Ясницкий Л.Н., Данилевич Т.В. - Современные Проблемы Науки-Издательство - Лаборатория Знаний - (Ранее - БИНОМ. Лаборатория Знаний -) (2014)

Л. Н. Ясницкий, Т. В.
Данилевич
Современные
проблемы
н а у к и
Учебное пособие
3-е издание (электронное)
Рекомендовано
НМС по математике и механике
УМО по классическому университетскому
образованию РФ
в качестве учебного пособия
для студентов высших учебных заведений,
обучающихся по группе
математических и механических специальностей
Москва
БИНОМ. Лаборатория знаний
2014
УДК 001
ББК 72.87
Я81
Ясницкий Л. Н.
Я81 Современные проблемы науки [Электронный ре-
сурс] : учебное пособие / Л. Н. Ясницкий, Т. В. Да-
нилевич. — 3-е изд. (эл.). — Электрон. текстовые дан.
(1 файл pdf : 297 с.). — М. : БИНОМ. Лаборатория
знаний, 2014. — Систем. требования: Adobe Reader XI ;
экран 10".
ISBN 978-5-9963-2502-3
Рассмотрены вопросы становления и эволюции науки,
психологии познания, а также способы передачи знаний
и образование как фундаментальная категория науки.
Обсуждаются взаимоотношения науки и философии, науки
и религии, науки и искусства, науки и квазинауки. Особое
внимание уделено проблемам взаимоотношения науки и про-
изводства, негативным последствиям научно-технического
прогресса. Изложены и проанализированы современные мето-
ды получения научных знаний (технологии математического
моделирования и искусственного интеллекта, включая обу-
чение их практическому применению в различных областях
человеческой деятельности).
Книга предназначена для студентов-магистрантов всех
специальностей, а также для читателей, интересующихся
наукой, ее проблемами и современными методами получения
научных знаний.
УДК 001
ББК 72.87
Деривативное электронное издание на основе печатного

аналога: Современные проблемы науки : учебное пособие /
Л. Н. Ясницкий, Т. В. Данилевич. — М. : БИНОМ. Лаборато-
рия знаний, 2008. — 294 с. : ил.
В соответствии со ст. 1299 и 1301 ГК РФ при устранении

ограничений, установленных техническими средствами защиты
авторских прав, правообладатель вправе требовать от нарушителя
возмещения убытков или выплаты компенсации
ISBN 978-5-9963-2502-3 c БИНОМ. Лаборатория знаний, 2008

○
Говорят, что между противоположными мнениями
находится истина. Ни в коем случае! Между ними
лежит проблема.
В. Гете
ПРЕДИСЛОВИЕ
Магистратуры в российских вузах — сравнительно новое явление.

Учебники и учебные пособия для магистрантов с самого появления
магистратур и по настоящее время были и остаются нерешенной
проблемой. При относительно небольшой численности магистерских
групп для их обучения используется довольно широкий спектр
магистерских программ. В результате преподавателям и студентам-
магистрантам приходится обращаться к большому количеству спе-
циальной литературы по разным научным направлениям.
Авторы этого учебного пособия обратили внимание на то,
что дисциплина «Современные проблемы науки . . . » с различ-
ными вариациями присутствует в Государственных образовательных
стандартах магистров практически всех специальностей, будь то
«Физико-математическое образование», «Социально-экономическое
образование», «Технологическое образование», «Информатика и вы-
числительная техника», «Физика», «Техническая физика», «Меха-
ника», «Прикладная механика», «Естественно-научное образование»
и др.:
Специальность Квалификация Наименование

(направление) (степень) дисциплины
1 2 3
080800. Прикладная Магистр прикладной Современные про-
информатика информатики блемы прикладной
информатики
510300. Механика Магистр механики Современные про-
блемы механики
510400. Физика Магистр физики Современные про-
блемы физики
511200. Математика. Магистр математики Современные про-
Прикладная матема- блемы математики
тика
4 Предисловие
Окончание таблицы
1 2 3
511300. Механика, Магистр механики Современные про-
прикладная матема- блемы механики
тика
511600. Прикладные Магистр прикладных Современные про-
математика и физика математики и физики блемы естествознания
511800. Математика, Магистр математики Современные про-
компьютерные науки блемы математики
и компьютерных наук
523300. Прикладная Магистр прикладной Современные про-
информатика информатики блемы прикладной
информатики
540100. Естественно- Магистр естественно- Современные про-
научное образование научного образования блемы науки
540200. Физико-мате- Магистр физико-мате- Современные про-
матическое образова- матического образова- блемы науки
ние ния
540400. Социально- Магистр социально- Современные про-
экономическое обра- экономического обра- блемы науки
зование зования
540500. Технологиче- Магистр технологиче- Современные про-
ское образование ского образования блемы науки и обра-
зования
540600. Педагогика Магистр педагогики Современные про-
блемы науки
552800. Информатика Магистр техники и Современные про-
и вычислительная технологии блемы информатики
техника и вычислительной
техники
552900. Техноло- Магистр техники и Современные про-
гия, оборудование технологии блемы науки в маши-
и автоматизация ма- ностроении
шиностроительных
производств
553000. Системный Магистр техники и Современные про-
анализ и управление технологии блемы системного
анализа и управления
553100. Техническая Магистр техники и Современные про-
физика технологии блемы технической
физики
553300. Прикладная Магистр техники и Современные про-
механика технологии блемы науки в об-
ласти прикладной
механики
Предисловие 5
Содержание этих стандартов, хотя и различается в частностях, но

имеет довольно значительную инвариантную составляющую. Этим
и воспользовались авторы, подобрав и выстроив материал книги так,
чтобы она была пригодна сразу для многих магистерских специ-
альностей, а также могла представлять интерес для широкого круга
читателей, интересующихся современной наукой и ее проблемами.
Логическая цепочка изложения материала книги «Современные
проблемы науки» отражает закономерности рождения, развития
и становления науки в ее историческом ракурсе. Книга состоит
из десяти глав, которые постепенно подводят читателя к пробле-
мам науки сегодняшнего дня, проблемам, без решения которых
невозможно дальнейшее существование и развитие цивилизации.
Природой человека заложен дар познания, который, эволюциони-
руя во времени, развился в страсть знания и создал ученых, смыслом
жизни которых стала наука. О качествах человека, движимого
стремлением понять, повествует глава «Психология познания».
Смогли ли мы далеко уйти от тех условий, в которых жил
первобытный человек, если бы не имели способов передачи знаний?
В становлении науки и образования громадная роль принадлежит
возникновению письменности и книгопечатания. Наряду с устным
народным творчеством и умениями, передаваемыми потомкам
дедами и отцами, главенствующая роль принадлежит книге. XXI век
захлестнул поток информации. На помощь пришли ЭВМ. Эволюция
методов хранения и обработки информации прослеживается в главе
«Способы передачи знаний».
В своем стремлении к истине наука проходит через знание.
Знание человек получает в процессе образования. Технический век
ставит перед образованием свои требования, выполнить которые
невозможно без модернизации всей системы образования в стране.
Сегодня перед образованием, как никогда прежде, стоят проблемы
качественной подготовки специалистов высокого уровня, способных
решать сложные задачи экономического развития, бизнеса, проект-
ной инженерии, исследовательской, организационной деятельности
и др. На это нацелена современная реформа образования, а также
«Болонский процесс». Глава «Роль образования в становлении
науки» дает характеристику образования в России с момента первых
«цифирных школ» до сегодняшнего дня.
Наука была, есть и будет неотъемлемой частью культуры любой
страны. Более того, она проникает во все сферы человеческой
деятельности, будь то духовно-этические, или чисто технические
аспекты. Глава «Наука — часть духовной культуры» посвящена
взаимоотношениям науки и философии, науки и религии, науки

и искусства.
Следуя взгляду В. И. Вернадского на историю науки, в книгу
введены главы, отражающие процесс ее становления. Человек, став
разумным, осваивал, изучал Природу, дабы употребить этот дар
в своем неисчерпаемом желании «жить лучше», в своем вечном
стремлении познать Мир, Себя, Бога. За время своего существования
человечество прошло несколько этапов, в которых рождалась,
становилась и утверждалась Наука. История науки — это часть
истории цивилизации. Но можно ли говорить о науке, не рассказав
о тех людях, чей гений заключен в каждом предмете нашего
бытия? Глава «Наука: этапы развития» — о зарождении науки, об
ученых — основоположниках научных направлений, о трудностях,
через которые шла и идет наука в своем стремлении к истине.
Сегодня прикладная наука обрела силу. Ее главенствующая
роль в жизни и развитии современного общества бесспорна.
Научно-технический прогресс — это ее детище. Глава «Наука и про-
мышленные технологии» знакомит с предпосылками и условиями
внедрения научных разработок в производство, показывает механизм
привлечения инвестиций в инновации.
Научно-технический прогресс — это не только благо, но и забо-
левания людей, укорачивающие их жизнь, и экологический ущерб
природе, животному и растительному миру. Глава «Негативные
последствия научно-технического прогресса» — своего рода преду-
преждение о возможном конце существования человека на планете
Земля. В главе ставятся вопросы, на которые пока нет однозначных
ответов.
Сейчас появилось много публикаций на тему так называемых
эзотерических знаний. Рядом с официальной наукой существует
наука неофициальная, роль и положение которой во все времена
представлялись спорными. Смысл главы «Неофициальная наука» —
в словах Лапласа: «То, что мы знаем ограничено, а то, чего мы
не знаем — бесконечно».
Научная парадигма познания, выстроенная Аристотелем, изме-
ненная Галилеем, затем Ньютоном и Эйнштейном, подводит к раз-
нообразию методологических способов научных поисков. Жизнь
подтверждает главенствующую роль математики в научных исследо-
ваниях. Об этом глава «Математическое моделирование как метод
получения научных знаний». Сегодня трудно переоценить роль метода
математического моделирования и использования вычислительной
техники практически во всех сферах человеческой деятельности.
Однако в главе внимание уделено не только успехам и достижениям,

но и на проблемам этого метода, главная из которых — трудность
оценки вычислительных ошибок. По глубокому убеждению многих
специалистов, именно эти ошибки стали одной из причин стреми-
тельно нарастающей волны техногенных катастроф. Развитие ЭВМ
и численных методов привели к парадоксальной ситуации: с одной
стороны, к возможности легкого решения сложнейших краевых
задач, а с другой — к практически непреодолимым трудностям
надежной оценки погрешности числовых расчетных результатов.
В этом состоит суть современного кризиса прикладной математики,
который на наших глазах грозит перерасти в кризис современной
цивилизации.
Выход из математического кризиса можно было бы искать
в отказе от численных методов и возврате к старым, более
надежным аналитическим подходам. Однако авторами предлагается
и развивается иной путь преодоления кризиса. Этот путь основан на
дальнейшем развитии и применении идей и методов искусственного
интеллекта.
Мы живем в век компьютеров и телекоммуникационных тех-
нологий. Развитие и применение математических методов, свя-
занных с переработкой и использованием информации, привело
к появлению новой науки — информатики. Вершина информатики —
искусственный интеллект и его наиболее перспективный и быстро
развивающийся раздел — нейроинформатика. Глава «Нейроинформа-
тика как метод получения научных знаний» содержит популярное
изложение этой научной дисциплины и ее возможностей. Причем,
эта глава тесно связана с предыдущей и является ее логическим
продолжением. Нейросетевые технологии представляются здесь как
новый способ создания математических моделей, отличающийся тем,
что компьютер берет на себя еще большее количество функций,
в том числе — интеллектуальных, которые ранее всегда считались
прерогативой исключительно человека. Это сам процесс извлечения
знаний из данных. Это само открытие законов природы и обще-
ства. Это выявление закономерностей предметных областей. Это
процесс математической формализации знаний и использования их
в математических моделях, предназначенных для решения широкого
круга практических задач.
Материал книги разделен на две части. Первая часть, давая
представление о трудностях и проблемах становления науки, помо-
гает читателю осмыслить и понять значимость и неотвратимость
открытий, сделавших реальностью современный уровень научного
знания. Задача второй части — научить читателя пользоваться

самыми современными методам получения научных знаний: методом
интеллектуального математического моделирования и нейросете-
выми технологиями.
Учебный курс называется «Современные проблемы науки».
Название оправдано — из проблем и их решений соткана вся наша
жизнь. Проблемы личные, семейные, бытовые, производственные
мы решаем каждый день, и вдруг с удивлением, обнаруживаем,
что решение некоторых из них невозможно без решения проблем
города, страны и даже человечества. Проблемы науки являются
значительной частью глобальных проблем. В силу разной при-
роды возникновения, разных причинно-следственных связей, разных
смысловых выражений и, наконец, различных целей и путей реше-
ния, эти проблемы представляют собой многоаспектные направления
деятельности ученых. Множество проблем организационного харак-
тера, финансовых, кадровых, этических, экологических, как правило,
присущи любому производственному или научному коллективу. Но
любой коллектив имеет сугубо свои проблемы, на решение которых
нацелена деятельность этого коллектива.
В науке — это проблемы научных поисков. Более того, проблемы
являются, своего рода, «двигателем» научных исследований. Из-
вестный философ и науковед Карл Поппер, к примеру, считал, что
наука начинается с проблем, а ее развитие состоит в переходе от
одних проблем к другим — от менее глубоких к более глубоким.
Проблемы возникают при столкновении различных теорий. Появив-
шаяся противоречивая ситуация требует соответствующего решения.
Каждой исторической эпохе свойственны свои формы проблемных
ситуаций, в процессе решения которых появляются новые идеи,
догадки, гипотезы.
Учебный курс выстроен так, что первая его часть постепенно,
от главы к главе, подводит читателя к проблемам, которые
можно назвать общими для многих отраслей знаний. Вторая часть
показывает использование математических методов науки в при-
кладных ее отраслях. Появление и бурное развитие компьютерных
технологий, применение их в проектной инженерии при создании
самолетов, ракет, объектов ответственного назначения, привели
также к проблемам бесспорно глобальным в силу своей невероятной
значимости, поскольку нет ничего важнее, чем жизнь человека.
Это конкретный пример: проблемы отрасли знания переплетаются
с проблемами, которыми ни в коем случае нельзя пренебрегать —
проблемами этическими.
Хотя предлагаемая вниманию читателей книга является учеб-

ным пособием, ее вторая часть содержит собственные авторские
разработки, научные идеи и научные результаты, т. е., по своей
сути, вторая часть книги содержит элементы научной монографии.
Здесь высказывается и обосновывается авторская версия объясне-
ния причин роста техногенных аварий и катастроф, с которым
столкнулась цивилизация на рубеже XX—XXI вв. (п. 9.4). Обсуж-
даются и предлагаются пути преодоления этой проблемы, которые
авторы видят в повышении надежности методов математического
компьютерного моделирования, применяемого в проектной инже-
нерии. Здесь читатель может познакомиться и освоить новый
метод математического компьютерного моделирования, основанный
на точном аналитическом решении краевых задач, которое вы-
полняет «искусственный математик» — интеллектуальная система,
имитирующая интуицию, опыт и талант математика-профессионала
(п. 9.5). Популярное изложение основ нейросетевых технологий
осуществляется на конкретных примерах их применения в медицине
(п. 10.8.1), промышленности (п. 10.8.2), криминалистике (п. 10.8.3),
экономике и бизнесе (пп. 10.8.4–10.8.6). Попытка обобщения эво-
люционной теории Дарвина — дополнение ее учетом социального
фактора, приводит к построению нового «социально-генетического»
оптимизационного алгоритма, позволяющего быстро и эффективно
находить глобальные экстремумы многоэкстремальных функций,
встречающихся во многих практических задачах (п. 10.9.4). Пред-
принимаются попытки философского осмысления новых научных
результатов: вводится и обосновывается термин «шестое чувство
нейросетей» как свойство, унаследованное нейронными сетями от
мозга (п. 10.10), высказываются оригинальные мысли о возможности
прогнозирования будущего науки и цивилизации (п. 10.12).
Авторы надеются, что курс «Современные проблемы науки»
поможет читателям более внимательно и осознанно взглянуть на
проблемы сегодняшнего дня, выстроить свою позицию и свой взгляд
на возможность их решения, главными критериями которой выступят
знания и совесть.
Авторы выражают искреннюю благодарность доценту кафедры
информатики Пермского государственного педагогического универ-
ситета Изабелле Петровне Половиной за смелую идею разработки
нового курса, за моральную поддержку в трудные минуты колебаний
и сомнений.
Авторы благодарны проректору по научной работе Пермского
государственного университета, профессору Евгению Карловичу
Хеннеру за предоставленную возможность использования его ме-

тодических наработок и бесценного педагогического опыта, декану
механико-математического факультета Пермского государственного
университета, профессору Вадиму Ивановичу Яковлеву за инте-
ресные беседы и поправки, касающиеся истории науки и роли
отдельных ученых в ее развитии.
С особой теплотой авторы выражают слова благодарности заведу-
ющему научно-библиографическим отделом библиотеки Пермского
государственного университета Владимиру Дмитриевичу Инзель-
бергу и старшему библиографу библиотеки Пермского государ-
ственного технического университета Раисе Николаевне Маляровой,
оказавшим помощь в поиске необходимого научно-методического,
справочного и учебного материала.
Авторы
ЧАСТЬ I
НАУКА И ОБРАЗОВАНИЕ:
ИСТОРИКО-
КУЛЬТУРОЛОГИЧЕСКИЙ АСПЕКТ
Уважение к минувшему — вот черта, отличающая
образованность от дикости.
А. С. Пушкин
ГЛАВА 1
ПСИХОЛОГИЯ ПОЗНАНИЯ
Познание. Наука. Творчество. Интуиция. Профессия «ученый»
Изучение и наблюдение природы породило науку.

Цицерон
Жаден разум человеческий. Он не может ни остановиться,

ни пребывать в покое, а порывается все дальше.
Ф. Бэкон
Любое человеческое знание начинается с интуиции,

переходит к понятиям и завершается идеями.
И. Кант
1.1. ОТ ПОЗНАНИЯ — К НАУКЕ

Ни одно живое существо не рождается, не имея сложной и мно-
гообразной системы безусловных рефлексов, сформировавшихся
в процессе длительной эволюции его предков. Ученым неизвестна
ни одна потребность человека, которая не имела бы филогенических
корней в потребностях животных. Почти все животные, стоящие на
определенном уровне эволюции, используют самые разнообразные
природные предметы для своих надобностей. Особенность целена-
правленного использования предметов, а также выбор из множества
наиболее подходящих, были замечены И. П. Павловым у обезьян:
«. . . первый факт, который чрезвычайно поражает, первый вывод,
который я делаю из наблюдений за этими обезьянами, — это
чрезвычайно высокое развитие у них исследовательских рефлексов.
. . . Совершенно независимо от еды, обезьяны охвачены постоянным
стремлением исследовать».
Из глубины многих тысячелетий ведет свою историю потреб-
ность в притоке новой информации, которая через стадию исследова-
тельского инстинкта животных трансформировалась в человеческую
потребность познания.
12 Глава 1. Психология познания
Познание — это отражение внешнего мира с его законами

в сознании человека. Познание предполагает д в е с т а д и и:
• ощущение;
• абстрактное мышление.
Ощущения составляют исходную ступень познания — они пер-
вичны. Вторая ступень, более высокая, заставляет работать мозг,
чтобы из ощущений получить понимание. Если познание, заложен-
ное природой, присуще любому живому наиболее организованному
организму, то осмысление, приводящее к пониманию — только че-
ловеку.
Процесс познания всегда находится в движении. Он бесконечен.
Познание окружающего мира и самого человека — это бесконечная
цепь открытий и изобретений.
Осмысление мира в глубокой древности шло от постижения
к умению. Открытие огня, создание паруса, колеса было резуль-
татом великих озарений, посетивших древнего человека. Благодаря
приобретаемым знаниям происходило понимание явлений природы
и использование ее возможностей в целях создания жизненно
необходимых человеку материальных благ. В процессе накопления
опыта и знаний делались открытия. Именно они являлись теми
ступенями, шагая по которым человеческая природа отрывалась от
животного мира. Это были истоки познавательной и практической
функции науки.
Природа дала человеку огромный умственный потенциал. Фор-
мирование ума человека происходило из поставленной природой
задачи: сохранение себя как вида в борьбе за выживание. Хотя не
существует единой оценки ума, все же ученые выделяют:
• концептуальный ум, позволяющий решать логические, мате-
матические и лингвистические задачи;
• социальный ум, сосредоточенный на межличностных отноше-
ниях;
• эстетический ум, стремящийся к познанию формы явлений,
не интересующийся их практическим использованием;
• рабочий (производственный) ум, позволяющий четко предста-
вить, как нужно лучше сделать или выполнить ту или иную
работу.
Различная направленность ума человека не случайна; она была
необходима на всех этапах существования человека, обуславливая
не только его выживание, но и определяя прогресс человеческого
общества. Ум связан со склонностью того или иного индивидуума
1.2. Наука, творчество, интуиция 13
к мыслительной или художественной деятельности, а значит,

к соответствующему роду занятий, в котором человек в полной
мере проявляет свои способности. Неисчерпаемые умственные
возможности человека, его потребность к познанию природы,
заложенная в глубине человеческого разума, привели, в конечном
счете, к рождению науки. По мере развития наука обособилась
и стала сферой деятельности ученых.
1.2. НАУКА, ТВОРЧЕСТВО, ИНТУИЦИЯ

Что же заставляет человека стать ученым?
Аристотель ответил на этот вопрос: «Удивление».
Познавая мир, человек не переставал удивляться ему. Рассматри-
вая этот вопрос известный французский математик Ж. А. Пуанкаре
(1854–1912) писал: «Наука ставит нас в постоянное соприкоснове-
ние с чем-либо, что превыше нас; она постоянно дает нам зрелище,
обновляемое и всегда более глубокое; позади того великого, что
она нам показывает, она заставляет предполагать нечто еще
более великое; это зрелище приводит нас в восторг, тот восторг,
который заставляет нас забывать самих себя, и этим-то он высоко
морален. Тот кто его вкусил, кто увидел хотя бы издали роскошную
гармонию законов природы, будет более расположен пренебрегать
маленькими эгоистическими интересами, чем любой другой» [95].
Поиски ключа, открывающего тайны мироздания, требуют
громадного напряжения мысли, кропотливого труда, в котором
главная роль принадлежит процессу творчества. Всякая человеческая
деятельность несет в себе элементы творчества. Что же такое
«творчество»? Творчество — это емкое понятие, которое в силу
гносеологической, социально-психологической, мировоззренческой
аспектности, не позволяет одним определением раскрыть свою
сущность.
Творчество — это:
• «успешный полет мысли» за пределы неизвестного;
• реорганизация имеющегося опыта и формирование на его
основе новых комбинаций;
• новизна решений, отражающих гармонию в природе;
• путь развития;
• деятельность, порождающая нечто качественно новое и от-
личающаяся неповторимостью;
• «создание новых по замыслу культурных или материальных
ценностей» (С. И. Ожегов).
В процессе познания творчество играет роль источника энергии,

побуждающей к действию. Творческий труд всегда наполнен вдох-
новением. «Вдохновение не есть исключительная принадлежность
художника: без него недалеко уйдет и ученый, без него ничего
не сделает даже и ремесленник, потому что оно везде, во всяком
деле, во всяком труде» (В. Г. Белинский).
Творческую деятельность противопоставляют рутинной, но в чи-
стом виде ни той ни другой не существует. Подтверждение
этому — слова Эдисона: «Гений — это на один процент вдохновение,
а на девяносто девять — потение». Придание труду творческого
характера зависит от творческого потенциала человека и умения
творчески раскрыть себя. Желание творчески реализовать себя
становится своего рода болезнью, которой ученые болеют всю
жизнь. По этому поводу известный немецкий социолог конца
XIX—начала XX вв. Макс Вебер (1864–1920) сказал: «Без странного
упоения [наукой], вызывающего улыбку у всякого постороннего
человека, без этой страсти, без убежденности в том, что должны
были пройти тысячелетия, прежде чем появился ты и другие
тысячелетия молчаливо «ждут», удастся ли тебе эта догадка, без
этого человек не имеет призвания к науке и пусть он занимается
чем-нибудь другим» [17].
При изучении феномена творчества основное внимание обраща-
ется на процессы мышления. Для развитого ума любое противоре-
чие, любая проблема — это задача, которую нельзя решать с помощью
формализованных действий, это сигнал для включения мышления.
Исследование проблем приводит человека в напряженное состояние,
когда начинают действовать различные центры активности мозга,
включая эмоциональные. Происходит мобилизация всех данных
исторического развития человека, а результат, как ни странно,
выглядит спонтанно: «Осенило!» Работая над проблемой, ученый
дает своему подсознанию полную свободу, но мозг не отдыхает, он
меняет режимы, форсируя то сознанием, то подсознанием. В награду
творец получает озарение. Альберт Эйнштейн писал, что открытия
в науке совершаются отнюдь не логическим путем; в логическую
форму они облекаются потом. Он считал, что факты в научном
поиске, как бы их много ни было, не могут привести к таким тео-
риям, как, например, общая теория относительности: «. . . Высшим
долгом физиков является поиск тех общих элементарных законов,
из которых путем чистой дедукции можно получить картину мира.
К этим законам ведет не логический путь, а только основанная
на проникновении в суть интуиция».
Открытие — всегда озарение. Плодом скрытой работы мозга

является рождение любого произведения искусства, любого научного
открытия.
Многие выдающиеся ученые отмечали роль интуитивных прозре-
ний в своем научном творчестве. Вот высказывание известного рос-
сийского математика Владимира Андреевича Стеклова (1864–1926):
«Процесс этот производится бессознательно, формальная логика
здесь никакого участия не принимает, истина добывается не
ценою умозаключений, а именно чувством, которое мы называем
интуицией. . . Она входит в сознание в виде готового суждения
без всякого доказательства» [45].
Что же такое интуиция, без которой немыслима творческая
работа?
Интуиция — это проявление мыслительных процессов, в которых
человек не отдает себе отчета. Это работа подсознания, которую
человек не осознает, поскольку в сознание входит лишь результат
работы.
Обратимся к п р и м е р а м проявления интуиции.
Знаменитый немецкий математик Карл Фридрих Гаусс (1777–
1855) в свое время говорил, что у него есть важный научный
результат, но он пока не знает, каким путем до него дойти.
Работа подсознания происходит также и во сне. Немецкому
химику Фридриху Августу Кекуле (1829–1896), когда он работал
над поиском формулы бензола, приснилась змея, кусающая свой
хвост. Сон явился толчком к его открытию. Нильс Бор (1885–1962)
во сне увидел структуру атома. Физику А. Б. Мигдалу (1911–1991),
решавшему задачу о вылете электронов из атомов при ядерных
столкновениях приснилась цирковая наездница, скачущая по арене.
Внезапно она останавливается, и цветы, которые она держит
в руках, летят в публику. «Оставалось, — говорил А. Б. Мигдал, —
только перевести эту мысль на язык квантовой механики». Или,
уже ставший хрестоматийным, пример с открытием периодической
системы элементов Д. И. Менделеева (1834–1907). «Вижу во сне
таблицу, где элементы расположены как нужно, — рассказывал в тот
же день Д. И. Менделеев своему приятелю. — Проснулся, тотчас
записал на клочке бумаги». Но прежде чем увидеть свою таблицу во
сне, Д. И. Менделеев наполнил память знанием свойств множества
химических элементов. Для того чтобы заполнить звено логической
цепочки умозаключений, нужна была подсказка. Роль подсказки
сыграло раскладывание пасьянса.
Ответ во сне подсознание иногда дает в символах или образах.
Образный язык — это изначальный язык всякого творчества.

Утверждение Огюста Родена, что скульптура должна до конца
удерживать в памяти общую идею ансамбля, иначе не удастся ее
детализировать, правомочна не только для художника, но и для
творчества в целом.
Творческая мысль опирается на интуитивное ощущение единства
идеи, а творческие искания — на качества характера ученого.
Какими психологическими качествами обладали великие ученые?
Попытка классифицировать психологические т и п ы у ч е н ы х
была сделана немецким ученым-химиком Вильгельмом Оствальдом
(1863–1932). В книге «Великие люди» он разделил всех ученых
на «классиков» и «романтиков». Ученые-классики склонны к скру-
пулезным эмпирическим исследованиям. Они, со свойственной им
обстоятельностью, предпочитают проверять и перепроверять полу-
ченные при исследованиях результаты. Некоторая их неторопливость
и замкнутость определяет характер и стиль их работы — в одиночку
без учеников и последователей. Что касается ученых-романтиков,
то их отличает способность к выдвижению смелых гипотез и идей.
Они общительны, прекрасные педагоги и потому окружают себя
учениками.
После Оствальда многие авторы также пытались разделять психо-
логические типы ученых, используя различные оценочные критерии,
основанные на принципе «двухполюсности», например: логисты
и интуитивисты; теоретики и эмпирики; новаторы и адаптаторы
и т. д.
Уильям Лоуренс Брэгг (1890–1971), крупнейший английский
физик, в лекции, прочитанной государственным служащим Королев-
ского института в Лондоне в 1969 г., разделил ученых на ч е т ы р е
к а т е г о р и и, образно дав им следующие характеристики:
• мыслители — это ученые, которые находят новый взгляд на
явление (Ньютон, Бор);
• открыватели (Рентген, Беккерель, Эрстед);
• конструкторы — это ученые, создавшие какую-либо новую
форму аппарата, которая открывает путь для совершенно
нового направления научного исследования (Вильсон);
• охотники — ученые, скрупулезно осматривающие каждое усло-
вие, каждое измерение, ведомые интуицией (Резерфорд,
Фарадей).
К качествам, необходимым истинному ученому, Брэгг относит
непредубежденность, гибкость мышления, умение взглянуть на
предмет свежими глазами и, наконец, готовность отбросить прежние
идеи и начать все сначала. А поэтому ученому необходим энтузиазм

и оптимизм, ведь темпы научных поисков чрезвычайно низки
и всегда может быть получен результат, уже полученный кем-
то раньше. Обычно над одной и той же проблемой одновременно
работают несколько ученых в разных концах земли, а открытие
делает только один. К примеру, над опровержением пятого постулата
Евклида о параллельных прямых трудились немецкий математик
К. Ф. Гаусс (1777–1855), венгр Я. Бойаи (1802–1860) и русский
математик Н. И. Лобачевский (1792–1856), благодаря которым почти
одновременно и независимо друг от друга была открыта неевклидова
геометрия, но только Н. И. Лобачевский был первым ученым,
отважившимся принять гипотезу о независимости пятого постулата.
Построенная им геометрическая система, опубликованная в 1829 г.,
впоследствии получила название неевклидовой геометрии, или
геометрии Лобачевского.
К результату своих изысканий ученые приходят по-разному. Кто-
то предпочитает идти в одиночку (В. Рентген, А. Эйнштейн), кто-
то — быть руководителем группы учеников (Н. Бор). Создают науку
не только гении. Как правило, те качества, которыми наделены
гении, встречаются и в других людях. Поэтому важно тесное
взаимодействие людей, занимающихся научными разработками.
Процесс творческих исканий ученых основан на преемственности
знаний. Каждое новое открытие — это новый шаг на пути к истине,
сделанный благодаря трудам многих ученых. Например, изобретение
р а д и о: открытие в 1820 г. Г. Х. Эрстедом (1777–1851) магнит-
ного действия электричества послужило поводом возникновения
интуитивной идеи у М. Фарадея (1791–1867) о существовании
электромагнитных волн; гениальная догадка Фарадея была математи-
чески обоснована Д. К. Максвеллом (1831–1879); экспериментально
доказать реальность предсказанных М. Фарадеем и Д. К. Максвел-
лом электромагнитных волн смог в 1886 г. Г. Р. Герц (1857–1894);
над вопросом о практическом применении электромагнитных волн
работали английский физик и химик В. Крукс, французский физик
Э. Бранли, английский физик О. Д. Лодж. И только А. С. Попов
(1859–1906), используя открытия в области теории электромаг-
нитного поля и электромагнитных волн, идеи их практического
применения, смог первым в истории радиотехники произвести прием
и передачу текста содержащего конкретную информацию.
Часто для решения той или иной научной проблемы уче-
ные объединяются в творческие группы — научные коллективы.
Создается впечатление возникновения коллективного таланта. Но
талант всегда индивидуален. Знания добываются не группой ис-

следователей, а конкретной личностью, индивидуально проявившей
себя на совместном пути к истине. В том случае, когда группа
ученых идет к общему результату совместно, все же каждый
проходит этот путь индивидуально, собственным разумом. Но
нельзя умалять коллективного начала в деятельности ученых. Даже
оставаясь «один на один» со своими мыслями, ученый использует
результаты открытий других ученых. Уже этот факт делает его
труд коллективным. Только посредством активизации деятельности
индивидуального, можно усилить коллективное начало работы.
По словам известного американского физика В. Вайскопфа:
«Научное достижение может быть результатом работы и отдельной
личности, но его значение зависит исключительно от его роли
как части единого здания, воздвигнутого коллективными усилиями
прошлых и настоящих поколений» [16].
Процесс поиска истины, который чаще принимает формы
коллективного творчества, предполагает ответственность ученого за
конечный результат своего труда, а значит, соответствующих нрав-
ственных качеств. По этому поводу Уильям Генри Брэгг (1862–1942)
пишет: «Ученых иногда заклинают добывать знания, которые
можно использовать для добрых целей, и избегать исследова-
ний, могущих быть обращенных во зло. . . . Нет разницы между
хорошими знаниями и дурными: все знания попадают как бы
в центральное хранилище, откуда техник извлекает множество
битов информации, нужных ему для той или иной частной схемы.
. . . Ученый не может предвидеть, как будет использоваться его
открытие, и не может отвечать за то, как оно будет исполь-
зовано» [14]. В данном случае Брэгг говорил об ученых фунда-
ментальной науки. Действительно, раньше ученые не задумывались
о дальнейшем использовании своих открытий, но бомба, сброшенная
на Хиросиму, заставила пересмотреть ситуацию. Яркий пример —
история жизни и политической борьбы академика А. Д. Сахарова
(1921–1989).
Без сильного характера в науке, требующей полной и длитель-
ной самоотдачи, предполагающей беспристрастную оценку своей
работы, и без сознания своей ответственности перед обществом
ученый не может состояться.
Вопросы и задания для самопроверки

1. В чем состоит феномен творчества?
2. Назовите имена ученых, подпадающих под классификацию
Брэгга.
3. Какое качество ученого можно назвать ведущим в его научных
поисках?
4. Всегда ли ученый ответственен за результаты своих поисков
и открытий?
Рекомендуемая литература
[15], [70], [94], [95]
ГЛАВА 2
СПОСОБЫ ПЕРЕДАЧИ ЗНАНИЙ
Возникновение письменности, история книги и ее значимость в передаче знаний.

Проблемы книги. Библиотеки — хранилища информации. Информационный взрыв.
Проблема сохранения накопленных человечеством знаний
Наука — в книгах и в личном самостоятельном труде

над приобретением знаний из книг и из жизни.
Н. Г. Чернышевский
Как из копеек составляются рубли, так из крупинок

прочитанного составляется знание.
В. И. Даль
2.1. ВОЗНИКНОВЕНИЕ ПИСЬМЕННОСТИ

Наука как система знаний рождалась благодаря преемственности на-
копленного человечеством опыта. Как передавались знания, в какой
форме?
До возникновения письменности носителем знаний, приобретен-
ного опыта, информации о событиях и людях была человеческая
память. Каждый народ проходил период «устной книги», когда путем
устного обучения, устных рассказов, старшее поколение передавало
свои знания молодежи. Примером устного творчества, дошедшего
до наших дней, являются былины, сказки, пословицы и поговорки,
которые носят название «устного народного творчества». Вместе
с обычаями, обрядами и традициями, народное творчество состав-
ляет часть народной культуры. Древние певцы и сказители пели
наизусть повествования о событиях прошедших дней на народных
празднествах. Так сохранялась история народа.
С расширением кругозора древнего человека, усложнением его
деятельности возникла необходимость в помощниках запоминания.
Такими помощниками стали различного рода зарубки и рисунки.
Зарубки и рисунки на скалах — это зачатки письменности.
Человек впервые выразил и изобразил свою мысль. У древнего
человека появилась возможность передавать друг другу информацию
2.1. Возникновение письменности 21
в виде рисуночного письма, которое впоследствии ученые назвали

пиктографическим. В пиктографии рисунок предмета изображал
сам предмет и ничего больше. Например, охотник, изображая
зверя, передавал информацию членам своего племени о том,
что тропа ведет к угодьям, богатым бобрами или выдрами.
По мере усложнения человеческого мышления среди знаковых
рисунков стали появляться такие, которые изображали не вещь,
не предмет, а его свойства, его характеристику и даже действие.
Например, изображение медведя означало силу, зайца — трусость,
рука с веслом означала действие — «грести» и т. д. Информация,
составленная из таких знаков, называется идеографической. Развитие
идеографического письма привело к появлению специальных знаков
для передачи отдельных звуков.
До изобретения письменности через этап рисуночно-смысловых
комбинаций прошли языки многих народов. С возникновением
письменности люди получили возможность фиксировать опыт
и свою историю на материальных носителях: на скалах, каменных
и глиняных плитках, бересте, пергаменте и, наконец, на бумаге.
Искусство письменности, как и вся древняя система знаний,
находилось в руках жрецов. Жрецы не пытались упростить
письменность, ограниченный доступ к ней избранных еще более
возвеличивал жрецов и укреплял их власть. Для овладения грамотой
нужны были годы.
Создателями славянской азбуки были братья Кирилл (826–869)
и Мефодий (820–885), родом из Солуни в Македонии. Оба брата
отличались ученостью. Константин (мирское имя Кирилла) за свою
приверженность к знаниям получил прозвище «Философ».
Когда моравский князь Ростислав обратился в Византию с прось-
бой прислать христианских наставников, знающих славянский язык,
выбор пал на Кирилла (Константина Философа) и его старшего
брата Мефодия.
Свою миссию проповедника Константин начал с вопроса:
«Имеют ли славяне азбуку? Учить без азбуки и без книг все
равно, что писать беседу на воде». В 863 г. Кирилл создал
славянскую азбуку (кириллицу), с помощью которой оба брата
затем осуществили перевод Библии на славянский язык.
Ученые считают, что «русские письмена», применявшиеся на-
шими предками до введения кириллицы, были греческими буквами,
приспособленными к славянской речи.
Созданная братьями кириллица, пройдя через века, стала совре-
менной азбукой русского языка.
22 Глава 2. Способы передачи знаний
В течение столетий различные письменности, развиваясь, вза-

имно влияли друг на друга, приближая то время, когда возникла
печать книг. В настоящее время народы мира употребляют 8 тыс.
алфавитов и их вариантов. Наиболее распространенным считается
алфавит латинского языка — 26 букв.
2.2. ИЗ ИСТОРИИ КНИГИ

Великое множество книг создано на земле с момента возникновения
письменности. Книги стали памятью человечества. Вся история,
опыт, мысли, думы, эмоции людей, накапливались в книгах.
«Книга, — по словам А. И. Герцена, — это духовное завещание
одного поколения другому, совет умирающего старца юноше,
начинающему жить. . . Вся жизнь человека последовательно осе-
дала в книге: племена, люди, государства исчезали, а книга
оставалась. . . В ней записывалась огромная исповедь бурной
жизни человечества, учения, потрясающие умы, и все страсти,
потрясающие сердца».
Книга стала основным источником знаний, связующей нитью
поколений.
Первые книги, представлявшие собой длинные свитки папирус-
ной бумаги, относятся к IX в. до н. э. Такой способ письма появился
в Египте, распространился в Греции, а затем — в Риме. Развитие
книги в Европе характеризуется переходом от книги в форме свитка
к соединенным вместе листам — кодексам, а затем заменой папируса
пергаментом и бумагой.
Крупнейшее китайское изобретение — бумага, быстро распростра-
нилось по миру. Бумага была дешевле пергамента и папируса.
Заметно увеличилось число грамотных людей. Рукописные книги
не могли обеспечить потребность населения в книгах. Возникла
острая необходимость печатания книг. Существовал китайский спо-
соб копирования книг. В Китае для копирования текстов применяли
неподвижные доски с вырезанными на них иероглифами, наносили
на них краску, накладывали бумажный лист и терли щеткой.
Иоганн Гутенберг (ок. 1399–1468) сделал великое изобретение.
Вместо неподвижных китайских досок он применил подвижный
запас букв, вырезанных зеркально, для печатания любых текстов.
Книгопечатание быстро распространилось в Европе, и к концу XV в.
было напечатано 10 млн книг.
На Русь книга пришла из Византии вместе с христианством.
С принятием христианства на Руси утверждается повсеместно
2.2. Из истории книги 23
единый для Древнерусского государства кириллический алфавит.

Появляются книги, в основном богослужебные и благочестиво-
назидательные. Дело книжного просвещения велось духовенством
и немногими любителями из высокопоставленных лиц. Книжное
дело было сосредоточено в основном в монастырях, перепиской
книг занимались исключительно монахи.
В период создания Русского централизованного государства были
организованы специальные мастерские по переписке книг. Наше-
ствие монголо-татар надолго остановило развитие книжного дела
в России. И только с XV в. переписывание книг распространилось
по всей средней России; появились профессиональные писцы,
«питавшиеся от трудов своих».
Изобретение книгопечатания значительно понизило ценность
рукописных книг, но не сразу уничтожило их производство. В сере-
дине XVI в. книгопечатание проникает в Московское государство.
Первая датированная печатная книга «Апостол», созданная Иваном
Федоровым и Петром Мстиславцем, была напечатана в Москве
1 марта 1564 г.
В XVII в. наряду с печатными книгами продолжался выпуск
и распространение рукописных книг. Центрами производства руко-
писных книг по-прежнему оставались монастыри.
Огромное значение для развития русской книги имели преоб-
разования Петра I — замена трудной для набора и быстрого чтения
шрифта кириллицы новым упрощенным и более удобным граждан-
ским шрифтом. С этого времени неуклонно увеличивается выпуск
книг, особенно по научным и общественно-политическим вопросам.
В большом количестве выходят книги по математике, географии,
астрономии, технике, военному и морскому делу, кораблестроению.
XVIII век — век Просвещения — вознес книгу на небывалую
высоту. Русская печатная книга для всех сословий образованных
людей зародилась при Петре I, а при Екатерине II обрела силу
и получила распространение.
Большое значение для развития и популяризации русской книги
имела деятельность русского просветителя, журналиста и книго-
издателя Н. И. Новикова (1744–1818). По отзыву А. С. Пушкина,
Новиков «подвинул на полвека образованность России».
Благотворно влияла на развитие книжного дела в России
издательская деятельность Академии наук. Она началась 2 января
1728 г. с выпуском новой газеты «Санкт-Петербургские ведомости».
С 1748 г. главным ее редактором был М. В. Ломоносов. С издатель-
ством сотрудничали ученые Академии наук: Л. Эйлер, Д. Бернулли,
Г. З. Байер, М. В. Ломоносов и многие другие. Около половины

всех вышедших в России с 1725 по 1740 гг. книг были напечатаны
в типографии Академии наук.
С начала царствования Александра II книга в России становится
крупной общественной силой.
Популярность русской книги конца XIX — начала XX вв. тесно
связана с освободительным движением в стране. Резко увеличива-
ется число научных книг (труды Сеченова, Менделеева, Тимирязева,
Павлова и др.).
Развитие книги в России советского времени связано с идео-
логией. Это труды классиков марксизма-ленинизма, материалы
партийных съездов. «За 1917–52 гг. произведения К. Маркса, Ф. Эн-
гельса, В. И. Ленина, И. В. Сталина издавались на 101 языке почти
миллиардным тиражом — 978 377 тыс. экз.» [10]. Но наша «самая
читающая» держава в мире испытывала «голод на художественную
литературу».
В XX в. в обстановке чрезвычайно быстрого роста печатной
информации и широкого распространения новых средств массовых
коммуникаций перед книгой встала новая проблема — определение
ее места в общей системе массовых коммуникаций. Эта проблема
осталась неразрешенной и сейчас.
Книга, сохранив внешний вид своего прародителя — кодекса,
сохранила и его п р о б л е м ы, а именно:
• книги непрочны;
• книги тяжелы;
• книги занимают много места.
К этим проблемам добавились н о в ы е, обусловленные сего-
дняшним временем:
• книга перестала быть единственным источником информации;
• книга требует много бумаги, производство которой связано
с уничтожением лесов, т. е. упирается в экологическую
проблему (для издания книги требуется бумага из хвойных
пород деревьев).
Проблема сохранения накопленных знаний, заключенных на
традиционных носителях (книгах), актуальна и сегодня.
Книги читают и в настоящее время, их покупают. А если они
нужны нашему населению, то существует коммерческий аспект
существования книгоиздания. Это еще один аргумент в защиту
книг.
2.3. Из истории библиотек 25
Судьба книги волнует ученых, писателей, читателей, издателей.

Появляются монографии, статьи, выступления, освещающие эту
тему, проводятся теоретические конференции, посвященные этой
проблеме. Вывод таков:
• роль книги в культурном и научном прогрессе возрастает;
• в общей системе коммуникаций книга, утратив свое моно-
польное положение, остается ее душой.
Книга принадлежит к тем изобретениям, которые никогда не
уйдут из человеческой цивилизации.
История мировой культуры сохранила много объяснений в любви
книгам. В то далекое время, когда не было еще изобретено
книгопечатание, англичанин Ричард де Бери (1287–1345) написал
книгу «Филобиблон», или «Любовь к книге». Ричард де Бери
был воспитателем наследника престола, а затем — епископом. Вот
некоторые его высказывания: «. . . Книги — учителя, не знающие
ни палки, ни наказания, они учат без крика и важничанья, просто
и бесплатно. . . Кто охотно читает и любит, чтобы его учили,
кто охотно прислушивается к мудрости, тот обретает знания; кто
избегает этого, ленясь читать, понимать, узнавать, тот обделен
мудростью. Вот почему поучения и знания выше злата, серебра
и всех сокровищ».
2.3. ИЗ ИСТОРИИ БИБЛИОТЕК

Деятельность ученого немыслима без обращения к литературе,
обучение немыслимо без книг, жизнь человека теряет краски без
чтения. Библиотеки, именно они, помогают реализовать заложенную
в человеке потребность в информации. На библиотеки возложена
миссия хранилищ накопленных человеком знаний.
Библиотеки как хранилища памятников письменности возникли
в глубокой древности. В Древнем Египте существовали библиотеки
при храмах, обслуживающие жрецов. В Древней Греции основание
первой библиотеки приписывают Аристотелю (IV в. до н. э.). Из
античных библиотек наибольшую известность получила Алексан-
дрийская библиотека, основанная Птолемеем и насчитывавшая
к I в. н. э. до 700 тыс. единиц хранения. Сотни грамотных рабов
ежедневно трудились над переписыванием свитков.
Не менее известна была ассирийская библиотека глиняных
книг царя Ашшурбанипала. Библиотека находилась в столице
ассирийского царства Ниневии.
В период раннего средневековья, когда в Западной Европе господ-

ствовала религиозная идеология, библиотеки обычно существовали
при монастырях и храмах. В эпоху Возрождения (XV— XVI вв.)
в связи с общим развитием культуры, изобретением книгопечатания
число библиотек резко увеличилось.
В XVII— XIX вв. идет процесс возникновения крупных нацио-
нальных и университетских библиотек. В 1800 г. создана Библиотека
Конгресса Соединенных Штатов в Вашингтоне. Она и сейчас
является самой крупной библиотекой мира. Развитие капитализма
и ускорение научно-технического прогресса во второй половине
XIX в. стимулировало дальнейшее увеличение количества библио-
тек.
Упоминания о библиотеках в Древней Руси относятся к лето-
писям 1037 г., когда в Киеве князь Ярослав Мудрый собрал писцов
для переписывания славянских книг и греческих переводов.
В XI— XII вв. были созданы библиотеки при монастырях и собо-
рах в Новгороде, Чернигове, Владимире. В XV— XVI вв. появились
библиотеки в Москве, а также частные коллекции книг бояр,
расширялись библиотеки монастырей. В начале XVIII в. в связи
с петровскими реформами возникли библиотеки с фондами светской
и научной литературы. В 1714 г. по распоряжению Петра I
создана крупная коллекция книг в Петербурге. В 1725 г. она была
передана Академии наук и составила ядро академической биб-
лиотеки. В 1755 г. была основана научная библиотека Московского
университета. В 1795 г. учреждена и в 1814 г. открылась Публичная
библиотека в Петербурге (в 1932 г. этой библиотеке присвоено имя
М. Е. Салтыкова-Щедрина). В 1862 г. на основе Румянцевского музея
была образована Российская государственная библиотека в Москве
(в советское время — Библиотека имени В. И. Ленина).
В первые дни создания советского государства В. И. Ленин под-
писал ряд декретов по вопросам библиотечного дела. «Такой дикой
страны, в которой бы массы народа настолько были ограблены
в смысле образования, света и знания, — такой страны в Европе
не осталось ни одной, кроме России», — писал В. И. Ленин. Совет-
ское государство много сделало для развития библиотечного дела
в стране, приблизив народ к книге.
В настоящее время роль библиотек как хранительниц интел-
лектуального багажа человечества сохранилась, однако изменился
состав фонда библиотек. Лавинообразный поток информации в виде
книг, газет, периодических и серийных изданий, информации на
электронных носителях поставил перед библиотеками проблемы
2.4. Информационный взрыв 27
хранения информации (проблема площадей) и ее оперативного

поиска.
С возрастанием потока информации растает и поток ее пользова-
телей, поэтому проблемой библиотек становится не только проблема
размещения фонда литературы, но и возможность организации
достаточного количества компьютерных мест для пользователей
информации.
Компьютеризация библиотек, создание разветвленной компью-
терной библиотечной сети, использование Интернет — все это дает
возможность библиотекам вписаться в наступивший технико-ин-
формационный век и стать центрами сосредоточения и выдачи
информации.
2.4. ИНФОРМАЦИОННЫЙ ВЗРЫВ

По данным ЮНЕСКО, в начале XIX в. во всем мире выходило
в свет около ста периодических научных изданий, а в конце
XX в. — уже более ста тысяч. Непрерывно увеличивалось количество
журналов, каждый год прибывало на полмиллиона книг. Уже
в конце XIX в. в России почувствовали, что найти нужную
книгу во все прибывающем потоке названий книг стало почти
невозможно. Организация Российской книжной палаты в 1907 г.
явилась тем нужным инструментом систематизации книг, который
был так необходим ученым. Сейчас кроме Российской книжной
палаты существует разветвленная сеть отраслевых информационных
центров, предоставляющих населению свою библиографическую
продукцию. Кроме того, в поиске нужной литературы огромную роль
сыграла компьютеризация библиотечной сети, позволяющая зайти
в каталог любой библиотеки. Большую помощь в предоставлении
материала оказывает также Интернет.
И тем не менее «. . . в соответствии с кривой эволюции
человеческого знания, приток информации на планете возрастает
намного быстрее, чем население. За 50 лет с 1900 по 1950 гг.
наше знание удвоилось. За следующие 20 лет, примерно, к 1970
году мы опять удвоили наше знание. Далее потребовалось еще
10 лет, чтобы удвоить это, т. е. примерно к 1980 году. Теперь
удвоение происходит каждые несколько лет. Знания прибывают
подобно лавине.» [42].
«Мировой информационный поток катастрофически нарастает.
Этот рост подчинен экспоненциальному закону: прямая пропорци-
ональность между величиной потока и скоростью его нарастания.
Чем больше поток, тем быстрее он нарастает, тем еще стремитель-

нее увеличивается и сам поток, и скорость его нарастания. Беда
состоит еще в том, что и сам поток, и его скорость нарастания уже
сегодня настолько велики, что зачастую с ними уже не совладать. . .
Парадокс состоит в том, что люди сами сотворили этот вулкан. . .
Из его кратера в тысячах и миллионах различных упаковок вы-
брасываются информационные сгустки и бомбы: газеты, журналы,
книги и бюллетени, рефераты и диссертации, рекламы и проспекты,
радио- и телевизионные передачи, кинофильмы и театральные
пьесы, грампластинки и магнитофонные ленты, доклады и лекции»
[106]. К этому перечню можно добавить носители информации,
рожденные в XXI в.: CD- и DVD-диски, флэш-память и т. д.
Увеличение объема информации наталкивается на ограничение
возможности человека в потреблении информации. Скорость воспри-
ятия информации человеком остается почти неизменной в течение
всего времени его существования. При переработке огромного
потока информации человек испытывает утомление, стресс, ведущий
к нервным расстройствам, как результат — информационная апатия,
снижение творческого потенциала.
Но нарастающий поток информации во времени неизбежен.
Противоречие между скромными возможностями человека и необо-
зримым потоком информации заставляет искать пути быстрого
целенаправленного нахождения нужной информации. Решающая
роль в этом принадлежит ЭВМ.
В 1960-х гг. население развитых стран (США, Япония) провоз-
гласили информационным обществом. Информационное общество —
это феномен научно-технического прогресса. В информационном об-
ществе знания становятся решающим фактором развития общества.
Производство и накопление знаний — критерием прогрессивного
общественного развития.
В настоящее время информационным обществом можно назвать
население многих стран мира. Информационное общество является
главным показателем прогресса, поскольку роль знания как реша-
ющего фактора развития деятельности цивилизованного общества
стала очевидной.

1. Перечислите способы сохранения знаний.
2. Какова история выражения человеческой мысли на материальных
носителях?
2.4. Информационный взрыв 29
3. Какой путь прошла книга с момента ее возникновения до наших

дней?
4. Какова роль библиотек в сохранении знаний?
5. Расскажите о первых библиотеках в России.
6. Расскажите о русских просветителях. Каков вклад русских
просветителей в создание «храма науки»?
7. Почему именно в конце XX в. произошло переполнение знаниями
информационного пространства, приведшее к «информацион-
ному взрыву»?
8. Каковы критерии информационного общества?
[4], [11], [53], [87]
ГЛАВА 3
РОЛЬ ОБРАЗОВАНИЯ В СТАНОВЛЕНИИ
НАУКИ
История образования. Петр I и создание Петербургского университета. Образование

при Екатерине II: И. И. Шувалов, М. В. Ломоносов, И. И. Бецкой. Московский
университет. Современное образование и его проблемы. Компьютеризация обра-
зования. Дистанционное обучение. Болонский процесс
Потребность образования лежит в каждом человеке;

народ любит и ищет образование, как любит и ищет
воздуха для дыхания.
Л. Н. Толстой
Образование — это долг, который настоящее поколение

должно уплатить будущему.
Д. Пибоди
Образование есть то, что остается после того, когда

забывается все, чему нас учили.
А. Эйнштейн
Образование — получение систематизированных знаний

и навыков; обучение, просвещение.
С. И. Ожегов
Образование является фундаментальной категорией науки и пред-

ставляет собой многоуровневый процесс обучения. Поэтому обра-
зование нужно рассматривать только с позиции системности.
Образование как система имеет следующие у р о в н и обучения.
Семейное обучение: кроме воспитательной функции семья
дает ребенку определенные знания, навыки и умения. «И вос-
питание, и образование нераздельны. Нельзя воспитывать не
передавая знания, всякое же знание действует воспитательно»
(Л. Н. Толстой). Семья определяет в какой-то мере будущий выбор
профессии ребенка.
Дошкольное обучение предполагает подготовку ребенка
к школе, дает азы усвоения знаний (умение слушать, сосредо-
точиться и т. д.).
Глава 3. Роль образования в становлении науки 31
Школьное обучение составляет фундамент общих знаний, дает

необходимые человеку сведения о природе, обществе и человеке,
формирует гражданские и нравственные качества ученика. Школа яв-
ляется ключевым звеном всей системы образования. Именно в школе
формируется основа интеллектуального и духовно-нравственного
потенциала нации.
Профессиональное обучение дает учащемуся профессию,
подготавливает его к вхождению в трудовой коллектив.
Вузовское образование в процессе приобретения студентом
профессии расширяет возможности обучения философским осмыс-
лением знаний, формирует его жизненную позицию.
В системе образования среди множества ее форм и методов
особое место занимает цель образования. Образование придает
смысловую окраску жизни человека. Смысл жизни и смысл
образования становятся той направляющей силой, благодаря которой
человек реализует себя. По словам К. С. Станиславского: «Каждый
день, в который вы не пополнили своего образования, хотя
бы маленьким, но новым для вас куском знания . . . считайте
бесплодно и невозвратно для себя погибшим».
Самым главным элементом образования является его содер-
жание. Содержание образования — это не только перечисленные
дисциплины учебных планов и программы учебных предметов.
Содержание образования — это еще и эмоциональная окраска знаний,
формирующая нравственное сознание ученика. Вот почему в пе-
речне обязательных дисциплин должны быть предметы, изучение
которых дает представление ученику о его национальных корнях.
Самовыражение человека, впитывающего знания, немыслимо без
традиционных ценностей, опирающихся на национальную культуру.
Воспитание у ученика национального самосознания предполагает
знание истории возникновения и существования менталитета своего
народа.
Формирование российского менталитета — это длительный про-
цесс, в котором огромную роль играли географический, этно-
графический, исторический, религиозный факторы становления
Российского государства. Возникнув стихийно в условиях жесто-
чайших войн и агрессий, впитав в свой быт некоторые традиции
соседних народов, взяв православие за основу нравственных законов,
российский менталитет формировал русский характер.
Менталитет России предполагал свое, отнюдь не последнее место
среди западных стран. И только образование как феномен культуры
народа, образование, дающее научные и профессиональные кадры
32 Глава 3. Роль образования в становлении науки
для страны, могло дать России эту возможность. Путь России

к цивилизации шел через образование.
3.1. ОБРАЗОВАНИЕ — СТУПЕНЬ К НАУКЕ:

ИСТОРИЧЕСКИЙ РАКУРС
Символом образованности до Нового времени считались «семь сво-
бодных искусств»: грамматика, диалектика, риторика, арифметика,
геометрия, астрономия, музыка. От учебных заведений античности
(«Ликей» Аристотеля) через обучение при монастырях и соборах
к университетам крепла система образования, дающая плоды в виде
открытий великих ученых. Идеи воспитания и образования (Платон,
Аристотель, Сократ, Монтень, Рабле, Каменский, Руссо и др.),
пройдя через столетия, остались востребованы и сегодня: желание
достичь человеческого совершенства никогда не исчезнет в силу
вечного стремления человека к идеалу.
Открытием первых школ вошел в историю образования России
1030-й г. (школы князя Владимира в Киеве и школы, основанной
Ярославом Мудрым в Новгороде). По образцу киевской и новгород-
ской открылись школы русских князей в других городах Древней
Руси. Создавались школы при монастырях. Содержанием обучения
были, как и в учебных заведениях Запада, семь свободных искусств.
Православные монастыри сыграли важную роль в распространении
образования, особенно в период монголо-татарного нашествия.
В XV— XVI вв. появились приходские и частные школы, в ко-
торых обучались дети духовенства, купцов и ремесленников.
В 1687 г. в Москве открылась Славяно-греко-латинская академия.
Образование как система стало складываться только при Петре I.
Россия в XVII в. ступила на дорогу общеевропейского раз-
вития. Петр I положил начало профессиональному образованию.
Особое внимание во время правления Петра I было уделено
математике. В допетровское время преподавание математики было
слабым, а естествоведческие знания носили случайный характер.
При Петре I во многих городах появились «цифирные школы».
Открылись государственные школы различного типа. В 1701 г.
в Москве была создана школа математических и навигационных
наук, в 1707 г. при военном госпитале — хирургическая школа. Петр I
стал инициатором открытия в Санкт-Петербурге Академии наук.
В 1726 г. при Академии наук в Санкт-Петербурге был открыт
университет с гимназией. Среди преподавателей университета были
ученые с мировым именем, такие как Леонард Эйлер, Даниил
3.1. Образование — ступень к науке: исторический ракурс 33
и Николай Бернулли и др. В этом университете получил образование

М. В. Ломоносов. Преподавание велось на латинском языке, что
создавало трудности для российских студентов. В 1742 г. на 12
профессоров университета было 12 студентов. В итоге в 1766 г.
университет закрылся «за отсутствием слушателей».
В 1755 г. аналогичный университет с двумя гимназиями был
открыт в Москве. Инициатива М. В. Ломоносова об открытии
университета была поддержана И. И. Шуваловым. Государственный
деятель, меценат, просветитель, организатор и президент Академии
художеств (1757) Иван Иванович Шувалов (1727–1798) пользовался
влиянием при дворе императрицы Елизаветы Петровны. 12 января
(25 января по новому стилю) 1755 г. (в день Святой Татианы по пра-
вославному церковному календарю) Елизавета Петровна подписала
Указ об основании Московского университета. Отныне «Татьянин
день» становится праздником всего российского студенчества.
Московский университет играл видную роль в распространении
и популяризации научных знаний. На лекциях профессоров, на сту-
денческих диспутах могла присутствовать публика. Университетская
типография печатала газету «Московские ведомости», несколько
наименований журналов, труды ученых (первое издание универ-
ситета — это сочинения М. В. Ломоносова), учебники, произведения
русских писателей. Соединение в деятельности Московского уни-
верситета задач просвещения, науки и культуры превратило его, по
выражению А. И. Герцена, «в средоточение русского образования».
Яркой страницей в истории России было 34-летнее царство-
вание Екатерины II. В области просветительских преобразований
главной заслугой Екатерины II явилась попытка создания в России
системы начального обучения для всех сословий населения (за
исключением крепостных крестьян). Для Петра I вопрос образования
имел практическое значение. Для его преобразований необходимы
были грамотные, образованные исполнители. Для Екатерины II,
изучившей педагогический и организационный опыт ведущих стран
Запада, целью реформ образования в России было взращивание
«новой породы или новых отцов и матерей». Эта «порода людей»
должна была вырасти в воспитательных учреждениях под руко-
водством опытных педагогов. Примером такого училища являлся
Воспитательный дом И. И. Бецкого в Москве. Воспитательная
концепция Екатерины II требовала максимальной изоляции детей
от семьи и передачи их в руки учителя. Но постепенно все
же воспитание сместилось в сторону образования. Советником
Екатерины II в вопросах воспитания и образования был Иван

Иванович Бецкой (1704–1795). И. И. Бецкой, общественный деятель
и педагог, использовал педагогические идеи Ж.-Ж. Руссо, Дж. Локка
и Я. А. Каменского. По предложенным планам Бецкого в России
открывались воспитательные дома и училища. Был открыт Смоль-
ный институт благородных девиц при Воскресенском монастыре
(Смольный институт), коммерческое училище в Москве.
При Александре I были открыты Казанский и Харьковский
университеты, а также элитные учреждения: Царскосельский лицей
(1811), благородные пансионы. Впервые была создана школьная
система, включающая три типа школ: приходские училища, уездные
училища и гимназии. Три типа школ представляли собой три
последовательные ступени образования, учебные планы которых
не повторяли, а продолжали процесс обучения.
При Николае I системе образования был возвращен сословный
характер. Николай I, считал, что революционные идеи возникают
среди студенчества, закрыл доступ в университеты разночинцев.
В университет можно было попасть только через обучение в гим-
назии, а там могли учиться дети дворян и духовенства. Из учебных
планов университета была исключена философия и заменена
богословием и церковной историей.
При Александре II «Положение о начальных училищах» (1864)
утвердило общедоступность и внесословность начального образо-
вания. Обучение в гимназии стало доступно всем, кто выдерживал
приемные экзамены.
Развитие промышленности, ее быстрое развитие, связанное
с отменой крепостного права, давшей промышленности много
рабочих рук, требовало квалифицированной технической подготовки
специалистов. В этот период были открыты Петербургский техно-
логический институт и Московское высшее техническое училище
(ныне МГТУ им. Н. Э. Баумана).
Некоторые дальнейшие изменения и нововведения в образование
имели место при Александре III и Николае II. В это время во
многих районах России были открыты школы с преподаванием на
национальных языках.
Значительную лепту в дело просвещения внесли благотворитель-
ные учреждения императрицы Марии. За счет благотворительных
фондов в стране открывались школы и училища. Наращивая
капиталы, купечество превращалось в класс фабрикантов. Купцы
становились попечителями многих учебных заведений, т. е. не только
финансировали их, но и принимали непосредственное участие в их
3.1. Образование — ступень к науке: исторический ракурс 35
деятельности (Морозовы, Боткины, Бахрушины, Щукины и др.).

