Задачи массового обслуживания возникают, например, в следующей ситуации. Пусть анализируется система технического обслуживания автомобилей, состоящая из некоторого количества станций различной мощности. На каждой из станций (элементе системы) могут возникать, по крайней мере, две типичные ситуации:
• число заявок слишком велико для данной мощности станции, возникают очереди, из-за задержки в обслуживании приходится платить;
• на станцию поступает слишком мало заявок и теперь уже приходится учитывать потери, вызванные простоем станции.
Цель системного анализа в данном случае заключается в определении некоторого соотношения между потерями доходов по причине очередей и простоя станций, при котором суммарные потери окажутся минимальными.
Специальный раздел теории систем — теория массового обслуживания — для условий данной задачи позволяет:
• использовать методику определения средней длины очереди и среднего времени ожидания заказа в тех случаях, когда скорость поступления заказов и время их выполнения заданы;
|
|
• найти оптимальное соотношение между издержками по причине ожидания в очереди и простоя станций обслуживания;
• установить оптимальные стратегии обслуживания.
Главная особенность такого подхода к задаче системного анализа — явная зависимость результатов анализа и получаемых рекомендаций от двух внешних факторов: частоты поступления и сложности заказов (а следовательно, и времени их исполнения). Но именно учет внешних факторов (внешней среды) является одним из важнейших требований системного анализа. Для его реализации необходимо провести исследование потоков заявок по их численности и сложности, найти статистические показатели этих величин, выдвинуть и оценить достоверность гипотез о законах их распределения. Лишь после этого можно пытаться анализировать, как будет вести себя система при данных внешних воздействиях, как будут меняться ее показатели (значения суммарных издержек) при разных управляющих воздействиях или стратегиях управления.
Такого рода задачи решаются не на реальной системе: слишком велик риск потерь заказчиков и/или неоправданный рост затрат на создание дополнительных станций обслуживания. Поэтому используется какой-либо подходящий метод математического моделирования систем, в частности метод статистических испытаний, который больше известен как метод Монте-Карло. Он специально предназначен для моделирования случайных величин с целью вычисления характеристик их распределений. Напомним, что корректное применение этого метода, как и всех других, в основе которых лежат вероятностные представления об изучаемых процессах, оправдано только в тех задачах, которые допускают теоретико-вероятностное описание.
|
|
МЕТОДЫ АНАЛИЗА БОЛЬШИХ СИСТЕМ, ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТОВ
Мы уже неоднократно отмечали, что предметной сферой системного анализа являются по преимуществу системы, процессы и явления, для которых нет возможности исчерпывающим образом непротиворечиво описать элемент системы, подсистему и систему в целом на строгом формальном уровне, аналитически, используя системы уравнений или хотя бы неравенств. Иными словами, типичной является ситуация, когда не удается построить чисто математическую модель объекта исследования на любом уровне — элемента системы, подсистемы или системы в целом. По этой причине (с точки зрения формализованного моделирования) системы и процессы социального порядка называют «плохо организованными» или «слабо структурированными».
Развитие науки сложилось так, что в течение почти 200 лет после Ньютона считалось незыблемым положение о возможности чистого или однофакторного эксперимента. Предполагалось, что для выяснения зависимости Y = f(X) даже при очевидной зависимости Yот целого ряда других переменных всегда можно стабилизировать все переменные, кроме X, и найти «чистую» взаимосвязь между X и Y.
Лишь сравнительно недавно (в работах В.В. Налимова) плохо организованные или, как их еще называют — большие системы вполне «законно» стали считаться особой средой, в которой неизвестными являются не только связи внутри системы, но и сами элементарные процессы.
Анализ таких систем (в первую очередь социальных, а значит, и экономических) возможен при единственном, научно обоснованном подходе — признании скрытых, неизвестных причин, законов и процессов. Часто такие причины называют латентными факторами, а особые свойства, порожденные ими, — латентными признаками.
Обнаружилась и считается также общепризнанной возможность анализа таких систем с использованием двух принципиально различных подходов или методов.
Первый из них может быть назван методом многомерного статистического анализа. Этот метод был обоснован и применен видным английским статистиком Р. Фишером в 20-30-е гг. XX века. Дальнейшее развитие многомерной математической статистики как науки и основы многих практических приложений считается причинно связанным с появлением и совершенствованием компьютерной техники. Если в 1930-е гг. при ручной обработке данных удавалось решать задачи с учетом двух-трех независимых переменных, то в 1965 г. решались задачи с шестью переменными, а к 1970—1980-м гг. их число уже приближалось к 100.
