автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы и алгоритмы анализа социальных процессов с применением когнитивно-адаптивной инвариантной модели

На правах рукописи

СМИРНОВ АЛЕКСЕЙ ЮРЬЕВИЧ

МЕТОДЫ И АЛГОРИТМЫ АНАЛИЗА СОЦИАЛЬНЫХ ПРОЦЕССОВ С ПРИМЕНЕНИЕМ КОГНИТИВНО-АДАПТИВНОЙ ИНВАРИАНТНОЙ МОДЕЛИ

Специальность 05.13.01 - Системный анализ, управление и обработка информации (отрасль — государственное и муниципальное управление)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Москва 2003

Работа выполнена на кафедре информатизации структур государственной службы Российской академии государственной службы при Президенте Российской Федерации

Научный руководитель: доктор технических наук,

профессор

Шемакин Юрий Иванович

Официальные оппоненты: доктор технических наук,

профессор

Гринченко Сергей Николаевич,

Защита состоится «28» мая 2003 г. в 16 часов на заседании диссертационного совета Д 502.006.17 в Российской академии государственной службы при Президенте Российской Федерации по адресу: 119606, Москва, пр-т. Вернадского, д. 84, ауд._.

С диссертацией можно ознакомиться в библиотеке РАГС. Автореферат разослан «_»_2003 г.

Ученый секретарь

кандидат технических наук, старший научный сотрудник Корнеенко Виктор Павлович

Ведущая организация: Центр информационных технологий

и систем органов исполнительной власти

диссертационного совета, кандидат ф.-м. наук, доцент

А.И. Митин

т

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Разнообразные экономические и политические исследования, необходимость совершенствования анализа социальных систем в условиях повышенной динамики актуализируют использование эффективных наукоемких технологий и методов прикладной математики, искусственного интеллекта, доступных для практического использования в системном анализе.

Сегодня наблюдается противоречие между потребностью в мощных и эффективных средствах для исследования социальных процессов и наличием методик их анализа, основанных на инвариантных моделях, отвечающих требованиям соответствия сложности, недоопределенности природы объекта и уровню знаний конечного пользователя. Необходимо создание комплексного инвариантного сочетания методов и алгоритмов анализа, позволяющего исследовать процесс с целью прогнозирования поведения, генерации альтернатив и выбора пути развития.

В диссертации представлены: комплексирование методов и алгоритмов анализа социальных процессов (СП), позволяющее сочетать управление знаниями эксперта с их машинной адаптацией под меняющуюся ситуацию, инвариантная модель процессов и метод создания такой аналитической системы, которая удовлетворяла бы максимальному числу современных требований.

Степень научной разработанности проблемы. Несмотря на то, что методы и алгоритмы анализа сложных социальных систем и соответствующие им информационные технологии появились достаточно давно, до наших дней создано не так уж много удачных комплексных методик, имеющих технологии прикладного анализа, доступных^ простому пользователю.

Наиболее приемлемые сочетания методов и алгоритмов анализа СП основываются на недоопределенных моделях, нечетких вычислениях, связанных с отказом от общепринятых критериев: алгоритмичности, целевого характера, определенности значений показателей и системы математических зависимостей, разграничения «входов» и «выходов» системы, ограничительного отбора используемой информации.

Важным моментом является также требование перехода от традиционного управления на основе прошлого опыта к стратегическому управлению, выявляющему те внешние тенденции, риски, опасности и

шансы, которые способны изменить сложившуюся ситуацию в настоящем.

В связи со сложностью объекта исследования, существенным фактором выступает необходимость использования моделей с возможностями визуализации этапов построения и анализа.

Метод когнитивного анализа и управления сложными социальными процессами, описанный в трудах Максимова В.И., Kosko В., Roberts F.S., синтезирует системный и когнитивный подходы и позволяет проводить анализ социальных процессов, включающий построение модели, в структуре которой отражены статические взаимосвязи существенных факторов. Следует отметить, что слабой стороной анализа на основе когнитивно-графового моделирования является этап идентификации модели.

Эволюционные вычисления, раскрытые как инструмент стохастического направленного поиска в пространствах большой размерности, в работах Курейчика В.М., Растригина Л.А., Goldberg D., Holland J., Jones A.J., являются дополнением ко многим моделям, и используются для проектирования и адаптации.

Предлагаемое в диссертации комплексирование методов и алгоритмов анализа социального процесса сочетает основные направления теории искусственного интеллекта: концептуальное и когнитивное моделирование, интервальные и эволюционные вычисления.

На этапе построения модели процесса используются концептуальное и когнитивно-графовое моделирование. Когнитивно-графовая модель идентифицируется при помощи эволюционных алгоритмов. При поиске путей развития СП эволюционные вычисления позволяют получить альтернативные варианты начальных значений параметров. Анализ СП на основе когнитивно-адаптивного моделирования предполагает возможность визуального отображения системы взаимосвязей объектов и факторов. В работе предложен также метод создания аналитической системы (АС), автоматизирующей ряд этапов анализа СП. Представлены сценарии человеко-машинных взаимодействий в рамках такой системы.

Цели исследования. Основной целью диссертационного исследования является повышение качества решения задач анализа социальных процессов (построения и идентификации модели процесса, прогнозирования, выработки альтернатив развития) и расширение номенклатуры анализируемых процессов, за счет применения когнитивно-адаптивной

инвариантной модели с использованием как количественных, так и качественных параметров.

Объект исследования - сложный социальный процесс, являющийся объектом государственного и муниципального управления.

Предмет исследования - система причинно-следственных связей сложного социального процесса.

Задачи исследования.

1. Комплексирование современных алгоритмов и методов анализа СП: концептуального моделирования, когнитивно-графового моделирования, интервальных и эволюционных вычислений.

2. Разработка когнитивно-адаптивной инвариантной модели СП.

3. Разработка метода создания аналитической системы, автоматизирующей этапы анализа СП с применением когнитивно-адаптивной модели.

4. Разработка сценариев взаимодействий пользователя с аналитической системой.

5. Разработка программного комплекса, реализующего аналитическую систему.

6. Решение задач анализа реальных социальных процессов в области государственного и муниципального управления:

• изменение социальной обстановки в регионе под влиянием действий контртеррористических сил и незаконных вооруженных формирований (на основе данных по Чеченской Республике);

• изменение инвестиционной привлекательности региона, в зависимости от экономических и социальных факторов (используя данные по Удмуртской Республике);

• изменение значимости стратегических рисков Российской Федерации с учетом их взаимозависимостей.

Теоретической и методологической основой исследования стали: концептуальное моделирование, когнитивно-графовое моделирование, эволюционные вычисления, нечеткие вычисления. Также использовались: системный анализ, теория графов, линейная алгебра, математический анализ, алгебра матриц, интервальная математика.

Научная новизна работы заключена в комплексировании базовых методов и алгоритмов теории искусственного интеллекта: концептуального моделирования, когнитивно-графового моделирования, эволюционных вычислений; способах адаптации элементов когнитивно-графовой модели: матрицы смежности когнитивного графа и вектора значений параметров; расширении когнитивно-графовой модели за счет внедрения лингвистических переменных в качестве параметров и нелинейных отношений между параметрами; предлагаемых методах символьного генетического кодирования элементов когнитивно-графовой модели; методе создания прикладной аналитической системы и разработанных сценариях взаимодействия пользователя с системой.

Практическая ценность работы. Предлагаемое сочетание методов и алгоритмов анализа СП на основе когнитивно-адаптивного моделирования положено в основу прикладной аналитической системы, применимой для решения широкого круга научно-практических задач исследования социальных процессов. Используя созданную аналитическую систему, был решен ряд задач исследования реальных социальных процессов в сфере государственного и муниципального управления.

Апробация работы. Работа апробировалась с целью проведения прикладных исследований в ряде государственных структур: Аппарат Совета безопасности РФ, Министерство по чрезвычайным ситуациям РФ, Центр информационных технологий и систем органов исполнительной власти, Международный центр по информатике и электронике, Российская академия государственной службы при Президенте РФ.

Результаты исследования докладывались на международной конференции «Проблема идеальности в науке», Москва, сентябрь 2001 г.; межвузовской конференции «Государственность России и государственная служба: пути развития», РАГС, апрель 2002 г.; совместной междисциплинарной аспирантской конференции РАГС-СЗАГС «Государственность и государственная служба России: пути развития», С.-Петербург, июнь 2002 г.

По результатам исследования опубликованы 6 статей и тезисов к докладам на конференциях общим объемом 6,75 п.л.

Основные положения, выносимые на защиту.

1. Комплексирование методов и алгоритмов анализа СП: выявления знаний, концептуального и когнитивно-адаптивного моделирования.

2. Метод создания когнитивно-адаптивной инвариантной модели сложного социального процесса на основе когнитивно-графовой модели с генетической адаптацией её элементов.

