Капралов Е.Г., Кошкарев А.В., Тикунов В.С. и др. Геоинформатика

Подождите немного. Документ загружается.

упрощения реализации). К этому классу можно отнести, например,

однослойный и многослойный перцептроны, машину Больцмана,

сети, обучающиеся по правилу Хебба, рекуррентные слоистые и

полносвязные сети обратного распространения ошибки, сети, ис-

пользующие радиальные базисные функции. Различия между ука-

занными системами порой достаточно велики, но всегда есть нема-

ло общего, а детали классификации различаются у разных авторов.

Нейросети, обучающиеся без образца, более разнообразны, хотя

стоящая за ними теория математически порой более примитив-

на — это карты Кохонена, системы с множественными локально

устойчивыми состояниями, такие как сеть Хопфилда, сети, на-

страивающиеся на основе адаптивного резонанса. Прямые анало-

гии между данными классами не просматриваются, хотя часто ис-

ходно имеются необработанные данные, а в итоге возникают их

образы, построенные в ходе работы нейросети, либо сама сеть,

меняя свою структуру, моделирует образы данных. В живой приро-

де есть аналоги и этому — строились карты возбуждения участков

коры мозга в зависимости от возбуждения участков тела, получив-

шие названия «гомункулусов», оттого, что на этих картах форми-

руется узнаваемый образ человека, только ладони, например, по-

лучаются увеличенными, а спина — уменьшенной.

Наконец, разрабатываются, хотя и не нашли широкого приме-

нения, комбинированные подходы. Идеология такого комбиниро-

вания заставляет вспомнить лозунг «человека создал труд». За ос-

нову здесь берется алгоритм обучения по образцу, произвольно

устанавливающий некое первоначальное, можно сказать «абстрак-

ционистское», соответствие между «сырыми данными» и «обрабо-

танными данными». Затем «обработанные данные» меняются в ходе

внешней «трудовой деятельности» с учетом «свойств материала»,

так что соответствие улучшается. Устанавливается новое соответ-

ствие между исходными и обработанными данными, вновь меня-

ются обработанные данные и так далее. В итоге нейросеть порожда-

ет, с одной стороны, «художественный образ» ситуации, а с дру-

гой — собственный навык быстрого, как бы рефлекторного, соот-

несения реальных данных и их образов. Например, так можно про-

верять связность образа данных — если «природа материала» не по-

зволяет ему изменять связность, а вышеобозначенный подход рабо-

тает, то значит и у образа данных связность та же. Этот пример дан

для того, чтобы напомнить о кризисе нейросетевого подхода, имев-

шем место до 80-х годов, в связи с пессимизмом по части возмож-

ностей использования нейроалгоритмов в задачах топологии.

В заключение укажем задачи, которые принято относить к чаще

всего рассматриваемым в рамках нейросетевого подхода:

• обучение по образцу — классификация образов, аппроксима-

ция функций, предсказание, управление, анализ данных, катего-

ризация внутри класса, сжатие данных;

• обучение

без

образца — категоризация, категоризация внутри

класса, анализ данных, сжатие данных, ассоциативная память.

Нейросетевые алгоритмы

—

математические аспекты.

Под

име-

нем нейросетевых алгоритмов

настоящее время объединяется

не-

сколько подходов

обработке данных, которые

их

авторы,

не со-

гласовывая друг

другом, сочли напоминающими принципы орга-

низации биологических нейронных сетей. Видимо, сыграла роль при-

влекательность названия вместе

с тем

обстоятельством,

что

по-на-

стоящему принципы работы таких сложных биологических систем,

как мозг человека, никому

не

известны,

и в

этом смысле

все

рав-

ны

свободны.

Это

несколько нарушает существующие

матема-

тике традиции логически обоснованной классификации алгорит-

мов,

но

поскольку некоторые нейроалгоритмы достаточно эффек-

тивны, приходится считаться

установившейся практикой. Рас-

смотрим

два

типа нейроалгоритмов, наиболее часто используемых

в приложениях, — алгоритмы обратного распространения ошибки

(back

error propagation algorithms; BackProp; в

российских публика-

циях 80-х годов использовалось математически более точное назва-

ние:

алгоритмы двойственного функционирования;

АДФ) и

карты

Кохонена (самоорганизующиеся карты,

self-oiganization

maps,

SOM).

Алгоритм обратного распространения ошибки. Такие алгорит-

мы создавались

во

многом для решения классической задачи мате-

матической статистики

—

задачи регрессии табличных данных.

