, отображая состояние объектов корпорации в разных регио­нах. В зависимости от характера поступающей оперативной информации фрагменты диаграмм окрашиваются в различные цве­та, используются множественные зрительные образы выдаваемой оперативной информации. В том числе используются специаль­ные цветные и графические образы для индикации критических фаз управленческой ситуации, когда необходимо экстренное вме­шательство управленца-оператора. Результаты действий операто­ров-управленцев также отображаются на центральных экранах, что позволяет топ-менеджерам оценивать динамику устранения сбо­ев в функционировании управляемой системы. Данные о наибо­лее серьезной проблеме проецируются на огромный центральный экран, обеспечивая возможность коллективного анализа ситуации. Так выглядит сегодня, например, управление территориальными объектами компании Global One - одного из лидеров коммуника­ционного рынка России. Ситуационные центры, активно использу­емые на высшем уровне государственного управления, преврати­лись также в инструмент оперативно-стратегического управления крупным бизнесом.

Проанализируем понятие ситуационного центра более подробно. Ситуационный центр представляет собой комплекс специально организованных рабочих мест для персональной и коллективной аналитической работы группы руководителей. Основной задачей ситуационного центра является поддержка принятия стратегических решений на основе визуализации и углубленной аналитической обработки оперативной информации. Эффективность ситуацион­ных центров выражается в том, что они позволяют подключить к активной работе по принятию решения резервы образного и ассо­циативного мышления. Представление ситуации в виде образов как бы «сжимает» информацию, обеспечивая обобщенное воспри­ятие происходящих событий.

Концепция ситуационного центра была предложена английским кибернетиком Стаффордом Биром в 1970-е гг. Первый ситуационный центр для первых лиц государства был создан под руковод­ством Вира в конце 1970-х гг.

Концепция ситуационных центров как комплексных информационно-аналитических систем поддержки, принятия и кон­троля исполнения управленческих решений является сегодня весь­ма популярной. В настоящий момент в мире существует 300 си­туационных центров, используемых правительствами различных стран, а также руководителями крупных корпораций. Так, Прези­дента США обслуживают четыре ситуационных центра. Несколько десятков ситуационных центров существует в Европе. Например, в Норвегии их 10. Один из самых технически оснащенных ситуационных центров находится в распоряжении правительства Герма­нии и служит для углубленного анализа социальных, экономичес­ких и политических проблем

Рис.2. концепция ситуационного центра

В России одним из первых прообразов ситуационного центра стал оперативный штаб по ликвидации последствий Чернобыльской катастрофы в 1986 г. На основе отработанных в нем решений был создан ситуационный центр руководства МЧС. Он обеспечивает визуализацию текущего и прогнозируемого состояния анализируе­мой ситуации, показывая, какие именно силы, средства, какие предлагаются рекомендации. На основе всей этой информации принимаются решения, которые в режиме реального времени доводятся до исполнительных структур и подразделений.

В 1994 г. был создан ситуационный центр в Совете Безопаснос­ти при Президенте РФ. Он достаточно успешно функционирует и позволяет осуществлять мониторинг, моделирование послед­ствий, анализ событий, которые происходят в экономике, социаль­ной сфере, в области национальной безопасности, помогая тем самым вырабатывать решения.

В феврале 1996 г. был введен в строй ситуационный центр в резиденции Президента РФ. Это достаточно сложный программ­но-мультимедийный комплекс: три экрана размером 1,5x2 м, более десятка рабочих станций (студий нелинейного монтажа, гра­фических станций, компьютеров для подготовки презентаций), мощ­ный сервер, который хранит огромные объемы информации, а так же набор различных аналитических средств, позволяющих обра­батывать информацию и представлять ее президенту. На основе моделирования ситуации вырабатываются решения, которые дово­дятся до исполнителей средствами того же ситуационного центра. Создается ситуационный центр при Правительстве РФ, а также ряд ситуационных комнат для губернаторов Ленинградской, Орловской, Белгородской, Тюменской и других областей (всего око­ло 20 региональных проектов). Вопрос создания системы ситуационных центров на уровне управлений активно прорабатывается в ФСБ России.

Обычно ситуационные центры достаточно уникальны по свое­му программно-аппаратно-информационному оснащению. Однако можно выделить типажи информационных технологий, которыми они насыщаются. Особенностью этих технологий является то, что они реализуют самые современные достижения в области мето­дов и технологий, лежащих в основе принятия решений и реинжинирига бизнес-процессов.

Рассмотрим несколько групп методов поддержки принятия ре­шений, предназначенных как для ситуационных центров, так и для автономного применения.