3. Метод идентификации когнитивно-графовой модели с применением эволюционных вычислений.

4. Метод решения задачи выработки альтернатив развития СП с применением генетической адаптации вектора значений параметров когнитивно-графовой модели.

5. Методы символьного преобразования элементов когнитивно-графовой модели к генетическому коду.

6. Расширение когнитивно-графовой модели за счет использования лингвистических переменных в качестве значений параметров и нелинейных отношений между параметрами.

7. Метод создания аналитической системы, автоматизирующей этапы анализа социального процесса.

8. Алгоритмы и сценарии взаимодействий пользователя с аналитической системой.

Структура и объем работы.

Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Общий объем работы составляет 142 страницы. Список литературы составляет 93 наименования.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении к работе говорится о назревших противоречиях между современными требованиями к аналитическим инструментам, применяемым в исследованиях сложных социальных процессов в сфере государственного и муниципального управления, с одной стороны, и к используемым методам и алгоритмам, с другой. Ставится центральная задача исследования — комплексирование современных методов и алгоритмов анализа процессов социальной природы. Выдвигаются следующие подзадачи: разработка инвариантной когнитивно-адаптивной модели СП и метода её анализа, разработка метода создания аналитической системы, автоматизирующей некоторые этапы анализа и решение задач анализа реальных социальных процессов.

Первая глава раскрывает основные задачи анализа социальных процессов, определяет требования к аналитическим информационным системам, описывает этапы анализа СП на основе когнитивно-адаптивного моделирования (KAM).

В качестве решения основной задачи исследования предложено комплексирование алгоритмов и методов анализа СП на основе когнитивно-адаптивного моделирования (рис. 1), позволяющее проводить согласованный анализ сложного СП, прогнозировать его поведение и искать новые пути развития (рис. 2).

Под сложным социальным процессом понимается любое изменение в структуре или параметрах сложной системы, имеющей социальную проекцию. Такие процессы трудно поддаются формализации, параметризации. Их описание требует учета большого количества взаимосвязанных факторов и объектов.

Предполагается, что эксперт, специализирующийся в проблемной области, способен осуществить отбор базисных факторов социального процесса, с применением алгоритма четырехэлементного стратегического PEST-анализа (Policy - политика, Economy - экономика, Society - общество, Technology — технология), выделяющего четыре основные группы факторов, посредством которых анализируется политический, экономический, социокультурный и технологический аспекты внешней среды исследуемого процесса.

Следующий шаг — ситуационный анализ проблемной области, SWOT-анализ (Strengths - сильные стороны, Weaknesses - недостатки, слабые стороны, Opportunities — возможности, Threats - угрозы). Он складывается из анализа сильных и слабых сторон развития исследуемого процесса в их взаимодействии с угрозами и возможностями внешней среды.

Выявление знаний о СП; PEST, SWOT-анализ.

Структуризация \

Концептуальная модель СП

Параметризация

Когнитивно-адаптивная модель СП"1

Когнитивно-графовая МО-\ дельСП

К

Символьные преобразования

Генетический код КГМ СП; ^эволюционные вычисления

2

Рис. 1. Методы и алгоритмы анализа СП

Структурируя полученные знания, эксперт получает концептуальную модель СП, представляет СП в виде множества факторов и объектов, устанавливает между ними отношения.

Тройка М = <ОЬ@об), Рфов), Яе1^об)>, где ОЪ(^ - множество объектов системы, Рфов) - множество влияющих факторов, Яе1(1об) — множество отношений между факторами и объектами, ¿об - объективное время, является концептуальной моделью СП. Каждая сущность процесса характеризуется одним или несколькими параметрами, освещающими стороны, которые существенны в контексте исследования. При погружении концептуальной модели СП в пространство параметров модель преобразуется к виду:

ОЬ(1об)= 0Ъ'(10б,7г0(и)), Рфов)= Р1,(1об,ж/1об)), Яе1(1о6)=1{е1'роб,лг(1об)) => М'=<ОЪ'Оо6,ко(1о6)),РС(1об,7г]0о6))>Ке1'(1Об,лг(1об))>, где п0, щ, кг - множества параметров, например, л„ = {п0^од}'< от времени зависит как состав множества параметров, так и их значения. На основе концептуальной модели путем параметризации строится когнитивно-графовая модель (КГМ) процесса, отображающая взаимовлияния параметров факторов и объектов.

Когнитивно-графовая модель СП - Мкг = <Р, О, МВ>, где Р - множество параметров, О - множество отношений, МЯ - правило получения следующих значений параметров из текущих. Множество

Р=П(ОЬ '(и.наб, ЯоМ )) иП^ '(и иаб, тт^об))), где П (•) - оператор проекции на множество параметров, примененный в момент времени 1о6 иас. Множество 0=П(§С(Яе1 на6, л/^)))), где 5С('•) - оператор отбора причинно-следственных отношений. Л//?: В(Р)х 0(0) —> й(Р), где О(-) -оператор получения множества всевозможных значений. Правило МЯ выбирается экспертно, на основании знаний о процессе и имеет один из четырех видов: «базовое», «аккумулирующее», «балансовое» и «импульсное».

Для идентификации, уточнения КГМ процесса необходима информация о состояниях процесса или фактические данные по аналогиям - состояниям семантически близких реализаций процесса:

1. КГМ процесса - Мкг = <Р, О, МЯ, 5/>, где 5/ - конечное множество векторов значений параметров процесса во времени.

2. Мкг = <Р, О, МЯ, Ш], Б2>, где - конечное множество векторов значений параметров аналогов-реализаций процесса, /<// - вектор индикаторов, фиксирующих те или иные параметры как «вход-ные»/«результирующие».

В первом случае формально решается задача оптимизации функционала \-1раз

РМкг,(Х)= I \)^т(МЩ...МК(МЩ8ц,Х),Х)...,Х)-8и\\, РМкг1(Х)—тт, где суммирование осуществляется по всем элементам 5/. Во втором случае: РМкг2(Х)= ТI ||(М1{(82„Х)^ - РМкг2(Х)-тт, где суммирование осуществляется по всему множеству 5;, по «результирующим» параметрам.

В случае, когда определяется целевое состояние СП и требуется получить альтернативные пути его развития:

Мкг = <Р, О, МЯ, С, М2, /*>, где С - вектор целевых значений параметров процесса, М2 - вектор индикаторов, фиксирующих те или иные параметры как «управляемые»/«неуправляемые», Г* - число итераций КГМ для достижения целевых значений параметров. Оптимизационная задача: О»

Шкг3(Х)= Е||(МЩЖ(...Ж(МИ(Х,0), О)..., О)), - С) ||, РМкг3(Х)-тт, где суммирование осуществляется по «неуправляемым» параметрам.

Для решения оптимизационных задач обосновано и реализовано совместное использование когнитивного анализа и эволюционных вычислений, предложены методы символьных преобразований, позволяющие строить генетические коды элементов когнитивно-графовой модели.

Этапы анализа социального процесса

Выявление знаний о СП, структуризация.

Построение концептуальной модели процесса. Параметризация.

Построение когнитивно-графовой модели процесса, идентификация.

Проверка качества и адекватности модели. Непротиворечивость КГМ, чувствительность, адекватность.

Генерация возможных альтернатив развития процесса. Решение задачи «что надо, чтобы».

Оценка и согласование возможных альтернатив. Многокритериальная оценка.

Анализ динамики развития процесса. Решение задачи «что будет, если».

Выбор пути развития.

Соответствие развития процесса намеченным целям.

Рис. 2. Этапы анализа социального процесса на основе KAM

В работе изложен метод решения задач анализа СП с применением KAM. включающий:

• генерацию альтернатив поведения процесса (задача «что надо, чтобы...»): в ходе эволюционной адаптации, на выходе генетического алгоритма получается целое множество различных альтернативных векторов значений параметров, минимизирующих целевой функционал FMKii(-)\

• оценку альтернатив: задается дополнительное множество критериев В={В,} на параметры процесса. Критерии вводятся в целевой функционал в виде линейной комбинации штрафных функций. Если же критерии нелинеаризуемы, то изменяется структура алгоритма до многопопуляционного, дабы каждая из популяций стремилась к оптимуму, определяемому дополнительно заданным критерием. В каждой популяции используется своя модификация целевого функционала: РМкгз,('•) = РМкгз(•) + В,('•), что позволяет находить для каждого критерия свое множество решений;

• прогнозирование развития ситуации в зависимости от рассматриваемой альтернативы: получение прогнозных значений происходит путем итеративного применения уравнения КГМ к начальному вектору значений параметров с возможным внесением стохастических возмущений.

