2. Моделирование человеческого мышления на ЭВМ

Проблема мышления, исследование специфически человеческих способов решения задач давно "занимает психологов. Принятие решений считалось своего рода искусством и лишь в конце XIX века, т. е. с тех пор, как психология начала интересоваться умственной деятельностью человека, были предприняты первые серьезные исследования поведенческих аспектов процесса принятия решений.

С появлением и развитием кибернетики, с проникновением ее понятий и методов в психологию многим стало казаться, что электронные вычислительные машины, наконец, освободят человека от утомительной работы, связанной с принятием решений.

Регуляция по механизму обратной связи, программирование деятельности, моделирование - все эти положения кибернетики должны были бы помочь людям синтезировать автоматические устройства, проявляющие черты поведения человека при принятии решений и воспроизводящие его способности с большой скоростью, точностью и логической последовательностью.

Первоначально усилия ученых были направлены на оказание помощи принимающему решение в виде "совета", снабжения его необходимой информацией. И управляющие системы стали снабжаться электронными машинами, работающими в режиме "советчиков" (в таком режиме, например, работает опытная установка "автодиспетчер" на Московской дороге). Однако затем все чаще стали обращаться к моделированию человеческого мышления на электронных вычислительных машинах, к описанию деятельности человека по аналогии с работой вычислительной машины, решающей интеллектуальные задачи, к аналогии мышления человека с принципами работы ЭВМ.

Известно, что мышление психологически выступает как деятельность по решению задачи. Естественно предположить, что, если удастся произвести анализ объективной структуры задачи, оценить условия, в которых находится цель решения, то можно определить течение процесса решения, а запрограммировав его, получить модель решения. Однако при этом часто забывается или даже игнорируется многообразие элементов ситуации, отношение между элементами, число преобразований ситуации, ее зависимость от решающего задачу, единственность и множественность решения, ценность элементов и преобразований ситуации. Короче, теряется динамика преобразования средств, используемых в плане действий человека, когда решение мыслительной задачи выступает как процесс функционального развития.

Рассмотрим конкретный пример. Труд дежурного по станции является на первый взгляд хорошим объектом для формализации и последующей автоматизации этой деятельности по управлению движением поездов. Анализ материалов, приведенных в предыдущих главах, позволяет предложить следующую примерную классификацию видов деятельности ДСП:

1) планирование станционной работы по заранее данной и четко определенной программе;

2) решение неожиданно возникающих атипических задач, связанных с нарушением запланированного движения поездов;

3) решение задач, вызванных нарушением работы систем, функционирование которых лежит вне сферы деятельности ДСП (неисправность устройств централизации и связи, обрыв контактного провода и т. д.).

Осуществление планирования по заранее заданной программе является по существу формализованной деятельностью; она протекает по определенному алгоритму. Обычно это - совокупность трудовых приемов, выработанных в ходе научения профессии или составляющих индивидуальный опыт работника. Однако и при алгоритмической форме протекания этот вид труда дежурного сохраняет свой интеллектуальный характер.

Решение неожиданно возникающих задач по нормализации нарушенного движения поездов является основной формой производственной мыслительной деятельности ДСП. Для этой формы характерны черты, присущие Процессу творческого мышления, который порождается проблемной ситуацией, характеризующейся противоречием между условиями и требованиями трудовой деятельности.

Субъективно проблемная ситуация отражается в сознании ДСП как перерыв в протекании трудового процесса, как отсутствие плана действий, как невозможность ответить на вопрос - что и как нужно сделать в сложившейся ситуации. Дальнейший анализ элементов проблемной ситуации и соотнесение их между собой и с программой процесса приводит к разрешению задачи и выработке плана станционной работы на определенный отрезок времени.

Решение задач, условия которых лежат за пределами основной сферы деятельности ДСП, по своим механизмам близко к описанной выше форме интеллектуальной деятельности. Их своеобразие состоит в том, что для решения задачи необходимо проанализировать условия, являющиеся элементами различных систем станционной работы (энергохозяйство, путевое хозяйство, сигнализация и связь и т. д.). Психологически существенным является серьезное эмоциональное напряжение, которое, как правило, сопровождает решение такого рода задач и которое порождается аварийным характером ситуации. Большое значение для протекания процесса решения этих задач имеет и неопределенность количества элементов, признаки которых необходимо проанализировать.

Классификация умственной деятельности ДСП позволяет поставить вопрос о границах ее целесообразной формализации. Первая форма мышления ДСП представляет собой, как уже говорилось, формализованную деятельность, она является совокупностью алгоритмов. Вторая форма в силу характерного для нее творческого процесса не может быть формализована с помощью существующих логических средств. Однако этот вид производственной умственной деятельности целесообразно формализовать, для чего необходимо разработать новые методы и средства формализации. Третья форма мышления не может быть формализована и формализация ее нецелесообразна в силу невозможности учета всех элементов, вызывающих аварийные ситуации. Существенно осложняет формализацию также необходимость командования большим количеством людей при устранении аварийных ситуаций. В этих случаях в числе условий оказываются индивидуальные свойства подчиненных работников, особенно их психологические характеристики.

Таким образом, граница целесообразной формализации производственной умственной деятельности диспетчера лежит с точки зрения указанной классификации между вторым и третьим видами этой деятельности. Но даже указав эти границы формализации, необходимо подчеркнуть большую трудность алгоритмизации процесса поиска решения задачи, вызванную тем, что в этот процесс у человека включены эмоции. Кроме того, при решении задачи человек отражает не только абсолютную, но и относительную ценность элементов данной конкретной ситуации. Сама структура плана действий во многом зависит от оценки решающим успешности и неуспешности своего приказа. Эту особенность мыслительной деятельности человека собирались воплотить в принципе работы самообучающейся УВМ на железнодорожном транспорте [100].

Известно, что вопрос разработки оптимального варианта алгоритма для участкового "автодиспетчера" на однопутном участке остается открытым. Задача оптимального регулирования движением поездов решается путем так называемых расчлененно-связанных решений, при котором перебор всех возможных вариантов скрещений и обгонов поездов заменяется рассмотрением зависимостей, связывающих несколько поездов - основного и влияющих. При этом задача может быть поставлена как подбор скоростей и времени стоянок поездов на станциях для системы уравнений f_i(S) и φ_j (S), удовлетворяющей ограничению:

Σkц_if_i(S)+Σkц_jφ_j(S)=min

где kц_i и kц_j - коэффициенты, определяющие относительную ценность поездов;

f_i(S) и φ_j(S) - функции времени хода четного и нечетного поездов.

41. Схема расположения поездов на участке

Нетривиальных решений такого рода задачи не имеют и поэтому решаются определением минимума по формуле (3) только для двух поездов в двух вариантах. Однако неизвестно, насколько этот минимум приближается к наименьшему (min min).

Один из возможных вариантов решения данного вопроса - применение самообучающейся УВМ. Принцип действия таких машин заключается в следующем. Каждое отдельное решение машины характеризуется каким-либо результатом, иначе i-й реакцией на 1-й стимул. А каждой такой паре может быть поставлена в соответствие оценка а_ij, характеризующая эффективность поведения машины. Тогда ее обучением можно будет считать переход в такие состояния, в которых вероятности получения высоких оценок поведения повышаются. Эффективность обучения может быть повышена, если ввести этап "тренировки".

Машина может обучаться целесообразному поведению (управлению движением поездов), если она "поощряется" или "штрафуется" опытным диспетчером или автоматически. Если всякий раз после определенного перехода машина получает "штраф", то вероятность перехода в это состояние уменьшается, а во все остальные увеличивается.

Рассмотрим это на примере. Если поезд В₂ (рис. 41) не обгоняется поездом В₄, то вопрос о скрещении поездов О и В₂ решается без учета поезда В₄. При этом возможен случай, когда решение, являющееся оптимальным для двух поездов (О и В₂), будет плохим, если учесть наличие третьего поезда В₄. Принцип, положенный в основу самообучающейся машины, позволяет решить этот вопрос. Каждый раз, когда создается ситуация достаточного сближения поездов, дополнительно анализируется решение, противоположное принятому машиной, и подаются сигналы "Поощрение" и "Штраф" в зависимости от условно принятой ситуации, например, отношения расстояний между поездами О - В₂ и В₂ - В₄. Через некоторое время результаты анализируются. Накопление сигналов "Поощрение" и "Штраф" и их соотношение улучшают первоначальный алгоритм с учетом повышенной вероятности получения наилучшего результата.

Таким образом, машине был "сообщен" еще один из секретов человеческого мышления, и все же адекватной модели этого мышления получить не удалось.