Благотворительность диктовалась многими п р и ч и н а м и:
• религиозными (особенно старообрядческими) корнями купе-
чества: «Бог дал деньги, потребует отчета»;
• потребностью в квалифицированной рабочей силе;
• необходимостью усовершенствования производства.
Своего права на высшее образование добились женщины России.
В Петербурге открылись Высшие женские курсы (1878), которые
по фамилии директора-учредителя, профессора русской истории
К. Н. Бестужева-Рюмина стали назвать Бестужевскими.
Система образования в России формировалась в условиях
исключительной централизации государственной власти. На полу-
чение высшего образования накладывались ограничения, связанные
с полом и социальным положением.
После Октябрьской революции в центре всех вопросов, стоящих
перед советским государством, значился вопрос об образовании.
Первым этапом реформы образования стала национализация всех
типов учебных заведений. Школа была объявлена обязательной,
бесплатной и общедоступной. Был объявлен переход к всеоб-
щему начальному образованию. Государство посредством школы
стремилось ликвидировать основной симптом отсталости России —
безграмотность. Впервые в истории России государство предприняло
действия, направленные на то, чтобы обучить все население читать
и писать. Параллельно с этой благородной миссией происходило
идеологическое окрашивание обучения.
Вторым этапом реформы образования первых лет существования
советского государства, явилось ускорение общего образования («се-
милетки») и распространение фабрично-заводских училищ (ФЗУ).
Такой подход к обучению обуславливал нужные темпы индустри-
ализации страны.
Следующим шагом школьной политики был переход на всеобщее
восьмилетнее обучение. С середины 1960-х гг. школа переходила
к всеобщему среднему образованию. Массовый охват обязательным
школьным обучением детей-подростков, поэтапное повышение их
образовательного уровня не замедлили дать результаты. Уже к концу
1950-х гг. с аттестатом зрелости было около половины 18-летних,
к началу 1970-х гг. — свыше двух третьих, а к 1975 г. был завершен
переход к всеобщему среднему образованию.
Советское государство в области образования последовательно
шло к решению главных ее задач: ликвидации безграмотности, вве-
дению обязательного бесплатного образования и созданию системы
профессиональных образовательных учреждений по подготовке

специалистов для всех отраслей народного хозяйства. Цели были
предельно ясны, потому система образования со временем приобрела
черты отлаженности и постоянства.
Укрепление военной мощи страны и развитие военной про-
мышленности требовали увеличения численности технических спе-
циалистов и, как следствие, увеличения количества технических
вузов.
Технократический подход к высшему образованию в СССР
привел к предпочтению инженерного образования. В 1980 г. из
12 млн человек, имеющих высшее образование, 4,7 млн были
инженерами. Выпуск специалистов с высшим образованием в эти
годы приблизился к потребностям народного хозяйства. Но с ростом
числа специалистов с высшим образованием снизился престиж
профессии. Пришло понимание того, что прогресс определяется
не количеством, а качеством образования. Содержание дисциплин
обновлялось в соответствии с изменениями в науке, технике, но
сохраняло идеологический диктат. Поэтому подменялись целые
пласты изучения культуры и развития цивилизации идеологическими
дисциплинами. Тем не менее, по признанию мировой обществен-
ности, образование в СССР в 1960-х гг. было самым эффективным:
«. . . Русская система образования превосходит как американскую,
так и европейскую. . . Она — пусть это не покажется странным —
традиционна. . . . Колоссальное отличие от американской системы
образования становится особенно наглядным прежде всего при
сравнении числа студентов-математиков. . . . В России изучению
этого предмета придается необычайно большое значение». Это
фрагмент высказывания западногерманского ученого Л. Маттиаса
из его книги «Оборотная сторона США» [69] точно характеризует
советскую систему образования, основанную на преемственности
традиций в обучении.
В советское время педагогика, являясь неотъемлемой частью
образования, выполняла главную свою задачу — воспитать гражда-
нина страны с необходимыми нравственными качествами, такими
как патриотизм, любовь к Родине, коллективизм, доброта, уважение
к труду, уважение к старшим — все те качества, которые закладыва-
лись в русского человека веками и которые всегда являлись основой
его менталитета.
3.2. Современное российское образование и его проблемы 37
3.2. СОВРЕМЕННОЕ РОССИЙСКОЕ

ОБРАЗОВАНИЕ И ЕГО ПРОБЛЕМЫ
Наше общество сегодня живет в информационном мире. Старое
поколение с тоской вспоминает свою советскую школу, среднее —
не может найти свою «нишу» (сказывается воспитание советских
родителей и советской школы), молодое — определилось и приняло
американскую жизненную ценность — деньги. В этом пронизанном
электромагнитным излучением пространстве появились «индиго-
дети», феноменальные способности которых заставляют ученых
приходить к выводу, что это люди будущего. Мы живем в другом
ритме, по-другому осознаем мир.
А Мир переживает сегодня глобальный конфликт, в основе
которого лежит цивилизационная сущность. Проблемы, появившиеся
в результате мощного развития производительных сил и достижения
такого масштаба общественного производства, когда появляется
угроза нарушения баланса между обществом и природой, стали
глобальными. Эти проблемы носят общечеловеческий характер,
становятся общепланетарными и каждая страна ищет свой путь
их решения.
Россия пытается в этих условиях сохранить свое устойчивое
развитие. Концепция устойчивого развития нашла отражение в ряде
документов правительства России и отражает сложную взаимосвязь
между средой и развитием общества, т. е. способствует решению
социальных и экологических проблем.
Модель системы образования в условиях устойчивого развития —
это образование XXI в., обеспечивающее выживание в условиях
глобальных проблем и кризисов.
В стране идут процессы ликвидации, объединения и создания
государственных вузов, возникновения коммерческих вузов, созда-
ния и распада частных школ, открытия специализированных школ,
лицеев и гимназий. Пересматриваются программы и учебные планы,
предусматривающие увязку цепочки «школа — вуз». Новое время
потребовало перехода к новой стратегии развития общества на
основе глубоких знаний. Целью образовательной политики стало
достижение такого качества образования, которое соответствовало
бы актуальным и перспективным потребностям личности, общества
и государства. Уровень знаний должен непрерывно обгонять и сти-
мулировать технические новшества. Новые технологии требуют не
просто подготовленного работника с узкоспециальными знаниями,
а специалиста, способного ориентироваться во всем производстве

и быстро осваивать технические нововведения.
Перед системой профессионального образования стоит задача
подготовки специалистов, нужных сегодняшней модели экономики.
В советское время специалистов готовили под определенную
государственно-экономическую модель, эти специалисты выполняли
ее задачи, в основном, оборонные. Сегодня экономика стала другой.
Нынешняя образовательная система отстает от потребностей вре-
мени и продолжает все еще выпускать специалистов для вчерашней
промышленности.
Профессиональное высшее образование, не имея точного ана-
лиза спроса на труд, не поспевая за постоянными изменениями
востребованности профессий, оказалось неспособным подготовить
специалистов, знания которых полностью соответствовали бы по-
требностям нового времени, новой экономики.
Значительная часть профессионально-технических училищ, гото-
вивших квалифицированных рабочих для российских предприятий,
перестала работать. В результате появился дефицит специалистов,
способных управлять современными станками.
В сутолоке перестроечных дел 1990-х гг. забытой оказалась
система среднего образования. В то время школы сами пытались
решать вопросы своего выживания. Результат: уход из школ
квалифицированных преподавателей. Нехватка опытных педагогов
не была компенсирована притоком молодых кадров. Низкое ка-
чество образования школьников, которым пришлось учиться в то
«непонятное время», во всей полноте проявилось сегодня в виде
проблемы плохой подготовки нынешних студентов-первокурсников.
Ненужными оказались и дошкольные учреждения. Ведомствен-
ные дошкольные учреждения исчезли с развалом предприятий.
Многие избавились от детских комбинатов и садиков как от
ненужного балласта, уменьшающего финансовые показатели. В ре-
зультате резко сократилось количество дошкольных учреждений.
Если в 1991 г. число детских учреждений в стране составляло 87 600,
то в 2003 г. их осталось 47 800, а сейчас число детских учреждений
и того меньше. Для молодой семьи проблематично не только
подготовить ребенка к школе, но даже просто «пристроить ребенка».
В общероссийском масштабе проблема семьи становится проблемой
государства. С некоторым запозданием в городах начался процесс
расконсервации детских дошкольных учреждений. Обсуждается
вопрос о том, чтобы перенять опыт высокоразвитой Японии,
где акцент образования делается на «фундамент» образования —
на дошкольное и начальное образование. Этот период самый

результативный: ученые доказали, что в возрасте до 12 лет идет
невероятно сильное впитывание умений и знаний.
Система образования в России требует пересмотра и модерни-
зации.
В марте 2000 г. принята Федеральная программа развития
образования, которая предполагает последовательную реализацию
концепции образования во всех звеньях. Она изменяет восприятие
всей парадигмы образования тех, кто будет воплощать в жизнь новые
идеи. В основу концепции модернизации российского образования
положены новые социальные требования к системе российского
образования. Развивающемуся обществу нужны образованные, пред-
приимчивые люди, умеющие самостоятельно принимать нужные
решения, обладающие чувством ответственности за судьбу страны.
Главными задачами российской образовательной политики явля-
ются достижение качества образования и обеспечение его доступ-
ности. Решение этих задач предполагается достичь следующими
м е р а м и:
• повышением материальной базы и финансового обеспечения
образования;
• обеспечением высококвалифицированными кадрами;
• созданием условий для профильного обучения в старшей
ступени общеобразовательной школы;
• формированием государственной системы аттестации и кон-
троля качества образования;
• экспериментальной отработкой форм единого государствен-
ного экзамена;
• внедрением стандартов образования всех уровней;
• совершенствованием содержания образования;
• введением эксперимента по совершенствованию содержания
и структуры общего образования;
• устранением несоответствия правовых норм на федеральном,
региональном и муниципальном уровнях;
• воспроизводством научных кадров;
• информатизацией образования.
Повышение качества образования предусмотрено посредством
р я д а м е р по реорганизации образования, закрепленных в наци-
ональном проекте «Образование» (2005):
• государственного стимулирования инновационных программ
современных образовательных технологий;
• внедрения новых управленческих технологий (попечитель-

ских, наблюдательных, управляющих советов при образова-
тельных учреждениях);
• изменения механизма финансирования образовательных учре-
ждений, предполагающее стимулирование качества и резуль-
тативности педагогической работы.
Задача расширения доступа к образованию всех слоев населения,

а также жителей сельской местности, решалась путем проведения
эксперимента по введению единого государственного экзамена
(ЕГЭ). Эксперимент по ЕГЭ проходил в 78 регионах Российской
Федерации (2005). Единый государственный экзамен должен был
показать уровень выпускников всех школ в соответствии с единым
стандартом; сравнить подготовку по предметам в разных регионах;
дать возможность выпускникам школ с полученными результатами
ЕГЭ поступить в любое учебное заведение; ликвидировать приемные
комиссии как коррумпированное звено; упразднить услуги репе-
титоров-преподавателей. Введение ЕГЭ, по мнению специалистов,
имеет больше преимуществ по сравнению с раннее существовавшем
оценкой знаний учащихся, а потому сегодня ЕГЭ узаконен.
Образование — это категория, касающаяся жизненных интере-
сов каждого человека, поэтому реализация задач образовательной
реформы, несомненно, будет встречать разные суждения, вплоть
до откровенного сопротивления. Проведению реформы сопутствует
значительный социальный резонанс. Современная образовательная
реформа многими воспринимается как «антиобразовательный пере-
ворот». Их аргументы заключаются в следующем: перевод высшего
образования на платную основу, рост стоимости дошкольного
обучения, рост стоимости школьного дополнительного обучения
приведут к тому, что российская школа перестанет быть единой
и расслоится на «школу для богатых» и «школу для бедных», и как
результат — усилится социальное расслоение общества.
Главное отличие современной реформы — это коммерциализация
образования. В парадигме нового образования «преподавание —
усвоение — предъявление результатов образования», первая и по-
следняя фазы рассматриваются как услуги рыночной экономики.
«Товаризация» знаний — использование знаний как покупаемого
и продаваемого продукта; «альтернативные» поставщики высшего
образования в виде коммерческих структур, занятых трансляцией
знаний с помощью коммуникационных и информационных техно-

логий, вносят существенные изменения в сложившуюся систему об-
разования. Страдает основной принцип российского образования —
его общедоступность. Высшие уровни образования требуют оплаты,
а потому их получение становится проблематичным для молодых
людей. Коммерциализация такого важного элемента образования
и воспитания, как сфера досуга школьников, закрывает путь для
многих детей, чьи родители оказались не в состоянии оплачивать
услуги внешкольного воспитания. Насколько важна занятость ре-
бенка вне школы показывает рост подростковой преступности. Еще
В. А. Сухомлинский отмечал, что, чем богаче духовные интересы
в часы отдыха, тем больше привлекает ребенка учение, умствен-
ный труд на уроках. Если сфера досуга не заполнена богатым
содержанием, то она становится благодатной почвой произрастания
негативных качеств человека. Праздность всегда считалась в народе
матерью всех пороков.
Одним из способов повышения качества образования, является
компьютеризация обучения.
Компьютеризация образования
Компьютеризация обучения относится к числу крупномасштабных
инноваций, пришедших в российское образование.
Образовательный процесс требует подготовки и переподготовки
кадров преподавателей в соответствии с требованиями совре-
менности, в том числе с требованием высокого уровня инфор-
матизации образования. Основным показателем информатизации
образовательного учреждения является оснащенность современными
компьютерными и телекоммуникационными средствами, которая
определяет уровень преподавания учебных дисциплин, разнообразие
и эффективность форм учебной работы. Педагоги должны каче-
ственно изменить содержание, методы и организационные формы
обучения.
Процесс информатизации образования не может произойти
мгновенно, поэтому информатизация образования предполагает
п о э т а п н о с т ь:
на первом этапе должна произойти базовая подготовка в области
информатики на всех ступенях непрерывного образования и внедре-
ния средств новых информационных технологий, в первую очередь,
компьютеров;
на втором этапе — освоение педагогами новых методов и органи-

зационных форм работы с использованием компьютерной техники
и пересмотр содержания, форм, методов учебно-воспитательной
работы;
на третьем этапе — повсеместное использование средств, ин-
формационных технологий в обучении;
на следующих этапах предполагается создание компьютерных
программ отдельных предметов. Программное обеспечение должно
отражать действующий учебный план. В перечне программ, ис-
пользуемых в образовательном процессе, должны быть:
• обучающие программы;
• электронные учебники;
• системы контроля (тестовый компьютерный контроль);
• электронные лекции и учебно-методические комплексы
(УМК);
• справочники;
и т. д.
Обучающая программа (ОП) — это специфическое учебное по-
собие, предназначенное для самостоятельной работы учащихся.
Обучающие программы являются частью всей системы обучения
и должны быть увязаны со всем учебным материалом.
Электронный учебник — это автоматизированная обучающая си-
стема, включающая в себя дидактические, методические и инфор-
мационно-справочные материалы по учебной дисциплине, а также
программное обеспечение для самостоятельного получения и кон-
троля знаний.
Тестовая система контроля включает в себя тестовые вопросы
и тестовые задания.
С реализацией технологических этапов компьютеризации обуче-
ния появился ряд проблем и задач. Одна из таких задач — научно-
методическое обеспечение современной системы образования. Эта
задача появилась в силу изменения методики подачи материала,
методики обучения, основанных на компьютерных технологиях.
Преподаватель должен знать эти методики. До сих пор переподго-
товка преподавателей сводилась к обучению работы на компьютере.
Информатизация образования — это не только технически осна-
щенные классы с компьютерами для учеников, мультимедийным
компьютером для учителя, это не только локальная компьютерная
сеть с серверным мультимедийным проекционным оборудованием
и т. д., это еще и методика и методология, к сожалению, еще не

разработанные.
На основе компьютеризации образования разрабатываются и об-
суждаются несколько моделей образования, одной из которых
является дистанционное обучение («виртуальный университет»).
Дистанционное обучение
Современные темпы научно-технического прогресса, быстрая смена
устаревшей техники на более совершенную предполагают посто-
янную переподготовку профессиональных кадров. В решении этой
задачи, наряду с очной и заочной формами обучения, значительное
место принадлежит дистанционному обучению.
Дистанционную форму обучения называют сегодня образова-
тельной системой XXI в. Дистанционное обучение является одной
из форм получения образования, при котором в образовательном
процессе используются методы, средства и формы обучения, ос-
нованные на компьютерных и телекоммуникационных технологиях.
Дистанционное обучение — это способ обучения на расстоянии, когда
учащийся отдален от преподавателя в пространстве и во времени,
но в то же время имеет возможность в любой момент поддерживать
диалог с помощью средств телекоммуникации.
О с о б е н н о с т я м и дистанционного обучения являются:
• гибкость — учащийся работает в удобном для себя времени
в удобном месте и в удобном темпе;
• модульность — обучающийся может формировать учебную
программу из набора независимых курсов-модулей, которые
бы отвечали его индивидуальным потребностям;
• параллельность — обучение ведется при совмещении основной
профессиональной деятельности с учебной, т. е. без отрыва
от производства;
• дальнодействие — любое расстояние при условии качествен-
ной работы связи не является препятствием в образовательном
процессе;
• асинхронность — процесс обучения строится для обучающего
и обучаемого по удобному для каждого расписанию и в удоб-
ном темпе;
• охват, или массовость — одновременное обращение по мно-
гим источникам учебной информации большого количества
обучающихся, а также общение через сети связи друг с другом
и с преподавателем;
• рентабельность — дистанционное обучение на 10 ÷ 50% де-

шевле традиционных форм образования за счет более эф-
фективного использования учебных площадей, технических
средств информационных технологий, более концентрирован-
ного и унифицированного содержания учебных материалов
и большего количества обучающихся, на которое ориентиро-
ваны технологии дистанционного обучения;
• социальное равноправие — равные возможности получения об-
разования для всех социальных слоев населения;
• интернациональность — возможность экспорта и импорта об-
разовательных услуг, обеспеченных дистанционным обуче-
нием;
• новая роль преподавателя — преподаватель координирует по-
знавательный процесс, осуществляет корректировку курса,
консультирует, руководит учебными проектами и т. д.;
• новая роль обучающегося (слушателя) — требования к обуча-
ющемуся: самоорганизация, трудолюбие и стартовый уровень
образования;
• новые информационные технологии — в системе дистанцион-
ного обучения используются компьютеры, аудио-, видеотех-
ника, системы и средства телекоммуникаций и др.;
• специализированный контроль качества образования — в ди-
станционном обучении используются дистанционные образо-
вательные экзамены, собеседования, практические, курсовые
и проектные работы, экстернат, компьютерные интеллекту-
альные тестирующие системы.
Из истории дистанционного обучения

Дистанционное обучение возникло на основе корреспондентской
и трансляционной традиций обучения. Дистанционное обучение на
основе корреспондентской традиции появилось в период форми-
рования первой устойчивой регулярной общедоступной системы
связи, представляющей собой обычную почту. Значительную роль
в этом сыграло развитие железнодорожного транспорта. В конце
XIX — начале XX в. в наиболее развитых странах возникли кор-
респондентские школы — учреждения дополнительного образования
(краткосрочные профессионально-технические курсы повышения
квалификации, курсы предэкзаменационной подготовки). «Курсы по
переписке» были востребованы многочисленным и быстрорастущим
социальным слоем грамотных инициативных людей, чья карьера
в эпоху свободной конкуренции зависела от возможности «не

отходя от дел» в сжатые сроки повысить свою профессиональную
квалификацию.
В 1960-е гг. в основе обучения оставались печатные материалы
и переписка, но появились два новых дидактических элемента:
• педагоги заочных вузов стали ощущать потребность в соче-
тании дистанционных и очных форм обучения;
• с развитием радио- и телесетей печатные носители стали
дополняться аудио- и видеоматериалами.
В 1970-е гг. закладывались основы главных концепций ди-
станционного обучения, получившие впоследствии распространение
в мире и ставшие предметом дискуссий. За дистанционным
образованием окончательно закрепилась социальная функция —
предоставить общеобразовательные услуги как можно большему
количеству желающих учиться. Создание Открытого университета
Великобритании (1969) явилось поворотным пунктом в истории
дистанционного образования и дало развитие теоретическим осно-
вам дистанционного обучения в мире. Характерной особенностью
Британского Открытого университета, и вслед за ним и других
университетов дистанционного образования, явилась доминирующая
роль правительства в их создании. По подсчетам специалистов
расходы на образование в мире в целом возросли в 1960–1985 гг.
более чем в четыре раза, а в развитых странах — более чем в десять
раз. Образование стало рассматриваться как фактор экономического
роста страны. Развитые и развивающиеся страны связывали свое
благополучие с образованием. Для потребностей промышленного
производства, обусловленных научно-технической революцией этого
времени, стали необходимыми специалисты все более широкого
спектра профессий.
В 1990-х гг. благодаря прогрессу компьютеров, компьютерных
сетей, росту информационно-коммуникационных технологий в раз-
витие дистанционного обучения была вовлечена трансляционная
форма обучения. Дистанционное обучение, основываясь на трансля-
ционной модели (трансляций на расстояние с помощью современных
средств телекоммуникаций) традиционных очных занятий, сделала
возможным доступ широкой студенческой аудитории к лекциям
(докладам, конференциям, семинарам), которые читают или в ко-
торых участвуют крупные ученые. Центрами распространения
и применения трансляционной модели стали крупные университеты.
Возможности видеотрансляций позволили также активно включать

в лекции видеосюжеты и наглядные материалы. Но трансляционная
модель дистанционного обучения имела недостатки в виде высокой
стоимости создания и эксплуатации телекоммуникационных сетей
и оборудования, а также необходимости создания в сети специаль-
ных филиалов, оборудованных для приема прямых трансляций.
Современные модели и формы дистанционного обучения

Модель распределенного класса имеет место в тех случаях, когда
интерактивные телекоммуникационные технологии распространяют
курс, рассчитанный на один класс, на группы студентов, нахо-
дящихся в разных местах. Эта модель объединяет традиционно
обучаемых и дистанционно обучаемых студентов.
Модель самостоятельного обучения освобождает студентов от
необходимости находиться в определенном месте в определенное
время. Студенты обеспечиваются набором материалов, включающим
изложение курса и программу. Контакт между студентом и методи-
стом осуществляется посредством телефона, электронной и обычной
почты.
Модель «открытое обучение плюс класс» строится на исполь-
зовании печатного изложения курса и других средств (видеозаписи,
компьютерные диски и т. д.), которые дают возможность студенту
изучать курс в сочетании с интерактивными коммуникационными
технологиями.
Формами дистанционного обучения являются: лекции, семинары,
консультации, лабораторные работы, контроль. Для записи лекций
используются аудио- и видеокассеты, CD-диски. Семинары дистан-
ционного обучения проводятся в виде конференций. Для консульта-
ций дистанционного обучения используются телефон и электронная
почта. Для проведения лабораторных работ используются методы
имитационного моделирования. Виртуальная реальность позволяет
продемонстрировать обучающимся явления, которые в обычных
условиях показать очень сложно или невозможно.
В дистанционном обучении используется тестовый контроль.
Решение проблемы контроля качества дистанционного обучения, его
соответствия образовательным стандартам имеет принципиальное
значение для успеха всей системы дистанционного образования.
Поэтому для осуществления контроля необходимо создание единой
системы государственного тестирования.
3.3. Болонский процесс 47
В настоящее время Россия отстает от мирового сообщества

образования в массовости и доступности образовательных услуг.
Дистанционные технологии являются выходом из создавшегося
положения. В России происходит активное внедрение новейших
средств телекоммуникаций в сферы образования и научных ис-
следований. Область электронного взаимодействия расширяется.
Бурное развитие сверхновых информационных систем создает новые
возможности для развития дистанционного обучения. Дистанци-
онные формы обучения предполагают наряду с использованием
новейших информационных технологий разработку дидактических
основ дистанционного обучения, подготовку педагогов-координато-
ров, а также теоретические и научно-исследовательские работы.
Новая модель образования находится в процессе реализации.
Развитие моделей виртуального университета, обеспечивающего
обучение и выдачу документов об образовании и имеющего право
присваивать соответствующие степени, будет означать глубинные
изменения в организационной структуре современного образования.
3.3. БОЛОНСКИЙ ПРОЦЕСС

Модернизация образования предусматривает также повышение каче-
ства вузовского образования посредством его изменения в соответ-
ствии с требованиями «Болонского процесса». Вхождение России
в Болонский процесс — это пересмотр всей, веками создаваемой
российской системы образования.
25 мая 1998 г. в Париже на праздновании 800-летнего юбилея
Парижского университета (университетов Сорбонны) министрами
образования четырех стран — Франции, Германии, Италии, Велико-
британии — была подписана Совместная декларация, смысл которой
заключается в следующем: «. . . Европа — это не только евро, банки
и экономика; она должна стать также Европой знаний». Эта
идея была расширена на последующих встречах: в марте 1999 г.
в Веймаре на встрече генеральных директоров ЕС и руководства
Советов ректоров европейских стран и в мае 1999 г. в Копенгагене
на конференции Совета ректоров.
Встреча европейских министров высшего образования 18–
19 июня 1999 г. в Болонье (Италия) стала началом Болонского
процесса в европейской системе образования.
Согласно Болонской декларации, правительства Европейского
союза объявили о своих намерениях инициировать масштабную
реформу интернационального образования. Формирование обще-

европейской системы высшего образования в рамках Болонского
процесса основано на общности фундаментальных принципов
функционирования высшего образования.
Предложения, рассматриваемые в рамках Болонского процесса,
сводятся к следующему:
• введение двухуровневого обучения;
• введение кредитной системы;
• контроль качества образования;
• расширение мобильности;
• обеспечение трудоустройства выпускников;
• обеспечение привлекательности европейской системы образо-
вания.
П р и ч и н ы реорганизации существующей системы подготовки
кадров в рамках европейского сообщества следующие.
Существенные изменения в экономике развитых стран. Это
ускорение цикла производства товаров и сокращение времени их
жизни; использование информационных технологий в непроизвод-
ственной сфере; повышение конкурентоспособности предприятий
за счет внедрения новых технологий.
Омолаживание специалистов, использование их умения
нестандартно мыслить.
Наращивание научного потенциала. Наука становится важ-
нейшим фактором развития экономики. Все европейские страны
увеличили процент финансирования научных исследований от
валового национального продукта.
Объединение образовательного и научного потенциалов стран
Европы. Европейские страны стремятся создать свою зону высшего
образования, где будет самое качественное образование в мире.
В противном случае экономика Европы не сможет устоять против
конкурентного напора развитых стран, в первую очередь США
и Японии.
Рассмотрим о с н о в н ы е тезисы Болонского процесса.
1. Введение двухступенчатого (двухциклового) высшего обра-
зования.
Первый цикл образования (бакалавр) ориентирован на приоб-
ретение компетенции исполнительного типа, второй (магистр) —
на развитие творческих способностей. «Выпускник бакалавриата
должен эффективно работать там, куда сейчас идут многочислен-
ные выпускники вузов — дипломированные специалисты: линейные

менеджеры, специалисты по продажам, администраторы и др.
Выпускник магистратуры должен быть готов к решению наиболее
сложных задач и к организации новых областей деятельности,
к проектной инженерии, к исследованиям и управлению как
основополагающим сферам, обеспечивающим общественное и эко-
номическое развитие Российской Федерации» [105].
2. Введение кредитной системы. Кредиты отражают объем
работы, требующейся для завершения каждого курса, по отношению
к общему объему работы, необходимой для программы полного
академического года в университете, включая семинары, лекции,
практические занятия, самостоятельную работу, экзамены и тесты.
В европейской системе перезачета кредитов 60 кредитов по объему
нагрузки представляют один академический год, 30 — семестр.
3. Контроль качества образования. Болонская декларация
только наметила общие критерии оценки качества, детальная их
разработка отдана вузам. Высшие учебные заведения создают
свои системы гарантии качества образования, основанные на
соответствии их учебных программ, материальных ресурсов, научно-
методического обеспечения, кадров и структуры управления.
4. Расширение мобильности. Свободная мобильность учащихся,
персонала, выпускников является необходимым условием суще-
ствования Зоны европейского высшего образования. Содействие
мобильности посредством преодоления препятствий к осуществле-
нию свободного передвижения учащихся и преподавателей должно
происходить без ущерба их прав.
5. Обеспечение трудоустройства выпускников. Востребован-
ность различных профессий постоянно меняется. Рынок труда
предъявляет требования не только к уровню теоретических знаний
потенциального работника, но и к степени ответственности, профес-
сиональной компетенции, которую он может продемонстрировать.
Базовый уровень знаний и навыков должен дать специалисту
возможность «оттолкнуться», чтобы впоследствии повышать свою
квалификацию.
6. Обеспечение привлекательности европейской системы обра-
зования. «Жизнеспособность и эффективность любой цивилизации
обусловлены привлекательностью, которая ее культура имеет для
других стран. Мы должны быть уверены, что европейская система
образования приобретет всемирный уровень притяжения, соответ-
ствующий нашим экстраординарным, культурным и научным тра-
дициям» («Зона европейского высшего образования»: совместное

заявление европейских министров образования. Болонья, 19 июня
1999 г.)
Предложения Болонского процесса предполагают у н и ф и к а -
ц и ю образования:
• перелицензирование всех высших учебных заведений;
• сопоставление обязательных программ, осуществляемых при
помощи кредитной системы;
• изменение нормативной базы образования;
• совместимость и сравнимость системы сопоставимых научных
степеней;
• совместимость дипломов; особое место занимает приложение
к диплому.
В сентябре 2003 г. министр образования Российской Федерации
подписал Болонскую декларацию. Этот документ инициировал
сближение европейских стран в формировании единого европейского
образовательного пространства, в основе которого лежат т р и
основных п р и н ц и п а:
• введение двухступенчатого высшего образования;
• введение зачетных единиц для унификации количественного
учета получаемого образования;
• обеспечение сопоставимого качества образования посредством
введения взаимопризнаваемых методологий его проверки.
К 2008 г. соглашение о вступлении в Болонский процесс должно
вступить в силу. До этого времени перед российским образованием
стоит задача привести качество подготовки в вузах к европейскому
уровню.
Мероприятия, связанные с реализацией этих принципов в России
встретили противоречивые оценки. С одной стороны, самоизоляция
от мирового образовательного пространства может иметь отрица-
тельные последствия. Обладатели российских дипломов будут некон-
курентоспособными на европейском рынке труда. С другой стороны,
низкий уровень мобильности, связанный с низким уровнем доходов
населения России противоречит одному из ключевых направлений
развития, обозначенных Болонской декларацией. Тяжелое состояние
экономики, законодательные препятствия не позволяют сделать
приоритетным финансирование вузов, как это сделано на Западе.
Расширению двухциклового обучения препятствуют также работо-
датели и затянувшийся спад производства в большинстве отраслей.
Российский рынок труда отличается от рынка европейских стран.

Региональный характер, неопределенность перспектив развития
отдельных отраслей и территорий, низкая оплата труда специалистов
с высшим образованием, недоступные цены на жилье — все это
тормозит вхождение России в Болонский процесс.
Российская организация вузовской науки носит кафедральный
характер. Научная школа, интеграция науки и образования, наконец,
российские докторские степени, ставшие национальным достоянием
России, делают проблематичным переход России в Европейское
сообщество образования.
Качество российского образования всегда определялось фунда-
ментальностью. Фундаментальность образования и невысокая плата
за образовательные услуги делали привлекательным российское
образование для иностранных студентов. «Для того, чтобы ис-
пользовать эти преимущества и привлекать студентов из других
стан нам необходимо участвовать в построении общеевропейской
системы», — считает председатель Комитета Государственной думы
РФ по образованию и науке А. Шишлов.
«. . . Нельзя сводить реформы в образовании только к Бо-
лонскому процессу. Россия должна иметь свою национальную
образовательную политику и параллельно с участием в Болонском
процессе формировать свою специфическую систему образования,
исходя из внутренних потребностей и ориентируясь на мировые
тенденции» [108], — отмечает С. Смирнов.
Но прежде чем система образования России будет вовлечена
в водоворот глобальных интеграционных процессов, должен быть
найден ответ на многие вопросы, связанные с вхождением России
в Болонский процесс. Некоторые из этих вопросов уже сейчас
требуют ответа.
• Сможет ли Россия в новых условиях сохранить свою само-

бытность и достижения национальной системы образования?
• Готовы ли российские вузы изменить существующую подго-
товку научных кадров через аспирантуру и докторантуру?
• Кто возьмет на себя ответственность за последствия присо-
единения российской образовательной отрасли к Болонскому
процессу?
Вхождение в Европейское сообщество образования ставит перед

страной новые вопросы, ответить на которые нельзя однозначно.
Система образования не может быть статичной и, хотя она

инертна по сути, все же в процессе развития общества, возникно-
вения в нем новых явлений, система вынуждена перестраиваться.
Поэтому реформа образования является неотъемлемой частью
изменений в обществе.
В какой мере образование в России сохранит в новых усло-
виях свою традиционность? Необходимо понимать, что изменения
претерпят требования к образованию, сформированные за всю его
историю, такие как:
• общедоступность образования;
• обязательное общее образование;
• авторитет школы и учителя;
• внимание к точным наукам, особенно — к математике;
• гуманизация и гуманитаризация образования;
• поддержка талантливых учеников;
• внешкольная организация досуга школьников.
Новое время требует пересмотра всех звеньев системы образо-
вания. Никогда еще ей не требовалось таких преобразований, как
сейчас.
XX в. с его политическими и техническими революциями привел
население России к грамотности. Доля грамотного населения
(умеющих читать и писать) в возрасте 9 ÷ 49 лет в 1897 г.
составляет 29,6%, в 1926 г. — 60,9%, в 2002 г. — 99,8%. Эта динамика
является несомненной заслугой Советского государства. Наше время
поставило перед страной другие задачи в области образования,
и последовательная реализация проектов реформы должна привести,
в конечном счете, к тому, что страна, став грамотной при советской
власти, станет сегодня образованной.

1. Назовите периоды наиболее демократических образовательных
реформ в России?
2. Охарактеризуйте взгляд Петра I на образование.
3. Расскажите о деятельности Екатерины II на образовательной
ниве Российского государства.
4. Расскажите о возникновении Петербургского университета.
5. Что сделал М. В. Ломоносов для Московского университета?
6. Назовите основные достижения советского государства в об-
ласти образования.
7. Каковы задачи современной образовательной реформы?

8. Назовите цели и задачи современной модернизации образо-
вания.
9. В чем состоят цели и задачи Болонского процесса?
10. Необходимо ли России вступление в Болонский процесс?
11. Какие проблемы возникают в процессе компьютеризации
образования?
12. Какое место в системе образования займет дистанционное
обучение?
13. Какие проблемы стоят сегодня перед российским образова-
нием?
[6], [41], [43], [52], [58], [78], [80], [102], [105], [113]
ГЛАВА 4
НАУКА — ЧАСТЬ ДУХОВНОЙ КУЛЬТУРЫ
Наука и философия. Наука и религия. Наука и искусство
Весь мир, пройденный человеческой мыслью можно

представить себе в виде пряжи, сотканной
из трехцветных ниток: черной нити магии, красной
нити религии и белой нити науки.
Д. Фрэзер
Красота — сияние истины.

Платон
Все разумное красиво. Все красивое разумно.

Гегель
. . . Без известной умственной культуры, не может

быть и утонченных чувств.
А. Франс
Поведение человека в окружающем мире опирается на знания о нем.

Знания формируются логически и чувственно. Мир постигается
и мыслью, и сердцем, и душой. Поэтому в постижении мира
человечество вырабатывало различные с п о с о б ы: мифология,
религия, искусство, философия, наука.
Мифы объясняли появление человеческого общества и мира,
окружающего человека. Мифы являлись почвой для зарождения
искусства.
Разум человека, выстраивающий логическую цепочку умозаклю-
чений устройства мира, был орудием философов. Вера являлась
олицетворением Знания для религии. Посредством искусства Душа,
со всеми присущими ей эмоциональными красками, постигает
бытие. На основе практических потребностей человека появилась
Наука.
Так создавалась культура.
По определению С. И. Ожегова: «Культура — совокупность про-
изводственных, общественных и духовных достижений людей».
Глава 4. Наука — часть духовной культуры 55
Материальные ценности, созданные человеком, определяли ма-

териальную культуру. Духовная культура создавалась в виде раз-
личных форм познания и осмысления человеком бытия (мира).
Наука является частью духовной культуры. Ценность науки
состоит в ее стремлении и способности открыть через знания
истину.
Стремясь к истине, наука дает постоянное приращение знаний
и поэтому выступает как сила, революционизирующая все виды
человеческой деятельности.
Латинское слово scientia в переводе означает «знание».
С. И. Ожегов в «Словаре русского языка» дал следующее опреде-
ление слову «наука»: «Наука — система знаний о закономерностях
развития природы, общества, а также отдельных отраслей знаний».
Обратимся к изданию Большой Российской энциклопедии (М., 2004):
«Наука — сфера человеческой деятельности, функцией которой
является выработка и теоретическая систематизация объективных
знаний о действительности, одна из форм общественного созна-
ния».
Объектами научных поисков являются природа и человек. Науки
о природе (естественные науки) и науки о человеке и обществе
(гуманитарные науки) в начале своего становления не были
разделены. Но в процессе изучения и исследования вырабатывались
отдельные подходы и принципы в освоении бытия. Попытка
раскрыть взаимосвязь наук, увидеть закономерность этих связей,
была предпринята в эпоху античности. Первая систематизация
и классификация накопленного знания принадлежит Аристотелю.
На этом этапе все знания делились на три главные области: природа
(физика), общество (этика) и мышление (логика).
На втором этапе классификации, предпринятой Ф. Бэконом
(1561–1626), в основу был положен аналитический метод, поз-
воливший учитывать свойства человеческого интеллекта — память
(история), воображение (поэзия), рассудок (философия). Философия
распадалась на ряд обособленных наук: математику, механику и др.
Следующие этапы классификации наук вошли в историю
применением разных принципов и методов классификации, что
обусловило многообразие видов классификации. Так, Ф. Энгельс
в своей системе классификации использовал формы движения
материи. Он предсказывал, что на стыках основных наук (физики
и химии; химии и биологии) возникнут великие открытия.
56 Глава 4. Наука — часть духовной культуры
Классификация современной науки основывается на раскрытии

взаимосвязи трех разделов научных знаний: естествознания, обще-
ственных (социальных) наук и философии.
Но какие бы ни были примеры классификации наук, их стержнем
всегда являлось взаимоотношение философии и частных наук.
4.1. НАУКА И ФИЛОСОФИЯ

В системе общечеловеческой культуры философия занимает цен-
тральное место. Философия всегда была связана с наукой, ориен-
тировалась на нее или противостояла ей.
Имея дело с феноменом науки, необходимо четко отличать
науку от других форм мыслительной деятельности. Философия
(греч. «любовь к мудрости») строится на интуиции, помогает найти
недоказуемые наукой идеи, согласовывает и обобщает их. Наука же
не берется за изучение мира в целом, подобно философии. Пред-
ставляя частное познание, наука требует эмпирической проверки. На
начальном этапе научного познания мира наука была неотъемлемой
частью философии — натурфилософии. Натурфилософия, возникнув
около трех тысяч лет назад, была синонимом знаний о мире.
Она представляла собой множество конкретных наук в форме
учений. Философию отождествляли с наукой. Не случайно ученые
античности были философами. Поэтому эпоха античности вошла
в историю науки как эпоха философии.
Натурфилософия разрабатывала конкретные знания, но не вла-
дела приемами передачи знаний. Поэтому возникла новая форма
философии — метафизика, которая давала не только знания, но
и основания этих знаний. Исходным элементом метафизики была
теория познания, т. е. то, что формирует методологию познания.
Ключ к познанию есть философия. Аристотель заложил первый
камень философии как науки. Гегель заявлял: «То, что филосо-
фия утверждает для других наук, должно стать ее собственной
сущностью».
Философы много достигли в своем стремлении научить людей
правильно мыслить. Сегодня научить правильно мыслить, припод-
нять обыденное сознание человека нового поколения, которое еще
не приобрело нужный опыт, особенно важно.
«Глаза рассудка начинают остро смотреть лишь тогда, когда
прекращается острота зрения телесного. . . », — отмечал Сократ.
«. . . Возможно ли привить эту способность старцев молодым? При
4.2. Наука и религия 57
поиске ответа на этот вопрос используем аналогию с развитием

математики: переход от римской к десятичной системе счисления
тысячу лет назад сделал умножение доступным детям, хотя ранее
это было достоинством некоторых старцев. Возможен ли такой
скачок в развитии иных форм интеллекта, в частности — в пере-
даче способности умопостижения молодым людям?» — спрашивает
А. Г. Войтов [21].
Философия способна поднять духовность и обыденное сознание
людей, объяснить им парадоксы жизни. Она дает импульс движению
науки на ее пути к истине, снабдив ее методологическим орудием.
Философия — арбитр сомнений. Неоспоримость ее доводов укреп-
ляет (или разрушает) любой взгляд, любое суждение, поэтому наука
и философия неразделимы.
4.2. НАУКА И РЕЛИГИЯ

Религия, так же как философия, искусство и наука, призвана
удовлетворять человеческую потребность в познании окружающего
мира. В постижении бытия наука и религия избирают каждая свой
путь, проводниками по этим путям для науки становится разум,
для религии — вера. Этот факт не является преградой между наукой
и религией, поскольку наука и религия отвечают на разные вопросы.
Наука отвечает на вопрос «как?», но не может ответить на вопрос
«зачем?». Появление религии — естественный процесс, который
обусловлен потребностью человека в объяснении окружающего
мира и своего места в нем. П р и в л е к а т е л ь н о с т ь религии
обусловлена:
• доступностью: религия понятна широкому кругу людей;
• эмоциональной поддержкой: особое значение приобретает
религия для человека «в минуты роковые»;
• обещанием бессмертия;
• помощью и подсказкой в решении общечеловеческих проблем;
• поведенческим аспектом, определяющимся религиозной нрав-
ственностью: любая религия регулирует систему правил,
которые распространяются на все сферы жизни и быта людей;
• заполнением лакун в духовном мире человека, которые не
в состоянии заполнить имеющиеся знания.
Особую силу имела религия в период средневековья. В это
время религия подчинила себе неокрепшую науку и философию.
В средние века церковь имела монополию на ученость и образова-

ние. Религиозное мировоззрение стало основой для формирования
политических, правовых, экономических концепций. Любое другое
восприятие мира считалось «ересью» и предавалось церковному
суду (инквизиции). Быстрое развитие науки, начиная с Коперника
и Галилея, привело к возникновению атеизма.
Атеизм со своей трактовкой видения Мира отнюдь не доказывал
истинность выдвинутой теории безбожия. Открытия во всех сферах
науки, начиная с астрономии, психологии, социологии, не привели
к доказательству атеистических утверждений. Вопрос создания
Мира до сих пор остается открытым. Возникновение религии —
это историческая необходимость. Религиозная вера сознательно
никем не выдумана, но она дает народу представление о добре
и зле, и потому выступает регулятором нравственных отношений
в обществе. Обособляясь от религии, наука перестает выполнять
нравственные функции.
Может ли научно образованный и мыслящий человек иметь
религиозную веру?
Научная картина Мира ограничивается сферой опыта и не
имеет прямого отношения к религиозным воззрениям. Ученый
может быть как атеистом, так и верующим. Примерами называют
Исаака Ньютона, который, открывая законы небесных тел, занимался
богословием; Паскаля — гения математики и одного из творцов
новой физики, который был величайшим религиозным мыслителем;
Роберта Бойля — известного крупнейшего богослова своего времени;
Макса Планка, который считал, что наука и религия не противоречат
друг другу в своем объяснении Мира. Роджер Бэкон полагал, что
человек всегда будет стремиться к истине, но будет находить только
ту часть, которую Бог захочет сообщить людям.
Каковы сегодня взаимоотношения науки и религии? Мнения
различны. Наиболее популярно высказывание французского ученого
Тейяра де Шардена (1881–1955): «. . . Религия и наука — две
неразрывно связанные стороны или фазы одного и того же акта
познания, который только один смог бы охватить прошлое и бу-
дущее эволюции, чтобы их рассмотреть, измерить и завершить»
[130]. Мнение этого ученого созвучно высказываниям папы Иоанна—
Павла II: «Вера и разум подобны двум крылам, на которых дух
человеческий возносится к созерцанию истины. Сам Бог заложил
в сердце человека желание познать истину и в конечном итоге
4.3. Наука и искусство 59
познать Его, чтобы тот, познавая и любя Его, мог достичь полноты
истины в себе самом».
4.3. НАУКА И ИСКУССТВО

С. И. Ожегов в «Словаре русского языка» дает определение: «Искус-
ство — творческое отражение, воспроизведение действительности
в художественных образах».
Сложные, противоречивые отношения сложились между наукой
и искусством. До сих пор ученые пытаются до конца понять эту
связь, ставшую философской проблемой.
Что объединяет эти, казалось бы, совершенно разные части
духовной культуры? Прежде всего, сама культура, в которой наука
и искусство выступают в виде ее граней.
Наука и культура имеют много общего.
• Стремление к познанию. Познавательная мощь искусства
не уступает достижениям науки. Искусство — это источник
познания. Познание является первейшей задачей науки. Еще
древние греки заметили удивительное свойство искусства:
«поучать развлекая».
• Творчество. Произведение искусства, достижения в науке —
это продукты творческих исканий человека.
• Интуиция. Она присутствует как в науке, так и в искусстве.
Эти принципы в равной степени должны присутствовать в твор-
честве ученого и художника.
Искусство открывает доступ к самым потаенным уголкам
человеческого мышления. Художественное видение нередко пред-
шествует научному, развивает интуицию ученого, способствует
научному отражению мира. Г. Пирсон отмечал: «Все великие ученые
были в известном смысле великими художниками; человек, не
обладающий воображением, может собирать факты, но не сделает
великого открытия» [88].
Наибольшего сближения наука и искусство достигли в эпоху Воз-
рождения. Искусство и наука объединились в творчестве Леонардо
да Винчи. Живопись для Леонардо была универсальным средством
познания природы. Художественное воображение помогло Леонардо
да Винчи увидеть гармонию и пропорции («золотое сечение»)
окружающего мира.
Николай Коперник подошел к гелиоцентрической системе

устройства Мира через восприятие гармонии и красоты.
Альбрехт Дюрер, немецкий живописец и теоретик искусства,
стремился к научно обоснованным методам художественного по-
знания мира.
Пифагор связывал математику с музыкой гармонией чисел.
Прекрасное рассматривалось как целое, части которого пропор-
циональны («золотая пропорция»).
Научные интересы М. В. Ломоносова касались самых неожидан-
ных сфер и привели его в область изящных искусств. Особый
интерес Ломоносов проявил к созданию мозаик из цветного
стекла. Знаменитое панно «Полтавская баталия» выполнено на
заводе, основанном Ломоносовым. Он создал также ряд мозаичных
портретов, в том числе портрет Петра Первого.
Ученый-химик А. П. Бородин создал замечательную оперу
«Князь Игорь» и «Богатырскую симфонию».
При своей способности открывать законы природы и переводить
их на язык сухих формул ученые умели также наслаждаться пре-
красным. Многие из них знали и любили музыку. Роберт Гук играл
на органе, был хористом. Макс Борн был не только великолепным
пианистом, но и сочинял замечательные стихи. Самое большое
увлечение известного австрийского физика Людвига Больцмана была
музыка. Больцман любил устраивать дома вечера камерной музыки,
на которых сам исполнял партии на рояле. Навсегда в историю вошел
дуэт двух физиков: Макс Планк — пианист, Альберт Эйнштейн —
скрипач. Один из создателей квантовой электродинамики, лауреат
Нобелевской премии Ричард Фейнман питал слабость к ударным
инструментам. Нильс Бор не имел музыкальных наклонностей,
но умел глубоко понимать литературу, изобразительное искусство,
особенно живопись и скульптуру. Д. И. Менделеев больше всего
любил и понимал живопись.
В многообразии художественных увлечений страстью великих
ученых была литература. Альберт Эйнштейн, например, обожал
Достоевского и даже говорил: «От Достоевского я получил несрав-
ненно больше, чем от Гаусса». Энгельс отмечал, что из романов
Бальзака он узнал об истории французского общества больше, чем
из работ специалистов.
В историю культуры некоторые ученые вошли как поэты
и писатели: Ибн Сина, Омар Хайям, Джордано Бруно, Блез Паскаль,
Михаил Ломоносов.
В свою очередь, интерес к точным наукам проявляли деятели

культуры, известные писатели, музыканты и художники. Напри-
мер, Гете интересовался оптикой, пытаясь опровергнуть Ньютона
в его теории спектрального разложения света. В начале XVIII в.
вопросами механического сочинения музыкальных произведений
с помощью таблиц и игральных костей занимались многие известные
композиторы, такие как Бах, Гайдн, Моцарт.
Многие поколения ученых пытаются найти связь науки и ис-
кусства, объяснить феномен творчества с научной точки зрения.
Приведем некоторые из этих трактовок.
Любое произведение искусства может быть закодировано в виде
конечного числа цифр. Например, каждое слово поэмы состоит из
букв, которые могут быть закодированы 33 цифрами. Ясно, что при
таком соответствии одна длинная строка цифр может рассматри-
ваться как кодированная запись поэмы. Аналогично обстоит дело
в живописи. Полотно картины можно расчертить на мельчайшие
клетки и цвет каждой клетки закодировать цифрами. Такое пред-
ставление произведений живописи, в отличие от оригиналов, не
подвержено разрушительному действию времени и может храниться
веками.
То же самое в музыке. Из анализа Фурье известно, что
все звучание музыкального произведения, от первой ноты до
последней, может быть представлено одной единственной кривой на
экране осциллографа. Кривую можно с любой степенью точности
кодировать цифрами.
Таким образом, любое произведение искусства в любой области
можно представить в виде набора конечного числа цифр. Число
возможных комбинаций этих цифр огромно, но не бесконечно.
Поэтому можно представить себе библиотеку, содержащую все воз-
можные комбинации цифр. Подавляющее большинство комбинаций
цифр в переводе на буквы, цвета и звуки не имеют никакого
смысла. Но среди этих комбинаций есть и такие, которые имеют
смысл и которые являются тем, что мы называем произведениями
искусства. Существуют ли алгоритмы, которые позволят компью-
теру выбрать из множества бессмысленных вариаций те, которые
являются гениальными поэмами, картинами, симфониями? Ответ
на этот вопрос пока остается открытым.
Интересное объяснение феномена творчества дает теория инва-
риантности. Идея инвариантности состоит в том, что, хотя система
в целом претерпевает последовательные изменения, некоторые ее

свойства сохраняются неизменными. Существование инварианта
в любом множестве неизбежно влечет за собой ограничение
разнообразия.
Поскольку любой закон природы подразумевает существование
некоторого инварианта, то, следовательно, всякий закон природы
есть ограничение разнообразия, а так как цель науки есть поиск
законов, то наука занимается поиском ограничений разнообразия.
В математике инвариантом называют функцию от преобразуемой
величины, не изменяющую своего значения при преобразовании
этой величины. Так, расстояние между двумя точками является
инвариантным относительно переноса начала координат и поворота
осей на любой угол.
В лингвистике выделяют инварианты стихотворных форм. На-
пример, старинная итальянская форма стиха — сонет всегда имеет
четырнадцать строк. Первая часть его состоит из двух катренов
(четверостиший), вторая — из двух терцетов (трехстиший). Стихо-
творный размер сонета — пятистопный (реже шестистопный) ямб.
Форма рифмовки для катренов — две разнозвучные рифмы, а для
терцетов — две рифмы, отличающиеся от рифм катренов. Третья
строка первого терцета рифмуется со второй строкой второго терцета
и т. д. В любом сонете легко обнаружить сохранение указанных
инвариантов.
Аналогичным образом инварианты могут быть обнаружены
и в других произведениях искусства.
Возможность создания тех или иных произведений искусства
может быть определена как сознательная или бессознательная
способность находить нужные инварианты и комбинировать их
для получения желаемого эффекта. Эта способность проявляется
художником-творцом в результате обобщения закономерностей всего
предшествующего художественного наследия.
Таким образом, мы видим, что искусство в конечном итоге
преследует ту же цель, что и наука — выявление инвариантов,
установление связи между ними, ограничение разнообразия.
Наука проникает во многие сферы искусств. Языком искусств
стали открытия прикладной науки — кинематограф, радио, теле-
видение, фотография и т. д. Художник воплощает свою мысль
посредством технических средств. Наука вошла в изобразительное
искусство. Чтобы убедиться в подлинности картины, а также найти
лучшие способы хранения картин, их исследуют с помощью рентге-

новской аппаратуры, а также в инфракрасных и ультрафиолетовых
излучениях.
Методы, которыми пользуются авторы музыкальных, художе-
ственных и поэтических произведений, всегда представляли для
ученых огромный интерес как источник новых неожиданных откры-
тий. Исследования показали, что одна буква делового языка несет
0,6 бит информации, буква обыкновенной разговорной речи — 1 бит,
а буква поэтической речи — 1,5 бит. Ученые пытаются расшифровать
способы передачи информации, заложенные в художественном
произведении, вызывающем у зрителя эмоциональный отклик. Язык
искусств — это своего рода код, созданный художником посредством
сжатия информации.
Искусство сегодня — это увеличивающаяся потребность в новых
технических разработках и усовершенствованиях. Источником этих
разработок и является наука. В то же время, любое техническое
новшество, созданное наукой, требует дизайнерского решения.
«Некрасивый самолет не полетит, не знаю почему, но не поле-
тит», — говорил известный советский авиаконструктор А. С. Яковлев
(1906–1989). Эту проблему решает искусство.
Взаимообусловленность и взаимообогащение науки и искусства
бесспорны.

1. Какую роль играет философия в постижении бытия?
2. В чем состоит взаимосвязь и взаимообусловленность фило-
софии и науки?
3. Сравните науку и искусство: каковы общие черты и в чем
различия.
4. Приведите примеры инвариантов в искусстве и науке.
5. Расскажите о формах интеграции науки и искусства.
6. Научные достижения и возникновение новых форм искусств?
7. Взаимоотношение науки и религии в постижении мира?
[3], [19], [22], [65], [99], [121]
ГЛАВА 5
НАУКА: ЭТАПЫ РАЗВИТИЯ
Эпоха мифологии. Античность. Ионийский период (Фалес, Пифагор, Гераклит).

Афинский период (Сократ, Платон, Аристотель, Демокрит). Александрийский
период (Евклид, Архимед, Эпикур, Гиппарх). Древнеримский период (Птолемей,
Витрувий).
Средневековье (Роджер Бэкон, Омар Хайям, Аль-Хорезми, Абу Рейхан Бируни,
Ибн Сина). Эпоха Возрождения (Леонардо да Винчи, Коперник).
Начало эпохи науки (Галилео Галилей, Джордано Бруно, Иоганн Кеплер, Рене
Декарт, Исаак Ньютон). Эпоха науки.
Наука в России. Создание Российской Академии наук (М. В. Ломоносов, Леонард
Эйлер). Наука XIX— XX вв.
. . . Разум человека развивался соответственно тому,

как человек научался изменять природу.
Ф. Энгельс
Пределы наук походят на горизонт: чем ближе

подходят к ним, тем более они отодвигаются.
П. Бауст
Прогресс науки определяется трудами ее ученых

и ценностью их открытий.
Л. Пастер
Огромный путь прошла наука: от познания — к системе знаний

о природе, постепенно превращаясь в сферу человеческой дея-
тельности. Рождение науки — это длительный, порой мучительный,
процесс, предполагающий соединение, взаимообогащение много-
образия умов. Но главное в науке — это преемственность знаний.
Не случайно, на вопрос, каким образом было создано здание его
«Начал», Исаак Ньютон ответил: «Я стоял на плечах гигантов».
Этой фразой Ньютон, по существу, повторил мысль французского
поэта и философа Бернара Сильвестра, жившего на пять столетий
раньше: «Мы как карлики, стоящие на плечах гигантов; если мы
можем видеть дальше и больше, чем они, то это не потому, что
наше зрение острее, или что мы выше их, но потому, что мы
вознеслись благодаря их гигантским размерам».
Глава 5. Наука: этапы развития 65
Для правильного понимания процесса развития науки громадное

значение имеет изучение истории науки, тенденции ее разви-
тия, ее связей со всей историей общества. Знания о развитии
науки и техники составляют необходимый общественный багаж
любого ученого. Эти знания помогают ученому лучше понять
происходящее и увидеть перспективу. Об этом писал в своих
работах по истории науки выдающийся ученый В. И. Вернадский
(1863–1945). Он обогатил своими трудами обширную область
знания, называемую науками о Земле. Его учение о биосфере
и биогеохимических процессах, роли живого вещества в жизни
нашей планеты углубили имеющиеся знания о Земле. «Натуралист
и математик всегда должен знать прошлое своей науки, чтобы
понимать ее настоящее. Только этим путем возможна правильная
и полная оценка того, что добывается современной наукой, что
выставляется ею как важное, истинное или нужное», — так писал
Вернадский в своих «Очерках по истории современного научного
мировоззрения».
Наука — это продукт общества. На протяжении всей истории
человечества та или иная форма постижения бытия в различные
периоды была доминирующей. Историки науки, прослеживая этапы
становления науки, определяют ей временные рамки, связанные, как
правило, с историей развития культуры.
Фантастические образы мифов были попыткой людей объяснить
явления природы. Этот этап вошел в историю науки как эпоха
мифологии. Античная наука совпала с эпохой философии. В этот
период наиболее передовым, несмотря на влияние мифологии,
было философское постижение бытия. Деградация античного мира,
а затем возникновение мировых религий — христианства и ислама,
явились предпосылкой распространения религиозного мировоззре-
ния. Религия обрела власть над всеми сферами жизнедеятельности
человека. Средневековая наука эпохи религии была полностью
подчинена церкви.
Переход к новому мышлению, основным содержанием которого
стал гуманизм, характеризует эпоху Возрождения. В науке эпохи
Возрождения появляются краски творения искусств. Только с Нового
времени наука стала доминирующей. Научная революция в XVII в.
ознаменовала эпоху науки. Эпоха науки вот уже несколько столетий
«правит балом», рождая веру в свои безграничные возможности.
Но процессы, происходящие сегодня, заставляют задуматься: «Есть
ли наука благо?» Если наука является причиной разрушения, и тем
66 Глава 5. Наука: этапы развития
самым подходит к концу своего триумфа, то должна настать эпоха,

которая сохранит Землю и человечество. Такой эпохой должна стать
эпоха Морали, в которой нравственность человека встанет на пути
разрушения.
5.1. ИСТОКИ НАУКИ. ЭПОХА МИФОЛОГИИ

Жесткие временные рамки возникновения науки определить нельзя:
практическое освоение природы — это стихийный медленный про-
цесс, который подготавливал мыслительный материал и новый
подход к изучению природы, в основе которого рождалась наука.
И все же попытка построить целостную, всеобъемлющую систему
представления об окружающей человека действительности была
сделана в эпоху мифологии (до VI в. до н. э.).
Миф (мифология) — вид мировоззрения, объединяющий зачатки
знаний, религиозных верований, нравственную, эстетическую, эмо-
циональную оценку ситуаций. Содержание мифов давало возмож-
ность установить духовную связь прошлого с будущим. Мифы
объясняли человеку устройство мира. Практическая деятельность
человека, занятие скотоводством и земледелием заставляли человека
приспосабливаться к природе, вносить знания в процесс своего
труда.
Возникновение счета и письменности стали первыми качествен-
ными достижениями в знании. Появление математики исторически
связывают с появлением абстрактных понятий, которые возникли
с развитием речи у древних людей. В результате изменились
функции и возможности человеческого мозга. Окружающие человека
предметы получили абстрактное словесное выражение. Но предметы
отличаются друг от друга, они различны и для их характеристики
необходимы были слова, характеризующие их длину, площадь,
объем, вес и т. д. Поскольку предметы повторялись, появилась
необходимость различать множества.
Многовековой процесс формирования многих первых матема-
тических понятий (наряду с развитием языка) у разных народов
шел по-разному. Необходимость измерений в земледелии, ориенти-
рования по звездам в мореплавании, упорядочения чередования
сезонных природных циклов и т. д. вызвала появление первых
чисел, рождение которых связано с появлением письменности.
Обозначения чисел в виде букв появились в Древнем Риме (римские
цифры), алфавитную нумерацию использовали славянские народы,
5.2. Античная наука 67
а в некоторых областях Индии древнеиндийскими буквами также

обозначали цифры. Арабские цифры появились в Индии, но в Европу
они были завезены арабами.
При выполнении измерений в процессе земледельческих работ
возникли геометрия и геодезия. Как отражение периодичности
явлений природы были созданы календари. Развитие мореплавания
привело к возникновению астрономии: невозможно было ходить по
морю без ориентации по звездам. Больших успехов достигла меха-
ника: при строительстве широко использовались рычаги, наклонные
плоскости.
Появились знания в области медицины. Врачи древности объяс-
няли болезни положением небесных тел. Вскрывать трупы и изучать
анатомию человека было запрещено. Но врачи нашли другой способ
познания человеческого организма: они выезжали на поля битвы, где
получали возможность делать операции раненым и изучать челове-
ческую анатомию по трупам, — так зарождалась полевая хирургия.
Древние медики использовали лекарства из трав и минералов.
Известны достижения египтян в области диагностики болезней
(например, по радужной оболочке глаз). Появились первые изделия
из стекла, возникли зачатки химических технологий. В Древнем
Египте стало известно железо, которое считалось драгоценным
металлом.
Древнейшие цивилизации, центрами которых был Египет, Шу-
мер, Вавилон, Индия, Китай, накопили огромный опыт сведений
о природе. Источником научного познания была практика: от
ремесел — к накоплению фактов, затем к обобщению, формированию
прикладной теории и, наконец, к фундаментальной науке. Наука не
была самостоятельна; особой группы людей, которые занимались
бы только наукой, не существовало. Носителями знаний были маги,
жрецы, служители культа: считалось, что знания шли от Бога.
В эпоху мифологии знания получали только для достижения
практических целей. Потребность получения знаний для постижения
истины возникла в эпоху античной науки.
5.2. АНТИЧНАЯ НАУКА

Этап перехода от мифологии к науке закономерен. Постигая
Природу, человек, рано или поздно, переходит к ее осмыслению.
Более того, достигнутый уровень производства создает предпосылки
к разделению умственного и физического труда, тем самым открывая
возможности систематического занятия наукой. Такие условия

сложились в VI в. до н. э. в Древней Греции. Античность ознаме-
новала появление особой группы людей, которые, получая новые
знания, обобщая и систематизируя их, создавали теоретическую
основу науки. Ученые античного мира были энциклопедистами,
носителями как гуманитарных, так и естественнонаучных знаний.
Философское осмысление мира стало доминирующим. Естественные
науки составляли существенную часть философии, и назывались
натурфилософией. Этот период времени называется эпохой фило-
софии.
Историки науки античную науку делят на ч е т ы р е э т а п а
в соответствии с географическими центрами научных знаний:
• ионийский;
• афинский;
• александрийский (эллинистический, или эллинский);
• древнеримский.
Эти этапы систематизируют мысли пытливых ученых того
времени их представления о естественнонаучной картине Мира,
а также открытия, заложившие основы науки будущего.
Ионийский этап
Сосредоточением греческой науки и искусства в VI в. до н. э. стала
Иония — группа островов Эгейского моря, расположенных у берегов
Малой Азии. Главным городом ионийской колонии в Древней Греции
был город Милет.
Ионийский этап дал человечеству «семь мудрецов», возглав-
лял которых основатель милетской школы Фалес (625–547 до
н. э.). Фалес считается родоначальником греческой математики.
Но в математику Фалес пришел не сразу: занимался торговлей,
много путешествовал, в зрелые годы, познакомился с достижениями
египетской и вавилонской школ математики и астрономии, увлекся
и посвятил себя наукам, придя к выводу, что только знания
определяют смысл человеческой жизни: «блаженство тела состоит
в здоровье, блаженство ума — в знании». Фалес открыл ряд теорем
о свойствах углов треугольника, окружности. Им был предложен
способ определения расстояния до корабля в море, а также способ
определения высоты египетских пирамид, основанный на подобии
треугольников. Фалесу также принадлежат некоторые открытия
в астрономии.
Особое место в ионийском периоде развития науки занимает

Пифагор (ок. 580— ок. 500 до н. э.). Он являлся цензором нравов.
Он объединил лучшее из разных религий и верований, создал
свою собственную систему, тезисом которой стало убеждение
в нерасторжимой связи всего сущего (природы, человека, космоса)
и в равенстве всех людей перед лицом вечности и природы.
Пифагор — первый философ, осознавший роль математики как
универсального языка научного описания природы и общества.
Молодые годы Пифагора богаты событиями: путешествия по Египту,
пленение персами, обучение у мудрецов Вавилона. Пифагор создал
в греческой колонии Кротон (Южная Италия) свою философскую
школу. Главное научное положение, выдвинутое пифагорейцами —
это учение о числе как основе Вселенной. Число для пифагорейцев
было всеохватным, универсальным элементом, используемым во
всех сферах бытия. По теории пифагорейцев все в этом мире может
быть определено числами и сведено к правильным геометрическим
фигурам — многогранникам. Основной тезис пифагорейцев: все вещи
суть числа, поэтому все вещи и явления природы нужно объяснять
с помощью числа. В музыке пифагорейцы видели гармонию чисел.
Если красота, ощущаемая в гармонии звуков, сводится к простой
числовой зависимости, значит, именно число раскрывает фундамен-
тальную структуру космического порядка. «Число, — говорится в од-
ном из пифагорейских текстов, — руководитель и господин мысли
человеческой. Без его силы все остается темным и запутанным».
Гераклит (ок. 544–484 до н. э.) — потомок правителей Афин
и Эфеса. Гераклит написал несколько философских поэм, из которых
до нас дошли лишь фрагменты его работы «О природе». Язык
Гераклита в его работах полон метафор, замысловатых оборотов
речи, труден для понимания. За это Гераклит получил у греков
прозвище «Темный». Гераклита Эфесского до сих пор признают
самым загадочным и остроумным мыслителем античности. Гераклит
вошел в историю науки как родоначальник диалектики. Он впервые
выдвинул идею о противоречиво-парадоксальной природе вещей.
По Гераклиту нет ничего неизменного: «В одну и ту же реку нельзя
войти дважды». Диалектическое учение Гераклита послужило
источником множества философских течений.
Ионийский этап науки вошел в историю не только достижениями
в области математики, но и первой попыткой ученых понять
устройство мира.
Афинский этап
Афинский этап охватывает 480–330 гг. до н. э. С Афинским периодом
связаны имена Сократа, Платона, Демокрита и Аристотеля.
Сократ (469–399 до н. э.) не занимался натурфилософией, но
его философские взгляды оказали на развитие науки существенное
влияние. Жизнь Сократа прошла в беседах и критике. Сократовский
метод исследования в виде вопросов получил название «сократовская
ирония». Сократ считал строение мира непознаваемым. Формула
Сократа: «Познай самого себя».
Демокрит (460–370 до н. э.) и его учитель Левкипп выдвинули
идею атомистического строения материи. Демокрит учил, что мир
состоит из атомов — материальных неделимых частиц. Атомы вечны,
они никем не созданы и никогда не исчезнут. Атомистическую
теорию Демокрит применил к математике. Демокрит смог, применяя
свою теорию, определить объем некоторых пространственных фигур.
Мир, по Демокриту, создан не «актом творения», а естественным
процессом.
Платон (428–347 до н. э.) — ученик Сократа. Мировоззрение
Платона оказало влияние на развитие естественных наук. Развивая
учение пифагорейцев, Платон считал, что Вселенная появилась как
«акт творения», и это заключение стало классическим в античной
науке. Философской школой Платона стала созданная им Академия
(название происходит от имени героя античного мифического
Академоса), в которой Платон излагал идеи бестелесных форм
вещей.
Аристотель (384–322 до н. э.) учился в академии Платона,
при дворе Филиппа Македонского был воспитателем Александра
Македонского. Аристотель основал свою философскую школу —
Ликей и руководил ею 13 лет. Творческое наследие Аристотеля
охватывает все области знания того времени. Понятия пространства,
времени и материи у Аристотеля взаимосвязаны и не существуют
одно без другого. Аристотель создал свое ви́дение законченной
физической картины мира. Геоцентрическая космология Аристотеля
объединила все сведения о небесных явлениях в стройную систему,
которая была основополагающей на протяжении сотен лет. Но
главной его заслугой является создание научной системы, в которую
Аристотель сумел свести разрозненные сведения, научный материал,
накопившийся к тому времени. Система знаний, собранных и си-
стематизированных Аристотелем, служила почти две тысячи лет

каркасом науки.
Создание дедуктивного метода исследований, закрепленного
в «Логике» Аристотеля, его упорядочение разрозненных знаний
в единую систему, появление идеалистического и материалисти-
ческого мировоззрений — все это афинский этап античной науки,
приоткрывшей еще несколько страниц постижения человеком мира.
Александрийский (эллинистический) этап

Александрийский этап стал периодом интенсивного приобретения
знаний. В этот этап от натурфилософии обособляются отдельные
знания и появляются новые. Наивысшее развитие получили мате-
матика, механика, астрономия. Походы Александра Македонского
требовали не только полководческого искусства, но и знаний из
конкретных наук. Войско сопровождали инженеры, строители, ме-
дики, астрономы и даже историки. Особым уважением пользовались
инженеры. Их знания были необходимы Александру Македонскому
для развития и совершенствования военной техники. В результате
греко-македонских завоеваний образовалось огромное государство,
простиравшееся от Греции до реки Инд, где жили десятки различных
народов.
После смерти Александра Македонского государство распалось
на несколько самостоятельных государств, главными из которых
были три: Македонское, объединившее владения Александра в Ев-
ропе, Сирийское, под властью которого находились владения от
Сирии до Индии и Египетское. Крупнейшим городом на восточных
берегах Средиземного моря стала Александрия Египетская, осно-
ванная Александром в дельте Нила. Новые торговые, политические
связи, обусловленные огромными территориями, требовали знаний
астрономии и географии. В этот период особенно ценились ученые,
ими создавались условия для занятий наукой. К услугам ученых
был Александрийский музей (Мусейон) с обсерваторией и богатой
библиотекой. Мусейон привлекал ученых всего мира. Почти каждый
ученый эллинистической эпохи был связан с Александрией.
Наука этого периода ознаменовалась созданием первых теорети-
ческих систем в области геометрии (Евклид), механики (Архимед).
Евклид (ок. 365–300 до н. э.) жил в эпоху Птолемея I. Он
был в числе ученых, приглашенных Птолемеем в Александрию.
В Александрии Евклид основал математическую школу. Здесь же
в Александрии Евклид создал главный труд своей жизни «Начала»
в 13-ти книгах. Объединив разрозненные сведения по геометрии,

созданные Фалесом, Пифагором и Аристотелем, Евклид создал свою
систему геометрии по единой логической схеме. Предложенный
Евклидом метод аксиом позволил считать геометрию логически
связанным математическим учением, носящим его имя «Геометрия
Евклида». В числе пяти аксиом и пяти постулатов, применяемых
без доказательств, знаменитый постулат о параллельных прямых.
Евклид считал математику совершеннейшей из наук, но проявлял
интерес и к музыке, и к астрономии, и к оптике. Знание основ
евклидовой геометрии является и поныне необходимым элементом
общего образования во всем мире.
Архимед (287–212 до н. э.) — его гений поражал современников.
Он был новатором в геометрии, арифметике, механике, гидравлике,
астрономии, оптике. Он был изобретателем, конструктором и во-
енным инженером. Многие изобретения Архимеда использовались
в военных целях. До сих пор остается неразгаданной загадка о досто-
верности поджога римских кораблей зеркалами. Архимед построил
для обороны Сиракуз метательные машины. Им был изобретен
и построен винт (червяк) для подъема воды (винт Архимеда).
Ему принадлежит изобретение червячной передачи, которая широко
используется в современных технических устройствах. Архимед
вывел закон равновесия рычага, определяющий зависимость между
массой грузов на концах рычага и длиной его плеча. Архимед
открыл закон о плавучести тел, носящий его имя.
Эпикур (341–270 до н. э.) возродил идеи атомизма Демокрита,
пытаясь с помощью них объяснить все природные, социальные
и психические явления. Эпикур был не согласен с божественным
объяснением начала жизни. Слово «эпикуреец» стало синонимом
«безбожнику».
Гиппарх (ок. 185–125 до н. э.). «Когда рассмотришь все
изобретенное и усовершенствованное Гиппархом, . . . то поневоле
причислишь его к удивительным мужам древности и назовешь его
величайшим из них. . . » — утверждал Д‘Аламбер. Астрономические
наблюдения Гиппарха позволили ему подойти к созданию астроно-
мии как к науке. Гиппарх создал огромный по тем временам каталог,
включавший в себя описания положения 850 звезд. Гиппарх сыграл
значительную роль в разработке законченной геоцентрической
системы мира. Он явился основоположником математической карто-
графии. Гиппарху человечество обязано рождением тригонометрии.
Александрийский (эллинистический) период завершил путь клас-

сической метафизики. Греческая культура стала ведущей.
Древнеримский этап
Он охватывает период с I в. до н. э. по IV в. н. э. Римская
империя была крупнейшим государством древности. Рабовладельцы
поддерживали власть императора. Неудачи походов в Азию Трояна
положили конец римским завоеваниям. Кроме того, усилился натиск
германцев на границе империи. Восстания рабов также расшатывали
огромную и сильную римскую империю. В 395 г. ослабевшая
империя распалась на две части: западную и восточную. Столицей
Восточной империи, называемой Византией, стал Константинополь,
столицей Западной империи — Рим. Распад Римской империи явился
началом умирания античной цивилизации. Но наука не могла
полностью умереть: александрийская эпоха науки все еще давала
результаты. Примером тому служат открытия Клавдия Птолемея
(90–168 н. э.). Главным сочинением Птолемея стала «Математическая
система», дошедшая до нас в арабском переводе под названием
«Альмагест». В «Альтагесте» была представлена теория движения
небесных тел, которая господствовала вплоть до XVI в., пока ее не
сменила теория Коперника. В «Альмагесте» Птолемей сделал то,
что не удалось сделать ни одному из его предшественников: он раз-
работал метод, используя который можно рассчитывать положение
той или иной планеты на любой заданный момент времени. Теория
Птолемея утверждала неподвижность Земли, и поэтому в историю
естествознания вошла как геоцентрическая.
Витрувий (50 г. до н. э. — 20 г. н. э.) — в молодости военный инже-
нер при войсках Юлия Цезаря, в старости — строитель. Впоследствии
Леонардо да Винчи будет считать Витрувия в своих творческих
поисках главным учителем. Витрувием описаны машины для
поднятия тяжестей, водяные мельницы, водочерпательные колеса.
Состояние техники того времени человечество узнало по сочинениям
Витрувия. Работа Витрувия «Об архитектуре» в 10-ти книгах стала
единственным архитектурным трактатом античности.
Античная цивилизация греков и римлян оказала огромное
воздействие на процесс развития всей мировой культуры. В ее
время были созданы шедевры античного искусства, возникла наука
в виде обособленной сферы духовной культуры; знания приобрели
системность, теоретичность, рационализм; возникли научные школы.
5.3. СРЕДНЕВЕКОВАЯ НАУКА

Эпоху от заката античной культуры до эпохи Возрождения называют
Средневековьем. Средневековье охватывает V— XV вв. Падение
Западной Римской империи под натиском варваров, смена рабовла-
дельческой формации феодализмом, принятие христианства привели
к разрушению тысячелетней культуры античности.
С ослаблением Рима набирало мощь христианство. Падение
Римской империи завершило историю Древнего мира. На смену
пришли средние века — период цивилизации, в котором господство-
вала власть религии.
В начале V в. утверждается власть Папы (Римского епи-
скопа). Христианство становится всепроникающей силой. Церкви
и монастыри обеспечивают необходимый уровень образования.
С некоторым опозданием распространяется по свету другой вид
единобожия — ислам, его появления на восточных окраинах Римской
империи было внезапным и стремительным. Возникло арабо-мусуль-
манское государство — Халифат, руководил которым религиозный
и политический деятель Мухаммед. В состав этого государства
входили территории Аравийского полуострова, современных Ирана,
Ирака, Египта, Сирии, части Закавказья, Средней Азии, Северной
Африки, Пиренеев. Арабская культура формировалась на достиже-
ниях античного мира. Арабские ученые придали знаниям античности
более рациональный характер, особенно математике и астрономии.
Астрономия была стимулом для развития математики. Существенное
развитие получила алгебра.
Аль-Хорезми (783–850) распространил в арабском мире ин-
дийскую позиционную систему записи чисел. Имя Аль-Хорезми
в латинизированной форме «Algoritmus» дало термин «алгоритм»,
означавший ранее систему десятичной позиционной арифметики.
Позднее термин «алгоритм» приобрел иной смысл. Значительным
вкладом Аль-Хорезми в науку явились его астрономические таб-
лицы.
Абу Рейхан Бируни (973–1048) — хорезмийский ученый-энцик-
лопедист. Бируни занимал должность советника шаха, руководил
академией. Современники высоко оценили творения Бируни, считая,
что они превосходят все, что было написано до этого в астрономии
и математике. Методы астрономических измерений Бируни были
оригинальны и отличались от методов измерений древних греков.
Бируни был согласен с геоцентрической системой, но все же впервые
5.3. Средневековая наука 75
высказал мысль о возможности движения Земли вокруг Солнца.

Бируни изучал драгоценные камни и минералы. В минералогии
Бируни пошел дальше своих предшественников. Он впервые дал
сравнительные оценки твердости минералов и провел точные
измерения удельных весов минералов, введя для их характеристики
цифровые константы.
Ибн Сина (980–1037). Труды Ибн Сины, называемого в Европе
Авиценной, охватывают многие области знаний. Известны 274
труда Ибн Сины по философии, математике, астрономии, физике,
химии, биологии, медицине, фармакологии, филологии, лингвистике.
Глубина энциклопедических знаний, правильный строй философской
мысли Ибн Сины противостоят богословской схоластике. Ибн Сина
создал философскую систему сотворения мира. Он стремился объ-
яснить явления природы исходя из ее собственных закономерностей.
Наиболее значительное творение, принесшее Ибн Сине мировую
славу, — «Канон врачебной науки».
Омар Хайям (1048–1131) — выдающийся математик и астроном
средневекового Востока, долгое время был неизвестен на Западе.
Имя Омара Хайяма пришло в Европу с его четверостишиями
(рубаи). Он был известен как поэт. Омара Ал-Кайя-ми знали как
математика. Но мало кто догадывался, что это один и тот же
человек. Омар Хайям возглавлял астрономическую обсерваторию,
разработал проект наиболее точного календаря.
В Западной Европе в центры научных знаний превращались
монастыри. Постепенно из монастырских школ возникли универ-
ситеты. Переводы с арабского и греческого на латынь обогатили
западноевропейскую науку.
Монах Роджер Бэкон (1214–1293) сыграл особую роль в разви-
тии науки Средневековья. Бэкон большое значение придавал экспе-
рименту. Он не только призывал к опытному исследованию природы,
но и сам занимался исследовательской деятельностью. Широта
познаний Бэкона была для того времени огромна. С увлечением
Бэкон занимался алхимией. Алхимики пытались найти способ пре-
вращения простых металлов в золото с помощью фантастического
«философского камня», верили, что можно сохранить молодость
«жизненным эликсиром». Бэкон увлекался и астрологией. В этом
нет ничего удивительного, это была, своего рода, печать вре-
мени. Астрология подготовила рождение астрономии, а алхимия —
химии.
В то время во всех католических странах действовала инкви-

зиция — особый церковный суд по борьбе с ересью. Инквизиция
превратила в кровавые застенки целые страны. Бэкон упрекал
церковников в невежестве. Более того, он отрицал исключитель-
ность христианской религии. Церковь отреагировала: Бэкону было
предъявлено обвинение в ереси. В 1278 г. Роджер Бэкон был заточен
в монастырскую тюрьму, там он провел 14 лет.
В средние века не было значительных прорывов в науке.
Однако церковь, обладая монополией на образование, обеспечивала
обучение, сохранение знаний и подготовку духовенства. Первые
университеты выросли из церковных школ. Так возникли универси-
теты Болоньи (XII в.), Парижа (1215), Оксфорда (XII в.), Кембриджа
(1284) и других городов. Эпоху создания университетов принято
называть «золотым веком схоластики».
Схоластика — это особый тип философских и теологических
рассуждений с дидактическими устремлениями, с чисто умозри-
тельными, формально логическими доказательствами и ссылками
на авторитеты. Средневековая схоластика явилась интеллектуальным
тренингом, в результате которого прививались нормы логико-
дискурсивного мышления.
Усиление роли религии в жизни общества стало своего рода
защитой человечества от деградации.
5.4. НАУКА ЭПОХИ ВОЗРОЖДЕНИЯ

Эпоха Возрождения охватывает XV— XVI вв. Церковь в этот период
не является безраздельным хозяином науки, искусства, образования.
Желание вернуться к духовным ценностям античного мира обретает
реальность через литературу, живопись, скульптуру. Искусство
проникает во все сферы человеческой деятельности и влияет на
развитие науки. Наука становится творческой, соединяя все грани
человеческого таланта.
Леонардо да Винчи (1452–1519) — яркий пример ученого эпохи
Возрождения. В Леонардо да Винчи талант художника сочетался
с талантами математика, инженера, исследователя. Одним из
величайших вкладов Леонардо в науку явилось изучение анатомии
человеческого тела. Анатомические работы, выполненные Леонардо
в виде зарисовок, опережали свое время и стали широко использо-
ваться гораздо позже. Леонардо да Винчи боролся со схоластическим
методом познания природы. В основу познания Леонардо ставит
5.5. Начало эпохи науки 77
математику: «. . . Ни одно человеческое исследование не может

назваться истинной наукой, если оно не прошло через матема-
тические доказательства». Но особенно ярко проявился талант
Леонардо да Винчи в области механики, которую он считал «раем
математических наук». Он впервые сделал попытки определить
экспериментальным путем коэффициенты трения и скольжения,
исследовать явление удара, сопротивление различных материалов,
падение тел и траекторию брошенного камня; он был первым,
кто заинтересовался движением по наклонной плоскости. Леонардо
да Винчи положил начало теории волн. Леонардо изучал полет
птиц и пытался воссоздать его в рисунках и чертежах. Но на
этом не заканчивается перечень творческих интересов Леонардо.
Около семи тысяч страниц леонардовских рукописей научного
и технического содержания хранятся в настоящее время в Милане,
Турине, Париже и Лондоне. До сих пор исследователи продолжают
изучение наследия Леонардо, но многие рукописи утеряны.
Самым величайшим достижением эпохи Возрождения является
идея Николая Коперника (1473–1543) о гелиоцентрической системе
Мира, утверждающей,что:
• в центре Мира находится Солнце;
• Земля и другие планеты движутся вокруг Солнца;
• каждая планета вращается вокруг своей оси;
• движение происходит по круговым орбитам.
Идея Коперника о рядовом месте Земли во Вселенной потрясла
мировоззрение эпохи. К гелиоцентрической модели устройства
Мира Коперник пришел, скорее, не от науки, а от гармонии.
Изложение своей системы устройства Мира Коперник сделал
в 1515 г. в рукописном труде «Малый комментарий о гипотезах,
относящихся к небесным движениям». Но Коперник не решался
опубликовать свое сочинения, опасаясь обвинения со стороны
церкви. Сочинение было опубликовано только в 1543 г. в Нюрнберге.
В 1616 г. католическая церковь внесла произведение Коперника
в список запрещенных книг. Запрет был снят через 200 лет.
5.5. НАЧАЛО ЭПОХИ НАУКИ

Под влиянием потребностей капиталистического производства наука
становится необходимой обществу. Этому также способствует вы-
теснение религиозного мировоззрения научным. Ведущим методом
исследования становится эксперимент. Прогресс науки в XVI—

XVII вв. ознаменовал первую научную революцию.
Новая картина Вселенной, созданная Коперником, требовала
осмысления. Она отвергала аристотелеву картину Мира — любое дру-
гое понимание Мира церковь считала ересью. За пропаганду теории
Коперника Джордано Бруно (1548–1600) поплатился жизнью. Для
Джордано Бруно судьба готовила блестящие перспективы. В 1584 г.
в Лондоне были изданы сочинения Бруно «О причине, начале
и едином» и «О бесконечности, Вселенной и мирах», в которых
он излагал концепцию Вселенной, следуя теории Коперника. Бруно
считал, что у многих звезд могут быть свои планетарные системы,
подобные Солнечной, Бруно выдвигал гипотезу множественности
миров. Но подобные высказывания оказались несвоевременными.
Бруно обвинили в ереси. Восемь лет Джордано Бруно провел
в тюрьме, но не отрекся от своего учения. После провозглашения
приговора Джордано сказал: «Сжечь — не значит опровергнуть. . . ».
В 1600 г. в Риме Джордано Бруно был сожжен.
Научное переосмысление мира началось с итальянского ученого
Галилео Галилея (1564–1642). Главная заслуга Галилея состоит
в создании нового метода мышления. Почти 2000 лет существовала
научная парадигма, созданная Аристотелем; Галилей разрушил ее.
Он первый использовал в астрономии зрительную трубу и построил
свой первый телескоп с наибольшим увеличением, позволивший сде-
лать ряд важных астрономических открытий. Галилей окончательно
утвердился в коперниковой идее устройства Мира. Результаты астро-
номических открытий принесли Галилею мировую известность. За
свою главную научную работу «Диалог о двух главнейших системах
мира — Птолемеевой и Коперниковой» Галилею было предписано
по решению инквизиции явиться в Рим. Начался суд над Галилеем.
Галилей вынужден был отрицать, что разделяет взгляды Коперника.
После публичного покаяния Галилей был помещен под домашний
арест. В заточении Галилей пишет свой последний труд «Беседы
и математические доказательства, касающиеся двух новых отраслей
науки, относящихся к механике и местному движению» (1638), в ко-
торой излагает основы динамики. В этой работе Галилей обосновал
законы инерции, принципы относительности (одно из важнейших
достижений Галилея), начала учения о сопротивлении материалов
и теории подобия, законы движения и независимости действия сил,
а также законы падения тел, увековечившие имя Галилея.
5.5. Начало эпохи науки 79
Задачу точного описания орбит решил один из величайших аст-

рономов мира Иоганн Кеплер (1571–1630). Кеплер был выдающимся
математиком. Своими работами он подготовил почву для создания
Ньютоном и Лейбницем дифференциального и интегрального исчис-
ления, разработки теории конических сечений, теории логарифмов,
открытия Ньютоном закона всемирного тяготения, изобретения
первой вычислительной машины, а главное — для формирования
новой физической картины Мира.
Важнейшей в творчестве Рене Декарта (1596–1650) является
работа «Начала философии», где он изложил свои взгляды на стро-
ение материи, движение, теплоту и свет. Склонность к математике
и занятия ею позволили Декарту создать новый раздел математики —
аналитическую геометрию. Он указал метод координат, пригодный
для построения кривых и решения уравнений.
С эпохи Возрождения обострился спор между аристотелевой
концепцией пустоты, которая объясняла все явления, связанные
с подъемом жидкостей в сосудах «боязнью пустоты». Экспери-
ментами над «пустотой» занимались ученые Эванджелист Торри-
челли (1608–1647), Блез Паскаль (1623–1662), Отто фон Герике
(1602–1686) и Роберт Бойль (1627–1691). Их эксперименты зало-
жили основы гидростатики, пневматики, их трудами были открыты
газовые законы, созданы устройства практического применения
(барометр, воздушные насосы).
Одно их главных мест в науке занимала оптика. Свет отож-
дествляли со зрением вплоть до XVII в. В постановке и решении
теоретических оптических проблем видное место принадлежит
Франческо Гримальди (1618–1663), Олафу Ремеру (1644–1710),
Христиану Гюйгенсу (1629–1695), Роберту Гуку (1635–1703), Исааку
Ньютону (1643–1727).
Исаак Ньютон — величайший физик и математик, один из
основателей современной научной методологии, отец классической
механики, автор научной парадигмы, по которой развивалась физика
XVIII— XIX вв. Метод и стиль мышления Ньютона до сих пор оста-
ется на вооружении науки. Ньютон был непоколебимо убежден, что
знания о Мире нужно черпать «из явлений», избегая, каких бы то ни
было «гипотез». Закон всемирного тяготения был основан И. Нью-
тоном на множестве поставленных им физических экспериментов
и на обширных результатах астрономических наблюдений. Научный
мир высоко оценил исследования Ньютона по оптике, а также его
труды в области приборостроения (создание телескопов). С именем
Ньютона связаны основные законы классической механики, создание

(наряду с Лейбницем) начал дифференциального и интегрального
исчисления, открытие спектрального состава белого цвета. Гений
Исаака Ньютона проявился и в его утверждении возможности
описания всех физических явлений посредством математических
зависимостей. Методология Ньютона дала и математический ключ
для решения различных физических проблем. Сочинение Ньютона
«Математические начала натуральной философии» написано на
латыни, его перевод на русский язык был сделан только в 1915 г.
О Ньютоне у физиков существует твердое и единодушное мнение:
он дошел до пределов познания природы в такой степени, в какой
только мог дойти человек его времени.
5.6. ЭПОХА НАУКИ

Научная революция XVII в. открыла перспективы для дальнейшего
развития науки. В постижении бытия наука становится домини-
рующей. Она выступает в качестве высшей культурной ценности
и порождает веру в свои безграничные возможности. Развитие
промышленности стало стимулом небывалого взлета научной и тех-
нической мысли.
Теоретические обобщения в научных поисках были невозможны
без мощного математического аппарата:
• Исаак Ньютон и Готфрид Вильгельм Лейбниц (1646–1716)
независимо друг от друга создали методы дифференциального
и интегрального исчисления;
• Леонард Эйлер (1707–1783), Жан Лерон Д‘Аламбер (1717–
1783) и Жозеф Луи Лагранж (1736–1813) создали математи-
ческий аппарат для описания физических явлений;
• Карл Фридрих Гаусс (1777–1855) разработал метод наимень-
ших квадратов, ставший основой для эффективной обработки
результатов измерений;
• Жан Батист Жозеф Фурье (1768–1830) дал метод решения
краевых задач, значительно расширив возможности мате-
матического моделирования, разработал ряды, используемые
в математических преобразованиях. Математический аппарат
Фурье-анализа используется при описании различных процес-
сов.
5.6. Эпоха науки 81
В области теории тепловых явлений и термодинамики:

• Габриэль Даниэль Фаренгейт (1686–1736) впервые построил
температурную шкалу. Эта шкала используется в Соединенных
Штатах в настоящее время;
• Андерс Цельсий (1701–1744) предложил стоградусную шкалу
с точкой «0», соответствующей кипению воды, и точкой
«100», соответствующей ее замерзанию. «Перевернуть» шкалу
предложили шведский ботаник Карл Линней (1707–1788) и его
соотечественник Мартин Штремер (1707–1770);
• Уильям Томпсон (барон Кельвин Ларгский из Айршира,
1824–1907) создал термодинамическую шкалу, в которой
абсолютный ноль соответствует −273, 2◦С. Шкала Кельвина
широко используется в научных разработках;
• Юлиус Роберт Майер (1814–1878), Джеймс Прескотт Джоуль
(1818–1889), Герман Людвиг Фердинанд Гельмгольц (1812–
1894) независимо друг от друга пришли к открытию закона
сохранения и превращения энергии;
• Рудольф Юлиус Эмануэль (Клаузиус) (1822–1888) сформу-
лировал начала термодинамики;
• Михаил Васильевич Ломоносов (1711–1763) своими работами
в области атомистики и кинетической теории тепла внес вклад
в становление молекулярно-кинетической теории.
В теории электричества, электрического тока, электромагнетизма,
их количественных характеристик:
• Шарль Огюстен Кулон (1736–1806) создал основы электро-
статики;
• Леонард Эйлер и Симеон Пуассон (1781–1840) разработали
теорию потенциала, затрагивающую электрические и магнит-
ные явления;
• Алессандро Вольта (1745–1827) создал первый источник
постоянного тока, использовав и расширив идею «живого
электричества» Луиджи Гальвани (1737–1798);
• Андре-Мари Ампер (1775–1836) сделал первую попытку со-
здания теории связи электрических и магнитных явлений;
• Георг Симон Ом (1789–1854) установил закон в теории
электрических цепей;
• Майкл Фарадей (1791–1867) открыл явление электромагнитной
индукции;
• Генрих Рудольф Герц (1857–1894) доказал существование

электромагнитных волн;
• Джеймс Кларк Максвелл (1831–1897) своими работами до-
полнил механическое представление картины мира электро-
магнитным.
Множественность направлений в оптике определялась рядом
факторов теоретического и прикладного характера:
• Томас Юнг (1773–1829) и Огюстен-Жан Френель (1788–1827)
разработали волновую теорию света;
• Вильям Гершель (1738–1833) открыл невидимые инфракрасные
лучи;
• Густав Кирхгофф (1824–1887) и Роберт Бунзен (1811–1899)
подошли к методу спектрального анализа;
• Арман Ипполит Физо (1819–1896) и Жан Бернард Леон Фуко
(1819–1868) своими экспериментами создали предпосылки
измерения скорости света.
Химия достигла высот науки гораздо позднее, чем физика.
Переход от алхимии к химии связан с именем Роберта Бойля
(1627–1691). Бойль впервые установил различие между механиче-
скими смесями и химическими соединениями. Благодаря Антуану
Лорану Лавуазье (1743–1794) химия заговорила на языке чисел.
Лавуазье вошел в историю науки как основатель количественного
метода исследования. Упрочилась власть числа в химии, но не подчи-
нялась числовым правилам область химического эксперимента. Это
препятствие было устранено с открытием Периодической системы
элементов Дмитрием Ивановичем Менделеевым (1834–1907).
Фундамент науки, заложенный в XVII— начале XIX вв. создал
необходимые условия для ее дальнейшего строительства. Научные
открытия того времени становятся классическими и требуют обоб-
щения, систематизации и популяризации. Назревает необходимость
создания справочного издания, которое отразило бы достижения
во всех областях знаний. Таким изданием становится «Энцик-
лопедия или Толковый словарь наук, искусств и ремесел» под
редакцией Д. Дидро и Ж. Л. Д‘Аламбера. В написании статей для
«Энциклопедии» участвовали многие видные ученые и писатели
того времени, такие как Ф.-М. Вольтер, Ж.-Ж. Руссо, Ш. Монтескье,
Х. Гольдбах и др. «Энциклопедия» выходила с 1751 по 1780 гг.
(35 томов). Эту энциклопедию называют памятником французского

просветительства.
В какой мере Россия участвовала в становлении науки в век
Просвещения?
В России XVIII в. не было профессиональных ученых. Русское
дворянство, составляющее наиболее образованную часть русского
общества и принимающее участие в развитии гуманитарных наук,
почти не занималось естественными науками.
Желание Петра I преобразовать «лапотную» Россию было столь
велико, что он не считал зазорным поучиться у Запада. Помочь
России преодолеть отсталость могли только наука и просвещение.
Петр понимал это. Он стремился создать Российский флот и Россий-
скую армию, оснащенную отечественным оружием. Он видел, что
решение этой задачи возможно только при поддержке инициативных
заводчиков. Тульскому оружейнику Демидову Петр I отдал казенный
Невьянский завод на Урале. При поддержке Петра I Демидов
построил в Нижнем Тагиле металлургические заводы. Сырьевые
богатства Урала для демидовских заводов стали «золотой жилой».
Металл, выплавлявшийся на этих заводах по качеству превосходил
английский и был достаточно дешев. Так же, как Петр I, Демидовы
(Никита и его сын Акинфий) умели ценить способных людей, они
выискивали талантливых мастеров и даже посылали в Англию для
учебы крепостных. На Тагильских заводах из крепостных вышла
плеяда талантливых художников, механиков, изобретателей. Из
крепостных заводчиков Демидовых вышли «заводской служитель» —
создатель паровой машины Ефим Алексеевич Черепанов (1774–1842)
и его сын Черепанов Мирон Ефимович (1803–1849), построивший
на Нижнетагильских заводах первую в России рельсовую дорогу
с паровой тягой. В 1821 г. Черепанов был послан в Англию для
«осмотра» железоделательных заводов и рудников.
Петру I были необходимы отечественные специалисты во
всех областях знаний, и эту проблему он разрешил созданием
в Петербурге Академии наук (1724) по проекту Г. В. Лейбница.
При Академии были созданы гимназия и университет. Петр I
преследовал задачи развития науки, подготовки в России научных
кадров, распространения научных знаний, чтобы «через обучение
и расположение оных польза в народе впредь была».
Научная работа Академии в первые десятилетия велась по

трем направлениям (классам): математическому, физическому и гу-
манитарному. Успешно развивались астрономия, биология, химия,
география, геология. За неимением своих научных кадров ученых
пригласили из-за границы. Молодые ученые из разных стран
Европы получили возможность заниматься научными исследова-
ниями в России. В числе первых приехали математики Николай
и Даниил Бернулли, Леонард Эйлер, Христиан Гольдбах, физик
Георг Бюльфингер, астроном и географ Жозеф Делиль, историк
Миллер. Они не только создали Академию, но и завоевали ей
европейскую славу. Уже через 12 лет Петербургская Академия
поднялась на высоту науки, до которой Парижская и Лондонская
академии добирались в течение 60 лет.
В 1742 г. адъюнктом (помощником академика-профессора) был
назначен Михаил Васильевич Ломоносов. В 1745 г. М. В. Ломоносов
стал профессором химии и создал первую в России физико-
химическую лабораторию.
М. В. Ломоносов стал эпохой в истории Академии и российской
науки. Ученый-энциклопедист обогатил науку открытиями в химии,
физике, астрономии, геологии, географии, метеорологии, металлур-
гии, биологии, истории, филологии.
В области физики Ломоносов занимался вопросами механики, ат-
мосферного электричества и магнетизма. Ломоносов сформулировал
«закон перемены в натуре», ставший одним из первых формулировок
закона сохранения материи и кинетической теории тепла.
Теоретическая химия Ломоносова полностью опиралась на
достижения физики.
Изобретением Ломоносова в оптике была «ночезрительная
труба», позволяющая в сумерки более отчетливо различать пред-
меты.
Ломоносов обогатил астрономию открытием существования
атмосферы вокруг Венеры.
Развитию металлургии в России Ломоносов придавал огромное
значение. В 1763 г. он опубликовал руководство «Первые основания
металлургии или рудных дел», в котором он подробно рассмотрел
свойства различных металлов и способы их получения.
В морском деле, в «Рассуждениях о большой точности морского
пути» (1759) Ломоносов предложил ряд новых приборов и методов
для определения долготы и широты места. Ломоносов дал первую

классификацию морских льдов.
В географии Ломоносовым в период «осмотрения» за Геогра-
фическим департаментом был разработан план получения физико-
географических и экономико-географических данных для составле-
ния «Атласа Российского».
В геологии и минералогии Ломоносов своими опытами доказал
органическое происхождение почвы, торфа, каменного угля, нефти,
янтаря. Ломоносов привел доказательство существования материка
на Южном полюсе Земли.
Трактат Ломоносова «О сохранении и размножении русского
народа» с полным основанием можно считать началом отечественной
демографии. В трактате Ломоносов изложил вопросы рождаемости,
смертности и миграции. Трактат, представляющий проект демо-
графического развития страны, имел общественно-политический
характер.
Огромная заслуга Ломоносова состоит в усовершенствовании
русского языка. Литературным языком в XVII в. служил церковно-
славянский. Из хаотичной смеси старославянского, западно-рус-
ского с фрагментами немецкого, голландского, шведского языков
нужно было выделить главные элементы, логически соединить их
в стройные системы. Это смог сделать только гениальный Ломоносов
в своей «Российской грамматике».
В развитие исторической науки вкладом явилось написание Ло-
моносовым «Древней Российской истории», в которой он разработал
историческую концепцию, показывающую решающую роль право-
славия, самодержавия, духовно-нравственных ценностей русского
народа в формировании Российского государства.
Как химик и художник Ломоносов создал мозаичное стекольное
производство.
В области образования Ломоносов разработал проект органи-
зации Московского университета и добился, чтобы университет
был бессословным учебным заведением. «Ученые люди, — доказы-
вал Ломоносов, — нужны для Сибири, для горных дел, фабрик,
сохранения народа, архитектуры, правосудия, исправления нравов,
купечества, единства чистой веры, земледельства и предзнания
погод, военного дела, хода Севером и сообщения с ориентиром».
Широта охвата Ломоносовым различных наук и решения научных

проблем поразительна. Наверное нет такой отрасли знания, в кото-
рую бы ни вложил свою лепту Ломоносов. Но все же современники
Ломоносова больше знали его как литератора, как поэта. Ломоносов
писал оды, прославляя Петра I, Елизавету, Екатерину II. Но лучшими
его одами были духовные. С Ломоносова началась новая русская
литература, с новым размером стиха, с новым языком.
А. С. Пушкин утверждал, что «Ломоносов обнял все отрасли
просвещения. Жажда науки была сильнейшей страстью сей души,
исполненной страстей. Историк, ритор, механик, химик, минеролог,
художник и стихотворец, он все испытал и все проник».
Талант Ломоносова, остроумие его научных гипотез, смелость
его теоретической мысли отмечал Л. Эйлер.
Развитие математики и механики на начальном этапе работы
Академии наук было связано с именем Леонарда Эйлера. В 1727 г.
Эйлер стал членом Академии, с 1733 г. Эйлер — президент Академии.
Восемьдесят работ по дифференциальным уравнениям, вариацион-
ному исчислению, рядам, теории чисел опубликовано Эйлером.
Мировую известность ему принесла работа «Механика, или наука
о движении, в аналитическом изложении». Непревзойденное знание
математики сделало его книги хрестоматийными. Более 30 лет отдал
Эйлер Петербургской Академии наук. И все эти годы он посвятил
математике.
Эйлер был руководителем первой русской математической
школы. Он внес большой вклад в механику, физику, астрономию
и другие отрасли знания, знал историю, биологию, медицину,
химию. Эйлер занимался не только наукой, но и писал учебники
по элементарной математике, наблюдал за работой Географического
общества, помогал организовать службу мер и весов. Заслуги Эйлера
как крупнейшего ученого получили высокую оценку еще при его
жизни. Эйлер был членом Петербургской, Берлинской, Парижской
академий наук, Лондонского королевского общества.
Петербургская Академия наук подготовила много отечественных
ученых. Наука в России превратилась в самостоятельную отрасль
производства знаний.
До конца XIX в. наука оставалась «малой» и занимала в своей
сфере относительно небольшое число людей. На рубеже XIX—
XX вв. возник новый способ организации науки — крупные инсти-
туты и лаборатории с мощной технической базой. «Малая» наука

превратилась в «большую». Возникновение большой науки было
прежде всего связано с изменением ее взаимоотношений с техникой
и производством. Вплоть до XIX в. наука играла вспомогательную
роль по отношению к производству. Затем развитие науки начало
опережать развитие техники и производства и сложилась единая
система «наука — техника — производство», в которой науке принад-
лежала ведущая роль.
Становление науки в России, разработка ее теоретической базы
шли параллельно с применением в производстве технических нов-
шеств. Изобретение универсальной паровой машины И. И. Ползуно-
вым, свыше 30 изобретений И. П. Кулибина, токарные и винторезные
станки А. К. Нартова явились одними из важнейших составляющих
промышленной революции на рубеже XVIII— XIX вв. Знания стали
востребованными. Внуки вчерашних крепостных — новоявленные
«морозовы», получив образование за границей, ставили российскую
промышленность на технические рельсы.
XIX в. изобилует изобретениями: швейная машина, автомобиль,
электрическая лампа, подводная лодка, аэроплан. Самым величай-
шим изобретением того времени было радио.
В XIX в. российская наука достигла существенных успехов. Она
развивалась не только в стенах Академии, научными центрами
становились университеты. Ведущее место среди университетов
в разработке научных проблем занимал Московский университет.
Учеными России были сделаны открытия мирового значения:
• Д. И. Менделеев (1834–1907) открыл периодический закон
химических элементов, в соответствии с которым составил
периодическую систему элементов;
• К. А. Тимирязев (1843–1920) заложил основы отечественной
агрономии. Он открыл явление фотосинтеза и указал на
космическую роль растений в качестве посредника между
Солнцем и Землей;
• И. М. Сеченов (1829–1905) работой «Рефлексы головного
мозга», основанной на условных и безусловных рефлексах
животных и человека, заложил основы научной психологии;
• И. П. Павлов (1849–1936) открыл закон высшей нервной
деятельности;
• И. И. Мечников (1845–1916) создал учение об иммунитете;
• А. Г. Столетов (1839–1896) открыл явление фотоэффекта;

• П. Н. Яблочков ( 1847–1894) и А. Н. Лодыгин (1847–1923) со-
здали дуговую лампу накаливания, которая после усовер-
шенствования Эдисоном стала современной электрической
лампой;
• П. Л. Чебышёв (1821–1894) и С. В. Ковалевская (1850–1891) —
русские математики, труды которых получили мировое при-
знание.
Появились первые научные журналы, первые профессионально
написанные учебники по математике. В ХVIII в. с открытием
«цифирных» школ, а также открытых по инициативе Петра I
навигационных, артиллерийских и гарнизонных школ математика
стала в России основным предметом. Учебниками математики
в то время были «Арифметика» Л. Ф. Магницкого (1669–1739)
и позднее, «Универсальная арифметика» Л. Эйлера. Следующим
российским учебником по математике была «Теоретическая и при-
кладная арифметика» Д. С. Аничкова (1733–1788). Мировой рекорд
продолжительности жизни среди учебников по геометрии устано-
вила «Элементарная геометрия» А. П. Киселёва (1852–1940). Первое
издание учебника вышло в 1893 г. и вплоть до конца 1970-х гг.
он оставался основным учебником геометрии.
Открытия в области физики в конце XIX в. имели спокойную
направленность, и, казалось, основные законы природы познаны,
и остается только применять их к новым явлениям. Но неторопливое
развитие физики сменилось напряженнейшими поисками, полными
неожиданных открытий.
Революционное преобразование теоретической физики началось
с Альберта Эйнштейна (1879–1955). Он внес новое в понимание
таких физических реальностей, как пространство, время, движение,
энергия. Выводы Эйнштейна о зависимости хода времени от скоро-
сти, о взаимосвязи энергии и массы, предельности скорости света
или искривлении пространства— времени, были настолько парадок-
сальными, настолько меняли представление о мире, что не могли
сразу быть принятыми в ученых кругах. Первым физиком, понявшем
фундаментальное значение теории относительности Эйнштейна
и обратившимся к разработке этой проблемы, был основатель
квантовой физики Макс Планк (1858–1947). Когда появилась теория
относительности никто не мог предполагать, насколько велико будет
ее влияние на цивилизацию. Главный труд Эйнштейна сделал

космологию законной физической дисциплиной. Идеи, высказанные
и разработанные в трудах Эйнштейна, привели к становлению
крупнейших научно-технических направлений в науке: ядерной
физики и квантовой электроники.
Эйнштейновские открытия в физике произвели революцию
в естествознании. Произошел пересмотр прежних представлений
о строении материи. Объектами пересмотра стала макро- и мик-
рофизика.
Работы Эрнста Резерфорда (1871–1937) в области исследования
атома привели к открытию ядра атома (1911) и расщеплению атома
(1919). Резерфорд обнаружил, что при бомбардировке α-частицами
атомов азота наблюдается расщепление ядер с вылетом протонов.
С этого момента формируется новое направление в микрофизике,
его крупный самостоятельный раздел — ядерная физика.
Ядерной физикой в Советском Союзе занималась лаборатория
И. В. Курчатова (1903–1960) и А. И. Алиханова (1904–1970).
1932 г. стал для физиков «годом чудес». Он ознаменовался собы-
тиями, связанными с расщеплением лития и открытием позитрона.
Открытие Ирэн и Жолио Кюри искусственной радиоактивности
добавило «чудес» в ядерную физику. Осенью 1938 г. было открыто
явление деления ядра урана под воздействием нейтронов, и обна-
ружено, что осколки деления несут громадную энергию. К концу
1940 г. И. В. Курчатов и Ю. Б. Харитон (1904–1996) разработали
подробный план с предложением построить устройство для осу-
ществления цепной ядерной реакции. Перспектива освобождения
внутриядерной энергии в больших масштабах дала возможность
Курчатову создать научное учреждение для решения урановой
проблемы. В 1949 г. под руководством Курчатова была произведена
атомная бомба. С созданием атомной бомбы руководство Совет-
ского Союза считало, что обеспечило обороноспособность страны.
Атомная энергия стала использоваться в мирных целях. В СССР
в 1954 г. была построена первая в мире атомная электростанция.
Квантовая электроника произвела революционные преобразова-
ния в технике. Наиболее известное ее детище — лазер — дает мощный
концентрированный поток электромагнитного излучения. Диапазон
практического применения лазеров огромен: от глазной хирургии
до измерений космических расстояний.
Появляется и бурно развивается космонавтика. Основоположни-

ком современной космонавтики считается Константин Эдуардович
Циолковский (1857–1935). Зарождается новая отрасль промышлен-
ности — ракетостроение. Первый искусственный спутник Земли был
создан и запущен советскими учеными и инженерами 4 ок-
тября 1957 г. Создание околоземных исследовательских спутников-
лабораторий позволило производить систематическое исследование
верхних слоев атмосферы, космических лучей, магнитных полей,
облачного покрова Земли, солнечной активности. 12 апреля 1961 г.
легендарным полетом ознаменовал начало пилотируемых полетов
в космосе Юрий Гагарин. Широкая сеть спутников различного
назначения, автоматические межпланетные станции, полеты пи-
лотируемых кораблей, создание орбитальных станций открыли
широкие перспективы для использования космических технологий
в различных областях человеческой деятельности.
В середине XX в. человечество столкнулось с новой серьезной
проблемой. Темп накопления информации стал превышать возмож-
ности ее обработки человеком. Приоритетной отраслью науки стано-
вится информатика. Предыстория информатики связана с историей
человеческого общества и охватывает несколько э т а п о в:
• освоение человеком устной речи;
• возникновение письменности;
• книгопечатание;
• успехи точных наук — математики и физики.
Инструменты математики за историю человеческой цивилизации
эволюционировали — от простейшего счетного инструмента (десять
пальцев на руках человека), через обычные счеты (кости), через
счетные машины Паскаля, Бойля, через череду всевозможных
счетных машин — и подошли к своему главному детищу — ЭВМ.
Наступление «информационного века» ставит задачу — макси-
мально ускорить и упростить передачу информации между людьми
и повысить ее усваиваемость. Возможность получения информации
в нужный момент при ее изобилии становится проблемой.
Интеграция телеграфа, телефона, радио и компьютера привела
к возможности мирового вещания в виде Интернета. Появилась
необходимость компьютерной грамотности. Человек наряду с уме-
нием читать и писать, должен уметь ориентироваться в виртуальном
пространстве. Благодаря развитию средств коммуникации, передачи,
обработки и хранения информации общество вышло на качественно

новый уровень: информация стала доступной практически всем.

1. Охарактеризуйте этапы становления науки в период антич-
ности.
2. Взгляд пифагорейцев на «число».
3. В чем состоит вклад в науку Аристотеля? Почему наука
опиралась на его учение?
4. Расскажите о Гиппархе, Птолемее и геоцентрической системе
устройства мира.
5. Гелиоцентрическая система устройства мира. В чем ее суть
и кто ее авторы?
6. Расскажите о наиболее выдающихся ученых Востока и об их
вкладе в науку.
7. В чем заключен «гений Ньютона»?
8. В каком веке наука превратилась в особую отрасль произ-
водства знаний?
9. Как создавалась Российская академия наук?
10. Расскажите о Леонарде Эйлере и его вкладе в математическую
науку.
11. Каков вклад М. В. Ломоносова в отечественную науку?
12. В чем состоит открытие Альберта Эйнштейна и почему оно
«перевернуло» существующий взгляд на физику?
13. Когда зародилась космонавтика? Каковы ее достижения?
14. С чем связано появление информатики?
[18], [32], [36], [46], [81], [103], [104], [115], [127]
ГЛАВА 6
НАУКА И ПРОМЫШЛЕННЫЕ
ТЕХНОЛОГИИ
Научные революции. Дифференциация и интеграция знаний. Научно-технический

прогресс. Научно-технические революции. Фундаментальные и прикладные науки.
Наука и промышленные технологии. Современные формы внедрения науки
в производство
. . . Ум заключается не только в знании, но

и в умении прилагать знания на деле. . .
Аристотель
6.1. НАУЧНЫЕ И НАУЧНО-ТЕХНИЧЕСКИЕ

РЕВОЛЮЦИИ
На каждом историческом этапе научное познание использует
определенную совокупность познавательных форм. Например, для
античных ученых познавательной формой было наблюдение; наука
нового времени использует аналитический метод и эксперимент.
«Словарь русского языка» С. И. Ожегова определяет: «Метод —
способ теоретического исследования или практического осуществ-
ления чего-нибудь». Совокупность применяемых методов представ-
ляет собой методологию научного познания. Методология (теория
познания) призвана обеспечить умение мыслить и тем самым упо-
рядочить теоретические знания. Методологии естественно-научного
и гуманитарного познания отличаются друг от друга. Особенно-
стью изучения первой группы наук является точная и строгая
постановка задачи; их основной метод — количественный анализ,
их основное орудие — математический аппарат. Для второй группы
наук характерны более сложные, менее определенные объекты
исследования, труднее поддающиеся количественному описанию.
Основной их аппарат — словесная аргументация, основные приемы —
размышления, аналогии, догадки, полемика.
Обыденное человеческое познание отличается от научного позна-
ния. Научное познание, поиски методологических методов берет
начало в VI в. до н. э. и связано с древнегреческими учеными.
6.1. Научные и научно-технические революции 93
В то время создавался понятийный аппарат и методология науки.

В процессе познания формировались научные методы исследо-
вания.
Ученый в своем поиске истины идет обычно от «знания»
сложного опыта предшественников к «незнанию», к новым вопросам
и проблемам, которые он должен решить.
Научное познание предполагает изгнание всех вымыслов и утвер-
ждение правильности выводов на основе практики. Из практики
наблюдения получают факты. Главным элементом в исследованиях
становится эмпирический факт, полученный с помощью наблюдений
и экспериментов.
В процессе установления фактов громадная роль принадлежит
наблюдению. Наблюдение бывает непосредственное и опосредован-
ное — наблюдение с помощью приборов. При осуществлении наблю-
дения с помощью приборов необходимо учитывать характеристики
прибора.
Когда факты установлены, их нужно описать, сгруппировать,
систематизировать, установить между ними причинно-следственную
связь. Совокупность фактов образует эмпирическую основу для
выдвижения гипотез, построения теорий, их подтверждения или
опровержения.
Эксперимент отличается от наблюдения вмешательством иссле-
дователя.
Первый уровень познания называется эмпирическим.
Второй, более высокий уровень научного познания — теоре-
тический. Эмпирический материал подвергается теоретическому
осмыслению. Теоретический уровень познания представляет собой
длительный и сложный процесс раскрытия сущности явлений
и вещей, полученных на эмпирическом уровне. В результате этого
процесса рождается догадка. Благодаря фактам, а также применению
определенных теоретических методов, догадка становится гипоте-
зой. После выдвижения определенной гипотезы исследования опять
возвращаются на эмпирический уровень для проверки. Цель новых
экспериментов — проверка следствий гипотезы, о которой ничего
не было известно до ее выдвижения. Если гипотеза выдерживает
эмпирическую проверку, она приобретает статус закона, в противном
случае гипотеза считается опровергнутой. Пуанкаре назвал науку
«кладбищем гипотез».
94 Глава 6. Наука и промышленные технологии
На эмпирическом уровне научных исследований вскрывается

сущность явлений, а их объяснение — задача теоретического уровня.
Теоретический уровень расширяет эмпирический материал по
отношению к прошлому (объясняет и обобщает прошлый материал),
по отношению к настоящему (помогает ориентироваться в теку-
щих исследованиях), по отношению к будущему (предсказывает
неизвестное).
В тех случаях, когда новые факты не поддаются объяснению на
основе существующих схем и теорий, приходится искать новые пути
научного познания, которые приведут к радикальной смене научных
парадигм, выдвижению новых принципов познания, категорий
и методов, т. е. к научным революциям.
Научная революция — это переворот в области теоретических
представлений, установившихся принципов, понятий и гипотез,
которые знаменуют переход от старого качества к новому. Как всякая
революция, переворот в научных воззрениях имеет подготовитель-
ную стадию в виде длительного накопления новых фактических
данных. Любой научной революции предшествует эволюционная
стадия научного развития.
В зависимости от масштабов научных открытий можно выделить
следующие в и д ы научных революций:
• частные — научные революции затрагивающие одну область

знания (например, возникновение новых разделов в науке,
углубление научных знаний в одной области);
• комплексные — научные революции, вносящие изменения в на-
учные парадигмы других областей знания (например, учения
Дарвина, Менделеева и др.);
• глобальные — научные революции, радикально меняющие ос-
новы науки и формирующие новую картину мира.
Количественная хронология глобальных революций у разных

авторов разная. Но если взять за основу главный критерий
глобальных революций — изменение теоретического уровня знаний,
то к глобальным революциям можно отнести зарождение науки,
датируемое VI— IV вв. до н. э. и определяемое заданными Аристоте-
лем нормами научных знаний (объяснение, описание, обоснование
и т. д.).
Исходным пунктом глобальной научной революции XVII в.

считается переход от геоцентрической к гелиоцентрической модели
Мира. Это время характеризуется преобразованием во всех областях
знаний: физике, астрономии, медицине, математике. Некоторые
науковеды растягивают даты этой научной революции с XVII по
XVIII вв.
Конец XVIII— первая половина XIX вв. — время перехода естест-
вознания к дисциплинарно организованной науке. Изменение обще-
научной картины Мира на механическую характеризует глобальную
революцию этого периода.
Глобальная научная революция рубежа XIX— XX вв. ознамено-
вала серию открытий физики, связанных с именем Эйнштейна,
поэтому, иногда ее называют эйнштейновской.
Первая промышленная революция, происшедшая в Англии более
250 лет назад, была подготовлена научной революцией XVII в.
Набиравший мощь капитализм все больше нуждался в научных
открытиях прикладного характера. Опора науки нового времени
на эксперимент, развитие механики, явились предпосылкой уста-
новления связи науки с производством, которая стала достаточно
прочной в конце XIX в.
Успехи наук второй половины XIX в. поразительны: были
созданы учения о тепловых процессах (термодинамика), об электри-
честве и электромагнитных процессах (электродинамика), о стро-
ении вещества, о кристаллах. Важные открытия были сделаны
практически во всех областях науки.
Научная революция XX в. связана с овладением энергией
атома, созданием первых ЭВМ, квантовых генераторов, синтезом
полимерных и созданием искусственных материалов, проведением
космических исследований. Эта революция, начавшаяся в 1950-х гг.,
получила статус научно-технической: наука и техника стали неот-
делимы.
С момента становления современной науки, датируемой научной
революцией XVII в., происходит беспрерывный процесс диффе-
ренциации и интеграции наук.
Дифференциация наук является закономерным следствием быст-
рого увеличения и усложнения знаний. Она позволяет более глубоко
познать картину мира, увидеть его детали, решить отдельные
проблемы. Дифференциация наук, особенно в естествознании,

наиболее быстро происходила в XVII— XVIII вв. и продолжается до
сих пор. Появились знания о веществе и его строении, о движении
и взаимодействии тел (физические науки), знания о химических
элементах, их свойствах и превращениях (химические науки), знания
о живой материи и жизни (биологические науки), знания о Земле
как планете (геологические науки), о Вселенной (космологические
науки).
Интеграция наук дала возможность получения новых знаний.
Технический прогресс выступил в виде стимула интегрирующих
процессов в науке, когда технические преобразования стали невоз-
можны без привлечения знаний из других областей. С начала
XX в. процесс интеграции пошел особенно интенсивно. Появились
новые пограничные области наук, такие как биофизика, биохимия,
электрохимия, геохимия, молекулярная биология, физическая химия
и т. д. Объединение наук позволяет решать глобальные проблемы
общества. Например, решение проблем исследования Космоса
объединило усилия ученых различных областей знаний.
Интеллектуальная мощь, заложенная в науке, привела к «триумфу
технологии». Технология стала основой улучшения материаль-
ного существования человека. Это явление называется научно-
техническим прогрессом. Научно-технический прогресс — единое,
взаимообусловленное, поступательное развитие науки и техники. Он
базируется на научных открытиях, совершенствовании технологии
и средств производства. Научно-технический прогресс определяют
научно-технические революции, они задают научно-техническому
прогрессу ускоряющий темп.
Научно-техническая революция происходит в процессе перехода
к новым поколениям техники и принципиально новым технологи-
ческим схемам, появившимся благодаря научным открытиям. Этот
процесс обычно выглядит достаточно резким, скачкообразным.
Научно-техническая революция — это коренное преобразование
производительных сил общества на основе внедрения научных
достижений в производство и превращение науки в его ведущий
фактор. Отличительной особенностью научно-технической револю-
ции является масштабность, комплексность, глубина преобразований
производительных сил.
О с н о в н ы е н а п р а в л е н и я научно-технической револю-
ции:
• качественное преобразование науки: научные открытия ха-
рактеризуются фундаментальностью, расширяются процессы
дифференциации и интеграции научных направлений;
• качественные преобразования в технической базе производ-
ства: внедряется новая технология производства;
• качественные изменения труда работников в процессе про-
изводства: современная техника и технология требует от
персонала работников определенной системы научных знаний;
• формирование наукоемкого сектора экономики (например,
машиностроение, автомобильная, электротехническая, нефте-
химическая промышленности).
Теоретическим ядром научно-технической революции становятся
важнейшие достижения физики, химии, биологии, космологии.
Революция в физике на рубеже XIX— XX вв. сделала прорыв
в науке на глубинный уровень строения материи. Из разделов физики
произросло большинство технических наук. Прогресс физических
наук оказал влияние на все элементы современного производства.
Появлялись новые направления химической науки (элементооргани-
ческая химия, химия комплексных соединений, биохимия, геохимия,
электрохимия, радиохимия и т. д.).
Успехи физических и химических наук способствовали рево-
люционным изменениям в биологических науках. Биохимия заняла
лидирующее место в молекулярной биологии.
Влияние научно-технической революции проявляется в качест-
венных изменениях всех элементов производства — энергетической
базы, предметов и орудий труда, технологии, организации произ-
водства.
Высокие темпы развития науки характерны для тех ее областей,
которые задействуют другие отрасли, создавая новые пути решения
комплексных хозяйственных проблем (создание новых источников
энергии, материалов, космические исследования и т. д.).
6.2. ТЕХНОЛОГИИ, ОБУСЛОВЛЕННЫЕ

НАУЧНО-ТЕХНИЧЕСКИМ ПРОГРЕССОМ
По своей направленности, по непосредственному отношению к прак-
тике отдельные науки принято подразделять на фундаментальные
и прикладные.
Для фундаментальных наук высшей ценностью выступает ис-
тина. Фундаментальные науки сосредотачивают свои усилия на
выяснении основных законов природы. Эти законы изучаются
в «чистом виде», безотносительно к их возможному использованию.
Поэтому фундаментальные науки иногда называют «чистыми». Само
название «фундаментальные» говорит о том, что они являются
фундаментом для всех наук. Как правило, фундаментальные на-
уки опережают в своем развитии прикладные, создавая для них
теоретический задел. На базе фундаментальных наук происходит
расцвет разнообразия прикладных наук.
Прикладные науки ставят перед собой задачу решения опреде-
ленной технической проблемы, обычно в непосредственной связи
с материальными запросами общества. Применение достижений
фундаментальных наук для решения социально-практических про-
блем является целью прикладных наук. Прикладные науки стре-
мятся достичь практического результата. В общем объеме научных
изысканий прикладные исследования доминируют.
Фундаментальные науки всегда, рано или поздно, дают практи-
ческие результаты, а прикладные исследования в некоторых случаях
могут приводить к фундаментальным результатам.
Результат прикладных исследований известен заранее (он изна-
чально задан) — в этом состоит главное отличие прикладных наук
от фундаментальных.
Совокупность научных дисциплин также условно разделяют на
естественные, общественные и технические науки.
Технические науки возникли на основе развития фундамен-
тального естествознания и вплоть до конца ХIХ в. с трудом
воспринимались общественным сознанием. Технические знания
необходимы для изготовления и использования различных ме-
ханизмов и инструментов, которые органично входят в жизнь
человека, а потому потребность в технических знаниях была всегда.
6.2. Технологии, обусловленные научно-техническим прогрессом 99
Не случайно Лондонское королевское общество, созданное Робертом

Бойлем в 1663 г., было обществом «наук и ремесел».
Укрепление и развитие связей между естественными и техни-
ческими науками позволило наиболее развитым странам перейти
к качественно новому технологическому уровню, в котором главную
роль играл так называемый «социальный заказ». Техника стала
неотъемлемой частью человеческого бытия, в котором удовле-
творение человеческих потребностей определяет уровень жизни
«общества потребления».
Производство любой продукции наряду с использованием тех-
нического оборудования предполагает соответствующий технологи-
ческий цикл.
Технологиями называют определенную последовательность ме-
тодов обработки, изготовления, изменения состояния и свойств
сырья или материалов в процессе производства продукции. Ис-
пользуемые технологии подчиняются не только закономерностям
научно-технического прогресса, но и отражают социально-эконо-
мическое состояние общества, в котором конкуренция заставляет
постоянно совершенствовать технологии. Постоянно обновляемыми
технологиями производства продукции ознаменован весь ХХ в.,
в котором взаимоотношения прикладных и фундаментальных наук
заметно изменились. Сократились сроки, отделяющие достижения
фундаментальных наук от их практического применения.
Физика подарила XX в. открытие трех новых миров: «мира
атома», «мира атомных ядер», «мира элементарных частиц».
В результате экспериментального изучения атомных спектров была
создана квантовая механика, завершившая теорию атома. Именно
открытие атома и законов квантовой механики породило лазерную
технику, технику полупроводников. На это было затрачено 40 лет.
Существование атомного ядра было установлено в начале
1920-х гг. В 1939 г. была открыта реакция деления ядра урана,
в 1943 г. осуществлена первая цепная реакция в первом атомном
реакторе. Интервал между этими событиями составил 20 лет.
Примеры ускорения обмена идеями между прикладной и фун-
даментальной науками можно увидеть не только в физике. Яркой
иллюстрацией может служить молекулярная генетика. Работы на-
чались с изучения мутаций в поколениях мухи дрозофилы и не
преследовали никаких практических целей. В результате появилась
возможность управлять наследственностью принципиально новыми

методами.
Конец XIX и весь XX в. — это период быстрого роста тех-
ники. Машинное производство стало более автоматизированным.
С развитием химической промышленности появилась химическая
технология. Развивалось автомобилестроение, появились управля-
емые летательные аппараты, усовершенствованная техника связи.
В металлургии выработка чугуна вытеснялась производством стали.
Машиностроение стало синонимом научно-технического прогресса.
Идеи перестройки технологического процесса в металлургии при-
вели к рождению новых высококачественных металлов, сплавов
и керамики. Изменились технологические методы производства.
При создании новых орудий труда ученые все большее внимание
уделяли использованию энергии молекулярных, внутримолекуляр-
ных, атомных и субатомных связей, т. е. использованию «немеха-
нических видов технологий», были разработаны:
• ультразвуковые установки и технологии для изготовления
изделий с безниточными швами в текстильной и швейной
промышленности;
• оборудование и технология для обработки высокопрочных
материалов с помощью лазера;
• оборудование и радиационная технология для химической,
нефтехимической, электротехнической промышленности;
• оборудование и технология, заменяющие механический удар
взрывом (сварка взрывом) и т. д.
Сейчас трудно назвать сферу человеческой деятельности, которая
бы не испытала влияния космических исследований. Многие отрасли
пользуются информацией, полученной из космоса о нашей планете.
Огромный экономический эффект дают метеорологические наблю-
дения с искусственных спутников Земли. Спутники обеспечивают
радио- и телевизионную связь. С рождением космонавтики связано
появление новой области науки и техники — космических техно-
логий, целью которых является производство полупроводниковых
материалов, а также пеноматериалов, стекол с особыми свойствами,
композиционных материалов, теплозащитных материалов и покры-
тий.
Любой технологический процесс предполагает использование
энергии. В начале XX в. потребление энергии в мире удваивалось
6.2. Технологии, обусловленные научно-техническим прогрессом 101
приблизительно за 50 лет, в середине века — за 30 лет, затем каждые

15–20 лет. Но мировые запасы нефти и газа ограничены. Может
показаться, что человечество стоит перед печальной перспективой
энергетического кризиса. Создание атомной энергетики, самообес-
печивающей себя ядерным горючим за счет его расширенного
воспроизводства в процессе получения энергии, позволяет создать
энергосистемы, неограниченно обеспеченные горючим.
Успехи химии и биологии привели к созданию микробиоло-
гической промышленности. Эта отрасль науки основывается на
микробиологическом синтезе ценных продуктов из различных видов
непищевого сырья (углеводородов нефти и газа, гидролизатов
древесины) и отходов пищевой промышленности. Методом синтеза
продуктов получили вещества, необходимые сельскому хозяйству
и промышленности. Особое место занимало производство кормового
белка из жидких парафинов нефти (белково-витаминных концен-
тратов, БВК), которое должно способствовать ускорению развития
животноводства.
Биологи в освоении природы смогли достичь небывалых высот.
Американские ученые Х. Бойер и С. Коуен разработали методику
рекомбинации и сшивки молекул ДНК вне организма, что позволило
конструировать микроорганизмы с новыми сочетаниями потомствен-
ных признаков. Так было положено начало генной инженерии. При-
кладное использование генной инженерии привело к производству
физиологически активных веществ белковой и другой природы для
медицинских и сельскохозяйственных нужд.
Ученые, проникнув вглубь клетки, смогли понять возможность
клонирования живых организмов. Термин «клон» (греч., черенок,
побег) имел место только в отношении вегетативного размножения
и был известен более 4000 лет назад. В настоящее время
клонирование стало возможным в отношении животных и даже
людей.
Все достижения научно-технического прогресса становятся пред-
метом острых дебатов.
• После чернобыльской катастрофы будущее атомной энер-
гетики стало проблематичным. Сторонники и противники
атомной энергетики расходятся в оценке ее безопасности,
надежности и экономической эффективности. Аварии, про-
изошедшие на ядерных реакторах, продемонстрировали их
непредсказуемость и засвидетельствовали наличие проблем

безопасности.
• Комплексные исследования биологической активности БВК,
выпускаемых микробиологической промышленностью, про-
веденные в 1970–1980-х гг. установили отсутствие отрица-
тельных последствий применения БВК. Однако медики были
другого мнения. Об опасностях, связанных с производством
БВК, предупреждал опыт других стран. Токсичность БВК для
людей и животных очевидна.
• Задача генной инженерии — это внесение изменений в су-
ществующий генный набор организма. Но изменения могут
быть либо «хорошими», либо «плохими». В результате
искусственного добавления чужеродного гена непредвиденно
могут образовываться опасные вещества. Пока не накоплено
достаточно знаний, чтобы разрешить технологию модифициро-
вания с помощью генной инженерии организмов и продуктов
питания. Ученые выступили с призывом воздержаться от неко-
торых типов экспериментов, пока не будет точно определено,
насколько могут быть опасными рекомбинированные молекулы
ДНК для всего живого.
• Биологические и социальные последствия клонирования чело-
века изучены недостаточно, поэтому во многих странах мира,
в том числе в России, принят закон о запрете клонирования.
Конец ХХ— начало ХХI в. характеризуется появлением и быст-

рым распространением принципиально новых технологий, которые
назвали высокими технологиями.
Высокие технологии — это технологии, в которых используются
новейшие достижения фундаментальных наук (микро- и нано-
технологии, биотехнологии, коммуникационные технологии, новые
материалы и т. д.).
Перспективным направлением развития высоких технологий
является нанотехнология. Нанонаука и нанотехнология являются
новейшими областями науки, которые нашли применение в бизнесе.
Нанонаука — это изучение фундаментальных принципов и структур,
размер которых колеблется от 1 до 100 нанометров (1 нм = 10−9 м).
Нанонауке и нанотехнологии необходимы ученые и инженеры,
обладающие обширными знаниями из всевозможных отраслей.
6.3. Современные формы внедрения научных разработок в России 103
Использование уникального свойства наномира означает, что про-

ектирование в нем может дать замечательные результаты и устранить
барьеры, которые появляются в процессе обновления технологий.
Нанотехнология используется во многих отраслях, ее возможности
многообещающи. Например, предполагается создать нанороботы,
работающие на микроуровне, и использовать их в различных
отраслях, включая медицину.
Перечень достижений науки огромен. Но любое научное от-
крытие предполагает ответственность ученых за последствия этого
открытия, каким бы оно ни было: ожидаемым или непредсказуемым.
Время диктует свои правила: XXI в. — это век технологий. По выра-
жению Ф. Дайсона [39]: «Технология — это Божий дар. После дара
жизни, быть может, это самый замечательный дар, полученный
человечеством от Бога. Технология — мать цивилизации, искусств
и наук».
6.3. СОВРЕМЕННЫЕ ФОРМЫ ВНЕДРЕНИЯ

НАУЧНЫХ РАЗРАБОТОК В РОССИИ
Характерной чертой современного мирового хозяйственного разви-
тия является переход ведущих стран к новому этапу формирования
инновационного общества — построению экономики, базирующейся
преимущественно на генерации, распространении и использовании
знаний. В инновационных процессах главенствующая роль при-
надлежит государству и предпринимательскому сектору. В число
лидеров по инвестициям в научные исследования входят крупные
корпорации трех стран — США, Японии, Германии; на их долю при-
ходится 511 из 700 крупнейших наукоемких компаний мира, т. е. 73%.
Устойчивые позиции предпринимательского сегмента национальных
инновационных систем во всех развитых странах обеспечиваются
целенаправленной поддержкой со стороны государства.
Наша страна последние пятьдесят лет не уступала в своем
технологическом развитии другим странам, но подавляющее число
новейших разработок и исследований было сосредоточено в военном
комплексе и почти не применялось в гражданской промышленности.
Переход к рынку обнажил недостатки российской экономики. Резкое
снижение финансирования научно-исследовательских и опытно-
конструкторских работ со стороны государства также не способство-
вало сохранению научного потенциала России. Начиная с 1991 г.