Метод проверки адекватности и качества когнитивно-адаптивной модели. Качественная проверка осуществляется путем сопоставления модели с системой непреложных фактов, относительно рассматриваемого процесса. Факты, как правило, формируются в виде продукций вида:

ЕСЛИ Рг0(0,) &... & Рг0(Ой & Рг0,) & ... & РгТ0Рг\(0) или

ЕСЛИ Рг0(0,) &... & Рг0(0{) & Рг^О & ... & РгТОРг'/(Р1), где Рг/-), Рго0, Рг 'г (')• Рг'оО) - некоторые базисные характеристики объектов или факторов процесса. Когнитивно-графовая модель считается адекватной реальной ситуации, если в ней не нарушается ни одна из продукций базисных знаний. Количественный метод проверки качества и адекватности модели: идентификация производится на подмножестве фактических данных. Оставшиеся данные используются для проверки. Прогнозируемые значения параметров должны иметь минимальные отклонения от фактических. Качество модели проверяется и в ходе исследования когнитивно-адаптивной модели на чувствительность: осуществляется проверка когнитивного графа на устойчивость, что дает основание судить о том, необходимо ли вносить какие-то изменения в саму структуру процесса, делая его более независимым от влияний внешней среды или внутренних подпроцессов.

Вторая глава формализует комплексируемые алгоритмы и методы, показывает пути дальнейшего их развития, взаимообогащения.

Когнитивно-графовая модель СП.

Когнитивный граф (КГ) процесса представляет собой ориентированный взвешенный граф, в котором вершины соответствуют параметрам базисных объектов и внешних факторов процесса, а дуги определяют непосредственные взаимосвязи. На уровне когнитивно-графовой модели каждая связь между параметрами-вершинами раскрывается до соответствующего уравнения, которое содержит как численные, так и лингвистические переменные.

Различные социальные и социоэкономические процессы могут быть представлены различными видами когнитивно-графовых моделей в зависимости от вида уравнения. Основной вид - «базовый». Он отличается тем, что значения на вершинах не зависят от своих предыдущих состояний; используется для исследования слабодетерминированных процессов. Второй и третий виды КГМ — модели, описывающие процессы, имеющие ресурсную составляющую: аккумулирующие на вершинах значения или включающие балансовые отношения. Четвертый вид - «импульсный» - значение на вершине зависит от величин приращений, импульсов на смежных вершинах.

Типы когнитивно-графовой модели определяются линейностью/нелинейностью преобразований, соответствующих дугам КГ. В линейных КГМ вес дуги КГ равен коэффициенту линейной функции, связывающей «начало» и «конец» дуги КГ. В нелинейных КГМ каждая дуга КГ представляет собой нелинейное преобразование и характеризуется одним параметром - показателем степенной функции. Используемая нелинейная функция имеет вид: ,, ч \ х",х>О

/{а,х) = \ , где а - вес дуги, взятый по модулю.

( — рс| ,дг < О

КГМ представим как тройку <множество параметров, множество отношений, основное уравнение> = <5, Я, МК>. Б = {я/^} - множество параметров исследуемого процесса, заданных интервально или лингвистически, г — принадлежит дискретному множеству временных моментов. Заданные интервально параметры определяются неравенствами: а, £ я,<Ь, (границы не обязательно конечны). Лингвистические параметры принимают значения из конечного набора пар Лингвистическая метка, численный интервал>. Я = {г^, где гд — действительное —число, определяющее отношение, связывающее у'-ый и к-ый параметр; отношения - суть взаимные влияния параметров процесса. Матрица смежности КГ - ЯМ = (г,) — это матрица, у-ый элемент которой - значение, характеризующее отношение /-го параметра ку-му.

Основные уравнения линейной КГМ:

• «базового» вида: = I • -^кО^]) - значение параметров процесса в момент времени определяется как произведение вектора значений параметров в момент на матрицу смежности КГ. Причем, в случае ограниченного значения параметра: если я, < а, то = а„ если> Ъ, то = Ь,.

• «аккумулирующей»: s,(tj) = s,(tj.i) + $k(tj-i)\

• «балансовой»: s,(tj) = s,(tj,i)+T.rh-Sk(tj.i) - Zr,„- s,(tj.j);

• «импульсной»: обозначим за p,(tj)= s,(tj) - s,(tj.i) - величину импульса г'-го параметра. Тогда уравнение «импульсной» линейной КГМ таково: s,(tJ=s,(tj,i)+Y. Pk(tj-i).

В случае нелинейной КГМ в каждом из четырех равенств вместо простого весового произведения используется нелинейное преобразование, согласно функции f(а,-). Например, для второго вида уравнение имеет вид: s,(tj) = s,(tj.,) + Z,f(rh, sk(tj.i)).

Если среди параметров встречаются лингвистически заданные, соответствующие уравнения КГМ должны быть представлены на языке интервальной математики.

Пусть I(R) - множество всех отрезков на множестве действительных чисел. Если А е I(R), следовательно, А — интервальное число, A^fai.aJ. Тогда лингвистический параметр - это отображение S: T(S) I(R), где T(S) - терм-множество лингвистического параметра. Обозначим: IT,(S) - интервальное число, соответствующее г'-му терму лингвистического параметра. Обозначим: IT*(S) — интервальное число, соответствующее текущему значению лингвистического параметра. Определим оператор, вычисляющий центр интервального числа, как половинную разность его концов: С (А) = (а2 - at)/2.

Для лингвистического параметра S введем отображение FCS: R T(S), по правилу: '

FCs(d) = IT, (S): IС (IT, (S)) -d \ min\ C(IT) (S)) -d\, где минимум берется по всем интервальным числам лингвистического параметра. Определим отображение Fis: I(R) T(S), по правилу:

FIs(D)=IT,(S): \C(IT, (S))-C(D)\ = min\C(ITj (,S))-C(D)\, где минимум берется по всем интервальным числам лингвистического параметра.

Определим основное уравнение линейной КГМ «базового» вида в обобщенном случае двумя способами:

• s,(tj)=FCs,(Zrh- C(IT*(Sk(t]-i)))) преобразования производятся с действительными числами - центрами интервалов.

• s,(tj)=FIs,( I гь • IT*(sk(t}.i))). Здесь используются арифметические операции с интервальными числами.

Аналогично определяются уравнения для остальных видов линейной КГМ.

В случае нелинейной КГМ, определим пороговую функцию, а значит и основное уравнение, через центры интервальных чисел:

Использование ЛВ- или МК-расширения степенной функции позволяет определить основное уравнение КГМ для лингвистических параметров, избегая применения оператора С(-).

Чувствительность КГМ.

Скажем, что вершина я, когнитивного графа устойчива по значению, если существует такое число К, что | | < К, для любого

Когнитивный граф устойчив по значению, если все его вершины устойчивы по значению. Приводится без доказательства следующая теорема для линейной КГМ «базового» вида:

Теорема ГГ1): КГМ линейного типа «базового» вида устойчива (нечувствительна) по значению, тогда и только тогда, когда собственные числа матрицы смежности КГ строго не превышают единицы по модулю. Для линейных «балансовых» и «аккумулирующих» КГМ теорема Т1 имеет аналогичный вид. Для «импульсной» КГМ дополнительно вводится импульсная чувствительность, когда анализируется ограниченность значений импульса на вершинах.

Идентификаиия КГМ и адаптаиия элементов КГМ по фактическим данным позволяет сделать прогнозы и решение задачи выработки альтернатив развития СП более точными и обоснованными. В основе процессов адаптации и идентификации лежит генетический алгоритм (ГА), основанный на эволюционных факторах получения решения: механизме генетического наследования и изменчивости, естественном отборе. При этом сохраняется биологическая терминология в упрощенном виде.

Основные особенности используемого ГА:

• действительнозначное генетическое кодирование;

• «маскированные гены»: наряду с кодирующими генами, существуют дополнительные гены - «маски», управляющие генетическими операторами;

• мультипопуляционная структура.

В работе используются следующие реализации операторов генетического алгоритма. Рандомизация популяции осуществляется в соответствии с «маской» - генерируются случайным образом значения

для «незамаскированных» генов. В качестве оператора скрещивания используется равномерный кроссинговер. Оператор выбора пары -«рулеточный» выбор, попеременно с аутбридингом, чтобы компенсировать действие стратегии «элитизма» в отборе. Оператор мутации — вносящая только «улучшающие» изменения «маскированная» мутация с «пороговой» вероятностью. Оператор отбора реализует стратегию элитизма - «лучшие» (по значению фитнесс-функции) потомки заменяют «худших» родителей. Вариации фитнесс-функции (FF,, FF2, FF3), в зависимости от решаемой задачи адаптацидая адаптации матрицы смежности повременным фактическим данным - FF1(Hl)= ZX Ifs^-fs^- (Н,) ' |, где fskj - значение j-го параметра k-то временного фактического примера;

• для адаптации матрицы смежности по данным-аналогиям -FF2(HJ = IE | fsb- fsb• Hl I, где fsb - значение v - го параметра k-го фактического примера-аналогии, суммирование производится по «результирующим» параметрам;

• для адаптации вектора значений параметров (вершин) -FF3(HI)=Z.\HIV-HIV- (RM)'*\, где t* - число итераций КГМ, суммирование производится по «неуправляемым» параметрам.

Фитнесс-функция расширяется за счет добавления линейной комбинации штрафных функций, в случае использования новых оценочных критериев или ограничений на решения. Условие остановки работы алгоритма — достижение максимального количества итераций или отсутствие улучшений в популяции после определенного числа итераций и последовательных применений оператора гипермутации. При гипермутации над каждым из членов популяции, за исключением одного - «лучшего» по значению фитнесс-функции, производится мутация с низким пороговым значением.

--В работе предлагается метод построения генетического кода по-

элементам КГМ.

Язык кодирования матрицы смежности:

Популяция — Р = <(Хромосома„ Маска)> — каждая популяция представляет собой множество хромосом и соответствующих масок. Хромосома — Н = <Ген,> — хромосома представляет собой набор генов. Хромосома соответствует одной матрице смежности. Ген — G = g - элемент матрицы RM, то есть ((i-1) • n+j) - ый ген в хромосоме равен гч, j=l,..,n (п - число параметров КГМ). Маска - Mask = <т,>, где т, £ Z. Маска

имеет одинаковое число элементов с хромосомой. Значение гена может быть «замаскировано» от мутаций и рандомизации. Маскируются заданные пользователем отношения, или отношения не участвующие в адаптации.

Кодирование вектора значений параметров:

Популяция — Р = <(Хромосомаь Маска)>. Хромосома — Н = <Ген,> -каждая хромосома соответствует одному вектору значений параметров. Ген -G = g- приведенное к действительному числу значение параметра; i'-ый ген в хромосоме равен s,. Маска - Mask = <т,>, где т, е Z - каждая «аллель» в гене может маскироваться от мутаций и рандомизации. Маска имеет одинаковое число элементов с хромосомой. Маскируются «неуправляемые» параметры.

Третья глава раскрывает метод создания аналитической системы на базе KAM. Предлагается модульное построение системы. Основные компоненты системы достаточно независимы в функциональном плане.

Пользователь

Интерфейс «система-пользователь»

.¿-Когнитивный модуль

Редактор когнитивных графов

зз;

Процессор КГМ

Информационное хранилище

Процессор ген. кодирования

Модульгенетическойадаптации Генетический

процессор

Рис.3. Структурная схема АС Система имеет сетевую топологию (рис. 3). В системе выделяются два основных уровня - уровень взаимодействия с пользователем, на котором располагаются модули, имеющие интерфейсную часть, и уровень внутрисистемный, на котором базируются модули, не имеющие точек внешнего «входа».

Когнитивный модуль включает в себя редактор КГ, процессор КГМ. Редактор КГ предоставляет пользователю интерфейс для осуществления процесса редактирования КГ: настройки базовых параметров КГ,

создания КГ путем задания вершин, дуг и их свойств. Основная функциональная роль процессора КГМ - осуществление пошаговой интерпретации работы КГМ, построение по входным значениям параметров выходных значений. Интерфейсная компонента с пользователем - отсутствует.

Хранилище полученных решений и редактор фактических данных предоставляют пользователю интерфейс по работе с информацией, необходимой для настройки, идентификации модели. Данные представляются в табличном виде. Редактор данных позволяет работать с тремя видами фактических данных: временные последовательные примеры, временные парные примеры и примеры-аналогии. Отредактированные данные и полученные решения хранятся во внутрисистемном формате.

Рис. 4. Алгоритм работы пользователя с АС

Модуль адаптации строит генетический код по элементам КГМ и, основываясь на текущей функции оценки, адаптирует генетическую популяцию. Процессор генетического кодирования позволяет преобразовать данные из хранилища и из когнитивного модуля в генетический код, и обратно. Процессор генетических вычислений реализует в себе основные генетические операторы.

В связи с предлагаемым сочетанием методов и алгоритмов анализа СП и особенностями метода создания АС, в работе предлагается следующий алгоритм взаимодействий пользователей с АС (рис. 4). Изначально эксперт в проблемной области и эксперт-когнитолог производят предварительный концептуальный анализ исследуемого процесса. Затем эксперт-когнитолог при помощи редактора КГ строит начальную КГМ процесса. Эксперт в АС идентифицирует КГМ при помощи модуля генетической адаптации. На основе настроенной КГМ эксперт в АС производит решение задач выработки и оценивания альтернатив, прогнозирует развитие СП и передает результаты работы когнитологу, который их интерпретирует.

Четвертая глава посвящена решению задач исследования реальных СП.

Исследование изменения соииальной обстановки в регионе под влиянием действий контртеррористических сип и незаконных вооруженных формирований.

В ходе исследования выделены основные факторы, характеризующие исследуемый социальный процесс:

• мероприятия контртеррористических сил (КС) - показатель, агрегирующий численные данные: количество различных оперативно-розыскных мероприятий и военизированных акций;

• досмотры транспорта и частных лиц;

• число административных нарушений;

• число правовых и уголовных нарушений: подрывов, обстрелов;

• количественные потери среди мирного населения и террористов;

• потери КС - учитывается суммарное количество раненых и убитых со стороны КС;

• добровольно сданное оружие и сдавшиеся террористы - нормированный суммарный показатель;

• митинги, как реакция населения на действия КС и террористов в регионе;

• изъятое оружие и боеприпасы.

В результате предварительного когнитивного анализа предметной области, был построен КГ. Идентификация КГМ проводилась по временным примерам на основании статистических данных по Чеченской Республике за 2000-2002 г.г. Данные были агрегированы с интервалом в полмесяца.

Результат идентификации в КГМ только отношений, определенных экспертом:

Суммарное отклонение начальной КГМ: 114,65.

Суммарное отклонение итоговой КГМ: 74,37.

КГ устойчив. Максимальный модуль собственного числа: 0,64.

Выводы по результатам проведенного исследования:

• действия КС носят запоздалый характер и следуют в качестве реакции на потери среди личного состава;

• на число выступлений мирного населения прямо влияют проводимые КС мероприятия;

• наиболее весомый фактор - действия террористов, усиливающий число нарушений, и вызывающий прилив социальной напряженности.

Исследование зависимости инвестииионной привлекательности региона РФ от внешних и внутренних соииоэкономических факторов.

Выделены и параметризированы основные факторы, характеризующие исследуемый процесс:

• уровень инвестиций;

• финансовая надежность;

• уровень экономического развития;

• социальная напряженность (забастовки, акции протеста);

• уровень инноваций в регионе;

• ресурсообеспеченность (включая людские ресурсы);

• политическая стабильность;

• экологические проблемы.

Построен КГ. Идентификация КГМ проводилась по временным фактическим данным на основании статистических данных за 19942002 г.г. Данные были агрегированы с интервалом в год.

Результаты идентификации (идентифицировались все отношения. 2100 циклов ГА).

Суммарное отклонение начальной КГМ: 10,9.

Суммарное отклонение итоговой КГМ: 2,8.

КГ неустойчив. Модуль собственного числа: 1,07.

Решение задачи «что надо, чтобы...». Каковы необходимы начальные значения параметров модели, чтобы через три итерации КГМ (3 года) значения параметров «Уровень инвестиций», «Социальная напряженность» и «Экологические проблемы» были, соответственно, равны: инвестиции - 117 млн. долларов США; социальная напряженность -1765 акций протеста и преступлений; экологические проблемы -166 (агрегированный показатель).

Итоговые данные, в результате адаптации вектора значений параметров за 700 циклов ГА, имеют нормированное отклонение 1,3: уровень экономического развития — 16551,56 (ВВП, млн. рублей); политическая стабильность - 32,41 (процент одобряющих действия властей); финансовая надежность - 9237 (величина фин. вложений, млн. рублей); инновации -5,17 (удельный вес в стоимости); ресурсообеспе-ченность - 81233 (агрегированный показатель: сырьевые ресурсы и фонды).

Исследование проиесса изменения значимости стратегических рисков в интерпуетаиии экспертов.

Выделены и разбиты на группы основные стратегические риски по сферам жизнедеятельности государства (Российская Федерация):

• социальные риски: коррупция и некомпетентность власти, снижение уровня жизни, духовный кризис, неравномерность развития регионов, криминализация общества;

• научно-технические: нерациональный выбор приоритетов развития Hill, снижение научного потенциала, рост информационной уязвимости, угроза несанкционированного использования технологий, неопределенность технологий будущего;

• природно-техногенные: опасные природные явления, техногенные аварии, загрязнение окружающей среды, глобальное изменение климата, истощение природных ресурсов;

• политические: усиление позиций США, возрастание мощи КНР, снижение обороноспособности РФ, межнациональные конфликты, военная угроза со стороны НАТО и США;

• экономические: нерациональный выбор приоритетов, криминализация экономики, снижение производственного потенциала, возможность энергетического кризиса, чрезмерная открытость экономики.

