Прикладная общая теория систем 33 страница

18. Dyer J. S., Interactive Goal Programming, Management Science, 19, 1, 62—70 (September 1972).

19.Lee S. M., Interactive and Integer Goal Programming, Paper presented atthe 1975 Joint ORSA/TIMS Meeting, Las Vegas, Nevada, November 1975.

20. См. п.10, гл.17.

21. Там же, гл.18.

22. Там же, гл.10. Bhat V. N., Sixty Years of Queueing Theory, Management Science 15, 6, B-280 — B-294 (February 1969).

23. См. п.10, гл.16, а также п. 12, ч. IV,

Глава 13. СУБОПТИМИЗАЦИЯ

Введение

Главы 13 и 14 следует читать последовательно. В них мы обсудим проблему решения сложных практических задач, пользуясь методом субоптимизации. В ряде случаев мы не можем рассматривать решение задач в целом, а с помощью “частичных поправок” и “отдельных улучшений” можем получать только частные решения, которые даже не укажут путь к полным системным решениям. Но все же мы даем себе отчет в том, что субоптимизация может оказаться единственно возможным подходом к проблеме, поэтому удовлетворимся этим малым и займемся поиском наилучших возможных методов субоптимизации.

Пространство решений

Брейбрук и Линдблом вводят две основные характеристики для классификации решений:

1. Степень изменений, которые могут быть достигнуты с помощью решения.

2. Объем информации и степень понимания ситуации, которыми располагает ЛПР относительно той области, в которой принимается решение.

Соответственно введенным характеристикам все пространство принятия решений может быть разделено на четыре квадранта (рис. 13.1) 1){Заимствовано из книги Braybrooke D., Lindblom С. Е., Strategy of Decision, ch. 4, © 1963, Free Press of Glencoe, A Division of the МастШад Company. (С разрешения Macmillan Company.)}.

Рис. 13.1. Пространство принятия решений [1]. (С разрешения Macmillan Company.)

Квадрант 1. Большие изменения и глубокое понимание. “Решения, влекущие большие изменения, при которых руководствуются достаточной информацией и глубоким пониманием ситуации”. Этот квадрант относится к сфере “сверхчеловеческих принятий решений... требующих... невероятных способностей обзорного анализа, лежащих за пределами человеческих возможностей”.

Квадрант 2. Небольшие изменения и глубокое понимание. “Решения, приводящие к небольшим изменениям, при которых руководствуются достаточной информацией и глубоким пониманием ситуации”. Это сфера “текущих правительственных решений”.

Квадрант 3. Небольшие изменения и слабое понимание. “Решения, в результате принятия которых происходят небольшие изменения, они не основаны на достаточной информации и понимании”. Такие решения “являются объектом непрерывного пересмотра и переделки... Они характерны для обычной повсед невной политики”.

Квадрант 4. Большие изменения и слабое понимание. “Решения, приводящие к глубоким изменениям, принимаемые без достаточной информации и при слабом понимании ситуации”. Это сфера “необоснованных и непредсказуемых решений... ясно, что они не относятся к политике”.

Из сказанного выше нетрудно заметить, что квадрант 2 представляет пространство решений, где мы делаем осторожные шаги, основанные, как мы полагаем, на достаточной информации. Очевидно, что мы заходим также в пространство, представляемое квадрантом 3, где смело делаем небольшие шаги, не имея полной информации. Брейбрук и Линдблом называют такие действия “частичными поправками”. Они выдвигают теорию о том, что каждодневные решения в своем большинстве основываются на небольших изменениях. Так, старые программы действий продолжают перерабатываться в новые “в результате последовательности решений”. Новая программа “вовсе не является всесторонне рассмотренной и координационной программой”. Скорее наоборот, “это есть результат большого числа малых, частных ходов... посредством которых старые программы модифицируются... через бесконечный поток... решений”.

