Системный анализ
.pdfСистемный анализ
Курс лекций
Комментируя же пункт 3, важно подчеркнуть, что клас сические качественные методы прогнозирования в неявном виде опирались на некоторые принципы системного подхода. Осознание ограниченности данных методов, отсутствие уни версальной общенаучной методологии, которая бы сделала результаты качественных прогнозов настолько же убедитель ными, как результаты расчетов, и послужило одной из пред посылок к возникновению системного анализа.
Системный анализ помимо всего прочего подводит обще научную базу под вышеупомянутые качественные методы про гнозирования. Поэтому применение системной методологии к решению вопросов прогнозирования, даже если это не за канчивается построением той или иной количественной моде ли, позволяет значительно улучшить результативность и каче ство интуитивных прогнозов, «объективизировать» во многом субъективные результаты соответствующих исследований. Мы коснемся соответствующих вопросов в конце данной лекции, а пока вернемся к рассмотрению методов прогнозирования.
Количественные методы прогнозирования в общем виде можно отождествить с моделированием. Функцией моделиро вания является «замещение» изучаемого оригинала. Посколь ку прогнозируются всегда явления, в данный момент на дан ном объекте непосредственно не наблюдаемые, прогностика всегда имеет дело с некоторой моделью. Количественный прогноз — это результат работы с количественной (математи ческой) моделью.
Эту модель в самом общем виде можно представить как набор правил для вычисления предсказываемых значений не ких характеристик моделируемого объекта. Следовательно, данная модель должна имитировать динамику объекта во вре мени. Поэтому все прогностические модели можно назвать динамическими, хотя ряд авторов подобное название приме няют только к балансовым моделям [ 6 ] .
62
Возможности и ограничения традиционных методов моделирования
Лекция 4
Рассмотрим же основные методы моделирования динами ки сложных систем, исключив пока из рассмотрения так на зываемые имитационные модели. При этом сосредоточимся сейчас в основном на двух моментах: аппарате моделирования и математической специфике эксплуатации соответствующих моделей.
Отметим, что мы в данном случае рассматриваем не мате матические модели вообще, которые так или иначе возможно применять в задачах системного анализа, а наиболее часто встречающиеся в экологии, экономике, медицине, демогра фии и тому подобных отраслях динамические модели. Наибо лее распространены сейчас:
1)матричные модели,
2)«диффузные» модели,
3)балансовые динамические модели,
4)модели, применяющие аппарат статистической физики,
5)статистические модели,
6)оптимизационные модели,
7)специфические индивидуальные модели отдельных явле ний и процессов, наподобие экологических моделей типа «хищник — жертва», или «паразит — хозяин», или моделей динамики потерь сторон в военном деле.
Матричные модели представимы в виде:
аг+] = Ааг, |
(4.1) |
где а < + 1 — вектор характеристик моделируемого объекта в мо мент времени I + 1, А — квадратная матрица, а< — вектор характеристик моделируемого объекта в момент времени Ь. Размерности матрицы и вектора должны быть согласованы. В общем виде матрица А может быть переменной и ее эле менты в этом случае будут зависеть от времени. Матричные
63
^
Системный анализ
Курс лекций
модели применяются для исследования проблем популяционной динамики (в экологии), проблем межотраслевого баланса (в экономике) и ряда других задач.
Матричные модели удобны тем, что они позволяют про водить аналитические исследования соответствующих про цессов.
Однако матричные модели применимы только тогда, ко гда каждая характеристика моделируемой системы в очеред ной момент времени представима в виде линейной комбина ции характеристик системы в предыдущий момент времени.
Очевидно, что данное правило применимо только для относительно простых систем и только для ограниченного числа режимов функционирования этих систем. В частности, с помощью матричных моделей практически невозможно пе редать смену состояний сложных систем. Поэтому матричные модели можно считать лишь важным этапом в развитии мо делирования. Они имеют определенную научную ценность, но не могут претендовать на широкое применение в практике.
«Диффузные» модели, как видно из их названия, исполь зуют в качестве математического аппарата уравнения диффу зии. Эти модели применяются для исследования динамики водных экосистем, динамики развития селитебных террито рий, динамики развития транспортной сети и тому подобных задач пространственной динамики.
Успешное применение данных моделей возможно только для имитации внутренней динамики гомогенных систем. На личие пространственных неоднородностей в самой системе или в среде ее обитания существенно снижают возможности применения диффузных моделей.
Но именно подобные ситуации наиболее интересны и с теоретической, и с прикладной точек зрения. Действительно, и развитие планктона в водоемах, и развитие городов проис ходят в неоднордном пространстве.
64
Возможности и ограничения традиционных методов моделирования
Лекция 4
Поэтому, если мы хотим учесть эти реально существую щие неоднородности, диффузные модели будут неприемлемы. С другой стороны, пространственное «расползание» струк турно однородных гомогенных систем есть только частный случай их динамики, изучение которого далеко не исчерпыва ет проблем моделирования сложных систем.
Имеются еще и чисто математические трудности решения уравнений в частных производных, каковыми являются урав нения диффузии. Так, весьма нетривиальным остается выбор шага интегрирования численного решения соответствующих уравнений.
Балансовые динамические модели представляют моде лируемый объект как совокупность потоков вещества и энер гии, баланс которых рассчитывается на каждом шаге моде лирования. Математическим аппаратом балансовых моделей являются системы обыкновенных дифференциальных урав нений.
Важнейшими частными случаями балансовых динамиче ских моделей являются системнодинамические модели, о ко торых мы будем подробнее говорить в следующей лекции, и так называемые компартментальные модели. Последние опираются на представление объектов в виде систем различ ных резервуаров (компартментов), связанных между собой сложной сетью каналов массо-энергообмена.
Эти модели имитируют массоэнергообмен при отсутствии структурных перестроек в сети каналов обмена. В этом случае соответствующие процессы описываются непрерывно диф ференцируемыми функциями, что соответствует механизму протекания массо-энергообмена в био- и экосистемах, находя щихся в ненарушенном состоянии. Таким образом, чисто мате матических проблем при использовании компартментальных моделей не возникает.
65
Системный анализ
Курс лекций
Компартментальные модели широко используются в ме дицине и фармакологии (модели фармакинетики), а также в экологии и экономике (модели межотраслевого баланса).
Обширная библиография по компартментальному модеЛированию [31,33-35,37-40] говорит в пользу исключитель- \ ной результативности данного метода в решении целого клас-] са задач. Однако важнейшая проблема прогнозного модели рования сложных систем — предсказание смены состояний — ! компартментальными моделями не решается в принципе.
Вообще балансовые динамические модели являются наи более развитым инструментом изучения динамики сложных гетерогенных систем. Вместе с тем именно в указанном ме тоде моделирования как в фокусе сконцентрированы почти все проблемы, присущие моделированию вообще. Это и во прос о различиях характерных времен изменения разных параметров, и проблема оптимальной размерности моделей, и проблемы информационного обеспечения моделей, и про блемы адекватной передачи смены состояний системы, кото рым должны соответствовать изменения правых частей соот ветствующих дифференциальных уравнений.
Указанные проблемы мы рассмотрим ниже. Здесь лишь заметим, что традиционно в соответствующих областях мате матики, занимающихся задачами численного решения систем обыкновенных дифференциальных уравнений большой раз мерности (а их аналитическое решение в подавляющем боль шинстве случаев невозможно), упомянутые проблемы далеки] от разрешения.
Модели, применяющие аппарат статистической физи ки. Модели построенные на основе этих методов, не следует смешивать со статистическими моделями, так как здесь по ведение системы в целом не является случайным процессом. Система в данном случае рассматривается как статистический ансамбль взаимодействующих элементов.
