Матричные методы.Матричные формы представления и анализа информации не являются специфическим инструментом системного анализа, однако широко используются на различных его этапах в качестве вспомогательного средства. Матрица является не только наглядной формой представления информации, но и формой, которая во многих случаях раскрывает внутренние связи между элементами, помогает выяснить и проанализировать наблюдаемые части структуры. Примером использования свойств матрицы является таблица Менделеева.
Матрицы используются для представления и анализа систем и их структур. Перестроение дерева целей в матрицу бывает удобно для анализа структуры дерева целей, для выявления взаимосвязей и отношений между целями на этапе отбора вариантов и усечения целей.
Сетевые методы.Сетевые методы являются наиболее наглядным и удобным средством отражения динамических, развивающихся во времени процессов, их анализа и планирования с включением элементов оптимизации. Используются главным образом на этапе построения программ развития. Элементы нижних уровней дерева целей, перегруппированные по признаку временных логических взаимосвязей, можно преобразовать в сеть. Анализ этих сетей может послужить для дальнейшей корректировки деревьев целей. Более сложные многомерные сети используются для распределения сфер ответственности, распределения работ по конкретным исполнителям в организациях, ориентированных на цель.
Статистические методы.Величины, которые могут принимать различные значения в зависимости от внешних по отношению к ним условий, принято называть случайными (стохастичнымипо природе). Так, например: пол встреченного нами человека может быть женским или мужским (дискретная случайная величина); его рост также может быть различным, но это уже непрерывная случайная величина - с тем или иным количеством возможных значений (в зависимости от единицы измерения).
Для случайных величин приходится использовать особые, статистические методы их описания. В зависимости от типа самой случайной величины - дискретная или непрерывная это делается по разному.
Дискретное описание заключается в том, что указываются все возможные значения данной величины (например - 7 цветов обычного спектра) и для каждой из них указывается вероятность или частота наблюдений именного этого значения при бесконечно большом числе всех наблюдений.
Можно доказать, что при увеличении числа наблюдений в определенных условиях за значениями некоторой дискретной величины частота повторений данного значения будет все больше приближаться к некоторому фиксированному значению - которое и есть вероятность этого значения.
К понятию вероятности значения дискретной случайной величины можно подойти и иным путем - через случайные события. Это наиболее простое понятие в теории вероятностей и математической статистике - событие с вероятностью 0,5 или 50% в 50 случаях из 100 может произойти или не произойти, если же его вероятность более 0,5 - оно чаще происходит, чем не происходит. События с вероятностью 1 называют достоверными, а с вероятностью 0 - невозможными.
Отсюда простое правило: для случайного события X вероятности P(X) (событие происходит) и P(X) (событие не происходит), в сумме для простого события дают 1.
В ряде ситуаций приходится иметь дело с непрерывно распределенными случайными величинами - весами, расстояниями и т. п. Для них идея оценки среднего значения (математического ожидания) и меры рассеяния (дисперсии) остается той же, что и для дискретных случайных величин. Приходится только вместо соответствующих сумм вычислять интегралы. Второе отличие - для непрерывной случайной величины вопрос о том какова вероятность принятия ею конкретного значения обычно не имеет смысла - как проверить, что вес товара составляет точно 242 кг - не больше и не меньше?
Для всех случайных величин - дискретных и непрерывно распределенных, имеет очень большой смысл вопрос о диапазоне значений. В самом деле, иногда знание вероятности того события, что случайная величина не превзойдет заданный рубеж, является единственным способом использовать имеющуюся информацию для системного анализа и системного подхода к управлению. Правило определения вероятности попадания в диапазон очень просто - надо просуммировать вероятности отдельных дискретных значений диапазона или проинтегрировать кривую распределения на этом диапазоне.
Математическое программирование ("планирование") - это раздел математики, занимающийся разработкой методов отыскания экстремальных значений функции, на аргументы которой наложены ограничения. Методы математического программирования используются в экономических, организационных, военных и др. системах для решения так называемых распределительных задач. Распределительные задачи возникают в случае, когда имеющихся в наличии ресурсов не хватает для выполнения каждой из намеченных работ эффективным образом и необходимо наилучшим образом распределить ресурсы по работам в соответствии с выбранным критерием оптимальности.
В зависимости от вида целевой функции и ограничений выделяют следующие методы математического программирования:
Линейное программирование, используется если целевая функция линейна и система ограничений также линейна.
Если решения задачи линейного программирования должны быть целыми числами, то это задача целочисленного линейного программирования.
Если целевая функция и система ограничений не линейны, то это задача нелинейного программирования.
В том случае, если в задаче математического программирования имеется переменная времени и целевая функция выражается не в явном виде, как функция переменных, а косвенно, через уравнение, описывающее протекание операции во времени, то такая задача является задачей динамического программирования. Если целевая функция и система ограничений задаются формулами вида:
,то это задача геометрического программирования.
В задачах параметрического программированияцелевая функция и система ограничений зависят от параметров.
Если в целевой функции и системе ограничений определяется область возможного изменения переменных, содержатся случайные величины, то такая задача относится к задачам стохастического программирования.
Если точный оптимум найти алгоритмическим путем невозможно, из-за большого числа вариантов решения, то используются методы эвристического программирования.
,то это задача геометрического программирования.