«Чувашский государственный педагогический университет им. И.Я. Яковлева»

 

 

 

 

 

 

Вячеслав  Никишев

 

 

 

 

 

 

 

 

Основы  современной

кибернетики

 

 

 

 

 

 

 

 

Чебоксары 2020

 

 

 

 

 

УДК 510.67(075.8)

ББК в181 я 73

      Н62

 

Основы  современной

кибернетики

 

 

 

 

 

Никишев В. К.

Н62 / В. К. Никишев. – Чебоксары:  

ISBN978-5-7677-1876-4

 

В учебном пособии представлен теоретический и практический материалы по основам современной кибернетики. Дается обзор современных видов кибернетики: , биологической, медицинской, технической, экономической. Учебное пособие будет полезно для   преподавателей, аспирантов и студентов  высших учебных заведений, использующих в учебном процессе современные методы кибернетики – науки об управления различными процессами и объектами.

 

 

 

 

 

     ISBN 978-5-7677-1739-2                                           УДК 004/92(076/5)

ББК в181 я 73

© Издательство Чувашского  

                                                                Педагогического Университета, 2020

 © Никишев В. К., 2020

 

Предисловие

              Основы  современной кибернетики

В настоящее время в учебных планах  различных учебных заведениях по направлениям: прикладная информатика, информатика и программирование, программная инженерия, управления в муниципальных учреждениях и т. д. включаются дисциплины по основам кибернетики, основам информатики и программирования, основам моделирования. В состав информатики в качестве одной из основных областей знаний входит кибернетика. Кибернетика появилась в 1948 году т. е. значительно раньше, чем информатика. Кибернетика  - это наука об общих закономерностях процессов управления и передачи информации в различных системах:  машинах, живых организмах или в обществе  Информа́тика - наука о методах и процессах сбора, хранения, обработки, передачи, анализа и оценки информации с применением компьютерных технологий, обеспечивающих возможность ее использования для принятия решений. Информатика как научное направление и учебная дисциплин ведена в 1962 году, а первый учебных по основам информатики был выпущен в 1968 году. В понятиях как кибернетика, так и информатика есть общие вопросы и особенно важной составляющей это использование ЭВМ для обработки информации. Однако есть  и чисто кибернетические темы, связанные с управлением сложными системами с использованием таких систем как искусственный интеллект, системы распознавания образов, принятия решений и много других современных принципов управления различными системами.

В настоящее время появились высшие учебные заведения, кафедры по подготовке специалистов по кибернетическим направлениям. Кибернетик – это системный аналитик, который не только помогает выбрать правильное решение при возникновении проблемной ситуации, но и позволяет эту ситуацию предвидеть и предупредить. Кибернетики изучают динамические системы, т. е. системы, способные воспринимать и перерабатывать информацию, а также обмениваться ею, системы, которые способны к развитию своих состояний.

В настоящее время появилось много кибернетических направлений: техническая кибернетика, экономическая кибернетика, биологическая  и медицинская кибернетика и т. д.

Так, в  медицинских учреждений проходят обучение по таким направлениям: аппаратная диагностика и лечение; разработка автоматизированных систем; методы настройки и управления медтехникой; решение организационных проблем в системе здравоохранения. Повсеместное внедрение компьютеризации и автоматических систем управления привело к резкому сокращению бумажного документооборота. Со своих рабочих мест медицинский персонал вводит информацию в компьютеры, получая на выходе результаты анализа введенных данных. Кроме этого, существенно изменилась форма получения сведений из общей базы, сократилось время обработки запросов, упростились формы подачи отчетности. Все это привело к значительному повышению эффективности работы персонала медучреждений. В этом улучшении немалую роль сыграла медицинская кибернетика.

Нельзя не акцентировать внимание на таких направлениях о кибернетике: управление ротами, беспилотными летающими аппаратами БПЛА и другими ракетами и спутниками, луноходами и марсоходами.

 

 

 

 

 

Глава 1. Введение в кибернетику

1.1 Связь информатики и кибернетики

Кибернетика (от др.-греч. --«искусство управления»)-- наука об общих закономерностях процессов управления и передачи информации в машинах, живых организмах и обществе.

Развитие информатики тесно связано с развитием другой, близкой к ней науки - кибернетики (общей теории управления).

В 60-е и 70-е годы кибернетика бурно прогрессировала. Кибернетические и информационные идеи рассматривались нераздельно. При этом идеи информатики занимали подчинённую роль по отношению к идеям и методам кибернетики.

В конце 70-х годов началось формирование информатики как самостоятельной науки, что привело к определенному принижению роли и значения кибернетики. В настоящее время наметилась другая крайность: некоторые специалисты стали рассматривать кибернетику в качестве части информатики, что принципиально неверно.

Огромная заслуга американского учёного Норберта Винера и его последователей состоит в том, что установлена общность принципов управления в сложных системах живой и неживой природы. Винер дал обширную логико-функциональную трактовку регулирования (управления), назвав его кибернетикой.

В.М. Глушков рассматривал кибернетику как науку «об общих законах преобразования информации в сложных управляющих системах».

При этом исследовалась зависимость между управлением и информацией. Любой системе управления объективно присущи информационные связи. Информационная модель социального управления отражает совокупность информационных потоков, которые обусловлены решением поставленных (управленческих) задач.

Опишем коротко составные части «ядра» современной информатики. Каждая из этих частей может рассматриваться как относительно самостоятельная научная дисциплина; взаимоотношения между ними примерно такие же, как между алгеброй, геометрией и математическим анализом в классической математике -- все они хоть и самостоятельные дисциплины, но, несомненно, части одной науки.

Прежде всего, различают наиболее крупные составляющие:

· теоретическую информатику как фундаментальную науку,

· прикладную информатику, включающую в себя, прежде всего, разработку средств информатизации,

· информационные технологии, являющиеся в настоящее время базой многих отраслей народного хозяйства

· новейшее направление - социальную информатику.

Далее приводится более подробное изложение структуры научных и дисциплин и технических направлений, охватывающих все области современной информатики.

1 Теоретическая информатика:

1.1 Информация как семантическое свойство материи.

1.2 Информация и эволюция в живой и неживой природе.

1.3 Общая теория информации. Методы измерения информации. Макро - и микроинформация.

1.4 Математические и информационные модели.

1.5 Теория алгоритмов.

1.6 Стохастические методы в информатике.

1.7 Вычислительный эксперимент как методология научного исследования.

1.8 Информация и знания:

1.8.1 Семантические аспекты интеллектуальных процессов и информационных систем.

1.8.2 Информационные системы искусственного интеллекта.

1.8.3 Методы представления знаний.

1.8.4 Познание и творчество как информационные процессы.

1.9 Теория и методы разработки и проектирования информационных систем и технологий.

2 Прикладная информатика, включающая вопросы программирования и реализации различных технологий:

2.1 Персональные компьютеры. Рабочие станции. Устройства ввода/вывода и отображения информации. Аудио- и видеосистемы, системы мультимедиа. Сети ЭВМ. Средства связи и компьютерные телекоммуникационные системы.

2.2 Операционные системы и среды. Системы и языки программирования. Сервисные оболочки, системы пользовательского интерфейса. Программные средства межкомпьютерной связи (системы теледоступа), вычислительные и информационные среды. Текстовые и графические редакторы. Системы управления базами данных. Процессоры электронных таблиц. Средства моделирования объектов, процессов, систем. Информационные языки и форматы представления данных и знаний; словари; классификаторы; тезаурусы. Средства защиты информации от разрушения и несанкционированного доступа. Издательские системы.

2.3 Системы реализации технологий автоматизации расчетов, проектирования, обработки данных (учета, планирования, управления, анализа, статистики и т.д.).

2.4 Системы искусственного интеллекта (базы знаний, экспертные системы, диагностические, обучающие и др.).

2.5 Информационные технологии:

2.5.1 Ввода/вывода, сбора, хранения, передачи и обработки данных. Подготовки текстовых и графических документов, технической документации.

2.5.2 Интеграции и коллективного использования разнородных информационных ресурсов. Защита информации.

2.5.3 Программирования, проектирования, моделирования, обучения, диагностики, управления (объектами, процессами, системами).

2.6 Социальная информатика:

2.6.1 Информационные ресурсы как фактор социально-экономического и культурного развития общества.

2.6.2 Информационное общество -- закономерности и проблемы становления и развития. Информационная инфраструктура общества. Проблемы информационной безопасности.

2.6.3 Новые возможности развития личности в информационном обществе.

2.6.4 Проблемы демократизации в информационном обществе и пути их решения.

2.6.5 Информационная культура и информационная безопасность личности.

Третья составляющая информатики -- программное обеспечение -- неоднородна и имеет сложную структуру, включающую несколько уровней: системный, служебный, инструментальный, прикладной.

На низшем уровне находятся комплексы программ, осуществляющих интерфейсные функции (посреднические между человеком и компьютером, аппаратным и программным обеспечением, между одновременно работающими программами), т.е. распределения различных ресурсов компьютера. Программы этого уровня называютсясистемными. Любые пользовательские программы запускаются под управлением комплексов программ, называемых операционными системами.

Следующий уровень - это служебное программное обеспечение. Программы этого уровня называются утилитами, выполняют различные вспомогательные функции. Это могут быть диагностические программы, используемые при обслуживании различных устройств (гибкого и жесткого диска), тестовые программы, представляющие комплекс программ технического обслуживания, архиваторы, антивирусы и т.п. Служебные программы, как правило, работают под управлением операционной системы (хотя могут и непосредственно обращаться к аппаратному обеспечению), поэтому они рассматриваются как более высокий уровень. В некоторых классификациях системный и служебный уровни объединяются в один класс -- системного программного обеспечения

Инструментальное программное обеспечение представляет комплексы программ для создания других программ. Процесс создания новых программ на языке машинных команд очень сложен и кропотлив, поэтому он низкопроизводителен. На практике большинство программ составляется на формальных языках программирования, которые более близки к математическому, следовательно, проще и производительней в работе, а перевод программ на язык машинных кодов осуществляет компьютер посредством инструментального программного обеспечения. Программы инструментального программного обеспечения управляются системными программами, поэтому они относятся к более высокому уровню.

Прикладное программное обеспечение -- самый большой по объему класс программ, это программы конечного пользователя. В следующей лекции будет дано подробное описание и классификация программ, входящих в этот класс. Пока же скажем, что в мире существует около шести тысяч различных профессий, тысячи различных увлечений и большинство из них в настоящее время имеет какие-либо свои прикладные программные продукты. Прикладное программное обеспечение также управляется системными программами, и имеет более высокий уровень.

 

1.2 Назначение, структура современной кибернетики

Кибернетика - наука об общих закономерностях процессов управления и передачи информации в технических, биологических и социальных системах. Кибернетика -  это наука о системах любой природы, способных воспринимать, хранить и перерабатывать информацию и использовать ее для управления и регулирования.

Впервые понятие «кибернетика» определил в 1830 году Андре-Мари Ампер, который в своем «Опыт о философии наук» определил кибернетику как науку об управлении государством.  А в современном понимании впервые был предложен  в 1948 году Норбертом Винером (1894-1964) (американским ученым)— как наука об общих закономерностях процессов управления и передачи информации в машинах, живых организмах и обществе, которая изучает управления, коммуникации, самоорганизации, обратные связи в живых организмах,  машинах и  организациях.  Она возникла на стыке математики, теории информации, техники и нейрофизиологии. 

Объектом кибернетики являются все управляемые системы.  Кибернетические системы рассматриваются абстрактно, вне зависимости от их материальной природы. Примеры кибернетических систем — автоматические регуляторы в технике, ЭВМ, человеческий мозг, биологические популяции, человеческое общество. Каждая такая система представляет собой множество взаимосвязанных объектов (элементов системы), способных воспринимать, запоминать и перерабатывать информацию. Кибернетика разрабатывает общие принципы создания систем управления и систем для автоматизации умственного труда.  Кибернетика является междисциплинарной наукой. Она возникла на стыке математики, логики, семиотики, физиологии, биологии, социологии. В  кибернетику входят следующие теории:   управления,  автоматов, принятия решений, синергетика, алгоритмов, распознавание образов,  оптимального управления.

Кибернетика — наука об оптимальном управлении сложными динамическими системами, изучающая общие принципы управления и связи, лежащие в основе работы самых разнообразных по природе систем — от ракет, снарядов и быстродействующих вычислительных машин до сложного живого организма.

Справка. Управление — это перевод управляемой системы из одного состояния в другое посредством целенаправленного воздействия управляющего.

 Оптимальное управление — это перевод системы в новое состояние с выполнением некоторого критерия оптимальности, например, минимизации затрат времени, труда, веществ или энергии.

 Сложная динамическая система — это любой реальный объект, элементы которого изучаются в такой высокой степени взаимосвязи и подвижности, что изменение одного элемента приводит к изменению других.

В настоящее время в качестве перспективных областей знаний в кибернетике объединяются в понятие Кибернетика второго порядка.

В это понятие входят следующие направления:

• Искусственный интеллект
• Компьютерное зрение
• Системы управления
• Эмерджентность
• Обучающиеся организации
• Новая кибернетика
• Теория общения

В биологии

Кибернетика в биологии — исследование кибернетических систем в биологических организмах, прежде всего сосредотачиваясь на том, как животные приспосабливаются к их окружающей среде, и как информация в форме генов передаются от поколения к поколению. Также имеется второе направление — киборги.

• Биоинженерия
• Биологическая кибернетика
• Биоинформатика
• Бионика
• Медицинская кибернетика
• Нейрокибернетика
• Гомеостаз
• Синтетическая биология
• Системная биология

Теория сложных систем

Теория сложных систем анализирует природу сложных систем и причины, лежащие в основе их необычных свойств.

• Сложная адаптивная система
• Сложные системы
• Теория сложных систем

В компьютерной науке

Компьютерная наука напрямую применяет концепты кибернетики для управления устройствами и анализа информации.

• Робототехника
• Система поддержки принятия решений
• Клеточный автомат
• Симуляция

В инженерии

Кибернетика в инженерии используется, чтобы проанализировать отказы систем, в которых маленькие ошибки и недостатки могут привести к сбою всей системы.

• Адаптивная система
• Инженерная кибернетика
• Эргономика
• Биомедицинская инженерия
• Нейрокомпьютинг
• Техническая кибернетика
• Системотехника

В экономике и управлении

                   Кибернетическое управление

• Экономическая кибернетика
• Исследование операций
• Системотехника

В математике

                   Динамическая система

• Теория информации
• Теория систем

В психологии

                Психологическая кибернетика

В социологии

              Меметика

- Социальная кибернетика

Кибернетика породила науку, информатику, которая возникла в результате роста потребности в педагогике, экономики, медицине, биологии. в вычислительных машинах и такого же роста мощности последних. Современное понятие информации, к которому также был причастен Н. Винер, вошло в повседневность. Современное использование законов кибернетики сугубо прагматично и утилитарно, но начинается оно с изучения и освоения законов, описанных ещё Н. Винером.

Кибернетика - это фундаментальный труд, который описывает главные понятия и принципы управления информации. Изучением процессов управления в природе, обществе и технике и занимается наука кибернетика.

1. Кибернетика как наука, основные понятия кибернетики

Кибернетика - наука об общих закономерностях процессов управления и передачи информации в технических, биологических и социальных системах. Термином «кибернетика» 2500 лет назад древнегреческий философ Платон называл «искусством управления кораблем». В начале XIX в. французский физик и математик А.М. Ампер называл кибернетику наукой об управлении государством. Кибернетика возникла в 40-х гг. XX в. в результате насущной практической потребности в повышении качества управления в производственно-технической, хозяйственной, политической, военной и других областях человеческой деятельности. Её основателем является американский математик Н. Винер (1894-1964), выпустивший в 1948 году книгу «Кибернетика, или управление их связь в животном и машине». Она возникла на стыке математики, теории информации, техники и нейрофизиологии, ее интересовал широкий класс, как живых, так и неживых систем. В Советском Союзе разработками в этой области занимались И. Полетаев, М. Цетлин, В. Глушков, А. Берг, И. Петровский и другие.

Со сложными системами управления человек имел дело задолго до кибернетики (управление людьми, машинами; наблюдал регуляционные процессы у живых организмов). Но кибернетика выделила общие закономерности управления в различных процессах и системах, а не их специфику. В «докибернетический» период знания об управлении и организации носили «локальный» характер, т. е. в отдельных областях. Так, еще в 1843 г. польский мыслитель Б. Трентовский опубликовал малоизвестную в настоящее время книгу «Отношении философии к кибернетике как искусству управления народом». В своей книге «Опыт философских наук» в 1834 году известный физик А.М. Ампер дал классификацию наук, среди которых третьей по счету стоит кибернетика - наука о текущей политике и практическом управлении государством (обществом).

В общую кибернетику обычно включают теорию информации, теорию алгоритмов, теорию игр и теорию автоматов, техническую кибернетику. В кибернетике можно выделить ряд научных направлений:

- Теоретическая кибернетика занимается общими проблемами теории управления, теории информации, вопросами передачи, защиты, хранения и использования информации в системах управления. Многие проблемы теоретической кибернетики изучаются в теоретической информатике.

- Техническая Кибернетика - отрасль науки, изучающая технические системы управления. Важнейшие направления исследований разработка и создание автоматических и автоматизированных систем управления, а также автоматических устройств и комплексов для передачи, переработки и хранения информации.

- Биологическая кибернетика применяет идеи и методы кибернетики в биологии и медицине. Особое место в этом направлении исследований играет нейрокибернетика, изучающая процессы переработки информации в нервной ткани животных и человека, а также бионика - наука о том, как находки живой природы, реализованные в живых организмах, можно переносить в искусственные системы, создаваемые человеком.

- Гомеостатика - наука о достижении равновесных состояний - при наличии многих действующих одновременно факторов связывает модели биологической кибернетики и технической кибернетики. Кибернетику интересует равновесные состояния в таких системах и способы их достижения.

- Экономическая кибернетика - изучает процессы управления, протекающие в экономике. Социальная кибернетика изучает процессы управления, протекающие в человеческом обществе. Это направление кибернетики тесно смыкается с социальной психологией.

К основным задачам кибернетики относятся: 1) установление фактов, общих для управляемых систем или для некоторых их совокупностей; 2) выявление ограничений, свойственных управляемым системам и установление их происхождения; 3) нахождение общих законов, которым подчиняются управляемые системы; 4) определение путей практического использования установленных фактов и найденных закономерностей.

Основные понятия кибернетики: управление, управляющая система, управляемая система, организация, обратная связь, алгоритм, модель, оптимизация, сигнал, «черный ящик» и др. Управление - это воздействие на объект, выбранное на основании имеющейся для этого информации из множества возможных воздействий, улучшающее его функционирование или развитие. У управляемых систем всегда существует некоторое множество возможных изменений, из которого производится выбор предпочтительного изменения. Если у системы нет выбора, то не может быть и речи об управлении.

Управление - это вызов изменений в системе или перевод системы из одного состояния в другое в соответствии с объективно существующей или выбранной целью. Управлять - это и предвидеть те изменения, которые произойдут в системе после подачи управляющего воздействия (сигнала, несущего информацию). Всякая система управления рассматривается как единство управляющей системы (субъекта управления) и управляемой системы - объекта управления. Управление системой или объектом всегда происходит в какой-то внешней среде. Поведение любой управляемой системы всегда изучается с учетом ее связей с окружающей средой. Поскольку все объекты, явления и процессы взаимосвязаны и влияют друг на друга, то, выделяя какой-либо объект, необходимо учитывать влияние среды на этот объект и наоборот. Свойством управляемости может обладать не любая система. Необходимым условием наличия в системе хотя бы потенциальных возможностей управления является ее организованность.

Чтобы управление могло функционировать, то есть целенаправленно изменять объект, оно должно содержать четыре необходимых элемента: 1. каналы сбора информации о состоянии среды и объекта; 2. канал воздействия на объект; 3. цель управления. 4. способ (алгоритм, правило) управления, указывающий, каким образом можно достичь поставленной цели, располагая информацией о состоянии среды и объекта.

В кибернетике впервые было сформулировано понятие «черного ящика» как устройство, по словам Н. Винера, «которое выполняет определенную операцию над настоящим и прошлым входного потенциала, но для которого не обязательно располагать информацией о структуре, обеспечивающей выполнение этой операции».

Понятие цели и целенаправленность. Основатель кибернетики Н. Винер писал, что «действие или поведение допускает истолкование как направленность на достижение некоторой цели, т. е. некоторого конечного состояния, при котором объект вступает в определенную связь в пространстве и во времени с некоторым другим объектом или событием».

Цель определяется как внешней средой, так и внутренними потребностями субъекта управления. Цель должна быть принципиально достижимой, она должна соответствовать реальной ситуации и возможностям системы (управляющей и управляемой). За счет управляющих воздействий управляемая система может целенаправленно изменять свое поведение. Целенаправленность управления биологических управляемых систем сформирована в процессе эволюционного развития живой природы. Она означает стремление организмов к их выживанию и размножению. Целенаправленность искусственных управляемых систем определяется их разработчиками и пользователями.

Понятие обратной связи. Управление по «принципу обратной связи». Принцип обратной связи характеризует информационную и пространственно-временную зависимость в кибернетической системе. В широком смысле понятие обратной связи, по словам Н. Винера, «означает, что часть выходной энергии аппарата или машины возвращается как вход. В узком смысле для обозначения того, что поведение объекта управляется величиной ошибки в положении объекта по отношению к некоторой специфической цели. В этом случае обратная связь отрицательна, т.е. сигналы от цели используются для ограничения выходов, которые в противном случае шли бы дальше цели». Если поведение системы усиливает внешнее воздействие, то имеем дело с положительной обратной связью, а если уменьшает, - то с отрицательной обратной связью. Особый случай - гомеостатические обратные связи, которые сводят внешнее воздействие к нулю (например, температура тела человека, которая остается постоянной благодаря гомеостатическим обратным связям). Понятие обратной связи имеет отношение к цели управления. Поведение объекта управляется величиной ошибки в положении объекта по отношению к стоящей цели.

Понятие информации. Управление - информационный процесс. Информация - «пища», «ресурс» управления. Поэтому кибернетика есть вместе с тем наука, об информации, об информационных системах и процессах. «Информация» связана со сведениями, сообщениями и их передачей. Бурное развитие в нашем веке телефона, телеграфа, радио, телевидения и других средств массовой коммуникации потребовало повышения эффективности процессов передачи, хранения и переработки передаваемых сообщении информации. «Докибернетическое» понятие информации связано с совокупностью сведений, данных и знаний. Оно стало явно непонятным, неопределенным с возникновением кибернетики. Понятие информации в кибернетике уточняется в математических «теориях информации». Это теории статистической, комбинаторной, топологической, семантической информации.

В отечественной и зарубежной литературе предлагается много разных концепций (определений) информации: информация как отраженное разнообразие; информация как устранение неопределенности (энтропии); информация как связь между управляющей и управляемой системами; информация как преобразование сообщений; информация как единство содержания и формы (например, мысль - содержание, а само слово, звук - форма); информация - это мера упорядоченности, организации системы в ее связях с окружающей средой.

Общее понятие информации должно непротиворечиво охватывать все определения информация, все виды информации. Такого универсального понятия информации еще не разработано. Информация может быть структурной, застывшей, окостенелой. Например, в минералах, машинах, приборах, автоматических линиях. Любая машина - это овеществленная научная и техническая информация, разум общества, ставший предметом. Информация может быть также функциональной, «актуальным управлением». Информация измеримая величина. Она измеряется в битах.

Основные свойства информации: 1) способность управлять физическими, химическими, биологическими и социальными процессами. Там, где есть информация, действует управление, а там, где осуществляется управление, непременно присутствует и информация; 2) способность передаваться на расстоянии (при перемещении инфоносителя); 3) способность информации подвергаться переработке; 4) способность сохраняться в течение любых промежутков времени и изменяться во времени; 5) способность переходить из пассивной формы в активную. Например, когда извлекается из «памяти» для построения тех или иных структур (синтез белка, создание текста на компьютере).

Информация существенно влияет на ускоренное развитие науки систем управления, техники и различных отраслей народного хозяйства. Политика, политическое управление, экономика - это концентрированная смысловая информация, т. е. такая, которая перерабатывается человеческим сознанием и реализуется в различных социальных сферах. Она обусловлена политическими, экономическими потребностями общества и циркулирует в процессе управления производством и обществом. Социальная информация играет огромную роль в обеспечении правопорядка, работы правоохранительных органов, в деле образования и воспитания подрастающих поколений. Информация - первооснова мира, всего сущего. Современным научным обобщением всех информационных процессов в природе и обществе явилась информациология - генерализованная наука о природе информации и законах информации.

Понятие самоорганизации. В современную науку это понятие вошло через идеи кибернетики. Процесс самоорганизации систем обусловлен таким неэнтропийным процессом, как управление. Энтропия - мера неорганизованности, хаоса. Энтропия и информация, как правило, рассматриваются совместно. Информация - это то, что устраняет неопределенность, количество «снятой» неопределенности. Тенденция к определенности, к повышению информативности - процесс негэнтропийный (процесс с обратным знаком).

Термин «самоорганизующаяся система» ввел кибернетик У. Р. Эшби для описания кибернетических систем. Для самоорганизующихся систем характерны: 1) способность активно взаимодействовать со средой, изменять ее в направлении, обеспечивающим более успешное функционирование системы; 2) наличие определенной гибкости структуры или адаптивного механизма, выработанного в ходе эволюции; 3) непредсказуемость поведения самоорганизующихся систем; 4) способность учитывать прошлый опыт или возможность научения. Одним из первых объектов, к которым были применены принципы самоорганизации, был головной мозг.

Использование понятий и идей кибернетики в вопросах физики, химии, биологии, социологии, психологии и других науках дали превосходные всходы, позволили глубоко продвинуться в сущность процессов, протекающих в неживой и живой природе.

1.3  Кибернетика в научной картине мира

Кибернетика устранила принципиально неполную научную картину мира, которая была присуща науке XIX и первой половине XX века. Классическая и неклассическая наука строила представление о мире на двух фундаментальных постулатах - материя и энергия. Создавала вещественно- энергетическую, вещественно- полевую картину мира.

На постулатах о материи и энергии строились представления о пространстве и времени. Но в палитре научной картины мира не хватала важнейшей «краски» - информации. Самая глубокая причина сопряжения пространства и времени, а равно всех изменений в мире проистекает из изменения массы, энергии и информации. Опыт развития науки последнего времени показал, что реальный мир состоит из этих предельно фундаментальных элементов - системы материальных объектов, вещественно-энергетические процессы являются и носителями, хранителями и потребителями информации.

Кибернетика (вместе с теорией информации) дала новое представление о мире, основанное на информации, управлении, организованности, обратной связи, целенаправленности. Создала информационную картину мира. Не энергия, а информация выйдет в XXI столетии на первое место в мире научных понятий.

Фундаментальный характер информации означает, что хаос не может быть абсолютным. В любом хаосе существует некоторый уровень упорядоченности. Космос не способен опуститься до сплошной энтропии. Живые организмы и социальные системы питаются отрицательной энтропией (негэнтропией), то есть они противостоят беспорядку и хаосу. Масс-энерго-информационные преобразования исчерпывают собой все возможные состояния Космоса, а равно его подсистем, включая человека, общество.

Кибернетика оказала революционизирующее влияние на теоретическое содержание и методологию всех наук. Она устранила непреодолимые грани между естественными, общественными и техническими науками. Способствовала синтезу научных знаний, создала из понятий частных наук структуры новых понятий, новый язык науки. Такие понятия, как информация, управление, обратная связь, система, модель, алгоритм и др. обрели общенаучный статус.

Кибернетика дала в руки человека сильнейшее оружие управления производством, обществом, инструмент усиления интеллектуальных способностей человека (ЭВМ). Современные ЭВМ (компьютеры) - универсальные преобразователи информации, а с преобразованием информации человек связан во всех областях своей деятельности (в политике, экономике, науке, профессиональной сфере и др.).

На мир уже нельзя смотреть «докибернетическим взглядом». Новая наука - кибернетика - сформировала свой взгляд на мир информационно-кибернетический стиль мышления.

1.    4. Основные принципы и законы кибернетики

Из кибернетики управление заимствует следующие законы и принципы необходимого разнообразия, эмерджентности, внешнего дополнения, обратной связи, выбора решения, декомпозиции, а также иерархии управления и автоматического регулирования (саморегулирования).

Закон необходимого разнообразия. По определению У.Р. Эшби, первый фундаментальный закон кибернетики заключается в том, что разнообразие сложной системы требует управления, которое само обладает некоторым разнообразием. Иначе говоря, значительное разнообразие воздействующих на большую и сложную систему возмущений требует адекватного им разнообразия её возможных состояний. Если же такая адекватность в системе отсутствует, то это является следствием нарушения принципа целостности составляющих её частей (подсистем), а именно - недостаточного разнообразия элементов в организационном построении (структуре) частей.

Ограничение разнообразия в поведении управляемого объекта достигается только за счет увеличения разнообразия органа управления (управленческих команд). Чтобы достигнуть минимума разнообразия выходных реакций (результатов деятельности) системы, управляющий орган должен быть способен к выработке определенного минимума команд и сигналов. Если его мощность ниже минимума, он не способен обеспечить полное управление.

Процесс управления, в конечном счете, сводится к уменьшению разнообразия состояний управляемой системы, к уменьшению её неопределенности. В соответствии с этим законом, с увеличением сложности управляемой системы сложность управляемого блока также должна повышаться. Поэтому все большее усложнение аппарата управления корпорациями, холдингами, финансово-промышленными группами, и т. п. организациями и их частями в современных условиях - это закономерный процесс. Другое дело, что восполнять разнообразие управляющей системы нужно за счет внедрения компьютерных и других прогрессивных технологий управления и математических методов, а не за счет привлечения дополнительных людских ресурсов.

Закон необходимого разнообразия имеет принципиальное значение для разработки оптимальной структуры системы управления. Если центральный орган управления при сохранении разумных размеров не обладает необходимым разнообразием, то следует развивать иерархическую структуру, передавая принятие определенных решений на нижние уровни и не допуская, чтобы они превращались в передаточные инстанции.

Неудовлетворительные результаты проводимой в стране экономической реформы объясняются неадекватной реакцией органов управления. В стране увеличивается разнообразие форм собственности, разновидностей структурных формирований объектов управления, моделей хозяйствования. В соответствии с этими изменениями необходимо систему управления таким развитием привести в соответствие с законом необходимого разнообразия (обеспечить льготное кредитование структурных преобразований, разумное налогообложение развивающихся предприятий, государственную политику подготовки и переподготовки кадров).

С позиции теории управления главнейшим моментом, характеризующим сложность системы, является её разнообразие. Поэтому определение степени оптимального разнообразия при разработке любых систем - организации производства, планирования, обслуживания, оперативного управления, систем оплаты труда и т. д. - является одним из наиболее важных и первоочередных этапов использования кибернетики при проектировании и функционировании организации.

Таким образом, соблюдение закона необходимого и достаточного разнообразия в проектировании и функционировании организационных систем повышает их эффективность и наоборот.

Принцип эмерджентности. Второй принцип У. Э. Эшби, выражает следующее важное свойство сложной системы: «Чем больше система и чем больше различия в размерах между частью и целым, тем выше вероятность того, что свойства целого могут сильно отличаться от свойств частей». Указанные различия возникают в результате объединения в структуре системы (частей) определенного числа однородных или разнородных частей (элементов). Этот принцип указывает на возможность несовпадения локальных целей (частных целей отдельных элементов системы) с глобальной (общей) целью системы, а отсюда - на необходимость для достижения глобальных результатов принимать решения и вести разработки по совершенствованию системы и её частей на основе не только анализа, но и синтеза. Так, например, при построении дерева целей необходимо помнить о том, что система будет более эффективно функционировать в том случае, если достижение частных целей (например, работников фирмы) способствует достижению глобального (общего) оптимума системы (фирмы в целом).

Принцип внешнего дополнения. Впервые сформулированный С.Т. Биром третий принцип кибернетики гласит: любая система управления нуждается в «черном ящике» - определенных резервах, с помощью которых компенсируются неучтенные воздействия внешней и внутренней среды. Степень реализации этого принципа и определяет качество функционирования управляющей подсистемы. Действительно, в любом, даже самом детальном и тщательно разработанном плане нельзя учесть все многочисленные факторы, воздействующие на управляемую подсистему в процессе его реализации. Например, это может проявляться в недостаточной разработке каких-либо плановых показателей, в неполном учете при планировании и управлении всех факторов развития того или иного производства, в недостаточно качественном уровне информации, циркулирующей в системе.

Закон обратной связи. Четвертый принцип кибернетики возведен в ранг фундаментального закона, который известен как закон обратной связи. Без наличия обратной связи между взаимосвязанными и взаимодействующими элементами, частями или системами невозможна организация эффективного управления ими на научных принципах. Все организованные системы являются открытыми, и замкнутость их обеспечивается только через контур прямой и обратной связи. Необходимым условием их эффективного функционирования является наличие обратной связи, сигнализирующей о достигнутом результате. На основании этой информации корректируется управляющее воздействие. Входная величина действует на управляемый процесс и в соответствии с передаточной функцией, характерной для данного объекта и определяющей соотношение между входными и выходными сигналами, превращаются в выходную величину.

Первый принцип кибернетики. Кибернетика рассматривает все многообразие видов материи как систему систем. Любая система является частью другой более сложной системы или ее подсистемой. Система рассматривается как изменяющаяся во времени и пространстве: системы могут создаваться, развиваться, действовать, разрушаться и отмирать. В то же время кибернетика рассматривает систему не как сумму ее составных частей (подсистем), а как целое, качественно отличающееся от входящих в нее компонентов.

Второй принцип кибернетики. Любая система в зависимости от того, изучена она или нет, может рассматриваться как состоящая из управляющего объекта, управляемого объекта и канала связи между ними -- если структура системы известна или как «черный ящик», имеющий вход и выход -- если внутренняя структура системы неизвестна.

Схема функционирования системы основана на том, что управляющий объект получает по каналу связи информацию о состоянии управляемого объекта или о некоторых его параметрах, сравнивает их с заданными, вырабатывает по определенному алгоритму управляющую информацию и по каналу связи передает ее управляемому объекту. Управляемый объект в соответствии с полученной информацией изменяет свое состояние (или состояние некоторых своих параметров). После чего цикл повторяется. Эту схему можно формализовать, т.е. описать системой уравнений.

Функции системы можно определить по ее реакции на выходе при внешнем воздействии на входе. Путем длительных экспериментов можно накопить статистический материал, с помощью которого будет возможно прогнозировать и моделировать поведение системы. При этом следует учитывать, что с точки зрения кибернетики анализ составных частей системы не раскрывает структуру системы в целом, поэтому при изучении систем в первую очередь должны быть исследованы взаимодействие подсистем и связи между ними.

Третий принцип кибернетики. Информация рассматривается кибернетикой как средство управления. Для того чтобы управлять объектом, необходимо иметь связь между управляемым и управляющим объектами (обратную связь), источник информации и саму информацию. Обратная связь используется как средство, обеспечивающее динамическое соответствие получаемых на выходе системы результатов поставленной цели.

Четвертый принцип кибернетики. Состояние любой системы характеризуется значениями определенных параметров самой системы или ее элементов. Воздействуя на систему или отдельные ее элементы, можно переводить систему из одного состояния в другое, т. е. управлять системой. Предметом изучения кибернетики является поиск необходимых воздействий на систему или ее элементы для перевода системы в заданное состояние.

Пятый принцип кибернетики. Кибернетика утверждает, что всегда существует возможность найти и поддержать такие значения управляющих воздействий на систему, которые приводят систему в экстремальное состояние по заданному критерию, т. е. всегда существует принципиальная возможность оптимального управления системой, если система достаточно изучена и известны критерии оптимизации и ограничения, накладываемые на входные и выходные параметры ее.

Назначение системы - выполнение определенных функций; цель оптимального управления - поддержание системы в заданном экстремальном состоянии при минимальных затратах.

Роль кибернетики как научного направления определяется теми возможностями, которые представляет кибернетика для оптимизации управления народным хозяйством.

Научный и технический арсенал кибернетики очень богат, он включает целый ряд разделов математики, в том числе теорию массового обслуживания, математическую логику, линейное и динамическое программирование, вычислительную математику, теорию вероятностей, математическое моделирование и др., а также исследование операций, теорию игр, теорию автоматического управления, общую теорию систем, машинное моделирование, электронно-вычислительную технику, теорию информации.

Располагая такими мощными средствами, кибернетика находит прикладное применение практически во всех сферах человеческой деятельности. Уже на современном (начальном) этапе методы и средства кибернетики широко применяются в науке, производстве, в экономике, на транспорте, предприятиях связи, в сельском хозяйстве, медицине, военном деле. Особенно широкое распространение получили методы и средства кибернетики в форме автоматизированных систем управления технологическими процессами, предприятиями, объединениями и отраслями, базирующихся на использовании электронных вычислительных машин (ЭВМ) и устройств передачи данных. Вместе с тем нельзя не отметить, что для развития науки и практики управления производством недостаточно владеть средствами кибернетики. Особенности современного производства, вовлечение в него больших коллективов людей требуют глубокого изучения экономических, социологических, психологических, юридических и других аспектов управления.

Кибернетика изучает процессы получения и передачи, накопления и преобразования, переработки и использования информации в машинах, живых организмах и их объединениях. Установление связи между управлением и информационными процессами - важнейшее достижение кибернетики. Оно позволяет понять технологию процесса управления и, главное, подвергнуть его изучению количественными методами.

Отличительная черта кибернетического подхода к познанию и совершенствованию процессов управления - использование их аналогов в живой и неживой природе и моделирование. Основная задача кибернетики - достижение на основе присущих ей методов и средств оптимального уровня управления, т.е. принятие наилучших управленческих решений. Иными словами, кибернетическим называется такое управление, которое: - рассматривает организацию как некоторую большую систему, каждый элемент которой берется не только сам по себе, но и как часть большой совокупности, в которую он входит; обеспечивает оптимальное решение многовариантных динамических задач организации; использует специфические методы, выдвинутые кибернетикой (обратную связь, саморегулирование и самоорганизацию); широко применяет механизацию и автоматизацию управленческих работ на основе использования вычислительной и управляющей техники и компьютерных технологий.

