2.10. Системная неопределенность и реализация целевой функции

Сложную человеко-машинную систему и процессы, происходящие в ней, можно рассматривать (моделировать) как ГДС и описать ее состояние с помощью уравнения замкнутой ГДС, матричная форма записи которого в соответствии с выражением (1.7) имеет вид

где Y — матрица состояний системы; φ — матрица гиперпотенциалов, соответствующая данному состоянию системы.

В силу многозначности внутрисистемных взаимодействий, что особенно характерно для человеко-машинных систем, можно утверждать, что в (2.30) матрице состояний Y соответствуют гиперпотенциалы φ, которые, в свою очередь, определяют это состояние. Иначе говоря, односторонний математический детерминизм, ставящий Y и φ в прямую, однонаправленную причинно-следственную зависимость, уже недостаточен для понимания глубинной сути процессов, происходящих в системе (2.3(3): стандартный матанализ (нахождение решения уравнения) соответствует реальной практике сложных систем только для одной (во времени и пространстве) точки процесса системной реализации. Уравнение вида (2.36) —этой моментальная фотография, застывший срез непрерывного, динамического процесса, в котором, как правило, находятся реально действующие человеко-машинные системы.

Вместо однонаправленного детерминизма формальной логики в человеко-машинных системах действуют многозначные соотношения принципа диалектической взаимообусловленности, позволяющие рассматривать причину и следствие (в данном случае Y и φ) во взаимообусловливающей связи, когда причина и следствие (в зависимости от выбранного базиса, точки зрения) могут меняться местами в ходе исследуемого процесса.

Системный анализ взаимосвязи Y и φ позволяет прогнозировать поведение системы и предсказывать ее состояние не только в конкретный момент времени t_n, но и в ближайшей окрестности (Δt_n — временной радиус этой окрестности с центром в точке t_n).

Указанная прогностическая задача сводится к системному анализуна основе ГДС-методики поведения системы вида

где (Y + ΔY), (φ + Δφ) — сложные внутрисистемные компоненты исследуемой ГДС, полученные за счет введения приращений ΔY и Δφ, обусловленных взаимным влиянием изменяющихся во временном интервале Δt_n исходных Y и φ; R(S) — системорегулирующий ресурс, накладывающий ограничения на ход процессов системной реализации, происходящих за время Δt_n.

В какой-то мере прогноз будущего состояния системы, описанной уравнением (2.36), можно осуществить путем оценки возможных интервалов ее изменений, если Y и φ считать за исходные данные и, варьируя их в пределах ΔY и Δφ, определять степень обусловленности системы (2.36) по известным алгоритмам [19, 27]. Ограниченность такой оценки очевидна: в ней в принципе нет учета человеческого фактора (субъекта деятельности в системе деятельности), что зачастую является решающим моментом в процессах управления поведения (следовательно, и определением состояния) исследуемой ГДС; нет учета системы целей, что также существенно влияет на ход процессов системного развития (учет расхождения целей и его влияния на траекторию целевых процессов). Иначе говоря, формализованно-логический подход, основанный на методах чистой (классической) математики, эффективно работает только с условными математическими конструкциями, подчиняющимися исходным требованиям, в границах которых конструкции математика являются правомочными (для заданного класса объектов). В подавляющем большинстве случаев такие границы являются неприемлемыми для реально существующих объектов, процессов и явлений, что особенно хорошо видно в случае человеко-машинных систем. В этих системах человек — это объект, наиболее неподдающийся описанию средствами классической математики. Соединяться (в рамках исследования человеко-машинных систем) классическая математика и системный подход могут, давая максимально полезный эффект, по следующей схеме: анализ цели, формулировка задачи, построение модели, выбор и определение общей стратегии исследования — это функции и задачи системного подхода; математическое описание системной модели, реализация (на уровне числовых оценок) расчетов отдельных аспектов системного исследования в соответствии с заданной cтpaтeгией — функции классических математических методов.

Учет человеческого фактора (требования принципа гомоцентризма) и анализ целевых процессов особенно важны на практике, когда уравнениями типа (2.36) описывается поведение человеко-машинных систем, в которых человек играет роль оператора и является основным фактором, определяющим ход системного развития (постановка целей и контроль за их реализацией в человеко-машинных системах, как правило, остаются за человеком). Рассмотрим некоторые особенности ГДС-анализа таких систем на примере учета одного из системно-целевых аспектов — целевой системной неопределенности, которую следует понимать либо как полное отсутствие цели, либо как наличие большого числа равновероятных , но различных целей для ГДС в определенный момент времени. При этом в качестве ГДС может быть принята как человеко-машинная система, так и отдельный человек (оператор), рассматриваемый как объект системно-целевого анализа.

В пределах формально-логических возможностей уравнения (2.36) такую неопределенность можно сопоставить с наличием бесконечно большого числа решений основного уравнения ГДС, представленного выражением (2.36), если при этом используется полная матрица взаимодействий, что является необходимостью для реализации всестороннего описания исследуемой системы. Полная (вырожденная) матрица взаимодействий, как это следует из основных свойств ГДС, имеет определитель, равный нулю, что и приводит к появлению бесконечно большого числа решений в (2.36) [27].

Переходя от абстрактно-математического исследования ГДС к ее реальному прообразу (человеко-машинной системе), можно сказать, что наличие неопределенности приводит к нарушению синхронности, требуемой адекватности (по отношению к исходным данным) и детерминированности в поведении оператора. Такая неопределенность (особенно при ограничении временных и управляющих ресурсов) сильно затрудняет, а иногда делает невозможной, реализацию оптимальной целевой функции (принятия и осуществления правильного решения в условиях многозначной неопределенности). Наличие многозначной неопределенности равносильно отсутствию информационной однозначности в рассматриваемый (часто очень короткий) момент времени, что делает невозможной оценку ситуации, на основе которой человек планирует свою деятельность и принимает решение. В лучшем случае в такой ситуации человек, сохраняя самообладание, четко осознает свое бессилие и, по крайней мере, не делает необдуманных поступков, понимая их последствия. Например, в практике летных испытаний существует выработанное эмпирически правило, которое помогало иногда в экстремальных ситуациях: если не знаешь точно (понимай —однозначно!), что делать в случае нарушений процессов функционирования в самолетных системах, не делай ничего!

Из сопоставления с закономерностями целевых процессов, изложенных в данной главе, правомочность, заключенная в этом правиле, очевидна: человек, выключая себя из системных процессов, уменьшает расхождение целей, которое может возникнуть при его неверном поведении, а снятие неопределенности происходит за счет перехода управляемого процесса самореализации собственной цели системы, к которой ГДС (самолет), если в ней нет обширных структурных нарушений, обязательно придет, что и приводит к самоустранению функциональных нарушений.

Конечно, такое правило продиктовано беспомощностью человека в особо сложных условиях. Еще хуже, если вместо бездеятельности, человек (оператор) приступит к выполнению операций, продиктованных не четким пониманием обстановки, а возникшим в экстремальной ситуации паникой, растерянностью, неконтролируемым непредсказуемым собственным поведением. Состояние человека в такие моменты описано в [131.

Оптимальным поведением в такой ситуации можно считать снятие неопределенности, что, выражаясь системно-математизированным языком, можно реализовать такими способами:

1. выбором базисного элемента [12, 15];

2. применением регуляризационных методов [25];

3. стохастическим подходом [27];

4. изменением полноты замкнутости [15, 20],

5. алгоритмической перестройкой [30].

Перечисленные способы не единственные. Существует множество других как в математическом, так и в информационном вариантах методов устранения неопределенностей, показанных, например, в [25, 27].

Раскроем содержание перечисленных способов, излагая кратко их суть в соответствии с приведенной выше нумерацией (порядком следования) этих способов.

1. Выбор базисного элемента — это определение точки отсчета, относительно которой определяется конкретное значение гиперкомплексного потенциала. В матрице взаимодействии основного уравнения ГДС это равносильно вычеркиванию строки и столбца базового элемента ГДС. Такой выбор приводит к тому, что исходная система уравнений (2.36), описывающая поведение ГДС, становится жестко определенной, имеющей только одно решение, системой уравнений. Иллюстрируя это примером поведения оператора (простейший вариант — выражение (2.36) описывает собственно оператора), можно сказать, что наличие одного решения (вместо бесконечного числа решений) равносильно однозначному определению информации и снятию неопределенности в оценке ситуации, что уже позволяет принять однозначное решение.

2. Бесконечное число решений в (2.36) можно рассматривать как некорректно поставленную задачу, для решения которой удобно применять регуляризационные методы. Суть этих методов заключается в том, что на основании исходной, некорректно поставленной задачи составляется функционал, минимизация которого дает единственное решение, обладающее максимальной устойчивостью. Нахождение устойчивого решения хорошо согласуется с физической сущностью протекания различных процессов и со свойством ГДС стремиться к реализации собственной целевой функции, что равносильно нахождению ГДС в состоянии максимальной устойчивости. В любом, даже бесконечном, наборе решений только одно обладает максимальной устойчивостью. Единственность этого решения приводит к снятию многозначной неопределенности. Такой подход удобен, когда нет критериев по выбору базисного элемента и (или) нет возможностей на обоснование и реализацию этого выбора.

