docx - matematička kibernetika. Matematička kibernetika.docx - matematička kibernetika Kibernetika u SSSR-u

Poznati učitelji

• L. A. Petrosyan - doktor fizičko-matematičkih nauka, profesor, profesor Katedre za matematičku teoriju igara i statička rješenja. Područje istraživanja: matematička teorija igara i njene primjene
• A. Yu Aleksandrov - doktor fizičko-matematičkih nauka, profesor, profesor Katedre za menadžment medicinskih i bioloških sistema. Oblast naučnog vođenja: kvalitativne metode teorije dinamičkih sistema, teorija stabilnosti, teorija upravljanja, teorija nelinearnih oscilacija, matematičko modeliranje
• S. N. Andrianov - doktor fizičko-matematičkih nauka, profesor, profesor Katedre za računarsko modeliranje i višeprocesorske sisteme. Oblast naučnog vođenja: matematičko i računarsko modeliranje složenih dinamičkih sistema sa upravljanjem
• L.K. Babajanyants - doktor fizičko-matematičkih nauka, profesor, profesor na Katedri za mehaniku kontrolisanog kretanja. Oblast naučnog vođenja: matematički problemi analitičke i nebeske mehanike, kosmička dinamika, teoreme postojanja i kontinuiteta za rješavanje Cauchyjevog problema za obične diferencijalne jednadžbe, teorija stabilnosti i kontroliranog kretanja, numeričke metode za rješavanje pogrešno postavljenih problema, kreiranje aplikacije softverski paketi
• V. M. Bure - doktor tehničkih nauka, vanredni profesor, profesor na Katedri za matematičku teoriju igara i statička rješenja. Područje naučnog vođenja: vjerovatno-statističko modeliranje, analiza podataka
• E. Yu Butyrsky - doktor fizičkih i matematičkih nauka, profesor, profesor na Katedri za teoriju upravljanja Sankt Peterburgskog državnog univerziteta. Oblast naučnog vodstva: teorija menadžmenta
• E. I. Veremey - doktor fizičko-matematičkih nauka, profesor, profesor na Katedri za računarske tehnologije i sisteme. Oblast naučnog vođenja: razvoj matematičkih metoda i računskih algoritama za optimizaciju upravljačkih sistema i metoda za njihovo kompjutersko modeliranje
• E. V. Gromova - Kandidat fizičko-matematičkih nauka, vanredni profesor, vanredni profesor Katedre za matematičku teoriju igara i statistička rešenja. Područje naučnog vođenja: teorija igara, diferencijalne igre, kooperativna teorija igara, primjene teorije igara u menadžmentu, ekonomiji i ekologiji, matematička statistika, statistička analiza u medicini i biologiji
• O. I. Drivotin - doktor fizičko-matematičkih nauka, viši naučni saradnik, profesor na Katedri za teoriju upravljačkih sistema za elektrofizičku opremu. Oblast naučnog vođenja: modeliranje i optimizacija dinamike snopa nabijenih čestica, teorijski i matematički problemi klasične teorije polja, neki problemi matematičke fizike, kompjuterske tehnologije u fizičkim problemima
• N.V. Egorov - doktor fizičko-matematičkih nauka, profesor, profesor Katedre za modeliranje elektromehaničkih i računarskih sistema. Oblast naučnog vođenja: informaciono-stručni i inteligentni sistemi, matematičko, fizičko i modeliranje u punoj veličini strukturnih elemenata računarskih uređaja i elektromehaničkih sistema, dijagnostički sistemi zasnovani na elektronskim i jonskim snopovima, emisiona elektronika i fizički aspekti metoda za praćenje i kontrolu svojstava čvrste površine
• A. P. Zhabko - doktor fizičko-matematičkih nauka, profesor, profesor Katedre za teoriju upravljanja. Oblast naučnog vodstva: diferencijalno-diferencijski sistemi, robusna stabilnost, analiza i sinteza sistema kontrole plazme
• V.V.Zakharov - doktor fizičko-matematičkih nauka, profesor, profesor na Katedri za matematičko modeliranje energetskih sistema. Područje znanstvenog vođenja: optimalno upravljanje, teorija igara i primjena, istraživanje operacija, primijenjena matematička (inteligentna) logistika, teorija prometnih tokova
• N. A. Zenkevič - vanredni profesor Katedre za matematičku teoriju igara i statistička rješenja. Područje znanstvenog vodstva: teorija igara i njene primjene u upravljanju, teorija procesa kontroliranih sukobom, kvantitativne metode odlučivanja, matematičko modeliranje ekonomskih i poslovnih procesa
• A. V. Zubov - doktor fizičko-matematičkih nauka, vanredni profesor, vanredni profesor Katedre za matematičku teoriju mikroprocesorskih upravljačkih sistema. Oblast istraživanja: upravljanje i optimizacija baze podataka
• A. M. Kamachkin - doktor fizičko-matematičkih nauka, profesor, profesor Katedre za višu matematiku. Oblast naučnog vođenja: kvalitativne metode teorije dinamičkih sistema, teorija nelinearnih oscilacija, matematičko modeliranje nelinearnih dinamičkih procesa, teorija nelinearnih automatskih upravljačkih sistema
• V.V. Karelin - Kandidat fizičko-matematičkih nauka, vanredni profesor na Katedri za matematičku teoriju modela upravljanja. Oblast naučnog vođenja: metode identifikacije; neglatka analiza; uočljivost; adaptivna kontrola
• A. N. Kvitko - doktor fizičko-matematičkih nauka, profesor, profesor na Katedri za informacione sisteme. Oblast naučnog vođenja: granični problemi za upravljive sisteme; stabilizacija, metode optimizacije programiranih kretanja, kontrola kretanja vazduhoplovnih kompleksa i drugih tehničkih objekata, razvoj algoritama za kompjuterski potpomognuto projektovanje inteligentnih sistema upravljanja
• V.V Kolbin - doktor fizičko-matematičkih nauka, profesor, profesor na Katedri za matematičku teoriju ekonomskih odluka. Oblast naučnog vođenja: matematika
• V.V.Kornikov - Kandidat fizičko-matematičkih nauka, vanredni profesor, vanredni profesor Katedre za menadžment medicinskih i bioloških sistema. Oblast naučnog vođenja: stohastičko modeliranje u biologiji, medicini i ekologiji, multivarijantna statistička analiza, razvoj matematičkih metoda za višekriterijumsko ocjenjivanje i odlučivanje u uvjetima neizvjesnosti, sistemi odlučivanja u problemima finansijskog upravljanja, matematičke metode za analizirajući nenumeričke i nepotpune informacije, Bayesovi modeli neizvjesnosti i rizika
• E. D. Kotina - doktor fizičko-matematičkih nauka, vanredni profesor, profesor na Katedri za teoriju upravljanja. Oblast naučnog vođenja: diferencijalne jednadžbe, teorija upravljanja, matematičko modeliranje, metode optimizacije, analiza i formiranje dinamike snopa nabijenih čestica, matematičko i kompjutersko modeliranje u nuklearnoj medicini
• D. V. Kuzyutin - Kandidat fizičko-matematičkih nauka, vanredni profesor, vanredni profesor Katedre za matematičku teoriju igara i statistička rešenja. Oblast naučnog vođenja: matematička teorija igara, optimalno upravljanje, matematičke metode i modeli u ekonomiji i menadžmentu
• G. I. Kurbatova - doktor fizičko-matematičkih nauka, profesor, profesor Katedre za modeliranje elektromehaničkih i računarskih sistema. Oblast naučnog vođenja: neravnotežni procesi u mehanici nehomogenih medija; kompjuterska dinamika fluida u okruženju Maple, problemi gradijentne optike, problemi modeliranja transporta gasnih mešavina kroz morske cjevovode
• O. A. Malafeev - doktor fizičko-matematičkih nauka, profesor, profesor Katedre za modeliranje društvenih i ekonomskih sistema. Oblast naučnog vodstva: modeliranje konkurentskih procesa u društveno-ekonomskoj sferi, istraživanje nelinearnih dinamičkih sistema kontrolisanih sukobima
• S. E. Mikheev - doktor fizičkih i matematičkih nauka, vanredni profesor, vanredni profesor Katedre za matematičku teoriju sistema upravljanja modeliranjem na Državnom univerzitetu u Sankt Peterburgu. Oblast naučnog vođenja: nelinearno programiranje, ubrzanje konvergencije numeričkih metoda, modeliranje vibracija i percepcije zvuka ljudskim uhom, diferencijalne igre, upravljanje ekonomskim procesima
• V. D. Nogin - doktor fizičko-matematičkih nauka, profesor, profesor na Katedri za teoriju upravljanja. Područje naučnog vođenja: teorijska, algoritamska i primijenjena pitanja teorije odlučivanja uz prisustvo više kriterija
• A. D. Ovsyannikov - Kandidat fizičko-matematičkih nauka, vanredni profesor Katedre za tehnologiju programiranja. Područje naučnog vođenja: kompjutersko modeliranje, računske metode, modeliranje i optimizacija dinamike nabijenih čestica u akceleratorima, modeliranje i optimizacija parametara plazme u tokamacima
• D. A. Ovsyannikov - doktor fizičko-matematičkih nauka, profesor, profesor Katedre za teoriju upravljačkih sistema za elektrofizičku opremu. Oblast naučnog vođenja: upravljanje snopovima naelektrisanih čestica, upravljanje u uslovima neizvesnosti, matematičke metode za optimizaciju ubrzavajućih i fokusirajućih struktura, matematičke metode za upravljanje električnom opremom
• I. V. Olemskoy - doktor fizičko-matematičkih nauka, vanredni profesor, profesor Katedre za informacione sisteme. Područje znanstvenog vođenja: numeričke metode za rješavanje običnih diferencijalnih jednadžbi
• A. A. Pečnikov - doktor tehničkih nauka, vanredni profesor, profesor na Katedri za tehnologiju programiranja. Oblast naučnog vođenja: webometrija, problemski orijentisani sistemi zasnovani na web tehnologijama, multimedijalni informacioni sistemi, diskretna matematika i matematička kibernetika, softverski sistemi i modeli, matematičko modeliranje društvenih i ekonomskih procesa
• L. N. Polyakova - doktor fizičko-matematičkih nauka, profesor, profesor Katedre za matematičku teoriju modeliranja upravljačkih sistema. Područje znanstvenog vođenja: neglatka analiza, konveksna analiza, numeričke metode za rješavanje neglatkih optimizacijskih problema (minimizacija maksimalne funkcije, razlika konveksnih funkcija), teorija viševrijednih preslikavanja
• A. V. Prasolov - doktor fizičko-matematičkih nauka, profesor, profesor Katedre za modeliranje ekonomskih sistema. Oblast naučnog vođenja: matematičko modeliranje ekonomskih sistema, statističke metode predviđanja, diferencijalne jednadžbe sa naknadnim efektima
• S. L. Sergeev - Kandidat fizičko-matematičkih nauka, vanredni profesor, vanredni profesor Katedre za tehnologiju programiranja. Oblast naučnog vođenja: integracija i primena savremenih informacionih tehnologija, automatizovano upravljanje, kompjutersko modeliranje
• M. A. Skopina - doktor fizičko-matematičkih nauka, profesor, profesor na Katedri za višu matematiku. Područje znanstvenog vođenja: teorija talasa, harmonijska analiza, teorija aproksimacije funkcija
• G. Sh Tamasyan - Kandidat fizičko-matematičkih nauka, vanredni profesor Katedre za matematičku teoriju modela upravljanja. Područje naučnog vođenja: neglatka analiza, nediferencirana optimizacija, konveksna analiza, numeričke metode za rješavanje neglatkih optimizacijskih problema, varijacijski račun, teorija upravljanja, računska geometrija
• S. I. Tarašnina - Kandidat fizičko-matematičkih nauka, vanredni profesor, vanredni profesor Katedre za matematičku teoriju igara i statistička rešenja. Područje naučnog vođenja: matematička teorija igara, kooperativne igre, igre potjere, statistička analiza podataka
• I. B. Tokin - doktor bioloških nauka, profesor, profesor Katedre za menadžment medicinskih i bioloških sistema. Oblast naučnog vođenja: modeliranje uticaja zračenja na ćelije sisara; analiza metastabilnih stanja ćelija, procesi autoregulacije i popravke oštećenih ćelija, mehanizmi obnove tkivnih sistema pod spoljnim uticajima; ljudska ekologija
• A. Yu Uteshev - doktor fizičko-matematičkih nauka, profesor, profesor Katedre za menadžment medicinskih i bioloških sistema. Oblast naučnog vođenja: simbolički (analitički) algoritmi za sisteme polinomskih jednačina i nejednačina; računska geometrija; računski aspekti teorije brojeva, kodiranja, enkripcije; kvalitativna teorija diferencijalnih jednadžbi; problem optimalne lokacije objekata (lokacija objekta)
• V. L. Kharitonov - doktor fizičko-matematičkih nauka, profesor Katedre za teoriju upravljanja. Oblast naučnog vođenja: teorija upravljanja, jednadžbe zaostajanja, stabilnost i robusna stabilnost
• S. V. Chistyakov - doktor fizičkih i matematičkih nauka, profesor Katedre za matematičku teoriju igara i statistička rješenja Državnog univerziteta u Sankt Peterburgu. Oblast naučnog vođenja: teorija optimalnog upravljanja, teorija igara, matematičke metode u ekonomiji
• V.I. Shishkin - doktor medicinskih nauka, profesor, profesor Katedre za dijagnostiku funkcionalnih sistema. Oblast naučnog vođenja: matematičko modeliranje u biologiji i medicini, primjena matematičkih modela za razvoj dijagnostičkih metoda i prognoze bolesti, kompjuterski softver u medicini, matematičko modeliranje tehnoloških procesa za proizvodnju elementarne baze za medicinske dijagnostičke uređaje
• A. S. Shmyrov - doktor fizičkih i matematičkih nauka, profesor, profesor Odsjeka za mehaniku kontrolisanog kretanja Državnog univerziteta u Sankt Peterburgu. Oblast naučnog vođenja: metode optimizacije u dinamici prostora, kvalitativne metode u Hamiltonovim sistemima, aproksimacija funkcija distribucije, metode za suzbijanje opasnosti kometa-asteroid

Akademski partneri

• Institut za matematiku i mehaniku N. N. Krasovskog, Uralski ogranak Ruske akademije nauka (Jekaterinburg)
• Institut za probleme menadžmenta nazvan po V. A. Trapeznikov RAS (Moskva)
• Institut za primenjena matematička istraživanja Karelijskog naučnog centra Ruske akademije nauka (Petrozavodsk)

Projekti i grantovi

Realizirano u okviru programa

• RFBR grant 16-01-20400 „Projekat za organizaciju Desete međunarodne konferencije „Teorija igara i upravljanje“ (GTM2016)“, 2016. Rukovodilac - L. A. Petrosyan
• Stipendija St. Petersburg State University 9.38.245.2014 „Principi optimalnosti u dinamičkim i diferencijalnim igrama sa fiksnom i promjenljivom koalicionom strukturom“, 2014–2016. Rukovodilac - L. A. Petrosyan
• Grant St. Petersburg State University 9.38.205.2014. „Novi konstruktivni pristupi u neglatkim analizama i nediferenciranoj optimizaciji i njihove primjene“, 2014–2016. Rukovodilac - V. F. Demyanov, L. N. Polyakova
• Grant St. Petersburg State University 9.37.345.2015 „Kontrola orbitalnog kretanja nebeskih tijela u cilju suprotstavljanja opasnosti kometa-asteroid“, 2015–2017. Rukovodilac - L. A. Petrosyan
• RFBR grant br. 14-01-31521_mol_a “Nehomogene aproksimacije neglatkih funkcija i njihove primjene”, 2014–2015. Glava - G. Sh

Implementirano sa partnerskim univerzitetima

• zajedno sa Univerzitetom Qingdao (Kina) - 17-51-53030 “Racionalnost i održivost u igrama na mrežama”, od 2017. do danas. Šef - L. A. Petrosyan

Ključne točke

• Program se sastoji od obrazovne i istraživačke komponente. Obrazovna komponenta obuhvata proučavanje akademskih disciplina, uključujući metode matematičke kibernetike, diskretnu matematiku, teoriju upravljačkih sistema, matematičko programiranje, matematičku teoriju istraživanja operacija i teoriju igara, matematičku teoriju prepoznavanja i klasifikacije, matematičku teoriju optimalnog upravljanja i nastavnu praksu. Nastavni plan i program pruža skup izbornih disciplina, omogućavajući diplomiranim studentima da kreiraju individualni raspored studija. Cilj istraživačke komponente obuke je dobijanje rezultata čija naučna vrednost i novina omogućava objavljivanje u naučnim časopisima uključenim u scijentometrijske baze podataka RSCI, WoS i Scopus
• Misija ovog obrazovnog programa je da osposobi visokokvalifikovane kadrove sposobne za kritičku analizu i evaluaciju savremenih naučnih dostignuća, generisanje novih ideja pri rešavanju istraživačkih i praktičnih problema, uključujući i interdisciplinarna polja.
• Diplomci koji su završili program:
  • sposobni su da osmisle i sprovode kompleksna istraživanja, uključujući interdisciplinarna istraživanja, zasnovana na holističkom sistemskom naučnom svjetonazoru
  • spreman da učestvuje u radu ruskih i međunarodnih istraživačkih timova za rešavanje aktuelnih naučnih i naučno-obrazovnih problema i korišćenje savremenih metoda i tehnologija naučne komunikacije na državnom i stranim jezicima
  • sposobni su da planiraju i rješavaju probleme vlastitog profesionalnog i ličnog razvoja, samostalno obavljaju istraživačke aktivnosti u relevantnom stručnom području koristeći savremene istraživačke metode i informaciono-komunikacione tehnologije, kao i da budu spremni za nastavne aktivnosti u glavnim obrazovnim programima visokog obrazovanja

On je to nazvao naukom o efikasnoj organizaciji, a Gordon Pask je proširio definiciju tako da uključuje tokove informacija „iz bilo kog izvora“, od zvezda do mozga.

Prema drugoj definiciji kibernetike, koju je 1956. predložio L. Couffignal (engleski), jedan od pionira kibernetike, kibernetika je „umetnost obezbeđivanja delotvornosti akcije“.

Drugu definiciju je predložio Lewis Kaufman (engleski): „Kibernetika je proučavanje sistema i procesa koji su u interakciji sami sa sobom i sami sebe reprodukuju.”

