§ 1.5. Задачи исследования сложных систем
Среди задач, возникающих в связи с исследованием сложных систем, можно выделить два основных класса: 1) задачи анализа, связанные с изучением свойств и поведения системы в зависимости от ее структуры и значений параметров, и 2) задачи синтеза, сводящиеся к выбору структуры и значений параметров, исходя из заданных свойств системы.
Другими словами, при решении задач анализа считаются известными структура системы и значения всех ее конструктивных параметров; требуется вычислить значения функциональных характеристик системы (показателей эффективности, надежности, помехозащищенности и т. д.) для фиксированного набора начальных состояний и условий функционирования (воздействий внешней среды), а также оценить устойчивость системы при заданных возмущениях (например, построить область устойчивости в пространстве параметров системы).
Наоборот, при решении задач синтеза предполагаются заданными требуемые значения функциональных характеристик системы (показатели эффективности, надежности, помехозащищенности и других свойств), а также область устойчивости. Требуется выбрать структуру системы и такие значения параметров (из области устойчивости), чтобы получить требуемые значения функциональных характеристик. Нередко задача синтеза ставится как экстремальная задача. В простейшем случае речь идет о выборе такой структуры и таких значений параметров (естественно, из области устойчивости), при которых показатель эффективности имел бы максимум или минимум (в зависимости от смысла показателя), с учетом ограничений, налагаемых на остальные показатели (надежности, помехозащищенности и т. д.). Возможны и другие постановки задач синтеза, близкие к рассмотренным.
Целесообразно отметить, что в настоящее время имеется достаточно много работ, посвященных решению задач анализа сложных систем. Среди используемых для этой цели методов наиболее популярны два: 1) расчет показателей эффективности и других связанных с ними функциональных характеристик системы при помощи формул и уравнений, относящихся к данному узкому классу систем (например, систем массового обслуживания, сетей автоматов или систем, описываемых дифференциальными уравнениями) и 2) расчет показателей эффективности и других функциональных характеристик по результатам моделирования сложной системы на ЭВМ (для систем общего вида, не относящихся к упомянутым узким классам). Правда, многие исследователи предпочитают пользоваться методом моделирования и для случая систем, принадлежащих узким классам, ввиду его простоты и хорошей обеспеченности программами для расчета на ЭВМ. Но это обстоятельство не имеет принципиального значения.
Более важно то, что тем или другим способом задача анализа сложной системы всегда может быть решена, если имеются все необходимые данные для расчета. Этого никак нельзя сказать о задачах синтеза сложной системы. Наоборот, в настоящее время почти нет методов, позволяющих строго формально решать задачи синтеза. Исключение составляет случай конечных автоматов (одного из узких классов систем), для которых развиты формальные методы синтеза. Однако эти методы существенным образом опираются на специфические свойства данного узкого класса систем (на свойство конечности множеств состояний) и не могут быть непосредственно обобщены на другие классы систем, тем более на общий случай.
Поэтому на практике пользуются различными неформальными приемами синтеза сложных систем. По существу все они, в конечном счете, сводятся к так называемому перебору вариантов или «синтезу через анализ». Суть его состоит в том, что, приступая к синтезу системы, исследователь намечает некоторый «первоначальный» вариант системы (ее структуры и значений параметров). Этот вариант известными методами анализа подвергается всестороннему обследованию — определяются показатели эффективности, надежности, помехозащищенности и др., строится область устойчивости в пространстве параметров и т. д.
Результаты анализа «первоначального» варианта системы сравниваются с заданными значениями показателей, которые желательно получить при синтезе. Как правило, «первоначальный» вариант не является полностью удовлетворительным, в том смысле, что между заданными и полученными значениями функциональных характеристик имеется существенная разница. Тогда может быть намечен другой вариант системы с учетом опыта выбора «первоначального». Этот новый вариант также подвергается всестороннему анализу. Если и его функциональные характеристики оказываются неподходящими, намечается третий вариант и т. д.
По мере обследования вариантов системы накапливаются сведения, весьма ценные для синтеза. Сюда в первую очередь относятся тенденции в поведении тех или других показателей при изменении значений параметров системы. Эти тенденции распознаются не только умозрительно; здесь оказываются полезными такие приемы математической статистики, как факторный и регрессионный анализ, а также методы интерполяции и экстраполяции случайных последовательностей. Приближенные зависимости функциональных характеристик от параметров системы используются для целенаправленного перехода к более удовлетворительным вариантам синтезируемой системы.
Подходы типа неформального перебора вариантов применяются не только при решении полной задачи синтеза системы. Они могут принести пользу и в случаях, когда по результатам анализа некоторых частных свойств и характеристик системы или ее составных частей необходимо получить конкретные практические рекомендации. Проиллюстрируем такие приемы анализа на примере организации производственного процесса.
