Нейросетевые информационные модели

     Сложные системы. Рассмотрим систему, состоящую из некоторого числа компонент. Для определенности будем иметь в виду, скажем, терминал крупного океанского порта, обслуживающий разгрузку судов портовыми кранами, и отправку грузов автомобильным и железнодорожным транспортом. Нашей конечной целью будет построение модели системы, описывающей ее поведение, и обладающей предсказательными свойствами. Модель способна во многих приложениях заменить собой исследуемую систему.

     Каждая  из компонент системы имеет свои свойства и характер поведения в  зависимости от собственного состояния  и внешних условий. Если все возможные  проявления системы сводятся к сумме  проявлений ее компонент, то такая система  является простой, несмотря на то, что  число ее компонент может быть велико. Для описания простых систем традиционно применяются методы анализа, состоящие в последовательном расчленении системы на компоненты и построении моделей все более простых элементов. Таковым в своей основе является метод математического моделирования [1], в котором модели описываются в форме уравнений, а предсказание поведения системы основывается на их решении.

     Современные технические системы (например, упомянутый выше порт, инженерные сооружения, приборные  комплексы, транспортные средства и  др.) приближаются к такому уровню сложности, когда их наблюдаемое поведение  и свойства не сводятся к простой  сумме свойств отдельных компонент. При объединении компонент в  систему возникают качественно новые свойства, которые не могут быть установлены посредством анализа свойств компонент.

     В случае терминала порта небольшие  отклонения в производительности работы кранов, малые изменения или сбои графика движения железнодорожных  составов, отклонения в степени загрузки и в графике прибытия судов  могут вызвать качественно новый  режим поведения порта, как системы, а именно затор. Образование затора вызывает обратное воздействие на режимы работы компонент, что может привести к серьезным авариям и т.д. Состояние затора не может быть в полной мере получено на основе отдельного анализа, например, свойств одного крана. Однако в рамках системы обычный режим работы этого крана может приводить к состоянию затора.

     Принципы  информационного  кибернетического моделирования.

     Возможным выходом из положения является построение модели на основе синтеза компонент. Синтетические модели являются практически единственной альтернативой в социологии, долгосрочных прогнозах погоды, в макроэкономике, медицине. В последнее время синтетические информационные модели широко используются и при изучении технических и инженерных систем. В ряде приложений информационные и математические компоненты могут составлять единую модель (например, внешние условия описываются решениями уравнений математической физики, а отклик системы - информационной моделью).

     Основным  принципом информационного моделирования  является принцип "черного ящика". В противоположность аналитическому подходу, при котором моделируется внутренняя структура системы, в синтетическом методе "черного ящика" моделируется внешнее функционирование системы. С точки зрения пользователя модели структура системы спрятана в черном ящике, который имитирует поведенческие особенности системы.

     Кибернетический принцип "черного ящика" был  предложен [2] в рамках теории идентификации  систем, в которой для построения модели системы предлагается широкий  параметрический класс базисных функций или уравнений, а сама модель синтезируется путем выбора параметров из условия наилучшего, при заданной функции ценности, соответствия решений уравнений поведению системы. При этом структура системы никак не отражается в структуре уравнений модели.

     Функционирование  системы в рамках синтетической  модели описывается чисто информационно, на основе данных экспериментов или наблюдений над реальной системой. Как правило, информационные модели проигрывают формальным математическим моделям и экспертным системам по степени "объяснимости" выдаваемых результатов, однако отсутствие ограничений на сложность моделируемых систем определяет их важную практическую значимость.