Вопросы региональной экономики №1(6) 2011

 
Вопросы региональной экономики №1(6) 2011 
56 
мых  в  рамках  нового  научного 
направления,  называемого  ис-
кусственным 
интеллектом 
[15].  В  качестве  аппарата  в  ЭС 
используются  и  методы  нечет-
кой  логики,  и  логика  теоремы 
Байеса,  и  техника  нейросете-
вых,  генетических,  возможно-
стных вычислений. 
Экспертные 
системы, 
как  компьютерные  программы 
(иногда  называемые  оболочка-
ми),  предполагают  две  катего-
рии пользователей: 
1.  эксперты, 
которые 
«накачивают»  ЭС  знаниями  и 
данными; 
2.  пользователи,  которые 
вводят исходные данные, на ос-
новании которых ЭС делает вы-
воды  (выдает  вариант  решения, 
оценку,  и  т.п.),  основанные  на 
знаниях,  заложенных  в  нее  экс-
пертами. 
ЭС  представляют  собой 
одну  из  форм  систем  поддерж-
ки принятия решений (СППР) и 
в  настоящее  время  достаточно 
широко используются в различ-
ных  областях  деятельности.  Но 
больше  они  себя  зарекомендо-
вали для решения задач диагно-
стики и классификации. 
Технологически  ЭС  бы-
ли  одними  из  первых  систем, 
которые  позволяли  отделять 
опыт  ЛПР  (эксперта)  от  его 
субъективного  носителя,  раз-
мещать его в компьютере в виде 
некоторой  формальной  струк-
туры  и  использовать  другими 
лицами независимо от субъекта 
-  исходного  носителя  опыта. 
Этим опытом, в виде ЭС, могут 
пользоваться  и  другие  ЛПР 
(эксперты)  в  собственных  зада-
чах  выбора  решений.  При  этом 
вовсе  не  следует,  что  ЛПР,  как 
конечный пользователь, примет 
именно  то  решение,  которое 
сформировано  экспертной  сис-
темой. Оно может быть исполь-
зовано как первое приближение 
для  выбора  окончательного  ре-
шения,  или  вовсе  проигнориро-
вано.  В  качестве  наиболее  ха-
рактерных 
можно 
выделить 
следующие классы ЭС [19]: 
 Диагностирующие. 
Они  позволяют  по  измерениям 
входных  и  выходных  величин 
(или  просто по  ансамблю  изме-
рений)  сделать  заключение  о 
том,  находится  ли  состояние 
объекта  в  норме  или  нет.  Объ-
ектами диагностики могут быть 
люди,  автомобили,  другие  тех-
нические  устройства,  объект 
экологического  мониторинга  и 
т.п.  ЭС  данного  класса  могут 
стоять  в  контуре  управления 
неким  объектом,  когда  необхо-
димо  оперативное  вмешатель-
ство,  например,  управление  в 
экстремальных  режимах  атом-
ными  реакторами  и  другими 
крупными и аварийноопасными 
объектами; 
 Прогнозирующие.  Та-
кие  ЭС  используются  там,  где 
те  или  иные  действия  основы-
ваются на прогнозе показателей 
на некоторый интервал времени 
вперед.  Например,  при  управ-
лении  инвестиционным  порт-
фелем и т.п.; 