Проводить частичные поправки означает концентрировать свои усилия в направлении специфических бедствий, природа которых все время пересматривается, а не глубоких реформ. Под этим также понимают осуществление далеко идущих изменений через последовательность отдельных ходов, вследствие чего мы удаляемся от известных социальных бедствий и только, а не движемся в направлении известной и относительно стабильной цели [1].

По неизбежной необходимости осуществление частичных поправок ведет к субоптимизации. Это понятие включает последствия проведения действий по достижению “меньших, чем оптимальные”, целей, приносящих “меньшие, чем оптимальные”, результаты. Этот метод существенно отличается как от системного, так и от “обзорного” подхода.

“Обзорный” подход к принятию решений — это не что иное, как подход Марча и Саймона, описанный в гл.4. Напомним, что, согласно предложенной там модели, “принимать серьезные решения означает делать выбор между имеющимися вариантами после тщательного и полного изучения всех возможных действий и всех возможных последствий таких действий”. Понимание задачи “требует полной информации и всестороннего анализа” [2]. Задача должна рассматриваться в целом, с учетом систем и подсистем, имеющих к ней то или иное отношение.

Коренное различие между моделью “частичных поправок” и “обзорной” моделью можно усмотреть в том, что первая является описательной, а вторая предписывающей моделью принятия решения. Одна демонстрирует то, как в действительности принимаются решения, а другая — как бы их следовало принимать [3].

Мы сожалеем о том, что не способны оптимизировать и вынуждены заменить наши действия по оптимизации субоптимизацией. Поэтому мы считаем необходимым подробно рассмотреть те препятствия, которые возникают на пути оптимизации.

Затруднения на пути оптимизации, приводящие к субоптимизации

Метод улучшений

Так же как и “частичные поправки”, метод улучшений ограничивает горизонты решения ЛПР только теми вариантами, которые непосредственно применимы в рамках конкретной системы. Чёрчмен дает критическую оценку превалирующему сейчас методу улучшений.

Вполне естественно ожидать, что улучшения могут быть внесены в определенные части системы без необходимости глубокого анализа и изучения характеристик системы в целом. Так, например, на Западе существует традиционная убежденность в том, что части полной системы можно и изучать, и улучшать в большей или меньшей степени изолированно от остальной системы.

Эта концепция социальных улучшений настолько глубоко укоренилась среди мыслителей Запада, что мы вполне естественно считаем правильным разбиение нашего общества на функциональные элементы. Мы также поддерживаем утверждение о том, что каждый из таких элементов разрабатывает свои собственные критерии улучшения и что элементы по возможности свободны от воздействий других частей социальной структуры... Человечество упустило из виду одну очень серьезную проблему, вводя и определяя концепцию улучшения. Эта проблема формулируется очень просто: как можно проектировать улучшения в больших системах без понимания системы в целом? А если ответ на этот вопрос звучит так: это невозможно — то как можно понять систему в целом? [4].

Любое усовершенствование, планируемое для отдельно взятой изолированной системы, может оказаться для нее оптимальным. Однако, если пренебречь взаимозависимостями, с другими системами и их воздействием на данную систему, изолированное улучшение может привести только к субоптимальному решению в рамках более широкого понимания системы. Поиски “улучшений” путем исследования частей полной системы приводят нас в те ловушки “частичных поправок”, которые, как указывалось выше, “помогают уходить от социальных бедствий”, но не способствуют глобальному решению проблем. Так, например, прикладывая завидные усилия, мы “улучшаем” существующие системы благосостояния. Мы делаем бедных менее бедными, однако мы не в состоянии ликвидировать проблему бедности. Более того, прибегая к “посекторному улучшению” (этот термин введен для замены традиционного выражения “улучшение по частям”), мы отбрасываем рассмотрение этических аспектов полной системы. Нам бы хотелось “оценивать системы”, “рассматривая последствия вносимых нами изменений” для системы в целом, а не для “"одного из секторов" общества... Проблема улучшения системы (т.е. оценки этического совершенства предлагаемых нами изменений и решений) является проблемой "этики системы в целом"” [5].

