Проблемы междисциплинарной интеграции знаний в моделировании сложных систем

Е.Э. Ширкова

     

Междисциплинарная интеграция знаний уже давно осознана как одна из основных проблем системной методологии не только в области ее главного назначения в межнаучном разделении труда, но и в сфере собственных теоретических оснований, а также в практических приложениях системного анализа для решения разнообразных исследовательских и управленческих задач.

Методологическая часть проблемы интеграции (организации, актуализации) знания в системном анализе получила достаточно разностороннее освещение в работах отечественных философов, группировавшихся вокруг ежегодника «Системные исследования». Данная статья, базируясь в основном на сформированной упомянутым ежегодником методологической платформе, посвящена преимущественно методическим и инструментальным сторонам интеграции естественнонаучного и гуманитарного знания в моделировании сложных систем. Под сложными, здесь понимаются такие системы, анализ и синтез которых возможны лишь в рамках междисциплинарного подхода. В развернутом виде такое понимание сложных систем приводится ниже.

Накопленные к настоящему времени знания о большинстве изучаемых (или управляемых) объектов представляют собой гигантские массивы узкопредметной информации, которые по своему объёму и разнообразию заведомо превышают информационные и организационные возможности индивидуального исследователя или лица, принимающего решения (ЛПР). Возникает необходимость привлечения для решения конкретных исследовательских или управленческих задач целого ряда специалистов в соответствующих областях знания. Возникают проблемы соответствующей декомпозиции рассматриваемого объекта и задачи, с последующим синтезом междисциплинарного решения последней. Наиболее эффективно эти проблемы решаются при помощи моделирования сложных систем. Почему?

Прежде всего, потому, что теория систем приложима к объектам самой разнообразной природы и, по мнению её основоположника - Л. Берталанфи (Bertalanffy, 1950), прямо предназначена для выявления структурного сходства законов или других форм знания, полученных в различных дисциплинах и установления на этой основе общих закономерностей функционирования разнородных систем.

Во-вторых, потому, что сформировавшаяся в ответ на требования широкой исследовательской и управленческой практики такая прикладная наука, как системный анализ и её важнейший инструмент - моделирование, уже прочно вошли в общенаучный методический арсенал и вместе с общей теорией систем играют главную объединяющую роль в междисциплинарных исследованиях.

В самом широком смысле, моделирование представляет собой некоторый всеобщий момент познания. «...Познать объект – значит смоделировать его», (Новик, 1975, с.37). То есть, всякое знание – это более или менее адекватная модель какой-то реальности. Более того, вероятно, именно модель (и в широком, и в самом узком  – «инструментальном» значениях), отражающая конкретное частнонаучное знание, может выступать основным структурным элементом некоторой междисциплинарной системы знаний, которая способна дать целостное представление о строении, законах функционирования и развития соответствующих объектов реального мира.

Модель представляет собой наиболее адекватную форму фиксации знаний для их междисциплинарного синтеза еще и потому, что в отличие от других форм обобщения знаний (понятий, суждений, теорий), она допускает неизбежные упрощения в отображении познаваемых объектов лишь в явно сформулированном и чётко обоснованном виде.

Именно более высокая строгость аппроксимации, которая в моделях обеспечивается формализацией и количественным подходом, обусловливает возрастание роли моделирования, как все более общего метода различных наук Поэтому нам не кажется чрезмерно сильным утверждение Н.М. Мамедова и И.Б.Новика, что «специфика современного этапа научного познания находит свое концентрированное выражение в тенденции универсализации метода моделей» (Мамедов, Новик, 1976, с. 239). Эта тенденция вместе с углублением приемов упрощения сложных систем будет способствовать выработке единого общенаучного языка, сближению различных научных дисциплин и междисциплинарному синтезу научных знаний.

Другой существенной особенностью модельной «технологии» познания является более чёткая дискретизация познаваемого объекта – выделение в объекте дискретных предметных «срезов», взятых «с точностью до некоторой меры аппроксимации» (там же, с. 242). Эта особенность позволяет трактовать само познание, как дискретный процесс перехода от одной предметной модели объекта к другой, с последующим синтезом этих моделей.

Развивая последний тезис, можно предположить (и в дальнейшем – показать), что системное объединение моделей различных предметных срезов изучаемого объекта позволяет не просто наиболее технологично объединить отображаемые этими моделями частнонаучные знания, но на основе их взаимодействия получить некоторое новое знание, как о моделируемом объекте в целом, так и о каждом представленном в системе моделей его предметном срезе в частности.

Особенно актуально моделирование для интеграции естественнонаучного и гуманитарного знания в сфере управления природнохозяйственными и человекомашинными системами, компоненты которых имеют совершенно различную (как следует уже из их названия) природу: естественную, социальную, техническую. Гуманитарные, технические и естественные науки существенно различаются спецификой изучаемых объектов, используемых методов и даже способов мышления. Например, важной особенностью гуманитарных исследований является уникальность их объектов, тогда как естественные и технические науки оперируют преимущественно «типовыми» объектами. Это различие обусловливает применение в гуманитарных и, включающих гуманитарный аспект, междисциплинарных исследованиях, индивидуализированных подходов и методов, тогда как для классических объектов естественных наук и инженерной практики возможно (и даже желательно) использование стандартных подходов и типовых методик.