на фоне общего падения производства практически исчез спрос
на нововведения, на знания. Российская наука может утратить
созданный за десятилетия интеллектуальный потенциал. Отраслевые
научно-исследовательские институты, призванные ускорять внедре-
ние достижений науки в производство, распались в период краха
социализма.
Проблема восстановления цепи «наука — производство» стала
первостепенной. Для ее решения стали организовываться:
• технопарки,
• инновационно-технологические центры (ИТЦ),
• инновационно-промышленные комплексы (ИПК),
• наукограды,
• центры трансфера технологий.
Технопарк — это комплекс, объединяющий научные учреждения,
вузы, предприятия промышленности, информационно-патентные от-
делы и выставочные центры. Финансирование технопарков основано
на коммерциализации научно-технической деятельности и ускорении
продвижения инноваций в сферу материального производства.
Первые технопарки появились на Западе в середине ХХ в. Сейчас их
в мире около четырехсот, самый известный из них — «Силиконовая
долина» в Калифорнии. В России технопарки начали создаваться
в 1990 г. и сейчас их более семидесяти. На создание технопар-
ков правительство возлагало надежды, связанные с активизацией
научных поисков, внедрением достижений науки в производство.
Но, в силу различных причин, некоторые технопарки не смогли
существовать в условиях неотработанной правовой системы.
В соответствии с государственной программой создания в Рос-
сийской Федерации технопарков (март 2006 г.) предполагается
к концу 2011 г. в семи регионах страны создать технопарки высо-
ких технологий, обладающие развитыми инженерной, социальной,
производственной и жилой инфраструктурами.
Основная задача инновационно-технологических центров
(ИТЦ) — практическая помощь предприятиям в их инновационной
деятельности, а также поддержка перспективных научных
исследований, инновационных проектов и программ. Инно-
вационно-технологические центры обеспечивают эффективную
технологическую инновационную и персональную трансферу
6.3. Современные формы внедрения научных разработок в России 105
между научно-исследовательскими, опытно-конструкторскими

разработками и промышленностью с предоставлением различного
рода услуг (помощь в поиске инвестиций и получении кредитов,
разработка бизнес-планов, юридические услуги, маркетинговые
исследования, образовательные услуги, аренда площадей и т. д.).
Наукограды — городские поселения, в которых сосредоточены
научные, научно-производственные и другие организации, свя-
занные с научно-техническим развитием общества. Большинство
наукоградов являются комплексными, в них проводятся научные
исследования и разработки по широкому спектру направлений. Но
существуют и моноспециализированные наукограды, ориентирован-
ные на исследования по одному научному направлению. Выделяют
следующие основные с п е ц и а л и з а ц и и наукоградов России:
• авиаракетостроение и космические исследования;
• электроника и радиотехника;
• автоматизация, машино- и приборостроение;
• химия, химфизика и создание новых материалов;
• ядерный комплекс;
• энергетика;
• биология и биотехнологии.
Центр трансфера технологий создается в целях коммерциали-
зации научных исследований и разработок. В его з а д а ч и входит:
• отбор и экспертиза инновационных проектов, обладающих
коммерческим потенциалом;
• проведение технологического и патентного аудита инноваци-
онных разработок;
• охрана различных видов интеллектуальной собственности
научных организаций;
• подготовка лицензионных соглашений, контрактов, договоров
по управлению интеллектуальной собственностью;
• проведение оценки интеллектуального вклада в создаваемые
совместные предприятия;
• правовая помощь в случае нарушения прав патентообладателей
и недобросовестной конкуренции;
• оказание услуг менеджмента создаваемым фирмам для ком-
мерциализации научных исследований и разработок.
В любой форме внедрения научных разработок регулятором
технологических прорывов выступает экономика.

1. Каковы отличительные особенности научных и научно-тех-
нических революций?
2. Каковы главные критерии научно-технической революции?
3. Расскажите о взаимовлиянии фундаментальных и прикладных
наук.
4. «Триумф технологии» и «научно-технический прогресс»: тож-
дественны ли эти понятия?
5. Приведите примеры новых технологий XXI в.
6. Можно ли согласиться с утверждением Дайсона, что «техно-
логия — Божий дар»?
7. Приведите примеры российских технопарков и наукоградов.
С какой целью они созданы?
[1], [20], [39], [90]
ГЛАВА 7
НЕГАТИВНЫЕ ПОСЛЕДСТВИЯ НАУЧНО-
ТЕХНИЧЕСКОГО ПРОГРЕССА И ПУТИ
ИХ ПРЕОДОЛЕНИЯ
Техногенные катастрофы. Проблема Океана. Проблема пресной воды. Проблема

разрушения озонового слоя. Проблема глобального потепления. Проблема загряз-
нения атмосферы. Проблема кислотных осадков. Проблема больших городов.
Проблема отходов. Негативное воздействие электромагнитных излучений. Нега-
тивные последствия виртуальной реальности
Во многой мудрости много печали; и кто умножает

познания, умножает скорбь.
Библия. Ветхий Завет. Книга Экклесиаста.
Гл. 1, ст. 17–18.
Нельзя допустить, чтобы люди направляли на свое

собственное уничтожение те силы природы, которые
они сумели открыть и покорить.
Ф. Жолио-Кюри.
«XXI век будет веком гуманитарной культуры, если он будет

вообще», — эти слова принадлежат известному французскому фило-
софу К. Леви-Стросу. Смысл этих слов состоит в том, что у человека
может не быть будущего, если он не задумается о нем сейчас.
Научно-технический прогресс предстал сегодня во всей своей
полноте в виде нескончаемого процесса покорения природы и
в подчинении ее все возрастающим потребностям человека. Жажда
знаний, заложенная природой в человека, открыв для него безгранич-
ные возможности, привела его, в конечном счете, в тупик. Упорная
вера в губительные последствия интеллектуального честолюбия
присутствовала в человеческом обществе во все века становления
и утверждения науки. Амбиции разума всегда считали причиной
многих бедствий.
Современные технологии не развеяли древний страх перед
достижениями человеческого разума, а, наоборот, сделали их более
вероятными и, быть может, неотвратимыми. Пользуясь достижени-
ями науки, человек уверовал в ее безусловную объективность, в ее
способность решать все назревающие проблемы.
108 Глава 7. Негативные последствия научно-технического прогресса
Сможет ли наука, пребывающая в ореоле непогрешимости,

сохранить успокоенность общества? Чтобы попытаться ответить на
этот вопрос, обозначим наиболее значительные проблемы, вставшие
перед человечеством в XXI в. Глобальный характер эти проблемы
приобрели в XX столетии. Они стали очевидными с наступлением
атомной эры. Человек был втянут в нескончаемую погоню за
материальными благами жизни. «Потребительское общество уско-
ряет процесс деградации природы», — к такому выводу пришел
французский публицист П. Дрази. Человек со времени своего
появления на Земле в сферу своего потребления вовлекал все
доступные ему ресурсы, а в сферу своего влияния — всю биосферу
с ее живым веществом. Человек построил огромные города, про-
мышленные комплексы, проложил дороги и создал многое, что могло
тешить его тщеславие. Но воздух в городах насытился облаками
промышленной пыли и автомобильных газов, реки превратились
в канализационные трубы под открытым небом, а почва, вместо
плодородного гумуса стала представлять собой жалкое больное
образование, заваленное промышленными и бытовыми отходами,
перед которыми беспомощными оказались созданные природой
естественные «чистильщики» — микробы и насекомые. В результате
стали исчезать отдельные виды животных, растений, а люди
приобретали все новые и новые болезни. Проблема выживания
стала общепланетарной.
Обозначим п р о б л е м ы последствий научно-технического про-
гресса:
• техногенные катастрофы;
• загрязнение Океана;
• ухудшение качества пресной воды;
• разрушение озонового слоя;
• глобальное потепление;
• загрязнение атмосферы;
• кислотные осадки и деградация лесов и почв;
• существование больших городов;
• переработка и утилизация отходов;
• негативное воздействие электромагнитных излучений;
• негативные последствия виртуальной реальности.
Техногенные катастрофы. На протяжении всей своей исто-
рии человек сталкивался с природными катастрофами. Но ката-
Глава 7. Негативные последствия научно-технического прогресса 109
строфы, возникающие вследствие техногенной деятельности чело-

века, несравнимы с природными, они в тысячу раз сильнее любого
природного катаклизма.
Авария на Чернобыльской АЭС (1986), грандиозная по своим
смертоносным масштабам, дала свободу радиоактивным элемен-
там. Перенесенные ветром и дождями, они покрыли территорию
площадью 100 тыс. кв. км с населением 800 тыс. чел.
Взрывы метана в шахтах, падения самолетов, столкновения
поездов, обвалы сооружений, аварии на предприятиях — страшные
непоправимые происшествия, уносящие тысячи жизней. Что стоит
за этими жизнями? Недостаточная профессиональная грамотность
специалистов или «допустимые погрешности», а может, элементар-
ная безответственность кого-то?
Причиной этих катастроф является созданная человеком среда
обитания. Подобно человеческому организму, в машинах тоже когда-
то может произойти сбой, и это необходимо предусматривать.
После взрывов атомных бомб в Хиросиме и Нагасаки в 1945 г.
унесших более 200 тыс. жизней, перед человечеством встала
угроза ядерной войны. Но угрозу представляет не только ядерное
оружие, но и все виды вооружения. Большое число локальных
конфликтов на Земле — это не только отсутствие политической
культуры, это трагические особенности современной цивилизации,
научно-технического прогресса и его создателя — Человека.
Проблема Океана. Природа, создав жизнь на Земле, позаботи-
лась, чтобы каждый биологический вид имел свое место и был
нужен в сложной экосистеме. Таким образом, в выстроенной
биологической пирамиде, которую венчает Человек, более половины
составляют морские организмы. Если они погибнут, то пирамида
обрушится.
Промышленные комплексы дают колоссальное количество жид-
ких и твердых отходов, которые сбрасываются в водоемы, загрязняя
сначала реки, а затем моря и океаны. Загрязнение воды происходит
тремя агентами: биологическим, химическим, радиоактивным.
Биологическое загрязнение происходит в основном через кана-
лизационные трубы.
Химическое загрязнение происходит посредством агентов — угле-
водородов, детергентами (моющими средствами) и инсектицидами
(химическими средствами борьбы с вредными насекомыми). Наибо-
лее распространенными и наиболее опасными агентами загрязнения

являются углеводороды. При авариях и катастрофах нефтяных
танкеров в море ежегодно выливаются сотни тысяч тонн нефти. Еще
больше нефти попадает в море с балластной водой, сбрасываемой
танкерами. Балластная вода необходима для сохранения загрузки
и остойчивости танкера после выгрузки нефти в обратном рейсе.
Широко развивается добыча нефти из моря. Интенсивное бурение
скважин тоже усиливает угрозу загрязнения моря нефтью. Нефтяное
загрязнение является грозным фактором, влияющим на жизнь
Мирового океана.
Радиоактивное загрязнение может происходить посредством
твердых продуктов распада, опустившихся на среднюю или боль-
шую глубину, либо посредством сточных вод, изливающихся из
канализационных систем и перенесенных в море реками, либо
радиоактивных осадков, выпавших после взрывов атомных бомб.
Миллионы лет сама природа сбрасывала в Океан отбросы и сама
перерабатывала их. Но перед сбросами отходов мировой индустрии
в Океан за последние десятилетия, природа оказалась бессильной.
Она их никогда не знала. Почему же фильтрующая система Океана
не может действовать в наше время так же эффективно, как раньше?
Человек технической эры производит материалы, которых в природе
не было. Производство материалов, не поддающихся разложению,
началось недавно, и оно неудержимо растет.
В силу своей потребности в солнечном свете, минеральных солях,
доставляемых реками, около 90% всех морских организмов обитают
в прибрежной зоне, в так называемом континентальном шельфе.
Но именно в прибрежной зоне присутствуют все виды загрязнений.
Убивая планктон, человек убивает рыбу и резко сокращает запасы
необходимого протеина. Более того, при гибели морского планктона
запасы доступного животным и человеку кислорода сократятся
больше чем на половину. А если учесть, что площадь лесов
и зеленых угодий быстро сокращается под натиском урбанизации,
то перспектива становится еще печальнее: мертвый Океан — мертвая
планета.
Проблема пресной воды. Источниками пресной воды являются:
осадки, реки и озера, артезианские скважины, ледяной покров.
За последние сорок лет водные системы многих стран оказались
серьезно расстроенными. Ухудшение качества воды обусловлено
прежде всего недостаточностью и несовершенством очистки загряз-

ненных природных вод в связи с ростом объемов промышленных,
сельскохозяйственных, хозяйственно-бытовых стоков.
Проблема разрушения озонового слоя. Озоновый слой, распо-
ложенный на высоте 25±5 км, поглощает опасное для всех живых
существ биологически активное излучение. Разрушение озонового
слоя обнаружено и над Антарктикой, и над Арктикой.
Называют несколько причин истощения озонового слоя, самой
популярной из которых стала «фреоновая».
Фреоны (хлорфторуглероды) широко используются в качестве
хладоагентов, вспенивателей пластмасс, газов в аэрозольных бал-
лончиках, средств пожаротушения и т. д. Воздействие хлор- и фтор-
углеродов на озон приводит к распаду его молекул в процессе их
соединения с хлором или фтором.
Существует также гипотеза появления «озоновых дыр», осно-
ванная на взаимодействии озона с потоками водорода и метана,
поступающего в атмосферу через разломы в земной коре. Впо-
следствии было также установлено, что много озона уничтожается
ракетными двигателями современных самолетов, летающих на
больших высотах, а также при запусках космических кораблей
и спутников.
Нужны детальные исследования для нахождения причин воз-
никновения озоновых дыр, а также нахождения способов искус-
ственного восстановления прежнего содержания озона в страто-
сфере.
Проблема глобального потепления. Парниковый эффект обу-
словлен нагревом внутренних слоев атмосферы за счет поглощения
газами (в основном CO2 ) основной инфракрасной части излучения
поверхности Земли, нагреваемой Солнцем. Основным источником
увеличения количества углекислого газа являются топки тепловых
электростанций, автомобильные двигатели, лесные пожары и др.
Результатом глобального потепления станет повышение уровня
Мирового океана и затопление низменных участков суши из-за
таяния арктических и антарктических льдов.
Ученые ищут оптимальные пути выхода из сложившейся си-
туации. В 2005 г. вступил в силу Киотский протокол, предусмат-
ривающий снижение выбросов в атмосферу промышленных газов,
вызывающих парниковый эффект. Но несмотря на принятие этого
международного документа, ученые и политики не пришли к еди-

ному мнению — действительно ли грозит человечеству глобальное
потепление.
Проблема загрязнения атмосферы. Пагубное влияние на ка-
чество атмосферы, поверхностных и грунтовых вод оказывают
предприятия цветной металлургии, энергетики, нефтехимической
и горнодобывающей промышленности, работа которых сопровож-
дается выбросом тяжелых металлов (свинец, хром, ртуть, никель,
кобальт, медь и др.) сверх установленных нормативов. В крупных
промышленных регионах их содержание во всех средах превышает
допустимую норму в десятки раз. Следствием этого являются
заболевание человека и гибель растительности.
Техногенные выбросы в атмосферу образуются в результате:
• сжигания угля и нефти, природного газа на тепловых элек-

тростанциях;
• перегонки нефти (факелы на нефтеперерабатывающих заво-
дах);
• работы промышленных предприятий, особенно химических;
• работы автотранспорта.
Несмотря на способность атмосферы к самоочищению, кон-

центрация вредных веществ нередко во многих районах дости-
гает уровней, превышающих предельно допустимые концентрации
и представляет угрозу для всех живых организмов и человека.
От 45 до 80% всех выбросов поставляет в атмосферу авто-
транспорт. Специалисты установили, что один легковой автомобиль
ежегодно поглощает из атмосферы более 4 т кислорода, выбрасывая
с отработанными газами 800 кг оксида углерода, около 40 кг
оксидов азота и почти 200 кг различных углеводородов. В масштабе
города цифра получается впечатляющая. К этому следует добавить
взвешенную в воздухе асфальтную пыль, появившуюся вследствие
износа асфальта.
Степень угрозы от чрезмерной автомобилизации огромна. По-
этому единственным решением энергетической проблемы автомо-
бильного транспорта является переход на альтернативные виды
топлива. Среди таковых особое место занимают спирты, в частности,
метанол и этанол. Широкое распространение получила идея исполь-
зования водорода в качестве альтернативного топлива. Водород —
самый распространенный в природе элемент, его экологические

преимущества доказаны в ходе различных испытаний.
Проблема кислотных осадков. Кислотные осадки образуются
главным образом в результате взаимодействия паров воды с окси-
дами серы и азота, которые являются основными промышленными
загрязнителями атмосферы.
Проблема кислотных дождей становится глобальной вследствие
движения осадков из мест образований в другие районы страны.
Пагубными последствиями кислотных осадков являются:
• утрата рыбных ресурсов;
• усиление дефицита пресной воды;
• коррозия металлов;
• заболевания человека;
• деградация лесов и растительности.
Создание замкнутых циклов производства (безотходное произ-
водство), разработка и внедрение очистных сооружений, ликвидация
загрязнения от выхлопных газов автомобилей посредством замены
бензина другими видами топлива и т. д. — все это способы снижения
выбросов в атмосферу, а значит и уменьшения угрозы, которую
несут кислотные осадки.
Проблема больших городов. В начале XIX в. по подсчетам
французских географов насчитывалось лишь 750 городов (в эти
подсчеты вошли населенные пункты с числом жителей свыше пяти
тысяч). В 1950-м г. городов было 27 600. В последней трети
XX в. доля городского населения составила не менее 30% общей
численности населения Земли. При этом в высокоразвитых странах
более 50% — жители городов, а в некоторых странах доля горожан
превышает 75%.
Количество городов постоянно увеличивается. Города стали
основным очагами загрязнения окружающей среды. Урбанизация
влечет за собой проблемы, негативный характер которых становится
очевидным:
• постоянное уменьшение площадей, пригодных для сельского
хозяйства;
• изменение структуры городских грунтов вследствие воздей-
ствия массы зданий и сооружений;
• изменение водяного баланса атмосферы вследствие повыше-
ния температуры воздуха и увеличение массы выпадающих
осадков, значительная доля которых не уходит в почву,

а остается на поверхности;
• запыленность, загазованность, уменьшение доли кислорода
в атмосфере;
• увеличение содержания в воздухе вредных химических ве-
ществ;
• снижение фона ультрафиолетовой части солнечной радиации;
• повышение уровня шума;
• уничтожение «зеленой защиты» — деревьев, кустарников
и «островков спасения» клумб и газонов;
• увеличение количества промышленных и бытовых отходов
около городов (создание свалок и замусоренных территорий).
В город-миллионер в год поступает 29 млн т (без учета воды
и воздуха) различных веществ, создающих при транспортировании
и переработке значительное количество отходов, часть из которых
оказывает отрицательное воздействие на объекты окружающей
среды. В биосферу попадают агенты, способные проникать в клетки
и поражать в них молекулы ДНК. Эти агенты назвали му-
тагенами среды. Мутагены1) , попадая в организм, включаются
в цепи метаболических превращений, затем активизируются. Ради-
ационные, химические, биологические мутагены, накапливающиеся
в биосфере, представляют опасность для человека. Загрязнение
среды мутагенами ведет к отрицательным необратимым изменениям
в наследственности человека и обеднению видового состава живых
организмов в дикой природе.
Использование результатов научных исследований должно «смяг-
чить» негативные последствия урбанизации. Большие надежды
возлагаются на возрождение флоры и фауны больших городов.
К. А. Тимирязев говорил, что одни гектар древесных насаждений
обеспечивает здоровье тридцати человек. Полосы растительности
уменьшают общее загрязнение воздуха на 25–40%, а микробов ста-
новится меньше на 19–44%. Шум на улице, засаженной деревьями,
уменьшается на 14–15 дБ. При строгом соблюдении требований
биокомплекса города можно обеспечить нормальное существование
в нем человека. В городах должны располагаться производства,
1)
Мутагены — физические и химические факторы, вызывающие стойкие наслед-
ственные изменения (мутации).
приносящие минимум вреда, кроме того, должна быть решена

проблема утилизации отходов.
Проблема отходов. Научно-технический прогресс, сделавший
проживание человека более комфортным, принес ему немало
проблем, связанных с деятельностью современного производства,
торговлей и потреблением (загрязнение природной среды промыш-
ленными и бытовыми отходами).
В XX в. человек существенно расширил количество исполь-
зуемых им металлов, стал производить синтетические волокна,
пластмассы и другие вещества искусственного происхождения. Их
количество постоянно растет. Эти материалы вредны для организмов
биосферы. Они накапливаются и могут столетиями оставаться вне
природного кругооборота.
У природы не существует проблемы отходов: каждый год
опадают с деревьев листья, отмирают травы, гибнут животные, —
и весь этот органический «мусор» быстро разрушается, создавая
плодородный слой почвы (гумус). Жизнедеятельность человека
также должна быть основана на безотходной технологии.
Проблема переработки скопившихся отходов стала в совре-
менных условиях первоочередной. Поэтому по мере развития
современного производства с его масштабностью и темпами роста
особо актуальными становятся разработки и внедрение мало-
и безотходных технологий.
Безотходная технология — это такой способ производства про-
дукции, при котором все сырье и энергия используются наиболее
рационально и комплексно в цикле «сырьевые ресурсы — производ-
ство — потребление — вторичные ресурсы». Подобная технология не
нарушает нормального функционирования природной среды.
Под малоотходным производством следует понимать такое
производство, результаты которого при воздействии на окружающую
среду не превышают уровня, допустимого санитарными нормами.
Отходы производства и потребления являются вторичными ма-
териальными ресурсами и при разработанной для этого технологии
могут вторично быть использованы.
Безотходные производственные комплексы должны сопровождать
производство. Но в рамках отдельно взятой технологии добиться
значительной утилизации отходов можно в редких случаях — когда
отходы практически не отличаются либо от исходного сырья, либо
от готовой продукции (чаще приходится иметь дело с отходами,

которые нельзя использовать на том же предприятии, где они
образовались).
Сегодня технические возможности позволяют извлекать из отхо-
дов многие полезные вещества. Более того, некоторые виды сырья
выгодней извлекать из отходов, чем из природных месторождений:
например, такие ценные материалы, как германий, селен и дру-
гие тяжелые металлы легче получать из золы металлургических
предприятий.
В Российской Федерации ежегодно образуется 7 млрд т отходов,
при этом вторично используется только 2 млрд т, т. е. 28%. Более
полное и комплексное использование сырьевых ресурсов и техно-
логических отходов позволит создать малоотходное и безотходное
производство.
Идеальное производство — производство с полной переработкой
и вторичным использованием всех отходов, но это трудоемко, до-
рого, нерентабельно. Поэтому большинство промышленно развитых
стран предпочитают захоронение отходов на суше или в море.
Сброс отходов в море (дампинг) начался давно. Особую
опасность представляют сброс химических отходов и радиоак-
тивных веществ. Сброс радиоактивных веществ в море начался
с промышленной разработки ядерных материалов. Международное
агентство по атомной энергии выступило против захоронения
отходов с высокой радиоактивностью в Океан. Теперь стремятся
заложить радиоактивные отходы поглубже на суше: в старых штоль-
нях и шахтах, предварительно заключив в капсулы. Воздействие
токсичных загрязняющих веществ на морские организмы ставит
под угрозу их существование, а следовательно и существование
всего человечества. Поэтому необходим контроль за захоронением
радиоактивных и токсичных веществ со стороны международных
организаций.
Одна из наиболее острых проблем — проблема утилизации бы-
товых отходов. Захоронение отходов осталось в числе наиболее
«популярных» методов решения этой проблемы. Примерно две трети
отходов бытового и производственного происхождения складиру-
ются в хранилищах-свалках. Захоронение отходов имеет негативные
последствия: отравление больших площадей почвы, загрязнение
грунтовых вод, нанесение вреда окружающей среде в результате
химических, биологических реакций вредных веществ. Ежегодно

в Российской Федерации образуется 140 млн куб. м твердых бытовых
отходов (ТБО). Около 10 000 га пригодных земель отчуждены для
размещения ТБО, не считая множества «диких» свалок. Проблема
переработки ТБО в России практически не решается.
Любое новое изделие, создаваемое человеком, рано или поздно
пополнит грандиозную свалку изделий цивилизации. Поэтому, созда-
вая каждый новый продукт, необходимо сразу же предусматривать
замкнутый цикл его переработки.
Негативное воздействие электромагнитных излучений. К пе-
речисленным проблемам, возникшим в связи с техническим пе-
ревооружением общества, следует добавить назревающую про-
блему последствий информатизации человечества. Это не только
ограниченные природные возможности человека в усвоении ин-
формации, но и влияние электромагнитных излучений приборов
на организм человека. Сформировался новый негативный фактор
окружающей среды — электромагнитные поля. Сфера проживания
человека пронизана электромагнитными излучениями, исходящими
от компьютеров, телевизоров, телефонов, микроволновых печей
и т. д. Рабочие параметры этих приборов регламентируются раз-
личными документами, но сам факт воздействия на организм
человека излучений этих объектов имеет место, а потому необходимо
дальнейшее изучение воздействия излучений на организм человека.
Некоторые специалисты относят электромагнитные поля к сильно
действующим экологическим факторам, имеющим катастрофические
последствия для всего живого.
Негативные последствия виртуальной реальности. ХХI век
резко обозначил проблему взаимоотношений человека и средств
информационно-технических коммуникаций, последствия которой не
замедлили проявиться. Многоканальное телевидение, компьютерные
игры, интернет заняли в жизни людей значительное место, потеснив
не только прежние формы досуга — спорт, чтение, общение по
интересам, но и изменив сам уклад жизни. Самой незащищенной
от «виртуального вируса» оказалась молодежь. Многие дети теперь
почти не общаются: не ходят друг к другу в гости, не гуляют
на улице, мало читают, не мастерят, не играют в подвижные
игры. Все свободное от школы время дети проводят в виртуальном
мире. Результатом «беготни» по каналам телевидения, «стрелялок»
в виртуального противника, «гонок» по виртуальному шоссе ста-

новится потеря здоровья: ухудшение зрения, расстройство нервной
системы, вплоть до психического расстройства. Человек постепенно
начинает уходить от реальности, теряя генетически заложенную
в него способность общаться с другими людьми, строить свою
жизнь в соответствии со всей палитрой данных человеку чувств:
любви, радости, творчества и т. д. Виртуальный мир порабощает
человека.
Мы пришли к выводу, что вряд ли можно назвать «триумф
технологии» благом. Наука прошлого породила научно-технический
прогресс со всеми его «плюсами» и «минусами». Наука XXI в.
должна найти решение возникших экологических проблем и вывести
человечество из тупика. Новая эпоха требует нового мышления,
нового сознания, в котором должно произойти слияние духовного
опыта с наукой.

1. Какие проблемы несут блага цивилизации?
2. Перечислите основные проблемы, связанные с научно-техни-
ческим прогрессом.
3. Что нужно предпринять, на ваш взгляд, чтобы затормозить
рост негативных последствий научно-технического прогресса?
4. Почему ученые не всегда единодушны во взглядах на будущее
человечества?
5. Почему в производстве товаров не предусмотрена утилизация
их отходов?
6. Чем можно компенсировать вредное воздействие негативных
факторов на организм?
7. Почему в экологической цепи главная роль принадлежит
Океану?
8. Расскажите о проблемах, возникших в связи с развитием
телекоммуникационных технологий.
[9], [27], [30], [93]
ГЛАВА 8
НЕОФИЦИАЛЬНАЯ НАУКА
Многообразие моделей объективной реальности, их противостояние и эво-

люция
То, что мы знаем, ограничено, а то, чего мы не

знаем, — бесконечно.
П. Лаплас
Человек должен верить, что непонятное можно понять;

иначе он не стал бы размышлять о нем.
В. Гете
Нельзя доказать, что явление отсутствует, можно

только утверждать, что оно не обнаружено.
А. Мигдал
Исторический опыт показывает, что на рубеже веков возрас-

тает интерес к мистике. И мы должны согласиться с этим
утверждением: увеличилось количество книг по так называемым
«эзотерическим знаниям», интерес к необычному, нематериальному,
сверхъестественному появился не только у простого обывателя, но
и у «остепененных» ученых мужей.
В чем причина? С распадом Советского Союза потерпели крах
коммунистические идеалы, в которые верила немалая часть нашего
народа. В течение долгих лет насаждался атеизм. Сознание образо-
ванного человека не готово вернуться к христианскому учению, хотя
и не отвергает его. Человек находит объяснение происходящему
с ним и вокруг него в эзотерике. Видимое примирение науки
и религии, нашедшее отражение в эзотерических рассуждениях,
привлекает своей кажущейся простотой и логикой. Появился интерес
к экстрасенсам, шаманам, колдунам, древним учениям, интерес ко
всему новому, необычному, а также ко всему тому, что раньше не
признавалось, было недоступно и запрещено. Но в этом ли только
заключена проблема?
120 Глава 8. Неофициальная наука
Имели ли место околонаучные знания в научном поиске ученых?

• Пифагор отстаивал идею переселения души. Он утверждал,
что помнит три своих переселения души за 205 лет, помнит
факты из предыдущих жизней.
• Сократ был одним из первых философов, выдвинувших
гипотезу бессмертия души.
• Кеплер занимался составлением астрологических прогнозов.
Основным источником средств его существования было со-
ставление гороскопов.
• Декарт свое «чудесное открытие» — аналитическую геометрию
сделал, как он считал, после посланных свыше снов, за что
им был дан обет поклонения Лореттской Богоматери.
• Гаусс пришел к выводу, что «наряду с этим материаль-
ным миром существует еще чисто духовное мироустройство,
с такими же многоразличиями, как и то, в котором мы
живем — к нему-то мы и должны быть сопричислены». Он
был убежден, что жизнь человека не кончается с его смертью.
• Лейбниц был принят в общество герметистов, которые
следовали учению Гермеса Трисмегиста — основателя алхимии,
астрологии, оккультизма.
• Ньютон занимался теологией. Он, как и Декарт, использовал
понятие Бога при построении научных теорий.
• Паскаль был величайшим религиозным мыслителем.
• Планк при формировании новых научных гипотез не отвергал
божественное начало мира.
Почему же столь авторитетные ученые, чтя Бога, проходили
в своих изысканиях через оккультовые, или, как их сейчас
называют, эзотерические знания? В поисках истины нет проторенных
дорог, пути науки пролегают через заросли ложных и истинных
умозаключений, мистику, эзотерику, квазинауку. Эти знания не
препятствуют познанию мира, скорее, заставляют ученых мыслить
глубже и объемнее.
«Толковый словарь по оккультизму, эзотерике и парапсихологии»
[117] дает следующие определения.
• Эзотерика — наука о тайном, скрытом от нас самих; объект
ее изучения — внутренние процессы, происходящие во Все-
ленной и глубине человеческой души.
Глава 8. Неофициальная наука 121
• Мистика (греч. «таинство») — вера в сверхъестественные

силы.
• Оккультизм (лат. «тайный») — название учений, основанных
на признании вневременных и внепространственных связей
между всеми элементами мира.
• Квазинаука — не признанная официальной наукой, но имею-
щая исторический опыт, форма исследования реальности.
• Лженаука (псевдонаука) — разновидность квазинауки.
Квазинауками считают алхимию, астрологию, уфологию и дру-
гие учения, претендующие на научность. Отвергать их нельзя.
Тернистый путь квазинаук в свое время привел к поразительным
результатам.
Алхимию нельзя назвать наукой, поскольку неотъемлемой ее
частью были «тайные силы». Алхимики в XVI в. уже не так
старательно искали философский камень, они были озабочены
поиском препаратов для лечения болезней. Это стало зарождением
химии.
Астрология — наука о звездах, небесных телах, неизменные
законы движения которых позволяют описывать изменчивый поток
жизни. Популярность астрологии, вплоть до сегодняшнего дня, объ-
ясняется неугасающим интересом людей к прогнозированию судеб,
событий, явлений. Астрологическое прогнозирование предупреждает
человека о его трудных жизненных периодах. По мнению астрологов,
их наука помогает человеку понять себя и окружающих его людей.
Сейчас в поле зрения астрологов находится возрастная эволюция
человечества.
Уфология — научное направление, изучающее генезис и воздей-
ствия на биотехносферу Земли и другие пространства Вселенной
неизвестных форм разумной жизни, обнаруживших себя в НЛО
и связанных с ними антропоморфных и других феноменах. Уфология
возникла в эпоху космических полетов. Она появилась при попытке
объяснить аномальные явления, происшедшие и происходящие
на Земле. Любые аномальные явления должны входить в сферу
интересов конкретных наук. Но официальная наука оказалась не
готова к исследованиям аномальных явлений и, как результат,
спонтанно родилась уфология. Уфология не обладает необходимым
перечнем свойств и методов, которые бы позволили ей стать
научной дисциплиной, а именно: отсутствие определенного предмета
исследований, невозможность построения базовой теории. В насто-

ящее время уфологи имеют целую сеть научно-исследовательских
центров практически во всех развитых странах мира. Существует
«КОСМОПОИСК» — международное движение и общероссийское
общественное научно-исследовательское объединение, исследующее
криптофизические аномальные явления.
Конец XX — начало XXI в. — это период стремительного взлета
научной мысли. В 1900 г. в мире было 100 тыс. ученых, сейчас —
5 млн. Научное знание содержит более 15 тыс. научных дисци-
плин. Кроме того, существуют направления исследований, которые
находятся за рамками официальной науки, например:
• управление энергетическими потоками человека — система

ДЭИР (Д. Верещагин);
• кармическая диагностика (С. Н. Лазарев; А. Свияш);
• гипотеза создания Мира (Д. Мельхиседек);
• расшифровка символов снов (А. Менегетти);
• считывание информации при помощи торсионных полей
(Г. И. Шипов);
• поиск «цивилизаций» (Э. Р. Мулдашев).
Современная эзотерика апеллирует к науке, провозглашая прин-

цип единства науки, религии и философии. В основе эзотерического
миропонимания — лежит энергетика. Энергетика определяет чувства,
стремления, действия человека. Особенно популярна теперь концеп-
ция энергоинформационного поля Вселенной. Знания и информация,
накопленные человечеством хранятся в этом поле. Существованием
энергоинформационного поля эзотерика объясняет существование
явлений спиритизма, ясновидения, пророчеств. Какие из множества
тайн мироздания удастся правильно разгадать ученым, а какие
останутся в разряде квазинаучных или эзотерических?
Квазинаука имеет право на существование при наличии по-
знавательной проблемы, не решенной научными дисциплинами.
Внутри самих научных дисциплин нередко также рождаются
необоснованные толкования на уровне мифов.
Физики, заявив о себе со всей полнотой в конце XIX в. и захватив
лидирующие позиции в XX в., удерживают их по сей день. Не
случайно 2005 г. был объявлен годом физики. Именно физики
наиболее активно реализуют свои гипотезы, отстаивая их право

на существование.
• Австралийский физик Реджинальд Кэххилд считает, что Все-
ленная устроена так же, как головной мозг человека. Ей
изначально присуще сознание. Она развивается потому, что
сознает себя. Все ее структуры — от микрочастиц до макро-
миров это подобие нейронов, составляющих мозг человека.
• Советский физик Дмитрий Верещагин утверждал, что мир
насквозь пронизан энергией, сущность мира — энергоинфор-
мационная. Сознание человека относится к энергоинфор-
мационному миру. Первооснова всей жизни — это единое
энергоинформационное поле Вселенной. Причина болезней,
страданий и проблем человека — в неправильной циркуляции
энергии в человеческом организме.
• Российский физик Г. И. Шипов решил проверить идею акаде-
мика Д. И. Сахарова о возможности математического описания
сложных психических процессов в рамках геометризирован-
ных уравнений А. Эйнштейна. Так родилась новая фундамен-
тальная теория физического вакуума, открывшая три новых
состояния материи (уровней реальности): физический вакуум;
первичные торсионные поля (в привычном понимании — пси-
хическая энергия); Абсолютное Нечто, из которого рождается
Все (Абсолют, Высший Разум, Бог).
• Американский физик Друнвало Мельхиседек на основе «са-
кральной геометрии» — учения о формах, которые лежат
в основе существа человека и свидетельствуют о Боже-
ственном порядке в нашей Реальности, выдвинул гипотезу
создания Мира. Он раскрывает тайну Творения через объекты
материальной культуры древнейших цивилизаций.
Сенсационными стали открытия торсионных полей Г. И. Шиповым
и др. и версия Друнвало Мельхиседека о создании Мира.
Идея торсионных полей Шипова состоит в следующем. Торсион-
ные поля есть везде, где есть вращение. Электроны вращаются во-
круг ядра атома, ядро — вокруг своей оси, планеты — вокруг Солнца.
Любой объект живой или неживой материи можно рассматривать
как источник генерации торсионного излучения и как приемник
торсионных полей. На этом принципе основан радиэстезический
эффект (ради (лат.) — волны, эстезис (греч.) — чувство, ощущение),
который известен как лозоходство с VIII тысячелетия до н. э. Лозу

использовали при поиске полезных ископаемых, в строительстве,
военном деле. Радиэстезический эффект в свете современных
научных представлений основан на связи человека с его внутренним
«биокомпьютером» через хромосомный аппарат с помощью речи.
Следует заметить, что многие современные ученые не принимают
гипотезу торсионных полей и пытаются доказать ее научную
несостоятельность.
Друнвало Мельхиседек в своих книгах [42] привел схему Творе-
ния, ее геометрический план — Цветок Жизни. Свои представления
Друнвало Мельхиседек основывает на анализе многочисленных
древних надписей и рисунков египетских храмов и пирамид. Он
работал с рисунками Леонардо да Винчи; изучая рисунок канона
человека, сделал вывод о том, что Леонардо да Винчи являлся
первым человеком, разгадавшим пропорции Цветка Жизни. Этим же
путем, — считает Друнвало Мельхиседек, — шел Пифагор. Друнвало
Мельхиседек пишет о Гондване, Атлантиде, Лямурии, о появлении
человека на Земле. Он дает обоснование феномену Бермудского
треугольника.
Современные ученые постоянно пытаются разгадать древние
тайны.
На том месте, где по предположениям, находится Атлантида,
проходят горные хребты и отмечаются крупные магнитные ано-
малии. Но однозначного мнения в ученом мире о существовании
и судьбе Атлантиды пока не существует.
Гипотеза о пришествии инопланетян на Землю при тщательном
анализе не согласуется с истиной, но и гипотеза случайного
зарождения жизни на Земле встречает серьезную критику. Изучение
Бермудского треугольника по двухгодичной интернациональной
программе исследований района аномалий в 1980-х гг. не выявило
ничего загадочного и мистического.
Как в переплетении вымыслов, догадок, гипотез, интуитивных
прозрений увидеть путь к истине? Где та грань, которая отделяет
науку от «околонаучных теорий»?
И вправе ли давать ответы те, кто берет на себя эту смелость?
Вспомним, все ли открытия ученых были мгновенно приняты
в научных кругах? Иногда на «прозрение» уходили века. Примеры
тому — система строения Вселенной, предложенная Коперником,
изобретения Леонардо да Винчи, теория относительности Эйн-

штейна и, наконец, «лженауки» — генетика и кибернетика, совер-
шившие переворот в научных взглядах и изменившие облик нашей
цивилизации.
Размытость границ между официальной наукой и «околонауч-
ными теориями» подтверждает теорема Гёделя, в формулировке
которой уже усматривается неопределенность. Смысл этой теоремы
состоит в том, что всякая достаточно мощная формальная непро-
тиворечивая логико-математическая система обязательно содержит
формулу, которую в данной системе нельзя ни доказать, ни опро-
вергнуть. Иначе говоря, если имеем систему аксиом: A1 , A2 ,. . . , An ,
то в этой системе можно сформулировать утверждение B0 , которое
невозможно ни доказать, ни опровергнуть при помощи данной
системы аксиом. Однако может оказаться, что при добавлении
к имеющейся системе аксиом некоторой аксиомы An+1 станет
возможным доказать или опровергнуть предложение B0 . Но и в этом
случае обязательно найдется хотя бы еще одно утверждение B1 ,
которое невозможно ни доказать, ни опровергнуть при помощи уже
расширенной системы аксиом. Систему нужно снова расширять
и т. д. Так, геометрия Лобачевского содержит в себе геометрию
Евклида, а из теории относительности Эйнштейна, как частный
случай, следует ньютоновская механика.
«Нам следует привыкнуть понимать науку не как „совокупность
знаний“, а как систему гипотез, т. е. догадок и предвосхищений,
которые в принципе не могут быть обоснованы, но которые мы ис-
пользуем до тех пор, пока они выдерживают проверки, и о которых
мы никогда не можем с полной уверенностью говорить, что они
„истинны“, более или менее „достоверны“ или даже „вероятны“» —
это слова известного австрийского и английского философа, логика,
социолога и науковеда Карла Поппера (1902–1994).
При наличии предмета исследования истинность гипотез должна
подтвердить э м п и р и ч е с к а я п р о в е р к а, которая предпо-
лагает принцип верификации и принцип фальсифицируемости.
Принцип верификации действует только при условии, если понятие
или суждение сведено к непосредственному опыту. Принцип фальси-
фицируемости научных положений строится не на подтверждении,
а на опровержении гипотез, на изгнании вымыслов и доводов,
кажущихся верными.
Отсюда вывод. Наука из «кладбища гипотез» (Пуанкаре)

превращается в истинную науку только при прохождении всех
методологических тестов, а потому имеют право на существование
любые знания.

1. Что такое эзотерика?
2. Приведите примеры квазинаук?
3. Имеет ли право на существование квазинаука?
4. Как отличить науку от лженауки?
5. Чем обусловлен интерес к мистике?
6. Возможен ли переход квазинауки в науку?
7. Какое отношение имеет теорема Геделя к эзотерическим
теориям?
[12], [42], [74], [98], [117], [125], [132]
ЧАСТЬ II
СОВРЕМЕННЫЕ МЕТОДЫ
ПОЛУЧЕНИЯ НАУЧНЫХ ЗНАНИЙ
Знание только тогда знание, когда оно приобретено

усилиями своей мысли, а не памятью.
Л. Н. Толстой
Всякое знание исходит из наблюдения и опыта.

О. Сент-Бёв
Мудрость есть дочь опыта.

Леонардо да Винчи
В каждой частной науке на определенном этапе ее развития начи-

нается процесс математизации. Как утверждал И. Кант, в каждой
области знания столько науки, сколько в ней математики. Математике
принадлежит первенство в осуществлении перехода к научному
познанию мира.
В своем применении математика универсальна. Она буквально
пронизывает все сферы человеческой деятельности. Являясь порож-
дением мышления человека, математика блестяще количественно
обрабатывает и обосновывает любое эмпирическое суждение, любую
появившуюся гипотезу. Математика обеспечивает другие науки стро-
гим количественным языком. Математические методы составляют
основу количественной оценки и количественного анализа всех
научных исследований.
Процесс формирования математических знаний имеет богатую
историю. Его условно подразделяют на несколько п е р и о д о в:
• начальный период, когда происходит накопление исходных
математических представлений (до VI в. до н. э.);
• период математики постоянных величин (VI в. до н. э. —
ХVI в.);
• период математики переменных величин ( ХVII— ХVIII вв.);
• современная математика (с ХIХ в. по настоящее время).
Начальный период относится к математическим представ-
лениям первобытных народов. Математика этого периода была
бездоказательной и доступной очень узкому кругу лиц.
128
Период математики постоянных величин. Математика была

теоретической. Создавался фундамент математических дисциплин,
математика решала конкретные задачи. Основы арифметики, ал-
гебры, геометрии и даже будущего математического анализа имеют
свои истоки в этом времени.
Период математики переменных величин. Математика
XVII—ХVIII вв. знаменовала появление других типов задач и прин-
ципиально новых методов их решения. Промышленная револю-
ция XVII в. дала толчок дальнейшему развитию математики —
созданию высшей математики: математического анализа, аналити-
ческой геометрии (Лейбниц, Ньютон, Декарт, Ферма и др.). Шел
процесс математизации знаний. Развитие механики и астрономии
обусловило развитие математического анализа. Галилей и Ньютон
применили математику в механике. Математические знания стали
использоваться не только в технике, производстве, теоретическом
естествознании, но и коснулись всех сфер жизни общества. К при-
меру, появление теории вероятностей связывают с вычислениями
случайностей в азартных играх. Получили дальнейшее развитие
геометрия и алгебра. Проблемы геометрии были преобразованы
Декартом в проблемы алгебры благодаря установлению соответствия
между геометрическими и алгебраическими понятиями. В алгебре
делались попытки найти способ решения уравнений произвольной
(четвертой и выше) степени.
Современная математика. Возможность и необходимость
использования математики для решения практических задач, с кото-
рыми постоянно сталкивается человек в реальной жизни, заставили
задуматься об облегчении математических расчетов. Создание
в середине ХХ в. электронно-вычислительных машин стало одним
из выдающихся достижений в истории человечества. Дальнейшее
развитие математики, связанное с применением вычислительной
техники, позволило решать задачи во всех областях науки.
«ЭВМ изменили подход к применению математики как метода
исследования. Они вызвали переориентацию многих сложившихся
направлений математики и развитие ряда новых», — отмечал акаде-
мик А. Н. Тихонов [116]. С развитием математики и вычислительной
техники появились новые области математики: математическая
физика, вычислительные методы, автоматизация научных исследо-
ваний, вычислительные технологии и моделирование, нелинейные
129
динамические системы и процессы управления, оптимальное управ-

ление, системный анализ, математическая статистика и исследование
операций, математические методы прогнозирования, математическая
кибернетика, автоматизация систем вычислительных комплексов,
алгоритмические языки, системное программирование, открытые
информационные технологии, компьютерная графика и мультиме-
диа, математические проблемы компьютерной безопасности и др.
С появлением диалога между математикой и ЭВМ открылись
новые возможности их использования во всех сферах человеческой
деятельности. Математическое моделирование с последующим ма-
шинным (вычислительным) экспериментом стало одним из главных
направлений в исследовании сложных систем, в котором ключевая
роль принадлежит современному математику.
Компьютерные технологии в последнее время развиваются
невероятно быстро. Всеобщая математизация и компьютеризация
продолжают нас удивлять. Научно-техническая революция наших
дней дала возможность перепоручить электронным помощникам те
функции, которые ранее всегда составляли прерогативу интеллекту-
альной деятельности человека. Сегодня машины решают задачи со
скоростью и точностью, во много раз превосходящими человеческие
способности. В настоящее время проблемой, возникшей в сфере
компьютеризации, является создание искусственного разума, а не
просто машин для расчетов и переработки информации. Речь
идет о возможностях создания машинного понимания, чтения,
осмысления, т. е. о том, что называют «искусственным интеллектом».
Современное состояние исследований в области искусственного
интеллекта характеризуется большой активностью. Как исследова-
тельская программа искусственный интеллект представляет собой
конгломерат различных дисциплин, которые пытаются разрешить
проблемы, встающие при создании этого почти фантастического
помощника человека.
ХХ в. называют веком всеобщей математизации. В ХХI в. мы
наблюдаем интенсификацию этого процесса. Математизация знаний
стала инструментом сближения наук, в которых применяются одни
и те же математические методы. Ученые убеждены, что роль
математики в частных науках по мере их развития будет возрастать.
По мнению академика А. Б. Мигдала, «. . . в будущем в математике
возникнут новые структуры, которые откроют новые возможности
130
формализовать не только естественные науки, но в какой-то

мере и искусство». В поиске этих структур задействованы все
математические методы, самым действенным из которых является
метод математического моделирования.
Сегодня метод математического моделирования стал одним из
основных и самых эффективных инструментов получения новых
знаний в самых разных научных областях. Во второй половине XX в.
широкое распространение получили компьютерные математические
модели, основанные на решении краевых задач математической фи-
зики. В течение последнего десятилетия для создания компьютерных
математических моделей стал активно применяться новый подход,
основанный на идеях и технологиях искусственного интеллекта.
Новым перспективным инструментом построения компьютерных
математических моделей стала нейроинформатика.
Именно эти современные тенденции нашли отражение во второй
части книги, задачей которой является не только ознакомление
читателя с современными математическими методами получения
научных знаний, но и освоение этих методов, формирование
у него глубокого понимания их возможностей и проблем. Читателю
предоставляется возможность освоения этих методов, возможность
приобретения навыков их применения при решении широкого круга
практических задач.
ГЛАВА 9
МАТЕМАТИЧЕСКОЕ
МОДЕЛИРОВАНИЕ КАК МЕТОД
ПОЛУЧЕНИЯ НАУЧНЫХ ЗНАНИЙ
Виды моделирования. Этапы и цели математического моделирования. Вычисли-

тельный эксперимент. Краевые задачи, метод Фурье и его развитие. Аналитические
и численные методы решения краевых задач. Современный кризис прикладной
математики, его возможные последствия и пути преодоления
Тот, кто хочет решать вопросы естественных наук без

помощи математики, ставит неразрешимую задачу.
Г. Галлилей
9.1. ВИДЫ МОДЕЛИРОВАНИЯ1)

Практически во всех науках о природе и обществе построение
и использование моделей является одним из самых мощных инстру-
ментов получения научных знаний. Реальные объекты и процессы
бывают столь многогранными и сложными, что лучшим способом
их изучения часто является построение модели, отображающей
лишь какую-то грань реальности и потому многократно более
простой. Многовековой опыт развития науки доказал на практике
плодотворность такого подхода.
Можно выделить д в а в и д а моделирования:
1) модель может быть похожей копией объекта, выполненной
из того же самого или другого материала в натуральную
величину, либо другом масштабе с отсутствием ряда деталей;
2) модель может отображать реальность более абстрактно —
словесным описанием в свободной форме, описанием, фор-
мализованным по каким-то правилам, математическими соот-
ношениями и т. д.
Первый вид моделирования называют натурным (или физи-
ческим). Натурное моделирование очень широко использовалось
в «докомпьютерную эру», особенно в авиа- и ракетостроении.
1)
При написании п. 9.1 и п. 9.2 был использован материал учебного пособия [47]
с любезного согласия его авторов.
132 Глава 9. Математическое моделирование. . .
И сейчас натурные модели практически всех создаваемых летатель-

ных аппаратов обязательно проходят испытания в аэродинамических
трубах. Аэродинамические характеристики гиганта отечественной
авиации 1970-х гг. сверхзвукового пассажирского авиалайнера
«Ту-144» и его французского аналога «Конкорд» были изучены
с помощью испытаний уменьшенных копий самолетов-моделей
в аэродинамической трубе.
Второй вид моделирования — абстрактные (идеальные) мо-
дели обычно классифицируют следующим образом:
1) вербальные (текстовые) модели, эти модели используют по-
следовательности предложений на формализованных диалек-
тах естественного языка для описания той или иной области
действительности (примерами такого рода моделей являются
милицейский протокол, правила дорожного движения);
2) информационные модели — класс знаковых моделей, описыва-
ющих информационные процессы (возникновение, передачу,
преобразование и использование информации) в системах
самой разнообразной природы;
3) математические модели — широкий класс знаковых моделей
(основанных на формальных языках), широко использующих
те или иные математические методы. Математическая модель
выражает существенные черты объекта или процесса языком
уравнений и других математических средств. Собственно
говоря, сама математика обязана своим существованием тому,
что она пытается отразить, т. е. промоделировать, на своем
специфическом языке закономерности окружающего мира.
Сегодня математическое моделирование в разных своих проявле-
ниях использует практически весь аппарат современной математики.
Огромный толчок развитию математического моделирования дало
появление ЭВМ, а сам метод зародился одновременно с матема-
тикой — тысячи лет назад.
Математическое моделирование не всегда требует компьютерной
поддержки. Каждый специалист, профессионально занимающийся
математическим моделированием, делает все возможное для ана-
литического исследования модели. Аналитические решения (т. е.
представленные формулами, выражающими результаты исследова-
ния через исходные данные) обычно удобнее и информативнее
численных. Возможности аналитических методов решения сложных
9.2. Этапы и цели математического моделирования 133
математических задач все же очень ограниченны и, как правило, эти

методы гораздо сложнее численных. Изложение сути математичес-
кого моделирования мы начнем с численных методов, реализуемых
на компьютерах.
9.2. ЭТАПЫ И ЦЕЛИ МАТЕМАТИЧЕСКОГО

МОДЕЛИРОВАНИЯ
Рассмотрим процесс компьютерного математического моделирова-
ния, включающий численный эксперимент с моделью (рис. 9.1).
Рис. 9.1. Общая схема процесса компьютерного математического модели-

рования [47]
Первый этап — определение целей моделирования. Обычно назы-

вают следующие основные ц е л и моделирования:
1) понимание — модель создается для понимания устройства кон-

кретного объекта, его структуры, основных свойств, законов
развития и взаимодействия с окружающим миром;
2) оптимизация — модель создается для оптимизации объекта,
подбора параметров объекта, обеспечивающих наилучшее
сочетание его полезных свойств;
3) управление — модель создается для управления объектом или
процессом;
4) прогнозирование — модель создается для прогнозирования по-
ведения объекта или процесса, предсказания его состояния
и параметров в будущих периодах времени, а также прямых
и косвенных последствий различного рода воздействий на
объект или процесс.
Поясним это на примерах. Пусть объект исследования — вза-

имодействие потока жидкости или газа с телом, являющимся
для этого потока препятствием. Опыт показывает, что сила со-
противления потоку со стороны тела растет с ростом скорости
потока, но при некоторой достаточно высокой скорости эта сила
скачком уменьшается, но при дальнейшем увеличении скорости
снова возрастает. Что же произошло, что обусловило уменьшение
силы сопротивления? Математическое моделирование позволяет
получить четкий ответ: в момент скачкообразного уменьшения
сопротивления вихри, образующиеся в потоке жидкости или газа
позади обтекаемого тела, начинают отрываться от него и уноситься
потоком.
Оптимизация объекта или процесса — другая возможная цель
моделирования. Какой режим полета самолета выбрать для того,
чтобы полет был вполне безопасным и экономически наиболее
выгодным? Как составить график выполнения сотен видов ра-
бот на строительстве большого объекта, чтобы оно закончилось
в максимально короткий срок? Как спроектировать строительную
конструкцию, чтобы она была максимально легкой и в то же время
обеспечивала необходимую прочность? — Множество таких проблем
систематически возникает перед экономистами, конструкторами,
учеными.
Иногда на модель возлагается задача управления поведением

объекта. Компьютер соединяют с управляемым объектом свя-
зями, позволяющими считывать информацию о текущем состоянии
объекта или процесса и посылать сигналы, влияющие на это
состояние. Это может быть компьютер, управляющий движением
робота, самолета, ракеты, ходом химической или ядерной реакции,
технологическим процессом.
Наконец, прогнозирование последствий тех или иных воздействий
на объект может быть как относительно простым делом в несложных
физических системах, так и чрезвычайно сложным — на грани
выполнимости — в системах биолого-экономических, социальных.
Относительно легко проанализировать изменение режима распро-
странения тепла в тонком стержне при изменениях состава его
сплава, несравненно труднее проследить и предсказать экологи-
ческие последствия строительства крупной ГЭС или социальные
последствия изменений налогового законодательства. Возможно,
что и в решении столь сложных задач методы математического
моделирования будут оказывать в будущем более значительную
помощь.
Успех моделирования во многом зависит от того, какие характе-
ристики объекта или процесса решено учитывать в модели, а какие —
нет. Составим список величин, от которых зависит поведение
объекта или ход процесса, а также тех величин, которые жела-
тельно получить в результате моделирования. Обозначим первые
(входные) величины x1 , x2 , . . . , xn ; вторые (выходные) — y1 , y2 , . . . , yk .
Символически поведение объекта или процесса можно представить
в виде
yj = Fj (x1 , x2 , . . . , xn ) (j = 1, 2, . . . , k),
где Fj — те действия, которые следует произвести над входными
параметрами, чтобы получить результаты.
Иногда модель представляют в векторной форме
Y = F(X)
и говорят, что векторный оператор F выполняет отображение вектора
входных величин X на вектор выходных величин Y .
Важнейшим этапом моделирования является разделение вход-
ных параметров по степени важности влияния их изменений на
выходные. Такой процесс называется ранжированием (разделением
по рангам). Чаще всего невозможно (да и не нужно) учитывать

все факторы, которые могут повлиять на значения интересующих
нас величин yj . От того, насколько умело выделены важнейшие
факторы, зависит успех моделирования, быстрота и эффективность
достижения цели. Выделить более важные (или, как говорят,
значимые) факторы и отсеять менее важные может лишь специалист
в той предметной области, к которой относится модель. Так,
опытный учитель знает, что успешное выполнение контрольной
работы учащимися зависит не только от степени знания или
предмета и психологического настроя класса, но и от других
факторов: например, каким уроком по расписанию идет контрольная,
какова в этот момент погода и т. д.
Отбрасывание (по крайней мере при первом подходе) менее
значимых факторов огрубляет объект моделирования и способствует
пониманию его главных свойств и закономерностей. Умело ранжи-
рованная модель должна быть адекватна исходному объекту или
процессу в отношении целей моделирования. Обычно определить
адекватна ли модель можно только в процессе экспериментов с ней,
анализа результатов.
Две крайние ситуации иллюстрирует рис. 9.2: а) некоторый
параметр xi сильно влияет на результирующую величину yj ;
б) параметр xi почти не влияет на yi . Ясно, что если все
представляющие интерес величины yj реагируют на xi так, как
изображено на рис. 9.2, б, то xi является параметром, который при
первом подходе может быть из модели исключен; если же хотя бы
одна из величин yj реагирует на изменение xi так, как изображено на
рис. 9.2, а, то xi нельзя исключать из числа важнейших параметров.
Следующий этап — поиск математического описания. На этом
этапе необходимо перейти от абстрактной формулировки модели
к формулировке, имеющей конкретное математическое наполнение.
В этот момент модель предстает в виде уравнения, системы
уравнений, системы неравенств, дифференциального уравнения или
системы таких уравнений и т. д.
После того как математическая модель сформулирована, сле-
дует выбрать метод ее исследования. Как правило, для решения
одной и той же задачи имеется несколько конкретных методов,
различающихся эффективностью, устойчивостью и другими харак-
теристиками. От верного выбора метода часто зависит успех всего
процесса моделирования.

yi yi
max max
yi yi
1 1
0 a b xi 0 a b xi
а б
Рис. 9.2. Варианты степени влияния параметра xi на результирующую

величину y:
а — параметр сильно влияет на результирующую величину; б — параметр почти
не влияет на результирующую величину
Разработка алгоритма и составление программного кода для

ЭВМ — это творческий и трудно формализуемый процесс. В на-
стоящее время при компьютерном математическом моделирова-
нии наиболее распространенными являются приемы процедурно-
ориентированного (структурного) программирования. Из языков
программирования многие профессионалы-физики предпочитают
FORTRAN. Пользуются популярностью такие языки, как Pascal,
Basic, C — выбор зависит от характера задачи и предпочтений
программиста.
После составления программного кода, как правило, с его помо-
щью решают простейшую тестовую задачу (желательно, с заранее
известным ответом) с целью устранения грубых ошибок. Это
лишь начало процедуры тестирования, которую трудно описать
формально исчерпывающим образом. По существу, тестирование
может продолжаться долго и закончиться тогда, когда пользователь
по своим профессиональным признакам сочтет программу верной.
(Программистский фольклор полон историй об ошибках на этом
пути.)
Затем следует собственно вычислительный эксперимент, в ходе
которого выясняется, соответствует ли модель реальному объекту
(процессу). Модель адекватна реальному процессу, если некото-
рые характеристики процесса, полученные на ЭВМ, совпадают
с экспериментальными с заданной степенью точности. В случае
несоответствия модели реальному процессу следует возвратиться

к одному из предыдущих этапов.
Вычислительный эксперимент продолжается и после завершения
этапа тестирования модели. Над компьютерной моделью ставятся
эксперименты, как над самим моделируемым объектом. Например,
если изучается модель атомной бомбы, то производится ее «вир-
туальный» взрыв — надземный, подземный, в стратосфере, в океане
и т. д., оцениваются последствия взрыва в зависимости от его
параметров и условий. И это исследование происходит в пределах
компьютера, визуализируется на экране монитора (без огромных
материальных затрат и ужасающих экологических последствий!).
В результате компьютерных экспериментов получают новые
знания о моделируемом объекте или процессе. Примером может слу-
жить известное явление, называемое «ядерной зимой» — глобальное
понижение температуры поверхности планеты, вызванное массо-
выми ядерными взрывами. Никто это явление в действительности
еще не наблюдал. Оно было открыто в результате вычислительных
экспериментов с математическими компьютерными моделями.
В ходе вычислительного эксперимента достигаются названные
выше цели моделирования: понимание, оптимизация, управление,
прогнозирование.
9.3. КРАЕВЫЕ ЗАДАЧИ, МЕТОД РАЗДЕЛЕНИЯ

ПЕРЕМЕННЫХ ФУРЬЕ И ЕГО РАЗВИТИЕ
Современной этап развития цивилизации характеризуется постоян-
ным повышением роли математического компьютерного моделиро-
вания, как в научных исследованиях, так и в самых разнообразных
областях практической деятельности человека. Одним из наиболее
популярных инструментов математического компьютерного моде-
лирования стала формулировка и решение краевых задач. Именно
таким способом ведут многие исследования в различных разделах
физики, астрономии, экологии, науках о человеке, природе и об-
ществе, выполняют долгосрочные прогнозы погоды, предсказывают
землетрясения, цунами, стихийные бедствия, а также рассчитывают
и проектируют самолеты, автомобили, ракеты, подводные лодки,
здания и сооружения, различные промышленные и военные объекты.
9.3. Краевые задачи, метод разделения переменных Фурье 139
Краевые задачи обычно формулируются на основе использования

фундаментальных законов природы (законы сохранения вещества,
энергии, количества движения, информации и др.), к которым
добавляются закономерности моделируемой предметной области,
ее параметры и характеристики.
Приведем пример формулировки наиболее простой краевой за-
дачи — задачи о распределении температуры Uв однородном твердом
теле D, ограниченном произвольной поверхностью S (рис. 9.3).
z
n
grad U
D y
Рис. 9.3. Тело D, ограниченное поверхно-
стью S, имеющей внешнюю нормаль n x S
В общем случае искомая температура U является функцией

координат и времени: U = U(x, y, z, t). Она же, согласно термо-
динамической теории, является мерой тепловой энергии тела —
количеством тепла Q. Так, при увеличении температуры однородного
тела на некоторую величину ΔU его тепловая энергия Q повышается
на cρV ΔU, где c — удельная теплоемкость; ρ — плотность тела; V —
объем тела.
Если тело D неоднородно и имеет неравномерное распределение
температуры, то вводится понятие бесконечно малого объема dV ,
в пределах которого свойства тела принимаются одинаковыми,
а температура постоянной. Тогда увеличение температуры точек
тела на ΔT (она теперь является функцией координат) вызовет
возрастание тепловой энергии тела V на cρΔUdV .
V
Пусть за время Δt температура U тела D, изображенного на
∂U
рис. 9.3, повысилась на величину ΔU = Δt. Тогда, согласно при-
∂t
веденным рассуждениям, тепловая энергия тела D увеличилась на

∂U
Q1 = Δt cρ dV . (9.1)
∂t
V
Согласно закону сохранения энергии ровно такое же количество

теплоты тело D должно было получить извне через свою по-
верхность S. Как известно из термодинамики, тепловой поток ΔQ
через элемент поверхности ΔS за время Δt прямо пропорционален
∂U
перепаду температуры вдоль нормали n к этой поверхности ,
∂n
площади ΔS и времени Δt:
∂U
ΔQ = k ΔSΔt, (9.2)
∂n
где k — коэффициент теплопроводности, зависящий от свойств
материала тела D.
Поверхность S в общем случае не является изотермической, т. е.
вектор градиента температуры grad U не совпадает с направлением
∂U
внешней нормали n, поэтому в формуле (9.2) = (grad U · n).
∂n
Таким образом,
ΔQ = k(grad U · n)ΔSΔt. (9.3)
Тогда через всю поверхность S к телу D поступает тепловой
поток
Q2 = Δt k(grad U · n)dS. (9.4)
S
Формула Гаусса — Остроградского позволяет перейти от поверх-

ностного интеграла к объемному:

Q2 = Δt div(k grad U)dV . (9.5)
V
Полагая тело D однородным и учитывая, что div grad = ∇2 , где
∂2 ∂2 ∂2
оператор Лапласа ∇2 = + + , окончательно получаем
∂x2 ∂y2 ∂z2

Q2 = Δt k∇2 TdV . (9.6)
V
Приравнивая Q1 и Q2 и перенося все в левую часть, приходим
к равенству:
∂U
(cρ − k∇2 U)dV = 0. (9.7)
∂t
V
Равенство (9.7) должно соблюдаться для любой части тела D.

Это возможно только тогда, когда в каждой точке внутри тела
подынтегральное выражение обращается в ноль:
∂U
cρ − k∇2 U = 0. (9.8)
∂t
Последнее равенство обычно представляют в виде
∂U
= a2 ∇2 U, (9.9)
∂t
или
∂U ∂2 U ∂2 U ∂2 U
= a2 + + , (9.10)
∂t ∂x2 ∂y2 ∂z2

k
где a = — коэффициент температуропроводности тела D.
cρ
Равенство (9.10) представляет собой дифференциальное урав-
нение в частных производных относительно температуры U,
являющейся функцией времени и координат. Решая это уравнение
можно найти функцию U = U(t, x, y, z), т. е. определить температуру
любой точки тела D, заданной координатами x, y, z в любой момент
времени t. Однако, прежде чем решать эту задачу, необходимо
задать начальные условия
U |t=0 = U0 (x, y, z) , (9.11)
означающие, что в начальный момент времени t = 0 распределение
температуры внутри тела D задано функцией U0 (x, y, z).
Кроме того, необходимо задать граничные условия

U |S = U(S), (9.12)
означающие, что на границе S тела D распределение температуры

задано функцией U(S).
Совокупность начальных и граничных условий иногда называют
краевыми условиями.
Дифференциальное уравнение (9.10) вместе с начальными усло-
виями (9.11) и граничными условиями (9.12) представляют собой
краевую задачу.
Краевая задача, таким образом, состоит в том, что требуется
найти некоторую функцию координат и времени, которая удо-
влетворяет заданному дифференциальному уравнению (в нашем
случае (9.10)), и краевым условиям ((9.11) и (9.12)). Решением

краевой задачи (9.10) — (9.12) является функция, представляющая
собой распределение температуры U в любой точке тела D в любой
момент времени.
Граничное условие (9.12), регламентирующее значение темпера-
туры на границе тела, называют условием Дирихле, а краевую задачу
с граничным условием Дирихле — задачей Дирихле в честь немецкого
математика Петера Густава Лежена Дирихле (1805–1859), внес-
шего существенный вклад в становление математического анализа
и математической физики.
Необходимо отметить, что вместо граничного условия Дирихле,
в практических задачах часто задают более общие зависимости,
включающие не только саму температуру, но и ее производные.
Например, если тело D теплоизолировано от окружающей среды, то
вместо граничного условия Дирихле необходимо задать равенство
нулю теплового потока через поверхность S в каждой ее точке.
Тогда, как следует из (9.2), на поверхности S в ноль должна
обращаться нормальная производная от температуры

∂U
= 0. (9.13)
∂n S
Если между телом D и окружающей средой происходит конвек-

тивный теплообмен, то задают условие Ньютона— Рихмана:

∂U
,
k = α U|S − U (9.14)
∂n S

— температура среды; α — коэффициент теплообмена.
где U
Как видим, это условие связывает между собой на поверхности
S температуру с ее производной. Можно отметить, что в некоторых
практических задачах используются еще более сложные граничные
условия, включающие, например, четвертую степень температуры
(условие лучистого теплообмена), причем на разных участках
границы S задаются разные граничные условия.
Дифференциальное уравнение теплопроводности (9.10) было
известно еще в XVIII в., однако его аналитического решения для
любых начальных и граничных условий в самом общем случае найти
так и не удалось. Вместе с тем, можно привести ряд решений для
частных случаев. Начнем с самых простых из них.
Задача 1. Пусть требуется определить температуру в любой точке

однородного стержня длиной l, изображенного на рис. 9.4, боковая
поверхность которого теплоизолирована, а на торцах поддерживается
постоянная температура
U|x=0 = U1 , U|x=l = U2 . (9.15)
x
y
l
U U2
U1
0 l x
Рис. 9.4. Стержень, на торцах которого задана температура U1 и U2
Поскольку боковые поверхности стержня теплоизолированы

и тепло в направлении поперечных осей не распространяется, то
градиент температуры в этих направлениях равен нулю, и значит
температура U не зависит от y и z. Кроме того, поскольку
торцы стержня поддерживаются при постоянной температуре, то
распределение температуры в стержне не зависит от времени t.
Таким образом, в дифференциальном уравнении (9.10) искомая
функция зависит только от продольной координаты x, поэтому оно
преобразуется к виду:
d2 U
= 0. (9.16)
dx2
Двойное интегрирование этого уравнения позволяет получить

его общее решение
U = c1 x + c 2 , (9.17)
в котором c1 , c2 — постоянные интегрирования.
Частное решение, соответствующее поставленной задаче, полу-
чается при определении постоянных интегрирования c1 и c2 из
граничного условия (9.15):

U 2 − U1
c1 = , c 2 = U1 . (9.18)
l
Таким образом, температура в стержне распределилась по

линейному закону
U 2 − U1
U= x + U1 , (9.19)
l
представленному на рис. 9.4 в виде прямой наклонной линии.

