Міністерство освіти і науки України

Національний аерокосмічний університет ім. М. Є. Жуковського

«Харківський авіаційний інститут»

Кафедра інформаційно-комунікаційних технологій

ім. О. О. Зеленського (№ 504)

Конспект лекцій
з дисципліни «Моделювання великих систем та комплексів»
(назва дисципліни)

Галузь знань: 17 «Електроніка та телекомунікації»

(шифр і найменування галузі знань)

Спеціальність: 172 «Телекомунікації та радіотехніка»

(код та найменування спеціальності)

Спеціалізація: «Дистанційні аерокосмічні дослідження»,

«Телекомунікаційні системи та мережі»,
«Антени та пристрої мікрохвильової техніки»,
«Радіотехнічні пристрої та засоби телекомунікацій»,
«Радіотехнічні та телевізійні системи»
(найменування спеціалізації)

Рівень вищої освіти: третій (освітньо-науковий)

Розробник:
Васильєва І. К., доцент кафедри інформаційно-комунікаційних технологій
ім. О. О. Зеленського (№ 504), к.т.н., доцент
(прізвище та ініціали, посада, наукова ступінь та вчене звання) (підпис)

Харків 2017 рік

 2

Лекция № 1. Особенности системного подхода

к построению моделей систем

Одна из проблем современной науки и техники – разработка и вне-

дрение в практику проектирования новейших методов исследования ха-
рактеристик сложных информационно-управляющих и информационно-
вычислительных систем различных уровней (например: автоматизиро-
ванных систем научных исследований и комплексных испытаний, систем
автоматизации проектирования, комплексов и сетей, информационных
систем). При проектировании сложных систем и их подсистем возникают
многочисленные задачи, требующие оценки количественных и качест-
венных закономерностей процессов функционирования таких систем,
проведения структурного алгоритмического и параметрического их син-
теза.
Системы информатики и вычислительной техники, автоматизиро-
ванные системы обработки информации и управления, информацион-
ные системы относятся к классу больших систем, этапы проектирования,
внедрения, эксплуатации и эволюции которых в настоящее время не-
возможны без использования различных видов моделирования. На всех
перечисленных этапах для сложных видов различных уровней необхо-
димо учитывать следующие особенности:
– сложность структуры и стохастичность связей между элемента-
ми, неоднозначность алгоритмов поведения при различных условиях,
– большое количество параметров и переменных, неполноту и
недетерминированность исходной информации;
– разнообразие и вероятностный характер воздействий внешней
среды.
Ограниченность возможностей экспериментального исследования
больших систем делает актуальной разработку методики их моделиро-
вания, которая позволила бы в соответствующей форме представить
процессы функционирования систем, описание протекания этих процес-
сов с помощью математических моделей, получение результатов экспе-
риментов с моделями по оценке характеристики исследуемых объектов.
Причем на разных этапах создания и использования перечисленных
систем для всего многообразия входящих в них подсистем применение
метода моделирования преследует конкретные цели, а эффективность
метода зависит от того, насколько грамотно разработчик использует
возможности моделирования. Независимо от разбиения конкретной
сложной системы на подсистемы при проектировании каждой из них не-
обходимо выполнять внешнее проектирование (макропроектирование) и
внутреннее проектирование (микропроектирование). Так как на этих ста-
диях разработчик преследует различные цели, то и используемые при
этом методы и средства моделирования могут существенно отличаться.
 3

На стадии макропроектирования должна быть разработана обоб-

щенная модель процесса функционирования сложной системы, позво-
ляющая разработчику получить ответы на вопросы об эффективности
различных стратегий управления объектом при его взаимодействии с
внешней средой. Стадию внешнего проектирования можно разбить на
анализ и синтез.
При анализе изучают объект управления, строят модель воздейст-
вий внешней среды, определяют критерии оценки эффективности,
имеющиеся ресурсы, необходимые ограничения. Конечная цель стадии
анализа – построение модели объекта управления для оценки его ха-
рактеристик.
При синтезе на этапе внешнего проектирования решаются задачи
выбора стратегии управления на основе модели объекта моделирова-
ния, т. е. сложной системы.
На стадии микропроектирования разрабатывают модели с целью
создания эффективных подсистем. Причем используемые методы и
средства моделирования зависят от того, какие конкретно обеспечи-
вающие подсистемы разрабатываются: информационные, математиче-
ские, технические, программные и т. д.
Выбор метода моделирования и необходимая детализация моде-
лей существенно зависят от этапа разработки сложной системы. На эта-
пах обследования объекта управления, например промышленного пред-
приятия, и разработки технического задания на проектирование автома-
тизированной системы управления модели в основном носят описатель-
ный характер и преследуют цель наиболее полно представить в ком-
пактной форме информацию об объекте, необходимую разработчику
системы.
На этапах разработки технического и рабочего проектов систем,
модели отдельных подсистем детализируются, и моделирование служит
для решения конкретных задач проектирования, т.е. выбора оптималь-
ного по определенному критерию при заданных ограничениях варианта
из множества допустимых. Поэтому в основном на этих этапах проекти-
рования сложных систем используются модели для целей синтеза.
Целевое назначение моделирования на этапе внедрения и эксплуа-
тация сложных систем – это проигрывание возможных ситуаций для
принятия обоснованных и перспективных решений по управлению объ-
ектом. Моделирование (имитацию) также широко применяют при обуче-
нии и тренировке персонала автоматизированных систем управления,
вычислительных комплексов и сетей, информационных систем в раз-
личных сферах. В этом случае моделирование носит характер деловых
игр. Модель, реализуемая обычно на ЭВМ, воспроизводит поведение
управляемого объекта и внешней среды, а люди в определенные мо-
менты времени принимают решения по управлению объектом.
 4

Системный подход получил применение в системотехнике в связи

с необходимостью исследования больших реальных систем, когда ска-
залась недостаточность, а иногда ошибочность принятия каких-либо ча-
стных решений. На возникновение системного подхода повлияли увели-
чивающееся количество исходных данных при разработке, необходи-
мость учета сложных стохастических связей в системе и воздействий
внешней среды Е. Все это заставило исследователей изучать сложный
объект не изолированно, а во взаимодействии с внешней средой, а так-
же в совокупности с другими системами некоторой метасистемы.
Системный подход позволяет решить проблему построения слож-
ной системы с учетом всех факторов и возможностей, пропорциональ-
ных их значимости, на всех этапах исследования системы S и построе-
ния модели М.
Системный подход означает, что каждая система S является ин-
тегрированным целым даже тогда, когда она состоит из отдельных
разобщенных подсистем. Таким образом, в основе системного подхода
лежит рассмотрение системы как интегрированного целого, причем это
рассмотрение при разработке начинается с главного – формулировки
цели функционирования. Процесс синтеза модели М на базе системного
подхода условно представлен на рис. 1.1. На основе исходных данных
Д, которые известны из анализа внешней системы, тех ограничений,
которые накладываются на систему сверху либо, исходя из
возможностей ее реализации, и на основе цели функционирования
формулируются исходные требования Т к модели системы S. На базе
этих требований формируются ориентировочно некоторые подсистемы
П, элементы Э и осуществляется наиболее сложный этап синтеза –
выбор В составляющих системы, для чего используются специальные
критерии выбора.

Рис. 1.1. Процесс синтеза модели на основе системного подхода.

 5

Центральным понятием системного моделирования является само

понятие системы, под которой понимается совокупность объектов, ком-
понентов или элементов произвольной природы, образующих некоторую
целостность в том или ином контексте. Определяющим принципом рас-
смотрения некоторой совокупности объектов как системы является по-
явление у нее новых свойств, которых не имеют составляющие ее эле-
менты, Значимость этого принципа проявляется в том, что он получил
даже специальное название – принцип эмерджентности (от англ.
emergence – появление, выявление).
Системы различной физической природы окружают нас повсеме-
стно – это и конкретные предметы и объекты: солнечная система, чело-
век, персональный компьютер, автомобиль, самолет, аэропорт. Это и
более абстрактные сущности, такие как компьютерная программа, есте-
ственный язык, коммерческая фирма, культура, политика, наука, эконо-
мика. Наиболее ортодоксальная точка зрения предполагает, что все ок-
ружающие нас предмет являются системами.
При рассмотрении той или иной системы исходным этапом ее изу-
чения является определение ее границы. Речь идет о необходимости
разделения всех элементов на два класса: принадлежащих и не при-
надлежащих системе. При этом те сущности или объекты, которые соб-
ственно принадлежат системе, и будут являться се элементами. Напро-
тив, не принадлежащие системе объекты, но оказывающие на нее то
или иное влияние, образуют среду или внешнюю по отношению к систе-
ме предметную область. Традиционно одним из принципов системного
анализа являлось предположение о том, что граница системы четко
разделяет элементы системы и ее внешнюю среду.
Важнейшими характеристиками любой системы являются ее струк-
тура и процесс функционирования.
Под структурой системы понимают устойчивую во времени сово-
купность взаимосвязей между ее элементами или компонентами. Имен-
но структура системы связывает воедино все элементы и препятствует
распаду системы на отдельные компоненты. Структура системы может
отражать самые различные взаимосвязи, в том числе, и вложенность
элементов одной системы в другую. В этом случае принято называть
более мелкую или вложенную систему подсистемой, а более крупную
систему – метасистемой.
Процесс функционирования системы тесно связан с изменением
свойств системы или отдельных ее элементов во времени. При этом
важной характеристикой системы является ее состояние, под которым
понимается совокупность свойств или признаков системы, которые в ка-
ждый момент времени отражают наиболее существенные особенности
поведения системы.
Структура системы может быть описана с разных точек зрения.
 6

Наиболее общее представление о структуре дает схема устройства той

или иной системы. При этом взаимодействие элементов может носить
не только механический, электрический или биологический характер, но
и информационный, что характерно для современных организационно-
технических систем. Состояние системы также можно рассматривать с
различных точек зрения, наиболее общей из которых
Одним из основных принципов системного моделирования являет-
ся проблемная ориентация процессов построения и использования мо-
делей. Другими словами, та или иная модель конкретной системы стро-
ится в контексте решения некоторой проблемы или достижения некото-
рой цели. Главное назначение первого этапа – логическое осмысление
решаемой проблемы в контексте методологии системного моделирова-
ния. При этом выполняется анализ всех доступных ресурсов (матери-
альных, финансовых, информационных и др.), необходимых для по-
строения модели, ее использования и реализации полученных резуль-
татов с целью решения имеющейся проблемы. В случае отсутствия тре-
буемых ресурсов на данном этапе может быть принято решение либо о
сужении (уменьшении масштаба) решаемой проблемы, либо вообще об
отказе от использования средств системного моделирования. На этом
этапе также выполняется анализ требований, предъявляемых в той или
иной форме к результату решения проблемы.
Первоначальный анализ решаемой проблемы и соответствующей
проблемной области является наименее формализуемым с точки зре-
ния применения известных аналитических подходов и средств. Поэтому
на данном этапе рекомендуется применять так называемые эвристиче-
ские или неформальные методы системного анализа. К ним относятся:
1. методы построения логистических сценариев на естественном
языке для анализа возможных способов и альтернативных путей реше-
ния проблемы;
2. методы мозгового штурма для генерации новых идей и нестан-
дартных подходов к решению проблемы;
3. методы морфологического и концептуального анализа для дос-
тижения требуемой полноты рассмотрения исходной проблемы;
4. методы построения и анализа дерева целей и задач, которые
позволяют разбить исходную проблему на ряд более частных или более
простых подпроблем.
Структуризация предметной области и построение модели
Целью данного этапа является построение адекватной модели
системы и соответствующей предметной области в наиболее общем
контексте решения исходной проблемы. Структуризация проблемной
области предполагает определение и последующее уточнение ее гра-
ниц, а также установление границ и состава систем, которые потенци-
ально могут участвовать в решении исходной проблемы. Соответст-
 7

вующая информация представляется в форме модели системы или

проблемной области в целом на некотором формально-логическом язы-
ке. Вся доступная информация о решении проблемы должна быть за-
фиксирована в виде информационно-логической модели системы. При
этом модель должна удовлетворять принципу адекватности отражения
основных особенностей системы-оригинала. Т.е., модель не должна
быть ни поверхностной (неполной), которая не учитывает существенные
аспекты структуры или поведения системы-оригинала, ни излишне
сложной или избыточной, в рамках которой разработчики пытаются
учесть даже несущественные с точки зрения исходной проблемы детали
системы-оригинала.
Данный этап построения информационно-логической модели
предполагает выполнение следующей последовательности действий:
1. Построение концептуальной или информационной модели сис-
темы и проблемной области, которая содержит наиболее общую ин-
формацию и отражает структурные взаимосвязи системы-оригинала с
другими объектами окружающей среды.
2. Построение аналитической или математической модели систе-
мы, которая детализирует отдельные аспекты структуры и поведения
системы-оригинала в форме текста с использованием специальной ма-
тематической нотации (символики).
3. Построение имитационной или программной модели системы,
которая непосредственно реализует информационно-логическую мо-
дель в форме, специально предназначенной для ее исследования с ис-
пользованием компьютеров.
Примечание. Один из принципов системного моделирования за-
ключается в том, что для построения адекватной модели сложной сис-
темы может потребоваться не одна, а несколько моделей системы-
оригинала. В этом случае каждая из подобных моделей будет являться
отдельным представлением сложной системы, а полная модель систе-
мы будет состоять из комплекса взаимосвязанных моделей. Этот прин-
цип получил специальное название – принцип многомодельности сис-
темного моделирования. С точки зрения системного аналитика все част-
ные модели системы равноправны, поэтому корректно вести речь лишь
об их адекватности. При этом выбор типа модели должен зависеть от
характера решаемой проблемы, а не от профессиональной специализа-
ции прикладных математиков и системных аналитиков, участвующих в
решении проблемы.
Выполнение вычислительных экспериментов с моделью
Модель системы разрабатывается для получения некоторой новой
информации о системе-оригинале с целью решения исходной пробле-
мы. В этом случае базовым объектом для получения такой информации
является программная модель сложной системы, реализованная на од-
 8

ном из языков программирования или построенная с использованием

соответствующих программных инструментариев.
Реализация данного этапа в контексте методологии системного
моделирования означает выполнение серии экспериментов с программ-
ной моделью системы на той или иной вычислительной платформе. При
этом возможна следующая последовательность действий, отражающая
содержание собственно процесса планирования экспериментов:
1. Формирование конкретных значений наборов исходных данных
(входных переменных), которые характеризуют отдельный вычисли-
тельный эксперимент с программной моделью системы.
2. Выполнение расчетов или, в общем случае, выполнение отдель-
ной итерации с имитационной моделью системы с целью получения кон-
кретных значений выходных параметров (переменных) модели.
3 Оценка точности и верификация полученных результатов на ос-
нове проверки согласованности отдельных компонентов вычислитель-
ных расчетов с использованием аналитической модели.
4. Интерпретация полученных результатов в форме управляющих
воздействий или альтернатив решения исходной проблемы.
5. Оценка возможности реализации полученных результатов при-
менительно к системе-оригиналу.
Применение результатов вычислительных экспериментов
Содержанием данного этапа является материальное или инфор-
мационное воздействие на систему-оригинал с целью решения исходной
проблемы. При этом может потребоваться планирование организацион-
ных мероприятий по реализации подобных воздействий и контроль их
выполнения. После реализации рекомендаций выполненных исследова-
ний, что оказывается возможным только после окончания этапа вычис-
лительных экспериментов с моделью, вообще говоря, может сложиться
одна из двух ситуаций.
1. Исходная проблема полностью решена – тем самым цели сис-
темного моделирования достигнуты. В этом случае можно перейти к ре-
шению очередной проблемы из данной предметной области, что харак-
теризует начало нового цикла системного моделирования.
2. Исходная проблема не решена или решена не полностью– тем
самым цели системного моделирования не достигнуты. В этом случае
необходимо проанализировать сложившуюся ситуацию и причины не-
удачи. После этого можно перейти либо к коррекции исходной модели
системы, либо вообще отказаться от построенной модели и реализовы-
вать цикл системного моделирования заново.
Коррекция или доработка модели
Цель данного этапа – внесение изменении в существующую мо-
дель, которые направлены на обеспечение ее адекватности решаемой
проблеме. Речь может идти как о включении в состав исходной модели
 9

дополнительных компонентов, так и о радикальном изменении структу-

ры и содержания модели. Важно отметить проблемно-ориентированный
характер этих изменений, т.е. коррекция или доработка модели должны
выполняться в непосредственном контексте с решаемой проблемой.
Упоминавшиеся выше сложные системы, исследование которых пред-
ставляет наибольший интерес в рамках методологии системного моде-
лирования, образуют отдельный подкласс систем. При этом сложность
системы и, соответственно, ее модели могут быть рассмотрены с раз-
личных точек зрения.
Прежде всего, можно выделить сложность структуры системы, ко-
торая характеризуется большим количеством элементов системы и раз-
личными типами взаимосвязей между этими элементами. Так, если ко-
личество элементов системы превышает некоторое пороговое значение,
которое, вообще говоря, не является строго фиксированным, то такая
система может быть названа сложной. Например, если программная
система управления базой данных насчитывает более 100 отдельных
форм ввода и вывода информации, то многие программисты сочтут се
сложной. Транспортные и энергетические системы современных мега-
полисов, макроэкономика государства или отдельных отраслей также
могут служить примерами сложных систем, состоящих из десятков и со-
тен отдельных подсистем или элементов с нетривиальной структурой
взаимосвязей между ними.
Вторым аспектом сложности является сложность процесса функ-
ционирования системы или отдельных ее подсистем. Это может быть
связано как с непредсказуемым характером поведения системы, так и
невозможностью формального представления правил преобразования
входных воздействий в выходные. Этот важный аспект сложности сис-
темы может быть связан с наличием неопределенности в описании про-
цесса поведения системы-оригинала.
Так, например, процесс поведения участников некоторого рынка
товаров или услуг в определенной степени непредсказуем или характе-
ризуется неопределенностью состояний своих элементов. Процесс
функционирования современных операционных систем также характе-
ризуется сложностью поведения, поскольку их надежность и безопас-
ность не всегда удовлетворяют требованиям различных категорий поль-
зователей.
 10

Лекция № 2. Общие понятия теории систем и системного анализа.

С математической точки зрения система Σ – это некоторая часть

мира, которую в любое данное время можно описать, приписав конкрет-
ные значения некоторому множеству переменных (фазовых координат),
характеризующих ее состояние. Системная точка зрения требует введе-
ния пространства состояний StΣ системы Σ как совокупности всех
возможных конечных множеств ситуаций, в которых могут находиться
элементы системы.
В пространстве состояний StΣ системы можно определить ее тра-
ектории как последовательности состояний, в которых система находит-
ся в определенные моменты времени. Члены этой последовательности
состояний не могут быть совершенно произвольными, поскольку каждое
текущее состояние как-то связано с предшествующими состояниями.
Поэтому систему можно определить как класс всех действительно воз-
можных траекторий состояний. Совокупность всех общих ограничений
на свойства траекторий системы и ее состояния – это семантика систе-
мы. Данное определение семантики системы указывает на то, что точ-
ное и одновременно удобное описание системы может быть получено
только в результате тщательного анализа различных представлений в
виде статических и динамических моделей данной системы.
Статическое или структурное описание – это совокупность утвер-
ждений, которые связывают значения фазовых координат системы друг
с другом при определенном выборе фазового пространства системы
StΣ. Динамическое описание, напротив, указывает, как изменение зна-
чений фазовых координат зависит от значений или изменений значений
других координат. Таким образом, динамическое описание – это сово-
купность утверждений, из которых можно математически вывести пове-
дение системы: описать, как она переходит из одного состояния в дру-
гое. Динамическое описание рассматривает систему Σ как структуру, на
которую в определенные моменты t ∈ T оказывается входное воздейст-
вие x(t) (например, поступает вещество, энергия или информация) и ко-
торая в какие-то моменты времени порождает некоторую выходную ве-
личину y(t). Предполагается, что значения входного воздействия x(t) ∈ X
выбираются из некоторого фиксированного множества X (то есть в лю-
бой момент времени x(t) должно принадлежать множеству X), а любое
мгновенное значение выходной величины y(t) – принадлежать некото-
рому фиксированному множеству Y.
Причем, в общем случае, значение выходной величины системы Σ
зависит как от текущего входного воздействия, так и от предыстории
этого воздействия, которое сказывается на внутреннем состоянии q(t) ∈
Q. Другими словами, внутреннее состояние системы q(t) ∈ Q, определя-
ет текущее значение выходной величины системы y(t) ∈ Y и оказывает
 11

влияние на ее будущее. Таким образом, при таком подходе внутреннее

состояние системы q(t) рассматривается как память, или накопитель
прецедентов системы Σ, а математическое описание динамической сис-
темы является описанием потока причинно-следственных связей из
прошлого в будущее.
Система тем сложнее, чем больше фазовых координат необходи-
мо для описания ее состояния. Система тем более организована, чем
больше у нее возможностей противостоять возмущениям, препятствую-
щим достижению цели. Математическая теория должна давать описание
структуры, поведения и эволюции системы.
Примерами больших систем могут служить многие технические и
кибернетический системы, созданные человеком, а в качестве сложных
систем обычно выступают биологический, общественные и социально-
экономические естественные системы. Состав и количество компонен-
тов, связей, функций не формируют сложность и не являются характе-
ристикой сложной системы, ее отличительным признаком.
Техническая или кибернетическая система могут иметь любое чис-
ло компонентов, любое разнообразие функций, но от этого они не ста-
новятся сложными системами. Структура системы в процессе ее жиз-
ненного цикла может изменяться, претерпевать эволюцию. Это означа-
ет, что статическое описание системы не может служить характеристи-
кой ее сложности. Относительность понятия структуры системы застав-
ляет отказаться от него при определении сложности системы и исполь-
зовать для этого понятие поведения системы.
Сложность формируют число степеней свободы и размерность фа-
зового пространства системы, нелинейность и способы информационно-
го взаимодействия подсистем между собой. Для сложных систем опре-
деляющими являются не вещественно-энергетическая сложность, а
структурно-поведенческие реакции, основанные на акте принятия реше-
ния и характеризующиеся целенаправленным поведением.
Сложной является такая система, для которой сколь угодно под-
робное и точное знание устройства (морфологии) не раскрывает ее по-
ведения (функцию), а сколь угодно длительное наблюдение за поведе-
нием сложной системы не позволяет предсказать ее поведения в буду-
щем. Это означает, что сложные системы слабо предсказуемы: их мор-
фология не определяет функцию (и наоборот), а предыстория не опре-
деляет перспективу. В частности, одной из мер сложности может слу-
жить интервал, на котором возможно предсказать поведение системы,
если известно ее функционирование в прошлом. Чем меньше этот ин-
тервал, тем выше сложность.
Первое отличие сложной системы от большой состоит в том, что в
большой системе между ее подсистемами происходит информационный
обмен сигналами, которые имеют однозначную интерпретацию. Каждая
 12

подсистема воспринимает поступающие сигналы однозначно, а ее реак-

ция заранее предусмотрена конструктором системы. Сообщение, пере-
даваемое между подсистемами большой системы, не допускает никако-
го механизма интерпретации, никакого извлечения смысла. Фактически
это означает, что связи между подсистемами построены по функцио-
нальному принципу, сигнал лишен семантики и общение между подсис-
темами происходит на чисто синтаксическом уровне. С другой стороны в
биологических, общественных, социально-экономических и интеллекту-
альных системах циркулирующая между подсистемами информация об-
ладает определенным смыслом, инвариантным относительно способов
кодирования и используемого канала передачи, а подсистемы-адресаты
способны интерпретировать получаемое сообщение и выдавать на
него разнообразные реакции. Таким образом, сложная система характе-
ризуется семиотической (языковой) природой информационных связей
между подсистемами, в противовес большим системам, где использует-
ся функциональная сигнализация.
Второе отличие сложной системы от большой заключается в том,
что в больших (например, технических и кибернетических) системах
управление их поведением основывается на целевых критериях, когда
достижимое конечное состояние определяется заранее поставленной
целью или деревом целей. Детерминированное целеполагание и иерар-
хичность целевого управления специфичны именно для технических и
кибернетических систем.
Напротив, в сложных системах (биологических и социальных) об-
наруживаются не только ситуации детерминированного целевого пове-
дения, но и ситуации, когда поведение системы не определяется четкой
целью. Для сложных систем характерна возможность поведения, осно-
ванного не на заданной структуре целей, а на системе общих ценно-
стей, позволяющих осуществить иерархическую структуру управления.
В этом случае говорят о стратегически ориентированном управлении
сложной системой.
Целевое управление возможно и при синтаксическом уровне обме-
на информацией в системе. Для этого достаточно, чтобы каждая под-
система получала информацию о том, насколько ее поведение соответ-
ствует принятой системе целей. Для этого не требуется, чтобы получае-
мое сообщение обладало инвариантной семантикой, общей для всех
подсистем. Когда же согласованное действие всех компонент системы
определяется общими ценностями, необходимо, чтобы эти общие цен-
ности были выражены. Поэтому становится существенным, чтобы ком-
муникация и координация между подсистемами носила семантический
характер, что, в свою очередь, требует наличия механизма интерпрета-
ции, механизма извлечения смысла получаемых сообщений.
 13

Роль моделирования при оценке техногенного риска

В зависимости от степени своей работоспособности технический
объект может находиться в различных состояниях. Выделяют несколько
возможных для объекта ситуаций:
– нормальные условия работы (эксплуатации);
– нарушение нормальных условий работы (эксплуатации);
– проектная аварийная ситуация;
– запроектная аварийная ситуация;
– гипотетическая авария.
Нормальные условия эксплуатации соответствуют проектным ре-
жимам производства или другого вида функционирования на данном
объекте, предусмотренным плановым регламентом его работы.
Нарушение нормальных условий эксплуатации вызывается любым
отклонением от планового регламента работы, которое требует останов-
ки объекта или его части для ликвидации отклонения, но не связано с
задействованием систем технологической безопасности.
Проектная аварийная ситуация возникает при появлении исходных
событий (предпосылок, условий), ведущих к авариям, возможность кото-
рых предусмотрена при проектировании соответствующего производст-
ва (сложной технической системы, техногенного объекта). При этом для
таких случаев разрабатывают специализированные системы технологи-
ческой безопасности, рассчитанные на последствия этих проектных
аварий, исходя из одного возможного отказа технологического оборудо-
вания или одной ошибки оператора.
Запроектными считаются аварии, вызванные не учтенными для
проектных аварий исходными событиями (предпосылками), вероятность
которых меньше, чем вероятность исходных событий для проектных
аварий, а также обусловленные дополнительными отказами оборудова-
ния, в том числе в системах безопасности. Для запроектных аварий не
предусматриваются технологические меры обеспечения безопасности
объекта.
Гипотетические аварии относятся к числу запроектных аварийных
ситуаций и характеризуются весьма малой вероятностью такого собы-
тия, но значительными последствиями.
Техногенная чрезвычайная ситуация – состояние, при котором в
результате воздействия источника чрезвычайной ситуации (ЧС) на объ-
екте, определенной территории или акватории нарушаются нормальные
условия жизни и деятельности людей, возникает угроза их жизни и здо-
ровью, наносится ущерб имуществу населения, народному хозяйству и
окружающей природной среде.
Потенциально опасные объекты можно классифицировать по при-
знаку характера чрезвычайных ситуаций, которые могут на них возник-
нуть:
 14

– I группа: транспортные системы (железнодорожные, автотранс-

портные, авиационные, морские, речные, космические и трубопровод-
ные);
– II группа: пожаровзрывоопасные объекты;
– III группа: химически опасные объекты;
– IV группа: радиационно опасные объекты;
– V группа: биологически опасные объекты;
– VI группа: гидродинамически опасные объекты;
– VII группа: объекты инфраструктуры по обеспечению жизнедея-
тельности хозяйственных объектов и жизнеобеспечению населения.
Практически для всех сложных и сверхсложных технических сис-
тем в составе техноэкосистем важными оказываются две группы факто-
ров риска. Первая из них связана с воздействием опасных природных
явлений (землетрясения, наводнения, ураганы и т.п.) на исследуемую
техническую систему, вторая – со штатным и нештатным воздействием
технической системы на окружающую среду, в том числе и на различные
экосистемы.
Одна из основных характеристик любой чрезвычайной ситуации,
характеризующей ее последствия, – масштаб, который определяется,
прежде всего, размерами зоны ЧС. Также учитывают тяжесть последст-
вий, основными составляющими которых являются потери и ущерб.
Потери – выход из строя людей (гибель, ранения, травмы, болез-
ни).
Ущерб отражает материальный и финансовый урон, нанесенный в
процессе чрезвычайной ситуации. Он бывает прямой и косвенный.
Прямой ущерб обусловлен поражающими воздействиями, приво-
дящими к разрушениям, повреждениям, выходу из строя объектов хо-
зяйственного и социального назначения, утрате имущества, нанесению
вреда природной среде, природным ресурсам.
Косвенный ущерб возникает из-за остановки хозяйственной дея-
тельности, упущенной выгоды, необходимости затрат на ликвидацию ЧС
и ее долговременных последствий. Иногда, несмотря на малые размеры
зоны чрезвычайной ситуации, тяжесть ее последствий может быть
весьма значительной и трагичной. Оценка масштаба ЧС включает в се-
бя и учет возможных косвенных последствий: нарушение организацион-
ных, социальных, экономических, политических, этнических, культурных
и других важных связей, действующих порой на расстояниях, значитель-
но превосходящих размеры зоны ЧС. В свою очередь масштаб ЧС пре-
допределяет состав сил и средств, количество привлеченных ресурсов,
позволяющих ликвидировать чрезвычайную ситуацию.
Опасность в чрезвычайных ситуациях представляет собой состоя-
ние, при котором создалась или вероятна угроза возникновения пора-
жающих факторов и воздействий источника чрезвычайной ситуации на
 15

население, объекты экономики, инфраструктуры и окружающую природ-

ную среду в зоне чрезвычайной ситуации, то есть на территории, на ко-
торой сложилась чрезвычайная ситуация.
Опасность всегда выражается через связь двух сторон. Одна их
них – субъекты опасности (природные явления, экономические, соци-
альные, политические, техногенные процессы, движущиеся или иные
потенциально опасные материальные объекты, негативные или оши-
бочные намерения и т.д.) – выступает источником, носителем опасности.
Другая сторона – объекты опасности (люди, их сообщества, рукотвор-
ные материальные объекты, объекты природы) – является потенциаль-
но пострадавшей стороной, которая может испытать на себе негативное,
чаще – поражающее воздействие субъекта опасности. При этом обе
стороны могут быть составляющими одного и того же предмета или яв-
ления. В качестве примера назовем промышленное предприятие, на ко-
тором по внутренним причинам может возникнуть авария. В этом случае
предприятие в целом одновременно оказывается и субъектом и объек-
том опасности.
Степень опасности зависит от вероятности ее реализации, энерге-
тической мощи возможных явлений или процессов, интенсивности воз-
можного воздействия на объект, а также от уязвимости и защищенности
от них объекта опасности. Условно опасность может быть представлена
в двух формах – в форме вызовов и в форме угроз.
Под вызовом понимается совокупность обстоятельств, порождаю-
щих гипотетическую опасность, которая в перспективе может превра-
титься в непосредственную опасность. Примерами вызовов в области
природной и техногенной безопасности являются опасность падения на
Землю крупных небесных тел, возможные нарастающие изменения гло-
бального климата, истощения озонового слоя атмосферы Земли, не-
предсказуемые результаты генно-инженерных исследований, перспек-
тива создания новых опасных производств и видов оружия и другие. За-
благовременное выявление и осознание вызова очень важно, поскольку
позволяет заранее принять меры по предотвращению перехода опасно-
сти в форму угрозы.
Наиболее распространенными формами опасностей являются уг-
розы, которые представляют собой непосредственную опасность воз-
никновения тех или иных катаклизмов, бедствий, невзгод, несчастий, а
также наличие обстоятельств, стимулирующих эти ЧС.
Широко используемой характеристикой опасности является риск.
Риск – это измеренная возможность того, что ход событий, дейст-
вия и результаты деятельности приведут к последствиям, негативно
воздействующим на человеческие ценности.
Оценка риска – процесс, используемый для определения величины
(меры) риска анализируемой опасности для здоровья человека, матери-
 16

альных ценностей, окружающей природной среды и других объектов,

связанных с реализацией опасности. Процедура оценки риска основы-
вается на методах математической статистики и теории вероятностей.
Как правило, понятие риска связывают с возможностью наступления
сравнительно редких событий. При этом риск отождествляют с вероят-
ностью P ( t ) наступления этих событий за интервал времени t (напри-
мер, за год). Вероятность P ( t ) – мера (показатель) риска, удобная для
сравнения рисков для одного объекта (субъекта) от различных событий
или для различных объектов (субъектов) в типовых для них условиях
функционирования (деятельности).
Риск связывают также с размером ущерба от опасного события в
натуральном (количество пострадавших и погибших, размер зоны дей-
ствия опасных факторов) или стоимостном выражении.
Таким образом, риск сочетает в себе вероятность неблагоприятно-
го события и объем негативных последствий этого события (убытки,
потери, ущерб).
В статистическом направлении оцениваются некие средние по
времени и пространству характеристики ущербов от различных техно-
генных причин или инцидентов. Также оцениваются частота (вероят-
ность) самих инцидентов, аварий, катастроф, средний ущерб на один
инцидент и т. п.
Из множества статистических характеристик по техногенным рис-
кам наиболее часто используются:
– частота инцидентов определенной категории (например, катаст-
роф на железнодорожном транспорте) в год на определенной террито-
рии, 1/год;
– средний материальный ущерб за один инцидент для определен-
ной территории, например, в млн. дол./инцидент;
– средний натуральный ущерб за один инцидент для определен-
ной территории, например, среднее количество пролившейся нефти в
тоннах/инцидент;
– индивидуальный риск летального исхода, связанный с техниче-
ским источником, 1/год;
– индивидуальный риск здоровью, 1/год.
Индивидуальные риски летального исхода и здоровью использу-
ются для оценки среднего количества умерших или заболевших кон-
кретным заболеванием в год на данной территории от данного техно-
генного фактора. Эти средние значения получаются умножением инди-
видуального риска на количество людей в группе риска.
Использование данного подхода предполагает получение доста-
точного количества данных об ущербах техногенного характера за опре-
деленный период времени для определенных территорий. В дальней-
 17

шем эти данные подвергаются статистической обработке усреднения по

пространству и времени и используются для прогноза будущих значений
техногенных рисков.
При вероятностном подходе изучаемой случайной величиной явля-
ется потенциальный ущерб, который полностью характеризуется своей
плотностью распределения вероятностей f ( x ) или функцией распре-
x
деления вероятностей F ( x ) = ∫−∞ f (ξ ) dξ . В теории рисков наиболее
часто используются такие законы распределений: равномерное, экспо-
ненциальное, нормальное, биномиальное и распределение Пуассона.
Наиболее общим показателем риска считается математическое
ожидание (среднее значение) ущерба от опасного события за год. Если
в течение года может произойти более одного опасного события, то по-
казателем риска служит сумма ущербов от всех событий. Поэтому в за-
дачах, связанных с выбором среди проектов, характеризующихся соот-
ветствующими рисками, в первую очередь сравнивают математические
ожидания. Выбор делают в пользу меньшего МО.
При одинаковых МО сравнивают дисперсии или соответствующие
СКО. Выбор делают в пользу меньшей дисперсии (или СКО), потому что
чем больше среднеквадратические отклонения, тем более вероятны
значительные ущербы.
Асимметрия показывает степень сдвига моды плотности распреде-
ления вероятности к нулю по сравнению со случаем нормального рас-
пределения. При положительной асимметрии сдвиг наблюдается к нулю
ущерба, при отрицательной – в сторону роста ущерба. Выбор делают в
пользу больших положительных значений.
Эксцесс показывает степень остроты или плоскости функции плот-
ности распределения вероятностей относительно нормального распре-
деления. Положительные значения эксцесса свидетельствуют о более
островершинном распределении, чем нормальный закон, а отрицатель-
ные – о более плоском распределении. Выбор делают в пользу больших
положительных эксцессов.
Для изучения проектных и запроектных инцидентов с участием
технических систем используют детерминистический и вероятностный
подходы. В первом предусматривается анализ последовательности раз-
вития инцидента, начиная от исходного события через последователь-
ность предполагаемых стадий отказов, деформаций и разрушения ком-
понентов до установившегося состояния. Ход аварийного процесса изу-
чается и предсказывается с помощью математического и физического
моделирования, для чего проводятся многочисленные лабораторные и
натурные эксперименты.
Детерминистический подход позволяет выявить причины инциден-
тов, разработать методы защиты на уровне конструктивных решений,
 18

снизить вероятность наступления инцидента за счет выбора материалов

и проектных решений. Недостатки этого метода – сложность, высокая
стоимость, вероятность пропуска важного фактора риска, недооценка
случайных составляющих риска.
В вероятностном анализе оценивают вероятность возникновения
инцидента, проводят расчет вероятности того или иного сценария инци-
дента, анализируют разветвленные и пересекающиеся цепочки событий.
Расчетные модели при этом оказываются существенно упрощенными по
сравнению с детерминистическим подходом и соответствующими моде-
лями. В этих случаях широко применяют метод построения дерева отка-
зов, СП-анализ («событие - причина») и метод Монте-Карло (метод ста-
тистического моделирования).
Основной целью метода построения дерева отказов является
оценка вероятности отказа некоторой системы, состоящей из элементов
с заданными вероятностями отказов. Вероятность отказа системы опре-
деляется вероятностями отказов ее элементов и структурной связи ме-
жду ними. Отказы элемента технической системы и отказы элементов
защиты рассматриваются как независимые случайные события, а веро-
ятность их совместного осуществления вычисляется как произведение
их вероятностей.
СП-анализ – по существу, тот же метод построения дерева собы-
тий, но от главного события к причинам, которые могут его вызвать. Дос-
тоинством этого метода является возможность углубленного поиска
причин, вызывающих главное событие, оценку степени влияния каждой
причины на появление главного события, разработка мероприятий по
устранению конкретных причин главного события или снижению их зна-
чимости.
Суть метода Монте-Карло состоит в том, что техническая система
представляется в виде некоторой динамической системы, на входы ко-
торой воздействуют случайные векторные поля. При этом сами звенья
этой системы и связи между ними являются детерминированными и
описываются теми или иными математическими моделями. Эти модели
могут описывать не только функционирование самой системы, но и учи-
тывать окружающую среду. В ходе моделирования просчитывают так
называемые сценарии событий при различных сочетаниях входных сиг-
налов и параметров моделей. Затем полученные результаты усредняют
по реализациям сценариев и получают статистические оценки рисков по
выбранным формулам.
 19

Лекция № 3. Формальные методы построения моделей систем.

Моделирование – это способ исследования каких-либо явлений,

процессов или объектов путем построения и анализа их моделей.
Основными понятиями в теории и практике моделирования явля-
ются «модель» и «система». Система – совокупность взаимосвязанных
объектов, компонентов или элементов произвольной природы, обра-
зующих некоторую целостность в том или ином контексте.
Теоретико-множественное определение системы
S= X S ,R S ,
где X S , R S – множества элементов системы и отношений между
ними.
Признаками того, что моделируемый объект следует рассматри-
вать как систему, являются:
– эмерджентность (от англ. emergence – появление, выявление) –
система как совокупность элементов обладает новыми свойствами, не
присущими ни одному из ее элементов и не сводящимися к сумме
свойств элементов системы;
– многомодельность – для анализа системы необходимо привле-
чение многих теорий и научных дисциплин, например, схемотехники,
механики, теории тепломассообмена, теории электромагнитного поля и
т. п.;
– структурная сложность – система включает в себя большое ко-
личество элементов с различными связями между ними, разнообразны-
ми физико-химическими процессами и множеством иерархических уров-
ней;
– сложный характер функционирования – множество возможных
состояний системы при функционировании, сложный характер перехода
из одного состояния в другое, наличие неопределенности, связанной с
текущим состоянием системы и влиянием внешней среды.
Важнейшими характеристиками любой системы являются ее струк-
тура и процесс функционирования.
Под структурой системы понимают устойчивую во времени сово-
купность взаимосвязей между ее элементами или компонентами. Эти
взаимосвязи могут отражать в том числе и вложенность одной системы
(подсистемы) в другую, более крупную систему (метасистему).
Структура системы может быть описана с разных точек зрения.
Наиболее общее представление о структуре дает схема устройства сис-
темы. При этом взаимодействие элементов может носить не только ме-
ханический, электрический или биологический характер, но и информа-
ционный, что характерно для современных организационно-технических
систем.
 20

Процесс функционирования системы тесно связан с изменением

свойств системы или отдельных ее элементов во времени. При этом
важной характеристикой системы является ее состояние – множество
значений свойств или признаков системы, которые в каждый момент
времени t i отражают наиболее существенные особенности поведения
системы. Какое-либо изменение этих значений можно рассматривать как
переход системы из состояния s j ( t i ) в новое состояние s k ( t i +1 ) .
Систему можно изучать и анализировать, изменяя входные воз-
действия и наблюдая за выходами. Это кибернетический подход, в со-
ответствии с которым техническая система рассматривается как "чер-
ный ящик", выполняющий некоторую функцию преобразования инфор-
мации в условиях внешних воздействий.

Рис. 3.1. Кибернетическая

r модель системы
На рис. 3.1 показаны:
r x – множество входных воздействий, посту-
пающих в систему; z – множество внешних, связанных с окружающей
средой, факторов, воздействующих на систему. Эти факторы могут быть
контролируемыми или неконтролируемыми, управляемыми r или не-
управляемыми, детерминированными или случайными; q – множество
внутренних параметров rсистемы, в т.ч. состояния системы в предыду-
щие моменты времени; y – вектор выходных параметров – реакция сис-
темы на входные воздействия и внешние факторы:
r r r r
y ( ρ )= A { x ( ρ ) , q ( ρ , z ) }, (2.1)
где A ( • ) – оператор системы (функция преобразования информации,
выполняемая системой); ρ – некоторый функционал, например время t ,
частота f , координата d (расстояние, пространственное положение) и
т. д.
По наличию данных об операторе A ( • ) системы разделяют на та-
кие:
1) система типа “черный ящик” – оператор A ( • ) полностью неиз-
вестен и восстанавливается в процессе проектирования r r r эксперимен-
тальным путем за счет обработки векторов x , y , z ;
2) система типа “серый ящик” – оператор A ( • ) известен частично,
 21
r
например с точностью до параметров q , т. е. известно аналитическое
r r
выражение A = f ( q ) , а параметры q – неизвестны;
3) система типа “белый ящик” – известны и вид оператора A ( • ) , и
r
значения параметров q .
По типу оператора A ( • ) системы разделяют по совокупности их
свойств, таких, как физическая реализуемость, стохастичность, вектор-
ность, линейность, инерционность, стационарность, распределенность,
автономность и др.
В физически реализуемых системах выходная реакция системы
формируется по текущему и предыдущим значениям входного воздей-
ствия. В физически нереализуемых системах для определения выход-
ной реакции системы в текущий момент времени требуется знание бу-
дущих значений входного сигнала.
Для детерминированных систем существует однозначное
r
соответствие между входным и выходным сигналами y = A ( x ) .
В вероятностных (стохастических) системах значение выходного
сигнала может быть предсказано по значению входного сигнала только с
r r r
некоторой определенной вероятностью P ( y x ) = f ( A ( x )) . Причи-
нами этой неопределенности могут быть: r
– изменение внутренних параметров q по случайному закону;
– случайные изменения структуры системы; r
– влияние внешних факторов случайного характера z .
По количеству входов и выходов различают одномерные (скаляр-
ные) и многомерные (векторные) системы.
В одномерных системах входной x ( t ) и выходной y ( t ) процессы
– скалярные величины: y = A ( x ) .
r Систему r считают многомерной, если хотя бы один из процессов
x ( t ) , y ( t ) является векторным. Система может быть векторной по
входу, например y ( t ) = x 1 ( t ) + x 2 ( t ) , по выходу, например
y 1 ( t )= a ⋅ x ( t ) , y 2 ( t )= b ⋅ x ( t ) , либо иметь много входов и выходов,
каким-либо образом связанных друг с другом.
Линейные системы в отличие от нелинейных подчиняются принци-
пу суперпозиции
⎧ ⎫
y = A ⎨ ∑( a k ⋅ x k ) ⎬= ∑( a k ⋅ A { x k } ).
⎩ k ⎭ k
У безынерционных (статических) систем выходной сигнал в неко-
торый момент времени зависит только от значения входных сигналов в
тот же момент времени.
Инерционные (динамические) системы обладают "памятью о про-
 22

шлом": значение выходного сигнала в некоторый момент времени зави-

сит от значений входного сигнала в тот же момент и от значений входно-
го и выходного сигналов в предшествующие моменты времени.
В стационарных системах сдвиг входного сигнала во времени при-
водит к такому же сдвигу выходного сигнала x ( t + τ )→ y ( t + τ ) , в то
время как в нестационарных системах выходной сигнал зависит от мо-
мента подачи входного сигнала, т. е. A = A ( • , t ) .
В системах с распределенными параметрами реакция системы за-
висит не только от времени, но и от координат. Такую систему описыва-
ют дифференциальными уравнениями в частных производных по вре-
мени и пространству.
Системы с сосредоточенными параметрами описывают обыкно-
венными дифференциальными уравнениями; реакция этих систем зави-
сит только от времени.
Автономными называют системы, у которых отсутствует входное
r r
воздействие: x ( t ) ≡ 0 , y ( t ) = A ( q , z ) .
В неавтономных системах реакция системы определяется не толь-
ко внутренним состоянием, но и входным сигналом:
r
y ( t )= A ( q , x ( t )) .
Системная динамика. Динамическая модель отражает динамиче-
ские закономерности движения системы, т.е. описывает процессы изме-
нения состояния системы под воздействием только причинно-
следственных (казуальных) связей. Т.о., предполагается, что множество
состояний системы неединично и состояния могут меняться во времени.
В зависимости от мощности множества состояний выделяют модели с
дискретными состояниями (множество состояний дискретно или счетно)
и модели с непрерывным множествов состояний. процесс смены со-
стояний может происходить в фиксированные моменты времени, мно-
жество которых дискретно и заранее определено. Такой процесс смены
состояний называется последовательностью. Последовательности за-
дают обычно разностными уравнениями. Если множество моментов
смены состояний системы непрерывно в пределах некоторого времен-
ного интервала, то процесс движения такой системы описывают обычно
дифференциальными уравнениями. При этом различают детерминиро-
ванные модели (описывающие лишь причинно-следственные связи ме-
жду различными факторами) и вероятностные модели.
Детерминированные модели описывают процесс смены состояний
в виде зависимости вектора состояний от времени и других факторов.
Вероятностные модели отражают процесс движения системы в виде за-
висимости условной вероятности перехода в то или иное состояние сис-
темы от предшествующих состояний и других факторов.
 23

Лекция № 4. Принципы построения моделей систем

При моделировании необходимо обеспечить максимальную эф-

фективность модели системы. Эффективность обычно определяется как
некоторая разность между какими-то показателями ценности результа-
тов, полученных в итоге эксплуатации модели, и теми затратами, кото-
рые были вложены в ее разработку и создание.
Детерминированное моделирование отображает детерминирован-
ные процессы, т.е. процессы, в которых предполагается отсутствие вся-
ких случайных воздействий.
Стохастическое моделирование отображает вероятностные про-
цессы и события. В этом случае анализируется ряд реализаций случай-
ного процесса, и оцениваются средние характеристики, т. е. набор одно-
родных реализаций.
Статическое моделирование служит для описания поведения объ-
екта в какой-либо момент времени, а динамическое моделирование от-
ражает поведение объекта во времени.
Дискретное моделирование служит для описания процессов, кото-
рые предполагаются дискретными, соответственно непрерывное моде-
лирование позволяет отразить непрерывные процессы в системах, а
дискретно-непрерывное моделирование используется для случаев, ко-
гда хотят выделить наличие как дискретных, так и непрерывных процес-
сов.
В зависимости от формы представления объекта (системы S) мож-
но выделить мысленное и реальное моделирование.
Мысленное моделирование часто является единственным спосо-
бом моделирования объектов, которые либо практически нереализуемы
в заданном интервале времени, либо существуют вне условий, возмож-
ных для их физического создания. Например, на базе мысленного моде-
лирования могут быть проанализированы многие ситуации микромира,
которые не поддаются физическому эксперименту.
Мысленное моделирование может быть реализовано в виде:
– наглядного;
– символического;
– математического.
При наглядном моделировании на базе представлений человека о
реальных объектах создаются различные наглядные модели, отобра-
жающие явления и процессы, протекающие в объекте.
1) В основу гипотетического моделирования исследователем за-
кладывается некоторая гипотеза о закономерностях протекания процес-
са в реальном объекте, которая отражает уровень знаний исследовате-
ля об объекте и базируется на причинно-следстненных связях между
входом и выходом изучаемого объекта. Гипотетическое моделирование
 24

используется, когда знаний об объекте недостаточно для построения

формальных моделей.
2) Аналоговое моделирование основывается на применении ана-
логий различных уровней. Наивысшим уровнем является полная анало-
гия, имеющая место только для достаточно простых объектов. С услож-
нением объекта используют аналогии последующих уровней, когда ана-
логовая модель отображает несколько либо только одну сторону
функционирования объекта.
3) Существенное место при мысленном наглядном моделировании
занимает макетирование. Мысленный макет может применяться в слу-
чаях, когда протекающие в реальном объекте процессы не поддаются
физическому моделированию, либо может предшествовать проведению
других видов моделирования.
В основе построения мысленных макетов также лежат аналогии,
однако обычно базирующиеся на причинно-следственных связях между
явлениями и процессами в объекте. Если ввести условное обозначение
отдельных понятий, т. е. знаки, а также определенные операции между
этими знаками, то можно реализовать знаковое моделирование и с по-
мощью знаков отображать набор понятий – составлять отдельные це-
почки из слов и предложений. Используя операции объединения, пере-
сечения и дополнения теории множеств, можно в отдельных символах
дать описание какого-то реального объекта.
В основе языкового моделирования лежит некоторый тезаурус. По-
следний образуется из набора входящих понятий, причем этот набор
должен быть фиксированным. Следует отметить, что между тезаурусом
и обычным словарем имеются принципиальные различия.
Тезаурус – словарь, который очищен от неоднозначности, т.е. в
нем каждому слову может соответствовать лишь единственное понятие,
хотя в обычном словаре одному слову могут соответствовать несколько
понятий.
Символическое моделирование представляет собой искусствен-
ный процесс создания логического объекта, который замещает реаль-
ный и выражает основные свойства его отношений с помощью опреде-
ленной системы знаков или символов.
Математическое моделирование. Для исследования характеристик
процесса функционирования любой системы S математическими мето-
дами, включая и машинные, должна быть проведена формализация это-
го процесса, т. е. построена математическая модель.
Под математическим моделированием понимают процесс установ-
ления соответствия данному реальному объекту некоторого математи-
ческого объекта, называемого математической моделью, и исследова-
ние этой модели, позволяющее получать характеристики рассматривае-
мого реального объекта. Вид математической модели зависит как от
 25

природы реального объекта, так и задач исследования объекта и тре-

буемой достоверности и точности решения этой задачи. Любая матема-
тическая модель, как и всякая другая, описывает реальный объект лишь
с некоторой степенью приближения к действительности.
Математическое моделирование для исследования характеристик
процесса функционирования систем можно разделить на:
– аналитическое,
– имитационное,
– комбинированное.
Для аналитического моделирования характерно то, что процессы
функционирования элементов системы записываются в виде некоторых
функциональных соотношений или логических условий. Аналитическая
модель может быть исследована следующими методами:
а) аналитическим, когда стремятся получить в общем виде явные
зависимости для искомых характеристик;
б) численным, когда, не ищут решения уравнений в общем виде, а
стремятся получить числовые результаты при конкретных начальных
данных;
в) качественным, когда, не имея решения в явном виде, можно най-
ти некоторые свойства решения.
При имитационном моделировании реализующий модель алгоритм
воспроизводит процесс функционирования системы S во времени, при-
чем имитируются элементарные явления, составляющие процесс, с со-
хранением их логической структуры и последовательности протекания
во времени, что позволяет по исходным данным получить сведения о
состояниях процесса в определенные моменты времени, дающие воз-
можность оценить характеристики системы S.
Основным преимуществом имитационного моделирования по срав-
нению с аналитическим является возможность решения более сложных
задач. Имитационные модели позволяют достаточно просто учитывать
такие факторы, как наличие дискретных и непрерывных элементов,
нелинейные характеристики элементов системы, многочисленные
случайные воздействия и др., которые часто создают трудности при
аналитических исследованиях. В настоящее время имитационное моде-
лирование – наиболее эффективный метод исследования больших сис-
тем, а часто и единственный практически доступный метод получения
информации о поведении системы, особенно на этапе проектирования.
Комбинированное (аналитико-имитационное) моделирование при
анализе и синтезе систем позволяет объединить достоинства аналити-
ческого и имитационного моделирования. При построении комбиниро-
ванных моделей проводится предварительная декомпозиция процесса
функционирования объекта на составляющие подпроцессы, и для тех из
них, где это возможно, используются аналитические модели, а для ос-
 26

тальных подпроцессов строятся имитационные модели. Такой комбини-

рованный подход позиоляет охватить каче¬ственно новые классы сис-
тем, которые пе могут быть исследованы с использованием только ана-
литического и имитационного модели¬рования в отдельности.
При реальном моделировании используется возможность исследо-
вания различных характеристик либо на реальном объекте целиком, ли-
бо на его части. Такие исследования могут проводиться как на объектах,
работающих в нормальных режимах, так и при организации специаль-
ных режимов для оценки интересующих исследователя характеристик.
Реальное моделирование является наиболее адекватным, но при этом
его возможности с учетом особенностей реальных объектов ограничены.
Натурным моделированием называют проведение исследования
на реальном объекте с последующей обработкой результатов экспери-
мента на основе теории подобия.
С развитием техники и проникновением в глубь процессов, проте-
кающих в реальных системах, возрастает техническая оснащенность
современного научного эксперимента. Он характеризуется широким ис-
пользованием средств автоматизации проведения, применением весьма
разнообразных средств обработки информации, возможностью вмеша-
тельства человека в процесс проведения эксперимента, и в соответст-
вии с этим появилось новое научное направление – автоматизация на-
учных экспериментом.
Отличие эксперимента от реального протекания процесса заклю-
чается в том, что в нем могут появиться отдельные критические ситуа-
ции и определяться границы устойчивости процесса.
Другим видом реального моделирования является физическое, от-
личающееся от натурного тем, что исследование проводится на уста-
новках, которые сохраняют природу явлений и обладают физическим
подобием. В процессе физического моделирования задаются некоторые
характеристики внешней среды и исследуется поведение либо реально-
го объекта, либо его модели при заданных или создаваемых искусствен-
но воздействиях внешней среды. Физическое моделирование может
протекать в реальном и нереальном (псевдореальном) масштабах вре-
мени, а также может рассматриваться без учета времени. В последнем
случае изучению подлежат так называемые «замороженные» процессы,
которые фиксируются в некоторый момент времени. Наибольшие слож-
ность и интерес с точки зрения верности получаемых результатов пред-
ставляет физическое моделирование в реальном масштабе времени.
С точки зрения математического описания объекта и в зависимости
от его характера модели можно разделить на:
– аналоговые (непрерывные),
– цифровые (дискретные),
– аналого-цифровые (комбинированные).
 27

Под аналоговой моделью понимается модель, которая описывает-

ся уравнениями, связывающими непрерывные величины.
Под цифровой понимают модель, которая описывается уравне-
ниями, связывающими дискретные величины, представленные в цифро-
вом виде.
Под аналого-цифровой понимается модель, которая может быть
описана уравнениями, связывающими непрерывные и дискретные вели-
чины.
Особое место в моделировании занимает кибернетическое моде-
лирование, в котором отсутствует непосредственное подобие физиче-
ских процессов, происходящих в моделях, реальным процессам. В этом
случае стремятся отобразить лишь некоторую функцию и рассматрива-
ют реальный объект как «черный ящик», имеющий ряд входов и выхо-
дов, и моделируют некоторые связи между выходами и входами. Чаще
всего при использовании кибернетических моделей проводят анализ по-
веденческой стороны объекта при различных воздействиях внешней
среды. Таким образом, в основе кибернетических моделей лежит отра-
жение некоторых информационных процессов управления, что позволя-
ет оценить поведение реального объекта. Для построения имитацион-
ной модели в этом случае необходимо выделить исследуемую функцию
реального объекта, попытаться формализовать эту функцию в виде не-
которых операторов связи между входом и выходом и воспроизвести на
имитационной модели данную функцию, причем на базе совершенно
иных математических соотношений и, естественно, иной физической
реализации процесса.
Наиболее эффективным методом исследования больших систем
является машинное моделирование, без которого невозможно решение
многих крупных проблем.
Сущность машинного моделирования системы состоит в проведе-
нии на вычислительной машине эксперимента с моделью, которая пред-
ставляет собой некоторый программный комплекс, описывающий фор-
мально и/или алгоритмически поведение элементов системы S в про-
цессе ее функционирования.
Кроме классификации моделей по типам, существует классифика-
ция видов моделирования, в качестве одного их первых признаков кото-
рый можно выбрать степень полноты модели и разделить модели в со-
ответствии с этим признаком на полные, неполные и приближенные.
В основе полного моделирования лежит полное подобие, которое про-
является как во времени, так и в пространстве. Для неполного модели-
рования характерно неполное подобие модели изучаемому объекту. В
основе приближенного моделирования лежит приближенное подобие,
при котором некоторые стороны функционирования реального объекта
не моделируются совсем.
 28

Основные требования, предъявляемые к модели М процесса функ-

ционирования системы S:
1. полнота модели должна предоставлять пользователю возмож-
ность получения необходимого набора оценок характеристик системы с
требуемой точностью и достоверностью;
2. гибкость модели должна давать возможность воспроизведения
различных ситуаций при варьировании структуры, алгоритмов и пара-
метров системы;
3. длительность разработки и реализации модели большой системы
должна быть по возможности минимальной при учете ограничений на
имеющиеся ресурсы;
4. структура модели должна быть блочной, т. е. допускать возмож-
ность замены, добавления и исключения некоторых частей без передел-
ки всей модели;
5. информационное обеспечение должно предоставлять возмож-
ность эффективной работы модели с базой данных систем определен-
ного класса;
6. программные и технические средства должны обеспечивать эф-
фективную (по быстродействию и памяти) машинную реализацию моде-
ли и удобное общение с ней пользователя;
7. должно быть реализовано проведение целенаправленных (пла-
нируемых) машинных экспериментов с моделью системы с использова-
нием аналитико-имитационного подхода при наличии ограниченных вы-
числительных ресурсов. При машинном моделировании системы S ха-
рактеристики процесса ее функционирования определяются на основе
модели М, построенной исходя из имеющейся исходной информации об
объекте моделирования.
При получении новой информации об объекте его модель пере-
сматривается и уточняется с учетом новой информации. Этот процесс
продолжается до тех пор, пока не будет получена модель М, которую
можно считать адекватной в рамках решения поставленной задачи ис-
следования и проектирования системы S.
 29

Лекция № 5. Построение и представление

концептуальной модели

На первом этапе машинного моделирования формулируется мо-

дель и строится ее формальная схема, т. е. основным назначением это-
го этапа является переход от содержательного описания объекта к его
математической модели, другими словами, процесс формализации.
Наиболее рационально строить модель функционирования систе-
мы по блочному принципу. При этом могут быть выделены три автоном-
ные группы блоков такой модели.
Блоки первой группы представляют собой имитатор воздействий
внешней среды Е на систему S.
Блоки второй группы являются собственно моделью процесса
функционирования исследуемой системы S.
Блоки третьей группы – вспомогательными и служат для машинной
реализации блоков двух первых групп, а также для фиксации и обработ-
ки результатов моделирования.
Элементы системы S группируются в блоки SI SII, SIII, отражающие
процесс функционирования исследуемой системы. Построенная блоч-
ная модель процесса функционирования исследуемой системы S пред-
назначена для анализа характеристик этого процесса, который может
быть проведен при машинной реализации полученной модели (рис. 5.1).