 
Вопросы региональной экономики №1(6) 2011
 
57 
 Планирующие.  При  по-
строении  сетевых  графиков, 
циклограмм,  расписаний,  при 
планировании закупок материа-
лов и/или оборудования в усло-
виях ограниченных финансовых 
ресурсов и др.; 
 Интерпретирующие. К 
таким  относятся  системы  ин-
терпретации  рентгенограмм  и 
иных  результатов  измерения 
параметров  пациентов  в  меди-
цине, психологических тестов в 
психиатрии,  данных  геолого-
разведки и т.п. 
Основными 
функцио-
нальными  модулями  эксперт-
ных систем являются:  база зна-
ний  и  механизм  вывода.  База 
знаний  (БЗ)  состоит  из  двух 
частей:  факты  (или  деклара-
тивные  знания)  и  процедурные 
знания.  Факты  отражают  со-
стояния  некоторых  объектов 
или  явлений  (например,  нор-
мальная температура в помеще-
нии  или  нет,  светится  экран  те-
левизора или нет и т.п.). Факты 
обычно представляют собой не-
кий  список  терминов,  специ-
фичных  для  соответствующей 
предметной  области.  Проце-
дурные  знания  -  это  некие  пра-
вила,  позволяющие  манипули-
ровать  исходными  фактами  для 
получения  выходных  фактов 
(заключения,  решения,  и  т.  п.). 
Одна  из  форм  процедурных 
знаний  -  это  схемы  продукции 
типа «ЕСЛИ Факт1 И Факт2 ТО 
Факт3  ИНАЧЕ  НЕ Факт4».  Для 
ЭС 
такого 
типа 
эксперт-
источник  знаний  должен  запи-
сать  всю  исчерпывающую  сис-
тему  подобных  продукционных 
правил,  учитывающих  все  си-
туации,  возможные  в  данной 
предметной области. 
Процедурные знания мо-
гут быть построены и на основе 
вероятностной  парадигмы,  ба-
зирующиеся  на  теореме  Байеса 
[17], где факты могут иметь ме-
сто  с  некоторыми  вероятностя-
ми.  Подобные  ЭС  называют 
нейлоровскими  [19].  Для  таких 
ЭС,  следуя  логике  формулы 
Байеса,  необходимо  задать  все 
условные  и  безусловные  веро-
ятности для цепочки взаимосвя-
занных  событий.  Вместе  со 
списком  фактов  они  определят 
модель  знаний  эксперта  в  дан-
ной предметной области. 
Кроме правил продукции 
приведенных двух типов, суще-
ствует довольно много и других 
подходов  к  построению  баз 
знаний  и  механизма  вывода. 
Среди 
наиболее 
значимых 
можно  отметить  нейросетевые 
и эволюционные (генетические) 
варианты  организации  баз  зна-
ний  [20].  При  этом  в  описании 
моделируемых 
объектов 
ус-
пешно  используется  нечеткая 
логика,  как  удобный  инстру-
мент  представления  данных  и 
вывода.  Нейронные  сети  пред-
ставляют собой некое поле эле-
ментов,  преобразующих  подоб-
но  нейронам  головного  мозга 
совокупность входных сигналов 
в  выходные.  Нейроны  взаимо-
увязаны  посредством  входных 
дендритов  и  выходных  аксонов 

 
Вопросы региональной экономики №1(6) 2011 
58 
через  синаптические  связи.  Ка-
ждый  нейрон  может  выполнять 
те  или  иные  функции  (актива-
ционные  функции)  над  вход-
ными  сигналами,  в  результате 
чего выдавать на аксон соответ-
ствующий  сигнал  (значение). 
Все  входные  значения  обраба-
тываются с весами. Простейшей 
функцией 
нейрона 
является 
суммирование  входных  значе-
ний  со  своими  весами.  Если  в 
продукционных  ЭС  «закачать» 
знания  означало  записать  все 
правила  вывода  или  вычисле-
ний,  то  в  нейронных  сетях  зна-
ния  заключены: в  структуре  се-
ти  (взаимосвязи  нейронов);  в 
активационных  функциях  ней-
ронов;  в  значениях  весов,  с  ко-
торыми  воспринимается  тот 
или  иной  входной  сигнал  ней-
рона. 
Вообще  говоря,  правила 
продукций  тоже  могут  быть 
представлены  в  виде  нейропо-
добной  сети  с  входами,  выхо-
дами  и  преобразованиями.  Та-
ким  образом,  в  нейронных 
представлениях  знаний  сущест-
вует  огромное  количество  сте-
пеней  свободы.  Часть  этих  сте-
пеней  структурные,  а  часть  па-
раметрические  (веса).  Доста-
точно  часто  в  той  или  иной 
предметной  области  для  реше-
ния  соответствующего  класса 
задач  (например,  для  распозна-
вания  рукописных  букв)  на-
стройка  структуры  и  парамет-
ров  разделены  -  построение 
структуры  (связи  нейронов  и 
функции  преобразования  в  ка-
ждом  из  них)  выполняется  с 
учетом  особенностей  задачи,  а 
параметры  настраиваются  на 
множестве  обучающих  предъ-
явлений  (обучающая  выборка), 
в  каждом  из  которых  для  набо-
ра  входных  сигналов  есть  соот-
ветствующие им выходные зна-
чения (например, это изображе-
ние  есть  буква  «А»,  а  это  -  «Б» 
и  т.  д.).  За  счет  специальных 
механизмов  (существуют  раз-
личные  алгоритмы)  коррекции 
весов  после  ряда  обучающих 
предъявлений  веса  настраива-
ются  таким  образом,  что  могут 
формировать  по  входному  на-
бору  значений  соответствую-
щее  выходное  значение  с  при-
емлемой вероятностью ошибки. 
Нейросети 
представляют 
по 
существу  некоторый  «черный 
ящик»,  ставящий  в  соответст-
вие  набору  входных  величин 
некоторую  совокупность  вы-
ходных.  Подобные  структуры 
внешне  аналогичны  фон  Ней-
мановским  конечным  автома-
там, состоящим из набора логи-
ческих элементов И, ИЛИ, НЕ и 
некоторых  функций  преобразо-
вания, однако позволяют (с уче-
том аппарата нечеткой логики и 
генетических 
алгоритмов) 
строить  гораздо  более  эффек-
тивные  вычислительные  уст-
ройства  (называемые  нейро-
компьютерами и находящимися 
в настоящее время в стадии ис-
следований). 
Многослойная 
нейрон-
ная  сеть  обычно  состоит  из 
входного  и  выходного  слоев,  а 

 
Вопросы региональной экономики №1(6) 2011
 
59 
также  из  нескольких  внутрен-
них  (скрытых)  слоев.  Одним  из 
недостатков  нейронной  сети 
является то, что обученная сеть 
представляет  собой  «черный 
ящик»,  выдающий  некоторый 
достаточно  адекватный  отклик 
на  входной  сигнал,  а  дополни-
тельные  знания  экспертов  мож-
но  учесть  только  через  перена-
стройку  и/или  переобучение 
сети.  Другая  проблема  заклю-
чается  в  обработке  входных 
сигналов,  заданных  в  разных 
шкалах т.к. при вычислении от-
клика нейронная сеть предпола-
гает  непрерывность  всех  значе-
ний.  Теория  нейронных  сетей 
все  еще  полна  белых  пятен, 
свидетельствующих  о  продол-
жающемся  периоде  становле-
ния  ее  как  прикладной  дисцип-
лины. 
Управление  в  техниче-
ских системах.  Применительно 
к  управлению  производствен-
ными  процессами  исторически 
так  сложилось,  что  развивались 
два  направления:  АСУПы  и 
АСУТП.  Особенностями  АСУ-
Пов  было  существенное  влия-
ние  человеческого  фактора  на 
объект  управления,  а  отсюда  - 
слабая  формализуемость  мно-
гих 
организационно-
производственных  процессов,  а 
значит  и  автоматизации  подле-
жали  лишь  отдельные  частные 
задачи.  АСУТП  напротив  - 
практически  не  были  подвер-
жены  влиянию  человеческого 
фактора  и  могли  быть  автома-
тизированы  практически  пол-
ностью.  Предельной  степенью 
развития АСУТП стали заводы-
автоматы. 
В 
АСУТП 
находили 
применения  все  технологии, 
успешно  развиваемые  и  в  дру-
гих  направлениях,  например,  в 
управлении  летательными  ап-
паратами,  иными  транспортны-
ми  средствами,  как  в  бортовом, 
так  и  в  удаленном  исполнении. 
В  автоматическом  управлении 
техническими  объектами  было 
разработано  довольно  много 
методов,  подходов  и  техноло-
гий,  которые  обеспечивали  эф-
фективное  управление  в  самых 
различных  условиях  среды  (не-
стационарность,  противодейст-
вие  и  т.  п.).  Именно  в  управле-
нии  техническими  объектами 
были  успешно  использованы 
некоторые  принципы  живой 
природы,  такие  как  обратная 
связь,  резервирование  и  т.  п. 
Однако  до  момента  появления 
достаточно  мощных  цифровых 
процессоров технологии систем 
управления  техническими  и ор-
ганизационно-техническими 
объектами  развивались  практи-
чески  независимо.  Для  систем 
управления  техническими  объ-
ектами  широко  использовалась 
аналоговая  аппаратура.  В  по-
следнее 
время 
программно-
технические  средства  как  для 
управления  техническими  объ-
ектами,  так  и  для  управления 
организационно-техническими 
практически  не  отличаются.  И 
алгоритмы  управления  могут 
быть  идентичными.  Одним  су-

