tsukanova_oa_modeli_i_metody_upravleniia_informatsionnymi_re

71

новый срез принимается за эталон (являющийся, одновременно, новым слоем текстуры) и дальнейшее сравнение осуществляется с ним, по схеме –

«Эталонные» состояния могут быть описаны кластерными моделями с точки зрения 2-х подходов:

1) параметрический Заключается в сравнении наборов параметров в разные моменты времени.

Набор параметров определяется в зависимости от задачи пользователя.

Таблица 2. Пример формирования таблицы для сравнения набора параметров,

потенциально приводящих к эволюционному изменению состояния

Появление в момент времени является сигналом об изменении

состояния.

2) графический, при котором происходит сравнение визуальных слоев, т.е.

выявление разницы в количестве кластеров – «пятен», а также параметров

«пятен», таких, как объем «пятна», диаметр «пятна», плотность «пятна» и т.п.

Подходы к сравнению изображений различны. Например, [5] выделяет 2 типа моделей: «модели биологических систем» и «кибернетические (алгоритмические)

модели узнавания», а также – следующие методы установления сходства:

сличение изображений по признакам, по эталонам, по прототипам. Здесь автором

72

под «признаками» понимаются элементарные детали (фрагменты) изображений:

отрезки линий, точки пересечения линий, углы, дуги и т.п. При сравнении по

«эталонам» предъявленное и хранящееся в памяти изображение сличается в целом виде. При сравнении по «прототипам» каждое отдельное изображение,

принадлежащее какому-либо классу, сличается с обобщенным изображением этого класса.

В настоящей работе (при работе с изображениями сети) имеет смысл говорить в первую очередь о сличении по признакам, поскольку в самом общем графическом представлении сеть в определенном временном срезе будет представлять собой некоторые скопления «пятен», каждое из которых будет обладать своими характеристиками, такими как объем, плотность «пятна»,

диаметр «пятна», координаты середины «пятна» и т.п. Эти изменения происходят не обязательно на уровне всей сети, а, возможно, на уровне одного из кластеров

(т.е. визуальных «пятен»).

Следуя логике исследования (принимая одновременно во внимание подход

[5]), можно было бы считать, что «прототип» – это изображение всей сети, а «эталоны» – это «пятна» на ее изображении (кластеры). Однако, во избежание двусмысленности понятия «эталон» (в настоящей работе под эталоном понимается эталонное состояние, см. 3.1.), предлагается для сравнения использовать комбинированный набор признаков, включающий в себя наиболее существенные для сети признаки прототипа и признаки эталона (в трактовке,

базирующейся на [5]). В этом случае в комбинированный набор признаков будут входить как характеристики изображения всей сети, так и индивидуальные характеристики «пятен». Для настоящего исследования важно учитывать такие признаки, как количество «пятен», плотность «пятна» и площадь «пятна».

В первую очередь выявляются сами «пятна» (кластеры), в которых произошли существенные изменения. Здесь важно понимание границ: насколько отличается одно «пятно» от другого, при какой степени отличия необходимо подавать сигнал. Установление этих границ будет означать чувствительность к

73

изменениям в сети. Чем чувствительнее машинные методы, тем точнее они позволяют выделить степень отличия. Однако, показатель достаточности степени чувствительности требует отдельного исследования.

Для определения степени сходства нужно учитывать, что общие параметры

«пятен», такие как, например, диаметр «пятна» по высоте, ширине и длине могут зависеть от способа внесения новых точек. Поэтому и предлагается для выявления различий между слоями ориентироваться на площадь и плотность пятен. При негладких границах «пятна» нужно делать поправку на неровность его края. Площадь «пятна» можно вычислять аналогично площади эллипса.

Плотность «пятна» (более темное или более светлое изображение) зависит от увеличения / уменьшения количества точек в «пятне» (кластере).

Такое выделение на практике позволит проводить выявление существенных изменений в геометрических изображениях структуры сети, отражаемых на слоях текстурированного пространства ее состояний. При этом автоматическим образом решается задача о сходстве изображений.

Таким образом, в настоящей работе предлагается осуществлять сравнение состояний сети по принципу сравнения состояния сети в очередной срез времени с некоторым эталоном, которым в исходном виде является первоначальное состояние сети. Степень сходства определяется значением параметрической оценки расстояния сети. Если хотя бы один из параметров, входящих в характеризующий состояние сети набор, принимает значение , то новый срез принимается за эталон (который становится,

одновременно, новым слоем текстуры) и дальнейшее сравнение осуществляется с ним.

Изменения могут наблюдаться либо в количестве кластеров ( ), либо в их составе (выше – «признаках» в соответствии с делением изображения на прототипы и признаки). В работе считается, что при анализе изображения каждый кластер характеризуется двумя признаками: площадью и плотностью. Вектор ,

обозначающий первый «признак» кластера (учитываемый при анализе

74

изображения в данной работе), отображенного на -м слое, представляет набор

анализе изображения в данной работе), отображенного на -м слое, представляет

,

,

где – допустимый порог отличия площади «пятна» от эталона.

Тогда расстояние определяется следующей логической функцией:

где

–изменение в количестве кластеров;

–изменения в составе

кластеров.

В интерпретации эволюционного перехода оценка расстояния означает следующее:

75

Если хотя бы один из параметров принимает значение , подается сигнал об отличии нового состояния сети, т.е. о потенциальном возникновении нового слоя

Тогда для -го слоя можно построить описание в виде матрицы

, где

.

Тогда

.

,где

–количество уникальных элементов в объединенной матрице.

76

, где

Вычислим сумму индексов для строк матрицы .