Другой существенной чертой объектов гуманитарного знания является их активный («деятельностный») характер, в отличие от «пассивности» объектов естественнонаучных и инженерных исследований. Следствием этой особенности объектов гуманитарных и междисциплинарных исследований является необходимость совмещения системных и деятельностных представлений при их описании.

Наконец, используемые в междисциплинарных исследованиях объектов смешанной природы конкретные методы и инструменты не могут не учитывать некоторых важных особенностей гуманитарного и естественнонаучного мышления. Так, если для естественных и технических наук свойственен преимущественно монотеоретический (и монологический) способ мышления, когда целые классы исследуемых явлений объясняются на основе какой-то одной теоретической схемы (отсюда и типовые методики), то для гуманитарного мышления более характерна диалогичность и даже полемичность, когда для одного и того же изучаемого явления разрабатываются как равноправные, взаимодополняющие и даже конкурирующие концепции. То есть, для одной и той же уникальной сложной системы может строиться несколько возможных теоретических представлений.

Другой важный принцип гуманитарного мышления – историзм, направленный не только на объект исследования, но и на знания о нём. Этот принцип постепенно принимается на вооружение многими естественнонаучными дисциплинами и совершенно необходим в междисциплинарных исследованиях, где без анализа эволюции близких понятий в смежных дисциплинах невозможно избежать редукции их содержания на междисциплинарном уровне обобщения.

Справедливости ради следует заметить, что и предыдущие специфические черты гуманитарного знания: уникальность и деятельностный характер его объектов, а также диалогичность мышления, в последнее время все чаще осознаются естественными и техническими науками как приемлемые, и даже необходимые, в ситуациях, когда изучаемые ими системы выходят из равновесного состояния (-становятся диссипативными) (Пригожин, Стенгерс, 1986). Другим примером отступления от монотеоретического подхода в точных науках является известный принцип дополнительности. Поэтому различия между гуманитарным и естественнонаучным мышлением, разумеется, весьма относительны и обсуждаются здесь в целях более тонкой «настройки» инструментов междисциплинарных исследований.

Очерченные выше особенности гуманитарного и естественнонаучного познания предполагают необходимость при проведении междисциплинарных исследований рассматривать их общий объект в методологическом плане, как сложную систему, а в моделировании, как основном методическом инструменте исследования таких систем, отдать предпочтение имитационному направлению.

Употребляя словосочетание «сложная система» мы вкладываем в него совершенно определенный (кратко сформулированный выше) смысл, который будучи весьма существенным для постановки и решения нашей задачи, пока не является общепризнанным и поэтому нуждается в развернутом уточнении.

В некоторых работах (Эшби, 1959; Нечипоренко, 1977; Калашников, 1980, Пегов, Ростопшин, 1982) под сложными понимаются большие (и даже – очень большие) системы. Другие авторы связывают сложность системы с невозможностью её корректного математического описания (Шрейдер, Шаров, 1982), или антиинтуитивностью поведения (Форрестер, 1977). Третьи (Перегудов, Тарасенко, 1989), относят к сложным такие системы, для полного модельного описания которых недостает информационных ресурсов (знаний), в отличие от больших систем, моделирование которых затруднительно вследствие их большой  размерности – т.е. из-за недостатка материальных ресурсов (машинной «памяти», времени и т.п.). В некоторый работах (Флейшман, Брусиловский, Розенберг, 1982) под сложной системой понимается такая система, которая включает в себя в качестве хотя бы одной подсистемы «решающую систему». То есть, система, поведение которой связано с актом принятия решения.

Такое разнообразие подходов (примеры которого можно умножить) к содержанию понятия «сложная система» в некоторой степени можно объяснить довольно большим временным интервалом между упомянутыми работами, что для относительно «молодой» научной дисциплины, каковой является системный анализ, весьма ощутимо. Однако, более существенной причиной этого разнообразия, на наш взгляд, выступает сама специфика системного подхода, который в решении любых вопросов изначально ориентируется на задачу, а не на метод; на освещение тех сторон (граней, срезов, аспектов) рассматриваемых объектов и проблем, которые актуальны для решения определенного класса решаемых в данный момент задач.

С такой точки зрения для решения нашей задачи – задачи методического и инструментального обеспечения интеграции естественнонаучного и гуманитарного знания в моделировании сложных систем – наиболее полным представляется определение последних, данное Ю.И. Черняком. Приведем его полностью: «… сложная система – это система построенная для решения многоцелевой задачи; система, отражающая разные, несравнимые аспекты характеристики объекта; система, для описания которой необходимо использование нескольких языков; система, включающая взаимосвязанный комплекс разных моделей”» (Черняк, 1975, с. 32). Следует заметить, что данное определение не противоречит большинству приведенных ранее характеристик сложных систем. Более того, они его существенно дополняют, и эти дополнительные характеристики будут нами использоваться при раскрытии и решении поставленной задачи в дальнейшем.

