Системно-когнитивный анализ в управлении АПК

Луценко, Евгений Вениаминович

Темы диссертаций по экономике » Математические и инструментальные методы экономики

Системно-когнитивный анализ в управлении АПК тема диссертации по экономике, полный текст автореферата

Автореферат

Ученая степень: доктора экономических наук
Автор: Луценко, Евгений Вениаминович
Место защиты: Краснодар
Год: 2003
Шифр ВАК РФ: 08.00.13

Системно-когнитивный анализ в управлении АПК - тема диссертации по экономике, скачайте бесплатно в экономической библиотеке

Диссертация

Автореферат диссертации по теме "Системно-когнитивный анализ в управлении АПК"

На правах рукописи

ЛУЦЕНКО Евгений Вениаминович

СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ В УЦРАВЛЕНИИ АПК

Специальность: 08.00.13 - Математические и инструментальные методы экономики

АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора экономических наук

Краснодар - 2003

Работа выполнена в Кубанском государственном аграрном университете

Научный консультант - доктор технических наук, профессор ЛОЙКО Валерий Иванович

Официальные оппоненты:

доктор экономических наук, профессор ЕМЕЛЬЯНОВ Александр Анатольевич

доктор экономических наук, профессор СЕМЕНОВ Михаил Игнатьевич

'доктор физико-математических наук, профессор ЛЕЖНЕВ Виктор Григорьевич

Ведущая организация - Всероссийский институт аграрных

проблем и информатики РАСХН, (г.Москва)

Защита состоится 27 июня 2003 г. в 9-00 в 209 аудитории главного учебного корпуса на заседании диссертационного совета Д220.038.02 в Кубанском государственном аграрном университете по адресу: 350044, г. Краснодар, ул. Калинина, 13.

С диссертацией можно ознакомиться в библиотеке Кубанского государственного аграрного университета.

Автореферат разослан " мая 2003 г.

Ученый секретарь диссертационного совета

Бондаренко П. С.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

На основе системного обобщения семантической теории информации предлагаются математический метод и реализующий его программный инструментарий - автоматизированный системно-когнитивный анализ (АСК-анализ), которые могут быть применены для решения ряда задач анализа, прогнозирования и управления экономическими, технологическими и социальными объектами АПК.

Актуальность работы. Агропромышленный комплекс (АПК) представляет собой реальный сектор экономики, во многом определяющий продовольственную безопасность и само существование страны (глобальная цель АПК). Государственная аграрная политика направлена на достижение глобальной цели АПК путем согласования и корректировки целей хозяйств, отраслей и регионов с использованием в основном экономических рычагов.

Наработанные за прошедшие десятилетия экономические схемы хозяйствования, технологии производства, заготовки, хранения и переработки сельскохозяйственной продукции, ориентированные на приоритеты плановой экономики, в настоящее время быстро теряют адекватность и настоятельно требуют пересмотра. Разработка новых подходов к управлению в АПК, основанных на непредвзятом учете и признании складывающихся макроэкономических реалий, критериях эффективности и качества рыночной экономики, требует срочных согласованных усилий ученых - аграриев и является одним из приоритетов экономической теории и практики.

Управление в АПК всегда представляло собой определенную проблему, имеющую комплексную, межотраслевую природу. Проблема состоит как в рациональном выборе целей производства для конкретных хозяйств, так и в оценке их достижимости и выборе путей достижения.

Экономической целью каждого хозяйства в АПК в рыночных условиях безусловно является получение максимальной прибыли. Достичь этой цели хозяйство может путем производства и реализации на рынке наиболее рентабельных видов продукции в необходимых объемах. Поэтому для достижения экономической цели хозяйству необходимо:

1. Поставить предварительную цель производству, как производство востребованных видов продукции, на основе прогнозирования спроса (коньюктуры рынка) на сельскохозяйственную продукцию в номенклатуре в натуральном и стоимостном выражении.

2. Выработать реальную цель производства путем корректировки предварительной цели с учетом ограничений: прогнозируемых возможностей производственного потенциала хозяйства (прогнозирования предложения) при различной рентабельности видов продукции.

Оценка производственного потенциала хозяйства должна осуществляться по каждому виду продукции в натуральном и стоимостном выражении по количественному и качественному критериям. Для этого необходимо: а) для каждого пункта выращивания- •(зонц^^^з'^^}, данжировать культуры по степени соответствия их генотипа |1ункта; б)

для каждой культуры ранжировать зоны и подзоны выращивания по степени соответствия их условий требованиям генотипа.

3. Выбрать пути достижения целей (выбор способа управления), т.е. реализовать поддержку принятия решений по рациональному выбору агротехнологий (агротехнологических факторов), обеспечивающих перевод объекта управления в заданное целевое состояние, соответствующее поставленной реальной цели производства.

В диссертационной работе сформулированные подпроблемы (рационального выбора целей производства, оценки их достижимости и выбора путей достижения) рассматриваются под углом зрения, принятом при проектировании информационных технологий и автоматизированных систем управления (АСУ). Решение этих подпроблем с помощью стандартных математических методов и инструментария математической экономики наталкивается на ряд сложностей, причина которых видится в специфике объектов АПК, как объектов управления, а именно - в их слабодетерминиро-ванности, многофакторности и активности, а также в малоисследованном характере реагирования объекта управления на управляющие факторы; комплексном многофакторном характере управляющих воздействий; очень большой длительности цикла управления (от одного года до 5-10 и более лет); неполноте (фрагментарности), неточности, зашумленности исходной информации; в сложности доступа к ней, в частности - в отсутствии электронных баз данных, которые могли бы стать основной для современных систем поддержки принятия управленческих решений. Рассмотрим подробнее некоторые специфические свойства объекта управления в АПК, являющиеся главными причинами названных подпроблем.

Слабодетерминированность и многофакторность взаимосвязаны: если факторов много - то среди них нет очень сильных и тем более ни один из них не является определяющим. Для адекватного описания объектов управления в АПК необходимо использовать тысячи факторов различной природы (многофакторность), но на практике это сделать очень сложно по причине отсутствия адекватной для этой цели математической модели и соответствующего программного инструментария. Поэтому, в одних исследованиях учитывается влияние климатических факторов на количественные и качественные результаты выращивания сельскохозяйственных культур (сельскохозяйственная метеорология), в других влияние технологий, в третьих влияние почв, предшественников (севооборот), структуры и организации машинно-тракторного парка, финансовых и материальных потоков (логистика) и т.д. Сами агротехнологии в свою очередь включают массу различных групп факторов: способы вспашки; количество, виды и способы внесения удобрений; нормы высева, полива, вид обрезки, способ формирования кроны, и т.д. Однако ни одна из этих групп факторов не является определяющей в получении хозяйственного результата (слабоде-терминированностъ). Дело усложняется тем, что исследования проводятся по узким направлениям (по группам факторов) различными разобщенными

группами ученых, на разных кафедрах, в различных научно-исследовательских институтах, не основываются на общей базе данных в электронной форме и системном подходе. Таким образом, ощущается острый дефицит междисциплинарных системных исследований объектов управления в АПК, охватывающих все эти группы факторов. Необходимость применения системного подхода в подобных исследованиях очевидна, однако это осложняется нелинейным системным взаимодействием факторов, огромными размерностями задач, отсутствием обеспечивающих эти размерности математических моделей и соответствующего программного инструментария, практической невозможностью проведения многофакторных экспериментов на реальных размерностях данных.

В результате неучета многофакторности объекта управления в АПК, например, решения о размещении садов и выборе сортов для выращивания принимаются по данным эмпирических испытаний в отдельных точках, чаще всего привязанных к крупным плодовым хозяйствам без возможности проводить испытания или прогнозирование результатов выращивания всего набора культур, без анализа и учета адаптивного и природно-ресурсного потенциала конкретного пункта выращивания. Подобный подход к принятию ответственных решений приводит к тому, что культуры выращиваются не там, где для этого есть природные условия, а там, где имеется необходимая инфраструктура (населенные пункты), в результате, например, ни один сортоучасток в Краснодарском крае не дает урожай абрикоса больше 4-х раз в 10 лет. Аналогично обстоит дело и с выбором культур для выращивания на полях, а также с выбором агротехнологий для их выращивания.

Сложность математического моделирования многофакторных слабо-детерминированных объектов состоит в выборе вида модели, способной обрабатывать тысячи и десятки тысяч факторов при неполных (фрагменти-рованных), неточных и зашумленных исходных данных, не подчиняющихся нормальному распределению.

Под активными объектами (системами) в работе понимаются объекты, ставящие собственные цели (вообще говоря отличающиеся от целей внешнего управления) и добивающиеся их, имеющие модели себя (а значит рефлексивные) и окружающей среды. Это прежде всего люди и системы с их участием: коллективы, организации, сегменты рынка, отрасли, а также биологические и экологические системы.

Активные объекты развиваются путем чередования этапов принятия и реализации решений, т.е. бифуркационных и детерминистских состояний. На бифуркационных этапах определяются закономерности, задающие поведение системы на детерминистских этапах, это означит, что в точках бифуркации система изменяется качественно (революционно), а на детерминистских этапах - лишь количественно (эволюционно). Например, в цикле управления выращиванием сельхозкультур, имеющем годичную продолжительность, перед посадкой принимается решение по выбору культуры и агротехнологий, а затем до уборки реализуется это решение. На различных

фенологических фазах развития растение должно рассматриваться как качественно различные объекты управления, т.к. одни и те же факторы оказывают на растение совершенно различное влияние в зависимости от его фазы развития. Управление активными объектами осуществляется путем управления их системой целеполагания, мотивации и оценки (мета-управление).

Сложность управления активными объектами состоит в том, что модель периодически теряет адекватность после качественного изменения объекта управления (после его перехода через точку бифуркации).

Итак, проблема, решаемая в работе, состоит в управлении слабо-дерминированными и многофакторными активными объектами АПК, как на детерминистских, так и бифуркационных этапах их развития. Путем декомпозиция данная проблема сводится к трем подпроблемам, составляющим проблематику работы: 1) прогнозирование спроса на сельхозпродукцию; 2) прогнозирование предложения, т.е. оценка производственного потенциала; 3) выбор управления, в частности эффективной агротехнологии.

Идея решения этой проблемы состоит в том, чтобы осуществлять периодический синтез модели объекта управления непосредственно в цикле управления. Для этого необходимо включить процесс познания объекта управления непосредственно в цикл управления. Чтобы это было возможно в режиме реального времени процесс познания безусловно должен быть автоматизирован. Он должен быть полным и всесторонним, т.к. неучет в модели существенных факторов приводит к ее неадекватности, а значит к нецелевым, неожиданным и нежелательным результатам управления. Изучением влияния различных групп факторов среды и технологии на количество и качество продукции занимаются различные научные направления. Необходимо объединить эти исследования в рамках одной математической модели. Эти требования совпадают с требованиями системного анализа.

Следовательно, основная идея решения поставленной проблемы состоит в автоматизации системного анализа, как метода познания и включения его непосредственно в цикл управления в качестве периодически выполняемого этапа, что обеспечит периодический синтез модели многофакторного слабодетерминированного объекта управления и сохранение ее адекватности после качественных изменений объекта управления.

Необходимо отметить, что идея автоматизации системного анализа (СА) впервые была предложена В.П.Стабиным в 1984 году. В настоящее время в специальной литературе представлен подход к автоматизации системного анализа путем его максимальной детализации. Однако, как это ни парадоксально, само продвижение в этом направлении велось не системно и пока не привело к созданию единой математической модели, численного метода и инструментария системного анализа. В работе предлагается рассматривать системный анализ, как метод познания, что позволяет создать благоприятные предпосылки для его автоматизации путем интеграции с когнитивными технологиями. Системный анализ, структурированный по

познавательным (когнитивным: "cognition" - "познание", англ.), операциям предлагается называть системно-когнитивным анализом (СК-анализ).

Объектом исследования является управление объектами в АПК.

Предметом - управление многофакторными слабодетерминирован-ными активными объектами в АПК на основе автоматизированного системно-когнитивного анализа.

Работа выполнена в рамках темы Министерства сельского хозяйства РФ №18 "Разработать предложения по основным направлениям повышения эффективности регионального АПК", номер государственной регистрации 01200113474, раздел 18.14: "Совершенствование информационного обеспечения управления АПК Краснодарского края с использованием современных информационных технологий", а также при выполнении грантов: "ИННО-РФФИ" № 02-04-08080 "Модифицирование и коммерциализация методов компьютерной оценки ресурсного потенциала территорий и адаптивности генотипов для оптимизации размещения и зональных технологий с.х.культур"; "Инициативный научный проект" № 02-05-64234 "Разработка теории многокритериальной оценки ландшафтных и метеорологических характеристик Юга России для увеличения продуктивности плодовых культур на основе создания системы банков данных и компьютерного моделирования"; "РФФИ - Юг России (а)" № 030496069.Р2003-ЮГа "Создание системы мониторинга, прогнозирования, анализа и поддержки управленческих решений по продуктивности плодовых культур на основе электронных баз данных"; "РФФИ - Юг России (в)" № 030796001.Р2003-ЮГв "Разработка новой методологии районирования сортов сельскохозяйственных культур на основе системного подхода при анализе и математическом прогнозе их жизнеобеспечения и продуктивности". Тема исследования соответствует Постановлению Правительства РФ от 28.05.96 "О приоритетных направлениях развития науки и техники и критических технологиях", в части приоритетных направлений "Информационные технологии и электроника" и "Производственные технологии: компьютерное моделирование; искусственный интеллект; распознавание образов; информационная поддержка технологии"; "Технологии живых систем".

Цель и задачи исследования. Целью работы является разработка I методологии, математической модели и численного метода, соответствую-

щего специального программного инструментария автоматизированного СК-анализа (АСК-анализ), технологии и методики его применения для > управления активными объектами АПК.

БКОСА и визуализации когнитивной графики); разработка детального алгоритма СК-анализа; 5) создание специального программного обеспечения, реализующего предложенную математическую модель и численный метод АСК-анализа, т.е. создание инструментария СК-анализа; 6) разработка методики синтеза рефлексивных АСУ активными объектами; 7) синтез и эксплуатация компонент рефлексивных АСУ активными объектами на основе технологии и инструментария СК-анализа в управлении АПК, экономике и других предметных областях.

Методы исследований. Научные исследования основывались на теоретических и экспериментальных методах, а также информационной базе исходных данных. Теоретические методы: системный анализ, когнитивный анализ, теория информации, теория принятия решений, теория распознавания образов, теория активных систем, теория рефлексивного управления, теория автоматизированных систем управления, математическая статистика, линейная алгебра, когнитивная психология, логика, гносеология. Экспериментальные методы: численный эксперимент, измерения внутренней и внешней, дифференциальной и интегральной валидности предложенных моделей. Информационную базу исследований составили: архивы Кубанского государственного аграрного университета, содержащие данные о применяемых агротехнологиях в увязке с полученными количественными и качественными результатами выращивания сельхозкультур (217 примеров выращивания, около 20 тыс. фактов) (Н.Г.Малюга, О.А.Засухина); данные по фенологии плодовых культур Северо-Кавказского зонального научно-исследовательского института садоводства и виноградарства по десяткам культур (30-летний лонгитюд) (И.А.Драгавцева); данные по почвам Почвенного института им.В.В.Докучаева (И.Ю.Савин); посуточные базы метеорологических данных по 35 метеостанциям за 10 лет (около 122 тыс. записей) Вссероссийского НИИ сельхозметеорологии РАСХН (ВА.Жуков, О.А.Святкина, И.А.Драгавцева); биржевые базы по динамике курса доллара США (ММВБ, 5-летний лонгитюд, около 2 млн. фактов).

мых в работе задач обоснованы. Получены оправданные, наглядные и интуитивно-убедительные результаты, совпадающие с уже известными экспертам при проведении исследовании с помощью СК-анализа уже ранее изученных другими методами предметных областей. СК-анализ, его технология и инструментарий обеспечивают накопление и анализ как положительного, так и отрицательного опыта. В работе приводятся 2 численных примера из различных предметных областей, основанные на обработке фактологического материала, включающего около 2 млн. фактов опыта. Успешная эксплуатация созданного специального программного инструментария СК-анализа и технологии его применения подтверждена 17 актами внедрения (за 1987 - 2002 годы).

На защиту выносятся:

1. Формализуемая когнитивная концепция и следующий из нее когнитивный конфигуратор (т.е. минимальный полный набор БКО, к которым сводятся различные процессы познания), состоящий из десяти БКО.

2. Теоретические основы, методология, технология и методика СК-анализа.

3. Математическая модель СК-анализа, основанная на системном обобщении семантической меры целесообразности информации А.Харкевича.

4. Численный метод, в универсальной форме реализующий математическую модель СК-анализа, включающий иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА.

5. Специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод СК-анализа - Универсальная когнитивная аналитическая система "Эйдос".

6. Методика и технология синтеза рефлексивных АСУ на основе АСК-анализа, в частности в области управления продуктивностью и качеством сельхозкультур и прогнозирования динамики рынка.

7. Технологии и результаты применения специального инструментария для решения задач управления в АПК: поддержка принятия решений по выбору агротехнологий, культур и зон (микрозон) выращивания; прогнозирование развития различных сегментов рынка РФ; анализ динамики макроэкономических состояний городов и районов на уровне субъекта федерации в ходе экономической реформы (на примере Краснодарского края) и прогнозирование уровня безработицы (на примере Ярославской области).

Научная новизна работы состоит в следующем:

1. Предложен новый подход к автоматизации системного анализа, основанный не на его максимальной детализации, что традиционно, а на идее рассмотрения системного анализа как процесса познания (мышления).

2. В рамках предложенного подхода разработана формализуемая когнитивная концепция. Она обеспечивает: формализацию понятия "смысл" за счет дискретно-интегрального представления фактов опыта и адекватное отражение иерархической структуры когнитивных процессов, а также

структуризацию процессов познания по базовым когнитивным операциям системного анализа (БКОСА).

3. Предложены и введены в научный оборот новые понятия: "Кла-стерно-конструктивный анализ" (кластеры рассматриваются как полюса конструктов, снимается проблема комбинаторного взрыва при формировании конструктов); "Базовые когнитивные операции системного анализа" (БКОСА); "Когнитивный конфигуратор" (минимальный набор БКОСА, достаточный для представления различных процессов познания); "СК-анализ" (системно-когнитивный анализ - системный анализ, структурированный до уровня БКОСА); "АСК-анализ" (автоматизированный СК-анализ); "Интерференция последствий выбора" (системное нелинейное взаимодействие факторов и альтернативных вариантов выбора, приводящее к качественно новой картине последствий, не сводящееся к сумме последствий альтернативных вариантов выбора).

4. Предложена обобщенная структура СК-анализа и доказано, что он представляет собой необходимую и достаточную базу для формализации и автоматизации системного анализа на базе новых информационных технологий.

5. Предложено изменение (обобщение) трактовки известных понятий: "Состояние бифуркации"; "Детерминистское состояние"; "Адаптация и синтез модели". На их основе разработана обобщенная модель детерминистско-бифуркационной динамики активных объектов АПК.

"Состояние бифуркации" и "Детерминистское состояние" рассматриваются не как состояния с высокой и низкой неопределенностью поведения системы (И.Пригожин с соавт.), а как состояния принятия и реализации решений, качественного и количественного изменения закономерностей поведения системы. Под адаптацией модели в работе понимается только ее количественные изменения, а под синтезом - качественные изменения модели или ее создание.

6. Предложен вариант системной теории информации (СТИ), в рамках которой получено аналитическое выражение для системной меры целесообразности информации. В данной мере впервые непосредственно в аналитическом выражении для самого понятия "Информация", отражены такие фундаментальные свойства систем, как "Уровень системности" и "Степень детерминированности" системы. Кроме того это выражение (как и формула Шеннона) удовлетворяет принципу соответствия с выражением Хартли в детерминистском случае (что снимает противоречие между семантической теорией информации Харкевича и классической теорией информации Шеннона), учитывает понятия цели (что принципиально важно для системного анализа и управления) и мощность множества будущих состояний объекта управления, обеспечивает формализацию смысла на основе дискретно-интегрального описания предметной области, сопоставимость в пространстве-времени. Эти свойства системной меры целесообразности информации свидетельствуют о ее оптимальности как основы математической модели

управления активными объектами АПК. Различие между классическим понятием информации и его предложенным системным обобщением определяется различием между понятиями множества и системы, на основе которых они сформированы. Показана взаимосвязь предложенной меры с понятием эластичности, широко применяемым в экономических исследованиях. На основе анализа системной меры целесообразности информации сформулирован закон возрастания эмерджентости: "Чем больше элементов в системе, тем большую долю содержащейся в ней информации составляет информация, содержащаяся во взаимосвязях ее элементов".

7. На основе СТИ разработана математическая модель слабодетерми-нированных многофакторных активных объектов АПК, относящаяся к классу семантических информационных моделей. Данная модель обеспечивает формализацию БКОСА (в т.ч. решение прямых и обратных задач идентификации и прогнозирования, задач кластерно-конструктивного анализа), автоматизированный синтез обобщенных таблиц решений на основе непосредственно эмпирических данных, вывод информации о механизмах принятия решений в форме обобщенных правил логического вывода (с расчетной степенью истинности импликаций). В данной модели обоснована разложимость вектора текущего состояния объекта управления по векторам классов, в т.ч. векторам будущих состояний (объектный анализ). Предложена новая информационная мера уровня системности предметной области, связанная с мерой у?' Показано, что разработанная семантическая информационная модель является нейросетевой моделью, решающей проблемы интерпретируемости (весовых коэффициентов й передаточной функции нейрона) и "комбинаторного взрыва" при увеличении размерности нейронной сети. На этой основе предложены "информационный подход к нейронным сетям" (в отличие от "энергетического подхода" Хопфилда), в котором весовые коэффициенты имеют смысл количества информации, а также математическая модель нелокального нейрона и новый класс нейронных сетей -"нелокальные интерпретируемые нейронные сети прямого счета", для которых решены проблемы интерпретируемости и комбинаторного взрыва.

8. На базе математической модели разработан численный метод реализации СК-анализа, включающий иерархическую структуру баз данных и детальные алгоритмы БКОСА.

9. Создан инструментарий СК-анализа - система "Эйдос". Разработана методика и технологии применения инструментария СК-анализа для управления в АПК.

10. Продемонстрировано успешное применение АСК-анализа при: прогнозировании коньюктуры рынка и оценке спроса; оценке производственного потенциала (прогнозирование предложения); поддержке принятия решений по управлению агротехнологиями; анализе макроэкономических состояний Краснодарского края и прогнозировании уровня безработицы в Ярославской области.

11. В развитие обоснованных в работе теоретических положений в порядке научной дискуссии высказаны идеи многополюсных конструктов и континуального обобщения АСК-анализа на основе нечеткой логики.

12. Для решения проблем управления в АПК впервые предложено применить автоматизированный системный и когнитивный анализ, а также математические методы и программный инструментарий, основанные на теории информации.

Теоретическая значимость исследования подтверждается: успешной .формализацией базовых когнитивных операций, многие из которых совпадают с известными методами научного мышления: обобщение (синтез, индукция); абстрагирование; оценка адекватности; сравнение (внешнее и содержательное), идентификация и прогнозирование; дедукция и абдукция; классификация и формирование понятий (конструктов); изложением новых идей, которые эффективно работают в управлении АПК и подтверждены рядом аргументов в их пользу; приведением элементов научной теории, базирующихся на новых идеях: формулировкой новых гипотез; доказательством четырех теорем об аддитивности предложенной системной меры целесообразности информации в предложенном варианте СТИ; анализом исходных научных фактов, на основе которых исторически было сформировано понятие "Информация", расширением фактологической базы этого понятия, уточнением его содержания; созданием механизма автоматизированной интерпретации фактов опыта в семантической информационной модели, обеспечивающей автоматическую генерацию выводов, анализ тенденций, учет факторов и условий и т.д.; открытием нового ранее неизвестного "Закона повышения эмерджентности", описывающего ускоренное возрастание доли системной информации в объекте при увеличении количества его элементов, а также трех следствий из него (в рамках СТИ); формулировкой гипотез "О природе .сложности системы" и "О видах системной информации": сложность системы определяется количеством содержащейся в ней информации; системная информация включает две составляющих: зависящее от количества элементов системы и зависящее также от характера взаимосвязей между элементами (в рамках СТИ); вычленением новой перспективной проблемы, подлежащей дальнейшему исследованию: применение технологии АСК-анализа для создания on-line многоагентных распределенных систем обнаружения, накопления и использования знаний в Internet, что может превратить "мировую паутину" в "мировой (коллективный) разум" и может явиться качественно новым шагом на пути эволюции ноосферы.

Практическая значимость проведенного исследования состоит в разработке инструментария СК-анализа - Универсальной когнитивной аналитической системы "Эйдос", технологии и методики ее использования, обеспечивающих: создание автоматизированных систем мониторинга, идентификации (прогнозирования) состояний многофакторных слабодере-минированных активных объектов АПК и управления ими; надежную экс-

плуатацию этих систем в промышленном режиме при массовой обработке информации; углубленный интеллектуальный анализ данных в АПК.

венный институт культуры, Информационно-аналитический центр администрации Краснодарского края, Аналитический центр администрации Ярославской области и др.); проектирование адаптивных АСУ сложными техническими объектами (Государственное предприятие особое конструкторское бюро "Икар", Кубанский государственный технологический университет); решение ряда задач управления качеством подготовки специалистов (Краснодарский юридический институт МВД РФ); идентификация и анализ макроэкономических состояний городов и районов Краснодарского края и края в целом на основе оценки значимости индикаторов макроэкономики и применения методов статистической теории информации и искусственного интеллекта (Департамент экономики и прогнозирования администрации Краснодарского края); прогнозирование результатов применения агротех-нологий и управление продуктивностью и качеством сельскохозяйственных культур, в т.ч. с применением геоинформационных технологий (Кубанский государственный аграрный университет); прогнозирование успешности будущей профессиональной деятельности в экстремальных ситуациях в условиях высокой ответственности и дефицита времени (Северокавказская региональная поисково-спасательная служба Государственного комитета РФ по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий МЧС, АО "Новошип" Новороссийское морское пароходство), решение задач Центра Правительственной связи в Краснодарском крае. Все проведенные исследования являются составной частью плановых и договорных НИР и ОКР, принятых заказчиками.

Апробация работы. Основные положения и результаты данной работы докладывались и обсуждались на 22 международных, всесоюзных, все} российских семинарах и симпозиумах: Всесоюзная научно-практическая конференция "Проблемы управления развитием городов" (Краснодар, 1985);-VIII Всесоюзный съезд психологов (Москва, 1989); Всероссийская конференция "В.И.Вернадский и современность /к 130-летию со дня рождения/" (Краснодар, 1993); IX научно-практическая конференция "Теоретические и прикладные проблемы социально-психологической и • медико-педагогической службы" (Краснодар, 1995); Всероссийская научно-практическая конференция "Состояние и связи криминалистики и теории оперативно-розыскной деятельности ОВД" (Краснодар, 1995); Всероссийская научно-практическая конференция "Актуальные проблемы социально-правовой подготовки специалистов и перспективы совершенствования системы

комплектования ОВД" (Краснодар, 1997); Межвузовская конференция "Организация и методологические проблемы компьютеризации учебного процесса" (Краснодар, 1998); 1-я Всероссийская научно-техническая конференция "Компьютерные технологии в науке, проектировании и производстве" (Н.Новгород, 1999); III Всероссийская научно-техническая конференция "Информационные технологии и системы" (Воронеж, 1999); III международная открытая сессия "Modus Academicus": "Компьютерные технологии в науке и образовании XXI века" (Ульяновск, 1999); 1-я Всероссийская научно-техническая конференция "Теория конфликта и ее приложения" (Воронеж, 2000); 2-е Всероссийское совещание-семинар "Интеллектуальные информационные системы" (Воронеж, 2000); 2-я Международная выставка-конференция "Информационные технологии и телекоммуникации в образовании" (Москва, 2000); III международная научно-практическая конференция "Вековой поиск модели хозяйственного развития России" (Волжский, 2000); II, III и IV межвузовские научно-технические конференции "Проблемы совершенствования систем защиты информации, электроснабжения военных объектов и образовательных технологий подготовки специалистов" (Краснодар, 2000-2002); Всероссийская конференция "Опыт и проблемы совершенствования региональной системы дополнительного профессионального образования в области управления качеством" (Краснодар, 2001); Всероссийская конференция "Проблемы экономического и социального развития России" (Пенза, 2001); "Научное обеспечение современных технологий производства, хранения и переработки плодов и ягод в России и странах СНГ (Москва, 2002); IEEE International Conference on Artificial Intelligence System (ICAIS 2002 - Los Alamos, California, Washington-Brussels-Tokyo).

