Введение
Актуальность. На рубеже 90-х годов двадцатого века стало возможным говорить о формировании единого мирового информационного пространства и о зарождении информационного общества, основанного на знаниях и информационных технологиях. В это же время родился новый тип экономики, в которой основу составляют производство, распределение и использование знаний. Знание в этой экономике рассматривается как информационный продукт и выступает в роли нового нематериального богатства. Как отмечают авторы работы [1], «одной из главных особенностей новой экономики является совершенствование механизма получения нового знания», по словам В.Л. Макарова [2] «в настоящее время инвестиции в знания растут быстрее, чем в основные фонды: в странах - членах Организации экономического сотрудничества и развития в 90-е годы - в среднем на 3,4% против 2,2%».
Знания - это конечный результат научного познания. Научное познание осуществляется на основе интеграции неформальных и формальных методов, интеллекта человека и возможностей компьютера.
Трактующий мышление с позиций логики, И.С. Ладенко различает два вида знаний — идеи и факты, идеи - это знания о свойствах и отношениях объектов, а их истинность устанавливается с помощью специальных процедур исследования; факты - это знания, констатирующие существование объектов [3]. Известный специалист в области искусственного интеллекта У.Вудс разделяет знания о реальной действительности на факты и правила. Факты, по его мнению, указывают на истинное состояние действительности, правила позволяют как предсказывать изменения во времени или в результате выполнения некоторой последовательности действий, так и косвенным образом получать характеристики ненаблюдаемых явлений (общие физические, логические, психофизические и социологические законы реальной действительности) [4]. В нашей работе знание понимается как достоверное представление человека о реальном мире, его обобщенный опыт, выраженный в виде правил, эвристик, моделей, законов, и представленный как высокоструктурированные данные, сосредоточенные в базах знаний, базах данных, библиотеках программ.
В интеграционных процессах научного познания используются достижения методологии науки и психологии, математики и логики, семиотики и информатики. Особое место здесь занимает информатика, в частности, такие ее разделы как искуственный интеллект и моделирование, позволяющие создавать принципиально новые компьютерные системы получения новых знаний.
Можно выделить ключевые этапы в технологии работы со знаниями: получение новых знаний; представление знаний; обработка знаний; пополнение знаний.
С точки зрения человека, получение новых знаний - это процесс научного творчества. Процесс этот претерпел существенные изменения в связи с вовлечением в него персонального компьютера. Уменьшилась нужда в поста-
новке дорогостоящих натурных экспериментов за счет проведения компьютерных имитационных исследований. Решение любой задачи - это получение неизвестных знаний на основе известных или уменьшение неопределенности известных знаний, считает Е.С. Кузин [5], уточняя, что решение задачи в целом всегда осуществляется комплексной системой человек-компьютер. Получение знаний компьютером преследует две основные цели: 1) извлечение информации из среды, 2) обобщение и структурирование указанной информации. Решение указанной проблемы рассматривается в работах следующих ученых: В.Н. Вагина, Т.А. Гавриловой, В.В. Емельянова, А.П. Еремеева, A.C. Клещева, Е.С. Кузина, О.П. Кузнецова, О.И. Ларичева, Г.С. Осипова, Д.А. Поспелова, Г. Саймона, В.Л. Стефанюка, В.К. Финна, И.Б. Фоминых, В.Г. Хорошевского, А.И. Эрлиха, С. Осуга, Ю. Саки и др.
Рассматривая проблему представления знаний, У. Вудс выделяет два аспекта этой проблемы: выразительную адекватность (способность выделять существенные и игнорировать малозначащие детали) и эффективность нотации, выраженную через такие категории как вычислительная эффективность, концептуальная ясность, компактность представления и простота модификации [4]. Проблеме представления знаний посвящено множество работ отечественных и зарубежных авторов [6-30].
Всякий доступ к явлениям действительности происходит посредством построения моделей, приближений и уточнений, утверждает Д. Люгер [13]. Моделирование - это средство формализации знаний и одновременно средство получения нового знания. Как отмечают A.A. Самарский и А.П. Михайлов, методология математического моделирования стала интеллектуальным ядром информационных технологий [31]. У исследователей появилась возможность больше генерировать гипотез, ставить имитационный эксперимент, интерпретировать полученные результаты.