Воспользуемся также и приведенной на следующей странице той же работы графической иллюстрацией процесса построения сложных систем (рис. 1), внеся в неё небольшое, но существенное для решения поставленной задачи изменение. Это изменение состоит в том, что все наблюдатели первого уровня (n1, n2, n3) – специалисты в своей предметной области, освещающей одну из обозначенных на рисунке граней (срезов, аспектов) объекта – рассматривают свои грани через плоскость единой многоцелевой задачи (P) и формируют при этом простые системы и их одноаспектные модели (p1, p2, p3), ориентированные на решение этой задачи в рамках своей предметной области и на языке последней.

Метанаблюдатель N (системный аналитик, ЛПР) совместно с каждым задействованным в решении задачи наблюдателем первого уровня формулирует все разработанные ими одноаспектные системы (модели) на каком-то общем для группы метаязыке. Обычно таким языком служит язык математики, логики или графов. Тем самым формируется состав сложной системы S и состав предметных блоков ее модельного комплекса (s1; s2; s3).

На данном этапе формирования сложной системы могут возникнуть следующие трудности:

·        некоторые грани объекта (и соответствующие знания, например, наблюдателя n₅) оказываются не актуальными для решения поставленной задачи P. Такие грани исключаются из рассмотрения в рамках данной сложной системы S (Любые системы строятся только для решения конкретных задач, проблем: «нет проблемы - нет системы»);

·             масштаб отражения некоторыми наблюдателями (например, позиция n₄) своих граней недостаточен для решения задач соответствующего уровня обобщения. Здесь метанаблюдатель должен попросить наблюдателя n₄ сменить позицию (на позицию n₃), либо сменить наблюдателя;

·             накопленные знания о каких-то гранях объекта недостаточно формализованы (а какая-то их часть, вообще неформализуема) для строгого математического описания. В этом случае в формировании сложной системы S придется использовать такой метаязык, который позволял бы использовать не только формализованные, но и неформализованные (и неформализуемые) знания.

Рис. 1. Построение сложной системы

Следующим этапом формирования сложной системы S является выявление её структуры – то есть, определение тех внутренних и внешних связей (отношений) её элементов, которые необходимы и достаточны для реализации целей (функций) этой системы.

Для наглядного представления этого этапа дополним взятый нами за основу рисунок отражением взаимосвязей (пунктирные и штрих-пунктирные линии) всех показанных на нем граней друг с другом и с внешней средой объекта – Е (двойная пунктирная окружность).

Рис. 2. Структурная схема сложной системы.

На рис. 2 обозначено лишь наличие элементов системы S и связей между этими элементами (внутренних связей системы), а также связей между ними и релевантной внешней средой. Состав и внутренняя структура каждого элемента в данном случае рассматриваются в виде «черного ящика», хотя они могут быть представлены и как «прозрачные ящики», т.е. – с отражением собственной элементной базы и её связей – (см. фрагмент элемента s₃ на рис. 2, где элемент s₄, отображает знания наблюдателя n₄). Здесь важно заметить, что при любой детализации внутреннего состава и структуры каждого из обозначенных на рис. 1 и 2 элементов системы S, все они в соответствии с принятым выше определением сложных систем могут рассматриваться только как простые (может быть и очень

большие) системы. Разумеется, сложные системы могут включать в себя в качестве подсистем и многократно «вложенные» друг в друга сложные системы следующих уровней предметной детализации рассматриваемого объекта. Однако для иллюстрации построения такой конструкции сложной системы необходимо было бы выделить на объекте исследования (рис. 1) в границах уже показанных граней (или на их стыках) дополнительные предметные срезы (аспекты), которые были бы существенными для решения задачи P, а так же обозначить соответствующих наблюдателей – специалистов в этих предметных областях. В этом случае все, или отдельные, элементы системы S, были бы представлены сложными системами второго (третьего и т.д.) порядка, которые на рисунке 1 можно было бы показать на второй, третьей и т.д. плоскостях, параллельных  плоскости S. Такие «многослойные» конструкции сложных систем являются обычными при моделировании реальных объектов в междисциплинарных исследованиях. Их построение демонстрируется во второй части статьи.

Таким образом, при построении (моделировании) простых и сложных систем обнаруживается два присущих этим типам систем способа интеграции знаний о моделируемом объекте: в рамках отдельных предметных областей. (– «по глубине»); и в границах междисциплинарных проблемных областей (– «по широте»).

Если в первом случае для решения задач системы необходимо целесообразно организовать знания из какой-то одной области науки или практики, то во втором случае возникают проблемы выявления, отбора и объединения фрагментов знания, принадлежащего к качественно различным научным дисциплинам или отраслям практической деятельности. То есть, по существу, речь идет об эклектическом (или синкретическом) (Мамедов, Новик, 1976) подходе, представляющем собой в его изначальном, конструктивном (а не «ругательном») смысле: «... Момент в развитии системы знаний, характеризующийся присутствием в ней элементов, которые не имеют единого теоретического основания и относятся к различным, иногда взаимоисключающим аспектам рассмотрения объекта» (Петров, 1970, с.543). Эклектический подход «...особенно часто встречается в периоды коренной перестройки теорий или мировоззренческих схем» (там же).

Будучи справедливой по отношению к развитию системы знаний, когда формируются новые научные парадигмы, теории, дисциплины, приведенная характеристика эклектического подхода не может быть несправедливой и по отношению к функционированию сложившейся системы знаний, когда ее разнородные элементы необходимо объединяются для решения конкретной задачи без организации новой научной дисциплины. Такой подход к решению проблем получил название междисциплинарного. Основным инструментом его реализации в системном анализе выступают сложные системы и их модели. Можно сказать, что модели сложных систем представляют собой одну из форм и основной инструмент интеграции разнообразных узкопредметных знаний в междисциплинарных исследованиях. В междисциплинарной проблемной ориентации сложных систем состоит ещё одно существенное отличие сложных систем от простых.

Возвращаясь к практике построения сложных систем необходимо заметить, что на этапе выявления их структуры могут возникнуть следующие проблемы:

·             часть связей объекта (например, связь объекта с внешней средой, наблюдаемая «предметником» n₅) находится вне «поля зрения» (вне компетенции) участвующих в построении сложной системы специалистов n₁, n₂ и n₃;

·             некоторые внутренние и внешние связи объекта в настоящий момент вообще не познаны наукой, или носят случайный характер (на рис. 1 это выражено отсутствием предметных «срезов» на значительной части объекта);

·             наконец, некоторая часть информации об уже известных и наблюдаемых в рамках решаемой задачи связях объекта (например, штрих-пунктирные связи – предметной области n₅) теряется при перекодировании знаний наблюдателей первого уровня в метаязык сложной системы, а какие-то узкопредметные знания при этом могут искажаться из-за редукции содержания близких по форме понятий в языках наблюдателей первого уровня.

Отмеченные проблемы многоаспектного модельного описания сложных систем во многом определяются проявлением тех характеристик, которые выше упоминались, как дополнительные к принятому «рабочему» определению таких систем. С позиции моделирования эти характеристики выражаются в принципиальной невозможности полного модельного описания сложных систем и, соответственно, – полной интеграции всех накопленных на первом уровне моделирования (и актуальных для решения общей задачи) узкопредметых знаний. То есть указанные проблемы в полном объеме принципиально неразрешимы. Принципиальной невозможностью полного модельного описания сложных систем мы в рамках задач настоящей статью и завершили бы дополнения их «рабочего» определения. В то же время, существует немало различных эвристических приемов для частичного преодоления этих трудностей в практическом моделировании таких систем. Например, признаны полезными:

·   некоторая избыточность описания состава и структуры сложной системы (– лучше включить в модель несущественные элементы и связи, чем не включить существенные);

·   исходя из предположения, что существуют пока неизвестные существенные для решения задач модели факторы, их можно отобразить в модели «запасными», легко актуализируемыми элементами, связями, или специальными модельными блоками;

·   предпочтение при перекодировании разнопредметных знаний об одних и тех же связях объекта максимально упрощенных форм их отображения (например, «сигнальной»: «Да» или «Нет»; «Ноль» или «Единица»). Перечисленные и другие эвристики частичного решения некоторых «проклятых» проблем моделирования сложных систем демонстрируются во второй части статьи.

Наконец, при междисциплинарном решении проблем нет и необходимости использования всего объёма знаний, отображаемого каждым предметным срезом рассматриваемого объекта. При модельной интеграции знаний осуществляется актуализация и взаимодействие только той их части, которая непосредственно используется в ходе решения междисциплинарной задачи. В некоторых концепциях искусственного интеллекта и экспертных систем (см., напр., Мамедов, Новик, 1976) взаимодействие разнопредметных массивов знаний осуществляется через так называемую «рабочую область», куда каждая из экспертных систем «помещает» свою информацию для использования другими экспертными системами.

При реализации экспертных систем в виде комплекса имитационных моделей в рабочую область (которую в контексте обсуждаемой задачи уместно назвать междисциплинарной) войдут только те переменные, которые связывают предметные модели при решении каких-то общих задач. Именно в этой области интегрируется новое междисциплинарное знание, как об объекте в целом, так и о каждом, представленном в системе моделей его предметном срезе.

Заключительным этапом моделирования сложных систем является отражение их динамики.

Полученное при моделировании состава и структуры сложной системы новое знание пока отражает лишь статику системы. Это знание ничего не говорит о том, как система функционирует, как влияет на окружающую среду, как и почему изменяет свое поведение (возможно – состав и структуру) при тех или иных изменениях релевантной среды. То есть, построенная нами система ничего не говорит о протекающих в объекте и вокруг него процессах.

