Pojęcie systemu, jego właściwości i charakterystyka. Systematyczne podejście do zarządzania operacyjnego. W szeregu prac obejmujących wybrane problemy analizy systemowej słowo „analiza” używane jest z takimi przymiotnikami, jak ilościowy, ekonomiczny, zasobowy i ter.

1. Cel zajęć „Podstawy analizy systemów”. Definicje pojęć „Analiza systemowa, systematyczność”. Cel analizy systemowej (SA)

Istnieją różne punkty widzenia na temat treści pojęcia „analizy systemowej” i zakresu jej zastosowania. Przestudiowanie różnych definicji analizy systemowej pozwala wyróżnić cztery jej interpretacje.

Pierwsza interpretacja traktuje analizę systemową jako jedną ze specyficznych metod wyboru najlepszego rozwiązania problemu, utożsamiając ją np. z analizą opartą na kryterium opłacalności.

Taka interpretacja analizy systemowej charakteryzuje się próbami uogólnienia najbardziej uzasadnionych metod dowolnej analizy (na przykład wojskowej lub ekonomicznej) i ustalenia ogólnych zasad jej realizacji.

W pierwszej interpretacji analiza systemów jest raczej „analizą systemów”, gdyż nacisk położony jest na przedmiot badań (system), a nie na systematyczne rozpatrywanie (uwzględnienie wszystkich najważniejszych czynników i zależności wpływających na rozwiązanie problemu, stosując pewną logikę poszukiwania najlepszych decyzji itp.)

W szeregu prac obejmujących niektóre zagadnienia analizy systemowej słowo „analiza” używane jest z takimi przymiotnikami, jak ilościowy, ekonomiczny, zasobowy, natomiast znacznie rzadziej używa się terminu „analiza systemowa”.

Według drugiej interpretacji analiza systemowa jest specyficzną metodą poznania (przeciwieństwem syntezy).

Trzecia interpretacja traktuje analizę systemową jako dowolną analizę dowolnych systemów (czasami dodaje się, że analiza opiera się na metodologii systemowej) bez dodatkowych ograniczeń co do zakresu jej stosowania i stosowanych metod.

Według czwartej interpretacji analiza systemowa jest bardzo specyficznym teoretycznym i stosowanym obszarem badań, opartym na metodologii systemowej i charakteryzującym się określonymi zasadami, metodami i zakresem. Obejmuje zarówno metody analizy, jak i metody syntezy, które pokrótce opisaliśmy wcześniej.

Zatem analiza systemowa to zbiór pewnych metod naukowych i praktycznych technik rozwiązywania różnych problemów pojawiających się we wszystkich sferach celowej działalności społeczeństwa, w oparciu o podejście systemowe i przedstawienie przedmiotu badań w formie systemu. Charakterystyczną cechą analizy systemowej jest to, że szukanie najlepsze rozwiązanie Problem zaczyna się od zdefiniowania i uporządkowania celów systemu, podczas działania którego powstał problem. Jednocześnie ustalana jest zgodność między tymi celami, możliwymi sposobami rozwiązania powstałego problemu i niezbędnymi do tego zasobami.

Celem analizy systemowej jest pełna i wszechstronna weryfikacja różnych możliwości działania pod kątem ilościowego i jakościowego porównania wydatkowanych zasobów z uzyskanym efektem.

Analiza systemowa ma na celu rozwiązywanie przede wszystkim problemów o słabej strukturze, tj. problemy, których skład elementów i zależności są tylko częściowo ustalone, problemy powstające z reguły w sytuacjach charakteryzujących się obecnością czynnika niepewności i zawierających elementy niesformalizowalne, których nie można przełożyć na język matematyki.

Analiza systemowa pomaga osobie odpowiedzialnej za decyzję bardziej rygorystycznie podejść do oceny możliwych wariantów działania i wybrać najlepszy, biorąc pod uwagę dodatkowe, niesformalizowane czynniki i aspekty, które mogą być nieznane specjalistom przygotowującym decyzję.

2. Przyczyny SA. Cechy doskonałego SA

Analiza systemowa narodziła się w Stanach Zjednoczonych i przede wszystkim w głębi kompleksu wojskowo-przemysłowego. Ponadto w Stanach Zjednoczonych wiele organizacji rządowych badało analizę systemów. Uznano je za najcenniejsze osiągnięcie typu spin-off w dziedzinie obronności i eksploracji przestrzeń kosmiczna. W obu izbach Kongresu USA w latach 60. w zeszłym stuleciu wprowadzono ustawy „o mobilizacji i wykorzystaniu krajowych sił naukowych i technicznych do zastosowania analizy systemów i inżynierii systemów w celu jak najpełniejszego wykorzystania zasobów ludzkich do rozwiązywania problemów krajowych”.

Z analizy systemowej korzystali także menadżerowie i inżynierowie w dużych przedsiębiorstwach przemysłowych. Celem stosowania metod analizy systemowej w przemyśle i handlu jest znalezienie sposobów na uzyskanie wysokich zysków.

Przykładem zastosowania metod analizy systemowej w Stanach Zjednoczonych jest system planowania programów znany jako „planowanie-programowanie-budżetowanie” (PPB), w skrócie „finanse programu”.

Oprócz wykorzystania systemu PPB, w Stanach Zjednoczonych stosuje się szereg systemów prognozowania i planowania, które opierają się na metodach analizy systemowej. W szczególności wykorzystano system informacyjny PATTERN do prognozowania i planowania prac badawczo-rozwojowych, zautomatyzowany system informacyjny FAIM wykorzystano do zarządzania projektem kosmicznym Apollo na wszystkich etapach jego rozwoju, za pomocą systemu QUEST uzyskano ilościową relację pomiędzy wojskami zadania i cele oraz środki naukowo-techniczne niezbędne do ich realizacji, do tych samych celów w przemyśle, był system SKOR.

Główną cechą metodologiczną tych systemów była zasada sekwencyjnego podziału każdego problemu na kilka zadań niższego poziomu w celu zbudowania „drzewa celów”.

Rozważane systemy pozwoliły określić ramy czasowe rozwiązania problemów naukowo-technicznych oraz wzajemną użyteczność pracy, przyczyniły się do poprawy jakości podejmowanych decyzji poprzez przezwyciężenie wąskiego, wydziałowego podejścia do ich podejmowania, odrzucenia intuicyjnego i silnej woli decyzji, a także prac, których nie da się ukończyć w ustalonym terminie.

Jednocześnie praktyka zarządzania w Stanach Zjednoczonych ostatnich dziesięcioleci pokazuje, że terminu „analiza systemów” nie używa się tak często, jak miało to miejsce wcześniej. Wiele związanych z tym podejść do uzasadniania złożonych decyzji było nadal stosowanych i dość intensywnie rozwijanych pod nowymi nazwami – „analiza programu”, „analiza polityki”, „analiza konsekwencji” itp. Jednocześnie „nowość” tego typu analiz kryje się raczej w ich nazwach. Ich podstawą metodologiczną i metodologiczną pozostaje w dalszym ciągu analiza systemowa, ideologia podejścia systemowego.

Analiza systemów to naukowe, kompleksowe podejście do podejmowania decyzji. Cały problem rozpatrywany jest całościowo, cele rozwojowe obiektu zarządzania i różne sposoby ich realizacji określane są w świetle możliwych konsekwencji. W tym przypadku istnieje potrzeba skoordynowania pracy różnych części obiektu sterującego, poszczególnych wykonawców, aby pokierować ich do osiągnięcia wspólnego celu.

Żadna nauka nie rodzi się z dnia na dzień, ale pojawia się w wyniku zbiegu rosnącego zainteresowania określoną klasą problemów i poziomu rozwoju naukowych zasad, metod i środków, za pomocą których możliwe jest rozwiązanie tych problemów. Analiza systemów nie jest wyjątkiem. Jego korzenie historyczne tak głęboko, jak korzenie cywilizacji. Nawet prymitywny człowiek, wybierając miejsce na budowę domu, podświadomie myślał systematycznie. Ale jak dyscyplina naukowa analiza systemowa ukształtowała się w czasie II wojny światowej, najpierw w odniesieniu do zadań wojskowych, a po wojnie – do problemów w różnych sferach działalność obywatelska, gdzie stało się to skutecznym rozwiązaniem szeroki zasięg problemy praktyczne.

To było w tym czasie ogólne podstawy Analiza systemów dojrzała do tego stopnia, że ​​zaczęto ją formalizować jako niezależną dziedzinę wiedzy. Nie bez powodu można stwierdzić, że rozwój metod analizy systemowej w znaczący sposób przyczynił się do tego, że zarządzanie we wszystkich obszarach działalności człowieka wyrosło z etapu rzemiosła lub czystej sztuki, która w przeważającej mierze polegała na umiejętnościach osoby i zgromadzonego doświadczenia, do etapu nauki.

3. Powstanie i rozwój idei systemowych. Oznaki systemowości

W naszych czasach następuje niespotykany dotąd postęp wiedzy, który z jednej strony doprowadził do odkrycia i nagromadzenia wielu nowych faktów i informacji z różnych dziedzin życia, a tym samym postawił ludzkość przed koniecznością ich usystematyzowania, znajdź ogół w szczegółach, stałą w zmienności. Z drugiej strony rozwój wiedzy stwarza trudności w jej rozwoju i ujawnia nieefektywność szeregu metod stosowanych w nauce i praktyce. Ponadto penetracja w głąb Wszechświata i świata subatomowego, który jest jakościowo odmienny od świata proporcjonalnego do już ustalonych koncepcji i idei, wzbudziła wątpliwości w umysłach niektórych naukowców co do uniwersalnej fundamentalności praw istnienia i rozwoju materiał. Wreszcie sam proces poznania, przybierający coraz częściej formę działalności przemieniającej, zaostrza pytanie o rolę człowieka jako podmiotu w rozwoju przyrody, o istotę interakcji człowieka z przyrodą, a w związku z tym chodzi tu o rozwój nowego rozumienia praw rozwoju przyrody i ich działania. Faktem jest, że transformacyjna działalność człowieka zmienia warunki rozwoju systemów naturalnych, a tym samym przyczynia się do powstania nowych praw i trendów ruchu. W szeregu opracowań z zakresu metodologii szczególne miejsce zajmuje podejście systemowe i w ogóle „ruch systemowy”. Sam ruch systemowy został zróżnicowany i podzielony na różne kierunki: ogólną teorię systemów, podejście systemowe, analizę systemową, filozoficzne rozumienie systemowej natury świata. W metodologii badań systemowych można wyróżnić kilka aspektów: ontologiczny (czy świat, w którym żyjemy, jest w swej istocie systemowy?); ontologiczno-gnoseologiczne (czy nasza wiedza jest systematyczna i czy jej systematyczność jest adekwatna do systematyki świata?); epistemologiczne (czy proces poznania ma charakter systemowy i czy istnieją granice systemowego poznania świata?); praktyczne (czy ludzka działalność transformacyjna jest systematyczna?)

Przez system rozumie się obiekt, który jest jednocześnie rozpatrywany zarówno jako pojedyncza całość, jak i jako zbiór wzajemnie powiązanych heterogenicznych elementów pracujących jako jedna całość, zjednoczonych w interesie osiągnięcia wyznaczonych celów. Systemy różnią się znacznie od siebie zarówno składem, jak i głównymi celami. Całość nabiera pewnej właściwości, której nie ma w poszczególnych elementach.

Oznaki systematyczności opisują trzy zasady.

Oznaki systemowości:

· Integralność zewnętrzna – izolacja lub względna izolacja systemu od otaczającego świata;

· Integralność wewnętrzna – właściwości systemu zależą od właściwości jego elementów i relacji pomiędzy nimi. Naruszenie tych zależności może spowodować, że system nie będzie mógł wykonywać swoich funkcji;

· Hierarchia – w systemie można wyróżnić różne podsystemy, z drugiej strony sam system jest także podsystemem innego, większego podsystemu;

4. Idee i praktyka systemowa. Sposoby zwiększania produktywności pracy

Postaramy się pokazać, że stałość jest uniwersalną właściwością materii i ludzkiej praktyki. Zacznijmy od rozważenia praktycznej działalności człowieka, tj. aktywnego i celowego oddziaływania na przyrodę. Aby to zrobić, sformułujemy tylko najbardziej oczywiste i obowiązkowe oznaki systematyczności: jego integralność i strukturę, wzajemne powiązania jego elementów składowych oraz podporządkowanie organizacji całego systemu konkretnemu celowi.

Inną nazwą takiej struktury działania jest algorytmiczność. Pojęcie algorytmu powstało najpierw w matematyce i oznaczało określenie ściśle określonej sekwencji jednoznacznie rozumianych operacji na liczbach lub innych obiektach matematycznych.

Dziś staje się oczywiste, że rola idei systemowych w praktyce stale rośnie, że wzrasta bardzo systematyczny charakter ludzkiej praktyki.

Tę ostatnią tezę można zilustrować wieloma przykładami, warto to zrobić na nieco schematycznym przykładzie problemu wzrostu wydajności pracy.

Akademik V. M. Głuszkow wykazał, że złożoność R obiektywnie niezbędnych zadań zarządzania rośnie szybciej niż kwadrat m osób zaangażowanych w działania zarządcze: R >

5. Różnica między możliwościami rozwiązania problemu wydajności pracy w układach złożonych a etapami wcześniejszymi. Jak proponuje się wykorzystanie ludzkiej inteligencji

Jedną z najważniejszych cech produkcji społecznej jest ciągły wzrost jej efektywności, a przede wszystkim wzrost wydajności pracy. Zapewnienie wzrostu wydajności pracy jest procesem bardzo złożonym i wieloaspektowym, ale jego wynik wyraża się i ucieleśnia w rozwoju środków pracy i metod jej organizacji.

Akademik V. M. Głuszkow wykazał, że złożoność R obiektywnie niezbędnych zadań zarządzania rośnie szybciej niż kwadrat m osób zaangażowanych w działania zarządcze: R > b m?, gdzie b = Const. Wiadomo, że dla skutecznego zarządzania branżą, w której zatrudnionych jest n osób i zarządzanych jest m obiektów, całkowitą złożoność zadań zarządczych wyznacza relacja R = c (n + m)? (zwykle c = 1). Obiektywny trend wzrostu złożoności zarządzania, jaki ma miejsce we współczesnym świecie, występuje także w Rosji (gdzie n = 2731, m = 107). Prowadzi to do wzrostu niezbędnych kosztów pracy żywej, tj. zasoby R potrzebne do zarządzania, a możliwości ludzkiego mózgu w zakresie zapamiętywania i przetwarzania informacji są ograniczone. Przeciętnie pojemność pamięci człowieka wynosi S = 10 16 bitów, a średnia wydajność obliczeniowa wynosi V = 1/3 106 operacji/s.

W konsekwencji, rozwiązując złożone problemy informacyjne wyłącznie przez organy administracyjne na szczeblu gminnym i federalnym, otrzymujemy R = 1 (2731 + 10000000)? = 10002731? = 100054627458000 operacji/rok, a do zadowalającego zarządzania krajem przy pomocy technologii ręcznej potrzeba co najmniej N = R/V = 3x100054627458000/1000000 = 3001636882 osób, tj. 300 milionów. To ponad 2-krotność populacji kraju. Aby wyeliminować niedobór żywej siły roboczej w rządzeniu krajem, należy znacznie zwiększyć (o N/m = 300 razy) wydajność pracy każdego pracownika aparatu rządzącego państwem. Nie było to wymagane ze względu na automatyzację pracy informacyjno-analitycznej organów państwa przy wykorzystaniu komputerów.

Tutaj bardzo ważne jest, aby zrozumieć, co automatyzować, tj. być całkowicie powierzone maszynie, tylko te prace można szczegółowo i szczegółowo opisać, w których dokładnie wiadomo, co, w jakiej kolejności i jak to zrobić w każdym przypadku oraz wszystkie możliwe przypadki i okoliczności, w których może się okazać, że jest to dokładnie znana maszyna. Tylko w takich warunkach można skonstruować odpowiednią maszynę i tylko w takich warunkach może ona z powodzeniem wykonywać pracę, do której jest przeznaczona.

Automatyzacja jest zatem potężnym narzędziem zwiększania produktywności.

Zatem rozwiązanie problemu wydajności pracy w złożonych systemach osiąga się poprzez automatyzację. Rolą ludzkiej inteligencji w tym przypadku jest opracowywanie zautomatyzowanych urządzeń.

6. Procesy poznawcze i systematyczność

Wiadomo, że człowiek opanowuje świat na różne sposoby, przede wszystkim opanowuje go zmysłowo, tj. bezpośrednio, poprzez zmysły. Charakter takiego poznania, który polega na pamięci i jest zdeterminowany stanem emocjonalnym podmiotu, jawi się nam zarówno całościowo, jak i ułamkowo – przedstawiając obraz w całości lub ułamkowo, podkreślając dowolne momenty. Na podstawie stanów emocjonalnych człowiek rozwija wyobrażenie o otaczającym go świecie. Ale percepcja zmysłowa jest także właściwością wszystkich zwierząt, nie tylko ludzi. Specyfiką człowieka jest wyższy poziom poznania - poznanie racjonalne, które pozwala wykryć i utrwalić w pamięci prawa ruchu materii.

Racjonalne poznanie ma charakter systemowy. Składa się z następujących po sobie operacji umysłowych i tworzy system mentalny mniej więcej adekwatny do systemu obiektywnej rzeczywistości. Systematyczne i Zajęcia praktyczne człowieka, a poziom systematycznej praktyki wzrasta wraz ze wzrostem wiedzy i gromadzeniem doświadczeń. Systematyczność różne rodzaje odbicie i przekształcenie rzeczywistości przez człowieka jest ostatecznie przejawem uniwersalnej systematyki materii i jej właściwości.

Systemowe poznanie i przekształcenie świata zakłada: rozważenie przedmiotu działania (teoretycznego i praktycznego) jako systemu, tj. jako ograniczony zbiór współdziałających ze sobą elementów, określający skład, strukturę i organizację elementów i części systemu, identyfikujący główne powiązania między nimi, identyfikujący zewnętrzne powiązania systemu, identyfikujący główne, określający funkcję systemu oraz jego rolę wśród innych systemów, analizowanie dialektyki struktury i funkcji systemu, wykrywanie na tej podstawie wzorców i trendów w rozwoju systemu.

