Динамическая Модель электростанции на Системе «MES-T2 2012»

Модель электростанции это набор математических формул, отражающий технологический процесс от входа (топливо) до выхода (тепловая и электрическая энергия). Чем точнее Модель, т.е. чем больше технологических факторов (потери, расходы на собственные нужды) она учитывает, тем лучше она отражает реальное производство.

Динамическая Модель должна оперативно учитывать все технологические изменения.

Теперь представьте, что эти изменения реализуются автоматически самой Системой. Тогда можно говорить о самонастраиваемости и самообучаемости.

Безусловно, это фантастика! Но эту фантастику при желании ОГК и ТГК на Системе «MES-T2 2012» легко можно реализовать.

Утверждать это можно с большой уверенностью, исходя из конструктивных особенностей Системы «MES-T2 2012», которая включает два элемента: статическая часть - пустой исполнительный модуль (программа "Конструктор АРМов") и динамическая часть - текстовое описание задач в виде ПРОЕКТОВ. Вся Система автоматически настраивается с этих текстовых ПРОЕКТОВ.

Теперь, посредством обратной связи автоматически внеся изменение в текст ПРОЕКТА и выполнив автоматическую настройку, это изменение будет внесено в DLL-программы расчёта. Вот вам и самообучаемая Модель.

Чем динамичнее Модель электростанции, тем она точнее отражает технологические, а значит и экономические составляющие.

Оперативное прогнозирование и планирование с помощью динамической Модели на Системе «MES-T2 2012» обеспечит электростанциям наилучшие экономические показатели по сравнению с другими статическими системами.

Вот лишь некоторые НОУ-ХАУ ИННОВАЦИОННОЙ СИСТЕМЫ «MES-T2 2012»:

1) Описание АРМа (набор технологических задач) на простом человеческом МЕТА языке 4-го поколения в виде текстового ПРОЕКТА;
2) Автоматическая настройка всей Системы расчётов с текстового ПРОЕКТА;
3) Автоматическое создание расчётных DLL-программ;
4) Автоматическая настройка работы Приложения Клиент/Сервер по 3-х звенной структуре с любым SQL-Сервером;

Демонстрационная версия Системы «MES-T2 2012» на сайте: www.Inform-System.ru.

1. Понятие динамической модели означает, что она может изменять свою структуру и параметры, правильно понял?
2. Простой человеческий МЕТА язык 4-го поколения это язык профессионалов, сленг?

Почему именно DLL-программ?

Понимаю, что определение модели пока не выработано, но в любом случае это должно быть нечто единое целое, связывающее входы и выходы. Может быть следует писать так: "Модель электростанции это набор взаимосвязанных математических формул .."?

Формула суть точное определение какого нибудь понятия или закона. Может быть вместо "формул" надо писать "уравнений"?

boris_mvr пишет:Почему именно DLL-программ?

А каких ещё? Вам бы следовало спросить, а почему не ...?

boris_mvr пишет:1. Понятие динамической модели означает, что она может изменять свою структуру и параметры, правильно понял?
2. Простой человеческий МЕТА язык 4-го поколения это язык профессионалов, сленг?

Напротив, язык предназначен для технологов.

Значит язык профессионалов, есть сленг.

boris_mvr пишет:Понимаю, что определение модели пока не выработано, но в любом случае это должно быть нечто единое целое, связывающее входы и выходы. Может быть следует писать так: "Модель электростанции это набор взаимосвязанных математических формул .."?

Формула суть точное определение какого нибудь понятия или закона. Может быть вместо "формул" надо писать "уравнений"?

Понятие Модель в нашем случае включает всё многообразие от уравнений до исполнительной программы.

boris_mvr пишет:Значит язык профессионалов, есть сленг.

Любой язык - это сленг.

Это не так (языкознание).

boris_mvr пишет:Это не так (языкознание).

http://ru.wikipedia.org/wiki/%D1%EB%E5%ED%E3

Сленг (от англ. slang) — терминологическое поле, набор особых слов или новых значений уже существующих слов, употребляемых в различных человеческих объединениях (профессиональных, социальных, возрастных и иных групп).

Но терминологическое поле это и есть язык.

Приведу пример, 800 лет до нашей эры, взят из описания жизни одного торговца тех времен. Читать и писать не умел, поэтому разработал свой язык описания сделок, в каждый значок вкладывался определенный образ для определения определенного стереотипа мышления. Язык оказался намного точнее и содержательней разговорного. Выслал еще и по почте рисунок формирования сделки со сленгом уже нашего времени.

В языкознании есть вертикальные и горизонтальные типы связей в языке, они хорошо описаны, их можно использовать для редактирования языка профессионалов.

boris_mvr пишет:В языкознании есть вертикальные и горизонтальные типы связей в языке, они хорошо описаны, их можно использовать для редактирования языка профессионалов.

Мне вот не понятно. Скажем, для расчётов есть обычный инженерный язык вычислений плюс логика. Вот и всё!

У меня должна сохраниться одна работа, поищу и выложу.

Пока высылаю образную математику, пока не нашел.

ОБРАЗНАЯ МАТЕМАТИКА
01.02.2006 19:25:02, Антонов Владимир Михайлович // Известия науки

Образная математика

Антонов В.М.
Липецк


Наряду с числовой, матричной и векторной математиками может существовать образная математика, единицей информации которой является сплошной образ. Сплошным образ становится тогда, когда размеры его пикселей стремятся к нулю. Образная математика удобна для теоретического исследования нервных систем (включая мозг) живых существ и технических систем, действующих по тому же принципу.

Под образной договоримся понимать такую математику, в которой единицей информации выступает не число (или символ, его заменяющий), не матрица чисел и не вектор, а сплошной образ; сплошным образ становится тогда, когда размеры его пикселей стремятся к нулю. В общем случае образ можно представить в виде диапозитива. Начала образной математики представлены в [1].
Образная математика может существовать сама по себе; у неё - свои законы, которые ещё предстоит выяснить. Но уже сейчас можно говорить о том, что действия в ней отличаются от действий числовой математики существенным образом: вместо сложения, вычитания, умножения, деления, возведения в степень, извлечения корней, логарифмирования, дифференцирования, интегрирования и прочих операций с числами, должны появиться операции как с отдельными образами (например усиление, ослабление, суммация, насыщение, разбавление, негативизация, разделение, расширение, сжатие, поднятие и опускание уровней, изменения контрастности, пропорциональное изменение, аккомодация, изменение во времени и прочее), так и совместной обработки (активация пассивного образа активным, просветление одного образа другим как сложение образов, затемнение как вычитание, нормирование, приведение одного образа к другому, определение степени сходства образов и другие). Новыми будут не только процедуры математических операций, но и приборные средства для их реализации. Прикладные направления образной математики будут осуществляться в различных областях человеческой деятельности, особенно там, где большие потоки информации сопрягаются с требованием высокого и особовысокого быстродействия, где требуется минимум затрат для решения сложных задач, где программное обеспечение невыполнимо вследствие неограниченного роста числа учитываемых видов информации. Особой областью применения прикладной образной математики являются теоретические исследования живых и технических нервных систем (обучаемых систем управления).
Определимся с обозначениями и символами. Образы будем обозначать прописными (большими) латинскими буквами, а скаляры - строчными (малыми).
[…] - символ пакета образов, например [B,C] - пакет диапозитивов B и C.
(=>) - символ активации пассивного образа активным, например просвечивание пакета [B,C] активным образом U (потоком света): U=>[B,C].
(=) - символ результата активации, например появление светового образа D на выходе из пакета [B,C] при просвечивании его активным образом U: U=>[B,C]=D.
(}) - символ суммации активного образа и превращение его в скаляр, например U=>[B,C]=D}=e или в упрощенном виде: U=>[B,C]}.
(x) или (*) - символ усиления или ослабления образа в результате умножения его на скаляр; если скаляр больше единицы - усиление, если меньше - ослабление.
(+), (-) - символы сложения и вычитания образов; при сложении - просветление образа; при вычитании - затемнение.
Конкретные обозначения:
Bj - образ очувствления в j-ой ситуации;
Cj - образ состояния мозга (живого или технического) в той же ситуации; синаптический образ;
U - образ питания; в живых нервных системах - образ напряжения рецепторной среды;
e - скалярная величина сигнала управления.
В наглядном оптическом примере образы Bj и Cj представляются как диапозитивы; образ U - как поток света, направляемый на них, а сигнал управления e - в виде суммарного светового потока на выходе.

Пример.
Проследим за ходом обучения мозга (живого или технического) в образном представлении в соответствии с биогидравлической моделью [2]. Согласно этой модели, сенсорная информация, идущая от рецепторов, проходит параллельным потоком через мозг как через фильтр, и сразу же направляется к соответствующей мышце (исполнительному органу); у каждой мышцы - свой фильтр; действуют мышцы независимо друг от друга; рисунки проходимостей фильтров формируются автоматически в процессе обучения; порядок формирования рисунка будет рассмотрен ниже.
Фактический сигнал управления ef на отдельную мышцу (на отдельный исполнительный орган) в j-ой ситуации перед дообучением определится как

U=>[Bj,C(j-1)]} = ef, (1)

где C(j-1) - синаптический образ, сложившийся в предыдущей ситуации.
Погрешность сигнала управления dej равна разности требуемого сигнала управления в той же ситуации ej и фактического сигнала ef:

dej = ej - ef. (2)

В биогидравлической модели нервных систем [2] корректирующий образ состояния мозга dCj (коррекция синаптического образа) определяется погрешностью dej и образом текущей ситуации Bj:

dCj = k * dej * Bj, (3)

где k - коэффициент пропорциональности; скалярная величина.
При безошибочном обучении в рассматриваемой ситуации корректирующий образ dCj полностью устраняет погрешность dej:


U=>[Bj,dCj]} = dej. (4)

Подставим (3) в (4) и получим

k = 1 / (U=>[Bj,Bj]}).

Корректирующий образ выглядит теперь как

dCj = dej * Bj, (5)

где Bj - удельный образ очувствления:

\Bj = Bj / (U=>[Bj,Bj]}). (6)

Окончательно синаптический образ Cj после обучения в j-ой ситуации определится в результате усиления (просветления) на величину dCj:

Cj = C(j-1) + dCj. (7)

Выражения (1), (2), (5) и (7) представляют собой дискретный алгоритм естественного обучения в образном представлении. По своему виду они напоминают выражения того же алгоритма в пиксельной форме [1].
Рассмотрим пошаговый ход теоретического обучения мозга (живого или технического) в двух ситуациях, которым соответствуют образы очувствления B1 и B2. Считаем, что в первой ситуации требуемый сигнал управления - e1, а во второй - e2; исходное состояние синаптического образа C(0) - нулевое.

1.1. Цикл 1-ый, шаг 1-ый, ситуация 1-ая, образ B1.

Фактический сигнал управления перед актом обучения определится как

e(0,B1) = U=>[B1,C(0)]} = 0.

Погрешность сигнала управления составит

de(0,B1) = e1 - e(0,B1) = e1.

Корректирующий образ состояния мозга, формирующийся во время акта обучения, имеет вид:

dC(1.1) = de(0,B1) * \B1 = e1 * \B1.

После завершения обучения на 1-ом шаге 1-го цикла сформируется следующий синаптический образ:

C(0.B1) = C(0) + dC(1.1) = dC(1.1) = e1 * \B1.

1.2. Цикл 1-ый, шаг 2-ой, ситуация 2-ая, образ B2.

Все действия повторяются.

e(0.B1,B2) = U=>[B2,C(0.B1)]} = e1 * S12,

где S12 - коэффициент (скалярная величина), определяемый выражением

S12 = (U=>[B1,B2]}) / (U=>[B1,B1]}). (8)

Это выражение в ходе обучения будет регулярно повторяться, поэтому оно заслуживает особого внимания. Анализируя его физическую суть можно прийти к выводу, что S12 есть коэффициент приведения образа 1-ой ситуации к образу 2-ой.

de(0.B1,B2) = e2 - e1 * S12;

dC(1.2) = (e2 - e1 * S12) * \B2;

C(0.B1.B2) = C(0.B1) + dC(1.2) = e1 * \B1 + (e2 - e1 * S12) * \B2.

На этом первый цикл обучения завершён.

2.1. Цикл 2-ой, шаг 1-ый, ситуация 1-ая, образ B1.

e(0.B1.B2,B1) = U=>[B1,C(0.B1.B2)]} = e1 + (e2 - e1 * S12) * S21,

где

S21 = (U=>[B1,B2]}) / (U=>[B2,B2]}). (9)

Скалярная величина S21 может считаться коэффициентом приведения образа 2-ой ситуации B2 к образу 1-ой ситуации B1.

de(0.B1.B2,B1) = e1 - e(0.B1.B2,B1) = -(e2 - e1 * S12) * S21;

dC(2.1) = -(e2 - e1 * S12) * S21 * \B1;

C(0.B1.B2.B1) = e1 * \B1 + (e2 - e1 * S12) * (\B2 - S21 * \B1).

2.2. Цикл 2-ой, шаг 2-ой, ситуация 2-ая, образ B2.

e(0.B1.B2.B1,B2) = U=>[B2,C(0.B1.B2.B1)]} =
=e1 * S12 + (e2 - e1 * S12) * (1 - S121),

где S121 - коэффициент (скалярная величина), определяемый выражением

S121 = S12 * S21 = (U=>[B1,B2]}) * (U=>[B1,B2]}) /
/(U=>[B1,B1]}) * (U=>[B2,B2]}). (10)

Физический смысл данного выражения заключается в том, что оно отражает степень сходства образов обеих ситуаций. Численные значения коэффициентов приведения S12, S21 и степени сходства образовS121 могут быть определены методами, изложенными в [1]. Трактовка выражения (8) в оптическом варианте такова: в числителе - суммарный поток света, проходящий сквозь пакет диапозитивов обоих образов при подаче на них нормированного просвечивающего потока; в знаменателе - суммарный поток света, проходящий сквозь пакет из двух одинаковых диапозитивов образа 1-ой ситуации при том же просвечивающем потоке. Выражение (9) отличается тем, что в знаменателе - пакет из двух одинаковых диапозитивов образа 2-ой ситуации. Степень сходства образов определяется как произведение обоих коэффициентов приведения S12 и S21.

de(0.B1.B2.B1,B2) = e2 - e(0.B1.B2.B1,B2) = (e2 - e1 * S12) * S121;

dC(2.20 = (e2 - e1 * S12) * S121 * \B2;

C(0.B1.B2.B1.B2) = e1 * \B1 + (e2 - e1 * S12) *
* ((1 + S121) * \B2 - S21 * \B1).

3.1. Цикл 3-ий, шаг 1-ый, ситуация 1-ая, образ B1.

e(0.B1.B2.B1.B2,B1) = e1 + (e2 - e1 * S12) * S21 * S121;

de(0.B1.B2.B1.B2,B1) = -(E2 - e1 * S12) * S21 * S121;

dC(3.1) = -(e2 - e1 * S12) * S21 * S121 * \B1;

C(0.B1.B2.B1.B2.B1) = e1 * \B1 + (e2 - e1 * S12) * (1 + S121) *
* (\B2 - S21 * \B1).

3.2. Цикл 3-ий, шаг 2-ой, ситуация 2-ая, образ B2.

e(0.B1.B2.B1.B2.B1,B2) = e1 * S12 + (e2 - e1 * S12) * (1 - S121^2);

de(0.B1.B2.B1.B2.B1,B2) = (e2 - e1 * S12) * S121^2;

dC(0.B1.B2.B1.B2.B1.B2) = (e2 - e1 * S12) * S121^2 * \B2;

C(0.B1.B2.B1.B2.B1.B2) = e1 * \B1 + (e2 - e1 * S12) *
* ((1 + S121 + S121^2) * \B2 - (S12 + S12 * S121) * \B1).

И так далее.
Уточним обозначения: e(0.B1.B2.B1.B2.B1,B2) - фактический сигнал управления (скаляр) после обучения последовательно в ситуациях 1-ой, 2-ой, 1-ой, 2-ой, 1-ой и при предъявлении образа 2-ой ситуации B2; de(0.B1.B2.B1.B2.B1,B2) - погрешность сигнала управления при тех же условиях; dC(0.B1.B2.B1.B2.B1.B2) - коррекция синаптического образа; C(0.B1.B2.B1.B2.B1.B2) - синаптический образ мозга после обучения последовательно в ситуациях, образы которых указаны в скобках.
Анализ проведённого теоретического обучения показывает, что трёх циклов достаточно для того, чтобы выявить основные закономерности обучения. Так появляется удельный образ очувствления (6), выявляются коэффициенты приведения образов одного к другому (8) и (9) и степень сходства двух образов (10). Погрешность сигнала управления в каждом последующем цикле de(T) определяется погрешностью в той же ситуации предыдущего цикла de(T-1), умноженной на степень сходства образов S121:

de(T) = de(T-1) * S121. (11)

Такое соотношение называется функцией последования. Учитывая то, что степень сходства двух образов S121 всегда меньше единицы, выражение (11) свидетельствует о сходимости процесса обучения: каждая последующая погрешность сигнала управления будет меньше предыдущей. Исключение составляют только те образы, степень сходства которых равна единице, а такие образы (и их ситуации) можно охарактеризовать как противоречивые: нельзя требовать различные сигналы управления в полностью схожих ситуациях. Из выражения (11) следует и то, что, чем меньше степень сходства образов, тем стремительнее будет уменьшаться погрешность сигнала управления и тем успешнее будет проходить обучение. Обучение завершается, очевидно, тогда, когда погрешность окажется меньше допустимого значения.
Теоретическое обучение в двух ситуациях на основе образной математики позволяет выявить результирующий синаптический образ обученного мозга C(T) после T циклов обучения:

C(T) = e1 * \B1 + (e2 - e1 * s12) * (1 + S121 + S121^2 +…+ S121^(T-1)) * \B2 - (1 + S121 + S121^2 +...+S121^(T-1)) * S21 * \B1.

Также могут быть определены и другие показатели процесса обучения. Все закономерности, выявленные с помощью образного представления информации в нервных системах, ничем не отличаются от пиксельных закономерностей, представленных в [1].
Резюме. Наряду с числовой, матричной и векторной математиками может существовать образная математика, единицей информации которой является сплошной образ. Сплошным образ становится тогда, когда размеры его пикселей стремятся к нулю.
Образная математика удобна для теоретического исследования нервных систем живых существ (включая мозг) и технических систем, действующих по тому же принципу.

Ссылки
[1]. Антонов В.М. Обучаемые системы управления/ Липецк, ЛГТУ, 1998.- 415 с.
http://www.314159.ru/neuro/
[2]. Антонов В.М. Биогидравлическая модель нервных систем/ Ж. Мехатроника, автоматизация, управление. №5 - 2004.
http://314159.ru/biology.htm

Немного о фреймах.

Принятие решений: наука, технология и культура
Автор: Ольга Петерсон
Опубликовано 05 марта 2003 года

Страница 2 из 2. Вернуться на первую страницу.

3. Многоликий фрейм

Принятие решений – это процесс, привлекающий возможности разных наук: психологии, теории управления, кибернетики, искусственного интеллекта, системного анализа, экономики, культурологии и многих других отраслей знаний. Таким же междисциплинарным является один из компонентов принятия решений – фреймы.

Понятие фрейма связано одновременно с несколькими научными направлениями. Еще в первой половине нашего века появилось такое течение в психологии, как гештальт-психология. Основная идея гештальт-психологов заключалось в том, что мы воспринимаем окружающие нас мир не как набор отдельных элементов, а как целостную связанную структуру.

Более современное направление – когнитивная психология – занимается проблемой переработки информации человеком. В частности большую роль играют всевозможные структуры, сценарии, схемы, ожидания, прогнозы и т.д., которые содержатся в нашем сознании, организуя нашу память и наше восприятие. Новое знание не просто «кладется в копилку» сознания, а встраивается в существующую структуру.

Понятие фрейма активно используется в области искусственного интеллекта. Собственно слово «фрейм» появилось после выхода книги ученого из MIT Марвина Минского: «Фреймы для представления знаний». Фрейм позволяет формализовать знания о предмете или ситуации так, что их могла активно использовать машина.

Еще один «прародитель» фрейма – это филология. Классическим примером могут служить работы Владимира Проппа о морфологии волшебной сказки. В этих работах он вычленяет типовые сценарии и элементы, на которых строится подавляющее большинство сюжетов.

Слово frame в английском языке имеет два типа значений. Во-первых, это рамка, оконная рама; во-вторых, – каркас, скелет, остов. Именно на этой игре значений и построен термин фрейм. Он означает следующее.

Фрейм – это идеальная модель ситуации, ее наиболее типичное выражение. Фрейм включает в себя такой набор элементов, который позволяет отнести эту ситуацию к какому-то типу ситуаций – не более и не менее.
Фрейм – это своего рода эталон. Сравнение с ним позволяет понять, относится ли ситуация к данному типу.
Фрейм – это простая модель ситуации, ее скелет. Он включает в себя лишь такое количество важнейших элементов, которое мы способны одновременно воспринять и обработать, чтобы получить общее и цельное представление о проблеме. Это сильное и эффективное средство для сохранения той степени сложности, которую позволяют пределы наших мыслительных возможностей.

Ни одна проблема, ни одна конкретная или абстрактная ситуация, никакой образ вообще не могут быть восприняты нами иначе, чем посредством фрейма. Фрейм не дает разуму утонуть в море информации, обеспечивая выбор важнейшего и отброс несущественного.

Опасность, однако, в том, что фрейм дает лишь частичное видение проблемы. Таким образом, используемый фрейм может – часто бессознательно – воздействовать на принимаемое решение. Лица, успешно принимающие решения, осознают используемые ими фреймы, и овладевают навыками работы с фреймами в принятии решений.

4. «Окна разума»

Фрейм – это своего рода окна разума, через которые мы воспринимаем и понимаем мир. Это – мыслительные структуры, выстраивающиеся по мере накопления опыта и используемые нами, чтобы осмыслить окружающий нас информационный хаос. Фреймы сводят сложность окружающего мира до управляемого уровня. Они приводят поток приходящей извне информации в соответствие с нашими возможностями ее обработки.

Но упрощение посредством фрейма имеет свою цену. Ни один фрейм не может выявить проблемную ситуацию во всей ее полноте. Большинство из них не может даже обеспечить учет всех существенных для принятия решения факторов.
Как фрейм влияет на реальное принятие решения? То есть, каким образом восприятие проблемы влияет на ее разрешение?

Во-первых, фреймы определяют, что внутри, а что снаружи. Они очерчивают ту часть ситуации, которая воспринимается как проблема, подлежащая решению. Опасность, конечно, в том, что остается вне очерченных пределов. Лучшие фреймы упрощают проблемную ситуацию за счет несущественных элементов, сохраняя наиболее значимые.

Однако даже внутри фрейма с элементами обходятся по-разному. Некоторые выдвинуты на первый план, находятся в центре, наше внимание привлечено к ним, в то время как другие задвинуты, убраны в тень или лежат на периферии. Наилучший фрейм выдвигает на первый план наиболее важное и отодвигает в тень только то, что может быть отложено.

Фреймы также задают системы ценностей, предопределяющие, что нам покажется приобретением, а что мы увидим (и ощутим) как потерю. Эти ориентиры часто являются для нас мерилом для оценки наших действий.

Наконец, фреймы иногда содержат системы оценок – своего рода "аршины", позволяющие "смерить" ключевые ценности.

Каждый из этих аспектов эффекта фрейма может повлиять на окончательное решение, часто труднопредставимыми способами. Понять этот эффект – значит понять, как действуют эти четыре свойства.

Фреймы ограничивают сложность окружающего мира и добавляют находящееся в пределах фрейма к различным соответствующим участкам сознания. Самое опасное в таком ограничении – не подозревать о нём, не осознавать, что фрейм укрывает столь же хорошо, как и проявляет, и что существуют другие видения проблемы. Мы должны так же хорошо представлять проблемные рамки наших фреймов, как художники – края своих холстов или фотографы – границы кадра.

Не все представления, которые помогают нам понять окружающий мир, являются фреймами. Но когда система представлений выстроена четко и последовательно, многогранно применяется к различным решениям, когда она обуславливает наше восприятие окружающего мира – тогда эта система представлений становится фреймом. Теперь в ее власти ограничивать наше мышление, управлять нашим восприятием и пониманием проблемы. И сила, и опасность фрейма – в его господстве над конкретными обстоятельствами ситуации. Наше внимание к фактам зависит в такой же степени от включенности и места их во фрейме, в какой и от их действительной значимости в данном случае.

5. Управление фреймами и управление бизнесом

Хотя фреймы и играют важную роль в процессе принятия решений, не всякое решение определяется фреймами, и не всякое представление, используемое при принятии решения, есть фрейм. Существует множество проблемных ситуаций, для которых большинство людей не имеет заранее готового фрейма. Как мы выбирали наше теперешнее место работы? На самом деле, одной из важнейших задач менеджера, обусловленой известной полезностью явления фрейма, является создание набора фреймов. И одна из ролей советников по управлению – создание и внедрение новых фреймов. Но заметьте также, что не все представления, используемые в принятии решений, достигают статуса фрейма.

Два менеджера могут не соглашаться между собой не потому, что применяют к проблеме различные фреймы, а потому, что они защищают свои собственные столкнувшиеся интересы. Это – конфликт линий поведения, а не столкновение фреймов. Несогласие возникает не из-за того, что люди по-разному видят проблему, но из-за того, что они по-разному оценивают ее. То есть они ясно видят одни и те же элементы проблемной ситуации, но не согласны друг с другом в определении первостепенно значимого.

Мы должны быть внимательнее, выделяя собственно фреймы из числа других факторов, способных повлиять на решение. Фрейм определяет, как мы воспринимаем проблемную ситуацию, что подлежит нашему осознанию, а что – нет. Наибольшее влияние фрейма проявляется при вводе информации: оно определяет, что окажется в сфере нашего внимания, что будет акцентировано, и как все это будет выглядеть с точки зрения наших систем ценностей и оценок
Фреймы проистекают из множества источников: это и культурные традиции, и устоявшиеся принципы бизнеса, и наша "родная" отрасль промышленности и организация, и профессиональная подготовка вкупе с опытом, и даже наш индивидуальный стиль мышления.

Продолжение следует


--------------------------------------------------------------------------------
Об авторе: Ольга Станиславовна Петерсон. Родилась в С.-Петербурге, получила образование в США (North Western университет и университет Чикаго). Президент компании «ЭпикРус», занимающейся автоматизацией управления предприятием. По результатам опроса участников Международного Финансового Форума (Москва, Кремль, 2002), «ЭпикРус» была признана лучшей компанией на рынке программных продуктов для автоматизации финансово-управленческой деятельности. Ольга Петерсон – кандидат экономических наук, преподаватель Высшей школы бизнеса МГУ.

В данном случае мне здесь абсолютно спорить не с чем, да и незачем.
Есть наука, которая пытается объяснить, как мыслит человек. Очень хорошо.
Что-то подобное я читал в детстве у Росса Эшби про нейронное управление и память.

http://ru.wikipedia.org/wiki/%DD%F8%E1%E8,_%D3%E8%EB%FC%FF%EC

Уильям Росс Эшби (англ. William Ross Ashby; 6 сентября 1903, Лондон, Англия, — 15 ноября 1972) — английский психиатр, специалист по кибернетике, пионер в исследовании сложных систем.
Эшби принадлежит изобретение гомеостата (1948), введение понятия самоорганизации. Он сформулировал закон о требуемом разнообразии, названный его именем (закон Эшби): «управление может быть обеспечено только в том случае, если разнообразие средств управляющего (в данном случае всей системы управления) по крайней мере не меньше, чем разнообразие управляемой им ситуации».

http://www.physics.uni-altai.ru/community/wiki/JeshbiUil'jamRoss

Американский Форекс кибернетик Уильям Росс Эшби считает, что «в любой изолированной системе развиваются свои формы жизни и разума». Свой вывод он сделал на основе наблюдения за работой кибернетических машин. Но ученым пока не ясны причины, которые заставляют любую систему самоорганизовываться.
Согласно общей теории Форекс, в природе действует не один, а целых два противоположных принципа – отталкивания и притяжения, установления равновесия и его нарушения, уменьшения порядка и его увеличения. Принцип притяжения, нарушения равновесия, увеличения порядка ответственен за явления самоорганизации.
Таким образом, прав, конечно, Эшби. К правильному выводу его привела здоровая логика, позволившая преодолеть искусственные барьеры, возведенные энтропией.
Профессор кибернетики и психиатрии Иллинойского университета Уильям Росс Эшби говорил, что "…если биология призвана изучить и понять подлинно сложные системы, то этому должны соответствовать применяемые ею методы". Такие методы реализуются общей теорией систем, позволяющей изучить недоступные глазу наблюдателя ритмы клеточных преобразований.
Закон необходимости разнообразия (закон Эшби):
При создании проблеморазрешающей системы необходимо, чтобы эта система имела большее разнообразие, чем разнообразие решаемой проблемы, или была способна создать такое разнообразие. Иначе говоря, система должна обладать возможностью изменять своё состояние в ответ на возможное возмущение; разнообразие возмущений требует соответствующего ему разнообразия возможных состояний. В противном случае такая система не сможет отвечать задачам управления, выдвигаемым внешней средой, и будет малоэффективной. Отсутствие или недостаточность разнообразия могут свидетельствовать о нарушении целостности подсистем, составляющих данную систему.
Теорема Эшби: у системы тем больше возможностей в выборе поведения, чем сильнее степень согласованности поведения ее частей (т.е. в чем большей степени ее можно назвать системой).
Уильям Росс Эшби на Аллертоновском симпозиуме себе и другим задал вопрос: «Как быть с изменениями, которые произошли миллиард лет назад и привели к тому, что бесчисленные атомы углерода, рассеянные в небольших молекулах двуокиси углерода, метана, карбонатов и т. д., сталкивались до тех пор, пока не образовали белков, а затем не сформировали те крупные активные глыбы плоти, которые мы называем сегодня «животными»? Может ли современная теория систем сказать что-нибудь по этому поводу?»
Вопрос Эшби отнюдь не риторический – он сам спешит на него ответить…
Эшби: «Она может многое сказать, и в том числе нечто такое, что решительно противоречит всем высказываниям по поводу эволюции. В прошлом обычно предполагалось, что происхождение жизни – редкое и странное явление, а затем делались попытки показать, как же оно всё-таки могло произойти. Учёные пытались доказать, что есть какой-то путь перехода от двуокиси углерода к аминокислоте, от неё – к белку, а затем, через естественный отбор и эволюцию, – к разумным существам. Я утверждаю, что такие поиски совершенно ошибочны. Справедливо как раз обратное – каждая динамическая система даёт начало своей собственной форме разумной жизни и является в этом смысле самоорганизующейся.» … Жизнь может быть и кремниевой, и электронной, и какой угодно по «материалу», Но законы её возникновения одинаковы. «Мы долго не понимали этого факта по той причине, что до недавнего времени не имели опыта обращения с системами средней сложности…. С цифровой машиной… мы можем теперь начинать задумываться над системами, достаточно простыми, чтобы их можно было понять в деталях, и притом достаточно богатыми свойствами, чтобы давать пищу для размышлений. С их помощью мы сможем убедиться в справедливости утверждения о том, что каждая изолированная детерминированная динамическая система, подчиняющаяся неизменяющимся законам, создаёт «организмы», приспособленные к «окружающей среде».
Так говорил Эшби в Аллертоне, сразу же последовало доказательство.
Все системы в природе стремятся к равновесию. Однако, если исключить часто встречающийся, но неинтересный крайний случай безразличного равновесия – раскрученная пружина, упавший камень, то придётся признать: это стремление систем постоянно остаётся неудовлетворённым – огромное число состояний неравновесны. А это значит, что, достигнув равновесия, система переходит от большего числа состояний к меньшему. То есть она совершает выбор в том смысле, что некоторые состояния ею отвергаются – те, что она покидает, а некоторые сохраняются – те, в которые она переходит. «Нам до тошноты часто приходится слышать утверждение, – говорил Эшби, что машина не способна к выбору. Справедливо как раз обратное: каждая машина, стремясь к равновесию, совершает соответствующий акт выбора».
То есть она улучшает свои «жизненные условия» и саму себя – самоорганизуется, усложняется, умнеет, наконец! В ней появляется «своя» жизнь и «свой» разум».
«Конкуренция между видами считается чисто биологическим явлением, тогда как на самом деле это лишь выражение более общего процесса» Пусть у нас имеется вычислительная машина, память которой заполнена случайным образом цифрами, скажем, от 0 до 9. И пусть её работа подчиняется простому, но постоянно действующему закону: цифры попарно перемножаются и крайняя правая цифра произведения становится на место первого сомножителя. Запустим машину и дадим ей «эволюционировать». Что произойдёт? По законам этого мира, чётное, умноженное на чётное, даёт чётное, а нечётное, помноженное на нечётное, даёт нечётное. Но чётное, умноженное на нечётное, даёт чётное! Поэтому после ряда смешанных встреч чётные числа имеют больше шансов выжить, то есть остаться в памяти машины. Таким образом, по мере эволюционирования системы мы увидим, как чётные числа постепенно будут замещать нечётные. И всё это происходит только из-за того, что в замкнутой системе – вычислительной машине – постоянно действовали одни и те же законы.
…«Поэтому, когда мы спрашиваем, что явилось необходимым условием возникновения жизни и разума, ответом будет не «углерод» или «аминокислоты» или какие-либо другие конкретные вещи, а лишь то, что динамические законы природы были неизменными».
Так формулирует Эшби причины возникновения жизни с точки зрения кибернетики. И вместе с тем это, конечно, его ответ на вопрос, что есть самоорганизация и как она получается.

В основе Форекса лежат Законы Открытого Мира, я их описал и создал систему, Эшби во многом ошибался, но я опишу случай с его книгой по исчислению предикатов, там был пример. У Карла Маркса в роду были сумасшедшие, докажите, что Карл Маркс сумасшедший. Книги изъяли ...

boris_mvr пишет:Эшби во многом ошибался...

А не получится, что через полсотню лет сделают обратное утверждение?

Эшби сделал и много хорошего, многие его труды знал наизусть. Наука тоже не стоит на месте, на смену одним теориям приходят другие, они, как и люди, живут и умирают..

boris_mvr пишет:Эшби сделал и много хорошего, многие его труды знал наизусть. Наука тоже не стоит на месте, на смену одним теориям приходят другие, они, как и люди, живут и умирают..

Не умирает только Закон Подлости...