Основными характеристиками разнообразных процессов, протекающих в объектах любой природы и в любых предметных срезах их рассмотрения являются время и причинность. Поскольку последняя также существует только во времени, постольку системы и модели, отражающие любые изменения отображаемого ими объекта во времени принято называть динамическими.

Различают два типа динамики систем: функционирование и развитие. При этом под первым типом динамики подразумеваются процессы, стабильно реализующие основную цель (функцию) системы, а под вторым – процессы изменения (как правило – необратимого усложнения) самой системы: её состава, структуры, целей или функций.

В реальных системах процессы функционирования и развития протекают взаимосвязано и одновременно. Общую динамику состояния системы часто называют её поведением. Последнее понятие получило особенно широкое распространение в биологических и социальных отраслях знания, где оно даже стало предметом ряда новых дисциплин – поведенческих наук.

Поведение ( – его анализ, прогнозирование и управление), как обобщающая характеристика динамики сложных систем, в конечном счете, является главной целью их моделирования. Однако, поскольку составляющие поведение процессы функционирования и развития подчиняются разным законам, имеют различную детерминированность и, особенно, потому что они протекают в различных по масштабу отрезках времени, отображение этих процессов полезно осуществлять хотя и взаимосвязано, но раздельно.

Для количественного отражения динамики систем использовавшихся выше наглядных средств уже недостаточно. Если и в дальнейшем пользоваться графами, как наиболее наглядным инструментом представления сложных систем, то из их арсенала необходимо отдать предпочтение ориентированным сетевым графам, расширив их возможности аппаратом автоматов. Кроме наглядности и относительной простоты, такой синтетический язык моделирования наиболее полно учитывает отмеченные выше (и некоторые другие) особенности объектов гуманитарного и естественнонаучного знания, а также вытекающие их этих особенностей требования к методическим акцентам и инструментам в моделировании сложных систем:

·   возможно более близкое к гомоморфному отображение структуры моделируемых систем;

·   совмещение в модельном описании как системных, так и деятельностных представлений объекта (– структурных и алгоритмических схем);

·   акцентирование на процессуально-поведенческих аспектах систем;

·   возможность  включения в формализованное модельное описание неформализованных знаний и процедур. Это, противоречивое, на первый взгляд, требование легко реализуется в имитационных моделях заменой машинной программы одного из автоматов экспертом или ЛПР.

Такие синтетические языки моделирования уже достаточно давно используются как в гуманитарных, например, экономических – (Форрестер, 1978), так и в естественно-научных, например, экологических – (Одум Г., Одум Э., 1978; Bossel, 1985) или биологических – Меншуткин, 1975) исследованиях. Однако их довольно узкая предметная специализация, свойственная периоду бурной дифференциации наук, не позволяла (да и не предполагала) широко использовать их как инструмент междисциплинарных исследований и междисциплинарной интеграции знаний. Только осознанная потребность в таком инструменте и значительный прогресс  в вычислительной технике обусловили в последние десятилетия быстрое развертывание разработки достаточно универсальных компьютерных языков (точнее – технологий) моделирования.

В настоящее время сложилось два основных направления этих разработок. Первое направление основывается на технологии вычислительного эксперимента в трактовке А.А.Самарского (1987), которая предполагает очень высокую математическую подготовку разработчиков моделей и жесткое разделение труда между ними и специалистами-предметниками, обеспечивающими модельные эксперименты необходимыми данными.

Второе направление, развиваемое на идеях «новой информационной технологии моделирования» Г.С.Поспелова (1988) ориентируется преимущественно на «непрограммирующего конечного пользователя» – предметника, и обеспечивает его равноправное с системным аналитиком (или и без него), сотрудничество со специалистами в других областях знания в совместной разработке необходимых для решения их общих проблем моделей.

Не умаляя важности в современном математическом моделировании первого направления его развития, которое соответствует дальнейшему углублению дифференциации наук и, в рамках рассматриваемой проблемы, обеспечивает интеграцию преимущественно фундаментальных естественнонаучных знаний, нельзя не отметить более высокую актуальность для междисциплинарной интеграции любых естественнонаучных и слабоформализованных гуманитарных знаний второго направления развития моделирования.

В русле последнего направления весьма удачным, на наш взгляд, является предложенный В.В. Иванищевым и развиваемый в Санкт-Петербургском институте информатики и автоматизации РАН идеографический язык имитационного алгоритмического моделирования – язык алгоритмических сетей (ЯАС) (Иванищев, Михайлов, Тубольцева, 1988).

ЯАС восходит к упоминавшимся выше работам Дж. Форрестера, Г. и Э. Одумов, а так же Г. Боссела, однако в нем удалось преодолеть свойственное этим исходным языкам отсутствие однозначного соответствия модельных конструкций и реализуемых ими математических соотношений. Ещё одним преимуществом языка является то, что он с самого начала разрабатывался, как входной для ЭВМ, что позволяет конечным пользователям (специалистам в различных областях знания) общаться с ЭВМ в терминах своей предметной области.