Заметим, что найденная функция (9.19) тождественно удовлетво-
ряет дифференциальному уравнению (9.16) и граничному условию
(9.15). Поэтому функция (9.19) представляет собой точное решение
краевой задачи (9.15)— (9.16).
Усложним условие краевой задачи.
Задача 2. Боковые поверхности стержня будем полагать по-

прежнему теплоизолированными, что позволяет заключить, что поле
температуры в стержне не зависит от поперечных координат y и z.
На концах стержня вместо постоянных температур зададим условия
теплоизоляции:
∂U ∂U
= 0; = 0. (9.20)
∂x x=0 ∂x x=l
Кроме того, зададим распределение температуры в стержне

в начальный момент времени
U|t=0 = f (x), (9.21)
где функция f (x), например, имеет следующий вид:
⎧
⎪
⎪ l
⎪ U0 , если 0 < x < 2 ;
⎪
⎨
f (x) = ⎪
⎪ (9.22)
⎪
⎪
⎩ 0,
l
если < x < l.
2
В отличие от предыдущей задачи, поле температуры изменяется

со временем. Поэтому в уравнении теплопроводности (9.10) мы
должны сохранить производную по времени:
∂U ∂2 U
= a2 . (9.23)
∂t ∂x2
Для решения дифференциального уравнения в частных производ-

ных (9.23) величайшим французским математиком Жаном Батистом
Жозефом Фурье (1768–1830) был применен оригинальный прием,
вошедший в историю под названием метода разделения переменных
Фурье. Согласно методу Фурье решение краевой задачи выполняется
в два этапа. На первом этапе искомое решение краевой задачи
разыскивается в виде произведения двух функций, каждая из
которых зависит только от одной переменной
U = X (x) T(t). (9.24)
Подстановка этого представления в дифференциальное уравнение
(9.23) приводит к уравнению
X (x) T (t) = a2 X (x) T(t), (9.25)

которое преобразуется к виду:
1 T (t) X (x)
= . (9.26)
a2 T (t) X (x)
Левая часть этого уравнения зависит только от времени t,

а правая — только от координаты x. Такое равенство возможно
только в том случае, если обе части постоянны и равны константе,
которую обозначим c. Таким образом, решаемое дифференциальное
уравнение в частных производных распалось на два обыкновенных
дифференциальных уравнения:
1 T (t) X (x)
= c; = c. (9.27)
a2 T (t) X (x)
В этом и состоит основная идея метода разделения переменных

Фурье, точнее, — его первого этапа.
Первое из этих уравнений имеет общее решение
2
T(t) = Ceca t . (9.28)
Из физических соображений ясно, что температура стержня ни
в одной его точке не должна стремиться к бесконечности при
t → ∞. Поэтому постоянная c в (9.28) должна быть отрицательна.
Положив c = −λ2 , получим
2 a2 t
T(t) = Ce−λ . (9.29)
Теперь второе из уравнений (9.27) принимает вид

X (x) + λ X (x) = 0 (9.30)
и имеет известное из курса математического анализа общее решение
X (x) = A cos λx + B sin λx. (9.31)
Подставляя полученные выражения для X (x) и T(t) в представ-
ление (9.24), получим
2 a2 t
U = (AC cos λx + BC sin λx) e−λ , (9.32)
или 2 a2 t
U = (α cos λx + β sin λx) e−λ . (9.33)
Здесь α = AC, β = BC, λ — произвольные постоянные.
Таким образом, нам удалось получить решение (9.33), которое
удовлетворяет решаемому дифференциальному уравнению (9.23)
и является общим, поскольку содержит произвольные постоянные.
На этом заканчивается первый этап применения метода раз-
деления переменных Фурье. Теперь задача состоит в том, чтобы
определить произвольные постоянные общего решения, т. е. выде-
лить из общего решения дифференциального уравнения его частное
решение — то, которое удовлетворяет граничному и начальному
условиям краевой задачи. Подставляя полученное решение (9.33)
в граничное условие (9.20), получим
nπ
β = 0; λ= , (9.34)
l
где n — любое целое число.
Таким образом, мы получили множество решений дифферен-
циального уравнения (9.23), каждое из которых удовлетворяет
граничному условию (9.20). Можно заметить, что отрицательным
n соответствуют решения, повторяющие те решения, которым
соответствуют положительные n, поэтому будем принимать во
внимание только n = 0, 1, 2, . . . .
Итак, произвольная постоянная λ может принимать только
значения из бесконечной последовательности
nπ
λ = λn = , n = 0, 1, 2, . . . , (9.35)
l
которые называются собственными числами краевой задачи.
Каждому из собственных чисел λn соответствует свой коэффи-

циент αn в формуле (9.33) и свое решение дифференциального
уравнения (9.23):
2 2
U = Un = (αn cos λn x) e−λn a t , (9.36)
или с учетом (9.35)
2 2 2
nπx − n π2a t
Un = αn cos e l . (9.37)
l
Следующая идея метода разделения переменных Фурье состоит
в том, что из множества полученных решений составляется
бесконечная сумма

∞
∞
nπx
2 2 2
− n π2 a t
U= Un = αn cos e l . (9.38)
l
n=0 n=0
Каждое слагаемое этой суммы удовлетворяет решаемому диф-

ференциальному уравнению (9.23), поэтому и вся сумма тоже
удовлетворяет этому уравнению. Кроме того, полученная сумма
решений (9.38) удовлетворяет и граничному условию (9.20). Для
того чтобы (9.38) было решением поставленной краевой задачи
необходимо, чтобы оно удовлетворяло еще и начальному условию
(9.21)— (9.22). С этой целью функция f (x), задающая согласно (9.21)
распределение температуры в стержне в начальный момент времени,
раскладывается в неполный ряд Фурье — ряд косинусов

∞
nπx
U|t=0 = f (x) = an cos , (9.39)
l
n=0
в котором коэффициенты ряда Фурье определяются по известным

формулам:
l
2 nπx
an = f (x) cos dx. (9.40)
l l
0
Подставляя (9.38) в (9.39) и приравнивая коэффициенты при

одинаковых косинусах αn = an , получаем решение краевой задачи

∞ l
2 2 2
2 nπx nπx − n π2 a t
U= f (x) cos dx cos e l . (9.41)
l l l
n=0 0
Учитывая конкретный вид функции f (x), заданный формулой

(9.22), подставляя его в (9.41) и выполняя интегрирование, получаем
окончательно:
(2m + 1) πx
U0 2U0

∞ cos
l
2 2 2
− (2m+1)2 π a t
U= + (−1)m e l . (9.42)
2 π 2m + 1
m=0
Формула (9.42) представляет собой точное аналитическое реше-

ние краевой задачи (9.20) — (9.23), полученное методом разделения
переменных Фурье. Оно тождественно удовлетворяет дифференци-
альному уравнению (9.23), граничному условию (9.20) и начальному
условию (9.21) — (9.22). Графическая иллюстрация этого решения
в виде кривых распределения температуры в стержне в разные
1
моменты времени показана на рис. 9.5. При t → ∞ U → U0 .
2
U
U0
U0 /2
0 l/2 l x
Рис. 9.5. Кривые распределения температуры в стержне в разные моменты
времени (при t → ∞ U → U0 /2)
Задача 3. В том же стержне при тех же граничных условиях

начальное распределение температуры задано формулой:
⎧ 2U
⎪
⎪
⎪ 0 x, 1
если 0 < x l;
⎪
⎨ l 2
f (x) = ⎪
⎪ (9.43)
⎪
⎪
⎩ 2U0 1
(l − x), если l x < l.
l 2
Подставляя это выражение в решение (9.41) и выполняя инте-

грирование, получим
(4s + 2)πx
U0
4U

∞ cos
l
2 2 2
− (4s+2) 2 π a t
U= − 20 e l . (9.44)
2 π (2s + 1)2
s=0
Графическая иллюстрация этого решения в виде кривых рас-
пределения температуры в стержне в разные моменты времени
1
представлена на рис. 9.6. Видно, что при t → ∞ U → U0 .
2
U
U0
U0 /2
0 l/2 l x
Рис. 9.6. Кривые распределения температуры в стержне в разные моменты

времени (при t → ∞ U → U0 /2)
Итак, мы нашли несколько решений краевых задач для уравнения

теплопроводности (9.10), в котором была сохранена производная по
времени и производная по одной из пространственных координат.
Такие задачи называют задачами одномерной нестационарной теп-
лопроводности. Обратимся теперь к рассмотрению задач двумерной
теплопроводности, которые возникают в случае сохранения в урав-
нении (9.10) производных по двум пространственным координатам:
2
∂U 2 ∂ U ∂2 U
=a + 2 . (9.45)
∂t 2 ∂x ∂y
Ограничимся случаем, когда процесс не зависит от времени, тогда
производная по времени равна нулю и уравнение теплопроводности
(9.45) превращается в уравнение Лапласа:
∂2 U ∂2 U
+ = 0. (9.46)
∂x2 ∂y2
Это уравнение описывает стационарное распределение темпера-
туры в двумерной области D, на границе S которой задано граничное
условие, например, в виде распределения температуры (9.12), либо
ее производной (9.13), или другой более сложной зависимости (9.14).
Уравнение Лапласа является одним из простейших дифферен-
циальных уравнений в частных производных и для него также
применим метод разделения переменных Фурье. С помощью метода
Фурье удалось получить решения уравнения Лапласа для ряда
простейших геометрических областей, таких как круг, кольцо,
прямоугольник, эллипс, цилиндр, шар и др. Причем, чтобы обес-
печить разделение переменных для каждой из этих областей,
называемых каноническими, были изобретены специальные системы

координат — полярная, эллиптическая, сферическая, цилиндрическая,
гиперболическая и др.
Покажем процесс применения метода разделения переменных
Фурье на примере решения задачи Дирихле для уравнения Лапласа
в круговой полости радиуса r0 . Для этого перепишем уравнение
Лапласа в полярных координатах r, θ:

1 ∂ ∂U 1 ∂2 U
r + 2 2 = 0. (9.47)
r ∂r ∂r r ∂θ
Это уравнение легко получается из (9.46) посредством под-

становки зависимостей, связывающих прямоугольные и полярные
координаты: x = r cos θ; y = r sin θ (рис. 9.7).
y
r
θ
Рис. 9.7. Системы прямоугольных (x, y) и полярных
x (r, θ) координат
Краевая задача теперь формулируется следующим образом. Тре-

буется найти функцию U = U(r, θ), удовлетворяющую уравнению
Лапласа (9.47) внутри круга r < r0 (рис. 9.8, а), а на его границе

r = r0 принимающую заданное значение U(θ):

U|r=r0 = U(θ). (9.48)
r2
r0 r0
r1
а б в
Рис. 9.8. Расчетные области: круг (а), кольцо (б), круговая полость (в)
Согласно методу Фурье решение краевой задачи будем искать

в виде произведения двух функций
U(r, θ) = R(r) Θ(θ), (9.49)
каждая из которых зависит только от одной переменной: r
и θ соответственно. Подставляя представление (9.49) в уравнение
Лапласа (9.47), находим:

1 d dR 1 d2 Θ
r Θ = − 2 2 R, (9.50)
r dr dr r dθ
или
r d dR 1 d2 Θ
r =− . (9.51)
R dr dr 2 Θ dθ
Так как левая часть этого уравнения зависит только от r, а правая —

только от θ, то равенство между левой и правой частями возможно
только в случае, если обе части являются постоянными:

r d dR 1 d2 Θ
r = λ; = −λ, (9.52)
R dr dr 2 Θ dθ
где λ — постоянная разделения.

d2 Θ
Второе из уравнений (9.52), + λΘ = 0 имеет общее решение
dθ2
√ √
Θ(θ) = A cos λθ + B sin λθ, (9.53)
где A, B — произвольные постоянные.
Согласно физическому смыслу, функция Θ(θ) должна повторяться
√
при увеличении θ на 2π, т. е. Θ(θ + 2π) = Θ(θ). Это значит, что λ
в формуле (9.53) может принимать только целые значения. Поэтому
√
можно положить λ = n, где n = 0, 1, 2, . . . , тогда
Θ(θ) = A cos n θ + B sin n θ. (9.54)
С учетом этого, первое уравнение (9.52) перепишем в виде:

r d dR
r = n2 , (9.55)
R dr dr
или
d2 R dR
r2 +r − n2 R = 0. (9.56)
dr2 dr
Последнее уравнение при n = 0 имеет решение

R(r) = C ln r. (9.57)
Остальные решения при n = 0 получаются с помощью пред-
ставления R = rα , подстановка которого в (9.56) приводит к α = ±n.
Таким образом,
R(r) = rn ; (9.58)
R(r) = r−n . (9.59)
Решение (9.57) и (9.59) следует отбросить, поскольку в центре
круга они обращаются в бесконечность, что противоречит физи-
ческому смыслу задачи. Подставляя найденные решения в (9.49),
окончательно получаем:
U(r, θ) = rn (An cos n θ + Bn sin n θ). (9.60)
Формула (9.60) представляет собой бесконечное множество решений
уравнения Лапласа, каждое из которых соответствует своему
значению n = 0, 1, 2, . . . Просуммировав по n все эти решения,
получим решение, которое тоже удовлетворяет уравнению Лапласа:

∞
U(r, θ) = rn (An cos n θ + Bn sin n θ). (9.61)
n=0
Перепишем его в более удобной форме:

∞
U(r, θ) = A0 + rn (An cos n θ + Bn sin n θ). (9.62)
n=1
На этом заканчивается начальный этап применения метода
разделения переменных Фурье.
Заключительный этап состоит в определении постоянных коэф-
фициентов общего решения (9.62), обеспечивающих выполнение

граничного условия (9.48), для чего граничная функция U(θ)
раскладывается в ряд Фурье:
∞
= a0 +
U(θ) (an cos n θ + bn sin n θ), (9.63)
2
n=1
1 1
2π 2π
где an = cos nϕ dϕ;
U(ϕ) bn = sin nϕ dϕ — коэффици-
U(ϕ)
π 0 π 0
енты ряда Фурье.
Подставляя (9.62) и (9.63) в граничное условие (9.48), и выполняя

сопоставление рядов, получим значения постоянных коэффициентов:
a0 an bn
A0 = ; An = ; Bn = .
2 r0n r0n
Таким образом, нам удалось получить решение (9.61), тожде-
ственно удовлетворяющее в заданной круговой области уравнению
Лапласа, а на ее границе принимающее значения, заданные гра-

ничной функцией U(θ).
Укажем на возможность получения решения уравнения Лапласа
еще для двух краевых задач, имеющих в теории теплопроводности
важное значение. Первая из них — это задача о распределении
температуры в кольцевой области, ограниченной двумя концен-
трическими окружностями: внутренней окружностью радиуса r1
и внешней окружностью радиуса r2 (см. рис. 9.8, б). На внут-
ренней окружности распределение температуры задано граничной
функцией U 1 (θ), а на внешней окружности — граничной функцией

U2 (θ). Решение этой задачи выполняется аналогичным образом, за
исключением того, что у нас теперь нет физических оснований
для отбрасывания решений (9.57) и (9.59). Поэтому окончательное
решение для кольцевой области принимает вид:

∞
U(r, θ) = A0 + rn (An cos n θ + Bn sin n θ) +
n=1

∞
+ r−n (A−n cos n θ + B−n sin n θ) + C ln r, (9.64)
n=1
постоянные коэффициенты которого A0 , An , Bn , A−n , B−n , C опре-
деляются аналогичным образом, т. е. путем приравнивания к ко-
эффициентам рядов Фурье, в которые раскладываются граничные
функции U 2 (θ).
1 (θ) и U
В частном случае, если температура на границах кольцевой
области задана постоянной, например,
U(r, θ)|r=r1 = U1 ; U(r, θ)|r=r2 = U2 , (9.65)
то в общем решении (9.64), согласно физическому смыслу задачи,
следует отбросить все слагаемые, зависящие от θ. В результате
из (9.64) получаем искомое решение задачи:
U(r, θ) = A0 + C ln r, (9.66)
где
U2 ln r1 − U1 ln r2 U 1 − U2
A0 = ; C= . (9.67)
ln r1 − ln r2 ln r1 − ln r2
Эти значения коэффициентов A0 и C получены подстановкой
(9.66) в (9.65) и последующим решением получившейся в результате
этого системы двух алгебраических уравнений. Решение (9.66)—
(9.67) графически изображено на рис. 9.9 в виде кривой, харак-
теризующей распределение температуры в центральном сечении
рассматриваемой кольцевой области.
r2
r1
U
Рис. 9.9. Кривая распределения
U1 температуры в центральном сече-
нии кольцевой области:
U2 U1 — температура, заданная на границе
r = r1 ; U2 — температура, заданная на
0 r1 r2 r границе r = r2
Следующая задача состоит в нахождении поля температур

в окрестности круговой полости радиуса r0 , вырезанной в бес-
конечном пространстве (см. рис. 9.8, в). На границе полости r = r0

задана температура в виде граничной функции U(θ).
Решение этой задачи выполняется аналогично методом разделе-
ния переменных Фурье и имеет вид:

∞
U(r, θ) = A0 + r−n (A−n cos n θ + B−n sin n θ). (9.68)
n=1
Здесь постоянные A0 , A−n и B−n , как и ранее, определяются
приравниванием к коэффициентам ряда Фурье, в который раскла-

дывается заданная граничная функция U(θ).
Подведем итоги и отметим, что метод разделения переменных

Фурье — это конгломерат г е н и а л ь н ы х и д е й:
1) преобразование исходного дифференциального уравнения
в специальную систему координат, в которой может быть
выполнено разделение переменных;
2) представление решения в виде произведения функций, каждая
из которых зависит только от одной переменной. Преобразова-
ние (расщепление) решаемого дифференциального уравнения
в частных производных к системе обыкновенных дифферен-
циальных уравнений и нахождение их общих решений;
3) разложение граничных и/или начальных условий краевой
задачи в ряды Фурье и определение произвольных постоянных
общего решения посредством их приравнивания к коэффи-
циентам рядов Фурье.
С появлением метода разделения переменных Фурье начался
качественно новый и чрезвычайно плодотворный этап развития
прикладной математики. Впервые математическим инструментом
моделирования стало решение краевых задач математической фи-
зики. Решения простейших краевых задач ((9.42), (9.44), (9.62),
(9.64), (9.68) и др.) явились математической основой для создания
теории теплопроводности, теории колебаний, теории волновых
процессов, теории фильтрации и других разделов физики. Уси-
лия многих ученых сосредоточились на развитии метода Фурье,
попытках применения его для решения других, более сложных
краевых задач.
Развитие метода Фурье происходило в нескольких направле-
ниях. Первое направление связано с расширением области его
применения на более сложные дифференциальные уравнения за
счет представления их общих решений через гармонические
и бигармонические функции. Такие представления были предло-
жены В. Кельвином и П. Г. Тайтом [150], М. Дж. Буссинеском [144],
Б. Г. Галеркиным [24], П. Ф. Папковичем [83], Г. Нейбером [77],
Дж. Доугалом [145], В. И. Блохом [7], Ю. А. Крутковым [60], К. В. Со-
ляник-Красса [110], М. Г. Слободянским [107], В. М. Деевым [40] и др.
Второе направление развития метода Фурье связано с его
применением к телам более сложных конфигураций за счет
введения криволинейных систем координат. Здесь следует упо-
мянуть основополагающие работы П. А. Шифа [155], П. Ф. Пап-

ковича [84], А. И. Лурье [64], В. К. Прокопова [91], В. Т. Грин-
ченко [34], Ю. Н. Подильчука [92]. Другая идея состоит в ис-
пользовании известных Фурье-решений в простых областях для
получения решений краевых задач в областях более сложных
конфигураций. Известно два направления реализации этой идеи:
первое направление заключается в применении преобразования
координат, не нарушающем форму дифференциального уравнения
краевой задачи. Такое ненарушение обеспечивается выполнением
условий Коши—Римана, что реализуется, например, конформными
отображениями, развитыми и примененными в работах Б. Римана,
Н. Е. Жуковского, С. А. Чаплыгина, К. Картеодори [48], М. В. Кел-
дыша [51], Г. В. Колосова [55], Н. И. Мусхелишвили [76], М. А. Лав-
рентьева [61], Л. И. Волковыского [68, с. 472–480], Г. Н. Савина [101],
Д. И. Шермана [131], С. Г. Михлина [72], А. Г. Угодчикова, А. Г. Длу-
гача, А. Е. Степанова [119], П. Ф. Фильчакова [123], Е. А. Колча-
новой [56] и др. Второе направление связано с расширением
заданной расчетной области, аналитическим продолжением решения
за границу, возмущением формы границы, погружением заданной
области в область более простой геометрической формы. Подобные
идеи прослеживаются в работах Н. И. Безухова и О. В. Лужина [4],
Б. Г. Коренева [57], А. Н. Гузя и Ю. Н. Немиша [35], И. Н. Троянов-
ского, И. Н. Шардакова, И. Н. Труфанова, В. П. Матвеенко [128, 129],
Л. Н. Ясницкого [136] и др.
Еще раз отметим, что многие полученные математиками ана-
литические решения краевых задач стали отправной точкой новых
научных теорий и многочисленных практических приложений.
Так, полученные Н. Е. Жуковским (1847–1921) и С. А. Чаплыгиным
(1869–1942) решения краевых задач об обтекании крыльев само-
лета, сыграли важную роль в становлении и развитии авиации.
Постановки и решения краевых задач о кумулятивном заряде,
выполненные М. А. Лаврентьевым (1900–1980), стали основой тео-
рии направленного взрыва, позволившей значительно улучшить
качество артиллерийских орудий, что повлияло на исход Второй
мировой войны. Методика решения краевых задач с использова-
нием квазиконформных отображений, созданная Л. И. Волковыским
(1913–1992) с его коллегами и учениками, позволила построить
эффективные модели прочностных и гидродинамических явлений,
9.4. Современный кризис прикладной математики 157
происходящих при работе твердотопливных реактивных двигателей,

что было весьма полезно для успешного развития ракетной техники
и освоения космического пространства.
9.4. СОВРЕМЕННЫЙ КРИЗИС ПРИКЛАДНОЙ

МАТЕМАТИКИ И ЕГО ВОЗМОЖНЫЕ
ПОСЛЕДСТВИЯ ДЛЯ ЦИВИЛИЗАЦИИ
В истории развития методов решения краевых задач математической
физики можно проследить три периода. Первый исторический
период, продлившийся примерно до середины XX в., начался
с основополагающих работ величайших французских математиков
Жана Лерона Д‘Аламбера (1717–1783) и Жана Батиста Жозефа
Фурье (1768–1830). Путем разделения переменных им удалось
получить ряд решений простейших дифференциальных уравнений
в частных производных для простейших областей, называемых
каноническими — круга, квадрата, цилиндра, шара и пр. Затем на
протяжении последующих полутора веков усилия математиков в этой
области в основном сводились к развитию метода разделения
переменных и изобретению других приемов, позволяющих получить
решение той или иной краевой задачи для других дифферен-
циальных уравнений, для других областей с другими краевыми
условиями. Каждое такое решение было событием в математическом
мире и отмечалось присуждением премий и присвоением регалий.
Метод математического моделирования был доступен узкому кругу
математиков-профессионалов, деятельность которых представляла
собой уникальный творческий процесс.
Появление быстродействующих электронно-вычислительных ма-
шин в середине XX в. в корне изменило ситуацию. Оказалось, что
если разбить область решения краевой задачи на множество мелких
подобластей (рис. 9.10) и для каждой подобласти ввести гипотезы,
упрощающие физические свойства среды, то процесс интегриро-
вания дифференциальных уравнений можно свести к множеству
элементарных арифметических действий — сложений, вычитаний,
умножений, делений. Таким образом, краевые задачи математиче-
ской физики стало возможным решать с помощью ЭВМ, «с позиции
грубой силы», получая решение не в виде аналитических формул,
а в виде массивов чисел. Так появилась новая отрасль математики —
дискретная математика. На смену классическим аналитическим

методам пришли численные алгоритмы, с помощью которых удалось
создать универсальные пакеты прикладных программ, оснащенных
удобными сервисными средствами. Математическое компьютерное
моделирование стало доступным широкому кругу инженеров. Мате-
матики-аналитики с их хитроумными математическими выкладками,
казалось, навсегда утратили авторитет и ушли в прошлое.
Рис. 9.10. Расчетная область — промышленный объект.

Расчетная область разбита на множество подобластей — конечных элементов.
Решение краевой задачи представлено в виде цветной картинки — каждому цвету
соответствует свой уровень напряжений
Тем не менее, как утверждают философы, развитие происходит

по раскручивающейся вверх спирали, а физики утверждают, что
маятник, качнувшийся в одну сторону, должен обязательно откло-
ниться и в другую. Увлечение численными методами в полной мере
выявило не только их бесспорные преимущества, но и неустранимые
недостатки. К числу последних относится невозможность надеж-
ной оценки погрешности расчетных результатов. Этот недостаток
особенно ощутим в последнее время в связи с массовым приме-
нением метода компьютерного математического моделирования для
расчета ответственных объектов и процессов, от которых зависит
безопасность людей, государств, цивилизации.
Следует заметить, что математический аппарат, которым пользо-
вались математики минувших веков, был более надежен. Решения,
полученные аналитическими методами в виде аналитических фор-
мул, можно было проверить на удовлетворение дифференциальным
уравнениям и краевым условиям решаемой задачи. Их погрешность
могла быть надежно оценена. Решения же, получаемые численными
методами, представляют собой массивы чисел, о погрешности
которых можно судить только по тому, как эти числа ведут себя
с увеличением количества разбиений заданной области. Обычно
считают, что результатам можно доверять, если они перестают
изменяться с измельчением сетки. Однако уже давно показана
теоретическая несостоятельность этого подхода. Во-первых, тео-
ремы, из которых следует сходимость приближенных численных
решений к точным, доказаны при условии выполнения допущений,
которые в инженерной практике обычно не выполняются. Во-вто-
рых, с измельчением конечно-элементной сетки всегда ухудшается
обусловленность матрицы системы разрешающих алгебраических
уравнений. Так, в случае решения двумерной краевой задачи
для дифференциальных уравнений второго порядка и применения
равномерной сетки с линейными функциями формы имеет место
зависимость:
α = Ch−2 , (9.69)
где α — спектральное число обусловленности матрицы системы ал-
гебраических уравнений; C— константа, зависящая от особенностей
краевой задачи; h — максимальный размер элемента.
Согласно этой формуле при уменьшении h увеличивается α,
т. е. коэффициенты матрицы системы алгебраических уравнений
хуже обуславливают ее решение: малые изменения коэффициентов

матрицы начинают приводить к большим изменениям решения
системы. Это значит, что погрешности, связанные, например,
с неизбежным при компьютерных вычислениях округлением коэф-
фициентов матрицы, или вносимые в эти коэффициенты в процессе
их формирования, все сильнее и сильнее влияют на результат
решения системы. А это в свою очередь означает, что при h → 0
приближенные конечно-элементные решения сходятся вовсе не
к искомому решению краевой задачи, как схематично показано
на рис. 9.11.
U0
Рис. 9.11. Характерная зависимость численного

решения краевой задачи от максимального раз-
мера конечно-элементной сетки h:
1/h U0 — точное решение задачи
Из приведенного анализа со всей очевидностью следует, что

к результатам, полученным численными методами, следует отно-
ситься крайне осторожно, особенно, если речь идет о моделировании
объектов и процессов ответственного назначения.
Тем не менее на современном рынке программных средств име-
ется множество компьютерных программ, реализующих численные
методы решения краевых задач теплопроводности, гидродинамики,
теории упругости, теории электрических, магнитных, гравитацион-
ных и даже торсионных полей. Эти пакеты (ANSYS, СOSMOS,
LS-DYNA, NASTRAN, PATRAN, FEMLAB, APM WINMASHIN,
BEASY) снабжены удобными сервисными и графическими сред-
ствами, так что любой далекий от математики пользователь может
без особого труда получить приемлемое с точки зрения «здравого
смысла» приближенное решение практически любой краевой задачи,
независимо от ее математической сложности. Однако оценить, на
сколько полученное им решение отличается от настоящего точного
решения краевой задачи, представляет большую проблему.
Это понимают многие квалифицированные инженеры-расчет-

чики, которые, не доверяя численным результатам, тщательно
перепроверяют их с помощью натурных экспериментов, зачастую
очень длительных и дорогостоящих (см., например, рис. 9.12). Это
понимают и авторы численных пакетов, которые прямо в про-
граммной документации заранее отказываются от ответственности
за последствия выполненных расчетов. А последствия не заставляют
себя долго ждать.
Рис. 9.12. Пермский авиационный завод

На Пермском авиационном заводе все проектные расчеты выполняются с помо-
щью программы ANSYS, поэтому они тщательно перепроверяются с помощью
длительных и дорогостоящих натурных экспериментов
По прогнозам специалистов, XXI век — это век жестоких тех-

ногенных катастроф, стихийных и экологических бедствий. Все
чаще приходится слышать сообщения о падении ракет, самолетов,
взрывах на ядерных станциях и промышленных объектах, обруше-
ниях зданий. Среди прочих причин трагедий называются ошибки
проектирования.
Яркий пример — Московский аквапарк (рис. 9.13). Весьма болез-
ненно шел процесс расследования этой трагедии. В официальных
заключениях следственных комиссий обнаруживались и следы
терроризма, и плохое качество цемента, и нехватка поддерживаю-
щих крышу колонн. И только после обрушения второго здания,
спроектированного тем же авторским коллективом, — Басманного
рынка (рис. 9.14), причины трагедии стали очевидными для всех.
Последнюю черту под расследованиями подвело телевизионное
заявление руководителя проектов архитектора Н. Канчелли: «. . . во
всем виновата компьютерная программа. . . », с помощью которой
выполнялись прочностные расчеты.
Рис. 9.13. Обрушившееся здание Московского аквапарка
Рис. 9.14. Обрушившееся здание Басманного рынка
Если причины обрушения современных зданий, в конце

концов, как-то выясняются, то гораздо сложнее обстоят дела
с расследованиями причин авиационных катастроф. По стати-
стическим данным Межгосударственного авиационного комитета
(http://airoubles.boom.ru) следственными комиссиями в более чем
в 80% случаев причиной авиакатастроф признаются ошибки эки-
пажа. По мнению же многих опытных летчиков, эта цифра сильно
завышена. Связывают это с тем, что срабатывает так называемый
«человеческий фактор»: на погибших пилотов легче всего свалить
вину и, что самое главное, никого не нужно наказывать.
С другой стороны, автор книги, являясь профессиональным
прочнистом, в своей инженерной практике нередко встречался
с неверными техническими решениями, вызванными погрешно-
стями компьютерного моделирования. Некоторые из таких случаев
разобраны в [25, 26]. Поэтому у нас есть основания полагать,
что среди множества возможных причин современных техногенных
трагедий не последнее место занимают погрешности компьютерных
расчетов, и что современный кризис прикладной математики грозит
перерасти в кризис современной цивилизации (рис. 9.15).
Рис. 9.15. Техногенные аварии и катастрофы конца XX — начала XXI вв.
Сейчас, как никогда прежде, стали актуальными вопросы точ-

ности математического компьютерного моделирования. Малейшие
ошибки в математических моделях и, в частности, в методах
решения краевых задач, приводят к самым тяжелым экологическим,
экономическим и социальным последствиям. Пришло время приме-
нять только такие модели и методы, которые могут гарантировать
необходимую надежность расчетных результатов.
Надежность результатов математического моделирования обес-
печивают точные аналитические методы, которые разрабатывали
математики прошлых веков. На современном рынке программной
продукции, программных пакетов, реализующих такие методы,
практически нет. Их нет, потому что аналитические методы не
универсальны и крайне плохо поддаются алгоритмизации. Они
требуют творческого интеллектуального подхода практически к каж-
дой новой краевой задаче. Применение этих методов связано
с длительной и кропотливой работой математиков высочайшей
квалификации основанной на их опыте, интуиции и таланте.
Школа же математиков-аналитиков (рис. 9.16), создававшаяся на
протяжении нескольких последних веков, к настоящему времени,
к сожалению, в значительной степени утеряна.
2 3
1
4
5
12
11
6
10 9 8 7
Рис. 9.16. Математики-профессионалы XVIII — XX вв. — авторы точных

решений краевых задач:
1 — Даниил Бернулли; 2 — Леонард Эйлер; 3 — Жан Лерон Даламбер; 4 — Жан Батист
Жозеф Фурье; 5 — Петр Федорович Папкович; 6 — Борис Григорьевич Галёркин;
7 — Сергей Александрович Чаплыгин; 8 — Николай Егорович Жуковский; 9 — Ми-
хаил Александрович Лаврентьев; 10 — Анатолий Исаакович Лурье; 11 — Николай
Иванович Мусхелишвили; 12 — Степан Прокофьевич Тимошенко
Выход из кризисной ситуации, по-видимому, следует связывать

с новым (третьим) периодом развития методов решения краевых
задач, наметившимся в связи с очередной революцией в компью-
терной индустрии — интеллектуализацией компьютеров, развитием
и внедрением идей и методов искусственного интеллекта. Компью-
терная имитация творческой деятельности человека (эксперта), его
интуиции и опыта, уже позволила создать и успешно применять ком-
пьютерные программы в самых разнообразных сферах человеческой
деятельности, ранее считавшихся недоступными для формализации
и алгоритмизации (медицина, политология, социология, финансы,
бизнес). Не является исключением и возможность применения идей
и методов искусственного интеллекта при решении краевых задач
математической физики.
Идея выхода из кризиса, предлагаемая в работах [25, 137,

141, 143], состоит в том, чтобы научиться моделировать интеллект
математиков-аналитиков, их интуицию, опыт, талант. Идея состоит
в том, чтобы, моделируя интеллект математиков-профессионалов,
научить компьютер получать точные аналитические решения любых
краевых задач, таких, которые необходимы современным инженерам.
Первые попытки имитации творческой деятельности матема-
тиков-аналитиков, показали перспективность нового подхода. Ока-
зывается, с помощьюидей и методов искусственного интеллекта
можно реанимировать незаслуженно забытые аналитические методы
решения краевых задач. Применение современных интеллектуаль-
ных технологий открывает возможности создания универсальных
программных комплексов, способных получать надежные аналити-
ческие решения краевых задач. На сайте http://www.pspu.ru/regions/
размещена демонстрационная версия интеллектуальной системы
«REGIONS», которая, имитируя творческуюдеятельность мате-
матика-профессионала (эксперта), находит точные аналитические
решения несложных краевых задач теории упругости и теплопровод-
ности. В основу интеллектуальной системы положен малоизвестный
аналитический метод решения краевых задач — метод фиктивных
канонических областей (ФКО).
Метод ФКО был предложен в начале 1970-х гг. Л. Н. Ясницким
[136, 138] и, в свое время, позволил получить точные аналити-
ческие решения ряда важных в практическом отношении задач.
И все же метод ФКО не получил широкого распространения из-
за трудностей его алгоритмизации, из-за того, что, несмотря на
использование ЭВМ, в ходе решения краевых задач требовался
интеллект математика-профессионала, что делало его недоступным
для широкого круга пользователей.
Сейчас положение изменилось. Во-первых, в ситуации, когда
кризис прикладной математики грозит перерасти в кризис цивили-
зации, существует объективная необходимость возрождения высо-
конадежных методов математического моделирования. Во-вторых,
метод ФКО обретает «второе дыхание» благодаря последним дости-
жениям в области искусственного интеллекта, которые позволяют
полностью переложить интеллектуальные проблемы его реализации
и применения на компьютер. Такой подход к решению краевых
задач получил название интеллектуального математического мо-
делирования [25, 137].
9.5. ИНТЕЛЛЕКТУАЛЬНОЕ МАТЕМАТИЧЕСКОЕ

МОДЕЛИРОВАНИЕ
9.5.1. Метод фиктивных канонических областей (ФКО)
В 1926 г. немецкий математик и механик Эрих Треффтц (1888–1937),
в то время более известный как авиатор-воздухоплаватель, в своем
выступлении на Втором международном конгрессе по технической
механике в г. Цюрихе предложил аналитический метод решения
краевых задач, суть которого заключается в следующем.
Пусть требуется решить уравнение Лапласа
ΔU(p) = 0 (9.70)
в некоторой области D, на границе S которой задано условие:
U(p)|S = U ∗ (S). (9.71)
Согласно методу Треффтца решение краевой задачи будем искать
в виде разложения

N
U(p) = cn Un (p), p ∈ D, (9.72)
n=1
где Un (p) — базисные функции координат, выбираемые так, что каж-
дая из них удовлетворяет заданному дифференциальному уравнению
(9.70); cn — постоянные коэффициенты, определяемые из условия
минимума функционала

J (U) = (grad U(p))2 dD, (9.73)
D
соответствующего краевому условию (9.71).
Таким образом, сумма (9.72) тождественно удовлетворяет за-
данному дифференциальному уравнению и приближенно-краевому
условию. Это свойство решений, получаемых методом Треффтца,
открывает уникальную возможность надежной оценки точности
результатов. В самом деле, после того как краевая задача решена
и постоянные cn определены, мы имеем возможность подставить
их в сумму (9.72) и подсчитать ее значение на границе S заданной
области D. Таким образом, вместо условия (9.71) имеем другое
условие:
∗ (S),
U(p)|S = U (9.74)
9.5. Интеллектуальное математическое моделирование 167
∗ (S) отличается
в котором граничное значение найденного решения U
∗ (S) |,
от заданного U (S) на некоторую величину δ(S) = | U ∗ (S) − U
∗
причем максимальное значение этой разности (обозначим его

εm ) в каждом конкретном случае может быть легко подсчитано:
εm = max δ(S).
S
Итак, вместо заданной краевой задачи (9.70), (9.71) метод
Треффтца позволяет получить точное аналитическое решение крае-
вой задачи (9.70), (9.74), которая отличается граничным значением
искомой функции на величину δ(S).
В практике компьютерного моделирования некоторая корректи-
ровка граничных условий краевых задач, как правило, допускается.
Граничные условия обычно формулируются с привлечением различ-
ных физических гипотез и допущений, либо являются результатом
измерений физических приборов, которые всегда имеют некоторую
погрешность ε, и если
max δ(S) < ε, (9.75)

S
то исходную краевую задачу (9.70), (9.71) можно заменить на задачу

(9.70), (9.74). Но эту последнюю задачу, как мы только что видели,
методом Треффтца удается решить точно. Таким образом, вопрос об
оценке погрешности решения краевой задачи, полученного методом
Треффтца, снимается в принципе.
Это замечательное свойство метода Треффтца ставит его в особое
положение по отношению к другим приближенным подходам,
является его серьезнейшим преимуществом, особенно важным
в современных условиях, когда на первое место выступает качество
и надежность расчетных результатов.
Подход, предложенный Э. Треффтцем в 1926 г., вызвал серию
научных работ, посвященных вопросам развития и применения этого
подхода. Несмотря на уникальные свойства и внимание математиков
метод Треффтца долгое время оставался не пригодным для широкого
практического применения. Дело в том, что нерешенной была
проблема подбора базисных функций Un (p), удовлетворяющих
решаемым дифференциальным уравнениям и обеспечивающих схо-
димость метода. Только в редких случаях посредством увеличения
числа функций N удавалось уменьшить до приемлемых значений
погрешность удовлетворения краевым условиям δ(S) и получить
приемлемые решения краевых задач. Таким образом, успех приме-

нения метода зависел целиком и полностью от опыта и интуиции
математика, а порой и просто от его везения.
Разобраться в проблемах сходимости и корректности, построить
методику выбора базисных функций, обеспечивающую успех при-
менения метода Треффтца, позволила появившаяся в 1973 г. [138]
геометрическая интерпретация, суть которой поясним на примере
краевой задачи теории упругости.
Пусть требуется рассчитать напряженно-деформированное состо-
яние упругого тела D, изображенного на рис. 9.17, a. На поверхности
S тела D заданы граничные условия в перемещениях или (и)
в напряжениях.
P V1
V V2
D
S S
V3
а б в
Рис. 9.17. Заданное тело D (а) мысленно погружается в каноническую
область V (б) или в область пересечения нескольких канонических областей:
V1 ∩ V2 ∩ V3 (в)
Наряду с D в рассмотрение вводится некоторая фиктивная

каноническая область V , внутри которой мысленно (на рис. 9.17, б
показано штриховой линией) выделяются контуры заданного тела.
Поскольку область V является канонической, то для нее методом
разделения переменных Фурье можно построить решение диффе-
ренциальных уравнений теории упругости, имеющее вид ряда

N
U(p) = cn Un (p), N → ∞, p ∈ V, (9.76)
n=1
где Un (p) — координатные функции, тождественно удовлетворяющие

решаемым дифференциальным уравнениям; cn — постоянные коэф-
фициенты, определяемые граничными условиями на поверхности
области V .
Это решение является общим в том смысле, что путем подбора

постоянных коэффициентов cn из него могут быть выделены частные
решения, удовлетворяющие достаточно произвольным граничным
условиям на поверхности тела V . Если теперь на этой поверх-
ности создать такое нагружение P, что на контурах вписанного
тела возникнут напряжения или (и) перемещения, совпадающие
с заданными на S граничными условиями, то решение для V ,
соответствующее нагружению P, будет в то же время являться
решением исходной задачи для тела D. Последнее справедливо
в силу того, что выделенное из (9.76) частное решение удовлетворяет
внутри тела D уравнениям теории упругости, а на его поверхности —
заданным граничным условиям.
С математической точки зрения задача нагружения фиктивного
тела V состоит в определении коэффициентов разложения (9.76),
обеспечивающих выполнение заданных на S условий. Если ограни-
читься конечным числом слагаемых N ряда (9.76), эту задачу можно
решить приближенно, удовлетворяя граничным условиям в N точках
коллокаций, лежащих на S, или минимизируя на этой поверхности
функционал граничных условий. Последний может быть сформули-
рован по методу Треффтца (9.73), с использованием энергетических
представлений, либо по методу наименьших квадратов.
Приведенная здесь геометрическая интерпретация к математиче-
скому аппарату Треффтца позволила физически понять и объяснить
причины многих неудачных попыток его применения. Например,
если бы тело D (см. рис. 9.17) имело внутренние пустоты, запол-
ненные газом высокого давления, то добиться возникновения таких
граничных условий на D подбором нагружения P фиктивного тела
V , вряд ли бы удалось. Интуиция нам подсказывает, что в качестве
V здесь надо использовать многосвязную область (об этом речь
пойдет далее). Сейчас же отметим, что именно геометрическая
интерпретация, впервые предложенная в работе [138], позволила
в этой же работе дать формулировку и первое доказательство
теоремы сходимости, предложить на этой основе критерий и мето-
дику выбора базисных функций, предложить и обосновать способы
оценки погрешности решений краевых задач, т. е. построить теорети-
ческие основы математического аппарата, названного впоследствии
методом фиктивных канонических областей (ФКО) [136].
Остановимся на методе ФКО более подробно. Суть критерия

выбора ФКО заключается в требовании продолжимости искомого
решения в область V . Под термином «продолжимость» понимается
возможность продолжения искомого решения (как функции, удо-
влетворяющей дифференциальным уравнениям задачи) за границы
расчетной области D во все пространство, которое занимает более
крупная область V . Причем под V подразумевается минимальная,
содержащая D, область из семейства областей, для которых имеет
место используемое разложение (9.76). В качестве V может быть
выбрана как отдельная каноническая область (см. рис. 9.17, б),
так и область пересечения нескольких канонических областей
V = V1 ∩ V2 ∩ . . . ∩ VK (см. рис. 9.17, в). В этом случае вместо (9.76)
используется сумма K разложений, относящихся соответственно
к V1 , V2 , . . . , VK .
Критерий выбора ФКО основан на том, что при выполнении
условия продолжимости искомого решения в V это решение является
суммой по базисным функциям для V . Тогда разложение (9.76)
(или сумма K разложений в случае суперпозиции фиктивных
областей) при ограниченном N представляет собой отрезок ряда
и для него применимы соответствующие теоремы сходимости. Если
же продолжимость отсутствует, то такого ряда не существует.
Сумма же в правой части формулы (9.76) может рассматриваться
только как линейная комбинация функций Un (p), аппроксимирующая
в D искомое решение. Но для такой аппроксимации задача
нахождения коэффициентов cn не является корректной по Адамару.
В этом случае, как доказано С. Я. Гусманом (1937–2007) [37],
при увеличении N некоторые из коэффициентов cn неограниченно
возрастают. Это значит, что при практических вычислениях на
компьютерах в принципе невозможно получить решение задачи
с погрешностью, меньшей некоторого положительного числа ε0 ,
зависящего от краевой задачи и памяти компьютера.
Следует отметить, что величина ε0 может оказаться достаточно
малой и поэтому выполнение критерия продолжимости не является
строго обязательным. Однако сам факт существования ε0 , ограничи-
вающего точность решения задачи снизу, является нежелательным
и, как правило, не позволяет получать приемлемых результатов.
Поэтому в методе ФКО выполнению условия продолжимости
придается первостепенное значение.
Нарушение продолжимости может происходить из-за наличия

особенностей, т. е. точек, в которых искомое решение обращается
в бесконечность, имеет разрывы, изломы и т. п. В реальных краевых
задачах особые точки решений, как правило, располагаются за
пределами области D либо на ее поверхности. Таким образом,
задача выбора ФКО сводится к тому, чтобы:
• предсказать возможные места расположения особых точек,
• подобрать и расположить ФКО так, чтобы особые точки
искомого решения лежали за пределами области V (или на
ее поверхности).
Применение критерия выбора ФКО продемонстрируем на сле-
дующих задачах.
Задача 1. Пусть требуется решить уравнение Лапласа для плоской

области D, изображенной на рис. 9.18, а, причем известно, что
искомое решение имеет особую точку ξ, расположенную вблизи D.
ξ ξ θ
D V
а б
Рис. 9.18. Заданное тело D (а) погружается в круг V (б):
ξ — особая точка искомого решения
В качестве фиктивной области V в этом случае можно использо-

вать, например, круг, для которого имеет место решение уравнения
Лапласа (полученное в п. 9.3 методом разделения переменных
Фурье):

N
U= rn (an cos nθ + bn sin nθ), N → ∞, (9.77)
n=0
где r, θ — полярные координаты; an , bn — постоянные коэффициенты.

Согласно критерию продолжимости круг надо расположить так,
чтобы он содержал D и не содержал ξ.
Пример такого расположения показан на рис. 9.18, б.
Задача 2. Случай, когда подобрать круг, удовлетворяющий кри-

терию продолжимости, не удается показан на рис. 9.19, а. Поэтому
в качестве V на рис. 9.19, б предложена кольцевая область, для
которой (согласно п. 9.3) имеет место разложение:

N
U= rn (an cos nθ + bn sin nθ) + c0 ln r, N → ∞. (9.78)
n=−N
θ
ξ ξ
V
D
а б
Рис. 9.19. Заданное тело D (а) погружается в кольцевую область V (б)
Задача 3. Более сложный случай, когда вблизи области D имеются

две особые точки: ξ1 и ξ2 , представлен на рис. 9.20, а. Ни круг,
ни кольцо для этой краевой задачи не годятся, поэтому здесь
рекомендуется прием суперпозиции ФКО [139]: D погружается
в область пересечения двух кольцевых областей V = V1 ∩ V2 .
Разложение для V представляет собой сумму двух рядов:
U = U1 + U 2 , (9.79)
первый из которых

N
U1 = r1n (an1 cos nθ1 + bn1 sin nθ1 ) + c1 ln r1 , N →∞ (9.80)
n=−N
относится к области V1 , а второй —

N
U2 = r2n (an2 cos nθ2 + bn2 sin nθ2 ) + c2 ln r2 , N →∞ (9.81)
n=−N
относится к области V2 .
V1 V2
D r1 r2
θ1 θ2
V1 r1
ξ1 ξ2
а б
Рис. 9.20. Заданное тело D (а) погружается в область пересечения двух
фиктивных колец V1 и V2 (б)
Как видно из рис. 9.20, б, особые точки ξ1 и ξ2 оказались

за пределами области пересечения фиктивных колец и искомое
решение, таким образом, продолжимо в V = V1 ∩ V2 .
Задача 4. Вариант применения приема [140], названного компо-

зицией расчетной области, приведен на рис. 9.21.
Заданное тело D разбивается на три подобласти: D1 , D2 и D3 ,
между которыми задаются условия совместности перемещений и на-
пряжений. Затем каждая из подобластей погружается в фиктивные
канонические области: V1 , V2 и V3 с таким расчетом, чтобы особые
точки ξ1 и ξ2 оказались за их пределами. Искомое решение задачи
для D представляется в виде совокупности разложений, относящихся
каждое к своей канонической области:

N
n
Um = rm (anm cos nθm + bnm sin nθm );
n=0
rm , θm ∈ Dm ; m = 1, 2, 3; N → ∞. (9.82)
В практических задачах часто удается сделать так, чтобы

подобласти Dm сами по себе были каноническими областями,
совпадающими по форме с Vm . Такой способ разбиения и выбора
канонических областей приводит к получению наиболее эффектив-
ных, быстро сходящихся алгоритмов.
Как показал опыт, применение приемов суперпозиции и компо-
зиции позволяет всегда добиваться выполнения условия продолжи-
мости. Поэтому методом ФКО можно в принципе решать линейные
краевые задачи любой степени сложности.
V1
D1
D
D2 V2
D3 V3
ξ1 ξ2
а б
Рис. 9.21. Заданное тело D (а) расчленяется на элементы D1 , D2 , D3 ,

которые погружаются в канонические области V1 , V2 , V3 (б)
После того как фиктивные канонические области выбраны и по-

строены соответствующие им общие решения дифференциальных
уравнений, решается задача определения коэффициентов, входящих
в эти решения. Постоянные коэффициенты определяются из условий
на поверхности заданного тела, причем задача их нахождения может
решаться несколькими с п о с о б а м и. Рассмотрим некоторые из
них.
Метод граничной коллокации. Пусть требуется решить
какое-либо дифференциальное уравнение для тела D, на границе
S которого задано условие:
U(p)|S = U ∗ (S). (9.83)

Пусть в качестве фиктивной выбрана некоторая область V , для
которой имеет место общее решение заданного дифференциального
уравнения:

∞
U(p) = cn Un (p), p ∈ V . (9.84)
n=1
Согласно методу граничной коллокации количество слагаемых

в этом решении ограничивается конечным числом слагаемых N:

N
U(p) = cn Un (p), p ∈ V. (9.85)
n=1
На границе S заданного тела D через равные интервалы
наносятся точки Si , называемые точками коллокаций. Их коли-
чество выбирается равным числу слагаемых, удержанных в общем
решении (9.85). Далее в это решение подставляются координаты

первой коллокационной точки и полученная сумма приравнивается
значению граничной функции (9.83) в этой точке:

N
cn Un (S1 ) = U ∗ (S1 ). (9.86)
n=1
Поочередный перебор всех точек коллокаций приводит к системе

N линейных алгебраических уравнений относительно cn :

N
cn Un (Si ) = U ∗ (Si ); i = 1, 2, . . . , N. (9.87)
n=1
Нахождение коэффициентов cn из этой системы позволяет полу-

чить решение граничной задачи, которое удовлетворяет граничным
условиям во всех коллокационных точках. Если выбор фиктивных
областей сделан правильно, то погрешность удовлетворения гранич-
ным условиям на S между точками коллокаций будет уменьшаться
с увеличением числа N.
Метод граничной коллокации достаточно универсален. В тех
случаях, когда граничные условия накладываются не только на
значения искомой функции, но и на их производные, координаты
коллокационных точек вместо (9.83) подставляются в соответ-
ствующие граничные уравнения, что приводит к аналогичным
системам алгебраических уравнений для определения постоянных
коэффициентов базисных разложений.
Недостаток метода коллокаций состоит в том, что погрешность
удовлетворения граничным условиям на поверхности S распреде-
ляется неравномерно.
Граничный метод наименьших квадратов. Согласно этому
методу формируется функционал граничных условий, представля-
ющий собой интеграл по границе области от квадратичной невязки
удовлетворения граничным условиям:
⎡⎢ N ⎤2
⎥⎥
⎢⎢⎢
J (U) = ⎢⎣ cn Un (p) − U (S)⎥⎥⎥⎦ dS.
∗
(9.88)
S n=1
Дифференцирование функционала по неопределенным коэффициен-

там ck , (k = 1, 2, . . . , N) и приравнивание к нулю этих производных
приводит к системе линейных алгебраических уравнений

N
cn Un (p) Uk (p) dS = U ∗ (S) Uk (p) dS; k = 1, 2, . . . , N,
n=1 S S
(9.89)
решение которой позволяет получить коэффициенты cn , обеспечи-
вающие выполнение граничных условий на S. Интегралы, входящие
в (9.89), можно вычислять различными численными методами. Заме-
чено, что наиболее простые и эффективные алгоритмы получаются,
когда для вычисления интегралов используется формула средних
прямоугольников, причем количество прямоугольников берется в 5–7
раз больше порядка системы N. Более высокая точность вычисления
интегралов, связанная с дополнительными затратами машинного
времени, как правило, не приводит к улучшению решения краевой
задачи в целом. При уменьшении числа прямоугольников до N метод
наименьших квадратов вырождается в метод граничной коллокации.
Если граничные условия задачи имеют более сложный вид,
чем (9.83), то метод наименьших квадратов нуждается в обоб-
щении. Рассмотрим обобщение метода наименьших квадратов,
предложенное советским математиком, автором многих пионерских
работ в области математической и прикладной теории упругости,
академиком Л. С. Лейбензоном (1879–1951) [62].
Пусть задачу теории упругости надо решить в системе декарто-
вых координат x, y, z для тела D, на части поверхности SP которого
заданы напряжения Px∗ , Py∗ , Pz∗ . Пусть удалось подобрать фиктивную
каноническую область V , для которой имеет место общее решение
уравнений Ламе:

N
N
N
Ux = cn Uxn ; Uy = cn Uyn ; Uz = cn Uzn , (9.90)
n=1 n=1 n=1
где Ux , Uy , Uz — компоненты упругого смещения; Uxn , Uyn , Uzn —
функции координат.
Подставив разложения (9.90) в закон Гука, получим аналогичные
разложения для компонент напряжений, действующих на поверх-
ности SP :

N
N
N
Px = cn Pxn ; Py = cn Pyn ; Pz = cn Pzn . (9.91)
n=1 n=1 n=1
Тогда суммарная квадратичная погрешность удовлетворения гранич-

ным условиям может быть представлена в виде интеграла
⎡⎢⎢⎛⎜ N ⎞2 ⎛ N
⎟⎟ ⎜⎜⎜
⎞2
⎟⎟
⎢⎢⎢⎜⎜⎜ ∗⎟
εP = ⎢⎢⎣⎜⎝ cn Pxn − Px ⎟⎟⎠ + ⎜⎜⎝ cn Pyn − Py ⎟⎟⎟⎠ +
∗
SP n=1 n=1
⎛N ⎞2 ⎤⎥
⎜⎜⎜ ⎟⎟ ⎥⎥
+ ⎜⎜⎝ cn Pzn − Pz ⎟⎟⎟⎠ ⎥⎥⎥⎥⎦ dSP , (9.92)
∗
n=1
условие минимума которого (∂εP /∂εP = 0;, k = 1, 2, . . . , N) эк-

вивалентно системе линейных алгебраических уравнений относи-
тельно cn :
N
cn Pxn Pxk + Pyn Pyk + Pzn Pzk dSP =
n=1 SP
= Px∗ Pxk + Py∗ Pyk + Pz∗ Pzk dSP . (9.93)
SP
Если на части поверхности SU тела D заданы перемещения Ux∗ ,

Uy∗ , Uz∗ , то функционал граничных условий имеет аналогичный вид:
⎡⎢⎢⎛⎜ N ⎞2 ⎛ N
⎟⎟ ⎜⎜⎜
⎞2 ⎛ N
⎟⎟⎟ ⎜⎜⎜
⎞2 ⎤⎥
⎟⎟ ⎥⎥
⎢⎢⎢⎜⎜⎜ ∗⎟
εU = ⎢⎢⎣⎜⎝ cn Uxn − Ux ⎟⎟⎠ + ⎜⎜⎝ cn Uyn − Uy ⎟⎟⎠ + ⎜⎜⎝ cn Uzn − Uz ⎟⎟⎟⎠ ⎥⎥⎥⎥⎦dSU ,
∗ ∗
SU n=1 n=1 n=1

(9.94)
а его минимальное значение обеспечивает система алгебраических
уравнений:

N
cn Uxn Uxk + Uyn Uyk + Uzn Uzk dSU =
n=1 SU
= Ux∗ Uxk + Uy∗ Uyk + Uz∗ Uzk dSU . (9.95)
SU
В технических проблемах наиболее часто встречаются краевые

задачи со смешанными граничными условиями, когда на поверхно-
сти упругого тела заданы граничные условия как в напряжениях,
так и в перемещениях. Для таких задач удобно использовать
обобщение методики Лейбензона, предложенное в [136]. Согласно
этому обобщению формируется обобщенный функционал:

1 1
ε= εP + k εU , (9.96)
SP SU
в котором невязка εP вычисляется на участках поверхности, на
которых заданы напряжения, а невязка εU вычисляется там, где
заданы перемещения; k — весовой множитель, Па/м2 .
Выполняя дифференцирование обобщенного функционала по ck ,
приходим к системе алгебраических уравнений, обеспечивающих
его минимум:
N
1
cn Pxn Pxk + Pyn Pyk + Pzn Pzk dSP +
SP
n=1 SP
⎤
⎥⎥⎥
⎥
Uzk ) dSU ⎥⎥⎥⎥⎥ =
1
+k (Uxn Uxk + Uyn Uyk + Uzn
SU ⎦
SU

1
= Px∗ Pxk + Py∗ Pyk + Pz∗ Pzk dSP +
SP
SP

1
+k Ux∗ Uxk + Uy∗ Uyk + Uz∗ Uzk dSU . (9.97)
SU
SU
Коэффициентом k можно регулировать погрешность удовлетво-

рения граничным условиям. При увеличении k возрастает точность
выполнения граничных условий в перемещениях и снижается
в напряжениях. При уменьшении k эффект получается обратным.
В практических вычислениях часто бывает удобно задавать
k = (E/L)2 , (9.98)
где E — модуль упругости Юнга; L — характерный размер заданного
тела.
Это соотношение следует из условия совпадения размерностей
слагаемых в правой части равенства (9.96).
Излагаемое здесь обобщение метода наименьших квадратов
имеет недостаток, заключающийся в том, что погрешность удовле-
творения граничным условиям на разных участках поверхности за-
данного тела распределяется неравномерно. Кроме того, в некоторых
случаях бывает необходимо увеличить точность выполнения гранич-

ных условий на отдельных участках границы. Добиться требуемого
эффекта можно, если в формулу (9.97) перед каждым интегралом
ввести дополнительные безразмерные весовые коэффициенты km
(m— номер безразмерного коэффициента) и увеличивать значения
весовых коэффициентов перед соответствующими граничными ин-
тегралами. Точность выполнения граничных условий на других
участках при этом уменьшается.
Задача подбора необходимых значений весовых коэффициентов
km является неоднозначной и представляет определенные трудности.
Далее, в п. 9.5.2 излагается алгоритм ее решения, идея которого
заимствована из области искусственного интеллекта.
9.5.2. Интеллектуальные проблемы метода ФКО

Метод фиктивных канонических областей является аналитическим
методом решения краевых задач и обладает характерным для
аналитических методов недостатком. Он плохо поддается алгорит-
мизации и может эффективно применяться только математиком-
профессионалом, обладающим богатым опытом и хорошо развитой
интуицией. Дело в том, что практически на всех стадиях решения
краевой задачи возникают проблемы, которые не имеют четких
инструкций и правил их разрешения. Ниже приводятся некоторые
из основных проблем применения метода ФКО, а также способы
их разрешения, основанные, главным образом, на идеях и методах
искусственного интеллекта.
Прогнозирование особых точек решения. Из приведенных
выше теоретических положений следует, что для успешного решения
краевой задачи методом ФКО необходимо, во-первых, предсказать
возможные места расположения особых точек искомого решения
и, во-вторых, подобрать и расположить фиктивные канонические
области так, чтобы они содержали область D и не содержали особые
точки.
Вторая часть этой проблемы (выбор фиктивных канонических
областей) решается посредством применения рассмотренных выше
методик суперпозиции ФКО и композиции расчетных областей.
Предсказание же возможных мест расположения особых точек
искомого решения краевой задачи является менее проработанной
и наиболее сложной интеллектуальной проблемой применения
метода ФКО. Дело в том, что точно указать особые точки функции,
являющейся решением краевой задачи, можно только в том случае,
если это решение известно. Таким образом, получается, своего рода,
замкнутый круг. Приступая к решению краевой задачи методом ФКО
нам надо заранее знать места расположения особых точек искомого
решения. Определить их координаты можно только по виду решения
краевой задачи, которое неизвестно.
При построении алгоритма, прогнозирующего возможные места
расположения особых точек, будем руководствоваться следующими
соображениями. Допустим, что U(p) — это искомое точное решение
краевой задачи, которое существует как в области D, так и за
ее пределами, причем в точках ξ1 , ξ2 , . . . , ξn , расположенных вне
области D, функция U(p) обращается в бесконечность. Функцию
U(p) можно визуализировать с помощью линий постоянного уровня
(изолиний), а также линий, нормальных к изолиниям, показанных
на рис. 9.22 штриховыми линиями. Линии, нормальные к изоли-
ниям искомого решения, сходятся в особых точках ξ1 , ξ2 , . . . , ξn
функции U(p).
U(x, y)
y
ξ2
ξ3
ξ1
D
x
Рис. 9.22. Точное решение краевой задачи U(x, y), которое существует
как в расчетной области D, так и за ее пределами, причем в точках
ξ1 , ξ2 , . . . , ξn , расположенных вне области D, функция U(x, y) обращается
в бесконечность
Опираясь на подмеченное свойство особых точек, авторы работы

[112] предложили оригинальный а л г о р и т м их прогнозирова-
ния.
Шаг 1. Исходная краевая задача решается приближенно каким-либо

численным методом.
Шаг 2. В области D строится картина распределения линий,
нормальных к изолиниям найденного решения.
Шаг 3. Линии, нормальные к изолиниям, плавно продлеваются
за границы расчетной области D. При этом они могут
пересекаться в некоторых точках ξ1 , ξ2 , . . . , ξn , которые
и принимаются за возможные места расположения особых
точек искомого решения краевой задачи.
Шаг 1 этого алгоритма может быть реализован любым числен-

ным методом, например, методом конечных разностей, конечных
элементов, граничных элементов и т. д. При реализации шага 2
удобно вычислять градиент функции U(p), следуя вдоль которого
легко построить линии, нормальные к линиям уровня. Наиболее
затруднительным представляется шаг 3, поскольку задача продол-
жения построенных в предыдущем шаге нормальных линий за
границы расчетной области D может быть решена однозначно
только при наличии точного аналитического решения самой краевой
задачи.
Можно попытаться построить некоторую двумерную функцию,
аппроксимирующую численное решение краевой задачи в области
D и экстраполировать это решение за ее границы. Но более
эффективным оказалась применение методики прогнозирования за-
кономерностей с помощью нейронных сетей. В частности, с задачей
прогнозирования особых точек неплохо справлялся персептрон,
который, усвоив закономерности нормальной к изолиниям линии,
продлевал ее за пределы расчетной области, находя точки пере-
сечения с другими, аналогичным способом полученными кривыми
линиями. Естественно полагать, что чем большее количество линий
пересечется в той или иной точке, тем выше вероятность нахождения
особенности в этой точке и, следовательно, именно таким точкам
надо уделять повышенное внимание при выборе и размещении
ФКО.
в
Рис. 9.23. К расчету температурных полей лопаток первой (слева) и второй
(справа) ступеней турбины авиационного двигателя:
а — поперечное сечение лопаток, б — результат применения методики прогнозиро-
вания особых точек, в — картина распределения изотерм
Изложенный выше подход применялся в задачах расчета ста-

ционарных полей температур в поперечных сечениях лопаток
турбины авиационного двигателя. Рассматривались два варианта:
лопатки первой ступени, поперечное сечение которых представляет
собой четырехсвязную область (рис. 9.23, а, слева), и лопатки
второй ступени — двухсвязные области (см. рис. 9.23, а, справа).
Температура на внешней поверхности лопаток задавалась равной
+1068◦С, на внутренних — +785◦ C.
Результаты работы программы, выполняющей численное решение
краевой задачи, строящей изолинии и имитирующей действия чело-
века, продлевающего нормальные к ним линии за границы расчетной
области, представлены на рис. 9.23, б. Прогнозируемые особые точки
располагаются внутри полостей лопаток (см. рис. 9.23).
Пользуясь полученной прогностической картиной размещения
особых точек нетрудно подобрать и разместить ФКО так, чтобы их
пересечение удовлетворяло сформулированным выше критериям.
Например, можно воспользоваться приемом суперпозиции ФКО,

согласно которому искомое решение краевой задачи представляется
в виде суммы:
M
U= Ui , (9.99)
i=1
где Ui — решение, соответствующее i-й канонической области; M —