Предположим, что при моделировании данного производственного процесса были зафиксированы относительные времена работы и простоев элементов оборудования в динамике его функционирования. Посмотрим, как эти данные могут быть использованы для получения практических рекомендаций, связанных с усовершенствованием производственного процесса.
Как известно, в некоторых случаях износ инструмента и разладка станков и другого оборудования находятся в прямой зависимости от времени фактической их загрузки. Кроме того, иногда качество продукции определяется длительностью интервалов времени между периодическими заменами инструмента и наладками станков и оборудования. Длительность наладки (замены инструментов) — это интервал времени, в течение которого данное устройство не работает.
Располагая сведениями об относительном времени работы и простоя всех устройств и оборудования, мы можем поставить задачу об оптимальном планировании режимов наладки и замены инструмента. В простейшем случае рассматриваемая задача может иметь следующий вид. С увеличением интервалов работы растут потери, связанные с ухудшением качества продукции. Наоборот, когда эти интервалы уменьшаются, упомянутые потери снижаются; однако увеличиваются потери, связанные с затратами на наладку и замену инструмента, а также потери в выпуске продукции за интервалы наладки. Необходимо выбрать такой регламент наладки оборудования, чтобы суммарные потери оказались минимальными. Естественно, что на практике могут иметь место и другие подходы к решению этой задачи.
Кроме планирования периодических наладок, сведения о величинах относительного времени работы и простоя элементов оборудования могут быть использованы и для других целей. Сопоставление этих величин для различных устройств зачастую позволяет вскрыть причины, порождающие завышенные простои отдельных станков или их групп, получить рекомендации, связанные с более равномерной загрузкой оборудования. Например, могут быть случаи, когда какое-нибудь устройство имеет относительное время простоев, близкое к нулю, а другие элементы оборудования загружены значительно слабее. В связи с этим возникает подозрение: не является ли упомянутое устройство своеобразным «узким местом», тормозящим работу других элементов оборудования? Часто узким местом оказываются средства внутризаводского транспорта, доставляющие полуфабрикаты к соответствующим рабочим местам. Ликвидация такого узкого места может быть осуществлена двумя путями: 1) увеличением пропускной способности транспортных средств и 2) увеличением «заделов» (запасов полуфабрикатов), находящихся на рабочих местах. И первый и второй подходы к этой задаче связаны с дополнительными затратами. Возникает вопрос: какое соотношение между пропускной способностью транспортных средств и размерами заделов оказывается оптимальным?
Если же узким местом оказываются не транспортные средства, а один из станков, выполняющих обработку полуфабриката, то представляет интерес другой вопрос: будет ли экономически оправданным существенное увеличение производительности этого станка (например, замена более мощным станком или установка дополнительного станка-дублера)?
Выше было отмечено, что большие объемы заделов на рабочих местах оказываются экономически невыгодными. Может быть поставлен вопрос о сокращении заделов до определенных пределов, когда еще не проявляются отрицательные последствия этого сокращения (срывы процесса, завышенные простои станков, общее снижение выпуска продукции и т. д.). Первый шаг на пути решения этой задачи должен сводиться к оценке распределения количества полуфабрикатов, выбираемых из задела для каждого станка, при условии, что объем задела не ограничен. Наличие данных о таком распределении позволяет обосновать максимально потребные объемы заделов, превышение которых практически не имеет смысла. Однако это еще не полное решение задачи. Может оказаться, что и дальнейшее снижение заделов целесообразно, так как оно экономически выгодно и не приводит еще к нежелательным последствиям.
Исключительное важное значение имеют исследования сложных систем в связи с вопросами управления. Современная система автоматизированного управления взаимодействует с десятками, а иногда и сотнями различных элементов и представляет собой весьма сложный комплекс электронного оборудования, выполняющего с огромной скоростью функции сбора информации о состояниях элементов оборудования, ее обработки, оптимального планирования и формирования управляющих сигналов.
Для расчета систем управления такого типа необходимо уметь решать задачи, связанные с анализом процессов функционирования сложного оборудования, оценкой строения информационных потоков и законов управления процессами, синтезом алгоритмов обработки информации и оптимального планирования, выбором технических средств, реализующих эти алгоритмы, обоснованием значений параметров оборудования, определением целесообразных режимов его работы и т. д.
На основе анализа потоков информации необходимо решить одну из наиболее важных задач анализа строения процесса управления— задачу выделения информации, существенной для управления. Как показывает опыт, процессы управления являются весьма сложными процессами, зависящими от большого количества параметров. Если при построении методов управления учитывать всевозможные детали и тонкости, свойственные данному процессу, то мы неизбежно придем к сложным методам управления, требующим для своей реализации громоздкого и дорогостоящего оборудования. В то же время мы не гарантированы при этом от бесполезной передачи и обработки большого количества ненужной информации.