Kibernetičke metode se koriste za proučavanje slučaja kada djelovanje sistema u okruženju uzrokuje neku promjenu u okruženju, a ta promjena se manifestuje na sistemu putem povratne sprege, što uzrokuje promjene u načinu ponašanja sistema. Metode kibernetike leže u proučavanju ovih „petlji povratnih informacija“.

Nastala je moderna kibernetika, uključujući istraživanja u različitim oblastima upravljačkih sistema, teoriju električnih kola, mašinstvo, matematičko modeliranje, matematičku logiku, evolucionu biologiju, neuronauku, antropologiju. Ove studije su se pojavile 1940. godine, uglavnom u radovima naučnika o tzv. Macy's konferencije (engleski).

Ostale oblasti istraživanja koje su uticale ili na koje je uticao razvoj kibernetike: teorija upravljanja, teorija igara, teorija sistema (matematički analog kibernetike), psihologija (posebno neuropsihologija, biheviorizam, kognitivna psihologija) i filozofija.

Video na temu

Sfera kibernetike

Predmet kibernetike su svi kontrolisani sistemi. Sistemi koji se ne mogu kontrolisati, u principu, nisu predmet proučavanja kibernetike. Kibernetika uvodi koncepte kao što su kibernetički pristup, kibernetički sistem. Kibernetički sistemi se posmatraju apstraktno, bez obzira na njihovu materijalnu prirodu. Primeri kibernetičkih sistema su automatski regulatori u tehnologiji, kompjuteri, ljudski mozak, biološke populacije, ljudsko društvo. Svaki takav sistem je skup međusobno povezanih objekata (elemenata sistema) koji su sposobni da percipiraju, pamte i obrađuju informacije, kao i da ih razmjenjuju. Kibernetika razvija opšte principe za kreiranje kontrolnih sistema i sistema za automatizaciju mentalnog rada. Glavno tehničko sredstvo za rješavanje kibernetičkih problema su kompjuteri. Stoga se nastanak kibernetike kao samostalne nauke (N. Wiener, 1948) vezuje za stvaranje ovih mašina 40-ih godina 20. veka, a razvoj kibernetike u teorijskom i praktičnom aspektu povezan je sa napretkom elektronskih kompjuterska tehnologija.

Teorija složenih sistema

Teorija kompleksnih sistema analizira prirodu složenih sistema i razloge za njihova neobična svojstva.

Metoda za modeliranje složenog adaptivnog sistema

U računarstvu

U računarstvu se kibernetičke metode koriste za upravljanje uređajima i analizu informacija.

U inženjerstvu

Kibernetika u inženjerstvu se koristi za analizu grešaka sistema, u kojima male greške i nedostaci mogu dovesti do kvara čitavog sistema.

U ekonomiji i menadžmentu

U matematici

U psihologiji

U sociologiji

Priča

U staroj Grčkoj, termin "kibernetika", koji je izvorno označavao umjetnost kormilara, počeo se koristiti u figurativnom smislu za označavanje umjetnosti državnika koji upravlja gradom. U tom smislu ga, posebno, koristi Platon u Zakonima.

James Watt

Prvi veštački automatski regulacioni sistem, vodeni sat, izumeo je starogrčki mehaničar Ktesibije. U njegovom vodenom satu voda je tekla iz izvora, kao što je stabilizator, u bazen, a zatim iz bazena na mehanizme sata. Ctesibiusov uređaj koristio je tok u obliku konusa za praćenje nivoa vode u svom rezervoaru i prilagođavanje brzine protoka vode u skladu s tim kako bi se održao konstantan nivo vode u rezervoaru tako da nije bio ni prepun niti isušen. Bio je to prvi umjetni, istinski automatski, samoregulirajući uređaj koji nije zahtijevao nikakvu vanjsku intervenciju između povratnih i kontrolnih mehanizama. Iako ovaj koncept, naravno, nisu nazivali naukom o kibernetici (smatrali su je poljem inženjerstva), Ktesibije i drugi antički majstori poput Herona Aleksandrijskog ili kineskog naučnika Su Songa smatraju se među prvima koji su proučavali kibernetiku. principi. Proučavanje mehanizama u mašinama s korektivnom povratnom spregom datira još od kraja 18. stoljeća, kada je parna mašina Jamesa Watta bila opremljena upravljačkim uređajem, centrifugalnim regulatorom povratne sprege, kako bi se kontrolirala brzina motora. A. Wallace je opisao povratne informacije kao "neophodne za princip evolucije" u svom čuvenom radu iz 1858. godine. Godine 1868. veliki fizičar J. Maxwell objavio je teorijski članak o upravljačkim uređajima i bio je jedan od prvih koji je pregledao i poboljšao principe samoregulirajućih uređaja. J. Uexküll je koristio mehanizam povratne sprege u svom modelu funkcionalnog ciklusa (njemački Funktionskreis) da objasni ponašanje životinja.

XX vijek

Moderna kibernetika započela je 1940-ih kao interdisciplinarno polje proučavanja koje kombinuje sisteme upravljanja, teoriju električnih kola, mašinstvo, logičko modeliranje, evolucionu biologiju i neuronauku. Elektronski kontrolni sistemi datiraju iz Bell Labs inženjera Harolda Blacka iz 1927. na korištenju negativne povratne sprege za kontrolu pojačala. Ideje takođe imaju veze sa biološkim radom Ludwiga von Bertalanffyja u opštoj teoriji sistema.

Kibernetika kao naučna disciplina bila je zasnovana na radovima Wienera, McCullocha i drugih kao što su W. R. Ashby i W. G. Walter.

Walter je bio jedan od prvih koji je napravio autonomne robote kako bi pomogao u istraživanju ponašanja životinja. Uz Veliku Britaniju i Sjedinjene Države, Francuska je bila važna geografska lokacija za ranu kibernetiku.

Norbert Wiener

Tokom ovog boravka u Francuskoj, Wiener je dobio prijedlog da napiše esej na temu kombinovanja ovog dijela primijenjene matematike, koji se nalazi u proučavanju Brownovog kretanja (tzv. Wiener proces) i u teoriji telekomunikacija. Sljedećeg ljeta, već u Sjedinjenim Državama, koristio je termin "kibernetika" kao naziv naučne teorije. Ime je trebalo da opiše proučavanje "svrsishodnih mehanizama" i popularizovano je u knjizi Cybernetics, ili Control and Communication in the Animal and the Machine (Hermann & Cie, Pariz, 1948). U Velikoj Britaniji, Ratio Club je formiran oko toga 1949. godine (engleski).

Kibernetika u SSSR-u

Holandski sociolozi Geyer i Van der Zouwen 1978. su identifikovali niz karakteristika nove kibernetike u nastajanju. „Jedna od karakteristika nove kibernetike je da ona posmatra informacije kao što su ih konstruisali i rekonstruisali ljudi u interakciji sa okolinom. Ovo pruža epistemološku osnovu nauke kada se posmatra sa tačke gledišta posmatrača. Još jedna karakteristika nove kibernetike je njen doprinos prevazilaženju problema redukcije (kontradikcije između makro- i mikroanalize). Tako povezuje pojedinca sa društvom." Geyer i Van der Zouwen su također primijetili da „prijelaz s klasične kibernetike na novu kibernetiku vodi do prijelaza s klasičnih problema na nove probleme. Ove promjene u razmišljanju uključuju, između ostalog, promjene od naglaska na upravljanom sistemu ka kontrolnom i faktoru koji vodi kontrolne odluke. I novi naglasak na komunikaciji između više sistema koji pokušavaju upravljati jedni drugima."

KIBERNETIKA, nauka o upravljanju koja uglavnom proučava matematičkim metodama opšte zakone prijema, skladištenja, prenošenja i pretvaranja informacija u složenim sistemima upravljanja. Postoje i druge, malo drugačije definicije kibernetike. Neki su zasnovani na informacionom aspektu, drugi na algoritamskom aspektu, a u trećima je koncept povratne sprege naglašen kao izraz specifičnosti kibernetike. U svim definicijama, međutim, nužno je naznačen zadatak proučavanja sistema upravljanja i procesa i informacionih procesa korištenjem matematičkih metoda. Pod složenim sistemom upravljanja u kibernetici se podrazumijeva svaki tehnički, biološki, administrativni, društveni, ekološki ili ekonomski sistem. Kibernetika se zasniva na sličnosti procesa upravljanja i komunikacije u mašinama, živim organizmima i njihovim populacijama.

Glavni zadatak kibernetike je proučavanje opštih obrazaca koji su u osnovi kontrolnih procesa u različitim okruženjima, uslovima i oblastima. To su, prije svega, procesi prijenosa, skladištenja i obrade informacija. Istovremeno, procesi upravljanja odvijaju se u složenim dinamičkim sistemima - objektima sa varijabilnosti i sposobnošću razvoja.

Istorijska skica. Veruje se da je reč „kibernetika“ prvi upotrebio Platon u dijalogu „Zakoni“ (4. vek pre nove ere) u značenju „vladanje nad ljudima“ [od grčkog ϰυβερνητιϰή - umetnost vladanja, gde su latinske reči gubernare (upravljati) i gubernator (guverner) dolaze iz. Godine 1834, A. Ampere, u svojoj klasifikaciji nauka, koristio je ovaj izraz za „praksu vlade“. Termin je u modernu nauku uveo N. Wiener (1947).

Kibernetički princip automatske regulacije zasnovan na povratnoj sprezi implementirali su u automatske uređaje Ktesibije (oko 2. - 1. vek pne; plutajući vodeni satovi) i Heron Aleksandrijski (oko 1. vek nove ere). Tokom srednjeg vijeka stvoreni su brojni automatski i poluautomatski uređaji, korišteni u satnim i navigacijskim mehanizmima, kao i u vodenicama. Sistematski rad na stvaranju teleoloških mehanizama, odnosno mašina koje pokazuju odgovarajuće ponašanje i opremljene korektivnom povratnom spregom, započeo je u 18. veku zbog potrebe da se reguliše rad parnih mašina. Godine 1784. J. Watt je patentirao parnu mašinu sa automatskim regulatorom, koja je odigrala veliku ulogu u prelasku na industrijsku proizvodnju. Početak razvoja teorije automatske regulacije smatra se članak J. C. Maxwella o regulatorima (1868). Osnivači teorije automatskog upravljanja su I. A. Vyshnegradsky. U 1930-im, radovi I. P. Pavlova su ocrtali poređenje mozga i električnih sklopnih kola. P.K.Anohin je proučavao aktivnost tijela na osnovu teorije funkcionalnih sistema koju je razvio, a 1935. godine predložio je takozvanu metodu reverzne aferentacije - fiziološki analog povratne sprege u kontroli ponašanja tijela. Konačni neophodni preduslovi za razvoj matematičke kibernetike stvoreni su 1930-ih godina radom A. N. Kolmogorova, V. A. Kotelnikova, E. L. Posta, A. M. Turinga, A. Churcha.

Potrebu za stvaranjem nauke posvećene opisivanju upravljanja i komunikacije u složenim tehničkim sistemima u smislu informacionih procesa i obezbeđivanju mogućnosti njihove automatizacije shvatili su naučnici i inženjeri tokom 2. svetskog rata. Kompleksni sistemi naoružanja i drugih tehničkih sredstava, komandovanje i upravljanje trupama i njihovo snabdevanje u pozorištima vojnih operacija povećali su pažnju problemima automatizacije upravljanja i komunikacija. Složenost i raznovrsnost automatizovanih sistema, potreba da se u njima kombinuju različita upravljačka i komunikacijska sredstva, te nove mogućnosti koje stvaraju računari doveli su do stvaranja jedinstvene, opšte teorije upravljanja i komunikacije, opšte teorije prenosa informacija i transformacija. Ovi zadaci su, u jednom ili drugom stepenu, zahtevali opis procesa koji se proučavaju u smislu prikupljanja, skladištenja, obrade, analize i evaluacije informacija i dobijanja upravljačke ili prognostičke odluke.

Od početka rata N. Wiener (zajedno sa američkim dizajnerom V. Bushom) je učestvovao u razvoju računarskih uređaja. Od 1943. počinje razvijati računare zajedno sa J. von Neumannom. S tim u vezi, na Princeton Institute for Advanced Study (SAD) 1943-44. održani su sastanci na kojima su učestvovali predstavnici različitih specijalnosti - matematičari, fizičari, inženjeri, fiziolozi, neurolozi. Ovdje je konačno formirana Wiener-von Neumann grupa, u kojoj su bili naučnici W. McCulloch (SAD) i A. Rosenbluth (Meksiko); Rad ove grupe omogućio je formulisanje i razvoj kibernetičkih ideja u vezi sa stvarnim tehničkim i medicinskim problemima. Rezultat ovih istraživanja Wiener je sažeo u svojoj knjizi Kibernetika, objavljenoj 1948.

Značajan doprinos razvoju kibernetike dali su N. M. Amosov, P. K. Anokhin, A. I. Berg, E. S. Bir, V. M. Glushkov, Yu. V. Gulyaev, S. V. Emelyanov, Yu. Laričev, O. B. Lupanov, A. A. Lyapunov, A. A. Markov, J. von Neumann, B. N. Petrov, E. L. Post, A. M. Turing, Ya Z. Tsypkin, N. Chomsky, A. Church, K. Shannon, S. V. Yablonsky, kao i domaći. naučnici M. A. Aizerman, V. M. Akhutin, B. V. Biryukov, A. I. Kitov, A. Ya. Lerner, Vyach. Vyach. Petrov, ukrajinski naučnik A. G. Ivakhnenko.

Razvoj kibernetike bio je praćen njenom apsorpcijom pojedinih nauka, naučnih pravaca i njihovih sekcija i, zauzvrat, pojavom u kibernetici i kasnijim izdvajanjem iz nje novih nauka, od kojih su mnoge formirale funkcionalne i primenjene delove računarske nauke (u posebno, prepoznavanje obrazaca, analiza slike, umjetna inteligencija). Kibernetika ima prilično složenu strukturu, a naučna zajednica nije postigla potpunu saglasnost u pogledu pravaca i preseka koji su njen sastavni deo. Tumačenje predloženo u ovom članku zasniva se na tradiciji domaćih škola računarstva, matematike i kibernetike i na odredbama koje ne izazivaju ozbiljne nesuglasice između vodećih naučnika i specijalista, od kojih se većina slaže da je kibernetika posvećena informacijama, praksi njegovu obradu i tehnologiju u vezi sa informacionim sistemima; proučava strukturu, ponašanje i interakciju prirodnih i vještačkih sistema koji pohranjuju, obrađuju i prenose informacije; razvija sopstvene konceptualne i teorijske osnove; ima računarske, kognitivne i društvene aspekte, uključujući društvene implikacije informacione tehnologije jer računari, pojedinci i organizacije obrađuju informacije.

Od 1980-ih došlo je do blagog pada interesovanja za kibernetiku. Povezana je sa dva glavna faktora: 1) u periodu formiranja kibernetike, stvaranje veštačke inteligencije mnogima se činilo jednostavnijim zadatkom nego što je zapravo bio, a perspektiva njenog rešenja bila je u doglednoj budućnosti; 2) na osnovu kibernetike, nasledivši njene osnovne metode, posebno matematičke, i gotovo potpuno apsorbujući kibernetiku, nastala je nova nauka - računarstvo.

Najvažnije istraživačke metode i veze sa drugim naukama. Kibernetika je interdisciplinarna nauka. Nastala je na sjecištu matematike, teorije automatskog upravljanja, logike, semiotike, fiziologije, biologije i sociologije. Na formiranje kibernetike uticali su trendovi u razvoju same matematike, matematiizacija različitih oblasti nauke, prodor matematičkih metoda u mnoga područja praktične delatnosti i brzi napredak kompjuterske tehnologije. Proces matematizacije je bio praćen pojavom niza novih matematičkih disciplina, kao što su teorija algoritama, teorija informacija, istraživanje operacija, teorija igara, koje čine suštinski dio aparata matematičke kibernetike. Na osnovu problema u teoriji upravljačkih sistema, kombinatornoj analizi, teoriji grafova i teoriji kodiranja nastala je diskretna matematika, koja je ujedno i jedan od glavnih matematičkih alata kibernetike. Početkom 1970-ih kibernetika se formira kao fizička i matematička nauka sa svojim predmetom istraživanja - takozvanim kibernetičkim sistemima. Kibernetički sistem se sastoji od elemenata u najjednostavnijem slučaju, može se sastojati od jednog elementa. Kibernetički sistem prima ulazni signal (koji predstavlja ulazne signale njegovih elemenata), ima interna stanja (tj. definisani su skupovi unutrašnjih stanja elemenata); Obradom ulaznog signala, sistem transformiše unutrašnje stanje i proizvodi izlazni signal. Struktura kibernetičkog sistema određena je mnogim odnosima koji povezuju ulazne i izlazne signale elemenata.

U kibernetici su zadaci analize i sinteze kibernetičkih sistema od značajnog značaja. Zadatak analize je da pronađe svojstva transformacije informacija koju vrši sistem. Zadatak sinteze je da konstruiše sistem prema opisu transformacije koju mora izvršiti; u ovom slučaju, klasa elemenata od kojih se sistem može sastojati je fiksna. Od velikog značaja je problem pronalaženja kibernetičkih sistema koji specificiraju istu transformaciju, odnosno problem ekvivalencije kibernetičkih sistema. Ako zadamo funkcionalni kvalitet kibernetičkih sistema, onda se javlja problem pronalaženja najboljeg sistema u klasi ekvivalentnih kibernetičkih sistema, odnosno sistema sa maksimalnom vrednošću funkcionalnog kvaliteta. Kibernetika razmatra i probleme pouzdanosti kibernetičkih sistema čije je rješavanje usmjereno na povećanje pouzdanosti funkcionisanja sistema poboljšanjem njihove strukture.

Za prilično jednostavne sisteme, navedeni problemi se obično mogu riješiti klasičnim matematičkim sredstvima. Poteškoće se javljaju u analizi i sintezi složenih sistema, koji se u kibernetici shvataju kao sistemi koji nemaju jednostavne opise. To su obično kibernetički sistemi koji se proučavaju u biologiji. Pravac istraživanja, koji je dobio naziv "teorija velikih (složenih) sistema", razvija se u kibernetici od 1950-ih. Pored složenih sistema u prirodi, proučavaju se složeni sistemi automatizacije proizvodnje, sistemi ekonomskog planiranja, administrativni i ekonomski sistemi i vojni sistemi. Metode za proučavanje složenih upravljačkih sistema čine osnovu analize sistema i istraživanja operacija.