Алгоритмическая сеть представляет собой ориентированный сетевой граф без петель при вершинах, в котором дуги обозначают переменные модели, а вершины (операторы) – функциональные соотношения этих переменных на некотором интервале времени Dt.

Язык включает набор типовых идеограмм (операторов), образующих его алгоритмический базис. В этот набор входят три группы операторов: арифметические, логические и функциональные преобразователи, которые вместе с оператором задержки во времени – Dt и несколькими несложными правилами, образующими «грамматику» языка, позволяют построить любой конечный автомат с соответствующими вычислительными возможностями. Осуществляемая на основе данного языка алгоритмическая имитация реальных процессов сохраняет их логическую структуру и последовательность протекания во времени, а также отвечает всем перечисленным выше требованиям к языкам междисциплинарного общения, включая возможность встраивания в полностью формализованное описание моделей неформализованных знаний и процедур.

В различных версиях ЯАС используется от одного до трёх десятков элементарных операторов. В табл. 1 приводится та часть алгоритмического базиса, которая необходима для иллюстрации в рамках настоящей статьи¹.

¹Идеограммы оригинального базиса (Иванищев, Михайлов, Тубольцева, 1988) нами несколько упрощены и дополнены специальным обозначением (- стрелка с пунктирным «оперением») важных в рамках нашей темы интерфейсных (междисциплинарных) переменных, а также констант (- стрелка с овальным «оперением»), что облегчает чтение сетей.

Алгоритмический базис рассматриваемого языка является открытым, то есть, допускает дальнейшее расширение. В том числе путем создания блочных «макрооператоров» – предметно ориентированных стандартных субмоделей. Внутренняя структура таких модельных блоков отражается специфику их предметной области, а внешние (интерфейсные) переменные осуществляют информационный обмен с модельными блоками других предметных областей, а также с сетями высших уровней иерархии. Кроме удобства решения междисциплинарных  задач, обеспечиваемая данным языком блочная и многоуровневая структура моделей, повышает наглядность (обзорность) последних и в значительной мере снимает проблему их размерности – одну из основных проблем имитационного моделирования.

Проиллюстрируем использование изложенных выше идей и представленного аппарата моделирования для интеграции естественнонаучных и гуманитарных знаний на примере системы имитационных моделей реального природно-хозяйственного комплекса (ПХК). Система моделей разрабатывалась в Камчатском институте экологии и природопользования ДВО РАН при поддержке РФФИ и Администрации области.

Таблица 1. Алгоритмический потоковый базис ЯАС

Система непосредственно предназначена для инструментальной интеграции частнонаучных (естественноведческих, технологических, социально-экономических и экологических) прогнозов в комплексный эколого-экономический прогноз возможных последствий специфических для Камчатки катастрофических природных явлений или позитивных и негативных результатов реализации здесь каких-то крупных природопользовательских проектов.

Модели имитируют состав, структуру, функционирование и развитие целостного, экологически относительно обособленного ПХК бассейна реки Колпаковой на Западной Камчатке. Они включают важнейшие природные компоненты и ресурсы территории, основные, вспомогательные и обслуживающие производства по эксплуатации этих ресурсов, население и социальную инфраструктуру региона.

Традиционная экономическая специализация указанной территории – промышленное рыболовство. В последнее время здесь начаты работы по освоению запасов природного газа. Это, с одной стороны, может повысить конкурентоспособность рыбной отрасли хозяйства, а с другой стороны, – нанести значительный ущерб её сырьевой базе – воспроизводящимся в бассейне реки тихоокеанским лососям. При этом риск и объём ущерба в значительной мере связаны с возможными здесь природными катастрофическими явлениями, ущерб от которых может носить не только экологический, но и непосредственно экономический характер.

Очерченная (как и любые другие) проблемная ситуация имитируется в системе активизацией соответствующих цепочек прямых и обратных (в их числе – непосредственных и опосредованных) связей между моделями различных предметных срезов (аспектов) функционирования и развития ПХК. Интеграция отображаемых этими связями частнонаучных прогнозов представляет собой междисциплинарную интеграцию соответствующих узкопредметых знаний.

Проследим реализацию такого многоаспектного подхода в моделировании сложных систем на уже разработанных моделях газового подкомплекса (ГП) рассматриваемого ПХК.

Базовым аспектом моделирования, ввиду прагматической ориентированности имитационной системы, здесь принят технологический аспект. Общий состав и максимально агрегированная структура ГП, отражающие технологический аспект его функционирования и развития представлены на рис. 3. Однако, если отраженные на рисунке характеристики состава, структуры и результатов функционирования ГП вполне очевидны, то отражение его развития нуждается в пояснении.

Рис. 3. Состав и структура модельного блока «Добыча, подготовка и транспортировка газа» (Технологический аспект).

Развитие газовой отрасли отображается на данной структурной схеме и соответствующих алгоритмических сетях полным охватом не только действующих, но и всех других, включенных в проект предприятия элементов его состава, которые «актуализируются» (– начинают функционировать) по мере их ввода на различных этапах реализации проекта и всего жизненного цикла предприятия. Такие модели иногда называют «предельными». При этом, модели (со всеми их внешними связями) тех элементов, которые в конкретном, расчетном периоде ещё не введены в строй, или по разным причинам (например, вследствие аварий, катастроф) выведены из состава действующих, функционируют в системе «вхолостую» и не влияют на её поведение. В то же время, такие элементы могут по желанию лиц, эксплуатирующих систему, актуализироваться условно для выявления и экспериментальной проверки возможных реакций моделируемой системы на целенаправленное или случайное изменение её состава и структуры. То есть, – с целью получения новых знаний для эффективного управления поведением и устойчивостью этой системы. Структурные схемы и размещение алгоритмических сетей соответствующих элементов ПХК в других (экономических и экологических) аспектах моделирования рассматриваемого комплекса, насколько это, возможно, повторяют состав и размещение сетей в технологическом аспекте моделирования. Сохраняется также и принцип «предельного» отражения состава и структуры соответствующих моделей. При условном размещении всех одноаспектных алгоритмических сетей системы друг над другом, можно представить общую сеть имитационной системы, не плоской, а трёхмерной, в которой горизонтальные переменные отражают внутренние и межэлементные связи каждой предметной области, и вместе с соответствующими операторами осуществляют внутрипредметное агрегирование этой информации, а «вертикальные» переменные реализуют межаспектные связи и междисциплинарную интеграцию соответствующих знаний.

Такое «параллельное» представление предметных областей и решаемых в них задач может оказаться полезным для постановки и «параллельно-предметного» решения междисциплинарных задач на многопроцессорных компьютерах последних поколений, которые снимут «проклятие размерности» в имитационном моделировании сложных систем.

Поскольку из-за значительной размерности моделей в формате настоящего сборника невозможно представить полные алгоритмические сети какого-либо аспекта моделирования рассматриваемой системы, ниже приводятся фрагменты некоторых сетей, отражающие взаимосвязь технологического (рис. 4) и экономического (рис. 5) аспектов поведения трёх выделенных на рис. 3 структурных элементов системы: одного месторождения (Кшук-1) и двух технологических установок подготовки газа – (УПГ-1 И УПГ-2).

Проследим основные алгоритмы этих сетей и их межаспектные связи. В соответствии с реализуемыми алгоритмической сетью модельного блока «Кшук-1» (рис. 4) его внутренними (технологическими) и внешними (технологическими, экологическими и экономическими) причинноследственными связями, объём добычи газа – (переменная¹ Г12) на этом месторождении зависит от: текущго запаса сырья – (Г16); количества – (Г6) и производительности – (Г5) рабочих скважин; оплаченного спроса – (Г10), а также от ограничений, накладываемых дефицитом мощностей, персонала и оборотных средств в последующих (см. рис. 3) технологических звеньях комплекса – (278) непосредственно, а опосредованно – в моделях других аспектов системы – (295). Последний тип связей на рис. 4 и 5 демонстрируют межаспектные (междисциплинарные) переменные (210 и 211), которые рассчитываются в сетях экономического (воспроизводственного) аспекта функционирования комплекса (рис.5) и отражают факт ввода показанных на рис. 4 установок подготовки газа.

¹В дальнейшем при описании алгоритмов слово «переменная» может опускаться, а номера переменных заключаются в скобках.

Рис. 4. Фрагмент алгоритмической сети добычи, подготовки и транспортировки газа (технологический аспект).

Рис. 5. Фрагменты алгоритмической сети капитального строительства:

а - обустройство месторождения Кшук-1; б. Строительство и ввод УПГ-1. (Воспроизводственный аспект).

Ввод этих установок, в свою очередь, зависит, с одной стороны, от актуализации технологических потребностей в их мощностях – (204 и 205), что определяется текущим давлением газа – (Г15), а, с другой стороны, – экономическими возможностями предприятия, которые определяются в финансовом блоке системы, а реализуются в сетях капитального строительства (воспроизводственный аспект) на рис. 5, к которому мы и переходим.

Определяемая на рис. 4 разностью возможных – (18) и необходимых – (17) объёмов добычи газа, потребность блока добычи в дополнительных рабочих скважинах – (Г19), вместе с проектной стоимостью строительства одной скважины – (15Г) с учётом текущей инфляции – (10Г) и объёмов незавершенного строительства – (0Г) даст на «выходе» этой сети потребность блока добычи в капитальных вложениях – (11Г). При наличии у предприятия необходимых средств эта потребность может быть удовлетворена – (1Г), что в следующем временном периоде обеспечивает ввод дополнительных скважин – (Г18).