Рис. 5.1
Математическая модель представляет собой совокупность соот-
ношений (например, уравнений, логических условий, операторов), опре-
деляющих характеристики процесса функционирования системы S в за-
висимости от структуры системы, алгоритмов поведения, параметров
системы, воздействий внешней среды Е, начальных условий и времени.
Математическая модель является результатом формализации про-
цесса функционирования исследуемой системы.
Однако на практике получение модели достаточно простого вида
для больших систем чаще всего невозможно, поэтому обычно процесс
функционирования системы S разбивают на ряд элементарных подпро-
цессов. При этом необходимо так проводить разбиение на подпроцессы,
чтобы построение моделей отдельных подпроцессов было элементарно
и не вызывало трудностей при формализации.
Основными подэтапами построения концептуальной модели сис-
темы являются:
 30

1. Постановка задачи машинного моделирования системы. Основ-

ное внимание уделяется таким вопросам, как выбор методики решения
задачи с учетом имеющихся ресурсов, определение масштаба задачи и
возможности разбиения ее на подзадачи.
2. Анализ задачи моделирования системы, который включает:
а) выбор критериев оценки эффективности процесса функциони-
рования системы S;
б) определение зависимых и независимых переменных модели М;
в) выбор возможных методов идентификации;
г) выполнение предварительного анализа содержания второго эта-
па алгоритмизации модели системы и ее машинной реализации;
д) выполнение предварительного анализа содержания третьего
этапа получения и интерпретации результатов моделирования системы.
3. Определение требований к исходной информации об объекте
моделирования и организация ее сбора. На этом подэтапе проводится:
а) выбор информации о системе S и внешней среде Е;
б) подготовка априорных данных;
в) анализ имеющихся экспериментальных данных;
г) выбор методов и средств предварительной обработки информа-
ции о системе.
4. Выдвижение гипотез и принятие предположений. При выдвиже-
нии гипотез и принятии предположений учитываются следующие факто-
ры:
а) объем имеющейся информации для решения задач;
б) подзадачи, для которых информация недостаточна;
в) ограничения на ресурсы времени для решения задачи;
г) ожидаемые результаты моделирования.
5. Определение параметров и переменных модели. Описание каж-
дого параметра и переменной должно даваться в следующей форме:
а) определение и краткая характеристика;
б) символ обозначения и единица измерения;
в) диапазон изменения;
г) место применения в модели.
6. Установление основного содержания модели. При этом учиты-
ваются следующие особенности:
а) формулировка задачи моделирования системы;
б) структура системы S и алгоритмы ее поведения, воздействия
внешней среды Е;
в) возможные методы и средства решения задачи моделирования.
7. Обоснование критериев оценки эффективности системы. Для
оценки качества процесса функционирования моделируемой системы S
необходимо выбрать некоторую совокупность критериев оценки эффек-
тивности, т.е. в математической постановке задача сводится к получе-
 31

нию соотношения для оценки эффективности как функции параметров и

переменных системы.
8. Определение процедур аппроксимации. Для аппроксимации ре-
альных процессов, протекающих в системе S, обычно используются три
вида процедур:
а) Детерминированную. При детерминированной процедуре ре-
зультаты моделирования однозначно определяются по данной совокуп-
ности входных воздействий, параметров и переменных системы S.
б) Вероятностная (рандомизированная) процедура применяется в
том случае, когда случайные элементы, включая воздействия , внешней
среды Е, влияют на характеристики процесса функционирования систе-
мы S и когда необходимо получить информацию о законах распределе-
ния выходных переменных.
в) Процедура определения средних значений используется тогда,
когда при моделировании системы интерес представляют средние зна-
чения выходных переменных при наличии случайных элементов.
9. Описание концептуальной модели системы:
а) описывается концептуальная модель в абстрактных терминах и
понятиях;
б) дается описание модели с использованием типовых математи-
ческих схем;
в) принимаются окончательно гипотезы и предположения;
г) обосновывается выбор процедуры аппроксимации реальных про-
цессов при построении модели.
10. Проверка достоверности концептуальной модели:
а) проверка замысла модели;
б) оценка достоверности исходной информации;
в) рассмотрение постановки задачи моделирования;
г) анализ принятых аппроксимаций;
д) исследование гипотез и предположений.
11. Составление технической документации но первому этапу, ко-
торый включает в себя:
а) подробную постановку задачи моделирования системы S;
б) анализ задачи моделирования системы;
в) критерии оценки эффективности системы;
г) параметры и переменные модели системы;
д) гипотезы и предположения, принятые при построении модели;
е) описание модели в абстрактных терминах и понятиях;
ж) описание ожидаемых результатов моделирования системы S.

Концептуальная модель создается в результате формализации

описания сложной системы с помощью соответствующих средств пред-
ставления знаний в виде понятий, а реализация системы описывает кон-
 32

кретные сущности (значения), которые охватываются понятиями, вве-

денными в рамках концептуальной модели. Это значит, что реализация
системы моделирует состояния системы, а в рамках ее концептуального
представления задаются статические и динамические правила (семан-
тика сложной системы), определяющие ограничения на состояния сис-
темы, которые могут рассматриваться как некоторые аксиоматические
высказывания.
Таким образом, при данном подходе производится четкое разгра-
ничение концептуальной модели сложной системы и ее реализации.
Выделение этапа концептуального моделирования сложных систем
обеспечивает большую гибкость и независимость всего проекта описа-
ния сложной системы от ее конкретной реализации. При этом способ
реализации отделяется от используемой концептуальной модели слож-
ной системы. Конкретные данные о реализации системы отделены от
содержащейся в них семантической информации (знаний), а индивиду-
альное поведение системы — от представления знаний.
Такой подход целесообразен по той причине, что количество эле-
ментов системы намного превосходит число понятий, необходимых для
описания семантики системы, в связи с чем должны использоваться
специализированные средства накопления, хранения и ведения большо-
го числа однородно форматированных данных, обеспечиваемых совре-
менными системами управления базами данных.
Концептуальное моделирование обеспечивает высокоуровневые
средства спецификации синтаксиса и семантики сложной системы, а ба-
зы данных хранят конкретные экземпляры элементов, составляющих
сложную систему. Для решения данной задачи необходима взаимосвя-
занная совокупность понятий, механизмов и языковых средств, обеспе-
чивающих формализованное описание системы. Эту задачу позволяет
выполнить унифицированный язык моделирования UML (Unified Model-
ing Language), являющийся графическим языком визуализации, специ-
фицирования, конструирования и документирования систем. Язык UML
одновременно является простым и мощным средством моделирования,
который может быть эффективно использован для построения концеп-
туальных, логических и графических моделей сложных систем самого
различного целевого назначения. Язык UML основан на некотором чис-
ле базовых понятий, которые могут быть изучены и применены боль-
шинством исследователей и разработчиков, знакомых с методами объ-
ектно-ориентированного анализа и проектирования. При этом базовые
понятия могут комбинироваться и расширяться таким образом, что спе-
циалисты получают возможность самостоятельно разрабатывать моде-
ли больших и сложных систем в самых различных областях приложений.
Конструктивное использование языка UML для концептуального
моделирования основывается на понимании общих принципов пред-
 33

ставления знаний о сложных системах и особенностей процесса их объ-

ектно-ориентированного анализа и проектирования. При этом одним
из основных принципов описания сложных систем является принцип аб-
страгирования, который предписывает включать в описание только те
аспекты проектируемой системы, которые имеют непосредственное от-
ношение к выполнению системой своих функций или своего целевого
предназначения. При этом все второстепенные детали опускаются, что-
бы чрезмерно не усложнять процесс анализа и исследования получен-
ной модели.
При объектно-ориентированном подходе система может быть
представлена как совокупность некоторых объектов и отношений, кото-
рые существуют между ними. В зависимости от того, являются ли от-
правной точкой для представления знаний о системе объекты, отноше-
ния, трансформации состояний или истинные высказывания о состояни-
ях, мы имеем, соответственно, описание, ориентированное на структур-
ное, динамическое или логико-лингвистическое представление сложной
системы.
Концептуальные спецификации системы на языке UML предостав-
ляют участвующим в разработке ее модели специалистам (системотех-
никам, архитекторам, системным аналитикам и программистам) единую
основу для создания проекта сложной системы. Концепция UML принци-
пиально отличается от более ранних технологий (в частности, от блок-
схем и электронных таблиц). Вместо того чтобы иллюстрировать изоли-
рованные части процесса, UML отдает предпочтение моделям верхнего
уровня, позволяющим разработчикам скрывать детали и концентриро-
вать внимание на функциональных особенностях, а не на последова-
тельности действий. Данный подход позволяет начать с формирования
общего взгляда на систему, детали же раскрываются позже.
Моделирование сложной системы средствами UML сводится к ее
описанию в различных проекциях или представлениях. Каждая проекция
описывает определенный аспект разрабатываемой системы, а все вме-
сте они определяют систему с должной степенью полноты, правильно-
сти и адекватности.
Каждая из моделей, использованных в UML, позволяет рассматри-
вать функциональные процессы под различным углом. К примеру, поль-
зователи системы при помощи моделей UML могут оценить основные
положения сценария функционального процесса и разобраться в том,
кто за что отвечает. Разработчики же применяют модели классов и объ-
ектов для получения точного представления о том, как интегрировать
данные компоненты в систему.
Интегрированная модель сложной системы в нотации UML пред-
ставлена на рис. 5.2
 34

Рис. 5.2 Совокупность моделей, описывающих различные представле-

ния сложной системы на языке UML

В результате концептуального моделирования выявляются основ-

ные понятия и процессы, необходимые для включения в начальные кон-
цептуальные описания системы. Структурные понятия-кандидаты выяв-
ляются в результате анализа объектов системы, их свойств, событий и
параметров сообщений. Понятия-кандидаты для начальных специфика-
ций процессов определяются из функциональных описаний системы и
используемых объектов и методов. Концептуальное представление сис-
темы определяет состав основных понятий системы, выступающих в ро-
ли глобальных поставщиков информации, определяющей целенаправ-
ленное поведение системы. Целенаправленное поведение системы оп-
ределяется соответствующими процедурами принятия решений, кото-
рые основываются на полученной извне информации. Обработка этой
информации может быть специфицирована в виде совокупности внут-
ренних процессов системы. С целью проверки информационной полно-
ты концептуальной модели может использоваться технология последо-
вательного согласования полученных концептуальных спецификаций
системы. В процессе согласования устраняется синонимия и омонимия
имен понятий, уточняются связи между объектами и их состав. Резуль-
таты согласования фиксируются в матрицах разных типов, объединен-
ных общим названием «объекты – процессы». Строки матриц соответст-
вуют структурным элементам, а столбцы – процессам. Матрицы являют-
ся важным источником информации для построения логического и фи-
зического представлений системы.
 35

В результате концептуальное представление системы и проте-

кающих в ней процессов представляет собой формальную высокоуров-
невую спецификацию ее статических и динамических свойств. Данная
спецификация формализует поведение системы на семантическом
уровне с позиций внешнего окружения и служит в качестве исходных
данных для физического представления системы.
На этапе создания концептуального представления поведения
сложной системы используются динамические модели, включающие мо-
дели прецедентов (вариантов использования), сценариев функцио-
нальных процессов и модели взаимодействия объектов..
Модель прецедентов (вариантов использования, use case
diagrams) – это обобщенная модель функционирования системы в окру-
жающей среде. Прецедент – это реакция системы на внешнее воздейст-
вие. Модель прецедентов представляет собой наиболее общую концеп-
туальную модель сложной системы, которая является исходной для по-
строения всех остальных моделей. На моделях прецедентов представ-
ляются варианты использования, действующие лица (актеры), а также
отношения между ними. Они особенно важны при организации и моде-
лировании поведения системы.
Отправной точкой для описания систем служат прецеденты, кото-
рые отражают типичное взаимодействие системы с внешней средой для
достижения некоторых целей. На практике, разумеется, нет необходи-
мости определять абсолютно все прецеденты. Как правило, нужно вы-
делить лишь наиболее важные из них. Прецеденты также не следует
чересчур детализировать. Обычно вполне достаточно небольшого тек-
стового описания размером в несколько абзацев. Тем не менее, преце-
денты не дают картины в целом: для концептуального представления
системы необходимы также сценарии процессов, происходящих в сис-
теме в ответ на некоторый прецедент.
Модели сценариев функциональных процессов (activity diagrams) –
это модели поведения системы в рамках прецедента. На моделях сце-
нариев процессов представляются переходы потока управления от од-
ной деятельности к другой внутри системы. Модели сценариев процес-
сов относятся к динамическому виду системы; они наиболее важны при
моделировании ее функционирования и отражают поток управления
между объектами.
Модель взаимодействия объектов (interaction diagrams) – модель
процесса обмена сообщениями между объектами системы, представля-
ется в виде диаграмм последовательностей (sequence diagrams) или
кооперативных диаграмм (collaboration diagrams). На моделях взаимо-
действия представляются связи между объектами; и, в частности, пока-
зываются сообщения, которыми объекты могут обмениваться. Модели
взаимодействия относятся к динамическому виду системы. При этом
 36

диаграммы последовательности отражают временную упорядочен-

ность сообщений, а диаграммы кооперации - структурную организацию
обменивающихся сообщениями объектов. Эти диаграммы являются
изоморфными, то есть могут быть преобразованы друг в друга.
Модели взаимодействия (последовательности и кооперации) по-
лезнее на более позднем шаге. Кроме того, модели взаимодействия не
позволяют выявить параллельные процессы такими способами, как сце-
нарии процессов, в которых можно отразить действия, ограниченные
рамками некоторых подсистем, чтобы показать одновременно и участ-
ников процессов, и параллелизм. Можно также использовать модели
переходов состояний в сочетании со сценариями процессов.
После того как построена концептуальная модель, описывающая
динамику системы, разрабатывается логическая модель, которая, с од-
ной стороны, представляет информацию системы, отражающуюся в
объектах предметной области, и, с другой стороны, поведение системы,
отражающееся в сценариях. Логическая модель специфицирует классы,
выполняющие некоторую реальную работу в системе и образующие по-
вторно используемую архитектурную основу для ее последующих рас-
ширений.
На этапе создания статического концептуального описания слож-
ной системы строится логическое представление, использующее моде-
ли классов и модели состояний объектов.
Модель классов (class diagrams) – логическая модель базовой
структуры системы, отражает статическую структуру системы и связи
между ее элементами; соответствует статическому виду системы. На
модели классов показывают классы, интерфейсы, объекты и коопера-
ции, а также их отношения. При объектно-ориентированном моделиро-
вании систем этот тип моделей используют чаще всего.
Для уточнения моделей классов часто используются модели объ-
ектов (object diagrams). На моделях объектов представляются объекты
и отношения между ними. Они являются статическими "фотографиями"
экземпляров сущностей, показанных на моделях классов. Модели объ-
ектов, как и модели классов, относятся к статическому виду системы, но
с расчетом на настоящую или макетную реализацию.
Модель переходов состояний (statechart diagrams) – модель дина-
мического поведения системы и ее компонентов при переходе из одного
состояния в другое. На моделях состояний представляется автомат,
включающий в себя состояния, переходы, события и виды действий.
Модели состояний относятся к динамическому виду системы; особенно
они важны при моделировании поведения интерфейса, класса или коо-
перации. Они акцентируют внимание на поведении объекта, зависящем
от последовательности событий, что очень полезно для моделирования
интерактивных систем.
 37

После того как получена исходная информация, необходимая для

построения спецификации системы, можно приступить к созданию еди-
ной согласованной динамической модели системы, которая будет удов-
летворять всем требованиям, зафиксированным в более ранних разроз-
ненных моделях. Эта интегрированная модель может затем использо-
ваться в качестве отправной точки для построения классов и более тща-
тельной спецификации классов в фазе логического проектирования. По-
строенный таким образом начальный вариант концептуальной динами-
ческой модели системы следует рассматривать как некоторую основу
для ее уточнения на следующих этапах описания сложной системы.
Таким образом, для построения концептуального представления
сложной системы наиболее важными являются следующие два инстру-
мента UML:
– Модели классов, отражающие основные статические понятия ис-
следуемой системы и взаимосвязи между ними, что приводит отдельно
взятые понятия в стройную систему.
– Сценарии процессов, которые дополняют модели классов за
счет описания потоков действий, т. е. пошаговых процессов выполнения
системой некоторых функций. Ключевым аспектом сценариев процессов
является то, что они направлены на отражение параллельных действий,
важных с точки зрения исключения избыточных последовательностей в
функциональных процессах.
Отношения между различными видами моделей UML показаны на
рис. 5.3. Приведенная схема является наглядной иллюстрацией итера-
тивного характера представления системы с использованием ООМ на
языке UML.

Рис. 5.3. Взаимосвязи между моделями сложной системы

 38

Лекция № 6. Классификация моделей

Модель (от латинского modus – копия, образ, очертание) – это мате-
риальный или мысленно представляемый объект, который в процессе
познания (изучения) замещает объект-оригинал, сохраняя некоторые
важные для данного исследования свойства оригинала. Упрощенная
классификация видов моделирования показана на рис. 6.1.

Рис. 6.1 – Виды моделирования

Математическая модель (ММ) – приближенное описание какого-
либо класса явлений или объектов реального мира на языке математи-
ки. В общем виде ее можно представить в виде системы функционалов
Φ i ( X , Y , Z ; t )= 0 ,
где X – вектор входных переменных, X =[ x 1 ( t ) , x 2 ( t ) ,K , x N ( t ) ] ; Y
– вектор выходных переменных, Y =[ y 1 ( t ) , y 2 ( t ) ,K , y M ( t ) ] ; Z –
вектор внешних воздействий, Z =[ z 1 ( t ) , z 2 ( t ) ,K , z K ( t ) ] ; t – время.
По принципам построения математические модели разделяют на
аналитические и имитационные.
В аналитических моделях процессы функционирования реальных
объектов, процессов или систем записывают в виде явных функцио-
нальных зависимостей. Как правило, для этого используют дифферен-
циальные, интегральные и алгебраические уравнения и системы урав-
нений. По мере усложнения объекта моделирования построение анали-
 39

тической модели превращается в трудноразрешимую проблему. Тогда

необходимо использовать более гибкий метод моделирования – имита-
ционное моделирование, при котором функционирование объектов, про-
цессов или систем описывают набором алгоритмов. Алгоритмы имити-
руют реальные элементарные явления, составляющие процесс или сис-
тему, с сохранением их логической структуры и последовательности
протекания во времени.
В зависимости от характера исследуемых процессов и систем ма-
тематические модели могут быть детерминистические и стохастические.
В детерминистических моделях предполагается отсутствие всяких
случайных воздействий, элементы модели (переменные, математиче-
ские связи) точно установлены, поведение системы можно точно опре-
делить. Стохастическая модель учитывает случайный характер про-
цессов в исследуемых объектах, который описывается методами теории
вероятности и математической статистики.
По виду входной информации модели разделяют на непрерывные и
дискретные. Если информация и параметры непрерывны, а математи-
ческие связи устойчивы, то модель – непрерывная. Если информация и
параметры дискретны, а связи неустойчивы, то и модель – дискретная.
Статические модели описывают поведение объекта, процесса или
системы в какой-либо фиксированный момент времени. Динамические
ММ отражают поведение объекта, процесса или системы во времени.
По характеру решаемых проблем модели могут быть разделены на
функциональные и структурные. В первом случае все величины, харак-
теризующие явление или объект, выражаются количественно. При этом
одни из них рассматриваются как независимые переменные, а другие –
как функции от этих величин. ММ – система уравнений разного типа
(дифференциальных, алгебраических и т.д.), устанавливающих количе-
ственные зависимости между рассматриваемыми величинами. Во вто-
ром случае модель характеризует структуру сложного объекта, состоя-
щего из отдельных частей, между которыми существуют определенные
связи. Как правило, эти связи не поддаются количественному измере-
нию. Для построения таких моделей удобно использовать теорию гра-
фов. Граф – это математический объект, представляющий собой неко-
торое множество точек (вершин) на плоскости или в пространстве, неко-
торые из которых соединены линиями (ребрами).
Построение ММ заключается в определении связей между теми или
иными процессами и явлениями, создании математического аппарата,
позволяющего выразить количественно и качественно связь между про-
цессами и явлениями; между физическими величинами и факторами,
влияющими на конечный результат. Обычно их оказывается настолько
много, что ввести в модель всю их совокупность не удается. При по-
строении ММ перед исследованием возникает задача выявить и исклю-
 40

чить из рассмотрения факторы, несущественно влияющие на конечный

результат (ММ обычно включает значительно меньшее число факторов,
чем в реальной действительности). На основе данных эксперимента вы-
двигаются гипотезы о связи между величинами, выражающими конеч-
ный результат, и факторами, введенными в ММ. Такая связь зачастую
выражается системами дифференциальных уравнений в частных произ-
водных (например, в задачах механики твердого тела, жидкости и газа,
теории фильтрации, теплопроводности, теории электростатического и
электродинамического полей). Конечной целью этого этапа является
формулирование математической задачи, решение которой с необходи-
мой точностью выражает результаты, интересующие специалиста.
На этапе выбора ММ устанавливаются: линейность и нелинейность
объекта, процесса или системы, динамичность или статичность, стацио-
нарность или нестационарность, а также степень детерминированности
исследуемого объекта. При математическом моделировании отвлекают-
ся от конкретной физической природы объектов, процессов или систем и
сосредотачиваются на изучении количественных зависимостей между
величинами, описывающими эти процессы. ММ никогда не бывает пол-
ностью тождественна рассматриваемому объекту, процессу или систе-
ме. Основанная на упрощении, идеализации она является приближен-
ным описанием объекта. Поэтому результаты, полученные при анализе
модели, носят приближенный характер. Их точность определяется сте-
пенью адекватности (соответствия) модели и объекта.
Основные этапы математического моделирования:
1) Построение модели. На этом этапе задается некоторый «немате-
матический» объект – явление природы, конструкция, экономический
план, производственный процесс и т.д. Сначала выявляются основные
особенности явления и связи между ними на качественном уровне. За-
тем найденные качественные зависимости формулируются на языке ма-
тематики, т.е. строится ММ.
2) Решение математической задачи, к которой приводит модель. На
этом этапе большое внимание уделяется разработке алгоритмов и чис-
ленных методов решения задачи на ЭВМ, при помощи которых резуль-
тат можно найти с необходимой точностью и за допустимое время.
3) Интерпретация полученных следствий из ММ. Следствия, выве-
денные из модели на языке математики, интерпретируются на языке,
принятом в данной области.
4) Проверка адекватности модели. На этом этапе выясняется, со-
гласуются ли результаты эксперимента с теоретическими следствиями
из модели в пределах определенной точности.
5) Модификация модели. Происходит либо усложнение модели,
чтобы она была более адекватной действительности, либо ее упроще-
ние ради достижения практически приемлемого решения.
 41

Лекция № 7. Моделирование систем в условиях определенности.

Построение математической модели системы S начинается с оп-

ределения параметров системы и переменных, определяющих процесс
функционирования системы (рис. 7.1).
В непрерывно-детерминированных моделях время t полагается
непрерывной переменной, а случайными факторами в системе пренеб-
регают. Основной математический аппарат, используемый при построе-
нии и исследовании НД-моделей, – теория дифференциальных и инте-
гральных уравнений. При построении НД-моделей системы автоматиче-
ского управления приходится использовать дифференциальные уравне-
ния высших порядков.

Рис. 7.1. Структура одноканальной системы автоматического управления

В отличие от НД-моделей в дискретно-детерминированных моде-

лях время t является дискретной переменной: t = τΔ, где Δ – шаг дискре-
тизации; τ = 0, 1, 2, … – "дискретное время". Основной математический
аппарат, используемый при построении ДД-моделей, это теория разно-
стных уравнений и аппарат дискретной математики.
Дискретно-вероятностные модели учитывают случайные элементы
в математической модели исследуемой сложной системы S. Основной
математический аппарат, используемый при построении и исследовании
ДВ-моделей, это теория разностных стохастических уравнений и теория
вероятности.
Теория массового обслуживания применяется для построения ма-
тематических моделей таких сложных систем, для которых характерно:
1) наличие потока многих заявок на выполнение определенных опера-
ций (заявок на обслуживание); 2) наличие многократно повторяемых
операций (выходной поток).
Теория массового обслуживания разрабатывает и исследует ма-
тематические модели различных по своей природе процессов функцио-
нирования экономических, производственных, технических и других сис-
тем, например: поставок сырья и комплектующих изделий некоторому
предприятию; заданий, поступающих на ЭВМ от удаленных терминалов;
вызовов в телефонных станциях и т.д. При этом для функционирования
таких систем характерна стохастичность: случайность моментов време-
ни появления заявок на обслуживание и т.д.
В тех случаях, когда аналитическая модель исследуемой системы
 42

является слишком сложной или частично либо полностью неопределе-

на, единственным методом исследования сложных систем является
имитационное моделирование. В работах математиков Н.П.Бусленко и
И.Н.Коваленко был предложен подход к построению математических
моделей СС, позволяющий облегчить процесс разработки и использова-
ния ИМ исследуемых систем. Подход получил название — агрегативное
моделирование (А-моделирование). Сущность А-моделирования состо-
ит в следующем. При построении А-модели сложная система разбивает-
ся на конечное число взаимосвязанных элементов (подсистем). Если не-
которые из полученных подсистем оказываются в свою очередь доста-
точно сложными, то процесс их разделения продолжается до тех пор,
пока не будут выделены элементы, допускающие стандартное матема-
тическое описание, называемое агрегатом.
На функционирование сложных систем – вычислительных систем
(ВС), производственных участков, автоматизированных телефонных
станций (АТС), систем передачи информации (СПИ) и т.д. оказывают
влияние случайные факторы, которые в математическом моделирова-
нии сложных систем рассматриваются либо как случайные входные
(управляющие) сигналы и, либо как неконтролируемые воздействия
внешней среды V. Примерами таких случайных факторов являются:
случайные интервалы времени между поступлениями заданий в ВС, де-
талей на производственный участок, вызовов в АТС, обращений к СПИ,
а также время выполнения заданий в ВС, обработки деталей, установ-
ления связей и длительности переговоров в АТС, время обработки и пе-
редачи информации в СПИ и т.д. При построении ИМ сложной системы
S возникает необходимость в имитации случайных факторов по задан-
ным законам распределения вероятностей. Объектом имитации могут
быть не только случайные величины, но и случайные события, векторы,
процессы, поля, множества, т.е. произвольные случайные элементы.
Задание. На основе событийного способа имитации разработать
ИМ вычислительной системы S, обслуживающей пакеты заданий поль-
зователей в течение t единиц времени; обеспечить вычисление количе-
ства поступивших, обслуженных и потерянных (вследствие переполне-
ния оперативной памяти ВС) заданий.
Содержательное описание системы. ВС содержит процессор и
запоминающее устройство с памятью, разделенной на m блоков. При
выполнении задание занимает все процессорное время. Если в момент
поступления очередного задания процессор занят, но имеются свобод-
ные блоки памяти, задание становится в очередь на выполнение. Если
же все блоки памяти заняты, то задание не может поступить в ВС и те-
ряется. Если по окончании времени моделирования ВС выполняется за-
дание, то время моделирования увеличивается на величину Δτ, необхо-
димую для полного обслуживания задания (т.е. фактическое время мо-
 43

делирования будет Тф = Т + Δτ). Интервалы поступления и выполнения

задания — случайные величины с экспоненциальным законом распре-
деления (с параметрами λ и μ соответственно).

Будем рассматривать S как систему массового обслуживания

(СМО), состоящую из одного прибора обслуживания, включающего на-
копитель заявок Н (память) емкостью m и канал К обслуживания заявок
(процессор). В данной СМО имеются следующие потоки: 1) поток заявок
v (последовательность интервалов времени между моментами поступ-
ления заданий в ВС); 2) поток обслуживания u (последовательность ин-
тервалов времени выполнения заданий); 3) выходной поток у (последо-
вательность интервалов времени между моментами выхода заданий
(выполненных и потерянных) из системы).
По условию задания показателями эффективности функциониро-
вания системы являются средние значения таких величин как: число по-
ступивших в систему заявок, число обслуженных заявок и число поте-
рянных заявок. В качестве оценок этих показателей будем использовать
статистики, вычисляемые по результатам N прогонов ИМ для интервала
моделирования [0, Т]:
Чем выше требования к точности результатов решения задачи, тем
больше необходимость учитывать при построении ММ особенности изу-
чаемого объекта. Однако здесь важно вовремя остановиться, т.к. слож-
ная ММ может превратиться в трудно разрешимую задачу. Наиболее
просто строится модель, когда хорошо известны законы, определяющие
поведение и свойства объекта, процесса или системы, и имеется боль-
шой практический опыт их применения. Более сложная ситуация возни-
кает тогда, когда наши знания об изучаемом объекте, процессе или сис-
теме недостаточны. В этом случае при построении ММ приходится де-
лать дополнительные предположения, которые носят характер гипотез,
такая модель называется гипотетической. Выводы, полученные в ре-
зультате исследования такой гипотетической модели, носят условный
характер. Для проверки выводов необходимо сопоставить результаты
исследования модели на ЭВМ с результатами натурного эксперимента.
Т.о., вопрос применимости некоторой ММ к изучению рассматриваемого
объекта не является математическим вопросом и не может быть решен
математическими методами.
Основным критерием истинности является эксперимент.
 44

Лекция № 8. Моделирование систем

в условиях неопределенности

Исторически изучением и разработкой моделей, учитывающих не-

определенность того или иного вида, занимаются многие математиче-
ские дисциплины, такие как теория вероятностей, теория информации,
математическая статистика, теория игр, теория массового обслуживания
и теория нечетких множеств. Один из способов показать различия не-
четкого и стохастического подходов – классифицировать тип неопреде-
ленности, которая изучается этими дисциплинами. С этой целью рас-
смотрим два наиболее характерных типа неопределенности – стохасти-
ческую и лингвистическую неопределенности.
Стохастическая неопределенность имеет место в ситуациях, когда
некоторое хорошо описанное событие может произойти, а может не
произойти. При этом с течением времени степень неопределенности,
связанная с этим событием, может измениться. Дополнительно необхо-
димо принять некоторые предположения относительно условий, при ко-
торых рассматривается данное событие. Эти условия, как правило, ха-
рактеризуют так называемый идеальный эксперимент.
Рассмотрим следующее высказывание: "Вероятность того, что
при бросании монеты выпадет орел (герб), равна 0.5. В этом высказы-
вании неявно предполагается, что монета и поверхность идеально пра-
вильной формы, процесс бросания идеален с точки зрения субъектов
эксперимента, а потенциальная возможность того, что монета окажется
в вертикальном положении, исключается полностью. По прошествии не-
которого времени неопределенность исчезает, поскольку после подбра-
сывания монеты она окажется в одном из двух возможных состояний:
либо орлом сверху, либо решкой. Т.о., рассматриваемое высказывание
имеет смысл только по отношению к событию в будущем. Изменение
условий эксперимента может привести к изменению содержания этого
высказывания. Так как обеспечить идеальные условия на практике не
всегда возможно, приходится считаться с некоторой потенциально при-
сутствующей ошибкой в количественной оценке вероятности. Предель-
ные теоремы теории вероятностей как раз и предназначены для оценки
этой погрешности при частотной интерпретации вероятности события в
длинной серии испытаний.
Исторически теория вероятности была первой математической
дисциплиной для представления неопределенности в математических
моделях. По этой причине любая неопределенность долгое время счи-
талась стохастической по своей природе и наделялась, иногда искусст-
венно, свойствами случайной неопределенности. Что касается вероят-
ностного процесса, результат любой частной реализации которого явля-
ется исключительно вопросом случая, предсказать последовательность
 45

событий просто невозможно. Для вероятностных процессов оказывается

возможным лишь точное описание статистических оценок некоторых ус-
редненных характеристик этого процесса.
Рассмотрим другое высказывание: "Вероятность того, что зав-
тра пойдет дождь, равна 0.8".
В этом высказывании неявно предполагается, что событие "пой-
дет дождь" хорошо описано. Тем не менее, очевидно, что это событие
недостаточно хорошо определено: не ясно, то ли дождь будет идти це-
лый день, или дождь будет идти 80% от следующих по времени суток?
Более того, следует ли считать дождем мелкий дождь или только ли-
вень? Т.о., при кажущейся очевидности этого высказывания при более
детальном его анализе мы обнаруживаем другой тип неопределенности,
который содержательно отличается от стохастического. Эта неопреде-
ленность скорее относится к лингвистическому описанию ситуации или
события, а не к количественной оценке того, произойдет это событие в
будущем или не произойдет.
Влияние случайных факторов на систему моделируют с помощью
случайных чисел, вероятностные характеристики которых (вероятность
событий, математическое ожидание и дисперсия случайных величин и
т. п.) должны быть близки (в идеале – совпадать) аналогичным парамет-
рам реальной системы или процесса.
При стохастическом моделировании особую роль играют случайные
числа, распределенные равномерно в интервале [0, 1], так как с их по-
мощью можно получить выборочные значения с любым другим распре-
делением, промоделировать случайное событие или случайный процесс
с различными статистическими свойствами.
Имитация значений стандартной равновероятной величины
Для получения реализаций равновероятных на интервале [0, 1] слу-
чайных чисел можно применить мультипликативный алгоритм, состоя-
щий в следующем:
1) задают стартовое случайное число x0 , принадлежащее интер-
валу [0, 1] и не кратное 2, 3, 5, например x0 = 0,673783 ;
2) умножают x0 на коэффициент k , значение которого может быть
произвольным, однако, как показали исследования, среди множества
двузначных чисел только два из них – 37 и 73 – обеспечивают устойчи-
вую работу алгоритма;
3) в полученном значении выделяют дробную часть, которая и есть
новое случайное число:
x i = x i −1 ⋅ k − int( x i −1 ⋅ k ) , (8.1)
где int( • ) – функция выделения целой части числа;
4) действия, изложенные в пп. 2 и 3, повторяют N раз, где N – тре-
 46

буемое количество реализаций стандартной равномерно распределен-

ной величины.
Моделирование независимых случайных событий
Пусть случайное событие A может произойти с вероятностью
P ( A) = p . Если ri – значения стандартной равновероятной величины с
плотностью распределения f (r ) =1 , то при условии ri ≤ p (рис. 8.1) на-
станет событие A , а при ri > p – событие A (НЕ A ):
p
P ( r < p ) = ∫ f ( r )dr = p = P ( A) .
0
Отсюда следует алгоритм моделирования случайных событий, по-
казанный на рис. 8.2.
При N обращениях к генератору случайных чисел будет сымитиро-
M
вано наступление M событий; при этом lim = P ( A) .
N →∞ N
f(r) P{r < p} Генерация
1 ri

0 r Нет Да
0 p 1 ri < P
P(A) P(A)
Событие Событие
0 p 1 A A
Рис. 8.1. Моделирование Рис. 8.2. Алгоритм моделирования
случайного события случайного события
Моделирование сложных событий
Допустим, событие C – сложное событие, заключающееся в том,
что одновременно должны произойти два простых независимых собы-
тия: A с вероятностью P ( A) и B с вероятностью P (B ) . При этом воз-
можны четыре варианта исхода: C = A ∩ B , C = A ∩ B , C = A∩ B ,
C = A ∩ B . Для моделирования таких событий необходимо последова-
тельно получить два стандартных равновероятно распределенных чис-
ла r1 и r2 , по которым будет определяться результирующее событие со-
гласно алгоритму, показанному на рис. 8.3.
Если же события A и B – зависимые, то для моделирования нужно
знать условную вероятность P ( B A) , которая используется вместо
P (B ) при проверке условия r2 < P ( B A) .
 47

Генерация
r1

Генерация Нет (A) Да (A) Генерация

r2 r1< P(A)
r2

Нет Да Нет Да
r2< P(B) r2< P(B)

Событие Событие Событие Событие

AB AB AB AB
Рис. 8.3. Алгоритм моделирования сложных событий

Моделирование условных событий

Условное событие A – это событие, которое происходит с вероят-
ностью P ( A B ) только при условии, что произошло событие B ; при
этом вероятность P ( B ) наступления события B должна быть задана
(рис. 8.4). Тогда вероятность A
P ( A) = P ( B ) ⋅ P ( A B ) .
Моделирование условного события A выполняют по алгоритму, по-
казанному на рис. 8.5.

