37. Алгоритмизация системного анализа.

Систем­ный анализ— это просто одна из современных прикладных наук. Глав­ное его отличие от других наук состоит том, чтосистемный анализ применим к системам любой природы.

Тот факт, что в арсенале системного анализа имеются как формаль­ные (в том числе и математические) процедуры, так и операции, кото­рые выполняются людьми неформально, и даже то, что в некоторых случаях анализ вообще не использует формализованные процедуры, тем не менее, не означает, что нельзя говорить об алгоритмах системного ана­лиза. Наоборот, требование системности (в первую очередь, целенаправ­ленной структурированности) применимо прежде всего к самому сис­темному анализу.

Бросаются в глаза общность в целом и различия в деталях приводимых алгоритмов. Было бы необоснованным утверждать, что какой-то из алгоритмов системного анализа "более правильный" или "более универсальный", чем другой, что реализация одного из них — это системный анализ, а реали­зация другого — нет. Положение становится ясным, если вспомнить, что алгоритм является прагматической (нормативной) моделью деятель­ности. Выбрав конкретную модель, мы должны следовать предписа­ниям именно данного алгоритма, но это не означает, что нельзя было воспользоваться другой моделью. Из целевой предназначенности моде­лей вытекает, что для какого-то случая конкретный алгоритм предпо­чтительнее другого; однако отсюда не следует, что не может существо­вать еще одна, лучшая реализация алгоритма или что в каком-то другом случае порядок предпочтения алгоритмов не окажется противоположным.Впрочем, и полной независимости алгоритмов также нет: одни из них могут являться расширением других, частично совпадать и т.д.

Основные средства исследования систем (этапы систем­ного анализа), из которых может состоять алгоритм системного анализа конкретной системы:

• Определение проблемы и проблематики;

• Определение конфигуратора;

• Выявление целей;

• Формирование критериев;

• Генерирование альтернатив;

• Формирование и использование моделей;

• Оптимизация;

• Выбор;

• Декомпозиция;

• Агрегирование;

• Исследование информационных потоков;

• Исследование ресурсных возможностей;

• Наблюдения и эксперименты над исследуемой системой;

• Реализация, внедрение результатов анализа.

Приведенный перечень является укрупненным, может иметь другую последовательность операций, каждую указанную операцию можно раз­делить на более мелкие операции. Это и позволяет составлять алгорит­мы системного анализа, имеющие различную степень подробности. Поэтому в системном анализе переплетаются особенности, присущие как науке, так и искусству.

38.Обработка экспериментальных данных. Возможность перевода измерений из одной шкалы в другую.

Обработка экспериментальных данных является отдельным промежуточным этапом между получением информации (измерениями) и ее использованием (принятием и выполнением решения). Измерения, представленные в форме протоколов наблюдений являются исходной информацией для обработки. Фактически, обработка данных – преобразование информации к виду, удобному для использования, перевод «ответов природы» с языка измерений на язык уточняемой модели. С этой точки зрения наши знания могут быть как первоначальными («грубыми»), так и хорошо структурированными (но требующими уточнений). Соответствующие два типа моделей разные авторы называют по-разному: дескриптивные и конструктивные; качественные и количественные; декларативные и процедуральные; классификационные и числовые. Далее будем использовать последние названия – классификационные и числовые модели.

Как уже отмечалось, характер и методы обработки данных зависят от модели, для исследования которой ставился эксперимент. Классификационные модели описывают множество различных объектов, и в качестве основных типов шкал используются слабые.

Примерами приемов, которые применяются для повышения качества выводов по результатам экспериментальных исследований, являются следующие:

1. Контроль условий эксперимента;

2. Внесение поправок в протоколы (использование перерасчетов);

3. Использование алгоритмов с минимумом предположений;

4. Использование алгоритмов с учетом отклонений (робастная статистика).

У исследователя могут быть причины, побуждающие его преобразовать протокол наблюдений, переведя их из одной шкалы в другую:

1. Если при этом данные переводятся в более слабую шкалу, то обычно исследователь отдает себе отчет в том, что в результате происходит некоторое ухудшение качества выводов;

2. Исследователи могут и усиливать шкалы. Типичный случай — "оцифровка" качественных шкал: классам в номинальной или порядковой шкале присваиваются номера, с которыми дальше "работают" как с числами, если в этой обработке не выходят за пределы допустимых преобразований, то "оцифровка" - это просто перекодировка в более удобную форму.

3. Некоторые из преобразований могут ненамеренно изменить уровень шкалы. Например, в акустике и радиотехнике часто отношение мощностей сигналов представляется в децибелах.

По мере развития соответствующей области знания тип шкалы может меняться.

Пример. Температура сначала измерялась по порядковой шкале (холоднее — теплее), затем - по интервальным шкалам (Цельсия, Фаренгейта, Реомюра), а после открытия абсолютного нуля температур - по абсолютной шкале (Кельвина).