• Методы прогнозирования. Используемые в традиционных пакетах методы (трендовые, статистические, Бонкса-Дженкинса и др.) имеют узкие границы применимости и неадекватны в кри­зисных условиях. В ситуационном центре применяются более 200 видов алгоритмов прогнозирования, среди которых наиболее хорошосебя проявили следующие: нейронные сети, MESA, фрак­тальные методы, стохастики и интегрированные методы (так на­зываемые комитеты). Среди программных пакетов, реализующих эти методы, на российском рынке наиболее известны Brain Maker Pro, The Al Trilogy (компонент NeuroShell), MESA-96, Meta Stock, Super Charts.

• Методы ситуационного моделирования. Моделирование сложных экономических, политических, социальных ситуаций с обратными связями и большим числом управляющих парамет­ров требует специализированных инструментальных пакетов, вклю­чающих внутренний язык описания моделей, средства численного моделирования, оптимизаторы и развитый интерфейс. Бесспор­ными лидерами в этой области являются пакеты iThink и Powersim, широко применяемые в практике ситуационных центров (в том числе в России).

• Методы работы с неточными, неполными, зашумленными противоречивыми и искаженными данными. Ухудше­ние качества данных и снижение их достоверности в условиях кри­зиса приводят к неконтролируемому накоплению ошибок при
обработке данных и потере контроля над ситуацией. Специалисты по ситуационным центрам для обработки неполных и неточных данных применяют аппарат нечеткой логики и нечеткой алгеб­ры, реализованный в пакетах CubiCalc и FuziCalc.

• Методы оптимизации. Как известно, задача поиска наилучшего решения относится к числу NP-полных задач (трудно решаемых задач), требующих иногда полного перебора вариантов. Поэтому в реальных ситуациях применяются всевозможные ме­тоды упрощения, исследования окрестности локальных решений и т. д. В практике ситуационных центров наилучшим образом себя зарекомендовали генетические алгоритмы, использующие методы эволюционных вычислений для ускоренной «селекции» луч­ших решений. Лидером в этой области стал пакет GeneHunter (кстати, разработанный силами специалистов из МГУ).

• Методы оценки рисков. Профессиональная оценка рисков требует, во-первых, соблюдения нормативных документов и, во-вторых, применения специфического математического аппарата. В западных ситуационных центрах для оценки рисков применяют дорогостоящие специализированные пакеты. В России хорошо себя зарекомендовал отечественный пакет Альфа-Риск.

Комплексное использование перечисленных методов и инстру­ментальных пакетов позволяет строить экспресс-модели различ­ных ситуаций и выбирать оптимальные варианты управления. Анализ показывает, что все новые и новые руководители, отчаяв­шись найти готовое решение для управления бизнесом, приобре­тают комплект инструментальных средств, чтобы на их основе со­здать собственную систему управления. В этом деле им весьма помогают новые продукты фирмы Silicon Graphics - пакет интел­лектуальной обработки данных MineSet и рабочая станция Visual PC с потрясающими графическими возможностями (см.: www.sgi.com).

Создание уникальной системы поддержки принятия решения - мероприятие дорогостоящее. Поэтому многие потребители стре­мятся решить свои проблемы эффективного обеспечения процес­сов управления за счет типовых комплексных решений в своей предметной области. Для торговых фирм и холдингов адекватное решение «под ключ» уже присутствует на рынке (пакеты «Триумф-Аналитика», «Парус-Аналитика»).

Существуют и деловые игры, демонстрирующие функциональность технологий ситуационного центра (например, «Управление супермаркетом»; www.infoart.ru, www.tora-centre.ru). [Панов, с.27-32]

Некоторые личностные особенности, влияющие на выбор информационных продуктов и услуг

Индивидуальные различия в скорости и точности при работе с компьютером могут составлять отношение от 3:1 (формулирова­ние одного запроса) до 7:1 (редактирование), 10:1 (поиск), 50:1 (программирование). Можно выделить три группы индивидуально-личностных свойств, значимых для пользователя:

• свойства общего характера - нейротизм, тревожность, уро­вень самооценки, склонность к риску, определяющие динамичес­кие особенности деятельности, ее темп и энергетические затраты человека;

• свойства, общие для любой работы с вычислительной техникой;

• свойства, специфичные для решения конкретных задач.

Наиболее адекватными для исследования человеческого фактора в условиях использования информационных технологий счи­таются качества, проявляющиеся в познавательных процессах, в оценках и отношениях: экстраверсия - интроверсия, полезависимость - поленезависимость, рефлексивность - импульсивность, внушаемость - критичность, аналитичность - синтетичность, ког­нитивный стиль.

