Наблюдаются случаи использования терминологии синергетики для придания веса псевдонаучным  изысканиям.

      1.7. Теория алгоритмов

      Теория алгоритмов — наука, изучающая общие свойства и закономерности алгоритмов и разнообразные формальные модели их представления. К задачам теории алгоритмов относятся формальное доказательство алгоритмической неразрешимости задач, асимптотический анализ сложности алгоритмов, классификация алгоритмов в соответствии с классами сложности, разработка критериев сравнительной оценки качества алгоритмов и т. п. 

      В настоящее время теория алгоритмов развивается, главным образом, по трем направлениям.

• Классическая теория алгоритмов изучает проблемы формулировки задач в терминах формальных языков, вводит понятие задачи разрешения, проводит классификацию задач по классам сложности P, NP и другим.
• Теория асимптотического анализа алгоритмов рассматривает методы получения асимптотических оценок ресурсоемкости или времени выполнения алгоритмов, в частности, для рекурсивных алгоритмов. Асимптотический анализ позволяет оценить рост потребности алгоритма в ресурсах (например, времени выполнения) с увеличением объема входных данных.
• Теория практического анализа вычислительных алгоритмов решает задачи получения явных функции трудоёмкости, интервального анализа функций, поиска практических критериев качества алгоритмов, разработки методики выбора рациональных алгоритмов.

      1.7.1. Исследование операций

      Исследование  операций (ИО) (англ. Operations Research (OR)) —  дисциплина, занимающаяся разработкой  и применением методов нахождения оптимальных решений на основе математического  моделирования, статистического моделирования  и различных эвристических подходов в различных областях человеческой деятельности. Иногда используется обозначение  математические методы исследования операций. Можно выделить некоторые примеры  задач, с которыми ИО приходится конфронтировать:

• Задача о ранце,
• Задача коммивояжёра,
• Транспортная задача,
• Задача об упаковке в контейнеры,
• Задачи диспетчеризации такие как Open Shop Scheduling Problem, Flow Shop Scheduling Problem, Job Shop Scheduling Problem и т.д.
• Задача деления на партиции (разделы)

      Характерной особенностью исследования операций есть системный подход к поставленной проблеме и анализ. Системный подход является главным методологическим принципом исследования операций. Он заключается в следующем. Любая  задача, которая решается, должна рассматриваться  с точки зрения влияния на критерии функционирования системы в целом. Для исследования операций характерно то, что при решении каждой проблемы могут возникать новые задачи. Важной особенностью исследования операций есть стремление найти оптимальное решение поставленной задачи (принцип "оптимальности"). Однако на практике такое решение найти невозможно по таким причинам: 1) отсутствие методов, дающих возможность найти глобально оптимальное решение задачи; 2) ограниченность существующих ресурсов (к примеру, ограниченность машинного времени ЭВМ), что делает невозможным реализацию точных методов оптимизации. В таких случаях ограничиваются поиском не оптимальных, а достаточно хороших, с точки зрения практики, решений. Приходится искать компромисс между эффективностью решений и затратами на их поиск. Исследование операций дает инструмент для поиска таких компромиссов.

      ИО  тесно связано с наукой управления (англ. Management Science), системным анализом, математическим программированием, теорией  игр, теорией оптимальных решений, эвристическими подходами, метаэвристическими подходами и методами искусственного интеллекта, такими как теория удовлетворения ограничений и нейронные сети.

      ИО  используют в основном крупные западные компании в решении задач планирования производства (контроллинга, логистики, маркетинга) и прочих сложных задач. Применение ИО в экономике позволяет  понизить затраты или, по другому  сформулировав, повысить продуктивность предприятия (иногда в несколько  раз!). ИО активно используют армии  и правительства многих развитых стран для решения комплексных  задач снабжения армий, продвижения  армий, развития новых видов вооружений, развития стратегий войн, развития межгосударственных торговых механизмов, прогнозирования развития (например, климата) и т.д. Решение комплексных  задач повышенной важности производится методами ИО на суперкомпьютерах, но разработки ведутся на простых ПК. Применять  методы ИО можно и на малых предприятиях, используя ПК.

      1.7.2. Распознавание образов

      Распознавание образов — раздел кибернетики, развивающий теоретические основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т. п. объектов, которые характеризуются конечным набором некоторых свойств и признаков. Такие задачи решаются довольно часто, например, при переходе или проезде улицы по сигналам светофора. Распознавание цвета загоревшейся лампы светофора и знание правил дорожного движения позволяет принять правильное решение о том, можно или нельзя переходить улицу в данный момент.

      В процессе биологической эволюции многие животные с помощью зрительного  и слухового аппарата решили задачи распознавания образов достаточно хорошо. Создание искусственных систем распознавания образов остаётся сложной теоретической и технической  проблемой. Необходимость в таком  распознавании возникает в самых  разных областях — от военного дела и систем безопасности до оцифровки  всевозможных аналоговых сигналов.

      Традиционно задачи распознавания образов включают в круг задач искусственного интеллекта.

      Примеры задач распознавания образов:

• Распознавание букв.
• Распознавание штрих-кодов.
• Распознавание автомобильных номеров.
• Распознавание лиц.
• Распознавание речи.
• Распознавание изображений.
• Распознавание локальных участков земной коры, в которых находятся месторождения полезных ископаемых.

      Методы  распознавания образов для оптического распознавания образов можно применить метод перебора вида объекта под различными углами, масштабами, смещениями и т. д. Для букв нужно перебирать шрифт, свойства шрифта и т. д.

      Второй  подход — найти контур объекта  и исследовать его свойства (связность, наличие углов и т. д.).

      Еще один подход — использовать искусственные  нейронные сети. Этот метод требует  либо большого количества примеров задачи распознавания (с правильными ответами), либо специальной структуры нейронной сети, учитывающей специфику данной задачи.

      Персептрон  как метод распознавания образов Ф. Розенблатт вводя понятие о модели мозга, задача которой состоит в том, чтобы показать, как в некоторой физической системе, структура и функциональные свойства которой известны, могут возникать психологические явления - описал простейшие эксперименты по различению. Данные эксперименты целиком относятся к методам распознавания образов, но отличаются тем что алгоритм решения не детерминированный.

      Простейший  эксперимент, на основе которого можно  получить психологически значимую информацию о некоторой системе, сводится к  тому, что модели предъявляются два  различных стимула и требуется, чтобы она реагировала на них  различным образом. Целью такого экперимента может быть исследование возможности их спонтанного различения системой при отсутствии вмешательства  со стороны экспериментатора, или, наоборот, изучение принудительного различения, при котором экспериментатор  стремится обучить систему проводить  требуемую классификацию.

      В опыте с обучением перцептрону  обычно предъявляется некоторая  последовательность образов, в которую  входят представители каждого из классов, подлежащих различению. В соответствии с некоторым правилом модификации  памяти правильный выбор реакции  подкрепляется. Затем перцептрону  предъявляется контрольный стимул и определяется вероятность получения  правильной реакции для стимулов данного класса. В зависимости  от того, совпадает или не совпадает  выбранный контрольный стимул с  одним из образов, которые использовались в обучающей последовательности, получают различные результаты:

1. Если контрольный стимул не совпадает ни с одним из обучающих стимулов, то эксперимент связан не только с чистым различением, но включает в себя и элементы обобщения.
2. Если контрольный стимул возбуждает некоторый набор сенсорных элементов, совершенно отличных от тех элементов, которые активизировались при воздействии ранее предъявленных стимулов того же класса, то эксперимент является исследованием чистого обобщения.

      Перцептроны не обладают способностью к чистому  обобщению, но они вполне удовлетворительно  функционируют в экспериментах  по различению, особенно если контрольный  стимул достаточно близко совпадает  с одним из образов, относительно которых перцептрон уже накопил  определенный опыт.

      1.8. Теория оптимального управления

      Оптимальное управление — раздел математики, изучающий  неклассические вариационные задачи. Объекты, с которыми имеет дело техника, обычно снабжены «рулями» — с их помощью человек управляет движением. Математически поведение такого объекта описывается некоторыми уравнениями, куда входят и управляющие параметры, характеризующие положение «рулей». Естественно, возникает вопрос об отыскании наилучшего (оптимального) в том или ином смысле управления движением. Например, речь может идти о достижении цели движения за минимальное время. Этот вопрос является задачей вариационного исчисления. В отличие от классических вариационных задач, где управляющие параметры меняются в некоторой открытой области (без границы), теория оптимального управления охватывает и тот случай, когда управляющие параметры могут принимать и граничные значения. Последнее обстоятельство особенно существенно с прикладной точки зрения, поскольку при управлении техническим объектом именно положение «руля» «на упоре» часто обеспечивает оптимальное управление. Уже само зарождение (в начале 50-х годов 20 века) теории оптимального управления представляет собой яркий пример того, как запросы практики с неизбежностью порождают новые теории. Для новейшей техники и современного высокомеханизированного и автоматизированного производства характерно стремление выбирать наилучшую программу действий, наиболее рационально использовать имеющиеся ресурсы. Именно эти конкретные технические задачи стимулировали разработку теории оптимального управления, оказавшейся математически очень содержательной и позволившей решить многие задачи, к которым классические методы были неприменимы. Интенсивное развитие теории оптимального управления, в свою очередь, оказалось мощным фактором, способствующим успешному решению научно-технических и народнохозяйственных задач. Центральным результатом теории оптимального управления является принцип максимума Понтрягина, дающий общее необходимое условие оптимальности управления. Этот результат и связанные с ним исследования, проведённые Л. С. Понтрягиным и его сотрудниками, послужили исходным пунктом разработки теоретических, вычислительных и прикладных аспектов теории оптимального управления. При решении ряда задач оптимального управления с успехом используются идеи метода динамического программирования, основы которого разработаны американским учёным Р. Беллманом и его сотрудниками. В общих чертах, задача оптимального управления состоит в следующем. Рассмотрим управляемый объект, под которым понимается некоторая машина, прибор или процесс, снабжённые «рулями». Манипулируя «рулями» (в пределах имеющихся ресурсов управления), мы тем самым определяем движение объекта, управляем им. Например, технологический процесс осуществления химической реакции можно считать управляемым объектом, «рулями» которого являются концентрации ингредиентов, количество катализатора, поддерживаемая температура и другие факторы, влияющие на течение реакции. Для того чтобы знать, как именно ведёт себя объект при том или ином управлении, необходимо иметь закон движения, описывающий динамические свойства рассматриваемого объекта и устанавливающий для каждого избираемого правила манипулирования «рулями» эволюцию состояния объекта. Возможности управлять объектом лимитируются не только ресурсами управления, но и тем, что в процессе движения объект не должен попадать в состояния, физически недоступные или недопустимые с точки зрения конкретных условий его эксплуатации. Так, осуществляя манёвр судном, необходимо учитывать не только технические возможности самого судна, но и границу фарватера. Имея дело с управляемым объектом, всегда стремятся так манипулировать «рулями», чтобы, исходя из определенного начального состояния, в итоге достичь некоторого желаемого состояния. Например, для запуска ИСЗ необходимо рассчитать режим работы двигателей ракеты-носителя, который обеспечит доставку спутника на желаемую орбиту. Как правило, существует бесконечно много способов управлять объектом так, чтобы реализовать цель управления. В связи с этим возникает задача найти такой способ управления, который позволяет достичь желаемого результата наилучшим, оптимальным образом в смысле определённого критерия качества; в конкретных задачах часто требуется реализовать цель управления за наименьшее возможное время или с минимальным расходом горючего, или с максимальным экономическим эффектом и т. п. Кроме средств анализа, в кибернетике используются мощные инструменты для синтеза решений, предоставляемые аппаратами математического анализа, линейной алгебры, геометрии выпуклых множеств, теории вероятностей и математической статистики, а также более прикладными областями математики, такими как математическое программирование, эконометрика, информатика и прочие производные дисциплины.

      Глава 2. Направления кибернетики

      Кибернетика — более раннее, но используемое все ещё общее обозначение для многих предметов. Эти предметы также простираются в области многих других науки, но объединены при исследовании управления системами.

      2.1. Чистая кибернетика

      Чистая  кибернетика изучает системы  управления как понятие, пытаясь  обнаружить основные её принципы.

      2.1.1. Искусственный интеллект

      Иску́сственный  интелле́кт (ИИ) (англ. Artificial intelligence, AI) — это наука и разработка интеллектуальных машин и систем, особенно интеллектуальных компьютерных программ, направленных на то, чтобы понять человеческий интеллект. При этом используемые методы не обязаны  быть биологически правдоподобны. Но проблема состоит в том, что неизвестно какие вычислительные процедуры  мы хотим называть интеллектуальным. А так как мы понимаем только некоторые  механизмы интеллекта, то под интеллектом  в пределах этой науки мы понимаем только вычислительную часть способности  достигнуть целей в мире. Различные виды и степени интеллекта существуют у многих людей, животных и некоторых машин, интеллектуальных информационных систем и различных моделях экспертных систем с различными базами знаний. При этом как видим такое определение интеллекта не связанно с пониманием интеллекта у человека — это разные вещи. Более того эта наука моделирует человеческий интеллект, так как с одной стороны, можно изучить кое-что о том, как заставить машины решить проблемы, наблюдая других людей, а с другой стороны, большинство работ в ИИ вовлекают изучение проблем, которые требуется решать человечеству в промышленном и технологическом смысле. Поэтому ИИ исследователи свободны использовать методы, которые не наблюдаются у людей, если это необходимо для решения конкретных проблем. Именно в таком смысле термин ввел Джон Маккарти в 1956 году на конференции в Дартмутском университете, и до сих пор несмотря на критику тех, кто считает, что интеллект — это только биологический феномен, в научной среде термин сохранил свой первоначальный смысл, несмотря на явные противоречия с точки зрения человеческого интеллекта. В философии не решён вопрос о природе и статусе человеческого интеллекта. Нет и точного критерия достижения компьютерами «разумности», хотя на заре искусственного интеллекта был предложен ряд гипотез, например, тест Тьюринга или гипотеза Ньюэлла — Саймона. Поэтому несмотря на наличие множества подходов как к пониманию задач ИИ, так и созданию интеллектуальных информационных систем можно выделить два основных подхода к разработке ИИ: