ЗАКЛЮЧЕНИЕ

Прозрачность и доступность идей, составляющих методологический базис современных методов эволюционного моделирования, производят на нас поистине завораживающее впечатление. Нельзя сказать, что эти идеи заимствованы из обыденной жизни, ведь на самом деле они представляют собой революционные открытия в биологии не более чем полувековой давности, но сегодня о них знает каждый школьник и они уже лет 20 входят в перечень того, что должен знать среднестатистический обыватель, на каком бы континенте он ни жил. Тем более удивительным представляется тот факт, что объединенные в одно целое, эти идеи приобретают реальную силу и дают нам в руки эффективный инструмент для решения сложных задач моделирования и синтеза.

ГА + ИНС охватывают только кусочек того, что называют эволюционным моделированием. Но как нам представляется и как мы пытались продемонстрировать , эти две вычислительные технологии обладают огромным созидательным потенциалом. Подобно тому, как понятия передаточной функции и динамического звена составили инструментальный базис классических методов моделирования динамических объектов и проектирования систем их управления, нейронные сети являются эффективным инструментом эволюционного моделирования и синтеза. Они в такой же мере способны охватывать весь спектр проблем, связанных с построением систем управления — начиная от синтеза модели объекта и заканчивая синтезом законов управления, и все это при помощи одних и тех же приемов, в рамках единого подхода. Это выгодно отличает их от многих других современных техник, которые проявляют эффективность при решении только частичных задач (скажем, fuzzy logic находит применение только при синтезе контроллеров, но оказывается бессильной в моделировании самих объектов), и дает основания причислить их к классу доктрин, имеющих парадигмальное значение для современных технических наук.

Мы понимаем, что представленные нами иллюстративные примеры можно упрекнуть в некоторой простоте тестового динамического объекта. Но не будем забывать, сколько лет и какой численностью отрядов ученых шла классическая наука к простому описанию подобных объектов, к умению обращаться с ними. Нейронные же сети начали добиваться признания совсем недавно, не более 10 лет назад (то же самое можно сказать и о генетических алгоритмах).

Можно также предположить, что вряд ли их продвижение в сторону real world applications будет быстрым или триумфальным. Та легкость, с которой ИНС утвердились в когнитивных науках, является скорее обманчивой и может быть объяснена простым отсутствием серьезных

конкурентов. Существующие же техноценозы, взращенные в рамках классической научной парадигмы, и так неплохо удовлетворяют основные потребности общества. И найти в этих джунглях свободную нишу очень трудно — все ярусы давно заняты и борьба за место под солнцем не прекращается ни на минуту.

Впрочем, ситуация изменяется очень быстро, наши требования к технике непрерывно совершенствуются, и никто не возьмется предугадать, сколь долго классическая парадигма сможет сохранять свою монополию. Да это и не так важно. Главный прогресс последних лет состоит в том, что то ощущение близости, общности решаемых инженерами и Природой задач, которое не так давно только витало в воздухе, сегодня переросло в уверенность, что мир органических репликантов и мир культурных репликантов, к каковым относятся и научные идеи, развиваются по одинаковым законам, а значит, нам есть чему учиться у Природы. Представленный материал доказывает, что первые результативные шаги в этом направлении уже сделаны.