Применяется Майерс-Бригсовский определитель типов личности, согласно которому выделяются следующие альтернативные типы: экстравертивный - интровертивный, чувстви­тельный - интуитивный, мыслительный - ощущающий, восприимчи­вый - решительный. Показано, что для успешной работы с ис­пользованием новых информационных технологий предпочтитель­нее более выраженный интровертивный, восприимчивый, интуи­тивный тип и ярко выраженный мыслительный. Для программиро­вания - интровертивный, решительный. Существенными также могут оказаться психологические переменные, определяемые по многофакторным личностным опросникам: настойчивость - пас­сивность, высокая - низкая устойчивость к неопределенности, склонность к лидерству, точность в деталях и т.п. Имеются следу­ющие данные (в основном для пользователей информационно-поисковых и экспертных систем):

1. интроверты просматривают в процессе решения больше ин­
формации, чем экстраверты;

2. аналитики нуждаются в более подробном, а люди с синтетическим складом ума - в более обобщенном представлении инфор­мации;

3. люди с интуитивным складом ума и «систематики» по-разно­му оценивают информацию, ее достаточность и достоверность;

4. более «креативные», творческие люди собирают сведения из
разнообразных источников информации;

5. более терпимые к неопределенности люди больше склонны анализировать информацию о будущих событиях, менее терпимые -
о текущей ситуации;

6. люди эвристического типа предпочитают такую организацию
подсказок и инструкций, чтобы они подводили к «открытию» реше­ния, а логического типа - чтобы не были нарушены последова­тельность объяснений и логика рассуждений;

7. свойство лидерства - подчиненности влияет на выбор пользователем преимущественного типа инициативы в диалоге;

8. свойства уверенности и тревожности влияют на степень доверия к машинным решениям;

9. свойства рутинности и открытости к новому определяют предпочитаемый характер объяснений;

10. свойство полезависимости, характеризующее способ структурирования информации человеком, определяет предпочти­тельные стратегии поиска - последовательно или по ключевым словам;

11. структура вербального и невербального интеллекта влияет на выбор степени наглядности информации, использование графических интерфейсов.

В качестве инструментария для выявления индивидуальных различий в способностях используются тесты на определение структуры интеллекта (тест Гильфорда), математических, вербальных, символических способностей, способностей к логических рассуждениям.

В последнее время в работах, посвященных исследованиям человеческого фактора в компьютерных системах, стала применяться оценка типов личности пользователя в соответствии с определением, выявляющим преимущественный способ обучения. Этот параметр имеет полюса активности - рефлексивности и абстрактности - конкретности, в соответствии с которыми выделяются четыре основных типа:

• «конвергентный», характеризующийся гипотетико-дедуктивными рассуждениями (инженеры);

• «дивергентный», характеризующийся воображением, генерацией идей (гуманитарии);

• «ассимилятор», характеризующийся индуктивными рассуждениями (математики и ученые в области фундаментальных наук);

• «аккомодатор», характеризующийся интуитивными решениями (практик).

Исследования показали, например, что когнитивная модель, которую строит пользователь электронной почты, зависит от его предпочтительного способа обучения. Поэтому способ представления информации о системе на экране и в инструкциях (концептуальная модель системы) может способствовать или мешать построению когнитивных моделей. Поддержка когнитивной модели, таким образом, существенно повышает эффективность работы пользователя. В этом смысле во главу угла следует поставить проблему разработки интерфейса.

Пять правил хорошего интерфейса

Правило 1. Не стремитесь к оригинальности.

Правило 2. Изучайте цели пользователей.

Правило 3. Не усложняйте систему.

Правило 4. Не решайте интерфейсом посторонних задач.

Правило 5. Определитесь, какой ресурс Вы создаете.

[Панов, с.48-52]

Научные основы менеджмента. Элементы общей теории систем в разработке управленческих решений

«Низшая форма мышления – это простое опознание. Высшая – это глубокая интуиция человека, видящего всякую вещь как часть некоторой системы»

Платон

Общие сведения о теории систем

Один из апологетов общей теории систем (ОТС), американские ученый М.Месарович сформулировал основные требования, ко­торым должна удовлетворять эта теория. Во-первых, она должна быть настолько общей, чтобы могла охватить многие уже суще­ствующие теории, касающиеся в том или ином разрезе теории систем. Как частные случаи из ОТС должны выводиться, напри­мер, теория линейных динамических систем, теория конечных автоматов, теория алгоритмов и другие теории. Во-вторых, ОТС должна иметь строго научный характер, ее термины и определе­ния должны быть математически однозначны. Все это должно со­ответствовать ее назначению - изучать абстрактные модели соот­ветствующих реальных систем. В-третьих, научное основание, на котором строится ОТС, должно быть столь фундаментальным, что­бы ее выводы имели несомненную практическую ценность при изучении конкретных систем, встречающихся в жизни[8].