66
Возможности и ограничения традиционных методов моделирования
Лекция 4
В модель вводится функция распределения этих элемен тов и определяются глобальные характеристики системы — энергия, энтропия и т.д. Данный подход позволяет успешно применять в таких моделях хорошо разработанный аппарат статистической, физики. Однако этот аппарат можно приме нять только в случае слабых взаимодействий между элемен тами, т. е. для целей моделирования неструктурированных гомогенных систем.
Более интересные с теоретической и практической точек зрения ситуации развития гетерогенных систем и предсказа ния наступления их кризисов с помощью данного аппарата не могут быть рассмотрены.
Статистические модели строятся при допущении, что моделируемый процесс случаен и может быть исследован с по мощью статистических методов анализа систем, в частности, методов Монте-Карло. Статистические модели математиче ски могут быть оформлены весьма разнообразно. Это и так называемые марковские цепи, это и регрессионные модели, когда какая-либо характеристика (у) определяется как линей ная комбинация нескольких факторов, например:
у = Ро + Р\Х1 +р2Х2 + ---,+РРХр + е, |
(4.2) |
где Д) — константа, /ЗьДг. ••• >$р ~* постоянные коэффици енты, Х{,х%,... ,хр — переменные, е — случайная величина с нулевым матожиданием и заданной дисперсией. С помощью модели (4.2) можно, зная соответствующие изменения факто ров, оценить новые значения характеристики у с ошибкой е.
Другим вариантом статистической модели может быть следующий:
^ = / [ * , «(*), 70)} , |
(4.3) |
где х — вектор неких характеристик системы, значения ко торых моделируются, / — некая функция, и(1) — вектор
67
Системный анализ
Курс лекций
внешних воздействий, 7(2) — случайный вектор. Модель (4.3), если исключить 7(2), может быть динамической балансовой моделью (если, например, компоненты вектора х представ ляют собой оценки объемов некоего вещества в нескольких компартментах). Присутствие 7(2) в (4.3) делает эту модель статистической.
К статистическим моделям относятся известные в эконо мике эконометрические модели.
Существует мнение, что статистические модели эффек тивны только при условии неполной информации о соответ ствующем объекте. Вероятностный подход, согласно такому мнению, призван лишь частично компенсировать наше незна ние. Однако есть и другое мнение, что закономерности функ ционирования сложных систем существенно вероятностны. Следовательно, при построении соответствующих моделей не обойтись без вероятностных компонентов.
При построении и использовании статистических моде лей возникают следующие проблемы.
Во-первых, необходим обширный фактический естествен ный материал, позволяющий провести его корректную стати стическую обработку. Такого материала во многих предметных областях просто нет. Действительно, зачастую требуются вре менные ряды наблюдений длиной в десятки и даже сотни лет. Но в тех же науках о Земле соответствующие инструменталь ные наблюдения ведутся не более, чем 130-140 лет, а гораздо чаще вообще 10-20 лет.
Во-вторых, даже имея достаточно продолжительный вре менной ряд соответствующих наблюдений, мы зачастую не мо жем им воспользоваться, ибо зафиксированные наблюдения относятся к качественно различным ситуациям. Такие пробле мы возникают, в частности, в эконометрии [22,23].
Действительно, определяя, например, зависимость выпус ка какого-нибудь изделия от объема затрачиваемых ресурсов,
68
Возможности и ограничения традиционных методов моделирования
Лекция 4
мы, стремясь удлинить временной ряд, можем одновременно анализировать процессы в индустриальном и постиндустри альном обществе.
Но ведь соответствующие зависимости в этих двух случа ях будут существенно иными. Временной ряд даже в 20-30 лет уже может быть отнесен к качественно различным ситуаци ям. Например, с начала 50-х гг. XX в. на Западе произошла революция в сельском хозяйстве (так называемая зеленая ре волюция), научно-техническая революция 60-х гг., активное внедрение энергосберегающих технологий в 70-х гг., компью теризация конца 70-х - начала 80-х гг.