Системный подход не ограничивается внесением улучшений в подсистемы. Решение проблемы преступности и правонарушений заключается не только в обеспечении большей строгости применения закона за счет повышения значения мер предупреждения, обнаружения и взятия нарушителей под стражу; оно включает также усовершенствование системы отправления правосудия (справедливое вынесение приговоров, беспристрастность судей), а также усиление положительного влияния исправительных институтов. Рассматриваемое в рамках тех подсистем, в которых указанные выше процессы имеют место, достижение любой из отмеченных целей может быть желательным и рекомендуемым. Однако для того чтобы избежать дорогостоящей субоптимизации, каждое из перечисленных действий должно быть включено в более крупную систему и оценено в зависимости от вклада, вносимого в выполнение общих целей такой системы. Этими более крупными системами являются “полная система” и “система в целом”. В гл.1 при рассмотрении проблемы преступности мы в качестве “полной, или общей, системы” взяли систему уголовного делопроизводства, в рамках которой работают перечисленные выше органы, а в качестве “системы в целом” — те “системы, которые могут оказывать на нее влияние или взаимодействовать с ней.

Проблема выбора правильных целей

Рассматривая улучшения, которые мы собираемся вносить в системы, не следует ограничиваться только вопросами объема и масштабов готовящихся улучшений; необходимо учитывать и проблему выбора правильных целей.

Например, в гл.10 обсуждался вопрос: следует ли заниматься поисками улучшения здоровья для того, чтобы продлить жизнь человека? Если рассматривать этот вопрос с позиций медицины, продлевание жизни может представиться идеалом, или оптимальной целью, которой стоит заняться. Однако последствия стремления к этой цели могут оказаться не вполне желательными, т.е. субоптимальными; и не только для людей, в интересах которых будет проводиться эта работа, но и для всех остальных членов общества, если только не будут учтены и другие соображения, в частности другие системы. Так, против повышения средней продолжительности жизни может быть выдвинут такой довод: в условиях ограниченности природных ресурсов (пространства, воздуха, пищи) каждый получит меньшую долю, ведь распределять их придется на большее число человек. Более того, нет смысла увеличивать среднюю продолжительность жизни человека (предположительная цель подсистемы, называемой медицинской наукой), пока не будет надлежащим образом развита гериатрия (наука о заболеваниях и их лечении в старческом возрасте) и не будет достаточно изучена роль пожилых членов в обществе, которая сейчас передается молодым, активным и более мобильным возрастным группам.

В совершенно другой области, например в области технического обслуживания и обеспечения коммерческой авиации, неправильный выбор целей может привести к неудачным компромиссам и дорогостоящей субоптимизации. Начальник ремонтной службы может посчитать, что его цель должна заключаться в минимизации затрат на рабочую силу без нарушения установленных стандартов на качество ремонта и техническое состояние самолетов.

Возможно, минимизация затрат на рабочую силу и является существенной целью для взятой отдельно системы техобеспече-ния, но при ее достижении не учитываются цели более крупной системы — авиатранспортной компании, для которой рост прибылей является основной целью. Начальник ремонтной службы должен подчинять свои цели целям вышестоящей системы. Авиакомпания может пойти на увеличение расходов на рабочую силу в службе ремонта для того, чтобы сократить время простоя самолетов на техосмотрах, а следовательно, увеличить доход от каждого километра полета. Затраты на привлечение дополнительной рабочей силы требуется сравнить с затратами на простой самолетов. Компромисс достигается между увеличением зарплаты штата ремонтной службы, ростом эксплуатационных расходов и снижением стоимости простоев машин. Следует найти минимум для этих трех типов затрат. Любая другая альтернатива может оказаться оптимальной для одной, а возможно, и для нескольких подсистем, но субоптимальной для системы в целом. Расчет компромиссных решений рассматривался в гл.6, и мы рекомендуем читателю обратиться к ней.

В экономических работах непринимаемое в расчет влияние одной системы на другую часто называют внешним, или побочным, эффектом. Проиллюстрируем на примере, относящемся к сталелитейной промышленности, как изменяьотся решения, когда пренебрегают таким эффектом или когда более крупная система выпадает из поля зрения ЛПР.

Сталелитейная промышленность перешла на кислородное дутье, потому что мартеновские печи неэкономичны и, кроме того, их выбросы загрязняют атмосферу. В результате 60% предприятий сталелитейной промышленности США работает сейчас на кислородном дутье. Положительным моментом такого перехода явилось уменьшение загрязнения атмосферы.

Однако изменение процесса вызвало и отрицательные последствия. Металлолом, который прежде использовался в мартеновском производстве, теперь не идет в переплавку. Поэтому сейчас мы стоим перед проблемой возрастания гор металлолома, в частности, за счет старых автомобилей. Очевидно, что, поскольку утилизировать их нельзя, это ведет к загрязнению земной поверхности (рис. 13.2).

Рис. 13.2. Субоптимизация яа сталелитейном комплексе (знаками “плюс” и “минус” указаны положительные и отрицательные стороны перехода на кислородное дутье).

Переход на кислородное дутье можно рассматривать как оптимизацию на уровне каждой из сталелитейных фирм или даже на уровне сталелитейной промышленности в целом. По-видимому, производственные затраты на выплавку стали уменьшились, достигнуты и другие преимущества. Однако на уровне более крупной системы, включающей следующие компоненты:

Сталелитейная фирма + Сталелитейная промышленность + Промышленность по переработке металлолома + Система загрязнения атмосферы + Система загрязнения земной поверхности.

Переход на кислородное дутье в конечном счете может оказаться вовсе не оптимальным решением, а очевидной субоптимизацией [6].

Поиск “оптимума” в реальном мире

Мы уже обращались в гл.4 к понятию “границы рациональности”. Эти границы являются врожденным ограничением индивидуума, которое не позволяет ему найти все возможные варианты и предусмотреть все последствия решения задачи, а также в итоге не позволяет ему рассчитать, где находится оптимальное решение. Может даже оказаться, что и при достаточно простой задаче он будет не подготовлен к выбору оптимального решения. Это было выяснено во время так называемых опытов Чёрчмена и Рагуша.

В ходе этих опытов, которые проводились в форме деловой игры, группы испытуемых проходили проверку на их желание и готовность найти и применить оптимальное решение задачи, относительно несложной для анализа [7].

Как следует из предыдущей главы, полной оптимизации можно достичь только в рамках замкнутой модели, такой, как математическая модель, где все переменные, параметры и допущения могут быть определены и управляемы. Мы же имеем дело с оптимальными решениями моделей, которые являются только аппроксимациями отдельных частей задач реальной жизни, не всегда достаточно хорошо понятных. В рамках полной системы наши решения являются субоптимизацией, которые в лучшем случае могут только указать направление поиска наиболее желательного пути. Очевидно, мы должны согласиться с Фишером, заявившим следующее [8]:

Как аналитик я полагаю, что нам всегда хотелось бы получить “предпочтительные решения” при изучении дальнейших возможных путей и способов действий В идеале это означает определение оптимума, т.е. точки на некоторой хорошо определенной поверхности, в которой все частные производные равны нулю, а соответствующие условия, накладываемые на производные второго порядка, выполнены. Но я позволю себе утверждать, что при решении большинства встающих перед нами сегодня задач по долгосрочному планированию любого масштаба и значения очень редко можно даже близко подойти к настоящей оптимизации. Чаще всего мы счастливы, если удается получить хотя бы некоторое представление о знаках наших частных производных, т.е. о том, движемся ли мы, так сказать, “вверх” к седловине максимизации нашей задачи или удаляемся от нее. Я даже осмелюсь сказать, что в большинстве исследований, в которых я принимал участие в последние годы, было трудно даже определить, к какой точке мы стремимся или должны стремиться!

Проблема критерия

Полная оптимизация требует максимизации полной функции полезности U, чтобы можно было сравнивать все возможные варианты, состояния и конкурирующие стратегии для всех наборов переменных, или критериев [9].

Совершенно очевидно, что такая задача оптимизации во всей полноте не может быть ни сформулирована, ни решена. В лучшем случае удается сравнить некоторое выбранное число вариантов при ограниченном числе введенных критериев. Ниже мы укажем, как выбор и введение критериев влияет на появление ошибок; при этом мы пользовались различными источниками, в частности работами [10—12].

1. Приблизительный, а не точный критерий. Невозможность рассмотрения всего множества вариантов и критериев приводит к тому, что принимается решение остановиться на “приблизительных” критериях, вместо того чтобы использовать “точные”. Такие приблизительные критерии являются практической заменой недостижимых точных критериев.

2. Игнорирование абсолютных значений. Использованиеотношений между показателями, которые характеризуют эффективность, производительность и т.п., и затратами без учетаабсолютных значений показателей или затрат. Иногда по условиям данной ситуации необходимо отбросить какой-либо из вариантов наложением требований, выражаемых в абсолютномзначении производительности или в абсолютном значении полных затрат.

3. Недостаточное внимание к маргинальным прибылям. Имея два или более варианта, важно сравнить прибыль, котораяможет быть получена от капиталовложений в том и другомслучае. Не менее важно подсчитать и маргинальную прибыль отвложения дополнительных средств. Обратимся к примеру.Некоторое агентство рассматривает вопрос о капиталовложениях в одно из двух дел (исходные условия в обоих случаях одинаковы).

В первом случае требуются капиталовложения размером 55 000 долл. с доходом 11000 долл./год сроком на 10 лет. Агентство считает цену капитала в 10%.

Во втором случае необходимы капиталовложения размером 85000 долл., с доходом 15 000 долл./год на тот же срок. Ниже приводится расчет эквивалентных годовых затрат.

Норму прибыли найдем, пользуясь таблицами коэффициентов, по которым производится пересчет данных значений капитала в эквивалентные суммы годовых оплат и наоборот [13].

Рис. 13.3. Нормы прибыли от вложенного капитала.

ВАРИАНТ 1. Приравняем годовой доход к годовой эквивалентной сумме капиталовложений

где (а/р)t10 — коэффициент пересчета, используемый для нахождения годовых оплат, а при условии, что величина годового дохода р задана. Здесь этот коэффициент [13]

Следовательно, норма прибыли I =15%.

ВАРИАНТ 2. Проделаем аналогичные расчеты:

Коэффициент пересчета, согласно работе [13], равен

Тогда норма прибыли I =12%.

В обоих случаях норма прибыли на вложенные деньги превысит принятую цену капитала, равную 10%. Следует агентству вложить свои средства в первое дело или во второе? Внести 55000 или 85000 долл.? Ответ лежит в подсчете прибыли от дополнительных вложений 30 000 долл., т.е. той разницы или приращения, которая потребуется для перехода от варианта 1 к варианту 2. Увеличение вкладываемого в дело капитала даст дополнительную прибыль 4000 долл. в год. Расчеты, аналогичные приведенным выше, показывают, что дополнительные деньги принесут меньше, чем 6% прибыли,— явно меньше расчетного “порога”, который установлен в 10%: Доход с дополнительных вложений:

Коэффициент пересчета [13] равен

Норма прибыли i = 6%.

Следовательно, агентству нецелесообразно вкладывать эти дополнительные 30 000 долл. под 6%. На рис. 13.3 показано, что мы понимаем под маргинальной прибылью от вложений. Взвешенная прибыль может быть подсчитана следующим образом: 55 000 (0,15) + 30 000 (0,06) = 10 050 долл.

Норма прибыли на 85 000 долл. вложений составит

----- = 0.12, т.е. 12%

4. Оптимизация с ограничениями. Необходимо решить, следует ли стремиться получить максимальную прибыль (или выход) при фиксированных значениях бюджета или же минимальные затраты при фиксированном уровне прибыли (или выхода). В рамках одной и той же модели максимизация или минимизация с ограничениями приводит к одним тем же результатам, однако обе цели одновременно достигнуты быть не могут.

5. Пренебрежение временными соображениями. В большом числе ситуаций мы пренебрегаем временным фактором, так какне можем предусмотреть влияния будущих событий и факторовна наши решения. Такая неспособность построения прогнозоввысокой точности объясняет, почему мы обращаемся к субоптимизации на короткие отрезки времени на основе “приблизительных критериев”, вместо того чтобы строить модели оптимизации на длительные отрезки времени, руководствуясь точными критериями. Необходимо непрерывно переоценивать и пересматривать решения, уже сделанные в прошлом, чтобы определить их правильность в свете меняющихся внешних условий.

6. Опасности, возникающие при измерениях, проводимых по шкалам ранжирования. Следует остерегаться обычных ошибок и опасностей, которые возникают при неосторожном обращении с результатами измерений по различным шкалам. Рассмотрены следующие ошибки: обработка измерений, выполненных по показательной шкале таким образом, будто онипроведены с помощью шкалы интервалов; сложение, умножениеи нормализация категорий (или очков), как если бы это были кардинальные числа и др. [14]. Некоторые из указанных вопросов были затронуты в гл.11 при обсуждении измерений иметодов комбинированных оценок и весов. Мы рекомендуем читателю обратиться к аксиоматическим методам оценки аддитивных показателей выгоды [15, 16] и к исчислению рангов [17].

Проблема выбора между оптимизацией и субоптимизацией

Существуют сторонники как оптимизации, так и субоптимизации, о чем можно судить по приводимым ниже высказываниям.

Получить решение, которое оптимально, но не осуществимо, бессмысленно [18].

Аппроксимация, которая нашла применение, может оказаться намного лучше, чем точное решение, не имеющее практического использования [19].

Субоптимизация как необходима, так и неизбежна [20].

Если на время и рабочую силу наложены ограничения, то субоптимизация может оказаться единственно возможным методом [21].

Оптимизация и субоптимизация

Проблема выбора между оптимизацией и субоптимизацией возникает только в тех случаях, когда нет четкого разграничения между моделями и реальностью.

1. Оптимум и оптимизация используются для выражения “императива науки”, т.е. познавательного императива.

2. Оптимум может быть только тогда определен и найден, когда задача выражена в форме оптимизационной модели.

3. Оптимизация может быть определена как максимизация функции полезности в рамках моделей, а субоптимизация как максимизация функции полезности в условиях реального мира. Полезность представляет в данном случае сочетание конечных и промежуточных целей [22].

4. Субоптимумом является все, что ниже по значению, чем оптимум.

5. В реальных условиях оптимум нельзя ни найти, ни вычислить. Поэтому по определению мы работаем с субоптимизацией и субоптимумами.

6. Для того чтобы иметь возможность поставить цель, принимая решения в реальных условиях, мы должны постулировать существование некоторого оптимума, который может быть только “наилучшим решением”. В таком случае оптимизировать означает работать в направлении достижения наилучшего решения.

7. Существуют хорошие и плохие субоптимизации. Хорошими мы называем такие субоптимизации, которые способствуют разработке и применению того, что в данный момент считается наилучшим решением Плохими субоптимизациями являются такие, которые препятствуют реализации наилучшего решения.

Как добиться субоптимизации?

Если мы поняли необходимость идти по пути субоптимизации, следует сформулировать определенные правила, указывающие направление достижения лучших субоптимизаций.

Правило 1. Имея дело с иерархической системой, требуется следить за тем, чтобы цели нижестоящих систем находились в соответствии с целями вышестоящих систем. Это можно сформулировать и так: критерии нижестоящих систем должны быть согласованы с критериями вышестоящих систем 128-25].

Проблема заключается в выборе критерия, подходящего для того уровня, на котором принимается решение, и в то же время обеспечивающего требование, чтобы критерии нижестоящих уровней приводили бы к нахождению таких решений, которые были бы направлены на достижение целей системы в целом. На более высоких уровнях проблема заключается в выборе правильного общего критерия, который удовлетворял бы по возможности и большинству целей нижестоящих систем. А это есть не что иное, как сведение разнообразных целей в агрегированные цели и согласование целей систем разного уровня иерархии. Однако возникает затруднительное положение: мы не можем доказать, что, удовлетворяя цели систем более высокого уровня, мы также добиваемся достижения целей систем более низкого уровня. И наоборот, мы не можем обеспечить такое положение, что удовлетворение критериев систем более низкого уровня всегда будет приводить к максимизации выполнения критериев систем более высокого уровня. Мы вернемся к этому вопросу в гл.14 в связи с рассмотрением математической теории субоптимума.

Правило 2. Оптимальность по Парето. Субоптимизации надо подсчитывать и ранжировать в соответствии с тем, насколько они увеличивают значение прибыли каждой подсистемы без снижения значения показателя полезности какой-либо другой подсистемы или системы в целом [26].

Это правило вовсе не отменяет возможности компромиссов между системами, что также может вести к улучшению общего оптимума. Различие в маргинальных темпах подстановок или уступок ведет к тому, что некоторое уменьшение полезности одной системы может повысить, и при этом иногда в большей степени, полезность другой системы. Такие компромиссы между системами могут даже закончиться тем, что обе они окажутся в лучшем положении, чем вначале. Напомним читателю, что анализ прибыль — издержки в гл.11 строился на принципе “улучшения Парето”, при котором выгоды могут быть распределены таким образом, чтобы каждая из заинтересованных сторон не оказалась в проигрыше [27].

Правило 3. Опасность расплаты за неудачные субоптимизации уменьшается с увеличением размеров рассматриваемых систем. Влияние побочных эффектов будет снижаться, когда системы будут интегрироваться в более крупные.

Правило 4. Размеры системы должны возрастать только до такой точки, где преимущества, возникающие за счет выравнивания влияния побочных эффектов, продолжают перевешивать отрицательные моменты работы с системой, сложность которой может “превзойти возможности системного анализа” [28, 29].

Рис. 13.4. Компромиссы между сложностью и риском пренебрежения взаимосвязями с другими подсистемами.

На рис. 13.4 показано соотношение между сложностью систем и опасностью пренебрежения побочными эффектами. Компромиссы между простотой и сложностью рассматриваются в гл.14.

Правило 5. Масштабы и разветвленность некоторых задач могут допустить их решение только на самом высоком организационном уровне системы. Чем ниже уровень, на котором рассматривается такая система, тем больше опасность, что будут упущены или не замечены важные связи с другими системами [30].

Правило 6. При оценке и выборе субоптимизаций следует отдавать предпочтение тем из них, которые удовлетворяют требованиям системного подхода, а не субоптимизациям, являющимся “частичными поправками” или “отдельными улучшениями”. (Этому вопросу уделялось внимание в начале главы.)

Правило 7. Миллер и Стар интерпретируют принцип ограниченной рациональности как рекомендацию не “следовать неразумным крайностям рациональности”. Говоря иными словами, может оказаться более выгодным рассмотреть “промежуточные оптимумы” в поисках “конечного оптимума” ипересматривать наши цели и данные еще много раз на пути решения [31]. Эти соображения приводят к правилу 8.

Правило 8. “Степень субоптимизации может быть изменена с течением времени, если принимать такие решения, которые допускают широкий круг случайностей и возможностей” [32].

Наше сегодняшнее знание процесса принятия решения не позволяет нам с точностью утверждать, в какой точке дерева решения начинается путь к глобальному оптимуму. Эта проблема изучалась в связи с процессами научно-исследовательских и опытно-конструкторских работ [33, 34].

Дата добавления: 2015-11-04