Итак, ОТС оформлялась как научное направление, связанное с раз­работкой совокупности философских, методологических, конкретно-научных и прикладных проблем анализа и синтеза сложных систем производственной природы. Наиболее характерной чертой ОТС, какую ей стремятся придать, создавая единую научную платформу, является ее междисциплинарный характер. Основой для возможного единства принимают аналогичность (изоморфизм) процессов, про­текающих в системах различного типа (технических, биологических, экономических, социальных и т.д.). Строго доказанный изоморфизм для систем разной природы дает возможность переносить знания из одной области в другую. Считают, что ОТС должна представлять об­ласть научных знаний, позволяющую изучать поведение, в том числе, целенаправленное, систем любой сложности и любого назначения.

Говоря о целенаправленном поведении систем, вспомним по­нятие кибернетического цикла, главной характеристикой которого является наличие целеполагания. <...>

Первую в современной науке обобщенную концепцию, задачи которой заключались в разра­ботке математического аппара­та описания разных типов сис­тем, установления изоморфиз­ма законов в различных облас­тях знаний, выдвинул австрийс­кий биолог-теоретик Людвиг фон Берталанфи (1901-1972).

Впервые системообразующая концепция знаний была представ­лена в научных изданиях за 1945 год.

Работая с 1946 года в США и Канаде, Берталанфи создает об­щество единомышленников со своей программой деятельности. Программа исследований была определена в уставе общества в следующих основных пунктах:

- Исследовать изоморфизм понятий, законов и моделей, при­меняемых в различных областях знаний, с целью взаимного обме­на полученными результатами.

- Способствовать развитию тех областей науки, в которых ощущается недостаток в моделях и теориях.

- Минимизировать дублирование теоретических исследований.

- Содействовать интеграции знаний через установление связи между специалистами разных профилей.

С древних времен, с появлением первых человеческих знаний, стало происходить естественное выделение различных областей знаний, которые в дальнейшем стали представлять собой отдель­ные науки. Каждая из наук - биология, медицина, физика, химия, и т.д. - достигла необычайных высот в своем развитии.

Однако современный уровень восприятия человеком мира зас­тавляет по-новому взглянуть на проблему познания окружающей действительности.

Мир следует воспринимать как нечто целое, единое, не разделенное искусственно на сферы, относящиеся к области биологии, физики, химии и других наук. Природа не знает такого де­ления. Ее проявления сложны и должны восприниматься с учетом, с одной стороны, суперпозиции (наложения) всех биологических, физических и прочих проявлений, с другой стороны, с учетом отсутствия реальных граней между ними. Например, грозу целесо­образно рассматривать не только как атмосферное явление, но и как сложный комплекс природных явлений. «Парад планет» и солнечное затмение - явление, выходящее далеко за пределы астрофизики в ее классическом понимании и т. д.

С 1956 года общество Берталанфи издает ежегодник «General Systems».

В 1959 году при Кейсовском технологическом институте (США) создан «Центр системных исследований».

В 1963 году «International Business Machines Corp.» организова­ла институт системных исследований.

Ряд организаций создает соответствующие отделы. Прошли десятки международных симпозиумов, выходит ряд специальных изданий, посвященных развитию ОТС в качестве приоритетного научного направления.

В то время, как философия служит интегратором науки, опираясь на опыт развития человеческой мысли и строя абстракции на метафизическом уровне, ОТС призвана объединить различные естественные науки на основе изоморфизмов, найденных в них самих. ОТС - своеобразная «научная философия». [Панов, с.54-56]

Системные признаки и классификация систем управления

В рамках системного подхода термин «управление» определяется как особая функция (эмерджентное свойство) некоторого класса систем, так называемых систем управления.[9]

Функция управления в системах управления направлена на сохранение основного качества системы или выполнение некоторой программы достижения поставленной цели.

Системы управления, обладающие функцией управления, наблюдаются в живой природе, технике и обществе.

Реализацию этой функции часто осуществляет специальная подсистема, входящая в систему, так что можно выделить в системах управления управляющую подсистему (субъект управления) и управляемую подсистему (объект управления). Субъект управления и объект управления взаимодействуют между собой с помощью информационных сигналов.