Wiedza o świecie, a w szczególności „wiedza naukowa”, nie może odbywać się w sposób chaotyczny, nieuporządkowany; ma pewien system i podlega pewnym prawom. Te prawa poznania wyznaczają prawa rozwoju i funkcjonowania świata obiektywnego.

7. Opracowywanie widoków systemowych

Rozpatrując historyczne etapy rozwoju koncepcji systemowych, istotne jest prześledzenie jedności i zmagań dwóch przeciwstawnych podejść do wiedzy, analitycznego i syntetycznego. We wczesnych stadiach rozwoju człowieka dominowało podejście syntetyczne. F. Engels zauważył, że w starożytnej Grecji dominowała wiedza niepodzielna: przyrodę traktowano w ogóle, jako jedną całość. Uniwersalne powiązanie zjawisk naturalnych nie zostało szczegółowo udowodnione: jest ono wynikiem bezpośredniej kontemplacji.

Kolejny etap myślenia metafizycznego charakteryzuje się przewagą analizy: rozkład przyrody na poszczególne części, podział różnych procesów i przedmiotów przyrody na określone klasy, badania Struktura wewnętrzna ciała organiczne zgodnie z ich formami anatomicznymi, wszystko to było głównym warunkiem gigantycznych sukcesów, jakie osiągnięto w dziedzinie wiedzy o przyrodzie w ciągu ostatnich czterystu lat.

Nowym, wyższym poziomem systematycznego poznania jest dialektyczny sposób myślenia. Znaczący wkład w rozwój dialektyki wnieśli przedstawiciele niemieckiej filozofii klasycznej: I. Kant, I. Fichte, F. Schelling. Kant najtrafniej wyraził sądy na temat systematyki: Jedność osiągnięta za pomocą rozumu jest jednością systemu

Idealistyczne rozumienie systemu osiągnęło swój szczyt u Hegla. I dopiero wyzwolenie od idealizmu doprowadziło do współczesnego rozumienia systematyki. Duża część filozoficznego rozumienia systemu została rozwinięta przez Marksa i Lenina.

M.A. jako pierwszy jednoznacznie poruszył kwestię naukowego podejścia do zarządzania złożonymi systemami, takimi jak społeczeństwo. Amper. Konstruując klasyfikację wszystkich rodzajów nauk (Doświadczenie w filozofii nauk, czyli analityczne przedstawienie klasyfikacji całej wiedzy ludzkiej, część 1, 1834, część 2, 1843), wyróżnił szczególną naukę o rządzeniu i nazwał ją to cybernetyka. Jednocześnie podkreślał jego cechy systemowe: „Rząd musi stale wybierać spośród różnych środków to, które jest najwłaściwsze dla osiągnięcia celu, i tylko poprzez pogłębione i porównawcze badanie poszczególnych elementów mu udostępnianych ten wybór (...) może sformułować ogólne zasady postępowania.

Kolejny etap rozwoju wiąże się z nazwą A.A. Bogdanowa ( prawdziwe imię Malinowski). Pierwszy tom jego książki Ogólne nauki organizacyjne (tektologia) ukazał się w 1911 r., a w 1925 r. tom trzeci. Pomysł Bogdanowa polegał na tym, że wszystkie obiekty i procesy mają określony poziom organizacji. Tektologia powinna badać ogólne wzorce organizacji na wszystkich poziomach. Zauważa, że ​​im wyższy poziom organizacji, tym bardziej właściwości całości różnią się od prostej sumy właściwości jej części.

Tak naprawdę studia nad teorią systemów rozpoczęły się pod wpływem konieczności budowania złożonych systemów technicznych przede wszystkim do celów wojskowych. Przydzielono wystarczające środki i osiągnięto znaczące wyniki.

Kolejny etap rozwoju koncepcji systemowych wiąże się z nazwiskiem austriackiego biologa L. Bertalanffy’ego. Próbował stworzyć ogólną teorię systemów dowolnej natury, opartą na strukturalnym podobieństwie praw różnych dyscyplin.

Obecny stan teorii systemów wiąże się z badaniami słynnego belgijskiego naukowca Ilyi Romanovicha Prigogine’a, laureata nagroda Nobla 1977. Badając termodynamikę nierównowagowych układów fizycznych, zdał sobie sprawę, że odkryte przez niego wzorce odnoszą się do układów dowolnej natury. Jego główne rezultaty są związane z samoorganizacją systemów. W punkty zwrotne lub punkt rozwidlenia, zasadniczo nie można przewidzieć, czy system stanie się mniej lub bardziej zorganizowany.

8. Modele i symulacja

Modelowanie jest jedną z głównych metod poznania, jest formą odzwierciedlenia rzeczywistości i polega na odkrywaniu lub odtwarzaniu pewnych właściwości rzeczywistych obiektów, przedmiotów i zjawisk za pomocą innych obiektów, procesów, zjawisk lub przy użyciu abstrakcyjnego opisu w postać obrazu, planu, mapy, układu równań, algorytmów i programów.

Możliwości modelowania, czyli przeniesienia wyników uzyskanych podczas budowy i badań modelu na oryginał polegają na tym, że model w pewnym sensie wykazuje (odtwarza, modeluje, opisuje, naśladuje) pewne cechy modelu. obiekt, który interesuje badacza.

Zastąpienie jednego obiektu (procesu lub zjawiska) innym, ale z zachowaniem wszystkich istotnych właściwości pierwotnego obiektu (procesu lub zjawiska), nazywa się modelowaniem, a samo zastępowanie obiektu nazywa się modelem obiektu pierwotnego

Można wyróżnić następujące klasy modeli.

Modele materiałowe

Wspólną cechą tych modeli jest to, że kopiują oryginalny obiekt. Wykonywane są najczęściej z zupełnie innego, często tańszego materiału niż przedmiot oryginalny. Rozmiary modeli mogą również znacznie różnić się od oryginalnego obiektu w tym czy innym kierunku.

Modele informacyjne

Model reprezentujący obiekt, proces lub zjawisko wraz ze zbiorem parametrów i powiązań między nimi nazywa się modelem informacyjnym. Ujawnienie powiązań między parametrami modelu informacyjnego jest często być może najtrudniejszą częścią budowy modelu, następującą po określeniu jego parametrów. Modele informacyjne tego samego obiektu, przeznaczone do różnych celów, mogą być zupełnie różne. Na przykład model informacji o człowieku można przedstawić jako portret werbalny, zdjęcia, informacje wpisane do dokumentacji medycznej lub akt działu kadr w miejscu pracy. Klasa modeli informacyjnych jest szeroka. Należą do nich modele werbalne (werbalne), bazy danych, diagramy i diagramy, rysunki i rysunki, modele matematyczne itp. Model informacyjny, w którym parametry i zależności między nimi są wyrażone w formie matematycznej, nazywa się modelem matematycznym.

Na przykład dobrze znane równanie S=vt, gdzie S to odległość, a v i t to odpowiednio prędkość i czas, jest modelem ruchu jednostajnego wyrażonym w formie matematycznej. (Podaj inne przykłady modeli matematycznych)

Szybki rozwój technologii komputerowej przyczynia się do szybkiego rozwoju i doskonalenia narzędzi i metod modelowania informacji; rozwiązywanie problemów w oparciu o modele informacyjne (modelowanie komputerowe) to jeden z najważniejszych obszarów zastosowań współczesnych komputerów. Przedmiotem modelowania komputerowego może być: działalność gospodarcza firmy lub banku, przedsiębiorstwa przemysłowego, sieć informatyczna i komputerowa, proces technologiczny, dowolny obiekt lub proces rzeczywisty, na przykład proces inflacji i ogólnie - dowolny kompleks System.

Można to bezpiecznie powiedzieć większość modele, którymi człowiek się posługuje przy rozwiązywaniu problemów życiowych, to pewien zbiór elementów i powiązań między nimi. Takie modele nazywane są zwykle systemami, a ogólne metody konstruowania modeli systemów nazywane są podejściem systemowym. Podstawy podejścia systemowego położył w swoich pracach L. von Bertalanffy. W systemach elementy, które je tworzą, nie mogą być rozpatrywane oddzielnie. O ich całkowitym wkładzie w funkcjonowanie systemu jako całości decyduje wzajemne oddziaływanie elementów.

9. Modelowanie – elementy działania celowego

Jednym z problemów, który prawie zawsze pojawia się podczas przeprowadzania analizy systemów, jest problem eksperymentowania w systemie lub na systemie. Bardzo rzadko jest to dozwolone przez prawa moralne lub bezpieczeństwa, ale często wiąże się z kosztami materialnymi i (lub) znaczną utratą informacji.