Публикации. По теме данной работы опубликовано: 65 научных работ, в том числе: 5 монографий; 1 стандарт, 1 методическое указание, 50 научных статей. Авторские права на созданное специальное программное обеспечение и структуры баз данных защищены 8 свидетельствами РосПатента РФ. Основные положения диссертации опубликованы в научной монографии: "Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем)", изданной в 2002 году в Кубанском государственном аграрном университете, а также в трех статьях, изданных в журналах, рекомендованных ВАК: "Изв. вузов. Сев.-Кавк. регион. Техн. науки". - 2003. - Приложение №1; "Автоматизация и современные технологии" №1 за 1999; "Информационные технологии" № 2 за 1999.

Структура и объем работы. Работа состоит из введения, семи глав с выводами к каждой из них, заключения, списка использованной литературы, содержащего 361 наименований, и 7 приложений. Работа изложена на 372 страницах машинописного текста и содержит: 34 таблицы, 189 рисунков, 87 нумерованных формул и 7 приложений на 79 страницах.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении сформулированы объект и предмет исследования, его цель, проблема и задачи, обоснована актуальность, освещен научный аппарат, показана научная новизна и практическая значимость, дано краткое изложение основных идей, приведены сведения по апробации основных результатов данной работы.

В 1-й главе "Йроблема управления активными объектами АПК и идея ее решения" даны определения основных терминов, используемых в данной работе; сформулирована проблема исследования; проанализированы традиционные подходы к решению проблемы и предложена идея ее решения. Здесь ставится исследуемая проблема - обеспечения устойчивого управления многофакторными слабодетерминированными активными объектами АПК как на детерминистских, так и на бифуркационных этапах их развития. Показано, что существует две основных причины возникновения этой проблемы, связанные с особенностями активного объекта управления: во-первых, сложность создания математической модели слабодетерминиро-ванных многофакторных объектов; во-вторых, периодическая потеря адекватности математической модели при прохождении объектом управления точки бифуркации. Традиционно эти проблемы решаются путем адаптации модели на основе апостериорной информации. Однако в данном случае этого недостаточно, т.к. необходимо качественное изменение модели, т.е. не адаптация, а синтез.

Сформулирована идея решения проблемы, предусматривающая периодический синтез модели активного объекта в режиме реального времени путем включения процесса познания непосредственно в цикл управления в качестве периодически выполняемого этапа. При этом управление активным объектом рассматривается как мета-управление, т.е. управление теми условиями, на основе которых активный объект управления формирует цели и принимает решения. Поэтому в качестве мета-управляющих факторов могут рассматриваться факторы, ведущие к целям управляющей системы, совпадающими с целями объекта управления, а также факторы, корректирующие цели объекта управления в направлении их сближения с целями управления. В качестве инструмента автоматизации познания предлагается применить 'АСК-анализ.

Структура рефлексивной АСУ активными системами, включает классификацию факторов и будущих состояний АОУ, а также двухуровневую модель АОУ, предполагающую два типа управляющих воздействий: информационное воздействие на интеллектуальную информационную систему (ИИС) АОУ и энергетическое воздействие на сложную систему поддержки функций ИИС. Под адаптацией модели понимается количественное изменение параметров модели, уточнение обобщенных образов классов и семантических портретов факторов, а под синтезом - формирование или качественное изменение параметров модели: формирование смысла новых классов и/или учет влияния новых фактов.

Для решения основной проблемы необходима разработка методов, обеспечивающих: первичный синтез модели предметной области; идентификацию текущего состояния системы как детерминистского или бифуркационного; выработку рекомендаций по оказанию управляющих воздействий на АОУ на детерминистском этапе; адаптацию модели на детерминистском этапе с учетом информации обратной связи о фактических результатах управления; прогнозирование времени наступления бифуркационного этапа развития АОУ; синтез модели после прохождения бифуркационного этапа. При этом выработка управления на бифуркационном этапе и сразу после него является существенно не формализуемым процессом, который осуществляется только человеком. Основная причина этого состоит в том, что после прохождения системой точки бифуркации, по сути дела, необходимо заново познавать закономерности ее поведения на очередном детерминистском этапе. Поэтому задача состоит в том, чтобы максимально облегчить для человека процесс познания предметной области, создав для этого наиболее комфортные информационные и функциональные условия, предоставив ему инструмент, т.е. средство труда, берущее на себя некоторые рутинные операции, выполняемые человеком в процессе мышления. При этом мышление рассматривается как процесс познания. Сделать это предлагается путем разработки математических моделей, алгоритмов и реализующего их специального программного обеспечения, берущего на себя основные познавательные (т.е. когнитивные) операции, выполняемые человеком при системном познании предметной области.

В результатам 1-й главы сделан вывод о том, что автоматизация когнитивных операций системного анализа - это путь решения исследуемой проблемы. Для этого предлагается оригинальный путь, являющийся альтернативным пути максимальной детализации системного анализа - структурирование его по базовым когнитивным операциям. Это создает благоприятные условия для разработки математической модели и соответствующего численного метода (алгоритмов и структур данных) системного анализа, а также для их реализации в одной специально созданной инструментальной программной системе.

Во 2-й главе: "Методологические основы СК-анализа в управлении АПК" системный анализ рассматривается как метод познания. На основе предложенной когнитивной концепции осуществляется синтез когнитивного конфигуратора. Предлагается системно-когнитивный анализ (СК-анализ), как системный анализ, структурированный до уровня базовых когнитивных операций. Определяется роль и место СК-анализа в структуре управления экономическими и технологическими системами АПК.

В этой главе, с целью создания условий для дальнейшей автоматизации СА, разработана схема СА, ориентированного на интеграцию с когнитивными технологиями. На основе сопоставления и объединения схем системного анализа, разработанных ведущими учеными в этой области: Оптнером С.Л., Янгом С., Федоренко Н.П., Никаноровым С.П., Черняком

Ю.И., Перегудовым Ф.И., Тарасенко Ф.П., Симанковым B.C., Казиевым В.М., Лийвом Э.Х., Денисовым A.A. и др., показана взаимная дополнительность различных схем системного анализа. С учетом этого, а также модели реагирования открытых систем на вызовы среды (В.Н.Лаптев) и моделей когнитивного анализа (В.И.Максимов, С.В.Качаев, А.Н.Райков, А.А.Кулинич, Е.А.Гребенюк, С.В.Коврига, А.К.Григорян, Е. К. Корноушен-ко, Д.И.Макаренко), разработана схема системного анализа, ориентированного на интеграцию с когнитивными технологиями.

Этим самым реализован 1-й этап решения проблемы и созданы условия для дальнейшей автоматизации системного анализа. Для этого разработана формализуемая когнитивная концепция, выявлены базовые когнитивные операции (БКО), системный анализ структурирован до уровня БКО, разработан обобщенный алгоритм системно-когнитивного анализа (СК-анализа) и, таким образом, выполнен 2-й этап решения проблемы.

Системный анализ представляет собой теоретический метод познания, современное воплощение конкретной диалектики. Перспектива его автоматизации состоит в интеграции с когнитивными технологиями. Предлагаемая когнитивная концепция рассматривает процесс познания, как многоуровневую иерархическую систему обработки информации в которой когнитивные структуры каждого уровня являются результатом интеграции структур предыдущего уровня. Суть предложенной когнитивной концепции состоит в том, что процесс познания рассматривается как многоуровневая иерархическая система обработки информации, в которой каждый последующий уровень является результатом интеграции элементов предыдущего уровня. На 1 -м уровне этой системы находятся дискретные элементы потока чувственного восприятия, которые на 2-м уровне интегрируются в чувственный образ конкретного объекта. Те, в свою очередь, на 3-м уровне интегрируются в обобщенные образы классов и факторов, образующие на 4-м уровне кластеры, а на 5-м конструкты. Система конструктов на 6-м уровне образуют текущую парадигму реальности (т.е. человек познает мир путем синтеза и применения конструктов). На 7-м же уровне обнаруживается, что текущая парадигма не единственно-возможная. Ключевым для когнитивной концепции является понятие факта, под которым понимается соответствие дискретного и интегрального элементов познания (т.е. элементов разных уровней интеграции-иерархии), обнаруженное на опыте. Факт рассматривается как квант смысла, что является основой для его формализации. Таким образом, происхождение смысла связывается со своего рода "разностью потенциалов", существующей между смежными уровнями интеграции-иерархии обработки информации в процессах познания. В полном виде когнитивная концепция приведена в диссертационной работе. Таким образом, из данной концепции выводятся структура когнитивного конфигуратора (терм, авт.), система базовых когнитивных операций и обобщенная схема автоматизированного системного анализа, структурированного до уровня базовых когнитивных операций (СК-анализ) (рисунок 1).

вход-i синтез информационной

модели предметной области

адалтацм информационной модели премопной области

1.1 восприятие и запоминание исходной обучающей ююормации интенсиональное представление объектов в форм совокупности признаков с указанием экстенсиональной кммосвязк с именами «vccob

репрезентация сопоставление индивидуального опыта с коллективным (общественным)

3.1 обобщение (синтез индукция) формирование классов на основе использования экстенсиональных и интенсиональных описаний кочсретных объектов. исключение артефактов. 2 3

определение значимости шкап и градаций «акторов а также УРОВНЕЙ мерлина

» определение стелем« редукции (с формирован ности) обобщенных образов классов, а также уровней мерлина

абстрагирование факторов (снижение размерности пространства факторов)

абстрагирование классов (сниж04ие размерности пространства классов)

• | ОЦЕНКА АДЕКВАТНОСТИ ИНФОРМАЦИОННОЙ МОДЕЛИ ПРЕДМЕТНОЙ ОБЛАСТИ

ВХОД-3

применение информационной модели предметной области дпя идентификации. прогнозирования, анализа и выработки управляющего воздействия

13 нефо реализуемый поиск решения проблемы выбора управляющего воздействия

14 оказание управляющего воздействия на объект управления

1" запоминание новых «акторов

запоминание

новых классов

17 соотвествующих

новым цёлевым

состояниям

запоминание новых классов соотвествующих

новым нецелевым

состояниям

91 дедукция классов (семантический анализ обобщенных образов классов решение обратной задача прогнозирования)

9.2 дедук1ия факторов (семантический анализ факторов)

101 классификация обобщенных образов классов формирование бинерных конструктов классов построение семантических сетей классов 1 2 3

юл классификация факторов. формирование бинерных конструктов «акторов построение семантических сетей факторов 2 3

10j содержательное сравнение классов расчет и ото» бражение многомногозначных когнитивных диагта* u. в том числе диаграмм вольфа керлина 1 2

км содержательное сравнение факторов. расчет и отображение многомногозначных когнитивных диаграмм, в т ч инвертированных диаграмм вопьфа мерлина г

| многофакторное планирование и принятие решения " } о применении системы управляющих факторов

Рисунок 1. Обобщенная схема системно-когнитивного анализа (СК-анализа)

Между когнитивными структурами разных уровней иерархии существует отношение "дискретное - интегральное". Именно это служит основой формализации смысла. Когнитивный конфигуратора, представляет собой минимальную полную систему когнитивных операций, названных "базовые когнитивные операции системного анализа" (БКОСА). Всего выявлено 10 таких операций, каждая из которых достаточно элементарна для формализации и программной реализации: 1) присвоение имен; 2) восприятие; 4 3) обобщение (синтез, индукция); 4) абстрагирование; 5) оценка адекватно-

сти модели; 6) сравнение, идентификация и прогнозирование; 7) дедукция и абдукция; 8) классификация и генерация конструктов; 9) содержательное сравнение; 10) планирование и принятие решений об управлении.

С целью создания предпосылок автоматизации, предложено структурировать системный анализ до уровня базовых когнитивных операций, допускающих формализацию и автоматизацию. СА, структурированный до уровня БКО, предложено называть системно-когнитивным анализом (СК-анализ).

Рассмотрены схемы типовой АСУ, адаптивной АСУ сложными системами (ААСУ СС) и рефлексивной АСУ активными системами (РАСУ АС), показаны роль и место АСК-анализа в структуре РАСУ АС при идентификации состояния активного объекта управления (АОУ), мониторинге, анализе, прогнозировании состояний АОУ, а также принятии решений по выбору управляющего Воздействия.

На уровне "А" РАСУ АПК осуществляется разработка и совершенствование агротехнологий, а на уровне "Б" - выбор и использование оптимальной агротехнологии для получения заданных количественных и качественных параметров конечного продукта.

В 3-й главе: "Математическая модель СК-анализа" реализован 3-й этап решения проблемы, состоящий в разработке математической модели СК-анализа: разработаны концепция системной (эмерджентной) теории информации; семантическая информационная модель, обеспечивающая синтез и адаптацию с учетом динамики предметной области; исследованы важнейшие свойства предложенной математической модели (сходимость, адекватность, устойчивость); предложена новая информационная мера уровня I системности предметной области, связанная с мерой %2. Для обозначения

разработанного метода идентификации и прогнозирования (по аналогии с Фурье-анализом) вводится термин: "Объектный анализ", предложены нело-! кальная модель нейрона и новый класс нейронных сетей, основанных на

информационном подходе - нелокальные интерпретируемые нейронные сети прямого счета.

Разработана математическая модель, обеспечивающая дальнейшую формализацию БКОСА. С учетом специфики объекта управления в АПК обоснованы требования к математической модели: содержательная интерпретируемость; эффективная вычислимость на основе эмпирических дан-

ных (наличие эффективного численного метода); универсальность; адекватность; сходимость; семантическая устойчивость; сопоставимость результатов моделирования в пространстве и времени; непараметричность; формализация базовых когнитивных операций системного анализа (прежде всего таких, как обобщение, абстрагирование, сравнение, классификация и др.); корректность работы на фрагментарных, неточных и зашумленных данных; возможность обработки данных очень больших размерностей (тысячи факторов и будущих состояний объекта управления); математическая и алгоритмическая ясность и простота, эффективная программная реализуемость. Показано, что в наибольшей степени предъявляемым требованиям соответствуют содержательные (семантические) информационные модели. Этот класс моделей основан на эмпирических таблицах данных, обобщенных с применением теории информации.

Известно, что ключевым при построении математических моделей является выбор количественной меры, отражающей степень причинно-следственной взаимосвязи исследуемых параметров. Эта мера должна удовлетворять следующим требованиям: 1) обеспечивать эффективную вычисляемость на основе эмпирических данных, полученных непосредственно из опыта; 2) обладать универсальностью, т.е. независимостью от предметной области; 3) подчиняться единому для различных предметных областей принципу содержательной интерпретации, измеримости и нормируемости в единых единицах измерения; 4) учитывать понятий "цели объекта управления", "цели управления"; 5) учитывать понятия "мощность множества будущих состояний объекта управления"; 6) обладать сопоставимостью в пространстве и во времени; 7) обеспечивать возможность введения меры сходства (функции принадлежности) на базе выбранной количественной меры.

По этим критериям предпочтительной оказалась мера семантической целесообразности информации, предложенная А.Харкевичем. Поэтому она и была взята за основу при разработке информационной модели. Но и эта мера нуждается в доработке, т.к. не учитывает мощности множества будущих состояний объекта управления, включающего его целевые и другие будущие состояния, для нее не выполняется принцип соответствия с выражением Хартли, она не выражает количества информации в битах.

1. Предложен вариант реализации системной теории информации (СТИ) в рамках которого: обоснованы требования к математической модели и численной мере; осуществлен выбор базовой численной меры для чего проанализированы абсолютные, относительные и аналитические формы представления информации; предложено системное обобщение формулы Хартли для количества информации:

1 = ЬоЕгЪС1 П)

га=1

где: - количество элементов в системе альтернативных будущих состояний АОУ (количество чистых состояний); ш - сложность смешанных

состояний АОУ; М - максимальная сложность смешанных состояний АОУ. Выражение (1) дает количество информации в активной системе, в которой чистые и смешанные состояния равновероятны. Смешанные состояния активных систем, возникающие под действием системы нелинейно-взаимодействующих факторов, считаются так же измеримыми, как и чистые альтернативные состояния, возникающие под действием детерминистских факторов. Так как Суу то при М=1 выражение (1) приобретает классический вид формулы Хартли, т.е. выполняется принцип соответствия, являющийся обязательным для более общей теории. При выражение (1) приобретает вид:

1 = ЬО§2(2*-1) (2)

Выражение (2) является достаточно точной аппроксимацией (1), т.к. уже при W>4 их различие не превышает 1%.

В рамках СТИ сформулирован закон возрастания эмерджентости: "Чем больше элементов в системе, тем большую долю содержащейся в ней информации составляет информация, содержащаяся во взаимосвязях ее элементов". С этим законом связаны две гипотезы и три леммы. Гипотезы: 1) "О природе сложности системы" - сложность системы определяется количеством содержащейся в ней информации; 2) "О видах системной информации" - системная информация включает две составляющие: зависящую от количества элементов системы; зависящую как от количества элементов системы, так и от сложности взаимосвязей между ними. Леммы: 1) При увеличении количества элементов в системе доля системной информации в ней возрастает с ускорением, которое постепенно уменьшается; 2) Чем выше уровень системности, тем большая доля информации сжЛемы содержится во взаимосвязях ее элементов. 3) Чем меньше элементов в системе, тем быстрее возрастает доля информации, содержащейся во взаимосвязях элементов при возрастании уровня системности.

В СТИ получено системное обобщение формулы А.Харкевича для количества информации, являющееся нелинейной суперпозицией классических выражений плотности информации Шеннона и количества информации Хартли (системная мера семантической целесообразности информации):

V < у У

где: ф - коэффициент эмерджентности Хартли (терм, авт.), определяющий уровень системной организации (уровень системности) объекта, имеющего чистых состояний;

1у =Ьоё2

+ (3)

Ч* - коэффициент эмерджентности Харкевича (терм, авт.), определяющий степень детерминированности системы, имеющей чистых состояний и описанной N фактов опыта.

В предложенном системном обобщении формулы Харкевича впервые непосредственно в аналитическом выражении для самого понятия "Информация" отражены такие фундаментальные свойства систем, как "Уровень системности" и "Степень детерминированности" системы, кроме того это выражение (как и формула Шеннона) удовлетворяет принципу соответствия с выражением Хартли в детерминистском случае, учитывает понятие цели, мощность множества будущих состояний объекта управления, объединяет возможности интегрального и дискретного описания объектов. По этим причинам полученное выражение является оптимальным в качестве основы для построения математической модели рефлексивных АСУ активными объектами. Необходимо отметить, что свойства предложенной меры позволяют предположить, что она является обобщением понятия эластичности для многозначной функции многих переменных.

Коэффициент эмерджентности Хартли <р (4) представляет собой относительное превышение количества информации о системе при учете системных эффектов (смешанных состояний, иерархической структуры ее подсистем и т.п.) над количеством информации без учета системности, т.е. этот коэффициент является аналитическим выражением для уровня системности объекта. Уровень системности объекта изменяется от 1 (системность минимальна, т.е. отсутствует) до W/Log2W (системность максимальна). Для каждого количества элементов системы существует свой максимальный уровень системности, который никогда реально не достигается из-за действия правил запрета на реализацию в системе ряда подсистем различных уровней иерархии.

Коэффициент эмерджентности Харкевича % изменяется от 0 до 1 и определяет степень детерминированности системы: Ч'=1 соответствует полностью детерминированной системе, поведение которой однозначно определяется действием минимального количества факторов, которых столько же, сколько состояний системы; ¥=0 соответствует полностью случайной системе, поведение которой никак не зависит действия факторов независимо от их количества; 0<Ч'<1 соответствуют большинству реальных систем поведение которых зависит от многих факторов, число которых превосходит количество состояний системы, причем ни одно из состояний не определяется однозначно никакими сочетаниями действующих факторов. В работе раскрыта связь системного обобщения формулы Харкевича (3) с классическими выражениями для количества информации Хартли-Найквиста-Больцмана и Шеннона.

2. На базе системной (эмерджентной) теории информации разработана содержательная (семантическая) информационная модель СК-анализа, относящаяся к интеллектуальным информационным моделям: предложен формализм двух взаимосвязанных семантических информационных пространств: пространства классов (в котором объектами являются вектора обобщенных образов классов), и пространства атрибутов (в котором объектами являются вектора атрибутов). Причем координатами векторов в обоих I случаях являются информативности, рассчитываемые в соответствии с

предложенной системной мерой целесообразности информации (3), поэтому данные пространства являются нелинейными самосогласованными пространствами; раскрыт механизм когнитивной структуризации и формализации предметной области путем использования шкал и градаций; описана возможность использования классической теории информации Шеннона для расчета весовых коэффициентов и мер сходства; развита математическая модель, основанная на семантической мере целесообразности информации: даны решения основных задач АСУ (синтез и адаптация модели; расчет влияния факторов на переход объекта управления в различные состояния; прогнозирование поведения объекта управления; выработка многофакторного управляющего воздействия; сравнение факторов и состояний объекта управления); доказано четыре теоремы о сопоставимости предложенных частных критериев. В предложенной модели непосредственно на основе формализованных эмпирических данных рассчитывается матрица абсолютных частот.

В этой матрице в качестве классов (столбцов) приняты будущие состояния объекта управления, как целевые, так и нежелательные, а в качестве атрибутов (строк) - факторы, которые разделены на три основных группы, математически обрабатываемые единообразно: факторы, характеризующие текущее и прошлые состояния объекта управления; управляющие факторы системы управления; факторы, характеризующие прошлые, текущее и прогнозируемые состояния окружающей среды. Отметим, что матрица абсолютных частот является универсальной формой представления и первичного обобщения фактов — эмпирических данных.

Управляющие факторы объединяются в группы, внутри каждой из ' которых они альтернативны (несовместимы), а между которыми - нет (со-

вместимы). В этом случае внутри каждой группы выбирают одно из доступных управляющих воздействий с максимальным влиянием. Варианты I содержательной информационной модели без учета прошлых состояний

объекта управления и с их учетом, аналогичны, соответственно, простым и составным цепям Маркова, автоматам без памяти и с памятью. В качестве количественной меры влияния факторов, в модели предложено использовать семантическую меру целесообразности информации (3) с использованием которой непосредственно из матрицы абсолютных частот рассчитыва-

ется матрица информативностей, которая и представляет собой ядро семантической информационной модели предметной области (таблица 1):

Таблица 1 - МАТРИЦА ИНФОРМАТИВНОСТЕЙ

Атрибуты Классы • будущие состояния объекта управления

Целевые состояния Нежелательные состояния ность фактора

*** ! - 1 ***

Факторы, характеризующие текущее и прошлые состояния объекта управления, а тч его рефлексивность г "'г .-1 /.1

Угравляющие факторы системы управления ы я "„•ЕЗХ <.) >1 ь>е,и "'У Ек-Х,*. и 1.1 «•ч^ым

Факторы, характеризующие прошлые текущее и прогнозируемые состояния окружающей среды к »-1 ы * •^•ЕЕ"»

Средняя детерминированность будущих состояний АОУ

1 *

-Ьъ1*

1л8>1Г

- среднее значение координат вектора класса, М - количество факторов

9 - коэффициент миря-жшмостч Хартли

1 *

ьъ^г

- среднее значение координат вектора фитор*, W - количество классов (будущих состояний АОУ)

Ч*- коэффициент эиерд-жентности Харксвича,

гЕЕ',

' 1-1 (-1

- средняя инфор-штиввостьпри-знаков по матрице иифорштщностев

И - мера уровня системности предметной облаете 8 раыках СТИ

Матрица информативностей является универсальной формой представления смысла эмпирических данных в единстве их дискретного и интегрального представления (причины - последствия, факторы - результирующие состояния, признаки - обобщенные образы классов, образное - логическое, дискретное - интегральное). Весовые коэффициенты матрицы информативностей непосредственно определяют, какое количество информации /у система управления получает о наступлении события: "объект управления перейдет в }-е состояние", из сообщения: "на объект управления действует 1-й фактор". Когда количество информации 1у>0 — 1-й фактор способствует переходу объекта управления в е состояние, когда 1Ц<0 - препятствует этому переходу, когда же 1и=0 - никак не влияет на это. В векторе ¡-го фактора (строка матрицы информативностей) отображается, какое количество информации о переходе объекта управления в каждое из будущих состояний содержится в том факте, что данный фактор действует. В векторе .¡-го состояния АОУ, т.е. класса (столбец матрицы информативностей) отображается, какое количество информации о переходе объекта управления в соответствующее состояние содержится в каждом из факторов. Принципиально важно, что эти весовые коэффициенты не определяются экспертами неформализуемым способом, а рассчитываются непосредственно на основе эмпирических данных и удовлетворяют всем ранее сфор-

мулированным требованиям. Таким образом, предлагаемая семантическая информационная модель позволяет непосредственно на основе эмпирических данных и независимо от предметной области рассчитать, какие количество информации содержится в любом событии о любом другом событии. Матрица информативностей является обобщенной (неклассической) таблицей решений, в которой входы (факторы) и выходы (будущие состояния АОУ) связаны друг с другом не с помощью классических (Ари-| стотелевских) импликаций, принимающих только значения: "Истина" и

"Ложь", а различными значениями истинности, выраженными в битах и принимающими значения от положительного теоретически, максимально-возможного, до теоретически неограниченного отрицательного (таблица 2):

Таблица 2 - ЛОГИЧЕСКИЕ ВЫСКАЗЫВАНИЯ С РАСЧЕТНОЙ

СТЕПЕНЬЮ ИСТИННОСТИ ИМПЛИКАЦИЙ (СОГЛАСНО СТИ)

Прямые высказывания: Обратные высказывания

1 если А, то В (если действует фактор А. то мы предполагаем с степенью истинности 1АВ, что АОУ перейдет в состояние В) вели В, то А (если АОУ перешеп в состояние В, то мы предполагаем с степенью истинности !ав, что действовал фактор А)

2 если А1 и Аг ... и Ам, то В (прогноз влияния системы факторов на поведение АОУ. Степень истинности обобгцающей (итоговой) импликации равна алгебраической сумме истин и остей составляющих ее элементарных импликаций вида "если А то В") еели В, то А1 и Аз ... и Ам (информационный портрет класса В, т.е влияние различных факторов А< на переход АОУ в будущее состояние В, решение обратной задачи прогнозирования, т е выработка управления)

3 если А, то В, или В2 ... или В^у (семантический портрет фактора А, те его влияние на переход АОУ в различные состояния)

А если А, и А2 ... и Ам> то В-, или В2 ... или (прогноз влияния системы факторов на переход АОУ в различные состояния)

Фактически предложенная модель позволяет: - осуществить синтез обобщенных таблиц решений для различных предметных областей непосредственно на основе исходных эмпирических данных; - продуцировать прямые и обратные правдоподобные (нечеткие) логические рассуждения по неклассическим схемам с различными расчетными значениями истинности, являющимся обобщением классических импликаций.