Кибернетика находит прикладное применение практически во всех сферах человеческой деятельности. Уже на современном (начальном) этапе методы и средства кибернетики широко применяются в науке, производстве, в экономике, на транспорте, предприятиях связи, в сельском хозяйстве, медицине, военном деле.

Таким образом, кибернетику можно определить как науку об управлении и связи с живой природой в обществе и технике.

Глава 2. История. Виды кибернетики. Кибернетика  - наука об управлении

2.1. Кибернетические системы

Киберне́тика        наука об управлении, связи и переработке информации  Основным объектом исследования в кибернетике являются так называемые кибернетические системы. В общей (или теоретической) кибернетике такие системы рассматриваются абстрактно, безотносительно к их реальной физической природе. Высокий уровень абстракции позволяет К. находить общие методы подхода к изучению систем качественно различной природы, например технических, биологических и даже социальных.

         Абстрактная кибернетическая система представляет собой множество взаимосвязанных объектов, называемых элементами системы, способных воспринимать, запоминать и перерабатывать информацию, а также обмениваться информацией. Примерами кибернетических систем могут служить разного рода автоматические регуляторы в технике (например, автопилот или регулятор, обеспечивающий поддержание постоянной температуры в помещении), электронные вычислительные машины (ЭВМ), человеческий мозг, биологические популяции, человеческое общество.

         Элементы абстрактной кибернетической системы представляют собой объекты любой природы, состояние которых может быть полностью охарактеризовано значениями некоторого множества параметров. Для подавляющего большинства конкретных приложений К. оказывается достаточным рассматривать параметры двух родов. Параметры 1-го рода, называемые непрерывными, способны принимать любые вещественные значения на том или ином интервале, например на интервале от — 1 до 2 или от —∞ до +∞. Параметры 2-го рода, называемые дискретными, принимают конечные множества значений, например значение, равное любой десятичной цифре, значения «да» или «нет» и т.п.

         С помощью последовательностей дискретных параметров можно представить любое целое или рациональное число. Вместе с тем дискретные параметры могут служить и для оперирования величинами качественной природы, которые обычно не выражаются числами. Для этой цели достаточно перечислить и как-то обозначить (например, по пятибалльной системе) все различимые состояния соответствующей величины. Таким образом могут быть охарактеризованы и введены в рассмотрение такие факторы, как темперамент, настроение, отношение одного человека к другому и т.п. Тем самым область приложений кибернетических систем и К. в целом расширяется далеко за пределы строго «математизированных» областей знаний.

         Состояние элемента кибернетической системы может меняться как самопроизвольно, так и под воздействием тех или иных входных сигналов, получаемых им извне (из-за пределов рассматриваемой системы), либо от других элементов системы. В свою очередь каждый элемент системы может формировать выходные сигналы, зависящие в общем случае от состояния элемента и воспринимаемых им в рассматриваемый момент времени входных сигналов. Эти сигналы либо передаются на др. элементы системы (служа для них входными сигналами), либо входят в качестве составной части в передаваемые за пределы системы выходные сигналы всей системы в целом.

         Организация связей между элементами кибернетической системы носит название структуры этой системы. Различают системы с постоянной и переменной структурой. Изменения структуры задаются в общем случае как функция от состояний всех составляющих систему элементов и от входных сигналов всей системы в целом.

         Таким образом, описание знаков функционирования системы задается тремя семействами функций: функций, определяющих изменения состояний всех элементов системы, функций, задающих их выходные сигналы, и, наконец, функций, вызывающих изменения в структуре системы. Система называется детерминированной, если все эти функции являются обычными (однозначными) функциями. Если же все эти функции, или хотя бы часть их, представляют собой случайные функции, то система носит название вероятностной, или стохастической. Полное описание кибернетической системы получается, если к указанному описанию знаков функционирования системы добавляется описание её начального состояния, т. е. начальной структуры системы и начальных состояний всех её элементов.

         Классификация кибернетических систем. Кибернетические системы различаются по характеру циркулирующих в них сигналов. Если все эти сигналы, равно как и состояние всех элементов системы, задаются непрерывными параметрами, система называется непрерывной. В случае дискретности всех этих величин говорят о дискретной системе. В смешанных, или гибридных, системах приходится иметь дело с обоими типами величин.

         Разделение кибернетических систем на непрерывные и дискретные является до известной степени условным. Оно определяется глубиной проникновения в предмет, требуемой точностью его изучения, а иногда и удобством использования для целей изучения системы того или иного математического аппарата. Так, например, хорошо известно, что свет имеет дискретную, квантовую природу. Тем не менее, такие параметры, как величина светового потока, уровень освещенности и др. принято обычно характеризовать непрерывными величинами поскольку, постольку обеспечена возможность достаточно плавного их изменения. Другой пример — обычный проволочный реостат. Хотя величина его сопротивления меняется скачкообразно, при достаточной малости этих скачков оказывается возможным и удобным считать изменение непрерывным.

         Обратные примеры еще более многочисленны. Так, выделительная функция почки на обычном (неквантовом) уровне изучения является непрерывной величиной. Однако во многих случаях довольствуются пятибалльной характеристикой этой функции, рассматривая ее тем самым как дискретную величину. Более того, при любом фактическом вычислении значения непрерывных параметров приходится ограничиваться определенной точностью вычислений. А это означает, что соответствующая величина рассматривается как дискретная.

         Последний пример показывает, что дискретный способ представления величин является универсальным способом, ибо имея в виду недостижимость абсолютной точности измерений, любые непрерывные величины сводятся в конечном счете к дискретным. Обратное сведение для дискретных величин, принимающих небольшое число различных значений, не может привести к удовлетворительным (с точки зрения точности представления) результатам и поэтому на практике не употребляется. Таким образом, дискретный способ представления величины является в определённом смысле более общим, чем непрерывный.

         Разделение кибернетических систем на непрерывные и дискретные имеет большое значение с точки зрения используемого для их изучения математического аппарата. Для непрерывных систем таким аппаратом является обычно теория систем обыкновенных дифференциальных уравнений, для дискретных систем — Алгоритмов теория и Автоматов теория. Ещё одной базовой математической теорией, используемой как в случае дискретных, так и в случае непрерывных систем (и развивающейся соответственно в двух аспектах), является Информации теория.

         Сложность кибернетических систем определяется двумя факторами. Первый фактор — это так называемая размерность системы, т. е. общее число параметров, характеризующих состояния всех её элементов. Второй фактор — сложность структуры системы, определяющаяся общим числом связей между ее элементами и их разнообразием. Простая совокупность большого числа не связанных между собой элементов с повторяющимися от элемента к элементу простыми связями, ещё не составляет сложной системы. Сложные (большие) кибернетические системы — это системы с описаниями, не сводящимися к описанию одного элемента и указанию общего числа таких (однотипных) элементов.

         При изучении сложных кибернетических систем, помимо обычного разбиения системы на элементы, используется метод укрупнённого представления систем в виде совокупности отдельных блоков, каждый из которых является отдельной системой. При изучении систем большой сложности употребляется целая иерархия подобных блочных описаний: на верхнем уровне такой иерархии вся система рассматривается как один блок, на нижнем уровне в качестве составляющих системы блоков выступают отдельные элементы системы.

         Необходимо подчеркнуть, что само понятие элемента системы является до известной степени условным, зависящим от ставящихся при изучении системы целей и от глубины проникновения в предмет. Так, при феноменологическом подходе изучения мозга, когда предметом изучения является не строение мозга, а выполняемые им функции, мозг может рассматриваться как один элемент, хотя и характеризуемый достаточно большим числом параметров. Обычный подход заключается в том, что в качестве составляющих мозг элементов выступают отдельные нейроны. При переходе на клеточный или молекулярный уровень каждый нейрон может, в свою очередь, рассматриваться как сложная кибернетическая система и т.д.

         Если обмен сигналами между элементами системы полностью замыкается в ее пределах, то система называется изолированной или замкнутой. Рассматриваемая как один элемент, такая система не имеет ни входных, ни выходных сигналов. Открытые системы в общем случае имеют как входные, так и выходные каналы, по которым они обмениваются сигналами с внешней средой. Предполагается, что всякая открытая кибернетическая система снабжена рецепторами (датчиками), воспринимающими сигналы из внешней среды и предающими их внутрь системы. В случае, когда в качестве рассматриваемой кибернетической системы выступает человек, такими рецепторами являются различные органы чувств (зрение, слух, осязание и др.). Выходные сигналы системы передаются во внешнюю среду через посредство эффекторов (исполнительных механизмов), в качестве которых в рассматриваемом случае выступают органы речи, мимика, руки и др.

         Поскольку каждая система сигналов, независимо от того, формируется она разумными существами или объектами и процессами неживой природы, несет в себе ту или иную информацию, то всякая открытая кибернетическая система, равно как и элементы любой системы (открытой или замкнутой), может рассматриваться как преобразователь информации. При этом понятие информации рассматривается в очень общем смысле, близком к физическому понятию энтропии (см. Информация в кибернетике).

         Кибернетический подход к изучению объектов различной природы. Рассмотрение различных объектов живой и неживой природы как преобразователей информации или как систем, состоящих из элементарных преобразователей информации, составляет сущность так называемого кибернетического подхода к изучению этих объектов. Этот подход (равно как и подход со стороны др. фундаментальных наук — механики, химии и тому подобное) требует определенного уровня абстракции. Так, при кибернетическом подходе к изучению мозга как системы нейронов обычно отвлекаются от их размеров, формы, химического строения и др. Предметом изучения становятся состояния нейронов (возбужденное или нет), вырабатываемые ими сигналы, связи между нейронами и законы изменения их состояний.

         Простейшие преобразователи информации могут осуществлять преобразование информации лишь одного определённого вида. Так, например, исправный дверной звонок при нажатии кнопки (рецептора) отвечает всегда одним и тем же действием — звонком или гудением зуммера. Однако, как правило, сложные кибернетические системы обладают способностью накапливать информацию в той или иной форме и в зависимости от этого менять выполняемые ими действия (преобразование информации). По аналогии с человеческим мозгом подобное свойство кибернетических систем называют иногда памятью.

         «Запоминание» информации в кибернетических системах может производиться двумя основными способами — либо за счет изменения состояний элементов системы, либо за счет изменения структуры системы (возможен, разумеется, смешанный вариант). Между этими двумя видами «памяти» по существу нет принципиальных различий. В большинстве случаев это различие зависит лишь от принятого подхода к описанию системы. Например, одна из современных теорий объясняет долговременную память человека изменениями проводимости синаптических контактов, т. е. связей между отдельными составляющими мозг нейронами. Если в качестве элементов, составляющих мозг, рассматриваются лишь сами нейроны, то изменение синаптических контактов следует рассматривать как изменение структуры мозга. Если же наряду с нейронами в число составляющих мозг элементов включить и все синаптические контакты (независимо от степени их проводимости), то рассматриваемое явление сведется к изменению состояния элементов при неизменной структуре системы.

         ЭВМ как преобразователи информации. Из числа сложных технических преобразователей информации наибольшее значение для К. имеют ЭВМ. В более простых вычислительных машинах — цифровых электромеханических или аналоговых — перенастройка на различные задачи осуществляется с помощью изменения системы связей между элементами на специальной коммутационной панели. В современных универсальных ЭВМ такие изменения производятся с помощью «запоминания» машиной в специальном устройстве, накапливающем информацию, той или иной программы её работы.

         В отличие от аналоговых машин, оперирующих с непрерывной информацией, современные ЭВМ имеют дело с дискретной информацией. На входе и выходе ЭВМ в качестве такой информации могут выступать любые последовательности десятичных цифр, букв знаков препинания и др. символов. Внутри машины эта информация обычно представляется (или, как говорят, кодируется) в виде последовательности сигналов, принимающих лишь два различных значения.

         В то время как возможности аналоговых машин (равно как и любых других искусственно созданных устройств) ограничены преобразованиями строго ограниченных типов, современные ЭВМ обладают свойством универсальности. Это означает, что любые преобразования буквенно-цифровой информации, которые могут быть определены произвольной конечной системой правил любой природы (арифметических, грамматических и др.) могут быть выполнены ЭВМ после введения в нее составленной должным образом программы. Эта способность ЭВМ достигается за счет универсальности ее системы команд, т. е. элементарных преобразований информации, которые закладываются в структуру ЭВМ. Подобно тому, как из одних и тех же деталей собираются любые дома, из элементарных преобразований могут складываться любые, сколь угодно сложные преобразования буквенно-цифровой информации. Программа ЭВМ как раз и представляет собой последовательность таких элементарных преобразований.

         Свойство универсальности ЭВМ не ограничивается одной лишь буквенно-цифровой информацией. Как показывается в теории кодирования (См. Кодирование), в буквенно-цифровой (и даже просто цифровой) форме может быть представлена (закодирована) любая дискретная информация, а также — с любой заданной степенью точности — произвольная непрерывная информация. Таким образом, современные ЭВМ могут рассматриваться как универсальные преобразователи информации. Другим известным примером универсального преобразователя информации (хотя и основанного на совершенно иных принципах) является человеческий мозг.

         Свойство универсальности современных ЭВМ открывает возможность моделирования с их помощью любых др. преобразователей информации, в том числе любых мыслительных процессов. Такая возможность ставит ЭВМ в особое положение: с момента своего возникновения они представляют основное техническое средство, основной аппарат исследования, которым располагает К.

         Управление в кибернетических системах. В рассмотренных до сих пор случаях изменение поведения ЭВМ определялось человеком, меняющим программы ее работы. Можно, однако составить программу изменения программы работ ЭВМ и организовать ее общение с внешней средой через соответствующую систему рецепторов и эффекторов. Таким образом, можно моделировать различные формы изменения поведения и развития, наблюдающиеся в сложных биологических и социальных системах. Изменение поведения сложных кибернетических систем есть результат накопления обработанной соответствующим образом информации, которую эти системы получили в прошлом.

         В зависимости от формы, в которой происходит «запоминание» информации, различают два основных типа изменения поведения систем — самонастройку и самоорганизацию. В самонастраивающихся системах накопление опыта выражается в изменении значений тех или иных параметров, в самоорганизующихся — в изменении структуры системы. Как указывалось выше, это различие является до некоторой степени условным, зависящим от способа разбиения системы на элементы. На практике обычно самонастройка связывается с изменениями относительно небольшого числа непрерывных параметров. Что же касается глубоких изменений структуры рабочих программ ЭВМ (которые можно трактовать как изменения состояний большого числа дискретных элементов памяти), то их более естественно рассматривать как пример самоорганизации.

         Целенаправленное изменение поведения кибернетических систем происходит при наличии управления. Цели управления сильно меняются в зависимости от типа систем и степени их сложности. В простейшем случае такой целью может быть поддержание постоянства значения того или иного параметра. Для более сложных систем в качестве целей возникают задачи приспособления к меняющейся среде и даже познания законов таких изменений.

         Наличие управления в кибернетической системе означает, что её можно представить в виде двух взаимодействующих блоков — объекта управления и управляющей системы. Управляющая система по каналам прямой связи через соответствующее множество эффекторов передает управляющие воздействия на объект управления. Информация о состоянии объекта управления воспринимается с помощью рецепторов и передаётся по каналам обратной связи в управляющую систему         

 

 

 

 

 

 

       

               Описанная система с управлением может, как и всякая кибернетическая система, иметь также каналы связи (с соответствующими системами рецепторов и эффекторов) с окружающей средой. В простейших случаях среда может выступать как источник различных помех и искажений в системе (чаще всего в канале обратной связи). В задачу управляющей системы входит тогда фильтрация помех. Особо важное значение эта задача приобретает при дистанционном (телемеханическом) управлении, когда сигналы передаются по длинным каналам связи. Основной задачей управляющей системы является такое преобразование поступающей в систему информации и формирование таких управляющих воздействий, при которых обеспечивается достижение (по возможности наилучшее) целей управления. По виду таких целей и характеру функционирования управляющей системы различают следующие основные типы управления.

         Одним из простейших видов управления является т. н. Программное управление. Цель такого управления состоит в том, чтобы выдать на объект управления ту или иную строго определенную последовательность управляющих воздействий. Обратная связь при таком управлении отсутствует. Наиболее простым примером подобного программного управления является светофор-автомат, переключение которого происходит в заданные заранее моменты времени. Более сложное управление светофором (при наличии счетчиков подъезжающих машин) может включать простейший «пороговый» сигнал обратной связи: переключение светофора происходит всякий раз, когда количество ждущих автомашин превысит заданную величину.

         Весьма простым видом управления является также классическое авторегулирование (см. Автоматическое управление), цель которого состоит в поддержании постоянного значения того или иного параметра (или нескольких независимых параметров). Примером может служить система автоматического регулирования температуры воздуха в помещении: специальный термометр-датчик измеряет температуру воздуха Т, управляющая система сравнивает эту температуру с заданной величиной То и формирует управляющее воздействие — k (T — Т_о) на задвижку, регулирующую приток тёплой воды в батареи центрального отопления. Знак минус при коэффициенте k означает, что регулирование происходит по закону отрицательной обратной связи, а именно: при увеличений температуры Т выше установленного порога Т_о приток тепла уменьшается, при её падении ниже порога — возрастает. Отрицательная обратная связь необходима для обеспечения устойчивости процесса регулирования. Устойчивость системы означает, что при отклонении от положения равновесия (когда Т = Т_о) как в одну, так и в другую сторону система стремится автоматически восстановить это равновесие. При простейшем предположении о линейном характере зависимости между управляющим воздействием и скоростью притока тепла в помещение работа такого регулятора описывается дифференциальным уравнением dT/dt = — k (T — Т_о), решением которого служит функция Т = Т_о + δ-e^-kt, где δ — отклонение температуры Т от заданной величины Т_о в начальный момент времени. Поскольку рассмотренная система описывается линейным дифференциальным уравнением 1-го порядка, она носит название линейной системы 1-го порядка. Более сложным поведением обладают линейные системы 2-го и более высоких порядков и особенно нелинейные системы.

         Возможны системы, в которых принцип программного управления комбинируется с задачей регулирования в смысле поддержания устойчивого значения той или иной величины. Так, например, в описанный регулятор комнатной температуры может быть встроено программное устройство, меняющее значение регулируемого параметра. Задачей такого устройства может быть, скажем, поддержание температуры +20 °С в дневное время и снижение её до +16°С в ночные часы. Функция простого регулирования перерастает здесь в функцию слежения за значением программно изменяемого параметра.

         В более сложных следящих системах задача состоит в поддержании (возможно более точном) некоторой фиксированной функциональной зависимости между множеством самопроизвольно меняющихся параметров и заданным множеством регулируемых параметров. Примером может служить система, непрерывно сопровождающая лучом прожектора маневрирующий произвольным образом самолет.

         В т. н. системах оптимального управления (См. Оптимальное управление) основной целью является поддержание максимального (или минимального) значения некоторой функции от двух групп параметров, называемой критерием оптимального управления. Параметры первой группы (внешние условия) меняются независимо от системы, параметры второй группы являются регулируемыми, т. е. их значения могут меняться под воздействием управляющих сигналов системы.

         Простейший пример оптимального управления снова даёт задача регулирования температуры комнатного воздуха при дополнительном условии учёта изменений его влажности. Величина температуры воздуха, дающая ощущение наибольшего комфорта, зависит от его влажности. Если влажность всё время меняется, а система может управлять лишь изменением температуры, то естественно в качестве цели управления поставить задачу поддержания температуры, которая давала бы ощущение наибольшего комфорта. Это и будет задача оптимального управления. Системы оптимального управления имеют большое значение в задачах управления экономикой.

         В простейшем случае оптимальное управление может сводиться к задаче поддержания наибольшего (или наименьшего) возможного при заданных условиях значения регулируемого параметра. В этом случае говорят о системах экстремального регулирования.

         В случае, когда нерегулируемые параметры в системе оптимального управления на том или ином отрезке времени меняются, функция системы сводится к поддержанию таких постоянных значений регулируемых параметров, которые обеспечивают максимизацию (или минимизацию) соответствующего критерия оптимального управления. Здесь, как и в случае обычного регулирования, возникает задача устойчивости управления. При проектировании относительно несложных систем подобная устойчивость достигается за счет соответствующего выбора параметров проектируемой системы. В более сложных случаях, когда количество возмущающих воздействий и размерность системы очень велики, иногда оказывается удобным для достижения устойчивости прибегать к самонастройке и самоорганизации систем. При этом некоторая часть параметров, определяющая характер существующих в системе связей, не фиксируется заранее и может изменяться системой в процессе ее функционирования. Система имеет специальный блок, регистрирующий характер переходных процессов в системе при выведении ее из равновесия. При обнаружении неустойчивости переходного процесса система меняет значения параметров связей, пока не добьётся устойчивости. Системы такого рода принято называть ультраустойчивыми.

         При большом числе изменяемых параметров связей случайный поиск устойчивых режимов может занимать слишком много времени. В таком случае применяются те или иные способы ограничения случайного перебора, например разбиение параметров связей на группы и осуществление перебора лишь внутри одной группы (определяемой по тем или иным признакам). Такого рода системы называют обычно мультиустойчивыми. Большое разнообразие ультраустойчивых и мультиустойчивых систем дает биология. Примером может служить система регулирования температуры крови у человека и теплокровных животных.

         Задача группировки внешних воздействий, необходимая для успешного выбора способа самонастройки в мультиустойчивых системах, входит в число задач узнавания, или, иначе, задач распознавания образов (См. Распознавание образов). Для определения типа поведения (способа управления) у человека особую роль играют зрительные и звуковые образы. Возможность их распознавания и объединения в те или иные классы позволяет человеку создавать абстрактные понятия, являющиеся непременным условием сознательного познания действительности и началом абстрактного мышления. Абстрактное мышление позволяет создавать в управляющей системе (в данном случае в человеческом мозге) модели различных процессов, осуществлять с их помощью экстраполяцию действительности и определять свои действия на основе такой экстраполяции.

         Таким образом, на высших уровнях иерархии управляющих систем задачи управления оказываются тесно переплетенными с задачами познания окружающей действительности. В чистом виде эти задачи проявляются в абстрактных познающих системах, также являющихся одним из классов кибернетических систем.

         Существенное место в К. занимает Надёжности теория кибернетических систем. Её задачей является разработка методов построения систем, обеспечивающих правильное функционирование систем при выходе из строя части их элементов, разрыве тех или иных связей и др. возможных случайных сбоях или неисправностях.

         Методы кибернетики. Имея в качестве основного объекта исследования кибернетические системы, К. использует для их изучения три принципиально различных метода. Два из них — математико-аналитический и экспериментальный — широко применяются и в др. науках. Сущность первого состоит в описании изучаемого объекта в рамках того или иного математического аппарата (например, в виде системы уравнений) и последующего извлечения различных следствий из этого описания путем математической дедукции (например, путем решения соответствующей системы уравнений). Сущность второго метода состоит в проведении различных экспериментов либо с самим объектом, либо с его реальной физической моделью. В случае уникальности исследуемого объекта и невозможности существенного влияния на него (как, например, в случае Солнечной системы или процесса биологической эволюции) активный эксперимент переходит в пассивное наблюдение.

         Одним из важнейших достижений К. является разработка и широкое использование нового метода исследования, получившего название математического (машинного) эксперимента, или математического моделирования. Смысл его состоит в том, что эксперименты производятся не с реальной физической моделью изучаемого объекта, а с его описанием. Описание объекта вместе с программами, реализующими изменения характеристик объекта в соответствии с этим описанием, помещается в память ЭВМ, после чего становится возможным проводить с объектом различные эксперименты: регистрировать его поведение в тех или иных условиях, менять те или иные элементы описания и тому подобное. Огромное быстродействие современных ЭВМ зачастую позволяет моделировать многие процессы в более быстром темпе, чем они происходят в действительности.

         Первым этапом математического моделирования является разбиение изучаемой системы на отдельные блоки и элементы и установление связей между ними. Эту задачу решает так называемый системный анализ. В зависимости от целей исследования глубина и способ такого разбиения могут варьироваться. В этом смысле системный анализ представляет собой скорее искусство, чем точную науку, ибо при анализе действительно сложных систем приходится априори отбрасывать несущественные (с точки зрения поставленной цели) детали и связи.

         После разбиения системы на части и характеристики их теми или иными множествами параметров (количественных или качественных) для установления связи между ними привлекают обычно представителей различных наук. Так, при системном анализе человеческого организма типичные связи имеют следующую форму: «При переходе органа А из состояния k₁ в состояние k₂ и сохранении органа В в состоянии М орган С через N месяцев с вероятностью р перейдёт из состояния n₁ в состояние n₂». В зависимости от вида органов, к которым относится указанное высказывание, оно может быть сделано эндокринологом, кардиологом, терапевтом и др. специалистами. В результате их совместной работы возникает комплексное описание организма, представляющее искомую математическую модель.

         Так называемые системные программисты переводят эту модель в машинное представление, программируя одновременно средства, необходимые для экспериментов с ней. Проведение самих экспериментов и получение различных выводов из них составляют предмет операций исследования (См. Операций исследование). Впрочем, исследователи операций в случае, когда это оказывается возможным, могут применить дедуктивно-математические построения и даже воспользоваться натурными моделями всей системы или ее отдельных частей. Задача построения натурных моделей, равно как и задача проектирования и изготовления различных искусственных кибернетических систем, относится к области системотехники.

 2.2  Истоки кибернетики

Первым, кто применил термин кибернетику для управления в общем смысле, был по-видимому, древнегреческий философ Платон. Однако реальное становление К. как науки произошло много позже. Оно было предопределено развитием технических средств управления и преобразования информации. Ещё в средние века в Европе стали создавать так называемые андроиды — человекоподобные игрушки, представляющие собой механические, программно управляемые устройства.

         Первые промышленные регуляторы уровня воды в паровом котле и скорости вращения вала паровой машины были изобретены И. И. Ползуновым (Россия) и Дж. Уаттом (Англия). Во 2-й половине 19 в. требовалось построение все более совершенных автоматических регуляторов. Наряду с механическими блоками в них всё чаще начинают применяться электромеханические и электронные блоки. Большую роль в развитии теории и практики автоматического регулирования сыграло изобретение в начале 20 в. дифференциальных анализаторов, способных моделировать и решать системы обыкновенных дифференциальных уравнений. Они положили начало быстрому развитию аналоговых вычислительных машин и их широкому проникновению в технику.

         Немалое влияние на становление К. оказали успехи нейрофизиологии и особенно классические труды И. П. Павлова по условным рефлексам. Можно отметить также оригинальные работы украинского учёного Я. И. Грдины по динамике живых организмов.

         В 30-х гг. 20 в. все большее влияние на становление К. начинает оказывать развитие теории дискретных преобразователей информации. Два основных источника идей и проблем направляли это развитие. Во-первых, задача построения оснований математики. Еще в середине прошлого века Дж. Буль заложил основы современной математический логики. В 20-е гг. 20 в. были заложены основы современной теории алгоритмов. В 1934 К. Гёдель показал ограниченность возможностей замкнутых познающих систем. В 1936 А. М. Тьюринг описал гипотетический универсальный преобразователь дискретной информации, получивший впоследствии назв. Тьюринга машины (См. Тьюринга машина). Эти два результата, будучи полученными в рамках чистой математики, оказали и продолжают оказывать огромное влияние на становление основных идей К.

         Вторым источником идей и проблем К. служила практика создания реальных дискретных преобразователей информации. Простейший механический арифмометр был изобретён Б. Паскалем (Франция) ещё в 17 в. Лишь в 19 в. Ч. Беббидж (Англия) предпринял первую попытку создания автоматического цифрового вычислителя — прообраза современной ЭВМ. К началу 20 века были созданы первые образцы электромеханических счетно-аналитических машин, позволивших автоматизировать простейшие преобразования дискретной информации. Резкое усиление интереса к теории дискретных преобразователей информации в 30-х гг. было обусловлено необходимостью создания сложных релейно-контактных устройств, прежде всего для нужд автоматических телефонных станций. В 1938 К. Шеннон (США), а в 1941 В. И. Шестаков (СССР) показали возможность использования для синтеза и анализа релейно-контактных схем аппарата математической логики. Тем самым было положено начало развитию современной теории автоматов.

         Решающее значение для становления К. имело создание в 40-х гг. 20 в. электронных вычислительных машин (Дж. фон Нейман и др.). Благодаря ЭВМ возникли принципиально новые возможности для исследования и фактического создания действительно сложных управляющих систем. Оставалось объединить весь полученный к этому времени материал и дать название новой науке. Этот шаг был сделан Н. Винером, опубликовавшим в 1948 свою знаменитую книгу «Кибернетика».

         Н. Винер предложил называть К. «науку об управлении и связи в животном и машине». В первой и во второй своей книге («Кибернетика и общество», 1954) Винер уделил большое внимание общефилософским и социальным аспектам новой науки, трактуя их зачастую весьма произвольно. В результате дальнейшее развитие К. пошло двумя различными путями. В США и Западной Европе стало преобладать узкое понимание К., концентрирующее внимание на спорах и сомнениях, поднятых Винером, на аналогиях между процессами управления в технических средствах и живых организмах. В СССР после первоначального периода отрицания и сомнений утверждалось более естественное и содержательное определение К., включившее в нее все достижения, накопленные к тому времени в теории преобразования информации и управляющих систем. При этом особое внимание уделялось новым проблемам, возникающим в связи с широким внедрением ЭВМ в теорию управления и теорию преобразования информации.

         На Западе подобные вопросы развивались в рамках специальных разделов науки, получивших название «информатика», «вычислительная наука», «системный анализ» и др. Лишь к концу 60-х гг. Наметилась тенденция расширения понятия К. и включения в неё всех указанных разделов.

         Основные разделы кибернетики. Современная кибернетика в широком понимании состоит из большого количества разделов, представляющих собой самостоятельные научные направления. Теоретическое ядро К. составляют такие разделы, как теория информации, теория кодирования, теория алгоритмов и автоматов, общая теория систем, теория оптимальных процессов, методы исследования операций, теория распознавания образов, теория формальных языков. На практике центр тяжести интересов К. сместился в область создания сложных систем управления и различного рода систем для автоматизации умственного труда. В чисто познавательном плане одной из наиболее интересных перспективных задач кибернетика является моделирование мозга и его различных функций.

         Основным техническим средством для решения всех указанных задач являются ЭВМ. Поэтому развитие кибернетика  как в теоретическом, так и в практическом аспектах тесно связано с прогрессом электронной вычислительной техники. Требования, которые предъявляет кибернетика к развитию своего математического аппарата, определяются указанными выше основными практическими задачами.

         Определённая практическая целенаправленность исследований по развитию математического аппарата как раз и является той гранью, которая отделяет общематематическую от собственно кибернетической части подобных исследований. Так, например, в той части теории алгоритмов, которая строится для нужд оснований математики, стремятся по возможности уменьшить число типов элементарных операций и сделать их достаточно мелкими. Возникающие таким образом алгоритмические языки удобны как объект исследования, но в то же время ими практически неудобно пользоваться для описания реальных задач преобразования информации. Кибернетический аспект теории алгоритмов имеет дело с алгоритмическими языками, специально ориентированными на те или иные классы подобных практических задач. Имеются языки, ориентированные на задачи вычислительного характера, на формульные преобразования, на обработку графической информации и т.п.

         Аналогичное положение имеет место и в др. разделах, составляющих общетеоретический фундамент кибернетика Они представляют собой аппарат для решения практических задач изучения кибернетических систем, их анализа и синтеза, нахождения оптимального управления.

         Особенно большое значение применение кибернетических методов имеет в тех науках, где методы классической математики могут применяться лишь в ограниченных масштабах, для решения отдельных частных задач. К числу таких наук относятся в первую очередь экономика, биология, медицина, языкознание и те области техники, которые имеют дело с большими системами. В результате большого объёма применения кибернетических методов в этих науках произошло выделение самостоятельных научных направлений, которые было бы естественно называть кибернетической экономикой, кибернетической биологией и т.д. Однако в силу ряда причин первоначальное становление указанных направлений происходило в рамках кибернетика за счет специализации объектов исследования, а не в рамках соответствующих наук за счёт применения методов и результатов кибернетика. Поэтому указанные направления получили назв. Кибернетика экономическая, Кибернетика биологическая, Кибернетика медицинская, Кибернетика техническая. В языкознании соответствующее научное направление получило наименование математической лингвистики

         Задачи реального создания сложных управляющих систем (в первую очередь в экономике), а также основанных на использовании ЭВМ сложных справочно-информационных систем, систем автоматизации проектирования, систем для автоматизации сбора и обработки экспериментальных данных и др. относятся обычно к разделу науки, получившему название системотехники. При широком толковании предмета К. значительная часть системотехники органически входит в нее. То же положение имеет место в электронной вычислительной технике. Разумеется, кибернетика не занимается расчетами элементов ЭВМ, конструктивным оформлением машин, технологическими проблемами и т.п. Вместе с тем подход к ЭВМ как к системе, общеструктурные вопросы, организация сложных процессов переработки информации и управление этими процессами относятся по существу к прикладной К. и составляют один из её важных разделов.

        

Киберне́тика («Киберне́тика»,)    научный журнал Академии наук УССР. Издается в Киеве с 1965, выходит 6 раз в год. Публикует оригинальные статьи по математическим и прикладным проблемам кибернетики, а также обзоры новейших достижений советской и зарубежной кибернетики. Тираж (1973) около 4200 экземпляров.

1.      Кибернетика вчера

После окончания второй мировой войны (1945 г) обозначился как романтический период развития многих современных направлений и особенно в  развития новой науки  « Кибернетика». Этому способствовало ряд факторов. Первый фактор –активно развивается промышленность; физика преодолела кризис начала XX века (произошло рождение и активное развитие атомной физики, квантовой механики, общей и специальной теорий относительности, астрофизики;  взорвана первая атомная бомба (1945) и скоро будет запущена первая атомная электростанция (1954)); открытие и применение (1941) пенициллина , который уже спас миллионы жизней, открыта трехмерная модель спирали ДНК (1953), активно развиваются радиобиология и генетика и т.д.);  созданы первая ЭВМ (1945) и биполярный транзистор (1947); скоро (1951) появится теория выбора [188], только что родились теория игр (1944 – см. [250, 252]) и исследование операций (1943), являющееся ярким примером междисциплинарной  науки.

Второй фактор – осознание учеными, являющимися представителями различных отраслей науки в целом, ее междисциплинарности,  заключающейся в существовании общих подходов и закономерностей.

Третий фактор заключается в том, что роль и «польза» науки становятся очевидными и обывателю, и политику (который осознает, что наука стала важной общественной и экономической силой общества, и привыкает к тому, что проектный способ управления прикладными исследованиями и разработками позволяет прогнозировать и отчасти гарантировать их сроки и результаты).

Все эти факторы способствовали появлению новой науки  кибернетика Структура последующего изложения такова: сначала рассматривается эволюция кибернетики (от Н. Винера до наших дней). Затем рассматривается взаимосвязь кибернетики с философией и методологией управления (во втором разделе), а также с теорией систем и системным анализом (в четвертом разделе). В третьем разделе обсуждаются основные известные законы, закономерности и принципы управления. Пятый раздел содержит анализ некоторых современных трендов развития кибернетики. В заключение вводит-ся в рассмотрение новый этап развития кибернетики – кибернетика 2.0 – наука об организации систем и управления ими. Приложения содержат глоссарий базовых терминов и темы для самостоятельной проработки и углубленного изучения.

 Кибернетика в XX веке (кибернетика 1.0).

Классическая» кибернетику – «наука об общих закономерностях процессов управления и передачи информации в различных системах, будь то машины, живые организмы или общество» .

Кибернетика включает изучение таких тем, как управление и коммуникация в живых организмах, машинах и организациях, включая самоорганизацию. Вопросами внимания являются: обработка  информации в системах (цифровая, механическая или биологическая), как информация может быть изменена, для того чтобы лучше выполнять функции  по управлению и коммуникации.

Кибернетика является междисциплинарной наукой. Она возникла на базе наук: математики, логики, семиотики, физиологии, биологии, социологии. Ей присущ анализ и выявление общих принципов и подходов в процессе научного познания. Наиболее весомыми теориями  являются  теории: управления, связи, исследование операций и др. 

А. Ампер  относил кибернетику (как «науку управления вообще») к политическим наукам  и определил как науку о текущей политике и практическом управлении государством (обществом). Б. Трентовский, (1843) определял ее как «искусство управления народом». А. А. Богданов в своей «Тектологии» (1925) исследовал организационные принципы, общие для всех видов систем.

Термин «кибернетика» в современном, ставшем хрестоматийным, понимании – как «наука об управлении и связи в животном и машине» – впервые был предложен Норбертом Винером в 1948 году. Далее Винер добавил (1950) к объектам, изучаемым кибернетикой, и общество. 

 Классиками первых лет развития кибернетики, помимо Н. Винера, являются Уильям Эшби( введение и исследование категорий «разнообразие» и «самоорганизация», а также первое использование в кибернетике терминов «гомеостат» и «черный ящик»).   и Стаффорд Бир,

Таким образом, кибернетику 1.0 (или просто кибернетику) можно определять  как «Науку об управлении и обработке информации в животном, машине и обществе». Определение Кибернетики 2 «Наука об общих закономерностях управления и обработке информации в животном, машине и обществе».

 

 

 

 

 

«Филогенез» винеровской кибернетики

 

 

 «Научное направление, которое изучает машины, живые организмы и их объединения исключительно с точки зрения их способности воспринимать определенную информацию, сохранять эту информацию в памяти, передавать ее по каналам связи и перерабатывать ее в сигналы, направляющие их деятельность в соответствующую сторону» – А.Н. Колмогоров;

Таким образом, ключевыми для винеровской кибернетики являются термины: управление, связь, система, информация, обратная связь, черный ящик, разнообразие, гомеостат.

Что сегодня относят к кибернетике

– теория управления

– математическая теория связи и информации ;

– общая теория систем, системотехника и системный анализ;

– оптимизация (линейное и нелинейное программирование; динамическое программирование; оптимальное управление; нечеткая оптимизация; дискретная оптимизация, генетические алгоритмы и т.д.;);

– исследование операций (теория графов, теория игр и статистических решений и др.);

– искусственный интеллект ;

– анализ данных и принятие решений;

– робототехника

А также:  системотехника, распознавание, искусственные нейронные сети и нейрокомпьютеры, эргатические системы, «нечеткие» системы, математическую логику, теорию идентификации, теорию алгоритмов, теорию расписаний и массового обслуживания, математическую лингвистику, теорию программирования, синергетику.