Doświadczenie wszelkiej działalności człowieka uczy, że w takich sytuacjach konieczne jest eksperymentowanie nie na interesującym nas przedmiocie, temacie czy systemie, ale na ich modelach. Termin ten nie musi oznaczać koniecznie modelu fizycznego, czyli kopii obiektu w pomniejszonej lub powiększonej formie. Modelowanie fizyczne ma bardzo rzadkie zastosowanie w systemach, które są w jakikolwiek sposób powiązane z ludźmi. W szczególności w systemach społecznych (w tym ekonomicznych) trzeba uciekać się do modelowania matematycznego.

Podczas modelowania matematycznego należy wziąć pod uwagę jeszcze jedną ważną okoliczność. Pragnienie prostych, elementarnych modeli i wynikająca z tego nieznajomość szeregu czynników może sprawić, że model będzie nieadekwatny do rzeczywistego obiektu lub, z grubsza mówiąc, uczyni go nieprawdziwym. Ponownie, analizy systemów nie da się przeprowadzić bez aktywnej interakcji z technologami, specjalistami w dziedzinie praw funkcjonowania tego typu systemów.

W systemach gospodarczych trzeba uciekać się przede wszystkim do modelowania matematycznego, choć w określonej formie – wykorzystując nie tylko wskaźniki ilościowe, ale także jakościowe i logiczne.

Modele, które sprawdziły się w praktyce, obejmują: równowagę międzysektorową; wzrost; planowanie gospodarcze; prognostyczny; balans i wiele innych.

Kończąc kwestię modelowania przy przeprowadzaniu analizy systemowej, zasadne jest postawienie pytania o zgodność stosowanych modeli z rzeczywistością.

Ta zgodność lub adekwatność może być oczywista lub nawet zweryfikowana eksperymentalnie dla poszczególnych elementów systemu. Jednak już w przypadku podsystemów, a tym bardziej systemu jako całości, istnieje możliwość popełnienia poważnego błędu metodologicznego związanego z obiektywną niemożliwością oceny adekwatności modelu dużego systemu na poziomie logicznym.

Innymi słowy, w rzeczywistych systemach logiczne uzasadnienie modeli elementowych jest całkiem możliwe. Modele te starają się być zbudowane w sposób minimalnie wystarczający, tak prosty, jak to możliwe, bez utraty istoty procesów. Ale ludzie nie są już w stanie logicznie pojąć interakcji dziesiątek czy setek elementów. I tu właśnie może „zadziałać” wniosek ze słynnego twierdzenia Gödla, znanego w matematyce – w złożonym systemie, całkowicie odizolowanym od świata zewnętrznego, mogą istnieć prawdy, stanowiska, wnioski całkowicie „dopuszczalne” z punktu widzenia punktu widzenia samego systemu, ale nie mają żadnego znaczenia poza tymi systemami.

Oznacza to, że możliwe jest zbudowanie logicznie bezbłędnego modelu rzeczywistego systemu przy użyciu modeli elementowych i przeanalizowanie takiego modelu. Wnioski z tej analizy będą obowiązywać dla każdego elementu, jednak system nie jest prostą sumą elementów, a jego właściwości nie są tylko sumą właściwości elementów.

Prowadzi to do wniosku, że bez uwzględnienia środowiska zewnętrznego wnioski dotyczące zachowania systemu uzyskane na podstawie modelowania mogą być w pełni uzasadnione, patrząc od wewnątrz systemu. Możliwe jest jednak również, że wnioski te nie mają nic wspólnego z systemem, patrząc na niego ze świata zewnętrznego.

10. Metody wdrażania modelu. Abstrakcyjne modele materiałowe

Kiedy człowiek tworzy modele, ma do dyspozycji dwa rodzaje środków: środki samej świadomości i środki otaczającego świata materialnego; W związku z tym modele dzielą się na abstrakcyjne (idealne) i materialne (rzeczywiste).

Modele abstrakcyjne.

Należą do nich konstrukcje językowe, tj. modele językowe. Język naturalny jest uniwersalnym sposobem konstruowania dowolnych abstrakcyjnych modeli. Uniwersalność zapewnia możliwość wprowadzania do języka nowych słów, a także możliwość hierarchicznej konstrukcji coraz bardziej rozwiniętych modeli językowych. Uniwersalność języka osiąga się między innymi przez to, że modele językowe charakteryzują się niejednoznacznością, precyzją i niejasnością. Przejawia się to już na poziomie słów (niejednoznaczność lub niepewność). Plus wszechstronność łączenia słów w frazy. Prowadzi to do przybliżenia – nieodłącznej właściwości modeli językowych.

Modele materiałowe.

Aby jakiś przedmiot materialny mógł być wzorem, zamiennikiem jakiegoś oryginału, musi zachodzić między nimi relacja podobieństwa. Można to zrobić na różne sposoby:

1). Podobieństwo bezpośrednie uzyskane w wyniku interakcji fizycznej w procesie tworzenia modelu (fotografia, modele samolotów, statków, budynków, lalek, szablony, wzory itp.). Nawet przy bezpośrednim podobieństwie do modelu pojawia się problem przeniesienia wyników symulacji na oryginał (wynik badań hydrodynamicznych modelu statku, w którym prędkość ruchu można skalować w zależności od charakterystyki wody (lepkość, gęstość, grawitacja - nie można skalować)). Istnieje teoria podobieństwa, która odnosi się do modeli bezpośredniego podobieństwa.

2). Podobieństwo pośrednie powstaje między oryginałem a modelem nie w wyniku fizycznego oddziaływania, ale ma charakter obiektywny, objawiający się w postaci zbiegu okoliczności lub bliskości ich abstrakcyjnych modeli. Na przykład analogia elektromechaniczna. Niektóre wzorce procesów mechanicznych i elektrycznych są opisywane przez te same kontrole, jedyna różnica polega na różnej fizycznej interpretacji zmiennych zawartych w tych kontrolach. Dlatego eksperymentowanie z konstrukcją mechaniczną można zastąpić eksperymentowaniem z obwodem elektrycznym, co jest prostsze i bardziej skuteczne. Zwierzęta doświadczalne używane przez lekarzy - analogi Ludzkie ciało, autopilot jest odpowiednikiem pilota itp.

3) Podobieństwo warunkowe. Podobieństwo modelu do oryginału ustalane jest w wyniku uzgodnienia. Przykłady: dowód osobisty to model jego właściciela, mapa to model terenu, pieniądz to model wartości, sygnały to modele komunikatów. Modele podobieństwa warunkowego są sposobem materialnego ucieleśnienia modeli abstrakcyjnych, formą, w której te abstrakcyjne modele są przechowywane i przekazywane z jednej osoby na drugą, z zachowaniem możliwości powrotu do formy abstrakcyjnej. Osiąga się to poprzez uzgodnienie, jaki stan obiektu rzeczywistego jest powiązany z danym elementem modelu abstrakcyjnego.

Specyfikacja i pogłębienie ogólnego schematu modeli podobieństwa warunkowego przebiega w dwóch kierunkach: - modele podobieństwa warunkowego w urządzeniach technicznych, gdzie są stosowane bez ingerencji człowieka; sygnały - zasady budowy i sposoby wykorzystania sygnałów nazywane są kodowaniem, kodowaniem, dekodowaniem - są badane w ramach dyscyplin specjalnych; modele warunkowego podobieństwa stworzone przez samego człowieka - systemy znakowe. Dziedzina wiedzy zajmująca się tym nazywa się semiotyką.

11. Ustalanie podobieństwa modeli materiałowych

Podobieństwo to pewna zależność pomiędzy wartościami wskaźników właściwości różnych obiektów, obserwowana i mierzona przez badacza w procesie poznania. Podobieństwo rozumie się jako zgodność jeden do jednego (związek) między właściwościami obiektów, w której istnieje funkcja lub reguła doprowadzenia wartości wskaźników tych właściwości jednego obiektu do wartości tego samego wskaźniki innego obiektu.

Matematyczne (formalne) opisy takich obiektów pozwalają na ich sprowadzenie do identycznej postaci.

Innymi słowy, podobieństwo to związek zgodności jeden do jednego między wartościami wskaźników jednorodnych właściwości różnych obiektów. Właściwości posiadające ten sam wymiar wskaźników nazywane są jednorodnymi.

Znanych jest kilka typów podobieństwa obiektów.

1. W zależności od kompletności uwzględnienia parametrów wyróżnia się:

· absolutne (teoretyczne) podobieństwo, które zakłada proporcjonalną zgodność wartości wszystkich parametrów tych obiektów, tj.

pj(t) / rj(t) = mj(t), gdzie j=1,n;

· podobieństwo praktyczne – pewna funkcjonalna zgodność jeden do jednego parametrów i wskaźników pewnego podzbioru właściwości, które są istotne dla tego badania;

· praktyczne całkowite podobieństwo – zgodność wskaźników i parametrów wybranych właściwości w czasie i przestrzeni;

· praktycznie niepełne podobieństwo – zgodność parametrów i wybranych właściwości wskaźników tylko w czasie lub tylko w przestrzeni;

praktyczne przybliżone podobieństwo - zgodność wybranych parametrów i wskaźników z określonymi założeniami i przybliżeniami.