Модель обеспечивает генерацию и более сложных не классических логических высказываний. При этом в прямых рассуждениях как предпосылки рассматриваются факторы, а как заключение - будущие состояния АОУ, а в обратных - наоборот: как предпосылки - будущие состояния АОУ, а как заключение - факторы. Степень истинности ¡-й предпосылки -это просто количество информации 1у-, содержащейся в ней о наступлении го будущего состояния АОУ. Если предпосылок несколько, то степень истинности наступления ]-го состояния АОУ равна суммарному количеству информации, содержащемуся в них об этом. Количество информации в ¡-м факторе о наступлении .¡-го состояния АОУ, рассчитывается в соответствии с выражением (3) СТИ.

Прямые правдоподобные логические рассуждения позволяют прогнозировать степень достоверности наступления события по действующим

факторам, а обратные - по заданному состоянию восстановить степень необходимости и степень нежелательности каждого фактора для наступления этого состояния, т.е. принимать решение по выбору управляющих воздействий на АОУ, оптимальных для перевода его в заданное целевое состояние.

Для этого необходимо определить математическую форму интегрального критерия, в обобщенной форме учитывающего вклад каждого фактора. Евклидово расстояние в качестве меры сходства объекта с классом, класса с классом и атрибута с атрибутом не применимо, т.к. информационное семан- )

тическое пространство в общем случае неортонормированно, расстояние Махалонобиса также неприменимо, т.к. измеряет расстояние от центроида, а не между векторами. Поэтому на основе леммы Неймана-Пирсона в работе предложен неметрический интегральный критерий, применимый при не-ортонормированном семантическом пространстве: суммарное количество информации. Если предпосылок несколько, то степень истинности наступления .¡-го состояния АОУ равна суммарному количеству информации, содержащемуся в них об этом (5,6):

/,=(/,,£,)• (5)

В выражении (4) круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:

Л-. (б)

1=1

где: 1Ч ={1Я} - вектор]-го состояния объекта управления, координаты которого в информационном семантическом пространстве рассчитываются согласно выражения (3); I. = {£.} - булев вектор состояния предметной области, включающий все виды факторов, характеризующих объект управления, возможные управляющие воздействия и окружающую среду (массив-локатор), т.е.:

£ [ 1, если ¿-й фактор есть;

' [О, если ¡—го фактора нет.

Реально в модели используется не выражение (6), а его вариант со стандартизированными значениями. Предложенная модель, основанная на |

СТИ, обеспечивает автоматизированное формирования системы нечетких правил по содержимому входных данных. Важно, что качественное изменение модели путем добавления в нее новых классов, не уменьшает достовер- | ности распознавания уже сформированных классов. Кроме того, при сравнении распознаваемого объекта с каждым классом учитываются не только признаки, имеющиеся у объекта, но и отсутствующие у него. Поэтому предложенной моделью правильно идентифицируются объекты, признаки которых образуют множества, одно из которых является подмножеством другого (как и в Неокогнитроне К.Фукушимы).

Результат прогнозирования поведения объекта управления, описанного

данной системой факторов, представляет собой список его возможных будущих состояний, в котором они расположены в порядке убывания суммарного количества информации о переходе объекта управления в каждое из них. Предложенная математическая модель позволяет сформировать информационные портреты состояний объекта управления (классов) и факторов, а также осуществить их кластерный и конструктивный анализ. Информационный портрет класса - состояния А О У показывает информационный вклад каждого фактора в общий объем информации о наступлении этого состояния. Управляющее воздействие выбирается в форме суперпозиции неальтернативных факторов из информационного портрета целевого состояния, оказывающих наибольшее влияние на перевод объекта управления в это состояние. Информационный портрет фактора является его развернутой смысловой количественной характеристикой, содержащей информацию о силе его влияния на перевод объекта управления в каждое из возможных будущих состояний, в частности - в целевые состояния. Кластеры классов представляют собой группы состояний АОУ, сходных по детерминирующим их факторам. Кластеры факторов представляют группы факторов, сходных по их влиянию на поведение объекта управления. Кластерный анализ состояний АОУ является инструментом, позволяющим изучать вопросы устойчивости управления объектами АПК. При невозможности по каким-либо причинам применить некоторый управляющий фактор его можно заменить другим фактором из того же кластера. Под конструктом в работе понимается система противоположных (наиболее сильно отличающихся) кластеров, которые называются "полюсами" конструкта, а также спектр промежуточных кластеров, к которым применима количественная шкала измерения степени их сходства или различия. Конструкты могут быть получены как результат кластерного анализа кластеров, при этом конструкт рассматривается как кластер с нечеткими границами, включающий в различной степени, причем не только в положительной, но и отрицательной, все классы (факторы). Конструктивный анализ позволяет определить в принципе совместимые и в принципе несовместимые целевые состояния АОУ. Совместимыми называются целевые состояния, для достижения которых необходимы сходные предпосылки и управляющие воздействия, а несовместимыми - для которых они должны быть диаметрально противоположными. По результатам кластерно-конструктивного анализа строятся диаграммы смыслового сходства-различия классов (признаков), соответствующие определению семантических сетей и нечетких когнитивных схем, т.е. представляющие собой ориентированные графы, в которых классы (признаки) соединены линиями, толщина которых соответствует модулю, а цвет знаку их сходства-различия.

Предложенная математическая модель в обобщенной постановке обеспечивает содержательное сравнение состояний объекта управления и факторов, т.е. построение когнитивных диаграмм. Например, информационные портреты классов содержат информацию о характерности признаков

для классов. Кластерно-конструктивный анализ обеспечивает сравнение классов друг с другом, т.е. дает степень их сходства и различия. Но он не дает информации о том, какими признаками эти классы похожи и какими отличаются, и какой вклад каждый признак вносит в сходство или различие некоторых двух классов. Информация об этом генерируется на основе анализа и сравнения двух информационных портретов, что и осуществляется при содержательном сравнении классов. Каждая пара признаков, принадлежащих сравниваемым классам, образует "смысловую связь", вносящую определенный вклад в сходство/различие между этими классами если эти признаки тождественны друг другу или между ними имеется определенное сходство/различие по смыслу. Список связей сортируется в порядке убывания модуля силы связи, причем учитывается не более заданного их количества (это связано с ограничениями при графическом отображении). Графической визуализацией результатов содержательного сравнения классов являются когнитивные диаграммы с много-многозначными связями, являющиеся обобщением классических когнитивных диаграммам, проанализированных Р.Солсо (1996). На когнитивной диаграмме классов отображены их информационные портреты, в которых факторы расположены в порядке убывания их влияния на переход АОУ в состояния, соответствующие этим классам, а линии, соединяющие факторы, имеют толщину и цвет, соответствующие модулю и знаку их вклада в сходство-различие классов. Когнитивная диаграмма классов дает детальную расшифровку структуры конкретной линии связи семантической сети. Кроме того, предложены и реализованы в модели инвертированные когнитивные диаграммы, детально раскрывающие сходство-различие двух факторов по их влиянию на переход АОУ в различные состояния, а также прямые и инвертированные диаграммы В.С.Мерлина (1986), в которых показаны уровни и знаки связей между факторами различных уровней интегративности по их влиянию на переход АОУ в некоторое заданное состояние.

3. Исследованы основные свойства математической модели: ее непа-раметричность; зависимость информативностей факторов и адекватности модели от объема обучающей выборки; зависимость адекватности, уровня системности и степени детерминированности модели от степени ее орто-нормированности.

4. Предложена новая меры уровня системности предметной области, основанная на системной мере целесообразности информации, математически показана связь предложенного критерия с критерием х2-

5. Показано, что предложенный метод идентификации и прогнозирования с математической точки зрения является разложением вектора состояния объекта по векторам обобщенных образов классов, представляющих собой произвольные функции, поэтому предложено называть этот метод "Объектным анализом" по аналогии с Фурье-анализом.

6. Показано, что предложенная семантическая информационная модель является моделью нелокальной интерпретируемой нейронной сети прямого счета, обеспечивающей один из вариантов решения проблем интерпретируемости весовых коэффициентов и передаточной функции нейрона, а также проблемы "Комбинаторного взрыва", возникающей при увеличении размерности нейронной сети.

Предложенная математическая модель объединяет преимущества содержательных и статистических моделей и позволяет решать задачи идентификации и прогнозирования развития активных систем (разложение вектора объекта по векторам классов - "Объектный анализ"), а также вырабатывать эффективные управляющие воздействия путем решения обратной задачи прогнозирования и применения элементов нетрадиционной логики и правдоподобных (нечетких) рассуждений. Разработка эффективной семантической информационной модели создает необходимые предпосылки для разработки численного метода (алгоритмов и структур данных) и создания инструментария СК-анализа.

В 4-й главе: "Численный метод СК-анализа" реализован 4-й этап решения проблемы состоит в разработке численного метода, реализующего математическую модель (конструирование структур данных и алгоритмов БКОСА и визуализации когнитивной графики); разработка детального алгоритма СК-анализа.

В данной главе: 10 БКОСА когнитивного конфигуратора детализированы на 24 подоперации; в соответствии с формализуемой когнитивной концепцией разработана детальная иерархическая структура данных, обеспечивающая реализацию БКОСА; даны вербальные описания всех БКОСА с детализацией по подоперациям и приведены их алгоритмы.

Таким образом, в данной главе разработан численный метод, включающий иерархические структуры данных и 24 алгоритма всех 10 базовых когнитивных операций системного анализа, чем обеспечен уровень детализации, достаточный для программной реализации СК-анализа. Необходимо отметить, что данный численный метод реализует все БКОСА на основе непосредственно эмпирических данных.

В 5-й главе: "Специальный программный инструментарий СК-анализа - система "Эйдос" подробно описана разработанная автором Универсальная когнитивная аналитическая система "Эйдос", защищенная 6 Свидетельствами РосПатента РФ (1994 - 2003 годы). Показано, что система "Эйдос" обеспечивает реализацию всех базовых когнитивных операций автоматизированного системного анализа и решение проблемы и задач, поставленных в данном исследовании. В этой главе раскрыты назначение и состав системы, подробно описан ее пользовательский интерфейс, а также технология создания и эксплуатации приложений. Приведены технические характеристики системы, предложены инфраструктура эксплуатации и виды обеспечения. Система "Эйдос" является большой системой: листинг ее исходных текстов (текущей версии 9.0 вместе с системами окружения "Эй-

дос-фонд" и "Эйдос-*?") 6-м шрифтом составляет около 800 страниц, в процессе работы система оперирует десятками баз данных, система выдает 50 различных видов текстовых форм и 52 различные двухмерные и трехмерные графические формы.

Здесь реализован 5-й этап решения проблемы - создание специального програжлного обеспечения, реализующего предложенные математические модели и алгоритмы БКОСА, т.е. создание инструментария СК-анализа, а также 6-й этап — разработка методики синтеза рефлексивных АСУ активными объектами: 1) создана Универсальная когнитивная аналитическая система "Эйдос", обеспечивающая автоматизацию всех базовых когнитивных операций системного анализа; 2) рассмотрена технология синтеза и эксплуатации приложений в системе "Эйдос", обеспечивающая: формализацию предметной области; подготовку обучающей выборки и управление ей; синтез семантической информационной модели предметной области; оптимизацию модели; проверку адекватности модели; идентификацию и прогнозирование; типологический анализ (включая решение обратной задачи идентификации и прогнозирования, семантический информационный и кластерно-конструктивный анализ классов и факторов); оригинальную графическую визуализация результатов анализа в форме когнитивной графики (когнитивных карт, семантических сетей и когнитивных диаграмм); 3) приведены технические характеристики системы "Эйдос" и виды обеспечения ее эксплуатации; 4) показано, что технология и инструментарий СК-анализа является методикой синтеза и эксплуатации рефлексивных АСУ активными системами. Описание функций и структуры системы "Эйдос" в работе ведется на основе описания ее интерфейса с детальной привязкой к реализуемым в каждой подсистеме и режиме базовым когнитивным операциям системного анализа.

В 6-й главе: "Опыт применения АСК-анализа в управлении АПК" реализован последний 7-й этап решения проблемы: синтез и эксплуатация компонент рефлексивных АСУ активными объектами на основе технологии и инструментария АСК-анализа (в различных предметных областях). В данной главе сделан краткий обзор опыта применения АСК-анализа для исследования социально-экономических систем; приведены развернутые численные примеры успешного практического применения предложенной технологии АСК-анализа в 2-х предметных областях: поддержка принятия решений по выбору а1ротехнологий, культур и мест выращивания; анализ и прогнозирование развития сегмента рынка; описывается применение АСК-анализа для анализа динамики макроэкономических состояний городов и районов на уровне субъекта Российской Федерации в ходе экономической реформы (на примере Краснодарского края) и прогнозирования уровня безработицы (на примере Ярославской области).

Оценка пригодности условий окружающей среды для выращивания сельхрозкультур. В рамках гранта "Инициативный научный проект"

№ 02-05-64234 "Разработка теории многокритериальной оценки ландшафтных и метеорологических характеристик Юга России для увеличения продуктивности плодовых культур на основе создания системы банков данных и компьютерного моделирования" в Северо-Кавказском зональном НИИ садоводства и виноградарства в 1999-2003 годах совместно с И. А. Драгав-цевой, И. Ю. Савиным были проведены работы по оценке потенциала выращивания различных зон (микрозон) по видам почв и метеофакторам с картографической визуализацией результатов прогнозирования с применением геоинформационных технологий.

Прогнозирование продуктивности и качества сельхозкультур и ) поддержка принятия решений по рациональному выбору агротехноло-

гий. Данное исследование выполнено в 1993-1996 годах совместно с О.А.Засухиной на основе исходных эмпирических данных, предоставленных Н.Г.Малюгой (Кубанский государственный аграрный университет). С помощью системы "Эйдос" была сформирована семантическая информационная модель, обеспечивающая прогнозирование результатов выращивания сельскохозяйственных культур и выработку научно-обоснованных рекомендаций по управлению урожайностью и качеством сельскохозяйственной продукции. Созданная модель влияния системы факторов на результаты выращивания зерновых колосовых включает: объект управления (сельхозкультуру - зерновые колосовые); шкалы и градации классов (будущие состояния объекта управления, т.е. количественные и качественные результаты выращивания) (таблица 3); шкалы и градации факторов (агротехнологии: нормы высева, виды и нормы внесения удобрений, методы вспашки, ротация севооборота и т.п., и факторы окружающей среды: виды почв, культуры-предшественники по предшествующим годам, метеорологические факторы и др.) (таблица 4); обучающую выборку (формализованные паспорта выращивания сельхозкультур) (таблица 5); матрицу абсолютных частот (таблица 6) и матрицу информативностей (таблица 7). Ниже приведен специально разработанный обозримый численный пример малой размерности.

Таблица 3 - ШКАЛЫ И ГРАДАЦИИ КЛАССОВ (ФРАГМЕНТ)

1 » Код Наименование Степень Абсоп. % к кол 1

| п/п | класса] к л а с с а распознавания редукции кол-во физичес |

1 обрам анкет |

1 1 26 Урожайность низкая...................... 0.13077 2 0.900 |

1 2 27 Урожайность ниже средней................ 0.14235 46 21.200 |

1 3 28 Урсжайность средняя..................... 0.09895 99 45.600 1

1 4 29 Урожайность нише средней................ 0.17377 50 23.000 |

1 5 30 Урожайность высокая..................... 0.18434 20 9.200 |

1 6 31 Рядовая................................. 0.13803 13 6.000 1

1 1 32 Ценная.................................. 0.05200 136 62.700 |

1 8 33 0.10172 68 31.300 |

1 9 34 Твердая................................. 0.00000

1 ю 35 Семепая................................ 0.00000

Таблица 4 - ШКАЛЫ И ГРАДАЦИИ ФАКТОРОВ (ФРАГМЕНТ)

Я I Код I п/п] прмэн!

жкал le градации признаков

|[ 1] | ВИД СЕВООБОРОТА

1 |Зернопропаяной (ЗП).

Интегр.)Абоол.|% х кол инф-стъ¡кол-во]фкз.акк

0.2101

0.922

0.347| 0.3031

109 108

50.230 49.770

II 91 10 [ 111 131

3]IПРЕДВЕСТВЕННИКИ

9 (Бобовые многолетние трави..........................

10 (Бобовые однолетние к друпсе ранние ¡федиествениики.

1-1 (Колосовы* (ойинав и яровые)........................

13 (Поздние пропашные..................................

0.1101 44 20.276

0.185( 1 0.461

0.209| 43 19.816

0.10Ц 130 59.908

IÍ 141 151 1SI 171 181 191 201 211 221 23| 24|

4] | СИСТЕМА УДОБРЕНИИ

14 (Без удобрений..........................

15 |№ннкальная доза ЯРК...................

16 | Средняя доза HPK.......................

17 | Повьгзенная доза К + средняя доза PK...,

18 (Средняя доза NPK + навоз...............

19 (Средняя дона NPK под ведущей культурой.

20 (Высокая доза HPK.......................

21 ) Дробная средняя доза HPK...............

22 (Средняя доза PK........................

23 |Средняя доза НК........................

24 (Средняя доза ИВ.,......................

0.3641 19 ( 8.756

0.1021 21 ( 9.677

0.1071 20 | 9.217

0.12Ц 20 | 9.217

0.1141 19 | 8.756

0.1321 20 1 9.217

0.1621 21 1 9.677

0.1031 20 | 9.217

0.3521 20 1 9.217

0.2091 20 I 9.217

0.0751 17 1 7.834

| [ 9] | ГЛУБИНА И СПОСОБ ОБРАБОТКИ ПОЧВЫ

451 45 (Минимальная до 8 см..............

461 46 ] Поверхноотная 8-10 он..........

471 47 )Вопаяка на 20 - 22 сн............

I I

0.1011 0.0831

130 87

59.908 40.092

|[ Щ (НОРМЫ ВЫСЕВА (МЛН. ВСХОЖИХ СЕМЯН НА 1 ГА) 58( 58 |5 - 5.9...................................

0.2951

Таблица 5 - ФОРМАЛИЗОВАННЫЙ ПАСПОРТ ВЫРАЩИВАНИЯ СЕЛЬХОЗКУЛЬТУРЫ (ПРИМЕР)

ФОРМАЛИЗОВАННЫЙ ПАСПОРТ ВЫРАЩИВАНИЯ Н° 1

31-01-03 14:39:56

г. Краснодар

I Код |

Наименования классов

7 ( Класса распознавания с таким кодом нет в справочнике о&ьектов 27 ) урожайность ниже средней 32 | Ценная

Код |

Наименования факторов

4 | ВИД СЕВООБОРОТА: Зернотравяной пропашной (ЗТП)

6 I РОТАЦИЯ СЕВООБОРОТА: Первая (1974 - 1983)

13 I ПРЕДШЕСТВЕННИКИ: Поздние пропашные

14 I СИСТЕМА УДОБРЕНИЙ: Вез удобрений

27 | СОРТА: среднерослые интенсивные (100 - 119 ом)

32 | СПОСОБЫ ПОСЕВА: Рядовой с междурядьями 15 см

35 | ПРИМЕНЕНИЕ ГЕРБИЦИДОВ И РЕГУЛЯТОРОВ РОСТА: Bes защиты

40 | ЗАЩИТА РАСТЕНИЙ ОТ ВРЕДИТЕЛЕЙ И БОЛЕЗНЕЙ: Бе» Запиты

46 | ГЛУБИНА И СПОСОБ ОБРАБОТКИ ПОЧВЫ: Поверхностная 8 - 10 см

52 | сроки СЕВА: Оптимальный

57 | НОРМЫ ВЫСЕВА (МЛН. ВСХОЖИХ СЕМЯН НА 1 ГА) : 4 - 4.9

Таблица 6 - МАТРИЦА АБСОЛЮТНЫХ ЧАСТОТ (ФРАГМЕНТ)

Коды фактор ов Коды классов результаты выращивания сельхо?культры) (Гумма

26 27 28 29 30 31 32 33 34 35

1 1 1 2 4

4 2 46 98 50 19 13 134 68 430

б 32 75 2 4 43 62 218

7 2 14 24 48 20 9 93 6 216

9 22 22 4 29 11 88

10 1 1 2

11 14 9 10 10 1 26 16 86

13 2 32 68 18 10 8 81 41 260

14 1 12 4 2 7 12 38

15 3 12 5 1 14 7 42

1« 2 12 4 2 13 7 40

17 3 8 5 4 11 9 40

18 2 8 7 2 12 7 38

19 2 12 5 1 12 8 40

20 3 7 5 6 13 8 42

21 2 11 5 2 14 6 40

22 1 13 3 3 6 14 40

23 1 13 5 1 11 9 40

24 3 9 4 1 10 7 34

27 2 46 98 49 20 13 134 68 430

32 2 46 99 30 20 13 136 68 434

35 2 46 99 50 20 13 136 68 434

40 2 46 99 50 20 13 136 68 434

46 2 32 68 18 10 8 81 41 260

47 14 31 32 10 5 55 27 174

52 2 46 99 50 20 13 136 68 434

57 2 46 99 50 19 13 135 68 432

58 1 1 2

Сумма 22 506 1088 550 220 143 1495 748 4772

Кол-во пример ов 2 46 99 50 20 13 136 68 434

Таблица 7 - МАТРИЦА ИНФОРМАТИВНОСТЕЙ (ФРАГМЕНТ)

Коды фактор ов Коды классов (результаты выращивания сельхозкультры) Сумма Сред. Дисп.

26 27 28 29 30 31 32 33 34 35

1 0,04 0,66 0,18 0,88 0,09 0,21

4 -0,02 0,01

6 0,13 0,16 -0,99 -0,19 -0,18 0,23 -0,84 -0,08 0,35

7 0.27 -0,19 -0,28 0,26 0,27 0,13 0,12 -0,68 -0,10 -0,01 0,30

9 0,04 0,30 0,16 0,02 -0,09 0,43 0,04 0,11

10 0,58 0,18 0,76 0,08 0,18

11 0,17 -0,31 0,36 -0,37 -0,01 0,07 -0,09 -0,01 0,21

13 0,20 0.06 0,05 -0,20 -0,07 0,01 0.05 0,01 0,10

14 0,68 0,43 -0,30 -0,31 0,71 1,22 0,12 0,36

15 -0,15 0,09 0,01 -0,26 0,02 0,02 -0,26 -0,03 0,10

16 -0,29 0,11 -0,06 0,03 0,01 0,04 -0,15 -0,02 0,11

17 -0,14 -0,05 0,03 030 -0,05 0,14 0.24 0,02 0,12

18 -0,27 -0,03 0,18 0,05 0,06 0,11

19 -0,29 0,11 0,03 -0,24 -0,02 0,10 -0,32 -0,03 0,13

20 -0,15 -0,12 0,01 0,44 0,08 0,25 0,03 0,16

21 -0,29 0,07 0,03 0,03 0,04 -0,02 -0.13 -0,01 0,1 в

22 0,66 0,44 -0,44 -0,17 0,63 0,04 1,17 0,12 0,35

23 -0,57 0,14 0,03 -0,24 -0,05 0,14 -0,55 -0,05 0,21

24 -0,07 0,06 0,01 -0,18 -0,02 0,11 -0,10 -0,01 0,08

27 0,01

46 0,20 0,06 0,05 -0,20 -0,07 0,01 0,05 0,01 0,10

47 -0,11 -0,10 0,18 0,09 -0,02 0,05 0,08

57 -0,02 -0,01 0,01

38 0,93 0.18 1,12 . 0.11. 0.29

Сумма 2,03 -1,26 -0,71 -0,26 2,09 1,09 0,48 0,22 - - - 3,68

Средн. 0,03 -0,02 -0,01 0,04 0,02 0,01 1 -1! 1 1 Л , V И О«/ .л&ь»] 0,01

Д М С11. 0,13 0,14 0,10 0,17 0.18 0,14 0,05 0,10 И»Т| 0,12

| С Петербург < ' О» МО —г (

Размерность модели составила: 35 прогнозируемых результатов выращивания, 188 градаций факторов, 217 прецедентов в обучающей выборке, 18594 факта. Данный пример демонстрирует возможности технологии АСК-анализа и показывает, что при его применении для обработки значительно больших объемов эмпирической информации по условиям, технологиям и результатам выращивания различных культур позволит получить реальные значимые для практики результаты.

Для каждого технологического фактора получена количественная информация о его влиянии на осуществление всех желаемых и не желаемых хозяйственных ситуаций. Эта информация отображается в различных текстовых и графических формах, в частности в форме нелокального нейрона (рисунок 2). На данной и последующих графических диаграммах цвет линии означает знак связи (красный - положительная, синий - отрицательная), а толщина - ее модуль. Факторы (сигналы с рецепторов) в модели нелокального нейрона взаимосвязаны друг с другом. Эти связи графически отображаются в форме семантической сети (рисунок 3).

Дополнение модели нейрона связями факторов позволяет построить классическую когнитивную карту ситуации (будущего состояния АОУ). Детальная внутренняя структура любой связи классической когнитивной карты отображается в форме когнитивной диаграммы (рисунок 4). Необходимо отметить, что все указанные графические формы генерируются системой "Эйдос" автоматически в соответствии с созданной моделью.

в системе "Эйдос"

Рисунок 3. Отображение результатов кластерно-конструктивиого анализа факторов в форме семантической сети (когнитивной карты) в системе "Эйдос"

CopuRight (с) Scientific a industrial enterprise AIMS, Russia, 1981-Z001. Russian Patent No 940217. All Tttghts Reserved.

КОГНИТИВНЫЕ ДИАГРАММЫ ПРИЗНАКОВ:

з Наименобамия классов:

К0В=74.14и

Наименования классов:!

Рисунок 4. Когнитивная диаграмма кластера факторов: "Глубина и способ обработки почвы: вспашка на 20-22 см — Предшественники: Бобовые однолетние и другие ранние предшественники", генерируемая системой "Эйдос"

Проведено количественное сравнение различных хозяйственных ситуаций и формирование групп наиболее сходных из них (кластеров), а также определены кластеры, наиболее сильно отличаются друг от друга (конструкты). Получен конструкт "качество-количество" показывающий, что для получения высокого качества и большого количества продукции необходимы совершенно противоположные и практически несовместимые (т.е. одновременно неосуществимые) агротехнологии, почвы и предшественники ("ножницы"). При этом низкие количественные и качественные результаты выращивания сельхозкультур вполне совместимы (например, низкая урожайность рядовой пшеницы). Детальная структура конструкта "Качество -количество" представляется в форме когнитивной диаграммы (рисунок 5).

CopyRight (с) Scientific a industrial enterprise ftlDOS, Russia, 1381-2001. Russian Patent ho 940Z1V. All Tiights Reserued.

КОГНИТИВНЫЕ ДИАГРАММЫ КЛАССОВ РАСПОЗНАВАНИЯ: ГСЗЬЫРОЖАЙНОСТЬ ВШЕ СРЕДНЕЙ [331-СИЛЬНАЯ

(Признаки: 1-531 ¡Признаки: 1-53 j

1 Отношения сходства: »■— различия: .......... 1 | Сила связи - толцина линии |

Рисунок 5. Когнитивная диаграмма конструкта классов "Качество-количество" в системе "Эйдос"

Кластерно-конструктивный анализ факторов показал, что некоторые различные по своей природе факторы имеют сходное влияние на хозяйственные результаты. Эти факторы предложено использовать для замены друг друга в случае необходимости (например, когда их нецелесообразно использовать по какой-либо причине, например из-за высокой стоимости).