Кибернетика имеет существенные пересечения по своим составляющим со многими другими науками, в первую очередь – с такими метанауками как общая теория систем , системный анализ и информатика . Кибернетика порождает новые термины: киберсистема, киберпространство, киберугроза, кибербезопасность и т.д. Если посмотреть еще более широко, то эта приставка охватывает всё, связанное с автоматизацией, компьютерами, виртуальной реальностью, Интернетом

Кибернетической тематике на сегодня в мире посвящены несколько сотен научных центров (институтов, факультетов, кафедр, исследовательских групп) и ассоциаций во всем мире, сотни журналов и регулярных конференций – см., например, списки ссылок на Интернет-ресурсы по кибернетике:

– http://www.asc-cybernetics.org/

– http://pespmc1.vub.ac.be/

– http://wosc.co/

– http://neocybernetics.com/wp/links/

и др.

«Отраслевая» кибернетика. Наряду с общей кибернетикой, выделяют и специальные кибернетики . Самым естественным  является выделение, помимо теоретической кибернетики (т.е. Кибернетики), трех базовых кибернетик: технической, биологической и социально-экономической.

– техническая кибернетика

– биологическая и медицинская кибернетика, эволюционная ки-бернетика, кибернетика в психологии;

– экономическая кибернетика ;

– физическая кибернетика;

– социальная кибернетика, педагогическая кибернетика ;

– квантовая кибернетика (управление квантовыми системами, квантовые вычисления);

– космическая кибернетика.

Отдельно, наверное, стоит выделить такую ветвь биологической кибернетики, как кибернетические модели мозга, которая сегодня тесно интегрирована с искусственным интеллектом, нейро– и когнитивными науками. Романтическая идея создать кибернетический (компьютерный) мозг, хотя бы отчасти похожий на естественный, стимулировала как отцов-основателей кибернетики (см. работы У. Эшби , Г. Уолтера , М. Арбиба , Ф. Джоржа,  и др.), так и их последователей

 

Но́рберт Ви́нер (1894— 1964) — американский учёный, выдающийся математик и философ, основоположник кибернетики и теории искусственного интеллекта. Ученый был одним из соавторов основной базы современной теории информации, разработав ее вместе с Клодом Шенноном, американским математиком. Термин «бит» (для обозначения цифровых кодов информации), в компьютерной технике в обиход введен им. Также он много написал трудов по теории вероятностей, вычислительной технике, математическому анализу и электрическим сетям. Норберт Винер роль в исследовании информационных технологий состоит в том, что он исследовал озможности перенесения поведенческих принципов животных в некую, неизвестную систему  — «обучения» механизмов. Именно поэтому ученого по праву считают «отцом кибернетики» — науки о создании искусственного интеллекта и управления им.  Его главный труд «Кибернетика или управление и связь в животном и машине» был напечатан в 1948 году. Он был первым, кто понял огромное значение того, что вся информация будет использоваться в управлении искусственного разума. Он разработал концепцию обратной связи в системах автоматического управления. Написал сотни статей по теории вероятностей и статистике, по рядам и интегралам Фурье, по теории потенциала и теории чисел, по обобщённому гармоническому анализу. Во время второй мировой войны разработал новую действенную вероятностную модель управления силами ПВО.  Он исследовал возможности перенесения поведенческих принципов животных в некую, неизвестную систему  — «обучения» механизмов. Именно поэтому ученого по праву считают «отцом кибернетики» — науки о создании искусственного интеллекта и управления им.  «Кибернетика» Винера увидела свет в 1948 году. Полное название главной книги Винера выглядит следующим образом «Кибернетика, или управление и связь в животном и машине».

 

Уильям Росс Эшби (1903 - 1972)

- английский психиатр, специалист по кибернетике, пионер в исследовании сложных систем.
Окончил Кембриджский университет. С 1930 работал психиатром. С 1947 по 1959 годы Эшби был руководителем исследований в госпитале en: Barnwood House Hospital в Глочестере, Англия. В 1959-1960 директор Берденского нейрологического института в Бристоле (Burden Neurological Institute). С 1960 - профессор кибернетики и психиатрии Иллинойсского университета, Department of Electrical Engineering (Эрбана, США). В 1971 году стал членом Королевского колледжа психиатрии (en: Royal College of Psychiatry). Эшби принадлежит изобретение гомеостата (1948), введение понятия самоорганизации. Он сформулировал закон о требуемом разнообразии, названный его именем (закон Эшби): «управление может быть обеспечено только в том случае, если разнообразие средств управляющего (в данном случае всей системы управления) по крайней мере не меньше, чем разнообразие управляемой им ситуации».

 

Фрэнк Розенблатт (1928 – 1971 гг)

Американский учёный в области психологии, нейрофизиологии и искусственного интеллекта.  В 1958—1960 годах  создал вычислительную систему «Марк-1». Это был первый нейрокомпьютер, способный обучаться в простейших задачах, он был построен на перцептроне, нейронной сети, которую Розенблатт разработал тремя годами раньше.

Перцептрон Розенблатта был первоначально программно смоделирован на компьютере IBM 704 в Корнеллской лаборатории аэронавтики в 1957 г. Изучая нейронные сети типа перцептрона, Розенблатт надеялся «понять фундаментальные законы организации, общие для всех систем обработки информации, включая как машины, так и человеческий разум.»

Грей Уолтер ( 1910 —  1977),

американский кибернетик, нейрофизиолог и психиатр. Основные научные работы посвящены электрофизиологии ЦНС, ЭЭГ и моделированию поведенческих реакций. Один из пионеров клинического применения метода  вживления микроэлектродов в головной мозг, с помощью которого открыл новую форму его электрических реакций — Е-волну. Один из основоположников новой системы современной компьютеризованной ЭЭГ. Рассматривал деятельность головного мозга как «вычисление вероятности». Создал несколько кибернетических обучающихся моделей.

Карл В. Стейнбух (1917 – 2005)  немецкий ученый , кибернетик , и инженер - электрик . Он был одним из первого и влиятельного исследователя немецкой компьютерной науки, разработчик  ранней реализации искусственных нейронных сетей 

Штейнбух придуман в 1957 году термин Informatik , немецкое слово для компьютерной науки,  который дал информатику  Сочинения:
 Штейнбух К. Автомат и человек. Кибернетические факты и гипотезы. (1967) Российская информатика родилась полвека назад, и официальной датой рождения является 4 декабря 1948 года. Этот день празднуют все, кто каким-либо образом имеет отношение к информатике в нашей стране.

Термин “информатика” появился с легкой руки Карла Штейнбуха, который подобным словом охарактеризовал техническую область человеческой деятельности, связанную с автоматизированными вычислительными системами. Определение родилось из сложения слов “техника” и “автоматика”.

  

 

Метафорический мозг. 

Автор: Арбиб Майкл

книга известного американского ученого М. Арбиба. Автор подробно рассматривает результаты двух основных направлений в кибернетическом исследовании мышления: так называемой теории искусственного интеллекта, которая обрашает основное внимание на внешнее поведение объектов, не касаясь структурного аспекта, и теории конструирования роботов, где наряду с имитацией внешних проявлений поведения стараются сохранить и принципы его структурной организации. Книга написана живо и популярно. Предназначена для широкого круга биологов, математиков, инженеров, для всех тех, кто интересуется проблемой искусственного интеллекта.

Уоррен Мак-Каллок (1898-1969) американский биолог,  нейропсихолог, нейрофизиолог, теоретик искусственных нейронных сетей и один из отцов кибернетики

   Вместе с исследователем Уолтером Питтсом Уоррен Мак-Каллок заложил базу для последующего развития нейротехнологий. Его новые теоретические обоснования превратили язык психологии в конструктивное средство описания машины и машинного интеллекта. Одним из способов описания задач такого рода было выбрано математическое моделирование человеческого мозга, для чего потребовалось разработать теорию деятельности головного мозга. Уоррен является автором гипотезы (вместе с Питтсом), согласно которой нейроны упрощенно рассматривались устройством, оперирующим двоичными числами. Заслуга Мак-Каллока и Питтса состоит в том, что их сеть из электронных «нейронов» теоретически могла выполнять числовые или логические операции потенциально любой сложности.

Исследования Мак-Каллока имеют очень большой вес в теории искусственных нейронных сетей и кибернетике.

 

Уолтер Питтс (1923 —  1969) — американский нейролингвистик, логик и математик XX века. Уолтер Питтс и его ближайший друг Уоррен Мак-Каллок  работали над созданием искусственных нейронов, именно это работа заложила основы разработки искусственного интеллекта. Питтс заложил основы революционного представления о мозге как о компьютере, что стимулировало развитие кибернетики, теоретической нейрофизиологии, компьютерных наук.

В 1940 году Питтс знакомится с Уорреном МакКалоком и они начинают заниматься идеей МакКалока о компьютеризации нейрона. В 1943 году они опубликовали работу «Логическое исчисление идей, относящихся к нервной активности».

 

Франциско Варела (1946 -  2001) — чилийский биолог, философ и специалист в нейронауках, наиболее известный концепцией применения аутопоэзиса к биологии, разработанной совместно с Умберто Матураной.

Один из основателей энактивизма и нейрофеноменологии. Практиковал буддийскую медитацию и изучал буддийскую философию. Принимал активное участие в улучшении взаимоотношений между наукой и духовностью. Стал одним из основателей института «Ум и жизнь».

 

 

 

Стюарт А. Амплеби

 

 

 

 

 

 

 

2.    3   Кибернетика в СССР

Кибернетика в СССР — развитие кибернетики  в СССР, было начато в 1940-х годах В 1948 году академик Лаврентьев, директор Института математики и вице-президент АН СССР написал Сталину письмо о необходимости ускорения исследований в области вычислительной техники и о перспективах использования ЭВМ. 29 июня 1948 года Председатель Совета Министров СССР И. В. Сталин подписал постановление, в соответствии с которым создавался  Институт точной механики и вычислительной техники.

В 1948 году Патентным бюро госкомитета Совета министров СССР по внедрению передовой техники в народное хозяйство было зарегистрировано изобретение Б. И. Рамеевым и И. С. Бруком цифровой электронной вычислительной машины В том же 1948 году на Западе вышла книга «Кибернетика, или управление и связь в животном и машине» Норберта Винера. В СССР книга была издана только в 1958 году, а в то время была доступна только в спецхранах. Однако, выход книги вызвал шумиху в западной прессе и заставил обратить на себя внимание партийной и идеологической верхушки СССР.

В начале 50-х годов в научной, научно-популярной и партийной печати появилось несколько критических статей:

Буржуазная печать широко разрекламировала новую науку — кибернетику. Эта модная лжетеория, выдвинутая группкой американских «учёных», претендует на решение всех стержневых научных проблем и на спасение человечества от всех социальных бедствий. Кибернетическое поветрие пошло по разнообразным отраслям знания: физиологии, психологии, социологии, психиатрии, лингвистике и др. По утверждению кибернетиков, поводом к созданию их лженауки послужило сходство между мозгом человека и современными сложными машинами.

В своей книге Н. Винер уделил значительное внимание военному применению кибернетики, что вызвало обвинения в милитаризме. Кроме того, указывалось, что применение кибернетики направлено против промышленного пролетариата.

Но ничто не давало решения главной проблемы: металлические чудища оставались всё-таки не более чем машинами, требующими управления со стороны человека.

И тогда-то возникла новая «наука», так называемая «кибернетика». Если невозможно осуществить «грезу» практически, то нельзя  заставить её служить хотя бы целям пропаганды? Если невозможно придать роботу свойства человеческого ума, то нельзя ли убедить самого человека в том, что его можно заменить роботом.

В Соединённых Штатах существует сейчас целый ряд самых «точных» определений значения и целей пресловутой кибернетики. Но, по сути, они всегда состояли и состоят в том, чтобы маскировать неудачи создателей «думающих» машин, выдавать желаемое за действительное, спекулировать на фактических достижениях современной техники для самой разнузданной и лживой империалистической пропаганды.

Также кибернетика критиковалась за излишне механистичный подход к управлению различными системами вне зависимости от их сложности

Кибернетика является, таким образом, реакционной механистической теорией, стремящейся отбросить современную научную мысль, основанную на материалистической диалектике, далеко вспять — к изжитой и опровергнутой более ста лет назад механистической философии.

Тем не менее, вычислительная техника в СССР стремительно развивалась. В 1950 году появилась МЭСМ (Малая электронная счётная машина)  первая в СССР ЭВМ, разработанная лабораторией С. А. Лебедева на базе киевского Института электротехники АН УССР, а в 1952 году — БЭСМ-1. В 1950—1951 годах была разработана ЭВМ М-1 в Лаборатории электросистем Энергетического института АН СССР под руководством члена-корреспондента АН СССР И. С. Брука. В 1953 году началось серийное производство ЭВМ Стрела, разработанной в СКБ-245 под руководством Ю. Я. Базилевского и Б. И. Рамеева.

Быстродействующие электронно-счетные машины рассматривались в первую очередь как «большой калькулятор» для ведения объёмных расчётов по электроэнергетике, баллистике, сопротивлению материалов, включая атомную и космическую отрасли. Необходимость развития собственно вычислительной техники не отрицалась. Развивались методы вычислительной математики.

 Большую роль в развитии машинной математики принадлежит известным русским ученым — П. Л. Чебышеву, А. Н. Крылову и др.

Наибольшее неприятие вызывала кибернетика как вторгающаяся в «святая святых» правящего аппарата — управление государством.

Основные азы кибернетики в 1940-х — 1950-х годах преподавались в советских вузах под называнием ТАУ («Теория автоматического управления»).

 «Философский словарь» 1954 года издания попала характеристика кибернетики как «реакционной лженауки». Там кибернетика была определена как универсальная наука «…о связях и коммуникациях в технике, о живых существах и общественной жизни, о „всеобщей организации“ и управлении всеми процессами в природе и обществе». Однако кибернетике в статье даются весьма нелестные, даже зловещие характеристики, например: «реакционная лженаука», «форма современного механицизма», «отрицает качественное своеобразие закономерностей различных форм существования и развития материи», «рассматривает психофизиологические и социальные явления по аналогии… с электронными машинами и приборами, отождествляя работу головного мозга с работой счётной машины, а общественную жизнь — с системой электро- и радиокоммуникаций», «по существу своему… направлена против материалистической диалектики, современной научной физиологии, обоснованной И. П. Павловым», «ярко выражает одну из основных черт буржуазного мировоззрения — его бесчеловечность, стремление превратить трудящихся в придаток машины, в орудие производства и орудие войны», «поджигатели новой мировой войны используют кибернетику в своих грязных практических делах», «под прикрытием пропаганды кибернетики в странах империализма происходит привлечение учёных… для разработки новых приёмов массового истребления людей — электронного, телемеханического, автоматического оружия», «является… идеологическим оружием империалистической реакции, … средством осуществления её агрессивных военных планов».

Реабилитацией кибернетики в СССР можно считать 1955 год, когда в журнале «Вопросы философии» (№ 4) вышла статья С. Л. Соболева, А. И. Китова и А. А. Ляпунова «Основные черты кибернетики», в которой в частности говорилось: «Некоторые наши философы допустили серьезную ошибку: не разобравшись в существе вопросов, они стали отрицать значение нового направления в науке, в основном, из-за того, что вокруг этого направления была поднята за рубежом сенсационная шумиха, из-за того, что некоторые невежественные буржуазные журналисты занялись рекламой и дешевыми спекуляциями вокруг кибернетики…»

В СССР одним из главных борцов за реабилитацию «буржуазной лженауки» кибернетики был А. И. Китов, который был автором первых положительных публикаций о ней и убежденным пропагандистом ее идей. Его научные труды и статьи, написанные им самостоятельно и совместно с А. И. Бергом, А. А. Ляпуновым и С. Л. Соболевым, относящиеся к периоду 1952—1961 гг., сыграли огромную роль в признании кибернетики как науки и развитии информатики в Советском Союзе и в нескольких других странах. В 1951-52 годах А. И. Китов, ознакомившись в библиотеке секретного конструкторского бюро по разработке ЭВМ СКБ-245 с оригиналом книги американского учёного Норберта Винера «Кибернетика», сразу же оценил большую пользу для Общества, которую эта новая наука может принести. Не только оценил, но и написал развернутую положительную статью «Основные черты кибернетики», что потребовало от него проявления в то сталинское время истинного гражданского мужества. Затем прошло около полутора лет многочисленных публичных выступлений о кибернетике А. И. Китова и А. А. Ляпунова, прежде чем Идеологический отдел ЦК КПСС санкционировал публикацию этой статьи. В середине 1955 года эта статья с подписями академика С. Л. Соболева, А. И. Китова и А. А. Ляпунова была опубликована в главном идеологическом коммунистическом журнале «Вопросы философии». Эта статья вошла в историю российской науки как победный момент в борьбе за кибернетику. В вышедшем в 1955 году дополнительном тираже 4-го издания «Краткого философского словаря» критическая статья про кибернетику уже отсутствует.

В 1955 году был принят на вооружение комплекс ПВО С-25 Беркут, в котором применялась обработка данных от радиолокаторов и управление ракетами с применением счетно-решающего устройства. Главные конструкторы — С. Л. Берия и П. Н. Куксенко. Заместитель главного конструктора — А.Расплетин.

В 1956 году была опубликована монография А. И. Китова «Электронные цифровые машины», послужившая толчком к популяризации данного направления в широких научных кругах (например, «главный кибернетик страны» В. М. Глушков неоднократно подчеркивал своё первое знакомство с компьютерами по книжке Китова).

В это же время началось издание научно-популярной литературы. В 1958 году в издательстве «Советское радио» выходит перевод книги Н. Винера «Кибернетика, или Управление и связь в животном и машине».

Развивались системы автоматизации производства и АСУ ТП. В 1958 году на базе Лаборатории управляющих машин и систем (ЛУМС) АН СССР был организован Институт электронных управляющих машин (ИНЭУМ) АН СССР в числе задач которого была и разработка систем управления производством в целом. В том же 1958 году началась разработка управляющих машины «Днепр» и УМ-1НХ, предназначенных для управления технологическими процессами.

1958—1960-е годы

В 1960-е и 1970-е годы на кибернетику, как на техническую, так и на экономическую, уже стали делать большую ставку.

А. И. Китов был первым, кто поставил вопрос о необходимости создания единой системы управления народным хозяйством СССР и Вооружёнными Силами страны на основе повсеместного использования ЭВМ и экономико-математических методов. Вначале А. И. Китов осветил свои идеи по созданию глобальной сетевой системы управления в брошюре «Электронные вычислительные машины», которая была опубликована издательством «Знание» в 1958 году. В этой брошюре автором описаны возможные применения ЭВМ для математических вычислений, автоматизации управления производством и решения экономических задач. 7 января 1959 года А. И. Китов отсылает свои предложения по коренной перестройке управления народным хозяйством страны на базе Единой государственной сети вычислительных центров (ЕГСВЦ) в виде письма высшему руководству СССР: генсеку КПСС Н. С. Хрущеву; к этому первому письму Китов приложил свою брошюру. Им предлагалось использовать ЭВМ страны для управления советской экономикой с целью уменьшения влияния субъективных факторов при принятии управленческих решений. Тем самым предполагалось резко повысить эффективность работы предприятий промышленности и транспорта. Впервые в СССР и в мире А. И. Китовым была изложена перспектива комплексной автоматизации информационной работы и процессов административного управления в стране на основе ЕГСВЦ.

Осенью того же 1959 г. А. И. Китов посылает своё второе письмо в ЦК КПСС (также на имя главы СССР Н. С. Хрущёва). В первой части этого письма содержалась резкая критика в адрес ряда руководителей и, в первую очередь, руководства Министерства обороны СССР за медлительность при внедрении ЭВМ в практику. Основную часть письма составлял разработанный им 200-страничный детальный проект глобальной автоматизированной системы под названием «О мерах по преодолению отставания в создании, производстве и внедрении ЭВМ в Вооруженные силы и народное хозяйство страны». Технически эта глобальная автоматизированная система представлялась ему как единая компьютерная сеть, покрывающая территорию всего СССР и состоящая из тысяч вычислительных центров. Это был первый в мире проект создания национальной компьютерной сети (прообраз современной сети Интернет). В проекте А. И. Китова предлагалось объединить в Единую государственную сеть вычислительных центров (ЕГСВЦ) все имеющиеся в стране ЭВМ для решения как народно-хозяйственных (в мирное время), так и задач обороны (в военное время). В случае возникновении чрезвычайных ситуаций (военного положения и др.) компьютеры этой сети должны были переключиться на решение военных задач — компьютерная сеть «двойного назначения» (или «двойного использования»): народно-хозяйственного и военного.

Итогом такой настойчивости автора указанных двух писем стало исключение его (А. И. Китова) из партии и снятие с должности начальника созданного им ВЦ-1 МО СССР.

Несмотря на отклонение масштабного проекта А. И. Китова, содержавшиеся в нем идеи и предложения оказали серьезное влияние на последующие предложения по ЕГСВЦ (1964 г.) и Общегосударственной автоматизированной системе (ОГАС, 1980) и легли в их основу. Указанные предложения прорабатывались в СССР рядом институтов под научным руководством академика В. М. Глушкова.

В ноябре 1962 года Президент АН СССР  М. В.  Келдыш представил заместителю Председателя СМ СССР  А.Н. Косыгину  В.М. Глушкова, который осветил перспективы создания в стране автоматизированных систем управления (АСУ). А к середине 1964 года комиссией, в составе которой были В.М. Глушков (председатель), А.И. Китов,М.П. Федоренко, Н.П. Бусленко, В.С. Михалевич, Н.И. Ковалёв, Н.Е. Кобринский, М.П. Виньков и В.В. Александров и др. был подготовлен проект «Единой Государственной сети вычислительных центров» (ЕГСВЦ), который включал в себя около 100 центров в крупных промышленных городах и центрах экономических районов, объединенных широкополосными каналами связи. К этим крупным центрам были бы подключены ещё 20 тысяч более мелких. Распределенная база данных, возможность доступа к любой информации из любой точки системы. Однако указанный проект ЕГСВЦ так и не был одобрен к реализации, хотя общие упоминания о необходимости его разработки  Для сравнения, первая компьютерная сеть на Западе ARPANET заработала в 1969 году, то есть лишь спустя десять лет после предложения А. И. Китова руководству СССР о создании сети ЕГСВЦ .В дальнейшем менее масштабные системы управления — предприятиями (АСУП), технологическими процессами (АСУ ТП), информационные системы банков и торговых предприятий и многое другое — были реализованы и стали обыденными.

Большую роль в развитии кибернетики сделали советские ученые:

• Берг А. И.
• Белоцерковский О. М.
• Велихов Е. П.
• Ершов А. П.
• Петров Б. Н.

•    Алекса́ндр Миха́йлович Ляпуно́в  ( 1857 — 1918) русский академик Петербургской Академии наук с 1901 года. А. М. Ляпунов создал теорию устойчивости равновесия и движения механических систем с конечным числом параметров.

Работы в области: дифференциальных уравнений, гидродинамики, теории вероятностей

  А́ксель Иванович Берг

                        (  1893 - 1979)

«Отец» советской кибернетики.

Советский учёный радиотехник, адмирал, заместитель министра обороны СССР. С 1950 по 1960 год председатель Всесоюзного научного совета по радиофизике и радиотехнике АН СССР. С 1959 года председатель научного совета по комплексной проблеме «Кибернетика» при Президиуме АН СССР. Возглавлял координацию исследований по кибернетике. Внёс значительный вклад в становление в СССР бионики, технической кибернетики, структурной лингвистики, искусственного интеллекта.   

 

Андрей   Петровтч Ершов

            (1931 – 1988)

Советский учёный, один из пионеров теоретического и системного программирования, создатель Сибирской школы информатики, академик АН СССР. Его работы оказали огромное влияние на формирование и развитие вычислительной техники не только в СССР, но и во всём мире. Советский ученый в области математики, информатики и вычислительной техники. Один из основателей школьной информатики и вычислительной техники. Написал первые учебники по информатике и вычислительной технике для школьников. Занимался теорией по автоматизации программирования, математического обеспечения ЭВМ.

           

Виктор Михайлович  Глушков

(1923-1981)

Советский математик, кибернетик. Решил обобщённую пятую проблему Гильберта (англ.). Под его руководством в 1966 году была разработана первая персональная ЭВМ «МИР-1» (машина для инженерных расчётов).

Основатель и директор Института кибернетики АН УССР. Руководил разработкой ЭВМ ─ Киев, Проминь, Мир, Днепр. Окончил университет в Ростове-на-Дону. Создал теории цифровых автоматов, дискретных преобразователей,  макроконвейерных вычислителей и  автоматизированных систем управления с использованием ЭВМ. В 1964 году прошла разработка концепции АСУП и участие в создании и внедрении «Системы Львов» на Львовском телевизорном заводе, принятой в эксплуатацию в 1967 году.

В 1966 году на механико-математическом факультете Киевского государственного университета им. Т. Шевченко была создана кафедра теоретической кибернетики, которую возглавил Глушков. Позднее, в 1969 году, был создан факультет кибернетики, на который и была перенесена эта кафедра. Инициатором создания факультета был Глушков, ставший первым деканом. В 1967 году в Киеве под руководством академика Глушкова была организована кафедра МФТИ при Институте кибернетики АН УССР, затем   Институт кибернетики им. В. М. Глушкова НАН Украины. Глушков был инициатором и главным идеологом разработки и создания Общегосударственной автоматизированной системы учёта и обработки информации (ОГАС), предназначенной для автоматизированного управления всей экономикой СССР в целом. Для этого им была разработана система алгоритмических алгебр и теория для управления распределёнными базами данных

Сергей   Алексеевич Лебедев

  (1902-1974)

Советский ученый. С 1928 по 1946 год работал во         Всесоюзном   электротехническом институте. С 1946 по 1951 год ─ директор Института электротехники   в г. Киев.  С 1951   года   руководит   институтом точной       механики   и   вычислительной   техники   АН   СССР.  Занимался   разработкой   Единой   Энерготической   Системы,     вычислительных  машин  МЭСМ  (малая электронная  вычислительная  машина). 

 Первый универсальный программируемый компьютер в континентальной Европе был создан командой учёных под руководством Сергея Алексеевича Лебедева из Киевского института электротехники СССР, Украина. ЭВМ МЭСМ (Малая электронная счётная машина) заработала в 1950 году. Она содержала около 6000 электровакуумных ламп и потребляла 15 кВт. Машина могла выполнять около 3000 операций в секунду. Другой машиной того времени была австралийская CSIRAC, которая выполнила свою первую тестовую программу в 1949 году. БЭСМ  (большая   электронная   вычислительная  машина).

Лернер, Александр Яковлевич (1913—2004) — кибернетик, специалист в области автоматики и проблем управления. Один из основоположников теории и практики оптимального управления. С 1967 году стал инициатором  исследования проблем управления большими автоматизированными системами. В конце 70-х годов начал изучать роль человека в системе управления, сформулировал вместе с В. Н. Бурковым принцип открытого управления в теории активных систем.. Ещё в СССР Лернер много работал над вопросом создания искусственного сердца и разработал так называемый «насос Лернера». Однако оказалось, что до сих пор не изобретены материалы, которые бы позволили воплотить эти идеи.

Анато́лий Ива́нович Кито́в (1920 -2005) советский учёный, разработчик электронно-вычислительной техники в СССР. Доктор технических наук, профессор, заслуженный деятель науки и техники РФ, академик РАЕН, инженер-полковник.

В 1955 году А. И. Китов в соавторстве с  С. Л. Соболевым и А. А. Ляпуновым опубликовал первую в СССР позитивную статью о кибернетике под названием «Основные черты кибернетики» в четвёртом номере журнала «Вопросы философии» (главное идеологическое издание ЦК КПСС), ставшую важной теоретической вехой в развитии советской кибернетики и ознаменовавшую победу в борьбе за признание в СССР кибернетики как науки.

Под руководством А. И. Китова в 1958 г. в ВЦ № 1 МО СССР была разработана самая мощная в мире, на тот момент времени, ламповая ЭВМ «М-100» (сто тысяч операций в секунду) и был создан отдел математической поддержки проектирования этой ЭВМ, состоящий из нескольких рабочих групп. А. И. Китов один из первых в СССР осознал важность создания информационных систем и нацелил коллектив своего ВЦ на их разработку. Он был инициатором научных работ по математической лингвистике и машинному переводу, проводимых в ВЦ № 1 МО СССР.

В 1961 году в вышедшем в СССР сборнике «Кибернетику — на службу коммунизму» под редакцией А. И. Берга появилась статья А. И. Китова «Кибернетика и управление народным хозяйством», ставшая одной из ключевых в этом сборнике и получившая развёрнутую положительную рецензию специалистов из США в журнале Operations Research в 1963 году.

В середине 60-х А. И. Китов, в течение пяти лет, был соратником и заместителем В. М. Глушкова по работам, проводимым в области автоматизированных систем управления в оборонных министерствах. Китов продолжает публиковать статьи и монографии по теории и практике АСУ. В начале 60-х годов он стал автором теории ассоциативного программирования. Опубликовал основополагающие монографии «Программирование информационно-логических задач» (1967) и «Программирование экономических и управленческих задач» (1971). В 1970 году под редакцией А. И. Китова выходит в свет книга «Система автоматизации программирования АЛГЭМ». Разработанный под научным и организационным руководством А. И. Китова алгоритмический языкАЛГЭМ получил широкое распространение и был внедрён на сотнях предприятий СССР и рядасоциалистических стран Центральной и Восточной Европы.

В 1965—1972 гг. А. И. Китов работал директором Главного вычислительного центра Министерства радиопромышленности СССР и был Главным конструктором отраслевой автоматизированной системы управления (ОАСУ) этого министерства.

Всего он был автором 12 монографий и учебников, переведённых на многие языки мира. Являлся членом редколлегии академического журнала «Программирование». А. И. Китов создал научную школу (под его руководством было защищено свыше 40 докторских и кандидатских диссертаций).

 

2.4 Кибернетика биологическая (биокибернетика)

 научное направление, связанное с проникновением идей, методов и технических средств кибернетики (См. Кибернетика) в биологию. Зарождение и развитие К. б. связаны с эволюцией представления об обратной связи (См. Обратная связь) в живой системе и попытками моделирования особенностей ее строения и функционирования (П. К. Анохин, Н. А. Бернштейн и др.). Эффективность математического и системного подходов к исследованию живого показали и многие работы в области общей биологии (ДЖ. Холдейн, Э. С. Бауэр, Р. Фишер, И. И. Шмальгаузен и др.). Процесс «кибернетизации» биологии осуществляется как в теоретической, так и в прикладной областях. Основная теоретическая задача К. б. — изучение общих закономерностей управления, а также хранения, переработки и передачи информации (См. Информация) в живых системах.

         Всякий организм — это система, способная к саморазвитию и управлению как внутренними взаимосвязями между органами и функциями, так и соотношениями с факторами среды. Стремясь понять природу живого, ученые часто старались отыскать в организме то, что можно было исследовать изолированно. Цель К. б. — изучение организма с учетом основных взаимосвязей начиная с клеточного, тканевого, органного уровня и кончая организменным. Живая система характеризуется не только обменом вещества и энергии, но и обменом информации.         Кибернетика биологическая рассматривает сложные биологические системы во взаимодействии со средой именно с точки зрения теории информации. Одним из важнейших методов Кибернетика биологическая является моделирование структуры и закономерностей поведения живой системы; оно включает конструирование искусственных систем, воспроизводящих определенные стороны деятельности организмов, их внутренние связи и отношения. Кибернетика биологическая рассматривает живой организм как многоцелевую «иерархическую» систему управления, осуществляющую свою интегративную деятельность на основе функционального объединения отдельных подсистем, каждая из которых решает «частную» локальную задачу. Особенность организма как сложной динамической системы — единство централизованного и автономного управления. Саморегуляция, характерная для всех уровней управления живой системы, обеспечивается автономными механизмами, пока не возникают такие возмущения, которые требуют вмешательства центральных механизмов управления.

         В последнее время всё большее внимание биологов привлекают функциональные характеристики биологических систем управления, обусловленные периодическими (ритмическими, циклическими) процессами. Живые организмы с высокой точностью способны «измерять» время («Биологические часы»). Это выражается в периодических изменениях дыхания, температуры тела и др. процессов жизнедеятельности. Природа биологических ритмов ещё во многом неясна, но есть все основания полагать, что периодичность — фундаментальная характеристика функционирования биологической системы и процессов управления в ней. Процессы, происходящие на каждом из уровней живой системы, характеризуются своей специфической периодичностью, определяемой как внутренними, так и внешними факторами. А между периодической активностью отдельных уровней в нормально функционирующем организме существуют определенные фазовые сдвиги (сдвиги во времени), обусловленные специфической организацией управления на каждом из уровней. Нарушение этих нормальных фазовых сдвигов может вызвать нарушение работы всей живой системы или ее части. Это ведет к сбоям в работе системы управления и накоплению ошибок, что можно описывать как появление «шумов». Коррекция сбоев требует внутренней перенастройки системы (ее алгоритма) либо внешних управляющих воздействий за счёт включения механизмов управления более высокого уровня.

         Живые существа объединяются в системы разного порядка (популяции, Биоценозы и т.д.), образуя своеобразную иерархию живых систем. Во всех этих надорганизменных системах, как и в жизни клетки, развитии организма, эволюции органического мира в целом, имеются внутренние механизмы регуляции, для изучения которых также применимы принципы и методы К. б.

         Механизмы управления определяют течение жизненных процессов не только в норме, но и в патологии (см. Кибернетика медицинская). Клетка — сложная саморегулирующаяся система. Она обладает многими регуляторными механизмами, одним из которых являются колебания её структуры, связанные с деятельностью Митохондрии и совпадающие с колебаниями окислительно-восстановительных процессов. Синтез белков в клетке управляется генетически детерминированными механизмами, связанными с процессами хранения, переработки и передачи генетической информации (См. Генетическая информация). Изучение жизнедеятельности организма в целом и его разных функций, а также механизмов, управляющих работой отдельных органов и систем — это та область, где К. б. оказалась наиболее результативной. В связи с этим сформировались самостоятельные направления — физиологическая кибернетика и нейрокибернетика, изучающие механизмы поддержания Гомеостаза; принципы саморегуляции функций организма и протекания в нем переходных процессов; закономерности нервной и гуморальной регуляции в их единстве и взаимодействии; принципы организации и функционирования нейронов и нервных сетей; механизмы осуществления актов поведения и др. проблемы. Изучая закономерности работы человеческого мозга, в основе которой лежит комплекс алгоритмов, т. е. правил преобразования информации, К. б. позволяет моделировать (в том числе и на ЭВМ) различные формы работы мозга, выявляя при этом новые закономерности его деятельности. Созданы, например, программы для ЭВМ, обеспечивающие возможность обучения, игры в шахматы, доказательства теорем и др. Развивается так называемое эвристическое программирование, когда исследуют и моделируют правила обработки информации в мозге при тех или иных творческих процессах.

         Анализ механизмов индивидуального развития и процессов управления в популяциях и сообществах, включающих хранение, переработку и передачу информации от особи к особи, — также сфера исследований На уровне биогеоценозов, включая и биосферу  в целом, пытается использовать метод моделирования для целей оптимизации биосферы, в частности для определения путей наиболее рационального вмешательства человека в жизнь природы.

         Вопросы эволюции с позиций были впервые рассмотрены И. И. Шмальгаузеном, который отметил иерархичность управления, выделил основные каналы связи между особями, популяцией и биоценозом, определил возможности потери информации и ее искажений и описал эволюционный процесс в терминах теории информации. С этих же позиций исследуются механизмы различных форм отбора.

         Примером применения в прикладных целях может служить создание устройств для автоматического управления биологическими функциями (так называемое биопротезирование), автоматических устройств для оценки состояния человека во время трудовой или спортивной деятельности, при творческой работе, в субэкстремальных и экстремальных условиях.

         Использование методов и средств кибернетики для сбора хранения и переработки информации получаемой в ходе биологических исследований позволяет вскрывать новые количественные и качественные закономерности изучаемых процессов и явлений.

         Большую роль в деле развития К. б. в СССР сыграли конференции совещания и симпозиумы по биологическим аспектам кибернетики по биоэлектрическому управлению, нейрокибернетике.

2.5 Кибернетика медицинская

       Научное направление, связанное с проникновением идей, методов и технических средств кибернетики в медицину. Развитие идей и методов кибернетики в медицине осуществляется в основном в направлениях создания диагностических систем для различных классов заболеваний с использованием универсальных или специализированных ЭВМ; создания автоматизированного электронного медицинского архива; разработки математических методов анализа данных обследования больного; разработки метода математического моделирования на ЭВМ деятельности различных функциональных систем; использования математических машин для оценки состояния больного. Об истории развития и теоретических основах кибернетика медицинская.         Внутренняя организация диагностической системы состоит из медицинской памяти (аккумулированный медицинский опыт в данной группе заболеваний) и логического устройства, позволяющего сопоставить с существующим медицинским опытом симптомы, выявленные при обследовании больного, а также быстро произвести сложную статистическую обработку клинического материала в любом заданном направлении.

         Метод математического моделирования на ЭВМ деятельности разных функциональных систем организма позволяет раскрыть многие важные стороны их деятельности. Для выявления ряда закономерностей взаимодействия изучаемых систем по соответствующим параметрам, характеризующим функцию той или иной системы организма (например, сердечно-сосудистой), составляют математические уравнения. Решение этих уравнений позволяет судить о закономерностях исследуемой системы.

         Математические машины используются для быстрой оценки состояния больного во время большой и сложной операции и в послеоперационный период. При таких операциях контроль за состоянием важнейших функций оперируемого осуществляют при помощи различных электронных приборов и аппаратов многие специалисты (физиолог, биохимик, гематолог и др.). Усилия врачей и математиков, работающих в области К. м., направлены на создание кибернетической системы, позволяющей в течение нескольких секунд оценить, сопоставить и интегрировать показания многочисленных приборов и указать правильное решение о принятии необходимых мер для восстановления жизненно важных функций больного.