Построен начальный КГ. Идентификация КГМ проводилась по временным данным - коэффициентам значимости рисков, полученных на основе попарных экспертных сравнений на временном интервале 2002-2022 г.г.

Результаты идентификации (идентифицировались все отношения. 1400 циклов ГА).

Суммарное отклонение начальной КГМ: 12,7.

Суммарное отклонение итоговой КГМ: 4,4.

Выводы эксперта по результатам.

Вскрыты зависимости между сферами рисков, например: «угроза со стороны НАТО» «усиливает» «снижение уровня жизни»; «снижение научного потенциала» «усиливает» «снижение уровня жизни»; «истощение природных ресурсов» «усиливает» «несанкционированное использование технологий»; «усиление мощи США» «усиливает» «истощение природных ресурсов»; «нерациональный выбор экономических приоритетов» «усиливает» «техногенные аварии»; «угроза со стороны НАТО» «ослабляет» «криминализацию экономики».

Наиболее значимые риски в межсферном влиянии: по числу выходящих дуг - «истощение природных ресурсов», «межнациональные конфликты», «криминализация экономики», «военная угроза со стороны НАТО и США». По числу входящих дуг - «снижение уровня жизни», «техногенные аварии».

В заключении приведены выводы по результатам исследования, которые в обобщенном виде сводятся к следующему:

1) выполнено комплексирование современных алгоритмов и методов (выявления знаний о СП, концептуального и когнитивного моделирования, генетических алгоритмов) анализа СП, предложены связующие методы;

2) разработана когнитивно-адаптивная инвариантная модель социальных процессов, объединяющая в себе когнитивно-графовое моделирование, интервальные и эволюционные вы-

числения; разработан метод решения задач анализа СП с применением когнитивно-адаптивной модели;

3) предложен метод создания прикладной аналитической системы на основе KAM, автоматизирующей ряд этапов анализа СП, удовлетворяющей современным требованиям к аналитическим информационным системам;

4) выработаны сценарии и алгоритмы взаимодействий пользователя с АС; создана прикладная АС на основе когнитивно-адаптивной модели СП;

5) решены задачи анализа реальных социальных процессов:

• изменения социальной обстановки в регионе под влиянием действий контртеррористических сил и незаконных вооруженных формирований (с использованием данных по Чеченской Республике);

• изменения инвестиционной привлекательности региона в зависимости от экономических и социальных факторов (с использованием данных по Удмуртской Республике);

• изменения значимости стратегических рисков РФ с учетом их взаимозависимостей.

На основе построенных и адаптированных моделей, выявлены новые процессные закономерности, решены задачи вида «что надо, чтобы...», построены прогнозы развития процессов.

Список публикаций по теме диссертации:

1. Смирнов А.Ю. Инвариантное моделирование систем. //Информационные процессы и системы. 2001. № 10. - С. 7-12.

2. Смирнов А.Ю. Генетические алгоритмы в идентификации самоорганизующихся системах// Математические методы решения инженерных задач: сборник научно-методических материалов / Министерство обороны РФ / Ред. В.В. Блаженков, A.B. Чечкин. - М.: ВА РВСН имени Петра Великого, 2001. - С. 134155.

3. Смирнов А.Ю. Генетические нечеткие системы поддержки принятия решений и генетические нечеткие экспертные системы// Проблема идеальности в науке: Материалы второй международной научной конференции. В 2-х частях. Часть 1. - М.: АСМИ, 2001.-С. 180-198.

4. Смирнов А.Ю. Принятие управленческих решений при помощи нечетких генетических экспертных систем// Государственность России и государственная служба: пути развития: Материалы межвузовской конференции. - М.: РАГС, 2002. - С. 126-128.

5. Смирнов А.Ю. Когнитивное генетическое моделирование сложных систем// Государственность и государственная служба России: пути развития: Материалы первой совместной междисциплинарной аспирантской конференции. Вып. 2. - М.: РАГС, 2002.-С. 146-148.

6. Смирнов А.Ю., Шемакин Ю.И. Прикладная система анализа когнитивно-адаптивной модели социального процесса. //КомпьюЛог. 2003. № 1. - С. 23-28. (Шемакин Ю.И. - постановка задачи, Смирнов А.Ю. — разработка модели и программ- «

ная реализация). 1

*

Г4

25

Автореферат

Диссертация на соискание ученой степени кандидата наук

_Смирнов А. Ю._

(Ф.И.О.)

Тема диссертационного исследования

Методы и алгоритмы анализа социальных процессов с применением когнитивно-адаптивной инвариантной модели

Научный руководитель

_Шемакин Ю. И._

(Ф.И.О.)

Изготовление оригинал макета

_Карнаув А.Т._

(Ф.И.О.)

Подписано в печать 24.04.03 Тираж 80 экз. Усл. п.л. 1.5 .

Российская академия государственной службы при Президенте Российской Федерации

Отпечатано ОПМТ РАГС. Заказ № У55

119606 Москва, пр-т. Вернадского, 84

I

\

r

I

s

i

î

í

i

I

I

i t

i

r

\

I

I !

i

i

t!

I

!

P 79M

СОДЕРЖАНИЕ.

СПИСОК ИЛЛЮСТРАЦИЙ.

СПИСОК ТАБЛИЦ.

ГЛАВА 1. КОГНИТИВНО-АДАПТИВНАЯ МОДЕЛЬ, КАК ИНВАРИАНТНЫЙ ИНСТРУМЕНТ АНАЛИЗА СОЦИАЛЬНЫХ ПРОЦЕССОВ.14

1.1. Задачи и принципы анализа социальных процессов; сравнение и выбор методов и алгоритмов анализа.15

1.2. Аналитические системы: принципы построения и роль в анализе социальных процессов.23

1.3. Исследование социальных процессов с применением когнитивно-адаптивной модели.29

1.3.1. Выявление знаний о процессе.30

1.3.2. Построение модели процесса.32

1.3.3. Этапы анализа процесса с применением когнитивно-адаптивной модели.39

1.4. Когнитивно-адаптивное моделирование в информационноаналитической работе по управлению социальным процессом.44

1.5. Оценка качества и адекватности когнитивно-адаптивной модели.47

1.6. Пути дальнейшего развития когнитивно-адаптивной модели, как средства анализа социальных процессов.50

ГЛАВА 2. ФОРМАЛЬНОЕ ОПИСАНИЕ КОГНИТИВНО-АДАПТИВНОЙ МОДЕЛИ: БАЗОВЫЕ МОДЕЛИ, АЛГОРИТМЫ И СВЯЗУЮЩИЕ МЕТОДЫ.51

2.1. Моделирование на когнитивных графах.51

2.1.1. Когнитивный анализ сложных социальных процессов.55

2.1.2. Виды когнитивно-графовых моделей.57 4

2.1.3. Типы когнитивно-графовых моделей.58

2.1.4. Формальное описание когнитивного графа.58

2.1.5. Чувствительность когнитивно-графовой модели.63

2.2. Метод генетической адаптации элементов модели.64

2.2.1. Алгоритм генетической адаптации.65

2.2.3. Основные операторы генетического алгоритма.70

2.3. Символьное генетическое кодирование элементов когнитивно-графовой модели.74

2.3.1. Кодирование матрицы смежности когнитивного графа.74

2.3.2. Кодирование вектора значений параметров когнитивно-графовой модели.74

2.4. Развитие когнитивно-адаптивной модели: построение нечеткой базы знаний по когнитивно-графовой модели.75

2.4.1. Базовые понятия метода управления нечеткими знаниями. 75

2.4.2. Построение нечеткого вывода.77

2.4.3. Метод перехода от когнитивно-графовой модели к нечеткой базе правил.80

2.4.4. Переход от параметров когнитивно-графовой модели и фактических данных к лингвистическим переменным и их временным значениям.82

ГЛАВА 3. СОЗДАНИЕ И ИСПОЛЬЗОВАНИЕ ПРИКЛАДНОЙ АНАЛИТИЧЕСКОЙ СИСТЕМЫ НА ОСНОВЕ КОГНИТИВНО-АДАПТИВНОЙ МОДЕЛИ.84

3.1. Метод создания аналитической системы.84

3.1.1. Когнитивный модуль.86

3.1.2. Хранилище фактических данных и полученных решений.89

3.1.3. Модуль генетической адаптации.91

3.1.4. Модуль управления нечеткими знаниями.92

3.2. Человеко-машинные сценарии взаимодействий аналитической системы.94

3.3. Спецификации и требования программного комплекса аналитической системы.97

3.3.1. Общее описание программного комплекса.97

3.3.2. Общие принципы функционирования программного комплекса аналитической системы.98

3.3.3. Требования к аппаратным и программным средствам.99

3.3.4. Средство разработки.99

3.3.5. Установка системы.99

3.4. Сравнение прикладной аналитической системы с подобными системами.100

ГЛАВА 4. РЕШЕНИЕ ЗАДАЧ АНАЛИЗА СОЦИАЛЬНЫХ ПРОЦЕССОВ С ПРИМЕНЕНИЕМ МОДЕЛИ.102

4.1. Исследование зависимости социальной напряженности в регионе от действий контртеррористических сил и незаконных вооруженных формирований (на основе данных по Чеченской республике).102

4.2. Исследование зависимости инвестиционной привлекательности региона от воздействий социоэкономических факторов (на основе данных по Удмуртской республике).105

4.3. Исследование процесса изменения значимости стратегических рисков с учетом их взаимозависимостей.110

4.4. Оценка зависимости степени трудозатрат на выполнение проекта от его качественных и количественных показателей.113

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ.118

ЛИТЕРАТУРА.120

ПРИЛОЖЕНИЯ

130

Список иллюстраций

Рисунок 1 Структура задач аналитической системы СП.28

Рисунок 2 Анализ процесса для отбора базовых факторов влияния.31

Рисунок 3 Социальный процесс, концептуальный образ процесса.33

Рисунок 4 Этапы анализа социального процесса на основе KAM.39

Рисунок 5 Последовательные решения «прямой» - «обратной» задач.41 Рисунок 6 Задачи управления; цикл обработки информации для анализа социального процесса.45

Рисунок 7 Роли пользователей АС на базе KAM.47

Рисунок 8 Функциональные алгоритмы и модели; методы их комплексирования.51

Рисунок 9 Когнитивный граф социального процесса «Изменение уровня преступности в регионе».53

Рисунок 10 Структура алгоритма генетической адаптации.73

Рисунок 11 Нечеткая интерпретация количественного параметра.83

Рисунок 12 Структурная схема аналитической системы.85

Рисунок 13 Компоненты когнитивного модуля.88

Рисунок 14 Элементы модуля управления нечеткими знаниями.93

Рисунок 15 Этапы человеко-машинных взаимодействий «в рамках» аналитической системы.95

Рисунок 16 Человеко-машинный сценарий работы.96

Рисунок 17 Сценарий работы пользователя в системе анализа.97

Рисунок 18 Начальный когнитивный граф социального процесса: изменение социальной напряженности в регионе.103

Рисунок 19 Когнитивный граф социоэкономического процесса изменения инвестиционной привлекательности региона.107 k ф

Список таблиц

Таблица 1 Термины языка теории генетических вычислений.67

Таблица 2 Принципы естественного отбора.68

Таблица 3 Сравнение возможностей систем «Компас-2», «КоСМоС» и аналитической системы на базе KAM.101

Таблица 4 Матрица смежности когнитивного графа процесса изменения социальной напряженности в регионе.104

Таблица 5 Матрица смежности когнитивного графа процесса изменения уровня инвестиционной привлекательности региона.109

Таблица 6 Итоговая матрица когнитивного графа смежности процесса изменения значимости стратегических рисков.112

Таблица 7 Факторы, влияющие на процесс изменения трудозатрат на выполнение проекта.114

Таблица 8 Итоговая матрица смежности когнитивного графа процесса изменения степени трудозатрат на выполнение проекта.116

Таблица 9 Прогнозные значения параметров процесса изменения степени трудозатрат на выполнение проекта.117

Таблица 10. Матрица смежности когнитивного графа социального процесса изменение уровня преступности в регионе.133 Ь

Список приложений

Приложение 1 Исследование изменения уровня уголовной преступности в регионе в его социоэкономической проекции.130

Приложение 2 Форма редактирование когнитивного графа.135

Приложение 3 Форма определения свойств вершины графа.136

Приложение 4 Форма просмотра истории изменений значений параметра .137

Приложение 5 Форма редактирования фактических данных и настройка параметров .138

Приложение 6 Форма экспорта/импорта фактических данных.139

Приложение 7 Уточненные факторы трудозатрат.140

Введение

В сегодняшней России, в постоянно меняющихся условиях, с новой остротой встали вопросы исследования процессов протекающих в социуме. Даже далекий от государственных органов управления человек, будучи постоянно включенным, в единое информационное пространство вынужден реагировать на информацию, поступающую из СМИ. Граждане выносят собственные суждения, критикуют или поддерживают решения, принимаемые, например, на государственном уровне. Но мало кто задумывается над тем, как принимаются эти самые решения, что предшествует озвучиванию позиции по той или иной проблеме. Еще меньшее число владеет принципами и технологиями решения задач анализа, использует специализированные программно-технические комплексы различной сложности в области моделирования сложных социальных процессов.

Специфика и чрезвычайная сложность решения задач анализа и моделирования социальных систем и процессов требует использования адекватных по сложности технологий и программно-технических комплексов поддержки процесса анализа. Особенностью большинства задач анализа и дальнейшего управления является существование нескольких практически равнозначных и равновозможных вариантов выхода из сложившейся ситуации, наличие большого числа взаимосвязанных факторов и параметров, подлежащих оценке. Причем, оценка должна быть комплексной, потому что «разрозненная» оценка значимых для решения задачи факторов, зачастую не дает возможности представить целостную картину проблемы и предложить варианты ее разрешения.

Факт использования традиционных экспертных методов и методик моделирования уже не требует доказательства. Они многократно опробованы в управленческой практике и заслуженно занимают свою нишу в области решения задач анализа. Но нельзя забывать о самом главном аналитическом инструменте, которым наделила человека природа — о данной нам способности к образному мышлению, умению собирать в мгновение единую картину из множества разрозненных, кажущихся несопоставимыми элементов. Основным условием эффективной «сборки» образа является представление задачи в форме удобной для анализа. Очевидно, что решению социальной аналитической задачи, должна предшествовать работа по подготовке почвы для такого решения.

Использование технологий и программно-технических аналитических комплексов призвано обеспечить детальную проработку задачи до того, как она вынесена на рассмотрение управляющему лицу. Требуются достаточно серьезные трудозатраты коллектива экспертов, осуществляющих разработку формы представления исходных данных, непосредственно их ввод в эту форму, предварительный анализ задачи, формулировку возможных вариантов решения. Это может быть целым подразделением, «институтом экспертов», имеющим в своем распоряжении достаточно серьезную техническую и методологическую базу, а также основу всего - профессиональную элиту в сфере аналитической работы для обеспечения органов федеральной и региональной властей высококачественной «аналитической продукцией».

Объединяющим началом для всех «аналитических продуктов» является то, что проводимая с их помощью предварительная проработка решаемой задачи позволяет управленцу уделить максимум времени поиску или выбору наилучшего варианта решения задачи, а не ее описанию и структурированию.

Эффективность применения математических, системных методов зависит от учета особенностей моделирования социально-экономических процессов. Последние и определяют основные проблемы информатизации, автоматизации задач анализа и управления [1, 15, 31]:

1. Социально-экономические процессы сложны, многокомпонентны, разнородны. Характеризуются стохастичностью, сложностью и многофакторностью. Они складываются под влиянием многих противоречивых объективных и субъективных условий. Динамичность, наличие качественных признаков не позволяет достичь полной формализации задач анализа.

2. Многочисленные сложные экономико-математические модели не нашли и не находят массового применения. Они не ориентированы непосредственно на пользователей, экспертов и руководителей. Большинство из них не владеет экономико-математическими методами настолько, чтобы самостоятельно, на основе собственного опыта и личных навыков поиска решений строить такого рода модели. Сложные модели приносят пользу лишь в том случае, если их разрабатывают, а полученные результаты интерпретируют высококвалифицированные специалисты.

3. Поскольку физиологические возможности человека по представлению, обработке и преобразованию информации ограничены, а темпы роста сложности аналитических задач непрерывно возрастают, усиливаются противоречия между постоянно растущим объемом информации и возможностью ее эффективного использования.

Современная реальность обусловливает новые требования к моделям, технологиям, к формам и методам обработки и представления социально-экономической информации, как к важным средствам привлечения руководителей и экспертов к выработке и осуществлению научно-обоснованных решений. Они должны быть наглядными, простыми, естественными для человека, междисциплинарными, понятными, убедительными и обеспечивать правильность интерпретирования рассматриваемых данных.

В наибольшей степени этим требованиям отвечают смешанные методы и модели с использованием различных форм представления информации: графическую, сетевую, продукционную, которые могут быть реализованы с помощью современных средств информатики и компьютерной графики. Их использование особенно эффективно в тех случаях, когда объем информации «размыт», а для правильного восприятия необходим ее целостный охват. Это относится ко многим социальным процессам.