< В данном исследовании с помощью предложенных математических методов и программного инструментария непосредственно на основе эмпирических данных в количественной форме были вновь открыты как уже из-

вестные законы влияния предшественников, почв, удобрений, способов вспашки и т.д., оказывающие основное влияние на результаты выращивания сельхозкультур, так и новые, до этого ранее неизвестные более слабые закономерности, также вносящие определенный суммарный вклад в поведение АОУ. Система оценивает степень достоверности своих прогнозов и рекомендаций по управлению. Внутренняя интегральная валидность модели составила около 83%, что достаточно для практического применения. В то же время были выявлены некоторые слабо детерминированные хозяйственные ситуации, которые наиболее сложно как вызывать, так и достоверно прогнозировать.

Таким образом разработаны математический метод и программный инструментарий, позволяющие решать две основные задачи для различных сельхозкультур:

1) прогнозирование количественных и качественных результатов выращивания конкретной культуры с учетом условий окружающей среды в зоне и микрозоне выращивания (почвы, предшественники, климатические факторы) и применяемых агротехнологий; результаты прогнозирования с применением АСК-анализа выводятся в форме, допускающей картографическую визуализацию с применением геоинформационных технологий;

2) разработка научно-обоснованных рекомендаций по управлению продуктивностью и качеством сельхозкультур, т.е. оказание консалтинговых услуг по вопросам о том, какие виды почв, предшественники и агро-технологии должны быть использованы для достижения заранее заданного желаемого хозяйственного результата.

Прогнозирование развития одного из сегментов рынка РФ (5-летний лонгитюд). Данное исследование проведено в 1993-1998 годах совместно с Б.Х.Шульманом (США) и рассматривается в работе, как пример использования АСК-анализа, его технологии и методики для прогнозирования спроса на различные виды продукции, в т.ч. АПК. Это создает основу для принятия адекватных решений по фьючерсным контрактам на сельхозпродукцию. При этом были применены оригинальные авторские технологии и специальный программный инструментарий СК-анализа (система "Эйдос"), а также созданный программный интерфейс с биржевыми базами данных (система "Эйдос-фонд"). Размерность модели составила: 300 прогнозируемых ситуаций на фондовом рынке, 1500 градаций факторов, 1393 прецедента за 1992 по 1998 годы, 1765907 фактов. В проведенном нами исследовании было обнаружено, что ошибка прогнозирования курса Российского рубля по отношению к доллару США является периодической величиной и сильно коррелирует с разбросом точечных прогнозов: чем больше разброс точечных прогнозов, тем больше ошибка средневзвешенного прогноза (рисунки )

Состояния АОУ с высокой надежностью прогнозирования дальнейшего развития предлагается ассоциировать с детерминистскими состояниями. Состояния АОУ с высокой неопределенностью дальнейшего поведения,

что характеризуется большим разбросом точечных прогнозов (аналог доверительного интервала), предлагается интерпретировать как бифуркационные состояния. Таким образом, разработанные в диссертационном исследовании методология и технология СК-анализа позволяют прогнозировать не только развитие активного объекта на детерминистских этапах его развития, но и его переходы в бифуркационные состояния, что является особенностью предлагаемого подхода. Средневзвешенная достоверность прогнозирования составила около 87%. I

Приведенные примеры практического применения предложенной технологии и инструментария СК-анализа для управления в АПК и прогноза динамики рынка, а также опыт их применения в других предметных областях, подтверждают правильноеть принятых научно-технических реше- 0 ний и их пригодность для решения проблемы, поставленной в диссертационной работе.

В 7-й главе: "Экономическая эффективность АСК-анализа, его ограничения и перспективы" приведены подходы к разработке методики оценки экономической эффективности АСК-анализа (на примере поддержки принятия решений по выбору агротехнологий, культур и зон (микрозон) выращивания).

Размещение садов в зонах экологического оптимума с применением АСК-анализа позволяет рационально использовать природные ресурсы и генетический потенциал сортов. За счет этого урожайность косточковых плодовых культур увеличивается в среднем в 2.5 раза, семечковых в 1.8 раза (И.А.Драгавцева, Е.А.Егоров). Оценка ежегодного экономического эффекта, ожидаемого за счет применения АСК-анализа для поддержки принятия решений о выборе агротехнологий и зон (микрозон) выращивания плодовых культур (косточковых и семечковых) в масштабах Краснодарского края показывает, что при десяти-процентной реализации рекомендуемых решений он составляет около 17 млн. рублей в год. В качестве источников экономической эффективности учитывались: удешевление разработки проектов на закладку садов, повышение продуктивности садов, спроектированных с использованием предлагаемых технологий, повышение продуктивности садов и качества продукции за счет выбора рациональной агротехнологии. Безусловно, реальный экономический эффект внедрения АСК-анализа для под- < держки принятия решений зависит не только от научной проработки и наличия инструментария, но и от его востребованности практиками.

Кроме того, на основе метода научной индукции сформулированы ограничения АСК-анализа и обоснована возможность корректного расшире- 1 ния области его применения на предметные области, где эти ограничения несущественны; описаны перспективы применения предложенных технологий АСК-анализа в управлении технологиями и экономике АПК, прогнозировании рисков кредитования и страхования, маркетинговых, рекламных и социально-психологических исследованиях, в Internet (создание много-агентных распределенных систем обнаружения, накопления и использова-

ния знаний по различным предметным областям, on-line консалтинговых служб на этой основе), в ряде других областей.

Основные выводы по результатам 7-й главы: 1) АСК-анализ является адекватной системной основой и инструментарием поддержки принятия решений в АПК, в частности он обеспечивает подготовку данных для геоинформационных технологий; 2) оправданным и обоснованным является предположение об универсальности математического метода, инструментария, технологии и методики АСК-анализа и о возможности его применения в различных предметных областях, где накапливаются факты и производятся их обобщение и анализ, а также выполняются другие когнитивные операции, связанные с процессами познания и управления.

В Заключении отражены основные выводы и результаты, полученные в данной работе, подчеркнуты некоторые предложенные в ней новые теоретические идеи, высокая достоверность полученных результатов и их практическая значимость.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ И РЕКОМЕНДАЦИИ

Показано, что причины возникновения проблемы управления слабо-детерминированными многофакторными активными объектами АПК преодолеваются путем периодического синтеза модели АОУ в режиме реального времени, для чего целесообразно включение системного анализа, как метода познания непосредственно в цикл управления, что возможно только при автоматизации системного анализа.

1. Перспектива автоматизации системного анализа состоит не в его максимальной детализации, а в интеграции с когнитивными технологиями.

2. Предлагаемая формализуемая когнитивная концепция рассматривает процесс познания, как многоуровневую иерархическую систему обработки информации, в которой когнитивные структуры каждого уровня являются результатом интеграции структур предыдущего уровня. Это служит основой формализации смысла. В рамках предложенной когнитивной концепции сконструирован когнитивный конфигуратор, представляющий собой минимальную полную систему когнитивных операций, получивших название "базовые когнитивные операции системного анализа" (БКОСА). Всего выявлено 10 таких операций, каждая из этих операций достаточно элементарна для формализации и программной реализации: 1) присвоение имен; 2) восприятие; 3) синтез (обобщение, индукция); 4) абстрагирование; 5) оценка адекватности модели; 6) сравнение, идентификация и прогнозирование; 7) анализ (дедукция и абдукция); 8) классификация и генерация конструктов; 9) содержательное сравнение; 10) планирование и принятие решений об управлении. С целью создания благоприятных условий для автоматизации системного анализа предложено ее структурирование до уровня базовых когнитивных операций, допускающих формализацию и автоматизацию. Системный анализ, структурированный по базовым когнитивным

операциям предложено называть "Системно-когнитивный анализ" (СК-анализ).

3. На базе системного обобщения формулы А.Харкевича для семантической целесообразности информации выявлены закономерности влияния системы на поведение ее элементов, отраженные в "Законе повышения эмерджентности" и 4-х следствиях из него. При этом впервые на уровне аналитического выражения для самого понятия "Информация" отражены такие свойства систем, как "Уровень системности" и "Степень детерминированности" системы. На основе предложенной информационной меры разработана семантическая информационная модель СК-анализа, относящаяся к интеллектуальным информационным моделям. Эта мбдель позволяет решать задачи идентификации и прогнозирования развития активных систем (разложение вектора объекта по векторам классов - "Объектный анализ"), а также вырабатывать эффективные управляющие воздействия путем решения обратной задачи прогнозирования (БКОСА-7: "анализ") и применения элементов нетрадиционной логики и правдоподобных (нечетких) рассуждений. В ней объединены преимущества содержательных и статистических моделей, созданы предпосылки для реализации СК-анализа на практике. Показано, что предложенная математическая модель содержит модель нелокального нейрона и модель нелокальной интерпретируемой нейронной сети прямого счета (новый класс нейронных сетей, основанный на предложенном информационном подходе). Зга модель обеспечивает разложение вектора объекта по векторам классов (объектный анализ, семантический резонанс). Из нее вытекает новая информационная мера степени выраженности закономерностей в предметной области, связанная с критерием %2.

4. Разработан численный метод, включающий иерархическую структуру данных и 24 детальных алгоритма 10 базовых когнитивных операций системного анализа, обеспечивающие уровень конкретизации, достаточный для программной реализации СК-анализа.

5 Создана Универсальная когнитивная аналитическая система "Эй-дос", обеспечивающая автоматизацию всех базовых когнитивных операций системного анализа, и , таким образом, представляющая собой инструментарий СК-анализа. Предложено понятие: "Автоматизированный СК-анализ" (АСК-анализ), под которым понимается СК-анализ с его инструментарием. Рассмотрена технология синтеза и эксплуатации приложений в системе "Эйдос", обеспечивающая: формализацию предметной области; подготовку обучающей выборки и управление ею; синтез семантической информационной модели предметной области; оптимизацию модели; проверку адекватности модели; идентификацию и прогнозирование; типологический анализ (включая решение обратной задачи идентификации и прогнозирования, семантический информационный и кластерно-конструктивный анализ); оригинальную графическую визуализацию результатов анализа в форме когнитивной графики (семантических сетей и когнитивных диаграмм).

6. Приведена классификация функционально-структурных типов АСУ и показано место адаптивных АСУ сложными системами и рефлексивных АСУ активными объектами в этой классификации; показаны роль и место АСК-анализа в рефлексивных АСУ активными объектами. Предложено рассматривать алгоритм СК-анализа, как алгоритм синтеза рефлексивных АСУ активными объектами. Предложена двухуровневая структура РАСУ АПК: 1-й уровень - управление АОУ с применением определенной технологии; 2-й уровень - управление самой этой технологией.

7. Приведены подробные численные примеры успешного практического применения предложенной технологии АСК-анализа в двух различных предметных областях: синтез и эксплуатация РАСУ возделыванием сельхозкультур; анализ и прогнозирование состояний сегмента рынка. Это подтверждает, что предложенные математический метод и инструментарий АСК-анализа позволяет научно-обоснованно ставить цели производства в АПК, оценивать их реалистичность и вырабатывать рекомендации по их достижению.

В диссертационной работе рассмотрен опыт и перспективы применения АСК-анализа в ряде предметных областей: поддержка принятия реше-ний'По" созданию, совершенствованию и выбору агротехнологий, культур и зон (микрозон) выращивания; анализ и прогнозирование динамики рынка (система "Эйдос-фонд); анализ динамики макроэкономических состояний городов и районов на уровне субъекта федерации в ходе экономической реформы (на примере Краснодарского края); прогнозирование уровня безработицы (на примере Ярославской области); мониторинг, прогнозирование и управление в финансово-экономической сфере; оценка рисков страхования и инвестирования (кредитования) предприятия; анализ общественного мнения (социология и политология); экологический мониторинг. Приведенные примеры успешного практического применения предложенной технологии АСК-анализа в различных предметных областях подтверждают правильность принятых научно-технических решений и их адекватность для решения проблемы, поставленной в данной работе. Рассмотрены перспективы континуального обобщения АСК-анализа и его применения в различных сферах деятельности, прежде всего для создания многоагентных распределенных систем обнаружения, накопления и использования знаний в Internet и создания на этой основе on-line консалтинговых служб, а также для интеграции предложенных технологий с экспертными системами, основанными на нечеткой логике. В исследовании разработан математический метод и инструментарий АСК-анализа, являющийся новым методом мониторинга, анализа, прогнозирования и принятия решений, основанным на предложенной системной теории информации. Применение математического метода и инструментария АСК-анализа решает поставленную в данном исследовании проблему обеспечения устойчивого управления слабодетерминиро-ванными многофакторными активными объектами АПК как на детерминистских, так и па бифуркационных этапах их развития.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ Монографии

1. Луценко Е. В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в • исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.

2. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с.

3. Луценко Е.В. Универсальная автоматизированная система распознавания образов "Эйдос" (версия 4.1).-Краснодар: КЮИ МВД РФ, 1995,- 76с.

4. Симанков B.C., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов Монография (научное издание). - Краснодар: ТУ КубГТУ, 1999. - 318с.

5. Симанков B.C., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В.С.Симанкова. - Краснодар: ИСТЭК КубГТУ, 2001. - 258с.

Методические рекомендации и стандарты

6. Бакурадзе Л.А., Луценко Е.В.,,Самсонов Г.А. Руководящие материалы по эксплуатации первой очереди автоматизированной информационно-управляющей системы агропромышленного комплекса (АНУС-АПК) с применением ПЭКВМ "Искра-226". - Курск: Тип. Курского облисполкома, 1986. - 109с. (ДСП).

7. Фатхудцинов P.A., Клыков Ю.И., Наркевич C.B., Добробаба А.Д., Луценко Е.В. Разработка и управление реализацией городских целевых комплексных программ. ГСТ 00. 004-85. /Городской стандарт. - Краснодар: КФ ВНИИ Стандартизации, 1985. - 107с.

Свидетельства РосПатента РФ

8. Пат. № 940217. РФ. Универсальная автоматизированная система распознавания образов "ЭЙДОС". /Е.ВЛуценко (Россия); Заяв. № 940103. Опубл. 11.05.1994.-50с.

9. Пат. № 940328 РФ. Универсальная автоматизированная система анализа, мониторинга и прогнозирования состояний многопараметрических динамических систем "ЭЙДОС-Т". /Е.В.Луценко (Россия); Заяв. № 940324. Опубл. 18.08.1994.-50с.

10. Пат. № 2003610986 РФ. Универсальная когнитивная аналитическая система "ЭЙДОС" / Е.ВЛуценко (Россия); Заяв. № 2003610510 РФ. Опубл. от 22.04.2003. - 50с.

11. Пат. № 940334. РФ. Универсальная автоматизированная система анализа и прогнозирования ситуаций на фондовом рынке "ЭЙДОС-фонд" /Е.В.Луценко (Россия), Б.Х.Шульман (Россия); Заяв. № 940336. Опубл. 23.08.1994.-50с.

12. Пат. № 2003610987 РФ. Автоматизированная система комплексной обработки данных психологического тестирования "ЭЙДОС-Ч"1 / Е.В.Луценко (Россия), С.Д.Некрасов (Россия); Заяв. № 2003610511 РФ. Опубл. от 22.04.2003. - 50с.

13. Пат. № 2003610433 РФ. Автоматизированная система мониторинга, анализа и прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО". / И. А. Драгавцева (Россия), Е.В.Луценко (Россия), Л.М.Лопатина (Россия); Заяв. № 2002611927 РФ. Опубл. от 18.02.2003. - 50с.

14. Пат. № 2003620035 РФ. База данных автоматизированной системы мониторинга, анализа и прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО" /И.А.Драгавцева (Россия), Е.В.Луценко (Россия), Л.М.Лопатина (Россия); Заяв.№2002620178 РФ. Опубл. от 20.02.03 .-50с.

15. Пат. № 2000610164. РФ. Адаптивная система анализа и прогнозирования состояний' слойтых систем "ДЕЛЬТА". /В.С.Симанков (Россия), Е.В.Луценко (Россия); Заяв. № 2000610164. Опубл. 03.03.2000. - 50с.

Статьи в изданиях, рекомендуемых ВАК

16. Луценко Е.В. Автоматизированный системно-когнитивный анализ в экономике. //Изв. вузов. Сев.-Кавк. регион. Техн. науки. - 2003. - Приложение № 1,.- С. 189-194.

17. Симанков B.C., Луценко Е.В. Синтез адаптивных АСУ сложными системами с применением моделей распознавания образов. /Автоматизация и современные технологии. 1999. № 1. - С.32-37.

18. Симанков B.C., Луценко Е.В. Моделирование принятия решений в адаптивных АСУ сложными системами на основе теории информации. /Информационные технологии. 1999, №2,. - С.8-14.

Статьи и тезисы докладов

19. Луценко Е.В. Автоматизированная система "ЭЙДОС" - как инструмент для разработки и эксплуатации психологических тестов. //В сб.: "Теоретические и прикладные проблемы социально-психологической и медико-педагогической служб". - Краснодар: КубГУ, 1995. - С.47.

20. Луценко Е.В. Автоматизированная система распознавания образов: математическая модель и опыт применения. //В сб.: "В.И. Вернадский и современность (к 130-летию со дня рождения)". - Краснодар: КНА, 1993. - С.37-42.

21. Луценко Е.В. Автоматизированный когнитивный системный анализ влияния ДПО на качество подготовки специалистов. //В сб.: "Опыт и проблемы совершенствования региональной системы дополнительного профессионального образования в области управления качеством". -

•Краснодар: Академия CMC, 2001. - С.37-38.

22. Луценко Е.В. Адаптивная система обработки данных "ВЕГА". ИЛ №685, КЦНТИ, 1985.-4с.

23. Луценко E.B. АСК-анализ информационной безопасности организационно-технических систем. // Межвузовский сборник научных трудов, том 1. -Краснодар: КВИ. 2003 .-С. 87-89.

24. Луценко Е.В. Интерференция последствий выбора в результате одновременного выбора альтернатив и необходимость разработки эмерд-жентной теории информации. //В сб.: "Материалы III всероссийской межвузовской научно-технической конференции". - Краснодар: КВИ,

2002. - С.24-30. <

25. Луценко Е.В. Исследование адекватности, сходимости и семантической устойчивости системно-когнитивной модели активных объектов. //В сб.: "Материалы III всероссийской межвузовской научно-технической кон- ¿ ференции". - Краснодар: КВИ, 2002. - С.50-54.

26. Луценко Е.В. Когнитивная аналитическая система "ЭЙДОС-б.О" и система "ЭЙДОС-Ч*" - адекватный инструментарий для психологических служб МВД. //В сб.: "Актуальные проблемы социально-правовой подготовки специалистов и перспективы совершенствования системы комплектования органов внутренних дел". Часть 1. - Краснодар: КЮИ МВД РФ, 1997. - С.65-69.

27. Луценко Е.В. Когнитивная аналитическая система "ЭЙДОС-6.2", как инструмент исследования интегральной индивидуальности по Вольфу Мерлину.//В сб.: "Актуальные проблемы социально-правовой подготовки специалистов и перспективы совершенствования системы комплектования ОВД". Часть 2. -Краснодар: КЮИ МВД РФ, 1997. -С.136-141.

28. Луценко Е.В. Математическая модель автоматизированной системы распознавания образов. //В сб. "Тезисы докладов VIII Всесоюзного съезда психологов". -М.: Наука, 1989. - С.35.

29. Луценко Е.В. Разработка методологии синтеза адаптивных АСУ сложными объектами на основе применения моделей распознавания образов и принятия решений. Дис... к.т.н. (05.13.06) - Краснодар: КубГТУ. 1999. - 187с.

30. Луценко Е.В. Рефлексивное модель управления качеством подготовки специалиста. //В сб.: "Материалы II межвузовской научно-технической конференции". - Краснодар: КВИ, 2001. - С.129-131.

31. Луценко Е.В. Синтез адаптивных систем управления индивидуальным 1 обучением на базе интеллектуальной системы "ЭЙДОС" // В Сб.: "Современные компьютерные технологии обучения". - Краснодар: КВВАУ,

1998. - С.27-30.

32. Луценко Е.В. Синтез экстремальных систем "человек-машина" на основе принципа многоуровневой адаптивности. /Труды Краснодарского ВАИ. Вып. 4. - Краснодар: КВАИ, 1999. - С. 186-190.

33. Луценко Е.В. Системно-когнитивный анализ детерминстско-бифуркационной динамики активных систем. //В сб.: "Материалы III всероссийской межвузовской научно-технической конференции". -Краснодар: КВИ, 2002. - С.64-70.

34. Луценко E.B. Теоретические основы эмерджентной теории информации. //В сб.: "Материалы III всероссийской межвузовской научно-технической конференции". - Краснодар: КВИ, 2002. - С.31-42.

35. Луценко Е.В. Универсальная автоматизированная система распознавания образов "ЭЙДОС-4". ИЛ №438-93, КЦНТИ, 1993. - 4с.

36. Луценко Е.В. Универсальная автоматизированная система распознавания образов "ЭЙДОС": опыт и перспективы применения. //В сб.: "Состояние и связи криминалистики и теории оперативно-розыскной деятельности ОВД". - Краснодар.: КЮИ МВД РФ, 1995. - С.168-177.

37. Луценко Е.В., Автоматизация когнитивных операций системного анализа. //В сб.: "Материалы II межвузовской научно-технической конференции". - Краснодар: КВИ, 2001. - С.131-133.

38. Луценко Е.В., Автоматизированный когнитивный системный анализ фондового рынка. //В сб.: "Проблемы экономического и социального развития России". - Пенза: ПГУ, 2001,- С.206-209.

39. Луценко Е.В. Концептуальные основы системной, (эмерджентной) теории информации и ее применение для когнитивного моделирования активных объектов. //Ж-л "Перспективные информационные технологии и интеллектуальные системы", №1/2003. -Тагантроп-ТГРУ, 2003, с.23-27.

40. Луценко Е.В. Численный расчет эластичности объектов информационной безопасности на основе системной теории информации//В сб. "Информационная безопасность при использовании средств вычислительной техники". -Краснодар: КЮИ МВД РФ, 2003.-С. 21-30.

41. Драгавцева И.А., Лопатина Л.М., Луценко Е.В., Луценко Н.Е. Применение системного анализа для прогнозирования успешности выращивания сельскохозяйственных культур (на примере плодовых). //В сб. "Формы и методы повышения эффективности координации исследований для ускорения процесса передачи реальному сектору экономики завершенных разработок". - Краснодар. СКЗНИИСиВ, 2002. - С.62-67.

42. Драгавцева И.А., Луценко Е.В., Лопатина Л.М. Применение автоматизированного системного анализа для прогноза продуктивности плодовых культур на юге России. //Научное обеспечение современных технологий производства, хранения и переработки плодов и ягод в России и странах СНГ /ВСТИСП. -М., 2002. - С. 17-20.

43. Луценко Е.В. Селиверстов В.В. Разработка профессиональных оптимальных адаптивных тестов на основе интеллектуальной технологии "ЭЙДОС". //В Сб.: "Современные компьютерные технологии обучения". - Краснодар: КВВАУ, 1998. - С.32-34.

44. Луценко Е.В., Власенко A.B. Методика изучения влияния дополнительного профессионального образования на качество подготовки специалистов. //В сб.: "Опыт и проблемы совершенствования региональной системы дополнительного профессионального образования в области управления качеством". -Краснодар: Академия CMC, 2001. -С.23-24.

45. Луценко Е.В., Лаптев В.Н, Третьяк В.Г. Прогнозирование качества специальной деятельности методом подсознательного (подпорогового) тестирования на основе семантического резонанса. //В сб.: "Материалы II межвузовской научно-технической конференции". - Краснодар: КВИ, 2001. - С.127-128.

46. Луценко Е.В., Лаптев В.Н. Изучение некоторых понятий гносеологии и психологии на примере когнитивной аналитической системы "ЭЙДОС".

//В сб.: "Современные компьютерные технологии обучения". - Красно- <;

дар: КВВАУ, 1998. - С.34-38.

47. Луценко Е.В., Лаптев В.Н. Некоторые проблемы и перспективы управления качеством подготовки специалистов. //В сб.: "Материалы II межвузовской научно-технической конференции". - Краснодар: КВИ, 2001. -С.133-135.

48. Луценко Е.В., Лаптев В.Н. Применение когнитивной аналитической системы "ЭЙДОС" для прогнозирования успешности будущей профессиональной деятельности абитуриентов и учащихся вузов. //В сб.: "Современные компьютерные технологии обучения". - Краснодар: КВВАУ, 1998. - С.30-32.

49. Луценко Е.В., Лебедев А.Н. Диагностика и прогнозирование профессиональных и творческих способностей методом АСК-анализа электроэнцефалограмм в системе "Эйдос". // Межвузовский сборник научных трудов, том 1. -Краснодар: КВИ. 2003.-С. 227-229.

50. Луценко Е.В., Третьяк В.Г. Моделирование профессиональных траекторий специалистов в системе "Эйдос". //В сб.: "Личность и ее бытие (социально-психологические аспекты бытия личности в местном сообществе)". -Краснодар: КубГУ, 2002. -С.43-49.

51. Петрик A.A., Лобанов В.Г., Симанков B.C., Луценко Е.В. Адаптивная система управления университетом. //В сб.: "Информационные технологии и телекоммуникации в образовании". - М.: ВВЦ, 2000. - С.30-31.

52. Рябикина З.М., Некрасов С.Д., Луценко Е.В. Личность и профессия: проблема самоактуализации. //В сб. "Психологические проблемы самореализации личности". /Под ред. О.Г.Кукосяна. - Краснодар: КубГУ, 1997. - С.127-140.

53. Симанков B.C., Зайцев И.В., Луценко Е.В. Синтез автоматизированных < систем управления автономными комбинированными фотоветроэлек-троэнергетическими установками. Деп.в ВИНИТИ 27.11.98, № 3500-В98.-22с.

54. Симанков B.C., Зайцев И.В., Луценко Е.В. Синтез адаптивных САУ ФВЭУ с применением моделей распознавания образов и принятия решений, основанных на теории информации. //В Сб.: "Компьютерные технологии в науке, проектировании и производстве". Часть 17. Нижний Новгород: НГТУ, 1999. - С.12.

55. Симанков B.C., Луценко Е.В. Адаптивная автоматизированная система управления качеством обучения. //В сб,: "Информационные технологии

и системы". ВТУ: Тез. докл. Всероссийской конференции. -Воронеж: ВГТА, 1999.-С. 155-157.

56. Симанков B.C., Луценко Е.В. Адаптивная система анализа и прогнозирования состояний сложных систем "Дельта". //В сб.: "Теория конфликта и ее приложения". - Воронеж: ВГТА, 2000. - С.4-5.

57. Симанков B.C., Луценко Е.В. Исследование эффективности управления обучением с применением адаптивной информационной модели. //В сб.: "Компьютерные технологии в науке и образовании XXI века". - Ульяновск: УлГУ, 1999. - С.242-246.

58. Симанков B.C., Луценко Е.В. О требованиях, предъявляемых к тестовым заданиям и тестам по предметной обученности. //В сб.: "Интеллектуальные информационные системы". - Воронеж, ВГТА, 2000 -С.35-36.

59. Симанков B.C., Луценко Е.В. Применение кластерно - конструктивного анализа и теории информации для выявления конфликтующих коалиций в сложных организационных системах. //В сб.: "Теория конфликта и ее приложения". - Воронеж: ВГТА, 2000. - С.11-12.

60. Симанков B.C., Луценко Е.В. Применение семантической теории информации для обобщения и сравнительно-типологического анализа исторического опыта стран //В сб.: "Вековой поиск модели хозяйственного развития России". - Волжский: ВГУ, 2000. - С.21-23.

61. Симанков B.C., Луценко Е.В. Решение задач управления качеством обучения с применением интеллектуальной системы. "Дельта". /В сб.: "Информационные технологии и телекоммуникации в образовании". - М.: ВВЦ, 2000. - С.52-53.

62. Симанков B.C., Луценко Е.В. Синтез адаптивных АСУ сложньми системами с применением моделей распознавания образов. Деп. в ВИНИТИ 18.09.98, № 2839 -В98. - 11с.

63. Третьяк В.Г., Александров С.Г., Луценко Е.В. Модель профессионально-значимых психологических качеств личности сотрудников ОВД. //Вестник учебного отдела КЮИ МВД РФ. 2001, №1. - С.37-41.

64. Хагуров A.A., Луценко Е.В., Бакурадзе Л.А. Системный подход к социальному планированию развития города. //В сб.: "Проблемы управления развитием городов". - Краснодар: Краснодарский горисполком, 1985. -С.53-61с. (ДСП).

65. Lutsenko E.V. Conceptual principles of the system (emergent) information theory & its application for the cognitive modelling of the active objects (entities) //2002 IEEE International Conference on Artificial Intelligence System (ICAIS 2002). -Computer society, IEEE, Los Alamos, California, Washington-Brussels-Tokyo, p. 268-269.

Лицензия ИД № 02334 от 14 июля 2000 г. Подписано в печать 16.05.2003. Формат 60x84. Бумага типографская. Лечл.: - 2,0 Заказ № 297 Тираж 100 экз. Отпечатано в типографии Кубанского государственного аграрного университета 350044, г. Краснодар, ул. Калинина, 13

8476

Q¿»o?-/¡

S47<T

Диссертация: содержание автор диссертационного исследования: доктора экономических наук, Луценко, Евгений Вениаминович

ВВЕДЕНИЕ.

ГЛАВА 1. ПРОБЛЕМА УПРАВЛЕНИЯ АКТИВНЫМИ ОБЪЕКТАМИ АПК И ИДЕЯ ЕЕ РЕШЕНИЯ.

1.1. ПРОБЛЕМА УПРАВЛЕНИЯ АКТИВНЫМИ ОБЪЕКТАМИ АПК.

1.2. ТРЕБОВАНИЯ К МЕТОДАМ РЕШЕНИЯ ПРОБЛЕМЫ И КРИТЕРИИ ИХ СРАВНЕНИЯ.

1.3. ТРАДИЦИОННЫЕ ПУТИ РЕШЕНИЯ ПРОБЛЕМЫ И ИХ ОГРАНИЧЕНИЯ.

1.4. ИДЕЯ РЕШЕНИЯ ПРОБЛЕМЫ.

1.5. ВЫВОДЫ.

ГЛАВА 2. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ СК-АНАЛИЗА В УПРАВЛЕНИИ АПК.

2.1. СИСТЕМНЫЙ АНАЛИЗ, КАК МЕТОД ПОЗНАНИЯ.

2.2. КОГНИТИВНАЯ КОНЦЕПЦИЯ И СИНТЕЗ КОГНИТИВНОГО КОНФИГУРАТОРА.

2.3. АСК-АНАЛИЗ, КАК СИСТЕМНЫЙ АНАЛИЗ, СТРУКТУРИРОВАННЫЙ ДО УРОВНЯ БАЗОВЫХ КОГНИТИВНЫХ ОПЕРАЦИЙ.!.

2.4. МЕСТО И РОЛЬ СК-АНАЛИЗА В СТРУКТУРЕ УПРАВЛЕНИЯ АПК.

2.5. ВЫВОДЫ.

ГЛАВА 3. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ СК-АНАЛИЗА.

3.1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ СИСТЕМНОЙ ТЕОРИИ ИНФОРМАЦИИ.

3.2. СЕМАНТИЧЕСКАЯ ИНФОРМАЦИОННАЯ МОДЕЛЬ АСК-АНАЛИЗ А.

3.3. НЕКОТОРЫЕ СВОЙСТВА МАТЕМАТИЧЕСКОЙ МОДЕЛИ (СХОДИМОСТЬ, АДЕКВАТНОСТЬ, УСТОЙЧИВОСТЬ И ДР.).

3.4. ВЗАИМОСВЯЗЬ МАТЕМАТИЧЕСКОЙ МОДЕЛИ СК-АНАЛИЗА С ДРУГИМИ МОДЕЛЯМИ.

3.5. ВЫВОДЫ.

ГЛАВА 4. ЧИСЛЕННЫЙ МЕТОД СК-АНАЛИЗА.

4.1. ПРИНЦИПЫ ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ И ПОДГОТОВКИ ЭМПИРИЧЕСКИХ ДАННЫХ.

4.2. ИЕРАРХИЧЕСКАЯ СТРУКТУРА ДАННЫХ И ПОСЛЕДОВАТЕЛЬНОСТЬ ЧИСЛЕННЫХ РАСЧЕТОВ ВСК-АНАЛИЗЕ.

4.3. ОБОБЩЕННОЕ ОПИСАНИЕ АЛГОРИТМОВ АСК-АНАЛИЗА.

4.4. ДЕТАЛЬНЫЕ АЛГОРИТМЫ СК-АНАЛИЗА.

4.5. ВЫВОДЫ.

ГЛАВА 5. СПЕЦИАЛЬНЫЙ ПРОГРАММНЫЙ ИНСТРУМЕНТАРИЙ АСК-АНАЛИЗА - СИСТЕМА "ЭЙДОС".

5.1. НАЗНАЧЕНИЕ И СОСТАВ СИСТЕМЫ "ЭЙДОС".

5.2. ПОЛЬЗОВАТЕЛЬСКИЙ ИНТЕРФЕЙС, ТЕХНОЛОГИЯ РАЗРАБОТКИ И ЭКСПЛУАТАЦИИ . ПРИЛОЖЕНИЙ В СИСТЕМЕ "ЭЙДОС".

5.3. ТЕХНИЧЕСКИЕ ХАРАКТЕРИСТИКИ И ОБЕСПЕЧЕНИЕ ЭКСПЛУАТАЦИИ СИСТЕМЫ "ЭЙДОС" (ВЕРСИИ 7.3).

5.4. АСК-АНАЛИЗ, КАК ТЕХНОЛОГИЯ СИНТЕЗА И ЭКСПЛУАТАЦИИ РЕФЛЕКСИВНЫХ АСУ АКТИВНЫМИ ОБЪЕКТАМИ В АПК.

5.5. ВЫВОДЫ.

ГЛАВА 6. ОПЫТ ПРИМЕНЕНИЯ АСК-АНАЛИЗА В УПРАВЛЕНИИ АПК.

6.1. ОБЗОР ОПЫТА ПРИМЕНЕНИЯ АСК-АНАЛИЗА ДЛЯ УПРАВЛЕНИЯ В АПК И ИССЛЕДОВАНИЯ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМ.

6.2. ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ ПО ВЫБОРУ АГРОТЕХНОЛОГИЙ, КУЛЬТУР И ПУНКТОВ ВЫРАЩИВАНИЯ.

6.3. ПРОГНОЗИРОВАНИЕ ДИНАМИКИ СЕГМЕНТА РЫНКА.

6.4. АНАЛИЗ ДИНАМИКИ МАКРОЭКОНОМИЧЕСКИХ СОСТОЯНИЙ ГОРОДОВ И РАЙОНОВ НА УРОВНЕ СУБЪЕКТА ФЕДЕРАЦИИ В ХОДЕ ЭКОНОМИЧЕСКОЙ РЕФОРМЫ (НА ПРИМЕРЕ КРАСНОДАРСКОГО КРАЯ) И ПРОГНОЗИРОВАНИЕ УРОВНЯ БЕЗРАБОТИЦЫ (НА ПРИМЕРЕ ЯРОСЛАВСКОЙ ОБЛАСТИ).

6.5. ВЫВОДЫ.

ГЛАВА 7. ЭКОНОМИЧЕСКАЯ ЭФФЕКТИВНОСТЬ АСК-АНАЛИЗА, ЕГО ОГРАНИЧЕНИЯ И ПЕРСПЕКТИВЫ

7.1. МЕТОДИКА ОЦЕНКИ ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ АСК-АНАЛИЗА (НА ПРИМЕРЕ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО ВЫБОРУ АГРОТЕХНОЛОГИЙ, КУЛЬТУР И ПУНКТОВ ВЫРАЩИВАНИЯ).

7.2. ОГРАНИЧЕНИЯ АСК-АНАЛИЗА И ОБОСНОВАННОЕ РАСШИРЕНИЕ ОБЛАСТИ ЕГО ПРИМЕНЕНИЯ НА ОСНОВЕ НАУЧНОЙ ИНДУКЦИИ.

7.3. ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ АСК-АНАЛИЗА В УПРАВЛЕНИИ АПК.

7.4. РАЗВИТИЕ АСК-АНАЛИЗА.

7.5. ВЫВОДЫ.

Диссертация: введение по экономике, на тему "Системно-когнитивный анализ в управлении АПК"

На основе предложенного системного обобщения семантической теории информации разработан новый математический метод экономики и соответствующий инструментарий: автоматизированный системно-когнитивный анализ (АСК-анализ), обеспечивающий анализ, прогнозирование и управление экономическими, технологическими и социальными объектами АПК на уровне региона, сегмента рынка, отрасли и хозяйства.

Агропромышленный комплекс (АПК) представляет собой реальный сектор экономики, во многом определяющий продовольственную безопасность и само существование страны. Поэтому разработка новых, адекватных подходов к управлению в АПК относится к приоритетным направлениям экономической науки и практики. Однако, управление объектами АПК всегда представляло собой определенную проблему, имеющую комплексную, межотраслевую природу. Причем, проблему представляет и постановка целей управления, и принятие решений по выбору управляющих воздействий, таким образом проблема расширяется до проблематики.

Цель производства в АПК в нашей стране традиционно формулировалась примерно так: "Произвести максимальное количество продукции", причем при том часто подразумевалось, а иногда и произносилось: "Любой ценой". Такая цель была естественной в условиях хронического недопроизводства сельскохозяйственной продукции. Но в последние годы ситуация в этом плане меняется, наблюдается перепроизводство некоторых видов продукции (например, зерновых колосовых в Краснодарском крае в 2002 году) и актуальным является разработка относительно новых подходов к постановке целей производства в АПК исходя из получения максимальной прибыли.

В данном исследовании предполагается, что целью каждого производителя является получение максимальной прибыли, достичь чего он может путем производства и реализации на рынке наиболее рентабельных видов продукции в необходимых объемах. Таким образом, глобальная цель - получение максимальной прибыли трансформируется (путем декомпозиции) в ряд задач: прогноз динамики рынка сельскохозяйственной продукции (по сегментам), в частности прогноз спроса и цен на эту продукцию (по видам) в различных регионах; прогноз возможностей предложения для конкретного производителя по каждому виду продукции в натуральном и стоимостном выражении (определение потенциала пунктов выращивания: для каждого пункта выращивания прогнозирование количественных и качественных результатов выращивания каждой культуры; для каждого пункта выращивания и культуры выработка рекомендаций по выбору агротехнологии, с учетом приоритета ее количества или качества). В связи с тем, что решение этих задач с помощью стандартных математических методов и инструментария математической экономики проблематично, в данном исследовании предлагается новый подход: применение АСК-анализа для прогнозирования динамики рынка и поддержки принятия решений по выбору культур, пунктов выращивания и агротехнологий. Когда цель определена можно предметно ставить вопрос о пути ее достижения, т.е. о поддержке принятия решений по выбору управляющих воздействий (способа управления).

Выбор способа управления объектами АПК также традиционно представляют собой проблему. Среди основных причин этой проблемы прежде всего необходимо отметить следующие: многопараметрический, активный характер самого объекта управления; малоисследованный характер реагирования объекта управления на управляющие факторы; комплексный многофакторный характер управляющих воздействий; очень большая длительность цикла управления; неполнота (фрагментарность), неточность, зашумленность и исходной информации, отсутствие доступа к ней; отсутствие электронных баз данных, которые могли бы стать основной для современных систем поддержки принятия управленческих решений. В настоящее время созданием таких баз данных занимаются только энтузиасты, не имеющие государственной поддержки.

Рассмотрим подробнее некоторые свойства объекта управления в АПК, являющиеся причинами названных проблем.

Первая причина — слабодетерминированностъ и многопараметричность объекта управления. Для адекватного описания объектов управления в АПК необходимо использовать тысячи факторов различной природы, но на практике это сделать очень сложно. Поэтому, в одних исследованиях учитывается влияние климатических факторов на количественные и качественные результаты выращивания сельскохозяйственных культур (агрометеорология), в других влияние агротехнологий, в третьих влияние почв, предшественников (севооборот), структуры и организации машинно-тракторного парка, финансовых и материальных потоков (логистика) и т.д., и т.д. Сами агротехнологии также включают массу различных факторов: способы вспашки; количество, виды и способы внесения удобрений; нормы высева, полива и т.д.

Однако ни одна из этих групп факторов не является определяющей в получении хозяйственного результата (слабодетерминированность). Дело усложняется тем, что исследования каждой группы факторов проводятся обычно разрозненными группами ученых, на разных кафедрах, в различных научно-исследовательских институтах. Так ученые, изучающие влияние лимитирующих климатических факторов с учетом генетического потенциала и пофазного развития сортов и культур не имеют исходной информации для изучения влияния агротехнологий, и наоборот, специалисты по агротехнологиям не имеют климатических баз данных, геоинформационных технологий, и соответственно, возможности учета климатических факторов. И у первых, и у вторых возникают проблемы, связанные с нелинейным системным взаимодействием факторов, а также огромными размерностями математических моделей.

Вместе с тем недоучет в системе управления каких-либо существенных факторов приводит к неадекватности модели объекта управления и приводит к нецелевым (неожиданным и часто нежелательным) результатам управления.

Эти причины создают ряд сложностей в исследовании объекта управления и его математическом моделировании.

В результате решения о размещении садов и выборе сортов для выращивания принимаются по данным эмпирических испытаний в отдельных точках, чаще всего привязанных к крупным плодовым хозяйствам без возможности проводить испытание всего набора культур и без учета и анализа адаптивного и природно-ресурсного потенциала конкретного пункта выращивания. Подобный подход к принятию ответственных решений приводит к тому, что культуры выращиваются не там, где для этого есть природные условия, а там, где имеется необходимая инфраструктура (населенные пункты), в результате, например, ни один сортоучасток в Краснодарском крае не дает урожай абрикосов больше 4-х раз в 10 лет. Аналогично обстоит дело и с выбором культур для выращивания на полях, а также с выбором агротехнологий для их выращивания.

Для решения перечисленных проблем необходимо принимать решения на основе системного подхода, основным требованием которого является требование полноты и всесторонности рассмотрения. Системный подход недостаточно применяется для принятия решений в АПК не потому, что необходимость этого не в полной мере осознают ученые и руководители, а по ряду объективных причин, препятствующих этому. Среди этих причин в первую очередь необходимо отметить следующие:

1. Отсутствие централизованного финансирования и ведомственную разобщенность исследователей и разработчиков.

2. Практически полное отсутствие доступа исследователей и разработчиков к необходимой исходной информации.

3. Отсутствие математических моделей, численных методов и инструментария, обеспечивающих обработку многофакторных системно взаимодействующих, неполных (фрагментарных), неточных и зашумленных исходных данных.

В данном исследовании поставлена задача решения этих проблем, предложен и широко апробирован вариант их решения.

Вторая причина — активность объекта управления. Под активными объектами (АО) и системами в данном исследовании понимаются объекты, имеющие собственную систему целеполагания и принятия решений, а также адаптивную модель предметной области, включая модели самого себя (т.е. АО являются рефлексивными) и управляющих систем различного уровня и назначения, которые воздействуют на активный объект как на объект управления.

К активным объектам относятся прежде всего люди и системы с их участием: это экономические системы различного уровня иерархии от экономики страны и сегмента рынка или отрасли до конкретного предприятия, технологические и организационно-технические системы, человеко-машинные, экологические и человеко-природные системы, а также различные социальные, возрастные, профессиональные и иные группы населения, электорат, социум, организационно-технические, экипажи, а также сложные и интеллектуальные технические системы с параметрами, качественно изменяющимися в процессе штатной эксплуатации.

Традиционно управление активными системами осуществляется на основе подходов, разрабатываемых в экономике, социологии, политологии и психологии, "тяготеющих к гуманитарному полюсу". При этом огромный опыт управления техническими и организационными системами, накопленный в теории и практике автоматизированных систем управления (АСУ), остается, по мнению автора, недостаточно востребованным.

Задачи создания АСУ активными объектами управления (АОУ) относятся к важнейшим для жизни общества, однако корректно ставить и решать подобные задачи стало возможным лишь в последнее время благодаря бурному развитию ряда новых перспективных научных направлений: "интеллектуальный анализ данных", "интеллектуальное управление", "нейронные сети", "генетические алгоритмы", "когнитивное моделирование" и ряда других. Весьма существенно, что сами эти новые научные направления могут рассматриваться как "плоды системного эффекта", возникающего на границах научных направлений в результате междисциплинарного взаимодействия.

В этом взаимодействии есть два направления: распространение естественно-научных методов, прежде всего математики и кибернетики, в традиционно гуманитарную сферу; распространение научных результатов и идей, полученных в гуманитарной сфере, в традиционный ареал естественных наук. В данной работе предпринята попытка "наведения новых мостов" в этом междисциплинарном диалоге, за которым стоит диалог гуманитарного и естественно-научного "полюсов науки".

Управление активными объектами имеет ярко выраженную специфику и ряд существенных отличий от традиционного управления техническими объектами, как по способам математического моделирования объекта управления и принятия решения о выборе управляющих воздействий, так и по способу оказания управляющих воздействий. Причина этого состоит в том, что активные системы развиваются путем чередования детерминистских и бифуркационных этапов. На детерминистских этапах поведение системы жестко предопределено, а после прохождения точек бифуркации - оно в высокой степени неопределенно.

Традиционно (И.Пригожин с соавт.) считается, что в точке бифуркации поведение системы случайно. Предлагается обобщить это понимание, считая, что на бифуркационных этапах осуществляется принятие решений, а на детерминистских — их реализация (случайный выбор есть лишь один из вариантов принятия решений, оптимальный лишь в случае полного отсутствия априорной информации). Таким образом, на бифуркационных этапах определяются закономерности, задающие поведение системы на детерминистских этапах, это означит, что в точках бифуркации система изменяется качественно (революционно), а на детерминистских этапах — лишь количественно (эволюционно).

Например, в цикле управления выращиванием сельхозкультур, имеющем годичную продолжительность, перед посадкой принимается решение по выбору культуры и агротехнологий, а затем до уборки реализуется это решение.

Для создания АСУ активными объектами (системами) необходимо осуществить синтез математической модели предметной области, а затем поддерживать ее адекватность при переходе объекта управления через точки бифуркации, которые происходят достаточно часто на протяжении жизненного цикла АСУ. Из вышеизложенного следует, что для этого поддержания адекватности необходим периодический синтез модели АОУ при каждом прохождении системы через точку бифуркации, т.к. в этом случае адаптации (количественного уточнения существующей модели) уже недостаточно.

Однако, в связи с тем, что активные объекты значительно сложнее классических технических и законы их поведения динамичны, в отличие от неизменных физических законов, детерминирующих поведение классических технических объектов, осуществлять периодический синтез математической модели АОУ в режиме реального времени традиционными методами весьма проблематично.

С целью создания благоприятных условий для периодического синтеза математической модели АОУ в режиме реального времени непосредственно в процессе управления, необходимо включить процесс познания в цикл управления, в качестве периодически выполняемого этапа. Сделать это предлагается в форме автоматизированного инструмента для исследования (познания) предметной области, обеспечивающего выявление, изучение и отражение в математической модели качественно новых закономерностей, управляющих поведением АОУ после прохождения им точки бифуркации.

При этом в качестве методологии целесообразно использовать системный анализ (СА), т.к. одним из основных его требований является полнота и всесторонность рассмотрения, а из теории автоматизированных систем управления АСУ) хорошо известно, что недоучет в математической модели существенных факторов приводит к неадекватности модели и управления.

Однако, применение системного анализа в неформализованном и неавтоматизированном варианте для управления активными объектами в реальном времени весьма проблематично по причине огромной трудоемкости обработки значительных объемов информации в условиях жестких временных ограничений.

Использование известных в настоящее время программных систем не позволяет решить эту задачу по следующим причинам:

1. Математические модели разработаны не для всех этапов С А, в связи с чем некоторые из них на данный момент остаются неформализованными.

2. Существующие математические модели основываются на различных математических подходах.

3. Не для всех математических моделей разработаны доступные программные средства.

4. Имеющиеся программные системы сложно приобрести.

5. Эти системы разработаны на основе различного инструментария, идеологий, интерфейсов, платформ и не образуют целостного программного обеспечения, т.е. единого метода и инструментария системного анализа. Это порождает сложности: инсталляции различных программных систем в единой операционной среде на одном компьютере; передачи данных между программными системами (отсутствие программных интерфейсов, несовместимость по стандартам и структурам баз данных).

Как это не парадоксально, но приходится констатировать, что автоматизация системного анализа велась не системно. И путь максимальной детализации системного анализа способствовал обострению этой ситуации.

Из всего вышесказанного возникает идея комплексной автоматизации системного анализа на единой методологической, математической, алгоритмической и инструментальной основе. В этой связи необходимо отметить, что впервые понятие автоматизированного системного анализа (АСА) предложено В.П.Стабиным в 1984 году [298].

Итак, в данной работе ставится проблема обеспечения устойчивого управления слабодетерминированными многопараметрическими активными объектами АПК как на детерминистских, так и на бифуркационных этапах их развития.

Решение этой проблемы осуществляется путем разработки математического метода и соответствующего инструментария автоматизации системного анализа, как метода познания, т.е. путем декомпозиции системного анализа до уровня базовых когнитивных операций, разработки теоретических основ, инструментария и методики применения АСК-анализа, включения АСК-анализа в непосредственно в цикл управления АОУ. Весьма примечательно, что к этому решению подводит анализ объекта управления в АПК, и как многопараметрической, и как активной системы.

Выдвигается гипотеза, что это позволит обеспечить устойчивое управление активными объектами как на детерминистских, так и на бифуркационных этапах их развития.

Сказанным определяются объект и предмет исследования.

Объектом исследования является управление объектами АПК.

Предметом - управление активными объектами в АПК на основе автоматизированного системно-когнитивного анализа.

Работа выполнена на кафедре компьютерных технологий и систем факультета прикладной информатики Кубанского государственного аграрного университета в рамках темы Министерства сельского хозяйства РФ №18 "Разработать предложения по основным направлениям повышения эффективности регионального АПК", номер государственной регистрации 01200113474, раздел 18.14: "Совершенствование информационного обеспечения управления АПК Краснодарского края с использованием современных информационных технологий", а также при выполнении грантов:

- "ИННО-РФФИ" № 02-04-08080 "Модифицирование и коммерциализация методов компьютерной оценки ресурсного потенциала территорий и адаптивности генотипов для оптимизации размещения и зональных технологий с.х.культур";

- "Инициативный научный проект" № 02-05-64234 "Разработка теории многокритериальной оценки ландшафтных и метеорологических характеристик Юга России для увеличения продуктивности плодовых культур на основе создания системы банков данных и компьютерного моделирования";

- "РФФИ - Юг России (а)" № 030496069.Р2003-ЮГа "Создание системы мониторинга, прогнозирования, анализа и поддержки управленческих решений по продуктивности плодовых культур на основе электронных баз данных";

- "РФФИ - Юг России (в)" № 030796001.Р2003-ЮГв "Разработка новой методологии районирования сортов сельскохозяйственных культур на основе системного подхода при анализе и математическом прогнозе их жизнеобеспечения и продуктивности".

Кроме того тема исследования соответствует Постановлению Правительства РФ от 28.05.96 "О приоритетных направлениях развития науки и техники и критических технологиях", в части приоритетных направлений "Информационные технологии и электроника" и "Производственные технологии": компьютерное моделирование (теоретические основы и инструментарий для проведения математического эксперимента, включая новые вычислительные модели для задач естественных и гуманитарных наук, эффективные численные методы для реализации таких моделей); искусственный интеллект (интеллектуальные системы поддержки принятия решений на основе неклассических логик и интеллектуального интерфейса /в т.ч. когнитивной графики/, интегрированные экспертные системы, основанные на знаниях, методы и средства выявления и представления знаний, методы правдоподобных рассуждений, объединяющих индукцию, аналогию и абдукцию, их применение в интеллектуальных системах); распознавание образов (математические методы и инструментальные средства широкого назначения и для решения индивидуальных, нестандартных или особо важных задач распознавания, прогнозирования и анализа в различных предметных областях); информационная поддержка технологии (модели жизненного цикла продукции, производственных процессов и среды).

Цель и задачи исследования. Целью работы является разработка методологии, математической модели и численного метода, соответствующего специального программного инструментария АСК-анализа, технологии и методики его применения для управления активными объектами АПК.

Для достижения цели в работе решены следующие задачи: 1) разработка схемы СА, ориентированного на интеграцию с когнитивными технологиями; 2) разработка формализуемой когнитивной концепции, выявление БКО, структуризация СА до уровня БКО, разработка обобщенного алгоритма АСК-анализа; 3) разработка математической модели АСК-анализа; 4) разработка численного метода, реализующего математическую модель (конструирование структур данных и алгоритмов БКОСА и визуализации когнитивной графики); разработка детального алгоритма АСК-анализа; 5) создание специального программного обеспечения, реализующего предложенные математическую модель и численные метод АСК-анализа, т.е. создание инструментария АСК-анализа; 6) разработка методики синтеза рефлексивных АСУ активными объектами АПК; 7) синтез и эксплуатация компонент рефлексивных АСУ активными объектами АПК на основе технологии и инструментария АСК-анализа в экономике и других предметных областях.

Методы исследований. Научные исследования работы основывались на теоретических и экспериментальных методах. Теоретические методы: системный анализ, когнитивный анализ, теория информации, теория принятия решений, теория распознавания образов, теория активных систем, теория рефлексивного управления, теория автоматизированных систем управления, математическая статистика, линейная алгебра, когнитивная психология, логика, гносеология. Экспериментальные методы: численный эксперимент, измерения внутренней и внешней, дифференциальной и интегральной валидности предложенных моделей.

Достоверность и обоснованность основных научных положений и практических результатов исследования подтверждается тем, что разработанная автором системная теория информации (СТИ) имеет четкую методологическую основу, построена на достоверных, проверяемых общеизвестных фактах (явлении интерференции последствий выбора). Предложенная математическая модель и численный метод, реализованные в программном инструментарии, исследуются и верифицируются на адекватность в каждом конкретном исследовании на основе АСК-анализа. Формализуемая когнитивная концепция обоснована методологически и фактологически. Применена комплексная методика исследования, обеспечивающая взаимопроверяемость, сопоставимость данных полученных в различных исследованиях, проведенных с применением АСК-анализа. Применен апробированный математический аппарат. Постановка задач корректна, предложенные методы решения рассматриваемых в работе задач обоснованы. Получены оправданные, наглядные и интуитивно-убедительные результаты, совпадающие с уже известными экспертам при проведении исследовании с помощью АСК-анализа уже ранее изученных другими методами предметных областей. АСК-анализ, его технология и инструментарий обеспечивают накопление и анализ как положительного, так и отрицательного опыта. В работе приводятся 2 численных примера из различных предметных областей, основанные на обработке фактологического материала, включающего около 2 млн. фактов опыта. Успешная эксплуатация созданного специального программного инструментария АСК-анализа и технологии его применения подтверждена 17 актами внедрения (за 1987 - 2002 годы).

В работе предлагаются:

2. Теоретические основы, методология, технология и методика АСК-анализа.

3. Математическая модель АСК-анализа, основанная на системном обобщении семантической меры целесообразности информации А.Харкевича.

4. Численный метод, в универсальной форме реализующий математическую модель АСК-анализа, включающий иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА.

5. Специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод АСК-анализа — Универсальная когнитивная аналитическая система "Эйдос".

6. Методика и технология синтеза рефлексивных АСУ на основе АСК-анализа, в частности в области управления выращиванием сельхозкультур и прогнозирования динамики рынка.

7. Технологии и результаты применения специального инструментария для решения задач управления в АПК:

- поддержка принятия решений по выбору агротехнологий, культур и пунктов выращивания;

- прогнозирование развития различных сегментов рынка РФ;

- анализ динамики макроэкономических состояний городов и районов на уровне субъекта федерации в ходе экономической реформы (на примере Краснодарского края) и прогнозирование уровня безработицы (на примере Ярославской области).

Научная новизна работы состоит в следующем:

1. Предложен новый подход к автоматизации системного анализа, основанный не на его максимальной детализации (традиционный подход), а на идее рассмотрения системного анализа как процесса познания (мышления).

3. Предложены и введены в научный оборот новые понятия: "Кластерно-конструктивный анализ" (кластеры рассматриваются как полюса конструктов, снимается проблема комбинаторного взрыва при формировании конструктов); "Базовые когнитивные операции системного анализа" (БКОСА); "Когнитивный конфигуратор" (минимальный набор БКОСА, достаточный для представления различных процессов познания); "СК-анализ" (системно-когнитивный анализ, как системный анализ, структурированный до уровня БКОСА); "АСК-анализ" (автоматизированный СК-анализ); "Интерференция последствий выбора" (системное нелинейное взаимодействие факторов и альтернативных вариантов выбора, приводящее к качественно новой картине последствий, не сводящееся к сумме последствий альтернативных вариантов выбора); "Семантическая когнитивная сеть".

Состояние бифуркации" и "Детерминистское состояние" рассматриваются не как состояния с высокой и низкой неопределенностью поведения системы (И.Пригожин с соавт.), а как состояния принятия и реализации решений, качественного и количественного изменения закономерностей поведения системы. Под адаптацией модели в работе понимается только ее количественные изменения, а под синтезом - качественные изменения модели или ее создание.

6. Предложен вариант системной теории информации (СТИ), в рамках которой получено аналитическое выражение для системной меры целесообразности информации. В данной мере впервые непосредственно в аналитическом выражении для самого понятия "Информация" отражены такие фундаментальные свойства систем, как "Уровень системности" и "Степень детерминированности" системы. Кроме того это выражение (как и формула Шеннона) удовлетворяет принципу соответствия с выражением Хартли в детерминистском случае (что снимает противоречие между семантической теорией информации Харкевича и классической теорией информации Шеннона), учитывает понятия цели (что принципиально важно для системного анализа и управления) и мощность множества будущих состояний объекта управления, обеспечивает формализацию смысла на основе дискретно-интегрального описания предметной области, сопоставимость в пространстве-времени. Эти свойства системной меры целесообразности информации свидетельствуют о ее оптимальности как основы математической модели управления активными объектами АПК. Показана взаимосвязь предложенной меры с понятием эластичности, широко применяемым в экономических исследованиях.

7. На основе СТИ разработана математическая модель слабодетермини-рованных многофакторных активных объектов АПК, относящаяся к классу семантических информационных моделей. Данная модель обеспечивает формализацию БКОСА (в т.ч. решение прямых и обратных задач идентификации и прогнозирования, задач кластерно-конструктивного анализа), автоматизированный синтез обобщенных таблиц решений на основе непосредственно эмпирических данных, вывод информации о механизмах принятия решений в форме обобщенных правил логического вывода (с расчетной степенью истинности посылок, импликаций и существования заключений).

В данной модели обоснована разложимость вектора текущего состояния объекта управления по векторам классов, в т.ч. векторам будущих состояний (объектный анализ); предложена новая информационная мера уровня системл ности предметной области, связанная с мерой с мерой X .

8. На базе математической модели разработан численный метод реализации АСК-анализа, включающий иерархическую структуру баз данных и детальные алгоритмы БКОСА.

9. Создан инструментарий АСК-анализа — система "Эйдос". Разработана методика и технологии применения инструментария АСК-анализа для управления в АПК.

10. Продемонстрировано успешное применение АСК-анализа при принятии решений и управлении агротехнологиями, прогнозировании динамики рынка в АПК Краснодарского края.

Теоретическая значимость исследования подтверждается:

- успешной формализацией базовых когнитивных операций, многие из которых совпадают с известными методами научного мышления: обобщение (синтез, индукция); абстрагирование; оценка адекватности; сравнение (внешнее и содержательное), идентификация и прогнозирование; дедукция и абдукция; классификация и формирование понятий (конструктов);

- изложением новых идей, которые эффективно работают в управлении АПК и подтверждены рядом аргументов в их пользу;

- приведением элементов научной теории, базирующихся на новых идеях: формулировкой новых гипотез; доказательством четырех теорем об аддитивности предложенной системной меры целесообразности информации в предложенном варианте СТИ; анализом исходных научных фактов, на основе которых исторически было сформировано понятие "Информация", расширением фактологической базы этого понятия, уточнением его содержания; созданием механизма автоматизированной интерпретации фактов опыта в семантической информационной модели, обеспечивающей автоматическую генерацию выводов, анализ тенденций, учет факторов и условий и т.д.;

- открытием нового ранее неизвестного "Закона повышения эмерджент-ности", описывающего ускоренное возрастание доли системной информации в объекте при увеличении количества его элементов, а также трех следствий из него (в рамках СТИ);

- формулировкой гипотез "О природе сложности системы" и "О видах системной информации": сложность системы определяется количеством содержащейся в ней информации; системная информация включает две составляющих: зависящее от количества элементов системы и зависящее также от характера взаимосвязей между элементами (в рамках СТИ);

- вычленением новой перспективной проблемы, подлежащей дальнейшему исследованию: применение технологии АСК-анализа для создания online многоагентных распределенных систем обнаружения, накопления и использования знаний в Internet, что действительно может превратить "мировую паутину" в "мировой (коллективный) разум" и может явится качественно новым шагом на пути эволюции ноосферы.

Практическая значимость проведенного исследования состоит в разработке инструментария АСК-анализа - Универсальной когнитивной аналитической системы "Эйдос", технологии и методики ее использования, обеспечивающих: создание автоматизированных систем мониторинга, идентификации (прогнозирования) состояний активных объектов АПК и управления ими; надежную эксплуатацию этих систем в промышленном режиме при массовой обработке информации; углубленный интеллектуальный анализ данных в АПК.

Реализация результатов. Опыт применения АСК-анализа подтверждает эффективность его применения в следующих предметных областях: социологические и политологические исследования, анализ общественного мнения (Краснодарский сектор Института социологических исследований АН СССР, Краснодарский краевой агропромышленный комитет, Академия государственной службы при Президенте РФ, Краснодарский государственный институт культуры, Информационно-аналитический центр администрации Краснодарского края, Аналитический центр администрации Ярославской области и др.); проектирование адаптивных АСУ сложными техническими объектами (Государственное предприятие особое конструкторское бюро "Икар", Кубанский государственный технологический университет); решение ряда задач управления качеством подготовки специалистов (Краснодарский юридический институт МВД РФ); идентификация и анализ макроэкономических состояний городов и районов Краснодарского края и края в целом на основе оценки значимости индикаторов макроэкономики и применения методов статистической теории информации и искусственного интеллекта (Департамент экономики и прогнозирования администрации Краснодарского края); прогнозирование результатов применения агротехнологий и управление выращиванием сельскохозяйственных культур (Кубанский государственный аграрный университет); прогнозирование успешности будущей профессиональной деятельности в экстремальных ситуациях в условиях высокой ответственности и дефицита времени (Северокавказская региональная поисково-спасательная служба Государственного комитета РФ по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий МЧС, АО "Новошип" Новороссийское морское пароходство), решение задач Центра Правительственной связи в Краснодарском крае.

Все проведенные исследования являются составной частью плановых и договорных НИР и ОКР, принятых заказчиками.

Апробация работы. Основные положения и результаты данной работы докладывались и обсуждались на 22 международных, всесоюзных, всероссийских семинарах и симпозиумах: Всесоюзная научно-практическая конференция "Проблемы управления развитием городов" (Краснодар, 1985); VIII Всесоюзный съезд психологов (Москва, 1989); Всероссийская конференция "В.И.Вернадский и современность /к 130-летию со дня рождения/" (Краснодар, 1993); IX научно-практическая конференция "Теоретические и прикладные проблемы социально-психологической и медико-педагогической службы" (Краснодар, 1995); Всероссийская научно-практическая конференция "Состояние и связи криминалистики и теории оперативно-розыскной деятельности ОВД" (Краснодар, 1995); Межвузовская научно-практическая конференция "Актуальные проблемы социально-правовой подготовки специалистов и перспективы совершенствования системы комплектования органов внутренних дел" (Краснодар, 1997); Всероссийская научно-практическая конференция "Актуальные проблемы социально-правовой подготовки специалистов и перспективы совершенствования системы комплектования ОВД" (Краснодар, 1997); Межвузовская конференция "Организация и методологические проблемы компьютеризации учебного процесса" (Краснодар, 1998); 1-я Всероссийская научно-техническая конференция "Компьютерные технологии в науке, проектировании и производстве" (Н.Новгород, 1999); III Всероссийская научно-техническая конференция "Информационные технологии и системы" (Воронеж, 1999); III международная открытая сессия "Modus Academicus": "Компьютерные технологии в науке и образовании XXI века" (Ульяновск, 1999); 1-я Всероссийская научно-техническая конференция "Теория конфликта и ее приложения" (Воронеж, 2000); 2-е Всероссийское совещание-семинар "Интеллектуальные информационные системы" (Воронеж, 2000); 2-я Международная выставка-конференция "Информационные технологии и телекоммуникации в образовании" (Москва, 2000); III международная научно-практическая конференция "Вековой поиск модели хозяйственного развития России" (Волжский, 2000); II, III и IV межвузовские научно-технические конференции "Проблемы совершенствования систем защиты информации, электроснабжения военных объектов и образовательных технологий подготовки специалистов" (Краснодар, 2000-2002); Всероссийская конференция "Опыт и проблемы совершенствования региональной системы дополнительного профессионального образования в области управления качеством" (Краснодар, 2001); Всероссийская конференция "Проблемы экономического и социального развития России" (Пенза, 2001); "Научное обеспечение современных технологий производства, хранения и переработки плодов и ягод в России и странах СНГ (Москва, 2002); IEEE International Conference on Artificial Intelligence System (ICAIS 2002 - Los Alamos, California, Washington-Brussels-Tokyo).

Публикации. По теме данной работы опубликовано: 63 научные работы, в том числе: 5 монографий; 1 стандарт, 1 методические указания, 50 научных статей, авторские права на созданное специальное программное обеспечение и структуры баз данных защищены 6 свидетельствами РосПатента РФ.

Структура и объем работы. Работа состоит из введения, семи глав с выводами к каждой из них, заключения, списка использованной литературы, содержащего 360 наименований, и 7 приложений. Работа изложена на 348 страницах машинописного текста и содержит: 33 таблицы, 185 рисунков, 87 нумерованных формул и 7 приложений на 79 страницах.

В 1-й главе: "Проблема управления активными объектами АПК и идея ее решения" даны определения основных терминов, используемых в данной работе; поставлена проблема исследования; проанализированы традиционные подходы к решению проблемы и предложена концепция ее решения. Здесь ставится исследуемая проблема — обеспечения устойчивого управления многофакторными слабодетерминированными активными объектами АПК как на детерминистских, так и на бифуркационных этапах их развития. Показано, что существует две основных причины возникновения этой проблемы: во-первых, сложность создания математической модели слабодетерминированных многофакторных объектов; во-вторых, периодическая потеря адекватности математической модели при прохождении объектом управления точки бифуркации. Традиционно эти проблема решаются путем адаптации модели на основе апостериорной информации. Однако в данном случае этого недостаточно, т.к. необходимо качественное изменение модели, т.е. не адаптация, а синтез.

Сформулирована идея решения проблемы управления объектами АПК, предусматривающая периодический синтез модели активного объекта в режиме реального времени путем включения процесса познания непосредственно в цикл управления в качестве периодически выполняемого этапа. При этом управление активным объектом предусматривает мета-управление, т.е. управление теми условиями, на основе которых активный объект управления формирует цели и принимает решения. В АПК в управляемые объекты входят люди, имеющие свои цели и мотивации. Поэтому в качестве мета-управляющих факторов мо1уг рассматриваться факторы, ведущие к целям управляющей системы, совпадающим с целями объекта управления, а также факторы, корректирующие цели объекта управления в направлении их сближения с целями управления. В качестве инструмента автоматизации познания предлагается применить АСК-анализ.

Далее в главе сформулированы цель и задачи исследования, которые представляет собой этапы решения сформулированной проблемы.

Во 2-й главе: "Методологические основы АСК-анализа в управлении АПК" системный анализ рассматривается как метод познания, предложена когнитивная концепция, в рамках которой конструируется когнитивный конфигуратор — основа автоматизированного системно-когнитивного анализа (АСК-анализ), определяется его роль и место в структуре управления объектами АПК.

В этой главе реализован 1-й этап решения проблемы — разработка схемы СА, ориентированного на интеграцию с когнитивными технологиями с целью создания условий для дальнейшей автоматизации его этапов. Здесь же реализован 2-й этап решения проблемы — этап разработки формализуемой когнитивной концепции, выявление базовых когнитивных операций (БКО), структуризация системного анализа до уровня БКО, разработка обобщенного алгоритма системно-когнитивного анализа (АСК-анализа). Под АСК-анализом понимается системный анализ, структурированный до уровня базовых когнитивных операций.

1. Системный анализ представляет собой теоретический метод познания, современное воплощение конкретной диалектики. Перспектива его автоматизации состоит в интеграции с когнитивными технологиями.

2. Предлагаемая когнитивная концепция рассматривает процесс познания, как многоуровневую иерархическую систему обработки информации в которой когнитивные структуры каждого уровня являются результатом интеграции структур предыдущего уровня. Таким образом между структурами разных уровней иерархии существует отношение "дискретное - интегральное". Именно это служит основой формализации смысла. В рамках предложенной когнитивной концепции сконструирован когнитивный конфигуратор (терм.авт.), представляющий собой минимальную полную систему когнитивных операций, названных "базовые когнитивные операции системного анализа" (БКОСА). Всего выявлено 10 таких операций, каждая из которых достаточно элементарна для формализации и программной реализации: 1) присвоение имен; 2) восприятие; 3) обобщение (синтез, индукция); 4) абстрагирование; 5) оценка адекватности модели; 6) сравнение, идентификация и прогнозирование; 7) дедукция и абдукция; 8) классификация и генерация конструктов; 9) содержательное сравнение; 10) планирование и принятие решений об управлении.

3. С целью создания предпосылок автоматизации, предложено структурировать системный анализ до уровня базовых когнитивных операций, допускающих формализацию и автоматизацию. СА, структурированный до уровня БКО, предложено называть системно-когнитивным анализом (СК-анализ).

4. Рассмотрены схемы типовой АСУ, адаптивной АСУ сложными системами (ААСУ СС) и рефлексивной АСУ активными системами (РАСУ АС), показаны роль и место АСК-анализа в структуре РАСУ АС при идентификации состояния активного объекта управления (АОУ), мониторинге, анализе, прогнозировании состояний АОУ, а также принятии решений по выбору управляющего воздействия.

В 3-й главе: "Математическая модель АСК-анализа" реализован 3-й этап решения проблемы, состоящий в разработке математической модели АСК-анализа. Здесь обосновывается концепция системной (эмерджентной) теории информации; семантическая информационная модель, обеспечивающая количественную и качественную адаптацию с учетом динамики предметной области (т.е. адаптацию и пересинтез); исследуются важнейшие свойства предложенной математической модели (сходимость, адекватность, устойчивость); вводится новая информационная мера уровня системности предметной области, связанная с мерой % . Для обозначения предложенного метода идентификации и прогнозирования (по аналогии с Фурье-анализом) вводится термин: "Объектный анализ"

1. Предлагается вариант реализации системной теории информации в рамках которого:

- обоснованы требования к математической модели и численной мере;

- осуществляется выбор базовой численной меры для чего проанализированы абсолютные, относительные и аналитические формы представления информации; теория информации применена для анализа процесса труда и средств труда; в рамках предложенной информационной теории стоимости раскрыта глубокая взаимосвязь между понятиями "стоимость" и "информация"; рассмотрены вопросы определения стоимости баз знаний и источник эффективности АСУ с точки зрения теории информации;

- вводится новая системная мера семантической целесообразности информации, представляющая собой системное обобщение формулы Хартли для количества информации;

- сформулирован закон возрастания эмерджентости и 3 следствия из него; рассмотрены генезис и некоторые интерпретации СТИ.

2. На базе СТИ разработана содержательная (семантическая) информационная модель АСК-анализа, относящаяся к интеллектуальным информационным моделям. В рамках этой модели:

- предложен формализм двух взаимосвязанных семантических информационных пространств: пространства классов (в котором объектами являются вектора обобщенных образов классов), и пространства атрибутов (в котором объектами являются вектора атрибутов), причем координатами векторов в обоих случаях являются информативности, рассчитываемые в соответствии с предложенной системной мерой целесообразности информации;

- раскрыт механизм когнитивной структуризации и формализации предметной области путем использования шкал и градаций;

- описана возможность использования классической теории информации Шеннона для расчета весовых коэффициентов и мер сходства;

- разработана математическая модель, основанная на семантической мере целесообразности информации и представлены решения трех основных задач АСУ (синтез и адаптация модели, расчет влияния факторов на переход объекта управления в различные состояния, прогнозирование поведения объекта управления, выработка многофакторного управляющего воздействия на объект управления, сравнение факторов и состояний объекта управления); обоснована сопоставимость предложенных частных критериев (доказаны 4 теоремы о сопоставимости).

3. Исследованы свойства математической модели: ее непараметричность, зависимость информативностей факторов и адекватности модели от объема обучающей выборки, а также зависимость адекватности, уровня системности и степени детерминированности модели от степени ее ортонормированности.

5. Показана взаимосвязь предложенной меры семантической целесообразности информации с эластичностью многозначных функций многих аргументов.

6. Показано, что предложенный метод идентификации и прогнозирования с математической точки зрения является методом разложением вектора состояния объекта по векторам обобщенных образов классов, представляющих собой произвольные функции ("Объектный анализ").

Установлено, что предложенная математическая модель объединяет преимущества содержательных и статистических моделей, позволяет решать задачи идентификации и прогнозирования развития активных систем, вырабатывать эффективные многофакторные управляющие воздействия (путем решения обратной задачи прогнозирования и применения элементов нетрадиционной логики и правдоподобных нечетких рассуждений).

Делается вывод о том, что разработка семантической информационной модели создает необходимые и достаточные условия для разработки численного метода (алгоритмов и структур баз данных) и создания программного инструментария АСК-анализа.

В 4-й главе: "Численный метод АСК-анализа" реализован 4-й этап решения проблемы — разработка численного метода, соответствующего математической модели АСК-анализа (структур баз данных и алгоритмов БКОСА) и его детального алгоритма.

1. Десять БКОСА детализируются до двадцати четырех подопераций.

2. В соответствии с формализуемой когнитивной концепцией разработана детальная иерархическая структура баз данных, обеспечивающая реализацию когнитивных операций и подопераций.

3. Даны вербальные описания всех базовых когнитивных операций с детализацией по подоперациям.

4. Приведены детальные алгоритмы БКОСА.

Таким образом, в данной главе разработан численный метод, обеспечивается уровень детализации, достаточный для программной реализации АСК-анализа. Показано, что данный численный метод реализует все БКОСА на основе непосредственно эмпирических данных.

В 5-й главе: "Специальный программный инструментарий АСК-анализа - система "Эйдос" подробно описан разработанный автором инструментарий АСК-анализа —Универсальная когнитивная аналитическая система "Эйдос". Она защищена 6 Свидетельствами РосПатента РФ (1994 - 2003 годы). Система "Эйдос" обеспечивает реализацию всех БКОСА. С ее помощью решены проблема и задачи, поставленные в данном исследовании. Раскрыты назначение и состав системы, подробно описан ее пользовательский интерфейс, технология и методика создания и эксплуатации приложений. Приведены технические характеристики системы, предложены инфраструктура ее эксплуатации и виды обеспечения. Листинг исходных текстов системы "Эйдос" вместе с системами окружения составляет около 800 страниц (6-м шрифтом).

Здесь реализованы 5-й и 6-й этапы решения проблемы — создание специального программного обеспечения, реализующего предложенные математическую модель, численный метод и разработку методики синтеза рефлексивных АСУ активными объектами.

1. Показано, что созданная автором система "Эйдос" обеспечивает автоматизацию всех БКОСА.

2. Технология использования системы "Эйдос" при синтезе и эксплуатации приложений, обеспечивает:

- формализацию предметной области;

- подготовку обучающей выборки и управление ей;

- синтез семантической информационной модели предметной области;

- оптимизацию модели предметной области;

- исследование адекватности (валидности) и других параметров семантической информационной модели предметной области;

- идентификацию и прогнозирование;

- типологический анализ, т.е. решение обратной задачи идентификации и прогнозирования, семантический информационный и кластерно-конструктивный анализ классов и факторов;

- оригинальную графическую визуализацию результатов анализа в форме когнитивной графики (семантических сетей и когнитивных диаграмм).

3. Приведены технические характеристики системы "Эйдос" и виды обеспечения ее эксплуатации.

4. Показано, что технология использования инструментария АСК-анализа - системы "Эйдос", является методикой синтеза и эксплуатации рефлексивных АСУ активными системами в конкретных предметных областях.

Функции и структура системы "Эйдос" раскрыты на основе описания ее пользовательского интерфейса (экранных форм) с детальной привязкой к реализуемым в каждой подсистеме и режиме БКОСА.

В 6-й главе: "Опыт применения АСК-анализа в управлении АПК" реализован последний 7-й этап решения проблемы — применение АСК-анализа в различных предметных областях (синтез и эксплуатация компонент рефлексивных АСУ активными объектами на основе технологии и инструментария АСК-анализа).

В главе:

- проанализирован опыт применения АСК-анализа при исследовании социально-экономических систем в различных предметных областях;

- приведены конкретные численные примеры успешного практического применения предложенной технологии АСК-анализа в АПК Краснодарского края: поддержка принятия решений по выбору агротехнологий, культур и пунктов выращивания; анализ и прогнозирование развития сегмента рынка;

- представлены результаты применения АСК-анализа для анализа динамики макроэкономических состояний городов и районов на уровне субъекта федерации в ходе экономической реформы (на примере Краснодарского края) и прогнозирования уровня безработицы (на примере Ярославской области).

В 7-й главе: "Экономическая эффективность АСК-анализа, его ограничения и перспективы":

- приведены методика и результаты оценки экономической эффективности АСК-анализа (на примере поддержки принятия решений по выбору агро-технологий, культур и пунктов выращивания);

- указаны ограничения АСК-анализа и обоснована возможность корректного расширения области его применения на предметные области, где эти ограничения несущественны;

- описаны перспективы применения предложенных технологий АСК-анализа в управлении технологиями, экономике, психологии, социологии и политологии, маркетинговых, рекламных и социально-психологических исследованиях, правоохранительной сфере и в Internet (создание многоагентных распределенных систем обнаружения, накопления и использования знаний по различным предметным областям). Отмечается целесообразность применения АСК-анализа для атрибуции анонимных и псевдонимных текстов, контент-анализа, синтеза интеллектуальных дескрипторных информационно-поисковых систем с интерфейсом запросов на естественном языке, идентификации и классификации изображений по их вербальным описаниям.

Делается вывод, о высокой универсальности математического метода и инструментария АСК-анализа. Показано, что технология и методика использования инструментария АСК-анализа легко адаптируется к методике научных исследований в различных предметных областях, где накапливаются факты, производятся их обобщение и анализ, выполняются когнитивные операции, связанные с процессами познания и управления.

Диссертация: заключение по теме "Математические и инструментальные методы экономики", Луценко, Евгений Вениаминович

7.5. ВЫВОДЫ

1. Предлагается рассматривать автоматизированный системный анализ, структурированный до уровня базовых когнитивных операций системного анализа, как автоматизированный системно-когнитивный анализ (АСК-анализ).

2. На основе метода научной индукции обоснована возможность корректного расширения области применения АСК-анализа не только в АПК, но и в других предметных областях.

3. Описаны перспективы применения предложенных технологий АСК-анализа в следующих предметных областях: управление технологиями; экономика; психология; социология и политология; маркетинговые, рекламные, социально-психологические исследования; правоохранительная сфера; Internet (создание многоагентных распределенных систем обнаружения, накопления и использования знаний по различным предметным областям). Приведены другие перспективные области. В частности отмечаются перспективные применения для: атрибуции анонимных и псевдонимных текстов (реализовано в системе "Эйдос"); контент-анализа (реализовано в системе "Эйдос"); синтеза интеллектуальных дескрипторных информационно-поисковых систем с интерфейсом запросов на естественном языке (реализовано в системе "Эйдос"); идентификации и классификации изображений по их вербальным описаниям; формирования обобщенных фотороботов лиц по направлениям деятельности и идентификации с ними; применения в области психографологии и дерматоглифики, и т.д. Кроме того, рассматриваются ограничения предложенного варианта АСК-анализа и рассматриваются вопросы его развития (путем преодоления указанных ограничений) с применением теории нечетких множеств и неклассической логики. В частности выдвигается идея обобщения понятия конструкта путем введения многополюсных конструктов.

4. Основной вывод, по результатам данной главы, состоит в том, что оправданным и обоснованным выглядит предположение об универсальности предложенной методологии, специального программного инструментария АСК-анализа, технологии и методик его применения в различных предметных областях, в которых накапливаются факты и производятся их обобщение и анализ, а также выполняются другие операции, связанные с процессом познания, получившие в данном исследовании аббревиатуру БКОСА.

ЗАКЛЮЧЕНИЕ

Истоки проблемы управления активными объектами в том, что модель активной системы периодически теряет адекватность при переходе АОУ через точку бифуркации. Традиционно подобные проблемы решаются путем адаптации модели на основе апостериорной информации. Однако в данном случае этого недостаточно, т.к. необходимо качественное изменение модели, т.е. не ее адаптация, а синтез. Предложенная концепция решения проблемы предусматривает периодический синтез модели АОУ в режиме реального времени на базе рационального применения системного анализа, как метода познания АОУ непосредственно в цикле управления. Это возможно только при условии автоматизации системного анализа.

Конечные результаты работы можно сформулировать следующим образом.

1. Системный анализ представляет собой теоретический метод познания, современное прикладное воплощение диалектики. Перспектива автоматизации системного анализа состоит не в его максимальной детализации, а в интеграции с когнитивными технологиями, т.е. рациональном сочетании творческих возможностей человека и вычислительных возможностей ЭВМ, как инструмента познания.

2. Предлагаемая формализуемая когнитивная концепция рассматривает процесс познания, как многоуровневую иерархическую систему обработки информации, в которой когнитивные структуры каждого уровня являются результатом интеграции структур предыдущего уровня. Это служит основой формализации смысла. В ее рамках сконструирован когнитивный конфигуратор, представляющий собой минимальную полную систему когнитивных операций, получивших название "базовые когнитивные операции системного анализа" (БКОСА). Выявлено 10 таких операций, каждая из которых достаточно удобных для формализации и программной реализации: 1) присвоение имен; 2) восприятие; 3) синтез (обобщение, индукция); 4) абстрагирование; 5) оценка адекватности модели; 6) сравнение, идентификация и прогнозирование; 7) анализ (дедукция и абдукция); 8) классификация и генерация конструктов; 9) содержательное сравнение; 10) планирование и принятие решений об управлении. Предложено новое понятие: "Системно-когнитивный анализ" (СК-анализ) под которым понимается системный анализ, структурированный до уровня БКОСА. Так как БКОСА допускают формализацию и автоматизацию, то СК-анализ имеет лучшие перспективы автоматизации, чем системный анализ, создает для этого благоприятные предпосылки.

3. Системное обобщение формулы А.Харкевича для семантической целесообразности информации позволило предложить новую системную меру целесообразности информации (СМЦИ) и выявить закономерности влияния системы на поведение ее элементов, отраженные в установленном автором "Законе повышения эмерджентности" и 4-х следствиях из него. В рамках СМЦИ впервые на уровне аналитического выражения для самого понятия "Информация" отражены такие фундаментальные свойства систем, как "Уровень системности" и "Степень детерминированности" системы, учтены понятия цели и множества будущих состояний объекта управления. На основе предложенной информационной меры разработана семантическая информационная модель СК-анализа, относящаяся к интеллектуальным информационным моделям. Эта модель СК-анализа позволяет решать задачи идентификации и прогнозирования развития активных систем (разложение вектора объекта по векторам классов — "Объектный анализ"). Она обеспечивает выработку эффективных управляющих воздействий путем решения обратной задачи прогнозирования (БКОСА-7: "анализ") и применение элементов нетрадиционной логики и правдоподобных (нечетких) рассуждений. В ней объединены преимущества содержательных и статистических моделей, созданы предпосылки для реализации СК-анализа на практике. На базе предложенной модели СК-анализа предложена новая информационная мера степени выраженности системных закономерностей в предметной области, связанная с критерием %2.

5 Математическая модель и численный метод СК-анализа реализован в Универсальной когнитивной аналитической системе "Эйдос". Она обеспечивает автоматизацию всех базовых когнитивных операций системного анализа, и таким, образом, является инструментарием АСК-анализа. Разработана технология синтеза и эксплуатации приложений в системе "Эйдос". Эта технология обеспечивает: формализацию предметной области; подготовку обучающей выборки и управление ею; синтез семантической информационной модели предметной области; оптимизацию модели; проверку адекватности модели; идентификацию и прогнозирование; типологический анализ (включая решение обратной задачи идентификации и прогнозирования, семантический информационный и кластерно-конструктивный анализ); оригинальную графическую визуализацию результатов анализа в форме когнитивной графики (семантических сетей и когнитивных диаграмм).

6. С позиций повышения интеллектуальности управления и повышения гибкости взаимодействия человека и АСУ приведена классификация функционально-структурных типов АСУ, показано место адаптивных АСУ сложными системами и рефлексивных АСУ активными объектами в этой классификации; показаны роль и место АСК-анализа в рефлексивных АСУ активными объектами. Предложено рассматривать АСК-анализ, как технологию синтеза рефлексивных АСУ активными объектами. Рассмотрены некоторые теоретические вопросы синтеза РАСУ АПК, предложена ее двухуровневая структура.

7. Приведены численные примеры успешного практического применения предложенной технологии АСК-анализа при анализе и прогнозировании состояний одного из сегментов рынка и синтезе и эксплуатации РАСУ возделыванием сельхозкультур. Тем самым подтверждено, что математический метод и инструментарий АСК-анализа позволяет успешно решать проблемы рационального производства сельхозпродукции в АПК, т.е. обоснованно ставить цели производства сельхозпродукции в АПК с учетом прогнозируемой коньюктуры рынка в стоимостном и натуральном выражении в разрезе по видам продукции; производить оценку производственного потенциала производителей в разрезе по видам продукции; давать научно-обоснованные рекомендации по разработке и выбору агротехнологий для достижения поставленных целей.

Попутно рассмотрен опыт и перспективы применения АСК-анализа в ряде предметных областей: анализ динамики макроэкономических состояний городов и районов на уровне субъекта федерации в ходе экономической реформы (на примере Краснодарского края); прогнозирование уровня безработицы (на примере Ярославской области); мониторинг, прогнозирование и управление в финансово-экономической сфере; оценка рисков страхования и кредитования предприятия; анализ общественного мнения (социология и политология); экологический мониторинг, анализ и прогнозирование; РАСУ индивидуального управления лечением; разработка оптимальных адаптивных тестов и профес-сиограмм; комплексное психологическое тестирование и прогнозирование (Автоматизированная система комплексной обработки данных психологического тестирования "Эйдос-Ч"'); управление персоналом; транспортная психология; когнитивная психология; компьютерные VF—технологии; правоохранительная сфера.

Приведенные примеры практического применения предложенной технологии АСК-анализа убедительно подтверждают правильность принятых научно-технических решений и их пригодность для решения проблемы, поставленной в данной работе.

Рассмотрены перспективы континуального обобщения АСК-анализа и его применения в различных сферах деятельности, прежде всего в области создания многоагентных распределенных систем обнаружения, накопления и использования знаний в Internet и интеграции предложенных технологий с экспертными системами, основанными на нечеткой логике.

Можно констатировать, что изложенный в работе математический метод и инструментарий автоматизированного системно-когнитивного анализа (АСК-анализа) представляет собой новый метод системного анализа, структурированный по базовым когнитивным операциям, основанный на предложенной автором системной теории информации. Реализация математического метода и инструментария АСК-анализа в системе "Эйдос" обеспечило решение поставленной в данном исследовании проблемы — проблемы обеспечения устойчивого управление многофакторными слабодетерминированными активными объектами как на детерминистских, так и на бифуркационных этапах их развития.

Итак, в работе обобщены результаты 20-летних исследований и разработок автора, в результате которых предложено новое междисциплинарное научное направление: "Автоматизированный системно-когнитивный анализ" (АСК-анализ, "cognition" - "познание", англ.), с единых позиций теории информации изучающее процессы познания и труда (в форме управления предметом труда) в различных предметных областях. На основе предложенного системного обобщения семантической теории информации А.Харкевича разработан новый математический метод экономики и соответствующий инструментарий: автоматизированный системно-когнитивный анализ (АСК-анализ), обеспечивающий анализ, прогнозирование и управление экономическими, технологическими и социальными объектами АПК на уровне региона, сегмента рынка, отрасли и хозяйства.

Диссертация: библиография по экономике, доктора экономических наук, Луценко, Евгений Вениаминович, Краснодар

1. Абдеев Р.Ф. Философия информационной цивилизации. -М.: ВЛАДОС, 1994.-288с.

2. Автоматизированные системы управления в народном хозяйстве /Под ред. В.С.Синяка. М.: Экономика, 1987. - 125с.

3. Айвазян С.А. и др. Прикладная статистика: Основы моделирования и первичная обработка данных. Справочное изд. /С.А.Айвазян, И.С.Енюков, Л.Д.Мешалкин. М.: Финансы и статистика, 1983. — 471с.

4. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности: Справочное издание /Под ред. С.А. Айвазяна. М.: Финансы и статистика, 1989. - 607с.

5. Акофф Р. Планирование будущего корпорации. М.: Мир, 1985. - 185с.

6. Алиев P.A., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом. -М: Радио и связь. 1990. 264с.

7. Амамия М., Танака Ю. Архитектура ЭВМ и искусственный интеллект. /Пер. с яп. — М.: Мир, 1993.-310с.

8. Андреев Н.И. Теория статистически оптимальных систем управления. М.: Наука, 1980.-155с.

9. Андрющенко В.А. Теория систем автоматического управления: Учебное пособие. — Л.: ЛГУ, 1990.-256с.

10. Анохин П. К. Очерки по физиологии функциональных систем. М.: Медицина, 1975. -231с.

11. Антонюк БД. Информационные системы в управлении. М.: Радио и связь, 1986. -125с.

12. Афанасьев В.Н., Колмановский В.Б., Носов В.Р. Математическая теория конструирования систем управления. М.: Высшая школа, 1989. - 447с.

13. Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов. М: Мир, 1979. - 536с.

14. Барабаш Ю.Л. Коллективные статистические решения при распознавании. М.: Радио и связь, 1983. - 224с.

15. Бедерханова В.П., Бондарев П.Б. Педагогическое проектирование инновационной деятельности. Учебное пособие. Краснодар: ККИДППО, 2000. - 54с.

16. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях. //В кн.: "Вопросы анализа и процедуры принятия решений". М.: Мир, 1976. - С.172-215.

17. Бендат Дж., Пирсол А. Прикладной анализ случайных данных. /Пер. с англ. М.: Мир, 1989.-350с.

18. Берталанфи Л. фон. Общая теория систем критический обзор. //Системные исследования: Ежегодник. - М.: Наука, 1969. - С.23-95.

19. Бешелев С.Д., Гурвич Ф.Г. Математико-статистические методы экспертных оценок. -2-е изд., пер. и доп. М.: Статистика, 1980. - 263с.

20. Биркгоф Г. Теория решеток. М.: Наука, 1984. - 568 с.

21. Блауберг И.В. Целостность и системность. /Системные исследования: Ежегодник. -М.: Наука, 1977. С.58-128.

22. Блишун А.Ф., Знатнов С.Ю. Обоснование операций теории нечетких множеств. //В кн.: "Нетрадиционные модели и системы с нечеткими знаниями". М.: Энергоатом -издат, 1991. - С.21-33.

23. Богданов A.A. Всеобщая организационная наука (Тектолошя). В 2-х т. М.: Экономика, 1989. т. 1 -304 е.; т. 2 -351 с.

24. Бор Н. Атомная физика и человеческое познание. /Пер.с англ. М.: Мир, 1961. - 151с.

25. Борисов А.Н., Глушков В.И. Использование нечеткой информации в экспертных системах. /Новости искусственного интеллекта. 1991, № 3. С. 13-41.

26. Боровиков В.П. Прогнозирование в системе STATISTICA® в среде Windows. Основы теории и интенсивная практика на компьютере: Учеб. пособие. — М.: Финансы и статистика, 2000.-384с.

27. Боулдинг К. Общая теория систем — скелет науки. /Системные исследования: Ежегодник. М.: Наука, 1969. - С. 106-124.

28. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных.-М.: Наука, 1983.-464с.

29. Бранский В.П. Философские основания проблемы синтеза релятивистских и квантовых принципов. —Л: ЛГУ, 1973. -175с.

30. Будущее искусственного интеллекта. /Под ред. К.Е.Левитина, Д.А.Поспелова. М.: Наука, 1991.-302с.

31. Бурков В.Н., Новиков Д.А. Модели и механизмы теории активных систем в управлении качеством подготовки специалистов. — М.: ИЦПКПС, 1998 157с.

32. Бусленко Н.П. Моделирование сложных систем. М.: Наука, 1978. - 400с.

33. Бутковский А.Г., Самойленко Ю.И. Управление квантово-механическими процессами. М.: Наука, 1984. - 250с.

34. Вагин В.Н. Дедукция и обобщение в системах принятия решений. М.: Наука, 1988.• 384с.

35. Вагнер Г. Основы исследования операций. М.: Мир, 1972. - 210с.

36. Валуев С.А. Системный анализ в экономике и организации производства. /Под ред. С.А.Валуева и В.Н.Волковой. — Л.: Политехника, 1991. — 398с.

37. Варосян С.О., Поспелов Д.А. Неметрическая пространственная логика. /Извес-тия АН СССР. Техническая кибернетика. 1982, № 5. С.86-89.

38. Васильев В.И. Распознающие системы: Справочник. К.: Наукова думка, 1983. - 230с.

39. Вентцель Е.С. Исследование операций: задачи, принципы, методология. М.: Наука,ф 1988.-250с.

40. Вигнер Е. Этюды о симметрии. /Пер.с англ. М.: Мир. - 315с.

41. Вилкас Э.Й. Оптимальность в играх и решениях. М: Наука, 1990. - 256с.

42. Винер Н. Кибернетика или управление и связь в животном и машине. — М.: Наука, 1983.-344с.

43. Волкова В.Н., Денисов A.A. Основы теории систем и системного анализа. — СПб.: Образование и культура, 1997. 510с.

44. Воронов A.A. Устойчивость, управляемость, наблюдаемость. М.: Наука, 1979. -315с.

45. Вунш Г. Теория систем. М.: Советское радио, 1978. - 174с.

46. Гаазе-Рапопорт М.Г., Поспелов Д.А. От амебы до робота: модели поведения. М.: Наука, 1987.-285с.

47. Гаврилова Т.А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1982. - 200с.

48. Гаскаров Д.В., Шаповалов В.И. Малая выборка. М.:Статистика, 1978. - 248с.

49. Гвишиани Д.М. Организация и управление. М.: Наука, 1972. - 265с.

50. Гетманова А.Д. Учебник по логике. М.: Владос, 1995. - 303с.

51. Гильберт Д. Основания геометрии. М.-Л.: 1948. - 349с.

52. Гнеденко Б.В. Курс теории вероятностей: Учебник. М.: Наука, 1988. - 380с.

53. Голубков Е.П. Использование системного анализа в принятии плановых решении.

54. М.: Экономика, 1982. 160с.

55. Горелик A.JL, Скрипкин В.А. Методы распознавания. Изд.2. М.: Высшая школа, 1984.-219с.

56. Горелов H.H. Разговор с компьютером (психолингвистический аспект проблемы). -М.: Наука, 1987.-255с.

57. Горский Д.П. Обобщение и познание. М.: Мысль, 1985. - 208с.

58. ГОСТ 19675-74. Автоматизированные системы управления. Основные положения. Термины и определения. -М.: Изд-во стандартов, 1974. 5с.

59. Гребенюк Е.А., Корноушенко Е.К., Максимов В.И. Когнитивно-рефлексивный анализ на фондовом рынке. //"Рефлексивное управление". Тезисы международного симпозиума (17-19.10.2000). М.: Ин-т психол. РАН, 2000. - С.99-100.

60. Гретцер Г. Общая теория решеток. М.: Мир, 1982. - 456с.

61. Губанов В.А., Захаров В.В., Коваленко А.Н. Введение в системный анализ: Учебное пособие. /Под ред. Л.А.Петросяна. Л.: ЛГУ, 1988. - 232с.

62. Денисов A.A. Информационные основы управления. Л.: Энергоатомиздат, 1983. -72с.

63. Денисов Е.П., Филин В.И., Царев А.П. и др. Управление технологическими процессами возделывания сельскохозяйственных культур на основе математического моделирования. Волгоград: ВГСХА, 1997. 386 с.

64. Дж. Форрестер. Мировая динамика. М.: Наука, 1978. — 213с.

65. Дитер К. Транспортная психология. /Пер.с нем. М.: Транспорт, 1989. - 368с.

66. Драгавцева И.А. и др. Персик на Юге России и Украины. -Краснодар: СКзНИИСиВ, 2001.-120с.

67. Драгавцева И.А. Экологические основы оптимального размещения абрикоса на Северном Кавказе. Дисс.д.с./х.н. (06.01.07 — Пловодство) — Краснодар: КубГАУ, 1981. -328 с.

68. Драгавцева И.А. Экологические ресурсы продуктивности абрикоса на юге России. — Краснодар: 1999.-94с.

69. Дружинин В.В., Конторов Д.С. Проблемы системологии (проблемы теории сложных систем). — М.: Советское радио, 1976. 296с.

70. Дуда Р., Харт П. Распознавание образов и анализ сцен. /Пер.с англ. М.: Мир, 1978. -510с.

71. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике. М: Радио и связь. 1990. - 288с.

72. Дюк В. Обработка данных на ПК в примерах. — СПб: Питер, 1997. 240с.

73. Дюк В.А. Компьютерная психодиагностика. СПб: Братство, 1994. - 365с.

74. Дюран Б., Оделл П. Кластерный анализ. /Пер. с англ. М.: Статистика, 1977. - 125с.

75. Евреинов Э.В. Однородные вычислительные среды и системы. М.: Радио и связь, 1981.-208с.

76. Елисеева И.И., Рукавишников В.О. Группировка, корреляция, распознавание образов. (Статистические методы классификации и измерения связей). М.: Статистика, 1977. - 143с.

77. Ермохин Ю.И. Программирование урожая в Западной Сибири: Учеб. пособие / Ю.И. Ермохин, А.Ф. Неклюдов. Омск: Изд-во ОмГАУ, 2002. - 88 с.

78. Жаке-Лагрез Э. Применение размытых отношений при оценке предпочтительности распределенных величин. //В кн.: "Статистические модели и многокритериальные задачи принятия решений". М.: Статистика, 1979. - С.168-183.

79. Жамбю М. Иерархический кластер-анализ и соответствия. М: Финансы и статистика, 1988. - 342с.

80. Жариков О.Н., Королевская В.И., Хохлов С.Н. Системный подход к управлению. /Под.ред В.А.Персианова. М: ЮНИТИ, 2001. - 62с.

81. Журавлев А.П. Звук и смысл. М.: Просвещение, 1981. - 160с.

82. Загоруйко И.Г. Методы распознавания и их применение. М.: Советское радио, 1972. - 208с.

83. Заде JI.A. Размытые множества и их применение в распознавании образов и кластер-анализе. //В кн.: "Классификация и кластер". /Под ред. Дж.Вэн Райзина. М: Мир, 1980. - С.208-247.

84. Зажигаев Л.С., Кишьян A.A., Романиков Ю.И. Методы планирования и обработки результатов физического эксперимента. М.: Атомиздат, 1978. - 232с.

85. Замков О.О., Тостопятенко A.B., Черемных Ю.Н. Математические методы в экономике: Учебник / Под общ. ред. д.э.н., проф. А.В.Сидоровича; МГУ им. М.В Ломоносова. 3-е изд., перераб. - М.: Издательство "Дело и Сервис", 2001.-368 с.

86. Засухина O.A. Компьютерные технологии и прогнозирование, Кубань-бизнес (связь, информатика). Краснодар: Кубань-бизнес, 1994. - 2с.

87. Зиновьев A.A. Очерк многозначной логики. //В кн.: "Проблемы логики и теории познания". М.: МГУ, 1968. - С.113-204.

88. Иваненко В.И., Лабковский В.А. К вопросу о накоплении информации в адаптивных системах управления. //В сб.: "Адаптивные системы управления". К.: ИК АН УССР, 1977.-С.З-12.

89. Иванов В.В. Четная и нечетная асимметрия мозга и знаковых систем. М.: Советское радио, 1978.- 184с.

90. Ивашко В.Г., Кузнецов С.О. Оценки правдоподобия в продукционных экспертных системах. //В сб.: "Экспертные системы: состояние и перспективы". М.: Наука, 1989. -С. 92-103.

91. Искусственный интеллект. Модели и методы: справочник. В 3-х кн. /Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990. - 304с.

92. Казиев В.М. Введение в системный анализ: Учебное пособие. — Нальчик: КБГУ, 2001. -279с.

93. Калмыков С.А., Шокин Ю.И., Юлдашев З.Х. Методы интервального анализа. Новосибирск: Наука, 1986. - 222с.

94. Капьфа В., Овчинников В.В. Основы автоматизации управления производственными процессами. М.: Советское радио, 1980. - 410с.

95. Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах. /Под ред. Д.А. Поспелова. Москва: Наука.- 1989.-328с.

96. Каплинский А.И., Руссман И.Б., Умывакин В.М. Моделирование и алгоритмизация слабоформализованных задач выбора наилучших вариантов систем. Воронеж: ВГУ, 1990.- 168с.

97. Карданская H.JI. Принятие управленческого решения: Учебник для вузов. — М.: ЮНИТИ, 1999. 407с.

98. Кафаров В.В., Дорохов И.Н., Марков Е.П. Системный анализ процессов химической технологии. Применение метода нечетких множеств. М: Наука, 1986. - 359с.

99. Каюмов М. К. Справочник по программированию продуктивности полевых культур. Москва. 1982 г.

100. Квейд Э. Анализ сложных систем. М.: Советское радио, 1969. - 520с.

101. Кендэл М. Временные ряды. /Пер. с англ. и пред. Ю.П.Лукашина. М.:Финансы и статистика, 1981.- 199с.

102. Кибрик А.Е., Богданова Е.А. Русская лексема САМ: системно-когнитивный анализ". Вопросы языкознания, 3, 1995. с.25-30.

103. Кимбл Г. Как правильно пользоваться статистикой. М.: Финансы и статистика,1982. - 293с.

104. Клайн П. Справочное руководство по конструированию тестов: Введение в психометрическое проектирование. К.: ПАН ЛТД, 1994. - 283с.

105. Кларин М.В. Инновации в обучении: метафоры и модели: Анализ зарубежного опыта. М.: Наука, 1997 - 223с.

106. Классификация и кластер. /Под ред. Дж.Вэн Райзина. М: Мир, 1980. - 389с.

107. Клиланд Д., Кинг В. Системный анализ и целевое управление. М.: Советское радио, 1974. - 300с.

108. Концепция системной интеграции информационных технологий в высшей школе. -М.: РосНИИСИ, 1993. 72с.

109. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. -М.: Наука, 1968. 832с.

110. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982. - 432с.

111. Кремер Н.Ш., и др. Исследование операций в экономике: Учебн.пособие для вузов / Под ред. проф. Н.Ш.Кремера.-М.: ЮНИТИ, 2001.-407с.

112. Кремер Н.Ш., Путко Б.А. Эконометрика: Учебник для вузов / Под ред. проф. Н.Ш.Кремера.-М.: ЮНИТИ-ДАНА, 2002.-311с.

113. Кузин Л.Т. Основы кибернетики: Основы кибернетических моделей. Т.2. М.: Энергия, 1979. - 584с.

114. Кузьмин В.Б. Построение групповых решений в пространствах четких и нечетких бинарных отношений. М: Наука, 1982. - 168с.

115. Кузьмина Н.В. Понятие "Педагогическая система" и критерий ее оценки. //В кн.: "Методы системного анализа: Учеб. пособие". /Под ред. Н.В.Кузьминой. — Л.: ЛГУ, 1980.-С.7-45.

116. Кун Т. Структура научных революций. М.: Прогресс, 1977. - 300с.

117. Кунц Г., О.Доннел С. Управление: системный и ситуационный анализ управленческих функций / пер. с англ. М.: Прогресс, 1981. - 495с.

118. Куропаткин П.В. Оптимальные и адаптивные системы. М.: Высшая школа, 1980. -270с.

119. Лаптев В.Н. Исследование путей совершенствования управленческой деятельности дежурных частей ОВД на основе использования сети мини-ЭВМ. Дис. .к.т.н. М.: Академия МВД СССР, 1986. - 232с.

120. Лаптев В.Н. Концепция адаптивной профессиональной деятельности и перспективы ее реализации в ОВД Краснодарского края. //В сб.: "Соотношения и связи криминалистики и теории ОРД ОВД". Краснодар: КЮИ МВД РФ, 1995, ч.З, - С.127-139.

121. Лаптев В.Н. Основы автоматизации деятельности сотрудников ЭКП ОВД. //В сб.: "Актуальные проблемы автоматизации управления организационно-техническими системами ОВД". СПб.: СПбЮИ МВД РФ, 1994, ч.1, - С.80-84.

122. Ларичев О.И. Наука и искусство принятия решений. М: Наука, 1979. - 200с.

123. Левин Р., Дранг Д., Эделсон Б. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бейсике. М.: Финансы и статистика, 1990.-239с.

124. Лефевр В.А. Конфликтующие структуры. 3-е изд. М.: Ин-т психол. РАН, 2000. -136с.

125. Лийв Э. X. Инфодинамика. Обобщённая энтропия и негэнтропия. Таллинн, 1998. -200 с.

126. Литвак Б.Г. Экспертная информация. Методы получения и анализа.-М.: Радио и связь, 1982.- 184с.

127. Личко А.Е., Иванов Н.Я. Патохарактелогический диагностический опросник для подростков и опыт его практического использования. Л.: Медицина. 1976. - 280с.

128. Логический подход к искусственному интеллекту: от классической логики к логическому программированию. /А. Тейз, П. Грибомон, Ж. Луи и др. М.: Мир, 1990. -432с.

129. Луценко Е.В. Автоматизированная система распознавания образов: математическая модель и опыт применения. //В сб.: "В.И. Вернадский и современность (к 130-летию со дня рождения)". Краснодар: КНА, 1993. - С.37-42.

130. Луценко Е.В. Автоматизированный системно-когнитивный анализ в экономике. //Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2003. - Приложение №1,- С. 189-194.

131. Луценко Е.В. Адаптивная система обработки данных "ВЕГА". ИЛ №6-85, КЦНТИ, 1985.-4с.

132. Луценко Е.В. АСК-анализ информационной безопасности организационно-технических систем. // Межвузовский сборник научных трудов, том 1. -Краснодар: КВИ. 2003.-С. 87-89.

133. Луценко Е.В. Исследование адекватности, сходимости и семантической устойчивости системно-когнитивной модели активных объектов. //В сб.: "Материалы III всероссийской межвузовской научно-технической конференции". Краснодар: КВИ, 2002. -С.50-54.

134. Луценко Е.В. Математическая модель автоматизированной системы распознавания образов. //В сб. "Тезисы докладов VIII Всесоюзного съезда психологов". -М.: Наука, 1989.-С.35.

135. Луценко Е.В. Представляем научно-производственное предприятие "ЭЙДОС". -Краснодар: Ринг№1, 1993. 11с.

136. Луценко Е.В. Разработка методологии синтеза адаптивных АСУ сложными объектами на основе применения моделей распознавания образов и принятия решений. Дис. к.т.н. (05.13.06)-Краснодар: КубГТУ. 1999. 187с.

137. Луценко Е.В. Рефлексивное модель управления качеством подготовки специалиста. //В сб.: "Материалы II межвузовской научно-технической конференции". — Краснодар: КВИ, 2001.-С.129-131.

138. Луценко Е.В. Селиверстов В.В. Разработка профессиональных оптимальных адаптивных тестов на основе интеллектуальной технологии "ЭЙДОС". //В Сб.: "Современные компьютерные технологии обучения". Краснодар: КВВАУ, 1998. - С.32-34.

139. Луценко Е.В. Синтез адаптивных систем управления индивидуальным обучением на базе интеллектуальной системы "ЭЙДОС" // В Сб.: "Современные компьютерные технологии обучения". Краснодар: КВВАУ, 1998. - С.27-30.

140. Луценко Е.В. Синтез экстремальных систем "человек-машина" на основе принципа многоуровневой адаптивности. /Труды Краснодарского ВАИ. Вып. 4. Краснодар: КВАИ, 1999. - С.186-190.

141. Луценко Е.В. Системно-когнитивный анализ детерминстско-бифуркационной динамики активных систем. //В сб.: "Материалы III всероссийской межвузовской научно-технической конференции". Краснодар: КВИ, 2002. - С.64-70.

142. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5Л"). Краснодар: КЮИ МВД РФ, 1996. -280с.

143. Луценко Е.В. Универсальная автоматизированная система распознавания образов "ЭЙДОС-4". ИЛ №438-93, КЦНТИ, 1993.-4с.

144. Луценко Е.В. Универсальная автоматизированная система распознавания образов "ЭЙДОС": опыт и перспективы применения. //В сб.: "Состояние и связи криминалистики и теории оперативно-розыскной деятельности ОВД". Краснодар.: КЮИ МВД РФ, 1995. - С.168-177.