         Дальнейшее развитие К. м. направлено на разработку средств, существенно помогающих врачу и увеличивающих его логические и творческие возможности.

2.6 Кибернетика техническая

        научное направление, связанное с применением единых для кибернетики идей и методов при изучении технических систем управления. Кибернетика техническая— научная основа комплексной автоматизации производства, разработки и создания систем управления на транспорте, ирригационных и газораспределительных системах, на атомных электростанциях, космических кораблях и т.п. Проблема «человек — машина», охватывающая вопросы рационального распределения функций между человеком и автоматически действующими устройствами в сложных системах управления (в которых человек принимает непосредственное участие как обязательное звено системы), является одной из главных в Кибернетика техническая  Наибольшее объединение функций человека и автомата достигается в так называемых киборгах («кибернетических организмах»), то есть устройствах с высокой степенью симбиоза в физических и интеллектуальных действиях человека и технических средств автоматики. Киборги, так же как и роботы-манипуляторы, находят все более широкое применение при управлении объектами в недоступных или опасных для жизни человека условиях. Участие человека в работе автоматизированных систем управления привело к тому, что, кроме физиологических особенностей человека-оператора, существенное значение стало приобретать его психологическое состояние. Так возникло новое направление научных исследований, теснейшим образом связанное с кибернетика техническая, — Инженерная психология, важнейшей задачей которой является разработка методов использования психофизиологических особенностей человека при проектировании и эксплуатации сложных человеко-машинных систем управления.

         При решении многих задач (таких, например, как навигация судов и летательных аппаратов, создание измерительных и контрольных устройств, разработка читающих автоматов и др.) специалисты в области К. т. стремятся использовать применительно к технике управления пути и приемы, выработанные природой; это привело к формированию большого самостоятельного направления, пересекающегося с кибернетика техническая, — бионики.

         Одним из направлений кибернетика техническая является Распознавание образов. Распознающие системы применяют не только при создании читающих автоматов, но и при распознавании и анализе ситуаций, характеризующих состояние технологических процессов или физических экспериментов, а также при разработке медицинских автоматических средств диагностики и пр. К кибернетика техническая относится и Идентификация объектов управления, т. е. определение динамических характеристик управляемых объектов на основе наблюдения и измерения некоторых их параметров и внешних возмущающих воздействий. Разработка и исследование различных методов идентификации представляет собой самостоятельное направление в кибернетика техническая К кибернетика техническая можно отнести также и исследования в области теории прогнозирования и разработки автоматических прогнозирующих устройств.

         Характерной особенностью развития К. т. в конце 1960—начале 70-х гг. является широкое использование вычислительной техники в технических системах управления и в том числе автоматизированных системах управления предприятием (АСУП). Создание таких систем — задача сложная и многогранная; ее научной базой служит кибернетика техническая, Системотехника, Информации теория, Кибернетика экономическая, причем часто невозможно указать грань между этими научными направлениями. К. т. проводит исследования и решает задачи, относящиеся главным образом к нижним уровням управления производством (агрегатом, технологическим процессом и цеховой системой), а системотехника делает упор на средние уровни управления (административно-организационное управление предприятием, комбинатом или отраслью), а также на автоматизацию процессов проектирования и автоматизацию сложных научно-экспериментальных работ (например, при геофизических и гидрофизических исследованиях и т.п.). Все уровни управления тесно взаимосвязаны. Поэтому к созданию автоматизированной системы управления подходят как к единой целостной проблеме, комплексно решая задачи проектирования, разработки, изготовления, испытания, наладки и эксплуатации. При этом принимают во внимание как чисто технические, так и административно-организационные, экономические, социальные, правовые и этические аспекты этой целостной проблемы. Создание АСУП требует большой предварительной организационной и технической подготовки. Организационная подготовка — это прежде всего Алгоритмизация процессов и составление Алгоритмов управления подсистемами и системой в целом. Техническая подготовка заключается в выборе стандартных или (при необходимости) разработки новых технических средств (вычислительных машин, устройств изображения информации, пультов управления и т.д.), необходимых для эффективного функционирования АСУП.

         Вследствие большой насыщенности систем управления разнородными техническими средствами возросло значение автоматического контроля как средства повышения надежности функционирования систем. Решение этой задачи, так же как и общей задачи повышения эффективности АСУП, в значительной мере связано с предоставлением человеку-оператору необходимой обобщенной визуальной информации. Для этой цели созданы различные средства отображения информации (знаковые индикаторы, мнемосхемы, световые табло, установка промышленного телевидения и специальные экраны, действие которых основано на использовании оптоэлектроники, голографии и т.д.) с учётом психофизиологических особенностей человека, предоставляющие ему возможность активно участвовать в процессе управления.

         В большинстве технических систем управления отсутствует априорная информация, необходимая для оптимального управления, и человек-оператор должен накапливать её в процессе эксплуатации системы. Поэтому изучавшиеся в теории автоматического управления различные адаптивные системы имеют не меньшее значение и при разработке АСУП. В этом проявляется преемственность и даже некоторое совпадение задач теории автоматического управления и К. т. Это же утверждение относится к исследованию динамических свойств АСУП (устойчивости, точности управления и т.д.), т. е. к проблематике, определяющей научное содержание как К. т., так и теории автоматического управления.

         Наличие человека в системе управления потребовало решения многих новых задач, которые при изучении систем автоматического управления (САУ) не возникали. В частности, появилась необходимость изучить интеллектуальную деятельность человека в процессе управления (логическое описание его функционирования, методы описания целенаправленного поведения, процесса обучения и пр.) В связи с многообразием задач, возникающих при изучении человеко-машинных систем управления, потребовалось найти обобщающие методы исследования, с единой тоски зрения охватывающие многие из этих задач. Поэтому в 70-х гг. К. т. стала развиваться в направлении построения и изучения абстрактных моделей сложных систем управления.

         Большое значение в кибернетика техническая приобретают методы решения задач устойчивости, оптимальности, распознавания образов, исследования конечных автоматов, а также экономико-математических задач, основная трудность которых заключается в наличии очень большого числа взаимодействующих элементов (подсистем), входящих в соответствующую сложную систему. Основные пути преодоления этих затруднений — методы декомпозиции и методы агрегатирования. Большое значение в К. т. имеет также проблема многих критериев, заключающаяся в выборе таких значений управляющих воздействий, при которых всякое оптимальное значение, найденное для каждой из подсистем, было бы оптимальным (или субоптимальным) и для системы в целом. Аналитические методы изучения сложных систем имеют большое значение для исследования реальных систем управления производством, транспортом и т.д., но пока их практическое применение невозможно из-за чрезмерной сложности задач, и более универсальными для детального изучения сложных технических систем управления являются (на 1972) методы моделирования. В отличие от традиционных методов моделирования — аналогового, цифрового или гибридного (цифро-аналогового), широко распространённых при исследовании систем автоматического управления, при моделировании систем «человек — машина» создаются специальные моделирующие комплексы и даже моделирующие центры. В их состав, помимо аналоговых и цифровых вычислительных машин, входят различные устройства отображения информации, специализированные пульты, средства связи и др., позволяющие создать        для человека-оператора условия функционирования, наиболее приближённые к реальным.

2.7 Кибернетика экономическая

        научное направление, занимающееся приложением идей и методов кибернетики к экономическим системам. В расширительном и не совсем точном смысле часто ибернетикаод кибернетикой экономической понимают область науки, возникшую на стыке математики и кибернетики с экономикой, включая Математическое программирование, исследование операций, Экономико-математические модели, эконометрию) и математическую экономию. Кибернетика экономическая рассматривает экономику а также её структурные и функциональные звенья как системы, в которых протекают процессы регулирования и управления, реализуемые движением и преобразованием информации. Методы кибернетикой экономической дают возможность стандартизировать и унифицировать эту информацию, рационализировать получение, передачу и обработку экономической информации, обосновать структуру и состав технических средств ее обработки. Именно такой подход определяет внутреннее единство и характер исследований в рамках кибернетикой экономической Они служат, в частности, теоретической основой создания автоматизированных систем управления (АСУ) и систем обработки данных (СОД) в народном хозяйстве. В ряде стран соответствующие исследования ещё не выделены из проблематики системного анализа, исследования операций, науки управления (management science), например в США и Великобритании, или информатики (См. Информатика), например, во Франции. К. э. пока находится в стадии становления. Впервые термин «

().» появился в начале 1960-х гг.в трудах В. С. Немчинова, О. Ланге и X. Греневского (Польша), С. Вира (Великобритания). Они же наметили и основные направления развития этой новой науки, уделив особое внимание связи системного анализа экономики с теорией регулирования, логикой и информации теорией (См. Информации теория). Однако многие существенные положения К. э. были сформулированы значительно ранее: представление экономики как системы содержится в Экономической таблице Кенэ (См. Экономическая таблица Кенэ) (1758); оно было развёрнуто и научно обосновано в трудах К. Маркса и В. И. Ленина; принципиальное значение для К. э. имеют теория и практика планирования и управления народным хозяйством СССР и др. социалистических стран, особенно разработка комплекса показателей плана и стимулов его реализации; анализ потребностей и содержания информации в народном хозяйстве проводился экономической статистикой. В 50-х и 60-х гг. более широко разрабатывались прикладные вопросы создания СОД: обследование потоков данных и их рационализация, кодирование, организация обработки данных, что обеспечило эффективное использование ЭВМ в СОД (до этого они применялись для разовых расчетов и не использовались в режиме управления). Создавались более или менее абстрактные схемы регулирования экономических систем как иллюстрации теории автоматического регулирования. Все эти первоначально весьма слабо связанные исследования постепенно складывались в проблематику К. э. Ее внутренняя общность вырисовывалась по мере перехода от сравнительно небольших СОД на предприятиях и фирмах к анализу и проектированию информационных систем отраслевого и народно-хозяйственного уровня. Здесь потоки информации и обработка данных уже не могли рассматриваться обособленно от процессов планирования и управления социалистической экономикой в целом или процессов регулирования в капиталистической экономике. Особенно острым стал вопрос об информационном обеспечении крупных комплексов экономико-математических моделей. В качестве одной из центральных возникла проблема совмещения моделей управляемых объектов и моделей процессов управления как основы проектирования АСУ. От этого зависят возможности оптимизации системы управления, сочетающей разработку эффективных и оптимальных планов, обеспечение их реализации с удовлетворением определённых требований к характеристикам управляющего органа.

         К. э. развивается по трём основным направлениям, которые все более тесно увязываются друг с другом. Теория экономических систем и моделей разрабатывает: методологию системного анализа экономики и ее моделирования, отражения структуры и функционирования экономических систем в моделях; вопросы классификации и построения комплексов экономико-математических моделей; проблемы экономического регулирования, соотношения и взаимного согласования различных стимулов и воздействий в функционировании экономических систем; вопросы поведения людей и коллективов. При исследовании этих проблем К. э. прежде всего опирается на политическую экономию и общую теорию систем, а также на социологию и теорию регулирования, обобщает результаты разработки экономико-математических методов и моделей. Теория экономической информации рассматривает экономику как информационную систему. Она изучает: потоки информации, циркулирующие в народном хозяйстве как коммуникации между его элементами и подсистемами, характеристики информационных каналов и передаваемых по ним сообщений; экономические измерения и вообще знаковые системы в экономике, т. е. языки экономического управления, включая разработку комплексов хозяйственных показателей, правил их расчёта (эти вопросы выделяются в экономическую семиотику); процессы принятия решений и обработки данных в информационных системах народного хозяйства на всех его уровнях и вопросы наилучшей организации этих процессов. Здесь К. э. тесно соприкасается с теорией информации, исследованиями по определению полезности или ценности информации, семиотикой (См. Семиотика), теорией программирования, информатикой. Теория управляющих систем в экономике конкретизирует и сводит воедино исследования остальных разделов К. э. Она направлена на комплексное изучение и совершенствование системы управления народным хозяйством и отдельными хозяйственными объектами, а в конечном счете, — на их оптимальное функционирование. Особое внимание уделяется: проблемам планирования и руководства реализацией планов — методологии, технологии и организации этих функций управления, использованию комплексов экономико-математических моделей и других научных методов в практике управления; разработке внутренне согласованного комплекса экономических, административных, правовых и других стимулов и норм управления, построению организационных структур органов управления; изучению и учету человеческих факторов (социально-психологических и т.п.) в процессах хозяйственного управления, взаимодействию человека и машины в АСУ; проблемам проектирования и внедрения АСУ в целом. К. э. рассматривает АСУ не как «пристройку» к тем или иным органам управления для обработки данных, а как саму систему управления хозяйственным объектом, основанную на комплексном применении экономико-математических методов и моделей, современной информационно-вычислительной техники — с соответствующей технологией и организацией её работы. По этим направлениям в СССР ведутся исследования и прикладные разработки на всех уровнях управления народным хозяйством: от системы Госплана СССР и отраслевых АСУ до АСУ предприятий.

         24-й съезд КПСС наметил создать в перспективе общегосударственную автоматизированную систему сбора и обработки информации. В 9-й пятилетке (1971—75) увеличивается ввод в действие АСУ предприятиями, организациями промышленности и сельского хозяйства, связи, торговли и транспорта.

         Основные научно-исследовательские центры в области К. э.: Центральный экономико-математический институт АН СССР, институт экономики и организации промышленного производства Сибирского отделения АН СССР, институт кибернетики АН УССР, Научно-исследовательский экономический институт Госплана СССР, Вычислительный центр АН СССР и др.

2.8  Основы автоматики и управления

Автома́тика  — отрасль науки и техники, которая разрабатывает технические средства и методы для осуществления технологических процессов без непосредственного участия человека. 

  Формирование автоматики как научной дисциплины относится к сравнительно недавнему времени. Сначала она развивалась на базе научных достижений смежных отраслей, и отдельные теоретические вопросы её разрабатывались др. научными дисциплинами. Однако бурное развитие автоматики за последние годы привело к выделению её в отдельную научную дисциплину. Существенный вклад в развитие автоматики внесли советские учёные, завоевав на некоторое время приоритет советской науки в решении многих важных проблем этой отрасли.

Сейчас автоматизация широко применяется в различных отраслях народного хозяйства (в промышленности, связи, на транспорте, в коммунальном хозяйстве и т.п.), а также в военном деле.

В ряде отраслей промышленного производства создаются полностью автоматизированные цехи и заводы, например автоматизированные бетонные заводы, автоматизированные мельницы, хлебозаводы и прочее. Воплощением идей автоматизации в машиностроении является автоматический завод по изготовлению деталей машин.

Средства автоматизации Задачами автоматизации производства является автоматический контроль (включая автоматическую сигнализацию и автоматический защита оборудования), автоматическое регулирование и автоматическое управление. Эти задачи решаются путём создания систем автоматизации как информационно объединенной совокупности программируемых устройств автоматизированного и автоматического контроля, регулирования и управления. Системы автоматизации строятся на основе устройств промышленной автоматики.

Классификация автоматов

Автомат, выполняющее по жёстко заданной программе, без непосредственного участия человека, процессы получения, преобразования, передачи и использования энергии, материала и информации. Автоматы применяются для обеспечения комфортных условий жизни человека, повышения производительности, облегчения и обеспечения безопасности его труда.

кинематические автоматы — наиболее простая в использовании группа автоматов, известная ещё с глубокой древности.

нерефлекторные автоматы, которые работают независимо от внешних воздействий, многократно повторяя одни и те же операции в определенной последовательности. К ним относятся автоматическое огнестрельное оружие, некоторые металлообрабатывающие и текстильные станки и т. п.

рефлекторные автоматы, которые поддерживают ход производственного процесса на определенном уровне независимо от изменения параметров самого процесса. К ним относятся:

регуляторы скорости, давления, температуры, электрического напряжения и т. п.;

автоматы с программным управлением — представляют собой качественный скачок в развитии техники. В частности, созданы автоматы с счетно-решательными механизмами и вычислительными машинами, а также автоматы в виде управляющих машин, которые ведут процесс при оптимальном технологическом и техноэкономическом режимах.

Общественно-экономическое влияние

Способствуя ликвидации существенных различий между физическим и умственным трудом и обеспечивая значительное развитие производительных сил, автоматика является одним из основных элементов технического общества. Прогресс общества, научно-техническая революция возможны только на основе широкого внедрения новой техники, комплексной  механизации и  автоматизации производственных процессов во всех отраслях хозяйства.

Тео́рия управле́ния —наука о принципах и методах управления различными системами, процессами и объектами. Основами теории   управления являются кибернетика и теория информации.

Суть теории управления состоит в построении математической модели на основе системного анализа объекта управления (ОУ) и синтезе алгоритма управления (АУ) для получения желаемых характеристикпротекания процесса или целей управления.

Определение и задачи

Кибернетика установила, что управление присуще только системным объектам. Для них характернопонижение энтропии, направленность на упорядочение системы.

  Процесс управления можно разделить 

на несколько этапов:

Сбор и обработка информации.

Анализ, систематизация, синтез.

Постановка на этой основе целей. 

Выбор метода управления, прогноз.

Внедрение выбранного метода управления.

Оценка  эффективности  выбранного метода управления (обратная связь).

Конечной целью теории управления является 

универсализация, а значит согласованность, 

оптимизация и наибольшая эффективность 

функционирования  систем.

Принцип обратной связи.

Управление можно разделить на два вида: стихийный: воздействие происходит в результате взаимодействия субъектов (синергетическое управление);

сознательный: планомерное воздействия объекта

 (иерархическое управление)

При иерархическом управлении цель функционирования системы задается её надсистемой.

Примеры современных методов управления:

Нелинейное управление

Теория катастроф

Адаптивное управление

Построение оптимальных робастных регуляторов

Игровые методы в управлении

Интеллектуальное управление

.

2.9 Управление техническими системами

 Общие сведения об автоматизации, управлении
и регулировании.  Классификация систем управления по назначению

 Под управлением в общепринятом смысле понимают организацию какого-либо процесса для достижения поставленной цели. В машиностроении имеют в виду технологические процессы изготовления какого-либо вида продукции или рабочие процессы какого-либо агрегата, устройства, установки, задействованных в таком технологическом процессе. По мере развития материальной базы промышленности и усложнения технологий быстро выяснилось, что эффектность производства тем выше, чем меньше интенсивность тяжелого физического труда, т. е. чем выше механизация производства. Под механизацией понимают замену физического труда человека трудом машин и механизмов. При этом функции управления и контроля остаются за человеком. Понятно, что физиологические возможности человека как управляющей системы не безграничны, поэтому возникли проблемы повышения количества и качества выпускаемых изделий, производительности труда, а также трудности с трудовыми ресурсами и их уровнем подготовки. Таким образом, дальнейшее повышение эффективности производства в условиях увеличения спроса на выпускаемую продукцию связано с внедрением систем, работающих без участия человека. В этом случае человек получает готовый результат технологического процесса без своего непосредственного участия и за ним остаются лишь функции настройки, наблюдения за работой технических устройств и при необходимости передача полученной продукции для дальнейшей обработки или реализации. Устройство, агрегат или техническая система, выполняющие свои функции без участия человека, называются автоматическими. Внедрение в производство каких-либо типов автоматических устройств называется автоматизацией.

Необходимость автоматизации обуславливается следующими основными факторами.

1. Необходимостью осуществить управление опасными производствами, в которых участие человека нежелательно или исключается. 2. Стремлением преодолеть ограничения в управлении, которые обуславливаются физиологическими возможностями человека как управляющей системы.

3. Стремлением повысить производительность труда и качество продукции.

4. Необходимостью рационально использовать оборудование, энергию и материалы

Первые автоматические регуляторы появились в связи с промышленным применением паровых машин в 1763–1765 г. Так, в паровой машине И.И. Ползунова был впервые использован широко теперь известный поплавковый регулятор уровня воды. В машине Дж. Уатта был применен центробежный регулятор оборотов. Далее до появления электрических машин и приборов автоматические устройства применялись в основном для поддержания заданного режима работы паровых машин и турбин. Применение электрических аппаратов значительно расширило область применения автоматических устройств, так как они более компактны и передача электрических сигналов управления значительно проще, чем механических.

 

Развитие технической базы систем автоматического управления

 

Появление электронных приборов позволило еще более снизить габариты и вес автоматических регуляторов, обеспечивающих заданные алгоритмы управления.

Первый отечественный электронный регулятор появился в 1949 г., а с середины 50-х годов в СССР началась разработка системы ГСП – Государственной системы промышленных приборов и средств автоматизации, задачей которой является создание автоматических и информационно-управляющих систем из стандартных приборов, обладающих совместимостью. Устройства ГСП – это устройства для конкретных функций, т. е. для обеспечения схемной реализации алгоритма управления в типовых автоматических системах. Устройства, входящие в ГСП, представляют собой параметрический ряд (ГОСТ 12997-67 и дополнения) и обладают функциональной, метрологической, конструктивной и эксплуатационной совместимостью. Системы включают в себя устройства для получения первичной информации (измерение каких-либо параметров, например температуры, давления и т.д.) и их преобразования в сигналы, удобные для дальнейшего использования в управлении (чаще всего электрические); устройства передачи информации; регулирующие и вычислительные устройства; устройства отображения информации. Приборы, входящие в ГСП, могут быть разделены на три ветви по виду используемой энергии: электрическая, пневматическая и гидравлическая. Наиболее развита электрическая ветвь. Приборы и средства ГСП работают на основе принятых стандартных сигналов. Из приборов могут быть построены схемы для реализации типовых алгоритмов регулирования, логического управления и т. п. В машиностроении система ГСП используется наряду со специальными автоматическими устройствами, соответствующими специфике той или иной отрасли производства конкретных изделий. Цель системы – снизить затраты на проектирование.

С появлением и внедрением вычислительной техники появилось направление АСУТП – автоматизированные системы управления технологическими процессами, которые предназначены для централизованного управления. Первые системы только облегчали труд оператора центрального пульта управления (информационный и информационно-советующий режимы), а по мере развития направления частично или полностью смогли заменить его (режим непосредственного управления). В этих системах оператор имеет возможность при необходимости в любой момент вмешаться в работу управляющей вычислительной машины, что отражено в названии: не автоматические, а автоматизированные, т. е. не исключающие участие человека. Особенно эффективны АСУТП в энергетике, в химической промышленности, в непрерывных производствах.

Миниатюризация в электронике, появление мини- и микро-ЭВМ позволило продвинуть автоматизацию и в те отрасли машиностроения, где автоматические устройства не давали существенного положительного эффекта из-за необходимости в частой перестройке агрегатов. Мини- и микро-ЭВМ позволили повысить надежность управляющих систем путем резервирования возможностей без существенного увеличения затрат (распределенные системы) и создавать гибкие автоматизированные системы (ГАПы), обеспечивающие безлюдные технологии изготовления типовых деталей и узлов с несколькими видами обработки. В ГАПах автоматизируется подача и обработка деталей и узлов с помощью промышленных роботов, выполняющих функции токаря, сварщика, штамповщика и т. д. Таким образом, появилась возможность круглосуточной работы участка технологической обработки и повышения производительности производства при стабильном качестве. Применение промышленных роботов (ПР), станков с числовым программным управлением (ЧПУ) и ГАПов эффективно при серийном производстве, когда быстро окупаются затраты на перенастройку оборудования. При мелкосерийном производстве затраты на переналадку относительно велики, а при массовом больший эффект обеспечивают автоматические линии.

На сегодняшний день при металлообработке автоматизировать весь процесс изготовления детали или узла чаще всего достаточно сложно и экономически не целесообразно. Поэтому в машиностроении больше распространены так называемые локальные системы автоматизации, обеспечивающие автоматизацию только части общего процесса изготовления изделия. Например, процесс термообработки, транспортировки, штамповки, несложной сборки и т. д. Полная автоматизация более характерна для непрерывных производств: производства нефтепродуктов, электроэнергии и т. д. При частичной автоматизации совместная работа автоматических и других систем координируется человеком. Локальные автоматические системы можно классифицировать по назначению, рис. 2.

Системы защиты и блокировки обеспечивают защиту каких-либо устройств от аварийных режимов, автоматическое отключение при перегрузке, блокировку неисправных устройств. Системы сигнализации предназначены для извещения оператора о состоянии тех или других элементов агрегата или о протекании технологического процесса. Системы контроля и учета могут автоматически контролировать размер детали в процессе обработки, учет количества продукции, измерение и контроль параметров различных процессов.

 

Классификация автоматических систем по назначению

 

Системы автоматического управления включают системы регулирования, системы логического управления, т. е. управления на основании логических операций, и более сложные системы оптимального регулирования, последние иногда называют кибернетическими системами.

Системы регулирования решают задачу обеспечения заданных режимов работы различных технических устройств, задачу более узкую и простую, чем управление. Логические системы управляют последовательностью работы отдельных агрегатов. Кибернетические системы решают более сложные задачи, к которым относятся оптимальное регулирование и самонастройка в зависимости от окружающих условий и т. п.

По мере развития материальной базы автоматических систем потребовались расчетные методы, позволяющие определить параметры и спроектировать автоматическую систему без каких-либо экспериментов и затрат на дополнительную защиту ее во время эксплуатации от аварийных режимов и непредсказуемого поведения при изменении внешних условий. Но лишь к 40-м годам двадцатого века окончательно сформировалась прикладная наука автоматика, как раздел фундаментальной науки кибернетики. Автоматика изучает общие принципы построения систем автоматизации и включает в себя теорию технических средств автоматики, теорию автоматического регулирования (ТАР), теорию автоматического управления (ТАУ). Элементы этих курсов объединены под общим названием «Управление техническими системами».

  

Основные понятия и определения теории автоматического регулирования

 Изменение какой-либо величины или нескольких величин по требуемому закону без участия человека называется автоматическим регулированием.

Техническое устройство, в котором осуществляется регулирование, называется объектом регулирования, а физические величины, подлежащие регулированию, называются регулируемыми величинами. В общем случае если y(t) изменение во времени регулируемой величины, а q(t) функция, характеризующая требуемый закон изменения, то задача регулирования сводится к их равенству в каждый момент времени:

y(t) = q(t).

Функцию q(t) называют задающим воздействием. В реальных условиях всегда существуют причины, отклоняющие регулируемые величины от требуемого закона изменения. Эти причины называют возмущающими воздействиями или возмущениями. Число возмущений обычно очень велико. Из общего числа возмущений можно выделить контролируемые возмущения и неконтролируемые – помехи. Физические величины, с помощью которых воздействуют на объект для решения задачи регулирования, называют регулирующими величинами. Так как регулирование и управление всегда происходят во времени, то для краткости записи указание зависимости величины от времени часто не пишут. Исходя из вышесказанного в общем случае объект управления (регулирования) можно изобразить схемой, показанной на рис. 3, а.

Схема объекта регулирования (управления

 

На схеме рис.3, а обозначены: x – регулирующие величины; f - возмущения; z - помехи. Такой объект называется многомерным, так как число регулируемых параметров больше единицы. В большинстве случаев в объектах при регулировании изменяют одну регулируемую величину при помощи одной регулирующей, а появление помех (неконтролируемых возмущений) маловероятно. Кроме этого, при работе какого-либо технического устройства при металлообработке часто можно выделить одно главное возмущение, а остальными пренебречь. На основании этого объект регулирования можно представить схемой, показанной на рис. 3, б. Такой объект называют одномерным. Автоматические системы, регулирующие только одну величину, также называются одномерными системами, а регулирующие несколько величин – многомерными.

Техническое устройство, которое влияет на состояние объекта, изменяя регулирующую величину, называют регулирующим органом, а техническое устройство, посредством которого решается задача регулирования – автоматическим регулятором. При ручном регулировании на объект через регулирующий орган воздействует человек. Таким образом, задачей автоматизации является создание автоматического регулятора, который бы заменил человека-оператора.

Для регулирования необходима информация о состоянии объекта, которое характеризуется регулируемой величиной. Для этого нужно измерительное устройство. Измеренную регулируемую величину необходимо сравнить с заданной и имеющееся различие (если оно есть) подать в автоматический регулятор, который должен сформировать регулирующее воздействие на регулирующий орган, чтобы объект изменил свое состояние и различие было бы устранено с заданной точностью. Вышеописанное иллюстрируется структурной схемой автоматической системы, на которой указывают функции отдельных устройств, рис. 4. На схеме: ОР – объект регулирования; РО – регулирующий орган; ИУ – измерительное устройство; ЗУ – задающее устройство; АР – автоматический регулятор. Суммирующее устройство обозначается в виде окружности, разделенной на секторы. Если в нем происходит сравнение (вычитание), то нижний сектор, в который входит стрелка зачерняется. Связь между элементами схемы указывается стрелками. Автоматический регулятор, как правило, включает в себя усилительно-преобразовательное устройство (УП) и исполнительный механизм (ИМ).

 

Структурная схема автоматической системы

 

Над стрелками указаны изменяемые во времени физические величины, с помощью которых осуществляется регулирование: y(t) – регулируемая величина;
F(t) – возмущение; X(t) – регулирующая величина; y=y(t)–g(t) – отклонение y(t) от заданного значения (ошибка), появление которого вызывает μ(t)=X₀(t)–X₁(t) – регулирующее воздействие, т. е. разность между регулирующими величинами до возникновения отклонения X₀(t) и после него X₁(t). Связь выхода объекта с входом регулятора через элемент сравнения называется обратной связью. Обратная связь образует замкнутый контур, и системы с такой структурой называют замкнутыми. При отсутствии обратной связи система разомкнута, т.е. информация о состоянии объекта в регулятор не поступает. В зависимости от характера системы и видов используемой энергии в некоторых системах могут отсутствовать специальные измерительные устройства, усилитель, преобразователь. Все остальные элементы необходимы для любой системы. В указанной на рис. 4 системе происходит сравнение (вычитание) величин y(t) и g(t). Такая обратная связь называется отрицательной. Если же в суммирующем элементе складываются эти величины, то такая связь называется положительной. В этом случае обратная связь служит для максимально возможного увеличения регулируемой величины, что применяется в некоторых устройствах и системах, не связанных с регулированием. Закон обратной связи характерен для всех известных процессов не только в технике, но и в биологии, в обществе и т. д. – это любое сравнение того, что имеем, и того, что хотим или можем получить, с последующим действием в ту или иную сторону.

Изменение состояния объекта при выполнении им заданного технологического процесса при возмущениях описывается алгоритмом функционирования, т. е. последовательностью связанных друг с другом предписаний (математически или логически). Совокупность внешних организованных воздействий на объект со стороны автоматического регулятора называется алгоритмом регулирования.

 

Устойчивость САР

Переходный процесс в автоматической системе зависит как от свойств системы, так и от вида возмущения. В переходном процессе две составляющие: свободное движение, определяемое начальными условиями и свойствами системы; вынужденное движение, которое определяется возмущением и также свойствами системы. Свободное движение должно с течением времени стремиться к нулю, так как это определяет устойчивость системы. В устойчивых САР переходный процесс затухает , а в неустойчивых – расходится .

Для аналитического определения характера переходного процесса необходимо составить дифференциальное уравнение движения системы в переходном процессе и проинтегрировать его, т. е. определить y(t).

 

 

 

 

 

 

 

 

 

 

 

В общем виде дифференциальное уравнение движения относительно Δу при затухающем процессе можно записать как

.

Нуль в правой части означает, что процесс затухает. Коэффициенты являются постоянными, определяемыми параметрами системы. Характеристическое уравнение этого дифференциального уравнения имеет вид

, (4)

где р – оператор.

Известно, что корни такого уравнения в общем случае есть комплексные числа вида . Необходимым и достаточным условием устойчивости является отрицательное значение всех вещественных частей корней характеристического уравнения. Если хотя бы один , то система неустойчива. Если же все , но имеются нулевые или чисто мнимые корни, то система имеет переходный процесс с незатухающими колебаниями, так называемая консервативная система, которая также считается неустойчивой.

Чем выше порядок дифференциального уравнения системы, тем сложнее искать корни характеристического уравнения. Поэтому были разработаны различные критерии устойчивости, применяемые в инженерных расчетах и позволяющие не решать уравнений. Рассмотрим некоторые из них, наиболее часто применяемые.

1. Критерий Раусса - Гурвица.

Этот критерий позволяет определить устойчивость по коэффициентам уравнения системы. Для этого из коэффициентов характеристического уравнения составляется квадратная матрица, называемая определителем Гурвица. В первой строке матрицы записываются все нечетные коэффициенты, во второй – все четные.

 Система автоматического регулирования устройства, если определитель Гурвица, его диагональные миноры и все коэффициенты положительны. Таким образом, кроме положительности коэффициентов, необходимо определить знак диагональных миноров, отмеченных выше линиями на матрице для уравнения 4-го порядка. Достоинство критерия – простота. Однако применить критерий можно только при постоянстве параметров, и он не позволяет оценить запас устойчивости и быстроту затухания переходного процесса. Обычно применяют критерий для уравнений не выше 4-го порядка.

2. Критерий Найквиста.

По этому критерию об устойчивости замкнутой системы судят по АФЧХ разомкнутой. Для этого необходимо структурную схему замкнутой системы свести к виду, показанному на рис. 64. Затем разомкнуть систему и определить передаточную функцию W(p) = W₁(p)W₂(p). По W(p) строят АФХЧ (годограф). Система устойчива, если годограф разомкнутой системы не охватывает точку с координатами 0;–1, рис. 65.

Рис. 64. Рис. 65.

 

В этом критерии можно определить запас устойчивости по модулю и по фазе. Для этого необходимо провести окружность радиусом R=1, рис. 66.

Проведя радиус через точку пересечения А, можно определить запас устойчивости по фазе как угол и запас по модулю как отношение отрезков

 

 

 

 

 

 

 

СВ/СО, или , где – значение АФЧХ разомкнутой системы при частоте , соответствующей = 180° (точка В), рис. 66.

 

Критерий устойчивости по ЛАЧХ.

Этот критерий представляет собой интерпретацию критерия Найквиста при помощи и разомкнутой САР. Замкнутая система устойчива, если разомкнутой системы при частоте среза не достигает 180°. При большем сдвиге фаза выходного сигнала меняется на противоположную и система, вместо того, чтобы идти к положению равновесия, уходит от него, рис. 67. Запас по фазе определяется углом при частоте среза (рис. 67), а по модулю , где – частота, при которой достигает 180°.

 

 

Для обеспечения удовлетворительных показателей переходного процесса устанавливают L_З ≤ 10 – 20 дБ и = 36–60°.

Различают структурно-устойчивые и структурно-неустойчивые системы. Для первых устойчивость зависит от значения ее параметров. Если при любых параметрах САР неустойчива, она называется структурно-неустойчивой. Способ определения устойчивости по логарифмическим характеристикам хорошо разработан и является инженерным. Здесь легко определить желательную характеристику , выяснить, какие звенья оказывают наибольшее влияние на устойчивость и какую характеристику должны они иметь.

 Качество регулирования

Если система устойчива, то следующим этапом является выяснение качества регулирования. Наглядное представление о качестве регулирования системы дает переходная характеристика. У устойчивой системы при мгновенном скачкообразном воздействии переходный процесс может быть апериодическим, или колебательным.

Общими показателями качества для обоих переходных процессов является статическая ошибка Δу и время регулирования t_p. Статическая ошибка – это ошибка, которая определяется как limΔy(t) при t → ∞. Ошибка должна быть меньше допустимой Δy_доп. Время регулирования t_p определяется как время, за которое y(t) достигнет значения у₀ с требуемой точностью, т. е. кривая переходного процесса перестанет выходить за пределы заштрихованной области, ширина которой равна 2Δу_доп, рис. 68. Допустимую ошибку в технике обычно устанавливают 5 или 10 %, но может быть и точнее, например 2 %.

Для колебательного процесса показателями качества дополнительно являются также перерегулирование σ и колебательность М.

Перерегулирование определяется как

.

Перерегулирование обычно допускается не более 20–30 %.

Колебательность системы определяется числом переходов через положение равновесия у₀ . В большинстве случаев допускается М = 2…3. Кроме перечисленных показателей быстродействие САР может характеризоваться также временем первого согласования t_н , временем достижения первого максимума t_max и периодом Т, рис. 68, б.

Существует и интегральная оценка качества, которая заключается в следующем. Если перестроить графики переходных процессов чтобы у₀ был на линии абсцисс, то получим кривые, показанные на рисунке

 

Величина заштрихованной в обоих случаях площади определяется скоростью затухания переходного процесса, т.е. качеством регулирования системы. Для апериодического процесса площадь под кривой (рис. 68, а):

,

где Δу – отклонение регулируемой величины от заданного значения у₀, о качестве судят по квадратичной зависимости:

.

Интегральный показатель качества может быть вычислен без построения кривой переходного процесса по уравнению h(t). Недостатком интегральных оценок является отсутствие наглядного соответствия между значениями показателей I и другими характеристиками переходных процессов.

Определение формы кривой переходного процесса аналитически (прямой метод) затруднительно, особенно при уравнении высоких порядков и не достаточно информативно, когда требуется выяснить влияние отдельных параметров на показатели качества. Для этих целей разработаны косвенные методы. Однако и эти методы вряд ли можно причислить к исключительно простым. На сегодняшний день при анализе широко используются вычислительная техника и пакеты программ, позволяющие реализовать вышеописанные методы определения устойчивости и качества регулирования быстро и с высокой точностью.

 Коррекция САР

Если спроектированная САР не удовлетворяет требованиям запаса устойчивости и качества регулирования, то возникает необходимость в ее коррекции. Без изменения структурной схемы системы можно только повысить общий коэффициент усиления и таким образом снизить статическую ошибку. Но в этом случае повышается скорость регулирования, переходный процесс становится колебательным, или колебания усиливаются, и возможны потеря устойчивости или ухудшение временных показателей качества. Для коррекции в структурную схему вводят дополнительные корректирующие звенья, подключаемые последовательно и параллельно. Положительная обратная связь увеличивает коэффициент усиления звена, отрицательная уменьшает постоянную времени, улучшает устойчивость и изменяет тип звена. При коррекции устойчивости сначала строят ЛАЧХ исходной системы и определяют ЛАЧХ желаемую, изменяя значение . Затем по разности ординат этих характеристик находят – ЛАЧХ корректирующего звена. Отсюда определяют W(p)_k и выбирают звено как реальное устройство, обычно как элемент электрической схемы в виде сочетания параметров
RC-цепочки. После этого, учитывая реальные параметры подобранного корректирующего звена, определяют ЛАЧХ скорректированной системы и определяют ее h(t). По характеру кривой h(t) определяют качество регулирования? и если параметры удовлетворяют предъявляемым требованиям, то коррекцию прекращают, а если нет, то производят заново. Для коррекции имеются разработанные рекомендации и номограммы для определения показателей качества регулирования. В настоящее время для расчета САР широко применяется вычислительная техника с пакетами программ, облегчающими и ускоряющими процесс проектирования.

 

 

2.10 Современные методы систем управления

Развитие высококачественных систем управления потребовало разработки новых методов их анализа и синтеза.

Современная теория управления, основу которой заложили известные работы Л.С.Понтрягина, Р.Беллмана и Р.Калмана, базируется на описании систем в пространстве состояний. Описание в пространстве состояний представляет собой общий взгляд на любые системы и пригодно для исследования и проектирования сложных систем с многими входами и выходами, то есть многомерных и многосвязных систем. С математической точки зрения анализ систем в пространстве состояний означает использование методов матричного исчисления и векторного анализа.

Понятие состояния является определяющим в современной теории управления.

Под состоянием системы понимается минимально-необходимый набор переменных величин системы x₁,x₂,...,x_n, способных однозначно и единственным образом определить положение системы в любой момент времени t. Совокупность переменных величин x₁,x₂,...,x_n образует n-мерное пространство состояний Rⁿ. Вектор с компонентами x₁,x₂,...,x_n называется вектором состояния.

Рассмотрим систему с m входами (u₁,u₂,...,u_m), r выходами (y₁,y₂,..., y_r) и n переменными координатами (x₁,x₂,...,x_n).

Модель системы

Поведение системы во времени можно характеризовать не только выходными величинами, но и промежуточными переменными координатами в цепи системы - переменными состояния x_i, число которых равно порядку системы n. Таким образом, получается n-мерный вектор состояния X, множество возможных положений которого образует векторное пространство, называемое пространством состояний системы Rⁿ. Величина и положение вектора состояния системы с течением времени t изменяются, в результате чего вектор X(t) описывает кривую, называемую траекторией движения системы в пространстве состояний.

В общем случае обыкновенных линейных систем, описываемых системой дифференциальных уравнений в нормальной форме, рассматриваемая система может быть определена следующей векторно-матричной формой

,

где X - вектор состояния системы, Y - вектор выходных управляемых величин, U - вектор внешних воздействий (задающих и возмущающих), а именно:

, , ;

А, В, С, D - матрицы системы.

Система уравнений является стандартным описанием систем управления в пространстве состояний.

Уравнения несут большой объем информации о динамических свойствах системы с m входами и r выходами при t₀ £ t £ T.

Первое уравнение из определяет динамические характеристики системы и представляет собой компактную запись системы n линейных дифференциальных уравнений, разрешенных относительно производных первого порядка (нормальная форма Коши)

 

Скрыть объявление

 

при i=1,2, ... ,n,

где a_ij и b_ij - постоянные коэффициенты.

Второе уравнение из (10.1) является уравнением выхода системы и представляет собой компактную запись системы r линейных алгебраических уравнений

при i=1,2, ... ,r, где c_ij и d_ij - постоянные коэффициенты.

В стандартной форме описания - матрица

 

 

системы;

 

                               

 

         - матрица управления;

- матрица наблюдения;

 

- матрица связи.

 

Матрица системы A, элементы которой определяются структурной схемой системы и значениями ее параметров, характеризует динамические свойства системы, ее свободное движение. Матрица управления B характеризует влияние внешних воздействий на переменные состояния системы, т.е. определяет чувствительность системы к внешним воздействиям (задающим и возмущающим). Матрица наблюдения C характеризует связь выходной величины системы с вектором состояния. Обычно не все составляющие вектора состояния являются наблюдаемыми сигналами, т.е. могут быть измерены с помощью каких-либо датчиков, в то время как выходной сигнал всегда наблюдаем. Матрица связи D устанавливает связь выходной величины системы с внешним воздействием.

Таким образом, четверка матриц A, B, C, D полностью определяет систему управления.

Матричные методы дают возможность обращаться с n уравнениями подобно тому, как это делается с одним уравнением.

На рисунке показана структурная схема системы управления, соответствующая стандартной форме описания систем в пространстве состояний; двойные линии на рисунке характеризуют векторные связи. Следует иметь в виду, что выбор переменных состояния это неоднозначная операция.

Значение начального состояния X(t₀) и входного воздействия U(t) достаточны для того, чтобы однозначно и единственным образом найти выходную величину Y(t) на интервале времени t₀ £ t £ T, т.е. определить значения Y(t) в текущий момент и предсказать поведение ее в будущем.

Таким образом, стандартное описание систем управления в пространстве состояний позволяет однозначно определить выходную величину системы по известному внешнему воздействию и начальному состоянию системы.

 Структурная схема системы в векторной форме:

ò - блок интеграторов; A,B,C,D - блоки матричных усилителей

Уравнения переменных состояния представляют собой наиболее полное математическое описание динамики системы с несколькими входами и выходами и позволяют выработать подход для решения различных классов задач теории управления с единых позиций.

Рассмотрим методику составления векторно-матричных дифференциальных уравнений для систем с одним входом и одним выходом, передаточная функция которых задается выражением (6.31) (см. Раздел 6). Получение уравнений, описывающих скалярную систему в общем виде, изложено в разделе 6.7. Для перехода к описанию в пространстве состояний переменные x_i в системе уравнений (6.35) и (6.36) можно рассматривать как составляющие вектора состояния X, а задающее воздействие g принять за внешнее u. В этом случае система уравнений (6.35) и (6.36) соответствует стандартной форме описания систем управления в пространстве состояний (10.1). При этом матрицы А, B, C, D имеют следующий вид:

- матрица системы, (10.4)

имеющая такую структуру называется сопровождающей или матрицей Фробениуса;

- матрица управления; (10.5)

- матрица наблюдения; (10.6)

- матрица связи. (10.7)

В реальных системах управления степень полинома числителя передаточной функции меньше степени полинома ее знаменателя, поэтому b_o=0 и ряд коэффициентов b_i оказывается равным нулю. Единица в первом элементе матрицы C соответствует тому, какая из переменных x₁,x₂,...,x_n, попадает на выход. В данном случае с выхода системы снимается одна переменная x₁.

 Рассмотрим линейную однородную систему с постоянными коэффициентами

. (10.8)

Решение ее X(t) характеризует свободное поведение системы. Пусть вектор начальных условий имеет вид

. (10.9)

Разложим искомый вектор X(t) в степенной ряд по t:

. (10.10)

Дифференцируя (10.8), найдем

; и т.д. (10.11)

Тогда при t=0 получим

; ; и т.д. (10.12)

В итоге ряд (10.10) можно переписать в виде

(10.13)

Подставляя е^АtX₀ в исходное уравнение (10.8), легко убедиться, что (10.13) представляет собой решение. Полагая в (10.13) t=0, получим X₀.

Таким образом, интегрирование однородной системы (10.8) сводится к вычислению матрицы е^Аt и умножению ее на вектор начальных условий X₀. Матрица е^Аt называется матричным экспоненциалом или матричной экспонентой. В теории управления она часто называется переходной матрицей состояния.

Решение однородного уравнения (10.8) имеет вид

. (10.14)

Если движение начинается в момент времени t=t₀, то решение принимает форму

. (10.15)

Матрица может быть представлена в виде разложения в матричный степенной ряд

, 10.16)

который сходится абсолютно и равномерно при любом значении t.

Основные свойства матрицы е^Аt :

1. Матрицы и коммутируют, то есть

. (10.17)

2. Матрица е^Аt - всегда неособенная, ее обратная матрица

(е^Аt )^-1= е^-At . (10.18)

3. Если АВ=ВА, то

е^(A+B)= е^А е^В= е^В е^А . (10.19)

4. Производная е^Аt

. (10.20)

Это означает, что матрица е^Аt коммутирует с A.

5. Интеграл е^Аt

, (10.21)

откуда .

Если матрица А - неособенная, получим

. (10.22)

Для решения неоднородного уравнения преобразуем его к виду

и умножим слева на е^-At

.

Левая часть уравнения

поскольку

Тогда

.

Интегрирование последнего выражения дает

.

Умножая полученное уравнение слева на е^Аt и учитывая свойство (10.18), получим окончательно

. (10.23)

Первое слагаемое в (10.23) представляет собой решение однородного дифференциального матричного уравнения и описывает свободное движение системы, вызванное начальными условиями, второе слагаемое - вынужденное движение под влиянием внешнего воздействия U(t).

Тогда полное решение системы (10.1) имеет вид

. (10.24)

Характеристики системы показывают ее принципиальные возможности. Эти возможности в значительной степени выявляются при изучении свойств системы, которые принято называть устойчивостью, наблюдаемостью, идентифицируемостью, управляемостью и адаптируемостью. Часто между наблюдаемостью и идентифицируемостью не делают различий, а адаптируемость рассматривается как частный случай управляемости.

Управляемость и наблюдаемость, так же как и устойчивость, относятся к числу важнейших характеристик динамических систем. Если устойчивость характеризует свойство системы возвращаться после возмущения в положение равновесия, то управляемость характеризует возможность изменения состояния системы с помощью входных сигналов, а наблюдаемость - возможность определения состояния системы по наблюдениям за ее выходными сигналами.

Устойчивость системы. Необходимым и достаточным условием устойчивости системы является отрицательность вещественных частей собственных чисел l_i матрицы А

Rel_i<0; i = 1, 2, ... , n, (10.25)

где l_{i -} корни характеристического уравнения çA-lEç= 0;

n - порядок системы.

Для того чтобы оценить расположение спектра матрицы A относительно мнимой оси, необходимо раскрыть характеристический определитель çA-lEç и получить характеристическое уравнение n-ой степени относительно l

çA-lEç= a₀lⁿ +a₁l^n-1 + a₂l^n-2 +...+ a_n-1l +a_n = 0. (10.26)

После получения характеристического уравнения в виде (10.26) обычно применяется тот или иной из известных критериев устойчивости, например, Рауса, Гурвица или Михайлова либо производится непосредственное вычисление всей совокупности корней, что в случае высокого порядка n матрицы A сопряжено со значительными трудностями и возможно лишь с помощью ЭВМ.

Кроме того, разработаны матричные критерии, позволяющие оценить устойчивость системы непосредственно по матрице A без нахождения характеристического полинома [14].

Для того чтобы система была асимптотически устойчива, необходимо и достаточно, чтобы для матрицы

G=E-2(E-A)^-1

выполнялось условие

G^k®0, при k®¥. (10.27)

Выполнимость необходимого и достаточного условия устойчивости можно установить по факту абсолютного убывания элементов матрицы G^k. Возведение матрицы в степень рекомендуется выполнять так, чтобы каждая последующая матрица являлась квадратом предыдущей.

Управляемость системы. Система называется управляемой, если для любого начального состояния X(0)ÎRⁿ существует управление U(t), переводящее ее за конечное время T в нулевое состояние X(T)=0 или система управляема, если существует управляющее воздействие U(t), позволяющее перевести ее за конечное время T в любое наперед заданное состояние из пространства состояний X(T)ÎRⁿ.

Наблюдаемость системы. Система называется наблюдаемой, если по наблюдениям за выходным сигналом Y(t) в течение конечного времени T можно определить ее начальное состояние X(0).

Простые критерии проверки управляемости и наблюдаемости системы основаны на анализе матрицы управляемости

K=[B AB A²B ... A^n-1B] (10.28)

и матрицы наблюдаемости

L=[C^T (CA)^T (CA²)^T ... (CA^n-1)^T]. (10.29)

Необходимым и достаточным условием управляемости системы является невырожденность матрицы управляемости

det K¹0, (10.30)

что эквивалентно условию равенства ранга матрицы К порядку n системы, то есть rank K = n. Если rank K < n, то система не полностью управляемая; если rank K = 0 - система полностью неуправляемая.

Необходимым и достаточным условием наблюдаемости системы является невырожденность матрицы наблюдаемости

det L¹0. (10.31)

что эквивалентно условию равенства ранга матрицы L порядку n системы, то есть rank L = n. Если rank L < n, то система не полностью наблюдаема.

Таким образом, управляемость системы определяется свойствами пары матриц A и B, а наблюдаемость - свойствами пары матриц A и C. Устойчивость системы определяется свойствами только одной матрицы A.

Пример. Оценить принципиальные возможности системы автоматического управления, заданной матрицами:

, , , D=[0].

Решение. Характеристический определитель матрицы A

.

Решая уравнение , находим собственные числа матрицы А: l₁=2, l₂ = -1, l₃ = -1.

Система неустойчива, так как l₁=2>0.

Матрица управляемости

, det K=1-1=0, следовательно, система неуправляема.

Матрица наблюдаемости

, det L=1-1=0, следовательно, система ненаблюдаема.

 Нормальная форма уравнений в пространстве состояний получается из стандартной формы (10.1) посредством преобразования подобия. При этом предполагается, что собственные числа матрицы А различные.

Введем линейное преобразование

X=MQ, (10.32)

где М - модальная матрица матрицы А.

Уравнения (10.1) перепишем

. (10.33)

Умножив первое уравнение из (10.33) слева на М^-1 , получим

. (10.34)

Так как M - модальная матрица, то

М^-1АМ = L = - диагональная матрица;

где l_i (при i = 1, 2, ... , n) - собственные числа матрицы А.

Следовательно, можно записать

, (10.35)

где L=М^-1АМ, В_n= М^-1B, C_n=CM, D_n=D - матрицы;

Q=[q₁,q₂,...,q_n]^T - вектор состояния системы, элементами которого являются новые переменные состояния q_i (при i=1, 2, ... , n).

Система (10.35) представляет собой нормальную форму уравнений описания систем управления в пространстве состояний.

Нормальная форма уравнений состояния позволяет декомпозировать многосвязную систему n-го порядка на n взаимонесвязанных систем, при этом дифференциальные уравнения становятся развязанными относительно переменных состояния q₁,q₂,...,q_n, т.е. они имеют вид

, (10.36)

где f_i - внешнее воздействие на i-ю переменную состояния.

Таким образом, переход к нормальной форме существенно упрощает исследование многосвязных систем.

В случае кратных собственных чисел матрицы A диагональная матрица L заменяется матрицей J, которая строится из клеток Жордана, например,

. (10.37)

Таким образом, из сравнения уравнений (10.1) и (10.35) следует, что при математическом описании одного и того же динамического процесса различному выбору переменных состояния соответствуют различные матрицы системы, управления, наблюдения, связи и различные векторные дифференциальные уравнения, каждое из которых полностью определяет выходную величину системы.

МЕТОД ПРОСТРАНСТВА СОСТОЯНИЙ

Методы пространства состояний начали широко использоваться для анализа и синтеза различных динамических систем в последние годы. Понятие состояния при описании поведения динамических систем было впервые введено Тьюрингом в 1936 году. Позднее это понятие было использовано для решения задач автоматического управления в работах советских ученых М. Азермана, А. Фельдбаума, А. Летова, а также американских ученых Р. Беллмана и Р. Калмана.

С целью моделирования систем все переменные, характеризующие систему, можно разделить на три группы: входные переменные или входные воздействия (g_j), выходные переменные, характеризующие реакцию системы на входные воздействия (y_i), и переменные состояния (координаты), характеризующие динамическое поведение исследуемой системы (x_n). Обычно переменные состояния объекта относятся к так называемому «черному ящику», так как описать точно состояние систем очень трудно и поэтому при исследовании систем используют модель объекта, т.е. упрощенное описание состояния объекта.

            Обычно совокупность переменных представляется многомерными векторами. Вектор входа g=[g₁, g₂, g₃,…g_j ], вектор выхода y=[ y₁, y₂, y₃,...y_i ] и вектор состояния x=[x₁, x₂, x₃,…x_n ]. Совокупность состояния систем образует пространство входа, выхода и состояния. В любой момент времени состояние системы является функцией начального состояния  x(t)=F[x(t₀),g(t₀,t)], а вектор выхода представляется следующей функцией: y(t)=x[x(t₀),g(t₀,t)]. Приведенные уравнения являются уравнениями состояния систем. Для систем, которые описываются дифференциальными уравнениями, уравнения состояния систем могут быть записаны в следующей форме:

                                     x(t) = A(t) x(t)+B(t) g(t);

                                     y(t) = C(t) x(t)+D(t) g(t), где

A(t) – матрица коэффициентов, определяющая характер переходной матрицы состояния;

В(t) – матрица управления;

С(t) – матрица выхода;

D(t) – матрица обхода системы.

Например, если система описывается дифференциальным уравнением 

 

                       

 

то исходное уравнение можно представить системой уравнений с учетом обозначений

x₁ = y; x₂ = 

                           

 

 

 

 

Данное уравнение можно записать  в виде

      

 

 

 

 

Матрицы коэффициентов будут  равны

 

 

 

Таким образом, исходное уравнение представляется следующим уравнением параметров состояния:

 

 

 

 

 

Однородное дифференциальное уравнение представляется в векторной форме в виде             

 

                                        

где А – матрица с постоянными коэффициентами размерности (n*n),

вектор x – матрица–столбец, состоящая из  n переменных состояния

 x  = [x₁ , x₂ , ……x_n ].  

            В соответствии с решением обыкновенных дифференциальных уравнений решение данного уравнения  представляется следующим выражением:

                                          

где матрица состояния e^At  может быть представлена в виде бесконечного ряда:

 

 

 

 

 

Матрица состояния обычно обозначается  как Ф(t). Иногда эта матрица называется фундаментальной матрицей или переходной матрицей состояния. Переходная матрица состояния «описывает» движение конца вектора  в пространстве состояния из некоторых начальных координат. Вычисление переходной матрицы состояния может выполняться различными методами. Например: метод разложение в бесконечный ряд, частотный метод с использованием преобразований Лапласа и машинные методы.   

При методе разложения в бесконечный ряд необходимо выполнять операции перемножения матриц. Если в качестве примера выбрать переходную матрицу, представленную выше в форме Ф(t)=e^At  для исходной матрицы коэффициентов

                   

 

                                   

то степени А вычисляются последовательным умножением А*А

 

 

 

Для перемножения матриц необходимо использовать следующий алгоритм:

 

 

 

С учетом перемноженных значений матриц переходная матрица состояния будет иметь вид           

 

 

После вычислений бесконечного ряда переходная матрица состояния представляется выражением

 

 

 

Метод частотной области основан на преобразовании Лапласа от исходного уравнения

 

 

которое имеет следующий вид:

 

 

или  

                   

 

где    I – единичная матрица, в которой диагональные элементы равны единице, а выражение pl представляется матрицей

 

 

 

 

 

 

 

После обратного преобразования получим:

 

 

Для матрицы коэффициентов

 

 

 

фундаментальная матрица принимает следующие выражения:

 

 

 

 

 

 

 

 

 

 

 

 

 

Примечание. Для перехода  выражений из «р» преобразований используются следующие зависимости:

 

 

 

    

 

 

 

 

 

 

 

 

 

 

 

Общее уравнение параметров состояния объекта, т.е. уравнение, которое связывает состояние объекта в t  и в t+T моменты времени, представляется векторно-матричным уравнением вида

 

 

 

 

 

 

 

 

 

 

Матрицы B (коэффициентов объекта), А (коэффициентов управляю-щих  воздействий) и С (коэффициентов внешних возмущений) имеют вид

 

 

 

 

 

 

 

Решение уравнения представляется в виде

 

 

 

 

 

 

 

 

 

 

 

Уравнения можно переписать в другом виде, которое чаще используется в практике анализа систем.

 

 

 

 

 

 

 

 

 

 

 

Глава 3 Особенности цифровых методологий в современной кибернетики

3.1  Классификация Цифровых образовательных ресурсов

Наше время ставит перед школой задачи – повышение качества образования и воспитания, прочное овладение основами наук, обеспечение более высокого уровня преподавания. В школах отказываются от традиционной формы обучения, не учитывающей индивидуальных способностей каждого ученика. Обновление образования требует разработки моделей школ нового типа, создания новых учебников и программ обучения, разработки новых методик обучения. Поднять работу школы на новый уровень можно путем индивидуализации обучения, создания условий, при которых каждый школьник мог бы полностью овладеть установленным программами образовательным минимумом. Постоянные изменения, происходящие в жизни современного информационного общества, безусловно, должны находить адекватное и незамедлительное отражение, как в самом учебном процессе, так и в учебных материалах. С каждым годом все проблематичнее становится производство традиционных бумажных учебников и учебных пособий, содержательный материал которых, зачастую, перестает быть актуальным еще до их попадания в учебные заведения. Одним из возможных выходов из сложившейся ситуации может являться разработка электронных средств обучения практически по всем дисциплинам и их публикация в мировых телекоммуникационных сетях или на информационных носителях, предоставляющих возможность несложного оперативного тиражирования. Данное утверждение основано, в первую очередь, на возможности динамического изменения и дополнения содержания электронных средств обучения в соответствии с текущими изменениями в жизни общества, науке, культуре и пр. Актуальность выбранной темы состоит в следующем: использование в учебном образовательном процессе цифрового образовательного ресурса позволяет повысить интерес к обучению и помощь в усвоении учебного материала, а так же комплексное использование информационных технологий с другими учебными предметами.

Что такое цифровые образовательные ресурсы

О том, что компьютер способен оказать огромную, буквально неоценимую поддержку учителю и учащимся – и при подготовке к уроку, и на самом уроке, и при выполнении различных творческих работ, и в рамках внеклассной деятельности, – сказано и написано уже немало. С 1986 года, когда компьютеры впервые пришли в школу, прошло уже более 20 лет, за это коренным образом сменили друг друга несколько концепций применения вычислительной техники в учебном процессе, – не говоря уже о том, что коренным образом сменился парк самой этой вычислительной техники и ее программного обеспечения. И вот сегодня мы снова наблюдаем очередную смену парадигм: теперь вместо традиционных «электронных учебников» и прочих «CD-ROMов» нам предлагается разрабатывать и использовать ЦОРы – Цифровые Образовательные Ресурсы. Что же представляют собой ЦОРы как образовательный программный продукт? Каковы их преимущества по сравнению с обучающими программами, использовавшимися прежде?  Аббревиатура «ЦОР» расшифровывается как «цифровой образовательный ресурс». То есть – некий содержательно обособленный объект, предназначенный для образовательных целей и представленный в цифровой, электронной, «компьютерной» форме. Если трактовать это название более широко, в соответствии с указанным выше смыслом, то в качестве «ЦОРа» мы должны будем признать любой фрагмент аудиовизуальной информации, так или иначе представленный на компьютере в виде отдельного файла или группы взаимосвязанных файлов. То есть в качестве ЦОРа мы можем рассматривать любой фрагмент текста, запись формулы, электронную таблицу, рисунок, фотографию, анимацию, аудио- или видеофрагмент, презентацию или базу данных, тест, интерактивную модель (в том числе – «виртуальную лабораторию», позволяющую свободно манипулировать представленными в ней модельными объектами в рамках представленной модельной среды) и т.д. Причем такое определение ЦОРа ничего не говорит ни о его целевом назначении (кроме того, что оно является образовательным), ни о полноте изложения учебного материала, ни даже о том, создан ли этот объект или просто «переконвертирован» в цифровой формат путем сканирования или иного способа «оцифровки».

В отличие от такой вольной трактовки, «официальная» терминология, принятая, в частности, в документах НФПК (Национального фонда подготовки кадров) при организации различных грантовых программ и тендеров на разработку программных средств образовательного назначения, предусматривает более узкие и жесткие рамки понимания этого названия. Согласно этой терминологии, в настоящее время предлагается к разработке и применению в учебном процессе три категории подобных программных средств:

ЦОРы – как отдельные «цифровые содержательные модули», поддерживающие изучение какого-либо конкретного фрагмента соответствующей учебной темы, жестко привязанные к конкретному учебнику по соответствующему предмету и сопровождаемые соответствующей методической поддержкой; 

ИУМК («инновационные учебно-методические комплексы») – как совокупность электронного компонента (обязательно покрывающего весь спектр тем, изучаемых в рамках базовой учебной программы для соответствующего возрастного уровня, реализующего все требуемые функции (от предоставления учебного материала до контроля полученных знаний) и содержащего в себе некий «инновационный» потенциал, позволяющий коренным образом усовершенствовать учебный процесс) и «бумажного» методического сопровождения; 

ИИСС (информационные источники сложной структуры) – своего рода аналог рубрики «разное», куда могут быть отнесены различные информационные объекты, затрагивающие лишь часть тем базового стандарта, расширяющие их, предоставляющие дополнительный и справочный материал, часто – носящие комплексный, интегративный характер и не обязательно жестко привязанные к учебникам. Таким образом, начиная разговор о ЦОРах, необходимо, прежде всего, договориться – что именно будет пониматься под этим названием. Хотя, наверное, обычному, «рядовому» учителю все же более близким является первый, «широкий» вариант трактовки этого понятия. Таким образом, начиная разговор о ЦОРах, необходимо, прежде всего, договориться – что именно будет пониматься под этим названием.

[1 Усенков Дмитрий Юрьевич./ http://www.npstoik.ru]

Классификация Цифровых образовательных ресурсов

Информационное содержательное обеспечение  в Информационно-телекоммуникационном сопровождений. (ИТС) включает две группы ЦОР:

Информационные источники:

Оригинальные тексты (хрестоматии; тексты из специальных словарей и энциклопедий; тексты из научной, научно-популярной, учебной, художественной литературы и публицистики….) не повторяющие стабильные учебники;

Статические изображения (галереи портретов ученых соответствующей предметной области; «плакаты» – изображения изучаемых объектов и процессов и пр.);– динамические изображения (изучаемые процессы и явления в пространственно-временном континууме – кино- и видеофрагменты, анимационные модели на CD, DVD);

Мультимедиа среды (информационно-справочные источники. практикумы (виртуальные конструкторы), тренажеры и тестовые системы, программированные учебные пособия («электронные учебники», виртуальные экскурсии и пр.).

Информационные инструменты – это информационные средства, обеспечивающие работу с информационными источниками.

Как правило, информационные источники включают отдельные информационные объекты (элементарные информационные объекты), которые при возможности их выделения могут самостоятельно использоваться в рамках ИТС. Элементарные информационные объекты могут рассматриваться: Как органичный компонент традиционного учебного процесса, не заменяющий, а дополняющий и расширяющий возможности традиционных, методически целесообразные средства обучения, повышая тем самым эффективность, качество обучения;

Как объекты проектирования учебно-информационной среды в рамках педагогического дизайна с использованием инструментальных средств, что позволит повысить эффективность использования ИТС в учебном процессе.

Законченные полноценные информационные источники - конечные оцифрованные продукты, покрывающие весь учебный курс или раздел (тему), рассматриваются как содержательный компонент ИТС, что определяет их основной функционал. Информационно-образовательные конечные оцифрованные продукты (оригинальные тексты, не повторяющие стабильные учебники) рассматриваются как дополнительные к основным.

Виды цор по образовательно-методическим функциям Электронные учебники:

Прототипы традиционных учебников; оригинальные электронные учебники; предметные обучающие системы; предметные обучающие среды.

Электронные учебные пособия:

Репетиторы; тренажеры; обучающие; обучающие – контролирующие; игровые; интерактивные; предметные коллекции; справочники, и словари; практические и лабораторные.

Электронные учебно-методические комплексы (УМК):

Предметные миры; программно-методические комплексы; предметные учебно-методические среды; инновационные УМК.

Электронные издания контроля:

Тесты; тестовые задания; методические рекомендации по тестированию; инструментальные средства. Классификация ЦОР по типу информации

ЦОР с текстовой информацией:

Учебники и учебные пособия; первоисточники и хрестоматии; книги для чтения; задачники и тесты; словари; справочники; энциклопедии; периодические издания; нормативно-правовые документы; числовые данные; программно - и учебно – методические материалы.

ЦОР с визуальной информацией:

Коллекции: иллюстрации; фотографии; портреты; видеофрагменты процессов и явлений; демонстрации опытов; видеоэкскурс; 

Модели: 2-3х мерные статические и динамические; объекты виртуальной реальности; интерактивные модели.

Символьные объекты: схемы; диаграммы; формулы.

Карты для предметных областей

ЦОР с комбинированной информацией:

Учебники; учебные пособия; первоисточники и хрестоматии; книги для чтения; задачники; энциклопедии; словари; периодические издания.

ЦОР с аудио информацией:

Звукозаписи выступлений; звукозаписи музыкальных произведений; звукозаписи живой природы; звукозаписи неживой природы; синхронизированные аудио объекты.

ЦОР с аудио и видео информацией:

Аудио – видео объекты живой и неживой природы; предметные экскурсии; энциклопедии. Интерактивные модели:

Предметные лабораторные практикумы; предметные виртуальные лаборатории. ЦОР со сложной структурой: Учебники; учебные пособия; первоисточники и хрестоматии; энциклопедии.

Классификация электронных учебных изданий (эуи)

Виды ЭУИ по представлению содержания: Классификация № 1 Электронная библиотека – распределенная информационная система, позволяющая надежно сохранять и эффективно использовать разнородные коллекции электронных документов (электронные издания, содержащие произведения литературы, справочники и т.д.)

Библиотека электронных наглядных пособий - пособие, в котором содержание передается при помощи набора мультимедиа компонентов, отображающих объекты, процессы, явления в данной предметной области.

Электронная энциклопедия – пособие, содержащее огромное количество информации по различным направлениям, охватывающим определенные области знаний. Издания снабжены обилием иллюстраций, видео- и аудио - фрагментами, анимациями и трехмерными моделями.

Репетиторы, тренажеры, практикумы – это учебно-методические комплексы, позволяющий самостоятельно подготовиться к занятиям, экзаменам, объективно оценить свои знания.

Мультимедийные учебники - это программно-методический комплекс, обеспечивающий возможность самостоятельного или при участии преподавателя усвоения учебного курса или его большого раздела с помощью компьютера.

Виртуальные лаборатории – представляет собой обучающий комплекс, позволяет осуществлять предметные эксперименты, в том числе те, проведение которых в условиях школы затруднено, требует дополнительного оборудования либо является слишком дорогостоящим.

Классификация № 2 Конвекционный ЦОР - соответствуют установившимся традициям и требованиям классической педагогики и имеют энциклопедический или монографический характер. Подобные информационные источники реализуют информационную функцию обучения. Это электронные учебники, виртуальные учебные кабинеты и тестовые компьютерные системы, потребность в которых возникает при необходимости осмысления, закрепления и контроля знаний: 

Рисунки и фоторепродукции картин, памятников архитектуры и скульптуры; фотопортреты и фотоизображения окружающего мира; таблицы (разъяснительные, сравнительные, обобщающие) и схемы; диаграммы, графики, карты; интерактивные таблицы, рисунки, карты, схемы; тексты определения понятий, процессов, явлений; математические, химические формулы и математические, химические уравнения; текстовые комментарии к описываемому процессу, явлению; текст, дублирующий содержание учебника; текст, дополняющий содержание учебника; фрагменты из литературных произведений; критические статьи и исторические документы, анимации процессов, анимации природных явлений, событий, социальных явлений, аудио коллекция; речевые фрагменты персоналий; видеофрагменты, аудио-видеофрагменты явлений, процессов, событий.

Инструменты учебной деятельности - это программные продукты, предназначенные для создания, редактирования и компоновки текстовых и гипертекстовых документов, графических объектов, массивов числовых данных, изображений, звука и видео, а также различные компьютерные лаборатории, геоинформационные системы и т.п :геоинформационная система; лаборатория; среда Вики-Вики; рутьюб.

Программированный ЦОР отвечают требованиям системы образования по системе «стимул-реакция». Такие ресурсы ориентированы на самостоятельную работу обучаемого, раскрывают основы и методы получения знаний и их взаимосвязь с профессиональными навыками. Отличительными особенностями таких ресурсов является использование в их работе математических моделей изучаемых объектов или процессов и специализированный интерфейс, поддерживающий учащихся при решении учебных задач в режиме управляемого исследования: модели процессов; модели природных явлений; модели лабораторных работ; модели экспериментов; интерактивные практические задания.

Проблемный ЦОР требуются при реализации проблемного обучения и направлен на развитие у учащихся логического мышления, стимулирование творческой составляющей восприятия знаний: интерактивная моделируемая среда.

Комбинированные (универсальные) ЦОР содержат отдельные элементы перечисленных видов информационных источников и могут быть эффективно использованы при реализации различных подходов к обучению. 

[2. С.Г. Григорьев, В.В Гриншкун. Педагогические аспекты формирования образовательных ресурсов http://mf.mgpu.ru/main/content/vestnik/Vestnik5/06.]

Педагогические инструменты цифровых образовательных ресурсов: Интерактив (взаимодействие) – поочередные высказывания (от выдачи информации до произведенного действия) каждой из сторон. Причем каждое высказывание производится с учетом как предыдущих собственных, так и высказываний другой стороны.  Мультимедиа - представление ресурсов и процессов не традиционном текстовым описанием, а с помощью фото, видео, графики, анимации, звука.  Моделинг - моделирование реальных ресурсов и процессов с целью их исследования.  Коммуникативность - возможность непосредственного общения, оперативность предоставления информации, контроль за состоянием процесса.  Производительность - автоматизация нетворческих, рутинных операций, отнимающих у человека много сил и времени. Быстрый поиск информации по ключевым словам в базе данных, доступ к уникальным изданиям справочно-информационного характера

На сегодняшний момент одним из перспективных направлений в преподавании информатики может стать комплексный подход к использованию ЦОР на уроках. Типология ЦОР позволяет с одной стороны, наглядно демонстрировать обучаемому процесс формирования ключевых понятий, с другой стороны, самому активно участвовать в этом процессе.

Использование ЦОР в учебном процессе — это попытка предложить один из путей, позволяющих интенсифицировать учебный процесс, оптимизировать его, поднять интерес школьников к изучению предмета, реализовать идеи развивающего обучения, повысить темп урока, увеличить объём самостоятельной работы. ЦОР способствует развитию логического мышления, культуры умственного труда, формированию навыков самостоятельной работы учащихся, а также оказывает существенное влияние на мотивационную сферу учебного процесса, его деятельностную структуру.

На уроке с использованием ЦОР учитель является организатором всего урока и консультантом. ЦОР не заменяют учителя или учебник, но коренным образом изменяют характер педагогической деятельности. Введение ЦОР в учебный процесс расширяет возможности преподавателя, обеспечивает его такими средствами, которые позволяют решать не решавшиеся ранее проблемы, например:

-совершенствование организации преподавания, повышение индивидуализации обучения (максимум работы с каждым учащимся);

-ЦОР могут помочь там, где у учителя не хватает времени для ликвидации пробелов, возникших из-за пропуска уроков;

-повышение продуктивности самоподготовки после уроков;

-средство индивидуализации работы самого учителя (ЦОР — хранилище результатов творческой деятельности педагога: придуманных им интересных заданий и упражнений — всего того, что отсутствует в стандартных учебниках и что представляет ценность для других педагогов);

• -ускоряет тиражирование и доступ ко всему тому, что накоплено в педагогической практике.
•  

Внедрение новых информационно-коммуникационных технологий в современный образовательный процесс поможет осуществить более качественную подготовку учащихся. Именно поэтому важно уметь создавать ЦОР самому учителю

В реферате рассмотрены: педагогические инструменты цифровых образовательных ресурсов; Классификация Цифровых образовательных ресурсов, а также самоопределение «цифровых образовательных ресурсов.

3.2 Цифровые технологии

Цифровые технологии изо дня в день все больше наполняют окружающий нас мир, и этот процесс со временем только ускоряется. В повседневном обиходе любого из нас уже сегодня присутствует большое число самых различных цифровых устройств, каждое из которых имеет характеристики и свойства, значение которых оказывается не всегда известным и понятным для потребителя. Некоторые из ставших уже абсолютно привычными электронные устройства, равно как и компьютерные программы, остаются для потребителя некими черными ящиками, устройство и принцип действия которых скрыто от глаз.

Потребительская аудио аппаратура, также как и остальная аппаратура - постепенно и уверенно переходящая на цифровые рельсы, становится все сложнее, ее параметры – все запутаннее, а принцип действия – все менее ясным. Этот реферат не является универсальным путеводителем в области цифрового звука и цифровой аудио и видео техники, однако в нем мы попытаемся разобраться с основными идеями, а также теоретическими и практическими принципами, лежащими в основе современных цифровых технологий и устройств. Я надеюсь, что приведенные в нем сведения окажутся полезными для читателя и явят собой некую основополагающую теоретическую базу, понимание которой просто необходимо всем активным аудио любителям, пользователям любых цифровых устройств.

Особенности цифровой информации 1. Информация

 Прежде всего, хотелось бы сказать, что все цифровые технологии основаны на методах кодирования и передачи информации. Рассмотрим поподробнее, что же такое цифровая информация, ее единицы измерения, принципы кодирования и передачи цифровой информации.

Термин «информация» восходит к латинскому informatio,– разъяснение, изложение, осведомленность.

Информацию можно классифицировать разными способами, и разные науки это делают по-разному. Например, в философии различают информацию объективную и субъективную. Объективная информация отражает явления природы и человеческого общества. Субъективная информация создается людьми и отражает их взгляд на объективные явления.

В информатике отдельно рассматривается аналоговая информация и цифровая. Это важно, поскольку человек благодаря своим органам чувств, привык иметь дело с аналоговой информацией, а вычислительная техника, наоборот, в основном, работает с цифровой информацией.

Человек воспринимает информацию с помощью органов чувств. Свет, звук, тепло – это энергетические сигналы, а вкус и запах – это результат воздействия химических соединений, в основе которого тоже энергетическая природа. Человек испытывает энергетические воздействия непрерывно и может никогда не встретиться с одной и той же их комбинацией дважды. Нет двух одинаковых зеленых листьев на одном дереве и двух абсолютно одинаковых звуков – это информация аналоговая. Если же разным цветам дать номера, а разным звукам – ноты, то аналоговую информацию можно превратить в цифровую.

Музыка, когда ее слушают, несет аналоговую информацию, но если записать ее нотами, она становится цифровой.

Разница между аналоговой информацией и цифровой, прежде всего, в том, что аналоговая информация непрерывна, а цифровая дискретна.