3. Стохастический подход представляет собой последовательный перебор в произвольном порядке всего имеющегося числа вариантов с последующим вероятным анализом этого перебора и прогнозированием хода деятельности на основе этого анализа. Такой подход может быть для оператора единственным выходом, например в условиях непредвиденной критической ситуации, для оценки которой (выбор базисного элемента) у оператора нет данных (информационная недостаточность) и нет критериальных возможностей по составлению и регуляризации минимизирующего функционала. В этом методе неопределенно велика степень риска, и метод хорош только тогда, когда любые действия оператора более желательны для реализации целевой функции, чем бездействие. Несмотря на серьезные недостатки этого метода (метод гарантирует рано или поздно проигрыш, гибель тому, кто положил его в основу своей стратегии), он пока еще имеет очень широкое применение на практике в различных отраслях человеческой деятельности. По мере роста сложности систем и существенных последствий для случаев непредвиденного системного поведения этот метод становится в принципе непригодным (не по своим формально-логическим возможностям, а с позиций общечеловеческой системы ценностей).

4. Изменение полноты замкнутости, как и реализация каждого из перечисленных методов, может происходить различными способами, например дополнением системы уравнений до уровня однозначной определенности. На практике, в нашем примере с оператором, это может быть реализовано путем внешнего (определяющего) воздействия на исследуемую ГДС. Такое воздействие диктует и тем самым определяет (случаи, приведенные на рис. 2.7) вследствие снятия неопределенности поведение оператора в конкретных условиях. Этот подход часто реализуется, например, в условиях космических полетов, когда, в силу неопределенности ситуаций, степень неоднозначности может быть очень велика и для ее снятия используются команды из наземного Центра управления полетами. Слабые места этого подхода очевидны: метод может быть реализован только на уровне неавтономных, осуществляемых в малой окрестности полетах, при наличии достаточно большого времени, необходимого для прохождения управляющих воздействий по всему регулирующему контуру системы управления.

5. Алгоритмическая перестройка представляет собой сознательное разрушение ГДС-модели данной структуры деятельности и замену ее другой моделью, уравнение которой имеет единственное решение. В нашем примере с оператором (оператор как ГДС-модель) это равносильно разрушению имеющегося стереотипа поведения и сознательному формированию новой установки в поведении, соответствующей конкретной обстановке. Возможность алгоритмической перестройки является неотъемлемым свойством сложных саморегулирующихся систем, моделировать которые удобно средствами ГДС-подхода. Реализация данного метода затруднена на практике, так как требует наличия у оператора нестандартного мышления и высокого уровня творческого потенциала. Целенаправленное развитие этих способностей должно быть обязательной частью программы подготовки операторов (летчиков, космонавтов, диспетчеров и т. д.).

Как видно из раскрытия содержания перечисленных методов, все они могут быть реализованы (представлены) в легко алгоритмизируемой форме, в виде последовательности математических операций. Возможность алгоритмизации позволяет применить для их реализации на практике ЭВМ, работающую как в режиме одного из рассмотренных методов, так и в оптимизационном режиме (по всему множеству методов), позволяющему выбрать, машинным способом оптимальную стратегию поведения.

Такая машинная программа, реализованная в диалоговом режиме (оператор—ЭВМ), в форме, удобной для непосредственного общения (например, дисплейного представления со звуковым сопровождением). может служить электронным советчиком для оператора в критических ситуациях. Здесь же можно предусмотреть ситуацию, когда, в случае разрыва диалога (смерть, потеря сознания, уход оператора с поста), ЭВМ брала бы па себя исполнительные функции по реализации принятого (рассчитанного по модели) решения.

Рассмотренный системно-математический аспект в принятии правильного решении в случае системной неопределенности (для снятия этой неопределенности) является необходимым, но недостаточным условием, определяющим поведением исследуемой системы (оператора) в конкретной ситуации. Даже само понятие оптимальности, так же как и реализация этого процесса на практике, существенным образом корректируются путем воздействия на процесс управления регулятивным потенциалом системы ценностей, которая заложена (содержатся) в самом операторе и зачастую может увести процесс далеко в сторону от его физико-технического оптимума.

Роль системы ценностей и ее место в деятельностно-целевых процессах освещены в параграфе 2.11.