 
Вопросы региональной экономики №1(6) 2011 
60 
щественным  отличием  остается 
разное  допустимое  время  реак-
ции. 
За  время  независимого 
развития этих двух разновидно-
стей  систем  управления  было 
очень  много  сделано  в  таких 
направлениях  как  фильтрация 
(винеровская  и  калмановская), 
идентификация,  оценивание.  А 
ориентация  на  реализацию  в 
цифровых  процессорах  позво-
ляет использовать эти разработ-
ки также и в системах  управле-
ния 
организационно-
технических 
(экономических) 
объектов. 
Методы  активного  тес-
тирования 
(воздействия) 
на 
объект  управления  для  оцени-
вания  его  динамических  харак-
теристик  (активная  идентифи-
кация),  также  является  важным 
технологическим  инструментов 
при построении моделей управ-
ляемого  объекта  или  звеньев 
системы  управления.  Правиль-
ный  подбор  тестирующих  воз-
действий (если такое допустимо 
для  соответствующих  систем) 
позволяет  максимально  быстро 
получить данные о неизвестных 
параметрах,  на  основании  чего 
затем и выполнить эффективное 
управление.  Следует  отметить, 
что  подобные  подходы  доста-
точно  длительное  время  разра-
батывались  и  для  чисто  «руч-
ных»  применений  в  рамках  та-
кого  направления  прикладной 
статистики,  как  «Планирование 
эксперимента».  Принципы  ду-
ального  управления  для  техни-
ческих 
объектов 
позволяют 
строить  алгоритмы  решения 
одновременно  задач  идентифи-
кации динамических характери-
стик объекта управления и син-
теза  управляющих воздействий. 
Такой  подход  также  представ-
ляет  интерес  при  конструиро-
вании алгоритмов управления и 
экономическими объектами. 
Исследование 
опера-
ций.  Подход,  разработанный  в 
рамках  прикладного  научного 
направления,  называемого  «Ис-
следование  операций»  (ИО), 
возник  как  один  из  инструмен-
тов  анализа  и  управления  в 
сложных 
организационно-
технических  системах  при  пла-
нировании  и  выполнении  воен-
ных  операций  в  Великобрита-
нии  во  время  Второй  мировой 
войны.  После  войны  подход  и 
методы  исследования  операций 
широко  применялись  в  самых 
разнообразных  сферах  -  от  во-
енно-стратегических 
исследо-
ваний до торговых операций [1, 
11,  17,  18,  19].  Востребован-
ность  методов  ИО  была  обу-
словлена  появлением  достаточ-
но  сложных  организационно-
технических  систем,  которыми 
надо было управлять, оценивать 
их  состояние  и  эффективность 
функционирования. Кроме того, 
в  это  время  бурно  развиваются 
вычислительные  машины,  спо-
собные  решать  возникающие  в 
ИО  сложные  задачи.  К  тому 
времени  разработаны  и  теоре-
тические  основы  ряда  направ-
лений в ИО - матричные и диф-

 
Вопросы региональной экономики №1(6) 2011
 
61 
ференциальные  игры,  системы 
массового обслуживания и др. 
В  основе  методов  ИО 
всегда  лежала  модель,  как  не-
кий  образ  реально  существую-
щего объекта. Все исследования 
объекта  строились  на  модели, 
на  ней  вырабатывались  управ-
ления  и  выполнялись  необхо-
димые оценки. Модель может в 
разной  степени  полноты  отра-
жать  реальную  действитель-
ность,  но  часто  она  является 
единственной 
возможностью 
исследовать  показатели,  свой-
ства  и  поведение  объекта.  По 
выражению  Т.Саати  [16]  «Ис-
следование  операций  представ-
ляет собой искусство давать от-
веты  на  практические  вопросы, 
по  которым  другие  методы  не 
дают никаких». 
Сегодня ИО  - это огром-
ное  поле  направлений  [1,  6,  9, 
14,  17,  18,  19,  16]  с  размытыми 
границами  и  порой  незаметно 
переходящее  в  другие  дисцип-
лины,  а  иногда  являющееся 
предметом  споров  о  принад-
лежности  к  ИО.  Методы  ИО 
иногда отождествляют с Техни-
ческой  кибернетикой,  Эконо-
мической  кибернетикой  и  т.  п. 
Поэтому  к  ИО  могут  быть  при-
числены 
различные  отрасли 
прикладной  математики.  Здесь 
будем иметь в виду лишь те на-
правления  ИО,  которые  содер-
жат  модели,  методы  и  алгорит-
мы  выбора  решений.  Из  тради-
ционных  направлений  ИО  рас-
сматриваются такие области как 
математическое  программиро-
вание, теория игр, теория стати-
стических решений, марковские 
процессы  с  платежами.  Хотя 
этот  список  не  является  исчер-
пывающим. 
Важная  особенность  ИО 
состоит  в  том,  что  к  настояще-
му  времени  создано  большое 
количество  моделей,  которые 
структурно  адекватно  описы-
вают  различные  классы  реаль-
ных  объектов  и  систем.  Так  за-
даче  выбора  наилучшего  ра-
циона  или  раскроя  материалов 
соответствуют  модели  линей-
ного  программирования,  задаче 
выбора  стратегий  в  конфликт-
ных  ситуациях  -  матричные  иг-
ровые  модели,  задаче  выбора 
траектории  погони  -  модели 
дифференциальных  игр  и  т.п. 
При  этом  модели,  как  автоном-
ные сущности, были достаточно 
детально  и  всесторонне  иссле-
дованы.  Кроме  того,  для  раз-
личных  практических  приложе-
ний,  имеющих  разнообразные 
специфические 
особенности, 
были  созданы  многочисленные 
модификации  исходных  базо-
вых  вариантов  моделей.  Но  до 
сих  пор  подбор  модели,  наи-
лучшим 
образом 
соответст-
вующей  реальной  системе,  ос-
тается  в  большей  части  искус-
ством.  И  самым  острым  на  се-
годня  остается  вопрос  адекват-
ности модели реальному объек-
ту  моделирования.  Применение 
на  практике  неадекватных  мо-
делей  приводит  к  их  дискреди-
тации  в  глазах  пользователей, 
поскольку  предлагаемые  на  ос-