количество канонических областей.
В качестве канонических областей были выбраны кольца,
поэтому каждое слагаемое суммы (9.90) имело вид:

N
Ui = rin (ani cos nθi + bni sin nθi ) + ci ln ri , (9.100)
n=−N
где ri , θi — полярные координаты системы, центр которой совпадает
с центром i-го кольца.
Для выполнения условий критериев выбора ФКО центры фик-
тивных колец были совмещены с найденными посредством прогноза
особыми точками.
В заключение отметим, что приведенная постановка задачи не
отличается повышенной сложностью, учетом влияния различных
физических факторов. С математической точки зрения она представ-
ляет собой задачу Дирихле для уравнения Лапласа в многосвязной
области. С помощью методики интеллектуального компьютерного
моделирования эту краевую задачу удалось решить точно. Ре-
зультаты решения приведены на рис. 9.23, в в виде распределения
изотерм в расчетной области — поперечном сечении лопаток турбины
авиационного двигателя.
Оптимизация расположения ФКО. Как было отмечено ра-
нее, успех решения каждой конкретной задачи методом ФКО
(достижение малой невязки удовлетворения искомой функции
краевым условиям) зависит от выбора и расположения фиктив-
ных областей относительно заданного тела. Согласно критерию
продолжимости выбирать ФКО следует так, чтобы область их
пересечения содержала заданную расчетную область D и не
содержала особых точек искомого решения. Алгоритм прогно-
зирования особых точек, приведенный выше, облегчает задачу
адекватного выбора ФКО. Этот прогноз является приближенным,
поскольку, во-первых, исходным материалом для алгоритма про-
гнозирования является грубое приближенное решение краевой
задачи, выполненное численным методом; а во-вторых, сам ал-

горитм прогнозирования основан на эвристическом правиле, и,
как все системы искусственного интеллекта, дает заключение,
не гарантирующее его правильность. Кроме того, при известной
информации о местах расположения особых точек возможно бесчис-
ленное множество вариантов расположения ФКО, удовлетворяющих
требованию критерия их выбора. Как показали результаты вы-
числительных экспериментов [42], все они различаются качеством
получаемых решений — невязки удовлетворения краевых условий
могут изменяться от приемлемых значений до чистого нуля.
В связи с этим сформулируем задачу оптимизации расположения
ФКО.
Пусть для тела D решается краевая задача, выбраны фиктивные
области и их начальное расположение. Необходимо изменить
положение ФКО с целью обеспечения наилучшего качества решения
задачи. Рассмотрим алгоритм решения этой задачи, предложенный
и реализованный С. Л. Гладким [25].
Качество решения определяется невязкой граничных уравнений,
поэтому за критерий качества оптимизационной задачи можно
принять значение граничного функционала.
Пусть начальное положение некоторой ФКО определено по-
ложением ее центра C0 (рис. 9.24). Рассматриваются все точки
на расстоянии dL от C0 . Величина dL является входным па-
раметром алгоритма и задается пользователем в долях харак-
терного размера L тела D. Далее методом золотого сечения
определяется направление перемещения (угол α1 ) центра ФКО
на расстояние dL, обеспечивающее уменьшение значения выбран-
ного критерия качества. Центр ФКО помещается в найденную
точку C1 и вычисляется новое значение критерия качества. Если
оно окажется меньше, чем в предыдущем положении, то центр
ФКО остается в точке C1 , и далее осуществляются аналогичные
действия. Если же значение критерия качества уменьшить не
удалось, то величина шага dL уменьшается. Степень уменьшения
величины dL также является входным параметром алгоритма.
После нескольких итераций по одной ФКО она перемещается
в некоторую точку Cn . Затем рассматриваются другие ФКО,
для которых реализуются аналогичные итерационные алгоритмы,
причем величина начального значения шага dL каждый раз
восстанавливается. Процесс последовательного перемещения цен-
тров фиктивных областей происходит до тех пор, пока значение

критерия качества не уменьшится в заданное число раз или
общее число итераций не превысит максимально допустимое
значение.
cn
C3
α3
C2
α2
C1
dL
α1
C0
Рис. 9.24. Схема последовательного перемещения ФКО
Численная реализация предлагаемого алгоритма выполнена так,

что при выполнении процедуры оптимизации осуществляется ди-
намическая визуализация хода решения, т. е. пользователь в ре-
альном режиме времени получает полную информацию о каждой
итерации — схему перемещения ФКО и график изменения значения
граничного функционала. Если ход решения не устраивает поль-
зователя, то он в любой момент может остановить итерационный
процесс, изменить настройки алгоритма (значения входных пара-
метров) и продолжить решение с того же места, на котором оно
было остановлено, но с новыми параметрами.
Приведенный здесь итерационный динамически настраиваемый
алгоритм оптимизации расположения ФКО реализован в программе
REGIONS, предназначенной для решения краевых задач методом
ФКО.
Распознавание плеоназмов. При решении краевых задач ме-
тодом ФКО искомое решение задачи для заданной области D
составляется из базисных функций, являющихся общим реше-
нием тех же дифференциальных уравнений, но относящихся
к выбранным фиктивным каноническим областям. Для реальных

задач часто оказывается так, что некоторые из выбранных та-
ким способом функций, не нужны для формирования решения
краевой задачи для D. Например, если область D и заданные
на ней граничные условия симметричны относительно оси x,
то в базисном разложении (общем решении для V ) не нужны
функции, антисимметричные относительно оси x. Другой пример.
При использовании приема суперпозиции ФКО может получиться
так, что некоторые функции, относящиеся к различным ФКО,
будут линейно зависимы между собой. Если в первом случае
наличие «лишних» функций в базисном разложении не приведет
к существенному ухудшению качества получаемого решения, то
во втором случае используемый метод решения разрешающей
системы алгебраических уравнений может не справиться со своей
задачей из-за имеющей место линейной зависимости между от-
дельными уравнениями. Лишние базисные функции, называемые
плеоназмами, обычно стараются исключить на стадии подбора
базисных разложений. Увидеть и распознать плеоназмы — сложная
проблема, которую способен решить далеко не каждый мате-
матик.
Между тем, задача распознавания и исключение элементов
из сложной системы, не влияющих или слабо влияющих на ее
поведение, часто встречается в искусственном интеллекте. Так,
в программах, моделирующих игру в шахматы [137], выявля-
ются ходы, не оказывающие существенного влияния на развитие
событий на шахматной доске — это так называемые «мертвые»
вершины дерева возможностей. При проектировании искусственных
нейронных сетей [137] выявляются и исключаются нейроны, не
оказывающие влияние на решение, принимаемое сетью. В том
и другом случаях применяется прием, заключающийся в наблюдении
за поведением характеристик системы при поочередном исключении
ее элементов.
В случае решения краевой задачи методом ФКО такой характе-
ристикой является среднеквадратичная погрешность удовлетворения
краевым условиям ε. Если при исключении какой-либо базисной
функции величина ε заметно увеличивается, то естественно полагать,
что эта базисная функция необходима для формирования решения
краевой задачи. В противном случае мы имеем дело с плеоназмом,

который следует исключить.
Алгоритм, реализующий распознавание плеоназмов, может быть,
например, таким. После определения коэффициентов cn в базисном
разложении (9.72) и определения среднеквадратичной погрешности
удовлетворения краевым условиям ε, исключается первое слагаемое
(c1 = 0) и вычисляется соответствующая этому случаю погрешность
ε1 . Затем исключается второе слагаемое и т. д. до n = N. Затем
каждое εn сравнивается с ε. Если окажется, что εn ε, то базисная
функция Un (p) — плеоназм, подлежащий исключению.
Оптимизация весовых коэффициентов. При отыскании неиз-
вестных коэффициентов общего решения методом наименьших
квадратов (см. п. 9.5.1) вводятся весовые коэффициенты km , ко-
торые определяют значимость удовлетворения того или иного
вида граничных условий. Такие коэффициенты можно задать
на любой границе и на любой ее части, а также для лю-
бой компоненты искомого решения краевой задачи. С помощью
этих коэффициентов можно влиять на невязку удовлетворения
граничных уравнений на той или иной границе (участке гра-
ницы). Специфика метода граничных наименьших квадратов та-
кова, что действует некий закон сохранения. Увеличивая какой-
либо весовой коэффициент, мы уменьшаем невязку удовлетворения
граничных уравнений на соответствующей границе (участке гра-
ницы). При этом невязки удовлетворения граничных уравнений на
других границах (участках границы) будут обязательно увеличи-
ваться.
Математик, решающий краевую задачу, обычно стремится за-
дать весовые коэффициенты так, чтобы невязки удовлетворения
граничным условиям распределялись более-менее равномерно, как
по участкам границ, так и по компонентам искомого решения
на границах. При этом он руководствуется интуитивными сооб-
ражениями, либо задает все коэффициенты km равными единице.
Как правило, такие способы задания весовых коэффициентов редко
приводят к равномерному распределению невязок.
С целью исключения творчества математика из процесса решения
краевой задачи в [137] предложен итерационный алгоритм поиска
весовых коэффициентов, обеспечивающих равномерное распределе-
ние невязок. В основу такого алгоритма положена идея, аналогичная

правилу Хебба (или дельта-правилу) для обучения нейронной сети
персептронного типа (см. п. 10.3).
Суть алгоритма состоит в следующем. Весовым коэффициен-
там присваиваются начальные значения, равные единице, либо
некоторые случайные значения. Решается краевая задача ме-
тодом ФКО, в результате чего находятся невязки граничных
уравнений (максимальные, среднеквадратичные или среднеинте-
гральные) на каждом участке границы εm , m = 1, M, где M —
количество участков границы. Затем вычисляется среднее зна-
1
M
чение невязки по всем границам εc = εm и вычисля-
M m=1
ются отклонения невязок от εc на каждом участке. Если на
m-м участке границы окажется, что погрешность εm больше
чем εc , то соответствующее этому участку границы значение
весового коэффициента km следует увеличить, в противном слу-
чае — уменьшить. Такая коррекция весовых коэффициентов мо-
жет осуществляться, например, с помощью итерационного про-
цесса:
km (t + 1) = km (t) + η(εm − εc ) (9.101)
или
εm
km (t + 1) = km (t) , (9.102)
εc
где km (t+1), km (t) — новое и старое значения весовых коэффициентов;

η — коэффициент скорости обучения.
Итерации по формулам (9.101) либо (9.102) продолжаются до
тех пор, пока отклонения всех невязок от εc не станут меньше
заданного значения.
9.5.3. Система интеллектуального математического

моделирования REGIONS
Система REGIONS1) предназначена для решения краевых задач
математической физики с использованием метода фиктивных ка-
нонических областей. В ней реализованы все изложенные выше
алгоритмы метода ФКО, в том числе и те, которые имитируют
творческую деятельность математика-профессионала, решающего
краевые задачи. Система позволяет получать точные аналитические
решения плоских задач стационарной теплопроводности, теории
упругости и термоупругости, осесимметричных задач стационарной
теплопроводности и теории упругости.
Система написана на языке Object Pascal, имеет современный
интерфейс и позволяет пользователю выполнять следующие дей-
ствия:
• выбрать тип анализа (всего предусмотрено семь типов
анализа: плоская задача теплопроводности; плоско-напря-
женное состояние; плоско-деформированное состояние; тер-
моупругость — плоское напряжение и плоская деформация;
осесимметричная задача теплопроводности; осесимметричное
напряженное состояние);
• задать исходную область: для построения области предусмот-
рены четыре вида графических примитивов: отрезок прямой
линии, дуга окружности, дуга эллипса, сплайн (полином
любого порядка);
• проводить дискретизацию области (каждую линию области
можно разбить на произвольное число отрезков и задать
коэффициент сгущения);
• задать граничные условия в зависимости от типа анализа:
для задач теории упругости можно задавать нормальные,
касательные к поверхности и компоненты в глобальной
декартовой системе координат векторов напряжений и пере-
мещений; для задач теплопроводности — граничные условия
первого, второго и третьего рода. Для всех типов анализа
предусмотрено задание условий симметрии. Все задаваемые
параметры могут произвольно меняться вдоль любой линии;
1)
Система интеллектуального математического моделирования REGIONS разра-
ботана С. Л. Гладким под руководством Л. Н. Ясницкого. Ее демонстрационный
прототип помещен на сайте http://www.pspu.ru/regions/
также на каждой линии может быть задан свой коэффициент

коррекции граничных уравнений;
• вписать заданную область в пересечение неограниченного
числа ФКО: для этого в системе есть несколько базовых типов
ФКО, а также существует возможность создавать новые типы
на их основе;
• реализовать метод композиции: расчетная область может быть
разделена на любое число подобластей, каждая из которых
может быть погружена в пересечение любого числа ФКО;
• решать поставленную задачу;
• оценивать невязки удовлетворения граничных условий, вос-
станавливать скорректированные граничные условия краевой
задачи, которую удалось решить точно;
• применять реализованные в пакете алгоритмы, имитирующие
творческую деятельность математика-профессионала: прогно-
зировать особые точки, оптимизировать центры расположения
ФКО, исключать плеоназмы, оптимизировать весовые коэф-
фициенты базисных разложений;
• писать программы на внутреннем языке программирования.
Интеллектуальная система REGIONS успешно применялась
для компьютерного моделирования тепловых, гидродинамических,
электрических, магнитных явлений, а также для расчета напря-
женно-деформированного состояния упругих элементов инженерных
конструкций сложной формы. В качестве примера на рис. 9.25
приведен результат применения демонстрационного прототипа ин-
теллектуальной системы — точное аналитическое решение задачи
о температурном и напряженном состояниях реактивного двигателя
твердого топлива (РДТТ) (ускорителя). Результаты решения краевой
задачи представлены в поперечном сечении двигателя в виде
распределения изотерм (см. рис. 9.25, а) и изолиний интенсивности
напряжений по мизесу (см. рис. 9.25, б). На рис. 9.25, б видна
опасная концентрация напряжений в виде изолиний, послужившая
одной из возможных причин гибели американского космического
корабля «Челленджер».
Отметим, что обнаруженная концентрация напряжений обыч-
ными численными методами (например с помощью пакета ANSYS)
также улавливается. Однако, в отличие от метода ФКО, погрешность,
с которой эти напряжения вычисляются, надежной оценке не
поддается.
Температура, ◦ C
Интенсивность
напряжений,
Па
Рис. 9.25. Точное решение краевой задачи, полученное интеллектуальной

системой:
распределение температуры (а) и интенсивности напряжений (б) в поперечном
сечении реактивного двигателя твердого топлива
9.5.4. Метод ФКО — метод точного аналитического решения

краевых задач
Как отмечалось ранее, метод ФКО позволяет получать решения
краевых задач, тождественно удовлетворяющие дифференциальным
уравнениям и приближенно — краевым условиям. Это значит, что
вместо исходной краевой задачи, например (9.70), (9.71), мы
получаем точное решение краевой задачи (9.70), (9.74), которая
отличается от исходной граничными условиями на некоторую
величину δ(S). Если выполнены условия теорем [137], то значения
δ(S), вычисленные по всей границе S тела D, равномерно сходятся
к нулю при увеличении числа слагаемых базисных разложений.
Искусственный интеллект системы REGIONS позволяет автомати-
зировать процесс выбора и расположения ФКО (выбора базисных
разложений) и освободить пользователя от интеллектуальных про-
блем, связанных с удовлетворением условий сходимости метода
ФКО, чем и обеспечивается успех решения задачи.
Это одно из достоинств предлагаемого подхода. Однако ос-
новное достоинство и принципиальное отличие метода ФКО от
традиционных подходов состоит в том, что краевую задачу (9.70),
(9.74), которую удается решить точно, в каждом конкретном случае
можно легко воссоздать. Используя получившееся методом ФКО
решение можно вычислить его значения в каждой точке границы
S и воспроизвести скорректированное граничное уравнение (9.74).
Зная (9.74), можно физически представить, а следовательно понять,
какую же математическую задачу удалось решить точно и на
сколько ее граничные условия (9.74) отличаются от заданных (9.71).
Таким образом, появляется возможность предложить инженеру,
поставившему краевую задачу (9.70), (9.71), скорректировать ее
граничное условие (заменить (9.71) на (9.74)), и если, по его мнению,
данная замена является допустимой, предоставить ему решение, не
имеющее математических погрешностей. Требуемые корректировки
обычно не вызывают затруднений, поскольку, как правило, они
незначительны и имеют наглядную физическую интерпретацию.
Например, часто речь идет об изменении заданных на границе
проектируемого объекта температур на сотые и тысячные доли
градуса или приложенных к объекту сил — на аналогичные доли
ньютона. В контексте п. 9.4, возможность полного исключения мате-
матических погрешностей, возможность получения точного решения
скорректированной краевой задачи, которому можно полностью

доверять, имеет важнейшее практическое значение для инженерной
науки XXI в.
Следует заметить, что метод ФКО обладает еще одним заме-
чательным свойством, имеющим преимущественно теоретическое,
а не практическое значение. Он позволяет получать все известные
на сегодняшний день точные аналитические решения краевых задач.
Напомним, что под точным аналитическим решением краевой
задачи мы понимаем функцию (функции), представленную в ана-
литической форме, тождественно удовлетворяющую дифференци-
альным уравнениям и краевым условиям. Напомним также, что
известные на сегодняшний день точные аналитические решения
краевых задач были получены великими математиками XVIII —
XX вв., что процесс получения этих решений представлял собой
творческую деятельность, требующую интуиции, таланта и больших
временных затрат, что получение каждого точного решения было
событием в математическом мире. Это было своего рода открытием,
зачастую становившимся фундаментом для новой научной отрасли
и обширных практических приложений.
Интеллектуальная система REGIONS, помещенная на сайте http://
www.pspu.ru/regions/, способна получить все известные на се-
годняшний день точные аналитические решения плоских и осесим-
метричных граничных задач теории упругости и теплопроводности.
Заметим, что подобного рода прецедентов в мировой практике еще
не случалось. Интеллект великих математиков прошлых веков на
столь высоком уровне еще не моделировался.
Поясним, как это происходит, на конкретном примере. Допустим,
что нам требуется выполнить расчет напряженно-деформированного
состояния длинной толстостенной трубы, находящейся под внут-
ренним давлением.
Полагая цилиндр бесконечно длинным, выбрав тип анализа
«плоско-деформированное состояние», задаемся внутренним и внеш-
ним радиусами цилиндров. На внутренней поверхности цилин-
дра задаем внутреннее давление, оставляя внешнюю поверхность
свободной. Полагая, что пользователь программы не является
квалифицированным математиком, в меню ФКО выбираем все
имеющиеся канонические области — круг, круговая полость в беско-
нечном пространстве, кольцо, бесконечно протяженный слой, задавая
их расположение произвольным образом. Система REGIONS «по

молчанию» сохранит для каждой выбранной ФКО по 20 слагаемых,
объединив их в одну общую сумму. Затем, с помощью своих
интеллектуальных алгоритмов система REGIONS найдет оптималь-
ное расположение фиктивных канонических областей относительно
заданного тела и, исключив плеоназмы, выдаст результат — точное
аналитическое решение краевой задачи, в точности совпадающее
с известным решением Ламе для толстостенного цилиндра [111].
Помимо всех известных науке решений, интеллектуальная си-
стема REGIONS способна получать и неизвестные ранее точные
аналитические решения краевых задач. Делается это аналогичным
образом, т. е. в результате работы интеллектуальных алгоритмов,
осуществляющих подбор нужных ФКО, их оптимальную ориента-
цию относительно заданного тела и сохранение в суммах базисных
разложений только тех функций, которые нужны для точного
удовлетворения граничным условиям краевой задачи.
Встречаются случаи, когда система REGIONS не может сфор-
мировать решение — ограниченную сумму базисных функций, точно
удовлетворяющую граничным условиям исходной краевой задачи.
В этих случаях она предлагает пользователю изменить постановку
краевой задачи — слегка скорректировать граничные условия (т. е.
заменить исходную краевую задачу (9.70), (9.71) на скорректиро-
ванную (9.70), (9.74)). И если пользователь-инженер согласен, если
он уверен, что корректировка не изменит физической сути задачи
и не повлияет на результаты инженерных решений, то программа
выдает точное решение скорректированной краевой задачи.
Оба случая очень важны для практических приложений, по-
скольку получаемые решения являются точными и не имеют мате-
матических погрешностей. Первый случай более предпочтителен,
так как позволяет обходиться без корректировки граничных условий.
В заключение отметим, что интеллектуальная система REGIONS
открыта для дальнейшего развития. По мере ее совершенствования,
по мере усиления ее интеллекта доля задач, требующих корректи-
ровки граничных условий, постепенно уменьшается, а количество
задач, точные решения которых методом ФКО получаются без
корректировок, возрастает.

1. Перечислите основные виды моделирования, этапы и цели
математического моделирования.
2. Каким двум условиям должна удовлетворять функция, называ-
ющаяся точным аналитическим решением краевой задачи?
3. Назовите основные этапы решения краевой задачи методом
разделения переменных Фурье.
4. Чем отличаются численные методы решения краевых задач
от аналитических? В чем заключается современной кризис
прикладной математики?
5. В чем состоит основное преимущество методов типа Треффтца
перед другими аналитическими методами?
6. В чем состоит идея метода фиктивных канонических областей?
7. В чем суть критерия продолжимости и из-за чего он может не
выполняться?
8. Приведите пример, в котором условие топологической эквива-
лентности выполняется, а условие продолжимости не выпол-
няется. Приведите пример обратной ситуации.
9. Перечислите методы удовлетворения граничным условиям.
10. Перечислите интеллектуальные проблемы применения метода
ФКО, поясните их суть и пути решения.
11. На рис. 9.26 приведены результаты решения системой REGION
задачи Дирихле для уравнения Лапласа в квадратной области
со следующими граничными условиями:
см. рис. 9.26, а: U|AB = 1, U|BC = 1, U|AD = −1, U|DC = −1;
см. рис. 9.26, б: U|AB = 1, U|BC = −1, U|AD = −1, U|DC = 1.
D C D C
A B A B
а б
Рис. 9.26. Результаты решения задачи Дирихле для уравнения Лапласа,
полученные с помощью системы REGIONS:
а, б — варианты распределения изолиний внутри квадратной области при различных
граничных условиях
Результаты представлены в виде распределения изолиний

функции U. Где находятся особые точки решений? Какие
фиктивные канонические области можно выбрать и как их
расположить?
12. На рис. 9.25 приведены результаты расчета с помощью системы
REGIONS температурного поля в поперечном сечении РДТТ.
На внутреннем контуре задана температура +2900◦С, на внеш-
нем — +200◦ С. Результирующее температурное поле в сечении
двигателя представлено в виде распределения изотерм — линий,
соединяющих точки, имеющие одинаковую температуру. Где на-
ходятся особые точки решения? Какие фиктивные канонические
области можно выбрать и как их расположить?
13. Зайдите на сайт http://www.pspu.ru/regions/, ознакомьтесь с систе-
мой REGIONS и повторите решения краевых задач, результаты
которых приведены на рис. 9.25, рис. 9.26.
[25], [47], [136], [137]
ГЛАВА 10
НЕЙРОИНФОРМАТИКА
КАК МЕТОД ПОЛУЧЕНИЯ
НАУЧНЫХ ЗНАНИЙ
Простейшие нейронные сети, их возможности и проблемы. Примеры нейросетевого

моделирования в медицине, машиностроении, психологии, банковском деле
и бизнесе
И сказал Бог: сотворим человека по образу Нашему

и подобию Нашему. . .
Библия.
Книги Священного Писания Ветхого и Нового Завета. 1.26.
Предыдущая глава убедила нас в том, что математическое мо-

делирование является одним из самых мощных и перспективных
инструментов получения научных знаний. Следует заметить, что
сам метод математического моделирования, как таковой, возник
много веков назад одновременно с математикой. Цель математики
всегда состояла в том, чтобы отражать, т. е. моделировать, на своем
специфическом языке закономерности окружающего мира. Гран-
диозный толчок развитию метода математического моделирования
дало появление компьютера и компьютерных технологий во второй
половине XX в. Помимо того, что компьютер взял на себя «чер-
новую» работу, связанную с обработкой и визуализацией научной
информации, он еще и научился выполнять такие интеллектуальные
этапы математического моделирования, как нахождение решений
алгебраических и даже дифференциальных уравнений, причем не
только численными, но и аналитическими методами!
За человеком оставался первый этап, связанный с построением,
или, как говорят — формулировкой математических моделей, т. е.
выявление значащих (влияющих на результат моделирования) вход-
ных параметров модели. За человеком оставалось решающее слово
о том, какие законы природы, какие закономерности изучаемой
предметной области (объекта, процесса, явления) следует заложить
в математическую модель.
Кстати, знание законов природы — это одно из основных досто-
яний нашей цивилизации. Законы природы открывались учеными
198 Глава 10. Нейроинформатика: метод получения научных знаний
в результате творческих поисков, экспериментов и научных дис-

куссий на протяжении всей истории человечества.
И вот, в конце XX — начале XXI в. мы становимся свидетелями
события, значение и масштабы последствий которого в истории
цивилизации пока не в силах до конца осознать. Мы становимся
свидетелями того, как эти «святые» высокоинтеллектуальные, сугубо
человеческие функции берет на себя компьютер. Оказывается, он
способен заменить человека и здесь. Оказывается он может (страшно
подумать!) — совершать научные открытия. Он может открывать
законы природы и сам закладывать их в математические модели.
Другими словами, компьютер теперь может не только реали-
зовывать математические модели и интерпретировать результаты
моделирования, но и выявлять закономерности изучаемой пред-
метной области и описывать их на языке математики; выполнять
формулировки математических моделей. Таким образом, компьютер
может полностью осуществлять весь процесс математического
моделирования от «А» до «Я».
Во многих случаях компьютер справляется с созданием матема-
тических моделей лучше, чем человек. Например, компьютер может
выявлять и учитывать в создаваемых им моделях закономерности
и внутренние связи, неизвестные специалистам. В результате
модели, создаваемые компьютером, учитывают большее количество
факторов, законов и закономерностей, влияющих на результат
моделирования. Это, естественно, улучшает качество моделей.
Что же это за компьютер, который может не только обрабатывать
математические формулы и решать математические уравнения, но
и сам формулировать эти формулы и уравнения, извлекать их из
анализа предметных областей? Это не совсем обычный компьютер.
Все, что может обычный (фон-неймановский) компьютер — это
складывать и вычитать двоичные числа. Более сложные операции,
такие как умножение, деление и возведение в степень, обычный
компьютер сводит к сложению и вычитанию, как и все остальное,
что он вообще умеет делать. Согласитесь, что это совсем не то, что
происходит в мозге ученого, когда он совершает научные открытия.
Открывать законы Природы способен только Человек, точнее —
его Мозг. Значит, Компьютер должен быть адекватен Мозгу. Значит,
Компьютер должен быть создан, как сказано в Библии — «по образу
и подобию», но только не Бога, а Человеческого Мозга.
10.1. Мозг и компьютер 199
10.1. МОЗГ И КОМПЬЮТЕР

На заре компьютерной эры в середине ХХ в. были предложены
различные варианты принципов действия и архитектурного исполне-
ния электронно-вычислительных машин. Многие из этих вариантов
не получили дальнейшего развития и были забыты. Наиболее
плодотворной оказалась архитектура машины фон Неймана которую
имеет большинство современных компьютеров. Наряду с машиной
фон Неймана до наших дней дошла еще одна схема, которая
в последние годы получила стремительное развитие и применение.
Речь идет о нейросетевых и нейрокомпьютерных технологиях.
Нейронные сети и нейрокомпьютеры — это одно из направлений
компьютерной индустрии, в основе которого лежит идея создания
искусственных интеллектуальных устройств по образу и подобию
человеческого мозга. Дело в том, что компьютеры, выполненные
по схеме машины фон Неймана, по своей структуре и свойствам
весьма далеки от нашего естественного компьютера — человеческого
мозга. В подтверждение этому в табл. 10.1 приведены признаки,
отличающие человеческий мозг от неймановского компьютера.
Основатели же нейрокибернетики задались целью создания
электронных устройств, адекватных мозгу не только функционально,
но и структурно. Но прежде чем рассматривать такие устройства
приведем основные сведения о принципах организации и функци-
онирования человеческого мозга.
Мозг человека состоит из белого и серого веществ: белое
вещество — это тела нейронов, а серое вещество — соединяющие
их нервные волокна. Каждый нейрон состоит из трех частей: тела
клетки, дендритов и аксона (рис. 10.1).
Нейрон получает информацию в виде электрических сигналов
через свои дендриты, а передает ее дальше через аксон, разветвляю-
щийся на конце на тысячи нервных волокон, соединяющих нейроны
между собой. Место контакта нервного волокна с дендритом
нейрона называется синапсом. Простейший нейрон может иметь
до 10 000 дендритов, принимающих сигналы от других клеток.
В человеческом мозге содержится приблизительно 1011 нейронов.
Каждый нейрон связан с 103 . . . 104 другими нейронами. Таким об-
разом, биологическая нейронная сеть, составляющая мозг человека,
содержит 1014 . . . 1015 взаимосвязей.
Таблица 10.1
Сопоставление принципов построения и свойств современного
компьютера (машины фон Неймана) и человеческого мозга
Признаки Компьютер Человеческий мозг

Сложный Простой
Процессор Высокоскоростной Низкоскоростной
Один или несколько Большое количество
Отделена от процес- Интегрирована в про-
сора цессор
Память Локализованная Распределенная
Адресация не по со- Адресация по содер-
держанию жанию
Централизованные Распределенные
Вычисления Последовательные Параллельные
Хранимые программы Самообучение
Надежность Высокая уязвимость Живучесть
Среда функци- Строго определенная Плохо определенная
онирования Строго ограниченная Без ограничений
Рис. 10.1. Нейроны человеческого мозга

10.2. Математический нейрон 201
Каждый нейрон может существовать в двух состояниях —

возбужденном и невозбужденном. В возбужденное состояние нейрон
переходит под воздействием электрических сигналов, поступающих
к нему от других нейронов, когда эти воздействия становятся доста-
точно большими. В возбужденном состоянии нейрон сам посылает
электрический сигнал другим, соединенным с ним нейронам.
Нейроны взаимодействуют между собой посредством коротких
серий импульсов продолжительностью несколько микросекунд.
Частота импульсов составляет от нескольких единиц до сотен герц,
что в миллион раз медленнее, чем в современных электронных
схемах. Тем не менее, такие сложные операции как распознавание
зрительного образа человек выполняет за несколько сотен микросе-
кунд. Если учесть, что скорость выполнения операций нейронами
составляет единицы микросекунд, то вся операция распознавания
требует около 100 последовательных нейронных операций. Это
значит, что при распознавании образов человеческий мозг запускает
параллельные программы, каждая из которых имеет не более ста ша-
гов. Сделанный вывод известен под названием «правило ста шагов».
Известно, что общее число нейронов в течение жизни человека
практически не изменяется, т. е. мозг ребенка и мозг взрослого
человека содержат приблизительно одинаковое число нейронов.
Примерно одинаковое число нейронов содержат мозг ученого,
политического деятеля и спортсмена. Отличие состоит в силе
синаптических связей, т. е. в величине электрических проводимостей
нервных волокон, соединяющих нейроны. На этом основании была
высказана гипотеза о том, что все наши мысли, эмоции, знания,
вся информация, хранящаяся в человеческом мозге, закодирована
в виде сил синаптических связей. Если учесть, что таких связей
в человеческом мозге 1014 . . . 1015 , то получается, что именно такой
объем информации способен хранить человеческий мозг. Именно
такой размер имеет матрица сил синаптических связей человеческого
мозга, а процесс обучения человека, продолжающийся всю жизнь,
состоит в непрерывной корректировке содержимого этой матрицы.
10.2. МАТЕМАТИЧЕСКИЙ НЕЙРОН

Исторически первой работой, заложившей теоретический фундамент
для создания интеллектуальных устройств, не только функцио-
нально, но и структурно моделирующих человеческий мозг, принято
считать опубликованную в 1943 г. статью Уоррена Мак-Каллока

и Вальтера Питтса [151]. Ее авторы, американские ученые мате-
матики-нейрофизиологи, по праву считающиеся основателями ней-
роинформатики, выдвинули гипотезу математического нейрона —
абстрактного устройства, моделирующего нейрон мозга человека.
Математический нейрон изображен на рис. 10.2 в виде кружочка,
он имеет несколько входов и один выход, показанные стрелками.
Через входы, число которых обозначим J , математический нейрон
принимает входные сигналы xj , которые суммирует, умножая каждый
входной сигнал на некоторый весовой коэффициент wj :
J
S= wj xj . (10.1)
j=1
Выходной сигнал нейрона y может принимать одно из двух
значений — ноль или единицу, которые формируются следующим
образом:
1, если S θ;
y= (10.2)
0, если S < θ,
где θ — порог чувствительности нейрона.
x x3
x1 2 xj
Рис. 10.2. Математический нейрон Мак-Каллока

y и Питтса
Таким образом, математический нейрон, как и его биологический

прототип, существует в двух состояниях. Если взвешенная сумма
входных сигналов S меньше некоторой пороговой величины θ, то
математический нейрон не возбужден и его выходной сигнал равен
нулю. Если же входные сигналы достаточно интенсивны и их
сумма достигает порога чувствительности, то нейрон переходит
в возбужденное состояние, и на его выходе образуется сигнал y = 1.
Весовые коэффициенты wj имитируют электропроводность нервных
волокон — силу синаптических связей между нейронами. Чем они
выше, тем больше вероятность перехода нейрона в возбужденное
состояние. Логическая функция (10.2), называемая активационной
функцией нейрона, графически изображена на рис. 10.3, a.
10.2. Математический нейрон 203
y y y
1 1 1
0 θ S 0 S 0 S
−1
а б в
Рис. 10.3. Пороговые активационные функции нейрона:

а — функция-ступенька со сдвигом; б — функция-ступенька без сдвига; в — функция-
ступенька, симметричная относительно начала координат
Таким образом, математический нейрон представляет собой

пороговый элемент с несколькими входами и одним выходом. Одни
из входов математического нейрона оказывают возбуждающее дей-
ствие, другие — тормозящее. Каждый математический нейрон имеет
свое определенное значение порога. Схематическое представление
математических нейронов, связанных между собой в нейронную
сеть, приведено на рис. 10.4.
Рис. 10.4. Схематическое изображе-

ние участка нейронной сети
Математический нейрон обычно изображают кружочком, воз-

буждающий вход — стрелкой, а тормозящий — маленьким кружочком.
Рядом может записываться число, показывающее значение порога θ.
Как изображено на рис. 10.5, математические нейроны могут
реализовывать различные логические функции.
Так, математический нейрон, имеющий два входа с единичными
силами синаптических связей w1 = w2 = 1, согласно формулам
(10.1)— (10.2) реализует функцию логического умножения «И» при
θ = 2, и функцию логического сложения «ИЛИ» при θ = 1. Нейрон
с одним входом, у которого w = −1, реализует логическую функцию
«НЕТ» при θ = 0.
x1 x2 x1 x2 x
θ=2 θ=1 θ=0

y y y
«И» «ИЛИ» «НЕТ»
Рис. 10.5. Математические нейроны, реализующие логические функции
Следует заметить, что в современной литературе иногда вместо

понятия порога чувствительности нейрона θ используют термин
смещение нейрона b, отличающееся от θ только знаком: b = − θ.
Смещение нейрона b добавляют к сумме (10.1):

J
S= wj xj + b, (10.3)
j=1
условно изображая его в виде веса дополнительного входа, сигнал

которого всегда равен единице (рис. 10.6).
x3
x1 xj
w2
w1
x0 = 1 wj
b
Рис. 10.6. Смещение b интерпретируется как

вес дополнительного входа, сигнал которого
y x0 всегда равен единице
В результате такого представления пороговая активационная

функция нейрона принимает вид:
1, если S 0;
y= (10.4)
0, если S < 0.
10.3. Персептрон 205
Ее графическое изображение приведено на рис. 10.3, б. Еще более

симметричный вид, представленный на рис. 10.3, в, активационная
функция нейрона приобретает при использовании формулы:
1 , если S 0;
y= (10.5)
−1, если S < 0.
10.3. ПЕРСЕПТРОН
Мак-Каллок и Питтс предложили конструкцию сети из математи-
ческих нейронов и показали, что такая сеть в принципе может
выполнять числовые и логические операции. Далее они высказали
очень смелое предположение о том, что сеть из математических
нейронов способна обучаться, распознавать образы, обобщать, т. е.
будет обладать свойствами человеческого интеллекта.
Идея Мак-Каллока — Питтса была материализована в 1958 г.
американским ученым Фрэнком Розенблаттом [97, 153], также
считающимся основателем нейроинформатики, сначала в виде
компьютерной программы для IBM-794, а затем, спустя два года,
в виде электронного устройства, моделирующего человеческий глаз
[64]. Это устройство, имеющее в качестве элементной базы мо-
дельные нейроны Мак-Каллока — Питтса и названное персептроном,
удалось обучить решению сложнейшей интеллектуальной задачи —
распознаванию букв латинского алфавита. Таким образом, удалось
проверить основные гипотезы функционирования человеческого
мозга и сам механизм его обучаемости. «Нельзя сказать, что
мы точно воспроизводим работу человеческого мозга, — признавал
Розенблатт, — но пока персептрон ближе всего к истине».
Разберем принцип действия персептрона на примере решения
конкретных задач.
На рис. 10.7 приведен один из простейших вариантов исполнения
персептрона, предназначенного для классификации чисел на четные
и нечетные. Представим себе матрицу из 12 фотоэлементов, располо-
женных в виде четырех горизонтальных рядов по три фотоэлемента
в каждом ряду. На матрицу фотоэлементов накладывается карточка
с изображением числа (на рис. 10.7 — это число «4»). Если на
фотоэлемент попадает какой-либо фрагмент цифры, то данный
фотоэлемент вырабатывает сигнал в виде двоичной единицы,
в противном случае — ноль.
x1 = 0
w1
x2 = 1
w2
xj = 1 wj y
w11
x11 = 1
x12 = 0 w12
Рис. 10.7. Персептрон, классифицирующий числа на четные и нечетные
Первый фотоэлемент (см. рис. 10.7) выдает сигнал x1 = 0,

второй фотоэлемент — x2 = 1 и т. д. Согласно формулам (10.1)— (10.2)
персептронный нейрон выполняет суммирование входных сигналов
xj , помноженных на синаптические веса wj , первоначально задан-
ные датчиком случайных чисел. После этого сумма сравнивается
с порогом чувствительности θ, также заданным случайным образом.
Цель обучения персептрона состоит в том, чтобы выходной сигнал
y принимал значение единица, если на карточке было изображено
четное число, и ноль, если число было нечетным.
Эта цель достигается обучением персептрона, заключающемся
в корректировке весовых коэффициентов wj . Если, например, на вход
персептрона была предъявлена карточка с числом «4» и выходной
сигнал y случайно оказался равным единице, означающей четность,
то корректировать веса не нужно, так как реакция персептрона
правильна. Если выход неправилен и y = 0, то следует увеличить
веса тех активных входов, которые способствуют возбуждению
нейрона. В данном случае увеличению подлежат w2 , w11 и др.
Таким образом, можно сформулировать следующий и т е р а -
ц и о н н ы й а л г о р и т м корректировки весовых коэффициентов,
обеспечивающий обучение персептрона в нужном направлении.
Шаг 1. Подать входной образ и вычислить выход персептрона y.
Шаг 2, а. Если выход правильный, то перейти на шаг 1.
10.3. Персептрон 207
Шаг 2, б. Если выход неправильный и равен нулю, то увеличить

веса активных входов, например, добавить все входы к соответ-
ствующим им весам:
wj (t + 1) = wj (t) + xj .
Шаг 2, в. Если выход неправильный и равен единице, то

уменьшить веса активных входов, например, вычесть каждый вход
из соответствующего ему веса:
wj (t + 1) = wj (t) − xj .
Шаг 3. Перейти на шаг 1 или завершить процесс обучения.

В приведенном здесь алгоритме шаг 2,б называют первым
правилом Хебба, а шаг 2,в — вторым правилом Хебба в честь
канадского ученого физиолога Д. О. Хебба, предложившего этот
алгоритм в 1949 г. [147]. Отметим, что правила Хебба удивительным
образом напоминают процесс обучения ребенка методом «поощ-
рения — наказания» или дрессировки животного методом «кнута
и пряника». Как в случаях с ребенком и животным, алгоритм
обучения персептрона за конечное число попыток (итераций, или
эпох) может привести к цели — персептрон в конце концов научится
различать четные и нечетные числа.
Естественно возникает вопрос, всегда ли алгоритм обучения
персептрона приводит к желаемому результату. Ответ на этот
вопрос дает теорема сходимости персептрона, формулируемая
следующим образом.
Если существует множество значений весов, которые обеспе-

чивают конкретное различение образов, то в конечном итоге
алгоритм обучения персептрона приводит либо к этому множе-
ству, либо к эквивалентному ему множеству, такому, что данное
различение образов будет достигнуто.
В настоящее время считается, что по числу выполненных

доказательств теорема сходимости персептрона занимает первое
место в мире (ранее самой доказанной в мире теоремой считалась
теорема Пифагора).
10.4. РАСПОЗНАВАНИЕ БУКВ

Рассмотренный алгоритм обучения персептрона можно представить
в более общей форме. Если через d обозначить требуемый выходной
сигнал (desire response), то на каждой итерации можно рассчитывать
разницу между требуемым ответом персептрона d и реальным
значением y, вычисляемым на его выходе:
ε = (d − y). (10.6)
Тогда случай ε = 0 соответствует шагу 2,а, когда выход правилен,
случай ε > 0 — шагу 2,б, случай ε < 0 — шагу 2,в.
Идея алгоритма обучения персептрона с помощью правил Хебба
сохранится, если итерационный процесс вести по формулам:
wj (t + 1) = wj (t) + Δwj ; (10.7)
Δwj = εxj , (10.8)
где wj (t), wj (t+1) — старое и новое значения весовых коэффициентов
персептрона; j — номер входного сигнала.
Кроме того, можно получить аналогичную итерационную фор-
мулу для подстройки порогового значения нейрона θ, если учесть,
что его можно интерпретировать как вес дополнительного входа
x0 , значение которого равно –1:
θ(t + 1) = θ(t) + Δθ; (10.9)
Δθ = −ε. (10.10)
В итерационные формулы полезно ввести коэффициент скорости
обучения η, с помощью которого можно управлять величиной
коррекции весов:
Δwj = ηεxj ; (10.11)
Δθ = −ηε. (10.12)
На практике коэффициент скорости обучения η обычно задают
в пределах от 0,2 до 1. Слишком большие значения коэффициента η
обычно ведут к потере устойчивости процесса обучения, а слишком
малые — к большим временным затратам.
Алгоритм обучения персептрона с использованием этих формул
известен под названием дельта-правила.
Дальнейшее развитие идеи персептрона и алгоритмов обучения
связано с усложнением его структуры и развитием функциональных
свойств.
10.4. Распознавание букв 209
Схема персептрона, предназначенного для распознавания букв

русского алфавита представлена на рис. 10.8. В отличие от преды-
дущей схемы, такой персептрон имеет 33 нейрона, таким образом,
каждой букве алфавита соответствует свой нейрон. Полагается,
что выход первого нейрона y1 должен быть равен единице, если
персептрону предъявлена буква «А», и нулю для всех остальных
букв. Выход второго нейрона y2 должен быть равен единице, если
персептрону предъявлена буква «Б», и нулю во всех остальных
случаях. И так далее до буквы «Я».
y1 (А)
x1 = 0
y2 (Б)
x2 = 1
xj = 1 yj
wij
x11 = 1
x12 = 0
y33 (Я)
Рис. 10.8. Персептрон, предназначенный для распознавания букв русского

алфавита
А л г о р и т м о б у ч е н и я данного персептрона выглядит сле-

дующим образом.
Шаг 1. Датчиком случайных чисел всем весовым коэффициентам
wij и пороговым значениям нейронов θi (i = 1, . . . , 33; j = 1, . . . , 12)
присваиваются некоторые малые значения.
Шаг 2. Персептрону предъявляется какая-либо буква алфа-
вита, системой фотоэлементов вырабатывается входной вектор xj
(j = 1, . . . , 12).
Шаг 3. Каждый нейрон выполняет взвешенное суммирование
входных сигналов
12
Si = wij xj
j=1
и вырабатывает выходной сигнал yi = 1, если Si θi ; yi = 0, если

Si < θi .
Шаг 4. Для каждого нейрона вычисляется ошибка
εi = (di − yi ),
где Ti — вектор правильных ответов персептрона, например, для

буквы «А» d1 =1, d2 = 0, . . . , d33 = 0 и т. д.
Шаг 5. Производится корректировка весовых коэффициентов
персептрона и пороговых значений нейронов:
wij (t + 1) = wij (t) + Δwij , Δwij = ηεi xj ,
θi (t + 1) = θi (t) + Δθi , Δθi = −ηεi ,
где t — номер итерации (эпохи).
Шаг 6. Повторение шагов 2–5 необходимое количество раз.
Как уже отмечалось ранее, первый действующий персептрон был
создан в 1958–1961 гг. Он был предназначен для распознавания букв
латинского алфавита. Буквы, отпечатанные на карточках, поочередно
накладывали на табло фотоэлементов и осуществляли процесс обу-
чения персептрона согласно приведенному здесь алгоритму. После
выполнения достаточно большого количества итераций персептрон
научился безошибочно распознавать все буквы, участвовавшие
в обучении.
Таким образом, была подтверждена гипотеза о том, что
компьютер, построенный по образу и подобию человеческого мозга,
будет способен решать интеллектуальные задачи, в частности —
решать задачу распознавания образов. Но это было не все.
Помимо способности распознавать знакомые образы, т. е. те образы,
которые демонстрировались персептрону в процессе его обучения,
персептрон успешно распознавал образы, которые «видел» впервые.
Он распознавал буквы, отпечатанные с небольшими искажениями
и даже другим шрифтом, если шрифт не слишком сильно отличался
от используемого при обучении персептрона. Это свойство,
называемое свойством обобщения, было унаследовано персептроном
непосредственно от его прототипа — мозга. Оно было унаследовано
благодаря тому, что персептрон являлся адекватной моделью мозга,
удачно отражающей его структурные и функциональные качества.
Именно свойство обобщения впоследствии позволило применить
персептрон для решения широчайшего круга практических задач,
недоступных для традиционных методов. Именно благодаря этому
свойству нейронные сети стали эффективнейшим инструментом
научных исследований и практических приложений. Благодаря
этому свойству нейросетевые технологии заняли то лидирующее
положение, которое они занимают в настоящее время.
10.5. Дальнейшие обобщения персептрона 211
10.5. ДАЛЬНЕЙШИЕ ОБОБЩЕНИЯ

ПЕРСЕПТРОНА
Персептрон, схема которого приведена на рис. 10.8, предназначен
для распознавания букв алфавита. Можно попытаться использовать
его для решения других практических задач, например обучить
выполнять прогноз погоды или ставить диагнозы болезней. Все
зависит от того, какой смысл придавать входному вектору xj и вы-
ходному вектору yi . Круг решаемых задач значительно расширится,
если научить персептрон выдавать не только бинарные выходные
сигналы типа «ноль» и «единица», но и аналоговые, т. е. имеющие
непрерывные значения. Такое обобщение персептрона было сделано
Б. Уидроу и М. Е. Хоффом [157], которые вместо ступенчатой
(см. рис. 10.3) ввели непрерывную нелинейную функцию активации
1
y= , (10.13)
1 + e−S
график которой изображен на рис. 10.9.

Эту функцию назвали сигмоидой, ее графическое изображение
напоминает латинскую букву «S». Другое название сигмоиды —
логистическая функция.
Рис. 10.9. Сигмоидная активацион-

ная функция y = fσ (S) S
Подобно обычной пороговой функции активации сигмоида

отображает точки области определения (−∞, +∞) в значения из
интервала (0, +1). Практически сигмоида обеспечивает непрерывную
аппроксимацию классической пороговой функции. Для сигмоиды
принято обозначение y = fσ (S).
Персептроны с сигмоидными активационными функциями с од-
ним выходом назвали адалайн, с несколькими выходами — мадалайн
(от английских слов Adaptive linear neuron и Many ADALINE). Появ-

ление персептронов с непрерывными активационными функциями
обусловило и новые подходы к их обучению. Уидроу и Хофф
[68, 69] предложили минимизировать среднеквадратичную ошибку,
определяемую как разность между требуемыми di и реальными yi
выходными сигналами персептрона:
1

I
ε= (di − yi )2 . (10.14)
2
i=1
Рассмотрим алгоритм коррекции весовых коэффициентов пер-

септрона, имеющего J входов и I выходов (рис. 10.10).
y1
x1 1
y2
x2 2
xj wij yi
i
xJ
yI
I
Рис. 10.10. Однослойный персептрон с J входами и I выходами
Среднеквадратичная ошибка ε является многомерной функцией

весовых коэффициентов, т. е. ε = ε(wij ), и в пространстве координат
wij представляется в виде некоторой многомерной поверхности —
гиперповерхности. Если оставить только две оси координат, на-
пример w11 и w12 , то эта поверхность будет иметь вид фигуры,
напоминающей параболоид (рис. 10.11), который может иметь как
один, так и несколько минимумов. Поэтому такую поверхность
будем называть псевдопараболоидом. Обучение персептрона можно
представить как задачу отыскания такого сочетания весовых ко-
эффициентов wij , которому соответствует самая нижняя точка
гиперпсевдопараболоида. Такую задачу называют оптимизационной
и говорят, что она состоит в минимизации функционала ε = ε(wij )
в пространстве параметров wij .
10.5. Дальнейшие обобщения персептрона 213
ε(wij )
w12 (t + 1)
w12(t) w11 (t + 1)
w12 w11 (t)
w11
Рис. 10.11. Псевдопараболоид, изображающий зависимость среднеквадра-

тичной ошибки ε от весовых коэффициентов w11 и w12
Существует множество методов решения оптимизационных за-

дач. Наиболее простым является случайный перебор весовых коэф-
фициентов wij с последующими вычислениями и сравнениями между
собой соответствующих этим коэффициентам функций ошибок
ε. Более эффективен метод градиентного спуска, согласно кото-
рому изменение (коррекция) каждого весового коэффициента Δwij
производится в сторону, противоположную градиенту поверхности
гиперпсевдопараболоида, т. е.
∂ε
Δwij = −η , (10.15)
∂wij
где η — коэффициент скорости обучения.
Среднеквадратичная ошибка ε является сложной функцией,
зависящей, в первую очередь, от выходных сигналов персептрона
yi , которые, в свою очередь, зависят от wij : ε = ε(yi (wij )), поэтому
∂ε ∂ε ∂yi
= . (10.16)
∂wij ∂yi ∂wij

J
Здесь yi = fσ (Si ), где Si = wij xj . Следовательно,
j=1
∂yi ∂fσ (Si ) ∂Si

= = fσ (Si )xj . (10.17)
∂wij ∂Si ∂wij
Кроме того, если продифференцировать (10.14) по yn , где
∂ε
n ∈ [1, I], то получится = −(dn − yn ), значит
∂yn
∂ε
= −(di − yi ). (10.18)
∂yi
Подставив (10.17) и (10.18) в (10.16) и затем полученное

выражение в (10.15), окончательно будем иметь
! "
Δwij = −η −(di − yi )fσ (Si )xj = η(di − yi )fσ (Si )xj . (10.19)
Это выражение получено для нейронов с активационными функ-
циями любого вида. Если fσ (Si ) — сигмоида, заданная формулой
(10.13), то
fσ (Si ) = (1 + e−Si )−1 = fσ (Si ) (1 − f (Si )) . (10.20)
Подставив это выражение в (10.19), получим:
Δwij = η(di − yi )fσ (Si ) (1 − f (Si )) xj = η(di − yi )yi (1 − yi )xj . (10.21)
Итак, мы получили итерационную формулу для обучения одно-
слойного персептрона
wij (t + 1) = wij (t) + Δwij , (10.22)
где
Δwij = ηδi xj , (10.23)
δi = (di − yi )yi (1 − yi ). (10.24)
Этот алгоритм называют обобщенным дельта-правилом, преиму-
щество которого состоит в более быстрой сходимости и в возмож-
ности более точной обработки входных и выходных непрерывных
сигналов, т. е. в расширении круга решаемых персептронами задач
и возможности получения более точных и качественных решений.
10.6. ОГРАНИЧЕННОСТЬ ОДНОСЛОЙНОГО

ПЕРСЕПТРОНА
Как уже отмечалось ранее, Розенблатту [97, 153] удалось обучить
свой персептрон распознавать буквы алфавита. Это был колос-
сальный у с п е х: электронное устройство, созданное по образу
и подобию человеческого мозга, обученное подобно человеку,
успешно моделировало интеллектуальные функции человека. Это
был успех в познании самой природы человеческого мышления.
Мозг начал раскрывать свои тайны. Появилась возможность иссле-
довать мозг методами моделирования, не прибегая к сложнейшим
антигуманным и мало что дающим натурным экспериментам. Это
была сенсация, приковавшая к себе внимание мыслящих людей
всего мира. Казалось, что ключ к интеллекту был найден и полное
воспроизведение человеческого мозга и всех его функций — всего
лишь вопрос времени. Писателям-фантастам, ученым, инженерам,
10.6. Ограниченность однослойного персептрона 215
бизнесменам, политикам виделись самые радужные перспективы

практического применения систем искусственного интеллекта. Пра-
вительство Соединенных Штатов Америки выделило крупные
субсидии на развитие нового перспективного научного направления.
Класс решаемых персептронами задач расширялся. Делались
попытки применения персептронов в задачах прогнозирования,
таких как предсказание погоды и курсов акций. Персептроны
применялись для решения задач диагностики: анализа электрокар-
диограмм и заключения врача о диагнозе болезни пациента. По мере
расширения фронта научных исследований появились трудности.
Неожиданно оказалось, что многие новые задачи персептрон решить
не мог, причем эти задачи внешне ничем не отличались от
тех, с которыми персептрон успешно справлялся ранее. Возникла
необходимость объяснения парадоксов, глубокого анализа и создания
теоретической базы персептронов.
Следующий период истории персептронов начался с появления
книги двух известных математиков М. Минского и С. Пайперта
«Персептроны» [71]. Авторы этой книги математически строго до-
казали, что использовавшиеся в то время однослойные персептроны
в принципе не способны решать многие простые задачи. Одну из
таких задач, заключающуюся в реализации логической операции
«Исключающее ИЛИ», мы рассмотрим подробно.
«Исключающее ИЛИ» — это булева функция двух аргументов,
каждый из которых может иметь значение «истинно» либо «ложно».
Сама она принимает значение «истинно», когда только один из
аргументов имеет значение «истинно». Во всех остальных случаях
функция принимает значение «ложно»:
y = (x1 AND NOT x2 )OR(x2 AND NOT x1 ). (10.25)
Задача состоит в том, чтобы реализовать функцию (10.25)
с помощью однонейронного персептрона с двумя входами x1 и x2
и одним выходом y (рис. 10.12).
x1 x2
Рис. 10.12. Однонейронный персептрон с двумя входами

и одним выходом y
Закодировав значение «истинно» единицей, а «ложно» — нулем,

все возможные комбинации входных сигналов можно представить
на плоскости x1 — x2 в виде четырех точек A1 , A2 , B1 , B2 , как
показано на рис. 10.13.
x2
B2 A2
1
w
1 x1
+w
2 x2
=θ
A1 B1
0 1 x1
Рис. 10.13. Графическая интерпретация к проблеме «Исключающего ИЛИ»
Например, точке A1 соответствуют входные сигналы x1 = 0

и x2 = 0, а точке A2 соответствуют x1 = 1 и x2 = 1. Требуемое
формулой (10.25) соответствие между входными и выходными
сигналами персептрона сведено в табл. 10.2, называемую таблицей
истинности логической функции.
Таблица 10.2
Таблица истинности функции «Исключающее ИЛИ»
Точки Значение x1 Значение x2 Значение y
A1 0 0 0
A2 1 1 0
B1 1 0 1
B2 0 1 1
Согласно формулам (10.1)— (10.2) однонейронный персептрон,

изображенный на рис. 10.12, осуществляет преобразование:
S = w1 x1 + w2 x2 ; (10.26)
1, если S θ;
y= (10.27)
0, если S < θ.
Заменим в уравнении (10.26) S на θ:
w1 x1 + w2 x2 = θ. (10.28)
10.7. Многослойный персептрон 217
Если в этом уравнении величины x1 и x2 считать переменными,

θ, w1 , w2 — константами, то на плоскости x1 − x2 рассматриваемое
уравнение изобразится в виде прямой линии, положение и наклон
которой определяются значениями весовых коэффициентов w1 ,
w2 и порога θ. Для всех точек плоскости x1 − x2 , лежащих на
этой линии, выполняется равенство S = θ и поэтому, вследствие
(10.27), выход персептрона равен единице. Для точек, лежащих
выше указанной линии, выход персептрона также равен единице,
а для точек, лежащих ниже этой линии, выход персептрона равен
нулю. Поэтому линию, изображающую уравнение (10.28), называют
пороговой прямой.
Согласно табл. 10.2 в точках A1 и A2 выход персептрона должен
быть нулевым, а в точках B1 и B2 — единичным. Но для этого надо
расположить пороговую прямую так, чтобы точки A1 и A2 лежали
ниже этой линии, а точки B1 и B2 — выше, что невозможно. Это
значит, что сколько бы персептрон ни обучали, какие бы значения ни
придавали его весам и порогу, персептрон в принципе не способен
воспроизвести соотношение между входами и выходом, требуемое
для представления функции «Исключающее ИЛИ».
Помимо проблемы «Исключающего ИЛИ» авторы книги [71]
привели ряд других задач, в которых входы персептронов не
могут быть разделены пороговой прямой (в многомерных случаях —
плоскостью, гиперплоскостью). Такие задачи получили название
линейно неразделимых.
После выхода книги М. Минского и С. Пайперта [71] всем
стало ясно, что активно предпринимавшиеся в то время попытки
обучать персептроны решению линейно неразделимых задач за
счет наращивания мощностей компьютеров, с самого начала были
обречены на провал.
10.7. МНОГОСЛОЙНЫЙ ПЕРСЕПТРОН

Появление книги «Персептроны» [71] вызвало шок в научном мире.
Строгие математические доказательства М. Минского и С. Пайперта
были неуязвимы. Всеобщий энтузиазм сменился «не менее все-
общим» пессимизмом. Правительство США прекратило финанси-
рование нейропроектов, и персептроны были преданы забвению,
длившемуся более 20 лет.
Тем не менее, работы в области нейросетевых и нейрокомпью-

терных технологий продолжались энтузиастами. Многие понимали,
что надо усложнять структуру персептронов, т. е. продолжать
приближать компьютерную модель к оригиналу — человеческому
мозгу. Оказалось, что проблему «Исключающего ИЛИ» можно
решить с помощью двухслойного персептрона (на рис. 10.14).
x1 w = 0,5 №1
w=
1
0,5
=− y
w
w №3
=−
0,5
1
x2 w = 0,5 w=
№2
Рис. 10.14. Двухслойный персептрон, реализующий функцию «Исключа-

ющего ИЛИ»
Работа этого персептрона происходит по следующему а л г о -

р и т м у.
Нейрон № 1:
S1 = 0, 5 · x1 + (−0, 5) · x2 ;
1, если S1 θ;
y1 =
0, если S1 < θ.
Нейрон № 2:
S2 = (−0, 5) · x1 + 0, 5 · x2 ,
1, если S2 θ;
y2 =
Нейрон № 3:
S 3 = 1 · y1 + 1 · y2 ;
1, если S3 θ;
y3 =
С помощью этих формул легко убедиться в таблице истинности
персептрона, составленной при задании порогового значения θ = 0, 5
(табл. 10.3).
Таблица 10.3
Таблица истинности двухслойного персептрона
(см. рис. 10.14)
x1 x2 S1 S2 y1 y2 S3 y3 y
0 0 0 0 0 0 0 0 0
0 1 −0,5 0,5 0 1 1 1 1
1 0 0,5 −0,5 1 0 1 1 1
1 1 0 0 0 0 0 0 0
Советским ученым С. О. Мкртчяном [73] был разработан специ-

альный математический аппарат, позволяющий без обучения строить
многослойные персептроны, моделирующие любые булевы функции.
Многие исследователи понимали, что объединение нейронов
в нейронные сети расширит класс задач, решаемых персептроном,
но не представляли, как такие сети обучать. Правила Хебба и их
обобщение — дельта-правило, годились только для корректировки
синаптических весов нейронов выходного слоя, тогда как вопрос
о настройке параметров внутренних нейронных слоев оставался
открытым.
Эффективный алгоритм обучения многослойных персептронов,
открывший путь для их широкого практического применения,
стал известен только в 1986 г. благодаря работе Румельхарта,
Хилтона и Вильямса [154]. Интересно, что данный фундаментальный
алгоритм, называемый алгоритмом обратного распространения
ошибки (back propagation), был предложен на один год ранее
в работах Паркера и Ле-Кана, изданных независимо одна от другой.
Еще в 1974 г. этот простой и изящный алгоритм был защищен
Вербосом в его докторской диссертации. Однако тогда он остался
незамеченным, и только спустя более десяти лет был «переоткрыт»
заново и получил всеобщее признание и применение.
Рассмотрим идею алгоритма обратного распространения ошибки,
попытавшись обобщить дельта-правило на случай обучения двух-
слойного персептрона, имеющего N входов, I выходов и скрытый
слой из J нейронов (рис. 10.15). Алгоритм корректировки синапти-
ческих весов нейронов выходного слоя оставим таким же, как для
однослойного персептрона (см. формулы (10.22)— (10.24), заменив
xj на yj :
wij (t + 1) = wij (t) + Δwij ; (10.29)
Δwij = ηδi yj ; (10.30)
δi = (di − yi )yi (1 − yi ). (10.31)
y1
x1 1 1
y2
x2 2 2
xn win wij yi
j i
xN
yI
J I
Рис. 10.15. Двухслойный персептрон с N входами, I выходами и скрытым

слоем из J нейронов
Синаптические веса нейронов скрытого слоя попытаемся кор-

ректировать с помощью тех же самых формул, в которых индекс
i заменим на j, а индекс j — на n:
Δwjn = ηδj yn ; (10.32)
δj = (dj − yj )yj (1 − yj ). (10.33)
Понятно, что в последнем выражении в качестве yn следует
использовать xn . Неясным здесь остается вопрос о вычислении
нейронной ошибки (dj − yj ), которая для скрытого слоя неиз-
вестна.
Идея авторов рассматриваемого алгоритма состояла в том,
чтобы в качестве этой ошибки использовать суммарные нейронные
ошибки с выходного слоя, помноженные на силы соответствующих
синаптических связей, т. е.

I
(dj − yj ) = δi wij . (10.34)
i=1
Итак, для скрытого слоя окончательно имеем:

Δwjn = ηδj xn ; (10.35)

I
δj = yj (1 − yj ) δi wij . (10.36)
i=1
Используя эту идею, несложно расписать алгоритм обратного

распространения ошибки для обучения персептрона, имеющего
произвольное количество скрытых слоев. Но прежде внесем еще
одно изменение в модель нейрона. Как уже отмечалось ранее,
к сумме, которую вычисляет нейрон, полезно добавить некоторое
число, называемое смещением нейрона, численно равное порогу θ,
взятому с противоположным знаком:

J
Si = xj wij + wi0 . (10.37)
j=1
Смещение wi0 (иногда его обозначают буквой b, т. е. wi0 = b = −θ)
первоначально задается так же, как и синаптические веса wij , т. е.
датчиком случайных чисел. Ввод смещения в формулу преобразо-
вания нейрона можно интерпретировать как добавление еще одного
входного сигнала x0 , который всегда равен единице (см. рис. 10.6).
Поэтому, чтобы не усложнять выкладки, сумму (10.37) представим
в более компактном виде:

J
Si = xj wij ,
j=0
приняв x0 = 1.
А л г о р и т м обратного распространения ошибки распишем
для многослойного персептрона, имеющего входной слой k = 0,
несколько скрытых слоев k = 1, 2, . . . , K − 1 и выходной слой k = K
(рис. 10.16).
k=1 k=2 k=K

k=0 y1
1 1 1
x1
y2
x2 2 2 2
xN
yM
H1 H3 Hk
Рис. 10.16. Многослойный персептрон (MLP — MultiLayerPerseptron)

Нейроны входного слоя математических преобразований не

выполняют, а лишь передают входные сигналы нейронам первого
слоя. Будем полагать, что каждый k-й слой содержит Hk нейронов.
Таким образом, персептрон имеет N = H0 входов и M = HK
выходов. В алгоритме будем использовать следующие обозначения:
i — порядковый номер нейрона k-го слоя; j — порядковый номер
нейрона (k − 1)-го слоя; l — порядковый номер нейрона (k + 1)-го
слоя.
Шаг 1. Инициализация синаптических весов и смещений.
В циклах по k = 1, 2, . . . , K; i = 1, 2, . . . , Hk ; j = 1, 2, . . . , Hk−1
синаптическим весам и смещениям w(k) ij датчиком случайных чисел
присваиваются малые величины, например, из интервала от −1 до 1.
Шаг 2. Открытие цикла по q = 1, 2, . . . , Q и представ-
ление из обучающей выборки очередного входного вектора
X q = (x1 , x2 , . . . , xN )q и соответствующего ему желаемого выходного
вектора Dq = (d1 , d2 , . . . , dM )q , где q — номер примера в обучающей
выборке.
Шаг 3. Прямой проход.
В циклах по k = 1, 2, . . . , K; i = 1, 2, . . . , Hk вычисляются
выходные сигналы i-го нейрона в k-м слое
⎛H ⎞
⎜⎜⎜ ⎟⎟
(k−1) ⎟
k−1
y(k)
i = fσ ⎜⎜⎜⎝ w(k)
ij jy ⎟⎟⎟ ,
⎠ (10.38)
j=0
где y(0)
j = xj ; x0 = 1; y(k−1)
0
= 1; выходные сигналы персептрона
yi = y(K)
i .
Шаг 4. Обратный проход.
В циклах по k = K, K −1, . . . , 1; i = 1, 2, . . . , Hk ; j = 1, 2, . . . , Hk−1
вычисляются синаптические веса на новой эпохе
w(k) (k) (k)

ij (t + 1) = wij (t) + Δwij , (10.39)
где
Δw(k) (k) (k−1)
ij = ηδi yj , (10.40)
причем для выходного слоя k = K согласно (10.31)
δ(K)
i = (di − yi )yi (1 − yi ),
а для всех других случаев согласно (10.36)

H k+1
δ(k) (k) (k)
i = yi (1 − yi ) δ(k+1)
l
w(k+1)
li
. (10.41)
l=1
Шаг 5. Закрытие цикла по q.