Аналогичным образом формируется потребность в капитальных вложениях для ввода УПГ-1. Однако формальная (проектная) потребность во вложениях – (68Г) здесь контролируется (актуализируется или не актуализируется) в каждом конкретном периоде реальной потребностью в мощностях этой установки межаспектной переменной – (201), которая рассчитывается в технологической сети системы. Определение периода, в котором капиталовложения должны быть осуществлены для своевременного ввода всех (кроме первой) установок подготовки газа, осуществляется в прогнозирующих блоках модели. На приведенных фрагментах эти блоки не отражены.

Важной выходной (также – межаспектной) переменной этой сети является «сигнальная» переменная – (210), которая при окончании строительства (или восстановления) установки меняет своё значение с «нуля» на «единицу» и актуализирует на рис. 4 технологический процесс подготовки газа. Здесь реализуется упоминавшаяся выше «сигнальная» форма обмена информацией между различными предметными срезами сложной системы. Через несложный логический механизм эта же переменная «включает» и «выключает» счетчик лет незавершенного строительства – (1Г5), а также счётчик «возраста» основных фондов – (1Г2) введёной в строй установки. Последние характеристики используются в сетях текущей экономики, которая представляет собой ещё один самостоятельный аспект моделирования рассматриваемой системы.

Завершая краткий обзор работы и взаимосвязей представленных на рис. 4 и 5 фрагментов и аспектов имитационной системы газового комплекса, заметим, что во всех моделях системы наряду с программируемым (автоматизированным) выбором решений, по наиболее важным из них предусмотрена возможность «ручной» корректировки экспертом или ЛПР, которые в соответствии с собственными неформализованными представлениями могут в широком диапазоне изменять ключевые (например, распределение капиталовложений или выбор источников и условий инвестирования) решения и получать новые результаты работы комплекса с учетом этих изменений. Тем самым, система осуществляет интеграцию не только формализованных, но и неформализованных или неформализуемых знаний.

Кроме того, используемые аппарат и программа автоматизации моделирования, позволяют при изменении решаемых задач, быстро изменять саму имитационную систему, вводя в неё новые элементы и, соответственно, новые аспекты анализа и синтеза междисциплинарных знаний.

Специфика современного этапа развития науки и управленческой практики требует всё более тесного сотрудничества специалистов разных областей знания в решении междисциплинарных задач. В ходе такого сотрудничества различные научные дисциплины будут неуклонно сближаться и моделирование сложных систем представляет собой важнейший инструмент этого сближения.

ЛИТЕРАТУРА

Иванищев В.В., Михайлов В.В., Тубольцева В.В. Инженерная экология: Вопросы моделирования. Л.: Наука, 1988. 145 с.

Калашников В.В. Сложные системы и методы их анализа. М.: Знание, 1980. 211 с.

Мамедов Н.М., Новик И.Б. Кибернетическое моделирование и проблемы оптимизации // Кибернетика и современное научное познание. М.: Наука, 1976. С.237–252.

Меншуткин В.В. Язык моделирования гидробиологических процессов // Гидробиол. журн. 1975. Т.11. №6. С.271– 276.

Нечипоренко В.И. Структурный анализ систем. М.: Советское радио, 1977. 286 с.

Новик И.Б. Вопросы стиля мышления в естествознании. М.: Политиздат, 1975. 144 с.

Одум Г., Одум Э. Энергетический базис человека и природы. М.: Прогресс, 1978. 379 с.

Пегов С.А., Ростопшин Ю.А. Моделирование биологических систем в исследованиях процессов экоразвития. М.: ВНИИ системных исследований, 1982. 72 с.

Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.: Высшая школа, 1989. 367 с.

Петров М.К. Эклектика // Философская энциклопедия. Т.5. М.: Советская энциклопедия, 1970. С.543.

Поспелов Г.С. Искусственный интеллект – основа новой информационной технологии. М.: Наука, 1988. 280 с.

Пригожин И., Стенгерс И. Порядок из хаоса. М.: Прогресс, 1986. 342 с.

Самарский А.А. Введение в численные методы. М.: Наука, 1987. 364 с.

Флейшман Б.С., Брусиловский П.М., Розенберг Г.С. О методах математического моделирования сложных систем // Системные исследования. методологические проблемы. Ежегодник, 1982. Выпуск 14. М.: Наука, 1982. С.65–79.

Форрестер Дж. Антиинтуитивное поведение сложных систем // Современные проблемы кибернетики. М.: Знание, 1977. С.9-25.

Форрестер Дж.. Мировая динамика. М.: Наука, 1978. 166 с.

Черняк Ю.И. Системный анализ в управлении экономикой. М.: Экономика, 1975. 191 с.

Шрейдер Ю.А., Шаров А.А. Системы и модели. М.: Радио и связь, 1982. 181 с.

Эшби У.Р. Введение в кибернетику. М.: ИЛ, 1959, 432 с.

Bertalanffy L. An Outline of General System Theory //  British I. For Phil. Of Sci. 1950. Vol.1. №2. P.131–165.

Bossel H. Umweltdynamik. Munhen.: Te-wi Verlag Gmbh, 1985. 466 p.