Для того чтобы построить оптимальные методы управления, необходимо выделить такое минимальное количество информации, которое еще обеспечивает заданное качество продукции. Для оценки качества управления выбираются специальные критерии. Часто в связи с трудностями обоснованного выбора критериев качество управления приходится оценивать при помощи общих критериев эффективности процесса: например, метод управления, обеспечивающий большую производительность (при прочих равных условиях), считается лучшим.
Однако во всех случаях процедура оценки значимости потоков информации или параметров носит характер опробования некоторого количества выбранных вариантов.
Выделив информацию, существенную для управления, переходим к рассмотрению возможной структуры системы управления. Одним из вопросов, возникающих при этом, является оценка оптимальной централизации (децентрализации) управления. Решение задачи можно получить, анализируя варианты системы при различной степени централизации управления.
Наконец, анализ вариантов может быть использован для получения комплексной оценки эффективности (а также и рентабельности) тех или других вариантов автоматизации управления.
Моделирование — один из наиболее распространенных способов изучения различных процессов и явлений. В настоящее время известны и широко используются в научных исследованиях и инженерной практике многочисленные методы и приемы моделирования. Обычно различают физическое моделирование и математическое моделирование.
При физическом моделировании модель воспроизводит изучаемый процесс (оригинал) с сохранением его физической природы. К этому виду моделирования относятся продувка моделей самолетов в аэродинамических трубах, оценка свойств гидротехнических сооружений при помощи макетов русловых потоков и т. д. Преимущества физического моделирования перед натурным экспериментом заключаются в том, что условия реализации процесса-модели могут значительно отличаться от условий, свойственных процессу-оригиналу, и выбираются, исходя из удобства и простоты исследования.
Поскольку при моделировании нет необходимости сохранять размеры сооружений, скорости течения жидкостей и газов, нагрузки на элементы конструкций и т. д., имеется возможность получить существенный выигрыш во времени и стоимости исследования. Однако условия моделирования выбираются не абсолютно произвольно. Между процессом-оригиналом и процессом-моделью должны быть сохранены некоторые соотношения подобия, вытекающие из закономерностей физической природы явлений и гарантирующие возможность использования сведений, получаемых путем моделирования, для оценки свойств процесса-оригинала.
Физическое моделирование имеет ограниченную сферу применения. Заведомо более широкими возможностями обладает математическое моделирование. Под математическим моделированием понимают способ исследования различных процессов путем изучения явлений, имеющих различное физическое содержание, но описываемых одинаковыми математическими соотношениями. В простейших случаях для этой цели используются известные аналогии между механическими, электрическими, тепловыми и другими явлениями.
Примером такой аналогии могут служить гармонические колебания. В самом деле, пусть §(/)—отклонение центра масс пружинного маятника от положения равновесия в момент времени t, т — его масса, а — ^s(0—сила, действующая на маятник со стороны пружины (г|) — жесткость пружины). Тогда уравнение колебаний маятника имеет вид
т^г- = -№«). (2.1)
\ь Обозначив — = 0)2 и £,(() = z, можем записать уравнение
(2.1) в общей форме уравнения свободных колебаний
dt'2
(2-2)
Рассмотрим теперь свободные колебания в электрическом контуре. Если обозначить емкость конденсатора С, его заряд в момент времени t через q(t), а индуктивность катушки L, то уравнение колебаний принимает вид
d*q(t) . q(t) _,
L dt2 ~r~C~—U'
(2.3)
Введя обозначения Trr = cuo' <?(0 — z> придем опять к (2.2).
Из приведенных соотношений следует, что закономерности, свойственные колебательному контуру (например, зависимость амплитуды и частоты колебаний от его параметров L и С), можно изучать на модели, представляющей собой пружинный маятник, и наоборот.
Многие механические, электрические и тепловые явления (например, установившаяся температура и электрический потенциал скоростей при движении однородной несжимаемой жидкости и т. д.) описываются так называемым уравнением Лапласа
Мы не можем здесь останавливаться на многочисленных примерах аналогий, находящих применение в практике моделирования. Существенным моментом является то обстоятельство, что при изучении любого процесса методом математического моделирования необходимо в первую очередь построить его математическое описание, или, как мы далее будем говорить, ма-тематическую модель. В простейших случаях, таких, как рассмотренные выше, математическая модель позволяет для данного процесса-оригинала подобрать на основании известных аналогий удобные физические процессы-модели, а также установить соотношения подобия, связывающие их параметры, без которых трудно использовать результаты моделирования для изучения процесса-оригинала. В более сложных случаях, когда для моделирования создаются специальные моделирующие установки (стенды) или используются быстродействующие вычислительные машины, математическая модель необходима для определения структуры и параметров стенда или построения моделирующего алгоритма.