2. Ze względu na adekwatność charakteru przedmiotów wyróżnia się:

· podobieństwo fizyczne, które zakłada adekwatność natury fizycznej przedmiotów (szczególnymi przypadkami podobieństwa fizycznego są podobieństwa mechaniczne, elektryczne i chemiczne obiektów);

· podobieństwo matematyczne, które zakłada adekwatność formalnego opisu właściwości obiektów (szczególnymi przypadkami podobieństwa matematycznego są podobieństwo statystyczne, algorytmiczne, strukturalne i graficzne wskaźników właściwości obiektów).

Problemem identyfikacji obiektów podobnych jest wybór naukowo uzasadnionych kryteriów podobieństwa i opracowanie metod obliczania tych kryteriów.

12. Warunki realizacji właściwości modelu

Zgodnie z logiką analizy systemowej, po zidentyfikowaniu i zbudowaniu powiązanego ze sobą zestawu zadań do realizacji projektu (można powiedzieć, i to dość rygorystycznie, systemu zadań), rozpoczyna się kolejny etap projektowania systemu – badanie warunków wdrożenia modelu.

Oczywiście każdy model systemu można wdrożyć w praktyce tylko pod warunkiem spełnienia określonych warunków.

Pokażmy to na przykładzie systemu edukacji.

Oczywiście każdy model systemu edukacyjnego można wdrożyć w praktyce tylko pod warunkiem spełnienia określonych warunków: kadrowego, motywacyjnego, materialno-technicznego, naukowo-metodycznego, finansowego, organizacyjnego, prawnego, informacyjnego.

Należy to odnotować, biorąc pod uwagę decydentów ostatnie lata Wiele uwagi poświęcono zagadnieniom warunków realizacji reform oświatowych i ich podobieństwom. więcej uwagi, podobnie jak przygotowanie technologiczne do wdrożenia projekty edukacyjne: stworzenie niezbędnych podręczników, rozwój metodologiczny w zakresie przekwalifikowania nauczycieli itp. Dawniej, już w sześć miesięcy po wydaniu kolejnej uchwały, należało zgłosić do Komitetu Centralnego KPZR, że szkoły, szkoły zawodowe itp. „przeszliśmy na nową treść nauczania”.

13. Model i oryginał. Różnice. Skończoność, prostota, bliskość

Zgodność modelu z rzeczywistością można wyrazić następującymi zasadami:

1. Kończyna.

Wszystkie obiekty rzeczywiste, jako część świata rzeczywistego, są nieskończone w swoich właściwościach i powiązaniach z innymi obiektami. Jeśli jednak będziemy mieć na uwadze nasze możliwości poznawcze, to tutaj ograniczają nas własne zasoby – liczba komórek nerwowych w mózgu, liczba czynności, które jesteśmy w stanie wykonać w jednostce czasu, sam czas, w którym możemy rozwiązać jakiś problem; zasoby zewnętrzne, które możemy zaangażować w proces naszych działań są ograniczone, tj. świat nieskończony trzeba poznawać skończonymi środkami. Wszystkie modele są skończone. Modele abstrakcyjne są od początku skończone – od razu otrzymują ustaloną liczbę właściwości. Modele rzeczywiste są skończone w tym sensie, że z nieskończonego zbioru ich właściwości wybiera się i wykorzystuje tylko kilka, podobnych do właściwości interesującego nas pierwotnego obiektu. Model jest podobny do oryginału w skończonej liczbie relacji.

2. Uproszczenie.

Skończoność modeli sprawia, że ​​ich uproszczenie jest nieuniknione, jednak w praktyce ludzkiej to uproszczenie jest dopuszczalne, gdyż W jakimkolwiek celu wystarczy niepełne, uproszczone odzwierciedlenie rzeczywistości. Dla konkretnych celów takie uproszczenie jest również konieczne, ponieważ pozwala zidentyfikować główne efekty i właściwości oryginału (abstrakcje fizyczne - gaz doskonały, absolutne ciało doskonale czarne, ...).

Wymuszone uproszczenie modelu – konieczność operowania nim – uproszczenie zasobów.

Inny aspekt: ​​z dwóch modeli opisujących dany obiekt z równą dokładnością, ten prostszy okazuje się bliższy oryginałowi (jego prawdziwej naturze).

3. Aproksymacja modeli.

Termin ten kojarzony jest z różnicą ilościową pomiędzy modelem a oryginałem (różnice jakościowe kojarzone są z pojęciami skończoności i prostoty). Ta różnica ilościowa istnieje zawsze i sama w sobie nie jest ani duża, ani mała, jej miarę wprowadza się poprzez skorelowanie tej różnicy z celem modelowania (zegar jest modelem czasu).

4. Adekwatność.

Model, za pomocą którego skutecznie osiąga się zamierzony cel, jest adekwatny. Nie jest to równoznaczne z koncepcją kompletności, dokładności lub prawidłowej dokładności modelu. Model Ptolemeusza jest adekwatny (w sensie dokładnego opisu ruchu planet). Adekwatny, ale fałszywy model (skuteczne leczenie za pomocą zaklęć duchowych). Czasami możliwe jest wprowadzenie pewnej miary adekwatności. Wtedy możemy rozważyć pytania o identyfikację modelu (czyli znalezienie najodpowiedniejszego w danej klasie), o stabilność modeli, o ich adaptację.

14. Podobieństwo modelu do oryginału. Adekwatność modelu. Prawda modeli. Połączenie prawdy i fałszu

Najważniejszym pojęciem w modelowaniu ekonomicznym i matematycznym, jak w każdym modelowaniu, jest koncepcja adekwatności modelu, czyli zgodności modelu z modelowanym obiektem lub procesem. Adekwatność modelu jest w pewnym stopniu pojęciem warunkowym, gdyż nie może być całkowitej zgodności modelu z obiektem rzeczywistym, co jest także typowe dla modelowania ekonomicznego i matematycznego. Modelując mamy na myśli nie tylko adekwatność, ale zgodność z tymi właściwościami, które uważa się za istotne dla badania. Weryfikacja adekwatności modeli ekonomicznych i matematycznych jest problemem bardzo poważnym, zwłaszcza że komplikuje go trudność pomiaru wielkości ekonomicznych. Jednak bez takiej weryfikacji zastosowanie symulacji skutkuje decyzje zarządcze mogą być nie tylko mało przydatne, ale także wyrządzić znaczne szkody.

Mając na uwadze właśnie rozważania teoretyczne i metody leżące u podstaw konstrukcji modelu, można postawić pytania o to, jak dokładnie model ten odzwierciedla obiekt i jak całkowicie go odzwierciedla. (W procesie modelowania wyróżnia się etapy specjalne – etap weryfikacji modelu i oceny jego adekwatności). W tym przypadku pojawia się myśl o porównywalności dowolnego przedmiotu stworzonego przez człowieka z podobnymi przedmiotami naturalnymi i o prawdziwości tego przedmiotu. Ale ma to sens tylko wtedy, gdy takie obiekty są tworzone w specjalnym celu przedstawiania, kopiowania lub odtwarzania pewnych cech obiektu naturalnego.

Można zatem powiedzieć, że prawda jest immanentna modelom materialnym: - ze względu na ich związek z określoną wiedzą, - ze względu na obecność (lub brak) izomorfizmu ich struktury ze strukturą modelowanego procesu lub zjawiska; ze względu na związek modelu z modelowanym obiektem, co czyni go częścią procesu poznawczego i pozwala na rozwiązywanie określonych problemów poznawczych.

I pod tym względem model materialny jest epistemologicznie wtórny i pełni rolę elementu epistemologicznej refleksji.

15. Dynamika modelu. Proces modelowania. Przyczyny niemożności pełnej algorytmizacji procesu modelowania

Na wejściu i wyjściu mamy zależności parametrów X i Y od czasu t. Wyzwanie polega na zdefiniowaniu czarnej skrzynki.

Załóżmy, że na wejście układu, który wcześniej znajdował się w zerowych warunkach początkowych, podany jest pojedynczy sygnał X(t). Jeśli na wyjściu obserwuje się sygnał wykładniczy, jest to układ pierwszego rzędu. Do jego opisu wystarczy jedna pochodna, a rozwiązanie modelu będzie zawierało jedną całkę. Ponieważ jedna całka „zawsze generuje” jeden wykładnik, dwie całki to dwa wykładniki. Aby określić, czy krzywa jest wykładnicza, w każdym punkcie rysowana jest styczna aż do przecięcia linii stanu ustalonego. W dowolnym punkcie T musi być wartością stałą. Wartość T charakteryzuje bezwładność układu (pamięci). Przy małej wartości T system słabo zależy od poprzedniej historii, a sygnał wejściowy natychmiast powoduje zmianę sygnału wyjściowego. Gdy T jest duże, system reaguje powoli na sygnał wejściowy, a gdy T jest bardzo duże, system pozostaje niezmieniony.

Link pierwszego zamówienia ma dwa parametry:

1) bezwładność - T

2) zyskać

Wprowadźmy pojęcie funkcji przenoszenia jako modelu układu dynamicznego. Z definicji funkcja przenoszenia to stosunek sygnału wyjściowego do wejściowego

Funkcja przenoszenia łącza pierwszego rzędu ma postać.

Następnie, korzystając z definicji funkcji przenoszenia, mamy gdzie „p” jest symbolem pochodnej ().