Шаг 6. Повторение шагов 2–5 необходимое количество раз.
Входные вектора обучающих примеров X q и Dq на шаге 2
алгоритма обычно представляются последовательно от первого до
последнего, т. е. q = 1, 2, . . . , Q, где Q — общее количество примеров.
Например, в случае распознавания букв русского алфавита
Q = 33. После того, как для каждого обучающего примера будут
скорректированы весовые коэффициенты персептрона, т. е. шаги 2–4
будут повторены 33 раза и цикл по q будет закрыт, на шаге 6
алгоритма вычисляется среднеквадратичная ошибка, усредненная по
всем обучающим примерам:
1
Q M
ε= (di − yi )2 . (10.42)
Q
q=1 i=1
Помимо среднеквадратичной ошибки может быть также оценена

максимальная разность между желаемым и фактическим выходами
персептрона:
ε = max (|di − yi |)q ; i = 1, 2, . . . , M; q = 1, 2, . . . , Q. (10.43)
Итерационный процесс заканчивается после того, как погреш-
ность ε, вычисляемая по формулам (10.42) или (10.43), достигнет
заданной величины, либо при достижении предельного количества
эпох обучения. В результате персептрон обучится выполнять нужное
отображение любого входного вектора X q на выходной вектор
Y q , отличающийся от желаемого вектора Dq на некоторую малую
величину.
Теперь представим себе, что на входное табло фотоэлементов
попала карточка с какой-либо буквой, выполненной другим шриф-
том. Фотоэлементы сформируют входной вектор X , не совпадающий
ни с одним из векторов из использованной обучающей выборки.
Если шрифт, которым выполнена входная буква не слишком
отличается от шрифта обучающей выборки, а персептрон хорошо
спроектирован и обучен, то он вычислит вектор Y , в котором
выход нейрона, соответствующего представленной на вход букве,

будет иметь максимальное значение. Таким образом, персептрон,
несмотря на помехи и искажения входного образа, выдаст пра-
вильное заключение о его принадлежности к тому или иному
классу. Свойство персептрона «узнавать» образы, которых не было
в обучающей выборке, называется свойством обобщения. Как уже
было отмечено ранее, это свойство, которое персептрон унаследовал
от своего прототипа — мозга, имеет очень важное значение для его
практических приложений.
10.8. НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ

С появлением алгоритма обратного распространения ошибки на-
чался период широкого практического применения нейросетевых
технологий для решения самых разнообразных задач. С помощью
многослойного персептрона стало возможным строить математи-
ческие модели, выполняющие сложные многомерные отображения
входного вектора параметров X на выходной вектор Y .
Задачи подобного рода встречаются в различных областях:
в промышленности, экономике, бизнесе, финансах, политологии,
социологии, криминалистике, медицине и т. д.
Практически в каждой проблеме, решаемой прикладными нау-
ками, требуется построить модель явления, процесса, объекта, т. е.
выявить и математически описать зависимость одного комплекса
параметров от другого, построить математические функции, которые
можно использовать для более глубокого анализа объекта (например,
найти оптимальное сочетание управляющих параметров, обеспечи-
вающих максимум целевой функции, выполнить прогнозирование,
предсказать, как будут развиваться события в зависимости от того
или иного воздействия).
Отметим, что до появления персептронов (см. предыдущую
главу) математические модели явлений, процессов, объектов тра-
диционно строились посредством изучения и использования фун-
даментальных законов природы, что выливалось в математические
формулы, либо в формулировки краевых задач для дифференци-
альных уравнений.
Персептроны открыли иной подход к самой методике построения
математических моделей. Появилась возможность, не задумываясь
10.8. Нейросетевое моделирование 225
над законами физики, химии, биологии, медицины, общественного

развития и т. д., исходя из одного только эмпирического опыта
(обучающей выборки), строить математические модели, которые
сами извлекают эти законы и позволяют их эффективно использовать
для решения широкого круга практических задач. Появился новый
инструмент извлечения знаний из данных, позволяющий заново
открывать фундаментальные законы природы, выявлять ранее неиз-
вестные и никогда не исследованные зависимости и закономерности
и активно использовать их для решения конкретных практических
задач.
10.8.1. Диагностика в медицине

В средствах информации имеются сообщения об удачном опыте
применения нейросетей для медицинской диагностики. Рассмотрим,
как строятся и обучаются такие сети.
Проведем наблюдение за тем, как врач ставит диагноз бо-
лезни пациенту. Прежде всего он выясняет и записывает имя,
возраст, пол, место работы, затем, как правило, измеряет давле-
ние, проводит внешний осмотр, выслушивает жалобы больного,
знакомится с историей его болезни, результатами анализов, изучает
электрокардиограмму. В результате у врача накапливается от 20
до 100 и более параметров, характеризующих пациента и его
состояние здоровья. Это и есть исходные параметры, обработав
которые с помощью своих медицинских знаний и опыта, врач
делает заключение о заболевании пациента — ставит диагноз его
болезни.
Задавшись целью смоделировать деятельность врача с помощью
персептрона, мы, прежде всего, должны определиться с входным
вектором X и выходным вектором Y , задав их размерности,
и условиться о содержимом каждого компонента. В векторе
X логично предусмотреть параметры, которые врач выясняет
у больного. Например, в качестве компоненты x1 можно задать
дату рождения, в качестве x2 — закодировать пол (например, нулем
или единицей), в качестве x3 — вес больного, x4 — артериальное
давление, x5 — температуру тела и т. д. Нелишне учесть также цвет
глаз, цвет волос, знак зодиака и другие данные, определяющие
особенности организма и, следовательно, влияющие на вероятность
возникновения тех или иных заболеваний. В выходном векторе Y
следует закодировать все возможные диагнозы болезней, которые

способен обнаружить врач.
Естественно, что размерность вектора Y можно существенно
снизить, если моделировать врача, специализирующегося в узкой
области медицины. Так, если мы выбрали врача-кардиолога, то в век-
торе Y следует кодировать только кардиологические заболевания.
Например, можно принять y1 = 1, если у больного инфаркт, и y1 = 0,
если инфаркта нет. Аналогично в качестве y2 можно закодировать
наличие или отсутствие порока сердца, y3 — ишемической болезни
сердца и т. д. Таким образом, выходной вектор персептрона Y будет
состоять из множества нулей и одной или нескольких единиц (если
болезней несколько).
Диагнозы болезней лучше кодировать по пяти-, десяти- или
стобалльной шкале. Тогда на этапе подготовки обучающей выборки
с помощью баллов можно будет учитывать степень уверенности
врача в правильности его диагноза, а на этапе эксплуатации —
вероятность правильного ответа персептрона.
Далее следует подготовить набор обучающих примеров (обуча-
ющую выборку). Мы воздержимся от своих советов по организации
совместного труда эксперта-врача и программиста, в результате ко-
торого будет создано необходимое количество обучающих примеров.
Отметим только, что если к работе привлечь еще и патологоана-
тома, исключающего ошибки диагностики врача, то появятся все
основания надеяться, что обученный таким способом персептрон по
качеству выставляемых диагнозов превзойдет самого врача-эксперта.
Итак, в результате длительной работы коллектива специали-
стов-медиков и программистов будет накоплена выборка обу-
чающих примеров, состоящая из множества пар векторов X q
и Dq (q = 1, 2, . . . , Q). Теперь задача состоит в том, чтобы
спроектировать персептрон и путем обучения передать ему знания
и опыт, содержащийся в выборке обучающих примеров. Вопросы
проектирования персептронов, т. е. подбора количества скрытых
слоев, содержащихся в них нейронов и типов активационных
функций, освещаются далее в п. 10.9. В качестве метода обучения
персептрона можно использовать рассмотренный выше алгоритм
обратного распространения ошибки.
В результате персептрон должен научиться отображать любой
вектор обучающей выборки X q на вектор Y q , совпадающий (либо
почти совпадающий) с вектором Dq . Кроме того, при появлении

нового пациента, характеризующегося новым входным вектором
X Q+1 , персептрон должен вычислить для него новый вектор Y Q+1 ,
содержащий правильный диагноз, поставленный персептроном уже
без помощи врача-эксперта. Другими словами, персептрон должен
уметь обобщать переданный ему опыт на новые точки предметной
области — ставить диагнозы болезней новым, не обследовавшимся
ранее пациентам.
10.8.2. Диагностика неисправностей сложных технических

устройств
Проблема диагностики неисправностей технических устройств счи-
тается менее сложной проблемой, чем диагностика заболеваний
человека. Это утверждение относится к методу математического
моделирования, основанному на законах природы — физики, химии,
биологии и др. Дело в том, что для технического устройства,
каким бы сложным оно ни было, всегда известно функциональное
назначение любого сколь угодно мелкого узла, этого нельзя сказать
о человеке. Естественно, что это обстоятельство является серьезным
препятствием, осложняющим построение адекватных математиче-
ских моделей человека традиционными способами. Нейронная же
сеть сама извлекает необходимые знания из обучающих примеров,
сама раскрывает функциональные связи между элементами исследу-
емого объекта. Поэтому в случае нейросетевого моделирования нет
принципиальной разницы между диагностикой заболеваний человека
и диагностикой неисправностей технического устройства.
Нейросетевой подход к решению задач медицинской диагно-
стики, рассмотренный ранее, можно почти без изменений применить
к проблеме диагностики неисправностей сложных технических
устройств. Продемонстрируем эту идею на примере диагностики
неисправностей авиационных двигателей.
Специалисты, занимающиеся этой проблемой, устанавливают
датчики, измеряющие параметры работы авиадвигателей во время
полетов. Файл данных полетного мониторинга обычно содержит
следующие параметры: номер полета, дату полета, общую наработку
двигателя, температуру и давление воздуха на входе в двигатель,
температуру и давление газа за турбиной, температуру лопаток,
уровень и температуру масла в маслоблоке и т. д. Число полетных
параметров может достигать сотни и более, что соизмеримо с числом

параметров больного при постановке диагноза его болезни.
После выполнения определенного количества полетов (около
двухсот) двигатель снимают с самолета и подвергают стендовой
разборке, во время которой выявляют и устраняют его дефекты.
Характерными дефектами авиадвигателей являются: трещина на
сопловом агрегате, забоины, разрушение дефлектора, наличие
стружки в масле (всего около 30 видов дефектов).
Задача инженера-диагноста состоит в том, чтобы, используя
данные мониторинга, выявить дефекты двигателя до его профилак-
тической разборки. Традиционно эта задача решается с помощью
методик, основанных на физических закономерностях: каждый
дефект вызывает определенные отклонения тех или иных полетных
параметров работы двигателя, поэтому, анализируя характер их
изменения, можно сделать предположения о появлении дефектов,
вызывающих эти изменения. Понятно, что ввиду значительных
объемов информации и сложности существующих взаимосвязей
между дефектами и измеренными параметрами задача анализа дан-
ных полетного мониторинга и выявления дефектов авиадвигателей
является далеко не тривиальной и во многих случаях решается
ненадежно и некачественно.
Рассмотрим, как эту задачу можно решать с помощью нейросете-
вого моделирования. Прежде всего отметим, что во входном векторе
персептрона X следует предусмотреть места для всех параметров
полетного мониторинга, на значения которых оказывает влияние
появление дефектов. Возможные дефекты авиадвигателя можно
закодировать в выходном векторе Y с помощью традиционных
нулей и единиц. Векторы желаемых выходов Dq составляются по
результатам стендовых разборок двигателей. В отличие от медицин-
ской диагностики здесь нет необходимости вводить многобалльную
шкалу диагнозов, поскольку все диагнозы в обучающей выборке
имеют стопроцентную достоверность, т. е. ситуация аналогична
случаю, когда диагноз болезни ставит патологоанатом при вскрытии
тела в морге.
Кроме того, разумно предположить, что при первых вылетах
нового или отремонтированного самолета его двигатель полностью
исправен и дефектов нет, тогда как при последних вылетах самолета
двигатель уже имел те самые дефекты, которые выявились при
его разборке. Поэтому из всего множества параметров полетного

мониторинга ценность для обучения нейросети имеют параметры
первого и последнего полетов самолета. Таким образом, для каждого
двигателя, побывавшего на разборке, формируется пара обучающих
векторов X q и Dq .
Если количество обучающих примеров Q будет достаточным, то
правильно спроектированный многослойный персептрон обучится
надежно ставить диагнозы неисправностей авиационных двигателей,
в том числе и тех, которые в обучающей выборке не участвовали.
А если таким персептроном оборудовать бортовой компьютер
самолета, то он будет сообщать о появлении дефекта двигателя
в реальном времени, т. е. как только сложится соответствующая
конфигурация вектора входных параметров — результатов измерений,
снимаемых во время полета самолета. Естественно, что прежде чем
попасть в кабину пилотов, сигналы персептрона должны обраба-
тываться компьютером, вырабатывающим инструкции о действиях
экипажа, адекватных обнаруженному дефекту двигателя.
Укажем еще одно преимущество нейросетевой диагностики перед
традиционными диагностическими методиками, основанными на
явных знаниях. Специалисты, занимающиеся традиционными мето-
дами диагностики, пытаются учесть как можно больше взаимосвязей
между значениями измеряемых полетных параметров и появлени-
ями тех или иных дефектов двигателя. В сложных технических
устройствах количество таких взаимосвязей настолько велико,
а характер взаимодействий настолько сложен, что построить полную
математическую модель, полностью адекватную моделируемому
устройству, на современном этапе развития точных наук практически
невозможно. Кроме того, в сложных технических устройствах
существуют и такие взаимосвязи, о которых специалисты просто
не знают. Встречаются также взаимосвязи, о которых специалисты
догадываются, но объяснить их физическую природу не могут,
а потому в расчет не принимают. Например известно, что дефект
«стружка в масле» не влияет ни на один из измеряемых датчиками
параметров работы авиадвигателя, вследствие чего не существует
традиционных методик, способных выявлять этот дефект. Нейросеть
же появление стружки в масле легко обнаруживает, что вызывает
удивление специалистов. Дело тут, по-видимому, в том, что, не
оказывая заметного влияния на каждый отдельно взятый параметр
двигателя, появление стружки в масле все-таки влияет на общую

конфигурацию входного вектора, что и вызывает соответствующую
реакцию нейронной сети.
10.8.3. Нейросетевой детектор лжи

Правду ли говорит ребенок, обычно легко определить по выражению
его лица, движению глаз, покраснению кожи. Ложь взрослого
человека выявить значительно труднее: давление крови у одних
людей, говорящих неправду, повышается, а у других — наоборот,
понижается; то же самое может происходить с пульсом.
В следственной практике МВД России [85] в настоящее время
применяются полиграфы, система датчиков которых измеряет от
четырех до десяти физиологических показателей, таких как пульс,
артериальное давление, частота и глубина дыхания, электросопро-
тивление участков кожи и др. Эти параметры в реальном времени
отображаются на экране монитора (рис. 10.17) в виде пульсирующих
кривых. Заключение о правильности ответа подследственного дается
компьютерной программой, анализирующей получаемые кривые
с помощью набора правил, обобщающих исследования психологов,
физиологов и специалистов в области инструментальной детекции
лжи.
Ненадежность заключения, производимого таким детектором
лжи, обусловлена тем, что к разным людям, по-разному реа-
гирующим на стрессовые ситуации, применяется одна и та же
система решающих правил. Так, широко распространенный в МВД
России полиграфный аппарат системы «Эпос» дает правильные
заключения только в 70% случаев. Поэтому, помимо компьютерной
программы, специалисты-полиграфологи вынуждены применять си-
стему дополнительных, весьма трудоемких и кропотливых приемов
[85]. В результате, степень объективности заключения об истинности
ответа опрашиваемого в значительной мере зависит от грамотности,
компетентности и моральных качеств специалиста, проводящего
опрос.
Нейросетевые технологии обеспечивают новый подход к про-
блеме построения детектора лжи. Они позволяют создать ком-
пьютерную программу, которая может настраиваться на каждого
конкретного человека и учитывает индивидуальные особенности
его организма.
Рис. 10.17. Отображение параметров человека на экране полиграфа

(пульсирующие кривые)
Принципиально задача выявления признаков лжи с помощью

нейросетевых технологий ничем не отличается от задач диагностики,
рассмотренных в двух предыдущих параграфах (п. 10.8.1 и п. 10.8.2).
Согласно [137] в качестве входного вектора персептрона X можно
использовать тот же набор параметров, что и в стандартном
полиграфе. Выходной вектор Y целесообразно принять состоящим
всего из двух параметров, как на рис. 10.18: y1 = 1, y2 = 0, если
опрашиваемый человек сказал правду, и y1 = 0, y2 = 1, если он
лжет. Можно также использовать персептрон с одним единственным
выходом, значение которого y = 1, если человек говорит правду,
и y = 0, если он лжет.
Выборка обучающих примеров формируется в результате пред-
варительных бесед оператора-полиграфолога с обследуемым лицом.
Оператор задает вопросы, ответы на которые ему известны.
С опрашиваемого во время ответов снимаются физиологические
параметры, формирующие входной вектор X q . Выходной вектор
Dq формирует оператор, сопоставляя полученные ответы с тем,
что ему заранее известно.
x1
y1 (Истина)
x2
xj y2 (Ложь)
xJ−1
xJ
Рис. 10.18. Принципиальная схема нейросетевого детектора лжи
Накопив достаточное количество примеров и обучив на них

персептрон, можно задать опрашиваемому тот вопрос, ответ на
который интересует следователя. Персептрон сделает заключение
о степени истинности ответа, полученного от опрашиваемого.
Поскольку персептрон обучился на физиологических реакциях,
сформированных самим подследственным, то можно утверждать,
что заключение персептрона будет объективно учитывать индивиду-
альные особенности организма опрашиваемого, его индивидуальные
физиологические реакции на ложь и правду.
Приведенный способ создания настраиваемого детектора лжи
обладает недостатком, состоящим в повышенной трудоемкости. Дело
в том, что для каждого обследуемого приходится заново формировать
выборку обучающих примеров (около 70–100 вопросов — ответов),
а затем обучать персептрон на каждой такой выборке. После этого
персептрон пригоден для тестирования только одного человека, на
которого он был настроен.
Таким образом, предлагаемый в [137] способ, позволяет прово-
дить обследование с учетом индивидуальных особенностей орга-
низма опрашиваемого, что существенно повышает степень объек-
тивности и качества выяснения истины, однако этот способ требует
больших трудозатрат. Поэтому его можно рекомендовать для особо
важных и ответственных случаев, когда затраты на длительные
предварительные беседы следователя с подследственным оправданы.
Эксперименты, проведенные авторами работ [44, 86] на реальном
материале показали, что такой нейросетевой полиграф обеспечивает
правильные заключения более чем в 97% случаев.
В других случаях можно рекомендовать персептрон, настроенный
на некоторого «усредненного человека». Такой детектор лжи полу-
чается при использовании в качестве обучающей выборки ответов

нескольких человек, относящихся к различным психологическим
типам (примерно ста человек). Нейросетевой полиграф, обученный
таким способом, может применяться вообще без проведения спе-
циальных симптомокомплексных тестов. Опрашиваемому человеку
сразу предъявляются рабочие тесты и снимаемые с него данные
передаются на вход персептрона. Эксперименты выполненные
в [44, 86] показали, что такой полиграф способен делать до
85% правильных заключений, что на 15% выше надежности
применяемого в практике МВД полиграфного аппарата системы
«Эпос». Этот вариант нейросетевого полиграфа можно рекомендо-
вать в тех случаях, когда требуется быстро обследовать большое
количество людей, например, выполнить скрининговое тестирование
сотрудников крупной фирмы.
10.8.4. Нейросети в банковском деле

Банкротство фирм, кредитуемых банками, невозможность возврата
ими кредитных средств не раз являлись причиной кризисов
и банкротств весьма солидных банков. Поэтому вопрос о том,
какова степень кредитного риска, каким клиентам опасно выдавать
кредиты, а каким нет, для любого банка является одним из самых
главных вопросов стабильности его существования.
Обычно клиенты банка — это частные лица и фирмы, занимающи-
еся различного рода бизнесом. Банки выдают кредиты под проценты,
которые являются немаловажной статьей их доходов. Прежде чем
принять решение о выдаче кредита, банкиры тщательно изучают
и анализируют бизнес-план кредитуемого проекта. В бизнес-плане
обычно указывается, куда будут расходоваться кредитные деньги.
Это может быть приобретение сырья, оборудования, производствен-
ного помещения, аренда и покупка транспортных средств и др. Далее
в бизнес-плане рассчитываются и указываются сроки и объемы
ожидаемой прибыли, сроки выплат процентов и возврата всего
объема кредитных денег банку. Помимо этого, банкирам предо-
ставляются всевозможные сведения о фирме-клиенте. Указываются
дата создания и место регистрации фирмы, ее численный состав,
количество филиалов, средний возраст работников, уровень их
образования, вид деятельности, обороты и их динамика, имущество,
недвижимость, транспортные средства и пр.
Эксперты кредитного отдела банка, изучив всю информацию

о фирмах, желающих получить кредит, дают свое заключение
по каждому проекту. Окончательное же решение о возможности
выдачи кредита обычно принимает руководитель банка. При этом
он руководствуется своим личным опытом и интуицией, учитывая
мнения экспертов кредитного отдела банка.
В последнее время появились сообщения о том, что руководители
многих банков Великобритании стали спрашивать мнение еще
и у нейронной сети. Советчиком английских банкиров является
обычный многослойный персептрон. На его вход подается вектор
X, в котором кодируются данные о фирме, подавшей заявку на
получение кредита. Такими данными являются: время жизни фирмы;
вид ее деятельности, средний возраст, пол, численность работников;
уровень их профессионализма; число филиалов фирмы; всевозмож-
ные экономические показатели за несколько лет. Персептрон имеет
один выходной нейрон, который по многобалльной шкале вычисляет
степень живучести, а следовательно и платежеспособности фирмы.
Персептрон-советчик английских банкиров обучался на приме-
рах, взятых из архивных материалов нескольких банков, в которых
собран и сохранен многолетний опыт их кредитной деятельности:
параметры фирм, некогда получавших кредиты, и, самое главное,
результат сотрудничества с банком — своевременность выплаты про-
центов и возврата кредита. По свидетельству банкиров, применив-
ших нейронную сеть, она помогла им выявить ряд потенциальных
неплательщиков, вовремя скорректировать финансовую политику
банков и таким образом избежать возможных неприятностей.
10.8.5. Управление кибернетическим объектом

Нейросеть, используемую для управления поведением робота,
какого-либо кибернетического объекта, либо персонажа компью-
терной игры, называют нейроконтроллером. Управляемый объект
находится в окружающей среде, которая все время меняется.
Заранее предусмотреть все возможные ситуации невозможно, и идея
применения нейросети состоит в том, чтобы обучить ее на конечном
числе ситуаций, а затем предоставить нейросети возможность
самостоятельно реагировать на ситуации, которых в обучающей
выборке не было.
Допустим, речь идет о компьютерной игре, в которой персонаж,

в зависимости от ситуации, может предпринять одно из следующих
действий:
1) атаковать;
2) передвигаться;
3) прятаться;
4) убегать.
Выбор действия зависит от того, сколько врагов видит персонаж,
насколько хорошо он вооружен и какое у него здоровье в данный
момент.
В табл. 10.4 приведена выборка обучающих примеров, в которой
в первом столбце (x1 ) помещена информация о количестве врагов,
которые видит персонаж, во втором и третьем (x2 и x3 ) — информация
о вооружении персонажа, в четвертом (x4 ) — информация о его
здоровье и в пятом (d) — действие, которое следует предпринять
персонажу.
Таблица 10.4
Выборка обучающих примеров действий персонажа компьютерной
игры
Персонаж
Количество Персонаж имеет Здоровье Действие
врагов имеет нож пистолет персонажа персонажа
(x1 ) (x2 ) (x3 ) (x4 ) (d)
0 0 1 1 2 (передвигаться)
1 0 1 1 1 (атаковать)
1 0 0 1 4 (убегать)
1 0 0 0 3 (прятаться)
1 1 1 0 3 (прятаться)
0 1 1 0 2 (передвигаться)
10 1 1 2 4 (убегать)
Персептрон, снабженный четырьмя входами и одним выходом

и обученный на примерах табл. 10.4, способен генерировать вполне
адекватные рекомендации о действиях персонажа, причем он «не
теряется» и в тех непредвиденных ситуациях, которых в выборке
обучающих примеров не было.
10.8.6. Прогнозирование валютных курсов и котировок

ценных бумаг
Прогнозирование — это одна из самых востребованных задач, воз-
никающих в самых различных областях человеческой деятельности.
Задача прогнозирования в общем случае состоит в получении
оценки будущих значений упорядоченных во времени данных
на основе анализа уже имеющихся данных. Обычно речь идет
о прогнозировании временного ряда, т. е. совокупности значе-
ний прогнозируемого параметра на некотором интервале времени
[t(n+1); t(n+k)], где t(n) — текущий момент времени, а k — интервал
прогнозирования. Часто возникает необходимость предсказать не
значения самого временного ряда, а вероятность того или иного
характера его поведения на заданном интервале, т. е. будет ли он
возрастающим, убывающим или прогнозируемый параметр будет
находиться в определенных пределах.
Существуют различные подходы к решению задач прогнозирова-
ния — от построения сложнейших нестационарных математических
моделей, учитывающих физические, химические, биологические
и другие законы природы, до статистических методик поиска
зависимостей прогнозируемых параметров от времени. В последнее
время с традиционными подходами успешно конкурируют нейросе-
тевые технологии, которые особенно хорошо себя зарекомендовали
при прогнозировании финансовых рынков: котировок ценных бумаг
и валютных курсов, а также общих экономических индексов, таких
как индекс Доу Джонса и др.
Рассмотрим п р и м е р применения нейросети для прогнозирова-
ния на три дня вперед курса американского доллара по отношению
к российскому рублю.
На рис. 10.19 представлена номограмма, изображающая измене-
ния курса доллара США с марта по май 2003 г. Выборку обучающих
примеров можно сформировать с использованием метода скользящих
окон, согласно которому выбирается временной интервал, например,
в 45 дней — от 4 марта до 17 апреля. В качестве x1 задается
курс доллара, который был 4 марта, x2 — курс на 5 марта и т. д.,
в качестве x45 — курс на 17 апреля. В качестве желаемого выхода
сети d1 принимается курс доллара на 18 апреля, d2 — курс на
19 апреля, d3 — курс на 20 апреля. Таким образом будет сформирован
первый обучающий пример X 1 — D1 для персептрона, имеющего
45 нейронов входного слоя и 3 нейрона выходного слоя.
Рис. 10.19. Курс американского доллара за март—май 2003 г.
Для формирования второго обучающего примера сдвинем окно на

одну позицию (один день) вправо и выполним аналогичные опера-
ции. Перемещая окно Q раз, мы получим выборку из Q обучающих
примеров. Далее следует определиться с количеством внутренних
слоев и нейронов персептрона (эти вопросы рассмотрены далее
в п. 10.9) и выполнить обучение, например, методом обратного
распространения ошибки. Проверить качество получившейся про-
гностической программы, оценить точность прогноза можно на
тестовых выборках, которые легко получить, располагая окна таким
образом, чтобы в них не попадали использованные при обучении
даты. Программа выполнит прогноз на три дня вперед, если окно
расположить в самом конце номограммы, т. е. таким образом, чтобы
в качестве x45 был курс доллара на сегодняшний день.
Как известно, качество прогностических программ зависит от
полноты учета факторов, влияющих на прогнозируемый параметр.
На курс доллара США влияет политическая и экономическая
обстановка в Америке, России, странах Европы, Азии и других
континентов, наличие или отсутствие военных конфликтов на пла-
нете, президентских выборов, террористических актов, стихийных
бедствий. На курс доллара влияют также погодно-климатические
изменения, эффект начала и конца рабочей недели, месяца, года,
наличие праздников. Наконец, на курс доллара оказывают влияние
явления космической природы. Всплески солнечной активности,
магнитные бури вызывают изменение самочувствия, психологи-

ческого состояния, жизненной активности многих людей. Есте-
ственно, это сказывается на экономическом состоянии отдельных
фирм, регионов, стран, подвергшихся космическим воздействиям.
Барометром, фиксирующим такие изменения, служат курсы валют
и котировки акций, общие экономические индексы. Все они
являются функциями огромного количества переменных и их зна-
чения формируются в результате совместного действия множества
разнообразных зависимостей и закономерностей, выявить и изучить
которые традиционными способами не представляется возможным.
Рассмотрим, как эти вопросы можно решать с помощью нейро-
сетевых технологий. Например, чтобы учесть эффект начала и конца
рабочей недели, можно добавить в персептроне еще один входной
нейрон, в качестве входного сигнала которого задать единицу, если
прогнозируемый день является понедельником, двойку, если он
приходится на пятницу, и ноль для любого другого дня недели.
Аналогично, посредством введения новых входных нейронов, можно
учесть баллы солнечной активности, фазы Луны, эклиптические
долготы планет, их положения в знаке, терме, фасе, их скорости
и склонения и другие астрономические и астрологические события,
приходящиеся на рассматриваемый период времени. Естественно,
что многие из этих параметров не являются значащими, т. е. не
влияют на интересующие нас прогнозируемые величины. Решить
вопрос о значимости того или иного фактора можно, опять же,
с помощью нейросети, наблюдая за тем, приводит ли введение со-
ответствующего входного нейрона к уменьшению ошибки прогноза
на тестовых примерах.
Подводя итог изложенному, отметим, что в настоящее время
брокерами, финансовыми игроками, экономистами, бизнесменами
разных стран активно используются нейросети, учитывающие
множество факторов, в том числе и астрологических. Нейросети
стали незаменимым инструментом для выявления и использования
скрытых, не известных ранее и никогда не исследованных зако-
номерностей, в результате чего многие науки, называвшиеся ра-
нее неофициальными, например, финансовая астрология, получили
мощный толчок для теоретических и прикладных исследований.
10.9. Проблемы проектирования и обучения персептронов 239
10.9. ПРОБЛЕМЫ ПРОЕКТИРОВАНИЯ

И ОБУЧЕНИЯ ПЕРСЕПТРОНОВ
10.9.1. Теоремы существования
Из предыдущего изложения следуют д в а важных в ы в о д а.
1. Подавляющее большинство всех прикладных задач, решаемых
методом математического моделирования, сводится к на-
хождению некоторой сложной функции, осуществляющей
многомерное преобразование вектора входных параметров X
на вектор выходных параметров Y .
2. Универсальным инструментом построения такой функции
являются нейросетевые технологии.
Естественно возникают вопросы: всегда ли можно построить
нейросеть, выполняющую преобразование, заданное любой обу-
чающей выборкой, и каким требованиям эта нейросеть должна
удовлетворять?
Чтобы ответить на эти вопросы, надо вспомнить, что каждый
нейрон нейронной сети выполняет суммирование сигналов, по-
ступающих от других нейронов, которые в тех других нейронах
прошли через нелинейное (например, сигмоидное) преобразование.
Вопрос о том, всегда ли можно любую функцию многих переменных
представить в виде суммы функций меньшего количества перемен-
ных, интересовал математиков на протяжении нескольких последних
веков. Так, в 1900 г. на Всемирном математическом конгрессе
в Париже знаменитым немецким математиком Давидом Гильбертом
(1862–1943) были сформулированы 23 проблемы, которые он
предложил решать математикам начинающегося XX в. Одна из этих
проблем, под номером тринадцать, декларировала невозможность
такого представления. В частности утверждалось, что функцию двух
переменных f (x, y) не всегда можно представить в виде суммы
f1 (x) + f2 (y).
Однако последующие исследования показали, что тринадцатая
проблема Гильберта имеет иное решение. В результате многолетней
дискуссии между советским математиком, академиком АН СССР
А. Н. Колмогоровым (1903–1987) [54] и его учеником академиком
РАН В. И. Арнольдом (род. в 1937) [2] были получены фундаменталь-
ные теоретические результаты, свидетельствующие о принципиаль-
ной возможности представления непрерывных функций нескольких
переменных в виде суммы функций меньшего числа переменных.

Затем профессором Калифорнийского университета (США) Р. Хехт-
Нильсеном [148] эти результаты были переработаны применительно
к нейронным сетям. В частности, было доказано, что для любого
множества пар отличных между собой входных и выходных векторов
! "
произвольной размерности X q , Dq , q = 1, . . . , Q существует двух-
слойный персептрон с сигмоидными передаточными функциями
и с конечным числом нейронов, который для каждого входного
вектора X q формирует соответствующий ему выходной вектор
Dq . Таким образом, была доказана принципиальная возможность
построения нейросети, выполняющей преобразование, заданное
любой обучающей выборкой различающихся между собой примеров,
и установлено, что такой универсальной нейросетью является
двухслойный персептрон (т. е. персептрон с одним скрытым слоем)
с конечным числом нейронов и сигмоидными активационными
функциями.
Для определения необходимого количества нейронов в скрытых
слоях персептрона была предложена формула, являющаяся след-
ствием теорем Арнольда — Колмогорова — Хехт-Нильсена:

Ny Q Q ! "
Nw Ny + 1 Nx + Ny + 1 + Ny , (10.44)
1 + log2 (Q) Nx
где Ny — размерность выходного сигнала; Q — число элементов

обучающей выборки; Nw — необходимое число синаптических весов;
Nx — размерность входного сигнала.
Оценив с помощью этой формулы необходимое число синапти-
ческих весов, можно рассчитать число нейронов в скрытых слоях.
Например, число нейронов скрытого слоя двухслойного персептрона
Nw
N= . (10.45)
Nx + Ny
10.9.2. Проблемы и методы проектирования

Как следует из теорем Арнольда— Колмогорова— Хехт-Нильсена, для
построения нейросетевой модели любого, сколь угодно сложного,
объекта достаточно использовать персептрон с одним скрытым
слоем сигмоидных нейронов, число которых определяется фор-
мулами (10.44), (10.45). Однако в практических реализациях пер-
септронов, как количество слоев, так и число нейронов в каждом

из них часто отличается от теоретических. Иногда целесообразно
использовать персептроны с большим количеством скрытых слоев.
Такие персептроны могут иметь меньшие размерности матриц
синаптических весов, чем двухслойные персептроны, реализующие
то же самое преобразование.
Строгой теории выбора оптимального количества скрытых слоев
персептронов пока не существует. На практике чаще всего исполь-
зуются персептроны, имеющие один или два скрытых слоя, причем
количество нейронов в скрытых слоях обычно колеблется от Nx
до 3Nx .
При проектировании персептронов необходимо понимать, что
персептрон должен не только правильно реагировать на примеры,
на которых он обучен, но и уметь обобщать приобретенные знания,
т. е. правильно реагировать на примеры, которых в обучающей
выборке не было. Чтобы оценить способность сети к обобщению,
помимо обучающей выборки примеров X −D в рассмотрение вводят
некоторое количество тестовых примеров X T −DT , которые относятся
к той же самой предметной области, но в процессе обучения
не участвуют. После обучения вычисляют среднеквадратичную
погрешность персептрона, например как среднеквадратичную раз-
ность между прогнозом сети Y и желаемым выходом сети D или
DT . Среднеквадратичная погрешность персептрона, вычисленная
на обучающей выборке X − D, называется погрешностью обучения
и обозначается ε, а вычисленная на тестовой выборке X T − DT —
погрешностью обобщения и обозначается εT .
При увеличении числа нейронов внутренних слоев персептрона
N погрешность обучения ε обычно падает, тогда как погрешность
обобщения εT сначала падает, а затем, начиная с некоторого
оптимального значения N = N0 , возрастает. Характерные кривые
зависимости погрешностей обучения и обобщения от числа ней-
ронов внутренних слоев персептрона приведены на рис. 10.20.
Поведение этих кривых легко объяснить, если воспользоваться
аналогией с аппроксимацией набора данных полиномами методом
наименьших квадратов. Как известно, задача аппроксимации состоит
в том, чтобы подобрать полином, наиболее правильно отражаю-
щий характер закономерности, представленной графически точками
предметной области.
ε; εT , %
ε
εT
N0 N
Рис. 10.20. Характерная зависимость погрешности обучения ε и погрешно-
сти обобщения εT от количества нейронов внутренних слоев персептрона N
На рис. 10.21 точки, соответствующие некоторым параметрам

предметной области, изображены в системе координат x − y: двена-
дцать черных и белых точек, причем черные точки, использовались
при определении коэффициентов аппроксимирующих полиномов,
а белые точки не использовались, поэтому по ним можно судить
о качестве аппроксимации. Выражаясь терминами нейросетевых
технологий, черные точки можно назвать обучающими примерами,
а белые — тестирующими.
Рис. 10.21. Аппроксимация данных предметной области с помощью

полиномов первого порядка (кривая 1), второго порядка (кривая 2) и пятого
порядка (кривая 3):
• — обучающие примеры; ◦ — тестовые примеры
Кривая 1 (см. рис. 10.21) изображает результат аппроксимации

полиномом первой степени, кривая 2 — полиномом второй степени,
кривая 3 — полиномом пятой степени. Как видно из рисунка, исполь-
зование полинома первой степени не дает хорошей аппроксимации
закономерности предметной области. Кривая, соответствующая по-
линому пятой степени, в точности проходит через все черные точки,
т. е. имеет нулевую погрешность обучения ε, тогда как тестовые
белые точки остаются в стороне. Это означает, что свойством
обобщения данная кривая не обладает. Наименьшую погрешность
обобщения εT имеет кривая второго порядка, которая для данной
предметной области является оптимальной.
В заключение проведенного сравнения отметим, что нейросети,
как и регрессионные модели, выстраивают функции, аппроксимиру-
ющие точки предметной области, причем для каждой решаемой за-
дачи существует некоторое оптимальное значение степеней свободы
математической модели. В случае полиномиальной аппроксимации
степенями свободы являются определяемые коэффициенты (число
которых на единицу больше порядка полинома). Число степеней
свободы персептрона — это общее количество синаптических весов
(и порогов), которое определяется количеством нейронов скрытых
и выходных слоев. Свойство нейросети терять способность к обоб-
щению при чрезмерном увеличении числа ее степеней свободы
называют переобучением, или гиперразмерностью нейросети.
Итак, при проектировании персептронов существует проблема
выбора необходимого количества нейронов. Число нейронов вход-
ного слоя персептрона должно совпадать с размерностью вектора
входных параметров X , который определен условиями решаемой
задачи. Число нейронов выходного слоя должно совпадать с раз-
мерностью выходного вектора Y , что также определено условиями
задачи. Число скрытых слоев персептрона, согласно теоремам
Арнольда— Колмогорова— Хехт-Нильсена, должно быть не менее
одного. Число нейронов в скрытых слоях может быть приближенно
оценено по формулам (10.44), (10.45), однако его желательно
оптимизировать для каждой конкретной задачи.
Существуют два способа оптимизации числа нейронов в скрытых
слоях — деструктивный и конструктивный. Деструктивный способ
заключается в том, что первоначально строится сеть с заведомо
избыточным числом степеней свободы, а затем в процессе обучения
из нее постепенно исключаются лишние синаптические связи

и нейроны.
Существует довольно большое многообразие алгоритмов редук-
ции нейросетей — исключения избыточных степеней свободы. Наи-
более простой из них состоит в обнулении тех синаптических весов,
которые в процессе обучения нейросети стали значительно меньше
их среднего значения. Но малые значения синаптических весов
не обязательно оказывают наименьшее воздействие на поведение
нейронов и сети в целом. Поэтому более удачными признаются
способы редукции сети, учитывающие ее чувствительность к струк-
турным и параметрическим вариациям. Во многих современных ней-
ропакетах запрограммированы эвристические алгоритмы, которые,
производя последовательное исключение нейронов в скрытых слоях
и отслеживая влияние таких исключений на погрешность обучения
ε и погрешность обобщения εT , позволяют подобрать структуру
сети, обладающую наилучшими эксплуатационными качествами.
Существуют также приемы, провоцирующие самостоятельное
уменьшение значений весов с тем, чтобы исключить их, как только
их значение опустится ниже установленного порога. Тенденцию
к снижению синаптических весов можно вызвать, добавляя к целе-
вой функции (10.14) слагаемые, штрафующие за большое значение
веса. Такой штрафной функцией может быть слагаемое
1 w2ij

ε =γ w2ij , или ε = γ 2 .
i,j (1 + k wik )
2
ij
В случае использования второй штрафной функции тенденция

к снижению наблюдается не у всех синаптических весов, а только
у тех, которые действительно следует исключить [53].
Общим недостатком деструктивных алгоритмов является зна-
чительная длительность их работы, поскольку первоначальные
вычисления производятся на сетях, имеющих избыточное количество
нейронов. Этого недостатка лишены альтернативные конструктив-
ные алгоритмы, которые предполагают постепенное добавление
нейронов к сети, в которой их заведомо недостаточно. Новые
нейроны добавляются каждый раз после определенного количества
эпох обучения, а синаптическим весам и порогам новых нейронов
присваиваются случайные значения. Поэтому после каждого добав-
ления нового нейрона текущая погрешность обобщения нейросети
εT резко увеличивается, но после нескольких эпох обучения стано-

вится меньше той, которая была до добавления нейрона. Начиная
с некоторого момента времени t0 , добавление новых нейронов
перестает способствовать уменьшению ошибки εT , а наоборот,
приводит к ее увеличению, что свидетельствует о наступлении
эффекта гиперразмерности (переобучения).
Характерная кривая зависимости погрешности обобщения от
времени приведена на рис. 10.22. Очевидно, что в момент времени,
предшествующий моменту t0 , структура нейросети была оптималь-
ной для примеров данной предметной области.
εT
t0 t
Рис. 10.22. Характерная кривая зависимости погрешности обобщения εT

от времени t
Интересно отметить, что время обучения нейросети от начала

до t0 обычно оказывается лишь примерно в полтора раза больше,
чем в сети, изначально обладающей оптимальным количеством
нейронов [11]. Это означает, что навыки, приобретенные нейросетью
в процессе предварительного обучения, не теряются полностью при
добавлении в нее нового нейрона.
Остается невыясненным вопрос, в каких конкретно местах
нейросети следует добавлять новые нейроны. Их можно выбрать
случайным образом, или воспользоваться алгоритмами расщепления
нейронов, приведенными в книге [22]. Согласно одному из таких
алгоритмов, следует вести наблюдение за тем, как изменяется
вектор Δwij в процессе предъявления сети обучающих примеров.
Если при наблюдении обнаружится такой нейрон, что одна группа
обучающих примеров стремится изменить его вес (вектор wij )
в одном направлении, а другая группа примеров — в другом, то
такой нейрон логично расщепить на два. Первому из двух новых
нейронов логично придать вес, отличающийся от веса исходного

нейрона на величину коррекции, обусловленной первой группой
примеров, а второму нейрону — вес, скорректированный с помощью
второй группы примеров. Добавление новых нейронов в сеть таким
способом вообще не приводит к скачкообразному увеличению
функции ошибки сети (см. рис. 10.22). В этом случае число
эпох, необходимых для нахождения оптимальной структуры сети
и ее обучения, несколько снижается. Но усложнение алгоритма
и дополнительные вычисления, связанные с обнаружением нужного
нейрона и его расщеплением, часто сводят на нет указанный
выигрыш.
10.9.3. Проблемы и методы обучения

Как было отмечено ранее, изобретение алгоритма обратного рас-
пространения ошибки открыло путь широкому практическому при-
менению многослойного персептрона. Вместе с тем, с расширением
фронта научных исследований обнаружились и недостатки этого
алгоритма.
Прежде всего отметим, что алгоритм обратного распространения
ошибки в его первоначальном изложении реализовывал метод
наискорейшего спуска, который является далеко не самым лучшим
градиентным методом теории оптимизации. Эта теория ставит своей
задачей поиск минимума некоторой целевой функции (функционала)
ε, которая зависит от нескольких переменных, представленных
в виде вектора w = [w1 , w2 , . . . , wn ]T . В случае обучения мно-
гослойного персептрона целевая функция ε — это квадратичная
ошибка персептрона, рассчитанная по формуле (10.14), w — вектор
синаптических весов межнейронных связей.
Все градиентные методы теории оптимизации основаны на
разложении целевой функции ε(w) в ряд Тейлора в окрестности
некоторой начальной точки w n-мерного пространства переменных:
1 T
ε(w + p) = ε(w) + [g(w)]T p + p H(w)p + . . . , (10.46)
2
где p — вектор, вдоль которого строится разложение в ряд Тейлора;

#T
∂ε ∂ε ∂ε
g(w) = , ,..., — вектор градиента целевой функции,
∂w1 ∂w2 ∂wn
а матрица
⎡ ∂2 ε ∂2 ε ⎤
⎢⎢⎢ ... ⎥⎥⎥
⎢⎢⎢ ∂w ∂w ∂w1 ∂wn ⎥⎥⎥
⎢⎢ 1 1 ⎥⎥⎥
H(w) = ⎢⎢⎢⎢ . . . ... ... ⎥⎥⎥ ,
⎢⎢⎢ 2 ⎥⎥⎥
⎣⎢ ∂ ε ∂2 ε ⎥⎦
...
∂wn ∂w1 ∂wn ∂wn
составленная из производных второго порядка, называется матрицей
Гессе или гессенианом.
Разложение (10.46) можно считать квадратичным приближением
целевой функции ε(w) в окрестности точки w с точностью
погрешности отсеченной части O(h3 ), где h = p, т. е.
1
ε(w + p) = ε(w) + [g(w)]T p + pT H(w)p + O(h3 ). (10.47)
2
В теории оптимизации это разложение используется при по-

строении алгоритмов поиска минимальной точки целевой функции.
Полагая вектор p(t) направлением поиска в момент времени t,
перепишем последнее представление в виде:
1
ε (w(t) + p(t)) = ε(w(t)) + [g(w(t))]T p(t) + p(t)T H(w(t))p(t) + O(h3 ).
2
(10.48)
Далее будем полагать, что левая часть этого выражения
есть значение целевой функции в новый момент времени, т. е.
ε (w(t) + p(t)) = ε(t + 1), тогда как ε (w(t)) = ε(t). Если в разложении
(10.48) ограничиться первыми двумя слагаемыми, то для выполнения
условия уменьшения значения целевой функции со временем
ε(t + 1) < ε(t) (10.49)
необходимо, чтобы
[g(w(t))]T p(t) < 0. (10.50)
Последнее будет выполнено, если вектор p(t), определяющий
направление минимизации, выбрать равным антиградиенту целевой
функции, т. е.
p(t) = −g(w(t)). (10.51)
Таким образом, при задании вектора p(t) согласно формуле
(3.51) итерационный процесс w(t + 1) = w(t) + p(t) будет приводить
к уменьшению значения целевой функции. Если теперь ввести
коэффициент η, влияющий на шаг итераций, то получим
w(t + 1) = w(t) + ηp(t), (10.52)
т. е. придем к методу наискорейшего спуска, реализованному

в алгоритме обратного распространения ошибки (см. п. 10.7).
Согласно этому алгоритму процесс поиска минимума функции
ε(w) можно представить следующим образом. В некоторой случайно
заданной точке поверхности ошибок находится направление скорей-
шего спуска (антиградиента), затем делается шаг вниз на расстояние,
пропорциональное крутизне склона (градиенту) и коэффициенту
скорости обучения η. В новой точке снова определяются направление
и величина антиградиента, согласно которому делается следующее
перемещение и т. д. Это значит, что при виде сверху на поверхность,
изображающую целевую функцию, каждое такое перемещение
производится в направлении, ортогональном к проходящей через
данную точку линии постоянного уровня (изолинии).
Если бы изолинии поверхности ошибок нейросети представляли
собой концентрические окружности, как показано на рис. 10.23, а, то
направление антиградиента указывало бы на точное расположение
точки минимума целевой функции. Но поверхность ошибок имеет
более сложную форму. Так, на рис. 10.23, б, изолинии поверх-
ности ошибок имеют вид эллипсов, а сама поверхность вблизи
минимальной точки имеет форму оврага. В этом случае траек-
тория градиентного спуска представляет собой ломаную линию,
каждый отрезок которой ортогонален к линии уровня в той точке
поверхности ошибок, из которой производится очередной шаг.
Наблюдая за этим процессом, можно представить себе, что по
склону длинного продолговатого оврага спускается некое животное,
которое каждый раз прыгает вниз в сторону максимальной крутизны
поверхности оврага. Поскольку овраг имеет вытянутую форму,
животное каждый раз перепрыгивает с одного склона на другой,
резко меняя траекторию своего движения. Очевидно, что прыжки
животного были бы более рациональными, если бы оно прыгало,
считаясь с инерцией своей массы, т. е. каждый раз изменяло
свою траекторию не так резко, как это предписывает направление
антиградиента, а стремилось бы сохранить прежнее направление
движения, как изображено на рис. 10.23, в.
а б
в г
Рис. 10.23. Движение точки наблюдения по поверхности ошибок нейросети,
обучаемой методом обратного распространения ошибки (а), (б), методом об-
ратного распространения ошибки с учетом инерции (в), ParTan-методом (г)
Указанное свойство инерции можно смоделировать, если в фор-

муле для коррекции каждого весового коэффициента добавить сла-
гаемое, пропорциональное величине коррекции этого коэффициента
на предыдущем шаге:
w(t + 1) = w(t) + ηp(t) + α (w(t) − w(t − 1)) , (10.53)
где α — коэффициент инерции (импульса или момента), обычно
задаваемый из интервала [0,1].
По-другому учесть инерцию движения точки по поверхности
целевой функции можно с помощью формулы метода сопряженных
градиентов:
p(t) = −g(t) + β(t − 1)p(t − 1), (10.54)
где g(t) = g(w(t)) — антиградиент; β(t−1) — коэффициент сопряжения,
обычно определяемый по формуле
gT (t) (g(t) − g(t − 1))
β(t − 1) = . (10.55)
gT (t − 1) g(t − 1)
Суть еще одного приема, называемого ParTan-методом, проде-
монстрирована на рис. 10.23,г. Его идея заключается в том, что
выполняются два или несколько шагов в сторону антиградиента,
причем координаты точек функции ошибок перед первым шагом

и после последнего шага запоминаются. Затем делается шаг
в направлении, соединяющем первую и последнюю запомненные
точки.
Три последних метода эффективно применять, когда поверхность
функции ошибок имеет форму оврага, и потому их называют
антиовражными приемами.
Существует группа методов, называемых квазиньютоновскими,
в которых помимо первых производных используются еще и вторые
производные целевой функции, т. е. помимо градиента функции оши-
бок учитывается еще и ее кривизна. Квазиньютоновские алгоритмы
получаются при сохранении трех слагаемых разложения целевой
функции в ряд Тейлора (10.48). Продифференцировав их по p(t)
и приравняв нулю, получим условие экстремума целевой функции
в виде:
g(w(t)) + H(w(t))p(t) = 0. (10.56)
Отсюда
p(t) = − [H(w(t))]−1 g(w(t)). (10.57)
Таким образом, используя итерационную формулу (10.52)
с (10.57), получаем алгоритм, подразумевающий вычисление гради-
ента g и гессениана H на каждом итерационном шаге. В практиче-
ских реализациях вместо гессениана обычно используются его при-
ближенные аппроксимации. В качестве примеров квазиньютоновских
методов, различающихся между собой способами аппроксимации
гессениана, можно назвать алгоритмы Левенберга — Марквардта
(алгоритм LM), Бройдена—Флетчера—Гольдфарба—Шенно (алгоритм
BFGS), Девидона—Флетчера—Пауэлла (алгоритм DFP) и др.
Во всех рассмотренных здесь методах обучения нейросетей
существует проблема выбора параметра η, определяющего длину
шага вдоль выбранного направления оптимизации p(t). Простейший
способ состоит в фиксации постоянных значений η на весь период
обучения. При этом рекомендуется величину η задавать раздельно
для каждого слоя персептрона, например, по эмпирической формуле:

1
η min , (10.58)
ni
где ni — количество входов i-го нейрона в слое.

Другие методики предполагают динамическое изменение η в ходе

обучения в зависимости от поведения целевой функции ошибок ε,
вычисляемой по формуле (10.42). Для более быстрой сходимости
коэффициент η стремятся увеличивать по мере снижения функции
ошибок, однако, не допуская ее существенного возрастания.
Следующую группу методов обучения нейросетей, называют
эвристическими. Эти методы не имеют строгого теоретического
обоснования, но в них отражается личный опыт работы авторов в об-
ласти нейросетевых технологий. В качестве примера приведем метод
упругого обратного распространения (алгоритм RPROP — от Resilent
back PROPagation). Согласно этому алгоритму при корректировке
весовых коэффициентов учитывается только знак соответствующей
составляющей градиента, а само значение градиента в расчет не
принимается:
∂ε(w(t))
Δwij (t) = −ηij (t) · sign .
∂wij
Коэффициенты обучения рассчитываются с помощью эвристической
формулы: ⎧
⎪
⎪ 1, 2 · ηij (t − 1), если Sij (t) · Sij (t − 1) > 0;
⎨
ηij (t) = ⎪
⎪ 0, 5 · η (t − 1), если Sij (t) · Sij (t − 1) < 0;
⎩ η (t − ij1), если S (t) · S (t − 1) = 0,
ij ij ij
∂ε(w(t))
где Sij (t) = .
∂wij
Таким образом, идея метода, геометрически интерпретированная
на рис. 10.24, состоит в том, что коэффициент обучения для
каждого весового коэффициента увеличивается до тех пор, пока
знак градиента на двух последующих шагах не сменится на
противоположный. В случае же смены знака градиента коэффициент
обучения уменьшается в два раза. Причем, авторы алгоритма
ограничили рост коэффициентов обучения числом ηmax = 50, а его
уменьшение — числом ηmin = 10−6 .
Как видим, помимо основной идеи, которая понятна на интуи-
тивном уровне, эвристический алгоритм RPROP содержит четыре
эмпирических параметра. Между тем, многие из приведенных выше
более-менее теоретически обоснованных методов, также содержат
эмпирически настраиваемые параметры. Поэтому классификация
методов на теоретически обоснованные и эвристические представ-
ляется условной.
0 Wij
Рис. 10.24. Геометрическая интерпретация метода RPROP
Существует группа методов, не требующих вычисления произ-

водных от целевой функции и поэтому называемых неградиентными.
В таких методах используется только информация о значениях
целевой функции в отдельных точках, на основании которой
строится стратегия поиска экстремума. В качестве примеров можно
назвать метод половинного деления, метод золотого сечения, метод
Фибоначчи и др. Как правило, неградиентные методы значительно
уступают по эффективности градиентным и поэтому не рекомен-
дуются для обучения нейросетей.
Характерные примеры кривых сходимости целевых функций
при обучении персептронов приведены на рис. 10.25. Кривые
сходимости, характерные для метода наискорейшего спуска (метода
обратного распространения ошибки), изображены на рис. 10.25, а, б;
для квазиньютоновского метода Левенберга — Марквардта (LM) — на
рис. 10.25, в, г; для эвристического метода упругого обратного рас-
пространения (RPROP) — на рис. 10.25, д, е. На рис. 10.25, а приведен
случай, когда увеличение количества эпох обучения не приводит
к снижению функции ошибки, что объясняется попаданием процесса
обучения в локальный минимум.
В настоящее время основная проблема обучения персептронов
состоит в том, что поверхность функции ошибок обычно имеет очень
сложную форму со множеством локальных минимумов. Поэтому все
изложенные выше методы часто приводят к одному из локальных
минимумов, лежащих в окрестности начальной точки обучения.
Если после нахождения такого минимума погрешность обучения
нейросети признается неудовлетворительной, то сеть «встряхи-

вают», давая весовым коэффициентам случайные приращения,
и продолжают процесс обучения из другой точки. Часто процесс
обучения приобретает характер длительного экспериментирования,
в ходе которого пробуются различные оптимизационные алгоритмы
с различными параметрами. В результате успех применения нейро-
сетевых технологий ставится в зависимость от опыта и интуиции
специалиста, количества и качества различных оптимизационных
алгоритмов, имеющихся в его распоряжении.
В связи с этим, актуальным является развитие методов глобальной
оптимизации, т. е. таких, которые позволяют находить глобальные
экстремумы многоэкстремальных целевых функций. Среди множе-
ства возможных подходов на пути решения этой проблемы наиболее
перспективными признаются генетические алгоритмы.
10.9.4. Генетические алгоритмы

Все живое, что нас окружает в этом мире, и мы сами, удивительно
совершенны. Много веков люди пытаются найти и объяснить
источник этого совершенства, понять механизм его возникновения.
Существуют древние учения и религии, объясняющие первопричину
совершенства и гармонии мира. Современному человеку наиболее
близка для восприятия эволюционная теория, основы которой были
заложены Чарльзом Дарвином (1809–1882) в 1859 г. в его знаменитой
работе «Происхождение видов путем естественного отбора».
Согласно эволюционной теории природа оптимизирует все живое
благодаря двум биологическим механизмам — естественному отбору
и генетическому наследованию.
Суть естественного отбора заключается в том, что наиболее
приспособленные особи лучше выживают и приносят больше
потомства, чем менее приспособленные.
Механизм генетического наследования состоит в следующем.
Почти в каждой клетке любого живого организма имеется набор
хромосом, несущих информацию об этом организме. Основная
часть хромосомы — цепь ДНК (молекула дезоксирибонуклеиновой
кислоты), которая состоит из четырех видов соединений — нуклео-
тидов, идущих в определенной последовательности. Нуклеотиды
обозначаются буквами A, T, C и G, их порядок следования кодирует
все генетические свойства организма.
ε ε
t t
а б
ε ε
t t
в г
ε ε
10
t t
д е
Рис. 10.25. Характерные кривые зависимости погрешности обучения ε

от количества эпох t при обучении методом обратного распростране-
ния ошибки (а, б), квазиньютоновским методом Левенберга–Марквардта
LM (в, г), эвристическим методом упругого обратного распространения
RPROP (д, е)
Ген — это отрезок цепи ДНК, отвечающий за определенное

свойство особи, например за цвет глаз, тип волос, цвет кожи и т. д.
Установлено, что вся совокупность генетических признаков человека
кодируется посредством примерно 60 тыс. генов, суммарная длина
которых составляет более 90 млн нуклеотидов.
При размножении живых организмов происходит слияние двух
родительских половых клеток: хромосомы родителей сближаются
вплотную, затем их цепи ДНК разрываются в нескольких случайных
местах и обмениваются своими частями. Таким образом, молекулы
ДНК потомков случайным образом приобретают гены как отца, так
и матери.
При наследовании возможны мутации — изменения генов в по-
ловых клетках одного из родителей. Измененные гены передаются
потомку и придают ему новые свойства, отличные от свойств
родителей. Если эти новые свойства окажутся полезными, т. е.
потомок будет более совершенен, более приспособлен к окружающей
среде, то в процессе естественного отбора он выживет и создаст
новое, более совершенное, потомство.
Таким образом, согласно современной генетической теории
источником совершенствования биологических видов являются ме-
ханизмы естественного отбора, изменчивости и наследственности.
Именно они обеспечивают оптимизационный процесс, безраздельно
господствующий во всей живой природе и являющийся неиссякае-
мым источником совершенства мира, поражающего своей красотой
и гармонией.
Профессор Мичиганского университета (США) Дж. Холланд
в 1970-х гг. [149] предпринял попытку алгоритмизации природного
оптимизационного процесса, включая механизмы естественного
отбора, изменчивости и наследственности. В алгоритмах Холланда
в упрощенной форме была сохранена биологическая терминология,
а сами алгоритмы получили название генетических. Первоначально
такие алгоритмы создавались в познавательных целях чтобы посмот-
реть на компьютере, что получится при моделировании естественной
жизни. Эти модели представляли и представляют интерес для
ученых-биологов и называются Artiﬁcal Life (Искусственная жизнь).
Однако впоследствии выяснилось, что генетические алгоритмы
прекрасно справляются с поиском глобальных экстремумов много-
экстремальных функций, в частности — функций ошибок нейронных
сетей.
Генетические алгоритмы, предназначенные для оптимизации

(обучения) весовых коэффициентов нейросети, работают следующим
образом. Сначала создается некоторая начальная популяция особей,
каждая из которых имеет свою собственную хромосому — вектор
весовых коэффициентов нейронной сети w = [w1 , w2 , . . . wn ]T .
Для каждой особи вычисляется функция фитнеса — погрешность
нейросети ε(w). Она является мерой приспособленности особи
к существованию и называется целевой функцией.
Для удобства дальнейшего изложения вместо задачи минимиза-
ции будем рассматривать задачу максимизации, т. е. вместо поиска
минимума будем искать максимум. Как известно, эти две задачи
легко превращаются одна в другую путем смены знака у целевой
функции ε(w).
Первоначальная популяция равномерно распределяется в про-
странстве оптимизируемых параметров. Таким образом, точки,
соответствующие каждой особи, более-менее равномерно распре-
деляются по поверхности целевой функции, как показано на
рис. 10.26, а.
ε(w) ε(w)
wi wi
а б
Рис. 10.26. Распределение точек по поверхности целевой функции,

соответствующих хромосомам особей начальной популяции (а) и после n
поколений (б)
Отбор особей для скрещивания, необходимого для создания

нового поколения, может основываться на различных принципах.
Одним из наиболее распространенных считается принцип элитарно-
сти, согласно которому к скрещиванию допускаются наиболее при-
способленные особи, а наихудшие отбраковываются и заменяются
вновь создаваемым потомством. Этот процесс называется селекцией.
Обычно процесс скрещивания состоит в том, что хромосомы
родителей случайным образом рассекаются на две неравные части,

после чего они соединяются так, что хромосомы потомков содержат
часть хромосомы отца и часть хромосомы матери, как показано
на рис. 10.27: после скрещивания хромосомы отца (фрагменты a1
и a2 ) с хромосомой матери (фрагменты b1 и b2 ) образовалась пара
новых хромосом, первая из которых имеет фрагменты a1 и b2 ,
а вторая — фрагменты b1 и a2 .
Рис. 10.27. Операция скрещивания, применяемая в генетических алгоритмах
Следующая генетическая операция называется мутацией и со-

стоит в замене некоторого случайным образом выбранного элемента
(гена) случайно выбранного вектора (особи) на новое, случайным
образом заданное допустимое значение. Мутации обычно подвер-
гается не более 1. . . 5% бит хромосом всей популяции.
В результате всех этих генетических операций формируется
новое поколение, число особей которого обычно равно числу особей
предыдущего поколения. Как показывает опыт, новые поколения,
созданные в результате селекции, скрещивания и мутаций, в среднем
имеют большее значения целевой функции (как показано на
рис. 10.26, б), т. е. новые поколения являются более совершенными.
Процесс смены поколений завершается после достижения за-
данного количества итераций или после того, как одна из особей
приобретет заданное максимальное значение целевой функции.
Эта особь является победителем, и ее хромосома принимается
за окончательное решение оптимизационной задачи, найденное
с помощью генетического алгоритма.
В настоящее время известно множество вариантов генетических
алгоритмов, различающихся параметрами и способами селекции,
скрещивания, мутаций. Практически во все современные нейропа-
кеты генетические алгоритмы включены как эффективные инстру-
менты минимизации функций ошибок. Наряду с этим, генетические
алгоритмы нашли независимую от нейросетевых технологий область
применения — они лежат в основе многих коммерческих пакетов,

широко применяемых для решения разнообразных оптимизацион-
ных задач, возникающих в экономике, бизнесе, промышленности
и других областях человеческой деятельности.
Вместе с тем, многие авторы в качестве недостатков называют
сравнительно низкое быстродействие компьютерных программ,
реализующих генетические алгоритмы. Эти программы довольно
уверенно находят глобальные экстремумы многоэкстремальных
функций, но в ряде случаев, особенно, если речь идет об
оптимизации одноэкстремальной функции, значительно уступают
в скорости градиентным методам, как схематически показано на
рис. 10.28 [59].
Эффективность
Тип задачи
Рис. 10.28. Сравнительная характеристика эффективности оптимизацион-

ных методов по Круглову [59]
Попробуем объяснить недостаток генетических алгоритмов,

обратившись к природным интерпретациям. Как мы убедились
в предыдущем изложении, генетические алгоритмы в упрощен-
ной форме моделируют главные моменты механизма самосовер-
шенствования всего живого, господствующего в дикой природе.
Вспомним историю: Чарльза Дарвина многократно критиковали,
прежде всего, за чрезмерную упрощенность исходных гипотез,
которые фактически применимы только для самых низших форм
жизни. Легко заметить, что генетические алгоритмы не учитывают
способности высокоразвитых биологических видов улучшать свои

качества (совершенствоваться, повышать степень выживаемости —
функцию фитнеса) в течение жизни. Например, человек занимается
спортом, развивая свои физические возможности; получает образо-
вание, усиливая умственный потенциал. В том и другом случаях
человек повышает значение своей функции фитнеса, не участвуя
в скрещиваниях, размножении, мутациях и естественном отборе.
Причем, такое саморазвитие и самоулучшение может происходить
у различных видов, как осознанно, так и неосознанно. Например, му-
скулатуру можно укреплять целенаправленно, занимаясь в спортзале,
а можно просто выполнять физическую работу. У животных мускулы
укрепляются в процессе движения, когда они ищут пищу, охотятся
или убегают от хищников. Таким образом, действие механизма
самоулучшения, не учитываемого дарвиновской теорией, можно
наблюдать не только у людей. Он характерен для широкого круга
достаточно развитых живых организмов. Генетические же алгоритмы
(как и само дарвиновское учение) этот дополнительный механизм
не учитывают.
Авторами работ [75, 137] была произведена попытка дополнить
традиционный генетический алгоритм механизмом самоулучшения
особей, действующим в течение их жизней, а точнее — между
рождениями и скрещиваниями. Имитировать механизм социаль-
ного самоулучшения можно, например, если позволить особям
в промежутке между рождениями и скрещиваниями «подниматься»
на вершины локальных экстремумов, которые эти особи «видят»
и которые им «доступны». Такой подъем можно осуществить, напри-
мер, посредством включения какого-либо градиентного алгоритма
оптимизации на шагах генетического процесса, как предложено
в [137]. Как показали вычислительные эксперименты, выполненные
в [75], во всех случаях новый социально-генетический метод дал
более точные результаты за меньшее время.
Возвращаясь к обсуждению дарвиновской теории, в ее допол-
нение отметим, что в жизни, особенно в молодости, мы всегда
стремимся чего-то достичь, подняться на вершины социальной
лестницы, которые мы видим, и которые нам представляются
перспективными. Обычно нас окружает множество таких вершин, но
какой из них отдать предпочтение, каждый решает сам. Так, окончив
обучение в школе, молодые люди выбирают, что делать дальше:
идти работать, создавать свой собственный бизнес, служить в армии,