Za proučavanje složenih sistema u kibernetici koriste se i pristup koji koristi matematičke metode i eksperimentalni pristup, koristeći različite eksperimente bilo sa predmetom koji se proučava ili sa njegovim stvarnim fizičkim modelom. Glavne metode kibernetike uključuju algoritmizaciju, korištenje povratne sprege, metodu mašinskog eksperimenta, metodu „crne kutije“, sistemski pristup i formalizaciju. Jedno od najvažnijih dostignuća kibernetike je razvoj novog pristupa – metode matematičkog modeliranja. Sastoji se u činjenici da se eksperimenti ne izvode sa stvarnim fizičkim modelom, već sa kompjuterskom implementacijom modela objekta koji se proučava, izgrađenog prema njegovom opisu. Ovaj računarski model, uključujući programe koji implementiraju promjene parametara objekta u skladu sa njegovim opisom, implementiran je na računaru, što omogućava izvođenje različitih eksperimenata s modelom, snimanje njegovog ponašanja u različitim uvjetima, promjenu određenih struktura model itd.

Teorijska osnova kibernetike je matematička kibernetika, posvećena metodama za proučavanje širokih klasa kibernetičkih sistema. Matematička kibernetika koristi brojne grane matematike, kao što su matematička logika, diskretna matematika, teorija vjerovatnoće, računarska matematika, teorija informacija, teorija kodiranja, teorija brojeva, teorija automata, teorija složenosti, kao i matematičko modeliranje i programiranje.

U zavisnosti od oblasti primene u kibernetici razlikuju: tehničku kibernetiku, uključujući automatizaciju tehnoloških procesa, teoriju sistema automatskog upravljanja, računarsku tehnologiju, teoriju računara, sisteme automatskog projektovanja, teoriju pouzdanosti; ekonomska kibernetika; biološka kibernetika, uključujući bioniku, matematičke i mašinske modele biosistema, neurokibernetiku, bioinženjering; medicinska kibernetika, koja se bavi procesom upravljanja u medicini i zdravstvu, razvojem simulacijskih i matematičkih modela bolesti, automatizacijom dijagnostike i planiranja liječenja; psihološka kibernetika, uključujući proučavanje i modeliranje mentalnih funkcija na temelju proučavanja ljudskog ponašanja; fiziološka kibernetika, uključujući proučavanje i modeliranje funkcija ćelija, organa i sistema u normalnim i patološkim uvjetima u medicinske svrhe; lingvistička kibernetika, uključujući razvoj mašinskog prevođenja i komunikacije sa računarima na prirodnom jeziku, kao i strukturne modele obrade, analize i evaluacije informacija. Jedno od najvažnijih dostignuća kibernetike je identifikacija i formulacija problema modeliranja procesa ljudskog mišljenja.

Lit.: Ashby W. R. Uvod u kibernetiku. M., 1959; Anokhin P.K. Fiziologija i kibernetika // Filozofska pitanja kibernetike. M., 1961; Logika. Automatske mašine. Algoritmi. M., 1963; Glushkov V. M. Uvod u kibernetiku. K., 1964; aka. kibernetika. Pitanja teorije i prakse. M., 1986; Tsetlin M. L. Istraživanja o teoriji automata i modeliranju bioloških sistema. M., 1969; Biryukov B.V., Geller E.S. Kibernetika u humanističkim naukama. M., 1973; Biryukov B.V. Kibernetika i metodologija nauke. M., 1974; Wiener N. Kibernetika, ili kontrola i komunikacija u životinjama i mašinama. 2nd ed. M., 1983; aka. Kibernetika i društvo. M., 2003; George F. Osnove kibernetike. M., 1984; Umjetna inteligencija: priručnik. M., 1990. T. 1-3; Zhuravlev Yu I. Izabrani naučni radovi. M., 1998; Luger J.F. Umjetna inteligencija: strategije i metode za rješavanje složenih problema. M., 2003; Samarsky A. A., Mikhailov A. P. Matematičko modeliranje. Ideje, metode, primjeri. 2nd ed. M., 2005; Laričev O.I. Teorija i metode donošenja odluka. 3rd ed. M., 2008.

Yu. I. Zhuravlev, I. B. Gurevich.

Pretražite materijale:

Broj vaših materijala: 0.

Dodajte 1 materijal

Certifikat
o kreiranju elektronskog portfelja

Dodajte 5 materijala

Tajna
prisutan

Dodajte 10 materijala

Certifikat za
informatizacija obrazovanja

Dodajte 12 materijala

Pregled
besplatno za bilo koji materijal

Dodajte 15 materijala

Video lekcije
za brzo kreiranje efektivnih prezentacija

Dodajte 17 materijala

1.8. Kibernetički aspekti računarske nauke
1.8.1. Predmet kibernetike

Reč "kibernetika" dolazi od grčke reči koja u prevodu znači
"kormilar". Njegov savremeni značaj vezuje se za naučnu oblast čiji je početak
osnovana je knjigom američkog naučnika Norberta Wienera „Kibernetika, ili
kontrola i komunikacija kod životinja i mašina”, objavljena 1948. Ubrzo je tema
ne samo biološki i tehnički sistemi, već i sistemi
bilo koje prirode, sposobne da percipiraju, pohranjuju i obrađuju informacije
i koristiti ga za upravljanje i regulaciju. Objavljeno 1947
Enciklopedija kibernetike kaže da je to „...nauka o opštim zakonima
primanje, pohranjivanje, prijenos i pretvaranje informacija u složene
kontrolni sistemi. U ovom slučaju, ovdje se podrazumijevaju kontrolni sistemi
ne samo tehnički, već i bilo koji biološki, administrativni i društveni
sistema." Dakle, najvjerovatnije su kibernetika i računarstvo
ujedinjena nauka. Danas se kibernetika sve više smatra dijelom računarske nauke, tj
“najviši” dio, u određenoj mjeri sličan po položaju kao “najviši”
matematike" u odnosu na svu matematiku općenito (približno isto
pozicija u odnosu na informatiku je i nauka o „veštačkom
inteligencija"). Informatika je u cjelini šira od kibernetike, jer u računarstvu
Postoje aspekti koji se odnose na računarsku arhitekturu i programiranje
ne može se direktno pripisati kibernetici.
Kibernetičke grane računarstva su bogate pristupima i
modela u proučavanju različitih sistema i koriste se kao aparatura
mnoge grane fundamentalne i primijenjene matematike.
Klasična i u određenoj mjeri samostalna grana kibernetike
razmotriti operativno istraživanje. Ovaj izraz se odnosi na upotrebu
matematičke metode za opravdanje odluka u različitim oblastima
svrsishodna ljudska aktivnost.

Hajde da objasnimo šta se podrazumeva pod „odlukom“. Neka se ulože neki napori
događaj (u industrijskoj, ekonomskoj ili društvenoj sferi),
usmjereno na postizanje određenog cilja - takav događaj se zove
"operacija". Osoba (ili grupa osoba) odgovorna za ovo
događaj, imate mogućnost da birate kako ćete ga organizirati. Na primjer: možete
odabrati vrste proizvoda koji će se proizvoditi; oprema koja
ovo će važiti; distribuirati raspoloživa sredstva na ovaj ili onaj način, itd.
“Operacija” je kontrolirani događaj.
Odluka je izbor iz niza opcija koje su dostupne donosiocu odluke.
Odluke mogu biti uspješne i neuspješne, razumne i
nerazumna rješenja se iz ovog ili onog razloga nazivaju optimalnim
poželjniji od drugih. Svrha operativnog istraživanja je
matematičko (kvantitativno) opravdanje optimalnih rješenja.
Operativno istraživanje uključuje sljedeće dijelove:
1) matematičko programiranje (opravdanje planova, programa
ekonomska aktivnost); uključuje relativno nezavisne
sekcije: linearno programiranje, nelinearno programiranje,
dinamičko programiranje (u svim ovim nazivima termin
"programiranje" je nastalo istorijski i nema nikakve veze
kompjutersko programiranje);
2) teorija redova, zasnovana na teoriji slučajnih procesa;
3) teorija igara, koja omogućava da se opravdaju odluke donete pod uslovima
nepotpune informacije.
Imajte na umu da ovi odeljci nisu direktno povezani sa računarima i tehničkim
sistemima. Drugi, koji su se brzo razvijali 1970-ih i 1980-ih. dio kibernetike
postojali su automatski (automatski) sistemi upravljanja. Ovaj odeljak
ima zatvoren, autonoman karakter, istorijski uspostavljen
na svoju ruku. Usko je povezan sa razvojem tehničkih sistema
automatizovana regulacija i upravljanje tehnološkim i
proizvodni procesi.

Druga klasična grana kibernetike je prepoznavanje
slike, koje su proizašle iz problema modeliranja u tehničkim percepcijskim sistemima
osoba znakova, predmeta i govora, kao i formiranje pojmova u osobi
(obuka u najjednostavnijem, tehničkom smislu). Ovaj dio je uglavnom
proizašla iz tehničkih potreba robotike. Na primjer, potrebno je da
robotski sastavljač je prepoznao potrebne dijelove. Prilikom automatskog sortiranja (ili
Odbijanje) delova zahteva sposobnost prepoznavanja.
Vrhunac kibernetike (i čitave računarske nauke uopšte) je sekcija
posvećen problemima veštačke inteligencije. Najmodernije
kontrolni sistemi imaju svojstvo donošenja odluka – svojstvo
intelektualnosti, tj. oni modeliraju intelektualnu aktivnost
osoba prilikom donošenja odluka.

1.8.2. Upravljani sistemi

Uprkos raznovrsnosti problema rešenih u kibernetici, raznovrsnost modela,
pristupa i metoda, kibernetika ostaje jedinstvena nauka zahvaljujući upotrebi
opšta metodologija zasnovana na teoriji sistema i analizi sistema.
Sistem je izuzetno širok, početni, nestrogo definisan pojam.
Pretpostavlja se da sistem ima strukturu, tj. sastoji se od relativno
izolovani delovi (elementi), koji su, ipak, u značajnoj
odnosima i interakcijama. Značaj interakcije je u tome
zahvaljujući njemu elementi sistema zajedno dobijaju određenu novu funkciju,
novo svojstvo koje ne posjeduje nijedan element posebno. U tome
je razlika između sistema i mreže, koja se takođe sastoji od pojedinačnih elemenata, ali ne
međusobno povezani značajnim odnosima. Uporedite npr.
preduzeće čije radionice čine sistem, jer samo sve zajedno
steći sposobnost proizvodnje finalnih proizvoda (i nijedan od njih u
sama se neće nositi s ovim zadatkom) i mreža trgovina koje mogu funkcionirati
nezavisno jedno od drugog.

Kibernetika, kao nauka o kontroli, proučava ne sve sisteme uopšte, već
samo upravljani sistemi. Ali područje interesovanja i primjena kibernetike
proteže se na širok spektar bioloških, ekonomskih,
društveni sistemi.
Jedna od karakteristika kontrolisanog sistema je sposobnost
prelazak u različita stanja pod uticajem kontrolnih akcija. Uvijek
postoji određeni skup sistemskih stanja iz kojih se bira
optimalno stanje.
Apstrahujući od specifičnosti pojedinačnih kibernetičkih sistema i
isticanje obrazaca zajedničkih za određeni skup sistema koji opisuju
mijenjajući njihovo stanje pod raznim kontrolnim radnjama, dolazimo do toga
koncept apstraktnog kibernetičkog sistema. Njegove komponente nisu
konkretnih objekata, ali apstraktnih elemenata koje karakteriziraju
određena svojstva zajednička za široku klasu objekata.
Pošto se kibernetički sistemi shvataju kao kontrolisani sistemi, in
Moraju imati mehanizam koji obavlja kontrolne funkcije. Češće
Ukupno, ovaj mehanizam je implementiran u obliku organa posebno dizajniranih za
kontrola (sl. 1.38).

Rice. 1.38. Šematski prikaz kibernetičkog sistema u formi
set kontrolnih i kontrolisanih delova

Strelice na slici pokazuju utjecaje koji se razmjenjuju između dijelova
sistemima. Strelica koja ide od kontrolnog dela sistema ka kontrolisanom delu,
označava upravljačke signale. Kontrolni dio sistema koji generiše
kontrolni signali se nazivaju upravljački uređaj. Menadžer
uređaj generiše kontrolne signale na osnovu informacija o stanju

kontrolisanog sistema (prikazano na slici sa strelicom od kontrolisanog dela
sistema na njegov upravljački dio) kako bi se postiglo traženo stanje
uznemirujućim uticajima. Skup pravila prema kojim informacijama
ulazak u upravljački uređaj se obrađuje u upravljačke signale,
koji se naziva kontrolni algoritam.
Na osnovu uvedenih pojmova možete definisati pojam
"kontrola". Kontrola je utjecaj na objekt, odabran iz skupa
mogući uticaji na osnovu informacija dostupnih za ovu svrhu, poboljšanje
rad ili razvoj ovog objekta.
Upravljački sistemi rješavaju četiri glavna tipa problema upravljanja: 1)
regulacija (stabilizacija); 2) izvršavanje programa; 3) praćenje; 4)
optimizacija.
Ciljevi regulacije su održavanje parametara sistema –
kontrolisane veličine – blizu nekih konstantnih zadatih vrednosti (x),
uprkos efektu poremećaja M koji utiču na vrednosti (x). Dostupno ovdje u
oblik aktivne zaštite od smetnji, koji se suštinski razlikuje od pasivne
Metoda zaštite uključuje razvoj sistema upravljanja
kontrolne akcije koje suzbijaju smetnje. Da, zadatak
održavanje potrebne temperature sistema može se riješiti korištenjem
kontrolirano grijanje ili hlađenje. Pasivna zaštita se sastoji od
dajući objektu takva svojstva da zavisnost parametara koji nas zanimaju
od vanjskih smetnji bio mali. Primjer pasivne zaštite je
toplinska izolacija za održavanje zadate temperature sistema,
antikorozivni premazi za mašinske delove.
Zadatak izvršavanja programa nastaje u slučajevima kada su navedene vrijednosti
kontrolisane količine (x) se menjaju tokom vremena na poznat način, na primer u
proizvodnju prilikom izvođenja radova po unapred utvrđenom rasporedu. IN
u biološkim sistemima, primjeri implementacije programa su razvoj
organizmi iz jaja, sezonske migracije ptica, metamorfoze insekata.
Zadatak praćenja je održavati što bliže podudaranje nekima
kontrolirani parametar x0(t) na trenutno stanje sistema, mijenja se

na nepredviđeni način. Potreba za praćenjem se javlja, na primjer, kada
upravljanje proizvodnjom robe u uslovima promenljive tražnje.
Problemi optimizacije - uspostavljanje najboljeg načina rada u određenom smislu
operacija ili stanje upravljanog objekta - prilično su uobičajeni, na primjer
upravljanje tehnološkim procesima u cilju minimiziranja gubitaka sirovina itd.
Sistemi u kojima se ne koristi za generiranje kontrolnih radnji
informacije o vrijednostima koje kontrolirane količine uzimaju u procesu
kontrolni sistemi se nazivaju sistemi upravljanja otvorenim krugom. Struktura je ovakva
sistem je prikazan na sl. 1.39.

Rice. 1.39. Otvoreni sistem upravljanja

Algoritam upravljanja implementira upravljački uređaj CU, koji
omogućava praćenje smetnje M i kompenzaciju za ovu smetnju, bez
koristeći kontroliranu varijablu X.
Naprotiv, u zatvorenim kontrolnim sistemima za formiranje menadžera
uticaja, koristi se informacija o vrednosti kontrolisanih veličina.
Struktura takvog sistema je prikazana na sl. 1.40. Komunikacija između vikenda
parametara X i ulaza Y istog elementa kontrolisanog sistema
zove se povratna informacija.

Rice. 1.40. Zatvoreni sistem upravljanja

Povratna informacija je jedan od najvažnijih koncepata kibernetike, pomaganje
razumiju mnoge pojave koje se javljaju u kontrolisanim sistemima raznih
priroda. Povratne informacije se mogu naći proučavanjem procesa
koji se javljaju u živim organizmima, ekonomskim strukturama, sistemima
automatska regulacija. Povratna informacija koja povećava uticaj inputa
uticaj na kontrolisane parametre sistema naziva se pozitivnim,
smanjenje uticaja ulaznog uticaja – negativno.
Pozitivna povratna informacija se koristi u mnogim tehničkim uređajima
poboljšati, povećati vrijednosti ulaznih utjecaja. Negativno
povratna sprega se koristi za vraćanje ravnoteže narušene vanjskim djelovanjem
uticaj na sistem.

1.8.3. Funkcije čovjeka i mašine u sistemima upravljanja

Dobro proučeno područje primjene kibernetičkih metoda je
tehnološka i proizvodna sfera, industrijski menadžment
preduzeće.
Izazovi koji se javljaju u upravljanju srednjim i velikim preduzećem
su već prilično složeni, ali se mogu riješiti korištenjem elektronskih
kompjuteri. Sistemi upravljanja preduzećem ili
teritorije (regije, gradovi) koristeći kompjutere za obradu i skladištenje
informacije se nazivaju automatizovani kontrolni sistemi (ACS). By
Po svojoj prirodi takvi sistemi su čovjek-mašina, tj. zajedno sa
upotreba moćnih kompjutera pretpostavlja prisustvo osobe sa svojim
inteligencija.
U sistemima čovjek-mašina pretpostavlja se sljedeća podjela funkcija
mašina i čovek: mašina skladišti i obrađuje velike količine

informacije, pruža informacijsku podršku za donošenje odluka
od strane osobe; osoba donosi upravljačke odluke.
Češće u sistemima čovek-mašina, računari obavljaju rutinske,
nekreativna, radno intenzivna obrada informacija, oslobađanje vremena osobe
za kreativne aktivnosti. Međutim, cilj razvoja računara
(informaciona) tehnologija upravljanja je potpuna automatizacija
aktivnosti koje uključuju djelimično ili potpuno oslobađanje osobe od
potreba za donošenjem odluka. To nije samo zbog želje za istovarom
ljudskim, ali i činjenicom da je razvoj tehnologije i tehnologije doveo do situacija u kojima
osobu zbog njenih inherentnih fizioloških i psiholoških ograničenja
jednostavno nema vremena da donosi odluke u realnom vremenu
proces, koji prijeti katastrofalnim posljedicama, na primjer: potreba
aktiviranje hitne zaštite nuklearnog reaktora, reakcija na događaje,
koji se dešavaju tokom lansiranja svemirskih letelica itd.
Sistem koji zamjenjuje osobu mora imati inteligenciju, u određenoj mjeri
slično ljudskoj - vještačkoj inteligenciji. Istraživanja
smer u oblasti sistema veštačke inteligencije takođe se odnosi na
kibernetika, međutim, zbog njenog značaja za izglede svih kompjuterskih nauka u
Općenito ćemo to razmotriti u posebnom paragrafu.