Następnie otrzymujemy:

W formie różnicowej równanie można zapisać jako (Yi+1 - Yi)*T+Yi*dt = k*Xi*dt. Lub wyrażanie teraźniejszości poprzez przeszłość Yi+1 = A* Xi + B* Yi. Tutaj A i B są współczynnikami wagowymi. A wskazuje wagę składnika X, który określa wpływ świata zewnętrznego na system, B wskazuje wagę Y, która określa pamięć systemu, wpływ historii na jego zachowanie.

W szczególności, jeśli B=0, to Yi+1 = A* Xi i mamy do czynienia z układem bezinercyjnym, który natychmiast reaguje na sygnał wejściowy Y=k*X i zwiększa go k-krotnie. Jeżeli B = 0,5, to łatwo to uzyskać przy stałym sygnale wejściowym X, Yi+1 = A* Xi +0,5* Yi = A* Xi +0,5(A* Xi-1 +B* Yi-1) = ... = A*(1+0,5+0,52+...+0,5n)*Хi-n+0,5n+1*Yi-n = 2*A*Xi-n = k*Xi-n lub, przedstawione na wykresie otrzymujemy wykładniczy współczynnik tłumienia. Y zmierza do wartości sygnału wejściowego X pomnożonej przez wzmocnienie k.

Jeśli jeszcze bardziej wzmocnimy wpływ przeszłości B=1, to system zacznie się integrować (wyjście jest podawane na wejście systemu)

Yi+1 = A* Xi + Yi dodając cały czas sygnał wejściowy, co odpowiada wykładniczemu nieograniczonemu wzrostowi sygnału wyjściowego. W istocie odpowiada to pozytywnemu sprzężeniu zwrotnemu. Gdy B=-1 mamy model Yi+1 = A* Xi - Yi w znaczeniu odpowiadającym ujemnemu sprzężeniu zwrotnemu. Definiując model, należy znaleźć nieznane współczynniki k i T.

Rozważmy połączenie drugiego rzędu.

Łącze drugiego rzędu ma trzy parametry.

Charakterystyka: płynne wyjście z zera, punkt przegięcia i niekończący się postęp w kierunku stanu ustalonego.

Model to materialny lub wyobrażony przedmiot, który w procesie badania zastępuje obiekt pierwotny i zachowuje jego typowe cechy, istotne dla danego badania. Proces budowania modelu nazywa się modelowaniem.

Proces modelowania składa się z trzech etapów – formalizacji (przejście od obiektu rzeczywistego do modelu), modelowania (badanie i transformacja modelu), interpretacji (przełożenie wyników modelowania na rzeczywistość).

16. Model modelu. Pierwsza definicja modelu. Druga definicja modelu

Model - obiekt lub opis obiektu, system umożliwiający zastąpienie (pod pewnymi warunkami, propozycjami, hipotezami) jednego systemu (tj. oryginału) innym systemem służącym do badania oryginału lub odtwarzania jakichkolwiek jego właściwości. Model jest wynikiem odwzorowania jednej struktury na drugą.

Modele, jeśli pominiemy obszary i sfery ich zastosowania, dzielą się na trzy typy: poznawczy, pragmatyczny i instrumentalny.

Model poznawczy to forma organizacji i prezentacji wiedzy, sposób łączenia nowej i starej wiedzy. Model poznawczy z reguły jest dostosowany do rzeczywistości i jest modelem teoretycznym.

Model pragmatyczny jest sposobem organizowania praktycznych działań, roboczą reprezentacją celów systemu w zakresie zarządzania nim. Rzeczywistość w nich jest dostosowana do jakiegoś pragmatycznego modelu. Są to zazwyczaj stosowane modele.

Model instrumentalny to sposób konstruowania, badania i/lub stosowania modeli pragmatycznych i/lub poznawczych.

Te poznawcze odzwierciedlają istniejące, a pragmatyczne - choć nieistniejące, ale pożądane i ewentualnie wykonalne relacje i powiązania.

Ze względu na poziom, „głębokość” modelowania modele są empiryczne – oparte na faktach empirycznych, zależnościach, teoretyczne – oparte na opisach matematycznych oraz mieszane, półempiryczne – wykorzystujące zależności empiryczne i opisy matematyczne.

Model matematyczny M opisujący układ S (x1,x2,...,xn; R) ma postać: M=(z1,z2,...,zm; Q), gdzie ziIZ, i=1,2, .. ..,n, Q, R - zbiory relacji na X - zbiór sygnałów wejściowych, wyjściowych i stanów układu oraz Z - zbiór opisów, reprezentacji odpowiednio elementów i podzbiorów X.

Podstawowe wymagania wobec modelu: przejrzystość konstrukcji; widoczność jego podstawowych właściwości i zależności; jego dostępność do celów badawczych lub reprodukcyjnych; łatwość badań, reprodukcji; zachowanie informacji zawartych w oryginale (z dokładnością założeń przyjętych przy budowie modelu) i uzyskanie nowych informacji.

Problem modelowania składa się z trzech zadań: zbudowania modelu (zadanie to jest mniej sformalizowane i konstruktywne w tym sensie, że nie ma algorytmu budowania modeli); badania modelowe (zadanie to jest bardziej sformalizowane; istnieją metody badania różnych klas modeli); wykorzystanie modelu (konstruktywne i konkretne zadanie).

Model M nazywa się statycznym, jeśli wśród xi nie ma parametru czasu t. Statyczny model w każdym momencie dostarcza jedynie „fotografii” systemu, jego wycinka.

Model jest dynamiczny, jeżeli wśród xi występuje parametr czasowy, tj. wyświetla system (procesy w systemie) w czasie.

Model jest dyskretny, jeśli opisuje zachowanie systemu tylko w dyskretnych momentach czasu.

Model jest ciągły, jeśli opisuje zachowanie systemu we wszystkich punktach czasu z określonego okresu czasu.

Model jest symulacją, jeśli jest przeznaczony do testowania lub badania, odtwarzania możliwych ścieżek rozwoju i zachowania obiektu poprzez zmianę niektórych lub wszystkich parametrów xi modelu M.

Model jest deterministyczny, jeśli każdy wejściowy zestaw parametrów odpowiada całkowicie określonemu i jednoznacznie zdefiniowanemu zestawowi parametrów wyjściowych; w przeciwnym razie model jest niedeterministyczny, stochastyczny (probabilistyczny).

Można mówić o różnych trybach wykorzystania modeli – trybie symulacyjnym, trybie stochastycznym itp.

W skład modelu wchodzą: obiekt O, przedmiot (opcjonalnie) A, zadanie Z, zasoby B, środowisko modelowania C: M=.

Właściwości każdego modelu to:

skończoność: model odzwierciedla oryginał jedynie w skończonej liczbie swoich relacji, a ponadto zasoby modelowania są skończone; prostota: model przedstawia tylko istotne aspekty obiektu; przybliżony: rzeczywistość jest reprezentowana przez model w przybliżeniu lub w przybliżeniu; adekwatność: model pomyślnie opisuje modelowany system; treść informacyjna: model musi zawierać wystarczającą ilość informacji o systemie – w ramach założeń przyjętych przy konstruowaniu modelu.

Cykl życia symulowanego systemu:

· Zbieranie informacji o obiekcie, stawianie hipotez, analiza przedmodelowa;

· Projektowanie struktury i składu modeli (podmodeli);

· Budowa specyfikacji modelu, rozwój i debugowanie poszczególnych podmodeli, montaż modelu jako całości, identyfikacja (jeśli to konieczne) parametrów modelu;

· Badania modelowe – wybór metody badawczej i opracowanie algorytmu (programu) modelującego;

· Badanie adekwatności, stabilności, wrażliwości modelu;

· Ocena narzędzi modelowania (wykorzystane zasoby);

· Interpretacja, analiza wyników modelowania i ustalenie niektórych związków przyczynowo-skutkowych w badanym systemie;

· Generowanie raportów i projektów rozwiązań (gospodarczych kraju);

· Udoskonalenie, modyfikacja modelu w razie potrzeby i powrót do badanego układu z nową wiedzą uzyskaną poprzez modelowanie.

17. Wielość modeli systemów. Definicja pojęć „problem”, „cel”, „system”

Jedną z podstawowych zasad modelowania systemów złożonych jest zasada wielości modeli, która polega z jednej strony na możliwości przedstawienia wielu różnych systemów i procesów przy użyciu tego samego modelu, a z drugiej strony na możliwości reprezentujących ten sam system za pomocą wielu różnych modeli, w zależności od celów badania. Zastosowanie tej zasady pozwala na porzucenie podejścia, w którym dla każdego badanego układu tworzony jest odrębny model, na rzecz zaproponowania nowego podejścia, w którym opracowywane są abstrakcyjne modele matematyczne różne poziomy(głównie podstawowe i lokalne), służące do badania systemów różnych klas. Zadanie modelowania sprowadza się w tym przypadku do właściwej parametryzacji modeli i interpretacji uzyskanych wyników.

Celem jest złożona kombinacja różnych sprzecznych interesów. Celem jest czynnik systemotwórczy, integrujący, jednoczący poszczególne obiekty i procesy w całość, w system. To ujednolicenie następuje na tej podstawie, że izolowane przedmioty nie zawsze mogą służyć jako wystarczające środki do osiągnięcia ludzkich celów. A w połączonej formie zyskują nową, systemową, integralną jakość, która jest wystarczająca do osiągnięcia celów.