Основным средством реализации экономики знаний являются компьютеры и информационные технологии, призванные обеспечить перенос в компьютерные системы накопленный человеческий опыт. На важность этой проблемы указывал академик А.П. Ершов, полагавший, что основная задача информатизации заключается в созданиии информационного фонда человечества в глобальной компьютерной сети. Задача автоматизации человеческой деятельности актуальна всегда.
Повышение интеллектуальности информационных технологий, считает В.П. Ильин, «ставит сложную задачу вовлечения в технологическую цепочку математического моделирования таких традиционных атрибутов искусственного интеллекта, как средства принятия решений, экспертные системы и проблемно-ориентированные базы знаний» [32].
Несмотря на то, что идея совместного использования данных количественных и качественного характера высказывалась еще в 70-е годы в ситуационном управлении Д.А. Поспеловым и его учениками [19, 23, 33, 34], а в моделировании систем Н.П. Бусленко [35], проблема эта далека от своего решения. Актуальными являются задачи разработки методов и средств решения
8
слабо структурированных проблем, к которым относятся задачи, решаемые с помощью эвристических и аналитических методов и моделей. К слабоструктурированным относятся проблемы исследования предметных областей, в основе описания которых лежат понятие величины, где под величиной понимается изменяющееся свойство объекта, измеренное в шкалах сильнее номинальной. Методологической основой для решения слабо структурированных проблем является утилитарная концепция измерения, которую разработали С.С. Гончаров, Ю.Л. Ершов, К.Ф. Самохвалов [36]. Предложенный Е.Е. Ви-тяевым в работах [37, 38] подход к созданию формальной теории предметных областей, в основе описания которых лежат понятие величины, опирается на методы конструктивной логики, однако здесь отсутствуют средства учета нечетких данных и не рассматриваются средства имитации, что затрудняет моделирование сложных предметных областей. В настоящем диссертационном исследовании устраняется этот недостаток.
Управление знаниями требует создания интерфейсов, обеспечивающих массовое применение компьютеров. В условиях отсутствия единой теории языкового общения, необходимо организовать взаимодействие на естественном языке, ограниченном семантикой и прагматикой исследуемой предметной области. Проблемам общения посвящено достаточно большое количество работ, над решением этой проблемы работали следующие отечественные и зарубежные ученые: Ю.Д. Апресян, А.П. Ершов, У. Вудс, A.C. Нариньяни, Э.В. Попов, Ч. Филмор, Р. Шенк. Актуальной в связи с изложенным является организация коммуникативного взаимодействия пользователя с компьютерной системой.
Научные и практические результаты, полученные в диссертации, нашли применение в госбюджетной работе 1.2.01 «Исследование алгоритмов моделирования функционирования территориально-распределенных инженерных сетей».
Целью работы является разработка методологических основ и программно-инструментальных средств создания имитационно-лингвистических систем.
Для достижения указанной цели необходимо решить следующие задачи:
• разработать методы и приемы совместного использования информации количественного и качественного характера;
• разработать методы и приемы оценивания величин;
• разработать приемы структурной и параметрической идентификации нечетких систем оценивания величин;
• разработать модели и алгоритмы взаимодействия пользователя с имитационно-лингвистической системой, основываясь на гипотезе о «компьютерной речи».
Научная новизна. Развита методология построения имитационно-лингвистических систем, предназначенных для изучения свойств объектов исследуемых предметных областей, в основе описания которых лежит поня-
тие величины. В рамках указанной методологии получены следующие научные результаты:
1) разработаны и исследованы методы оценивания величин: методы, основанные на псевдофизической логике оценок величин, методы, основанные на нечеткой арифметике и нечеткой логике, методы на основе алгебраических свойств отношений между величинами;
2) разработаны и исследованы предикатно-грамматические модели зависимостей «структура-свойство» для автоматизации анализа и обработки структурной химической информации;
3) предложена обобщенная модель обработки запроса в имитационно-лингвистической системе, состоящая из четырех частных моделей: модели лексики языка, модели грамматики языка запросов, моделей лексической и синтаксической адаптации системы к запросам пользователя.
Практическая ценность работы заключается в разработке следующих средств:
• методик, алгоритмов и программ, реализующих методы представления и переработки информации качественного характера в имитационно-лингвистических системах;
• адаптивных алгоритмов лексического и синтаксического анализа запросов пользователя, позволяющие учитывать профессиональную подготовку пользователя и исправлять орфографические ошибки;
• программно-инструментальных комплексов построения и исследования имитационно-лингвистических систем, позволяющих настраивать систему на исследуемую предметную область и логику пользователя.
Обоснованность предложенных методов подтверждена использованием их для решения практических задач. Основные результаты диссертационной работы используются в отделе информационных технологий ФГУП «НПЦ «Полюс» в виде методик совместного использования информации количественного и качественного характера, а также в виде алгоритмов оценивания величин при моделировании систем преобразовательной техники и электромеханики. Разработанные методы и средства обработки данных количественного и неколичественного характера используются в Томском НИИ курортологии и физиотерапии при разработке моделей назначения больным различных нозологии интенсивных курсов лечения и для выявления и оценки параметров биоритмов. В Институте химии нефти СО РАН разработанные имитационно-лингвистические модели прогнозирования свойств химических соединений использованы в научно-исследовательской работе при выполнении нескольких бюджетных и хоздоговорных НИР. Программно-инструментальные средства проектирования тренажеров и программный комплекс моделирования зависимостей «структура-свойство» применяются в решении производственных задач на Томской ТЭЦ-3 ОАО ТОМСКЭНЕРГО, здесь же внедрены методы и средства обработки неколичественной инфор-
10
мации в постоперативном контроле работы ТЭЦ-3, когда программно-информационный комплекс используется в деятельности инженерного персонала цеха наладки и испытаний оборудования ТЭЦ-3 для проведения плановых и экспресс испытаний, а также планирования ремонтов оборудования. Программно-инструментальные средства выбора оптимального состава работающего оборудования тепловой сети вошли в итоговый отчет госбюджетной работы 1.2.01 «Исследование алгоритмов моделирования функционирования территориально-распределенных инженерных сетей», выполненной в ТУСУР.
Часть программно-инструментальных средств передана в отраслевой фонд алгоритмов и программ Министерства образования Российской федерации (свидетельства регистрации 3747, 3748, номера государственной регистрации 50200400971, 50200400972). Теория построения имитационно-лингвистических систем положена в основу учебного курса «Методы искусственного интеллекта», читаемого автором в ТУСУРе для студентов специальности 220200.
Текст диссертационной работы изложен в пяти главах. В первой главе рассмотрены проблемы и задачи, решаемые имитационно-лингвистическими системами (ИЛС), определены цели их создания, указано место этих систем на множестве компьютерных систем. Анализ целей разработки ИЛС и особенностей исследуемых предметных областей позволил сформулировать требования к созданию таких систем, важнейшими из которых являются требование совместного использования количественных и качественных методов исследования предметных областей и требование интерактивного взаимодействия конечного пользователя с системой. Основным действием или операцией, определенной как на количественных так и на качественных данных, в ИЛС является оценивание величин. Проведенный в первой главе анализ позволил декомпозировать задачу создания имитационно-лингвистических систем на ряд следующих подзадач:
• разработка средств оценивания величин;
• создание средств сборки моделирующих программных модулей в рамках решения задачи имитационного моделирования:
• определение объема и структуры семантической сети, информация в которой представлена в виде потенциально выводимых знаний в рамках средств оценивания величин;
• создание модели языка общения;
Во второй главе приведены методы, модели и алгоритмы оценки величин. В работе предложены и исследованы следующие новые методы оценивания величин:
1) псевдофизическая логика оценок величин; суть оценивания здесь заключается в сопоставлении двух разнотипных шкал, допустимым преобразованием в которых является операция сдвига; значения сдвигов были определены путем проведения серий психометрических экспериментов, на основании которых были сформулированы правила вывода;
11
2) оценивание на основе нечеткой арифметики; здесь рассмотрены четыре типа наиболее часто используемых нечетких чисел: треугольные, трапециевидные, параболические, гауссовы; приведены метрические методы оценивания, имеющие геометрическую интерпретацию, решена задача нахождения ближайшего нечеткого числа, а также сравнения нескольких нечетких величин на основе интегральной меры;
3) нечеткие системы оценивания, основой которых является нечеткая база правил; здесь исследовано влияние на результаты вывода различных операторов конъюнкции (/-нормы), импликации (классической, неклассической), агрегации (аппроксимация Мамдани, формально-логический способ); параметрическая идентификация нечеткой системы оценивания проведена с использованием нейронной сети;
4) оценивание-на основе субъективных вероятностей позволяет учитывать несовпадающие мнения экспертов при оценивании однотипных ситуаций, описываемых антецедентом правила; базируется указанный тип оценивания величин на модифицированном байесовском подходе;
5) оценивание на основе алгебраических свойств отношений между величинами, представленное в виде аксиоматической системы, в которой носителем является множество величин, а сигнатура определена на множестве отношений: «больше» (>), «меньше» (<), «равно» (=), «неравно» (^, «больше или равно» ( ^, «меньше или равно» ( ^, «противоречиво», «неопределенно».
В третьей главе рассмотрены методы, модели, алгоритмы планирования действий в имитационно-лингвистической системе. Здесь различаются следующие виды действий: оценивание, вычисление, поиск в семантической сети специального вида, взаимодействие с пользователем. Основными функциями лингвистического обеспечения имитационно-лингвистических систем являются следующие: представление знаний о языке общения; перевод сообщения пользователя на язык, понятный компьютеру, и выявление целей пользователя; определение вида работы системы и обеспечение информацией вычислительных процессов; синтез (формирование) ответа на языке пользователя. Под планированием вычислений в работе понимается поиск последовательности действий, приводящих к достижению поставленной цели. В работе рассматриваются два способа планирования: декомпозиция больших программных систем на небольшие программные модули и далее композиция из модулей целевой программной системы, обеспечивающей решение поставленной пользователем задачи и планирование в пространстве задач (формул). При построении имитационно-лингвистических систем важную роль играют методы представления знаний об исследуемой предметной области. Автором выбрана семантическая сеть специального вида. Особенностью данного типа сети является то, что в качестве понятий здесь выбраны величины, характеризующие свойства объектов исследуемой предметной области. Основой для построения сети служат данные, полученные в результате опроса экспертов и анализ научно-технических источников информации по
12
исследуемой предметной области. Форма хранения информации в сети выбрана так, что данные представлены в виде сведений в рамках некоторого логического исчисления.
В четвертой главе рассмотрены инструментальные средства, которые решают следующие задачи: подготовка исходных данных, формирование и отладка алгоритмов, проверка адекватности используемых моделей.
В пятой главе приведены примеры применения имитационно-лингвистических систем для решения задач моделирования, прогнозирования, оптимизации и обучения.
В главе рассмотрено применение имитационно-лингвистических систем для решения проблемы прогнозирования опасности химических соединений: экологической опасности и влияние органических соединений на изменение свойств материалов паропроводов высокого давления. Решение указанной проблемы предполагает решение задач компьютерного ввода и представления химических соединений, а также оценки физико-химических свойств химических соединений путем анализа их структур. Основываясь на результатах эксперимента, нами разработана инструментальная система компьютерного представления химических структур и моделирования их воздействия на изменение механических свойств материалов паропроводов. Система представляет собой набор универсальных алгоритмов и программ, настраиваемых на экспериментальные данные. Основные функции системы - это моделирование влияния химических соединений на свойства стали, а также ввод, редактирование, представление структурной химической информации. Моделируются изменение временного сопротивления разрушению, условного предела текучести и твердости, относительного удлинения и ударной вязкости. Кроме того, химические соединения разбиваются на классы опасности в зависимости от степени воздействия на указанные выше параметры стали.
Экологическая опасность характеризуется следующими параметрами: предельно допустимая концентрация, летальная доза и класс опасности. Указанные параметры получают экспериментальным путем (опыты на животных), что требует больших материальных и временных затрат. Оценка данных характеристик возможна на основе моделирования. В работе рассмотрена комплексная система моделей, включающая предикатно-грамматическую модель, регрессионные модели и модель аналогий.
Пакет программ имитационно-лингвистического моделирования атмосферного информационного канала предназначен для имитации на компьютере флуктуации любых параметров (амплитуды, фазы, разности фаз и др.) разнесенных сигналов, необходимых при анализе и оптимизации качественных показателей информационных радиотехнических систем. Параметры имитационной модели атмосферного информационного канала, разработанной Ю.М. Полищуком, определены по экспериментальным данным о флук-туациях амплитуды, фазы, разности фаз и интенсивности случайных электромагнитных полей. Запросы разработчиков радиотехнических систем сво-
13
дятся к нахождению статистических характеристик сигнала в зависимости от значений параметров канала.
В работе рассмотрена проблема выбора оптимального состава работающего оборудования. Для решения указанной проблемы решены следующие задачи: разработаны имитационная модель тепловой сети, создан интерфейс пользователя с имитационной моделью для изменения параметров тепловой сети, определена целевая функция и ограничения.
В работе исследуются модели двух типов обучающих систем: вузовские среды и производственные тренажеры. Создание среды вузовского обучения предполагает разработку ряда моделей: онтологическую модель изучаемой дисциплины, модель обучающего (преподавателя), модель обучающегося (студента), а также создание правил обучающих воздействий. Среда вузовского обучения есть многоагентная система, задаваемая следующими компонентами: множеством агентов, множеством отношений между агентами, множеством действий, выполняемых этими агентами, средой обитания агентов. В системе определены следующие агенты: Преподаватель, Студент, Психолог, Методист, Администратор.
Все главы сопровождаются выводами, вытекающими из сущности рассматриваемых разделов. Приложения содержат акты внедрения результатов диссертационной работы, результаты экспериментов и другие иллюстративные материалы.
В выполненной диссертационной работе решена научная проблема комплексного оценивания количественных и качественных величин и создания на их основе инструментальных средств построения имитационно-лингвистических систем. Внедрение разработанных моделей, алгоритмов и программно-инструментальных средств вносит значительный вклад в решение проблемы разработки интеллектуальных систем моделирования.
Автор благодарен своим коллегам - сотрудникам кафедры Автоматизации обработки информации Томского университета систем управления и радиоэлектроники за непосредственное участие в обсуждении многих положений диссертационной работы.
Автор признателен своему научному консультанту - заведующему кафедрой Автоматизации обработки информации профессору Ехлакову Юрию Поликарповичу.
Особая благодарность автора за научное и практическое сотрудничество адресуется студентам кафедры Автоматизации обработки информации Томского университета систем управления и радиоэлектроники.
14
Глава 1. Методологические основы построения имитационно-лингвистических систем
1.1. Системы, модели
В связи с тем, что в работе происходит неоднократное обращение к понятиям система и модель, рассмотрим некоторые аспекты этих понятий.
Во-первых, будем различать системы материальные, являющиеся частью реального мира, и системы абстрактно-логические (алгебраические), не являющиеся частью реального мира, а заданные в форме логически связанных понятий и суждений. Типичным представителем последней является формализованная научная теория, имеющая самостоятельный статус.
Во-вторых, в нашей работе будем различать систему как предмет исследования, в нашем случае - предметная область, и систему как инструмент исследования, например, имитационно-лингвистическая система.
В рамках абстрактно-логических систем принято говорить скорее о структурах, чем о системах. При формализации абстрактной структуры ис- пользуется понятие «алгебраическая система». Такая система задается следующей парой [36]:
где непустое множество А - это носитель или универсум системы Е, пара ? ={R,F)- это сигнатура, в которой RnF=0, R — это множество предикатных символов (символов отношений), F— это множество функциональных символов (символов операций). Каждое отношение и каждая операция на множестве А задается своим символом (именем) и своей арностью.
Для описания свойств алгебраических систем фиксированной сигнатуры й задают формальные языки. Для этого определяют символы констант и переменных, логические и вспомогательные символы. Термы сигнатуры ? определяют следующим образом:
1) константа есть терм;
2) переменная есть терм; если t\, t2,..., t„-термы и /- функциональный символ арности п, /е F, то f(tj, t2,... t„) - есть терм;
3) других термов нет.
Формулы сигнатуры ? определяют следующим образом:
1) если R - это предикатный символ арности п, tj, t2,..., t„- термы, то R(tj, t2,..., t„) - есть формула сигнатуры ?;
2) если ф]Нф2- формулы, то ~ф/} (ф} л ф2), (ф1 v ф2), (ф} -> ф2), (ф] <-» ф2) - формулы сигнатуры О;
3) если ф - формулы сигнатуры О со свободной переменной х, то \/х(ф) и Зх(ф) - формулы сигнатуры ?;
4) других термов нет.
15
Заданный таким образом формальный язык можно изучать, с точки зрения семиотики, тремя основными методами [39]:
• синтаксическим, когда исследуется структура и комбинации формул, не интересуясь тем, что они выражают;
• семантическим, когда формулы рассматриваются с точки зрения их интерпретации, того, что они обозначают и какой смысл имеют;
• прагматическим, когда учитывается роль языка при решении конкретных практических задач.
Для изучения свойств алгебраической системы вводится понятие интерпретации как отображение у: Х=> А. Для формулы ф, в которую входят переменные из множества X, определяется отношение истинности Е |= ф[у] (ф[у] истинна в Е) [36, 40, 41, 42].
Для множества формул Ф сигнатуры Й вводится понятие модель следующим образом. Алгебраическая система Е сигнатуры О называется моделью множества формул Ф, если существует интерпретация у в А переменных, свободно входящих в Ф, такая, что Е |= ф[у] справедливо для всех формул из множества Ф.
Рассматривая логические высказывания, С. Клини дает следующее определение модели: заменяя в высказывании атомы истинностными значениями (И, Л), получим модели - конкретные «реализации» воплощения того, что могут выражать высказывания [40].
Таким образом, при рассмотрении абстрактно-логических систем модель выступает как интерпретация некоторой абстрактной структуры (формального языка) в конкретный носитель (универсум) системы. Строя модель мы идем от абстрактного к конкретному, рассматривая формальную систему первичной, а конкретную действительность вторичной по отношению к формальной системе. В терминах абстрактно-логических систем модель - это структура с заданной интерпретацией.
В абстрактно-логических системах понятия и теории строятся на основе исходной аксиоматики и законов логики, а не из необходимости интерпретации реального мира [43].
Все объективно существующие (независимо от исследующего их субъекта) реальные системы относятся к системам материальным. Для таких систем примем следующее определение: «система - это множество элементов, находящихся в отношениях и связанных друг с другом, которое образует определенную целостность, единство» [44].
Одно из свойств системы как предмета исследования - множественность ее описания, означающее, что для адекватного описания требуется построение множества различных моделей, каждая из которых описывает лишь определенный аспект системы [44]. На практике, если не выдвигаются иные критерии (например, быстродействие), выбирается та, которая с меньшей погрешностью описывает объект-оригинал при решении конкретной задачи.
Под моделью некоторого объекта будем понимать замещающий его физический, семиотический или воображаемый объект, который в процессе
16
изучения заменяет объект-оригинал и воспроизводит некоторое изучаемое свойство объекта. Таким образом, из многообразия понятий «модель» [44] мы будем использовать модель как аналог объекта. Как отмечают авторы [31], «работа не с самим объектом (явлением, процессом), а с его моделью дает возможность безболезненно, относительно быстро и без существенных затрат исследовать его свойства и поведение в любых мыслимых ситуациях».
По мнению H.H. Моисеева «под моделью будем понимать упрощенное, если угодно, упакованное знание, несущее вполне определенную, ограниченную информацию о предмете (явлении), отражающее те или иные его отдельные свойства. Модель можно рассматривать как специальную форму кодирования информации. В отличие от обычного кодирования, когда известна вся исходная информация, и мы лишь переводим ее на другой язык, модель, какой бы язык она не использовала, кодирует и ту информацию, которую люди раньше не знали. Можно сказать, что модель содержит в себе потенциальное знание, которое человек исследуя ее, может приобрести, сделать наглядным и использовать в своих практических жизненных нуждах» [45].
Д. Люгер считает, что "ученому нужна модель, достаточно качественная для рассмотрения эмпирических вопросов. Доказательством качества модели является ее способность интерпретировать, предсказывать и адаптироваться" [13], а, по мнению Т. Куна, модель используется для исследования, объяснения и предсказания, и, если она выполняет эти функции, то это - удачная модель [46].
Цель построения модели - получение новых знаний об исследуемом объекте. Получение новых знаний об объекте означает изучение базовых его свойств и отношений с другими объектами.
Основные методы изучения свойств объекта - это измерение или наблюдение, испытание или эксперимент, вычисление, оценивание, рассуждение. Как отмечается в работе [39] с помощью наблюдений и эксперимента обнаруживаются внешние, непосредственно наблюдаемые свойства объектов, но для раскрытия глубинных закономерностей необходимо обращение к теории, которая предполагает построение гипотез, абстрактных понятий и моделей.
Моделирование - выявление свойств выделенного класса объектов путем построения и исследования их моделей. Моделирование является одним из основных способов описания предметной области. В абстрактно-логической трактовке предметная область - это универсум рассуждений. Предметная область в системе материальной — это область исследования или экспертизы, т.е. множество объектов и отношений между ними, описывающих класс задач, решаемых с помощью создаваемой системы. По мнению И.С. Ладенко, к предметной области следует отненсти и множество высказываний об объекте, свойствах и отношениях [3]. Объект - элемент предметной области, подлежащий исследованию. При построении систем различают следующие типы объектов [47]:
1) эмпирические или физические объекты - это наблюдаемые объекты, являющиеся фрагментом действительности;
17
2) теоретические объекты - это гипотетические объекты, являющиеся предметом мыследеятельности исследователя и введенные им для объяснения изучаемого явления;
3) идеализированные объекты, образованные посредством идеализации (приема познания действительности), примерами таких объектов являются понятия абсолютно черного тела в физике, точка в геометрии;
4) абстрактные объекты, образованные посредством операции абстрагирования, это такие понятия как краснота, плод, судимость и др.;
5) идеальные объекты, для которых нет прообраза в реальном мире и которые выступают как особый инструмент познания, примерами таких объектов являются меридианы, параллели, координаты и др.
Предметная область в наших исследованиях описана лишь частично. Описания в процессе работы имитационно-лингвистических систем могут быть пополнены, т.е. изучаемая предметная область является открытой.
Модель предметной области - это упрощенный образ реальной предметной области, отражающий наиболее существенные ее свойства. Набор этих свойств определяется целями моделирования и ресурсами, отпущенными на создание модели. Изучаемая предметная область может характеризоваться множеством составляющих, для которых строятся свои модели. Как отмечают СП. Курдюмов и Г.Г. Малинецкий, множество переменных, описывающих нашу реальность, очень велико, принять во внимание все переменные в этом множестве человек не в силах, но для понимания и предсказания происходящего достаточно нескольких параметров, которые адекватно отражают происходящее [48]. Основой для выявления таких переменных является системный анализ.
Системный анализ является методологической основой для формирования и исследования концептуальных моделей. Ю.М. Плотинским выделено одиннадцать этапов, которые позволяют дать анализ конкретной проблемы и построить концептуальную модель:
1. Формулировка основных целей и задач исследования.
2. Определение границ системы, отделение ее от внешней среды.
3. Составление списка элементов системы (подсистем, факторов, переменных и т.д.).
4. Выявление сути целостности системы.
5. Анализ взаимосвязей элементов системы.
6. Построение структуры системы.
7. Установление функций системы и ее подсистем.
8. Согласование целей системы и ее подсистем.
9. Уточнение границ системы и каждой подсистемы.
10. Анализ явлений эмерджентности.
11. Конструирование системной модели.
В нашей работе этап разработки концептуальных моделей подробно не исследуется, подобный анализ дан в работах [50, 51, 52].

Получить работу