Хорошо известны простейшие задачи регрессии — такие

как

зада-

ча проведения прямой, наилучшим образом приближающей обла-

ко точек (например, прямой, сумма квадратов расстояний точек

до которой минимальна).

этом примере речь идет

линейной

регрессии, алгоритм которой должен определить параметры поло-

жения прямой, —

ее

углы наклона

осям координат

координа-

ты одной

из

точек прямой.

Если речь идет

нелинейной регрессии,

качестве аппрокси-

мирующего облака точек многообразия выступает

не

прямая,

не

плоскость

или

гиперплоскость,

некоторая гладкая кривая,

по-

верхность или гиперповерхность. Чтобы описать такие нелинейные

многообразия, требуется увеличить число параметров

по

сравне-

нию

со

случаем линейной регрессии: возникает задача многопара-

метрической нелинейной регрессии.

Задолго

до

возникновения алгоритма обратного распростране-

ния ошибки были известны сложности проведения нелинейной

многопараметрической регрессии данных:

•

при

большом числе параметров регрессии увеличивается вре-

мя счета;

• параметры регрессии определяются неоднозначно (так называе-

мая плохая обусловленность задач многопараметрической регрессии);

• неясно,

как

выбрать лучший

из

множества вариантов нели-

нейной регрессии.

Алгоритм обратного распространения ошибки успешно преодо-

лел первую из указанных сложностей, после чего был накоплен

практический опыт в отношении двух оставшихся сложностей, так

что в настоящее время эти сложности уже не смущают, хотя пол-

ной математической теории по их поводу так и не было создано.

Можно говорить о том, что нейроалгоритм обратного распростра-

нения ошибки эффективно решает задачи многопараметрической

нелинейной регрессии: имеются программы, осуществляющие «хо-

рошую» нелинейную регрессию для десятков и сотен тысяч точек

с определением десятков тысяч регрессионных параметров за при-

емлемое время (до нескольких суток счета). Суть метода изложена

в специальной литературе.

Алгоритмы квантования данных и карты Кохонена. Карты Ко-

хонена — это вариант алгоритмов квантования данных, т. е. пред-

ставления N точек данных с помощью меньшего числа точек-об-

разцов. Изложим один из вариантов —

Batch

SOM.

Выбирается регулярная сетка М узлов, расположенная так,

чтобы примерно соответствовать наиболее важной части простран-

ства данных, обычно М существенно меньше N.

2. Каждая точка данных «приписывается» к ближайшему для нее

узлу.

3. Определяется среднее арифметическое положение векторов

«приписанных» групп, пусть для узла / это будет r

4. Определяется среднее арифметическое положение векторов, «при-

писанных» к первым соседям групп, пусть для узла / это будет p

5. Новое положение узлов задается вектором р

{

+А,/;, где А, —

параметр метода порядка десятых единицы.

6. Шаги 2—5 повторяются несколько раз.

В итоге получается сетка, не лишенная черт регулярности, но

сгущающаяся там, где густы исходные данные. Такая сетка может

рассматриваться как компактная модель исходного множества дан-

ных либо как средство классификации новых данных — этим дан-

ным можно приписывать тот же класс, который ранее был припи-

сан ближайшему к вектору данных узлу карты Кохонена.

Прочие нейросетевые алгоритмы. Комбинируя два изложенных

типа алгоритмов, можно получать новые варианты алгоритмов

обработки данных. Например, если данных много, то можно сна-

чала по ним построить компактную карту Кохонена (точнее, ее

многомерную версию), и уже к этой карте применять методы не-

линейной регрессии. Однако не все нейроалгоритмы сводятся к

такого рода комбинациям — с ними следует знакомиться по мно-

гочисленным специализированным изданиям.

Области применения нейросетевых ГИС. Интегрированные с гео-

информационными системами нейронные сети — мощный инстру-

мент для решения широкого круга задач, обеспечивающий эффек-

тивную поддержку принятия решений. В качестве входных и выход-

ных данных нейронная сеть может использовать пространственно

координированные данные. Программы, созданные на основе нейро-

сетевых алгоритмов, будут динамически модифицировать слои элек-

тронной карты, изменять характеристики существующих объектов,

создавать новые объекты. В результате обработки массива имеющих-

ся данных могут также возникать новые слои карты, в то время как

существующие слои будут приобретать динамические свойства.

Можно привести много примеров, демонстрирующих эффек-

тивность нейросетевых подходов, реализуемых в ГИС-среде. Наи-

более выигрышно они проявляют себя в ситуациях, когда прихо-

дится иметь дело с большими массивами информации, хранящи-

мися в крупных организациях, на основе которых принимаются

решения. В них нуждаются специалисты, оценивающие и прогно-

зирующие состояние какой-либо области человеческой деятель-

ности, например, рынков сбыта продукции, реальной стоимости

недвижимости, загрязнения территории. Планирование очередно-

сти действий при развитии территорий и их инвестиционной при-

влекательности, выявление зон с наиболее напряженной эколо-

гической, социальной или экономической ситуацией, анализ ха-

рактеристик геологических объектов — эти и многие другие зада-

чи уже невозможно решать на современном уровне без привлече-

ния интеллектуальных геоинформационных систем.

Приведем несколько примеров.

В сельском хозяйстве одни слои ГИС могут содержать сведения о

посеве зерновых культур, а другие — об урожайности. Нейросеть в

этом случае будет обобщать практический опыт методов и техноло-

гий выращивания зерновой культуры с учетом конкретных клима-

тических, почвенных и прочих характеристик выбранной территории.

В лесоустройстве с помощью нейросети можно анализировать

динамику приростов деревьев по высоте, диаметру и объему. Об-

работка тематических слоев ГИС с такой информацией поможет

спланировать лесоустроительные работы, например при выращи-

вании насаждений сосны в лесопарках и в зеленых зонах.

Прогностические нейросетевые модели могут использоваться

в демографии и организации здравоохранения, опираясь на простран-

ственные данные по плотности населения, медицинской стати-

стике, загрязнению окружающей среды, представленные в виде

слоев ГИС. Экспертная система будет определять, например, ве-

роятностную продолжительность жизни, зависимость различных

категорий заболеваемости от экологического состояния террито-

рии, прогнозировать вспышки эпидемий.

Обработка ДЦЗ

—

одна из традиционных задач, решаемых геоин-

формационными системами. Анализ изображений с точки зрения

математики опирается на теорию распознавания образов, когда по

входным данным необходимо отнести объект к тому или иному клас-

су. В данной области нейронные сети наряду с методами нечеткой

12 Геоинформатика

353

логики нашли наиболее широкое применение, с их помощью можно

описать правила классификации, не прибегая к точным математи-

ческим значениям (используя понятные человеку термины типа «не-

большой», «значительный» и т.д.). И, наоборот, извлекать из обучен-

ных нейронных сетей правила классификации по исходным данным,

представляя их на обычном языке. В отличие от традиционных стати-

стических методов, основанных на вычислениях в рамках той или

иной математической формализации, классификаторы, базирующи-

еся на нейронных сетях, используют адаптацию в процессе обуче-

ния, не требующую предварительного обоснования модели. В то же

время доказано, что результаты классификации и в том и в другом

случае могут совпадать,

т.

е.

нейронная сеть способна сама построить

соответствующую математическую формализацию.

Для классификации используются различные нейросетевые ал-

горитмы. В нейронной сети с обучением без образца проводится

анализ цветных или черно-белых пикселей снимка без привязки к

другим слоям карты в целях выделения однородных фрагментов

изображения (объектов) по тону, структуре, оттенку. Обучение по

образцу полагается на доступные пространственные данные для

выбранного участка территории. Если известно априори, что выб-

ранному фрагменту снимка соответствует, например, лесной мас-

сив с известной степенью антропогенной нарушенное™, то эта

информация может быть использована нейронной сетью для клас-

сификации изображения.

Нейронные сети все чаще используются в задаче выявления

пространственно однородных участков изображения. Эта задача

является очень актуальной при разработке теоретических и методо-

логических основ новых альтернативных систем земледелия, прин-

ципов экологически безопасного землепользования и проектов земле-

устройства на ландшафтной основе. Отдельные элементы ландшафта

могут быть выявлены на основе анализа фрагментов изображения,

их формы, цвета, взаимосвязей, неоднородности. Нейронная сеть

также позволит оценить взаимосвязи отдельных элементов ланд-

шафта.

В транспортной отрасли нейронная сеть может стать эффектив-

ным дополнением к ГИС при мониторинге автомобильных дорог.

Здесь речь идет об анализе транспортной нагрузки и состояния по-

лотна дороги, выборе оптимальных коридоров для строительства

новых трасс и определении приоритетов в строительстве, анализе

различных стратегий проведения ремонтных работ и соответствен-

ном распределении финансовых вложений. Задачей для нейронной

сети может стать оперативное принятие решения по оптимизации

распределения транспортной нагрузки на автомобильные дороги в

случае дорожно-транспортного происшествия в определенном мес-

те,

повлекшего за собой скопление автомобилей (пробку). Нейрон-

ная сеть будет использовать в качестве входных данных слои ГИС

с автодорогами, местоположением аварии, текущими погодными

условиями

прочими характеристиками, которые влияют

на

ско-

рость движения.

Все

параметры системы, имеющие отношение

указанному происшествию, будут скорректированы нейронной

се-

тью,

и их

откат

исходное состояние станет возможен после стаби-

лизации ситуации. Следующим шагом

развитии данного направ-

ления должна стать возможность онлайнового доступа

из

автомобиля

с помощью карманных

ПК (КПК, PDA) и

других мобильных уст-

ройств

картографическому серверу, содержащему оперативную

информацию

об

обстановке

на

дорогах

подготовленные

помо-

щью нейросети рекомендации

по

выбору оптимального маршрута.

Программное обеспечение.

На

рынке программного обеспече-

ния

настоящее время имеется множество самых разнообразных

программ

для

моделирования нейронных сетей. Поиск

Интерне-

те дает сотни ссылок

на

зарубежные

российские сайты. Можно

выделить несколько основных функций, которые реализованы

во

всех этих программах:

• формирование, конструирование нейронной сети;

• обучение нейронной сети;

• имитация функционирования (тестирование) обученной ней-

ронной сети.

С точки зрения компьютерной технологии

программных

ин-

терфейсов

они

опираются

на

современные стандарты

— от

про-

стых программ, ориентированных

на

платформу Unix

текстовым

интерфейсом,

до

сложных модульных продуктов, базирующихся

на последних технологических решениях

от

Microsoft.

Интегрированные решения

на

основе

ГИС и

нейронных сетей

пока представлены слабо, несмотря

на то, что

повышение функ-

циональной мощности геоинформационных пакетов

за

счет

ин-

теграции специальных модулей расширения

или

ГИС-приложе-

ний — одна

из

важнейших черт современных геоинформационных

систем. Проблема интеграции нейронных сетей

и ГИС

может быть

решена

по

крайней мере тремя способами:

1) интеграция (встраивание) нейросетевых моделей

в ГИС с

использованием специализированных средств геоинформационной

системы (программирование

на

встроенных языках типа

Avenue,

MapBasic и

т.п.);

2) развитие интерфейса между отдельными приложениями

ней-

росетевого анализа

и ГИС, как

самостоятельными системами;

3) создание прикладного программного обеспечения нейросе-

тевых систем

элементами

ГИС

(например,

использованием

библиотек классов типа

MapObjects, GeoConstructor,

МарХ

и пр.).

Выбор конкретного варианта связан

требованиями

поста-

новкой задачи, имеющимися ресурсами

опытом работы. Ниже

приводятся

два

конкретных примера

—

программных продукта,

которые

уже

созданы

на

основе нейросетей

и ГИС.

Программа

ScanEx-NeRIS

Программа

NeRIS

предназначена

для

тематической интерпре-

тации пространственных данных,

первую очередь данных дис-

танционного зондирования Земли. Основной инструмент, реали-

зованный

программе, — нейронные сети Кохонена. Являясь

од-

ним

из

методов классификации многомерных данных, нейронные

сети Кохонена обладают важными дополнительными свойствами,

на которых основана значительная часть используемых

програм-

ме алгоритмов.

Возможности пакета тематической обработки растровых изоб-

ражений

программе

ScanEx-NeRIS:

— оценка количества классов, требуемых для описания темати-

ки

составления тематической карты;

— оценка внутренней дробности, неоднородности тематиче-

ских объектов (контуров);

— оценка распределения свойств экспертных объектов

при-

знаковом поле модели;

— оценка вероятностей присутствия тематических объектов,

заданных экспертом

поле признаков снимка (выделение

на

изоб-

ражении областей

различным уровнем оценки: оптимистическим,

реалистическим, пессимистическим);

— построение иерархических классификаций

оценкой близо-

сти классов между собой;

— создание тематически ориентированных нейронных сетей

для

последующей обработки растра

целью выявления тематических

объектов;

— автотрассировка (векторизация) результатов поклассовой

обработки;

— поддержка системы координат наиболее распространенных

отечественных

зарубежных картографических проекций;

— экспорт растровых покрытий

векторных слоев

наиболее

распространенных обменных форматах;

— представление результатов классификации

для

всех видов

нейронных сетей

как

присвоением индекса класса каждому клас-

сифицированному пикселу,

так и

созданием растровых слоев «ве-

роятности»

(possibility)

принадлежности пиксела одному конкрет-

ному классу (создание нескольких таких слоев

последующей

их

визуализацией позволяет наглядно представлять результаты клас-

сификации, например, выявлять «белые пятна» (неклассифици-

рованные области пространства)

представлять данные

для

окон-

чательной классификации традиционными методами).

Модуль Arc-SDM для ArcView

Модуль Arc-SDM

—

одно

из

свободно доступных расширений

ArcView для моделирования

в ГИС на

основе алгоритмов нечеткой

логики

нейронных сетей.

точки зрения пользователя

ГИС про-

цесс пространственного моделирования

использованием этого

модуля состоит

построении нового тематического слоя

на

осно-

ве нескольких

уже

существующих. Arc-SDM использует

два

нейро-

сетевых алгоритма, которые вынесены

самостоятельный про-

граммный модуль

DataXplore.

Первый построен

на

основе нейро-

сети, реализующей радиальные базисные функции, второй

— на

основе кластеризации

нечеткой логике. Нейросеть, использующая

радиальные базисные функции, должна пройти этап обучения,

результате которого будет сгенерирован набор параметров, опре-

деляющий взаимосвязь между входными слоями данных

выход-

ным (результирующим) слоем. После этого

для

классификации

данных можно применять обученную нейросеть.

Например,

геологической задаче исследования полезных

ис-

копаемых, результирующий слой содержит сведения

наличии

или отсутствии месторождений. Входные данные, используемые

процессе обучения, можно разделить

на два

типа — расположения

известных месторождений

участки территории,

про

которые

из-

вестно,

что там

полезных ископаемых

нет. На

основе исходных

векторных тематических слоев геоинформационной системы

со-

здается грид-тема, далее подготовленный набор данных передает-

ся

программный модуль

DataXplore.

Результат вычислений ото-

бражается

виде нового тематического слоя.

Контрольные вопросы

В чем

состоят перспективы интеграции технологий

ИИ с

ГИС?

Ка-

кие особенности

ГИС

составляют основу этой интеграции? Какое отно-

шение

системам

ИИ

имеют нейросетевые методы?

Проведите сравнение машины фонНеймана

биологической ней-

ронной системой.

Нарисуйте схемы

поясните принципы работы технического

био-

логического нейронов.

Классификация нейронных сетей

и ее

принципы.

Чем

отличаются

нейросети, обучающиеся

без

образца,

от

нейросетей, обучающихся

по

образцу?

Для

решения каких задач

они

используются?

Нейросетевой алгоритм обратного распространения ошибки.

В чем

состоят сложности проведения нелинейной многопараметрической

ре-

грессии данных?

Охарактеризуйте нейросетевые алгоритмы квантования данных.

Поясните

на

примерах анализа геоданных принцип построения карт

Ко-

хонена.

Перечислите области применения нейросетевых

ГИС.

Сформулируйте основные функции нейросетевого программного

обеспечения. Каким образом

оно

может быть соединено

с ГИС в

единую

систему?

Дайте характеристику программного обеспечения нейросетевых

ГИС

на примере программных продуктов

ScanEx-NeRIS

модуля Arc-SDM

для ArcView.

4.3. Системы поддержки принятия решений

Системы поддержки принятия решений (СППР) — новое, пока

не устоявшееся, но очень перспективное направление в геоин-

формационных технологиях. Имеется множество определений

СППР. Например, согласно работе

[G.Biswas,

M.Oliff,

A.Sen,

1984]

они характеризуются как совокупности инструментальных средств,

обеспечивающих формирование (моделирование) альтернативных

решений на разных этапах принятия решений, их анализ и выбор

вариантов, удовлетворяющих поставленным условиям. В.

В.

Пржи-

ялковский

[2001]

трактует их как системы, обеспечивающие полу-

чение информации, необходимой для тактического планирования

и деятельности лиц, принимающих решения. Эти системы основа-

ны на анализе данных из баз данных, в том числе с использовани-

ем математических методов и с применением средств визуализа-

ции. Пользователями таких систем обычно являются представите-

ли среднего управляющего персонала. А вот компьютерные систе-

мы,

позволяющие готовить сведения и предоставлять их в распо-

ряжение старшего управляющего персонала с ограниченным опы-

том использования ЭВМ, называют информационными система-

ми руководителя (ИСР). Они должны предоставлять информацию

по конкретным возникающим запросам с любой допустимой сте-

пенью детализации. Такие системы играют важную роль в страте-

гическом управлении организациями.

Абитуриент, поступающий в университет, премьер-министр,

планирующий реформы, или брокер, скупающий и продающий

акции, — все они решают задачи выбора лучшего варианта дей-

ствий. В этих задачах есть много общего, например, возможности и

ограничения переработки информации человеком, а также мето-

ды анализа вариантов действий, которые принято называть мето-

дами принятия решений [О. И.Ларичев,

2000].

СППР, как указыва-

лось выше, используют материалы баз данных не только в виде

исходных («сырых») данных, но и предварительно обработанных.

Цель такой обработки состоит в том, чтобы сделать данные при-

годными и удобными для аналитического использования разными

группами пользователей, сохранив при этом их исходную инфор-

мативность. Процедуру «очистки» исходных данных, заключающу-

юся в устранении избыточности, противоречивости и в элимина-

ции шумов называют первичной обработкой данных. Более сложная

обработка может включать восстановление пропущенных значе-

ний в исходных данных и др. Использование статистических, оп-

тимизационных и других алгоритмов (корреляции, классифика-

ции и т.д.), позволяющих находить закономерности и зависимо-

сти в данных, а также синтезировать их, называют исследованием

данных

[В.

В.

Пржиялковский,

2001].

Интеллектуальный анализ дан-

ных (ИАД) обычно определяют как метод поддержки принятия

решений, основанный на анализе зависимостей между данными

[В.Львов,

2001].

Методики, которые на основе каких-либо моде-

лей, алгоритмов, математических теорем позволяют оценивать

значения неизвестных характеристик и параметров по известным

данным, являются аналитическими технологиями. Генетические

алгоритмы — это другой вид технологий, применяемых для поис-

ка оптимальных решений. В этих алгоритмах используется идея ес-

тественного отбора среди живых организмов в природе, поэтому

они и называются генетическими. Генетические алгоритмы часто

применяются совместно с нейронными сетями, позволяя созда-

вать гибкие, быстрые и эффективные инструменты анализа дан-

ных (НейроПроект,

1999).

Познавательные модели являются фор-

мой организации и представления знаний, средством соединения

новых знаний с имеющимися. Прагматические модели представ-

ляют собой инструмент управления и организации практических

действий, способ отображения «образцово правильных» действий

или их результата [Ф. И. Перегудов, Ф.П.Тарасенко,

1989].

Ситуа-

ционный план — план, содержащий конкретные предписания, ко-

торые должен выполнять каждый принимающий решения в той

или иной ситуации, а также возможные последствия реализации

такого решения. Имея конкретный ситуационный план, появляет-

ся возможность действовать согласно этому плану в непредвиден-

ных обстоятельствах. При этом уменьшается неопределенность в

действиях лиц, принимающих решения, при ситуации риска [EDI-

Press

& Web

Mission,

2000—2001].

История систем поддержки принятия решений. Возникновение

и применение термина «Системы поддержки принятия решений»

относится к 70—-80-м годам XX в. Кроме этого, в последнее деся-

тилетие этому термину придаются новые значения, что естествен-

но связано с развитием информационных технологий (ИТ). Сам

термин возник не на пустом месте. Понятия, вкладываемые в его

смысл, существовали и ранее, но только с развитием ИТ он при-

обрел самостоятельное значение. Естественно, что составляющие

его и предшествующие ему понятия сформировались еще раньше.

Так, управление является одной из основ рассматриваемого нами

вопроса, так как для него и создаются СППР.

История человечества показывает, что успех сопутствует ему в

тех областях, где действия человека или групп людей с накопле-

нием опыта приобретают признаки технологии, т.е. подчиняются

выработанным ранее правилам. Развивая такие технологии, люди

сохраняют опыт предшественников и их деятельность становится

более эффективной. Только те люди или социальные сообщества

(общины, государства, предприятия и т.п.) имели продолжитель-

ный успех, которые постоянно совершенствовали технологии

управления, создавали системы поддержки принятия решений в

зависимости от меняющихся условий существования. Там, где со-