Важно не просто «физическое» объединение имеющихся методов, моделей и средств, а их логическое развитие и совершенствование на основе принципиально новых, комплексных методологий. История науки показала, что там, где появляются новые удобные и простые инструменты, соответствующие приобретенным навыкам и пригодные в различных ситуациях, там возникает и новая технология, в данном случае «безбумажная» технология анализа и моделирования.

Исходя из сказанного, поставим следующие цели исследования:

• повышение качества решения задач анализа социальных процессов (СП) за счет применения комплексного сочетания методов и алгоритмов на основе концептуального, когнитивно-графового моделирования и эволюционных вычислений;

• расширение класса моделируемых социальных процессов с применением когнитивно-адаптивной инвариантной модели за счет расширения когнитивно-графовой модели аппаратом адаптации, использованием лингвистических параметров и нелинейных отношений; разработка метода создания и функционирования аналитической системы на основе когнитивно-адаптивного моделирования. Для достижения поставленных целей, необходимо решить следующие задачи:

• выбор базовых методов и алгоритмов, обоснование выбора;

• комплексирование базовых методов, обоснование построенных взаимосвязей;

• разработка метода создания аналитической системы, автоматизирующей ряд этапов анализа СП;

• решение научно-практических задач, подтверждающих адекватность метода;

• разработка программно-методического комплекса на основе метода.

В первой главе работы, в продолжении к введению, вскрываются противоречия между общественными запросами, методами анализа и технологиями автоматизации решения отдельных задач по исследованию сложных социальных систем. Выдвигаются требования к современным комплексным методам анализа и моделирования социальных процессов, их возможностям и компонентам. Раскрывается выносимое на защиту сочетание методов и алгоритмов анализа СП. Показывается, как с помощью предлагаемого сочетания методов и алгоритмов решаются основные задачи управления процессом.

Во второй главе формально описываются основные комплексируемые методы и алгоритмы, а именно, когнитивно-графовое моделирование, эволюционные вычисления и управление нечеткими знаниями. Описывается построение связующих конструкций символьных генетических кодов для когнитивных графов и векторов параметров процесса, методов перехода от когнитивно-графовой модели к нечеткой базе знаний.

В третьей главе показывается метод построения системы, автоматизирующей этапы анализа и моделирования социальных процессов, излагаются человеко-машинные сценарии взаимодействий такой системы.

В четвертой главе описывается решение задач анализа социальных процессов - социальной напряженности в регионе, меняющейся под влиянием действий контртеррористических сил и незаконных вооруженных формирований (на основе данных по Чеченской Республике), изменение эффективности коллективной работы над проектом по разработке программного обеспечения, исследование зависимости инвестиционной привлекательности региона от социоэкономических факторов (на основе данных по Удмуртской Республике), изменение значимости стратегических рисков Российской Федерации.

Основные результаты и выводы

В заключении приведем выводы, полученные в результате исследования, которые в обобщенном виде сводятся к следующему:

1. Выполнено комплексирование современных алгоритмов и методов (выявления знаний о СП, концептуального и когнитивного моделирования, генетических алгоритмов) анализа СП, предложены связующие методы. Полученный новый научный результат способен обеспечить необходимые условия для повышения эффективности и качества процесса анализа, роста профессионализма и уровня мышления экспертов и управленческих работников.

2. Разработана когнитивно-адаптивная инвариантная модель социальных процессов, объединяющая в себе когнитивно-графовое моделирование и эволюционные вычисления; разработан метод анализа когнитивно-адаптивной модели. Совершенствование когнитивно-графового моделирования на основе концепции адаптации матрицы смежности когнитивного графа облегчает этапы анализа социальных процессов, обеспечивает точность и надежность преобразования больших объемов информации в компактный вид, с целью формирования адекватных ситуациям управленческих решений и прогнозирования будущего.

3. Метод когнитивно-адаптивного моделирования содержит в себе: принципы исследования, понятийный аппарат, систему оценок устойчивости, алгоритмы, обеспечивающие эффективный количественный и качественный анализ социальных процессов.

4. Разработанный метод создания прикладной аналитической системы удовлетворяет современным требованиям модульного построения информационных систем. Такой подход диктуется необходимостью в возможности поэтапного внедрения и расширения системы. Гибкая реализация системы в виде активных компонент-модулей обусловливает её модифицируемость.

5. Согласно методу, создана АС на основе когнитивно-адаптивной модели СП. Выработаны сценарии и алгоритмы взаимодействий пользователя с АС.

6. С целью апробации сочетания методов и алгоритмов проведена работа по решению задач анализа реальных социальных процессов:

• изменения зависимости трудозатрат коллектива при работе над сложным проектом от внешних и внутренних факторов;

• изменения социальной обстановки в регионе под влиянием действий контртеррористических сил и незаконных вооруженных формирований (на основе данных по Чеченской Республике);

• изменения инвестиционной привлекательности региона в зависимости от экономических и социальных факторов (на основе данных по Удмуртской Республике);

• изменения значимости стратегических рисков РФ с учетом их взаимозависимостей.

На основе построенных и идентифицированных моделей, выявлены новые процессные закономерности, решены задачи вида «что надо, чтобы.», построены прогнозы развития процессов.

1. Акимов В.А., Порфирьев Б.Н., Радаев H.H. Методический аппарат оценки и прогноза стратегических рисков// Управление риском. 2002. спецвыпуск. - 88 с.

2. Аленфельд Г., Херцбергер Ю. Введение в интервальные вычисления. М: Мир, 1987. - 360 с.

3. Андриенко Ю. Факторы роста преступности в России : региональный подход/Преринт # WP/200 /02 . М.: Российская экономическая школа, 2000. -56 с.

4. Батыршин И.З. Модели размытых предпочтений в задачах выбора. Модели выбора альтернатив в нечеткой среде. Тез.докл. Всесоюзн.научн.семинара. Рига, 1980.- С. 45-46.

5. Батищев Д.И., Исаев С.А. Решение задач математического программирования с помощью эволюционных вычислений. Тезисы доклада на Всеросс. конференции «Математическое программирование и приложения». Екатеринбург: УрО РАН, 1997. стр. 29.

6. Батищев Д.И., Исаев С.А. Оптимизация многоэкстремальных функций с помощью генетических алгоритмов. Межвузовский сборник научных трудов «Высокие технологии в технике, медицине и образовании». Воронеж, ВГТУ, 1997. С. 4-17.

7. Бекренев B.JI. Философия и кибернетика. Информация и аналитика. Знания и опыт. М., 2000.

8. Борисов А.Н., Крумберг O.A., Федоров И.П. Принятие решений на основе нечетких моделей. Примеры использования. Рига: «Зинатне», 1990.

9. Ю.Боэм Б., Браун Дж., Каспар X. и др. Характеристики качества программного обеспечения. М.: Мир, 1981.

10. П.Вавилов A.A., Имаев Д.Х. Машинные методы расчета систем управления. JL: Ленинградский университет, 1981.

11. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием генетических алгоритмов. Учебное пособие. Уфа: УГАТУ, 1999. - 105 с.

12. З.Васильев Ф.П. Численные методы решения экстремальных задач. -М: Наука, 1980. 518с.

13. Н.Винер Н. Кибернетика. М.: 1968.

14. Волков И.П. Социометрические методы в социально-психологических исследованиях. Л.: ЛГУ, 1970.

15. Годунов С. К., Антонов А. Г., Кирилюк О. П., Костин В. И. Гарантированная точность решения систем линейных уравнений в евклидовых пространствах. Новосибирск: Наука, 1988.

16. Гребенюк Е.А., Корноушенко Е.К., Максимов В.И. Когнитивно-рефлексивный анализ на фондовом рынке Международный симпозиум «Рефлексивное управление», -Москва, 2000 г.: тез. докладов. М.: Институт психологии РАН, 2000.-С. 99- 100.

17. Гречишников A.B., Данчул А.Н., Павлов А.Н. Алгоритмизация и визуальное программирование управленческих задач. М.: РАГС, 2001.

18. Гринченко С.Н. «Суперсистемы», «суперконтуры» и «супероптимизация»: язык описания поведения иерархических структур в природе и обществе // Социальная информатика -99. Сб. науч. тр. М.: РАЕН, МАИ, 1999. - С. 177-189.

19. Данчул А.Н., Корнеенко В.П. Системный анализ управления экономическими процессами. М.: РАГС, 2001. - 140 с.

20. Душин С.Е., Красов A.B. Особенности моделирования структурно-сложных нелинейных систем управления. Труды международной научно-технической конференции «Пятьдесят лет развития кибернетики». СПб., 1999 г. - С. 140-142.

21. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике.- М: Радио и связь. 1990. 288 с.24.3аде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976.