К цифровым устройствам относятся персональные компьютеры – они работают с информацией, представленной в цифровой форме, цифровыми являются и музыкальные проигрыватели лазерных компакт дисков.

2. Единицы измерения цифровой информации

 Бит – наименьшая единица представления информации. Байт – наименьшая единица обработки и передачи информации. Единица измерения информации называется бит (bit) – сокращение от английских слов binary digit, что означает двоичная цифра.

В компьютерной технике бит соответствует физическому состоянию носителя информации: намагничено – не намагничено, есть отверстие – нет отверстия. При этом одно состояние принято обозначать цифрой 0, а другое – цифрой 1. Выбор одного из двух возможных вариантов позволяет также различать логические истину и ложь. Последовательностью битов можно закодировать текст, изображение, звук или какую-либо другую информацию. Такой метод представления информации называется двоичным кодированием (binary encoding).

В информатике часто используется величина, называемая байтом (byte) и равная 8 битам. И если бит позволяет выбрать один вариант из двух возможных, то байт, соответственно, 1 из 256 (2⁸). Наряду с байтами для измерения количества информации используются более крупные единицы:

1 Кбайт (один килобайт) = 2 ¹⁰ байт = 1024 байта;

1 Мбайт (один мегабайт) = 2 ¹⁰ Кбайт = 1024 Кбайта;

1 Гбайт (один гигабайт) = 2 ¹⁰ Мбайт = 1024 Мбайта.

Например, книга содержит 100 страниц; на каждой странице – 35 строк, в каждой строке – 50 символов. Объем информации, содержащийся в книге, рассчитывается следующим образом:

Страница содержит 35 × 50 = 1750 байт информации. Объем всей информации в книге (в разных единицах):

1750 × 100 = 175 000 байт.

175 000 / 1024 = 170,8984 Кбайт.

170,8984 / 1024 = 0,166893 Мбайт.

 3. Передача информации

 Информация передается в виде сообщений от некоторого источника информации к ее приемнику посредством канала связи между ними. Источник посылает передаваемое сообщение, которое кодируется в передаваемый сигнал. Этот сигнал посылается по каналу связи. В результате в приемнике появляется принимаемый сигнал, который декодируется и становится принимаемым сообщением. Передача информации по каналам связи часто сопровождается воздействием помех, вызывающих искажение и потерю информации.

Любое событие или явление может быть выражено по-разному, разными способами, разным алфавитом. Чтобы информацию более точно и экономно передать по каналам связи, ее надо соответственно закодировать.

Информация не может существовать без материального носителя, без передачи энергии. Закодированное сообщение приобретает вид сигналов-носителей информации, которые идут по каналу. Выйдя на приемник, сигналы должны обрести вновь общепонятный вид с помощью декодирующего устройства.

Совокупность устройств, предметов или объектов, предназначенных для передачи информации от одного из них, именуемого источником, к другому, именуемому приемником, называется каналом информации, или информационным каналом.

Примером может служить телефон. При телефонной передаче источник сообщения – говорящий. Кодирующее устройство, изменяющее звуки слов в электрические импульсы, – микрофон. Канал, по которому передается информация, – телефонный провод. Часть трубки, которую мы подносим к уху, выполняет роль декодирующего устройства (электрические сигналы снова преобразуются в звуки). Информация поступает в “принимающее устройство” – ухо человека на другом конце провода. Канал включает в себя телефонные аппараты (устройства), провода (предметы) и аппаратуру АТС (устройства). Особенностью этого информационного канала является то обстоятельство, что при поступлении в него информация, представленная в виде звуковых волн, преобразуется в электрические колебания и затем передается. Такой канал называется каналом с преобразованием информации. Но это пример передачи аналоговой информации.

Еще один пример, но уже цифровой информации – компьютер. Отдельные его системы передают одна другой информацию с помощью сигналов. Компьютер – устройство для обработки информации (как станок – устройство для обработки металла), он не создает из “ничего” информацию, а преобразует то, что в него введено. Компьютер является информационным каналом с преобразованием информации: информация поступает с внешних устройств (клавиатура, диск, микрофон), преобразуется во внутренний код и обрабатывается, преобразуется в вид, пригодный для восприятия внешним выходным устройством (монитором, печатающим устройством, динамиками и др.), и передается на них.

Разница между аналоговой информацией и цифровой (знаковой или символьной) в том, что аналоговая информация непрерывна, а цифровая дискретна (разрывна).Аналоговая информация – это искажённая проекция объективной реальности, воспринимаемая человеком визуальными образами, звуками и ощущениями о множеству причин.  И даже трудно выделить, какая из них главная.

Во-первых, аналоговая связь шумит. Шумит сам тракт передачи - усилители, передатчики, приёмники и т. д. Даже провода - потому что длинный провод это просто-напросто антенна, которая насасывает в себя из окружающего пространства всякой дряни, и приходится довольно сильно изощряться, чтоб минимизировать внешние помехи.

Во-вторых, аналоговая связь требует довольно широкой полосы частот. Для речи это минимум 3 кГц, для высококачественной передачи звука минимум 20 кГц, для передачи движущихся изображений это уже мегагерцы. Чтобы два сигнала друг другу не мешали, они должны быть разнесены по частоте. Меж тем полоса частот - она не резиновая. Это ограниченный ресурс, именно поэтому использование частотного диапазона довольно жёстко регламентируется.

В-третьих, аналоговая связь не является криптоустойчивой. То есть аналоговый сигнал легко перехватить, причём ни на приёмной, ни на передающей стороне даже не догадаются, что их не двое, что их ещё и товарищ капитан (а может даже герр гауптман) слушает.

В-четвёртых, аналоговая связь - это связь реального времени. Организовать задержанную передачу информации (буферизацию) в системе аналоговой связи весьма затруднительно. Ну то есть не невозможно, конечно, но - не халява (например, системы с использованием специальных магнитофонных устройств).

В-пятых - сложность обработки информации, если такая обработка нужна (частотная фильтрация, коррекция, свёртки сигналов, различные эффекты и т. д.)

И, надо полагать, ещё ещё в-шестых, в-десятых и в-двадцатых...

А теперь посмотрим, что может предложить связь цифровая.

Во-первых, помехозащищённость и отсутствие шумов тракта передачи. Искажения, вносимые в аналоговый сигнал трактом передачи, принципиально неустранимы. Если вместо 100 мВ вот в эту миллисекунду пришло 102 мВ - то привет, поезд ушёл, так и будете жить с ненастоящим сигналом. В цифровом тракте надо не 100 мВ отличить от 102, а отличить 1 от 0. Что, ясен пень, куда как проще. Более того, парактически все системы передачи цифровых сигналов работают "с избыточностью" - в сигнал специально добавляются лишние биты, по которым можно проверить целостность передачи информации, а иногда даже на лету исправлять ошибки. И как минимум появляется возможность выловить сам факт ошибки и запросить повторную передачу пакета, пришедшего с ошибками.

Во-вторых, при цифровой передаче можно использовать разные методы сжатия информации. Это особено наглядно проявляется в передачи ТВ изображения, когда за счёт сжатия можно добиться потока в сотые доли бита на пиксель. Вдумайтесь - сотые доли вместо обычных 24 бит! То есть эффективность сжатия достигает десятков и сотен. Даже для сигналов звука - сравните, сколько музыки помещается на MP3-диск и сколько - на обычный компакт-диск, без сжатия. Тем самым в тот же самый диапазон частот (ресурс, как мы помним, ограниченный), занимаемый одним каналом передачи аналогового сигнала, можно впихнуть несколько цифровых, каждый из которых эквивалентен по объёму этому аналоговому. Кстати, именно этим - возможностью в той же полосе частот передавать куда больше каналов - и вызван переход на цифровое телевидение.

В-третьих, цифровые данные можно зашифровать. Что сразу делает цифровую связь криптоустойчивой. Данные, зашифрованные каким-нибудь 256-битовым ключом, уже чертовски сложно расшифровать, на это потребуется несколько недель работы суперкомпьютера. А уж если ключ 1024-битовый, то современной технике не хватит всего возраста Вселенной, чтоб расшифровать перехваченное сообщение...

В-четвёртых в цифровой системе буферизация делается на раз. Память и два счётчика. Хотите - аппаратные, хотите - программные. Вовсю используется в мобильной связи и в квазидуплексных системах, когда реальная передача идёт полудуплексом (то есть информация в каждый момент идёт только в одну сторону - либо туда, либо оттуда), но за счёт буферизации абоненты этого не ощущают, для них оба сигнала выглядят непрерывающимися.

В-пятых, современные схемы цифровой обработки (DSP, цифровые сигнал-процессоры) могут реализовать практически любой вил обработки информации. Преобразование Фурье, фильтрацию с любой характеристикой фильтра, даже и не реализуемой аналоговыми методами, перенос спектра по частоте, эхо-эффект, любые предыскажения... да что угодно.

В любой системе связи (хоть аналоговой, хоть цифровой) осуществляется обработка сигнала - кодирование, уплотнение, фильтрация, модуляция, декодирование и еще множество других. Так уж получилось, что схемотехника аналоговой обработки допускает весьма ограниченное количество алгоритмов преобразования (рекорд наверное в реализации цветного телевидения в полосе черно-белого на цветоразностных матрицах).

Цифровая обработка дает на многие порядки больше возможностей. Реализовать даже jpeg на аналоге скорее всего практически невозможно. Вот и перешли.

 

3.3Аналоговые и цифровые сигналы

До развития компьютеров — посредством радиоволн передавались обычно аналоговые сигналы — то есть сигналы, множество значений которых непрерывно.


Например — звук — зависимость давления от времени. Полученный с приемника сигнал (напряжение) поступает на усилитель звуковой частоты и заставляет колебаться динамик.

Или видеосигнал для кинескопа. Уровень сигнала определяет значение мощности, бегающего по экрану лучика, который в нужные моменты времени засвечивает люминофор, формируя изображение на экране
Основной минус такого способа передачи информации — низкая помехоустойчивость — передающая среда всегда вносит в наш сигнал какую то случайную составляющую — изменение формы видеосигнала меняет цвета отдельных пикселей(все мы помним шумы радиоприемника и рябь на экране телевизора).

Цифровые сигналы

Цифровые сигналы — то есть сигналы, имеющие дискретное множество значений — по этому параметру значительно лучше аналоговых, так как нас интересует не непосредственно значение сигнала, а диапазон в котором находится это значение и помеха нам не страшна(например в диапазоне напряжений 0В — 1.6В мы считаем, что это лог 0, а в диапазоне 3.3В — 5В лог 1). Расплата за это — увеличение требуемой скорости передачи и обработки информации.

Передача цифрового сигнала при помощи радиоволн. Как работает WiFi.

Спектр единичного импульса

В радиосвязи спектр сигнала — цифровой сигнал — последовательность прямоугольных импульсов. Спектр одного прямоугольного импульса.
Спектр( коэффициент перед интегралом опущен):

 

Спектр прямоугольного импульса длительностью T и амплитудой A:

Так — а как же быть с отрицательной амплитудой? Вспомним что в действительных числах спектр раскладывается на сумму синусов и косинусов с нулевыми фазами

 —



в такой форме на самом деле удобней представлять в компьютере, но для анализа такая форма совершенно неудобна — при изменениях сигнала во временной области — спектры будут меняться совершенно непонятным для человека образом, поэтому два спектра синусных компонент и косинусных компонент преобразуют в полярные координаты, сворачивая пары синусов и косинусов с нулевой фазой в синус с ненулевой фазой, получая амплитудный спектр и фазовый, а теперь вспомним, что домножение сигнала на -1 — эквивалентно скачку фазы на 180 градусов, поэтому отрицательная часть отразится относительно горизонтальной оси, а в точках перегиба — фаза будет испытывать скачок на 180 градусов.

Спектр одиночного импульса представляет собой sinc функцию, довольно часто встречающуюся в цифровой обработке сигналов и радиотехнике.
Почти вся энергия импульса содержится в центральном пике спектра — его ширина обратно пропорциональна длительности импульса. А высота — прямо пропорциональна — то есть — чем длиннее импульс — тем уже и выше его спектр, а чем короче — тем ниже и шире.
Спектр последовательности импульсов с хорошей степенью точности можно считать совокупностью гармоник в спектральной полосе, ширина которой обратно пропорциональна длительности импульса T.
Таким образом, уменьшая длину импульсов цифрового сигнала можно представить сигнал по широкой полосе спектра — при этом пропорционально уменьшается его высота — при увеличении полосы в N раз — во столько же уменьшится высота спектра вплоть до уровня шумов. Широкополосная передача имеет довольно много плюсов — один из них — устойчивость к узкополосным помехам — так как информация размазана по спектру — узкополосная помеха портит только малую часть этой информации.
Для распознавания передаваемой информации, т.е. выделить её из шумов, необходимо преобразовать узкополосный сигнал в широкополосный шумоподобный — для передачи по радиоканалу, а после приема преобразовать обратно в узкополосный — нужно добавлять в сигнал избыточную информацию, то есть информацию, известную и приемнику и передатчику, при помощи которой приемник может отличить сигнал от шумов. Поэтому необходимо закодировать каждый бит информации известной и приемнику и передатчику последовательностью.

Автокорреляционная функция. Коды Баркера

Для нахождения  в длинной последовательности входных данных заранее известную короткую последовательность.
Автокорреляция — статистическая взаимосвязь между случайными величинами из одного ряда, но взятых со сдвигом.
Особое значение данный параметр имеет в локации — вот сгенерировали мы какой то сигнал и засекли время — скорость распространения сигнала нам известна, значит зная время, которое потребовалось сигналу, чтобы сбегать до препятствия и обратно — мы можем вычислить расстояние для препятствия. Но вот незадача — идеальных условий в жизни не бывает — как правило вокруг очень много шумов и вместе с отраженным сигналом на вход приемника поступает всякий мусор. Во-первых нельзя спутать передаваемый полезный сигнал ни с чем другим, во вторых — достаточно точно определить момент времени, когда он вернулся назад.

Математически — автокорреляция определяется так:

То есть мы накладываем функцию на саму себя, но со сдвигом — перемножаем и вычисляем интеграл, отмечаем точку, затем опять сдвигаем, опять вычисляем интеграл и так для всех возможных сдвигов. Если мы прикладываем функцию не к самой себе, а к какой то другой, то это называется просто корреляция.
На приведенной ниже картинке демонстрируются операции свертки, корреляции и автокорреляции.
Отличие свертки и корреляции — в направлении — свертка функций f(x) и g(x) — это та же корреляция, только функций f(x) и g(-x), автокорреляция — корреляция функции с самой собой

То есть в момент времени, когда входной сигнал наиболее похож на нужную нам функцию — корреляционная функция будет иметь пик. Ширина этого пика, если не брать во внимание шум — будет равна удвоенной длине зондирующего импульса и будет симметричной относительно центрального пика — даже если исследуемый сигнал не является симметричным. К слову — пиков может быть несколько — центральный пик и так называемые боковые лепестки — зависит от функции. Корреляционный метод является самым оптимальным методом определения сигнала известной формы на фоне белого шума — другими словами метод имеет наилучшее отношение сигнал/шум. Зондирующий импульс должен удовлетворять следующим требованиям — иметь как можно более узкий центральный пик и при этом иметь минимальный уровень боковых лепестков, то есть функция похожа сама на себя только в очень коротком интервале времени — чуть сдвинуть и она становится совершенно непохожа. В локации этим требованиям удовлетворяет ЛЧМ сигнал.

Имеющий минимальный уровень боковых лепестков, автокорреляционная функция ЛЧМ сигнала имеет следующий вид:

Аналогом ЛЧМ сигнала в дискретных системах является последовательность Баркера

Например — известная последовательность длинной 11 бит: 11100010010

Найдем автокорреляционную функцию этой последовательности, циклически сдвигая её и считая сумму попарных произведений, при этом заменив 0 на -1
11100010010
11100010010
11
11100010010
01110001001
-1
11100010010
10111000100
-1
11100010010
01011100010
-1
11100010010
00101110001
-1
11100010010
10010111000
-1
…
И так далее — в общем автокорреляционная функция имеет значение 11 только при полном совпадении, во всех остальных случаях — -1.
То же самое справедливо и для инверсии последовательности, то есть для 00011101101. Плюс ко всему — прямая и инверсная последовательности слабо коррелируют между собой — мы их не спутаем.
Получается, что мы можем каждый бит информации кодировать 11 битами последовательности Баркера — прямой для единиц и инверсной для нулей. Элементы последовательности Баркера называют чипами.На практике кодирование происходит примерно так:

Приемник просто может считать корреляцию последовательностей Баркера(прямой и инверсной) и входного сигнала и по пикам корреляционной функции определять — где во входном сигнале закодированы нули, а где — единицы

3.3 Модуляция

Таким образом узкополосной информационный сигнал преобразуется в широкополосный шумоподобный, а потом  восстанавливается.

Способы передачи данных через среду.  Средой может быть вакуум, воздух, оптоволокно, провод и т.д. Для того чтобы передавать сигнал при помощи радиоволн  нужна несущая частота, промодулировав её можно насаживаем полезную информацию на несущую. Есть 3 основных типа модуляции — амплитудная, частотная и фазовая.
Можно готовый к передаче сигнал направить на переключатель и просто включать-выключать передачу несущей — тем самым промодулировав амплитуду

В настоящее время амплитудная модуляция почти не применяется.

Следующий тип модуляции — частотная, когда сигнал данных управляет частотой несущей — либо напрямую (ГУН), либо переключаясь между двумя разными генераторами(при этом происходит скачок фазы)

Фазовая модуляция

В этом варианте кодируется информация в фазу сигнала — например нуль соответствует нулевому сдвигу по фазе, а единица — сдвигу на 180 градусов — такой способ кодировки легко реализовать технически — например умножая сигнал на 1 — имеем нулевой фазовый сдвиг, а умножая на -1 — сдвиг на 180 градусов. Такая модуляция называется Binary Phase Shift Key или BPSK

А что если мы хотим иметь больше фазовых сдвигов? Для начала объясню логику инженеров, которые придумали следующие танцы с бубном — у вас всего 2 управляющих сигнала — 1 и -1 и при помощи них нужно наиболее простым способом закодировать произвольное число фазовых сдвигов — можно конечно поставить какой нибудь супер ЦАП и управлять генерируемой частотой напрямую, но математика предлагает нам кое что получше. А именно вот эту формулу:



К слову — на ее основе мы произвели переход от спектров синусоид и косинусоид с нулевыми фазами к спектру синусоид с ненулевыми фазами и фазовому спектру — теперь мы просто делаем обратное преобразование.

На этом основана Квадратурная Модуляция



— вместе с несущей мы генерируем еще один сигнал, который сдвинут относительно несущей на 90 градусов, то есть находится с ней в квадратуре. Теперь — управляя амплитудой каждого сигнала(In phase и Quadrature) — умножая на 1 или -1, а затем суммируя — мы можем получить уже 4 возможных фазовых сдвига.

Теперь за раз мы можем кодировать 2 бита. То есть скорость передачи возрастает вдвое. Но и вероятность ошибки при тоже неизбежно возрастет.


Аналогичным образом можно получить большее число фазовых сдвигов. Возможные состояния сигнала обычно показывают на векторной диаграмме или на плоскости сигнального созвездия

Обратите внимание, что последовательность бинарных слов на диаграмме представляет собой Код Грея, что минимизирует вероятность ошибки. Кроме того — есть дополнительный сдвиг на 45 градусов — это делается для того, чтобы уменьшить паразитную амплитудную модуляцию при скачках фазы на 180 градусов

На практике синхронный способ передачи не используется — потому что есть привязка к какой то начальной фазе, а со временем набегает ошибка и фаза уплывает, нужно постоянно переустанавливать начальную фазу — синхронизировать приемник и передатчик. Поэтому носителем информации в реальных системах является не фаза, а изменение фазы — дифференциальный способ передачи сигнала позволяет избавиться от синхронизации. Например при каждом появлении нуля — фаза делает скачок на 180 градусов (BPSK).

Далее уже можно начать говорить о тонкостях реализации — как всегда — на практике все оказывается сложнее, чем в теории, данная статья — скорее небольшой ликбез для расширения кругозора.

Модуляция и передача цифровых сигналов по каналам связи (Часть 1).

Posted on 08/10/2018 by Алексей Шалагинов

Лет 15 тому назад один из бывших сотрудников ведущего европейского поставщика оборудования связи (Ericsson) рассказывал мне, как они поставляли систему радиодоступа DECT в одну из российских «электросвязей». Когда шведы приехали подписывать контракт, то главный инженер российского оператора во время церемонии подписания вдруг произнёс: «Что-то мне кажется, вы нас обманываете – как это можно голос в цифре передавать, да ещё по воздуху?». Немая сцена…

Вот и попробуем разобраться, как «голос преобразуется в цифру».

Методы модуляции аналоговых сигналов

Любой аналоговый сигнал, например, электрический ток из микрофона, при передаче по цифровым каналам связи нужно, как говорят, «оцифровать». То есть, выполнить цифровую модуляцию. Можно, конечно, и в аналоговом виде сигнал передавать, но с середины прошлого века так уже никто не делает – это чревато высокими затратами и очень низким качеством связи.

Для оцифровки аналоговый сигнал А (рис. 1) нужно подвергнуть модуляции. Например, существует Импульсно-Амплитудная Модуляция (ИАМ), по-английски PAM (Pulse Amplitude Modulation), что показано на графике В. По сути, это просто выборка (дискретизация) значений амплитуды сигнала через равные промежутки времени. В результате сигнал все равно остаётся аналоговым, только представленным в виде «столбиков», высота которых представляет собой амплитуду сигнала в момент выборки.

Теперь по одному проводу можно передавать несколько сигналов, если в промежутке между двумя выборками сигнала А передавать выборки от других сигналов.

Другой вид модуляции – широтно-импульсная модуляция (ШИМ), или PWM – Pulse Width Modulation, что мы видим на графике С. Здесь амплитуда А сигнала в каждый момент выборки представлена длительностью («шириной») импульсов, амплитуда которых всегда постоянная.

На графике D показана фазовая модуляция, или PPM – Pulse Position Modulation. Дословно сиё переводится как «модуляция по положению импульса». Фактически, амплитуда сигнала А здесь представлена фазой (сдвигом) импульсов равной амплитуды относительно момента дискретизации исходного сигнала А.

Ну и наконец, есть ещё импульсно-кодовая модуляция (ИКМ), которая показана на графике Е. По-английски она называется PСM (Pulse Сode Modulation).

Вот эта модуляция нас и будет больше всего интересовать, поскольку она и есть цифровая!

 

Рис. 1. Виды модуляции аналогового сигнала.

Заметим, что и цифровой сигнал тоже можно различным образом модулировать.

 

Преобразование аналогового сигнала в цифровой

Чтобы преобразовать аналоговой сигнала в цифровую форму, нужно его, во-первых, сделать выборку его величины (амплитуды) через равные промежутки времени. Это процесс называется «семплированием» (от слова sample – «образец») и показан на рис. 2.

Рис. 2. Преобразование аналогового сигнала в цифровой

Во-вторых, нужно сделать квантование, т.е. измерение величины амплитуды сигнала в моменты выборки и округление результата измерения до ближайшего значения ступени квантования.

И в-третьих, полученные кванты нужно представить в цифровой форме, т.е. закодировать тем или иным способом. На рисунке 2 показано кодирование в виде трёхразрядного (трёхбитового) двоичного числа.  Вообще, этого очень мало, на практике обычно применяют 8-битное кодирование. Поэтому, как видим, полученный результат довольно сильно отличается от формы исходного сигнала.

Что нужно, чтобы повысить точность, т.е. соответствие полученных значений исходному сигналу? Очевидно, нужно увеличить частоту семплирования. То есть, чаще производить выборку. Здесь можно воспользоваться теоремой, у которой аж целых три автора: два зарубежных, Найквист и Шэннон, и наш, российский Котельников. Поэтому в России эту теорему называют теоремой Котельникова, а за рубежом – Найквиста-Шэннона. И гласит эта теорема следующее: «сигнал, спектр которого ограничен частотой среза (f_ср), может быть восстановлен без потерь, если частота дискретизации составляет не менее fд = 2f_ср». То есть, берём самую высокую гармонику сигнала (как известно, сигнал любой практически формы можно разложить на сумму синусоидальных гармоник с различными амплитудами), и умножаем её на два. После этого, можем считать, что мы адекватно преобразовали аналоговый сигнал в цифровую форму. Ну, если не считать т.н. «шумов квантования», о которых речь немного позже.

Например, если частотный диапазон телефонного сигнала ограничен частотой 3400 Гц (а он именно такой частотой и ограничен, на входе ставят частотный фильтр), то частота выборки (семплирования) должна быть не менее 6800 Гц. На практике обычно делают семплирование с частотой 8000 Гц.

И ещё, как уже отмечалось, нужно повысить разрядность кодирования, то есть кодировать выборки не трёхразрядным двоичным числом, а восьмиразрядным (байтом).

Восстановление формы исходного аналогового сигнала на приёмном конце линии связи

Затем, полученный цифровой сигнал передают тем или иным способом по линии связи. Как это делается, нас пока не интересует. Однако, на приёмном конце линии связи форму сигнала нужно восстановить. Вот что при этом получается (рис. 3).

 

Рис. 3. Восстановление исходной аналогового формы сигнала.

Как видим, при трёхразрядном кодировании (семь уровней квантования) исходную форму сигнала удаётся восстановить лишь приблизительно. На рис. 3. даже на глаз видны существенные различия полученного сигнала от исходного, хотя общая форма сигнала похожа. Например, если исходный аналоговый сигнал представляет речь, то собеседник на приёмном конце при этом сможет понять, о чем его визави говорит, но тембр голоса может сильно измениться, и возможно, некоторые слова придётся повторять.

Шумы квантования

При квантовании аналогового сигнала, как показано на рис.1, реальное значение сигнала заменяется ближайшим ему уровней квантования. При этом, реальная волнообразная форма аналогового сигнала заменяется «лесенкой», ступени которой соответствуют уровням квантования.

 

 

 

 

 

 

 

Рис. 4. Аппроксимация аналогового сигнала уровнями квантования.  

Ясно, что такая «пилообразная» кривая отличается от исходной формы аналогового сигнала. Различие (ошибка) между аналоговым сигналом и его ступенчатой аппроксимацией и есть шумы квантования.

Чем больше уровней квантования, тем точнее аппроксимация аналогового сигнала при квантовании, что видно на рис. 5.

Рис. 5. Точность аппроксимации повышается с увеличением числа уровней квантования.  

 

Импульсно-кодовая модуляция ИКМ (PCM, Pulse Code Modulation)

Импульсно-кодовая модуляция – и есть цифровизация аналогового сигнала, то есть, представление аналогового сигнала, вернее его квантованных значений, в цифровой форме. По линии связи при этом передаётся последовательность нолей и единиц (битов), которая представляет собой двоичное число, равное значению уровня квантования в момент квантования.

Рис. 6. Принцип импульсно-кодовой модуляции ИКМ (источник: Н.Н. Слепов. Современные технологии цифровых оптоволоконных сетей связи, 2000 г.).

Квантование, в соответствии с теоремой Котельникова (или Шеннона-Найквиста), производится с частотой 8000 Гц, то есть период квантования составляет 125 мкс. Длительность передачи 8-битового кода выборки квантования

составляет 3,91 мкс.Почему именно 8000 Гц? Потому, что частота среза в телефонном канале составляет 3400 Гц. С «запасом прочности» величина частота среза выбрана равной 4000 Гц, поэтому частота дискретизации выбрана 8000 Гц.

 Методы двоичного кодирования.

Двоичное кодирование сигнала для передачи его по каналам связи производится различными методами.

 

Рис. 7. Методы двоичного кодирования.

• Самый простой метод кодирования – униполярный код NRZ (Non-Return to Zero), «без возврата к нулю». Единица представлена высоким уровнем сигнала, тока или напряжения, ноль – нет тока, либо напряжения. Впрочем, может быть и наоборот, это непринципиально.
• Биполярный код NRZ (Non-Return to Zero), «без возврата к нулю». Единица представлена положительным значением тока в цепи, ноль – отрицательным.
• Униполярный код RZ (Return to Zero) «с возвратом к нулю». После обозначения единицы, сигнал в течение периода такта возвращается к нулевому значению сигнала (не ноля, как числа, а лишь величины модулирующего сигнала).
• Биполярный код RZ (Return to Zero) «с возвратом к нулю». То же самое, только две идущие подряд единицы обозначаются разнополярными импульсами с чередованием. Ноль обозначается отсутствием тока или напряжения.
• И наконец, самый экстравагантный код – «Манчестерский» (Manchester Code). Читателю предлагается самому разобраться в методе кодирования по рисунку.

 

Дилемма между сильным и слабым сигналом

Метод ИКМ не лишен недостатков. Кроме шумов квантования, есть ещё и проблема возрастания ошибок квантования, если сигнал имеет низкую амплитуду. В случае телефонного разговора, это будет означать, что если собеседник будет говорить негромко, то его речь может стать совсем неразборчивой.

 

Рис. 8. Линейное и нелинейное кодирование.

Это может произойти при линейном кодировании, когда все уровни квантования имеют одинаковый шаг по амплитуде сигнала. На рис. 8 видно, что при линейном квантовании слабый сигнал сильно искажается.

Поэтому применяется нелинейное кодирование (компандирование) сигнала.

 

Компандирование: А-закон и μ-закон

Существует два метода компандирования: А-закон (используется в Европе и России) и μ-закон (используется в Северной Америке и Японии).

А-закон командирования выглядит, как показано на рис. 9, и выражается следующей математической формулой:

 

Рис. 9. А-закон компандирования 

В правой части рис. 9 показана кривая А-закона только для положительных значений входного сигнала. Такая же кривая имеется для отрицательных значений, которая будет «смотреть» вниз.

По вертикальной оси отложено 128 ступеней квантования. Если учесть нижнюю часть кривой, ступеней будет 256. В двоичной форме число 256 можно представить байтом из 8 разрядов. Принцип кодирования показан в таблице в левой части рисунка 9.

При 256 ступенях квантования можно обеспечить довольно хорошее соответствие квантованных значений сигнала его исходной кривой.

Компандирование сигнала и формула μ-закона показано на рисунке 10. Принципиальных отличий от А-закона здесь нет.

Рис. 10. Компандирование по μ-закону.

При восстановлении аналогового сигнала из цифровой формы на стороне приёма выполняется обратное компандирование, таким образом, удаётся получить довольно хорошее соответствие полученного сигнала исходному за счёт двух факторов:

• Достаточного количества уровней квантования – 256 (2⁸)
• Применения компандирования, которое обеспечивает достаточно хорошее качество передачи сигналов малой амплитуды.

 

 

 

 

 

Глава 4.  Искусственный интеллект

Иску́сственный интелле́кт ИИ — наука и технология создания интеллектуальных машин, компьютерных программ, свойство которых выполнять творческие функции на подобия человеку.

Происхождение и понимание термина «искусственный интеллект

 

Джон Маккарти (1927—  2011), — американский информатик, автор термина «искусственный интеллект» (1955), изобретатель языка Лисп (1958), основоположник функционального программирования, лауреат Премии Тьюринга (1971) за огромный вклад в область исследований искусственного интеллекта.

Маккарти отстаивал использование математической логики для искусственного интеллекта. В 1958 году он предложил систему «принятия советов», которая позже вдохновила работы по ответам на запросы и логическому программированию. Утверждал, что исследователи ИИ вольны использовать методы, которые не наблюдаются у людей, если это необходимо для решения конкретных проблем. Джон Маккарти указывает: «Проблема состоит в том, что пока мы не можем в целом определить, какие вычислительные процедуры мы хотим называть интеллектуальными. Мы понимаем некоторые механизмы интеллекта и не понимаем остальные. Поэтому под интеллектом в пределах этой науки понимается только вычислительная составляющая способности достигать целей в мире. В то же время существует и точка зрения, согласно которой интеллект может быть только биологическим феноменом.

 Слово intelligence означает «умение рассуждать разумно», а вовсе не «интеллект». Свойство интеллектуальных систем выполнять функции (творческие), которые традиционно считаются прерогативой человека. При этом интеллектуальная система — это техническая или программная система, способная решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. Структура интеллектуальной системы включает три основных блока — базу знаний, решатель и интеллектуальный интерфейс, позволяющий вести общение с ЭВМ без специальных программ для ввода данных.Наука под названием «Искусственный интеллект» входит в комплекс компьютерных наук, а создаваемые на её основе технологии к информационным технологиям. Задачей этой науки является воссоздание с помощью вычислительных систем и иных искусственных устройств разумных рассуждений и действий. Одно из частных определений интеллекта, общее для человека и «машины», можно сформулировать так: «Интеллект — способность системы создавать в ходе самообучения программы (в первую очередь эвристические) для решения задач определённого класса сложности и решать эти задачи».

      История искусственного интеллекта

История искусственного интеллекта как нового научного направления начинается в середине XX века. К этому времени уже было сформировано множество предпосылок его зарождения: среди философов давно шли споры о природе человека и процессе познания мира, нейрофизиологи и психологи разработали ряд теорий относительно работы человеческого мозга и мышления, экономисты и математики задавались вопросами оптимальных расчётов и представления знаний о мире в формализованном виде; наконец, зародился фундамент математической теории вычислений — теории алгоритмов — и были созданы первые компьютеры.

Возможности новых машин в плане скорости вычислений оказались больше человеческих, поэтому в учёном сообществе зародился вопрос: каковы границы возможностей компьютеров и достигнут ли машины уровня развития человека? В 1950 году один из пионеров в области вычислительной техники, английский учёный Алан Тьюринг, пишет статью под названием «Может ли машина мыслить?», в которой описывает процедуру, с помощью которой можно будет определить момент, когда машина сравняется в плане разумности с человеком, получившую название теста Тьюринга.

А́лан Мэ́тисон Тью́ринг, (1912(19120623) —1954) — английский математик, логик, криптограф, оказавший существенное влияние на развитие информатики. Предложенная им в 1936 году абстрактная вычислительная «Машина Тьюринга», которую можно считать моделью компьютера общего назначения, позволила формализовать понятие алгоритма и до сих пор используется во множестве теоретических и практических исследований. Научные труды А. Тьюринга — общепризнанный вклад в основания информатики (и, в частности, — теории искусственного интеллекта).

После войны Тьюринг работал в Национальной физической лаборатории, где по его проекту был реализован первый в мире компьютер с хранимой в памяти программой .. В 1950 году предложил эмпирический тест Тьюринга для оценки искусственного интеллекта компьютера.

В честь учёного названа Премия Тьюринга — самая престижная в мире награда в области информатики.

История развития искусственного интеллекта в СССР и России. Коллежский советник Семён Николаевич Корсаков (1787—1853) ставил задачу усиления возможностей разума посредством разработки научных методов и устройств, перекликающуюся с современной концепцией искусственного интеллекта, как усилителя естественного. В 1832 году С. Н. Корсаков опубликовал описание пяти изобретённых им механических устройств, так называемых «интеллектуальных машин», для частичной механизации умственной деятельности в задачах поиска, сравнения и классификации. В конструкции своих машин Корсаков впервые в истории информатики применил перфорированные карты, игравшие у него своего рода роль баз знаний, а сами машины по существу являлись предтечами экспертных систем.

В СССР работы в области искусственного интеллекта начались в 1960-х годах. В Московском университете и Академии наук был выполнен ряд пионерских исследований, возглавленных Вениамином Пушкиным и Д. А. Поспеловым. С начала 1960-х М. Л. Цетлин с коллегами разрабатывали вопросы, связанные с обучением конечных автоматов.

В 1966 году В. Ф. Турчиным был разработан язык рекурсивных функций Рефал. До 1970-х годов в СССР все исследования ИИ велись в рамках кибернетики. По мнению Д. А. Поспелова, науки «информатика» и «кибернетика» были в это время смешаны, по причине ряда академических споров. Только в конце 1970-х в СССР начинают говорить о научном направлении «искусственный интеллект» как разделе информатики. При этом родилась и сама информатика, подчинив себе прародительницу «кибернетику». В конце 1970-х создаётся толковый словарь по искусственному интеллекту, трёхтомный справочник по искусственному интеллекту и энциклопедический словарь по информатике, в котором разделы «Кибернетика» и «Искусственный интеллект» входят наряду с другими разделами в состав информатики. Термин «информатика» в 1980-е годы получает широкое распространение, а термин «кибернетика» постепенно исчезает из обращения, сохранившись лишь в названиях тех институтов, которые возникли в эпоху «кибернетического бума» конца 1950-х — начала 1960-х годов. Такой взгляд на искусственный интеллект, кибернетику и информатику разделяется не всеми. Это связано с тем, что на Западе границы данных наук несколько отличаются.

Единого ответа на вопрос, чем занимается искусственный интеллект, не существует. Почти каждый автор, пишущий книгу об ИИ, отталкивается в ней от какого-либо определения, рассматривая в его свете достижения этой науки.

В философии не решён вопрос о природе и статусе человеческого интеллекта. Нет и точного критерия достижения компьютерами «разумности», хотя на заре искусственного интеллекта был предложен ряд гипотез, например, тест Тьюринга или гипотеза Ньюэлла — Саймона. Поэтому, несмотря на наличие множества подходов как к пониманию задач ИИ, так и созданию интеллектуальных информационных систем, можно выделить два основных подхода к разработке ИИ:

• нисходящий, семиотический — создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.;
• восходящий, биологический — изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе биологических элементов, а также создание соответствующих вычислительных систем, таких как нейрокомпьютер или биокомпьютер.

Тест Тьюринга и интуитивный подход

Тест Тьюринга

Эмпирический тест был предложен Аланом Тьюрингом в статье «Вычислительные машины и разум» Целью данного теста является определение возможности искусственного мышления, близкого к человеческому.

Стандартная интерпретация этого теста звучит следующим образом: «Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы — ввести человека в заблуждение, заставив сделать неверный выбор». Все участники теста не видят друг друга.