System jest środkiem do osiągnięcia celu.

Uzupełnieniem pierwszej definicji systemu jest druga, charakteryzująca jej strukturę wewnętrzną.

Ogólna definicja systemu jest sformułowana następująco: „System to zbiór oddziałujących na siebie elementów, izolowanych od otoczenia w określonym celu”.

Problem to sytuacja charakteryzująca się różnicą między wymaganą (pożądaną) produkcją a istniejącą produkcją. Wyjście jest konieczne, jeżeli jego brak stwarza zagrożenie dla istnienia lub rozwoju systemu. Istniejąca moc wyjściowa jest zapewniana przez istniejący system. Żądaną moc wyjściową zapewnia żądany system. Problemem jest różnica pomiędzy istniejącym a pożądanym systemem. Problem może uniemożliwiać zmniejszenie lub zwiększenie wydajności. Stan problemu reprezentuje istniejący system („znany”). Wymaganie reprezentuje pożądany system.

18. „Czarna skrzynka”. Model, właściwości, trudności w budowie modelu. Warunki przydatności modelu czarnej skrzynki

Budowa modelu czarnej skrzynki może być wyzwaniem ze względu na wiele wejść i wyjść systemu (wynika to z faktu, że każdy rzeczywisty system wchodzi w interakcję ze swoim otoczeniem na nieograniczoną liczbę sposobów). Budując model, należy wybrać z nich skończoną liczbę. Kryterium wyboru jest cel modelu, znaczenie konkretnego połączenia w odniesieniu do tego celu. Tutaj oczywiście możliwe są błędy, istotne mogą okazać się te połączenia, które nie zostały uwzględnione w modelu (a są nadal aktualne). Ma to szczególne znaczenie przy ustalaniu celu, tj. wyjścia systemowe. Prawdziwy system oddziałuje ze wszystkimi obiektami otoczenia, dlatego ważne jest, aby wziąć pod uwagę wszystkie najważniejsze rzeczy. W rezultacie celowi głównemu towarzyszy wyznaczenie celów dodatkowych.

Przykład: samochód musi nie tylko przewozić określoną liczbę pasażerów lub posiadać wymaganą ładowność, ale także nie generować zbyt dużego hałasu podczas jazdy, mieć toksyczność spalin nieprzekraczającą normy, dopuszczalne zużycie paliwa,… Spełnienie tylko jeden cel nie wystarczy, nieosiągnięcie dodatkowych celów może sprawić, że osiągnięcie celu głównego będzie wręcz szkodliwe.

Model czarnej skrzynki czasami okazuje się jedynym możliwym do zastosowania w badaniu systemów.

Przykład: badanie ludzkiej psychiki lub wpływu leku na organizm, działamy wyłącznie na podstawie danych wejściowych i wyciągamy wnioski na podstawie obserwacji wyjść w sygnale czasowym dla użytkownika, ponieważ Każdy zegarek pokazuje stan swojego czujnika, następnie ich odczyty stopniowo się rozchodzą. Rozwiązaniem jest synchronizacja wszystkich zegarów według wskazań określonego standardu czasu (sygnały „dokładnego czasu” drogą radiową). Włącz standard do zegara jako system lub rozważ każdy zegar jako podsystem wspólny system wskazania czasu?

19. Model właściwości systemu. Element, podsystem, przyczyny konstruowania różnych modeli przez różnych ekspertów

System to zbiór wzajemnie powiązanych elementów, izolowanych od otoczenia i oddziałujących z nim jako jedna całość.

Właściwość wynikająca z połączenia części jest główną cechą, istotą, istotą zjawiska. Pojęcie zjawiska to przede wszystkim wyobrażenie o istocie zjawiska, o jego głównej cesze, o właściwości generowanej w danym systemie.

Na przykład telewizory i samochody są różne: małe i duże, dobre i niezbyt dobre, zmontowane według różnych schematów z różnych części. Ale wszystkie mają pewne charakterystyczne właściwości: telewizor to zjawisko, które odbiera sygnały telewizyjne i odtwarza obraz telewizyjny, a samochód to „wózek, który sam się prowadzi”.

Sformułować pojęcie o zjawisku oznacza: wskazać istnienie zjawiska – uwypuklić zjawisko, wyróżnić je; pokazać strukturę zjawiska; wykazać związek tego zjawiska z innymi, tj. określić miejsce tego zjawiska w hierarchii zjawisk.

Hierarchia i zagnieżdżanie zjawisk wynika z faktu, że w zjawiskach-nadsystemach zaangażowane są właściwości zjawisk-podsystemów generowane przez ich integralność. Każda właściwość zjawiska generowana jest na pewnym poziomie hierarchii zjawisk, dlatego też badając zjawiska, należy rozróżnić właściwości odziedziczone od części składowych od właściwości generowanych przez integralność zjawiska.

Ponieważ każda właściwość, każdy byt generowany jest na swoim poziomie hierarchii zjawisk, nie ma sensu szukać właściwości na niższych poziomach – ich jeszcze tam nie ma. Nie ma również sensu badanie właściwości na wyższych poziomach - tam właściwości można wchłonąć i włączyć do innych układów-zjawisk.

Oprócz uporządkowania liniowego, hierarchicznego istnieją jeszcze inne jego rodzaje. Jednak pomimo tego, aby opanować jakąkolwiek właściwość zjawiska, konieczne jest zrozumienie struktury tego poziomu hierarchii, na którym generowane są właściwości interesującego nas zjawiska. Na tym polega istota systematycznego podejścia do analizy zjawisk.

Złożoność zjawisk zachodzących na każdym poziomie hierarchii jest ograniczona. Każde zjawisko generowane na tym poziomie hierarchii opiera się na kombinacji niektórych z 7 zasad. Takie są zasady metodologii poznania.

Ilościowa charakterystyka właściwości funkcjonalnej nazywana jest PARAMETRYM funkcjonalnym.

Na przykład części składowe zjawiska oddziałują na siebie poprzez obwód połączeń: w samochodzie układ paliwowy zasila silnik palną mieszanką, a silnik wytwarza siłę obrotową na wale.

Silnik to podsystem samochodu wytwarzający siłę obrotową. Zespół części silnika jest nośnikiem zjawiska generującego siłę obrotową, a interakcja pomiędzy częściami to obwód połączeń części silnika.

Ponieważ zjawiska są niezależne od ich nośników, w silniku można wymienić wszystkie części, a w samochodzie jeden silnik można zastąpić innym, co również generuje siłę obrotową na wale.

Zatem wewnętrzna struktura zjawiska, architektura systemu, to zbiór właściwości funkcjonalnych jego części składowych i struktury połączeń między nimi.

20. Model struktury systemu. Warunki korzystania, definicja „struktury systemu”, „powiązania”, „własności”. Związek pomiędzy pojęciami „stosunek” i „właściwości”. Druga definicja systemu

Model i skład czarnej skrzynki w wielu przypadkach nie wystarczą. Niezbędna jest znajomość powiązań pomiędzy elementami i podsystemami, czyli relacji. Zbiór niezbędnych lub wystarczających relacji między elementami do osiągnięcia celu nazywa się strukturą systemu. Istnieje ogromna (być może nieskończona) liczba połączeń pomiędzy rzeczywistymi obiektami wchodzącymi w skład systemu. Podczas definiowania modelu konstrukcji uwzględnia się jedynie skończoną liczbę połączeń istotnych dla danego celu.

Przykład: przy obliczaniu mechanizmu nie bierze się pod uwagę siły wzajemnego przyciągania części, ale koniecznie uwzględnia się ciężar części.

Kiedy mówimy o połączeniu lub relacji, w grę wchodzą co najmniej dwa obiekty. Właściwość jest atrybutem jednego obiektu. Ale właściwość ujawnia się w procesie interakcji obiektu z innymi obiektami, tj. podczas nawiązywania jakiejś relacji.

Przykład: kula jest czerwona, ale można to wykryć w obecności źródła światła białego i odbiornika analizatora światła. Właściwość to zwinięta relacja. Hipoteza: To stwierdzenie jest prawdziwe dla wszystkich właściwości.

Druga definicja systemu: „System to zbiór wzajemnie powiązanych elementów, izolowanych od otoczenia i oddziałujących z nim jako całością”.

21. Schemat blokowy systemu białej skrzynki. Wykresy

Druga definicja systemu: „System to zbiór wzajemnie powiązanych elementów, izolowanych od otoczenia i oddziałujących z nim jako całością”. Definicja ta obejmuje modele czarnej skrzynki, kompozycji i struktur. Nazywa się to schematem blokowym systemu (biała skrzynka).

Przykład: schemat blokowy zegara.

Abstrakcja od strony merytorycznej diagramów strukturalnych prowadzi do diagramu, na którym wskazana jest jedynie obecność elementów i powiązania pomiędzy nimi. W matematyce taki obiekt nazywa się wykresem. (wykres - diagram, wykres, wykres). W grafie występują wierzchołki (odpowiadające im elementy) i krawędzie (odpowiadające im połączenia). Jeśli połączenia nie są symetryczne, oznacza się je krawędziami ze strzałkami (łukiem), a wykres nazywa się zorientowanym, w przeciwnym razie nazywa się go nieskierowanym. Różnice pomiędzy elementami i połączeniami można odzwierciedlić poprzez przypisanie krawędziom cech numerycznych (waga krawędzi - wykres ważony) lub poprzez odsłonięcie wierzchołków i krawędzi (wykres kolorowy). Istnieją dwa rodzaje dynamiki systemu:

- funkcjonowanie - procesy zachodzące w systemie, który stabilnie realizuje ustalony cel (zegar, transport publiczny, kino, telewizja, ...);

- rozwój - zmiana systemu, gdy zmieniają się jego cele. Istniejąca struktura systemu musi się zmienić (a czasami także jego skład), aby wspierać nowy cel.

Modele dynamiczne można również konstruować w formie czarnej skrzynki, modelu kompozycji (listy kroków w sekwencji działań) lub modelu schematu blokowego (na przykład w postaci diagramu sieciowego przy opisie niektórych proces produkcji). Formalizacja koncepcji układu dynamicznego odbywa się poprzez rozważenie zgodności między zbiorem możliwych wartości wejść X, wyjść Y i uporządkowanym zbiorem momentów czasu T

T->X; T->Y; Tеt, Tеx, x=x(t), y=y(t).

Model czarnej skrzynki jest kombinacją dwóch procesów (x(t)), (y(t)). Nawet jeśli założymy, że y(t)=F(x(t)), to w modelu czarnej skrzynki transformacja F jest nieznana.

22. Modele dynamiczne systemu. Eksploatacja i rozwój

Model obiektowy reprezentuje statyczną strukturę projektowanego systemu (podsystemu). Jednak znajomość struktury statycznej nie wystarczy do zrozumienia i oceny działania podsystemu.

Niezbędne jest posiadanie środków opisujących zmiany zachodzące w obiektach i ich połączeniach podczas pracy podsystemu. Jednym z takich narzędzi jest dynamiczny model podsystemu. Jest budowany po zbudowaniu modelu obiektowego podsystemu, wcześniej uzgodnionym i zdebugowanym. Model dynamiczny podsystemu składa się z diagramów stanu jego obiektów i podsystemów.

Do oceny zjawisk rozwojowych wykorzystuje się modele dynamiczne.

Model dynamiczny systemu składa się z diagramów stanu jego obiektów i podsystemów.

Aktualny stan obiektu charakteryzuje się zbiorem aktualnych wartości jego atrybutów i połączeń. Podczas pracy systemu jego obiekty wchodzą w interakcję ze sobą, w wyniku czego zmieniają się ich stany. Jednostką wpływu jest zdarzenie: każde zdarzenie prowadzi do zmiany stanu jednego lub większej liczby obiektów w systemie lub do wystąpienia nowych zdarzeń. Działanie systemu charakteryzuje się ciągiem zdarzeń w nim zachodzących.

Funkcjonowanie (i rozwój) systemu jest możliwe, jeśli system zawiera:

1. „Elementy” – podsystemy;

2. Pojedyncza „Struktura zarządzająca” – czynnik systemotwórczy;

3. Możliwość wymiany z otoczeniem (w obrębie układu) materii, energii i informacji.

Funkcjonowanie utworzonego systemu odbywa się na dwóch poziomach:

1. Kierownictwo posługuje się fikcjami;

2. Element (podsystem przedstawiany jako „całość”) jest fantomem i wykorzystuje „dane”.

Dane to coś, co istnieje bez naszej pomocy jako fakt.

Fakt (od łac. factum – dokonany, dokonany) – 1) wydarzenie; faktyczny - ważny.

2) zrobione, zakończone; rzeczywistość przed nami, tę, którą uznajemy za rzeczywiście istniejącą.

Zatem doświadczając Wydarzeń-Faktów, Element się zmienia.

Struktura sterująca otrzymuje sygnał, że element uległ zmianie.

Zatem mamy:

Elementem jest

Sygnał zmiany zdarzenia-faktu

Struktura kontroli jest

Sygnał odbierający sygnał określający charakterystykę sygnału określającą znaczenie sygnału Pojęcie

Faktycznie, mamy tu do czynienia z przejściem

Koncepcja sygnału zdarzenia-faktu

Zatem

Struktura kontrolna to jedna rzeczywistość (Pojęcia), a Element (podsystem przedstawiany jako „całość”) to inna rzeczywistość (Zdarzenie-Fakt).

Ale przejście między rzeczywistościami dokonuje się jedynie za pomocą SYGNAŁU (od łacińskiego „signum – znak”), znaku niosącego wiadomość (informację) o zdarzeniu, stanie obserwowanego obiektu, czy też przekazującego polecenia sterujące, alarmy itp.

Zatem układ funkcjonalny to:

- Element sygnału przychodzącego Zdarzenie-fakt Sygnał wychodzący - Struktura kontroli sygnału przychodzącego Koncepcja sygnału wychodzącego

Ponieważ jednak „Element” jest z kolei także „Systemem”, obraz systemu funkcjonalnego jest bardziej skomplikowany:

Struktura Kontroli generuje Sygnał wychodzący w oparciu o Koncepcję, a Element (podsystem) generuje Sygnał wychodzący w oparciu o Fakt-Zdarzenie.

Dlatego, aby system działał prawidłowo, potrzebuje

- Sygnał prawidłowo odzwierciedlający Fakt-Zdarzenie;

- Mechanizm prawidłowego kształtowania Pojęcia.

23. Przekształcenie modelu formalnego w znaczący. Zalecenia dotyczące osiągnięcia kompletności modelu

Przy całej niewyobrażalnej różnorodności systemów rzeczywistych istnieje bardzo niewiele zasadniczo różnych typów modeli systemów: model „czarnej skrzynki”, model kompozycji, model relacji, a także ich rozsądne kombinacje, a przede wszystkim ujednolicenie wszystkich trzy modele, tj. struktura systemu. Dotyczy to zarówno modeli statycznych, które odzwierciedlają ustalony stan systemu, jak i modeli dynamicznych, które odzwierciedlają charakter tymczasowych procesów zachodzących w systemie. Można powiedzieć, że struktura („biała skrzynka”) powstaje w wyniku „sumowania” modeli, kompozycji i zależności „czarnej skrzynki”. Wszystkie tego typu modele mają charakter formalny, odnoszą się do dowolnego systemu, a zatem nie są powiązane z żadnym konkretnym systemem. Aby uzyskać model danego układu, należy nadać modelowi formalnemu określoną treść, tj. zdecydować, które aspekty systemu rzeczywistego uwzględnić jako elementy modelu wybranego typu, a które nie, uznając je za nieistotne. Proces ten ma zazwyczaj charakter nieformalny, gdyż w bardzo rzadkich przypadkach przejawy istotności lub nieistotności można sformalizować (do takich przypadków zalicza się np. możliwość przyjęcia za przejaw istotności częstotliwości występowania danego elementu w różnych podobnych, tj. równie sklasyfikowane, systemy). Równie słabo sformalizowane są przejawy elementarności i przejawy zróżnicowania podsystemów.

Z tych powodów proces konstruowania znaczących modeli jest procesem twórczym. Niemniej jednak intuicji eksperta budującego model treści bardzo pomaga model formalny i zalecenia dotyczące wypełnienia go konkretną treścią. Model formalny to „okno”, przez które ekspert patrzy na rzeczywisty system, budując sensowny model.

W procesie konstruowania znaczących modeli systemów wyraźnie widoczna jest potrzeba stosowania dialektyki. W tym procesie głównym zadaniem jest stworzenie kompletnego modelu. Ogólne zalecenia dotyczące osiągnięcia kompletności wynikają z podstawowych zasad dialektyki:

- należy dążyć do uwzględnienia wszystkich istotnych czynników wpływających na rozpatrywane zjawisko; ponieważ taka istotność nie zawsze jest oczywista, lepiej uwzględnić w modelu element nieistotny, niż nie uwzględnić istotnego;

- jedną z niezbędnych oznak kompletności modelu jest obecność w nim sprzecznych elementów; należy na to zwrócić szczególną uwagę: np. wymieniając produkty, należy uwzględnić na liście nie tylko pożądane produkty docelowe (połączenia, produkty itp.), ale także niepożądane (odpady, defekty itp.) ;

Nieważne jak obszerną mamy wiedzę na temat danego zjawiska, rzeczywistość jest bogatsza od modeli – zawsze kryją się w niej nieznane czynniki; Aby nie stracić z oczu możliwości wystąpienia czegoś istotnego, ale wciąż nieznanego, zaleca się uwzględnić w modelu ukryte „zapasowe”, niespecyficzne elementy (takie jak „wszystko inne”, „coś innego”) i odwołać się do te elementy na różnych etapach analizy systemu, jakby stawiając pytanie: czy już czas uzupełnić model o kolejny jednoznaczny element? Zalecenia te oczywiście nie wyczerpują wszystkich możliwości: arsenał sztuki modelowania obejmuje wiele metod naukowych i heurystyk empirycznych.