2. Оценка сложности системы

Следует отметить, что общие методы оценки сложности представляют собой значительный теоретический и практический интерес.

Для примера, показывающего возможность выполнения формализованной оценки сложности систем, рассмотрим простейших подход, связанный с элементарной характеристикой сложности систем (S_S) в виде ее интегральной оценки по типу элементов. Такую оценку можно определить следующим образом:

S_S = S₁* K₁ + S₂* K₂ + ... + S_N* K_N ,

где N - число типов элементов в системе; K_i - количество элементов i-ого типа; S_i -сложность элемента i-ого типа, i=1,2,...,N.

Критерий оценки прост, но не лишен недостатков. В частности, он не учитывает структуру системы. Действительно, в критерии не отражены сложность функций реализуемых системой и количество связей (прямых и обратных) между элементами.

Обобщая предыдущий критерий с позиции учета не только типов, но и взаимосвязей между элементами системы, интегральную оценку сложности можно описать следующим уравнением:

S_s = (1 + V* R)* (S₁* K₁ + S₂* K₂ + ... + S_N* K_N), R = F/(N* (N-1)),

где используются следующие обозначения: N* (N-1) - число максимально возможных двойных связей (прямых и обратных) в системе из N элементов; F - количество фактически существующих связей между элементами; R - относительное число практически реализуемых связей; V - весовой коэффициент, соотносящий по степени сложности типы и взаимосвязи элементов системы.

3. Классификатор систем по управлению

Продолжим изучение систем, остановившись на вопросах их классификации по управлению, если детализировать это классификационное основание, то используя ранее введенные признаки, можно построить классификатор систем, приведенный на рис. 26.

Рис.26.

Первый уровень классификатора предназначается для разделения систем по принципу организации управления, т.е. поступающего извне системы или формируемого внутри, или осуществляемого частично извне и частично внутри.

Второй уровень классификации, рассматривает задачу продолжения классификации выделенных групп систем в зависимости от уровня априорной (начальной) неопределенности:

во-первых, о траекториях, приводящих системы к заданным целям;

во-вторых, о возможностях систем удерживать объекты на заданных траекториях и выполнять требуемые программы.

Классификацию систем по признаку уровня априорной неопределенности можно охарактеризовать следующим образом:

1.Наиболее простой случай имеет место, когда точно известны как траектория, так и возможности системы (нулевая неопределенность), в этой ситуации известно и "правильное управление". Примеры - обработка данных на ЭВМ; пользование телефоном-автоматом; управление станками с числовым программным управлением и т.д. Заметим, что в этом случае объекты управления являются полностью управляемыми и наблюдаемыми.

2.В тех же случаях, когда системный объект полностью управляем и наблюдаем, но подвержен действию возмущений (помех), приводящих к нарушению плановой траектории, очевидно, что "правильное управление" не может быть задано априорно, поскольку возможности системы ограничены из-за отсутствия полной информации (или наличия априорной неопределенности) о действии помех.

При этом, как правило, управление в системе определяется в соответствии с рассогласованием между фактической и плановой траекториями на основе использования текущей (апостериорной) информации. Примеры - работа оператора по управлению технологическим процессом; функционирование автопилота летательного аппарата; действия диспетчера цеха по выполнению сменно-суточных заданий и т.д.

3.Более сложным по управлению является случай, когда уровень априорной неопределенности достаточно высок и связан как с влиянием неконтролируемых возмущений, так и с заранее неизвестным изменением параметров объекта, приводящим к существенному отклонению фактической траектории системы от заданной.

При этом управление обычно строится на основе применения методов адаптации или прогноза, с помощью которых обеспечивается достижение поставленных целей. Примеры - реформирование календарных планов работы производственных подразделений; самонастройка регуляторов автоматических систем управления; адаптация живых организмов к изменению условий жизни и т.д.

4.Наиболее сложный случай управления системой возникает тогда, когда уровень априорной неопределенности (в указанном выше смысле) высок настолько, что среди всех возможных значений параметров системы отсутствуют те, с помощью которых можно было бы обеспечить выполнение поставленной цели. Последнее означает, что ранее сформулированная цель для данной системы уже не достижима и речь идет о создании другой системы, за счет изменения структуры и функций предыдущей.

Примеры - проведение радикальной экономической и организационной реформы (перестройки) в народном хозяйстве; развитие гибких автоматизированных производств; процесс естественного отбора в природе и т.п.

В заключение, приведем еще несколько уровней классификации систем, выделяя на каждом из уровней, в качестве примера, отдельную группу систем.

Для определенности предмета классификации, далее будем рассматривать только технические системы. В частности, если на втором уровне классификатора выбрать группу адаптивных систем управления, то используя классификационный признак по способу организации управления, получим классификацию систем, показанную на рис. 27.

Рис. 27.

Самонастраивающиеся системы (СНС) характеризуются наличием специальных контуров самонастройки, с помощью которых оцениваются свойства системы и формируются такие управления, под действием которых системы самопроизвольно приближается к определенному эталону (желаемой траектории, заданному плану и т.д.).

Обучающиеся системы управления (ОСУ) характеризуются наличием специальных процессов обучения, которые заключаются в постепенном накапливании, запоминании и анализе информации о поведении системы и изменении законов функционирования в зависимости от приобретаемого опыта.

Интеллектуальные адаптивные системы (ИАС) используют экспертные процедуры принятия решений для получения наилучшего в некотором смысле притяжения фактической траектории к заданной. При этом основным признаком ИАС является разрыв традиционного контура самонастройки с помещением в точку разрыва интеллектуального блока (базы знаний). В качестве примера можно отметить, что существует, по крайней мере, два пути рационального использования информации, накапливаемой в базе знаний ИАС в виде моделей идентификации (определения) текущих характеристик системы. С одной стороны, оперируя вектором притяжения, можно выбирать лучшую в некотором смысле модель базы знаний. С другой стороны, можно использовать традиционный контур идентификации только для пополнения моделей в базе знаний.

Если теперь рассмотреть классификацию, например, самонастраивающихся (СНС) систем, то их можно разделить на поисковые и беспоисковые. Такое разделение систем выполняется при использовании классификационного признака "по способу нахождения экстремума функционала качества", поскольку большинство контуров самонастройки создаются с целью обеспечения в системе заданного качества управления.

Действительно, в процессе работы системы значение функционала качества, отражающего некую содержательную характеристику рассогласования, изменяется и задача контура самонастройки, в этом случае, сводится к обеспечению экстремального (минимального или максимального) значения критерия.

В поисковых СНС поддержание экстремума критерия качества осуществляется с помощью пробных отклонений системы.

В беспоисковых системах (БСНС) используются аналитические способы определения экстремального значения критерия качества, имеющего вид функционала или функции от параметров и координат системы.

БСНС с настраиваемой моделью представляют собой системы управления с идентификатором (последовательным, параллельным, комбинированным), с помощью которого вначале определяются параметры системы и только затем формируется требуемое управление.

БСНС с явной эталонной моделью включают в себя специально организованный контур, который задает желаемое (эталонное) поведение системы в текущем времени (непрерывно или дискретно). При этом система вырабатывает необходимое для достижения цели управление без идентификации параметров, причем в любой из рассматриваемых моментов времени заданная, желаемая (эталонная) траектория движения системы известна.

БСНС с неявной моделью отличается от предыдущей БСНС тем, что реализация "эталона" осуществляется в виде некоторого уравнения, которое описывает желаемое поведение системы по окончанию процесса адаптации. Иначе говоря, система стремится к "эталону" как к некоторому ориентиру, который задан неявно, поскольку описывает желаемые свойства системы в установившемся режиме.