Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Формально-эвристические методы
основаны не на строгих математических и логических соотношениях, а на человеческом опыте, знаниях, интуиции. Наибольшее распространение из эвристических методов получили: · лабиринтные методы – задача представляется человеку в виде лабиринта возможных путей решений. В этом случае предполагается, что человек обладает способностью быстрого отсечения бесперспективных путей движения по лабиринту. В результате среди оставшихся путей с большой вероятностью находится путь, ведущий к решению поставленной задачи, · концептуальные методы – предполагают выполнение действий с концептами – обобщенные элементы и связи между ними. Концепты получаются человеком, возможно и несознательно, в процессе построения структурированной модели. В соответствии с концептуальным методом набор концепт универсален и ему соответствуют имеющиеся у человека механизмы вычисления, трансформации и формирования отношений. Человек проводит мысленных эксперимент со структурированной моделью и порождает ограниченный участок лабиринта, в котором уже не сложно найти решение. Основные понятия нестрогой математики Нестрогая математика (или математики здравого смысла) представляет собой совокупность приемов построения и использования моделей больших систем. Эти приемы основываются на неформальных суждениях и умозаключениях человека, формируемых им исходя из здравого смысла и жизненного опыта. Многие системы организационного типа (в частности, СЗИ) характеризуются высоким уровнем неопределенности, их основные цели функционирования определяются потребностями людей. Нестрогая математика и представляется как основа методологии моделирования таких систем. Основным базисом нестрогой математики являются: 1) в качестве меры характеристик изучаемых систем вместо числовых переменных или в дополнение к ним используются лингвистические переменные. Например, такая характеристика, как вероятность доступа злоумышленника к защищаемой информации, может принимать следующие лингвистические значения: «крайне незначительная», «существенная», «достаточно высокая»; 2) простые отношения между переменными в лингвистическом измерении описываются с помощью нечетких высказываний, следующего вида: «из А следует В», где А и В – переменные в лингвистическом измерении. Например, «если вероятность доступа злоумышленника к защищаемой информации существенная, то контроль за контролируемой территорией должен быть повышенным»;
3) сложные отношения между переменными в лингвистическом отношении описываются нечеткими алгоритмами. Вполне реальной является ситуация, когда строго количественные алгоритмы оценки ситуации и принятия решений являются нецелесообразными. Так не целесообразной является и попытки построения алгоритма для выработки общей стратегии ЗИ. В то же время на основе чисто интуитивных рассуждений квалифицированных и опытных специалистов можно построить нечеткие, но простые и адекватные реальным процессам, алгоритмы, создающие предпосылки для эффективного решения важных задач. Такой подход используется при обосновании рациональной технологии управления ЗИ, организации работ по ЗИ и т.п. В некоторых ситуациях целесообразным является построение некоторых обобщенных алгоритмов, которые создают предпосылки для наиболее рационального принятия решений в потенциально возможных ситуациях. Метод Монте-Карло Имитационное моделирование по методу Монте-Карло (Monte-Carlo Simulation) позволяет построить математическую модель для системы с неопределенными значениями параметров. Работу с моделью можно представить следующим образом: Применение метода имитации Монте-Карло требует использования специальных математических пакетов (например, специализированного программного пакета Гарвардского университета под названием Risk-Master), в то время как метод сценариев может быть реализован даже при помощи обыкновенного калькулятора. Первый шаг при применении метода имитации состоит в определении функции распределения каждой переменной, которая оказывает влияние на конечный результат (переменные, определяемые в процессе деятельности системы). Как правило, предполагается, что функции распределения являются нормальными, и, следовательно, для того, чтобы задать их необходимо определить только математическое ожидание и дисперсию.
Как только функция распределения определена, можно применять процедуру Монте-Карло: 1) опираясь на использование статистического пакета, случайным образом выбираем, основываясь на функции распределения, значение переменной, которая является одним из параметров определения конечного результата; 2) выбранное значение случайной величины наряду со значениями переменных, которые используется при подсчете результата; 3) шаги 1 и 2 повторяются большое количество раз, например 1000, и полученные 1000 значений результирующей характеристики системы используются для построения плотности распределения величины этой характеристики со своим собственным математическим ожиданием и стандартным отклонением; 4) используя значения математического ожидания и стандартного отклонения, можно вычислить коэффициент вариации, вероятностное распределение результирующей характеристики системы и затем оценить и проанализировать. Как видно в рамках данной модели проводится большое число итераций, сто позволяет установить, как ведет себя результативный показатель (в каких пределах колеблется, как распределен) при подстановке в модель различных значений переменных в соответствии с заданным распределением. Задача аналитика, состоит в том, чтобы хотя бы приблизительно определить для исследуемой характеристики (фактора) вид вероятностного распределения. Завершающая стадия анализа системы – интерпретация результатов, собранных в процессе итерационных расчетов. Результаты можно представить графически, где показывается вероятность каждого возможного случая (имеются в виду вероятности возможных значений результативного показателя).
|
||||||
Последнее изменение этой страницы: 2017-01-23; просмотров: 167; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 18.221.15.15 (0.007 с.) |