Каждое из этих событий существенно меняло конъюнк туру на рынке основных видов сырья и товаров, ресурсо- и энергоемкость производства. Поэтому, если мы в эконометрических исследованиях для целей улучшения статистической обоснованности той или иной зависимости воспользуемся длинным временным рядом, то это приведет к существенным погрешностям.
Общих решений упомянутых проблем пока не найдено. Однако совершенно очевидно, что для успешного применения статистических методов особую важность приобретает аде кватная постановка задачи на концептуальном уровне, и толь ко затем уже решение чисто математических задач. Кроме того, совершенно очевидно, что для целого ряда предметных областей статистические модели просто невозможно приме нить ввиду полного отсутствия необходимых количественных данных при одновременном наличии большого объема тради ционных натурных исследований.
Оптимизационные модели используют методы, которые позволяют решать задачи оптимального управления модели руемым объектом. Их построение основано на использовании методов линейного и динамического программирования при исследовании систем, описанных дифференциальными урав-
69
Системный анализ
Курс лекций
нениями. Такой подход получил название математического программирования.
Другим видом оптимизационных моделей являются модели, построенные с помощью теории игр. В общем случае их построение и эксплуатация базируется на вероятностном подходе.
Данный класс моделей позволяет ставить и решать задачи оптимального управления моделируемым объектом, что очень I ценно. С другой стороны, решение оптимизационной задачи само по себе не всегда возможно.
Поэтому для использования модели в задачах оптимиза ции ее необходимо максимально упростить. Причем упроще ние должно быть гораздо более радикальным, чем в моделях, которые призваны просто имитировать поведение изучаемо го объекта.
Подобное стремление упростить соответствующую мо дель «во что бы то ни стало» с целью получения возможно сти решения оптимизационной задачи зачастую приводит ис следователей к радикальному огрублению моделируемой дей ствительности. Эта общая для любого моделирования пробле ма особенно остро стоит при построении оптимизационных моделей, что делает их применение неприемлемым в боль шинстве случаев исследования реальных больших сложных систем.
Таким образом, в реальных задачах природопользования, хозяйственного планирования, медицины и т. п., в отличие от инженерных задач, оптимизационные модели имеют, ско рее, сугубо теоретическое значение.
Специфические индивидуальные модели. Это модели типа классической модели Вольтерра («хищник — жертва» и «паразит — хозяин») или модели боевых действий, постро енной английским инженером и математиком Ф. У. Ланчестером.
70
Возможности и ограничения традиционных методов моделирования
Лекция 4
Само название этих моделей говорит о том, что они со зданы для имитации динамики конкретных процессов. Мате матический аппарат упомянутых моделей подобран адекватно < формулированным задачам. Вместе с тем усложнение и «уни версализация» соответствующей задачи резко ограничивают возможности применения данного типа моделей. Например, использование модели типа «хищник — жертва» существенно затрудняется с ростом участников взаимодействия до пяти
иболее видов.
Взавершение нашего обзора можно утверждать, что в каж дом из перечисленных типов моделей используется хорошо разработанный формальный аппарат. Однако применение указанного аппарата к проблеме моделирования реальных сложных объектов в подавляющем большинстве случаев не возможно.
Решить проблему моделирования сложных систем при званы были имитационные модели, которые должны были соответствовать методологии от объекта к модели в про тивовес принципу от математического аппарата к модели.
Имитационное моделирование представляет собой попытки формализации с помощью современных ЭВМ любых эмпи рических знаний о рассматриваемом объекте. Имитацион ная модель — формализованное описание изучаемого явления во всей его полноте на грани нашего понимания [14].
Слова на грани нашего понимания фиксируют важное положение о том, что в процессе имитационного моделиро вания причинно-следственные связи не обязательно просле живаются «до последнего гвоздя». Для построения модели достаточно знать лишь внешнюю сторону каких-либо связей типа: «если А, то Б».
Врезультате чего произошло событие Б, из-за какихто сдвигов в балансе вещества, либо по другим причинам, знать не обязательно. Это дает возможность на порядок более
71