• Самый общий подход предполагает, что ИИ будет способен проявлять поведение, не отличающееся от человеческого, причём в нормальных ситуациях. Эта идея является обобщением подхода теста Тьюринга, который утверждает, что машина станет разумной тогда, когда будет способна поддерживать разговор с обычным человеком, и тот не сможет понять, что говорит с машиной (разговор идёт по переписке).
• Писатели-фантасты часто предлагают ещё один подход: ИИ возникнет тогда, когда машина будет способна чувствовать и творить. Так, хозяин Эндрю Мартина из «Двухсотлетнего человека» начинает относиться к нему как к человеку, когда тот создаёт игрушку по собственному проекту. А Дейта из «Звёздного пути», будучи способным к коммуникации и обучению, мечтает обрести эмоции и интуицию.

Символьный подход

Исторически символьный подход был первым в эпоху цифровых машин, так как именно после создания Лисп, первого языка символьных вычислений, у его автора возникла уверенность в возможности практически приступить к реализации этими средствами интеллекта. Символьный подход позволяет оперировать слабо формализованными представлениями и их смыслами.

Основная особенность символьных вычислений — создание новых правил в процессе выполнения программы. Тогда как возможности не интеллектуальных систем завершаются как раз перед способностью хотя бы обозначать вновь возникающие трудности. Тем более эти трудности не решаются и наконец компьютер не совершенствует такие способности самостоятельно.

Недостатком символьного подхода является то, что такие открытые возможности воспринимаются не подготовленными людьми как отсутствие инструментов. Эту, скорее культурную проблему, отчасти решает логическое программирование.

Логический подход

 Логический подход к созданию систем искусственного интеллекта основан на моделировании рассуждений. Теоретической основой служит логика.

Логический подход может быть проиллюстрирован применением для этих целей языка и системы логического программирования Пролог. Программы, записанные на языке Пролог, представляют наборы фактов и правил логического вывода без жесткого задания алгоритма как последовательности действий, приводящих к необходимому результату.

Агентно-ориентированный подход

Последний подход, развиваемый с начала 1990-х годов, называется агентно-ориентированным подходом, или подходом, основанным на использовании интеллектуальных (рациональных) агентов. Согласно этому подходу, интеллект — это вычислительная часть (грубо говоря, планирование) способности достигать поставленных перед интеллектуальной машиной целей. Сама такая машина будет интеллектуальным агентом, воспринимающим окружающий его мир с помощью датчиков, и способной воздействовать на объекты в окружающей среде с помощью исполнительных механизмов.

Этот подход акцентирует внимание на тех методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задачи. Так, здесь значительно тщательнее изучаются алгоритмы поиска пути и принятия решений.

Гибридный подход

Гибридный подход предполагает, что только синергийная комбинация нейронных и символьных моделей достигает полного спектра когнитивных и вычислительных возможностей. Например, экспертные правила умозаключений могут генерироваться нейронными сетями, а порождающие правила получают с помощью статистического обучения. Сторонники данного подхода считают, что гибридные информационные системы будут значительно более сильными, чем сумма различных концепций по отдельности.

Модели и методы исследований

Символьное моделирование мыслительных процессов

Анализируя историю ИИ, можно выделить такое обширное направление как моделирование рассуждений. Долгие годы развитие этой науки двигалось именно по этому пути, и теперь это одна из самых развитых областей в современном ИИ. Моделирование рассуждений подразумевает создание символьных систем, на входе которых поставлена некая задача, а на выходе требуется её решение. Как правило, предлагаемая задача уже формализована, то есть переведена в математическую форму, но либо не имеет алгоритма решения, либо он слишком сложен, трудоёмок и т. п. В это направление входят: доказательство теорем, принятие решений и теория игр, планирование и диспетчеризация, прогнозирование.

Работа с естественными языками

Немаловажным направлением является обработка естественного языка^[, в рамках которого проводится анализ возможностей понимания, обработки и генерации текстов на «человеческом» языке. В рамках этого направления ставится цель такой обработки естественного языка, которая была бы в состоянии приобрести знание самостоятельно, читая существующий текст, доступный по Интернету. Некоторые прямые применения обработки естественного языка включают информационный поиск (в том числе, глубокий анализ текста) и машинный перевод.

Представление и использование знаний

Инженерия знаний, Представление знаний

Направление инженерия знаний объединяет задачи получения знаний из простой информации, их систематизации и использования. Это направление исторически связано с созданием экспертных систем — программ, использующих специализированные базы знаний для получения достоверных заключений по какой-либо проблеме.

Производство знаний из данных — одна из базовых проблем интеллектуального анализа данных. Существуют различные подходы к решению этой проблемы, в том числе — на основе нейросетевой технологии, использующие процедуры вербализации нейронных сетей.

Машинное обучение

Проблематика машинного обучения касается процесса самостоятельного получения знаний интеллектуальной системой в процессе её работы. Это направление было центральным с самого начала развития ИИ. В 1956 году, на Дартмундской летней конференции, Рей Соломонофф написал отчёт о вероятностной машине, обучающейся без учителя, назвав её: «Индуктивная машина вывода».

Обучение без учителя — позволяет распознать образы во входном потоке. Обучение с учителем включает также классификацию и регрессионный анализ. Классификация используется, чтобы определить, к какой категории принадлежит образ. Регрессионный анализ используется, чтобы в рядах числовых примеров входа/выхода и обнаружить непрерывную функцию, на основании которой можно было бы прогнозировать выход. При обучении агент вознаграждается за хорошие ответы и наказывается за плохие. Они могут быть проанализированы с точки зрения теории решений, используя такие понятия как полезность. Математический анализ машинных алгоритмов изучения — это раздел теоретической информатики, известный как вычислительная теория обучения

К области машинного обучения относится большой класс задач на распознавание образов. Например, это распознавание символов, рукописного текста, речи, анализ текстов. Многие задачи успешно решаются с помощью биологического моделирования (см. след. пункт). Особо стоит упомянуть компьютерное зрение, которое связано ещё и с робототехникой.

Биологическое моделирование искусственного интеллекта

 Отличается от понимания искусственного интеллекта по Джону Маккарти, когда исходят из положения о том, что искусственные системы не обязаны повторять в своей структуре и функционировании структуру и протекающие в ней процессы, присущие биологическим системам. Сторонники данного подхода считают, что феномены человеческого поведения, его способность к обучению и адаптации есть следствие именно биологической структуры и особенностей её функционирования.

Сюда можно отнести несколько направлений. Нейронные сети используются для решения нечётких и сложных проблем, таких как распознавание геометрических фигур или кластеризация объектов. Генетический подход основан на идее, что некий алгоритм может стать более эффективным, если позаимствует лучшие характеристики у других алгоритмов («родителей»). Относительно новый подход, где ставится задача создания автономной программы — агента, взаимодействующей с внешней средой, называется агентным подходом.

Робототехника

Интеллектуальная робототехника

Области робототехники и искусственного интеллекта тесно связаны друг с другом. Интегрирование этих двух наук, создание интеллектуальных роботов составляют ещё одно направление ИИ. Интеллектуальность требуется роботам, чтобы манипулировать объектами^[21], выполнять навигацию с проблемами локализации (определять местонахождение, изучать ближайшие области) и планировать движение (как добраться до цели). Примером интеллектуальной робототехники могут служить игрушки-роботы Pleo, AIBO, QRIO.

Машинное творчество

Природа человеческого творчества ещё менее изучена, чем природа интеллекта. Тем не менее, эта область существует, и здесь поставлены проблемы написания компьютером музыки, литературных произведений (часто — стихов или сказок), художественное творчество. Создание реалистичных образов широко используется в кино и индустрии игр.

Отдельно выделяется изучение проблем технического творчества систем искусственного интеллекта. Теория решения изобретательских задач, предложенная в 1946 году Г. С. Альтшуллером, положила начало таким исследованиям.

Добавление данной возможности к любой интеллектуальной системе позволяет весьма наглядно продемонстрировать, что именно система воспринимает и как это понимает. Добавлением шума вместо недостающей информации или фильтрация шума имеющимися в системе знаниями производит из абстрактных знаний конкретные образы, легко воспринимаемые человеком, особенно это полезно для интуитивных и малоценных знаний, проверка которых в формальном виде требует значительных умственных усилий.

Другие области исследований

Наконец, существует масса приложений искусственного интеллекта, каждое из которых образует почти самостоятельное направление. В качестве примеров можно привести программирование интеллекта в компьютерных играх, нелинейное управление, интеллектуальные системы информационной безопасности.

В перспективе предполагается тесная связь развития искусственного интеллекта с разработкой квантового компьютера, так как некоторые свойства искусственного интеллекта имеют схожие принципы действия с квантовыми компьютерами^[23][24].

Можно заметить, что многие области исследований пересекаются. Это свойственно любой науке. Но в искусственном интеллекте взаимосвязь между, казалось бы, различными направлениями выражена особенно сильно, и это связано с философским спором о сильном и слабом ИИ.

 Современный искусственный интеллект

      Можно выделить два направления развития ИИ:

• решение проблем, связанных с приближением специализированных систем ИИ к возможностям человека, и их интеграции, которая реализована природой человека
• создание искусственного разума, представляющего интеграцию уже созданных систем ИИ в единую систему, способную решать проблемы человечества .

      Но в настоящий момент в области искусственного интеллекта наблюдается вовлечение многих предметных областей, имеющих скорее практическое отношение к ИИ, а не фундаментальное. Многие подходы были опробованы, но к возникновению искусственного разума ни одна исследовательская группа пока так и не подошла. Ниже представлены лишь некоторые наиболее известные разработки в области ИИ.

Известные ИИ-системы

• Deep Blue — победил чемпиона мира по шахматам. Матч Каспаров против супер ЭВМ не принёс удовлетворения ни компьютерщикам, ни шахматистам, и система не была признана Каспаровым (подробнее см. Человек против компьютера). Затем линия суперкомпьютеров IBM проявилась в проектах brute force BluGene (молекулярное моделирование) и моделирование системы пирамидальных клеток в швейцарском центре Blue Brain.
• Watson — перспективная разработка IBM, способная воспринимать человеческую речь и производить вероятностный поиск, с применением большого количества алгоритмов. Для демонстрации работы Watson принял участие в американской игре «Jeopardy!», аналога «Своей игры» в России, где системе удалось выиграть в обеих играх.
• MYCIN — одна из ранних экспертных систем, которая могла диагностировать небольшой набор заболеваний, причем часто так же точно, как и доктора.
• 20Q — проект, основанный на идеях ИИ, по мотивам классической игры «20 вопросов». Стал очень популярен после появления в Интернете на сайте 20q.net.
• Распознавание речи. Системы такие как ViaVoice способны обслуживать потребителей.
• Роботы в ежегодном турнире RoboCup соревнуются в упрощённой форме футбола.

Банки применяют системы искусственного интеллекта (СИИ) в страховой деятельности (актуарная математика), при игре на бирже и управлении собственностью. Методы распознавания образов (включая, как более сложные и специализированные, так и нейронные сети) широко используют при оптическом и акустическом распознавании (в том числе текста и речи), медицинской диагностике, спам-фильтрах, в системах ПВО (определение целей), а также для обеспечения ряда других задач национальной безопасности.

Области применения искусственного интеллекта

Алгоритмическая торговля

Алгоритмическая торговля предполагает использование сложных систем искусственного интеллекта для принятия торговых решений со скоростью, превышающую скорость на которую способен человеческий организм. Это позволяет делать миллионы сделок в день без какого-либо вмешательства человека. Автоматизированные торговые системы обычно используются крупными институциональными инвесторами.^[28]

Исследования рынка и интеллектуальный анализ данных

Несколько крупных финансовых учреждений вложили средства в развитие ИИ, чтобы использовать его в их инвестиционной практике. Разработки BlackRock' AI, Aladdin, используются как внутри компании, так и для клиентов компании, ассистируя в принятии инвестиционных решений. Широкий спектр функциональных возможностей данной системы включает обработку естественного языка для чтения текста, такого как новости, отчеты брокеров и каналы социальных сетей. Затем система оценивает настроения в упомянутых компаний и присваивает им оценку. Банки, такие как UBS и Deutsche Bank, используют систему ИИ под названием Sqreem (Sequential Quantum Reduction and Extraction Model, Модель Последовательной Квантовой Редукции и Экстракции), которая может обрабатывать данные для разработки профилей потребителей и сопоставлять их с продуктами, которые они, скорее всего, захотят. Goldman Sachs использует Kensho, платформу аналитики рынка, которая объединяет статистические вычисления с большими данными и обработкой естественного языка. Его системы машинного обучения используют данные в Интернете и оценивают корреляции между мировыми событиями и их влиянием на цены финансовых активов.^[30] Информация, извлеченная системой ИИ из прямой трансляции новостей, используется в принятии инвестиционных решений.

Управление личными финансами

Существуют продукты, которые используют ИИ, для помощи людям в управлении их личными финансами. Например, Digit — это приложение, основанное на искусственном интеллекте, которое автоматически помогает потребителям оптимизировать свои расходы и сбережения, основываясь на своих личных привычках и целях. Приложение может анализировать такие факторы, как ежемесячный доход, текущий баланс и привычки к расходам, затем принимать собственные решения и переводить деньги на отдельный сберегательный счет. Wallet.AI, развивающийся в Сан-Франциско старт-ап, создает агентов, которые анализируют данные, которые генерирует потребитель, при взаимодействии со смартфонами и социальными сетями, чтобы проинформировать потребителя о своих расходах.

Управление финансовым портфелем

Автоматизированные помощники-советчики становятся все более широко используемыми в отрасли управления инвестициями. Автоматизированные системы предоставляют финансовые консультации и советы в управлении финансовым портфелем с минимальным вмешательством человека. Этот класс финансовых консультантов работает на основе алгоритмов, созданных для автоматического развития финансового портфеля в соответствии с инвестиционными целями и склонностью к риску клиентов. Он может корректировать изменения в реальном времени на рынке и калибровать портфель в соответствии с пожеланиями клиента.^[33]

Андеррайтинг

Онлайн-кредитор Upstart анализирует огромное количество потребительских данных и использует алгоритмы машинного обучения для построения моделей кредитного риска, которые прогнозируют вероятность дефолта. Их технология будет лицензирована для банков, чтобы они могли использовать её для оценки своих процессов.

ZestFinance разработала свою платформу Zest Automated Machine Learning (ZAML) специально для кредитного андеррайтинга. Эта платформа использует компьютерное обучение для анализа десятков тысяч традиционных и нетрадиционных переменных (от транзакций покупки до того, каким образом клиент заполняет форму), используемых в кредитной индустрии, для оценки заемщиков. Платформа особенно полезна для присвоения кредитных баллов клиентам с небольшой кредитной истории, таким как миллениалы.

Тяжелая промышленность

Роботы стали распространены во многих отраслях промышленности и часто занимаются работой, которая считается опасной для людей. Роботы оказались эффективными на рабочих местах, связанных с повторяющимися рутинными заданиями, которые могут привести к ошибкам или несчастным случаям из-за снижения концентрации с течением времени. Также широкое применение роботы получили в работе, которую люди могут найти унизительной.

В 2014 году Китай, Япония, Соединенные Штаты, Республика Корея и Германия вместе составили 70 % от мирового объема продаж роботов. В автомобильной промышленности, секторе с особенно высокой степенью автоматизации, в Японии была самая высокая плотность промышленных роботов в мире: 1,414 роботов на 10,000 сотрудников.

Медицина

Искусственные нейронные сети, такие как технология Concept Processing в программном обеспечении EMR, используются в качестве клинических систем принятия решений для медицинской диагностики.

Другие задачи в медицине, которые потенциально могут выполняться искусственным интеллектом и начинают разрабатываться, включают:

• Компьютерная интерпретация медицинских изображений. Такие системы помогают сканировать цифровые изображения, например от компьютерной томографии, для типичных проявлений и для выделения заметных отклонений, таких как возможные заболевания. Типичным применением является обнаружение опухоли.
• Анализ сердечного ритма
• Проект Watson — это еще одно использование ИИ в этой области, программа вопросов/ответов, которая создана для помощи врачам-онкологам
• Роботы-помощники для ухода за престарелыми
• Обработка медицинских записей для предоставления более полезной информации
• Создание планов лечения
• Помощь в повторяющихся заданиях, включая управление приемом медикаментов
• Предоставление консультаций
• Создание лекарств
• Использование человекоподобных манекенов вместо пациентов для клинического обучения^[39]

В настоящее время в отрасли здравоохранения работает более 90 стартапов, основанных на применении ИИ.

Управление человеческими ресурсами и рекрутинг

Другое применение ИИ заключается в управлении человеческими ресурсами и рекрутинге. Существует три способа использования ИИ для управления человеческими ресурсами и найма специалистов. ИИ используется для просмотра резюме и ранжирования кандидатов в соответствии с их уровнем квалификации. ИИ также используется для прогнозирования успеха кандидата в заданных ролях через платформы сопоставления должностей. И наконец, ИИ используется при создании чатов-ботов, которые могут автоматизировать повторяющиеся коммуникационные задачи.

Как правило, процесс просмотра резюме включает в себя анализ и поиск информации в базе данных резюме. Стартапы, такие как Pomato, создают алгоритмы машинного обучения для автоматизации процессов проверки резюме. Система Pomato AI нацелена на автоматизацию проверки технических претендентов на позиции в технических фирмах. ИИ Pomato выполняет более 200 000 вычислений на каждое резюме за считанные секунды, а затем разрабатывает собственное техническое интервью на основе полезных навыков.

С 2016 по 2017 год компания потребительских товаров Unilever использовала искусственный интеллект, чтобы отобразить всех сотрудников начального уровня. ИИ Unilever использовал игры, основанные на нейробиологии, записанные интервью и анализ лицевых / речевых сигналов, чтобы предсказать успех кандидата в компании. Unilever сотрудничала с Pymetrics и HireVue, чтобы создать новую систему анализа на основе ИИ и увеличить числа рассматриваемых кандидатов с 15 000 до 30 000 в течение одного года. Unilever также сократил время на обработку заявлений от 4 месяцев до 4 недель и сэкономил более 50 000 часов времени рекрутеров.

От скрининга резюме до неврологии, распознавания речи и анализа лица … ясно, что ИИ оказывают огромное влияние на сферу управления человеческими ресурсами. Последняя разработка в ИИ заключается в разработке чатов для рекрутинга. TextRecruit, выпустил Ari (автоматизированный интерфейс рекрутинга). Ari — это набор чатов для рекрутинга, который предназначен для проведения двухсторонних текстовых бесед с кандидатами. Ari автоматизирует публикацию вакансий, рекламных объявлений, скриннинг кандидатов, планирование собеседований и развитие отношений кандидатов с компании по мере продвижения по рекрутинговому процессу. Ari в настоящее время предлагается в рамках платформы участия в проекте TextRecruit.

Онлайн и телефонные службы поддержки клиентов

Искусственный интеллект реализуется в автоматизированных онлайн-помощниках, которые можно рассматривать как чат-боты на веб-страницах. Это может помочь предприятиям снизить затраты на наем и обучение сотрудников. Основной технологией для таких систем является естественная обработка языка. Pypestream использует автоматизированное обслуживание клиентов для своего мобильного приложения, предназначенного для упрощения связи с клиентами.

В настоящее время крупные компании инвестируют в ИИ для обработки проблемных клиентов в будущем. В самой последней версии Google анализирует человеческую речь и преобразует их в текст. Платформа может идентифицировать сердитых клиентов через особенности их речи и реагировать соответствующим образом.

Компании занимаются различными аспектами обслуживания клиентов, чтобы улучшить этот аспект компании.

Digital Genius, ИИ старт-ап, более эффективно исследует базу данных информации (из прошлых разговоров и часто задаваемых вопросов) и предоставляет подсказки агентам, чтобы помочь им более эффективно решать запросы.

IPSoft создает технологию с эмоциональным интеллектом для адаптации взаимодействия клиента. Ответ связан с тоном клиента, с тем чтобы он мог проявить сочувствие. Другим элементом, который разрабатывает IPSoft, является способность адаптироваться к различным тонам или языкам.

Inbenta ориентирована на развитие естественного языка. Другими словами, понимание смысл того, что кто-то спрашивает, а не просто анализ используемых слов, используя контекст и обработку на естественном языке. Один из элементов обслуживания клиентов Ibenta уже достигнут — это способность автоматически реагировать и отвечать на запросы электронной почты.

Техническое обслуживание телекоммуникаций

Многие телекоммуникационные компании используют эвристический поиск в управлении своими сотрудниками, например, BT Group развернула эвристический поиск в приложении для планирования, которое обеспечивает рабочие графики 20,000 инженеров.

Транспорт

Для автоматических коробок передач в автомобилях были разработаны контроллеры нечеткой логики. Например, в 2006 Audi TT, VW Touareg и VW Caravell используют DSP коробку передач, которая основана на нечеткой логике. Ряд моделей Škoda (Škoda Fabia) также в настоящее время включает контроллер на основе нечеткой логики.

Сегодняшние автомобили теперь имеют вспомогательные функции, основанные на ИИ, такие как самозаряда и расширенные средства круиз-контроля. ИИ используется для оптимизации приложений управления дорожным трафиком, что, в свою очередь, сокращает время ожидания, потребление энергии и вредные выбросы на целых 25 процентов.^[50] В будущем будут разработаны полностью автономные автомобили. Ожидается, что ИИ на транспорте обеспечит безопасную, эффективную и надежную транспортировку, минимизируя пагубное воздействие на окружающую среду и общество. Основной проблемой для развития этого ИИ является тот факт, что транспортные системы по своей сути являются сложными системами, включающими очень большое количество компонентов и разных сторон, каждый из которых имеет разные и часто противоречивые цели.^[51]

Иные области применения

Различные средства ИИ также широко используются в области обеспечения безопасности, распознавании речи и текста, интеллектуального анализа данных и фильтрации спама в электронной почте. Также разрабатываются приложения для распознавания жестов (понимание языка жестов машинами), индивидуальное распознавание голоса, глобальное распознавание голоса (от множества людей в шумной комнате), распознавание лица для интерпретации эмоций и невербальных сигналов. Другие приложения — это роботизированная навигация, преодоление препятствий и распознавание объектов.

Компьютерные технологии и кибернетика

В компьютерных науках проблемы искусственного интеллекта рассматриваются с позиций проектирования экспертных систем и баз знаний. Под базой знаний понимается совокупность данных и правил вывода, допускающих логический вывод и осмысленную обработку информации. В целом исследования проблем искусственного интеллекта в компьютерных науках направлены на создание, развитие и эксплуатацию интеллектуальных информационных систем, а вопросы подготовки пользователей и разработчиков таких систем решаются специалистами информационных технологий.

Психология и когнитология

Методология когнитивного моделирования предназначена для анализа и принятия решений в плохо определённых ситуациях. Была предложена Аксельродом. Основана на моделировании субъективных представлений экспертов о ситуации и включает: методологию структуризации ситуации: модель представления знаний эксперта в виде знакового орграфа (когнитивной карты) (F, W), где F — множество факторов ситуации, W — множество причинно-следственных отношений между факторами ситуации; методы анализа ситуации. В настоящее время методология когнитивного моделирования развивается в направлении совершенствования аппарата анализа и моделирования ситуации. Здесь предложены модели прогноза развития ситуации; методы решения обратных задач.

Вопросы создания ИИ

Среди исследователей ИИ до сих пор не существует какой-либо доминирующей точки зрения на критерии интеллектуальности, систематизацию решаемых целей и задач, нет даже строгого определения науки. Существуют разные точки зрения на вопрос, что считать интеллектом.

Наиболее горячие споры в философии искусственного интеллекта вызывает вопрос возможности мышления творения человеческих рук. Вопрос «Может ли машина мыслить?», который подтолкнул исследователей к созданию науки о моделировании человеческого разума, был поставлен Аланом Тьюрингом в 1950 году. Две основных точки зрения на этот вопрос носят названия гипотез сильного и слабого искусственного интеллекта.

Термин «сильный искусственный интеллект» ввёл Джон Сёрль, его же словами подход и характеризуется:

Более того, такая программа будет не просто моделью разума; она в буквальном смысле слова сама и будет разумом, в том же смысле, в котором человеческий разум — это разум.

При этом нужно понять, возможен ли «чистый искусственный» разум («метаразум»), понимающий и решающий реальные проблемы и, вместе с тем, лишённый эмоций, характерных для человека и необходимых для его индивидуального выживания.

Напротив, сторонники слабого ИИ предпочитают рассматривать программы лишь как инструмент, позволяющий решать те или иные задачи, которые не требуют полного спектра человеческих познавательных способностей.

Мысленный эксперимент «Китайская комната» Джона Сёрля — аргумент в пользу того, что прохождение теста Тьюринга не является критерием наличия у машины подлинного процесса мышления. Аналогичную позицию занимает и Роджер Пенроуз, который в своей книге «Новый ум короля» аргументирует невозможность получения процесса мышления на основе формальных систем.

 

Глава 5 Особенности кибернетического моделирования

Кибернетика – наука о самоуправляющихся машинах, в частности о машинах с электронным управлением. Основатель ее, американский ученый Норберт Винер, в 1948 показал, что человеческий мозг действует наподобие электронных вычислительных машин с двоичной системой исчисления. Можно определить кибернетику как науку, изучающую системы любой природы, способные воспринимать, хранить и перерабатывать информацию для целей управления. Понятия кибернетическое моделирование, искусственный интеллект, нейрокибернетика, о которых речь пойдет ниже, тесно связаны с математическим моделированием и не мыслимы без него. Кибернетика широко пользуется методом математического моделирования и стремится к получению конкретных результатов, позволяющих анализировать и синтезировать изучаемые системы.

Кибернетическое моделирование используется и как общее эвристическое средство, и как искусственный организм, и как система-заменитель. Использование кибернетической теории связи и управления для построения моделей в соответствующих областях основывается на максимальной общности ее законов и принципов: для объектов живой природы, социальных систем и технических систем.

Широкое использование кибернетического моделирования позволяет рассматривать этот «логико-методологический» феномен как неотъемлемый элемент «интеллектуального климата» современной науки». В этой связи говорят об особом «кибернетическом стиле мышления», о «кибернетизации» научного знания. С кибернетическим моделированием связываются возможные направления роста процессов теоретических исследований различных наук. Анализ биологических систем с помощью кибернетического моделирования обычно связывают с необходимостью объяснения некоторых механизмов их функционирования. В этом случае система кибернетических понятий и принципов оказывается источником гипотез относительно любых самоуправляемых систем, т.к. идеи связей и управления верны для этой области применения идей, новые классы факторов.

Характеризуя процесс кибернетического моделирования, обращают внимание на следующие обстоятельства. Модель, будучи аналогом исследуемого явления, никогда не может достигнуть степени сложности последнего. При построении модели прибегают к известным упрощениям, цель которых - стремление отобразить не весь объект, а с максимальной полнотой охарактеризовать некоторый его «срез». Задача заключается в том, чтобы путем введения ряда упрощающих допущений выделить важные для исследования свойства. Создавая кибернетические модели, выделяют информационно-управленческие свойства. Все иные сторон этого объекта остаются вне рассмотрения.

Анализируя процесс приложения кибернетического моделирования в различных областях знания, можно заметить расширение сферы применения кибернетических моделей: использование в науках о мозге, в социологии, в искусстве, в ряде технических наук. В частности, в современной измерительной технике нашли приложение информационные модели. Возникшая на их основе информационная теория измерения и измерительных устройств - это новый подраздел современной прикладной метрологии.

Модели мира

Благодаря кибернетике и созданию ЭВМ одним из основных способов познания, наравне с наблюдением и экспериментом, стал метод моделирования. Применяемые модели становятся все более масштабными: от моделей функционирования предприятия и экономической отрасли до комплексных моделей управления биогеоценозами, эколого-экономических моделей рационального природного использования в пределах целых регионов, до глобальных моделей.

В 1972 году на основе метода "системной динамики" Дж. Форрестера были построены первые так называемые "модели мира", нацеленные на выработку сценариев развития всего человечества в его взаимоотношениях с биосферой. Их недостатки заключались в чрезмерно высокой степени обобщения переменных, характеризующих процессы, протекающие в мире; отсутствии данных об особенностях и традициях различных культур и так далее. Однако это оказалось очень многообещающим направлением.

Постепенно указанные недостатки преодолевались в процессе создания последующих глобальных моделей, которые принимали все более конструктивный характер, ориентируясь на рассмотрение вопросов улучшения существующего эколого-экономического положения на планете.

М. Месаровичем и Э. Пестелем были построены глобальные модели на основе теории иерархических систем, а В. Леонтьевым - на основе разработанного им в экономике метода "затраты-выпуска". Дальнейший прогресс в глобальном моделировании ожидается на путях построения моделей, все более адекватных реальности, сочетающих в себе глобальные, региональные и локальные моменты.

Простираясь на изучение все более сложных систем, метод моделирования становится необходимым средством, как познания, так и преобразования действительности. В настоящее время можно говорить как об одной из основных, о преобразовательной функции моделирования, выполняя которую оно вносит прямой вклад в оптимизацию сложных систем. Преобразовательная функция моделирования способствует уточнению целей и средств реконструкции реальности. Свойственная моделированию трансляционная функция способствует синтезу знаний - задаче, имеющей первостепенное значение на современном этапе изучения мира.

Прогресс в области моделирования следует ожидать не на пути противопоставления одних типов моделей другим, а на основе их синтеза. Универсальный характер моделирования на ЭВМ дает возможность синтеза самых разнообразных знаний, а свойственный моделированию на ЭВМ функциональный подход служит целям управления сложными системами.

Кибернетика и сознание

Явления, которые отображаются в таких фундаментальных понятиях кибернетики, как информация и управление, имеют место в органической природе и общественной жизни. Таким образом, кибернетику можно определить как науку об управлении и связи с живой природой в обществе и технике.

Один из важнейших вопросов, вокруг которого идут философские дискуссии - это вопрос о том, что такое информация, какова ее природа? Для характеристики природы информационных процессов необходимо кратко рассмотреть естественную основу всякой информации, а таковой естественной основой информации является присущее материи объективное свойство отражения.

Положение о неразрывной связи информации и отражения стало одним из важнейших в изучении информации и информационных процессов и признается абсолютным большинством отечественных философов. Информация в живой природе в отличие от неживой играет активную роль, так как участвует в управлении всеми жизненными процессами.

Материалистическая теория отражения видит решение новых проблем науки и, в частности, такой кардинальной проблемы естествознания как переход от неорганической материи к органической, в использовании методологической основы диалектического материализма. Проблема заключается в том, что существует материя, способная ощущать, и материя, созданная из тех же атомов и в тоже время не обладающая этой способностью. Вопрос, таким образом поставлен вполне конкретно и, тем самым, толкает проблему к решению. Кибернетика вплотную занялась исследованием механизмов саморегуляции и самоуправления. Вместе с тем, оставаясь методически ограниченными, эти достижения оставили открытыми ряд проблем к рассмотрению которых привела внутренняя ломка кибернетики.

Сознание является не столько продуктом развития природы, сколько продуктом общественной жизни человека, общественного труда предыдущих поколений людей. Оно является существенной частью деятельности человека, посредством которой создается человеческая природа и не может быть принята вне этой природы.

Если в машинах и вообще в неорганической природе отражение есть пассивный, мертвый физико-химический, механический акт без обобщения и проникновения в сущность обобщаемого явления, то отражение в форме сознания есть, то мнению Ф.Энгельса "познание высокоорганизованной материей самой себя, проникновение в сущность, закон развития природы, предметов и явлений объективного мира".

В машине же отражение не осознанно, так как оно осуществляется без образования идеальных образов и понятий, а происходит в виде электрических импульсов, сигналов и т.п. Поскольку машина не мыслит, эта не есть та форма отражения, которая имеет место в процессе познания человеком окружающего мира. Закономерности процесса отражения в машине определяются, прежде всего, закономерностями отражения действительности в сознании человека, так как машину создает человек в целях более точного отражения действительности, и не машина сама по себе отражает действительность, а человек отражает ее с помощью машины. Поэтому отражение действительности машиной является составным элементом отражения действительности человеком. Появление кибернетических устройств приводит к возникновению не новой формы отражения, а нового звена, опосредующего отражение природы человеком.

Моделирование мыслительной деятельности человека

В понятие «искусственный интеллект» вкладывается различный смысл - от признания интеллекта у ЭВМ, решающих логические или даже любые вычислительные задачи, до отнесения к интеллектуальным лишь тех систем, которые решают весь комплекс задач, осуществляемых человеком, или еще более широкую их совокупность. Мы постараемся вычленить тот смысл понятия «искусственный интеллект», который в наибольшей степени соответствует реальным исследованиям в этой области.

Если задача не является мыслительной, то она решается на ЭВМ традиционными методами и, значит, не входит в круг задач искусственного интеллекта. Ее интеллектуальная часть выполнена человеком. На долю машины осталась часть работы, которая не требует участия мышления, т. е. «безмысленная», неинтеллектуальная.

Материалистическая теория отражения видит решение новых проблем науки и, в частности, такой кардинальной проблемы естествознания как переход от неорганической материи к органической, в использовании методологической основы диалектического материализма. Проблема заключается в том, что существует материя, способная ощущать, и материя, созданная из тех же атомов и в тоже время не обладающая этой способностью. Вопрос, таким образом, поставлен вполне конкретно и, тем самым, толкает проблему к решению. Кибернетика вплотную занялась исследованием механизмов саморегуляции и самоуправления. Вместе с тем, оставаясь методически ограниченными, эти достижения оставили открытыми ряд проблем, к рассмотрению которых привела внутренняя ломка кибернетики.

Сознание является не столько продуктом развития природы, сколько продуктом общественной жизни человека, общественного труда предыдущих поколений людей. Оно является существенной частью деятельности человека, посредством которой создается человеческая природа и не может быть принята вне этой природы.

Общность мышления со способностью отражения служит объективной основой моделирования процессов мышления. Мышление связано с созданием, передачей и преобразованием информации, а эти процессы могут происходить не только в мозгу, а и в других системах, например ЭВМ. Кибернетика, устанавливая родство между отражением, ощущением и даже мышлением, делает определенный шаг вперед в решении поставленной проблемы. Это родство между мышлением и другими свойствами материи вытекает из двух фундаментальных принципов материалистической диалектики принципа материального единства мира и принципа развития. Однако нельзя ни абсолютизировать, ни отрицать это родство. Мышление - человеческие качество и отличается от кибернетического.

Несмотря на качественное различие машины и мозга в их функциях есть общие закономерности (в области связи, управления и контроля), которые и изучает кибернетика. Но эта аналогия между деятельностью автоматической и нервной системы, даже в плане переработки информации, относительно условна и ее нельзя абсолютизировать. И в этой связи следует отметить, что для некоторых исследований по кибернетике, особенно тех, которые выполнены в начальный период ее развития, были характерны механистические и метафизические тенденции, хотя по внешнему виду они проявлялись, казалось, диаметрально противоположно. Имело место непринятие во внимание качественных различий между неживой материей и мыслящим мозгом, стиралась всякая грань между познающим субъектом и объектом материального мира. Коль скоро современные ЭВМ универсальны и способны выполнять целый ряд логических функций, то утверждалось, что нет никаких оснований не признавать эту деятельность интеллектуальной. Допускалось создание искусственного интеллекта или машины, которая будет "умнее" своего создателя¹. Были поставлены другие вопросы, связанные с возможностью такой машины. Сможет ли машина полностью, во всех отношениях заменить человека? Существуют ли вообще, какие ли пределы развития кибернетических устройств? Конечно, эти вопросы не утратили актуальность. Было бы преждевременно списывать их в архив нестрого поставленных вопросов, ибо через них проходит линия конфликта между различными философскими школами, материализмом и идеализмом, по поводу основного вопроса философии. Иначе говоря, речь идет об одном из аспектов современной исторической формы основного вопроса: о сущности человеческого сознания и его отношения к функционированию кибернетических устройств.

 

Искусственный интеллект

Использование ЭВМ в моделировании деятельности мозга позволяет отражать процессы в их динамике, но у этого метода в данном приложении есть свои сильные и слабые стороны. Наряду с общими чертами, присущими мозгу и моделирующему его работу устройству, такими, как:

• материальность
• закономерный характер всех процессов
• общность некоторых форм движения материи
• отражение
• принадлежность к классу самоорганизующихся динамических систем,

в которых заложены:

а) принцип обратной связи

б) структурно-функциональная аналогия

в) способность накапливать информацию¹⁴

есть существенные отличия, такие как:

1. Моделирующему устройству присущи лишь низшие формы движения - физическое, химическое, а мозгу, кроме того - социальное, биологическое;
2. Процесс отражения в мозге человека проявляется в субъективно-сознательном восприятии внешних воздействий. Мышление возникает в результате взаимодействия субъекта познания с объектом в условиях социальной среды;
3. В языке человека и машины. Язык человека носит понятийный характер.

Свойства предметов и явлений обобщаются с помощью языка. Моделирующее устройство имеет дело с электрическими импульсами, которые соотнесены человеком с буквами, числами. Таким образом, машина «говорит» не на понятийном языке, а на системе правил, которая по своему характеру является формальной, не имеющей предметного содержания.

Использование математических методов при анализе процессов отражательной деятельности мозга стало возможным благодаря некоторым допущениям, сформулированным Мак-Каллоком и Питтсом. В их основе - абстрагирование от свойств естественного нейрона, от характера обмена веществ и так далее - нейрон рассматривается с чисто функциональной стороны.

Согласно определению Мак-Каллока и Питтса формальный нейрон -это элемент, обладающий следующими свойствами:

• Он работает по принципу «все или ничего»;
• Он может находиться в одном из двух устойчивых состояний;
• Для возбуждения нейрона необходимо возбудить некоторое количество сигналов, не зависящих от предыдущего состояния нейрона;
• Имеет место задержка прохождения сигналов в синапсах в течение некоторого времени ;
• Имеются два вида входов: возбуждающие и тормозящие;
• Порог возбуждения предполагается неизменным;
• Возбуждение любого тормозящего синапса предотвращает возбуждение нейрона, независимо от числа возбужденных сигналов.

Искусственный нейрон, смоделированный Мак-Каллоком и Питтсом, имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации возбуждения нейрона. Схема представления искусственного нейрона приведена на рисунке .

 

 

 

 

 

 

 

 

 

Существующие модели, имитирующие деятельность мозга (Ферли, Кларка, Неймана, Комбертсона, Уолтера, Джоржа, Шеннона, Аттли, Берля и других) отвлечены от качественной специфики естественных нейронов. Однако с точки зрения изучения функциональной стороны деятельности мозга это оказывается несущественным.