Kontrolna pitanja

1. Šta je predmet nauke „Kibernetika“?
2. Opišite probleme riješene u naučnom dijelu „istraživanje operacija“.
3. Koje mjesto zauzima teorija automatskog upravljanja i
regulacija?
4. Šta znači koncept “sistema”?
5. Šta je “sistem kontrole”?
6. Opišite zadatke koji se javljaju u sistemima upravljanja.

7. Šta je “povratna informacija”? Navedite primjere povratnih informacija od drugih
vi upravljali sistemima.
8. Šta je automatizovani kontrolni sistem?
9. Koje je mjesto čovjeka i kompjutera u sistemima upravljanja čovjek-mašina?

Tokom razvoja naučne i tehnološke revolucije, fizičke i hemijske
i biološki uticaj ljudi na prirodu. Što je jači udar, to
sredstva za njihovo upravljanje moraju biti efikasnija, a naš primarni zadatak
vremenom postaje ne samo i ne toliko izbor optimalnog (ekonomski
korisni) načini upravljanja, koliko predviđanja i prevencije
sve veća opasnost od nastanka nepovratnih prirodnih procesa koji prijete
ljudsko postojanje i život na Zemlji uopšte. Jedva ikad prije
čovječanstvo je sebi postavilo složeniji i odgovorniji zadatak.
Može se raspravljati o tome kada će tačno doći do nepovratnih promjena u prirodi i na koje načine.
postojaće njihove posledice, ali nema sumnje da je period koji je istorija odredila za rešenje
ovaj složeni problem nije tako veliki.
U tom svjetlu, radovi na teoriji sistema ili sistemologiji dobijaju poseban značaj.
(češće nazivan „sistemskim pristupom”, koji je, zapravo, nastao u vezi sa
potreba za rješavanjem problema slične složenosti). Ti radovi su posebno vrijedni
sistemska orijentacija, koja ne postavlja samo osnovne principe metodologije
teoriju sistema, te pokazuje efikasnost sistemskog pristupa rješavanju
prilično složeni i relevantni kibernetički problemi. Ova knjiga je
rad upravo ovog tipa: sistematičan i po temi i po duhu prezentacije.
U prvom dijelu knjige autor detaljno ispituje suštinu sistemskog pristupa, a drugi
primjenjuje ga na rješavanje najopštijih semiotičkih problema kibernetike. Oba
dijelovi knjige su originalni i imaju samostalno značenje.
Jedan od karakterističnih aspekata knjige je njen pokušaj da se predstavi suština sistemologije
jednu tačku gledišta. Da bi to učinio, autor duboko analizira koncepte koji su u osnovi
predstavljen koncept sistemologije, te pokazuje da su ovi pojmovi povezani sa zakonima i

kategorije materijalističke dijalektike i da je sistemski pristup samo
dovođenje znanja o osnovnim zakonima na nivo konkretnih praktičnih primjena
razvoj prirode, a ne novi pogled na svet, kako to često zamišljaju teoretičari
teorija sistema na Zapadu.
Autor ne pokušava formalizirati samu prezentaciju, što bi, naravno, bilo
prerano, iako vrlo primamljivo, ali na način usvojen u knjizi
prezentacija se može smatrati prvim korakom u ovom pravcu.
Prilikom predstavljanja sistematskog pristupa glavna pažnja u radu G. P. Melnikova je posvećena
ono što ujedinjuje sistem u jedinstvenu celinu. Mnogi autori, prilikom proučavanja kompleksa
sistemi imaju tendenciju da ih podijele na jednostavnije dijelove i razmotre veze između njih
dijelove kao prepreku takvoj podjeli, ili, obrnuto, koncentrirati sve
pažnja samo na povezne karike, na mrežu odnosa (strukture) između delova i
elemente cjeline i proglasiti prirodu povezanih elemenata nevažnom za
formiranje integriteta. Za razliku od njih, G.P. Melnikov takođe obraća pažnju
strukturi cjeline, te o onim svojstvima koja nastaju u svakom elementu zbog
sama činjenica postojanja sistema kao određenog jedinstva i svojstva celine,
proizilaze iz jedinstvenih svojstava elemenata, pokazujući mehanizme
međusobna saglasnost svih ovih parametara formiranog sistema sa obaveznim
interakcija sa spoljnim okruženjem.
Svaki sistem, ukoliko postoji, mora steći neophodna svojstva
da se suprotstavi spoljnim silama (uticajima drugih sistema) koje teže
uništi ovaj sistem. Što duže sistem postoji i što su uticaji jači,
kojima je izložen, tim više u sistemu u celini iu svakom njegovom elementu
svojstva međusobne konzistentnosti koja se razvijaju u procesu treba da se ispolje
adaptacija. Upravo ta svojstva Hegel je imao na umu kada je to rekao u kapi
odražavaju se svojstva okeana.
Identificiranje ovih zajedničkih svojstava i otkrivanje njihovog korijenskog uzroka (skrivenog u kompleksu
spoljni uticaji), koje autor naziva determinantom sistema, širom se otvara
mogućnosti za proučavanje onih svojstava složenih sistema koji, u stvari,
učiniti ih “komplikovanim”.
Ovo nam omogućava da iznova pogledamo koncept sistema i otkrijemo takve veze između njih
njegove dijelove i takve karakteristike njegovih elemenata čije je postojanje često teško i

osumnjičeni. Na tom putu je G.P. Melnikov, kao rezultat proučavanja svojstava
ogromnog broja jezika u svijetu, bilo je moguće otkriti vrlo specifične tipove
zavisnosti između gramatike jezika i njegove fonetike i stvaraju novu, sistemsku
tipologiju jezika, upoređujući strukturu jezika prema karakteristikama njihovih odrednica.
Pristup koji je razvio autor omogućava prilično jasno definiranje razlike
sistemski pristup od strukturalnog. Pokazalo se da su te razlike suštinski sadržane
u jednom postulatu: ideje strukturalista zasnivaju se na tezi da
postoji potpuno amorfan materijal od kojeg se sistem (trenutačno) formira
svojstva datog elementa sistema u skladu samo sa njegovim mjestom u strukturi.
Prema sistemološkim stavovima, ne postoji apsolutno amorfan materijal. Svaki
materijal nosi svojstva prethodnih sistema u koje je prethodno bio uključen i, štaviše,
razvijena u procesu adaptacije u ovim sistemima sposobnost u ovom ili onom stepenu
održavaju svoja stečena svojstva. Stoga, kada se takav materijal koristi za
formiranje novog sistema, zatim dolazi do dugotrajne adaptacije starog i
formiranje novih svojstava tokom adaptacije, odnosno u svakom trenutku u svakom trenutku
elementa sistema postoje dvije vrste svojstava: početna (materijalna),
odražavajući pozadinu materijala i nametnute od strane sistema (strukturalne),
određena determinantom sistema.
Pitanja koja postavlja autor u vezi sa odnosima strukturalnih („logičkih“,
„sintaksički“) i supstancijalni („materijal“, „sistematski“) u
stvarni prirodni i veštački sistemi ne predstavljaju samo
opšteg filozofskog interesa, ali su i veoma važni u konstruisanju
sisteme čovjek-mašina, koji su glavni alat za rješavanje većine
složeni savremeni problemi kibernetike.
Za efikasno korištenje ovakvih sistema potrebno je prije svega razdvojiti
proces rješenja na dva dijela: strojno-specifičan, formalni,
u korelaciji sa strukturom objekta koji se proučava ili konstruiše, sa logikom
interakcija njegovih dijelova, a sadržajna, semantička, koja zahtijeva razmatranje ne
svodi se na strukturu karakteristika supstance nekog objekta i stoga se pripisuje
osoba. Istovremeno, glavna briga osobe je najpotpunija
koristeći mogućnosti tehnologije tako da se preostali neformalizirani
Ispostavilo se da je dio zadatka izvodljiv za pravi tim stručnjaka.

Sposobnost osobe da neformalno identificira formalizirani dio zadatka, poput drugih
ljudska sposobnost rada sa neformalnim objektima je jedna od najvećih
misterije prirode. Stoga, svaki pokušaj da se prodre u ovu tajnu ili barem ocrta
pristupi tome su od velike važnosti.
Sa ove tačke gledišta, koncepti predstavljeni u knjizi su veoma primamljivi
izgledi. Iako se autor trudi da ne naglašava povezanost ideja s kojima se razvija
problema vještačke inteligencije, ali se sasvim definitivno osjeti kada
čita knjigu. Istovremeno, autor se fokusira na centralni problem: kako
razmišlja li osoba, kakvu ulogu igra jezik u procesu mišljenja, kako misao preuzima
riječi u činovima komunikacije jedne osobe s drugom, a ne o modnim problemima stvaranja
heurističke (humanoidne) metode za rješavanje problema s umjetnom igrom. IN
S tim u vezi, problemi knjige tiču ​​se razvoja principa konstruisanja
integralni roboti (ne heurističko programiranje).
Autor do identifikacije ovih principa dolazi ne toliko iz direktnih tehničkih
eksperimentisanje, koliko od sistemske interpretacije bogate semiotike,
jezičkog i psihološkog materijala prikupljenog do danas. IN
S tim u vezi, knjiga posvećuje veliku pažnju analizi ovakvih kardinalnih pitanja
kibernetika, kao ishodište sposobnosti formiranja mehanizama prepoznavanja,
predviđanje, znakovna komunikacija i modeliranje i procjena mogućnosti
korištenje ovih mehanizama za smislenu komunikaciju čovjeka i mašine i
kola međusobno. Da ekonomski opišemo tipične komponente ovih procesa
autor uvodi specijalizovani simbolički aparat.
Prezentacija sadržaja predloženog u knjizi je fundamentalna i
uvjerljivost. Međutim, treba imati na umu da se pitanja koja se razmatraju u knjizi odnose na
sadašnje vrijeme je jedno od najtežih za objasniti i razumjeti, pa stoga
Čitalac koji uzme ovu knjigu mora se unaprijed pripremiti za naporan rad. Mnogi
Morat ću ponovo pročitati odlomke i razmišljati o mnogo čemu, ali mogu biti siguran
reći da će čitaočeva marljivost dok dublje uđe u materijal knjige biti nagrađena.
Rijetko se nalazi u modernoj naučnoj literaturi, sadržajno-evoluciona, i
neformalni logički tip dedukcije i rezultirajuća sposobnost hvatanja
obrasci u kojima se ranije videlo samo nasumično gomilanje činjenica - ovde
Ovo nikako nije potpuna lista onoga što je dovoljno marljivo i

pažljiv čitalac.
Zaustavimo se sada detaljnije na nekim konkretnim pitanjima koja su pokrenuta u knjizi, i
o evaluaciji metoda i rezultata njihovog rješavanja.
1. Kao što je jasno iz navedenog, metodološki aspekti za autora nisu sami sebi cilj
prinuđen da ovoj strani stvari posveti ozbiljnu pažnju upravo zato što je ima dovoljno
On sebi postavlja ozbiljne zadatke u opštoj kibernetici. Ali tačno
stoga je prvi dio rada posvećen predstavljanju autorovog koncepta sistemskog
pristup je zaista prezentacija prilično holističkog koncepta.
Čitalac zainteresovan prvenstveno za probleme sistemologije može
usmjerite svoju pažnju na prvi dio knjige, smatrajući njen drugi dio kao
aplikacija koja pokazuje činjenicu da predstavljeni koncept može poslužiti
efikasan alat za rješavanje najsloženijih problema kibernetike.
Čitalac koji se interesuje za pitanja predstavljena u drugom dijelu knjige može
njegov prvi dio također smatrajte kao dodatak, ali apsolutno obavezan, inače
ni premise ni glavni patos istraživačkih zaključaka neće razumjeti.
2. Koncept sistemskog pristupa koji je postavio autor knjige, kao što je već navedeno, ima
prije svega, ne formalno aksiomatski, već jasno ontološki, tjelesni
orijentacija, usmjerena na takvu formulaciju osnovnih pojmova i
obrasci sistematskog pristupa, koji bi omogućio najjasnije moguće
inženjerske, biološke i mentalne interpretacije i, prema tome, mogu biti
sredstvo ne samo za opisivanje i razumijevanje prirode stvarno postojećih sistema, već
i njihov dizajn, njihova implementacija na kompjuterima. S tim u vezi, knjiga
ne samo “sistemski”, već i zapravo “kibernetički”.
Važno je napomenuti da dijalektička priroda osnovnih zakona sistemologije,
predstavljeno u autorskom konceptu ne samo da se deklarira, već i demonstrira.
Na osnovu principa dijalektičkog razvoja, autor otkriva prirodu
smislena komunikacija između osobe i mašine, isti principi se koriste u
metodološki dio rada prilikom uvođenja početnih koncepata sistemskog pristupa.
Ovi koncepti se ne uzimaju jednostavno kao nedefinivi, kao što je to uobičajeno
konstrukcije aksiomatskih teorija, ali se razvijaju i produbljuju kako se one

koristiti retrospekcijom kroz koncepte izvedene iz prvog. Ovo
kreativna kuhinja, obično stidljivo skrivena u publikacijama, izgleda veoma
prirodno u rasuđivanju autora, koji stoji na poziciji dijalektike. To mu daje
priliku da dobije podršku u raspravi o pitanju koje su granice prihvatljivog
formalizovanje sistematskog pristupa i to u principu treba da se zasniva na računovodstvu
zakoni razvoja i zakoni kontradikcije, kroz čiju implementaciju se može stvarati
automat obdaren sposobnošću da izvede barem elementarne kreativne radnje,
bez kojih su planovi za smislenu komunikaciju između čoveka i mašine osuđeni na propast.
3. Treba napomenuti da ako čitalac ne dijeli originalna dijalektička uvjerenja
autora, onda zaključci izvedeni iz njih mogu djelovati neuvjerljivo. To
činjenica da je za rješavanje mnogih modernih kibernetičkih problema potrebno da
niko ne sumnja da bi automat mogao izvoditi kreativne radnje. Manje
očigledno je da se u tu svrhu ne treba baviti toliko razvojem čisto formalnog
algoritmi za ponašanje mašine, koliko načina da se traže načini za rešavanje problema usput
kibernizacija zakona dijalektičke kontradikcije.
Međutim, podsjetimo se s tim u vezi da je dobro poznata serija negativnih rezultata,
vezano za mogućnosti smislenih aksiomatskih teorija, sugeriše da
da se to ne može izvesti iz postulata takvih teorija
smisleno nešto veće od onoga što se podrazumijevalo u postulatima. Dakle
Dakle, stvaralački čin je u osnovi povezan sa izborom samih postulata
dostupno znanje. Ovaj izbor se vrši u okviru indukcije.
Kao što je pokazao L.V.Krušinski, koji proučava inteligenciju, u svojim najnovijim radovima
životinje, najjednostavniji kreativni čin životinje je ovo
korištenje postojećeg iskustva, što dovodi do identifikacije generalizacije tipa
postulirajući elementarni zakon prirode kao netrivijalnu hipotezu o
strukturu svijeta, koja nije eksplicitno sadržana u prethodnom iskustvu, ali
omogućavajući životinji da prikladnije komunicira sa vanjskim svijetom.
Ako suština induktivnog stvaralačkog čina leži u ovome, a mi, konstruišući
automatske mašine, želimo da njegov intelektualni nivo bude barem jednak
intelektualnom nivou životinje, onda je potrebno provjeriti da li je to moguće čisto
formalno, na osnovu početnih eksperimentalnih informacija, postulat
hipoteza, tj. iznijeti postulat koji otkriva netrivijalne informacije u originalu
podaci. Pozitivan ili negativan rezultat takve provjere ima

fundamentalni značaj za izbor načina rješavanja problema umjetnih
inteligencija.
Autor polazi od drugog, negativnog odgovora na ovo pitanje, formalno to nije
opravdavajući. Ali, kako se pokazalo vrlo nedavno, ovi, zasnovani na čisto
kvalitativnih razmatranja, autorove početne ideje su validne i donekle
u određenom smislu. K. F. Samokhvalov dokazao je teoremu, zaključci iz koje
dati direktan odgovor na pitanje o kojem se raspravlja.
4. Dakle, osnovna potreba da se ide dalje od formalne logike
kada se razvijaju principi induktivne generalizacije. bez kojih je nemoguće
smislena komunikacija čovjek-mašina trenutno ima strogu
opravdanje. Međutim, iz ovoga autor knjige uopće ne izvodi zaključak o osnovnom
uzaludnost upotrebe formalnog aparata u rješavanju najsloženijih
kibernetičkim zadacima. Naprotiv, jasno suprotstavljena telesnost,
supstancijalnost tehničkih i prirodnih sistema, netjelesnost njihovih strukturnih
modela, on jasno ocrtava niz pojava čiji opis i konstrukcija
može i treba da se oslanja, pre svega, na strogi formalni aparat logike i
matematike u savremenom razumijevanju ovih pojmova. Ovaj krug je duboko ograničen
prilagođeni sistemi.
Kroz ovu ključnu ideju za predstavljeni koncept suštine prilagodljivosti
autor pokazuje da sam koncept formalnog ima znatne rezerve ekspanzije bez
gubitak strogosti. S tim u vezi, zanimljivo je uočiti savremene pokušaje obogaćivanja
početni pojmovi o osnovama matematike, razvoj bogatiji i neobičniji
tradicionalno gledište teorija usmjereno na uzimanje u obzir ontologije proučavanog
entiteta.
5. Metodološka opravdanost i duboki značaj ovih radova za obogaćivanje
arsenal samih principa konstruisanja formalnih teorija jasno se tumači u
u smislu odnosa između formalizabilnog i neformalnog, razmatranog u
sistemološki koncept autora knjige. Veoma je važno da autor dokaže
fizičku ostvarivost onoga što nije dostupno strogoj formalizaciji, a zahvaljujući
tome se jasno suprotstavlja ne samo fizički objekat njegovom strukturnom modelu, već i
stvarni sadržaj u komunikaciji - bilo koji tehnički komunikativan
jedinicama, uprkos činjenici da su obje oličene u supstanci modela ili u
moždanih neurona. Ovo će omogućiti sistematizaciju početnih pojmova semiotike,

pokazuju unutrašnju vezu i temeljnu suprotnost između znaka i njegovog
značenja, između značenja i značenja, između mentalnog i jezičkog
procesi između prirodnih i vještačkih jezika.
Posebno je važan stav autora da je adaptacija dublja, čak
neživi, ​​fizički objekt, to je prirodniji
predispozicija za takvu interakciju sa spoljašnjim okruženjem, što može
smatrati, iako primitivnim, činom identifikacije, činom anticipacije
refleksije. S tim u vezi, ne može se ne prisjetiti riječi V. I. Lenjina da čak i mrtvi
priroda ima svojstvo blizu senzacije...
6. Želio bih da izrazim žaljenje zbog ovakvog obilja kardinalnih naučnih
problemi su obrađeni u tomu male knjige. Čini se da je ova okolnost
uskratio autoru mogućnost da iskoristi svoj karakterističan način predstavljanja svog
misli po kojima je poznat među slušaocima svojih govora na konferencijama i
kongresima, na seminarima i predavanjima, gdje ilustruje svaku svoju poziciju
vizuelni crteži i primeri iz raznih naučnih oblasti i industrija
tehnologije, iz društvenih i svakodnevnih situacija. S tim u vezi, želio bih to napomenuti
iznenađujuće širok spektar fenomena, na čiju analizu on primenjuje svoja načela
sistemološki koncept i iz rada na kojem identifikuje slabe karike ovoga
koncept, kontinuirano ga poboljšavajući. O tome se barem može suditi
publikacije autora, od kojih je samo mali dio dat u bibliografiji.
Ograničeni obim knjige jasno stavlja do znanja da je potrebno predstaviti
barem najvažnije aspekte predloženog koncepta sistemskog pristupa i
demonstriranje njegove izvedbe natjeralo je autora da napusti široku
pregled i analiza drugih koncepta sistema.
Termin "kibernetika" je prvobitno u naučni opticaj uveo Ampere, koji je u svojoj
temeljno djelo "Esej o filozofiji nauka" (1834-1843) definiralo je kibernetiku
kao nauka o vlasti, koju treba da obezbedi građanima
razne pogodnosti. A u savremenom shvatanju - kao nauka o opštem
obrasci procesa upravljanja i prenosa informacija u mašinama, život
.
organizama i društva, prvi je predložio Norbert Wiener 1948

Uključuje proučavanje povratnih informacija, crnih kutija i izvedenih koncepata kao što su
kao kontrola i komunikacija u živim organizmima, mašinama i organizacijama,

uključujući samoorganizacije. Fokusira se na to kako nešto (digitalno,
mehanički ili biološki) obrađuje informacije, reaguje na nju i
mijenja ili se može mijenjati kako bi se bolje ispunila prva dva
zadataka. Staford Beer je to nazvao naukom o efikasnoj organizaciji, a Gordon
Passcraz je proširio definiciju kako bi uključio tokove informacija "iz bilo kojeg izvora",
počevši od zvijezda i završavajući s mozgom.
Primjer kibernetičkog mišljenja. S jedne strane, kompanija se razmatra
kvaliteta sistema u okruženju. S druge strane, kibernetički
kontrola se može predstaviti kao sistem.
Više filozofska definicija kibernetike, koju je 1956. predložio L.
Couffignal, jedan od pionira kibernetike, opisuje kibernetiku kao
"umetnost obezbeđivanja delotvornosti akcije." Nova definicija je bila
predložio Luis Kaufman (engleski): „Kibernetika je proučavanje sistema i
procesi koji su u interakciji sami sa sobom i sami sebe reprodukuju.”
Kibernetičke metode se koriste za proučavanje slučaja djelovanja nekog sistema
u okruženju izaziva neku promjenu u okruženju, a ta promjena
pojavljuje se na sistemu putem povratne sprege, što uzrokuje promjene u načinu
ponašanje sistema. Proučavanje ovih „petlji povratnih informacija“ je ono u čemu leže metode.
kibernetika.
Savremena kibernetika nastala je kao interdisciplinarno istraživanje, kombinovanje
oblasti sistema upravljanja, električna teorija
kola, mašinstvo, matematičko modeliranje, mate
logika, evolucijska biologija, neuronauka, antropologija. Ove studije su se pojavile
1940. godine, uglavnom u radovima naučnika o tzv. Macy konferencije.

Ostale oblasti istraživanja koje su uticale na razvoj kibernetike ili su bile pod uticajem
njen uticaj - teorija upravljanja, teorija igara, teorija
sistemi (matematički ekvivalent kibernetike), psihologija (posebno neuropsiholozi
Ja, biheviorizam, kognitivna psihologija) i filozofija.
Sfera kibernetike[uredi | uredi wikitekst]
Predmet kibernetike su svi kontrolisani sistemi. Sistemi koji ne mogu biti
menadžment, u principu, nisu predmet proučavanja kibernetike. kibernetika
uvodi koncepte kao što su kibernetički pristup, kibernetički sistem.
Kibernetički sistemi se posmatraju apstraktno, bez obzira na njihov
materijalne prirode. Primjeri kibernetičkih sistema - automatski regulatori
u tehnologiji, kompjuterima, ljudskom mozgu, biološkim populacijama, ljudskom društvu.
Svaki takav sistem je skup međusobno povezanih objekata
(elementi sistema) sposobni za percepciju, pamćenje i obradu
informacije i razmjenjivati ​​ih. Kibernetika razvija opšte principe
stvaranje kontrolnih sistema i sistema za automatizaciju mentalnog rada. Basic
tehnička sredstva za rješavanje kibernetičkih problema - kompjuteri. Dakle, pojava
kibernetika kao samostalna nauka (N. Wiener, 1948) povezuje se sa stvaranjem 40-ih godina.
XX vijek ovih mašina, te razvoj kibernetike u teoriji i praksi
aspekti - sa napretkom tehnologije elektronskog računanja.
Kibernetika je interdisciplinarna nauka. Nastala je na raskrsnici matematike,
logika, semiotika, fiziologija, biologija, sociologija. Karakteriše ga analiza i identifikacija
opšti principi i pristupi u procesu naučnog saznanja. Najznačajnije
Teorije koje objedinjuje kibernetika su sljedeće [izvor nije naveden 156 dana]:
 Teorija prijenosa signala
 Teorija upravljanja
 Teorija automata
 Teorija odlučivanja
 Sinergetika
 Teorija algoritama
 Prepoznavanje uzoraka
 Optimalna teorija upravljanja

 Teorija sistema učenja
Osim alata za analizu, kibernetika koristi moćne alate
za sintezu rješenja datih alatima matematičke analize, linearni
algebra, geometrija konveksnih skupova, teorija vjerovatnoće i matematika
statistike, kao i primijenjenije oblasti matematike, npr
kao što su matematičko programiranje, ekonometrija, informatika i dr
derivativne discipline.
Uloga kibernetike je posebno velika u psihologiji rada i njenim granama,
kao inženjerska psihologija i psihologija stručnog obrazovanja.
Kibernetika je nauka o optimalnoj kontroli složenih dinamičkih sistema,
proučavanje opštih principa kontrole i komunikacije koji su u osnovi rada većine
sistema različite prirode - od projektila za navođenje i
brzi kompjuteri za složeni život
Kontrola je prenos kontrolisanog sistema iz jednog stanja u drugo
kroz ciljani uticaj menadžera. Optimalna kontrola -
ovo je prelazak sistema u novo stanje uz ispunjenje nekog kriterijuma
optimalnost, na primjer, minimiziranje troškova vremena, rada, tvari ili
energije. Složeni dinamički sistem je svaki stvarni objekat, elementi
koje se proučavaju do tako visokog stepena međusobne povezanosti i mobilnosti da se menjaju
jedan element dovodi do promjena u drugim.
Smjerovi[uredi | uredi wikitekst]
Kibernetika je raniji, ali još uvijek korišten opći termin za mnoge
stavke. Ovi predmeti se takođe protežu u oblasti mnogih drugih nauka, ali
kombinovano u proučavanju upravljanja sistemima.
Čista kibernetika[uredi | uredi wikitekst]
Čista kibernetika, ili kibernetika drugog reda, proučava sisteme upravljanja kao
koncept, pokušavajući otkriti njegove osnovne principe.

ASIMO koristi senzore i inteligentne algoritme kako bi izbjegao prepreke
i kreni se uz stepenice
 Vještačka inteligencija
 Kibernetika drugog reda
 Kompjuterski vid
 Sistemi upravljanja
 Pojava
 Organizacije koje uče
 Nova kibernetika

Interakcije teorije glumaca
 Teorija komunikacije
U biologiji[uredi | uredi wikitekst]
Kibernetika u biologiji - proučavanje kibernetičkih sistema u biologiji
organizme, prvenstveno fokusirajući se na to kako se životinje prilagođavaju
njihovo okruženje i kako se informacije u obliku gena prenose s generacije na generaciju
generacije. Postoji i drugi pravac - kiborzi.
Termička slika hladnokrvne tarantule na toplokrvnoj ljudskoj ruci
 Bioinženjering
 Biološka kibernetika
 Bioinformatika
 Bionika
 Medicinska kibernetika

 Neurokibernetika
 Homeostaza
 Sintetička biologija
 Sistemska biologija
Teorija složenih sistema[uredi | uredi wikitekst]
Teorija složenih sistema analizira prirodu složenih sistema i razloge za to
na osnovu njihovih neobičnih svojstava.
Metoda za modeliranje složenog adaptivnog sistema
 Složen adaptivni sistem
 Složeni sistemi
 Teorija složenih sistema
U računarstvu[uredi | uredi wikitekst]
U računarstvu se za upravljanje koriste kibernetičke metode
uređaje i analizu informacija.
 Robotika
 Sistem podrške odlučivanju
 Ćelijski automat
 Simulacija
 Kompjuterski vid
 Vještačka inteligencija
 Prepoznavanje objekata

 Sistem upravljanja
 ACS
U inženjerstvu[uredi | uredi wikitekst]
Kibernetika u inženjerstvu se koristi za analizu grešaka sistema, u
gdje male greške i nedostaci mogu dovesti do kvara cijelog sistema.
Vještačko srce, primjer biomedicinskog inženjeringa.
 Adaptivni sistem
 Ergonomija
 Biomedicinsko inženjerstvo
 Neurokompjuterstvo
 Tehnička kibernetika
 Sistemski inženjering
U ekonomiji i menadžmentu[uredi | uredi wikitekst]
 Kibernetička kontrola
 Ekonomska kibernetika
 Operativno istraživanje
U matematici[uredi | uredi wikitekst]
 Dinamički sistem
 Teorija informacija
 Teorija sistema

U psihologiji[uredi | uredi wikitekst]
 Psihološka kibernetika
U sociologiji[uredi | uredi wikitekst]
 Memetici
 Socijalna kibernetika
Istorija[uredi | uredi wikitekst]
U staroj Grčkoj, termin "kibernetika", koji je prvobitno značio umjetnost kormilara,
počeo se upotrebljavati figurativno za označavanje umjetnosti upravljanja državom
vođa grada. U tom smislu, on je posebno
koristio Platon u svojim Zakonima.
Riječ fr. "cybernétique" je korišteno u skoro svom modernom značenju 1834. godine
godine francuski fizičar i sistematizator nauka Andre Ampere (francuski AndréMarie
Amper, 1775-1836), da označi nauku upravljanja u svom klasifikacijskom sistemu
ljudsko znanje:
Andre Marie Ampere
„KIBERNETIKA. Odnosi između ljudi i proučavanih ljudi<…>prethodni
nauke su samo mali dio predmeta o kojima bi država trebala voditi računa; njegov
održavanje javnog reda, izvršenje
zakone, pravednu raspodelu poreza, izbor ljudi koje treba
postavljati na radna mjesta, i sve što doprinosi poboljšanju društvenih uslova.
Mora stalno birati između različitih mjera za koje su najpogodnije
postizanje cilja; i samo kroz dubinsko proučavanje i poređenje različitih elemenata,

za ovaj izbor mu je omogućilo poznavanje svega što ima veze sa nacijom, to
sposoban da vlada u skladu sa svojim karakterom, običajima, sredstvima
postojanje prosperiteta kroz organizaciju i zakone koji mogu poslužiti kao opšti
pravila ponašanja i kojima se rukovodi u svakom posebnom slučaju. dakle,
tek nakon svih nauka koje se bave ovim raznim objektima treba da stavimo ovu,
o kojoj sada govorimo i koju ja, po tuđim riječima, zovem kibernetika.
grčki
umjetnost plovidbe, koristili su se i sami Grci u neuporedivo više
široko značenje umjetnosti upravljanja općenito.”
; je riječ usvojena na početku u užem smislu za značenje
κυβερνητιχη
James Watt
Postao je prvi veštački automatski regulacioni sistem, vodeni sat
izumio starogrčki mehaničar Ktesibije. Iz njegovog vodenog sata, voda je tekla
izvora, kao što je stabilizirajući rezervoar, u bazen, a zatim iz bazena u
satni mehanizmi. Ctesibiusov uređaj koristio je tok u obliku konusa za kontrolu
nivo vode u vašem rezervoaru i prilagođavanje brzine protoka vode u skladu s tim,
održavati konstantan nivo vode u rezervoaru, tako da nije
prelivena, niti isušena. Bio je to prvi vještački istinski automatski
samoregulirajući uređaj koji nije zahtijevao nikakav vanjski
smetnje između povratnih i kontrolnih mehanizama. Iako su oni
Naravno, oni ovaj koncept nisu nazivali naukom o kibernetici (smatrali su ga
oblasti inženjerstva), Ktesibija i drugih antičkih majstora kao što je Heron
Aleksandrijski ili kineski naučnik Su Song smatra se jednim od prvih koji je proučavao
kibernetički principi. Proučavanje mehanizama u mašinama sa korektivnom
povratne informacije datiraju iz kraja 18. vijeka, kada je Jamesova parna mašina

Watt je bio opremljen kontrolnim uređajem, centrifugalnim reverznim regulatorom
komunikacija u cilju kontrole brzine motora. A. Wallace je opisao povratne informacije
kao "neophodan za princip evolucije" u njegovom čuvenom delu iz 1858. Godine 1868
godine, veliki fizičar J. Maxwell objavio je teorijski članak o menadžerima
uređaja, bio je jedan od prvih koji je razmotrio i poboljšao principe
samoregulirajući uređaji.Ya. Uexküll je u svom radu koristio mehanizam povratne sprege
modeli funkcionalnog ciklusa (njemački: Funktionskreis) za objašnjenje ponašanja
životinje.
XX vijek[uredi | uredi wikitekst]
Moderna kibernetika je počela 1940-ih kao interdisciplinarna oblast
istraživanja koja kombinuju upravljačke sisteme, teoriju električnih kola,
mašinstvo, logičko modeliranje, evoluciona biologija,
neurologija. Elektronski kontrolni sistemi započinju posao inženjera zvona
Laboratorije Harolda Blacka 1927. o korištenju negativnih povratnih informacija
kontrola pojačala. Ideje se također odnose na Ludwigovo biološko djelo
von Bertalanffy u općoj teoriji sistema.
Uključene su rane primjene negativne povratne sprege u elektronskim kolima
kontrola artiljerijskih instalacija i radarskih antena tokom Drugog
svjetski rat. Jay Forrester, diplomirani student u Laboratoriji za servomehanizam
na MIT-u, radeći za vrijeme Drugog svjetskog rata
rat sa Gordonom S. Brownom za poboljšanje elektronskih kontrolnih sistema
za američku mornaricu, kasnije primijenio ove ideje na javne organizacije,
kao što su korporacije i gradovi kao prvobitni organizator Industrijske škole
menadžment Massachusetts Institute of Technology na MIT Sloan School of
Menadžment (engleski). Forrester je poznat i kao osnivač sistemske dinamike.
W. Deming, guru totalnog upravljanja kvalitetom, u čiju čast je Japan osnovan 1950. godine
osnovao svoju glavnu industrijsku nagradu, 1927. godine bio je mlad
specijalista u Bell Telephone Labs i možda je na njega utjecao rad u
polje analize mreže). Deming je "sisteme razumevanja" učinio jednim od četiri
stubovi onoga što je opisao kao duboko znanje u svojoj knjizi Nova ekonomija.
Knjiga koja se recenzira:
Nove pravce razvoja u fiziologiji i njihov odnos

s kibernetikom // Filozofska pitanja fiziologije više živčane aktivnosti i
Psihologija, M., Izdavačka kuća Akademije nauka SSSR-a, 1963.
* * *
Strana 499.
Nakon glavnih izlaganja održana je rasprava o izvještajima.
“Rasprava o izvještajima. Da. Frolov (Moskva)...".
* * *
Stranica 501.
„...Istovremeno su moji drugovi u Pavlovskoj školi zaboravili da su ovi revers ili kružni
veze su otvorene već duže vrijeme. Možete čitati o njima
u divnom djelu A.F. Samoilova o kružnim ritmovima uzbuđenja, počevši od
elementarno kružno kretanje nervnog procesa u uzorku srca kornjače i
završava komunikacijom koja se odvija između govornika
i publiku. Inverzne fiziološke i psihološke veze su prototip
povratne informacije u kibernetičkim uređajima. kibernetika
nema ni najmanju predstavu o raznolikosti i snazi ​​ovih veza, koje
čine suštinu naše komunikacije u kulturnom i društvenom okruženju...”
I dalje je prelepa i što je najvažnije tačno rečeno:
„...Kibernetika nema ni najmanju predstavu o raznolikosti i moći ovih
veze koje čine suštinu naše komunikacije
u kulturnom, društvenom okruženju...”
Imajte na umu da je A.F. Samoilov je umro 1930. Ovaj rad je objavljen u
1930
Stoga je njegov rad bio mnogo godina ispred rada svih njegovih sljedbenika koji su postali
otkrića pripisuju sebi, uključujući P.K. Anokhin i N.A. Bernstein.
Vrijedi napomenuti da u živom organizmu ne može postojati povratna informacija po definiciji,
pošto je još uvek nejasno šta je primarno, a šta sekundarno u živom organizmu. Ako uzmemo u obzir
da je prijem primarni, onda je povratna informacija eferentni signali, a ako
Ako pretpostavimo da je snaga volje primarna, onda su aferentni signali obrnuti.

sam A.F Samojlov je, kao fiziolog, dublje razumio ove procese i
stoga nije mogao uvesti koncept povratne sprege, jer je to netačno za živi organizam.
U njegovom konceptu „začaranog kruga refleksne aktivnosti“ nema ni početka ni
kraj, a to je upravo ono što određuje njegovu fiziologiju za živi organizam u cjelini.
Pojavili su se brojni radovi u srodnim oblastima. Godine 1935. Rus
fiziolog P.K.Anohin objavio je knjigu u kojoj je koncept inverznog
veze („obrnuta aferentacija“). Istraživanja su nastavljena, posebno u tom području
matematičko modeliranje regulatornih procesa, a dva ključna članka su bila
objavljeno 1943. Ti radovi su bili Ponašanje, Svrha i Teleologija.
Norbert Wiener i J. Bigelow (engleski) i rad “The Logical Calculus of Ideas,
koji se odnosi na nervnu aktivnost" W. McCulloch i W. Pitts (engleski).
Kibernetika kao naučna disciplina zasnivala se na radovima Wienera, McCullocha i
drugi kao što su W. R. Ashby i W. G. Walter.
Walter je bio jedan od prvih koji je napravio autonomne robote za pomoć u istraživanju
ponašanje životinja. Uz Veliku Britaniju i SAD, važno je geografsko područje
lokacija rane kibernetike bila je Francuska.
U proljeće 1947. Wiener je pozvan na kongres o harmonskoj analizi,
održana u Nancyju, Francuska. Događaj je organizovala grupa
matematičari Nicolas Bourbaki, gdje je matematičar S. Mandelbroit odigrao glavnu ulogu.
Norbert Wiener
Tokom boravka u Francuskoj, Wiener je dobio ponudu da napiše esej
na temu objedinjavanja ovog dijela primijenjene matematike koja se nalazi u studiji

Brownovo kretanje (tzv. Wiener proces) i u teoriji telekomunikacija.
Sljedećeg ljeta, već u Sjedinjenim Državama, koristio je izraz "kibernetika"
kao naslov naučne teorije. Ovo ime je trebalo da opiše studiju
“svrsishodnih mehanizama” i populariziran je u knjizi “Kibernetika, ili
kontrola i komunikacija u životinjama i mašinama" (Hermann & Cie, Pariz, 1948). IN
U Velikoj Britaniji, Ratio Club je formiran oko toga 1949. godine.
Početkom 1940-ih John von Neumann, poznatiji po svom radu u matematici i
informatike, napravio je jedinstven i neobičan dodatak svijetu kibernetike:
koncept ćelijskog automata i "univerzalni konstruktor"
(samoreproducirajući ćelijski automat). Rezultat ovih varljivo jednostavan
misaoni eksperimenti postali su precizan koncept samoreprodukcije, koji
kibernetika prihvaćena kao osnovni koncept. Koncept da ista svojstva
genetska reprodukcija primijenjena na društveni svijet, žive ćelije pa čak
kompjuterski virusi, je još jedan dokaz univerzalnosti
kibernetsko istraživanje.
Wiener je popularizirao društvene implikacije kibernetike povlačeći analogije između njih
automatski sistemi (kao što je varijabilna parna mašina) i
ljudske institucije u svom bestseleru “Kibernetika i društvo” (The Human
Upotreba ljudskih bića: kibernetika i društvo HoughtonMifflin, 1950.).
Jedan od glavnih istraživačkih centara tih dana bio je Biološki kompjuter
laboratorija na Univerzitetu u Ilinoisu, koja već skoro 20 godina počinje
od 1958. na čelu sa H. Försterom.
Kibernetika u SSSR-u[uredi | uredi wikitekst]
Glavni članak: Kibernetika u SSSR-u
Razvoj kibernetike u SSSR-u započeo je 1940-ih.
Izdanje Filozofskog rječnika iz 1954. uključivalo je opis kibernetike kao
"reakcionarna pseudonauka"
U 60-im i 70-im godinama, kibernetika, i tehnička i ekonomska, već je postala
napraviti veliku opkladu.
Pad i ponovno rođenje[uredi | uredi wikitekst]
U proteklih 30 godina, kibernetika je prošla kroz uspone i padove, postajući sve više
značajniji u oblasti proučavanja veštačke inteligencije i bioloških

mašinski interfejs (odnosno kiborzi), ali, izgubivši podršku, izgubio
smjernice za dalji razvoj.
Francisco Varela
Stuart A. Umpleby
Sedamdesetih godina prošlog vijeka pojavila se nova kibernetika u raznim oblastima, a posebno u biologiji.
Neki biolozi su bili pod uticajem kibernetičkih ideja (Maturana i Varela,
1980; Varela, 1979; (Atlan (engleski), 1979), "shvatio da kibernetičke metafore
programi na kojima se zasnivala molekularna biologija
koncept autonomije nemoguće za živo biće. Dakle, ovo
mislioci su morali da izmisle novu kibernetiku, prikladniju za
organizacije koje čovječanstvo otkriva u prirodi – organizacije koje to nisu
izmislio sam." Mogućnost na koju je ova nova kibernetika primjenjiva
društveni oblici organizacija ostali su predmet teorijske debate od 1980-ih
godine.
U privredi, u okviru Cybersyn projekta, pokušali su da uvedu kibernetiku
komandna ekonomija u Čileu početkom 1970-ih. Eksperiment je bio
zaustavljena kao rezultat puča 1973. godine, oprema je uništena.

U 1980-im, nova kibernetika, za razliku od svoje prethodnice, bila je zainteresirana za
„interakcija autonomnih političkih ličnosti i podgrupa, kao i praktičnih i
refleksivna svijest o objektima koji stvaraju i reproduciraju strukturu
političke zajednice. Glavni stav je razmatranje rekurzivnosti, ili
samozavisnost političkih govora, kako u odnosu na izražavanje političkog
svijesti i na načine na koje se sistemi stvaraju na osnovu njih samih."
Holandski sociolozi Geyer i Van der Zouwen (Nizozemci) su 1978. identifikovali
niz karakteristika nove kibernetike u nastajanju. „Jedna od karakteristika novog
kibernetika je u tome što informacije smatra konstruisanim i
obnavlja čovjek u interakciji sa okolinom. Ovo
pruža epistemološku osnovu nauke kada se posmatra iz perspektive
posmatrač. Još jedna karakteristika nove kibernetike je njen doprinos prevazilaženju
problemi redukcije (kontradikcije između makro i mikroanalize). Dakle, ovo je
povezuje pojedinca sa društvom." Gejer i van der Zouven su to takođe primetili
„Prelazak sa klasične kibernetike na novu kibernetiku dovodi do prelaska sa
klasičnih problema na nove probleme. Ove promjene u razmišljanju uključuju,
između ostalog, promjene sa naglaska na kontrolisanom sistemu na kontrolu i faktor,
koji usmjerava upravljačke odluke. I novi naglasak na komunikaciji između
nekoliko sistema koji pokušavaju da kontrolišu jedan drugog."
Nedavni napori u proučavanju kibernetike, kontrolnih sistema i ponašanja u okruženju
promjenama, kao iu srodnim oblastima kao što je teorija igara (grupna analiza
interakcije), sisteme povratnih informacija u evoluciji i istraživanja metamaterijala
(materijali sa svojstvima atoma i njihovih komponenti izvan njutnovskih svojstava),
dovele su do oživljavanja interesovanja za ovu sve relevantniju oblast.
Poznati naučnici[uredi | uredi wikitekst]
 Amper, Andre Marie (1775-1836)
 Vyshnegradsky, Ivan Alekseevich (1831-1895)
 Norbert Wiener (1894-1964)
 William Ashby (1903-1972)
 Heinz von Foerster (1911-2002)
 Claude Shannon (1916-2001)
 Gregory Bateson (1904-1980)

 Klaus, Georg (1912-1974)
 Kitov, Anatolij Ivanovič (1920-2005)
 Ljapunov Aleksej Andrejevič (1911-1973)
 Gluškov Viktor Mihajlovič (1923-1982)
 Beer Stafford (1926-2002)
 Berg, Aksel Ivanovič (1893-1979)
 Kuzin, Lev Timofejevič (1928-1997)
 Povarov, Gelij Nikolajevič (1928-2004)
 Pupkov, Konstantin Aleksandrovič (rođen 1930.)
 Tihonov, Andrej Nikolajevič (1906-1993)
1.9. Osnove umjetne inteligencije
1.9.1. Pravci istraživanja i razvoja u oblasti veštačkog
inteligencija

Naučni pravac vezan za mašinsko modeliranje čoveka
intelektualne funkcije - umjetna inteligencija - pojavile su se sredinom 1960-ih.
Njegov nastanak direktno je povezan sa opštim pravcem naučnog i
inženjerske misli, koja je dovela do stvaranja kompjutera – pravac ka
automatizacija ljudske intelektualne aktivnosti, dakle kompleksna
intelektualni zadaci, koji se smatraju prerogativom čovjeka, rješavani su tehničkim
znači.
Govoreći o složenim intelektualnim zadacima, treba shvatiti da samo 300–400 god.
prije je množenje velikih brojeva klasifikovano kao takvo; međutim, naučivši u detinjstvu
pravilo množenja stupaca, savremeni ljudi ga koriste bez razmišljanja, i
Ovaj zadatak danas teško da predstavlja “intelektualni izazov”. Očigledno u krugu
To bi trebalo da uključuje one zadatke za koje ne postoje "automatska" pravila,
one. ne postoji algoritam (čak i vrlo složen) praćenje kojeg uvijek vodi do
uspjeh. Ako, da bi se riješio problem za koji nam se danas čini da je povezan

određenom krugu, u budućnosti će smisliti jasan algoritam, prestaće da bude „komplikovano
intelektualac."
Unatoč svojoj kratkoći, povijest istraživanja i razvoja umjetnih
inteligencija se može podijeliti u četiri perioda:
1960-ih – ranih 1970-ih – istraživanja o „općoj inteligenciji“, pokušaji
model opštih intelektualnih procesa karakterističnih za ljude: slobodan
dijalog, rješavanje raznih problema, dokazivanje teorema, razne igre (npr
dame, šah itd.), pisanje poezije i muzike itd.;
1970-ih – istraživanje i razvoj pristupa formalnom predstavljanju znanja
i zaključci, pokušaji da se intelektualna aktivnost svede na formalnu
transformacije znakova, stringova itd.;
od kasnih 1970-ih – razvoj specijalizovanih za pojedine predmetne oblasti
oblasti inteligentnih sistema od praktičnog značaja
(ekspertski sistemi);
1990-ih – frontalni rad na kreiranju kompjutera pete generacije koji su izgrađeni
principe koji nisu konvencionalni mainframe računari i softver za njih.
Trenutno je “vještačka inteligencija” moćna grana računarske nauke, koja ima
kako fundamentalni, čisto naučni principi, tako i visoko razvijeni tehnički,
primijenjeni aspekti koji se odnose na kreiranje i rad obradivih uzoraka
inteligentni sistemi. Značaj ovih radova za razvoj informatike je toliki
Pojava nove pete generacije računara zavisi od njihovog uspeha. Upravo ovaj
kvalitativni skok u sposobnostima kompjutera - njihovo sticanje u potpunosti
intelektualne sposobnosti – čini osnovu za razvoj računarske tehnologije u
perspektiva i znak je nove generacije kompjuterske tehnologije.
Svaki problem za koji nije poznat algoritam rješenja može se klasificirati kao
umjetna inteligencija. Primjeri uključuju igranje šaha, medicina
dijagnostika, prevođenje teksta na strani jezik - za rješavanje ovih problema nije
Postoje jasni algoritmi. Još dvije karakteristične osobine umjetnih problema
inteligencija: dominantna upotreba simboličkih (a ne numeričkih) informacija
oblik i prisustvo izbora između mnogih opcija u uslovima neizvesnosti.
Navedimo neke oblasti u kojima se koriste umjetne metode
inteligencija.

1. Percepcija i prepoznavanje obrazaca (zadatak koji je ranije spomenut kao jedan od
pravci kibernetike). Sada to ne znači samo tehničke sisteme,
opažanje vizuelnih i audio informacija, njihovo kodiranje i postavljanje
pamćenje, te problemi razumijevanja i logičkog zaključivanja tokom obrade
vizuelne i govorne informacije.
2. Matematika i automatsko dokazivanje teorema.
3. Igre. Kao i formalni sistemi u matematici, igre karakterizira konačno
broj situacija i jasno definisana pravila, od samog početka istraživanja
umjetna inteligencija je privukla pažnju kao poželjna meta
istraživanja, poligon za primenu novih metoda. Inteligentni sistemi
nivo osobe prosečnih sposobnosti je, međutim, brzo dostignut i prevaziđen
Nivo najboljih specijalista još nije dostignut. Ispostavilo se da su poteškoće koje su se pojavile
karakteristično za mnoge druge situacije, jer u njihovim „lokalnim“ akcijama
osoba koristi svu količinu znanja koje je akumulirala tokom svog života.
4. Rješavanje problema. U ovom slučaju, koncept "rješenja" se koristi u širem smislu,
odnosi se na formulaciju, analizu i prezentaciju konkretnih situacija, i
U pitanju su zadaci koji se javljaju u svakodnevnom životu, tj
rješenja koja zahtijevaju domišljatost i sposobnost generalizacije.
5. Razumijevanje prirodnog jezika. Ovdje je zadatak analizirati i generirati tekstove, njihove
unutrašnja reprezentacija, identifikacija znanja neophodnih za razumijevanje tekstova.
Poteškoće proizilaze, posebno, iz činjenice da je značajan dio informacija u običnom
dijalog nije izražen definitivno i jasno. Rečenice prirodnog jezika imaju:
nepotpunost;
nepreciznost;
neodređenost;
gramatička neispravnost;
redundantnost;
zavisno od konteksta;
dvosmislenost.
Međutim, takva svojstva jezika, koja su rezultat viševekovne istorije
razvoja, služe kao uslov za funkcionisanje jezika kao univerzalnog sredstva

komunikacija. U isto vrijeme, razumijevanje rečenica prirodnog jezika od tehničkog
sisteme je teško modelirati zbog ovih karakteristika jezika (i
pitanje šta je „razumijevanje“ treba razjasniti). U tehničkim sistemima
Mora se koristiti formalni jezik, značenje rečenica je jasno
određeno njihovim oblikom. Prevođenje sa prirodnog na formalni jezik je
netrivijalan zadatak.
6. Identifikacija i prezentacija specijalističkog znanja u ekspertnim sistemima. Ekspert
sistemi – inteligentni sistemi koji su apsorbovali znanje stručnjaka za
specifične vrste aktivnosti - od velike su praktične važnosti, sa uspjehom
koriste se u mnogim poljima kao što su kompjuterski potpomognuti dizajn,
medicinska dijagnostika, hemijska analiza i sinteza itd.
U svim ovim pravcima glavne poteškoće se odnose na činjenicu da se
shvaćeni su principi ljudske intelektualne aktivnosti, proces prihvatanja
odluke i rješavanje problema. Ako je 1960-ih. Pitanje „može
kompjuter da misli“, sada se pitanje postavlja drugačije: „da li je osoba dovoljno dobra
razumije kako razmišlja kako bi prenio ovu funkciju na kompjuter"? zbog ovoga,
rad u oblasti veštačke inteligencije usko je vezan za istraživanje o
relevantne sekcije psihologije, fiziologije, lingvistike.

1.9.2. Zastupljenost znanja u sistemima vještačke inteligencije

Glavna karakteristika inteligentnih sistema je da su zasnovani na
znanja, odnosno na nekom njegovom predstavljanju. Pod znanjem se ovde podrazumeva
pohranjene (koristeći kompjuter) informacije formalizovane u skladu sa određenim
pravila koja računar može koristiti za logičko zaključivanje prema određenim
algoritmi. Najosnovniji i najvažniji problem je opis
semantički sadržaj problema najšireg spektra, tj. treba koristiti
takav oblik opisa znanja koji bi garantovao njegovu ispravnu obradu
sadržaj prema nekim formalnim pravilima. Ovaj problem se zove problem
reprezentacije znanja.
Trenutno postoje tri najpoznatija pristupa predstavljanju znanja
sistemi o kojima se raspravljalo:
proizvodni i logički modeli;

Semantičke mreže;
okviri.
Pravila proizvodnje su najjednostavniji način predstavljanja znanja. Zasnovan je na
predstavljanje znanja u obliku pravila strukturiranih prema obrascu
"AKO ONDA." “IF” dio pravila naziva se premisa, a dio “ONDA” naziva se zaključak ili
akcija. Opšte pravilo je napisano kako slijedi:

AKO A1, A2, ..., An ONDA B.

Ova notacija znači da „ako su svi uslovi od A1 do An tačni, onda B
je takođe tačno" ili "kada su svi uslovi od A1 do An zadovoljeni, onda
akcija B."
Uzmite u obzir pravilo

IF
(1) y je otac x

(2) z je brat od y
TO
z je x-ov ujak

U ovom slučaju, broj uslova je n = 2.
U slučaju n = 0, proizvodnja opisuje znanje koje se sastoji samo od zaključivanja, tj. činjenica.
Primjer takvog saznanja je činjenica “atomska masa željeza je 55.847 amu.”
Varijable x, y i z pokazuju da pravilo sadrži neko univerzalno, opšte
znanje apstrahirano iz specifičnih vrijednosti varijabli. Ista varijabla
koristi se u izlazu i raznim slanjima, može primiti različite specifične
značenja.

Znanje predstavljeno u inteligentnom sistemu čini bazu znanja. IN
Inteligentni sistem takođe uključuje izlazni mehanizam koji omogućava, na osnovu
znanja dostupna u bazi znanja, steći nova znanja.
Hajde da ilustrujemo ono što je rečeno. Pretpostavimo da u bazi znanja, zajedno sa gore navedenim
Pravilo takođe sadrži sljedeća znanja:

IF
(1) z je otac x

(2) z je otac y

(3) x i y nisu ista osoba

x i y su braća
TO
Ivan je Sergejev otac

Ivan je Pavlov otac

Sergej je Nikolajev otac

Iz prezentiranog znanja može se formalno izvesti zaključak da Pavle jeste
Ujak Nikolaj. U ovom slučaju, pretpostavlja se da su identične varijable uključene u različite
pravila, nezavisna; objekti čija imena ove varijable mogu primiti nisu ni na koji način
međusobno povezani. Formalizirana procedura koja koristi uparivanje (sa
koji utvrđuje da li se dva oblika reprezentacije međusobno poklapaju, uključujući
zamjena mogućih vrijednosti varijabli), pretraživanje u bazi znanja, povratak na original
stanje kada je pokušaj rješenja neuspješan, predstavlja mehanizam zaključivanja.

Jednostavnost i jasnoća prezentiranja znanja uz pomoć proizvoda odredila je to
primjena u mnogim sistemima, koji se nazivaju proizvodni sistemi.
Semantička mreža je drugačiji pristup predstavljanju znanja na kojem se zasniva
opisivanje koncepata (entiteta) pomoću tačaka (čvorova) i odnosa između njih sa
koristeći lukove na ravni. Semantičke mreže su sposobne da predstavljaju strukturu znanja
u svoj složenosti njihovih odnosa, da povežu objekte i njihova svojstva u jednu cjelinu. IN
Kao primjer, dio semantičke mreže koji se odnosi na
koncept “voća” (slika 1.41).

Rice. 1.41. Primjer semantičkog weba

Okvirni sistem ima sva svojstva svojstvena jeziku predstavljanja znanja, i
istovremeno predstavlja novi način obrade informacija. Riječ "okvir" u
u prijevodu s engleskog znači „okvir“. Okvir je jedinica prezentacije
znanje o objektu, koje se može opisati određenim skupom pojmova i
entiteta. Okvir ima određenu unutrašnju strukturu, koja se sastoji od seta
elementi koji se nazivaju slotovi. Svaki slot je, zauzvrat, predstavljen
specifičnu strukturu podataka, proceduru ili može biti povezana s drugim okvirom.

Okvir: ljudski

Klasa
Životinja
Strukturni element
Glava, vrat, ruke, noge,...
Visina
30–220 cm
Težina

1–200 kg
Rep
br
Analogni okvir
Majmun

Postoje i drugi, manje uobičajeni pristupi predstavljanju znanja
inteligentni sistemi, uključujući i hibridne, zasnovane na već opisanim pristupima.
Nabrojimo glavne karakteristike predstavljanja mašinskih podataka.
1. Interna interpretabilnost. Osigurava se da svaka informacija
jedinice njegovog jedinstvenog imena, po kojima sistem pronalazi da odgovori
zahtjeva u kojima se pominje ovo ime.
2. Struktura. Informacijske jedinice moraju imati fleksibilnu strukturu,
za njih mora biti ispunjen "princip matrjoške", tj. gniježđenje nekih
informacijske jedinice u druge, mora biti moguće uspostaviti
odnosi kao što su „dio – cjelina”, „rod – vrsta”, „element – ​​klasa” između pojedinca
informacione jedinice.
3. Povezivanje. Mora biti moguće uspostaviti veze između različitih
tip između informacijskih jedinica koje bi karakterizirale odnose
između informacionih jedinica. Ovi odnosi mogu biti ili deklarativni
(opisni) i proceduralni (funkcionalni).
4. Semantička metrika. Omogućava vam da uspostavite situacionu blizinu
informacione jedinice, tj. veličina asocijativne veze između njih. Takva bliskost
omogućava vam da identifikujete neke tipične situacije u znanju i izgradite analogije.
5. Aktivnost. Izvršenje radnji u inteligentnom sistemu mora biti pokrenuto
ne iz bilo kojih eksternih razloga, već zbog trenutnog stanja onih koji su zastupljeni u sistemu
znanje. Pojava novih činjenica ili opisa događaja, uspostavljanje veza treba
postati izvor aktivnosti sistema.

1.9.3. Modeling Reasoning

Rasuđivanje je jedna od najvažnijih vrsta ljudske mentalne aktivnosti, u
čiji rezultat formuliše na osnovu nekih rečenica, iskaza,
presude nove rečenice, izjave, presude. Valjani mehanizam
ljudsko rasuđivanje ostaje nedovoljno proučeno. Čovjek
obrazloženje karakteriše: neformalnost, nedorečenost, nelogičnost, široko
korištenje slika, emocija i osjećaja, što ih čini izuzetno teškim
istraživanje i modeliranje. Do danas, najbolje proučavana logička
Rezonovanje i mnogi mehanizmi deduktivnog zaključivanja su razvijeni, implementirani u
razne inteligentne sisteme zasnovane na reprezentaciji znanja koristeći
Predikatska logika 1. reda.
Predikat je konstrukcija oblika P(t1, t2, ..., tn), koja izražava neku vrstu veze između
neki objekti ili svojstva objekata. Oznaka ove veze, odnosno imovine,
P se naziva "predikatnim simbolom"; t1, t2, …, tn se nazivaju pojmovi, oni označavaju
objekti povezani svojstvom (predikatom) R.
Terme mogu biti samo sljedeće tri vrste:
1) konstantan (označava pojedinačni predmet ili koncept);
2) promenljiva (označava različite objekte u različito vreme);
3) složeni član – funkcija f(t1, t2, …, tm), koja ima pojmove t1 kao m argumenata,
t2, ..., tm.
Primjer 1.
1. Rečenica „Volga se uliva u Kaspijsko more“ može se napisati kao predikat

uliva se u (Volga, Kaspijsko more).

“Upada” je predikatski simbol; „Volga“ i „Kaspijsko more“ su termalne konstante. Mi
može ukazivati ​​na odnos "uliva se" i objekata "Volga" i "Kaspijsko more"
simboli.
Umjesto termičkih konstanti, možemo uzeti u obzir varijable:

uliva se u (X, Kaspijsko more)

teče u (X, Y).

Ovo su takođe predikati.
2. Omjer x + 1< у можно записать в виде предиката А(х, у). Предикатный символ А
ovdje označava ono što "ostaje" od x + 1< у, если выбросить из этой записи
varijable x i y.
Dakle, predikat je logička funkcija koja uzima vrijednosti “true” ili “false”.
ovisno o vrijednostima njegovih argumenata. Poziva se broj argumenata za predikat
njegova aritnost.
Dakle, za naše primjere, predikat "pada" ima aritet 2 i kada je X = "Volga", a Y =
„Kaspijsko more“ je tačno, ali kada je X = „Don“, Y = „Biskajski zaliv“ je netačno. Predikat
I u primjeru 2 također ima arititet 2, istinit je kada je X = 1, Y = 3 i netačan kada je X = 3, Y = 1.
Predikati se mogu kombinovati u formule pomoću logičkih veziva (veznika): ^
↔
(I, konjunkcija), v (ILI, disjunkcija), ~ (NE, negacija),
(„trebalo“, implikacija),
(“ako i samo ako”, ekvivalencija).
→
Tabela istinitosti (tabela 1.15) ovih veznika omogućava vam da utvrdite da li je istinita ili netačna
značenje formule povezivanja za različite vrijednosti predikata A i B uključenih u nju (i –
tačno, l - netačno).

Tabela 1.15
Istina predikatskih veziva

A
IN
A^B

A v B
~A
A
A
B→
B↔
I
I
I
I
l
I
I
I
l
l
I
l
l
l
l
I
l
I
I
I
l

l
l
l
l
I
I
I

Matematički strogo, formule predikatne logike su definirane rekurzivno:
1) predikat je formula;
2) ako su A i B formule, onda A, B, A ^ B, A v B, A
3) ne postoje druge formule.
→
B, A
↔
B – takođe formule;
Mnoge predikatne logičke formule zahtijevaju upotrebu kvantifikatora koji definiraju
raspon vrijednosti varijabli - argumenata predikata. Koriste se kvantifikatori
uopštenosti: (obrnuto A od engleskog Sve - sve) i kvantifikator postojanja (obrnuto E
sa engleskog Postoji – postoji). Unos x glasi “za bilo koji x”, “za svaki x”; X -
“x postoji”, “za najmanje jedan x”. Kvantifikatori povezuju predikatne varijable sa
kojima operišu i transformišu predikate u iskaze.
Primjer 2.
Uvedemo sljedeću notaciju: A(x) – učenik x je odličan učenik; B(x) – učenik x prima
povećana stipendija. Sada formula A (Ivanov)
Ivanov je odličan učenik, stoga student Ivanov prima povećanu stipendiju,
i formula sa opštim kvantifikatorom (x) (A(x)
Dobro uči i prima povećanu stipendiju.
B(x)) znači: svaki student koji
V (Ivanov) znači: student
→
→
Od svih mogućih formula, potrebna nam je samo jedna vrsta njih, koja se zove fraze
Horna. Fraze za rog općenito sadrže implikaciju i spoj predikata A,
B1, B2, ..., Bn kako slijedi: B1, B2, ..., Bn
A, ili u prikladnijoj notaciji:
→

A: – B1, B2, ..., Bn

(čita: I ako B1 i B2 i... i Bn).
Očigledno, Hornova fraza je oblik pisanja određenog pravila, a u nastavku će to biti
nazvati pravilom. Predikat A se naziva glava ili glava pravila, i
predikati B1, B2, ..., Bn su njegovi podciljevi.
Očigledno, pojedinačni predikat je poseban slučaj Hornove fraze: A.
Još jedan poseban slučaj Hornove fraze je pravilo bez glave.

: – B1, B2, ..., Bn,

Hornova fraza se zove pitanje. Napisaćemo ":-B" kao "? – B”, i
“: – B1, B2, ..., Bn” u obliku “? – B1, B2, ..., Bn.”
A) →
Hajde da objasnimo logično značenje ove formule. Podsjetimo da je implikacija A: – B (B
može se izraziti kroz negaciju i disjunkciju: ~B v A (provjerite ovo sa
tablice istine). To znači da ako odbacimo A, ostaje samo ~B - negacija B.
Formula
B1, B2, ..., Bn znači negaciju konjunkcije ~(B1 ^ B2 ^ ... ^ Bn), koja prema
de Morganov zakon ~(X ^ Y) = (~X) v (~Y) jednako (~B1) v (~B2) v ... v (~Bn) – disjunkcije
poricanja.
←
Skup Hornovih fraza primijenjenih na neko problematično područje čini teoriju
(u logičkom smislu).
Primjer 3.
Razmotrimo predmetnu oblast: polaganje ispita iz određene discipline. Hajde da se predstavimo
oznake:
A – student je uspješno položio ispit;
B – učenik je pohađao nastavu;

C – učenik je savladao nastavni materijal;
D – student uči samostalno;
E – učenik je pripremio varalicu.
Ograničimo naše znanje o predmetnoj oblasti na sljedeće tvrdnje:
student će uspješno položiti ispit ako je student savladao nastavno gradivo;
učenik je savladao nastavno gradivo ako je učenik pohađao nastavu, a učenik učio
na svoju ruku;
učenik je pohađao nastavu;
student je učio samostalno.
Forma logičke notacije:
A: – C;
C: – B, D;
IN;
D.
U datom primjeru možete izvesti logičko zaključivanje. Dakle, iz istinitosti činjenica
B i D i pravila C: – B, D implicira istinitost C, a iz pravila A: – C – istina
predikat A, tj. student će uspješno položiti ispit. Osim toga, pravila A: – C i C: – B, D
može se prepisati kao A: – B, D.
U tim slučajevima se koriste pravila zaključivanja koja se zovu metoda rezolucije.
Pogledajmo najjednostavniji oblik rezolucije. Recimo da postoje "roditelji"
ponude
negacija: ~A
implikacija: A:– B.
Kao rezultat jednog koraka rezolutivnog zaključivanja, dobijamo novu rečenicu B, koja
se naziva rezolventom. U ovom slučaju, rezolucija je u skladu sa standardom
pravilo propozicionog zaključivanja:
pod pretpostavkom da nije A

i A ako B
ne izlazimo V.
Još jednostavniji slučaj:
negacija: ~A
činjenica: A.
Rešenje je kontradiktorno.
Općenito, postoje roditeljske klauzule

~(A1 ^ ... ^ An)
Ak:– V1, ..., Vm, 1 ≤ k< n.

Kao rezolventa, jedan izlazni korak daje ~(A1 ^ ... ^ Ak – 1 ^ B1 ^ ... ^ Bm ^
Ak + 1 ^ ... ^ An).
Dakle, rezolucija je zamjena predikata - podciljeva B1, ... Bm
umjesto odgovarajućeg predikata Ak iz negacije. Negacija pokreće logično
izlaz i stoga se naziva zahtjev (ili pitanje) i označava se sa A1, A2, ..., An.
Značenje metode rezolucije je da negacija konjunkcije i
provjerava da li je njegova vrijednost istinita ili lažna. Ako je vrijednost rezultirajuće
konjunkcija je netačna, to znači da je rezultat kontradikcija i pošto je na početku bilo
negacije predikata, izvodi se dokaz „obrnutim putem“. Ako je primljeno
vrijednost “true”, onda dokaz ne uspijeva.
Primjer 4.
Neka predikat daje (X, Y, Z) znači da "X daje Y nekom objektu Z" i
predikat primiti (X, Y) znači "Y prima X". Neka znanje o ovim
odnosi se izražavaju rečenicama:
1) prima (ti, moć): – daje (logiku, moć, ti);
2) daje (logiku, snagu, vas).
Problem koji treba riješiti je odgovoriti na pitanje: da li primate
snaga?

Zamislimo ovo pitanje u obliku negacije ~prima (ti, moć). Prijedlog rezolucije
1 i negacija vodi do ~davanja (logika, sila, vi), što zajedno sa činjenicom 2 vodi do
kontradikcija. Stoga je odgovor na izvorni problem "da".
Do sada smo gledali rezoluciju za iskaze ili predikate bez varijabli.
Ako je zaključak napravljen za skup predikata sa varijablama kao
argumentima, ove varijable primaju vrijednosti odgovarajućih
konstante, ili, kako još kažu, specificirane su konstantama.
Objasnimo ovo na primjeru.
Primjer 5.
Razmotrite sljedeće roditeljske rečenice:
1) ~dobi (vi, Y);
2) prima (X, snaga): – daje (Z, snagu, X).
Oni sadrže tri varijable X, Y i Z, na koje implicitno utiče
opšti kvantifikator. Dakle, rečenica 1 kaže da "za sve Y, ne dobijate Y"
i 2 – “za sve Z, bilo koji X dobija snagu ako Z daje moć X.” Pravilo rezolucije
zahtijeva podudaranje između predikata iz negacije 1 i glave pravila 2. To znači da
varijable primaju vrijednosti (instanciraju se) prema svom mjestu u
rečenice 1 i 2 kako slijedi: X = ti, Y = moć. Predikat prima (vi, moć)
naziva se općim primjerom za predikate gets(vi, Y) i gets(X, moć).
Navedene odredbe predikatske logike nalaze implementaciju i dalji razvoj u
Programski jezik Prolog.

1.9.4. Prepoznavanje uzoraka

Prepoznavanje uzoraka je skup metoda i alata za automatsko
percepcija i analiza okolnog svijeta.
Ciljevi teorije prepoznavanja obrazaca su:
automatsko čitanje pisanih ili rukom pisanih tekstova;
percepcija govora (bez obzira na karakteristike jezika i govornika);

Medicinska, psihološka i pedagoška dijagnostika;
automatsko simultano prevođenje s jednog jezika na drugi;
daljinska identifikacija objekata itd. Postoje dvije klase slika:
konkretno i apstraktno.
Specifične slike su svi stvarni objekti okolnog svijeta, njihove slike i
opisi; apstraktno – pojmovi, kategorije, mišljenja, želje itd. U skladu sa
Ovo definira dvije opcije prepoznavanja: perceptualno i konceptualno.
U sistemima perceptivnog prepoznavanja (u pravilu su to tehnički sistemi)
ulazni element je senzor čiji je zadatak da transformiše fizičku
veličina koja karakteriše posmatrani objekat u stvarnom svetu u drugu veličinu,
namijenjen za percepciju svojim procesnim sistemom. Sa teorijske tačke gledišta
informacioni senzor je element za usklađivanje uređaja za obradu ulaza
signali, a njegovi izlazni signali daju “apriorni” opis posmatranog objekta.
Izlazni signali senzora su tipično analogno-digitalni ili
digitalni.
U konceptualnim sistemima, ulogu senzora imaju apstraktni, logički sistemi (npr
pravila izgrađena na principima Bulove algebre).
Razmotrimo glavne zadatke i metode prepoznavanja uzoraka.
Zadatak 1. Proučavanje karakteristika objekata i razjašnjavanje razlika i sličnosti predmeta koji se proučavaju
objekata.
Primjer: periodni sustav Mendeljejeva, klasifikacija biljaka i životinja
svijet Linnaeusa i Darwina.
Zadatak 2. Klasifikacija prepoznatih objekata ili pojava. Glavni -
izbor odgovarajućeg principa klasifikacije.
Primjer: zbirka kovanica, prepoznavanje aviona.
Zadatak 3. Sastavljanje rječnika karakteristika koje se koriste za a priori opis
klase, i za a posteriori opis svakog nepoznatog objekta. Znakovi
mogu se podijeliti na logičke (determinističke) i vjerovatnoće.
Primjer: mašina dizajnirana za mijenjanje kovanica. Prepoznavanje kovanica. Može
smislite različite znakove, ali među njima ima odgovarajućih (prečnik, masa).

Zadatak 4. Opis klasa objekata na jeziku karakteristika.
Metoda prostora karakteristika. Prepoznati objekti imaju karakteristike. Neka je G = (G1,
G2, ..., Gk ...) – skup objekata. Svaki objekat ima karakteristike C – (c1, c2, ...,
cn), među kojima ima bitnih i nebitnih. Essential Features
nazvat ćemo ih definirajući i označiti Y = (y1, y2, ..., ym). Definirajmo m-dimenzionalno
prostor karakteristika objekta, u kojem svaka tačka u prostoru odgovara
objekt.
Primjer: razmotrite skup trouglova kao definirajuće karakteristike
Uzmimo njihove strane koje možemo izmjeriti (slika 1.42, a). Bilo bi moguće uzeti
uglovi, ili jedna strana i dva ugla, itd.

Rice. 1.42. Metoda prostora karakteristika

Dobijeni podaci se mogu prikazati u trodimenzionalnom prostoru karakteristika x1, x2, x3
(Sl. 1.42, b). U njemu se može razlikovati pet klasa (podprostora): klasa
jednakostranični trouglovi x1 = x2 = x3, (prava linija koja predstavlja prostornu
simetrala); klasa jednakokračnih trouglova x1 = x2 (ravan koja prolazi
osa x3 i simetrala na ravni x1, x2); klasa pravokutnih trougla,
oštar i tupokutni trokut.
Tako smo identifikovali klase (izmišljena imena i
definisane su karakteristike klase). Dalje donošenje odluka o prepoznavanju objekata
(proizvoljan trougao) povezuje se sa određivanjem identiteta prepoznatog
objekt bilo kojoj klasi.
Uopšteno govoreći, problem prepoznavanja se može formulisati kao razvojni problem
procedure za podjelu skupa objekata u klase.
Neka je G = (G1, G2, ..., Gk...) skup objekata. Za njih je definirano n znakova,
koji se može predstaviti kao vektor X = (x1, x2, ..., xn). Vrijednosti karakteristika
elementi skupa objekata mogu se definirati na tri načina:
kvantitativno (mjerenje karakterističnih karakteristika);

Probabilistički (vrijednost je vjerovatnoća da će se događaj dogoditi);
alternativno (binarno kodiranje – da/ne).
Neka je skup objekata podijeljen u m klasa 1, 2, …, m. Obavezno istaknuti
prostor karakteristika, površine Di, i = 1, ..., m, ekvivalentno klasama, tj. ako objekt
pripada klasi k, tada odgovarajuća tačka leži u domeni Dk.
Ω
Ω Ω
Ω
U algebarskoj interpretaciji, problem prepoznavanja se može formulirati na sljedeći način
način.
Potrebno je konstruisati funkcije razdvajanja Fi(x1, x2, ..., xn), i = 1, ..., m, koje imaju
svojstva: ako neki objekt sa karakteristikama (x01, x02, ..., x0n)
i, zatim vrijednost
Fi(x01, x02, ..., x0n) mora biti najveći. To bi trebalo biti najveće i za druge
vrijednosti atributa objekata koji se odnose na
i, tj.
Ω
Ω

Dakle, granica particija, nazvana odlučujuća granica između regija Di,
je izražena jednačinom Fp(x) – Fg(x) = 0.
Na sl. Slika 1.43 prikazuje model prostora karakteristika za slučaj dvodimenzionalnog
prostori D1, D2 sa odgovarajućim klasama 1, 2.
Ω Ω

Rice. 1.43. Ilustracija metode prostora karakteristika

Operacija klasifikacije se sastoji od distribucije objekata u klase, gdje je ispod klase
podrazumijeva se kao skup slika koje imaju iste karakteristike. Isti set
podaci mogu poslužiti kao izvor različitih klasifikacija.
Primjer: pronalaženje slova u abecedi N slova je zadatak sa N klasa, pronađi
samoglasnici ili suglasnici u istoj abecedi je zadatak za dva razreda. Tipično broj časova
povećava. Ako je njihov broj unaprijed nepoznat, onda govore o učenju „bez učitelja“

(samoučenje). Ako je cijeli objektni prostor podijeljen, a skupovi objekata u klasama
nisu definisani, onda je ovo „nadgledano“ učenje.
Zadatak 5. Razvoj algoritma prepoznavanja koji omogućava dodjelu
prepoznatljivog objekta jednoj ili drugoj klasi ili nekoj njihovoj kombinaciji.
Primjer: prepoznavanje nepoznate riječi. Algoritmi se zasnivaju na poređenju jednog ili
druga mjera blizine ili mjera sličnosti prepoznatog objekta sa bilo kojom klasom.
Uvedemo pojam udaljenosti između objekata (sličnost dva objekta). Što manje
udaljenost između dva objekta, veća je sličnost između njih. Razdaljina
između tačke P X i klase X0 naziva se veličina

d1(P, X0) = inf((P, M)|M X0).

Udaljenost između dvije klase određena je vrijednošću

d2(X1, X2) = inf(d1(P, M)|P X1, M X2).

U praksi se često koriste sljedeće udaljenosti:
1. Euklidska udaljenost

d2(Xi, Xj) = (∑|xik – xjk|2)1/2.

2. Udaljenost na Manhattanu (metrika gradskih blokova)

d2(Xi, Xj) = ∑|xik – xjk|.

3. Čebiševljeva udaljenost

d3(Xi, Xj) = max |xik – xjk| (k).

Metoda rječnika. Neka katalog svih mogućih riječi klasificira po
dužine riječi i raspoređenih po abecednom redu. Na primjer, razmotrite uslugu
Riječi programskog jezika Pascal:

itd., gdje je N broj slova u rječniku.
Svaki znak latinice definiramo znakom, na primjer, njegovim rednim redom
broj ili učestalost (vjerovatnost) njegovog pojavljivanja u tekstu.
Definirajmo udaljenost između datog slova i slova abecede kao |xa – xb|, gdje je xa –
znak datog slova, xb je znak određenog slova abecede. Prihvatite za
sigurnost kao znak slova njegov redni broj u abecedi:

A
IN
WITH
D
E
F
G
H
I
J
TO
L
M

N
O
R
Q
R
S
T
U
V
W
X
Y
Z
1
2
3
4
5
6
7
8
9
10
11
12

13
14
15
16
17
18
19
20
21
22
23
24
25
26

Neka je n = 4. Zadana je riječ sa karakteristikama x1x2x3x4. Na primjer, ELSE. U ovom slučaju x1 = 5; x2 =
12; x3 = 19; x4 = 5. Označimo (ai, xj) =
slovo koje se nalazi na i-tom mestu u abecedi i znak xj.
θ
ij = |ai – xj| – broj jednak razlici karakteristike
θ
Pronađimo udaljenosti na Manhattanu za sve riječi iz rječnika

Najmanji zbroj (udaljenost) povezan je sa drugom riječju rječnika. Definiše
sličnost sa prepoznatom riječi.
Zadatak 6. Prepoznavanje slike.
Primjer: prepoznavanje slike slova. Dobija se prepoznata slika
na različite načine i karakterizirane različitim količinama.

Rasterski objekat se češće predstavlja kao dati matrični odnos karakteristika.
Na primjer, preklapanjem mreže N x M na sliku, možete odrediti u svakoj ćeliji
nivo “crnila” ili “sivilo” (za crno-bele slike) sa brojevima u intervalu . U ovom slučaju, 0 je bijelo, 1 je crno.
Dakle, slika A može biti predstavljena kao matrica

gdje matrični elementi dalje određuju stepen crnine svake i, j-te ćelije.
Neka bude poznat rječnik slika, na primjer, slike slova ruske abecede.
U ovom slučaju, pretpostavićemo da odgovarajuće matrice crnila predstavljaju
generalizovana slova, tj. kompozitna slika slova različitih fontova, slova i stilova.
Neka je A1, A2, ..., Ap skup slika (klasa), H je prepoznatljiva slika.
Tada se zadatak prepoznavanja svodi na traženje instance (implementacije) Ak, najviše
blizu u smislu udaljenosti od N.
Sintaktičko prepoznavanje. Postoji posebna klasa problema vezanih za
sintaktičko prepoznavanje datog lanca nekog jezika u smislu njegovog
gramatike. Gramatika je mehanizam za stvaranje jezika. Postoje generativne i
prepoznavanje gramatika (slika 1.44).

Rice. 1.44. Generativne gramatike i gramatike prepoznavanja

Konačni automat za prepoznavanje je skup od pet objekata: A = (S, X, s0, d, F),
gdje je S konačan neprazan skup (stanja); X je konačan neprazan skup
ulazni signali (ulazna abeceda); s0< S – начальное состояние; d: S x X
tranzicijska funkcija; F – skup konačnih stanja.
S – →

Prepoznavač konačnih automata A = (S, X, s0, d, F) prihvata ulazni lanac od X*,
ako ga ovaj lanac odvede iz početnog stanja u jedno od konačnih
države.
Skup svih lanaca koje dozvoljava automat A formira jezik koji dozvoljava A.
Jezik za koji postoji konačni stroj koji ga prepoznaje naziva se
automatski jezik.
Primjeri jezika (V – abeceda, L – jezik):
1. V1 = (a, b, c); L= (abc, aa)

Ovo je nepotpuna automatska mašina. (Konačna stanja su označena dvostrukim okvirom.)
2. V2 = (a, b, c); L = o.
Svaki automat sa praznim skupom konačnih stanja priznaje L.
3. V3 = (a, b, c); L = V*.
V* je skup lanaca proizvoljne dužine.
Automat sa jednim stanjem koje je konačno ima tri
prelazak iz ovog stanja u isto

5. V5 = (0, 1); L = (skup parnih binarnih brojeva)

6. V6 = (+, –, 0, ..., 9); L = (skup cjelobrojnih numeričkih konstanti)

7. V7 = (+, –, 0, ..., 9, "."); L = (skup realnih brojeva)

Sintaksički dijagrami igraju veliku ulogu u informatici. Sintaktički
dijagrami su usmjereni grafovi s jednom ulaznom i jednom izlaznom ivicom
i označeni vrhovi. Oni definiraju jezik i stoga su generativni
gramatike automatskih jezika.

Važeći lanci: aab, aacabcb, itd.
Primjeri su dijagrami sintakse jezika Pascal i C.
Sljedeća tvrdnja se može dokazati: dat je bilo koji automatski jezik
sintaktički dijagram i obrnuto, koristeći bilo koji sintaktički dijagram koji možete
izgraditi konačni automat (generalno nedeterministički) koji prepoznaje
jezik na kojem je naveden dijagram sintakse.
Konstruisanjem odgovarajućeg automata za prepoznavanje na osnovu sintaksičkog dijagrama možemo
zatim implementirajte ovu mašinu bilo u hardveru ili softveru. dakle,
sintaktički dijagrami služe ne samo za generiranje, već i za prepoznavanje
automatski jezici.

1.9.5. Interfejs inteligentnog informacionog sistema

Analiza razvoja kompjuterske tehnologije sugeriše da je
stalno evoluira u dva pravca.
Prvi pravac se odnosi na poboljšanje parametara postojećih računara,
povećanje njihovih performansi, povećanje volumena njihovog operativnog i diska
memorije, kao i sa poboljšanjem i modifikacijom softvera,
sa ciljem povećanja efikasnosti njihovih funkcija.
Drugi pravac određuje promjene u tehnologiji obrade informacija,
što dovodi do poboljšane upotrebe kompjuterskih sistema. Razvoj u ovome
smjer je povezan s pojavom novih tipova računara i kvalitativno novih
softverski alati koji nadopunjuju postojeće.
Razvoj softvera ide putem povećanja prilagođenosti sučelja,
one. takvo pojednostavljenje njihovog upravljanja da korisniku nije potrebno posebno
priprema i sistem stvara najudobnije uslove za svoj rad.
Glavna smjernica u poboljšanju računarskih sistema je njihovo pretvaranje
pogodan partner za krajnjeg korisnika prilikom rješavanja problema tokom njegovog
profesionalna aktivnost.
Kako bi se osiguralo korisničko sučelje softvera sa
Korisnik prvo mora postati inteligentan. Inteligentni interfejs,
pruža direktnu interakciju između krajnjeg korisnika i računara
kada se rješava problem kao dio čovjek-mašina sistema, moraju se izvesti tri grupe
funkcije:
pružajući korisniku mogućnost da postavi zadatak za računar
šalje poruke samo o uslovima problema (bez navođenja programa rešenja);
pružajući korisniku priliku da kreira okruženje za rješavanje problema
koristeći samo termine i pojmove iz oblasti profesionalne delatnosti
korisnik, prirodni oblici prezentacije informacija;
osiguravanje fleksibilnog dijaloga korištenjem raznih sredstava, uključujući
unaprijed regulirano, uz ispravljanje mogućih grešaka korisnika.
Struktura sistema (slika 1.45) koja ispunjava zahtjeve nove tehnologije rješenja
zadaci se sastoje od tri komponente:
izvršni sistem, koji je skup sredstava,
osiguranje realizacije programa;

Baza znanja koja sadrži sistem znanja o problemskom okruženju;
inteligentno sučelje koje omogućava prilagođavanje
računarski sistem korisniku i uključujući komunikacioni sistem i
rješavač problema.
Ovaj sistem se značajno razlikuje od onih stvorenih u ranijim fazama.
razvoj informatike i računarske tehnologije. Put do implementacije najnovijih
informaciona tehnologija podrazumeva korišćenje kompjuterskih sistema,
izgrađena na bazi znanja predstavljanja problemskog domena i
inteligentni interfejs.

Rice. 1.45. Struktura savremenog sistema za rešavanje primenjenih problema

1.9.6. Struktura savremenog sistema za rešavanje primenjenih problema

Razvoj sistema umjetne inteligencije prvo je slijedio put modeliranja
opšte intelektualne funkcije individualne svesti. Međutim, razvoj
kompjuterske tehnologije i softvera 1990-ih. opovrgava prognoze
prethodnih decenija o skorom prelasku na računare pete generacije.
Intelektualne funkcije većine softverskih komunikacionih sistema na
prirodni jezik još uvijek nije našao široku primjenu u industrijskim razmjerima.
Koncept kao što su „nove informacije o informacijama“ doživio je karakterističnu inflaciju.
tehnologija“. U početku je ovaj koncept značio inteligentno sučelje za bazu podataka
podataka, omogućavajući korisnicima aplikacije da direktno komuniciraju s njima
prirodni jezik. Danas se podrazumijevaju „nove informacione tehnologije“.
jednostavno tehnologije koje koriste kompjutersku tehnologiju u obradi informacija, u
uključujući tehnologije zasnovane na korišćenju procesora teksta i tabela, i
takođe informacioni sistemi.
Suočeni sa nepremostivim problemima, programeri sistema sa
"opće" umjetne inteligencije, krenuli su putem sve većeg i većeg
specijalizacija, prvo prema ekspertnim sistemima, zatim prema individualnim

vrlo specifične inteligentne funkcije ugrađene u instrumental
softverski alati koji se do sada nisu smatrali poljem razvoja za
umjetna inteligencija. Na primjer, takvi sistemi sada često imaju
mogućnosti analitičkih matematičkih proračuna, prevođenje tehničkih i
poslovni tekstovi, prepoznavanje teksta nakon skeniranja, raščlanjivanje
fraze i rečenice, samoprilagođavanje, itd.
Paradigma istraživanja i razvoja u umjetnoj inteligenciji je postupna
se revidira. Očigledno, mogućnost brzog razvoja softverskih sistema
modeliranje intelektualnih funkcija individualne svijesti, uglavnom
najmanje iscrpljen. Potrebno je obratiti pažnju na nove mogućnosti koje
otvoreni informacioni sistemi i mreže u odnosu na javnu svijest.
Čini se da razvoj računarskih sistema i mreža dovodi do stvaranja novog tipa
javne svijesti, u koju će informacioni mediji biti organski integrisani
kao tehnološko okruženje za obradu i prenošenje informacija. Nakon ove ljudskosti
to će biti hibridna ljudsko-mašinska inteligencija koja će primati ne toliko na skali
individualne svijesti koliko i u sferi društvene prakse.

Kontrolna pitanja

1. Kakva je istorija nastanka i razvoja istraživanja o vještačkom
inteligencija?
2. Koje su karakteristične karakteristike problema u oblasti veštačke inteligencije?
3. Opišite područja istraživanja umjetne inteligencije.
4. Šta je „znanje“ sa stanovišta sistema veštačke inteligencije?
5. Koji je metod predstavljanja znanja pomoću proizvoda?
6. Šta je osnova predstavljanja znanja pomoću semantičke mreže?
7. Kako se okvirni sistemi mogu koristiti za predstavljanje znanja?
8. Koje su razlike između reprezentacije znanja u inteligentnim sistemima i reprezentacije
samo podaci?
9. Šta znači pojam „predikat“?

10. Šta je to “horn fraza”?
11. Kako dolazi do logičkog zaključivanja korištenjem metode rezolucije?
12. Provjerite valjanost de Morganovih zakona: ~(X ^ Y) = (~X) v (~Y) i ~(X v Y) =
(~X) ^ (~Y).
13. U kom pravcu se razvijaju delovi interfejsa informacionih sistema?
14. Koja je ljubaznost softverskog interfejsa?
15. Kakva je struktura perspektivnih informacionih sistema budućnosti?

KIBERNETIKA, disciplina posvećena proučavanju sistema kontrole i komunikacije kod životinja, organizacija i mehanizama. Pojam je prvi put u ovom smislu upotrijebio Norbert Wiener 1948. godine. Naučno-tehnički rečnik

kibernetika - KIBERNETIKA [ne], -i; i. [iz grčkog kybernētikē - kormilar, kormilar] Nauka o općim zakonima procesa upravljanja i komunikacije u organiziranim sistemima (u mašinama, živim organizmima i društvu). ◁ Kibernetički, oh, oh. K-ti sistem. Kuznjecovljev objašnjavajući rečnik

kibernetika - imenica, broj sinonima: 2 neurokibernetika 1 korumpirana djevojka imperijalizma 2 Rječnik ruskih sinonima

kibernetika - orf. kibernetika, -i Lopatinov pravopisni rečnik

KIBERNETIKA - (EKONOMSKA) (od grčkog kybernetike - umjetnost upravljanja) nauka o općim principima upravljanja ekonomskim sistemima i korištenju informacija u procesima upravljanja. Ekonomski rečnik pojmova

kibernetika - kibernetika w. 1. Naučna disciplina koja proučava opšte obrasce primanja, skladištenja i prenošenja informacija u organizovanim sistemima (u mašinama, živim organizmima i društvu). 2. Akademski predmet koji sadrži teorijske osnove ove discipline. Efremova objašnjavajući rječnik

Kibernetika - I Kibernetika u medicini. Kibernetika je nauka o opštim zakonima upravljanja u sistemima bilo koje prirode - biološkim, tehničkim, društvenim. Glavni predmet proučavanja... Medicinska enciklopedija

kibernetika - kibernetika, kibernetika, kibernetika, kibernetika, kibernetika, kibernetika, kibernetika, kibernetika, kibernetika, kibernetika, kibernetika, kibernetika, kibernetika Zaliznyakov gramatički rječnik

kibernetika - KIBERNETIKA [ne], i, w. Nauka o općim zakonima procesa upravljanja i prijenosa informacija u mašinama, živim organizmima i društvu. | adj. kibernetički, oh, oh. Ozhegov's Explantatory Dictionary

KIBERNETIKA - KIBERNETIKA (od grčkog kybernetike - umjetnost upravljanja) - nauka o upravljanju, komunikaciji i obradi informacija. Glavni predmet istraživanja je tzv. kibernetički sistemi razmatrani apstraktno, bez obzira na njihovu materijalnu prirodu. Veliki enciklopedijski rečnik

Kibernetika - I Kibernetika (od grčkog kybernetike - umjetnost kontrole, od kybernáo - upravljam, upravljam) nauka o kontroli, komunikaciji i obradi informacija (vidi Informacije). Predmet kibernetike. Glavni predmet istraživanja... Velika sovjetska enciklopedija

KIBERNETIKA - KIBERNETIKA (od grčkog kyberne - tice - umjetnost upravljanja) - engleski. kibernetika; njemački Cybernetik. Nauka o općim zakonima primanja, pohranjivanja, prijenosa i obrade informacija u mašinama, živim organizmima i društvu. Ovisno o području primjene, razlikuju se političke, ekonomske. i društveni TO. Sociološki rječnik

kibernetika - Nauka o kontroli, komunikaciji i obradi informacija. Glavni predmet istraživanja su kibernetički sistemi najraznovrsnije materijalne prirode: automatski regulatori u tehnologiji, kompjuteri, ljudski mozak, biološke populacije... Tehnika. Moderna enciklopedija

kibernetika - -i, f. Nauka o opštim zakonima procesa upravljanja i komunikacije u organizovanim sistemima (u mašinama, živim organizmima i društvu). [Od grčkog κυβερνήτης - kormilar, kormilar] Mali akademski rječnik