22. Заде JI.A. Основы нового подхода к анализу сложных систем и процессов принятия решений.- В кн.: Математика сегодня. -М.:3нание, 1974.-е. 5-49.

23. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами.- Киев: Техника, 1975.

24. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987.- 118 с.

25. Исаев С.А. Многокритериальный генетический алгоритм. Тезисы доклада на Всеросс. конференции «Интеллектуальные информационные системы». Воронеж: ВГТУ, 1999. - С. 54.

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

27. Кини P.JL, Райфа X. Принятие решений при многих критериях: предпочтение и замещение. М: Радио и связь, 1981.

28. Клыков Ю.И. Ситуационное управление большими системами. М: Энергия, 1974.

29. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.

30. Кузьмин В.Б. Построение групповых решений в пространствах четких и нечетких бинарных отношений. М.: Наука, 1982.

31. Кулинич A.A. Когнитивное моделирование в системах поддержки принятия решений. Материалы международной конференции по проблемам управления. В 3-х томах. Т. 3. -М.: ИПУ РАН, 1999 г.

32. Курейчик В.М. Генетические алгоритмы. Таганрог: ТРТУ, 1998.-241 с.

33. Курейчик В.М. Генетические алгоритмы. Обзор и состояние. //Новости искусственного интеллекта. — 1998. № 3. — 50 с.

34. Ли Р. Оптимальные оценки, определение характеристик и управление. М.: Наука, 1966. - 176с.

35. Логико-семантический анализ структур знания: Основания и применения. Сборник трудов, Новосибирск М: Наука, 1989.

36. Максимов В.И., Корноушенко Е.К. Аналитические основы применения когнитивного подхода при решении слабоструктурированных задач. Труды ИПУ, вып.2, 1998.

37. Мелихов А.Н., Бернштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990.

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

39. Нариньяни A.C. Недоопределенность в системах представления и обработки знаний //Изв. АН СССР. Техн. кибернетика. 1986. №5.

40. Нариньяни A.C. Недоопределеные множества новый тип данных для представления знаний. Препринт N 232. Новосибирск, 1980.46.0рлов А.И. Устойчивость в социально-экономических моделях. М.: Наука, 1979.

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

42. Петров A.B., Федулов Ю.Г. Подготовка и принятие управленческих решений. М.: РАГС, 2000. — 241 с.

43. Петров Д. В. Принципы построения генетических алгоритмов для решения задач управления // Когнитивный анализ иуправление развитием ситуаций (CASC-2001). Материалы 1-й международной конференции в 3-х томах. Том 2. М.: ИЛУ РАН, 2001.-С. 169-171.

44. Поспелов Д.А. Логико-лингвистические модели в системах управления,- М.:Энергоиздат, 1981.- 232 с.

45. Прикладные нечеткие системы. Под ред. Тэтано Т., Асаи К., Сугэно. М.: Мир, 1993.

46. Райков А.Н. К основам устойчивости и целенаправленности функционирования систем поддержки решений. Часть 2. Целенаправленность. //Информационное общество, 1998. №1.

47. Растригин Л. А. Адаптация сложных систем. Рига: Зинатне, 1981.-375 с.

48. Растригин Л.А. Статистические методы поиска. М.: Наука, 1968.-376 с.5 6. Роберте Ф.С. Дискретные математические модели с приложениями к социальным и экологическим задачам. М., 1986.

49. Розин Б.Б. Теория распознавания образов в экономических исследованиях. М., 1973.

50. Сейдж Ж.П., Уайт Ч.С. Оптимальное управление системами. -М: Радио и связь, 1982. 392 с.

51. Силов В.Б., Принятие стратегических решений в нечеткой обстановке в макроэкономике, политике, социологии, менеджменте, экологии, медицине. М: ИНПРО - РЕС, 1995. -228 с.

52. Смирнов А.Ю. Инвариантное моделирование систем. //Информационные процессы и системы. 2001. № 10. С. 7-12.

53. Смирнов А.Ю. Генетические нечеткие системы поддержки принятия решений и генетические нечеткие экспертные системы// Проблема идеальности в науке: Материалы второй международной научной конференции. В 2-х частях. Часть 1. -М.: АСМИ, 2001.-С. 180-198.

54. Смирнов А.Ю. Принятие управленческих решений при помощи нечетких генетических экспертных систем// Государственность России и государственная служба: пути развития: Материалы межвузовской конференции. — М.: РАГС, 2002.-С. 126-128.

55. Смирнов А.Ю. Когнитивное генетическое моделирование сложных систем// Государственность и государственная служба России: пути развития: Материалы первой совместной междисциплинарной аспирантской конференции. Вып. 2. М.: РАГС, 2002. - С. 146-148.

56. Смирнов А.Ю., Шемакин Ю.И. Прикладная система анализа когнитивно-адаптивной модели социального процесса. // КомпьюЛог. 2003. № 1. С. 23-28. (Шемакин Ю.И. -постановка задачи, Смирнов А.Ю. - разработка модели и программная реализация).

57. Современное состояние теории исследования операций. Под ред. Моисеева H.H. М.: Наука, 1979.

58. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ: Пер с англ. М.: Финансы и статистика, 1990. — 320 с.

59. Трахтенгерц Э.А. Компьютерная поддержка принятия решений: научно-практическое издание. Серия «Информатизация России на пороге XXI века». М.: СИНТЕГ, 1998.-376 с.

60. Урсул А.Д., Абрамова Н.Т., Кремянский В.Н. Синтез знания и проблема управления. М.: Наука, 1978.

61. Федулов A.A., Федулов Ю.Г., Цыгичко В.Н. Введение в теорию принятия статистически ненадежных решений. М.: Статистика, 1979.

62. Федулов Ю.Г. Основы автоматизированного организационного управления. М.: РАГС, 1997.

63. Форрестер Дж. Мировая динамика. М.: Наука, 1978.

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

65. Цыпкин ЯЗ. Адаптивные методы выбора решений в условиях неопределенности. //Автоматика и телемеханика, 1976, N 4, С.78-91.

66. Шемакин Ю.И., Романов A.A. Компьютерная семантика. М.: МОЦ «Школа Китайгородской», 1995. - 343 с.

67. Шемакин Ю. И. Начала компьтерной лингвистики. М: МГОУ А/О «Росвузнаука», 1992.

68. Шемакин Ю. И. Семантика самоорганизующихся систем. М.: Академический проект (в печати).

69. Эйкофф П. Современные методы идентификации систем. М: Мир, 1983.-400 с.

70. Capra F. The Web of Life: A new scientific understanding of living systems, Anchor Books, NY. 1996.

71. Chen S.S., Zhang W.R., Besdek J.C. Pool2: a generic system for cognitive map development and decision analysis, IEEE Transactions on Systems, Man, and Cybernetics. 1989.

72. Cordon O., Herrera F. MOGUL: A Methodology to Obtain Genetic fuzzy rule-based systems Under the iterative rule Learning approach. Technical Report DECSAI-980101, Dept. Computer Science and Artificial Intelligence, University of Granada, Granada. 1998.

73. Goldberg D. Genetic Algorithms in Machine Learning, Optimization, and Search. Addison-Wesley, 1988.

74. Holland J. The dynamics of searches directed by Genetic Algorithms., In: Lee Y.S. (ed.) Evolution, Learning and Cognition. Word Scientific, Singapore, 1988.

75. Jones A.J. Genetic algorithms and their applications to the design of neural networks, Neural computing and applications, v.l, no. 1, 1993.

76. Kaufmann A., Gupta M. Fuzzy mathematical models in engineering and management science. Amsterdam: North-Holland, 1988.

77. Kosko B. Fuzzy cognitive maps // International Journal of Man-Machine Studies. V.24. N.Y., 1986.

78. Kwon Young D., Lee Jin S. On-line evolutionary optimization of fuzzy control system based on decentralized population. Proceeding of the IEEE 10th International Symposium on Intelligent Control, pp. 441-446, Monterey CA,Aug. 1995.

79. Magdalena L., Velasco J. R. Fuzzy rule-based controllers that learn by evolving their knowledge base. In IJCAI'95 Workshop on Connectionist-Symbolic Integration: From Unified to Hybrid Approaches. 1995.

80. Maturana Humberto R., Varela Francisco J. Autopoiesis and Cognition: The Realization of the Living, D. Reidel Publishing Co., Dordecht: 1980.

81. Montana D.J., Davis L. Training feedforward neural networks using genetic algorithms. Preprint, BBN Systems and Technologies, Cambridge, Mass., 1989.

82. Sorokin P. Social and Cultural Dinamics, vols. 1-4, N.Y.: American Book Company, v.l., 1937.

83. Wilkinson J.H. The Algebrain Eigenvalue Problem (New York: Oxford University Press), 1965.