Существует ряд подходов к изучению мозговой деятельности:

• теория автоматического регулирования (живые системы рассматриваются в качестве своеобразного идеального объекта)
• информационный (пришел на смену энергетическому подходу)

Его основные принципы:

а) выделение информационных связей внутри системы

б) выделение сигнала из шума

в) вероятностный характер

Успехи, полученные при изучении деятельности мозга в информационном аспекте на основе моделирования, по мнению Н.М. Амосова¹⁶, создали иллюзию, что проблема закономерностей функционирования мозга может быть решена лишь с помощью этого метода. Однако, по его же мнению, любая модель связана с упрощением, в частности:

• не все функции и специфические свойства учитываются
• отвлечение от социального, нейродинамического характера.

Таким образом, делается вывод о критическом отношении к данному методу (нельзя переоценивать его возможности, но вместе с тем, необходимо его широкое применение в данной области с учетом разумных ограничений).

Проблемы экспертных систем, искусственного интеллекта и нейросетей

Экспертными системами принято называть те или иные программные средства, выполняющие те или иные аналитические функции. В зависимости от уровня и способа решения задач они делятся на следующие группы¹⁷:

1. Экспертные системы, основанные на правилах. Основная их отличительная черта состоит в том, что решения, вырабатываемые данными системами, производятся на основе жестких правил – ранее установленных знаний в предметной области. Эти оценки и модели встроены в систему и правильность решений, вырабатываемых системой, находится в прямой зависимости от адекватности этих оценок или моделей.
2. Экспертные системы, основанные на принципах. Данные экспертные системы появились в результате стремления преодолеть недостатки экспертных систем, основанных на жестких моделях. Основным недостатком теоретических моделей является то, что во-первых входные данные в них должны быть определены посредством детерминирования количественных характеристик, с другой стороны в таких моделях все выводы делаются на основе жестких правил типа «если верно А, то верно Б». Адекватность таких моделей зависит от адекватности данного правила для данной предметной области. Можно сказать, что экспертные системы, основанные на правилах, базируются на формальной логике с законом исключения третьего. Нечеткая логика представляет собой область математики, применение которой позволяет сводить описание сложных предметных областей к набору основных принципов, способных управлять всей предметной областью в некоторых заданных рамках. Нечеткое правило, которое должно пониматься как принцип, а не закон.
3. Экспертные системы, основанные на примерах. Рассмотренные выше экспертные системы можно в целом охарактеризовать как дедуктивные, то есть частные выводы в них делаются на основе общих закономерностей, выраженных в виде четких или нечетких правил. Экспертные системы, основанные на примерах, характеризуются как индуктивные, то есть общие заключения делаются только на основе большого количества частных примерах. К таким системам можно отнести нейросетевые пакеты, о которых речь пойдет ниже. Заметим, что нейросеть предназначена главным образом для того, чтобы на основе анализа большого объема информации, представленной в виде набора частных случаев, выявить общие закономерности которые в свою очередь впоследствии применяются к новым аналогичным ситуациям.
4. Экспертные системы, основанные на имитационном моделировании. Данные экспертные системы позволяют при исследовании функционирования сложных систем составить модель на основе имеющихся данных и экспертных оценок и затем на основе свойств данной модели протестировать процесс функционирования данной системы, вводя в модель те или иные данные с целью получения оптимальных выходных характеристик.

Особое место среди экспертных систем занимают системы искусственного интеллекта. Проблема искусственного интеллекта занимает очень большое место в практике сознания и использования вычислительной техники. С ней связано много вопросов и чисто гносеологического характера. Академик Н.Н. Моисеев¹⁸ писал, что сам термин «искусственный интеллект» – не более чем лингвистический нонсенс, и правильно было бы говорить об имитационных системах, понятием которых прежде всего и связан рациональный смысл денного термина. В узком смысле под искусственным интеллектом понимаются технические средства и логика программирования, принципиально упрощающая все процедуры общения с ЭВМ. Моисеев считает, что ни сегодня, ни в обозримом будущем, нет и не будет никаких оснований говорить о возможности появления искусственных систем, которые представляли бы новую, более совершенную форму организации материи. Нет никаких оснований считать, что машина сама по себе превратится в свехрчеловека и «отменит» человечество в качестве пройденного, «устаревшего» уровня организации сознания и материи. Знаменитый Терминатор останется продуктом фантастики. Моисеев уверен, что вычислительная техника и средства искусственного интеллекта, как бы они не развивались в дальнейшем, все равно по прежнему будут оставаться плодом человеческого разума и рук и по прежнему будут служить целям человека.

Далее будем понимать термин «искусственный интеллект» только в узком смысле, связывая его с технологией обработки и использования информации.

Нейросетевые технологии – одна из разновидностей систем искусственного интеллекта. Понятия нейпронная сеть, нейроматематика, нейроимитатор все шире входят в нашу жизнь, становятся привычныс и эффективным инструментом для решения многих научно-технических задач. Основой нейронной сети (НС) являются искусственные нейроны, описанные в предыдущем пункте. Тем НС – совокупность нейронов, определенных образом соединенных друг с другом и внешней средой. Используя НС, можно реализовывать различные логические функции, связывающие между собой все входные и выходные переменные, определенные в логическом базисе {0,1}. Эти логические функции могут быть монотонными и немонотонными, линейно разделимыми и неразделимыми, то есть иметь достаточно сложный вид.

В основу искусственных нейронных сетей положены следующие черты живых нейронных сетей, позволяющие им хорошо справляться с нерегулярными задачами¹⁹:

• простой обрабатывающий элемент – нейрон;
• большое количество нейронов, участвующих в обработке информации;
• связь каждого нейрона с большим количеством других нейронов;
• изменяющиеся по весу связи между нейронами;
• массивная параллельность обработки информации.

Нейросетевые технологии хорошо зарекомендовали себя в решении всевозможных задач прогнозирования. Они способны решать задачи опираясь на неполную, искаженную, зашумленную и внутренне противоречивую информацию. И как сказал Роберт Хехт-Нильсен²⁰: «Не имеет значения, похожи ли на самом деле в работе нейронные сети на мозг. Значение имеет лишь то, что у данных теоретических моделей можно математически обосновать наличие способностей к переработке информации».

  Глава 5 Особенности кибернетического моделирования

 

Кибернетическое моделирование существенно расширяет границы исследования сложных объектов.  Кибернетическое моделирование отвлекается не только от физической природы оригинала, но и от структуры его внутренних связей. В этом случае моделируются лишь какие-либо внешние функции объекта, характеризующие его взаимодействие с окружающей средой.  

Кибернетическое моделирование принципиально отличается от физического и математического, в ходе которых воспроизводятся процессы внутри изучаемой системы - оригинала. Пример кибернетической модели, функции которой имеют лишь качественное сходство с функциями оригинала, - известная электронная мышь Шеннона. Будучи помещена в лабиринт, она хочет найти пищу, при этом движется ощупью, наталкивается на разные перегородки до тех пор, пока не найдет дорогу к кормушке. Воспроизводимая в ней функция - по сути дела, свойство находить путь к заданной точке при определенных соотношениях, продиктованных кибернетическим подобием. Разумеется, выводы о поведении настоящей, живой мыши могут здесь носить лишь качественный характер, однако они оказались весьма интересными для выявления важных биологических закономерностей.  

Теория нейронных сетей на основе кибернетического моделирования работы человеческого мозга пытается разработать самообучающиеся системы принятия решений.

В отличие от математического моделирования основные проблемы кибернетического моделирования являются более комплексными. Поскольку математическое моделирование можно рассматривать как часть кибернетического, то сложившиеся представления о математизации знания являются приемлемыми для характеристики более общей и высшей его ступени - кибернетизации.  При разработке математического обеспечения АСУ широко используются идеи кибернетического моделирования.  Но не менее важно принципиальное осмысление трудностей, возникающих на путях кибернетического моделирования определенных функций человеческого разума ( формально-логический вывод, построение алгоритмов доказательства теорем в формальных теориях, эвристически направляемый поиск, распознавание образов, автоматический анализ и синтез текстов, решение нечетко поставленных задач, роботостроение и пр. Трудности эти во многом связаны с колоссальной сложностью присущих человеку феноменов понимания, сознания и самосознания - феноменов, неотделимых от всей системы человеческих потребностей, в том числе и обусловленных социальной природой человека.

Кибернетика благотворно влияет на современное научное познание при применении ее методов ( кибернетическое моделирование, оптимизация и др.) и понятий ( обратная связь, управление и др.) к конкретным объектам различных наук, так как появляется возможность открытия новых связей и закономерностей, не обнаруживаемых традиционными методами исследований. Последнее полностью относится и к разведочному бурению, изучение которого до последнего времени сдерживалось отсутствием средств получения научной информации о процессе в производственных условиях.  Для интенсификации и увеличения эффективности производства необходимы автоматизация и внедрение оптимизирующих управляющих систем, использующих методы кибернетического моделирования и электронную вычислительную технику, Использование этих средств позволяет не только высвобождать дефицитную рабочую силу, но также стабилизировать весь производственный процесс и повысить его уровень за счет исключения из производства субъективных факторов и оптимизации технологического процесса в целом. Целью автоматизации подготовительного производства, кроме того, является устранение тяжелого ручного труда при развеске и загрузке ингредиентов.  

При проектировании АСУ широкое применение находят структурные и функциональные модели, причем одним из видов функционального моделирования является кибернетическое моделирование, при котором абстрагируются от вещественных субстратов ( материалов) и энергетических процессов в моделируемых объектах. В практике управления особую роль играют информационные модели. В зависимости от уровня организации объекта модели бывают сублокальными, локальными, суперлокальными, глобальными, суперглобальными. Методологически осмысленным эквивалентом ( уточнением, экспликатом) вопросов об определении сознания, интеллекта и о возможности мыслящих машин являются задачи кибернетического моделирования интеллектуальных процессов. Кибернетика - и создаваемые в русле ее концепций преобразователи информации и программы для ЭЦВМ - открывает все более широкие возможности выхода в глубокие области формализованного представления и модельного воспроизведения мыслительных процедур.  

Вычислительные машины являются важнейшим техническим средством при моделировании кибернетических систем. В основе такого кибернетического моделирования лежит функциональный подход кибернетики к изучаемым ею процессам управления. Так как кибернетика интересуется не внутренним устройством систем управления, а законами их функционирования, то можно на вычислительной машине создать модель кибернетической системы, подобную изучаемой в смысле подобия законов функционирования. Моделирование кибернетических систем на вычислительных машинах позволяет определить все основные свойства и параметры системы до ее реального создания.  Например, философско-математическим проблемам математического и кибернетического моделирования была посвящена Всесоюзная конференция Математизация знания ( см. кн.: Математизация знания.  

Уилфред Кенели Тейлор читает курс лекций по проектированию электромеханизмов и является Почетным членом секции исследования анатомии человека в университетском колледже в Лондоне. Его научные интересы касаются обучающихся машин, кибернетического моделирования функций мозга, автоматизации мыслительных процессов и методов распознавания зрительных и звуковых образов. В последнее время с развитием моделирования большое внимание уделяется изучению сложных систем, например энергетических. Среди новых, ориентированных на такие задачи методов моделирования наибольшее значение имеют обобщенное и кибернетическое моделирование, о которых будет сказано далее и которые, как это следует из кривой А ( рис. 6.1), получают все большие и большие практические приложения и большее математическое обоснование.  Неразработанность методов этого перевода, связанные с этим трудности биолого - и психолого-кибернетических исследований питают почву для умонастроений разного рода принципиальных запретов. Такие умонастроения характерны, например, для некоторых философов-нео-томистов, отрицающих вклад кибернетического моделирования психики и мышления в раскрытие тайн феномена сознания. Васмута и др. - по существу сводится к следующему ( А. Я. Ильин, В. Н. Свинцицкий, 1970; см. также: Б. В. Бирюков, А. Я. Ильин, В. Н. Свинцицкий, 1970, стр. Здесь уместно отметить, что с начала философеко-ки-иернетических работ в нашей стране ряд представителей современного объективного идеализма ( или родственных ему философских направлений) стали высказывать взгляд, что диалектико-материалистический подход в этой области родствен установкам христианской теологии. Оба учения одинаково провозглашают высокое превосходство человека, единственного носителя сознания и мышления - атрибутов, носящих материальный характер для одних, имеющих божественное происхождение - для других ( P. Наслен сделал вывод, что душа христианских идеалистов и сознание марксистских материалистов играют одинаковую роль.  Расстояние Кемени основано на некоторой системе аксиом. Эта система аксиом и вывод из нее формулы для расстояния Кемени между упорядочениями содержатся в книге Кибернетическое моделирование [34], которая сыграла большую роль в развитии в нашей стране такого научного направления, как анализ нечисловой информации.  

Разработку того или иного процесса с использованием математических моделей и вычислительных машин ( ЭЦВМ или АВМ) называют кибернетическим моделированием.  В диффузных системах при научных исследованиях приходится учитывать действие многих разнородных факторов, различных по своей природе, но имеющих между собой определенные связи и отношения. Для изучения плохо организованных систем исследования в настоящее время применяют методы многофакторного анализа и логических путей управления с использованием кибернетического моделирования.  [22]

Уже на основании рассмотренного может возникнуть вопрос, нужна ли такая или еще большая детализация режимов управления. Положительный ответ, по-видимому, является вполне естественным и объективно обусловленным, ибо только исчерпывающая полнота учета и оценки всех составных механизмов управления является основой для кибернетического моделирования сложных систем с памятью.  [23]

Математизация науки проявляется в увеличивающемся применении разнообразных математических методов, конкурирующих между собой до тех пор, пока не произойдет синтез разрозненных идей и методов в систему. Очевидно, наличие системы моделей характеризует уровень развития науки. Кибернетическое моделирование и ВТ в комплексе с традиционными для каждой науки методами исследований обеспечивают системное решение сложных проблем современного производства.  [24]

Если физические и отчасти математические модели строятся для выяснения количественных и качественных связей между парами-рами, определяющими явление, раскрывая его структуру и выясняя функции, то кибернетическая модель предусматривает моделирование функции функцией. Эта модель не вскрывает подобия физики либо структуры внутри модели. Кибернетическое моделирование раскрывает внешние функциональные зависимости систем от среды, не затрагивая внутренних причинных связей. При таком моделировании в основном исследуется характеристика поведения сложной динамической системы в определенной среде.  В последние годы делаются попытки применения кибернетического метода функциональных аналогий. Он опирается на факт наличия некоторых общих закономерностей, свойственных многим, даже самым различным процессам. Поэтому кибернетическое моделирование использует некоторую функциональную модель, имеющую сходство с изучаемой.  Таким образом, критерий оптимальности - это параметр, характеризующий эффективность достижения цели управления или исследования и выражаемый обычно в виде целевой функции от управляемых и неуправляемых параметров. Поскольку один и тот же критерий может выражаться различными функциями, критерий оптимизации и целевая функция соотносятся между собой как содержание и форма. Для кибернетического моделирования характерно единство функционального подхода к оптимизации моделей с целью определения наилучших управляющих воздействий. Кибернетические модели в виде целевых функций являются критериями оптимизации.  Представление элементов подсистем моделируемой системы может быть различным. Большое значение имеет тот факт, что одни части систем воздействуют на другие некоторыми своими функциями, проявляющимися на границах. Это и есть так называемое кибернетическое моделирование.  [28]

Таким образом, проблема математического моделирования ЭЭС в целом сводится к проблеме моделирования отдельных ее элементов, которая решается значительно проще. Для большинства функциональных элементов ЭЭС уже разработаны хорошо апробированные математические модели. Если получение математических моделей теоретическим путем затруднительно для отдельных элементов, то в этом случае можно использовать методы кибернетического моделирования.  Научно-философский подход к качеству систем выявляет их зависимость от структур. На использовании свойства одинаковости структур, или изоморфизма, базируется один из ведущих методов современной науки - метод кибернетического моделирования ( Две системы, рассматриваемые отвлеченно от природы составляющих ее элементов, являются изморфными друг другу, если каждому элементу первой системы соответствует лишь один элемент второй и каждой операции ( связи) в одной системе соответствует операция ( связь) в другой, и обратно. Такое взаимооднозначное соответствие называется изоморфизмом.  

Модели могут быть техническими, логическими, - математическими л кибернетическими. Математическая модель представляет собой выражение или формулу, включающую переменные и отношения между ними, воспроизводящие элементы и отношения в изучаемом явлении. Техническое моделирование предполагает создание прибора или устройства / га своему действию напоминающего предмет изучения. Кибернетическое моделирование основано на использовании в качестве элементов модели понятий из области информатики и кибернетики. Логическое моделирование основано на идеях и символик, применяемой в математической логике.  

При математическом моделировании подобие понимается в более широком плане как взаимно однозначное соответствие между объектами. При классификации и распознавании объектов подобие устанавливается с помощью различных метрик и функций распределения вероятностей. В аналоговом моделировании имеется функциональное подобие между некоторыми функциями. При кибернетическом моделировании, которое можно определить как математическое моделирование процесса управления, признаком подобия служат одинаковые функции на входах и выходах системы управления.  Кибернетическое моделирование существенно расширяет границы исследуемости сложных объектов. Из-за экономических соображений возникает граница применимости физического моделирования. Чисто математические трудности в описании поведения объекта образуют еще одну границу. Ограничения же в применимости кибернетического моделирования возникают пока в основном из-за неразвитости теории. Однако традиционные методы исследования ( физическое и математическое моделирование) в совокупности с кибернетическим моделированием позволяют создать достаточно высокое разнообразие выводов о поведении и структуре объектов. Легко понять, какой из названных видов моделирования будет определять дальнейший прогресс, если учесть, что традиционные методы исследования находятся в стадии завершения, в то время как кибернетическое моделирование лишь оформляется как самостоятельная область системных исследований.  Очеловечение природы совершает общество: человек - отдельный человек, личность - всегда принадлежит определенной социальной среде, определенному социуму; поэтому и говорят о человеке как об общественном человеке: ведь личность это не абстрактный индивид философских робинзонад прошлого. Действуя в мире и изменяя его посредством целеполагающей общественно-трудовой деятельности, человек, так сказать, вносит в него разумное начало. Из всего сказанного получится, что хотя мышление как свойство высокоорганизованной материи - мозга человека - реализуется материальными процессами высшей, нервной деятельности, сами эти процессы еще не задают его содержания. Последнее формируется отношением общественной личности ( субъекта) к внешнему миру и только через это отношение может быть раскрыто. В применении к проблеме философского осмысления кибернетического моделирования интеллектуальных процессов это, по-видимому, означает целесообразность различения двух главных типов такого моделирования.  Противопоставление правого и левого ( в частности, правой и левой руки) объединяет новейшие достижения физической и культурной антропологии, языкознания и других гуманитарных дисциплин. Вместе с тем благодаря изучению функциональной асимметрии мозга науки о человеке сближаются и с другими областями знания, где проблема симметрии и асимметрии становится все более значимой. Еще Пастер предположил, что все живое характеризуется особого рода асимметрией. Позднее ученые пришли к выводу, что биологическая эволюция описывается в терминах специфической асимметрии. Теория асимметрических языковых противопоставлений и подобных им бинарных противопоставлений, открытых этнологами в примитивных обществах и поддающихся математическому и кибернетическому моделированию, идет к постепенному сближению с гораздо более общей теорией, охватывающей и функциональную асимметрию мозга, и те соотношения, которые физика микромира выявляет при рассмотрении материи и антиматерии. Принцип сохранения симметрии Кюри может помочь объяснить возникновение асимметричных систем в асимметричном мире.  Кибернетическое моделирование существенно расширяет границы исследуемости сложных объектов. Из-за экономических соображений возникает граница применимости физического моделирования. Чисто математические трудности в описании поведения объекта образуют еще одну границу. Ограничения же в применимости кибернетического моделирования возникают пока в основном из-за неразвитости теории. Однако традиционные методы исследования ( физическое и математическое моделирование) в совокупности с кибернетическим моделированием позволяют создать достаточно высокое разнообразие выводов о поведении и структуре объектов. Легко понять, какой из названных видов моделирования будет определять дальнейший прогресс, если учесть, что традиционные методы исследования находятся в стадии завершения, в то время как кибернетическое моделирование лишь оформляется как самостоятельная область системных исследований.  Кибернетическое моделирование существенно расширяет границы исследуемости сложных объектов. Из-за экономических соображений возникает граница применимости физического моделирования. Чисто математические трудности в описании поведения объекта образуют еще одну границу. Ограничения же в применимости кибернетического моделирования возникают пока в основном из-за неразвитости теории. Однако традиционные методы исследования ( физическое и математическое моделирование) в совокупности с кибернетическим моделированием позволяют создать достаточно высокое разнообразие выводов о поведении и структуре объектов. Легко понять, какой из названных видов моделирования будет определять дальнейший прогресс, если учесть, что традиционные методы исследования находятся в стадии завершения, в то время как кибернетическое моделирование лишь оформляется как самостоятельная область системных исследований.  

Основы кибернетики заложил известный американский философ и математик профессор Массачусетского технологического института Норберт Винер (1894-1964) в работе «Кибернетика, или Управление и связь в животном и машине» (1948 г.)^.. Слово «кибернетика» происходит от греческого слова, означающего «кормчий». Большая заслуга Н. Винера в том, что он установил общность принципов управленческой деятельности для принципиально различных объектов природы и общества. Управление сводится к передаче, хранению и переработке информации, т.е. к различным сигналам, сообщениям, сведениям. Основная заслуга Н. Винера заключается в том, что он впервые понял принципиальное значение информации в процессах управления. Ныне, по мнению академика А. Н. Колмогорова, кибернетика изучает системы любой природы, способные воспринимать, хранить и перерабатывать информацию и использовать ее для управления и регулирования.

Существует известный разброс в определении кибернетики как науки, в выделении ее объекта и предмета. Согласно позиции академика А. И. Берга, кибернетика представляет собой науку об управлении сложными динамическими системами. Основу категориального аппарата кибернетики составляют такие понятия, как «модель», « система», «управление», « информация». Неоднозначность определений кибернетики связана с тем, что разные авторы делают акценты на ту или иную базовую категорию. Например, акцентирование на категории «информация» заставляет рассматривать кибернетику как науку об общих законах получения, хранения, передачи и преобразования информации в сложных управляемых системах, а предпочтение категории «управление» — как науку о моделировании управления различными системами.

Подобная неоднозначность вполне правомерна, ибо она обусловлена полифункциональностью кибернетической науки, выполнением ею многообразных ролей в познании и практике. При этом акцентирование интересов на той или иной функции заставляет видеть всю науку в свете этой функции. Такая гибкость кибернетической науки говорит о ее высоком познавательном потенциале.

Современная кибернетика представляет собой неоднородную науку (рис. 21). Она объединяет в себе совокупность наук, которые исследуют управление в системах

 

различной природы с формальных позиций.

 

                               

 

               Структура кибернетики

Как отмечалось, кибернетическое моделирование строится на формальном отображении систем и их составляющих с помощью понятий «вход» и «выход», которые характеризуют связи элемента со средой. При этом каждый элемент характеризуется некоторым количеством «входов» и «выходов»

 

                 Кибернетическое представление элемента

 

На рис. Х₁, Х₂,...Х_м схематично показаны: «входы» элемента, Y₁, Y₂, Yjj — «выходы» элемента, а с₁, с₂,...,с_к — его состояния. Потоки вещества, энергии, информации воздействуют на «входы» элемента, формируют на его состояния и обеспечивают функционирование на «выходах». Количественной мерой взаимодействия «входа» и «выхода» выступает интенсивность, которая представляет собой соответственно количество вещества, энергии, информации на единицу времени. Причем это взаимодействие непрерывное или дискретное. Теперь можно строить математические функции, которые описывают поведение элемента.

Кибернетика рассматривает систему как единство управляющих и управляемых элементов. Управляемые элементы называются управляемым объектом, а управляющие — управляющей системой. Структура управляющей системы строится по иерархическому принципу. Управляющая система и управляемая (объект) связаны между собой прямыми и обратными связями (рис. 23), а кроме того, каналами связи. Управляющая система по каналу прямой связи воздействует на управляемый объект, корректируя воздействия на него окружающей среды. Это приводит к изменению состояния объекта управления и он меняет свое воздействие на окружающую среду. Заметим, что обратная связь может быть внешней, как это показано на рис. 23, или внутренней, которая обеспечивает внутреннее функционирование системы, ее взаимодействие с внутренней средой.

 

Кибернетическая модель управления

Кибернетические системы представляют собой особый вид системы. Как отмечает Л. А. Петрушенко, кибернетическая система удовлетворяет, по крайней мере, трем требованиям: «1) она должна иметь определенный уровень организованности и особую структуру; 2) быть поэтому способной воспринимать, хранить, перерабатывать и использовать информацию, т. е. представлять собой информационную систему; 3) обладать управлением по принципу обратной связи. Кибернетическая система — это динамическая система, представляющая собой совокупность каналов и объектов связи и обладающая структурой, позволяющей ей извлекать (воспринимать) информацию из своего взаимодействия со средой или другой системой и использовать эту информацию для самоуправления по принципу обратной связи».

Определенный уровень организованности означает:

интеграцию в кибернетической системе управляемой и управляющей подсистем;

иерархичность управляющей подсистемы и принципиальную сложность управляемой подсистемы;

наличие отклонений управляемой системы от цели или от равновесия, что приводит к изменению ее энтропии. Это предопределяет необходимость выработки управленческого воздействия на нее со стороны управляющей системы.

Информация — основа кибернетической системы, которая ее воспринимает, перерабатывает и передает. Информация представляет собой сведения, знания наблюдателя о системе, отражение ее меры разнообразия. Она определяет связи между элементами системы, ее «вход» и «выход». Информационный характер кибернетической системы обусловлен:

необходимостью получения информации о воздействии среды на управляемую систему;

важностью информации о поведении системы;

потребностью информации о строении системы.

Различные аспекты природы информации изучали Н. Винер, К. Шеннон, У. Р. Эшби, Л. Бриллюэн, А. И. Берг, В. М. Глушков, Н. М. Амосов, А. Н. Колмогоров и др. Философский энциклопедический словарь дает следующее толкование термина «информация»: 1) сообщение, осведомление о положении дел, сведения о чем-либо, передаваемые людьми; 2) уменьшаемая, снимаемая неопределенность как результат получения сообщения; 3) сообщение, неразрывно связанное с управлением, сигнал в единстве синтаксических, семантических и прагматических характеристик; 4) передача, отражение разнообразия в любых объектах и процессах (неживой и живой природы).

К наиболее важным свойствам информации следует отнести:

адекватность, т.е. соответствие реальным процессам и объектам;

релевантность, т.е. соответствие тем задачам, для решения которых она предназначена;

правильность, т.е. соответствие способа выражения информации ее содержанию;

точность, т.е. отражение соответствующих явлений с минимальным искажением или минимальной ошибкой;

актуальность или своевременность, т.е. возможность ее использования тогда, когда нужда в ней особенно велика;

всеобщность, т.е. независимость от отдельных частных изменений;

степень подробности, т.е. детальность информации.

Любая кибернетическая система представляет собой элементы, которые связаны информационными потоками. В ней имеются информационные ресурсы, осуществляется прием, переработка и передача информации. Система существует в определенной информационной среде, подвержена информационным шумам. К наиболее важным ее проблемам следует отнести: недопущение искажения информации при передаче и приеме (проблема детской игры в «глухой телефон»); создание языка информации, который был бы понятен всем участникам управленческих отношений (проблема общения); эффективного поиска, получения и использования информации в управлении (проблема использования). Комплекс этих проблем приобретает известную неповторимость и разнообразие в зависимости от специфики систем управления. Так, в информационных системах органов государственной власти, как отмечают Н. Р. Нижник и О. А. Машков, возникает необходимость разрешения таких проблем: создания службы информационных ресурсов органов государственной власти и государственного управления; создания правовой основы ее функционирования; формирования инфраструктуры; создания системы информационного мониторинга; создания системы информационного сервиса.

Обратная связь представляет собой вид соединения элементов, когда связь между входом какого-либо элемента и выходом того же самого элемента осуществляется либо непосредственно, либо через другие элементы системы. Обратные связи бывают внутренние и внешние

Внутренние и внешние связи в системе

На рис.— элементы системы; 3 — внешняя обратная связь; 4 — внутренние обратные связи

Управление по принципу обратной связи представляет собой сложный процесс, который включает:

постоянный мониторинг функционирования системы;

сравнение текущего функционирования системы с целями системы;

выработку воздействия на систему для приведения ее в соответствие с целью;

внедрение воздействия в систему.

Обратные связи бывают положительными и отрицательными. При этом положительная обратная связь усиливает действие входного сигнала, имеет с ним одинаковый знак. Отрицательная же обратная связь ослабляет входной сигнал. Положительная обратная связь ухудшает устойчивость системы, поскольку выводит ее из равновесия, а отрицательная — способствует восстановлению равновесия в системе.

Немаловажную роль в кибернетическом моделировании играют представления о «черном», «сером» и «белом» ящиках. Под «черным ящиком» понимается кибернетическая система (объект, процесс, явление), относительно внутренней организации, структуры и поведения элементов которой наблюдатель (исследователь) не имеет никаких сведений, но есть возможность влиять на систему через ее входы и регистрировать ее реакции на выходе. Наблюдатель в процессе манипулирования входа и фиксации результатов на віходе составляет протокол испытаний, анализ которого позволяет осветлить «черный ящик», т.е. получить представление о его структуре и закономерностях преобразования сигнала «входа» в сигнал «выхода». Такой осветленный ящик получил название «серого ящика», который не дает, однако, полного представления о его содержании. Если наблюдатель полностью представляет содержание системы, ее строение и механизм преобразования сигнала, то она превращается в «белый ящик».

Кибернетический эксперимент

Кибернетический эксперимент состоит в том, что исходная система управления заменяется моделью, которая затем изучается. Принципиально моделирование состоит в создании системы управления, изоморфной или приближенно изоморфной данной, и в наблюдении за её функционированием

Для реализации кибернетического эксперимента часто используются имитационное моделирование или компьютерное моделирование. При этом основным принципом является принцип „черного ящика“. Кибернетический принцип "черного ящика" был предложен Н. Винером. В отличие от аналитического подхода, при котором моделируется внутренняя структура системы, в методе "черного ящика" моделируется внешнее функционирование системы. Таким образом, с точки зрения экспериментатора структура системы (модели) спрятана в черном ящике, который имитирует только поведенческие особенности системы.

Информационные модели

В кибернетическом эксперименте исследуют информационные модели, которые различаются по типу запросов к ним:

1. Моделирование отклика системы на внешнее воздействие
2. Прогноз динамики изменения системы
3. Оптимизация параметров системы по отношению к заданной функции ценности
4. Адаптивное управление системой

В самом простейшем случае, при моделировании отклика системы, примем что X - вектор, компоненты которого некоторые количественные свойства системы, а X' - вектор внешних воздействий. Тогда отклик системы может быть описан вектор-функцией F: Y = F(X,X'), где Y - вектор отклика. Задачей кибернетического эксперимента (моделирования) является идентификация системы F, состоящая в нахождении алгоритма или системы правил в общей форме Z=G(X,X'). То есть нахождение ассоциаций каждой пары векторов (X,X') с вектором Z таким образом, что Z и Y близки. При этом информационной моделью системы F называется отношение Z=G(X,X'), воспроизводящее в указанном смысле функционирование системы F.

Искусственная нейронная сеть как вид информационной модели

Искусственные нейронные сети являются одним из подходов представления информационных моделей. Нейронная сеть может быть формально определена, как совокупность процессорных элементов (нейроны), обладающих локальным функционированием, и объединенных связями (синапсы). Сеть принимает некоторый входной сигнал из внешнего мира, и пропускает его сквозь себя с преобразованиями в каждом процессорном элементе. Таким образом, в процессе прохождения сигнала по связям сети происходит его обработка, результатом которой является определенный выходной сигнал. Таким образом нейронная сеть выполняет функциональное соответствие между входом и выходом, и может служить информационной моделью G системы F.

 Математические модели распознавания образов.

 Общие сведения о теории распознавания образов

Предметы или явления, которые необходимо распознать, обладают общими свойствами и имеют ряд отличительных признаков. Те предметы, которые имеют общие свойства, называются классами. A {A1, A2,...Am}, где m - общее количество классов (набор классов).

Каждый класс может быть представлен некоторым количеством реализаций, образующих множество реализаций. Кроме того, каждый класс имеет ряд признаков.

Распознавание объектов (предметов) имеет два этапа: обучение и собственно распознавание. Существуют различные способы распознавания, критериями которых могут быть: расстояние от центральной точки (центра тяжести) множества данного образа, сумма расстояний до всех эталонов данного образа и т.д.

 

 

 

Модель распознавания объектов и процессов на основе формулы Байеса

Имеются независимые признаки, которыми могут обладать предметы, явления или процессы. Например, имеются четыре признака х1, х2, х3, х4 (температура, кашель, покраснение горла, вялость),  которые характеризуют три болезни  (простудное заболевание, грипп, ангина).

В результате обучения модели распознавания определяются условные вероятности  как отношение признаков, характеризующих данную болезнь  ко всем признакам.

Требуется распознать прототипы событий (болезней) по введенным признакам  с учетом формулы Байеса.

,

где  - априорные вероятности существования образов  , которые определяются в результате опыта работы врача по распознаванию болезней. Если опыта нет, то выбираются одинаковые вероятности для всех болезней. В общем случае модель распознавания на основе формулы Байеса включает две модели: модель признаков болезней  и модель метода распознавания, в которую входит формула Байеса и определение максимума по полученным результатам распознавания болезней  .

Исходные данные и результаты распознавания можно свести в таблицу.

Исходные данные

x(i)/Nk    1    2        N P[x(i)/R1] P[x(i)/R2]  P[x(i)/Rj]

1x1       +1  +1       +1  P(x1/R1)   P(x1/R2)   P(x1/Rj) 

2x2        -1  +1       -1  P(x2/R1)   P(x2/R2)   P(x2/Rj) 

3x3       +1  +1       +1  P(x3/R1)   P(x3/R2)   P(x3/Rj) 

4x4       -1   -1       -1   P(x4/R1)    P(x4/R2)   P(x4/Rj) 

 

           Rj1 Rj2      Rj          

 Модель распознавания образа с учетом матрицы потерь

Данные задаются экспериментальной матрицей вероятностей E, таблицей априорных вероятностей Р и матрицей потерь L.

Матрица потерь представляет собой таблицу цифр, показывающих все последствия данного решения распознающей системы:

 

         

                                                 d      

                                R 

                                           d1   d2   d3

 

                                R1      0     1     1 

 

                                R2      0     0     1

 

                                R3      1     0     0

 

где d - решаемая функция,

  - решение  ,

 - решение  ,

 - решение  . Экспериментальная матрица вероятностей

составляется из наблюдений за распознаванием данных образов человеком и выражается через условные априорные вероятности  для каждого признака .

 

                            x1           

  R 

               x = +1                  x = -1  

 

  R1          P(x/R1)=0,8    P(x/R1)=0,2

 

  R2          P(x/R2)=0,4    P(x/R2)=0,6

 

  R3          P(x/R3)=0,2    P(x/R3)=0,8

 

Требуется при наличии входных сигналов выбрать тот образ (вид неисправности в аппаратуре, выбор действий и т.д.), при котором величина потерь будет наименьшей,

           

где R - число образов,

q - количество значений выходного сигнала,

 - априорные вероятности,

   - решающая функция,

 -  условные вероятности событий.

 

Модель перцептрона

Перцептрон представляет собой модель зрительного и слухового восприятия человеческого мозга, предложенную Ф.Розенблаттом.

Эта модель образует определенный класс систем по распознаванию различных образов.

Особенностями перцептрона являются:

1. Структура перцептрона многорядна, причем каждый из А-элементов может решать задачи по распознаванию самостоятельно.

2. После каждого ряда А-элементов находится порог, позволяющий отсеять малоэффективные комбинации входных признаков.

3. Сложность комбинаций от ряда к ряду перцептрона возрастает.

Модель перцептрона можно представить в виде следующей структурной схемы:

 

где P - зрительные рецепторы (поле рецепторов, оптических датчиков);

A - пороговые логические блоки со случайными связями с рецепторами;

У - усилительные элементы;

R - пороговый элемент с настраиваемыми коэффициентами .

Математическую модель перцептрона можно описать уравнениями:

1. Уравнение первого слоя (выход элементов А):

          1 при  ;

y =                                                               (3.118)

         0 при ,  

где - некоторый порог;

      - входы элементов А от рецепторов;

        - весовые коэффициенты пороговых блоков А.

2. Уравнение 2-го слоя:

           1, если  ;

R =                                                               (3.119)

           0, если  ,

 где  - весовые коэффициенты;

        - сигналы с выхода 1-го слоя перцептрона.

Необходимо в процессе обучения подобрать коэффициенты , чтобы выходной сигнал перцептрона R соответствовал требуемому зрительному объекту, например, букве, рисунку.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Оглавление

 

Предисловие Основы  современной кибернетики ………..4

Глава 1. Введение в кибернетику…………………………..6

1.1 Связь информатики и кибернетики…………………….6

1.2 Назначение, структура современной кибернетики..…11

1.3. Кибернетика в научной картине мира.……………….22

1.4. Основные принципы и законы кибернетики………...24

Глава 2. История. Виды кибернетики. Кибернетика  - наука об управлении………………………………………………31

2.1 Кибернетические системы……………………………..31

2.2 Истоки кибернетики……………………………………49

2.3 Начало кибернетики в СССР………………………….66

2.4 Кибернетика биологическая (биокибернетика)………80

2.5 Кибернетика медицинская…………………………… 85

2.6 Кибернетика техническая……………………………..86

2.7 Кибернетика экономическая………………………….91

2.8 Основы автоматики и управления……………………95

2.9 Управление техническими системами……………….99

 2.10 Современные методы управления……..…………118

Глава 3 Особенности цифровых методологий в современной кибернетики………………………………140

3.1  Классификация цифровых образовательных ресурсов

3.2    Цифровые технологии……………………………….152

3.3 Аналоговые и цифровые сигналы…………………..159

3.4   Модуляция…………………………………………167

Глава 4.  Искусственный интеллект    ………………….186

Глава 5 Особенности кибернетического моделирования209