Второй метод принято называть кибернетическим, или винеровским, связывая его название с именем основателя кибернетики Н. Винера. Краткая сущность этого метода — чисто логический анализ процесса управления большими системами. Рождение этого метода было вполне естественным: коль скоро признается существование плохо организованных систем, то логично ставить вопрос о поиске методов и средств управления ими.
Интересно, что оба метода, несмотря на совершенное различие между собой, могут применяться и с успехом применяются при системном анализе одних и тех же систем.
Так, например, интеллектуальная деятельность человека изучается фишеровским методом: многие психологи, как иронически замечал В.В. Налимов, уверены, что им удастся разобраться в результатах многочисленных тестовых испытаний.
С другой стороны, построение так называемых систем искусственного интеллекта представляет собой попытки создания компьютерных программ, имитирующих поведение человека в области умственной деятельности, то есть применение винеровского метода.
|
|
Нетрудно понять, что все социальные системы, в том числе и экономические, следует отнести именно к плохо организованным, прежде всего, потому, что важнейшим звеном этих систем является человек. Поэтому совершенно ясно, что при использовании системного анализа в исследованиях социальных процессов (в том числе и экономических) всегда требуется «натурный» эксперимент.
В простейшем случае речь может идти о некотором элементе социальной системы, о котором нам известны лишь его «входные» характеристики, внешние воздействия (что нужно для нормального функционирования элемента) и «выходные» его реакции (что должен «делать» этот элемент).
В каком-то смысле плодотворной является идея «черного ящика». Беря эту идею на вооружение, мы признаемся, что не в состоянии проследить процессы внутри элемента, и надеемся построить его модель без таких знаний.
Напомним классический пример — незнание процессов пищеварения в организме человека не мешает нам организовывать свое питание по «входу» (потребляемые продукты, режим питания) с учетом «выходных» показателей (веса тела, самочувствия).
В соответствии с указанной идеей, можно организовать вполне конкретную программу в части «что делать»: подавать на вход элемента разные внешние управляющие воздействия и измерять его реакции на эти воздействия. Точно так же надо вполне отчетливо представлять себе цели этого занятия: что мы надеемся получить. Вопрос этот непростой. Очень редко можно позволить себе просто удовлетворить свое любопытство.
Как правило, эксперименты над реальной экономической системой являются вынужденными, связанными с определенными затратами на сам эксперимент и, кроме того, с возможным риском непоправимых отрицательных последствий. Теоретическое обоснование и методика действий в таких ситуациях составляют предмет особой отрасли кибернетики — теории планирования эксперимента.
Принятая в его рамках терминология такова:
• все, что подается на вход элемента, называется управляющими воздействиями или просто воздействиями;
|
|
• все, что получается на выходе элемента, называется реакциями;
• если можно выделить в системе (или подсистеме) несколько (в некотором смысле) однотипных элементов, то их совокупность будет называться блоком;
• содержательное описание собственных действий по отношению к элементам блока называется планом эксперимента.
Очень важно понять цель планируемого эксперимента. В конце концов, мы можем и не получить никакой информации о сущности процессов в цепочке «вход—выход» в самом элементе.
Но если обнаружится полезность некоторых доступных нам воздействий на элемент и мы убедимся в надежности полученных результатов, то будет достигнута главная цель — определится оптимальная стратегия управления элементом. Нетрудно сообразить, что понятие «управляющее воздействие» очень широко: от самых обычных приказов до подключения к элементу источников энергетического или информационного питания.
Оказывается, что уже само составление плана эксперимента требует определенных познаний и некоторой квалификации. Опыт показывает целесообразность включения в план следующих четырех компонентов:
• описание множества стратегий управления, из которых необходимо выбрать наилучшую;
• спецификация или детальное сравнительное описание элементов блока;
• правила размещения стратегий на блоке элементов;
• спецификация выходных данных, позволяющих оценивать эффективность элементов.
Внимательное рассмотрение компонентов плана эксперимента позволяет заметить, что для его реализации требуются знания в различных областях науки. Так, при выборе управляющих воздействий не обойтись без минимальных знаний в области технологии, очень часто нужны знания в области юриспруденции, экологии. Для реализации третьего компонента совершенно необходимы знания в области математической статистики, так как приходится использовать понятия распределений случайных величин, их математических ожиданий и дисперсий. Вполне могут возникнуть ситуации, требующие применения непараметрических методов статистики.
Одним из наиболее популярных методов, который используется при планировании экспериментов, является рандомизация плана эксперимента с помощью латинского квадрата, обеспечивающего возможность перебора всех комбинаций n 2 чисел, расположенных в квадрате n х n. В такой таблице каждая строка и каждый столбец содержат числа 1, 2, 3,..., n. Например, для n = 3 латинский квадрат может иметь такой вид:
2 3 1
3 1 2
1 2 3
Числами в данном случае могут обозначаться номера возможных стратегий управления.