СОВРЕМЕННЫЕ МЕТОДЫ ИССЛЕДОВАНИЯ И ПРОГНОЗИРОВАНИЯ РАЗВИТИЯ СЛОЖНЫХ ТЕХНИЧЕСКИХ СИСТЕМ

© В.В.Балашов, А.В.Смирнов
© Государственный музей истории космонавтики им. К.Э. Циолковского, г. Калуга
Секция "Проблемы ракетной и космической техники"
2010 г.

Сложность системы и, соответственно, её модели определяется, прежде всего, сложностью структуры системы, которая характеризуется большим количеством элементов системы и различными видами взаимо-действия между этими элементами. Вторым аспектом сложности является сложность процесса функционирования системы или отдельных её под-систем. Это может быть связано как с непредсказуемым характером пове-дения системы, так и с невозможностью формального представления пра-вил преобразования входных воздействий в выходные. Примерами слож-ных систем могут служить транспортные и энергетические системы, мик-роэкономика государства или отдельных отраслей и др.

Если все возможные проявления исследуемой системы сводятся к сумме проявлений её компонент, то такую систему следует отнести к «простым», несмотря на большое число составляющих её компонент. При анализе «простых» систем используется последовательное разделение сис-темы на компоненты и формируются модели достаточно простых элемен-тов. В частности при математическом моделировании модели элементов представлены в виде уравнений, а прогноз поведения системы основан на решении этих уравнений.

Традиционными способами моделирования сложных систем явля-ются построение математических моделей и имитационное моделирова-ние. Математические модели предполагают описание системы достаточно простыми соотношениями или системами уравнений. В математической модели «вход» и «выход» системы связаны определённым алгоритмом. Имитационное моделирование предполагает воспроизведение каких-либо процессов, протекающих во времени. Здесь важны моменты начала и окончания каждого из параллельно протекающих процессов. Имитацион-ное моделирование предполагает разделение сложной системы на более простые подсистемы и исследование их поведения во времени.

В целях прогнозирования развития сложной системы целесообразно использовать информационные модели. Подобные модели основаны на гипотезе о существовании статистической связи между «входом» и «выхо-дом» системы, т.е. отображением входной информации в выходную. Важ-ным преимуществом информационных моделей перед математическими моделями и экспертными системами является отсутствие ограничений на сложность исследуемой системы. В отличие от имитационных моделей в информационных моделях параметр «время» не является существенным и исключается из непосредственного рассмотрения. «Время» остаётся лишь в «опосредованном» виде, поскольку исходные данные – измеряемые па-раметры – соответствуют определённым моментам времени.

При разработке информационной модели определяющую роль игра-ет правильный выбор состава и качество содержания исходной информа-ции. Недостаточная информация не позволяет создать качественную ин-формационную модель. В то же время избыточная информация может привести к «зашумлению» исходных данных, что также может отразиться на качестве информационной модели.

Наиболее общей методологией построения и использования инфор-мационных моделей сложных систем является системное моделирование. Результатом системного моделирования является построение некоторой модели системы, которая описывает важнейшие (с точки зрения решаемой проблемы) свойства системы-оригинала. Общим свойством всех моделей является их подобие системе-оригиналу. Процесс построения и после-дующего использования моделей для получения информации о системе-оригинале является основным содержанием системного моделирования.

Теория нечётких множеств в настоящее время стала эффективным методом моделирования в условиях неопределённости. Разработанные в последние годы методы обучения позволяют настроить нечёткую систему для обеспечения требуемых уровней качества функционирования сложных систем. В частности, эти методы позволяют дать ответ на вопрос, как по-лучить нечёткие правила из экспериментальных данных. Систему нечётко-го логического вывода можно представить в виде нейронечёткой сети. Синтез нечётких правил осуществляется по результатам кластеризации. Основная идея кластеризации заключается в группировании данных в «сгустки полезной информации», дающих компактную модель исследуе-мого объекта.

При планировании деятельности в области пассажирской авиации – разработке стратегии развития отрасли и формировании государственных программ – необходимо иметь представление о потребном в будущем пар-ке пассажирских самолётов. Это представление должно базироваться на научно обоснованном прогнозе развития рынка пассажирских авиаперево-зок – как по общему объёму, так и по возможной структуре рынка.

Воздушный транспорт рассматривается как сложная техническая система, на развитие которой оказывает влияние множество политических, социально-экономических и технологических факторов. Рассмотрение авиатранспортной системы как сложной технической системы определяет выбор методов её исследования и прогнозирования развития.

Модель развития авиационного транспорта можно рассматривать в виде т.н. «чёрного ящика», на входе которого – достигнутый уровень авиационных технологий, а на выходе – реализуемый уровень техническо-го совершенства авиационной техники. Уровень технического совершен-ства самолёта рассматривается как совокупность его лётно-технических, экономических и экологических характеристик, а также показателей на-дёжности. Последовательность (по десятилетиям) приоритетов в оценке уровня технического совершенства можно представить следующим обра-зом: производительность, экономичность (в связи с нефтяными кризисами) и экологичность (в том числе и как средства конкурентной борьбы произ-водителей авиационной техники).

Сложность авиатранспортной системы в значительной степени оп-ределяется сложной топологией взаимодействия элементов авиатранс-портной сети. Сети со сложной топологией называют сложными сетями. При решении задачи прогнозирования развития топологии авиатранспорт-ной сети необходимо учитывать, что сети авиалиний относятся к социаль-но значимым сетям. В последние годы разработку моделей социально зна-чимых сетей всё больше связывают с достаточно новым классом сетей, используемых при моделировании эволюции сложных сетей, т.н. «без-масштабными сетями».

В целях прогнозирования развития сети магистральных авиалиний России рассмотрена задача формирования условий существования прямого авиасообщения между двумя городами (авиалиний). Неопределённость правил, на основании которых делается вывод о существовании или отсут-ствии авиалинии, определяет необходимость использования системы не-чёткого вывода, разработанной на основе нейросетевых технологий.

Практика решения ряда задач исследования и прогнозирования раз-вития авиатранспортной системы России как сложной технической систе-мы показала, что эти исследования должны базироваться на информаци-онной модели с использованием технологии нечёткого моделирования. Целесообразно привлекать результаты исследований законов развития сложных сетей, заимствованные из других областей знания.