Рис. 8.4. Моделированиеусловного события

Моделирование дискретных случайных величин

Дискретная случайная величина X принимает конечное или счет-
ное множество дискретных значений xk , k = 1K K с заданными веро-
ятностями pk , причем
K
∑ k =1 p k = 1 . (8.2)
 48

Генерация
r1

Нет (B) Да (B) Генерация

r1< P(B) r2

Событие
A Нет Да
r2< P(A|B)

Событие Событие
A A
Рис. 8.5. Алгоритм моделирования условных событий
Для формирования реализаций такой ве-
Генерация
личины генерируют значения стандартных
ri
равномерно распределенных чисел ri и цик-
лически ( k = 1K K − 1 ) проверяют условие
k Да
ri < ∑ j =1 p j . Если неравенство выполняет- ri < P1 x = x1
ся, то принимают X = x k . Очевидно, что
Нет
проверка неравенства при k = K не нужна в
силу (8.2). Да
Алгоритм моделирования дискретной ri < P1+P2 x = x2
случайной величины показан на рис. 8.6.
Описанную процедуру называют опреде-
лением результата испытания по жребию.
Она часто используется в теории принятия
... Нет

решений и хорошо воспроизводит процесс Рис.8.6. Алгоритм

выбора одной из множества альтернатив. моделирования ДСВ

Моделирование непрерывных случайных величин

Пусть имеется случайная величина x с плотностью распределения
вероятностей f ( x ) . Случайная реализация x * может быть трансфор-
мирована в величину y * посредством непрерывного функционального
преобразования y = ϕ ( x ) (рис. 8.7).
 49

Случайная величина y характеризуется распределением f ( y ).

В силу непрерывности преобразования ϕ ( x ) соблюдается условие
P { x i < x } = P { y i < y } или F ( x ) = F ( y ) ,
где x i , y i - реализации величин x и y , при этом y i = ϕ ( x i ) , или
x∗ y∗
∫ −∞
f ( x ) dx = ∫ −∞
f ( y ) dy . (8.3)
Если x – стандартная величина r , равновероятно распределенная
на интервале [0, 1], то из соотношения (8.3) получаем
y∗
r=∫ −∞
f ( y ) dy . (8.4)
Решением уравнения (8.4) относительно y является функция пре-
образования ϕ ( r ) , необходимая для получения по реализации r i стан-
дартной случайной величины r реализации y i случайной величины y с
требуемым законом распределения f ( y ) .
Уравнение (8.4) можно записать в виде
r = F ( y ), (8.5)
а его решение –
y = F −1 ( r ) , (8.6)
где F −1 – функция, обратная интегральной функции распределения.
Данный метод моделирования непрерывных случайных величин с
заданным распределением называется методом обратной функции.
Если в качестве исходных данных задана плотность распределения
f ( y ) , то необходимо аналитически получить выражения
y
F ( y ) = ∫ −∞ f ( y ) dy и y = F −1 ( r ),
после чего по реализации стандартных равновероятных чисел r i , можно
получить реализации случайной величины, как показано на рис. 8.8.

Рис. 8.7. Функциональное Рис. 8.8. Моделирование НСВ

преобразование НСВ методом обратной функции
 50

Методом обратной функции могут быть получены случайные величи-

ны с любым интегрируемым законом распределения. Однако явная обра-
тная функция F −1 ( • ) существует не для всех законов распределения. В
таких случаях применяют другие методы формирования реализаций, ос-
нованные на частных свойствах распределения.
Так, метод композиции основан на теоремах теории вероятностей,
доказывающих представимость одной случайной величины композициями
(как правило, линейными) двух или большего числа других случайных ве-
личин, имеющих легко реализуемые законы распределения.
Известным примером применения метода композиции является
представление нормально распределенной случайной величины суммой
n >10 реализаций r i стандартной равновероятной величины. Такой по-
дход базируется на центральной предельной теореме.
Алгоритм формирования реализаций y i с нормальным распреде-
лением N ( y ; m ,σ ) строят таким образом:
1) берут n независимых реализаций величины r , равномерно рас-
пределенной в интервале [0, 1]: { r j }, j = 1Kn ;
n
2) формируют сумму z = ∑ j =1r j , которая распределена нормально
n n
и имеет параметры m z = , σz = ;
2 12
3) центрируют и нормируют величину z , сводя ее к стандартной
z −m z
нормальной величине z0 с распределением N ( z 0 ; 0 ,1 ) : z 0 = ;
σz
4) величину z0 преобразовывают в нормально распределенную
случайную величину y с распределением N ( y ; m ,σ ) : y = m + σ⋅ z 0 ;
5) записывают алгоритм формирования реализаций
12 ⎛ n n
y i = m + σ⋅ ⋅⎜ ∑ j =1r j − ⎞⎟ . (8.7)
n ⎝ 2⎠
Наиболее удобна форма алгоритма (8.7) при n =12 и n = 48 :
( ) (
σ
y i = m + σ⋅ ∑ 12j =1r j − 6 , y i = m + ⋅ ∑ 48
2
)
r − 24 .
j =1 j

В первом случае получается быстрый алгоритм со средней точно-

стью формирования случайных чисел с нормальным распределением,
во втором – более медленный при более высокой точности.
Основные алгоритмы моделирования непрерывных случайных ве-
личин приведены в табл. 8.1.
 51

Таблица 8.1
Распределение Параметры Алгоритм генератора
Равномерное a , b; b>a a + ( b − a )⋅r
Экспоненциальное λ >0 − ln ( r ) λ

Нормальное m, σ>0
σ
m+ ⋅
2
( ∑ 48j=1r j − 24 )
Для целых α
α >0 , β>0 1 α
Гамма-распределение − ∑ ln ( r j )
β j =1
Рэлея σ>0 − 2 σ 2 ln ( r )

Моделирование случайных величин с произвольным

эмпирическим распределением
Для моделирования такой величины можно использовать подход,
базирующийся на методе обратной функции (8.6). При этом оценкой
неизвестной интегральной функции распределения F ( x ) служит
кусочно-линейная аппроксимация кумулятивной функции
распределения, полученной по выборке. Алгоритм формирования
реализаций случайной величины x с эмпирическим распределением
строят
1) таким образом:
получают гистограмму f̂ выборочных данных с числом интер-
k
валов M , k =1KM ;
k
2) находят оценки функции распределения F̂ k = ∑ i =0 f̂ i в точках
d k , соответствующих границам интервалов гистограммы, k = 0KM ;
(0 X )
3) переходят к системе координат, в которой по оси абсцисс
откладывают значения функции распределения, а по оси ординат ( 0 Y )
– значения моделируемой случайной величины;
4) по точкам с координатами (
F̂ k ,d k )
выполняют кусочно-
линейную аппроксимацию функции, обратной эмпирической функции
распределения F̂ −1 ( x ) .
5) подставляя в аппроксимирующую функцию в качестве аргумента
числа r i , сгенерированные датчиком стандартной равновероятной ве-
личины, получают нужное количество реализаций случайной величины
x i = F̂ −1 ( r i ) .
 52

Лингвистическая неопределенность
Реальный мир сложен, причем эта сложность зачастую проявляет-
ся как неопределенность в форме неоднозначности или неточности.
Этот тип неопределенности связан с неточностью обычного человече-
ского языка, с ним мы постоянно сталкиваемся в повседневной жизни.
Достаточно рассмотреть фразы типа "высокие люди", "горячие пирожки",
"хороший автомобиль", "устойчивая валюта", "дождливый день", "неваж-
ное самочувствие", "трудный день", чтобы понять, что вряд ли возможно
дать им точные количественные определения.
Действительно, высокие и низкие люди будут иметь свои собст-
венные представления о том, каких людей следует считать высокими.
Более того, если мы формально установим считать высокими всех лю-
дей выше 180 см, будет ли человек с ростом 179.999 см высоким или
нет? Контекст фраз тоже имеет значение, поскольку оценка высоких лю-
дей, находящихся на сцене театра и в зрительном зале, будет различ-
ной. Для изучения подобных субъективных оценок предназначена от-
дельная наука – психолингвистика. В рамках этой науки принято считать,
что в рассмотренных фразах люди используют слова в качестве некото-
рых субъективных категорий. Эти субъективные категории дают нам
возможность классифицировать объекты, которые характеризуются та-
кими свойствами, как "высота", "длина", "вес", "температура", "цвет". Да-
же при том, что большинство используемых категорий точно не опреде-
лено, люди могут использовать их для весьма комплексных оценок и
решений, которые основаны на учете многих различных факторов. Рас-
смотрим высказывание: "Вероятно, мы будем иметь успешный финан-
совый год". Это высказывание имеет существенные отличия от рас-
смотренных ранее высказываний. Во-первых, само событие точно не
определено. Для некоторых компаний успешный финансовый год может
означать, что им удастся избежать банкротства. Для других это может
означать превышение прибыли за предшествующий год. Даже для от-
дельно взятой компании трудно предложить некоторое количественное
значение прибыли, чтобы определить, будет ли для нее бюджетный год,
как рассматривается, успешным или нет. Следовательно, понятие "ус-
пешный финансовый год" является субъективной категорией. Другая
особенность последнего высказывания заключается в определении вы-
ражения вероятности. В то время как в предыдущих двух высказываниях
вероятность была выражена количественно, данное высказывание не
определяет количество вероятности. Следовательно, выражение веро-
ятности в последнем высказывании также является субъективной кате-
горией. Высказывания, аналогичные последнему высказыванию и ис-
пользующие субъективные категории людей, играют важную роль в про-
цессе повседневного принятия решения. Даже при том, что эти выска-
зывания не имеют количественного содержания, люди успешно исполь-
 53

зуют их для комплексных оценок. В некоторых случаях неопределен-

ность, которая присутствует в значении тех или иных слов, сознательно
используется нами в разговоре для придания ему дополнительной гиб-
кости. Достаточно представить себе диалоги в ситуациях с поиском вы-
сокооплачиваемой работы или приобретением недвижимости.
Чтобы адекватно использовать логику, присутствующую в челове-
ческих рассуждениях, для решения технических проблем необходимо
разработать соответствующую математическую модель. Именно с этой
целью была разработана нечеткая логика, которая позволяет предста-
вить процессы принятия решений и оценки ситуаций человеком в неко-
торой алгоритмической форме. Хотя возможности человеческого мыш-
ления и фантазии безграничны, пределы того, что позволяет моделиро-
вать нечеткая логика, существуют.
Каким образом люди могут рассуждать относительно реальных
систем, когда законченное описание реальной системы часто требует
более детальных данных, чем человек в состоянии получить и интер-
претировать? Ответ состоит в том, что люди имеют способность рассу-
ждать приблизительно, возможность, которой компьютеры в настоящее
время не обладают. При общении людей использование фраз типа "вы-
сокий человек" и "высокооплачиваемая работа" не приводит к возникно-
вению концептуальных проблем, поскольку передает семантически по-
нятную информацию участвующим в разговоре личностям. При необхо-
димости всегда можно уточнить используемые субъективные категории
В то же время компьютеры или микропроцессоры используют в своей
работе исключительно бинарную логику. Для понимания соответствую-
щих фраз компьютером необходимо, чтобы конкретное значение высоты
или заработной платы сравнилось с заданным пороговым значением
для рассматриваемых формальных категорий "высокий человек" и "вы-
сокооплачиваемая работа". Основное достоинство теории нечетких
множеств заключается в возможности использовать лингвистические
переменные вместо количественных, нечеткую логику вместо бинарной
логики для формального представления подобных неточных субъектив-
ных категорий.
При рассмотрении сложной системы люди рассуждают относи-
тельно ее структуры и поведения приблизительно или неточно. Тем са-
мым достигается некоторое универсальное понимание содержания про-
блемы. К счастью, эта общность и неточность, приобретаемая в форме
опыта с течением времени, зачастую оказываются достаточными для
человеческого понимания сложных явлений и адекватного принятия ре-
шений в бытовых ситуациях. Именно в рамках теории нечетких мно-
жеств оказывается возможным включить в описание проблемы этот
опыт и интуицию отдельного человека.
 54

Лекция № 9. Эмпирические модели.

Экспериментальные результаты – массивы чисел, обычно пред-

ставляемые в виде таблиц. Поскольку данные были получены лишь для
некоторых дискретных значений аргумента, то приходится решать зада-
чу отыскания значений неизвестной таблично заданной функции в про-
межуточных точках. При этом необходимо найти эмпирическую зависи-
мость в виде некоторой функции f ( x ) , которая наилучшим образом
описывала бы табличные данные.
Существует два основных подхода к описанию (приближению) таб-
личных данных с помощью элементарных функций. В первом – требуют,
чтобы аппроксимирующая кривая (возможно, кусочно-гладкая) проходи-
ла через все точки, заданные таблицей (рис. 6.1, а). Эту задачу решают
методами интерполяции. Часто базовой интерполяционной функцией
является полиномиальная зависимость, т. е. f ( x ) = ∑ nk =0 a k ⋅ x k .

Во втором – данные аппроксимируют простой функцией, примени-

мой во всем диапазоне табличных данных, но не обязательно проходя-
щей через все точки (рис. 9.1, б). Выбор того или иного подхода зависит
от объема данных и от информации об их точности.
Простейший вид интерполяции – кусочно-линейная интерполяция
(рис. 9.2), в основе которой лежит представление кривой на участке ме-
жду точками с координатами ( x k , y k ) и ( x k +1 , y k +1 ) в виде прямой,
проходящей через эти точки. Уравнение такой прямой имеет вид:
y k ( x − x k +1 )− y k +1 ( x − x k )
y= . (9.1)
x k − x k +1

а 0,8

б
0,6

0,4
1 2 3 4
Рис. 9.1. Интерполяция (а) Рис. 9.2. Кусочно-линейная
и аппроксимация (б) данных интерполяция
 55

Таким образом, зная два табличных значения y k и y k +1 функции,

которые соответствуют значениям x k и x k +1 независимой переменной,
с помощью формулы (9.1) можно найти значение неизвестной функции
y = f ( x ) при любом x в интервале [ x k , x k +1 ].
Обычно полагают, что, используя большее количество соседних то-
чек и представляя истинную кривую более сложной линией, можно уточ-
нить полученный результат. При этом ищут интерполирующую функцию
в виде многочлена (полинома).
Математическая постановка задачи: пусть на интервале [ a ,b ] за-
даны n +1 точка x0 , x1 ,…, x n – узлы интерполяции и значения функции
f ( x ) в этих узлах y0 , y1 ,…, yn . Требуется построить полином P n ( x )
степени n, значения которого в узлах интерполяции совпадают с задан-
ными значениями функции:
P n ( x i ) = f ( x i ) , i = 0…n.
(9.2)
Интерполяционный полином Лагранжа применяют для узлов ин-
терполяции, расположенных с произвольным шагом. Для построения
полинома P n ( x ) рассмотрим вспомогательный многочлен ω k ( x ) ,
равный единице при x = x k и нулю в остальных узлах интерполяции:

⎧ 1 при x = x k ,
ω k ( x )= ⎨ (9.3)
⎩ 0 при x = x i ≠ x k .
Таким образом, многочлен ω k ( x ) имеет вид
( x − x 0 ) ( x − x 1 )L( x − x k −1 ) ( x − x k +1 )L( x − x n )
ω k ( x )= .
( x k − x 0 ) ( x k − x 1 )L( x k − x k −1 ) ( x k − x k +1 )L( x k − x n )
Интерполяционный многочлен Лагранжа можно записать так:

Pn ( x ) = ∑ nk =0ω k ( x ) f ( x k ) . (9.4)
Для больших таблиц данных, составленных при равноотстоящих
значениях независимой переменной x i = x 0 + i ⋅h (i = 0…n, h – шаг), ис-
пользуют разностные методы интерполяции, из которых наиболее рас-
пространен метод Ньютона.
Для интерполирования в точках x, близких к началу таблицы x0, ис-
пользуют первую интерполяционную формулу Ньютона
P n ( x ) = a 0 + a 1 ( x − x 0 ) + a 2 ( x − x 0 ) ( x − x 1 ) +K +
(9.5)
+ a n ( x − x 0 )×K×( x − x n−1 ) .
 56

Коэффициенты a i находят из условия совпадения значений функ-

ции и интерполяционного полинома в узлах: P n ( x i ) = y i . Эти условия
образуют систему линейных уравнений, которая может быть решена с
применением так называемых конечных разностей.
Для функции, заданной таблично с постоянным шагом h, конечные
разности первого порядка определяют как разности между значениями
функции в соседних узлах интерполяции:
Δy i = y i +1 − y i .
Конечные разности второго порядка
Δ 2 y i = Δy i +1 − Δy i = y i + 2 − 2 y i +1 + y i .
Аналогично получают выражения для конечных разностей третьего
порядка:
Δ 3 y i = Δ 2 y i +1 − Δ 2 y i = y i +3 − 3 y i + 2 + 3 y i +1 − y i .
Таким образом, конечные разности m -го порядка находят через ко-
нечные разности ( m −1 ) -го порядка:
Δ m y i = Δ m−1 y i +1 − Δ m−1 y i или
m ( m −1 )
Δm y i = y i + m − my i + m−1 + y i + m−2 −K+ ( −1 ) m y i .
2!
Через конечные разности коэффициенты полинома (9.5) выражают-
ся так:
Δy 0 Δ 2 y0 Δ n y0
a 0 = y 0, a1 = , a2 = ,…, a n = .
h 2 !h 2 n !h n
При построении интерполяционного многочлена обычно учитывают
не все заданные узлы, а только их часть, т. е. выполняют кусочную ин-
терполяцию; это приводит к уменьшению степени полинома (9.5).
Метод Ньютона позволяет уточнять результат, используя дополни-
тельные конечные разности, причем нет необходимости начинать вы-
числения сначала. Поэтому если неизвестно, сколько членов потребует-
ся для построения интерполяционного полинома P m ( x ) , m< n , коли-
чество слагаемых формулы (9.5) можно увеличивать до тех пор, пока их
вклад не станет пренебрежимо мал.
Если точка интерполирования x лежит вблизи конечной точки таб-
лицы x n , то применяют вторую интерполяционную формулу Ньютона,
которая получается, если искать интерполяционный полином в виде
Pn ( x ) = a 0 + a 1 ( x − x n ) + a 2 ( x − x n ) ( x − x n−1 ) +K+
(9.6)
+ a n ( x − x n )K( x − x 1 ) ,
 57

где коэффициенты полинома

Δ k y n−k
ak = .
k !h k
При больших степенях полинома ( n > 5 ) возникают большие вспле-
ски между узлами интерполяции. Поэтому, чтобы повысить точность
расчетов для больших таблиц данных, применяют кусочную интерполя-
цию, а если недопустимы точки разрыва самой функции и ее производ-
ных, – используют интерполяцию сплайнами (рис. 9.3).
2

б
1

а
0 0,2 0,4 0,6 0,8 1

Рис. 9.3. Результаты интерполяции: а – полиномом; б – сплайном

Сплайн – группа сопряженных многочленов второго, третьего или

четвертого порядков, в местах сопряжения которых первая и вторая
производные непрерывны. Обычно используют кубические сплайны
g i ( x ) = k 1 i + k 2 i x + k 3 i x 2 + k 4 i x 3 , i = 0…n. (9.7)
Для нахождения 4 n неизвестных коэффициентов k необходимо со-
ставить 4 n уравнений, соответствующих определенным условиям.
Первые 2 n условий требуют, чтобы сплайны соприкасались в за-
данных точках:
g i ( x i ) = y i , i =1Kn ;
g i +1 ( x i ) = y i , i = 0Kn −1 .
Следующие ( 2 n − 2 ) условия требуют, чтобы в местах соприкосно-
вения сплайнов были равны первые и вторые производные:
g i′+1 ( x i ) = g i′ ( x i ) , i = 0Kn −1 ;
g i′′+1 ( x i ) = g i′′ ( x i ) , i = 0Kn −1 .
Последние два условия обычно имеют вид:
g 1′′ ( x 0 ) = 0 ; g n′′ ( x n ) = 0 .
Если экспериментальные данные измерены с заметной погрешно-
стью, то интерполяция нецелесообразна; аппроксимация позволит сгла-
дить ошибки эксперимента. Аппроксимацию данных называют подгонкой
 58

кривой, которую требуется провести так, чтобы ее отклонения от таб-

личных данных были минимальными, т. е. функцию f ( x ) , заданную
своими значениями в дискретных узлах y i = f ( x i ) , i = 1…n, заменяют
в некотором смысле близкой функцией g ( x ) :
f ( x i )− g ( x i ) < ε ,
где ε – точность аппроксимации.
С учетом этого задачу можно сформулировать таким образом: най-
ти такую функцию g ( x ) заданного вида, чтобы расстояние в n-мерном
пространстве между точками M ( y 1 ,K,y n ) и M ( g ( x 1 ) ,K,g ( x n ) )
было наименьшим. Обычно требуется свести к минимуму сумму квадра-
тов разностей между значениями аппроксимирующей функции g ( x i ) и
табличными значениями y i . Такой метод подгонки называется методом
наименьших квадратов.
Функцию g ( x ) выбирают с учетом специфики табличных данных:
их периодичности, экспоненциального или логарифмического характера,
симметрии и наличия асимптотики. Иногда таблицу разбивают на части
и для каждой подбирают отдельную аппроксимирующую кривую. Это оп-
равдано, когда есть основание полагать, что данные соответствуют раз-
ным физическим состояниям объекта (например, переход от устойчиво-
го состояния системы к неустойчивому). Обычно g ( x ) выбирают в виде
линейной комбинации подходящих функций
g ( x ) = c 1 g 1 ( x ) + c 2 g 2 ( x ) +K + c k g k ( x ) .
Погрешность аппроксимации в каждой табличной точке
ε i = y i −g ( x i ).
Тогда сумма квадратов погрешностей
E = ∑ in=0[ y i − g ( x i ) ] 2 . (9.8)
Условие min { E } определяется уравнениями
∂E ∂c 1 = ∂E ∂c 2 =K= ∂E ∂c k = 0 ,
что эквивалентно системе k линейных уравнений с k неизвестными, ко-
торую можно решить точными или итерационными методами:
⎧ ∂E ∂c 1 = 2 ∑ in=0[ c 1 g 1 ( x i ) +K+ c k g k ( x i ) − y i ] g 1 ( x i ) = 0 ;
⎪
⎪ ∂E ∂c 2 = 2 ∑ in=0[ c 1 g 1 ( x i ) +K+ c k g k ( x i ) − y i ] g 2 ( x i ) = 0 ;
⎨
⎪L
⎪ ∂E ∂c = 2 n [ c g ( x ) +K+ c g ( x ) − y ] g ( x ) = 0.
⎩ k ∑ i =0 1 1 i k k i i k i
 59

Лекция № 10. Методы анализа больших систем.

Планирование экспериментов. Факторный анализ.
Целью имитационных экспериментов является более глубокое
изучение моделируемых систем при ограниченных затратах. Следова-
тельно, необходимо планировать и проектировать не только модель
системы, но и процесс проведения экспериментов с ней. В практике
имитационных исследований наиболее распространены такие типы экс-
периментов:
– определение значимости влияния тех или иных факторов и не-
обходимости их учета при исследовании конкретной системы;
– отыскание оптимальных альтернатив (в частности, стратегий
управления) на некотором множестве возможных значений.
Формализованную схему эксперимента можно представить таким
образом.
r Пусть некоторая система имеет k контролируемых
r входов
X = ( x 1 ,L,x k ) , называемых факторами. Вектор X изображается
точкой в k -мерном пространстве переменных x j (в факторном про-
странстве). Эксперимент называют активным, если исследователь по
своему усмотрению может изменять значения (уровни) факторов. В про-
тивном случае (исследователь лишь контролирует уровни факторов, но
не управляет ими) эксперимент называют пассивным.
r
Обозначим: i – номер опыта ( i =1Kn ); x i – комплекс условий i -го
опыта; x ij – уровень j -го фактора в i -м опыте. Система имеет также γ
входов ω 1 , ω 2 , …, ω γ , которые в имитационной модели полагают слу-
чайными и задают в процессе имитации с помощью датчиков случайных
чисел (имитаторов). Управлять этими входами в силу их случайности
исследователь не может.
Система характеризуется ( v +1) выходными параметрами y , υ 1 ,
υ 2 , …, υ v , причем y – основной параметр (в частности, показатель
эффективности). Основной выходной параметр y (наблюдаемая пере-
менная) является скалярной величиной; предполагается, что имеет ме-
сто такая модель наблюдения: r r
r
( ) ( )
y =ψ X + ε X , (10.1)
где ψ ( X ) – функция отклика (неслучайная функция факторов);
r
ε(X ) – ошибка опыта (случайная величина, распределение которой
r r
определяется значением вектора X , причем M {ε ( X ) }= 0 ).
Очевидно, y является случайной переменной, так как зависит от
r
случайной величины ε X . ( )
 60

Остальные v выходных параметров в общем случае также зависят

от входов и в процессе эксперимента должны находиться в некоторых
пределах, задаваемых, например, r системой неравенств:
[ ( )]
ϕ α υ X ≤ 0 , α =1Ka . (10.2)
Система неравенств (10.2) выделяет в факторном пространстве
область эксперимента G (область
r допустимых значений факторов).
( )
Функция отклика ψ X математически отражает механизм изу-
чаемого явления (поведение исследуемой системы).
Общая задача эксперимента с моделью системы – получение ин-
формации о функции отклика. Наиболее важными являются экспери-
ментальные исследования с помощью моделей, направленные на оты-
скание значений x 1 , x 2 ,…, x k управляемых факторов, для которых ос-
новной выходной параметр y достигает своего экстремального значе-
ния. В процессе экстремального эксперимента при фиксированных зна-
чениях управляемых факторов наблюдают значение переменной y . По
значению (или по нескольким значениям) этой переменной, полученно-
му из опыта, можно лишь приближенно оценить функцию отклика. Зна-
чение этой функции в фиксированной точке x 1∗ , x 2∗ ,…, x k∗ факторного
пространства равно условному математическому ожиданию наблюдае-
мой переменной y в этой точке, т. е.
r r
ψ ( X ∗ )= M { y ( X ∗ )}, (10.3)
r
так как по предположению M {ε ( X ) }= 0 .
В статистике функция, связывающая условное математическое
ожидание случайной переменной y с контролируемыми переменными
r
X , называется регрессией. r
( )
Если вид функции отклика ψ X неизвестен, то ее можно разло-
жить в ряд Тейлора, т. е. представить в виде полинома:
r
ψ ( X )=β 0 + ∑ kj =1β j x j + ∑ j <l β jl x j x l + ∑ kj =1β jj x 2j +K , (10.4)
где β 0 , β j , β jl , β jj – неизвестные коэффициенты регрессии.
r
( )
Функция отклика ψ X считается полностью известной, если оп-
ределены все коэффициенты β , входящие в формулу (10.4).
Вследствие влияния на результаты эксперимента случайных фак-
торов ω 1 , ω 2 , …, ω γ истинные значения коэффициентов регрессии
(9.4) могут быть оценены лишь приблизительно,
r т.
r е. может быть по-
строена лишь приближенная функция Φ X ≈ ψ X , которую опреде-( ) ( )
ляют по результатам проведения эксперимента и записывают в виде
 61

степенного полинома первого, второго, реже – третьего порядков:

r
ˆy = Φ ( X )= b 0 + ∑ kj =1b j x j + ∑ j <l b jl x j x l + ∑ kj =1b jj x 2j +K,(10.5)
где b 0 , b j , b jl , b jj – статистические оценки коэффициентов β , полу-
ченные с помощью метода наименьших квадратов. Этот метод дает
эффективные
r оценки коэффициентов регрессии в случае, если ошибка
( )
опыта ε X , а следовательно, и сама переменная y имеют нормаль-
ное распределение.
Дисперсия наблюдаемой переменной y равна дисперсии ошибки
опыта, т. е. D y = σ 2y = σ 2 { ε }; D y называют дисперсией воспроизво-
димости эксперимента. Она характеризует качество эксперимента (при
D y = 0 эксперимент называют идеальным). При проведении опытов не-
обходимо обеспечить равные значения дисперсий реализаций выходно-
го параметра D { y i }.
Пусть для оценки функции отклика предполагается провести n из-
мерений выходного параметра y . Набор n координат точек в фактор-
ном пространстве ( x 11 ,L, x 1 k ) , …, ( x n 1 ,L, x nk ) , в которых будут
проведены измерения (опыты) на множестве допустимых значений G ,
называется планом эксперимента.
Факторный эксперимент – это план, в соответствии с которым все
уровни каждого фактора встречаются в сочетании со всеми уровнями
остальных факторов. Уровни определяют количественные значения
факторов. Если количество уровней для каждого фактора одинаково и
равно L , то общее количество комбинаций уровней – L k . Минимальное
количество уровней L min = 2 – нижнее и верхнее предельные значения
фактора. В этом случае можно определить только линейные эффекты
(т. е. построить линейные регрессионные модели). Для учета квадратич-
ных эффектов необходимо использовать три уровня, для кубических –
четыре и т. д.
В результате проведения
r эксперимента факторы могут отсеиваться,
т. е. из всего множества X устанавливаются те факторы, которые суще-
ственно влияют на отклики модели.
Важным этапом планирования эксперимента является выбор интер-
валов варьирования факторов Δx j . С одной стороны, интервал варьи-
рования не должен быть настолько мал, чтобы уровни факторов были
неразличимы на фоне случайных воздействий, а с другой – не должен
быть настолько велик, чтобы нижний и верхний уровни располагались по
разные стороны экстремума (в этом случае точность предсказания на-
правления градиента может оказаться очень низкой) или выходили за
 62

пределы допустимой области. Область проведения эксперимента уста-

навливают на основе априорной информации об исследуемой системе.
Таким же образом выбирают и подобласть, в которой проводят первую
серию опытов. Начальные серии опытов планируют так, чтобы можно
было оценить лишь линейные коэффициенты регрессии, характеризую-
щие направление градиента функции отклика. Поэтому на начальных
этапах используют простейшую математическую модель эксперимента –
линейную (полином первого порядка).
Линейная модель, используемая для аппроксимации соответствую-
щего участка поверхности отклика, считается адекватной, если прово-
димая на ее основе оценка градиентного направления статистически
удовлетворяет заданной точности.
В выражение (10.5) можно ввести новые обозначения переменных
x 0 ≡1, x j = x j , j =1Kk , x 1 x 2 = x k +1 , … и свести модель поверхности
отклика к виду линейной по параметрам модели:
y = ∑ Mj=−01b j x j , (10.6)
где x 0 – «фиктивная» переменная; M – полное количество переменных
и коэффициентов модели. Например, регрессионную модель зависимо-
сти выходного параметра от трех независимых входных факторов
y = Φ ( x 1 , x 2 , x 3 ) можно записать в виде полинома первого порядка:
y =b 0 + b 1 x 1 + b 2 x 2 + b 3 x 3 + b 4 x 1 x 2 + b 5 x 2 x 3 + b 6 x 1 x 3 +
+ b 7 x 1 x 2 x 3 = ∑ 7j =0 b j x j ,
где x 0 =1, x 4 = x 1 x 2 , x 5 = x 2 x 3 , x 6 = x 1 x 3 , x 7 = x 1 x 2 x 3 .
Полный факторный эксперимент (ПФЭ)r позволяет количественно
оценить все линейные эффекты факторов X = x j , j =1Kk и эффек-{ }
ты взаимодействия факторов. Взаимодействие факторов возникает в
том случае, если эффект одного фактора зависит от уровня, на котором
находится другой фактор. Факторы варьируют на двух уровнях; каждый
из k факторов x j может быть установлен либо на верхнем ( x jВ ), либо
на нижнем уровне ( x jН ), которые расположены симметрично относи-
тельно некоторого нулевого уровня ( x j 0 ). В этом случае количество то-

чек, в которых проводят опыты, равно 2 k .