Управление может быть реализовано различными способами, что порождает различные виды систем управления. Виды систем управления могут отличаться принципами, целями, функциями, структурой и качеством. Эти пять характеристик позволяют упорядочить многообразие систем управления, найти сходные, выявить преимущества и недостатки одних систем управления перед другими.

Принципы управления разделяются на фундаментальные и частные. Например, для рыночной экономики фундаментальным может быть признан принцип свободной конкуренции. Среди множества частных принципов управления могут быть названы: принцип обратной связи, принцип подбора кадров, принцип мотивации труда и т.д.

Говоря о целях управления, необходимо вспомнить о том, что основной кибернетический принцип заключается в наличии целеполагания. В кибернетике цель трактуется как удобная характеристика поведения сложных систем, которая упорядочивает множество состояний (или линий поведения) системы так, что одно состояние более соответствует цели, чем другое.

Цель большей частью связывают с субъектом управления. Поэтому отличие действительных характеристик состояния (или поведения) системы от желаемых можно интерпретировать как потребности субъекта управления. Обозначим потребности субъекта как

А=(a₁, a₂, … a_i, …a_k)

где a_i=a_i^N - a_i^g, a_i^N – нормативная (желательная) i-я характеристика системы (объекта); a_i^g – действительно наблюдаемая i-я характеристика состояния (или линии поведения) объектов в заданный момент времени t.

Свое поведение субъект строит так, чтобы минимизировать свои потребности, т.е.

a_i à min, i=1, 2,... k.

Таким образом, процесс управления – процесс удовлетворения потребностей субъекта. Алгоритм управления подвергается декомпозиции на две стадии.

На первой стадии определяется цель управления Z*

Z*=f₁(A_t, X),

где f₁ – алгоритм синтеза цели Z* по потребностям A_t.

Введение символа Х вызвано необходимостью учесть влияние среды на поведение объекта. Тем самым цель Z* можно рассматривать как модель потребного будущего, т.е. такое состояние объекта Y_x^*, которое бы удовлетворяло потребности субъекта A_t при имеющемся состоянии среды Х.

Формируя цель Z* с помощью f₁ субъект тем самым как бы отчуждает свои потребности и переводит их на язык состояний объекта:

Z*: Y_t à Y^*,

где Y_t – состояние объекта в момент времени t; Y^* - желаемое состояние объекта.

Это дает возможность субъекту передавать процедуру управления другому объекту или даже автомату. Появление цели позволило стать управлению универсальным средством синтеза и целенаправленного поведения объекта

На второй стадии определяется функция воздействия на объект U_t^*, реализация которой обеспечивает достижение цели Z*, что и приводит к удовлетворению потребностей субъекта:

U_t^*=f₂(Z*, X, Y_t).

В этом управлении состояние среды и состояние объекта характеризуются величинами соответствующих параметров состояний, замеряемых каким-либо образом. Результаты измерений (X`, Y`) образуют исходную информацию I_t=(X`, Y`), необходимую для формирования управляющих воздействий U. Таким образом, управление можно представить как управляющее воздействие

U=f₂(Z*, I),

управление образуется четверкой

<<Z*, I, U, f₂>>,

обозначающей соответственно цель, информацию, управляющее воздействие, алгоритм управления[10].

Целям присущи такие качества, как сопричастность, развертываемость и соотносительная важность. Эти свойства целей положены в основу одного из методов системного анализа – так называемого метода «дерева целей». Построение «дерева целей» заключается в разработке графа типа «дерево», корень которого соответствует главной цели.

Рис.3. Схема дерева целей

Смысл дерева целей заключается в том, что когда общую цель системы не удается связать со средствами ее достижения, ее разбивают на более мелкие цели, выполнение которых достигается в результате отдельных функций управления.

При формировании комплекса целей управления осуществляется редукция целей, т.е. разложение общих целей на частные, простые, конкретные. Общие цели превращаются в цели-задания, конкретные задания, поручения:

Цель à подцель à цель-задание à конкретные задания à поручения

Целям присуще свойство имманентности – появление собственных целей каждого уровня управления, отражающих интересы данного уровня.

В литературе по управлению достаточно полно освещены вопросы методического характера, связанные с разработкой дерева целей. Интересно отметить, что анализ функций систем управления аналогичен анализу целей.

Функциям управления, так же, как и целям управления, присущи свойства соподчиненности, равертываемости и соотносительной важности, что позволяет использовать для их исследований метод «дерева функций».

Функции применительно к системе управления могут рассматриваться как совокупность действий, совершаемых в определенном технологическом порядке и ориентированных на достижение цели управления.