145. Луценко Е.В. Универсальная автоматизированная система распознавания образов "ЭЙДОС". (версия 4.1). Краснодар: КЮИ МВД РФ, 1995. - 76с.156,157,158,159,160.161,162.163.164,165.166.167.168,169,170.171.172,

146. Луценко E.B. ЭЙДОС-6.2, Кубань-бизнес (связь, информатика). Краснодар: Кубань-бизнес. 1994. -2с.

147. Луценко Е.В., Автоматизация когнитивных операций системного анализа. //В сб.: "Материалы II межвузовской научно-технической конференции". — Краснодар: КВИ, 2001. — С. 131-133.

148. Луценко Е.В., Автоматизированный когнитивный системный анализ фондового рынка. //В сб.: "Проблемы экономического и социального развития России". — Пенза: ПГУ, 2001, -С.87-91.

149. Луценко Е.В., Лебедев А.Н. Диагностика и прогнозирование профессиональных и творческих способностей методом АСК-анализа электроэнцефалограмм в системе "Эйдос". // Межвузовский сборник научных трудов, том 1. -Краснодар: КВИ. 2003 — С. 227-229.

150. Луценко Е.В., Третьяк В.Г. Анализ профессиональных траекторий специалистов с применением системы "Эйдос". //В сб.: "Личность и ее бытие (социально-психологические аспекты бытия личности в местном сообществе)". -Краснодар: Куб-ГУ, 2002. -С.43-49.

151. Луценко Е.В., Численный расчет эластичности объектов информационной безопасности на основе системной теории информации// 2002.-С. 43-54.

152. Лучшие психологические тесты. /Пер. с англ. Харьков: НПФ "Комплекс ЛТД", 1994. - 320с.

153. Льюс Р.Д., Райфа X. Игры и решения. М.: Изд-во иностранной литературы, Мадыхин В.И. Математика в экономике: Учебное пособие.-М.:ИНФРА-М, 2001.-356 с.

154. Майерс Г. Надежность программного обеспечения. /Пер. с англ. М.: Мир, 1980. -300с.

155. Макаров И.М. Теория выбора и принятия решений. М.: Наука,1987. - 350с.

156. Маковский В.А., Похлебаев В.И. Базы знаний (экспертные системы). М.: Изд-во стандартов, 1993. - 37с.

157. Максимов В.И, Гребенюк Е.А., Корноушенко Е.К. Фундаментальный и технический анализ: интеграция двух подходов. /Банковские технологии. №9, 1999. С. 45-49.

158. Максимов В.И. Развитие моделей принятия решений: проблемы, парадоксы и перспективы. /Банковские технологии. 2000. №3. С.39-43.

159. Максимов В.И., Корноушенко Е.К., Качаев C.B. Когнитивные технологии для поддержки принятия управленческих решений. //"Технологии информационного общества 98". Распределенная конференция (30.11.-02.12.98). М.: ИПУ РАН, 1999. - С.11-18.

160. Мамиконов А.Г. Управление и информация. М.: Наука, 1975. - 207с.

161. Мандель И.Д. Кластерный анализ. М.: Финансы и статистика, 1988. - 17бс.

162. Марселлус Д. Программирование экспертных систем на Турбо Прологе. М.: Финансы и статистика, 1994. - 256с.

163. Марусенко М.А., Атрибуция анонимных и псевдонимных литературных произведений методами теории распознавания образов. Л.: ЛГУ, 1990. - 164с.

164. Масалович А. Пять шагов к вершине (портрет российского рынка аналитических систем). /Рынок ценных бумаг. 1996. № 14 (77). С.41-57.

165. Масалович А.И. Прогноз дает. компьютер. /Софтмаркет. 1996, № 23, 1996. С.6-14.

166. Масалович А.И. Этот нечеткий, нечеткий, нечеткий мир. /PC Week/RE. 1995, № 16. -С.35-36.

167. Математика и кибернетика в экономике: Словарь-справочник. М.: Экономика, 1975. -700 с.

168. Мейер Д. Теория реляционных баз данных. М.: Мир, 1987. - 608с.

169. Мелихов А.Н., Берштейн Л.С., Коровин СЛ. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. - 272с.

170. Мерлин B.C. Очерк интегрального исследования индивидуальности. М., 1986. -187с.

171. Месарович М., Мако Д., Такахара И. Теория иерархических многоуровневых систем. М.: Мир, 1973.-312с.

172. Месарович М., Такахара И. Общая теория систем: математические основы. — М.: Мир, 1978.-311с.

173. Методы и средства автоматизации психологических исследований. /Под ред. Ю.М.Забродина. М.: Наука, 1982. - 300с.

174. Мильнер Б.З. и др. Системный подход к организации управления. — М.: Экономика, 1983.-224с.

175. Миркин Б.Г. Анализ качественных признаков и структур. М.: Статистика, 1980. -319с.

176. Мирский Г.Я. Электронные измерения: 4-е изд., пер. и доп. М.: Радио и связь, 1986. -440с.

177. Модели принятия решений на основе лингвистической переменной /А.Н. Борисов, А.В.Алексеев, О.А.Крумберг и др. Рига: Зинатне, 1982. - 256с.

178. Моделирование процессов обработки информации и управления. М.: МФТИ, 1990. -158с.

179. Модин A.A. Основы разработки и развития АСУ. М.: Наука, 1981. - 330с.

180. Моисеев H.H. Математические задачи системного анализа. М.: Наука, 1981. - 488с.

181. Моргунов И.Б. Основы дискретной оптимизации некоторых задач упорядочения (на примере учебного процесса). М.: ИЦПКПС, 1994. - 215с.

182. Моррис У. Наука об управлении. Байесовский подход. М.: Мир, 1971. - 282с.

183. Мулен Э. Кооперативное принятие решений: аксиомы и модели. М: Мир, 1991. -464с.

184. Мухортов С.Я. Программирование урожая овощных культур на основе информационно-логических моделей "погода урожай" // Резервы стабилизации аграр.пр-ва,-Воронеж, 1996.-Ч. 1 .-С.20.

185. Наводнов В.Г. Математические модели САПР ПИМ: Препринт № 4/97. Йошкар-Ола: НИЦ гос. аккредитации, 1997. — 72с.

186. Найссер У. Познание и реальность. — М.: Прогресс, 1981. — 232с.

187. Налимов В.В. Вероятностная модель языка. О соотношении естественных и искусственных языков. М.: Наука, 1974. - 350с.

188. Нариньяни A.C. Недоопределенность в системах представления и обработки знаний. /Известия АН СССР. Техническая кибернетика. 1986. № 5. С.3-28.

189. Научные основы организации управления и построения АСУ. /Под. ред В.П. Бройдо,

190. B.C. Крылова. Изд. 2-е, пер. и доп. М.: Высшая школа, 1990. - 320с.

191. Негойце К. Применение теории систем к проблемам управления. М.: Мир, 1981. -180с.

192. Нейлор К. Как построить свою экспертную систему. М.: Энергоатомиздат, 1991. -286с.

193. Некрасов С.Д., Босенко A.A., Ждановский A.M. Портрет абитуриента 2000 г. факультета управления КубГУ. /Человек. Сообщество. Управление. 2000, № 3-4, 2000. —1. C.144-157.

194. Нечеткие множества в моделях управления и искусственного интеллекта. /А.Н. Авер-кин, А.Ф. Блишун, И.З. Батыршин, В.Б. Силов, В.Б. Тарасов. — М.: Наука, 1986. — 312с.

195. Нечеткие множества и теория возможностей. Последние достижения. /Под ред. Р.РЛгера. М.: Радио и связь, 1986. - 408с.

196. Нильсон Н. Принципы искусственного интеллекта. М.: Радио и связь, 1985. - 376с.

197. Обработка нечеткой информации в системах принятия решений. /А.Н.Борисов, А.В.Алексеев, Г.В.Меркурьева и др. М: Радио и связь. 1989. - 304с.

198. Общая психодиагностика. /Под ред. А.А.Бодалева. М.: МГУ, 1987. - 303с.

199. Олдендерфер М.С., Блэшфилд Р.К. Кластерный анализ. //В кн.: Факторный, дискри-минантный и кластерный анализ". М.: Финансы и статистика, 1989. - С.139-214.

200. Оптнер С. Системный анализ для решения деловых и промышленных проблем. М.: Советское радио, 1969. - 216с.

201. Орлов А.И. Общий взгляд на статистику объектов нечисловой природы: Анализ нечисловой информации в социологических исследованиях. М.: Наука, 1985. — 132с.

202. Орлов А.И. Прикладная теория измерений. //В кн.: "Прикладной многомерный статистический анализ". М.: Наука, 1978. - С.68-138.

203. Орловский С.А. Проблемы принятия решений при нечеткой информации. М.: Наука, 1981. - 206с.

204. Орловский С.А. Проблемы принятия решений при расплывчатой информации. М.: Наука,1981. - 370с.

205. Осипов Г.В., Андреев Э.П. Методы измерения в социологии. М.: Наука, 1977. -287с.

206. Осипов Г.С. Построение моделей предметных областей. Ч. I. Неоднородные семантические сети. //Техническая кибернетика. 1990. № 5. С.32-45.

207. Основы теории системного подхода. /Колесников JI.A. и др. — К.: Наукова думка, 1988.- 176с.

208. Осуга С. Обработка знаний. М.: Мир, 1989. - 293с.

209. Паповян С.С. Математические методы в социальной психологии. М.: Наука, 1983. -343с.

210. Пат. № 2000610164. РФ. Адаптивная система анализа и прогнозирования состояний сложных систем "ДЕЛЬТА". /В.С.Симанков (Россия), Е.В.Луценко (Россия); Заяв. № 2000610164. Опубл. 03.03.2000. 50с.

211. Пат. № 2003610433 РФ. Автоматизированная система мониторинга, анализа и прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО". / И. А. Драгавцева (Россия), Е.В.Луценко (Россия), Л.М.Лопатина (Россия); Заяв. № 2002611927 РФ. Опубл. от 18.02.2003.-50с.

212. Пат. № 940217. РФ. Универсальная автоматизированная система распознавания образов "ЭЙДОС". /Е.В.Луценко (Россия); Заяв. № 940103. Опубл. 11.05.94. 50с.

213. Пат. № 940328 РФ. Универсальная автоматизированная система анализа, мониторинга и прогнозирования состояний многопараметрических динамических систем "ЭЙДОС-Т". /Е.ВЛуценко (Россия); Заяв. № 940324. Опубл. 18.08.94. 50с.

214. Пат. № 940334. РФ. Универсальная автоматизированная система анализа и прогнозирования ситуаций на фондовом рынке "ЭЙДОС-фонд" /Е.ВЛуценко (Россия), Б.Х.Шульман (США); Заяв. № 940336. Опубл. 23.08.94. 50с.

215. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ: Учебное пособие. — М.: Высшая школа, 1997. 389с.

216. Петренко В.Ф. Введение в экспериментальную психосемантику: исследование форм репрезентации в обыденном сознании. М.: МГУ, 1983. — 177с.

217. Петренко В.Ф. Психосемантика сознания. М.: МГУ, 1988. - 208с.

218. Петрик A.A., Лобанов В.Г., Симанков B.C., Луценко Е.В. Адаптивная система управления университетом. //В сб.: "Информационные технологии и телекоммуникации в образовании". М.: ВВЦ, 2000. -С.30-31.

219. Пиаже Ж., Инельдер Б. Генезис элементарных логических структур. М.: Мир, 1963. -231с.

220. Пиотровский Я. Теория измерений для инженеров. /Пер. с польск. М.: Мир, 1989. -335с.

221. Питерсон Дж. Теория сетей Петри и моделирование систем. /Пер. с анг. М.: Мир, 1984.-264с.

222. Подиновский В.В., Гаврилов В.М. Оптимизация по последовательно применяемым критериям. М.: Советское радио, 1975. - 230с.

223. Полежаев А.П. Основы построения отраслевой автоматизированной системы управления МВД СССР (ОАСУ МВД СССР): Лекция. М.: Академия МВД СССР, 1981. -38с.

224. Попов Э.В. Экспертные системы. М: Наука, 1987. - 288с.

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

226. Поспелов Д.А. Ситуационное управление: теория и практика. М. Наука, 1986. -288с.

227. Представление и использование знаний. /Под ред. Х.Уэно, М.Исидзука. М.: Мир, 1989.-220с.

228. Прикладные нечеткие системы. /К.Асаи, Д.Ватада, С.Иваи и др. /Под ред. Т.Тэрано, К.Асаи, М.Сугено. М.: Мир, 1993. - 368с.

229. Приобретение знаний. /Под ред. С.Осуги, Ю.Саэки. М.: Мир, 1990. - 304с.

230. Пугачев B.C. Теория вероятностей и математическая статистика. М.: Наука, 1979. -495с.

231. Пфанцагль И. Теория измерений. М.: Мир, 1976. - 248с.

232. Пшеничный Б.Н., Данилин Ю.М. Численные методы в экстремальных задачах. М.: Наука, 1975.-370с.

233. Рабочая книга по прогнозированию. /Под ред. И.В.Бестужева-Лада. М.: Мысль, 1983. - 300с.

234. Райков А.Н. Аналитическим службам информационные технологии. /Ваш выбор. 1994. № 4. - С.28-29.

235. Райков А.Н. Гносеологическая декомпозиция процессов рефлексивного управления. /"Рефлексивное управление". Тезисы международного симпозиума (17-19.10.2000). -М.: Ин-т психол. РАН, 2000. С.89-90.

236. Райков А.Н. Интеллектуальные информационные технологии и системы. В 2-х частях. -М: МИРЭА, 1998.-213с.

237. Райков А.Н. Интеллектуальные информационные технологии: Учебное пособие. — М.: МГИРЭА(ТУ), 2000. 96с.

238. Райфа Г. Анализ решений. Введение в проблемы выбора в условиях неопределенности. М.: Наука, 1977. - 120с.

239. Рассел Б. Человеческое познание. Его сферы и границы. /Пер. с англ. М.: ИЛ, 1957. -115с.

240. Растригин Л.А. Современные принципы управления сложными объектами. М.: Советское радио, 1980. - 120с.

241. Раяцкас Р.Л., Плакунов М.К. Количественный анализ в экономике. М.: Наука, 1987. -391с.

242. Рейнгольд Э., Нивергельт Ю., Део Н. Комбинаторные алгоритмы. Теория и практика. М.: Мир, 1980.-476с.

243. Рефлексивное управление. Сборник статей Международного симпозиума (1719.10.00). /Под ред. В.ЕЛепского. М.: Ин-т психол.РАН, 2000. - 192с.

244. Рефлексивное управление. Тезисы Международного симпозиума (17-19.10.00). /Под ред. В.ЕЛепского. М.: Ин-т психол.РАН, 2000. - 140с.

245. Роберт ГДжан, Бренда Дж.Данн. Границы реальности. (Роль сознания в физическом мире). /Пер. с англ. М.: Объединенный институт высоких температур РАН, 1995. -287с.

246. Робертсон Б. Лекции об аудите качества. Выпуск 2. Пер. с англ. /Под общей редакцией Ю.П.Адлера. М.: РИА "Стандарты и качество", 1999. - 260с.

247. Рыбина Г.В. Технология проектирования прикладных экспертных систем. М.: МИФИ, 1991,- 104с.

248. Рыжов А.П. Степень нечеткости лингвистической шкалы и ее свойства: Нечеткие системы поддержки принятия решений. Калинин: КГУ, 1989. - С.82-92.

249. Рябикина З.М., Некрасов С.Д., Луценко Е.В. Личность и профессия: проблема самоактуализации. //В сб. "Психологические проблемы самореализации личности". /Под ред. О.Г.Кукосяна. Краснодар: КубГУ, 1997. - С.127-140.

250. Савин И.Ю., Загаров Н.Г., Комплексное моделирование ресурсного потенциала земель Дагестана для размещения косточковых плодовых культур. Махачкала: Юпитер. 2000.-15 с.

251. Симанков B.C. Автоматизация системных исследований в альтернативной энергетике. Дисс. .д.т.н. (05.13.01) Краснодар: КубГТУ, 2001. - 472с.

252. Симанков B.C. Планирование определительных испытаний и оптимизация интервальных оценок при исследовании надежности электрических цепей. -Краснодар, 1982.-11с. Деп.в ВИНИТИ, № D/987.

253. Симанков B.C., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов Монография (научное издание). — Краснодар: ТУ КубГТУ, 1999.-318с.

254. Симанков B.C., Луценко Е.В. О требованиях, предъявляемых к тестовым заданиям и тестам по предметной обученности. //В сб.: "Интеллектуальные информационные системы". Воронеж, ВГТА, 2000. - С.35-36.

255. Симанков B.C., Луценко Е.В. Применение кластерно конструктивного анализа и теории информации для выявления конфликтующих коалиций в сложных организационных системах. //В сб.: "Теория конфликта и ее приложения". — Воронеж: ВГТА,2000.-С.11-12.

256. Симанков B.C., Луценко Е.В. Применение семантической теории информации для обобщения и сравнительно-типологического анализа исторического опыта стран //В сб.: "Вековой поиск модели хозяйственного развития России". Волжский: ВГУ, 2000.-С.21-23.

257. Симанков B.C., Луценко Е.В. Синтез адаптивных АСУ сложными системами с применением моделей распознавания образов. /Автоматизация и современные технологии. 1999. № 1. С.32-37.

258. Симанков B.C., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В.С.Симанкова. Краснодар: ИСТЭК КубГТУ, 2001. - 258с.

259. Смирнов И., Безносюк Е., Журавлёв А. Психотехнологии: Компьютерный психосемантический анализ и психокоррекция на неосознаваемом уровне. М.: Изд. группа Прогресс-Культура, 1995. - 416с.

260. Современное состояние теории исследования операций. /Под ред. H.H. Моисеева. -М.: Наука, 1979. 464с.

261. Современные технологии оценочной деятельности: Сборник методических рекомендаций. /Коллектив авторов. М.: Ассоциация ФПГ России, 2000. - 208с.

262. Сойер Б., Фостер Д.Л. Программирование экспертных систем на Паскале. М.: Финансы и статистика, 1990. — 191с.

263. Сокал P.P. Кластер-анализ и классификация: предпосылки и основные направления. //В кн: "Классификация и кластер" /Под ред. Дж.Вэн Райзина. М: Мир, 1980. - С.7-19.

264. Соколов Н., Ляшков А. Информационные хранилища для систем принятия решений. /Рынок ценных бумаг. 1996. № 14 (77). С.45-51.

265. Солсо P.JI. Когнитивная психология. /Пер. с англ. М.: Тривола, 1996. - 600с.

266. Спиди К., Браун Р., Гудивин Дж. Теория управления. М.: Мир, 1973. - 248с.

267. Спицнадель В.Н. Основы системного анализа: Учеб. пособие. СПб.: Бизнес-Пресс, 2000.-326с.

268. Справочник по вероятностным расчетам. /Г.Г.Абезгауз, А.П.Тронь, Ю.Н.Ко-пенкин, И.А.Коровина. М.: Воениздат, 1970. - 536с.

269. Стабин И.Б., Моисеева B.C. Автоматизированный системный анализ. -М.: Машиностроение, 1984.-312 с.

270. Статистические методы повышения качества. /Под. ред. Х.Кумэ. М.: Финансы и статистика, 1990. - 304с.

271. Суппес П., Зинес Дж. Основы теории измерений. //В кн.: "Психологические измерения". М.: Мир, 1967. - С.9-110.

272. Такеда Э. Связность расплывчатых графов. //В кн.: "Вопросы анализа и процедуры принятия решений". М.: Мир, 1976. - С.216-228.

273. Тарасов В.К. Персонал-технология: отбор и подготовка менеджеров. Л.: Машиностроение, 1989.-368с.

274. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ. М.: Финансы и статистика, 1990. - 320с.

275. Темников Ф.Е., Афонин В.А., Дмитриев В.И. Теоретические основы информационной техники. М.: Энергия, 1979. - 511с.

276. Теория выбора и принятия решений: Учебное пособие. — М.: Наука. 1982. 328с.

277. Теория прогнозирования и принятия решений. /Под ред. С.А.Саркисяна. М.: Высшая школа, 1977. - 220с.

278. Терехов С.А. Лекции по теории и приложениям искусственных нейронных сетей. — Снежинск: ВНИИТФ, 1994. 182с.

279. Третьяк В.Г. Учебная активность и индивидуальные особенности обучаемых юридического института МВД. Краснодар: КЮИ МВД РФ, 1996. - 1 Юс.

280. Третьяк В.Г., Александров С.Г., Луценко Е.В. Модель профессионально-значимых психологических качеств личности сотрудников ОВД. //Вестник учебного отдела КЮИ МВД РФ. 2001, №1. -С.37-41.

281. Ту Дж., Гонсалес Р. Принципы распознавания образов. /Пер. с англ. М.: Мир, 1978. -410с.

282. Тюрин Ю.Н., Макаров А.А. Анализ данных на компьютере. /Под ред. В.Э.Фигурнова. — М.: ИНФРА-М, Финансы и статистика, 1995. 384с.

283. Уемов А. И. Системный подхода и общая теория систем. — М.: Мысль. 1978. — 272с.

284. Уинстон П. Искусственный интеллект. /Пер. с англ. М.: Мир, 1980. - 520с.

285. Уотермен Д. Руководство по экспертным системам. М: Мир, 1989. - 388с.

286. Фатхуддинов Р.А., Клыков Ю.И., Наркевич С.В., Добробаба А.Д., Луценко Е.В. Разработка и управление реализацией городских целевых комплексных программ. ГСТ 00. 004-85. /Городской стандарт. Краснодар: КФ ВНИИ Стандартизации, 1985. -107с.

287. Фатхудинов P.A. Разработка управленческого решения: Учебник для вузов. — М.: ЗАО Бизнес-школа Интел-синтез. 1998. — 272с.

288. Федосеев В.В. и др. Экономико-математические методы и прикладные модели: Учеб.пособие для вузов / Под ред.В.В.Федосеева-М.: ЮНИТИ, 2002, 391 с.

289. Фейнман Р. Характер физических процессов. М.: Мир, 1968. - 232с.

290. Фешберн П. Теория полезности для принятия решений. М.: Наука, 1978. - 120с.

291. Филин В.И. с соавт. Программирование урожая (разработка и внедрение программированных технологий в производство). Волгоград, 1978. 304с.

292. Фисенко А.Н., Егоров Е. А., Попова В. П. Низкозатратная технология высокопродуктивных садов яблони на слаборослых подвоях. Краснодар. СКЗНИИСиВ. 1999. 52 с.

293. Франселла Ф., Банистер Д. Новый метод исследования личности: руководство по репертуарным личностным методикам. /Пер. с англ. М.: Прогресс, 1987. - 230с.

294. Френкель A.A.-, Бар-Хиллел. Основания теории множеств, М., 1966. - 238с.

295. Фролов М.В. Контроль функционального состояния человека-оператора М.: Наука, 1987.-420с.

296. Фу К. Структурные методы в распознавании образов: Пер.с англ. М.: Мир, 1977. -320с.

297. Хагуров A.A., Луценко Е.В., Бакурадзе JI.A. Системный подход к социальному планированию развития города. //В сб.: "Проблемы управления развитием городов". — Краснодар: Краснодарский горисполком, 1985. -С.53-61с. (ДСП).

298. Харкевич A.A. О ценности информации. //В сб.: "Проблемы кибернетики" Вып. 4. -М.: Физматгиз, I960. C.53-S7.

299. Хартли P.JI. Передача информации. //В кн.: "Теория информации и ее приложе-ния". /Пер. под ред. А.А.Харкевича. М.: Физматгиз, 1959. - 305с.

300. Хемминг Р.В. Численные методы: для научных работников и инженеров. /Пер. с англ. -М.: Наука, 1972.-400с.

301. Холодная М.А. Психология интеллекта. Парадоксы исследования. 2-е изд., перераб. и доп. - СПб.: Питер, 2002. - 272 с.

302. Хорошевский В.Ф. Автоматизация программирования экспертных систем. М.: МИФИ, 1988.-64с.

303. Хофманн Д. Измерительно-вычислительные системы обеспечения качества. /Пер. с нем. М.: Энергоатомиздат, 1991. - 272с.

304. Цаленко М.Ш. Моделирование семантики в базах данных. М: Наука, 1989. - 288с.

305. Цапенко М.П. Измерительные информационные системы: Структуры и алгоритмы, систематическое проектирование: Учеб. пособие для вузов. 2-е изд., пер. и доп. — М.: Энергоатомиздат, 1985. 439с.

306. Цехмистро И.З. Диалектика множественного и единого: Квантовые свойства мира как неделимого целого. М.: Мысль, 1972. - 275с.

307. Цымбал В.П. Теория информации и кодирование. К.: Вища школа, 1977. - 287с.

308. Цыпкин Я.3. Основы информационной теории идентификации. М.: Наука, 1984. -520с.

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

310. Шалютин С.М. Искусственный интеллект. М.: Мысль, 1985. - 196с.

311. Шапиро Д.И. Принятие решений в системах организационного управления: использование расплывчатых категорий. М.: Энергоатомиздат, 1983. - 415с.

312. Шенк Р. Обработка концептуальной информации.- М: Энергия, 1979. 344с.

313. Шилейко A.B., Кочнев В.Ф., Химушин Ф.Ф. Введение в информационную теорию систем. М.: Радио и связь, 1985. - 278с.

314. Шнейдерман Б. Психология программирования: Человеческие факторы в вычислительных и информационных системах. /Пер. с англ. М.: Радио и связь, 1984. - 303с.

315. Шокин Ю.И. Интервальный анализ. Новосибирск: Наука, 1981. -112с.

316. Шрейдер Ю.А. Равенство, сходство, порядок. М: Наука, 1971. - 254с.

317. Эйкхофф П. Основы идентификации систем управления. М.: Мир, 1975. — 120с.

318. Экспертные системы для персонального компьютера: методы, средства, реализации. Справочное пособие. Мн.:Высшая школа, 1990. - 197с.

319. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры. М.: Финансы и статистика, 1987. - 191с.

320. Эшби У. Росс. Общая теория систем как новая научная дисциплина. //Системные исследования: Ежегодник. -М: Наука, 1969. С. 125-150.

321. Юдин Б. Г. Системный анализ. М.: БСЭ, 1976.

322. Юдин Д.Б. Математические методы управления в условиях неполной информации. -М.: Советское радио, 1974. 120с.

323. Юзвишин И.И. Информациология или закономерности информационных процессов и технологий в микро- и макромирах Вселенной. Изд. 4-е, испр. М.: Информациология, 1996.-214с.

324. Яблонский С.В. Введение в дискретную математику. М.: Наука, 1979. - 272с.

325. Яглом A.M., Яглом И.М. Вероятность и информация. Изд. 3-е, пер. и доп. М.: Наука, 1973.-511с.

326. Ядов В.А. Социологическое исследование: методология, программа, методы. М.: Наука, 1987.-248с.

327. Янг С. Системное управление организацией. — М.: Советское радио, 1973. — 455с.

328. Kosko, Bart. Neural Networks and Fuzzy Systems. Englewood Cliffs, NJ: Prentice-Hall, 1991.- 173p.

329. Zemankova-Leech, Maria, and Abraham Kandel. Fuzzy Relational Data Bases: A Key to Expert Systems. Cologne: Verlag TUV Rheinland, 1984. - 236p.

330. Луценко E.B. АСК-анализ в управлении активными системами. //Сб. научных трудов №2. -М.: МИФИ, 2003, с.110-119.Ф