Процесс решения творческих научно-технических задач

На рисунке 2.1 приведена схема процесса решения задач с использованием ПЭВМ и современных программных сред.

Рис. 2.1. Схема решения творческих задач с использованием ПЭВМ

По этой схеме некоторый реальный процесс (явление - это есть мгновенный срез процесса) должен быть описан по определенной методике мысленного эксперимента путем последовательного (циклического) изучения и постепенного уяснения задачи (в нашем случае задачи получения добротной математической модели). В процессе изучения происходит отображение реального исследуемого процесса на определенные понятия и опыт изобретателя-исследователя.

Этот этап является наиболее психологически трудным, так как, прежде всего, здесь значительна опасность ложной эвристической идентификации фактов и соответствующих этим фактам факторов (переложение заметных и измеримых свойств объекта в категории факторов) и их взаимодействий. Поэтому необходима многократная повторность (если один исследователь) или применение экспертных методов для мысленного отображения в мозгу исследуемого процесса.

Путем абстрагирования (на следующем этапе), то есть исключения материальной ткани от её функционального каркаса, создается словесное описание исследуемого объекта. Такое сочинение на заданную тему образует эвристическую модель. Она, как правило, содержит мало данных, но много известных и предполагаемых априори знаний. Однако это сочинение содержит также много двусмысленностей, что характерно для естественного языка, и немало неясностей (зависит от стиля писателя), а иногда и непонятных выражений (отличия в терминах) и т.п.

Для повышения определенности описания и однозначности терминов необходимо составить эвроритм, т.е. алгоритм в интуитивном смысле. В этой эвроритмической модели элементами являются четкие по конструкции словосочетания (см. А.И. Половинкин, РЛ).

Остальные этапы по схеме на рисунке 2.1 хорошо известны. При построении знаковых моделей применяются общепринятые символы и условные обозначения.

Качественное (эвристическая модель, эвроритм) и количественное (числовые значения факторов) в процессе моделирования могут соотноситься по-разному. Это зависит от подготовленности исходной информации, от опыта исследователя и многих других особенностей. Рассмотрим только наиболее характерные отношения по предельным значениям условной оси «определенность - неопределенность».

Очевидно, что полная неопределенность в качественной и количественной исходной информации приводит к дилетантству, к поверхностным или общим рассуждениям (так школьников учат писать рефераты на широкие глобальные темы, от которых в познании очень мало толку). Особенно этот случай важен тогда, когда одну и ту же задачу вместе решают специалист и математик-программист. В этом случае без этого между ними не получится технологического взаимодействия.

Поэтому лучше всего, если в одном исследователе имеются свойства и специалиста, и программиста-пользователя ПЭВМ.

Тогда можно рассмотреть три варианта сочетания предельных значений информированности:

1) количественные данные известны, а качественные знания о задаче неизвестны (неопределенны были в прошлом, утеряны со временем или просто не публиковались); это задачи на восстановление сущности по количественным данным;

2) количественные данные неизвестны, но содержательная часть в виде рабочей гипотезы высокой вероятности существования определена; это класс задач, чаще всего расставляемых исполнителям руководителями в сферах управления, науки, техники, экономической теории и др., то есть задачи на восстановление количественных данных (по экспериментам, систематизации статистических данных и т.д.);

3) количественная и качественная информация по задаче определена; это - задачи на моделирование или перемоделирование (если конструкции моделей ранее были приняты на основе аппроксимационных позиций, например, в виде полиномов).

В первом случае применяют существующие знания для объяснения таблиц данных. При моделировании могут быть использованы известные математические конструкты. Хотя из самой матрицы данных можно «выловить» какое-то содержание, но в основном здесь применяют методы аппроксимации линеаризуемыми математическими функциями. Если по минимуму содержательности, получаемой из анализа самой таблицы, можно сделать заключение о соответствии данных устойчивому закону распределения (выполняют дисперсионный и корреляционный анализы, проверку на устойчивые законы распределения), то в этом случае возможно применение методов идентификации.

В реальных задачах полной неопределенности в содержательности не бывает, поэтому моделирование при их решении вполне возможно.

Во втором случае речь идет о логичности и доказательности только самой рабочей гипотезы. Во многих областях науки накоплены типовые содержательные ситуации (например в авиации), по которым можно судить о характере будущих количественных данных.

Ни один эксперимент не проводится без эвристического предположения об ориентировочных оптимумах, границах изменчивости факторов и других условиях поведения объекта исследования. В этом случае восстановление количественных данных, как говорят, «дело техники».

Многие объекты исследования, несомненно, подчиняются устойчивым законам (недобросовестность в описании содержания и получении исходных экспериментальных данных мы исключаем) развития, строения и взаимодействия. Поэтому эвристическое понимание существенно облегчается и практически накоплен такой богатый материал по первому случаю, что необходима просто состыковка данных со знаниями.

В чистом виде случай содержательного моделирования, без приведения числовых данных, очень распространен в гуманитарных науках. Во многих случаях достаточно просто понять характер явления или процесса, а для принятия управленческих решений иногда количественных данных даже и не требуется. Однако массовость этого второго случая превышает все разумные меры, поэтому необходимо какое-то рациональное соответствие между тремя случаями моделирования.

В третьем случае структурная определенность математической модели наиболее высока и статистически достоверна для формирования знаний (наука по Г. Спенсеру – организованное знание) и теорий. Вот этот процесс качественно-количественного анализа и синтеза называется нами эвристико-статистическим моделированием.

Здесь структурная определенность находится на первом месте, а количественная интерпретация рабочей гипотезы - на втором.

Тогда критериями адекватности статистической модели становятся:

1) понимание сущности объекта моделирования (эвристика);

2) добротность, полнота и оперативность получения исходных количественных данных (качество информации).

Статистическое моделирование, в общем случае, предполагает два этапа – выбор типа формулы и подбор на ПЭВМ её параметров. При методологии аппроксимации выбор модели происходит из заданного в памяти ПЭВМ множества формул, но они не имеют никакого содержательного смысла. При идентификации модель в виде нескольких (до семи) устойчивых законов заранее известна, поэтому остается только подобрать в специальной программной среде её параметры.