При формировании дерева функций общие функции могут быть разложены на частные, затем на отдельные операции и, в конечном итоге, на конкретные действия.

Функция à подфункция à процедура à операция à действие

Необходимо иметь в виду, что каждая функция может иметь множество подфункций, соответственно, подфункция – множество процедур, операция – множество действий.

Не менее важное понятие – структура системы управления. Под структурой системы управления будем понимать совокупность элементов, участвующих в реализации функций системы.

В общественных системах управления используется понятие «административная структура». На практике возникает сложная задача определения целесообразной структуры управления. Для решения этой задачи применяются методы анализа системы управления, в частности, метод функционально-целевого анализа и метод структурно-функционального анализа. Для проведения указанных видов анализа удобно использовать матричную интерпретацию взаимосвязей функций и целей системы управления.

Матрица наиболее простого вида представлена в таблице 1.

Таблица 1

Элемент целей Элемент функций	А1, А2, … Аj,...,An	j=1... n
B1 B2 . . .	X11, X12 … X1j …. X1n X21, X22 … X2j …. X2n .............................. .............................	X1j – степень участия функции Вi в достижении цели Аj
Bi . . .	Xi1, Xi2 … Xij …. Xin .............................. .............................	0<= Xij <=1 – условие неизбыточности функции
Bm	Xm1, Xm2 … Xmj …. Xmn	m å Xij =1 – условие ^j^=1 полноты выполнения цели j=1,m

Применительно к функционально-целевому анализу, строки матрицы будут соответствовать элементарным целям, а столбцы – элементарным функциям, которые необходимы для достижения этих целей.

Задача структурно-функционального анализа может быть также представлена в матричной форме, где строки соответствуют элементарным функциям, а столбцы – элементам административной структуры. Таким путем может быть построена матрица взаимосвязи административной и функциональной структуры системы управления.

Структурно-функциональный анализ позволяет упорядочить проектирование административных структур управления. На основе структурно-функционального анализа могут быть уточнены должностные инструкции сотрудников и положения о структурно-функциональный анализ более наглядно раскрывает содержание нормативных документов и отражает динамику процесса управления. Метод структурно-функционального анализа в комплексе с методом функционально целевого анализа позволяет достаточно полно проанализировать оптимальность построения системы управления и получить необходимые данные для ее совершенствования.[Панов, с.61-66]

Качество систем управления

Достижение конкретных целей может обеспечиваться системой управления с различной степенью успеха. Это свойство системы управления можно определить как ее качество[11]. В нашем понимании качество системы управления есть ее способность выполнять возложенные на нее функции управления и обеспечивать достижение поставленных перед ней целей.

Качество системы управления может измеряться уровнем и показателями. Чем выше качество системы управления, тем более полно достигаются поставленные цели. В зависимости от характера целей и задач, стоящих перед системой управления, она может оцениваться различными показателями.

Наиболее общим показателем качества системы управления является ее эффективность. Показателями качества также могут быть экономичность, мобильность, надежность и т.п.

Характеристика качества системы управления является интегральной и позволяет в полной мере использовать преимущества системного подхода. Другими словами, результаты анализа отдельных сторон управленческой деятельности могут быть эффективно использованы для совершенствования системы управления путем оценки показателей ее качества.

Непосредственное отношение к понятию качества систем управления имеет равновесие систем. По уровню равновесия системы делят на три вида: устойчивую, нейтральную и неустойчивую системы.

Если при отклонении системы от равновесного состояния появляются факторы, которые стараются вернуть ее в первоначальное состояние, то такая система называется устойчивой.

Если в результате нарушения равновесного состояния происходит последующее удаление от него, то такая система называется неустойчивой.

Если при отклонении системы от первоначального положения она занимает следующее равновесное состояние, система называется нейтральной. [Панов, с.66-67]

Эвристические технологии. Роль эвристики в разработке управленческих решений

Эвристический уровень абстрактного описания рациональных систем занимает среди прочих уровней особое положение. Рас­смотрение системы объекта на эвристическом уровне предпола­гает выбор пути решения той или иной задачи, уже поставленной субъектом по отношению к рассматриваемой системе, на одном из уровней абстрагирования. Применение эвристических методов наиболее актуально при решении задач, описание которых связа­но с алгебраизацией, топологическим или динамическим описани­ем предметной области.

Эвристический уровень связан с применением эвристических процедур и методов, которые призваны заменить классические.

Классические методы решения задач, как правило, имеют стро­гую математическую базу. Они осуществляют исчерпывающий пе­ребор и дают абсолютно достоверные и единственно правильные решения. Однако этот перебор является «слепым» и ведет поиск равномерно во всех направлениях, независимо от того, где нахо­дится цель.

Между тем во многих прикладных задачах имеется определен­ная информация о нахождении цели. Именно для целенаправлен­ного поиска решения и предназначены эвристические методы.

Методы поиска решения задач

Для более четкого понимания сути эвристических методов приве­дем классификацию существующих методов.[12] Итак, среди методов различают:

- алгоритмические;

- эмпирические;

- эвристические.

Алгоритмические методы, или методы слепого перебора (их иногда называют алгоритмами британского музея), осуществляют полный систематический или случайный перебор без учета конк­ретных особенностей задачи.

В основу эмпирических методов, или методов «поиска под фо­нарем», кладется интуиция, здравый смысл и личный опыт специ­алиста без претензии на полноту исследования. Эмпирическими являются правила типа: «Если потерял очки в темной аллее, ищи их под фонарем - так легче искать». Методы этого типа неплохо действуют в привычных условиях, но чреваты потерей решения в более сложных случаях.

Наиболее привлекательными являются эвристические методы.

Метод может считаться эвристическим, если он позволяет ис­пользовать конкретные особенности задачи для существенного сужения области поиска без потери решения. В отличие от эмпи­рических методов, эвристические методы способны находить ре­шения даже в очень сложных, непредвиденных ситуациях, однако в этих случаях эвристические методы уступают по эффективности методам алгоритмическим.

Заметим, что приведенная классификация методов является достаточно условной. Любой хороший реальный метод обладает лучшими чертами каждого из трех классов методов.

В основе любого эвристического метода лежит эвристика -использование дополнительной информации, которая не представ­лена в формальном виде и, следовательно, не фигурирует в пер­воначальной постановке задачи.

Среди наиболее известных эвристик - метод Харта, Нильсона и Рафаэла поиска пути для системы планирования движения ла­бораторного робота Шейки, использующий эвристическую функцию, а также «основная эвристика обучения», выдвинутая Минским и Сэлфриджем.

Эвристика обучения формулируется следующим образом: «В новой ситуации попытайся использовать методы, подобные тем, которые лучше всего работали в аналогичных уже известных ситу­ациях». Метод, использующий эту эвристику, обладает свойством самообучения.

Методы самообучения особенно важны в тех случаях, когда си­стема должна длительное время функционировать в условиях пол­ностью или частично неизвестной среды. По мере накопления опы­та самообучающаяся система улучшает свое поведение, и на ка­кой-то стадии можно утверждать, что она выработала оптималь­ную стратегию.

Как следует из вышесказанного, эвристические методы за­нимают важное место в теории искусственного интеллекта, а проблема самообучения является весьма актуальной в системах искусственного интеллекта, в частности, в экспертных системах.

Процессы самообучения в социальных системах

Для иллюстрации действия эвристических методов приведем интерпретацию самообучения в социальных системах на дискрет­ной модели.

При прочих равных условиях кибернетическая система, обла­дающая свойством обучаемости, значительно превосходит по сво­им возможностям необучающуюся систему. Обучаемость является важнейшим свойством живой природы, в которой она проявляется в самых разнообразных формах.

Ученые биологи и физиологи проделали огромное количество экспериментов, направленных на изучение этого свойства. Наибо­лее доступными и наглядными являются эксперименты по поведе­нию животных в условиях знакомого или частично знакомого лаби­ринта. Оказывается, что человек, занимающийся решением той или иной проблемы, находится в аналогичных условиях, сравнимых с нахождением в лабиринте. Само решение проблемы может быть интерпретировано как результат поиска пути выхода из преслову­того лабиринта.

Рассмотрим дискретную модель упомянутых опытов. Заметим, что мы могли бы оставаться в рамках непрерывной модели, но для этого потребовался бы более сложный математический аппарат, чем аппарат теории конечных графов, который мы используем.

Прежде всего вспомним, что временной граф определяется как (X, с), где Х - конечное множество вершин, а с - неотрицательная функция, определенная на множестве пар (х, у), где х, у Î X обра­щаются в ноль тогда и только тогда, когда х = у, т.е. (с = 0 «х = 0), и принимающая быть может несобственное значение ¥. Пару (х, у) назовем дугой тогда и только тогда, когда (х, у) «0 < с(х, у) < ¥.

Иногда будем говорить, что пары вида (х, х) образуют вырож­денные дуги, а пары (х, у), для которых функция с (х, у) = ¥ образу­ют несобственные дуги. Но помимо этого существует еще одна функция, которую будем использовать.

Рис. 4. Граф дискретной модели поведения системы

Имеет место функция Беллмана (h^*|x), характеризующая стоимость прямого пути (расстояния) от данной вершины графа до целевой.

Рассмотрим сеть, состоящую из 6 вершин (сеть – симметричный граф, в котором пары дуг вида (х, y) и (y, x) имеют одинаковую стоимость). Допустим, что эта сеть образовалась в результате повреждения нескольких связей другой исходной сети (рис.4).

Будем считать, что исходная сеть была хорошо изучена системой, в частности известна для исходной сети функция Беллмана h₀^*, значения которой указаны в следующей таблице:

x	s	a	b	c	d	t
h0^*(x)

Функцию Беллмана исходного графа возьмем в качестве эвристической функции для текущего графа, связи которого обозначены сплошной линией.

Итак, в начальный момент h(s)= h₀^*. Обучение будет состоять в изменении значений эвристической функции. В отличие от алгоритма Харта-Нильсона-Рафаэла, изначально определяющего весь путь от начала до конца, наш алгоритм предполагает перемещение системы в соответствии с изменением эвристической функции. Это означает, что, находясь в произвольном пункте x, система выбирает такую дугу (x, y), для которой величина с(x, y)+h(y) – минимальна, где c(x,y) – вес дуги, h(x) – значение эвристической функции в данной точке.

Но, если бы при этом ничего больше не происходило, в данной модели система зациклилась бы на пути (s, a, b, a, b,...).

Впервые попав в точку а, система видит, что прямой путь в целевую вершину t невозможен и лучше всего, доверяя эвристической функции, переместиться в пункт b.

c(a,b)+h(a)

^{______________}

c(a,b)+h(a)

Значит, пункт а – не так хорош, как казалось, когда система была в точке s, тогда нужно было бы сразу переместиться в пункт b, но, чтобы не повторять своей ошибки, система должна поставить пометку в пункте а, которая представляет собой новое скорректированное значение эвристической функции, при этом система как бы рассуждает следующим образом.

Движение по дуге из a в b требует затрат в 5 единиц, на весь дальнейший путь должно уйти 9 единиц, если доверять значению единственной функции в b, но пока нет оснований не доверять этому значению. Известно только, что h(a) не соответствует действительности.

Таким образом, на весь путь уйдет ориентировочно 5+9=14 единиц, значит необходима коррекция эвристической функции в точке a по формуле:

h(a):=14.

Система перемещается в b и для следующего шага ищет точку x, которая минимизирует прогнозируемые затраты на дальнейший путь.

Такой точкой оказывается снова вершина x=a.

Система перемещается в a, несмотря на то, что она только что была в этом пункте. При этом система корректирует значение h(b) по формуле:

h(b)=c(b,a)+h(a)=14+5=19.

Итак, каждый раз, оказавшись в очередной точке x_i, система в качестве следующего пункта x_i+1, выбирает тот, для которого величина c(x_i, x_i+1)+h(x_i+1) – минимальна. При этом производится коррекция эвристической функции

h(x_i):=c(x_i, x_i+1)+h(x_i+1).

Весь процесс поиска описывается в терминах пути g, который строит система из скорректированных значений эвристической функции в точках этого пути. В данном случае ход процесса отображен в таблице:

xi

s

a

b

a

s

b

c

b

a

b

s

a

b

c

d

f

h(xi)

Внешне поведение системы выглядит как случайное блуждание, но внутри системы происходят необратимые изменения, обеспечивающие будущий успех. К моменту, когда система оказалась в t, эвристическая функция получила следующие значения:

x	s	a	b	c	d	t
h(x)

Во втором эксперименте система из s направляется в b и далее довольно быстро попадает в t.

Увеличивая число экспериментов (до трех), система достигает такой степени обученности, которая позволяет ей достигнуть целевой точки наиболее рациональным путем.

Итак, мы рассмотрели алгоритм, который на дискретной модели пространства состояний ведет себя так же, как и система биологической, социальной и иной природы в процессе самообучения.

В заключение отметим следующее. Теория гарантирует, что эвристические методы непременно находят решение при условии, что оно существует. Методы считаются эвристическими, потому что в них активно используется эвристическая функция, в которой содержится информация о местонахождении цели и о промежуточных точках на пути к ней.

Благодаря этому удается значительно сократить объем вычислений, если эта информация является достоверной. Если же информация ошибочна или граф поведения системы полностью задан, то эвристические методы уступают классическим. На базе указанных методов, а также классов рациональных систем строится процесс моделирования систем. [Панов, с.85-90]

Дата добавления: 2015-06-28