 
Вопросы региональной экономики №1(6) 2011 
62 
нове  модели  решения  могут 
быть  оптимальными  лишь  при 
адекватных  моделях.  При  со-
временном 
уровне 
развития 
процессорной  техники  в  таких 
случаях  иногда  бывает  удобнее 
произвести  полный  перебор  ва-
риантов  и  выбрать  из  них  наи-
лучший.  Понимая  относитель-
ность  оптимальных  решений,  в 
какие-то  периоды  развития  ИО 
высказывались  предложения  об 
исключении  термина  «опти-
мальный»  из  лексикона  ИО, 
предлагалось  заменить  его  на 
«субоптимальный»  и  т.  п.  Од-
нако  эти  и  другие  проблемы 
практического  применения  мо-
делей  ИО  не  снижают  к  ним 
интереса  из-за  удобства  интер-
претации  результатов,  прозрач-
ности  структуры  модели,  нали-
чия  большого  арсенала  средств 
и  технологий  поиска  решений 
на их основе и в силу ряда дру-
гих достоинств. Чего пока нель-
зя  сказать  об  экспертных  сис-
темах,  воспринимаемых  в  ос-
новном как «черный ящик». 
Классическая 
схема 
(традиционная 
парадигма) 
применения 
технологии 
и 
средств  ИО  заключается  в  сле-
дующих шагах [17, 18]: 
1.  Анализ  объекта  и  оп-
ределение  цели  исследования. 
Выбор  учитываемых  парамет-
ров, показателей и критериев. 
2.  Построение 
модели, 
адекватной  объекту.  Этот  этап 
технологии  ИО  всегда  оставал-
ся больше предметом искусства 
или  некоторого  «шаманства», 
выполняемого 
квалифициро-
ванными специалистами в соот-
ветствующей  предметной  об-
ласти и одновременно в области 
построения моделей ИО. Обыч-
но  такая  работа  выполнялась 
группой  системных  аналитиков 
на фазе разработки системы или 
же  эпизодически  в  режиме  аут-
сорсинга,  очень  редко  силами 
собственного 
специального 
подразделения  т.к.  конечному 
пользователю  желательно,  как 
финальный  продукт,  получать 
решение, а не модель. 
3.  Исследование  модели 
и  поиск  оптимального  решения 
на модели. 
4.  Реализация  решения  и 
оценка его эффективности. 
В  тех  случаях,  когда 
многократно  на  протяжении 
продолжительного 
периода 
времени  принимаются  решения 
по модели (выполняются только 
пункты  3,  4),  часто  возникают 
сомнения  в  степени  соответст-
вия  модели  реальному  объекту, 
а  иногда  возникают  и  прямые 
противоречия с реальной дейст-
вительностью  в  силу  влияния 
факторов  внешней  среды  и 
иных  дестабилизирующих  воз-
действий. Поэтому хотя бы эпи-
зодически  возникает  необходи-
мость  в  выполнении  кроме 
пунктов  3,  4  и  пунктов  1,  2.  На 
этом  этапе проявляется одно  из 
существенных  противоречий  в 
ситуациях, 
когда 
подобные 
схемы используются в  управле-
нии  экономическими  объекта-
ми. Оно заключается в том, что 

 

жүктеу/скачать 2,69 Mb.

Достарыңызбен бөлісу: