Повышение эффективности подготовки выпускников высших учебных заведений внутренних войск МВД России

• Автор: Сидоров, Петр Николаевич
• Шифр специальности: 05.13.10
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Санкт-Петербург
• Количество страниц: 279 с. : ил.

СОДЕРЖАНИЕ Стра

ВВЕДЕНИЕ

ГЛАВА 1 АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ ВОПРОСОВ

МОДЕЛИРОВАНИЯ СОЦИАЛЬНЫХ ОБЩНОСТЕЙ КАК ОБЪЕКТОВ УПРАВЛЕНИЯ.

1.1. Литературный обзор по математическому моделированию воин

ских подразделений как объектов управления

1.2. Краткий обзор современных методов моделирования.

1.2.1. Современные методы анализа данных.

1.2.2. Метод наименьших квадратов

1.2.3. Применение методов репертуарных решеток и интегральной рег

рессии для исследований социальных объектов .

1.3. Модели психологических характеристик воинского коллекти
1.4. Модели боевых возможностей воинского коллектива на основе ме
тода динамики средних
1.5. Применение метода группового учета аргументов МГУА в зада
чах моделирования.
1.6. Постановка научнотехнической задачи
ГЛАВА 2 ТЕОРЕТИКО МНОЖЕСТВЕННОЕ МОДЕЛИРОВАНИЕ
ВОИНСКОГО КОЛЛЕКТИВА КУРСАНТОВ КАК ОБЪЕКТА УПРАВЛЕНИЯ.
2.1. Социально психологические особенности воинского коллекти
2.2. Анализ воинского коллекгива курсантов как объекта управле
2.3. Формирование множеств выходных и входных величин и возден
2.4. Параметры и критерии модели воинского коллектива как объекта управления
2.5. Построепие и обоснование теоретикомножественной модели воин
ского коллектива курсантов как объекта управления.
Выводы
ГЛАВА 3 МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ВОИНСКОГО КОЛЛЕКТИВА КУРСАНТОВ ВОЕННОГО ИНСТИТУТА ВНУТРЕННИХ ВОЙСК МВД РОССИИ КАК ОБЪЕКТА УПРАВЛЕНИЯ
3.1. Доказательство приемлемости метода группового управления ар
гу ментам и МГУ А.
3.1.1. Математическое моделирование объектов оптимального управле
ния методом группового учета аргументов.
3.1.2. Анализ метода группового учета аргументов в задачах моделиро
вания объектов оптимального управления
3.1.3. Исследование моделей на сходимость выходных переменных, по
строенных па различных алгоритмах МГУА
3.1.4. Исследование моделей построенных па алгоритме МГУА 8ЕЬЕС
на сходимость выходных переменных, при изменении максимального числа слагаемых в моделях.
3.1.5. Исследование моделей построенных на алгоритме МГУА БЕЬЕС 3 на сходимость выходных переменных, при изменении свободы выбора
в моделях.
3.1.6. Исследование моделей на сходимость выходных переменных, по
строенных на различных алгоритмах МГУА по статистическим данным
3.2. Разработка алгоритма математического моделирования коллекги
ва курсантов военного института внутренних войск МВД России.
3.3. Математическое моделирование воинского коллектива молодых 5 офицсроввыпускников СанктПетербургского института внутренних войск МВД России.
3.3.1. Синтезирование статистических математических моделей на базе 5 различных алгоритмов МГУЛ.
3.3.2. Определение весовых коэффициентов входных переменных моде 1 лей, полученных МГУА
3.3.3. Методика математического моделирования комплексного крите 4 рия уровня подготовки курсантоввыпускников военного института
внутренних войск МВД России
ГЛАВА 4 ЭКСПЕРИМЕНТАЛЬНОЕ МАТЕМАТИЧЕСКОЕ МОДЕ
ЛИРОВАНИЕ КОЛЛЕКТИВА КУРСАНТОВ САНКТПЕТЕРБУРГСКОГО ВОЕННОГО ИНСТИТУТА ВНУТРЕННИХ ВОЙСК МВД РОССИИ ПО ИТОГАМ ГОСУДАРСТВЕННОЙ АТТЕСТАЦИОННОЙ КОМИССИИ ГОДА
4.1. Расчет значений выходных псрсменпых моделей, полученных
Ч1 МГУА и с помощью весовых коэффициентов входных переменных
4.2. Интерпрегацин полученных результатов
4.3. Предложения по повышению эффективности учебного процесса по
подготовке курсантов военною института внутренних войск МВД России.
4.4. Расчет возможной эффективности предложений по повышению ка 9 чества подготовки выпускников военного института внутренних войск МВД России
Выводы.
ЗАКЛЮЧЕНИЕ.
ЛИТЕРАТУРА


Вопросы могут иметь вид значение параметра А больше х для случая измеряемых переменных или вида значение переменной В принадлежит подмножеству признаков С. Если ответ положительный, мы переходим к правому узлу следующего уровня, если отрицательный то к левому узлу затем снова отвечаем на вопрос, связанный с соответствующим узлом. Этот метод хорош тем, что такое представление правил наглядно и его легко понять. Индукция правил создает неиерархическое множество условий, которые могут перекрываться. Индукция правил осуществляется путем генерации неполных деревьев решений, а для того чтобы выбрать, какое из них будет применено к входным данным, используются статистические методы. Идея систем рассуждения на основе аналогичных случаев крайне проста. Для того чтобы сделать прогноз па будущее или выбрать правильное решение, эти системы находят в прошлом близкие аналоги наличной ситуации и выбирают тот же ответ, который был для них правильным. Системы рассуждения на основе аналогичных случаев показывают очень хорошие результаты в самых разнообразных задачах. Главный их минус заключается в том, что они вообще пе создают какихлибо моделей или правил, обобщающих предыдущий опыт, в выборе решения они основываются на всем массиве доступных исторических данных, поэтому невозможно сказать, на основе каких конкретно факторов эти системы строят свои ответы. Нечеткая логика применяется для таких наборов данных, где причисление данных к какойлибо группе является вероятностью находящейся в интервале от 0 до 1, но не принимающей крайние значения. Четкая логика манипулирует результатами, которые могут быть либо истиной, либо ложью. Нечеткая логика применяется в тех случаях, когда необходимо манипулировать степенью может быть в дополнении к да и нег. Генетические алгоритмы имеют два слабых места. Вопервых, сама постановка задачи в их терминах не дает возможности проанализировать статистическую значимость получаемого с их помощью решения и, вовторых, эффективно сформулировать задачу, определить критерий отбора хромосом под силу только специалист В силу этих факторов сегодня генетические алгоритмы надо рассматривать скорее как инструмент научного исследования, чем как средство анализа данных для практического применения. Так как эта переменная дискретна, она не может быть смоделирована методами обычной многофакторной линейной регрессии. Тем не менее, результат вероятность может быть выражен в виде линейной комбинации входных переменных, что позволяет получить количественные оценки влияния этих, параметров на зависимую переменную, Полученные вероятности могут использоваться и для оценки шансов. Шанс это отношение вероятности появления события к вероятности того, что событие не произойдет. Эволюционное программирование сегодня самая молодая и наиболее перспективная ветвь поиска новых данных. Суть метода в том, что гипотезы о виде зависимости целевой переменной от других переменных формулируются системой в виде программ на некотором внутреннем языке программирования. Если ото универсальный язык, то теоретически на нем можно выразить зависимость любого вида. Процесс построения этих программ строится как эвошоция в мире программ, этим метод немного похож на генетические алгоритмы. Когда система находит программу, достаточно точно выражающую искомую зависимость, она начинает вносить в нес небольшие модификации и отбирает среди построенных таким образом дочерних программ те, которые повышают точность. Таким образом, система выращивает несколько генетических линий программ, которые конкурируют между собой в точности выражения ИСКОМОЙ зависимости. Для того чтобы сделать полученные результаты, еще понятнее для пользователянематематика, имеется богатый арсенал разнообразных средств визуализации обнаруживаемых зависимостей. Поиск зависимости целевых переменных от остальных ведется в форме функций какогото определенного вида. Например, в одном, из наиболее удачных, алгоритмов этого типа методе группового учета аргументов МГУА зависимость ищут в форме полиномов , Причем сложные полиномы заменяются несколькими более простыми, учитывающими только некоторые признаки групп аргументов.