Где

–порог допустимого отличия площади кластера;

–порог допустимого отличия плотности кластера.

Если , то произошел переход на новую эволюционную

площадку.

Такой подход к мониторингу сети позволяет сделать вывод о наступивших существенных (эволюционных) изменениях и принимать решения не видя внутренней структуры сети.

Временная оценка шага эволюции (временное расстояние) рассматривается как минимальное время формирования нового слоя текстуры в процессе виртуального текстурирования пространства состояний сетевого сообщества и представляет собой минимальный период времени, необходимый для перехода на следующий слой – на новую эволюционную площадку.

78

Системный подход предполагает, что с целью эффективного управления объектом, в первую очередь должны быть сформулированы выходные параметры

( ). В качестве выходных параметров могут оцениваться тип ожидаемой реакции,

сроки и скорость, адресность информации и т.п. В соответствии с выходными параметрами уже ставятся цели, и принимается решение о методах и способах их достижения.

Применительно к сетевому сообществу, соответственно, необходимо ориентироваться на следующие цели. В первую очередь, следует выяснить, какая реакция может ожидаться от сообщества и с какой степенью вероятности. Сроки и скорость имеют меньшую значимость по сравнению с качественным наполнением, но, тем не менее, продуманные и обоснованные механизмы ускорения, или акселерации, процессов перехода могут привести к более активному отклику, и, соответственно, более быстрому качественному изменению текущего состояния. Кроме того, следует принимать во внимание, на интересы каких сторон сориентирована вбрасываемая информация, поскольку избирательное воздействие на определенные субъекты, как правило, оказывается более действенным.

Далее, согласно системному подходу, в соответствии с выработанными целями формируются входные параметры ( ). В качестве входных параметров могут выступать тип воздействия, объект воздействия, вид и классификатор информации, необходимой для процесса управления. Для того, чтобы правильно выбрать тип воздействия и объект воздействия, следует, в первую очередь,

проанализировать статусы различных категорий акторов сетевого сообщества,

степень их влияния в сообществе и индивидуальные характеристики. Таким анализом создаются необходимые методические предпосылки для обеспечения целенаправленного избирательного воздействия на отдельных акторов сетевого сообщества или же определенные группы лиц. При этом первостепенную роль играет разработка классификатора информации, так как именно он упрощает решение задачи систематизации информационных ресурсов, что в последствие

79

упрощает процедуру системного контроля, поскольку позволяет отследить, какую информацию готов воспринять тот или иной участник сетевого сообщества.

Обратная связь в данном случае призвана обеспечить систематическое отслеживание реакций в процедуре контроля над процессом управления состоянием информационных ресурсов сетевого сообщества; при этом (в случае необходимости) создаются предпосылки для изменения параметров функционирования сетевого сообщества или самой тактики управленческого воздействия.

В результате методично моделируется многомерное динамичное пространство сетевого сообщества, в котором в результате применения рассмотренной процедуры изменения и контроля ресурсных состояний сеть эволюционирует, превращаясь, по сути, в неформальный когнитивный институт.

Важное методологическое значение имеет тот факт, что процессы, происходящие в этом нестабильном институте, схожи с известными в науке автоволновыми процессами [12, 21, 35], имеющими характер самоорганизации. Эти (в

значительной мере, спонтанные) процессы могут быть сделаны управляемыми посредством включения оптимизационных механизмов. Таким образом, можно обеспечить инициативную акселерацию процессов перехода на новый слой текстурированной среды, или же получить желаемый результат посредством применения процедур избирательного воздействия. Здесь существенным является то обстоятельство, что акселерация рассматривается в большей степени как импульс, что является особенностью разработанной здесь модели текстурированной ресурсной среды и обосновывает необходимость концептуального привлечения категории, известной в системном анализе как

«черный ящик».

Следует сделать еще одно замечание, принципиальное для понимания сущности моделирования самоорганизованного поведения именно сетевых сообществ. Оно основано на анализе системных (субъектно-объектных) атрибутов теории ресурсно-информационного обмена и ресурсно-информационной

80

принадлежности – категорий когнитивный «реципиент» и когнитивный «донор».

Особенностью сетевых сообществ, представленных в данной модели в качестве самоорганизующихся систем, является то, что в идеальном случае каждый субъект профессионального сетевого сообщества может и, более того, должен одновременно быть и «реципиентом» и «донором», иными словами – процесс когнитивной самоорганизации захватывает и инициирующего субъекта.

Следовательно, можно с достаточным основанием утверждать, что в результате концептуально-теоретической разработки базовой модели и рассмотренных управленческих механизмов открывается возможность создания оптимизационных моделей следующего уровня. Их алгоритмизация, в свою очередь, потребует оценки стабильности действия сообщества и введения соответствующих метрических показателей эффективности управленческих воздействий, а также методических установок, определяющих порядок измерения.

Однако для этих целей необходима разработка процедур и методов, позволяющих качественно воздействовать на процесс перехода (в частности, не только ускорить, но и усиливать его), разработка соответствующих метрик, а также апробация, что является очередными задачами исследования.

3.2.Задача управления эволюционным переходом

Одной из задач, решаемых при моделировании сетевого сообщества как многослойной текстуры в пространстве состояний, является установление момента времени, когда переход на следующий слой, который будет отображать новое состояние сообщества, характеризующееся его более высоким качественным развитием, является целесообразным.

Кроме того актуальным является установление причин, повлекших за собой изменения в сетевом сообществе. Автор [50] отмечает, что изменение в сетевом сообществе могут быть обусловлены изменениями в его составе, в связях между участниками сети, или и в том и другом.