Нулевые уровни каждого фактора представляют собой точку в до-
пустимой области G , называемую центром плана.
Для значений факторов принято использовать такой код:
x jВ = +1 (или «+»), x jН = −1 (или «–»).
 63

Переход к кодовым (нормированным) значениям факторов выпол-

няют по формулам
x j −x j0 x jВ +x jН x jВ −x jН
x ′j = , x j0 = , Δx j = . (10.7)
Δx j 2 2
План ПФЭ оформляют в виде матрицы эксперимента X , столбцы
которой содержат значения варьируемых факторов, а строки – условия
проведения опытов.
Матрица ПФЭ является квадратной, размером K× M , K = M = 2 k ,
где k – количество независимых факторов; M – полное количество пе-
ременных и коэффициентов линейной модели; K – количество опытов,
необходимых для оценки коэффициентов модели.
Матрицу X формируют по определенным правилам:
– столбец «фиктивной» переменной x0 заполняют значением 1
(записывают только знак «+», единица условно опускается);
– столбцы независимых факторов x1 , x 2 ,…, x k заполняют значе-
ниями ±1 (записывают только знак «+» или «–»);
– варьирование независимыми переменными в столбцах x1 , x 2 ,…,
xk необходимо осуществлять с разной частотой: частота смены знака в
каждом последующем столбце независимых факторов снижается в два
раза ( x1 – максимальная частота смены знака, x 2 – частота снижена в
два раза по сравнению с x1, x3 – частота варьирования снижена в два
раза по сравнению с x 2 и т.д.);
– столбцы произведений факторов ( x j x l , x j x l x r и т. д.) получают
почленным перемножением столбцов соответствующих факторов.
Матрица X , построенная таким образом, обладает свойствами:
– симметричности
K
∑ i=1 x ij = 0 ;
– нормированности
K
∑ i =1 x ij2 = K ;
– ортогональности
K
∑ i =1 x ij x il = 0 при j ≠ l ;
– ротатабельности: дисперсия ошибки оценки значений функции
r от-
клика не зависит от направления градиента функции grad ψ X . ( )
В табл.10.1 приведена матрица для расчета коэффициентов рег-
2
рессии ПФЭ типа 2 с учетом взаимодействий факторов.
 64

Таблица 10.1
Номер опыта x 0 x1 x 2 x1 x 2 y
1 + – – + y1
2 + + – – y2
3 + – + – y3
4 + + + + y4
Для устранения систематической погрешности эксперимента поря-
док проведения опытов рандомизируют с помощью датчика случайных
чисел: каждой строчке плана присваивают случайный порядковый номер
от 1 до K (повторяющиеся числа игнорируют). ПФЭ проводят в соответ-
ствии с порядком после рандомизации, выставляя значения независи-
мых факторов x1 , x2 ,…, x k равными x jВ или x jН согласно коду стро-
ки. По каждой строке плана измеряют значения выходного параметра;
данные измерений заносят в столбец y . Если в каждой точке плана
проводился не один, а серия опытов, то в матрицу ПФЭ вместо значения
y i следует подставлять среднее значение y i .
Обработка данных эксперимента
Статистический анализ результатов эксперимента начинают с
проверки гипотезы о воспроизводимости эксперимента.
Воспроизводимостью эксперимента называют свойство повторяе-
мости его данных в серии повторных экспериментов. Поскольку эти дан-
ные случайны, то можно говорить лишь о повторяемости некоторых ха-
рактеристик результатов опытов. Такой характеристикой является по-
строчная дисперсия D { y i }, которая не должна существенно изменять-
ся по строкам эксперимента. Неоднородность дисперсии воспроизводи-
мости ведет к большим ошибкам вычисления коэффициентов регресси-
онной модели.
Оценку однородности дисперсии воспроизводимости выполняют по
результатам серии параллельных (проводимых в одной и той же точке
плана) опытов.
Определяют построчные математические ожидания и дисперсии:
1
y i = ⋅∑ lr=1 y il ;
r
1 γ
D { y i }= ∑ l =1( y il − y i )
2
,
r −1
где r – количество параллельных опытов; i =1KK – номер строки мат-
рицы эксперимента X .
Гипотезу о воспроизводимости эксперимента проверяют, используя
критерий Кохрена. Для этого рассчитывают величину
 65

D { y } max
G= , (10.8)
∑
K
i =1
D {yi }
где D { y } max – максимальная из построчных дисперсий; K – количест-
во строк в матрице эксперимента X .
Значение G сравнивают с квантилем распределения Кохрена
G табл ( α , K , f 1 ) , где α – уровень значимости (вероятность ошибки
первого рода); f 1 =r −1 – число степеней свободы.
Если G> G табл , то эксперимент невоспроизводим. В этом случае
необходимо либо увеличить количество параллельных опытов, либо по-
добрать некоторое нелинейное преобразование выходного параметра.
Если эксперимент воспроизводим, то рассчитывают значение
дисперсии воспроизводимости
1
Dy = ⋅∑ iK=1 D { y i } (10.9)
K
и переходят к основной обработке данных, которая состоит в нахожде-
нии оценок коэффициентов модели (10.6) и проверке их значимости.
При обработке данных по методу наименьших квадратов ортого-
нальность матрицы ПФЭ позволяет получить независимые оценки ко-
эффициентов уравнения регрессии для неполного полинома (т. е. поли-
нома, не имеющего членов, содержащих степени независимых пере-
менных). Независимость оценок означает, что оценка любого коэффи-
циента не зависит от того, какие значения принимают оценки других ко-
эффициентов.
Выражение для оценки коэффициентов полинома
1 K
bj = ∑ x ij ⋅ y i . (10.10)
K i =1
В целях исключения из уравнения регрессии факторов, слабо
влияющих на выходной параметр y , и для установления факта попада-
ния в область экстремума проверяют значимость коэффициентов рег-
рессионного полинома (10.10).
Значимо ли отклонение от «0» того или иного коэффициента b j ,
определяют по t -критерию Стьюдента
K ⋅r
tj =b j ⋅ . (10.11)
Dy
Полученное значение t j сравнивают с квантилем распределения
Стьюдента t табл ( α , f 2 ), где α – уровень значимости статистической
 66

гипотезы; f 2 = K ( r −1 ) – число степеней свободы.

Если t j <t табл , то j -й коэффициент считают незначимым и обну-
ляют, т. е. b j = 0 . При этом следует иметь в виду такие обстоятельства:
1) причиной незначимости коэффициента b j может быть неудач-
ный выбор интервала варьирования Δx j фактора x j ;
2) если хотя бы один из коэффициентов при членах взаимодейст-
вия b k +1 … b M −1 значимо отличается от нуля, то это свидетельствует о
неадекватности линейной модели и о необходимости ее проверки и мо-
дификации для обеспечения адекватности;
3) если все коэффициенты при линейных членах b 1 … b k значимы,
а коэффициенты при членах взаимодействиях b k +1 … b M −1 – нет, то
можно переходить к следующему этапу экстремального эксперимента –
движению по направлению градиента (крутому восхождению). Если ко-
эффициенты незначимы и при линейных членах, то следует провести
эксперимент с измененными (увеличенными или уменьшенными) интер-
валами варьирования факторов. Если и после этого коэффициенты бу-
дут незначимы, эксперимент прекращают, поскольку достигнута область
экстремума;
4) если при адекватной линейной модели только часть линейных
коэффициентов значимо отличается от нуля, то следует повторить весь
эксперимент при расширенных интервалах варьирования для тех фак-
торов, при которых коэффициенты незначимы. Если и после этого те же
коэффициенты оказались незначимыми, то соответствующие факторы
можно исключить из дальнейших исследований;
5) при неадекватной линейной модели следует заново провести
весь эксперимент. При этом желательно центр эксперимента перенести
в точку с лучшим из полученных значением параметра оптимизации, а
интервалы варьирования уменьшить в обратной пропорции относитель-
но соответствующих коэффициентов регрессии;
6) при неадекватной модели иногда целесообразно начать движе-
ние по направлению градиента; это может привести к успеху быстрее,
чем повторение экспериментов в прежних условиях.
Найденные значения значимых коэффициентов b j подставляют в
модель (10.6) и рассчитывают предсказанные моделью величины вы-
M −1
ходного параметра ŷ i = ∑ j =0 b j x ij для каждой строки плана экспери-
мента X .
Проверка адекватности уравнения регрессии основана на сопостав-
лении рассеяния значений y il , полученных в результате моделирова-
 67
r
ния, относительно линии регрессии ˆy i = Φ X ( ( i ) ) с рассеянием значе-
ний y il относительно своих математических ожиданий y i .
Если количество значимых коэффициентов модели d меньше пол-
ного количества коэффициентов M , то для определения рассеяния y
относительно линии регрессии вычисляют дисперсию адекватности:
1
∑ i =1( y i − ˆy i ) .
K 2
DA = (10.12)
M −d
Адекватность проверяют сравнением дисперсий адекватности и
воспроизводимости по критерию Фишера:
DA
F= . (10.13)
Dy
Если F <1, то модель считают адекватной.
Иначе сравнивают F с квантилем распределения Фишера
F табл ( α , f 3 , f 2 ) , где α – уровень значимости статистической гипо-
тезы; f 3 = M − d и f 2 = K ( r −1 ) – степени свободы.
Если F < F табл , то гипотеза об адекватности принимается.
Если количество значимых коэффициентов равно их полному коли-
честву, то вычисляют относительные ошибки выходного параметра
y i − ˆy i
δi = ⋅100% , (10.14)
yi
выбирают максимальную величину δ i , которую сравнивают с допусти-
мым значением относительной ошибки δ доп .
Если max { δ i }< δ доп , то модель считают адекватной.
В случае неадекватности модели, ее корректировка может потребо-
вать включения дополнительных факторов, учета нелинейных эффек-
тов, их взаимного влияния или изменения плана экспериментов.
 68

Лекция № 11. Методы и этапы разработки имитационных моделей

По результатам системного анализа наиболее эффективным ме-

тодом проектирования имитационных моделей является такой, который
объединяет нисходящее и итерационное проектирование. При итера-
ционном методе проектирования путем множества итераций добива-
ются соответствия модели целям проектирования; это метод «проб и
ошибок», предусматривающий последовательные циклические измене-
ния, в результате которых получают модель, удовлетворяющую требо-
ваниям точности и адекватности. В основе нисходящего проектирова-
ния лежит принцип последовательной детализации, или декомпозиции.
Он состоит в постепенном уточнении абстрактного описания системы, в
процессе которого на каждом этапе построения модели задают опреде-
ленный уровень детализации отображения системы. На первом этапе
проектирования строят наиболее общую одноуровневую модель систе-
мы, с помощью которой оценивают только основные показатели ее ра-
боты. На следующем этапе некоторые блоки модели описывают более
детально. Так можно достичь большой точности и адекватности модели
в целом.
При выборе первоначального варианта модели используют метод
аналогии, который основывается на знании характеристик компонентов
системы и принятых решениях в подобных случаях. Методы внесения
изменений в модель основываются на принципе направленного иссле-
дования. Для его применения в пространстве параметров модели можно
построить гиперповерхность ее показателей точности и оптимизировать
или хотя бы улучшить эти показатели. Если результаты сравнения мо-
дели и реальной системы неудовлетворительны, то необходимо сфор-
мулировать ряд гипотез о причинах несоответствия.
Гипотезы целесообразно формулировать для нескольких уровней
представления модели:
– описание структуры;
– алгоритмы поведения;
– параметры и входные данные.
Поиск причин несоответствия начинают с уровня входных данных,
для чего оценивают чувствительность модели к их изменениям. Если
незначительное изменение входных данных приводит к существенному
изменению выходных, то необходимо уточнить входные данные и (или)
локализовать блоки модели, влияние на которые максимально. Устра-
нение причин такой сильной зависимости может потребовать изменения
структуры модели путем замены отдельных блоков на более детализи-
рованные, что приведет к изменению внутренних параметров модели и
алгоритмов функционирования.
Параметрическая наладка модели требует поиска оптимальных па-
 69

раметров, при которых степень несоответствия между моделью и сис-

темой будет минимальна.
Алгоритмы поведения системы можно изменять локально (для от-
дельных блоков) или для модели в целом. Такие изменения требуют бо-
лее детального изучения поведения моделируемой системы и могут
привести к изменению уровней детализации в модели.
Изменить структуру модели сложнее, чем наладить параметры, так
как это может привести к глобальным изменениям модели и ее замене
новой.
Этапы построения имитационной модели:
– формулировка проблемы и постановка задачи;
– разработка концептуальной модели;
– программная реализация имитационной модели;
– проверка правильности и достоверности модели;
– организация, планирование и проведение экспериментов;
– принятие решений по результатам моделирования.
Имитационная модель должна решать некоторую комплексную про-
блему, состоящую из нескольких задач, например, анализ работы сис-
темы приема, передачи и обработки информации, выбор комплекса тех-
нических средств обработки информации, анализ времени обработки
запросов и распределения ресурсов в системе. Поэтому на этапе фор-
мулировки проблемы необходимо, прежде всего, установить цели моде-
лирования. Затем проводят анализ объекта моделирования (системы
или процесса): определяют конфигурацию системы, вектор состояния,
т. е. множество параметров, характеризующих состояние системы,
входные и выходные переменные, их взаимосвязи, внешние влияния на
систему, основные критерии функционирования системы и ограничения
при исследовании. Устанавливают критерии оценки модели целям мо-
делирования, рассматривают такие показатели, как масштаб модели,
необходимые ресурсы, программное обеспечение.Следующий этап –
разработка концептуальной модели. Так называют абстрактную мо-
дель, выявляющую причинно-следственные связи, присущие исследуе-
мому объекту в тех пределах, которые определены целями исследова-
ния. Это формальное описание объекта моделирования, отражающее
концепцию, т. е. точку зрения исследователя, его понимание проблемы.
При разработке концептуальной модели необходимо:
– сформировать целевые функции (критерии качества) моделируе-
мой системы;
– выбрать степень детализации модели;
– описать входные, выходные переменные и параметры модели;
– привести функциональные зависимости, которые описывают по-
ведение переменных и параметров;
– указать ограничения на возможные изменения величин;
 70

– разработать структурную схему концептуальной модели и соста-

вить описание ее функционирования.
Выбор степени детализации описания объекта зависит от целей
моделирования, заданных ограничений и требуемой точности выходных
r
данных y . Для оценки уровня детализации можно использовать такие
показатели:
– отношение реального времени к модельному, т. е. соотношение
между временем моделирования с заданным набором данных и време-
нем работы реальной системы с тем же набором данных;
– разрешающую способность модели – минимальный интервал
времени между последовательными событиями, которые фиксируются
при моделировании.
Уровень детализации должен быть неодинаков для всей модели: он
выше для тех частей, для которых предполагается большая зависи-
мость точности результатов моделирования от выбранной точности
описания. С повышением уровня детализации возрастает способность
модели точно воспроизводить поведение системы, конфигурация кото-
рой или входные данные для которой не были предусмотрены на этапе
построения модели.
При разработке концептуальной модели существенными являются
выделение и описание состояний объекта. Состояние системы опреде-
ляется непрерывными или дискретными значениями характеристик ее
элементов. Динамику поведения системы задают путем описания пере-
ходов ее из одного состояния в другое в пространстве состояний. При-
чины изменения состояния могут задаваться аналитически как детерми-
нированные или случайные функции времени. Состояния системы могут
изменяться непрерывно или в дискретные моменты времени, что опре-
деляет выбор для описания поведения системы непрерывных или дис-
кретных математических
r моделей. r
Выбор входных x и внутренних q переменных осуществляют в со-
ответствии с уровнем детализации разных частей модели, с учетом воз-
можных изменений и доступности первичных данных. Эти данные можно
получить из технической и конструкторской документации, официальных
отчетов, статистических сборников, справочников. Также можно исполь-
зовать эмпирические данные, экспертные оценки, результаты анкетиро-
вания. При этом следует учитывать, что генерирование случайных вели-
чин и процессов с заданными распределениями эффективнее, чем про-
сто использование табличных данных.
Формализация – это логико-математическое описание моделируе-
мой системы с учетом динамики ее функционирования. Части модели,
которые можно описать математически, подают в виде аналитических
зависимостей. Другие части модели представляют собой детальное
словесное описание или алгоритм функционирования.
 71

Для описания концептуальной модели можно использовать струк-

турные схемы, диаграммы состояний, потоковые диаграммы, стохасти-
ческие сети, ориентированные графы и др.
Модель системы разрабатывают для получения некоторой новой
информации о системе-оригинале в целях решения исходной проблемы.
Базовым объектом для получения такой информации является про-
граммная модель сложной системы, реализованная на одном из языков
программирования или построенная с использованием соответствующих
программных инструментов.
На этапе программной реализации логическую схему модели пре-
образуют в программу, при этом большое внимание уделяют разработке
алгоритмов и численных методов решения задачи на ЭВМ, с помощью
которых результат может быть найден с необходимой точностью и за
приемлемое время.
На этапе проверки выясняют, согласуются ли результаты модели-
рования с теоретическими сведениями или эмпирическими данными в
пределах определенной точности. Результаты проверки используют для
модификации модели (это либо усложнение модели, чтобы она была
более адекватной действительности, либо ее упрощение ради достиже-
ния практически приемлемого решения) или решают вопрос о примени-
мости построенной модели для проектирования либо исследования за-
данных процессов или систем.
Реализация этапа проведения экспериментов с моделью означает
выполнение серии экспериментов с программной моделью системы на
той или иной вычислительной платформе. При этом содержание про-
цесса организации, планирования и проведения экспериментов отража-
ет такая последовательность действий:
– формирование конкретных значений наборов исходных данных
(входных переменных), которые характеризуют отдельный вычисли-
тельный эксперимент с программной моделью системы;
– выполнение расчетов или (в общем случае) выполнение отдель-
ной итерации с имитационной моделью системы в целях получения кон-
кретных значений выходных переменных модели;
– оценка точности полученных результатов;
– интерпретация полученных результатов в форме управляющих
воздействий или альтернатив решения исходной проблемы.
Этапы моделирования взаимосвязаны, а сама процедура построе-
ния модели – итерационная: после выполнения каждого этапа необхо-
димо проверить правильность и достоверность полученных результатов
и если они не соответствуют ожидаемым значениям – вернуться к пре-
дыдущим этапам для корректировки и подстройки модели.
В результате выполнения этапов моделирования изменяются
формы представления моделируемого объекта: формальное описание
 72

проблемы → концептуальная модель → математическая модель → ал-

горитм моделирования → программная реализация модели → результа-
ты моделирования → интерпретация полученных результатов на языке
данной предметной области.
Таким образом, технология моделирования начинается с опреде-
ления проблемы и заканчивается представлением результатов. Провер-
ки и тестирования позволяют идентифицировать и исправлять качест-
венные неточности на всех этапах моделирования путем циклического
повторения тех этапов, где эти неточности были обнаружены.
Проверка достоверности и адекватности модели
При проверке достоверности (верификации) оцениваются точность
преобразования формального описания проблемы в описание модели и
точность преобразования описания модели из логической блок-схемы в
компьютерную программу. Результаты проверки достоверности позво-
ляют ответить на вопрос: правильно ли построена модель? При провер-
ке адекватности (валидации) поведение модели сравнивают с поведе-
нием системы: модель должна в пределах области применения рабо-
тать с требуемой точностью и ее использование должно соответство-
вать целям моделирования. По результатам проверки адекватности де-
лают вывод о том, является ли правильной построенная модель.
Проверки связаны, прежде всего, с измерением и оцениванием точ-
ности при моделировании и имитации. Точность моделирования опре-
деляется разницей между выходными данными системы и модели при
условии, что входные данные одинаковы. Модель считают достаточно
точной, если ее выходные переменные отличаются от выходных данных
моделируемой системы меньше, чем заданные предельные значения.
Критерии оценивания точности
1
E 1 = ∑ nj=1( y ij − y ij′ ), (11.1)
n
где y ij и y ij′ – j -е значение ( j =1Kn ) i -й выходной переменной
( i =1Km ) системы и модели, соответственно;
∞
E 2 = ∫ −∞ F i ( y )− F i ( y ′ ) dy , (11.2)
где F i ( y ) и F i ( y ′ ) – функции распределения для y ij и y ij′ ;
1
E 3 = ∑ nj=1( y ij − y ij′ ) .
2
(11.3)
n
В случае использования критерия E 1 возможен значительный раз-
брос конкретных j -х значений для величин y ij и y ij′ , т.к. из-за сумми-
рования их отклонений ( y ij − y ij′ ) , имеющих разные знаки, происходит
частичная компенсация погрешности.
 73

При использовании критерия E 2 следует иметь в виду, что получе-

ние результатов моделирования, распределения которых идентичны
или близки к распределениям выходных данных системы, – необходи-
мое, но недостаточное условие того, что модель является точной во
всей области возможных значений входных переменных. При этом
вполне возможно, что поведение каких-то процессов в модели отлича-
ется от поведения соответствующих процессов в системе.
Более эффективны критерии оценивания, в которых используется
распределение разности значений y ij и y ij′ , например, E 3 – среднее
арифметическое квадратов разности значений.
Таким образом, при итерационном проектировании на основании
r
результатов наблюдений за входными факторами x и выходными пере-
r r
менными системы y и модели y ′ необходимо построить оптимальную
(в смысле выбранного критерия E 1 , E 2 , или E 3 ) модель. С помощью
метода наименьших квадратов по данным эксперимента строят модели
типа «вход-выход», регрессии различных порядков.
Если структура модели известна («серый ящик»), то задачей налад-
ки является нахождение оптимальных оценок параметров модели, при
которых функция критерия минимальна.
r
Система y
Входы
r S Формирование
x r функции Минимизация
Модель ′
y критерия Е критерия Е
M
Наладка модели
Рис. 11.1. Общая схема итерационного проектирования модели

При проверке точности модели большое значение имеет ее тести-

рование, по результатам которого выявляют наличие в модели ошибок
или погрешностей, а также определяют, правильно ли она функциони-
рует. Проверки и тестирование позволяют идентифицировать и исправ-
лять качественные неточности на всех этапах моделирования путем
циклического повторения тех этапов, где были обнаружены ошибки.
При исследованиях модель должна математически и логически, с
определенной степенью приближения воспроизводить моделируемую
систему, процесс или явление. Входные данные должны содержать всю
необходимую информацию о системе.
Оценку достоверности на уровне концепции начинают с анализа
концептуальной модели, возвращаются к принятым аппроксимациям и
упрощениям, а затем рассматривают реальный процесс.
Проверку достоверности ИМ на уровне ее реализации начинают с
 74

логической схемы (алгоритма работы ИМ), переходят к схеме програм-

мы, а затем рассматривают программную реализацию. Для этого про-
грамму вновь преобразуют в логическую схему, а затем проверяют от-
дельные ее модули и всю программу в целом, используя специально
подобранные тесты. Каждый тест содержит набор исходных данных, для
которых известен результат. Если результаты работы программы с дан-
ным тестом отличаются от ожидаемых, то это свидетельствует о нали-
чии ошибки. При этом тест стараются выбрать так, чтобы он помог не
только установить сам факт ошибки, но и локализовать эту ошибку. На
заключительном этапе проверки правильности ИМ осуществляют кон-
трольные прогоны – для оценки чувствительности модели к изменениям
входных данных и для проверки правильности работы имитационной
модели.
При оценке чувствительности обычно определяют, насколько изме-
няется выходной параметр y при изменении i -го входного параметра
при фиксированных значениях остальных входных факторов. В случае
выявления чувствительности модели к некоторым входным данным не-
обходимо уточнить эти данные и откорректировать те блоки модели, на
которые они влияют в наибольшей степени, т. е. перейти к более дета-
лизированному описанию этих блоков.
Окончательную наладку модели выполняют на контрольных зада-
ниях. Совпадение результатов моделирования и контрольных вариантов
свидетельствует о корректности модели к заданиям данного типа. Кон-
трольные задания можно построить при упрощенных входных данных,
когда заранее известно, как должна себя вести моделируемая система и
какие результаты должны быть на выходе. С этой же целью можно уп-
ростить имитационную модель до такого уровня, который позволит по-
строить аналитическую модель. Тогда можно сравнивать результаты
моделирования и аналитические расчеты, но только в пределах упро-
щенной модели. Кроме того, при проверке адекватности используют
контрольные задания, составленные по результатам работы реальной
системы, если она существует.
 75

Лекция № 12. Программная реализация имитационной модели.

Удобной формой представления логической структуры моделей

процессов функционирования систем и машинных программ является
схема. На различных этапах моделирования составляются обобщенные
и детальные логические схемы моделирующих алгоритмов, а также схе-
мы программ.
Обобщенная (укрупненная) схема моделирующего алгоритма зада-
ет общий порядок действий при моделировании системы она показыва-
ет, что необходимо выполнить на очередном шаге моделирования, на-
пример обратиться к датчику случайных чисел.
Детальная схема моделирующего алгоритма содержит уточнения,
отсутствующие в обобщенной схеме, она показывает не только, что сле-
дует выполнить на очередном шаге моделирования системы, но и как
это выполнить.
Логическая схема моделирующего алгоритма представляет собой
логическую структуру модели процесса функционирования системы. Ло-
гическая схема указывает упорядоченную во времени последователь-
ность логических операций, связанных с решением задачи моделирова-
ния. Схема программы отображает порядок программной реализации
моделирующего алгоритма с использованием конкретного математиче-
ского обеспечения.
Схема программы представляет собой интерпретацию логической
схемы моделирующего алгоритма разработчиком программы на базе
конкретного алгоритмического языка.
Подэтапы алгоритмизации и программной реализации модели.
1. Построение логической схемы модели. Рекомендуется строить
модель по блочному принципу. При построении блочной модели прово-
дится разбиение процесса функционирования системы на отдельные
достаточно автономные подпроцессы. Блоки такой модели бывают двух
типов: основные и вспомогательные. Каждый основной блок соответст-
вует некоторому реальному подпроцессу, имеющему место в модели-
руемой системе S, а вспомогательные блоки представляют собой лишь
составную часть машинной модели, они не отражают функции модели-
руемой системы и необходимы лишь для машинной реализации, фикса-
ции и обработки результатов моделирования.
2. Получение математических соотношений. Одновременно с вы-
полнением подэтапа построения логической схемы модели необходимо
получить, если это возможно, математические соотношения в виде яв-
ных функций, т. е. построить аналитические модели. Схема машинной
модели Мм должна представлять собой полное отражение заложенной в
модели концепции и иметь:
а) описание всех блоков модели с их наименованиями;
 76

б) единую систему обозначений и нумерацию блоков;

в) отражение логики модели процесса функционирования системы;
г) задание математических соотношений в явном виде.
3. Проверка достоверности модели системы. Эта проверка является
первой из проверок, выполняемых на этапе реализации модели. Поэто-
му определение достоверности модели можно считать наиболее важной
проблемой при моделировании систем. При этом проверяются:
а) возможность решения поставленной задачи;
б) точность отражения замысла в логической схеме;
в) полнота логической схемы модели;
г) правильность используемых математических соотношений.
4. Выбор инструментальных средств для моделирования. Вопрос о
выборе ЭВМ сводится к обеспечению следующих требований:
а) наличие необходимых программных и технических средств;
б) доступность выбранной ЭВМ для разработчика модели;
в) обеспечение всех этапов реализации модели;
г) возможность своевременного получения результатов.
5. Составление плана выполнения работ по программированию.
План при использовании универсальной ЭВМ должен включать в себя:
а) выбор языка (системы) программирования модели;
б) указание типа ЭВМ и необходимых для моделирования уст-
ройств;
в) оценку примерного объема необходимой оперативной и внешней
памяти;
г) ориентировочные затраты машинного времени на моделирова-
ние;
д) предполагаемые затраты времени на программирование и от-
ладку программы на ЭВМ.
6. Спецификация и построение схемы программы. Наличие логиче-
ской блок-схемы модели позволяет построить схему программы, которая
должна отражать:
а) разбиение модели на блоки, подблоки и т. д.;
б) особенности программирования модели;
в) проведение необходимых изменений;
г) возможности тестирования программы;
д) оценку затрат машинного времени;
е) форму представления входных и выходных данных.
7. Верификация и проверка достоверности схемы программы. Ве-
рификация программы – доказательство того, что поведение программы
соответствует спецификации на программу. Эта проверка является вто-
рой на этапе машинной реализации модели системы.
8. Проведение программирования модели. При достаточно подроб-
ной схеме программы, которая отражает все операции логической схемы
 77

модели, можно приступить к программированию модели.

9. Проверка достоверности программы. Эта последняя проверка на
этапе машинной реализации модели, которую необходимо проводить:
а) обратным переводом программы в исходную схему;
б) проверкой отдельных частей программы при решении различных
тестовых задач;
в) объединением всех частей программы и проверкой ее в целом на
контрольном примере моделирования варианта системы S.
10. Составление технической документации по второму этапу Для
завершения этапа машинной реализации модели необходимо составить
техническую документацию, содержащую:
а) логическую схему модели и ее описание;
б) адекватную схему программы принятые обозначения;
в) полный текст программы;
г) перечень входных и выходных величин с пояснениями;
д) инструкцию по работе с программой;
е) оценку затрат машинного времени на моделирование с указани-
ем требуемых ресурсов ЭВМ.
Таким образом, на этом этапе разрабатывается схема модели сис-
темы S, проводится ее алгоритмизация и программирование с исполь-
зованием конкретных программно-технических средств.

Для реализации простой имитационной модели можно использовать

алгоритмические языки общего назначения; это позволит получить бо-
лее быстродействующую модель. В этом случае необходимо разрабо-
тать средства управления процессом моделирования в машинном вре-
мени, сбора и обработки статистических данных о работе модели, гене-
рирования случайных величин с разными законами распределения для
моделирования стохастических воздействий, диагностики ошибок при
выполнении программы. Такие средства имеются в каком-либо языке
программирования или пакете прикладных программ, ориентированном
на моделирование.
В случае реализации сложной имитационной модели, имеющей
большое количество различных компонентов, предпочтение следует от-
дать специализированным средствам моделирования.
Поскольку в реальной системе некоторые события могут происхо-
дить одновременно, а параллельные процессы могут взаимодейство-
вать друг с другом, в имитационной модели необходим специальный ал-
горитм управления, обеспечивающий такую организацию машинного
времени, которая обеспечивает появление событий (окончание этапов
работы моделирующего алгоритма) в надлежащем порядке и с необхо-
димыми интервалами между ними. Таким образом, события при имита-
ции должны разворачиваться во времени в том же порядке, в каком они
 78

следуют в реальной системе, но в измененной временной шкале. Ма-

шинное (модельное) время – арифметическая величина, которая имеет
положительные возрастающие значения и отображает ход времени в
модели при моделировании.
Существуют два основных механизма модельного времени – зада-
ние времени с помощью постоянных и с помощью переменных интерва-
лов времени (или моделирование по особым состояниям).
По методу постоянного шага отсчет модельного времени ведется
через фиксированные, заранее выбранные исследователем интервалы
времени. События в модели считаются наступившими в момент оконча-
ния этого интервала.
При моделировании по особым состояниям модельное время из-
меняется каждый раз на величину, соответствующую интервалу време-
ни до момента наступления очередного события. В этом случае события
обрабатываются поочередно (в порядке их наступления) и регистриру-
ются как одновременные лишь в том случае, если они одновременны в
действительности.
Метод фиксированных шагов предпочтительнее, если невозможно
заранее установить, какие из событий являются существенными, собы-
тия появляются регулярно, их распределение во времени достаточно
равномерно, количество событий велико, а продолжительность отдель-
ного события мала.
Метод моделирования по особым состояниям используют, если со-
бытия распределяются во времени неравномерно или их продолжи-
тельность велика, а также при моделировании статических систем или
систем периодического действия, в которых события могут длительное
время не наступать.
Структура программы (блок-схема алгоритма) должна соответство-
вать структуре имитационной модели, это делает программу более на-
глядной и облегчает ее отладку.
Программную реализацию модели рекомендуется строить по мо-
дульному принципу. Это дает возможность усовершенствовать модель с
помощью итерационного метода, добавляя к ней модуль за модулем. В
процесс наладки и проведения экспериментов некоторые модули можно
изменить или заменить, и это не приведет к существенным изменениям
модели в целом. Каждый модуль программы должен сопровождаться
комментарием.
Для оценки правильности функционирования программной реали-
зации модели проводят пробные эксперименты (тестирование програм-
мы). В случае несоответствия процессов функционирования объекта и
модели программу корректируют. При этом необходимо проверить рабо-
тоспособность программы во всем диапазоне изменения входных пере-
менных.
 79

Одной из наиболее популярных систем математических расчетов и

моделирования является MATLAB.
Система визуального моделирования Simulink
Среди наборов инструментов система Simulink занимает особое
место. Она содержит большое количество функций, а также использует
многие функции, входящие в состав пакета MatLab. Simulink – это раз-
дел моделирования и проектирования систем, который содержит набор
инструментальных средств моделирования динамических систем, сис-
тем реального времени, событийного моделирования, подготовки кодов
для микропроцессоров и т.д.
В Simulink используются в основном файлы трех типов:
- M-файлы – (с расширением .m) – файлы, содержащие тексты
программ на языке MatLab. В виде m-файлов реализованы все библио-
течные функции MatLab;
- Mdl- файлы (с расширение .mdl) - файлы моделей;
- Mat-файлы - (с расширение .mat) – файлы, содержащие данные в
двоичном коде, доступ к которым возможен либо из командного окна
MatLab, либо и помощью специальных средств Simulink.
Этапы построения модели в подсистеме Simulink
Перед построение модели необходимо загрузить систему MatLab и
запустить подсистему Simulink.
Подсистему Simulink можно загрузить из основного окна MatLab
Command Window путем ввода команды
>> simulink
или щелкнув левой кнопкой мыши на кнопке запуска этой подсис-
темы. Откроется окно Simulink Library Browser – система просмотра биб-
лиотек Simulink. В верхней части этого окна две крайние левые кнопки
служат для создания новой и открытия существующей модели соответ-
ственно. После щелчка на первой кнопке появится пустое окно untitles
для построения новой модели.
Процесс построения модели Simulink включает в себя компоновку и
задание необходимых параметров. Компоновка заключается в выборе
из библиотек Simulink необходимых блоков, размещении их в окне
untitles и задании межблочных связей. Затем для каждого блока необхо-
димо установить соответствующие параметры, отвечающие требовани-
ям моделируемой системы.
Библиотека блоков Simulink
Основным строительным элементом в процессе построения в па-
кете Simulink является блок. Блок представляет собой систему типа
>>вход-состояние-выход>> или просто >>вход-выход>> и может быть
как простым, так и составным.
Каждый блок из любой библиотеки блоков пакета Simulink является
классом. Как только блок будет перенесен из библиотеки в окно по-
 80

строения модели, этот блок становится экземпляром данного класса. В

этом экземпляре можно изменять значения параметров блока в зависи-
мости от требований, предъявляемых к моделируемой системе.
Для перемещения блока в окно модели необходимо курсор мыши
установить на этом блок и нажав левую кнопку мыши перетащить в нуж-
ное место этого окна.
Чтобы установить параметры блока необходимо выполнить двой-
ной щелчок левой кнопкой мыши на пиктограмме этого блока. В открыв-
шемся окне параметров выбранного блока следует установить необхо-
димые параметры.
Модели, разрабатываемы средствами Simulink, называют S-
моделями. S-модель может иметь иерархическую структуру, т.е состоять
из моделей более низкого уровня, Число уровней иерархии практически
не ограничено.
В ходе моделирования имеется возможность наблюдать за про-
цессами, происходящими в системе с помощью специальных >>смотро-
вых окон>>. Кроме этого, существует возможность включения в состав
модели средств анимации.
Библиотека Simulink является открытой и может пополняться поль-
зователем за счет разработки собственных блоков.
Библиотека блоков Simulink представляет собой набор визуальных
объектов, из которых можно собирать произвольную конструкцию. Для
блоков существует возможность настройки их внутренних параметров и
внешнего оформления (размер, цвет, имя и т.д.).
Основная библиотека блоков разбита на следующие разделы:
1. Continuous – включает непрерывные элементы, такие как
Integrator, Derivative (Дифференциатор), State-Space (Состояния) и дру-
гие, задаваемые с помощью передаточных функций;
2. Discrete – содержит дискретные блоки: для моделирования дис-
кретных систем;
3. Functions & Tables – содержит блоки, позволяющие реализовать
функции, отсутствующие в библиотеке математических функций, и ра-
ботать с табличными функциями, например Fcn (функция пакета Matlab),
функции линейной интерполяции и другие;
4. Math – содержит блоки, реализующие математические функции;
5. Nonlinear – содержит блоки, реализующие нелинейные функции,
такие как Relay (Релейное звено), Switch (ключ) и другие весьма опас-
ные функции, если они используются в правых частях решаемых диф-
ференциальных уравнений;
6. Signals & Systems – сигналы и системы: для создания подсистем
и управления сигналами; содержит такие функции, как Mux (Мультип-
лексор), DeMux (Демультиплексор), In1 (Входной сигнал), Out1 (Выход-
ной сигнал) и другие;
 81

7. Sinks – регистрирующие устройства, содержит средства отобра-

жения сигналов, возникающих на выходе блоков: Scope (осциллограф),
To File (вывод результатов в файл), Stop (Остановка выполнения);
8. Sources – источники сигналов и воздействий, такие как Signal
Generator (Генератор сигналов), Random Number (Генератор случайных
чисел), Repeating Sequence (Генератор пилообразных сигналов), Clock
(Часы) и т.д.;
9. Subsystems – блоки подсистем.

Подготовка задачи для моделирования в SIMULINK проводится в

следующей последовательности:
Выбор расчетной схемы. Составление системы уравнений, описы-
вающих исследуемый процесс. Приведение системы к виду, удобному
для решения (разрешение относительно старших производных). Опре-
деление начальных условий. Составление структурной схемы. Модели-
рование возмущающих функций. Определение исходных данных. Со-
ставление модели в среде SIMULINK. Включение средств визуализации.
Тестирование. Решение. Анализ результатов. Отчет.
При увеличении размерности для увеличения наглядности и удоб-
ства отладки выделяют логические блоки – подсистемы. SIMULINK под-
держивает многоуровневые системы. Для вложенных подсистем исполь-
зуют блок Subsystem. При раскрытии такого блока выводится окно с мо-
делью соответствующей подсистемы. Для передачи входных и выход-
ных переменных используются так называемые порты подсистемы
входные и выходные. Для создания «сложной переменной» применяется
блок Mux, для разделения – блок Demux.
Для большой разветвленной модели предпочтительно исходные
данные собрать в одном месте, что облегчает настройку при исследова-
нии влияния параметров системы. Один из вариантов – использование
модуля присвоения начальных значений переменным MATLAB и ис-
пользование в модулях SIMULINK имен этих переменных.
 82

Лекция № 13. Оптимизационные (экстремальные) модели

Уравнения, описывающие изменение состояния системы, - это

лишь один из распространенных способов описания систем. Другой рас-
пространенный вариант состоит в применении целевой функции и фор-
мулировании экстремального принципа. В этом случае угадывание зако-
на движения заменяется на постулирование функции или функционала,
поиск экстремума которого методами вариационного исчисления приво-
дит к описанию движения исследуемой системы. Теории, построенные с
помощью уравнений движения или максимизации функционалов, как
правило, эквивалентны друг другу, так как вариационные методы позво-
ляют для любого заданного функционала выписать уравнения движения
в форме уравнений Эйлера-Лагранжа, а для любого уравнения движе-
ния можно подобрать функционал, для которого оно является уравнени-
ем Эйлера-Лагранжа.
Использование в теории систем экстремальных методов основы-
ваются на изучении сложных систем с информационно-теоретической
точки зрения, когда в качестве целевого функционала используется
обобщенная энтропия. В этом случае анализ систем осуществляется на
языке энтропии и целевых (потенциальных) функций, а реакция системы
на внешнее воздействие рассматривается как динамическое изменение
состояния системы, в процессе которого она стремиться максимизиро-
вать некоторую целевую функцию.
Описание динамического процесса на языке целевых (потенциаль-
ных) функций включает следующие составляющие:
– пространство состояний (фазовое пространство системы) Q;
– множество входов системы X;
– целевую (потенциальную) функцию H: Q× X → R , где R – про-
странство действительных чисел.
При этом предполагается, что при фиксированном входном векто-
ре наблюдаемое состояние системы соответствует локальному макси-
муму (минимуму) целевой функции H.
Использование потенциальных функций для описания хорошо изу-
ченных физических систем оказалось удачной альтернативой внутрен-
нему описанию систем. С описанием системы на языке целевых функ-
ций тесно связана идея описания поведения систем с помощью обоб-
щенной энтропии Н, когда предполагается, что система изменяется та-
ким образом, что в стационарном состоянии минимизирует изменение
энтропии
H ( q 1 ,K,q n ) → extr ,
где q 1 ,K,q n – состояние фазовых координат системы, соответствую-
щих экстремальному значению обобщенной энтропии.
 83

Экстремальные принципы – наиболее общая форма теоретическо-

го объяснения во многих областях естествознания: оптике, классической
теоретической механике, квантовой механике, электродинамике, теории
управления, экономике и т. д.
При решении многих технических задач целевую функцию прини-
мают в качестве меры “нежелательных” свойств объекта или стоимости,
которую нужно минимизировать, либо рассматривают как меру ”качест-
ва”, которую нужно максимизировать. При этом минимизация или мак-
симизация должна быть выполнена при условии соблюдения опреде-
лённых ограничений. Это справедливо применительно к самым различ-
ным объектам: электромеханическим устройствам, электрическим схе-
мам, системам управления. Вопрос о том, оптимальна или неоптималь-
на какая-либо совокупность расчётных данных в общем случае зависит
от выбора критерия.
Примеры целевых функций, часто встречающихся в инженерной
практике: стоимость, масса, прочность, габаритные размеры, КПД, ко-
эффициент усиления, полоса пропускания и т.п. В некоторых задачах
оптимизации требуется введение более одной целевой функции. Иногда
одна из них может быть несовместима с другой. Например, одновре-
менно требуется обеспечить максимальную прочность, минимальную
массу и минимальную стоимость. В этих случаях вводят систему при-
оритетов и ставят в соответствие каждой целевой функции некоторый
безразмерный множитель. В результате появляется “функция компро-
мисса”, позволяющая в процессе оптимизации пользоваться одной со-
ставной целевой функцией.
Таким образом, задача оптимизации формулируется как оптимиза-
ция заданной целевой функции при условии выполнения ряда заданных
ограничений.
Оптимизация – процесс или последовательность операций, позво-
ляющих получить уточненные значения проектных параметров. Любое
решение, удовлетворяющее ограничениям задачи, называется допусти-
мым. Лучшее из допустимых решений в смысле заданного критерия на-
зывается оптимальным. Интерес представляют не только оптимальные,
но и допустимые решения: есть ряд задач, для которых оптимальное
решение неизвестно или практически неприемлемо из-за своей сложно-
сти. Изучая допустимые решения, близкие к оптимальным, можно оце-
нить, насколько чувствительны оптимальные решения к небольшим из-
менениям в формулировках задач (например, изменение количества ог-
раничений, учет практических соображений, не входящих в целевую
функцию).
Целевая функция – функция конечного числа переменных (проект-
ных параметров). При решении многих технических задач ЦФ принима-
ют в качестве меры нежелательных свойств или стоимости, которую
 84

нужно минимизировать. Либо ЦФ рассматривают как меру качества, ко-

торую нужно максимизировать. При этом минимизация или максимиза-
ция должна быть выполнена при условии соблюдения ряда ограничений.
Рассмотрим задачу построения системы, обладающей заданной выход-
ной реакцией (например, частотная характеристика). Требуемая частот-
ная характеристика Fd (ω) должна быть задана либо аналитически, либо
в виде таблицы. Фактическую частотную характеристику при значениях
параметров L, R, С вычисляют как функцию F(ω; L, R , C ) при дискретных
значениях частоты ωi , i = 1,…, m. Как выразить математически, насколь-
ко эти две кривые (Fd и F) близки друг к другу? Как и при измерении рас-
стояния между двумя кривыми, можно ввести различные меры близости
двух функций:
1
⎡m ⎤ p
( )
1) d p (Fd , F ) = ⎢ ∑ Fd i − Fi ⎥ , где p – положительное целое число;
p
⎢⎣ i =1 ⎥⎦
2) d ∞ (Fd , F ) = max Fd i − Fi – это lim d p при p → ∞.
1≤ i ≤ m
При малых значениях p две кривые отделены друг от друга боль-
шим расстоянием в том случае, если они различаются на большом ин-
тервале ω (рис. 13.1, кривые 1, 2). Когда p увеличивается, расстояние
между двумя кривыми всё в большей мере будет определяться макси-
мальным расхождением двух характеристик (рис. 13.1, кривые 1, 3).

2 3

Рис. 13.1. К определению мер близости функций:

1 – требуемая характеристика, 2, 3 – различные фактические кривые
Таким образом, простая ЦФ для данной задачи имеет вид
m
f (L, R , C ) = ∑ φ[Fd (ωi ), F(ωi ; L, R , C )],
i =1
она указывает, в какой степени расчётные величины обеспечивают по-
лучение требуемой частотной характеристики. Можно задать также дру-
гие величины (критерии качества проектируемой системы): потери мощ-
ности, величины постоянных напряжений и т.п.
 85

Лекция № 14. Графовые модели.

Сетевые и графовые модели охватывают довольно широкий класс

задач, встречающихся при проектировании систем, планировании работ,
распределении продукции, организации транспортных перевозок, раз-
мещении различных центров обслуживания населения и т.п. Во многих
практически интересных случаях эти задачи характеризуются линейной
целевой функцией и линейными ограничениями, так что для их решения,
вообще говоря, могли бы успешно применяться известные методы ли-
нейного программирования. Однако характерной особенностью таких
задач (если только они правильно отображают реальную ситуацию) яв-
ляется большая размерность, обуславливающая необходимость поиска
более эффективных алгоритмов оптимизации, которые позволяли бы
экономить вычислительные ресурсы конкретных систем и обеспечивать
их гибкость по отношению к изменениям исходных данных. Основой для
построения таких алгоритмов могут служить их представления на сетях
и графах.
Пара (V(G), E(G)) называется простым графом, если V(G) – непус-
тое конечное множество элементов, называемых вершинами, а Е(G) –
конечное множество неупорядоченных пар различных элементов из
V(G), называемых ребрами. В простом графе пару вершин может соеди-
нять не более чем одно ребро. Многие результаты, полученные для
простых графов, можно перенести на более общие объекты, в которых 2
вершины могут быть соединены более чем 1 ребром. Кроме того, часто
бывает удобно снять ограничение, состоящее в том, что ребро должно
соединять две различные вершины, и допустить существование петель,
т.е. ребер, соединяющих вершину с ней самой. Получающийся при этом
объект, в котором могут быть петли и кратные ребра, называется общим
графом, или просто графом.
Орграф – это ориентированный граф. Хотя графы и орграфы –
существенно различные объекты, в определенных случаях графы можно
рассматривать как орграфы, в которых каждому ребру соответствуют
две противоположно ориентированные дуги.
Две вершины графа называются смежными, если существует со-
единяющее их ребро; при этом вершины называются инцидентными
этому ребру (а ребро – инцидентным этим вершинам). Аналогично, два
различных ребра называются смежными, если они имеют по крайней
мере одну общую вершину.
Степенью (или валентностью) вершины V графа называется число
ребер, инцидентных V; степень вершины обозначается через р(V). При
вычислении степени вершины V будем учитывать петлю в V два раза, а
не один. Вершина степени 0 называется изолированной, вершина сте-
пени 1 называется висячей (концевой).
 86

Два графа называются изоморфными, если существует взаимно

однозначное соответствие между множествами их вершин, обладающее
тем свойством, что число ребер, соединяющих любые 2 вершины в G
равно числу ребер, соединяющих соответствующие вершины в G1.
Подграфом графа G называется граф, все вершины которого при-
надлежат V(G), а все ребра – Е(G).
Граф называется связным если его нельзя представить в виде
объединения двух других графов. Несвязный граф можно представить в
виде объединения конечного числа связных графов – каждый из таких
связных графов называют компонентой связности.
Сильная компонента (СК) графа – максимальный сильносвязный
подграф (любые две вершины СК взаимно достижимы).
Маршрут – некоторая последовательность ребер. Маршрут назы-
вают цепью, если все его ребра различны и простой цепью, если все его
вершины различны.
Разделяющее множество связного графа – множество ребер, уда-
ление которого приводит к несвязному графу. Разрез – такое разде-
ляющее множество, никакое собственное подмножество которого не яв-
ляется разделяющим. Разрез, состоящий из единственного ребра, на-
зывается мостом (перешейком).
Связный граф называется эйлеровым если существует замкнутая
цепь, проходящая через каждое его ребро. В этом определении требу-
ется, чтобы каждое ребро проходилось только 1 раз. Если снять ограни-
чение на замкнутость цепи, то граф называется полуэйлеровым.
Веса и длина пути. Иногда дугам графа G сопоставляются числа,
называемые весом (длиной, стоимостью) дуги. Тогда G называется гра-
фом со взвешенными дугами. Если веса (числа VI) приписываются вер-
шинам хi графа, то получается граф со взвешенными вершинами. Если в
графе веса приписаны и дугам, и вершинам, то он называется взвешен-
ным. При рассмотрении пути µ, представленного последовательностью
дуг (а1,…, аn), за его вес принимается число l (µ), равное сумме весов
всех дуг, входящих в µ. Мощностью пути µ называется число дуг, вхо-
дящих в него.
Матрица смежности графа G с множеством вершин {VI, ..., VN, }
– матрица А = (aij) размера n×n, в которой элемент аij равен числу ребер
в G, соединяющих vi и vj. Можно получить несколько различных матриц
смежности графа, меняя обозначения его вершин; это приведет к изме-
нению порядка строк и столбцов А. Но в результате всегда получится
симметричная матрица из неотрицательных целых чисел, обладающая
тем свойством, что сумма чисел в любой строке или столбце равна сте-
пени соответствующей вершины (каждая петля учитывается в степени
вершины 1 раз). Обратно, по заданной симметричной матрице из неот-
рицательных целых чисел легко построить граф (единственный с точно-
 87

стью до изоморфизма), имеющий данную матрицу своей матрицей

смежности.
Т.о., теорию графов можно свести к изучению матриц особого типа.
Матрица инциденций графа B =[ bij ] размером n×m определяет-
ся т.о.: bij = 1, если xi – начальная вершина дуги aj, bij = –1, если xi – ко-
нечная вершина дуги aj, bij= 0, если xi не является концевой вершиной ду-
ги aj или если aj является петлей. Т.к. каждая дуга инцидентна двум раз-
ным вершинам (кроме случая, когда дуга образует петлю), то каждый
столбец содержит один элемент, равный 1, и один, равный –1, либо все
столбцы равны 0.
Если G – неориентированный граф, его матрица инценций опреде-
ляется так же, но все элементы –1 заменяются на +1.
Матрица достижимостей R = [rij] определяется так:
⎧ 1 , если вершина x j достижима из x i
r ij = ⎨
⎩ 0 в противном случае
Множество вершин R (xi) графа G, достижимых из заданной вер-
шины хi, состоит из таких элементов хj, для которых (i, j)-й элемент в
матрице достижимостей равен 1. Очевидно, что диагональные элементы
в матрице R равны 1, т.к. каждая вершина достижима из себя самой с
помощью пути длины 0.
Пусть Г(xi) – множество таких вершин хj, которые достижимы из xi с
использованием путей длины 1. Тогда множество вершин, достижимых
из xi , можно представить в виде
R ( x i )={ x i }∪ Г ( x i )∪ Г 2 ( x i )∪ ...∪ Г p ( x i ) . (14.1)
Т.о., множество R(xi) может быть получено последовательным вы-
полнением (слева направо) операций объединения, до тех пор, пока
«текущее» множество не перестанет увеличиваться по размеру при оче-
редной операции объединения. С этого момента последующие опера-
ции не будут давать новых членов множеству и, т.о., будет образовано
достижимое множество R(xi). Число объединений, которое нужно выпол-
нить, зависит от графа, но, очевидно, что число р меньше числа вершин
в графе.
Матрицу достижимостей можно построить так. Находим достижи-
мые множества R(xi) для всех вершин хi ∈ X способом, приведенным
выше. Положим rij = 1, если хj ∈ R(xi) и rij= 0 в противном случае. Полу-
ченная таким образом матрица R является матрицей достижимостей.
Матрица контрадостижимостей Q = [qij]:
⎧ 1 , если из вершины x j можно достигнуть вершину х i
q ij = ⎨
⎩ 0 в противном случае
Контрадостижимым множеством Q(xi) графа является множество
 88

таких вершин, что из любой вершины этого множества можно достигнуть

вершину хi. Аналогично построению достижимого множества R(xi) на ос-
нове соотношения (1) можно «сформировать» множество Q(xi), исполь-
зуя следующее выражение:
Q ( x i )={ x i }∪ Г −1 ( x i )∪ Г −2 ( x i )∪ ...∪ Г − p ( x i ) . (14.2)
Т.к. R(xi) является множеством вершин, достижимых из xi, а Q(xj) -
множеством вершин, из которых можно достигнуть хj, то
R ( x i )∩ Q ( x j ) - множество таких вершин, каждая из которых при-
надлежит по крайней мере одному пути, идущему от xi к xj . Эти вершины
называются существенными или неотъемлемыми относительно двух
концевых вершин xi и xj. Все остальные вершины x k ∉R ( x i )∩ Q ( x j )
называются несущественными или избыточными, поскольку их удале-
ние не влияет на пути от xi к xj .
Матрицы достижимостей и обратных достижимостей, опреде-
ленные выше, являются полными в том смысле, что на длины путей от xi
к xj не накладывались никакие ограничения. С другой стороны, можно
определить матрицы ограниченных достижимостей и контрадостижимо-
стей – надо потребовать, чтобы длины путей не превышали некоторого
заданного числа. Эти ограниченные матрицы тоже могут быть построе-
ны с помощью соотношений (14.1) и (14.2) — надо действовать точно
так, как раньше, при нахождении «неограниченных» матриц, но только
теперь р будет верхней границей длины допустимых путей.
Пусть запись R ⊗Q означает поэлементное умножение этих мат-
риц; тогда сразу видно, что строка x i матрицы R ⊗Q содержит единицы
только в тех столбцах x j , для которых выполняется условие: вершины
x i и x j взаимно достижимы; в других местах строки x i стоят нули. Т.о.,
две вершины находятся в одной и той же СК тогда и только тогда, когда
соответствующие им строки (или столбцы) в матрице R ⊗Q идентичны.
Вершины, которым соответствуют строки, содержащие 1 в столбце x j ,
образуют множество вершин СК, содержащей x j . Отсюда следует, что
матрицу R ⊗Q можно преобразовать путем транспонирования строк и
столбцов в блочно-диагональную; каждая из диагональных подматриц
этой матрицы соответствует СК графа G и содержит только единичные
элементы, все остальные элементы блочно-диагональной матрицы = 0.
База B графа есть множество вершин, из которых достижима лю-
бая вершина графа и которое является минимальным в том смысле, что
не существует собственного подмножества в B, обладающего таким же
свойством достижимости. Если мы обозначим через R(B) множество
вершин, достижимых из вершин множества B, т.е.
 89

R ( B )= U R ( x i ) ,
x i ∈B
то B является базой только тогда, когда
R ( B ) = X и ∀S ⊂ B : R ( S ) ≠ X .
Т.о., базой является такое множество B вершин графа G, которое
удовлетворяет следующим двум условиям:
1) каждая вершина графа G достижима хотя бы из одной вершины
множества B;
2) в B нет вершины, которая достижима из другой вершины множе-
ства B.
Из этих условий следует:
1) в множестве B нет двух вершин, которые принадлежат одной и
той же СК графа G;
2) в любом графе без циклов существует единственная база; она
состоит из всех таких вершин графа G, полустепени захода которых
равны 0.
Конденсация графа G – граф G* = (Х*, Г*), каждая вершина которо-
го представляет множество вершин некоторой сильной компоненты
графа G; дуга (xi*, xj*) существует в G* только тогда, когда в G существует
дуга (xi, xj) такая, что xi принадлежит компоненте xi*, а xj – компоненте xj*.
Конденсация не содержит циклов.
Т.о., база B* конденсации G* графа G состоит из таких вершин G*,
полустепени захода которых равны 0. Следовательно базы графа G
можно строить так: из каждой СК графа G, соответствующей вершине
базы B* конденсации G* надо взять по одной вершине, т.е., если B* = {S1,
S2,…,Sm}, где m – число вершин-множеств Sj в базе B* конденсации G*,
то базой B является произвольное множество {xi1, xi2,…, xim}, где xij ∈ Sj.
Антибаза B есть множество вершин графа G = { Х, Г}, таких, что
Q ( B )= UQ ( x i ) = X и ∀S ⊆ B : Q ( S ) ≠ X ,
x i ∈B
т.е., B есть такое минимально возможное множество вершин, что како-
ва бы ни была вершина графа G, из нее достижима некоторая вершина
в B . Свойства антибаз аналогичны свойствам баз, надо только «пря-
мые» понятия заменить на двойственные.
Т.о., антибаза B ∗ конденсации G* есть множество вершин G*, по-
лустепени исхода которых равны 0, и антибазы самого графа G строятся
из антибазы конденсации G* путем выбора по одной вершине из каждой
вершины-множества антибазы B ∗ .
Алгоритм построения покрывающего дерева
Работа алгоритма рассматривается как процесс окрашивания ре-
бер. Окраска ребра в голубой цвет означает, что оно включается его в
 90

дерево, в оранжевый цвет – то, что ребро не включается в дерево.

Букет – множество окрашенных вершин, которые принадлежат
одной и той же сильной компоненте (связному подмножеству).
Перед началом работы алгоритма все ребра исходного графа яв-
ляются неокрашенными и ни один из букетов не сформирован.
Шаг 1. Выбрать любое ребро (не петлю). Окрасить это ребро в го-
лубой цвет и сформировать букет, включив в него концевые вершины
окрашенного ребра.
Шаг 2. Выбрать любое неокрашенное ребро (не петлю). Если в
графе такого ребра не найдется, закончить процедуру: исходный граф
не содержит покрывающего дерева. Иначе возможны четыре различных
случая:
а) обе концевые вершины выбранного ребра принадлежат одному
и тому же букету – окрасить ребро в оранжевый цвет и вернуться к на-
чалу шага 2;
б) одна из концевых вершин выбранного ребра принадлежит неко-
торому букету, а другая концевая вершина не принадлежит ни одному из
уже сформированных букетов – окрасить ребро в голубой цвет и вклю-
чить его концевую вершину, не принадлежавшую ранее ни одному буке-
ту, в тот же букет, которому принадлежит другая концевая вершина;
в) ни одна из концевых вершин выбранного ребра не принадлежит
ни одному из сформированных букетов – окрасить ребро в голубой цвет
и сформировать новый букет из его концевых вершин;
г) концевые вершины выбранного ребра принадлежат различным
букетам – окрасить ребро в голубой цвет, а оба букета, которым при-
надлежат его концевые вершины, слить в один новый букет.
По завершении шага 2 перейти к шагу 3.
Шаг 3. Если все вершины графа вошли в один букет, закончить
процедуру, так как при этом условии голубые ребра образуют покры-
вающее дерево. Иначе – вернуться к началу шага 2.
Описанный алгоритм состоит из многократного повторения шага 2,
причем при каждом выполнении этого шага некоторое ребро окрашива-
ется в определенный цвет и остается окрашенным на протяжении всей
процедуры. Поэтому, если исходный граф состоит из конечного числа
ребер, алгоритм должен закончиться через конечное число шагов
При построении минимального покрывающего дерева ребра про-
сматриваются в порядке возрастания их весов.
Алгоритмы поиска путей
Алгоритм Дейкстры поиска кратчайшего пути между двумя
вершинами
Алгоритм позволяет находить в графе кратчайший путь между
двумя выделенными вершинами s и t при положительных длинах дуг.
Перед началом выполнения алгоритма все вершины и дуги не ок-
 91

рашены. Каждой вершине в ходе выполнения алгоритма присваивается

число d(x), равное длине кратчайшего пути из s в x, включающего только
окрашенные вершины.
Шаг 1. Положить d(s) = 0 и d(x) = ∞ для всех x, отличных от s.
Окрасить вершину s и положить y = s (y – последняя из окрашен-
ных вершин).
Шаг 2. Для каждой неокрашенной вершины x пересчитать величину
d(x) по формуле:
d ( x ) = min { d ( x ) ,d ( y )+ a ( y ,x ) } .
Если d(x) = ∞ для всех неокрашенных вершин x, закончить алго-
ритм: в исходном графе отсутствуют пути из вершины s в неокрашенные
вершины. В противном случае окрасить ту из вершин x, для которой ве-
личина d(x) является минимальной. Кроме того, окрасить дугу, ведущую
в выбранную на данном шаге вершину x. Положить y = x.
Шаг 3. Если y = t, закончить процедуру: кратчайший путь из верши-
ны s в вершину t найден (это путь из s в t, составленный из окрашенных
дуг). Иначе – перейти к шагу 2.
Алгоритм Флойда поиска кратчайших путей между всеми парами
вершин
Шаг 1. Перенумеровать вершины исходного графа целыми числа-
ми от 1 до N. Определить матрицу D0, задав величину каждого ее эле-
мента (i, j) равной длине кратчайшей дуги, соединяющей вершину i с
вершиной j. Если в исходном графе указанные вершины не соединяются
дугами, то d ij0 = ∞ . Кроме того, для всех i положить d ii0 = 0 .
Шаг 2. Для целого m, последовательно принимающего значения 1,
2, …, N, определить по величинам элементов матрицы D m−1 величины
элементов матрицы D m , используя рекурсивное соотношение
{ m−1
d ijm = min d im m−1
+ d mj }
,d ijm−1 .
При определении величины каждого элемента матрицы D m фик-
сировать соответствующий кратчайший путь.
По окончании данной процедуры величина элемента (i, j) матрицы
N
D определяет длину кратчайшего пути, ведущего из вершины i в вер-
шину j.
Для всех i и m должно быть d iim = 0 . Поэтому нет необходимости в
вычислении диагональных элементов матрицы Dm. Кроме того, при оп-
ределении матрицы Dm не надо пересчитывать элементы m-й строки и
m-го столбца матрицы D m−1 .
 92

Лекция № 15. Моделирование для принятия решений

при управлении.

Машинное моделирование является эффективным инструментом

исследования характеристик процесса функционирования сложных сис-
тем на этапе их проектирования. Но этим возможности этого метода не
ограничиваются: в современных системах управления машинное моде-
лирование используется непосредственно в контуре управления, на его
основе решаются задачи прогнозирования для принятия решений по
управлению объектом, т. е. реализуются адаптивные системы управле-
ния (СУ).
Создание системы управления различными объектами требует на-
личия большого объема информации как о самом объекте, так и о его
входных и выходных переменных. Эта информация необходима для по-
строения адекватной модели СУ, на основе которой может быть эффек-
тивно осуществлен процесс управления. При этом следует различать
два вида информации, необходимой для построения и совершенствова-
ния модели и СУ: априорную и текущую.
Априорная информация об объекте управления (ОУ), его входных
и выходных переменных, внутренних состояниях необходима для по-
строения модели, по которой будет создаваться СУ этим объектом: вы-
бираться структура, алгоритмы и параметры СУ, критерий функциони-
рования. Обычно для сложных вновь проектируемых ОУ отсутствует не-
обходимая для создания СУ модель, и задача управления должна ре-
шаться в условиях недостаточной или вовсе отсутствующей априорной
информации об объекте. Речь идет об отсутствии информационной
(«управленческой») модели ОУ, устанавливающей взаимосвязь между
выходными и входными переменными.
Особенности системы управления. Проблема создания СУ неиз-
бежно возникает при разработке ОУ и при их модернизации. На первый
взгляд может показаться, что в тех случаях, когда новая СУ разрабаты-
вается для уже давно функционирующей системы S, длительное время
находящейся в эксплуатации, положение с априорной информацией
лучше и построение модели проще. Опыт показывает, что это не так, и
получение информационной модели и в этом случае весьма трудоемко.
Таким образом, как для случая вновь проектируемой системы S, так и
для уже функционирующей возникает проблема получения дополни-
тельной информации для создания СУ. Единственным эффективным
путем получения такой информации в настоящее время является ма-
шинное моделирование. В том случае, когда СУ создана и функциони-
рует вместе с системой 5, управляя ею, существует необходимость в
получении текущей информации, вызванная в основном двумя причина-
ми. Во-первых, это потребность в совершенствовании СУ, а во-вторых,
 93

необходимость уточнения поведения системы и возникающих в ней си-

туаций с целью компенсации изменений характеристик системы S как
ОУ. Процессы, с которыми связана текущая информация первого вида,
являются достаточно медленными и для управления ими необходима
подсистема эволюционного управления, а процессы второго типа явля-
ются более быстрыми и для управления ими необходима подсистема
оперативного управления в реальном масштабе времени (РМВ). Следу-
ет подчеркнуть, что по темпу принятия решений и месту решения задач
подсистемы эволюционного и оперативного управления существенно
отличаются друг от друга. Так, например, процессы оперативного управ-
ления могут быть на несколько порядков более быстрыми по сравнению
с процессами эволюционного управления.
Важнейшей задачей теории и практики управления является по-
строение модели ОУ, т.е. формализация закономерностей функциони-
рования объекта. На основе этой модели определяются структура, алго-
ритмы и параметры СУ, выбираются аппаратно-программные средства
реализации системы. Одним из эффективных методов построения мо-
дели сложного объекта является идентификация. Широкое развитие в
настоящее время работ по формализации процессов и построению их
моделей во многих областях исследований (технике, экономике, социо-
логии и т. д.) преследуют две основные цели. Первая из них связана со
значительным увеличением возможностей изучения на базе ЭВМ слож-
ных процессов функционирования различных объектов при помощи ме-
тода моделирования, для чего необходимо математическое описание
исследуемого процесса. Не меньшее значение в технических системах
имеют модели, используемые для достижения второй цели, т.е. приме-
няемые непосредственно в контуре управления объектами.
Эволюционные и десиженсные модели. Невозможность ограни-
читься только одной универсальной моделью связана с тем, что, с одной
стороны, перед этими моделями ставятся различные цели, а с другой
стороны, они описывают процессы, протекающие в различных масшта-
бах времени, причем степень полноты модели, ее соответствие реаль-
ному объекту зависят от целей, для которых эта модель используется.
Модели первого типа (эволюционные) имеют в основном гносеоло-
гический характер, от них требуется тесная связь с методами той кон-
кретной области знаний, для которой они строятся. Модели такого типа
являются достаточно «инерционными» в своем развитии, так как отра-
жают эволюцию в конкретной области знаний.
Модели второго типа (десиженсные) имеют информационный ха-
рактер и должны соответствовать конкретным целям по принятию реше-
ний по управлению объектом, который они описывают.
Деление на гносеологические (эволюционные) и информационные
(десиженсные) модели достаточно условно, но оно удобно для отраже-
 94

ния целей моделирования. В информационных моделях, используемых

непосредственно для принятия решений в СУ, требование оперативно-
сти является одним из основных. Оно вызвано тем, что при каждом воз-
действии на ОУ необходимо в модели учесть действительные измене-
ния, происшедшие в объекте, и внешние возмущения, на основе кото-
рых рассчитывается управление. Это требование оперативности, т.е.
необходимость работы такой модели в РМВ, часто ведет к отказу от
сложных и точных моделей, к разработке робастных алгоритмов по-
строения моделей, использование которых в СУ обычно ведет к постав-
ленной цели.
Построение информационной модели методами идентификации
должно быть направлено на ликвидацию этого разрыва и разработку
методов оперативного получения модели ОУ. При этом методы иденти-
фикации должны предусматривать использование ЭВМ для решения
задач построения информационной модели.
Отсутствие формальных методов перехода от гносеологических
моделей к информационным в современной теории управления не дает
возможности получить по имеющейся информации адекватное описа-
ние, необходимое для создания СУ. Но учет сведений, содержащихся в
гносеологических моделях, может значительно увеличить объем апри-
орной информации о рассматриваемом ОУ.
Поставив цель построения гносеологической модели процесса
функционирования системы S для получения необходимой априорной
информации для построения эффективной СУ и сузив класс объектов
моделирования до конкретного, т.е. до поведения конкретной системы
S, решим задачу построения прикладной теории эволюционного и деси-
женсного моделирования, позволяющей эффективно (в реализационном
аспекте) перейти от гносеологических («исследовательских») моделей к
информационным («управленческим») моделям. Наиболее просто такой
переход можно совершить, если оба этих класса моделей будут базиро-
ваться на единую концептуальную модель, использовать единую систе-
му информации (базу знаний) и иметь единую критериальную систему.
Рассмотрим сначала особенности гносеологических и информаци-
онных моделей. Вопрос применимости некоторой математической мо-
дели к изучению рассматриваемого объекта не является чисто матема-
тическим вопросом и не может быть решен математическими методами.
Только критерий практики позволяет сравнивать различные гипотетиче-
ские модели и выбрать из них такую, которая является наиболее про-
стой и в то же время правильно передает свойства изучаемого объекта,
т.е. системы S. Ориентируясь на общие вопросы методологии модели-
рования сложных технических систем, сформулируем требования к при-
кладной теории моделирования, а точнее – к элементам этой теории в
ее приложении для решения конкретно поставленной задачи.
 95

Эта задача ставится следующим образом. Необходимо сначала

построить и реализовать на ЭВМ эволюционную модель процесса функ-
ционирования системы S, полученную в ходе стратегической идентифи-
кации ОУ, а затем на ее базе построить десиженсную модель, исполь-
зуемую для решения практических задач оперативного управления в
адаптивной СУ сетью. Или, используя терминологию теории идентифи-
кации, необходимо построить конкретную дискретную адаптивную сис-
тему управления с идентификатором и предсказателем (комбинирован-
ную) в цепи обратной связи (ДАСК), т.е. реализовать сначала стратеги-
ческий идентификатор, а затем на его базе тактический оперативный
идентификатор и предсказатель, рассматривая в качестве ОУ не реаль-
ную систему S, а машинную модель процесса ее функционирования.
Таким образом, можно поставленную задачу трактовать и как зада-
чу автоматизации исследования объекта (машинной модели Мм) для
целей синтеза тактической и оперативной модели, используемой непо-
средственно в контуре управления системой S, а затем для проверки
эффективности управления в целом.
Задачу прикладной теории моделирования сформулируем, исходя
из тех требований, которые будет предъявлять к ней пользователь (ис-
следователь, разработчик системы S), проводящий эксперименты с про-
цессами функционирования S и ее элементов для решения конкретной
прикладной задачи. В таком контексте основной задачей при решении
проблем управления является выбор моделей на уровне оперативного
управления, сохраняющих при этом существенные для СУ черты S с
учетом ограничений реализации в РМВ (особенно при оперативном
управлении). В дальнейшем модель, практически реализуемую с учетом
ограниченности ресурсов, будем называть трактабельной.
Таким образом, помимо теоретических вопросов построения моде-
ли вообще будем рассматривать вопросы трактабельности модели, свя-
занные с формальным представлением ее описания, его упрощением,
проверкой адекватности упрощенной модели и т. д. Тот факт, что моде-
лируемая система S существует лишь как замысел разработчика, вносит
в проблему разработки такой теории значительные трудности. В частно-
сти, не удается непосредственно проверить адекватность модели про-
цесса функционирования системы S с помощью реального объекта.
Частично эта трудность устраняется путем проведения натурных экспе-
риментов с элементами S. Ряд существенных трудностей возникает из-
за неполноты исходной информации об объекте моделирования. Боль-
шой объем знаний о системах и их элементах, накопленный к настоя-
щему времени, подлежащий объединению в рамках теории моделиро-
вания и несоизмеримый с познавательными возможностями одного ис-
следователя, выдвигает необходимость организации и детализации та-
ких знаний (теории) в систему, затрагивающую лишь существенно огра-
 96

ниченное число объектов при сохранении общности подхода. При этом

развитие отдельных методов статистического моделирования, языков
моделирования, теории планирования машинных эксперименов и т.д.
оказывается недостаточным. Создание прикладной теории, обеспечи-
вающей конкретные потребности разработчика модели и охватывающей
весь процесс моделирования в широком смысле этого слова, требует
системного подхода и прежде всего установления основ теории: понятий
об объекте, предмете, содержании, структуре и логике теории.
Объектом прикладной теории является непосредственно процесс
моделирования поведения системы S, т. е. процесс перехода от моде-
лируемого объекта (системы S) сначала к статической модели SS , ис-
пользуемой при стратегической идентификации, а затем и к динамиче-
ской модели DS, непосредственно используемой при оператив- ном
управлении с использованием методов и алгоритмов СУ. При этом ори-
ентируются на критериальную систему К. Такой переход осуществляет-
ся через описание (концептуальную модель), фиксирующее сведения об
объекте S в понятиях языка L (терминах типовых математических схем).
При выборе математической схемы моделирования М вводится также
понятие среды S, позволяющее использовать информацию прикладного
характера J о целях моделирования, законах функционирования систе-
мы S, имеющемся математическом аппарате и т.д. для исследования
методов и алгоритмов управления системой А. Таким образом, так как
объектом данной прикладной теории моделирования является процесс
моделирования, то возникает необходимость в построении и изучении
«модели моделей», или репромодели RM (от англ. reproduce – воспро-
изводить, делать копию, порождать). Репромодель представляет собой
упрощенный и наглядный прототип создаваемых моделей, используе-
мых в СУ, и дает возможность эффективного приближения к таким мо-
делям с максимальным использованием априорной и оперативной ин-
формации о поведении системы S, поступающей в процессе ее функ-
ционирования. После того как сформулирована концептуальная модель
С и введены понятия компонент сред S, основное содержание элемен-
тов прикладной теории моделирования для управления системой соста-
вят компоненты М, А, SS и DS (критерий К считается заданным), причем
переход от М к SS составит статику моделирования, а переход от М к
множеству DS с привлечением информации из компонент SS и А – дина-
мику моделирования. Движение в пространстве статических моделей
процесса функционирования системы SS называют эволюцией (или эво-
люционным моделированием), а движение в пространстве динамиче-
ских (активных) моделей DS, используемых в контуре управления,— са-
моорганизацией (или моделированием с самоорганизацией). Важно от-
метить, что компоненты объекта теории L, С, Е (компоненты окружаю-
щей среды), М имеют искусственное происхождение, базирующееся на
 97

эвристических представлениях, и могут при необходимости изменяться

(развиваться) в интересах самой прикладной теории. Это существенно
отличает прикладную теорию моделирования от естественно-научных
теорий.
Содержание прикладной теории моделирования охватывает две
части: базис теории, включающей систему эвристических принципов,
полученных при обобщении имеющегося опыта моделирования сложных
объектов вообще, и тело теории, содержащее эвристические правила
машинной реализации конкретных моделей процесса функционирова-
ния S. Предложения теории, относящиеся к компонентам М, A, SS и DS
или возможным переходам между ними, содержат множество условий,
позволяющих точно их сформулировать лишь для простейших случаев.
В пределе предложения сводятся к описанию фактов, относящихся к от-
дельным реализациям процесса моделирования, которые назовем пре-
цедентами Рг. Отметим, что Рг составляют эмпирическую основу при-
кладной теории моделирования, а множество {Рг}, классифицированное
по условиям, может рассматриваться как обобщенное предложение
теории, содержащее весь зафиксированный в {Рг} опыт моделирования
сложных систем вообще. Более определенные предложения теории мо-
гут быть получены на основе системного подхода с детализацией ре-
промодели по этапам построения и реализации SS и DS, когда ставятся
различные цели при моделировании процессов в системе S. В общем
случае репромодель, т.е. ее базис, задается множеством принципов
{Пг}, определяющих желаемые свойства моделей и другие ограничения.
Использование {Пг} регламентируется предложениями теории, относя-
щимися к ограниченному множеству обобщенных ситуаций. Поиск этих
ситуаций в множестве известных {Рг} позволяет накопить необходимые
факты в количестве, достаточном для формулировки обобщенных пред-
ложений. Говоря о прикладной теории моделирования с системных по-
зиций, невозможно обойти ее реализационный аспект. В теории это от-
ражено введением понятия трактабельности модели, т.е. ее реализуе-
мости в рамках принятых ресурсных ограничений (например, на опера-
тивную память и быстродействие ЭВМ). Особенно важна трактабель-
ность десиженсных моделей, непосредственно используемых в СУ, так
как часто от нее зависит эффективность конкретного метода и алгорит-
ма управления (а иногда и возможность его использования вообще). Во-
просы трактабельности модели ставятся во главу угла при проведении
стратегического и тактического планирования машинных экспериментов.
Трактабельность модели достигается выполнением набора практиче-
ских правил реализации модели {Рг}, которые и составляют тело при-
кладной теории моделирования. Таким образом, в конечном итоге мно-
жество прецедентов(Рг) выражается через меньшее число эвристиче-
ских принципов {Пг} и практических правил реализации {Рг} (базис и те-
 98

ло теории). Это позволяет считать репромодель и систему [{Пг}, {Рг}] ос-

новой «системного» аспекта прикладной теории моделирования. При
практическом применении неизбежно объединение «прецедентного» и
«системного» аспектов теории моделирования на основе логического
понятия дополнительности. Это способствует сужению общей проблемы
моделирования за счет введения в прикладную теорию компоненты А.
Для обеспечения возможности развития репромодель должна строиться
как открытая система, т. е. с соблюдением принципов архитектуры от-
крытых систем, что нашло свое отражение при машинной реализации
моделей. Относительно логики прикладной теории моделирования от-
метим, что она опирается на индуктивный подход, т.е. обобщение и
классификацию множества прецедентов {Рг}, оставляя место для дедук-
тивного подхода в рамках конкретных математических схем М.
Одной из центральных проблем теории управления является про-
блема управления динамическими объектами в условиях неопределен-
ности, т. е. проблема построения адаптивных СУ. Принцип работы этих
систем основан на изменении параметров и структуры в результате на-
блюдения и обработки текущей информации так, чтобы адаптивная или
обучающая система с течением времени улучшила свое функциониро-
вание, достигая в конечном итоге оптимального состояния. В адаптив-
ных СУ недостаток априорной информации компенсируется благодаря
целенаправленной обработке текущей информации.
Под адаптацией понимается процесс изменения структуры, алго-
ритмов и параметров системы S на основе информации, получаемой в
процессе управления с целью достижения оптимального (в смысле при-
нятого критерия) состояния или поведения системы при начальной не-
определенности и изменяющихся условиях работы системы во взаимо-
действии с внешней средой Е. Адаптация использует обучение и само-
обучение для получения в условиях неопределенности информации о
состояниях и характеристиках объекта, необходимой для оптимального
управления. Обучение понимается как процесс выработки в некотором
объекте тех или иных свойств его реакции на внешние воздействия пу-
тем многократных испытаний и корректировок. Самообучение отличает-
ся от обучения отсутствием внешней корректировки. Характерная черта
адаптации – текущее накопление информации о процессе функциониро-
вания системы S и внешней среды Е и ее использование для улучшения
избранного показателя качества. Процесс накопления информации свя-
зан с затратами времени, что в итоге приводит к запаздыванию в полу-
чении системой управления информации, необходимой для принятия
решений. Это существенно снижает эффективность работы систем
управления в реальном масштабе времени. Поэтому актуальной явля-
ется задача прогнозирования состояний (ситуаций) системы S и внеш-
ней среды Е и характеристик (поведения) системы S для адаптивного
 99

управления. Такой прогноз может быть выполнен при использовании

методов моделирования в системе управления в реальном масштабе
времени.
Виды используемых моделей. Выделяются два направления в тео-
рии и практике построения адаптивных СУ – создание систем с эталон-
ной моделью (АСЭМ) и с идентификацией объекта управления (АСИ). В
АСИ сначала осуществляется идентификация объекта, а затем по оцен-
кам его параметров определяются параметры управляющего устройст-
ва, а в АСЭМ осуществляется подстройка параметров управляющего
устройства так, чтобы замкнутая система была близка к эталонной мо-
дели. ДАС можно подразделить на два типа: непрямые ДАС, в которых
параметры управляющего устройства определяются по оценкам пара-
метров объекта с помощью некоторого вычислительного устройства, и
прямые ДАС, в которых параметры управляющего устройства опреде-
ляются непосредственно, без вычислительного устройства. К непрямым
ДАС относятся системы с идентификатором в контуре адаптации (ДА-
СИ), а к прямым – системы с предсказателем (ДАСП) в контуре. В соот-
ветствии с этой классификацией ДАС, используемые для управления
процессами в таком сложном объекте, как информационная система S,
можно отнести к непрямым комбинированным (ДАСК), так как в адаптив-
ной системе управления S имеют место идентификатор и предсказа-
тель, реализуемые с помощью вычислительных устройств, причем ком-
бинирование понимается как в смысле использования ДАСИ и ДАСП,
так и в смысле использования принципов АСИ и АСЭМ. Создание и раз-
витие теории ДАС обусловлено прежде всего неполнотой априорной
информации о процессе функционирования исследуемого объекта.
Именно от объема априорной информации зависит и математическая
постановка задачи, а часто этим определяется не только подход, но и
метод ее решения. Исходя из того, что элементы ИС часто являются
мало изученными объектами, т.е. практически отсутствуют априорные
сведения о них, напрашивается вывод о необходимости построения не-
параметрических ДАС. Но для такой сложной системы, как ИС, следует
отметить возникающие существенные трудности при использовании не-
параметрической адаптации для всей системы, т. е. при практическом
рассмотрении ОУ как «черного ящика»: сложность методов и громозд-
кость алгоритмов адаптивного управления и, как следствие, их практи-
ческая нереализуемость с учетом ограничений вычислительных ресур-
сов ИС, а часто и необходимости управления в РМВ. В ряде случаев бо-
лее перспективен параметрический подход к решению проблемы адап-
тивного управления при максимальном использовании априорной ин-
формации об ОУ и процессе его функционирования. Поэтому примени-
тельно к проблеме построения ДАС сложными объектами в ИС можно
сделать следующий вывод: на каждом из уровней необходимо исполь-
 100

зовать те методы адаптации, которые позволяют достичь наиболее эф-

фективного управления в каждом конкретном случае.
Идентификация процессов. Как уже отмечалось, одно из важней-
ших направлений в области идентификации и управления связано с
дискретными АС, содержащими в контуре управления идентификатор, т.
е. ДАСИ. Процесс идентификации, осуществляемый в ДАСИ, условно
разделяется на два этапа, на каждом из которых информация для ре-
шения задачи идентификации поступает непосредственно с ОУ в виде
реализаций входных и выходных переменных. Первый этап связан с
решением задачи идентификации в широком смысле, или задачи стра-
тегической идентификации. Сюда относятся построение концептуальной
модели, выбор информативных переменных, оценка степени стацио-
нарности объекта, выбор структуры и параметров модели, оценка точ-
ности и достоверности модели реальному объекту. Второй этап преду-
сматривает текущую идентификацию – уточнение модели в связи с те-
кущими изменениями объекта и внешних воздействий; здесь обычно
решаются задачи идентификации в узком смысле, т.е. задачи оценки
поведения объекта или его состояний. В целом ДАСИ обладают рядом
важных практических достоинств: автоматизация идентификации, объе-
динение процессов идентификации и управления, универсальность, вы-
сокая надежность. Для сложных объектов трудоемкость процесса иден-
тификации соизмерима с трудоемкостью процесса проектирования сис-
темы. Объединение процессов идентификации и управления сокращает
сроки создания и освоения системы в результате параллельного прове-
дения работ и, кроме того, позволяет оперативно компенсировать теку-
щие изменения характеристик объекта и воздействий внешней среды в
процессе функционирования.
Использование моделирования для получения прогноза при приня-
тии решений в СУ в реальном масштабе времени выдвигает на первое
место задачу выполнения ограничения на ресурс времени моделирова-
ния процесса функционирования системы. Другой особенностью явля-
ется ограниченность вычислительных ресурсов, т.к. такие СУ, а следо-
вательно, и машинные модели, реализуются, как правило, на базе мини-
и микроЭВМ, когда имеется ограничение по быстродействию и объему
памяти. Кроме того, следует учитывать, что достоверность и точность
решения задачи моделирования (прогнозирования ситуаций или пове-
дения) системы существенно зависят от количества реализаций N, кото-
рые затрачены на получение статистического прогноза. Т.о., возникает
проблема поиска компромисса между необходимостью увеличения за-
трат времени на моделирование для повышения точности и достовер-
ности результатов моделирования, и необходимостью уменьшения за-
трат машинного времени из условий управления в РМВ.
 101

Лекция № 16. Модели с нечеткой логикой.

Теория нечетких множеств, основные идеи которой были предло-

жены американским математиком Лотфи Заде (Lotfi Zadeh), позволяет
описывать качественные, неточные понятия и наши знания об окружаю-
щем мире, а также оперировать этими знаниями с целью получения но-
вой информации. Основанные на этой теории методы построения ин-
формационных моделей существенно расширяют традиционные облас-
ти применения компьютеров и образуют самостоятельное направление
научно-прикладных исследований, которое получило специальное на-
звание – нечеткое моделирование.
В последнее время нечеткое моделирование является одной из
наиболее активных и перспективных направлений прикладных исследо-
ваний в области управления и принятия решений. Нечеткое моделиро-
вание оказывается особенно полезным, когда в описании технических
систем и бизнес-процессов присутствует неопределенность, которая за-
трудняет или даже исключает применение точных количественных ме-
тодов и подходов. В области управления техническими системами не-
четкое моделирование позволяет получать более адекватные результа-
ты по сравнению с результатами, которые основываются на использо-
вании традиционных аналитических моделей и алгоритмов управления.
Диапазон применения нечетких методов с каждым годом расширяется,
охватывая такие области, как проектирование промышленных роботов и
бытовых электроприборов, управление доменными печами и движением
поездов метро, автоматическое распознавание речи и изображений. Не-
четкая логика, которая служит основой для реализации методов нечет-
кого управления, более естественно описывает характер человеческого
мышления и ход eгo рассуждений, чем традиционные формально-
логические системы. Именно поэтому изучение и использование мате-
матических средств для представления нечеткой исходной информации
позволяет строить модели, которые наиболее адекватно отражают раз-
личные аспекты неопределенности, постоянно присутствующей в окру-
жающей нас реальности.
Исторически изучением и разработкой моделей, учитывающих не-
определенность того или иного вида, занимаются многие математиче-
ские дисциплины, такие как теория вероятностей, теория информации,
математическая статистика, теория игр, теория массового обслуживания
и теория нечетких множеств. Стохастическая неопределенность имеет
место в ситуациях, когда некоторое хорошо описанное событие может
произойти, а может не произойти. При этом с течением времени степень
неопределенности, связанная с этим событием, может измениться. До-
полнительно необходимо принять некоторые предположения от-
носительно условий, при которых рассматривается данное событие. Эти
 102

условия, как правило, характеризуют так называемый идеальный экспе-

римент. Напротив, лингвистическая неопределенность связана с неточ-
ностью описания самой ситуации или события независимо от времени
их рассмотрения. Теория вероятностей не может использоваться для
решения подобных проблем, поскольку представления о субъективных
категориях, присутствующих в процессах мышления человека, в полной
мере не согласуются с ее аксиомами.
Правила нечеткого условного вывода, введенные Заде для при-
ближенного управления, успешно применяются для синтаксического и
лингвистического управления, используемого человеком-оператором.
Работы Мамдани (Mamdani) – это первая попытка применить нечеткую
логику для разработки нечетких контроллеров. Вопреки традиционным
управляющим алгоритмам, нечеткие контроллеры основаны на лингвис-
тических правилах вывода. Нечеткий контроллер представляет собой
алгоритм, который преобразует лингвистическую управляющую страте-
гию, базирующуюся на экспертных данных, в стратегию автоматизиро-
ванного управления. В сферах управления, в которых присутствует че-
ловек, применение нечетких контроллеров приносит лучшие результаты,
чем использование традиционных алгоритмов управления. Идея, на ко-
торой основана нечеткая логика, – это человеческий опыт, выраженный
в форме лингвистических правил.
В общем случае под нечеткой моделью понимается информацион-
но-логическая модель системы, построенная на основе теории нечетких
множеств и нечеткой логики. Таким образом, отдельными этапами про-
цесса нечеткого моделирования являются:
1. Анализ проблемной ситуации.
2. Структуризация предметной области и построение нечеткой
модели.
3. Выполнение экспериментов с нечеткой моделью.
4. Применение результатов вычислительных экспериментов.
5. Коррекция или доработка нечеткой модели.
Неопределенность может характеризовать:
– неясность или нечеткость границы системы. Так, например, при
использование дихотомических признаков "высокий - низкий", "большой -
маленький", "дорогой - дешевый", "быстрый - медленный" и подобных им
для определения состава элементов системы сталкиваются с принципи-
альной трудностью представления структуры модели системы;
– неполнота модельных представлений о некоторой сложной сис-
теме, особенно в связи с решением слабо формализуемых проблем;
– противоречивость отдельных компонентов модельных представ-
лений или требований, которым должна удовлетворять модель сложной
системы. Так, например, требование решить проблему за минимальное
время и с минимальными финансовыми затратами содержит в себе
 103

элемент противоречия;
– неопределенность наступления тех или иных событий,
относящихся к возможности нахождения системы-оригинала в том или
ином состоянии в будущем. Речь идет о том, что анализ процесса по-
ведения системы не дает оснований для однозначного ответа на вопрос:
"Будет ли находиться система-оригинал в некотором состоянии в
момент времени, который относится к ее будущему?" Этот аспект
неопределенности часто называют стохастическим, поскольку он
традиционно исследовался средствами теории вероятностей и матема-
тической
Т.о.,статистики.
нечеткая модель системы-оригинала, или нечеткая система в
первую очередь характеризуется неопределенностью типа неясности
(нечеткости) границы системы, а также, возможно, отдельных ее состоя-
ний, входных и выходных воздействий. Наличие в сложной многоуров-
невой иерархической системе управления одновременно различных ви-
дов неопределенности делает необходимым использование для приня-
тия решений теории нечетких множеств, которая позволяет адекватно
учесть имеющиеся виды неопределенности.
Нечеткие множества. Функции принадлежности.
Понятие нечеткого множества основано на предположении, что
любой элемент лишь в некоторой степени принадлежит данному множе-
ству. Основной способ описания нечеткого множества – определение
степени принадлежности его элементов числом интервала [0,1]: 1 –
”принадлежит”; 0 –”не принадлежит”.
Нечеткое множество (НМ) А ⊆ U – это совокупность пар вида
(u,μA(u)), где u∈U: μА(u): U→[0,1], μА(u) – функция принадлежности (ФП).
Носителем НМ А (Supp A) с ФП μA(u) называется четкое множест-
во вида Supp А = {u|u∈U, μA(u) > 0}.
Нечеткий синглтон – это нечеткое множество, носителем которо-
го является единственная точка из множества U, т.е. любое нечеткое
множество А – объединение составляющих его одноточечных множеств
синглтонов:
A = μА(u)/u , ∀ u ∈U.
Обобщением носителя НМ является понятие множества α-уровня,
под которым понимается обычное множество Аα, удовлетворяющее ус-
ловию:
A α ={ x∈ X μ Α ( x ) ≥ α }, α ∈ [0, 1].
Ядром НМ называется такое обычное множество А0, элементы ко-
торого удовлетворяют условию:
A α ={ x∈ X μ Α ( x ) ≥1 }, α ∈ [0, 1].
Границами НМ называются такие элементы универсума, для кото-
рых значения ФП отличны от 0 и 1 (рис. 16.1).
 104

Рис. 16.1. Характеристики НМ

Формальное определение нечеткого множества не накладывает
никаких ограничений на выбор конкретной функции принадлежности для
его представления. Однако на практике удобно использовать те из них,
которые допускают аналитическое представление в виде некоторой про-
стой математической функции. Это упрощает не только соответствую-
щие численные расчеты, но и сокращает вычислительные ресурсы, не-
обходимые для хранения отдельных значений этих функций принадлеж-
ности. Необходимость типизации отдельных функций принадлежности
также обусловлена наличием реализаций соответствующих функций в
рассматриваемых далее инструментальных средствах.
Кусочно-линейные ФП. Наиболее характерным примером таких
функций являются "треугольная" и "трапециевидная" (рис. 16,2).

а б
Рис. 16.2. "Треугольная" (а) и "трапециевидная" (б) ФП
"Треугольная" функция принадлежности в общем случае может
быть задана аналитическим выражением:
⎧ 0, x<a ;
⎪ x−a
⎪ , a ≤ x <b ;
⎪ b−a
fΔ ( x ;a ,b ,c ) = ⎨ (16.1)
⎪ c− x , b ≤ x < c ;
⎪ c −b
⎪ 0, x≥c ,
⎩
где a, b, c – некоторые числовые параметры: a ≤ b ≤ c.
 105

"Трапециевидная" функция принадлежности:

⎧ 0, x<a ;
⎪ x −a
⎪ , a ≤ x <b ;
⎪⎪ b − a
fΤ ( x ;a ,b ,c ,d ) = ⎨ 1 , b ≤ x < c ; (16.2)
⎪ d −x
⎪ , c≤ x<d ;
⎪ d −c
⎪⎩ 0 , x≥d ,
где a, b, c и d – некоторые числовые параметры: a ≤ b ≤ c ≤ d.
Z-образная ФП (рис. 16.3, а):
⎧ 1, x<a ;
⎪⎪ 1 1 x −a ⎞
fZ ( x ;a ,b ) = ⎨ + cos ⎛⎜ π ⎟ , a ≤ x <b ; (16.3)
⎪ 2 2 ⎝ b − a ⎠
⎪⎩ 0, x ≥b .
S-образная кривая (рис. 16.3, б):
⎧ 0, x<a ;
⎪⎪ 1 1 x −b ⎞
fS ( x ;a ,b ) = ⎨ + cos ⎛⎜ π ⎟ , a ≤ x <b ; (16.4)
⎪ 2 2 ⎝ b − a ⎠
⎪⎩ 1, x ≥b .

б
Рис. 16.3. Z-образная (а) и S-образная (б) ФП
 106

Z-образные ФП используются для представления таких свойств

НМ, которые характеризуются неопределенностью типа: «малое количе-
ство», «небольшое значение», «незначительная величина», «низкий
уровень цен или доходов» и т.п. Общим для всех таких ситуаций явля-
ется слабая степень проявления того или иного качественного или коли-
чественного признака.
S-образные ФП, напротив, используются для представления высо-
кой степени проявления качественного или количественного признака.
В качестве частных случаев Z и S-образных кривых удобно рас-
сматривать так называемую линейную Z-образную ФП и линейную S-
образную ФП.
П-образные функции принадлежности (рис. 16.4). К данному типу
функций принадлежности можно отнести целый класс кривых, которые
по своей форме напоминают колокол, сглаженную трапецию или букву
"П", например:
f Π ( x ;a ,b ,c ,d )= f S ( x ;a ,b )⋅ f Z ( x ;c ,d ) , (16.5)
(
f Π ( x ;σ ,c )= exp − ( x − c ) 2 ( 2 σ 2 ) ).
(16.6)
Последняя – хорошо известная в теории вероятностей функция
плотности нормального распределения в предположении, что 2 πσ =1 .

б
Рис. 16.4. Графики П-образных ФП: а – (16.5); б – (16.6)
 107

Лекция № 17. Математический аппарат нечеткой логики.

Операции над нечеткими множествами вычисляются различными

способами (см. табл. 17.1) и зависят от решаемой задачи (от смысла,
вкладываемого в эти операции).
Таблица 17.1 – Операции над нечеткими множествами
Операция Обозначение Функция принадлежности
Объединение А∪В (μA(u) ∨ μB(u))/u, u∈U
Пересечение А∩В (μA(u) ∧ μB(u))/u, u∈U
Дополнение (отрица- ¬A (1-μA(u))/u, u∈U
ние)
Концентрирование CON(A) (μA(u))2/u, u∈U
Растяжение DIL(A) (μA(u))0.5/u, u∈U
Нечеткая переменная определяется как кортеж α ,X ,Α , где α –
наименование нечеткой переменной, Х – область ее определения (уни-
версум), Α ={ x ,μ Α ( x ) } – нечеткое множество на Х, описывающее
возможные значения, которые может принимать нечеткая переменная α.
Лингвистическая переменная характеризуется набором
(x,T(x),U,G,M), где х – название переменной; T(x) – терм-множество пе-
ременной x, т.е. множество названий лингвистических значений пере-
менной X, причем каждое из таких значений является переменной X co
значениями из U с базовой переменной u; G – синтаксическое правило
(форма грамматики), порождающее название X значений переменной x;
M – семантическое правило, которое ставит в соответствие каждой не-
четкой переменной Х ее смысл M(X), т.е. НМ М(Х) универсального мно-
жества U.
Конкретное название Х, порожденное синтаксическим правилом G,
называется термом. Терм, состоящий из одного или нескольких слов,
всегда фигурирующих вместе друг с другом, называется атомарным
термом. Терм, состоящий из одного или более атомарных термов, на-
зывается составным термом.
Совокупность значений лингвистической переменной составляет
терм-множество этой переменной. К примеру, терм-множество пере-
менной “скорость” можно представить в следующем виде:
Т(скорость) = чрезвычайно высокая + довольно высокая + ...+ сред-
няя +... + чрезвычайно низкая.
Числовая переменная “скорость”, которая принимает значения 50,
60, 70, ..., 150 называется базовой лингвистической переменной. На-
пример, лингвистическое значение “низкая” можно интерпретировать как
название некоторого ограничения на значение базовой переменной.
Именно это ограничение считается смыслом лингвистического значения
“низкая” скорость.
 108

Если Х – название нечеткой переменной, то ограничение, обуслов-

ленное этим названием, можно интерпретировать как смысл нечеткой
переменной Х.
Лингвистическая переменная x структурирована, если ее терм-
множество T(x) и функцию М, которая ставит в соответствие каждому
элементу терм-множества его смысл, можно задать алгоритмически.
Нечеткое высказывание – это предложение, относительно которо-
го можно судить о степени его истинности либо ложности (в диапазоне
от 0 до 1). Нечеткое высказывание, имеющее значение степени истин-
ности, равное 0.5, называется индифферентностью.
В отличие от булевой логики, в теории нечетких множеств исполь-
зуется большое количество логических систем, которые позволяют
представить различные варианты человеческой интуиции при прибли-
женных рассуждениях.
Основные операции над нечеткими высказываниями представлены
в табл. 17.2 и определяются выбранной логической системой. В качест-
ве примера приведены KD- и L-логики.
Два высказывания a и b называются нечетко близкими, если сте-
пень истинности высказывания a↔b больше или равна 0.5.
Таблица 17.2 – Операции над нечеткими высказываниями
Обозна- Степень истинности
Операция
чение KD (Клиини-Дайнеса) L-логика Лукасевича
Отрицание ¬a 1-a 1-a
Конъюнкция a&b min(a,b) max(0,a+b-1)
Дизъюнкция a∨b max(a,b) min(1,a+b)
Импликация a→b (1-a)∨b = max(1-a,b) min(1,b+1-a)
Эквивалент- min(max(1-a,b), max(1- max(0,min(1,b+1-a) +
a↔b
ность b,a)) + min(1,a+1-b)-1)

Так же, как в классической математической логике, в нечеткой ло-

гике с помощью логических связок («и», «или») могут быть образованы
достаточно сложные нечеткие высказывания. При этом для явного ука-
зания порядка их следования используются круглые скобки, а иногда и
приоритет соответствующих нечетких логических операций.
Говоря об логических операциях с нечеткими высказываниями,
нельзя не сказать о наличии большого числа альтернативных способов
их определения. Особенно это относится к нечеткой импликации, кото-
рая занимает центральное место в системах нечеткого вывода.
Нечеткая импликация играет важную роль в процессе нечетких ло-
гических рассуждений. Так же, как и в математической логике первый ее
операнд (нечеткое высказывание) называется посылкой или антецеден-
том, а второй – заключением или консеквентом.
 109

Понятие нечеткоrо отношения (НО) наряду с понятием самого не-

четкоrо множества следует отнести к фундаментальным основам всей
теории нечетких множеств. На основе НО определяется целый ряд до-
полнительных понятий, используемых для построения нечетких моделей
сложных систем. Нечеткое отношение обобщает понятие обычноrо от-
ношения и часто заменяется терминами нечеткая связь, ассоциация,
взаимосвязь или соотношение.
НО – это “мера” или степень, с которой объекты окружающего мира
находятся в данном соотношении друг с другом. Нечеткие отношения
выражают причинно-следственные связи между объектами и явлениями.
Нечетким отношением R на множестве U называется нечеткое
подмножество декартова произведения U×U c ФП μR: U×U → [0,1] (μR:
U×U →L), где μR(u,u) – некоторая субъективная мера выполнения отно-
шения:
R ={ x 1 ,x 2 ,Kx k ,μ R ( x 1 ,x 2 ,Kx k ) }.
Обычное отношение – это частный случай нечеткого отношения с
ФП = {0,1}.
Основные операции над нечеткими отношениями представлены в
табл. 17.3.
Таблица 17.3 – Операции над нечеткими отношениями
Операция Обозначение Функция принадлежности
Пересечение μP∩Q(u,v) μP(u,v) ∧μQ(u,v), ∀u,v∈U×U
Объединение μP∪Q(u,v) μP(u,v) ∨μQ(u,v), ∀u,v∈U×U
Дополнение μ⎤R(u,v) 1 – μR(u,v), ∀u,v ∈ U×U
–1
Обратное отношение μR (u,v) μR(v,u), ∀u,v ∈ U×U

Способы задания нечетких отношений (рис. 17.1):

1) В форме списка с явным перечислением всех кортежей нечетко-
го отношения и соответствующих им значений функции принадлежности:
{ }
Q = w ,μ Q ( w ) .
2) Аналитически в форме некоторого математического выражения
для соответствующей функции принадлежности этого нечеткого отно-
шения. Этот способ может быть использован для задания произвольных
нечетких отношений как с конечным, так и с бесконечным числом корте-
жей.
3) Графически в форме некоторой поверхности или совокупности
отдельных точек в трехмерном пространстве.
4) В форме матрицы НО. Этот способ основан на представлении
нечеткого бинарного отношения с конечным числом кортежей в форме
матрицы MQ, строки которой соответствуют первым элементам корте-
жей, а столбцы – вторым элементам кортежей НО. При этом элемента-
 110

ми матрицы являются соответствующие значения ФП данного отноше-

ния. Если бинарное НО задается на одном универсуме, то матрица тако-
го отношения является квадратной.
5) В форме так называемого нечеткого графа, который формально
может быть задан в виде двух обычных конечных множеств и некоторой
ФП: G ={V ,E ,μ G } , где V – множество вершин нечеткого графа, E –
множество дуг, μ G – ФП дуг данному нечеткому графу. При этом дуги с
нулевой ФП обычно не изображаются.

а б
Рис. 17.1. Матрица (а) и граф (б) нечеткого отношения

Если заданы нечеткие бинарные отношения Q и R, причем НО

{
Q = x i ,x j ,μ Q (
x i ,x j )}
задано на декартовом произведении
{
универсумов X 1 × X 2 , а НО R = x j ,x k ,μ R ( x j ,x k )} – на де-
картовом произведении универсумов X 2 × X 3 , то нечеткое бинарное
отношение Q⊗ R , заданное на декартовом произведении X 1 × X 3 , на-
зывается композицией бинарных НО, а его функция принадлежности оп-
ределяется одним из выражений, приведенных в табл. 17.4.
Таблица 17.4 – Композиции нечетких отношений
Операция композиции Обозначе- Функция принадлежности
ние
Максминная μP ° Q(u,w) sup min {μP(u,v) ,μQ(v,w) } для u∈ U
Минимаксная μP • Q(u,w) inf max {μP(u,v) ,μQ(v,w) } для v∈ U
Макси- μP ⊕ Q(u,w) sup {μP(u,v) ×μQ(v,w) } для v∈ U
мультипликативная
Макси-⊗ композиция μP ⊗ Q(u,w) sup {μP(u,v) ⊗ μQ(v,w) } для v∈ U
 111

Лекция № 18. Правила нечеткой продукции.

Продукционные системы были разработаны в рамках исследова-

ний по методам искусственного интеллекта и нашли широкое примене-
ние для представления знаний и вывода заключений в экспертных сис-
темах, основанных на правилах. Поскольку нечеткий вывод реализуется
на основе нечетких продукционных правил, рассмотрение базового
формализма нечетких продукционных моделей при обретает самостоя-
тельное значение. При этом нечеткие правила продукций не только во
многом близки к логическим моделям, но и, что наиболее важно, позво-
ляют адекватно представить практические звания экспертов в той или
иной проблемной области. В общем случае под правилом нечеткой про-
дукции или просто нечеткой продукцией понимается выражение вида:
( i ):Q ;P ;Α ⇒ Β ;S ,F ,N ,
где (i) – имя нечеткой продукции; Q – сфера применения нечеткой про-
дукции; P – условие применимости ядра нечеткой продукции; Α ⇒ Β –
ядро нечеткой продукции, в котором A – условие ядра (антецедент); B –
заключение ядра (консеквент); «⇒» – знак логической секвенции (или
следования); S – метод или способ определения количественного зна-
чения степени истинности заключения ядра; F – коэффициент опреде-
ленности или уверенности нечеткой продукции; N – постусловия продук-
ции.
По аналогии с обычным правилом продукции, в качестве имени (i)
нечеткой продукции может выступать та или иная совокупность букв или
символов, позволяющая однозначным образом идентифицировать не-
четкую продукцию в системе нечеткого вывода или базе нечетких пра-
вил. В качестве имени нечеткой продукции может использоваться ее
номер в системе. Сфера применения нечеткой продукции Q, условие
применимости ядра нечеткой продукции Р и постусловие нечеткой про-
дукции N определяются аналогично обычной продукции. Продукционная
система или система правил продукций представляет собой некоторое
согласованное множество отдельных продукций (или правил продукций
в форме "ЕСЛИ А, ТО В").
Сфера применения продукции Q описывает явно или неявно пред-
метную область знания, которую представляет отдельная продукция.
Условие применимости ядра продукции Р представляет собой логиче-
ское выражение (как правило, предикат). Если оно присутствует в про-
дукции, то активизация ядра продукции становится возможной только в
случае истинности этого условия. Во многих случаях этот элемент про-
дукции может быть опущен или введен в ядро продукции.
Ядро продукции А ⇒ В, как следует уже из его названия, является
центральным компонентом продукции. Наиболее часто ядро продукции
читается как "ЕСЛИ А, ТО В", где А и B – некоторые логические выраже-
 112

ния, которые в том или ином контексте могут принимать значения от 0

до 1.
Постусловие продукции N описывает действия и процедуры, кото-
рые необходимо выполнить в случае реализации ядра продукции, т. е.
получения информации об истинности В. Характер этих действий может
быть самым различным и отражать вычислительный или иной аспект
продукционной системы.
Системы продукций нашли широкое практическое применение при
построении экспертных систем, которые формализуют опыт экспертов в
некоторой проблемной области. Принимая решение, многие специали-
сты оперируют знаниями именно в форме правил вида "ЕСЛИ "некото-
рое условие" ТО "заключение". При этом в качестве условий выступают
известные факты, отражающие конкретно сложившуюся ситуацию в
проблемной области на текущий момент времени. Что касается заклю-
чения, то его вывод или подтверждение оказывает непосредственное
влияние на процедуру принятия решения по изменению сложившейся
ситуации в необходимом направлении. Т.о., система правил продукций
представляет собой некоторое согласованное множество отдельных
правил продукций. Такая система служит составной частью систем
управления в случае их реализации в форме продукционных экспертных
систем. В этом случае построение системы правил продукций или базы
правил является важным этапом разработки соответствующих систем,
который должен быть выполнен до начала их применения по целевому
назначению.
Наиболее известными являются два таких метода вывода заклю-
чений: прямой и обратный. Прямой метод вывода заключений в систе-
мах нечетких продукций, называемый также методом нечеткого восхо-
дящего вывода или методом прямой нечеткой цепочки рассуждений, ос-
нован на использовании нечеткого обобщения правила вывода модус
поненс FMP (нечеткий модус поненс: классическая импликация A ⊃ B в
правиле вывода МР заменяется на правило нечеткой продукции: «ЕСЛИ
х есть А, ТО у есть В», где А и В – нечеткие множества, а само правило
нечеткой продукции представляет некоторое нечеткое отношение между
переменными х и у, при этом х ∈ Х и у ∈ У. Посылка А правила заменя-
ется на нечеткое условие «х есть А*», где А* – нечеткое множество, от-
ражающее знания о реальном значении переменной х. Объединение
правила нечеткой продукции и нечеткого условия позволяет получить
новую информацию о значении переменной у в форме: «у есть В*». При
этом заключение по правилу FMP получается как функция принадлеж-
ности нечеткого множества В* на основе функции принадлежности усло-
вия А* и функции принадлежности нечеткой импликации как соответст-
вующего нечеткого отношения с использованием одного из методов не-
четкой композиции.
 113

Применительно к системам нечетких продукций прямой метод вы-

вода реализуется посредством преобразования отдельных фактов про-
блемной области в конкретные значения ФП условий нечетких продук-
ций. Эти значения ФП либо являются искомым результатом вывода, ли-
бо могут быть использованы в качестве дополнительных условий в рас-
сматриваемой базе правил.
Процесс вывода прямым методом в системах нечетких продукций в
общем случае может иметь рекурсивный (итеративный) характер. Он
может быть остановлен либо в случае отсутствия активных правил, либо
в случае получения ФП заключения, которое является целевым в кон-
тексте решения исходной проблемы.
Обратный метод вывода, называемый также методом нечеткого
нисходящего вывода или методом обратной нечеткой цепочки рассуж-
дений, основан на использовании нечеткого обобщения правила вывода
модус толленс FМТ: классическая импликация A ⊃ B в правиле вывода
МТ заменяется на правило нечеткой продукции: «ЕСЛИ х есть А, ТО у
есть В». Заключение В заменяется нечетким заключением в форме «яв-
ляется ли у В*?». При этом НМ В* не равно нечеткому множеству В, ис-
пользуемому в заключении правила нечеткой продукции. Целью вывода
является установление истинности условия правила нечеткой продукции
в форме: «является ли х А*». В этом случае заключение по правилу FMT
получается как ФП НМ А* на основе ФП заключения В* и ФП нечеткой
импликации как соответствующего нечеткого отношения с использова-
нием одного из методов нечеткой композиции.
Принципиальное различие между обратными методами вывода за-
ключений в нечетких и обычных системах продукций заключается в том,
что применительно к первым функции принадлежности условий неиз-
вестны и должны быть как-то заданы. процесс обратного вывода в сис-
темах нечетких продукций начинается с подстановки отдельных интере-
сующих нас значений ФП заключений в правые части соответствующих
правил, которые в этом случае становятся активными. После анализа
каждого из активных правил находятся ФП условий, которые использу-
ются в этих правилах. Эти ФП условий принимаются в качестве подце-
лей, которые могут быть использованы в качестве ФП новых заключений
в рассматриваемой базе правил.
Процесс вывода обратным методом также имеет рекурсивный
(итеративный) характер. Он может быть остановлен либо в случае от-
сутствия новых активных правил, либо в случае получения значений ФП
условий, которые подтверждаются фактами проблемной области. По-
добное подтверждение условий характеризует успех процесса вывода и
справедливость значений ФП исходных заключений.
 114

Лекция № 19. Этапы нечеткого вывода.

Основными этапами нечеткого вывода являются:

1. Формирование базы правил систем нечеткоrо вывода.
2. Фаззификация входных переменных.
3. Агрегирование подусловий в нечетких правилах продукций.
4. Активизация или композиция подзаключений в нечетких прави-
лах продукций.
5. Аккумулирование заключений нечетких правил продукций.
База правил нечетких продукций представляет собой конечное
множество правил нечетких продукций, согласованных относительно ис-
пользуемых в них лингвистических переменных. Наиболее часто база
правил представляется в форме структурированного текста:
ПРАВИЛО 1: ЕСЛИ «Условие 1» ТО «Заключение 1» (F1) …
ПРАВИЛО N: ЕСЛИ «Условие N» ТО «Заключение N» (FN).
Здесь через Fi обозначены коэффициенты определенности или ве-
совые коэффициенты соответствующих правил. Эти коэффициенты мо-
гут принимать значения из интервала [0, 1]. В случае, если эти весовые
коэффициенты отсутствуют, удобно принять, что их значения равны 1.
В системах нечеткого вывода лингвистические переменные, кото-
рые используются в нечетких высказываниях подусловий правил нечет-
ких продукций, часто называют входными ЛП, а переменные, которые
используются в нечетких высказываниях подзаключений правил нечет-
ких продукций, – выходными ЛП. Таким образом, при задании или фор-
мировании базы правил нечетких продукций необходимо определить:
множество правил нечетких продукций: P = {R1, R2,…, RN}, множество
входных лингвистических переменных: V = {β1, β2,…, βm} и множество
выходных лингвистических переменных: W={w1, w2,…, ws}. Тем самым
база правил нечетких продукций считается заданной, если заданы
множества Р, V, W.
В контексте нечеткой логики под фаззификацией понимается не
только отдельный этап выполнения нечеткого вывода, но и собственно
процесс или процедура нахождения значений функций принадлежности
нечетких множеств (термов) на основе обычных (не нечетких) исходных
данных. Целью этапа фаззификации является установление соответст-
вия между конкретным (обычно численным) значением отдельной вход-
ной переменной системы нечеткого вывода и значением ФП соответст-
вующего ей терма входной лингвистической переменной. После завер-
шения этого этапа для всех входных переменных должны быть опреде-
лены конкретные значения ФП по каждому из лингвистических термов,
которые используются в подусловиях базы правил системы нечеткого
вывода.
До начала этого этапа предполагаются известными конкретные
 115

значения всех входных переменных, т. е. множество значений V* = {α1,

α2,…, αm}.
Далее рассматривается каждое из подусловий вида «βi есть α*»
правил системы нечеткого вывода, rде α* некоторый терм с известной
ФП μ(x). При этом значение αi используется в качестве аргумента μ(x),
тем самым находится количественное значение bi* = μ(αi). Этап фаззи-
фикаuии считается законченным, коrда будут найдены все значения bi*
для каждого из подусловий всех правил, входящих в рассматриваемую
базу правил системы нечеткого вывода. Это множество значений обо-
значим через В = {bi*}.
Агрегирование представляет собой процедуру определения степе-
ни истинности условий по каждому из правил системы нечеткого вывода.
Формально процедура агрегирования выполняется следующим образом.
До начала этого этапа предполагаются известными значения истинности
всех подусловий системы нечеткого вывода, т. е. множество значений В
= {bi*}. Далее рассматривается каждое из условий правил. Если условие
правила представляет собой элементарное нечеткое высказывание, то
степень его истинности равна соответствующему значению bi*. Если же
условие состоит из нескольких подусловий, то определяется степень ис-
тинности bi" сложного высказывания. При этом значения bi* используют-
ся в качестве аргументов соответствующих логических операций. Тем
самым находятся количественные значения истинности всех условий
правил системы нечеткого вывода.
Этап агрегирования считается законченным, когда будут найдены
все значения bk" для каждого из правил Rk, входящих в рассматривае-
мую базу правил P системы нечеткого вывода.
Активизация в системах нечеткого вывода представляет собой
процедуру или процесс нахождения степени истинности каждого из под-
заключений правил нечетких продукций. Активизация в общем случае во
многом аналогична композиции нечетких отношений, но не тождествен-
на ей.
До начала этого этапа предполагаются известными значения ис-
тинности всех условий системы нечеткого вывода, т. е. множество зна-
чений В" = {b1", b2",…, bn"} и значения весовых коэффициентов Fi для ка-
ждого правила. Далее рассматривается каждое из заключений правил.
Если заключение правила представляет собой элементарное нечеткое
высказывание, то степень его истинности равна алгебраическому произ-
ведению соответствующего значения bi" на весовой коэффициент Fi. Ес-
ли же заключение состоит из нескольких подзаключений, то степень ис-
тинности каждого из подзаключений равна алгебраическому произведе-
нию соответствующего значения bi" на весовой коэффициент Fi. Таким
образом, находятся все значения ck степеней истинности подзаключений
для каждого из правил Rk, входящих в рассматриваемую базу правил Р
 116

системы нечеткого вывода. Это множество значений обозначим C = {c1,

c2,…, cq}, rде q – общее количество подзаключений в базе правил.
После нахождения множества C определяются функции принад-
лежности каждого из подзаключений для рассматриваемых выходных
лингвистических переменных. Для этой цели можно использовать один
из методов, являющихся модификацией того или иного метода нечеткой
композиции:
– min-активация: μ ′ ( y ) = min { c i ,μ ( y ) } ;
– prod-активация: μ ′ ( y ) = c i ⋅μ ( y ) ;
– average-активация: μ ′ ( y ) = 0.5 ( c i + μ ( y ) ) ,
где μ(у) – ФП терма, который является значением некоторой вы-
ходной переменной wj.
Этап активизации считается законченным, когда для каждой из вы-
ходных лингвистических переменных, входящих в отдельные подзаклю-
чения правил нечетких продукций, будут определены ФП нечетких мно-
жеств их значений.
Аккумуляция или аккумулирование в системах нечеткого вывода
представляет собой процедуру или процесс нахождения функции при-
надлежности для каждой из выходных лингвистических переменных
множества W. Цель аккумуляции заключается в том, чтобы объединить
или аккумулировать все степени истинности заключений (подзаключе-
ний) для получения ФП каждой из выходных переменных. Причина не-
обходимости выполнения этого этапа состоит в том, что подзаключения,
относящиеся к одной и той же выходной ЛП, принадлежат различным
правилам.
Формально процедура аккумуляции выполняется следующим об-
разом. до начала этого этапа предполагаются известными значения ис-
тинности всех подзаключений для каждого из правил Rk, входящих в
рассматриваемую базу правил P системы нечеткого вывода, в форме
совокупности нечетких множеств: С1, С2,…,Сq, где q – общее количество
подзаключений в базе правил. Далее последовательно рассматривается
каждая из выходных ЛП wj ∈ W и относящиеся к ней НМ: Сj1, Сj2,…,Сjq.
Результат аккумуляции для выходной ЛП wj определяется как объеди-
нение нечетких множеств Сj1, Сj2,…,Сjq.
Этап аккумуляции считается законченным, когда для каждой из вы-
ходных лингвистических переменных будут определены итоговые ФП
нечетких множеств их значений, т.е. совокупность НМ: С1*, С2*,…,Сs*, где
s – оющее количество выходных ЛП в базе правил системы нечеткого
вывода.
Дефаззификация представляет собой процедуру или процесс на-
хождения обычного (не нечеткого) значения для каждой из выходных ЛП
множества W.
 117

Для выполнения численных расчетов на этапе дефаззификации

могут быть использованы следующие формулы.
Центр тяжести или центроид площади:
Max Max
y = ∫ Min xμ ( x ) dx ∫ Min μ ( x ) dx или y = ∑ i =1 x i μ ( x i ) ∑ i =1μ ( x i ) .
n n

Центр площади:
u Max
y = u , ∫ Min μ ( x ) dx = ∫ u μ ( x ) dx .
Левое модальное значение:
y = min { x m } .
Правое модальное значение:
y = max { x m } .
На практике автоматическое управление сложными процессами во
многих случаях происходит в условиях неопределенности, связанных с
отсутствием достаточной статистики о поведении управляемых объек-
тов. Проектировщикам систем управления такими объектами приходится
учитывать некоторые неформализуемые или трудно формализуемые
факторы. Уровень сложности подобных систем настолько высок, что ис-
пользование известных детерминированных моделей для их проектиро-
вания не обеспечивает желаемых характеристик. В этих случаях адек-
ватные математические модели управляемых систем могут основывать-
ся на теории нечетких множеств, позволяющих синтезировать интеллек-
туальные системы управления.
Основу проектирования интеллектуальных нечетких регуляторов
составляет конструирование «базы знаний» с применением методов
представления и поиска знаний. Современная теория управления раз-
вивается в направлении создания интеллектуальных систем управления
(ИСУ), для которых характерно описание объекта управления и регуля-
тора на более высоком качественном уровне. Как правило, динамиче-
ское поведение сложных и плохо формализуемых систем описывается с
помощью моделей «вход-выход» в виде таблиц лингвистических правил
(ТЛП), связывающих управляющие воздействия U и выходы (либо со-
стояния) объекта X.
Входные воздействия U поступают на объект управления в резуль-
тате дефаззификации функции принадлежности μ(U) нечеткого множе-
ства, получающегося на основе максминной композиции управляющего
правила и выходных сигналов объекта X. Выбор оптимального правила
из ТЛП регулятора осуществляется путем фаззификации выходных сиг-
налов X (получения нечеткого множества с определенной функцией
принадлежности) и сравнения посылки правил ТЛП с полученными не-
четкими множествами.