поступать в колледж или в университет. Все это локальные вершины
функции фитнеса, на которые каждый взбирается самостоятельно,
без помощи Чарльза Дарвина. Кто сделал правильный выбор
и добился действительного успеха, чей экстремум оказался выше,
решает Жизнь. К моменту таинства селекции и скрещивания
Человек, в отличие от животного, подходит отнюдь не в том
виде, в каком он родился, а с определенным багажом социальных
критериев.
Механизм оптимизации всего живого, действующий согласно
Дарвину в дикой природе, по нашему мнению, несколько отличается
от того, что происходит в человеческом обществе. Попытка допол-
нить дарвиновскую эволюцию социальным фактором привела к тому,
что новый социально-генетический алгоритм, оказался значительно
эффективнее традиционного генетического.
Графики эффективности применения оптимизационных методов
для решения трех видов задач [59]: комбинаторных, одноэкстре-
мальных (унимодальных) и многоэкстремальных (мультимодальных)
были приведены на рис. 10.28. Генетические алгоритмы наиболее
эффективны при решении комбинаторных и многоэкстремальных
задач оптимизации; если же целевая функция имеет только один
экстремум, то генетические алгоритмы уступают градиентным
(см. рис. 10.28).
Как показано в [75], социально-генетический метод превос-
ходит по эффективности традиционный генетический алгоритм
как в случае одноэкстремальной функции, так и в случаях
многоэкстремальных целевых функций. В случае одноэкстремальной
функции социально-генетический метод практически вырождается
в градиентный, так как всю работу поиска экстремума выполняет
его градиентная составляющая. Поэтому эффективности их приме-
нения на одноэкстремальных задачах практически совпадают. На
основании сказанного примерную эффективность нового метода на
графиках [59] можно представить штриховой линией, как показано
на рис. 10.29.
В заключение отметим, что социально-генетический метод до-
вольно хорошо показал себя при обучении нейронных сетей и его
можно рекомендовать разработчикам современных нейропакетов.
Эффективность
Тип задачи
Рис. 10.29. Сравнительная характеристика эффективности оптимизацион-

ных методов
Отметим также, что приведенная здесь попытка учета соци-

ального фактора [75, 137] является еще одним шагом на пути
совершенствования искусственно-интеллектуальных парадигм по-
средством более полного моделирования естественных механизмов,
причем не только биологических и природных, но и социальных.
10.9.5. Подготовка входных и выходных параметров

Подбор обучающих примеров. От удачного подбора обучающих
примеров во многом зависит успех создания нейронной сети,
адекватно моделирующей предметную область. Прежде всего необ-
ходимо понимать, что не все параметры предметной области влияют
на выходной вектор Y . Например, знание температуры тела вряд
ли поможет в постановке диагноза больного, если задача состоит
в выявлении у него одних только психических отклонений.
Те параметры, которые не оказывают влияния на вектор Y ,
называют незначимыми для этого выходного вектора. Естественно,
что незначимые параметры не следует включать в список параметров
входного вектора X .
В практических задачах бывает трудно и даже невозможно
установить, какие из параметров предметной области являются
значимыми, а какие нет. Поэтому на первом этапе в вектор X

включают как можно больше параметров, избегая только те из
них, незначимость которых представляется очевидной.
После первоначального создания и обучения нейронной сети
незначимые параметры могут быть выявлены д в у м я с п о с о -
б а м и:
1) посредством анализа значений весовых коэффициентов вход-
ных нейронов. Если окажется, что у какого-либо входного
нейрона обученной нейронной сети синаптические веса зна-
чительно меньше, чем у других нейронов, то этот входной
нейрон скорее всего соответствует незначимому параметру
вектора X;
2) посредством поочередного возмущения значений входных па-
раметров и анализа реакции сети на эти возмущения. Если
обученная нейронная сеть не реагирует или слабо реагирует
на изменения значения какого-либо входного параметра, то
этот параметр не является значимым.
После выявления и исключения входных нейронов, соответству-
ющих незначимым параметрам, качество нейросети улучшается,
так как снижается ее размерность. Однако надо понимать, что
слишком малое количество входных параметров может привести
к тому, что нейросети не хватит данных для выявления требуемых
от нее закономерностей предметной области.
Предобработка обучающих примеров и интерпретация отве-
тов. Параметры, описывающие предметную область, могут иметь
самый разнообразный характер. Это могут быть числа с различными
диапазонами изменений; качественные характеристики, такие как
цвет волос и глаз пациента; даты, содержащие число, месяц, год;
могут быть графические объекты. Поскольку нейросеть в состоянии
обрабатывать только числа, то вся нечисловая информация должна
быть закодирована в числовом виде.
Числовую информацию, приготовленную для нейросетевой об-
работки, желательно масштабировать, т. е. выровнять диапазоны
изменения величин, например, ограничив их интервалом [0, 1], или
[−1, 1]. Сделать это можно с помощью простейшего линейного
преобразования:
xn − xn min
xn =
(b − a) + a, (10.59)
xn max − xn min
где xn , xn — значения исходного и масштабированного n-го параметра

предметной области, подаваемого на n-й входной нейрон нейросети;
[xn min , xn max ] — реальный диапазон изменения n-го параметра; [a, b] —
приемлемый диапазон изменения входных сигналов.
Желаемые выходные сигналы персептрона должны быть также
закодированы в приемлемой форме и масштабированы в приемлемом
диапазоне [a, b]. Например, в п. 10.8.6 рассматривалось применение
персептрона для прогнозирования курса доллара, который с марта
по май 2003 г. изменялся в диапазоне [30,6; 31,8]. Это значит,
что при формировании обучающего вектора D, следует применить
формулу масштабирования, аналогичную (10.59):
dm − dm min
dm = (b − a) + a, (10.60)
dm max − dm min
где dm ,
dm — заданное и масштабированное значение m-й компоненты
вектора D; dm min = 30, 6; dm max = 31, 8.
Обученный на такой выборке персептрон будет формировать
выходной вектор Y , содержащий значения курса доллара, приве-
денные к диапазону [a, b]. Поэтому к ним должно быть применено
преобразование, обратное масштабированию (10.60):

ym − a −
ym = (dm max dm min ) + dm min . (10.61)
b−a
Таким образом, персептрон можно применять для моделиро-

вания предметной области, описываемой числовыми параметрами
любого диапазона. При формировании обучающей выборки входные
и выходные параметры желательно масштабировать — преобразо-
вать к приемлемому диапазону [a, b]. Естественно, что ответы
персептрона после этого следует интерпретировать посредством
применения преобразования, обратного масштабированию.
Теперь рассмотрим возможности интерпретации ответов пер-
септрона при решении задач классификации. Примеры решения
задач классификации приводились ранее. Это задача создания
нейросетевого детектора лжи (см. п. 10.8.3), задачи постановки
диагнозов сложных технических устройств (см. п. 10.8.2) и диагно-
зов заболеваний человека (см. п. 10.8.1). Во всех рассмотренных
случаях персептроны строились таким образом, что каждому
классу (каждому диагнозу) отводился свой выходной нейрон.
Размерность обучающих векторов D совпадала с количеством

выходных нейронов, а его компонентам dm задавалось значение
1, если для подготовленного вектора X имел место диагноз, за
который «отвечает» m-й выходной нейрон, и 0, если диагноз
другой. При появлении на входе персептрона нового вектора
параметров, не встречавшихся в обучающей выборке, персептрон
вычислял вектор Y , который нужно интерпретировать с целью
получения заключения о классификации нового входного объекта.
Наиболее распространенный способ интерпретации состоит в том,
что выходному сигналу m-го нейрона присваивается значение 1, если
ym > (b −a)/2, и 0 — в противном случае. Причем, логично полагать,
что чем выше значение ym , тем более вероятна правильность
постановки диагноза m-й болезни или неисправности, и чем
меньше значение ym , тем вероятнее отсутствие m-й болезни или
неисправности. В этом случае говорят, что значение ym можно
расценивать как функцию принадлежности объекта какому-либо
классу или как меру уверенности ответа персептрона.
Таким образом, мы видим, что персептрон дает нечеткий
ответ, оценивая вероятность возможной ошибки. Подобно доб-
росовестному врачу-диагносту персептрон может ответить, что
у больного наверняка есть инфаркт миокарда, с вероятностью
65% он подозревает, что у больного был порок сердца и на 90%
персептрон уверен, что ишемической болезни сердца у больного нет.
В заключение отметим, что помимо рассмотренных способов
подготовки данных и интерпретации ответов нейросетей, существует
множество других приемов [5–7, 21], преследующих аналогичные
цели.
10.9.6. Виды активационных функций

В современных нейронных сетях и нейропакетах наиболее часто
применяются следующие виды активационных функций.
Пороговые активационные функции (функции-ступеньки).
Пороговые активационные функции-ступеньки были введены в на-
чале главы с помощью формул (10.1)— (10.5) и рис. 10.3.
Наиболее часто в современных нейросетях и нейропакетах
применяются функции-ступеньки, изображенные на рис. 10.30.
y y
1 1
0 S 0 S
−1
а б
Рис. 10.30. Пороговые активационные функции-ступеньки
Их аналитическое представление соответственно для рис. 10.30, а

и рис. 10.30, б имеет вид:
1, если S 0; 1 , если S 0;
y= y=
0, если S < 0; −1, если S < 0,

I
где S = xi wi , причем w0 = −1; x0 = θ, θ — пороговое значение
i=0
нейрона.
Линейные активационные функции. На рис. 10.31, а показан
график линейной активационной функции y = S с неограниченной
областью изменения. Такие функции могут иметь и ограниченную
область изменения: y = −1 при S < −1; y = S при −1 S 1; y = 1
при s > 1 (рис. 10.31, б).
y y
1 1
S S
−1
а б
Рис. 10.31. Линейные активационные функции с неограниченной (а)

и ограниченной (б) областями изменения
Сигмоидные активационные функции. На рис. 10.32, а изоб-

ражен график сигмоидной функции, заданной уравнением
1
y= , (10.62)
1 + e−S
а на рис. 10.32, б — уравнением
1 − e−S
y= . (10.63)
1 + e−S
Аналогичный последнему графику характер имеют функции
2
арктангенса y = arctg S и гиперболического тангенса y = th S,
π
S
а также функция y = , которые тоже называют сигмоидами.
1 + |S|
y y
1 1
S S
−1
а б
Рис. 10.32. Сигмоидные активационные функции с несимметричной (а)
и симметричной (б) областями изменения
Логарифмические активационные функции. На рис. 10.33

изображен график активационной функции, заданной уравне-
нием [146] $
y = ln(S + S 2 + 1). (10.64)
Рис. 10.33. Логарифмическая активационная функция

В отличие от сигмоиды эта функция имеет неограниченную

область изменения. В связи с этим, отпадает необходимость
масштабирования данных.
Радиально-базисные активационные функции. В послед-
нее время получают распространение нейросети, нейроны кото-
рых имеют активационные функции в форме функции Гаусса
(см. рис. 10.33):
2
− S2
y=e 2σ , (10.65)
где S = X − C — евклидово расстояние между входным вектором
X и центром активационной функции C; σ — параметр гауссовой
кривой, называемый шириной окна.
Такие активационные функции называют радиально-базисными
(RBF), а соответствующие нейронные сети — RBF-сетями (см.
рис. 10.34).
Рис. 10.34. Радиально-базисная активационная функция
Отметим, что все приведенные выше активационные функции, за

исключением функций-ступенек (см. рис. 10.30) и кусочно-линейной
(см. рис. 10.31, б), являются непрерывно дифференцируемыми.
Линейная функция (см. рис. 10.31, а) и логарифмическая функция
(см. рис. 10.33) выполняют преобразование бесконечного входного
множества значений переменных S в бесконечное множество
переменных y. Пороговые активационные функции преобразуют
множество S в бинарные множества y = 0 и y = 1 или y = −1 и y = 1.
Остальные активационные функции преобразуют бесконечное вход-
ное множество S в ограниченные выходные множества: y ∈ (0, 1),
y ∈ (−1, 1) и y ∈ (0, 1]. От вида используемых активационных
функций зависят функциональные возможности нейросетей, а также
выбор способов их обучения.
10.10. НЕВЕРБАЛЬНОСТЬ И ШЕСТОЕ ЧУВСТВО

НЕЙРОННЫХ СЕТЕЙ
Нейросеть — это система, выполненная по образу и подобию челове-
ческого мозга. Вполне естественно, что она наследует его свойства,
причем, как положительные, так и отрицательные.
Как и человеческий мозг, нейросеть способна извлекать знания
из данных, обнаруживать скрытые в них закономерности. Но, как
и человек, нейросеть не способна объяснять, как она это делает.
Архимед открыл свой закон, лежа в ванне, Ньютон — наблюдая
за падением яблока. Оба ученых гениальным образом догадались,
нашли истину, не объяснив как они это сделали.
Нейросеть, извлекая закономерности из данных, тоже способна
получать знания, делать догадки, открывать законы природы.
Но так же, как и человек, нейросеть не способна к четкой
формулировке пунктов алгоритма, позволившего сделать то или
иное умозаключение.
Согласно современным эзотерическим теориям, гений в момент
озарения считывает информацию из параллельных миров. Нелепо
было бы утверждать, что нейросеть в момент извлечения знаний
проделывает аналогичную операцию. Поэтому моделирование дея-
тельности мозга дает нам основания возразить против эзотерической
теории познания. По-видимому, многие из феноменов, которые
демонстрируют экстрасенсы, контактеры, шаманы, можно объяснить
свойством мозга извлекать информацию из неполных данных — свой-
ством, которое удается моделировать с помощью нейронных сетей.
Известны случаи, когда нейросети демонстрируют феномен,
называемый в жизни «шестым чувством». Они с успехом извлекают
знания из анализа информации, из которой, казалось бы, эти
знания извлечь невозможно. Ранее в пп. 10.2.3 был приведен
один из таких примеров, касающихся диагностики неисправностей
авиационных двигателей по совокупности их полетных параметров.
Феномен заключается в том, что помимо всех прочих, нейросеть
диагностирует и такие неисправности, которые традиционными
диагностическими методами, основанными на законах физики,
выявить не представляется возможным. Так, дефект «стружка
в масле» считается побочным и обнаруживается только после
вскрытия авиадвигателя на испытательном стенде. Этот дефект не
10.10. Невербальность и шестое чувство нейронных сетей 269
выявляется традиционными диагностическими методами, поскольку

его наличие, по мнению специалистов, никак не влияет ни на один
снимаемый с авиадвигателя параметр. Тем не менее, несмотря
на отсутствие какой-либо логической связи между этим дефектом
и параметрами работы авиадвигателя, нейросеть обнаруживает скры-
тую от обычных (вербальных) методов диагностики закономерность
и ставит правильный диагноз относительно наличия или отсутствия
дефекта «стружка в масле».
Феномены подобного рода в практике применения нейросетевых
технологий не являются редкостью. Особенно часто они наблю-
даются при исследовании достаточно сложных объектов, когда
нейросети выявляют связи и закономерности, о существовании
которых специалисты, создавшие объект, не знают. Выявляются даже
такие взаимосвязи и взаимные влияния, которые при поверхностном
рассмотрении противоречат здравому смыслу специалистов и стано-
вятся понятными и объяснимыми только после более тщательного
изучения объекта.
Таким образом, мы вправе заявить о наличии у нейросетей
свойства, обычно называемого в жизни интуицией или шестым
чувством, — способности принимать правильные решения, алгоритм
принятия которых с точки зрения известных истин объяснить не
представляется возможным.
Еще один пример проявления нейросетью свойства интуиции
рассмотрен в пп. 10.8.3. Предметной областью в данном случае
являлся человек. Задача состояла в том, чтобы научить компьютер
определять, правду ли говорит человек, отвечая на заданный вопрос.
Как отмечалось ранее, в следственной практике МВД России приме-
няются полиграфные аппараты (детекторы лжи), регистрирующие от
четырех до десяти физиологических параметров человека. Регистри-
руемые физиологические реакции (давление, частота пульса, глубина
дыхания, электропроводность кожи и др.) в реальном времени
отображаются на экране монитора в виде пульсирующих кривых.
Оценка ответа опрашиваемого лица осуществляется компьютерной
программой, анализирующей получаемые кривые с помощью на-
бора правил, обобщающих исследования психологов, физиологов
и специалистов в области инструментальной детекции лжи.
Однако существующие компьютерные программы, анализирую-
щие полиграммы, не отличаются высокой надежностью. Так, широко
применяемая в настоящее время система «Эпос» только в 70%

случаев дает правильные уверенные заключения.
Авторы работ [44, 86] предприняли попытку применения ней-
ронной сети, которую подключили к тем же самым датчикам, что
и в штатном полиграфном аппарате «Эпос». После обучения на
150 примерах реальных допросов нейросеть при тестировании дала
правильные заключения в 85% случаев, т. е. на 15% больше, чем
профессиональная программа.
Чем можно объяснить такое повышение надежности детекции
лжи? Ведь компьютерную программу системы «Эпос» создавали
грамотные психологи и физиологи. Ведь помимо своих наблюдений,
разработчики «Эпоса» заложили в свою программу результаты
исследований не одного поколения ученых.
Объяснить этот феномен можно только тем, что нейронная сеть,
анализируя результаты реальных допросов в пределах того же
самого комплекса физиологических параметров, смогла выявить
и использовать такие закономерности человеческого организма,
которые ученым не были известны. Искусственный интеллект
оказался сильнее естественного.
Невербальность знаний и шестое чувство нейросетей — это каче-
ства, вытекающие из самой их природы. Нет ничего удивительного
в том, что нейросети, являясь моделью человеческого мозга,
наследуют его свойства. Человеческий мозг по своей сути является
невербальным объектом. В процессе эволюции тысячелетиями от
мозга требовалось обрабатывать поступающую информацию, делать
из нее выводы и принимать решения. Но при этом не требовалось
давать какие-либо объяснения. Потребность в вербализации челове-
ческих умозаключений появилась только в последнее тысячелетие,
и далеко не каждый современный человек обладает способностью
объяснять все свои поступки. Многие наши действия совершаются
под влиянием эмоций, шестого чувства, не имеющего логических
объяснений.
Возможно, дальнейшая эволюция человеческого мозга приведет
его к еще более совершенной структуре, в которой алгоритм
принятия решений и сами знания будут храниться в прозрачной
для понимания форме. Но пока мы моделируем мозг, в котором
знания представлены неявно. Они закодированы в виде матрицы
сил синаптических связей. В отличие от экспертных систем, где
10.10. Невербальность и шестое чувство нейронных сетей 271
имеется возможность проследить всю цепочку логического вывода,

мы не можем спросить нейросеть, почему она пришла к тому или
иному выводу.
Это является недостатком нейросетевых технологий, и его
преодолением занимаются некоторые исследовательские группы.
Так, в работе [28] предложена методика вербализации нейросетевых
знаний, заключающаяся в последовательном упрощении (редуци-
ровании) сети до такой степени, при которой она становится
прозрачной для понимания выполняемых ею действий. Авторы мето-
дики привели интересный пример вербализации знаний нейросети,
обученной прогнозированию результатов выборов президента США.
Сеть редуцировалась до тех пор, пока число входных сигналов
каждого нейрона не уменьшилось до трех. В результате закономер-
ность, которую нейросеть извлекла из обучающей выборки, удалось
описать в виде л о г и ч е с к о й ф о р м у л ы.
1. Президент США потерпит поражение на выборах, если
его правление было «плохое» или «ситуация политически
нестабильна».
2. Правление президента было «плохое», если верны хотя бы два
высказывания из следующих: «Год выборов является временем
спада или депрессии», «Правящий президент не произвел
существенных изменений в политике».
3. «Ситуация политически нестабильна», если верны хотя бы
два высказывания из следующих: «В год выборов активна
третья партия», «Имеет место серьезная конкуренция при
выдвижении от правящей партии», «Во время правления были
существенные социальные волнения».
Следует заметить, что во многих других случаях редуцирование
нейросетей не приводит к желаемому результату из-за существен-
ного понижения качества их работы.
По мнению многих специалистов в области искусственного
интеллекта, человеческий мозг, являясь самой сложной из известных
в природе систем, «не хочет раскрывать своих тайн». Подводя итог
приведенным рассуждениям, отметим, что последняя фраза может
быть отнесена и к модели человеческого мозга — нейронным сетям.
Но это совсем не значит, что их удивительными свойствами не
следует пользоваться.
10.11. КРУГ РЕШАЕМЫХ ЗАДАЧ

И ВОЗМОЖНОСТИ МЕТОДА
НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ
Список примеров практического применения нейросетевых техно-
логий можно во много раз увеличить. Однако и те немногие,
приведенные выше примеры, убедительно показывают, что мы имеем
универсальный и весьма эффективный инструмент для построения
математических моделей самых разнообразных физических, техни-
ческих, химических, экономических, социальных и другого рода
объектов, процессов, явлений. Исследуя эти модели, мы можем
решать широкий круг разнообразных практических задач. Так,
если нам удалось построить математическую модель какого-то
сложного технологического процесса, например, выплавки стали
в мартеновской печи, или крекинга нефти в химическом реакторе,
или производства электроэнергии на атомной электростанции,
то, исследуя математическую модель, изучая влияние входных
параметров на выходные, можно решить задачу оптимизации
моделируемого технологического процесса. Это значит, что можно
подобрать оптимальное сочетание входных параметров, обеспе-
чивающих максимально высокое качество выплавляемой стали.
Это значит, что можно рассчитать наиболее благоприятный ход
химической реакции крекинга нефти. Это значит, что можно выбрать
наиболее эффективный режим работы атомной электростанции.
Аналогично решаются задачи оптимизации в сфере бизнеса
и экономики. В этом случае выходом нейронной сети может быть
некая целевая функция, имеющая смысл экономической эффектив-
ности предприятия, валового продукта, прибыли или рентабельности
фирмы.
Если математическая модель является нестационарной, т. е.
составлена с учетом фактора времени, то ее можно использовать
для решения задач прогнозирования. Это значит, что с помощью
математической модели можно узнать, какими будут технологиче-
ские, экономические, социальные, политические и другие показатели
моделируемого объекта в будущем и как на них можно повлиять,
принимая те или иные меры сегодня.
Если математическая модель работает в реальном режиме
времени, т. е. оперативно получает сведения о текущих изменениях
10.11. Круг решаемых задач и возможности метода. . . 273
параметров моделируемого объекта, если результаты математичес-

кого моделирования могут быть оперативно переданы оператору,
управляющему объектом, или могут быть непосредственно вве-
дены в приборы, дозирующие подачу руды, кислорода и других
химических компонентов в мартеновскую печь либо управляющие
параметрами работы химического или ядерного реактора, то такая
математическая модель будет решать задачу управления моделиру-
емым объектом или процессом.
Наконец, если нейросеть вербализовать (см. п. 10.10), то ее
можно использовать для понимания явлений и процессов, проис-
ходящих в изучаемой предметной области.
Помимо перечисленных задач — понимания, оптимизации, про-
гнозирования и управления, мы видели, что персептрон может
решать задачи распознавания и классификации образов, причем
под образами понимают зрительные изображения, символы, тексты,
запахи, звуки, шумы и прочее.
Отметим, что во всех примерах построения математических
моделей с помощью нейросетевых технологий не требовалось знание
и использование законов природы, экономики, общества. Вместо
этого нужно было подготовить обучающую выборку, содержащую
статистические данные о предметной области. И если эта выборка
оказывается достаточно репрезентативной (представительной), то
нейросеть сама заново открывает и использует фундаментальные
законы природы, экономики, общества, сама извлекает закономер-
ности, необходимые для формирования математической модели,
адекватной рассматриваемой предметной области. Именно в этом
состоит принципиальное отличие нейросетевого метода от традици-
онных методов математического моделирования, согласно которым
фундаментальные законы и закономерности предметной области
формируются и заносятся в математическую модель человеком.
В этом отношении методика построения нейросетевых моделей
напоминает методику построения регрессионных моделей. Послед-
ние, как известно, основаны на методе наименьших квадратов,
позволяющем строить математические формулы, аппроксимирую-
щие статистические данные. При более подробном рассмотрении
можно заметить, что алгоритм аппроксимации числовых данных
методом наименьших квадратов вытекает как частный случай из
более общего алгоритма, реализующего персептрон, у которого акти-
вационные функции нейронов являются линейными. В этом смысле

нейросетевые технологии представляют собой обобщение метода
наименьших квадратов и, как всякое обобщение, нейросетевые
технологии потенциально являются более мощным и универсальным
математическим аппаратом. Кроме того, не надо забывать, что
в его основе лежит не гениальный математический трюк, как
в случае с методом наименьших квадратов, а глубокий физический,
психологический и общефилософский смысл, о котором достаточно
много говорилось в начале этой главы.
10.12. СОВРЕМЕННЫЙ ИСКУССТВЕННЫЙ

ИНТЕЛЛЕКТ И ЗАДАЧИ ЕГО
ФИЛОСОФСКОГО ОСМЫСЛЕНИЯ
10.12.1. Лидирующая научная отрасль
В разные периоды существования цивилизации лидирующими
направлениями научных исследований были философия, математика,
астрология, алхимия, разделы физики: механика, электричество
и магнетизм, физика элементарных частиц и квантовая механика,
ядерная физика.
Со второй половины XX в. и по настоящее время лидирующие
позиции в темпах развития бесспорно занимают компьютерные
науки.
Схема, отражающая современное состояние распределения на-
учных приоритетов, приведена на рис. 10.35.
Рис. 10.35. Современное распределение приоритетов среди научных отраслей

10.12. Современный искусственный интеллект. . . 275
Из всего множества научных отраслей наиболее быстро разви-

вающейся признается информатика.
Из всех разделов информатики наиболее экспансирующим, как
в области теоретических разработок, так и приложениях, является
искусственный интеллект.
Из всех разделов искусственного интеллекта до середины
1980-х гг. лидирующие позиции в области практических прило-
жений удерживали экспертные системы. В течение двух последних
десятилетий экспертные системы постепенно уступают лидерство
другому разделу искусственного интеллекта — нейросетевым и ней-
рокомпьютерным технологиям.
Искусственный интеллект уже давно стал «горячей точкой»
научных исследований, в которой сконцентрированы усилия ма-
тематиков, физиков, нейробиологов, психологов, программистов,
философов, инженеров. Здесь решаются глобальные вопросы,
связанные с путями развития научной мысли, с воздействием
компьютерной индустрии на жизнь будущих поколений. Здесь
рождаются и получают право на жизнь пограничные идеи —
результат объединения различных дисциплин, научных направлений
и областей. Здесь возникает и формируется философское осмысление
научных результатов.
Каковы причины, побуждающие людей заниматься дисциплиной,
называемой «Искусственный интеллект»? В основном их две.
Соответственно, существуют две категории людей, занимающихся
искусственным интеллектом.
Первая категория ученых ставит перед собой цель разобраться
в самом смысле человеческого бытия. Как устроен человеческий
мозг? В чем смысл жизни человека? Какого его предназначение?
Как и откуда он появился на Земле и что с ним будет дальше?
Для этих людей характерен романтизм и философский склад ума.
Обычно они имеют свой собственный взгляд и свои идеи. Некоторые
настолько увлекаются, что буквально «живут в плену идей».
Обеспечивая свое существование случайными заработками, они
посещают лекции, активно участвуют в семинарах и конференциях.
Многие выдающиеся ученые добились блестящих результатов,
получили признание, пройдя этот нелегкий путь.
Для второй категории исследователей характерен прагматизм. Это
программисты, создатели нейрокомпьютеров и интеллектуальных
систем, которые применяют методы искусственного интеллекта

в сугубо практических целях. Они поняли, что добиться высо-
кой эффективности работы интеллектуальных систем, программ
и компьютеров можно посредством копирования, моделирования,
имитации структуры и принципов деятельности человеческого мозга.
И они изучают мозг, выдвигают новые идеи и гипотезы, выполняют
их программную реализацию, проверяют их в работе при решении
практических задач.
Естественно, приведенная здесь классификация исследователей
искусственного интеллекта на «прагматиков» и «идеалистов» весьма
условна. Они дополняют и взаимно обогащают друг друга. В любом
случае, возможность воплощения идей искусственного интеллекта
на компьютерах, возможность их немедленной реализации и все-
сторонней практической проверки являются сильнейшим стимулом,
обеспечивающим лидирующие темпы развития искусственного ин-
теллекта, как в теоретическом, так и в практическом аспектах.
10.12.2. Современные стратегии искусственного интеллекта

Искусственный интеллект — это научная отрасль, занимающаяся
исследованием и моделированием естественного интеллекта чело-
века. Естественный интеллект человека является очень сложным
объектом исследований и его моделирование осуществляется на
разных уровнях абстрагирования. Можно выделить три таких
уровня, которым соответствуют т р и основные с т р а т е г и и
искусственного интеллекта:
• технология экспертных систем;
• нейросетевые и нейрокомпьютерные технологии;
• технологии эволюционного (эмержентного, проявляющегося)
моделирования.
Самому высокому уровню абстрагирования соответствует техно-
логия экспертных систем — систем, основанных на явных знаниях
о предметной области. Согласно этой стратегии знания о предмет-
ной области извлекаются из специалистов-экспертов, или других
информационных источников. Именно человек-эксперт, обладаю-
щий знаниями о предметной области, способен действовать на
самом высоком уровне. Его знания формализуются и закачиваются
в программный комплекс — экспертную систему, которая на основе
этих знаний делает логически обоснованные полезные выводы, тем

самым моделируя интеллект человека-эксперта.
На самом нижнем уровне абстрагирования лежат нейроком-
пьютерные и нейросетевые технологии. Согласно этой стратегии
строится модель, учитывающая структуру мозга, состоящего из
множества нейронов, соединенных нервными волокнами. Знания
поступают в такую модель в ходе ее обучения на специально
подобранных примерах, характеризующих предметную область. Так
же, как и в мозге, знания хранятся в неявной форме — кодируются
в виде множества сил синаптических связей, имитирующих электро-
проводность межнейронных соединений. Основоположниками этой
стратегии, появившейся в середине XX в., являются американские
ученые В. Мак-Каллок, В. Питтс и Ф. Розенблатт.
Исторически первой была модель искусственного интеллекта,
основанного на явных знаниях, которая безраздельно господ-
ствовала, начиная с XIII в. и до середины XX в. Появление
персептрона в 1940-х гг. и первые его успехи, были встречены
с надеждами и энтузиазмом, который, однако, продержался недолго,
и к середине 1980-х гг. подавляющее большинство систем ис-
кусственного интеллекта представляли собой экспертные системы,
ориентированные на конкретные предметные области. Но победа
высокоуровневой стратегии оказалась временной. Конец XX в.
и начало XXI в. ознаменовались широкомасштабным наступлением
нейросетевых и нейрокомпьютерных технологий. Причем, имело
место как применение этих технологий в новых предметных
областях, так и вытеснение экспертных систем из тех областей,
где они традиционно применялись ранее.
Уже в течение полувека между высоко- и низкоуровневой
стратегиями идет жесточайшая конкуренция. Вместе с тем многие
специалисты отмечают наметившийся в последнее время процесс
интеграции конкурирующих стратегий. Известны, например, успеш-
ные попытки создания и применения гибридных интеллектуальных
систем, комбинирующих идеи альтернативных подходов.
Третья стратегия, появившаяся на свет в середине 1970-х гг.
благодаря работам профессора Мичиганского университета Дж. Хол-
ланда, навеяна Дарвиновской теорией возникновения и эволюции
жизни на Земле. Эволюционные модели начинают свою работу
с создания целой популяции особей — кандидатов на решение
проблемы. Отдельные особи популяции оцениваются по опре-

деленному критерию, позволяющему отобрать лучшие, которые
затем видоизменяются, наследуя положительные свойства родителей
и образуя новые поколения. Этот подход предполагает поиск
источника интеллекта в самом процессе эволюции и взаимодействия
особей. Знания в эволюционных моделях приобретаются в ходе
конкурентной борьбы между особями.
Подводя итог краткого обзора существующих стратегий искус-
ственного интеллекта, отметим, что на сегодняшний день без-
условным лидером, как в области теоретических исследований,
так и в части практических приложений, являются нейросетевые
технологии. Попытки моделирования мозга на самом низком уровне
абстрагирования — на уровне нейронной структуры, показывают себя
как наиболее плодотворные технологии создания интеллектуальных
систем.
10.12.3. Искусственный интеллект, философия и библейские

легенды
Искусственный интеллект сегодня является лидирующей научной
отраслью и поэтому, как никакая другая дисциплина, нуждается
в философском осмыслении результатов, парадигм, стратегий,
методов.
Следует отметить, что искусственный интеллект, как и всякая
другая наука, имеет свои корни в философии. Корни высо-
коуровневой стратегии искусственного интеллекта можно найти,
например, в «Логике» Аристотеля. В полном объеме формальная
аксиоматизация логических рассуждений представлена в работах
Готлоба Фреге, Бертрана Рассела, Курта Геделя.
Однако работы великих философов прошлого, естественно, не
охватывают коренных изменений, которые искусственный интеллект
претерпел в конце XX — начале XXI вв. К таким коренным измене-
ниям, в первую очередь, относится создание компьютера по образу
и подобию человеческого мозга — нейрокомпьютера. Именно появ-
ление нейрокомпьютера и феномен триумфального практического
внедрения неросетевых и нейрокомпьютерных технологий менее
всего исследован философами и более всего нуждается в этом.
Приведем одну из попыток примитивного осмысления этого
процесса с точки зрения библейских легенд.
Согласно библейским преданиям, Бог создал Адама и Еву по

своему образу и подобию: «И сказал Бог: сотворим человека
по образу Нашему и подобию Нашему. . . ». Создал, по-видимому,
с определенной целью, ожидая от них определенных качеств, свойств
и действий. Но в последующем люди обнаружили несколько иные
качества и совершали действия, которых их Создатель от них, по-
видимому, не ожидал.
Оценивая историю человечества с высоты XXI в., мы можем
размышлять о многих, по-видимому, незапланированных Создателем
качествах человека. Кстати, согласно библейским преданиям, за одно
из таких непредвиденных качеств Адам и Ева были выдворены
Создателем из Рая.
Обратимся теперь к истории создания нейрокомпьютера. Как
отмечает в своей книге [97] создатель первого нейрокомпьютера
Ф. Розенблатт, персептрон (нейрокомпьютер) был создан по образу
и подобию человеческого мозга и предназначался для решения
задачи узнавания букв латинского алфавита, причем только тех,
которым он обучался. И эта цель Ф. Розенблаттом была успешно
достигнута. Но, наблюдая за последующими событиями, можно
заключить, что со временем персептрон стал проявлять такие
с в о й с т в а, которые его создатель от него не ожидал. Перечислим
некоторые из них:
1. Способность к обобщению. Это свойство, рассмотренное
в п. 10.4, состоит в том, что персептрон, обученный распознавать
определенное количество образов, оказывается способным распо-
знавать не только те образы, на которых его обучали, но и такие,
которых в обучающей выборке не было, т. е. образы, которых он
ни разу «не видел».
2. Интуиция, или шестое чувство, — характерное для человече-
ского мозга свойство, рассмотренное в п. 10.10, заключается в спо-
собности делать правильные выводы и заключения, основываясь
на неполной (с точки зрения традиционных вербальных методов)
информации. На то, что этим свойством обладают нейронные сети,
по-видимому впервые, было обращено внимание в [137].
3. Живучесть. Известны случаи, когда люди продолжали совер-
шать разумные поступки, потеряв в результате физической травмы
до 30% объема мозга. То же самое происходит с нейрокомпьютерами.
При выводе из строя отдельных нейрочипов нейрокомпьютеры,
хотя и менее качественно, но продолжают решать поставленные

задачи.
Отметим еще раз, что перечисленные свойства нейросетей
и нейрокомпьютеров не предусматривались их создателями зара-
нее, а обнаружились в процессе их эксплуатации. Эти свойства
обнаружились сами по себе, вследствие того, что нейросети
и нейрокомпьютеры моделируют мозг на самом нижнем структурном
уровне. Они выполнены «по образу и подобию» своего прототипа —
мозга — и поэтому напрямую наследуют от него его свойства.
Вышеприведенные рассуждения и факты свидетельствуют о том,
что между Нейрокомпьютером, как моделью Человеческого мозга,
и Человеком, как моделью Бога, существует некая аналогия.
Возможно, эту аналогию можно взять за основу при прогнозиро-
вании последствий развития искусственного интеллекта. Возможно,
искусственная модель человека будет и дальше обнаруживать
непредусмотренные создателями качества и между моделями и их
прототипами возникнут непонимание и проблемы, подобные тем,
которые описаны в Библии.

1. Постройте таблицы значимости для булевых функций «И»
и «ИЛИ».
2. Графическим способом подберите веса и пороги однонейрон-
ного персептрона, реализующего функции «И» и «ИЛИ».
3. Постройте двухслойный персептрон, реализующий функцию
«Исключающее ИЛИ».
4. Составьте программу обучения однонейронного персептрона
с помощью правил Хебба и дельта-правила.
5. С помощью составленной программы попытайтесь обучить од-
нонейронный персептрон логическим операциям «И», «ИЛИ»,
«Исключающее ИЛИ».
6. Постройте график функции y = x sin x на интервале x ∈ [0, 10π].
Спроектируйте и обучите нейросеть, аппроксимирующую эту
функцию. Для обучения используйте значения функции из
интервала x ∈ [0, 8π]. С помощью обученной нейросети вы-
полните прогноз значений функции на интервал x ∈ [8π, 10π].
Результаты прогноза изобразите графически и оцените его
погрешность.
7. Спроектируйте и обучите нейросеть прогнозированию курса

американского доллара по отношению к российскому рублю:
а) возьмите из Интернета и изобразите графически данные
по изменению курса доллара за последние три месяца;
б) по данным двух первых месяцев методом окон обучите
нейросеть прогнозированию курса доллара на один (или
более) день вперед;
в) определите среднеквадратичную ошибку прогноза, ис-
пользуя в качестве тестовых примеров данные последнего
месяца;
г) введите в нейросеть дополнительный входной нейрон,
в котором закодируйте день недели прогнозируемого дня.
Повторите пункты б–в;
д) в дополнительном нейроне сети закодируйте данные
о солнечной активности (возьмите их из Интернета).
Повторите пункты б–в;
е) в дополнительном нейроне сети закодируйте сведения
о фазах Луны и повторите пункты б–в;
ж) сравнивая среднеквадратичные ошибки прогноза на те-
стовых выборках сделайте заключение о степени влияния
на курс доллара исследованных факторов.
8. Чем отличаются нейросетевые технологии от регрессионного
анализа?
9. Перечислите свойства, которые нейросети и нейрокомпьютеры
унаследовали от своего прототипа — человеческого мозга.
10. Какое отношение имеет учение Чарльза Дарвина к генетиче-
ским алгоритмам? Какие задачи можно решать с помощью
генетических алгоритмов?
Как следует из предыдущего изложения, нейронные сети яв-
ляются мощнейшим инструментом получения научных знаний,
универсальным инструментом построения математических моделей
широчайшего класса объектов, процессов и явлений. Вместе с тем,
теория нейронных сетей весьма далека от завершения. Ежегодно
в мире выходит огромное количество научных работ, посвященных
дальнейшему развитию нейросетевых технологий. Предлагаются
новые нейросетевые парадигмы, по мнению их авторов, наибо-

лее полно отражающие процессы, происходящие в человеческом
мозге и более пригодные для решения конкретных классов задач.
Предлагаются и всесторонне опробуются новые методы обучения
и проектирования нейросетей.
Приведенный в этой главе материал достаточен для первона-
чального освоения метода нейросетевого моделирования с помощью
нейросетей персептронного типа. Материал достаточен для освоения
метода до уровня решения несложных задач прогнозирования, опти-
мизации, управления, классификации и распознавания образов, типа
тех, которые приведены в п. 10.8. Для более детального изучения
приемов и методов нейроинформатики читателю рекомендуется
литература:
[137], [124], [82]
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Абдулов А. Н. Власть, наука, общество: Система государственной

поддержки научно-технической деятельности: опыт США / А. Н. Аб-
дулов, А. Н. Кулькин. — М.: ИНИОН, 1994.
2. Арнольд В. И. О функциях трех переменных // Доклады АН СССР. —
1957. — Т. 114. — № 4. — С. 679–681.
3. Барбур И. Религия и наука: история и современность; пер. с англ. —
М.: Библейско-богосл. ин-т Св. ап. Андрея, 2000.
4. Баренбаум И. Е. История книги: Учеб. пособие — М.: Книга, 1984.
5. Безухов Н. И. Приложение методов теории упругости и пластичности
к решению инженерных задач теории упругости / Н. И. Безухов,
О. В. Лужин. — М.: Высшая школа, 1974.
6. Белозерцев Е. П. Образование: историко-культурный феномен: Курс
лекций. — СПб.: Изд-во Р. Асланова «Юридический центр Пресс»,
2004.
7. Блох В. И. Об использовании плоскостных гармонических функций
в решениях трехмерных задач теории упругости изотропного тела //
Известия вузов. Математика. — 1960. — № 2. — С. 19–29.
8. Блохинцев Д. И. Предпосылки научно-технического прогресса // Со-
временные проблемы физики. — М., 1976. — С. 4–6.
9. Бродский А. К. Краткий курс общей экологии: Учеб. пособие. — М.:
ДЕАН, 2000.
10. Большая энциклопедия: В 62 т. — М.: Терра, 2006.
11. Большая советская энциклопедия. — 2-е изд. — М.: Гос. науч. изд-во
«Большая советская энциклопедия», 1953.
12. Большаков И. Чудо — маятник. Основы практической биолокации.
Диагностика геопатогенных зон. — СПб.: Вектор, 2005.
13. Большой энциклопедический словарь. — М.: Книга, 1984.
14. Брэгг Л. Что создает ученого? // Наука и жизнь. — 1970. — № 9. —
С. 80–84.
15. Бунге М. Интуиция и наука; пер. с англ. — М.: Прогресс, 1967.
16. Вайскопф В. Физика в двадцатом столетии; пер. с англ. — М.:
Атомиздат, 1977.
17. Вебер М. Наука как призвание и профессия // Самосознание
европейской культуры XX века. — М., 1991. — С. 130–137.
284 Библиографический список
18. Вернадский В. И. Избранные труды по истории наук. — М.: Наука,

1981.
19. Вернадский В. И. Философские мысли натуралиста. — М.: Наука,
1988.
20. Виргинский В. С. Очерки истории науки и техники: 1870–1917 гг. /
В. С. Виргинский, В. Ф. Хотиенков. — М.: Просвещение, 1988.
21. Войтов А. Г. История и философия науки: Учеб. пособие для
аспирантов. — М.: Издат.-торг. корпорация «Дашков и К.», 2004.
22. Волошинов А. В. Математика и искусство. — М.: Просвещение, 1992.
23. Волошинов А. В. Пифагор: союз истины, добра и красоты. — М.:
Просвещение, 1993.
24. Галеркин Б. Г. К вопросу об исследовании напряжений и деформаций
в упругом изотропном теле // Доклады АН СССР. — Сер. А. — 1930. —
№ 14. — С. 353–358.
25. Гладкий С. Л. Интеллектуальное моделирование физических про-
блем / С. Л. Гладкий, Н. А. Степанов, Л. Н. Ясницкий / Под ред.
Л. Н. Ясницкого — М.— Ижевск: НИЦ Регулярная и хаотическая ди-
намика, 2006.
26. Гладкий С. Л. Верификация численных расчетов методом фиктивных
канонических областей / С. Л. Гладкий, Н. Ф. Таланцев, Л. Н. Ясниц-
кий // Вестник Пермского университета. Математика. Информатика.
Механика. — Пермь: Изд-во. Пермского ун-та, 2006. — С. 18–27.
27. Голубев И. Р. Окружающая среда и транспорт / И. Р. Голубев,
Ю. В. Новиков. — М.: Транспорт, 1987.
28. Горбань А. Н. Логически прозрачные нейронные сети для производ-
ства знаний из данных. / А. Н. Горбань, Е. М. Миркес; — Красноярск /
ВЦК СО РАН. — 1997. Деп. в ВИНИТИ 17.07.97, № 2434-В97.
29. Горелов А. А. Концепции современного естествознания : Учеб.
пособие. — М.: Гуманит. издат. центр «ВЛАДОС», 2000.
30. Горелов А. А. Экология : Учебник для вузов / А. А. Горелов. — М.:
Издат. центр «Академия», 2006.
31. Гохберг Л. Вузовская наука: перспективы развития / Л. Гохберг,
И. Кузнецова // Высшее образование в России. — 2004. — № 4. —
С. 117–120.
32. Грехэм Л. Р. Очерки истории российской и советской науки; пер.
с англ.. — М.: Политиздат, — 1998.
33. Гулыга А. В. Искусство в век науки. — М.: Наука, 1978.
34. Гринченко В. Т. Равновесие и установившиеся колебания упругих
тел конечных размеров. — Киев: Наукова думка, 1978.
35. Гузь А. Н. Методы возмущений в пространственных задачах теории
упругости / А. Н. Гузь, Ю. Н. Немиш. — Киев: Вища школа, 1982.
36. Гусейханов М. К., Концепции современного естествознания: Учеб-
ник / М. К. Гусейханов, О. Р. Раджабов. — М.: Издат.— торг. корпорация
«Дашков и Кo », 2004.
Библиографический список 285
37. Гусман С. Я. Обоснование выбора фиктивных канонических обла-

стей / С. Я. Гусман, Л. Н. Ясницкий // Вестник Пермского ун-та.
Пермь: Изд-во ПГУ, 1994. — Вып.1. — С. 55–65.
38. Д. И. Менделеев в воспоминаниях современников. — М.:Атомиздат,
1973.
39. Дайсон Ф. Век двадцать первый // Природа. — 1991. — № 4. — С. 85.
40. Деев В. М. О формах общего решения пространственной задачи
теории упругости, выраженных при помощи гармонических функ-
ций // Прикладная математика и механика. — 1959. — Т. 23. — № 6. —
С. 1132–1133.
41. Джуринский А. Н. История педагогики : Учеб. пособие для студ.
пед. вузов. — М.: Гуманит. изд. центр ВЛАДОС, 2000.
42. Друнвало Мельхисидек. Древняя тайна Цветка Жизни; пер. с англ.
Т. 1; — М.: ООО Изд. Дом «София», 2004.
43. Зборовский Г. Е. Образование: от XX к XXI веку : Учеб. пособие /
Г. Е. Зборовский. — Екатеринбург: Изд-во Урал. гос. проф.-пед. ун-та,
2000.
44. Зибатова А. Н. Интеллектуальный полиграф / А. Н. Зибатова,
А. М. Петров, З. И. Сичинава, А. П. Сошников, Л. Н. Ясницкий //
Российский полиграф. — 2006. — № 1. — С. 76–83.
45. Игнациус Г. И. Владимир Андреевич Стеклов (1864–1926). — М.:
Наука, 1967.
46. Ильин В. А. История физики : Учеб. пособие — М.: Издат. центр
«Академия», 2003
47. Информатика: Учеб. пособие для студ. пед. вузов / Под ред.
Е. К. Хеннера. — М.: Издат. центр «Академия», 2003.
48. Картеодори К. Конформные отображения ; пер. с англ. — М., Л.:
ОНТИ, 1934.
49. Казаченок Т. Г. Античные афоризмы / Т. Г. Казаченок, И. Н. Гро-
мыко. — Минск: Вышэйш. школа, 1987.
50. Кваша Г. Возрастной гороскоп: загляни в свое будущее. — М.: ЗАО
«Центрполиграф», 2005.
51. Келдыш М. В. Конформные отображения многосвязных областей на
канонические области // Успехи математических наук. — Вып. VI. —
1939. — С. 90–119.
52. Кинелев В. Г. Образование, воспитание, культура в истории циви-
лизации / В. Г. Кинелев, В. Б. Миронов. — М.: Владос, 1998.
53. Книговедение. Энциклопедический словарь. — М.: Сов. энциклопедия,
1982.
54. Колмогоров А. Н. О представлении непрерывных функций несколь-
ких переменных суперпозицией непрерывных функций меньшего
числа переменных // Доклады АН СССР. — 1956. — Т. 108. — С. 179–
182.
55. Колосов Г. В. Применение комплексных диаграмм и теории функций
комплексного переменного к теории упругости — М., Л.: ОНТИ, 1939.
56. Колчанова Е. А. Об одном методе решения пространственной задачи

теории упругости // Краевые задачи упругих и неупругих систем. —
Свердловск: УНЦ АН СССР, 1985. — С. 52–64.
57. Коренев Б. Г. Некоторые задачи теории упругости и теплопроводно-
сти, решаемые в бесселевых функциях. — М: Физматгиз, 1960.
58. Кохановский В. П. Философия науки : Учеб. пособие / В. П. Коха-
новский, В. И. Пржиленский, Е. А. Сергодеева. — М.: ИКЦ «МарТ»,
Ростов-на-Дону : Издат. центр «МарТ», 2005.
59. Круглов В. В. Искусственные нейронные сети. Теория и практика /
В. Б. Круглов, В. В. Борисов. — М.: Горячая линия — Телеком, 2002.
60. Крутков Ю. А. Тензор функций напряжений и общие решения
в статике теории упругости — М., Л.: Изд-во АН СССР, 1949.
61. Лаврентьев М. А. Избранные труды. Математика и механика — М.:
Наука, 1990.
62. Лейбензон Л. С. Вариационные методы решения задач теории упру-
гости. — М., Л.: Гостехиздат, 1943.
63. Лук А. Н. Психология творчества. — М.: Наука, 1978.
64. Лурье А. И. Напряженное состояние вокруг эллипсоидальной поло-
сти // Доклады АН СССР. — 1952. — Т. 87. — № 5. — С. 709, 710.
65. Любищев А. А. Наука и религия. — СПб.: Алетейа, 2000.
66. Люгер Дж. Ф. Искусственный интеллект: Стратегии и методы реше-
ния проблем; пер. с англ. — М.: Издат. дом «Вильямс», 2003.
67. Макаров В. Л. Получение нового знания методом компьютерного
моделирования // Искусственный интеллект: междисциплинарный
подход / Под ред. Д. И. Дубровского и В. А. Лекторского. — М.:
ИИнтеЛЛ, 2006. — С. 5–11.
68. Математика в СССР за сорок лет: 1917–1957. — Т. 1. — М.: Физматлит,
1959.
69. Маттиас Л. Оборотная сторона США; пер. с нем. — М.: Прогресс,
1968.
70. Мигдал А. Б. Поиски истины. — М.: Молодая гвардия, 1983.
71. Минский М. Персептроны / М. Минский, С. Пайперт. — М.: Мир,
1971.
72. Михлин С. Г. Решение сейсмологических проблем плоской теории
упругости и плоской бигармонической проблемы // Труды Сейсмо-
логического ин-та АН СССР. — 1934. — № 37. — С. 11–26.
73. Мкртчян С. О. Нейроны и нейронные сети. Введение в теорию
формальных нейронов. — М.: Энергия, 1971.
74. Московский Л. Астрология. — Екатеринбург: Изд-во Урал. гос. проф.-
пед. ун-та, 2002.
75. Мурашов Д. И. Социальный генетический алгоритм / Д. И. Мурашов,
Л. Н. Ясницкий // Вестник Пермского университета. Математика. Ин-
форматика. Механика. — Пермь: Изд-во Перм. ун-та, 2006. — С. 53–60.
76. Мусхелишвили Н. И. Некоторые основные задачи теории упруго-
сти. — М.: Наука, 1966.
77. Нейбер Г. Концентрация напряжений. — М.: Гостехиздат, 1947.

78. Нейматов Я. М. Образование в XXI веке. Тенденции и прогнозы. —
М.: Алгоритм, 2002.
79. Новые педагогические и информационные технологии в системе обра-
зования / Е. С. Полат, М. Ю. Бухаркина, М. В. Моисеева, А. Е. Петров;
Под ред. Е. С. Полат. — М.: Издат. центр «Академия», 2002.
80. Образование в современном мире: состояние и тенденции развития /
Под. ред. М. И. Кондакова. — М., 1986.
81. Осипов Ю. С. Академия Наук в истории Российского государства. —
М.: Наука, 1999.
82. Осовский С. Нейронные сети для обработки информации; пер.
с польск. — М.: Финансы и статистика, 2002.
83. Папкович П. Ф. Представление общего интеграла основных диф-
ференциальных уравнений теории упругости через гармонические
функции // Известия АН СССР. Сер. Мат. и естеств. наук. — 1932. —
№ 10. — С. 1425–1435.
84. Папкович П. Ф. Об одной форме решения плоской задачи теории
упругости для прямоугольной полосы // Доклады АН СССР. — 1940. —
Т. 27. — № 4. — С. 335–339.
85. Петров А. М. Из записной книжки полиграфолога / А. М. Петров,
С. Г. Мягких. — Пермь: Издат. дом «Компаньон», 2003.
86. Петров А. М. Возможности создания нейросетевого полиграфа /
А. М. Петров, Л. Н. Ясницкий // Вестник Пермского универси-
тета. Математика. Информатика. Механика. — Вып.2. — Пермь: Изд-во.
Перм. ун-та, 2005. — С. 43–47.
87. Петрович Н. Т. Люди и биты. Информационный взрыв: что он
несет. — М.: Знание, 1986.
88. Пирсон Г. Наука и обязанности гражданина; пер. К. А. Тимирязева. —
М., 1918.
89. Полат Е. С. Дистанционное обучение: Каким ему быть? / Е. С. Полат,
А. Е. Петров // Педагогика. — 1999. — № 7. — С. 29–34.
90. Поликарпов В. З. История науки и техники : Учеб. пособие для
вузов. / — РостовнаДону: Издат. центр «МарТ», 1999.
91. Прокопов В. К. Равновесие упругого осесимметрично нагруженного
толстостенного цилиндра // Прикладная математика и механика. —
1949. — Т. 13. — № 2. — С. 135–144.
92. Подильчук Ю. Н. Пространственные задачи теории упругости и пла-
стичности. Т. 1. Граничные задачи статики упругих тел. — Киев:
Наукова думка, 1984.
93. Протасов В. Ф. Экология, здоровье и природопользование в России /
В. Ф. Протасов, А. В. Молчанов. — М.: Финансы и статистика, 1995. —
528 с.
94. Психология науки : Учеб. пособие / А. Г. Аллахвердян, Г. Ю. Мош-
кова, А. В. Юревич, М. Г. Ярошевский. — М.: Моск. психол.-социал.
ин-т, Флинта, 1998.
95. Пуанкаре Ж. А. О науке; пер. с франц. — М.: Наука, 1990.

96. Ратнер М. Нанотехнология: простое объяснение очередной гени-
альной идеи / М. Ратнер, Д. Ратнер; пер. с англ.— М.: Издат. дом
«Вильямс», 2004.
97. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория
механизмов мозга. — М.: «Мир», 1965.
98. Розин В. Путешествие в страну эзотерической реальности. — М.:
УРСС, 1998.
99. Романовская Т. Б. Наука XIX–XX веков в контексте истории куль-
туры (субъективные очерки). — М.: Радикс, 1995.
100. Российский статистический ежегодник. 2004: Стат. сб. / Росстат. —
М.: Госкомстат России (ИИЦ «Статистика России»), 2004.
101. Савин Г. М. Распределение напряжений около отверстий. — Киев:
Наукова думка, 1968.
102. Садовничий В. Первому университету страны — 250! // Наука
и жизнь. — 2005. — № 1. — С. 2–15.
103. Салиев А. Абстрактная мысль // Наука и жизнь. — 1972. — № 11. —
С. 14–17.
104. Самин Д. К. 100 великих ученых. — М.: Вече, 2003.
105. Свинаренко А. Веление времени: Без современной системы образо-
вания невозможно развитие экономики // Экономика и образование
сегодня. — 2005. — № 4. — С. 8–9.
106. Сифоров В. И. Информация, связь, человек. — М.: Знание, 1977.
107. Слободянский М. Г. Общие формы решений уравнений упругости
для односвязных и многосвязных областей, выраженные через
гармонические функции // Прикладная математика и механика. —
1954. — Т. 18. — № 1. — С. 55–74.
108. Смирнов С. Болонский процесс: перспективы развития в России //
Высшее образование в России. — 2005. — № 1. — С. 43–51.
109. Соломатин В. А. История науки: Учеб. пособие. — М.: ПЕРСЭ, 2003.
110. Соляник-Красса К. В. Функции напряжений осесимметричной тео-
рии упругости // Прикладная математика и механика. — 1952. — Т. 21. —
№ 2. — С. 285, 286.
111. Справочник по сопротивлению материалов / Г. С. Писаренко,
А. П. Яковлев, В. В. Матвеев; Отв. ред. Г. С. Писаренко — 2-е изд.,
перераб. и доп. — Киев: Наукова думка, 1988.
112. Тарантина А. В. Влияние расположения особых точек искомого
решения на сходимость метода фиктивных канонических областей.
Численные иллюстрации / А. В. Тарантина, Л. Н. Ясницкий // Ди-
намика и прочность машин. Вестник Пермского государственного
технического университета. — Пермь: Изд-во ПГТУ, 2003. — № 4. —
С. 47–55.
113. Татур Ю. Г. Высшее образование в России в XX веке. // Высшее
образование в Росии. — 1994. — № 3. — С. 145.
114. Терешатова Е. Академический отпуск / Е. Терешатова, Е. Гонтма-

хер // Экономика и образование сегодня. — 2005. — № 4. — С. 81.
115. Творцы мировой науки. От античности до ХХ века : Популярная
биографическая энциклопедия. — М .: Пашков дом, 2001.
116. Тихонов А. Н. Рассказы о прикладной математике / А. Н. Тихонов,
Д. П. Костомаров. — М.: Наука, 1979.
117. Толковый словарь по оккультизму, эзотерике и парапсихологии. — М.:
КлаксСтиль, 2004.
118. Толковый словарь русского языка / Ожегов С. И., Шведова Н. Ю.
4-е изд. доп. — М.: Азбуковник, 1999.
119. Угодчиков А. В. Решение краевых задач плоской теории упругости
на цифровых и аналоговых машинах / А. В. Угодчиков, М. И. Длугач,
А. Е. Степанов. — М.: Высшая школа, 1970.
120. Толстой Л. Н. Что такое искусство? — М.: Худож. лит., 1964.
121. Фейнберг Е. Л. Кибернетика, логика, искусство. — М.: Радио и связь,
1981.
122. Философия математики и технических наук / Под общ. ред.
проф. С. А. Лебедева: Учеб. пособие для вузов. — М.: Академический
Проект, 2006.
123. Фильчаков П. Ф. Приближенные методы конформных отображе-
ний. — Киев.: Наукова думка, 1964.
124. Хайкин С. Нейронные сети: Полный курс, 2-е изд.; пер. с англ. —
М.: Издательский дом «Вильямс», 2006.
125. Харитонов А. С. Симметрия хаоса и порядка в круговороте энер-
гии. — М.: ООО ИД «Энергия», 2004.
126. Хорган Д. Конец науки. Взгляд на ограниченность знания на закате
Века Науки; пер. с англ. — СПб.: Амфора, 2001.
127. Чикнаверова А. А. Из истории науки XX века. — М., 2002.
128. Шардаков И. Н. Метод геометрического погружения для решения
краевых задач теории упругости: Препринт / ИМСС УНЦ АН
СССР / И. Н. Шардаков, И. Е. Траяновский, И. Н. Труфанов. — Сверд-
ловск, 1984.
129. Шардаков И. Н. Метод геометрического погружения в теории упру-
гости / И. Н. Шардаков, Н. А. Труфанов, В. П. Матвеенко. — Екатерин-
бург: УрО РАН, 1999.
130. Шарден П. Т. Феномен человека. Вселенская месса. — М.: Айрис
Пресс, 1987.
131. Шерман Д. И. Основные плоские и контактные (смешанные) задачи
статической теории упругости // Механика в СССР за тридцать лет. —
М., Л.: Наука, 1950. — С. 192–225.
132. Шипов Г. И. Теория физического вакуума. Теория, эксперименты
и технологии : РАЕН / Г. И. Шипов. — М.: Наука, 1997.
133. Экология : Учеб. пособие / Под ред. С. Л. Боголюбова. — М.: Знание,
1997.
134. Яковлев В. И. Математические начала / В. И. Яковлев. — Москва —

Ижевск: НИЦ «Регулярная и хаотическая механика», 2005.
135. Яковлев В. И. Начала механики / В. И. Яковлев. — Москва — Ижевск:
НИЦ «Регулярная и хаотическая механика», 2005.
136. Ясницкий Л. Н. Метод фиктивных канонических областей в механике
сплошных сред. — М.: Наука, 1992.
137. Ясницкий Л. Н. Введение в искусственный интеллект. — М.: Издат.
центр «Академия», 2005.
138. Ясницкий Л. Н. Об одном способе решения задач теории гармо-
нических функций и линейной теории упругости // Прочностные
и гидравлические характеристики машин и конструкций. — Пермь:
Изд-во Перм. политех. ин-та, 1973. — С. 78–83.
139. Ясницкий Л. Н. Суперпозиция базисных решений в методах типа
Треффтца // Изв. АН СССР. Механика твердого тела. — 1989. — № 2. —
С. 95–101.
140. Ясницкий Л. Н. Композиция расчетной области в методе фиктивных
канонических областей // Изв. АН СССР. Механика твердого тела. —
1990. — № 6. — С. 83–85.
141. Ясницкий Л. Н. Искусственный интеллект и новые возможности
компьютерного моделирования // Вестник Пермского университета.
Информационные системы и технологии. Вып.4. — Пермь: Изд-во
Перм. ун-та, 2005. — С. 81–86.
142. Ясницкий Л. Н. Принципы построения экспертной системы для
аналитического решения краевых задач // Математика программных
систем : Межвузовский сборник научных трудов. — Пермь: Изд-во
ПГУ, 2001. — С. 105–114.
143. Ясницкий Л. Н. Возможности и перспективы применения методов
искусственного интеллекта в механике сплошных сред // Динамика
и прочность машин. Вестник ПГТУ. — Пермь: Изд-во ПГТУ, 2001. —
№ 3. — С. 150–164.
144. Boussinesq M. J. Application des potentials a l‘etude de lequolibre et

du movement des solides elastiques. — Paris: Gauthiers — Villars, 1885.
145. Dougal J. An analytical theory of equilibrium on an isotropic elastic
plate // Trans. Of the Royal Soc. Of Edinburgh. — 1904. — Pt. 1. — P. 129–
228.
146. Gokovko V. A neural net for prediction problems, V. Gokovko,
Ja. Savitsky, V. Gladischuk // Proceedings of Int. Conf. On technical
informatics. — Timisoara: University of Timisoara, Romania, 1996. —
P. 49–52.
147. Hebb D. O. The Organization of Behavior. — New York: John Wiley &
Sons. — 1949.
148. Hecht-Nielsen R. Kolmogorov’s Mapping Neural Network Existence
Theorem // IEEE First Annual Int. Conf. On Neural Networks. — San
Diego, 1987. — V.3.
149. Holland J. H. Adaptation in Natural and Artiﬁcal Systems. — University

of Michigan Press, 1975.
150. Kelvin W. Treatise on natural philosophy / W. Kelvin, P. G. Tait. —
Cambridge: Univ. press, 1879.
151. McCulloch W. S. A Logical Calculus of Ideas Immanent in Nervous
Activity / W. S. McCulloch, W. Pitts // Bull. Mathematical Biophysics. —
1943. — Vol.5.
152. Rosenblatt F. The perseptron: a probabilistic model forinformation storage
and organization in the brain // Psychological Review. — 1958. — Vol.65.
153. Rosenblatt F. Principles of Neurodynamics. — New York: Spartan Books,
1962.
154. Rummelhart D. E. Learning internal representations by error propagation /
D. E. Rummelhart, G. E. Hilton, R. J. Williams. — In McClelland et al.,
1986.
155. Schiff P. A. Sur l‘equilibre d‘un cylinre elastique // J. Math. Pures et
appl. — 1883. — Ser. 3. — V.9. — № 6. — P. 407–421.
156. Werbos P. Beyond Regression: New Tools for Prediction and Analysis
in the Behavioral Sciences / P. Werbos // Phd Thesis, Dept. of Applied
Mathematics : Harvard University. — Cambridge: Mass., 1974.
157. Widrow B. Adaptive swiching circuits / B. Widrow, M. E. Hoff // 1960
IRE WESTCON Conferenction Record. — New York, 1960.
ОГЛАВЛЕНИЕ
Предисловие . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Часть I
Наука и образование: историко-
культурологический аспект 11
Глава 1. Психология познания . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.1. От познания — к науке . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2. Наука, творчество, интуиция . . . . . . . . . . . . . . . . . . . . . . . . . 13
Вопросы и задания для самопроверки . . . . . . . . . . . . . . . . 19
Рекомендуемая литература . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Глава 2. Способы передачи знаний . . . . . . . . . . . . . . . . . . . . . . . 20
2.1. Возникновение письменности . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2. Из истории книги. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3. Из истории библиотек . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4. Информационный взрыв . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Глава 3. Роль образования в становлении науки. . . . . . . . . . 30
3.1. Образование — ступень к науке: исторический ракурс . . . . 32
3.2. Современное российское образование и его проблемы. . . 37
3.3. Болонский процесс . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Глава 4. Наука — часть духовной культуры . . . . . . . . . . . . . . . 54
4.1. Наука и философия . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.2. Наука и религия . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.3. Наука и искусство . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Глава 5. Наука: этапы развития . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.1. Истоки науки. Эпоха мифологии . . . . . . . . . . . . . . . . . . . . . 66
5.2. Античная наука. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.3. Средневековая наука. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Оглавление 293
5.4. Наука эпохи возрождения . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

5.5. Начало эпохи науки . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.6. Эпоха науки . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Глава 6. Наука и промышленные технологии . . . . . . . . . . . . . 92
6.1. Научные и научно-технические революции. . . . . . . . . . . . . 92
6.2. Технологии, обусловленные научно-техническим прогрес-
сом . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.3. Современные формы внедрения научных разработок в Рос-
сии . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Рекомендуемая литература . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Глава 7. Негативные последствия научно-технического
прогресса и пути их преодоления . . . . . . . . . . . . . . . 107
Глава 8. Неофициальная наука . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Часть II
Современные методы получения научных знаний 127
Глава 9. Математическое моделирование как метод полу-
чения научных знаний . . . . . . . . . . . . . . . . . . . . . . . . . . 131
9.1. Виды моделирования . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
9.2. Этапы и цели математического моделирования . . . . . . . . . 133
9.3. Краевые задачи, метод разделения переменных Фурье и его
развитие . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
9.4. Современный кризис прикладной математики и его воз-
можные последствия для цивилизации . . . . . . . . . . . . . . . . 157
9.5. Интеллектуальное математическое моделирование . . . . . . . 166
9.5.1. Метод фиктивных канонических областей (ФКО) 166
9.5.2. Интеллектуальные проблемы метода ФКО . . . . . . 179
9.5.3. Система интеллектуального математического мо-
делирования REGIONS . . . . . . . . . . . . . . . . . . . . . . 189
9.5.4. Метод ФКО — метод точного аналитического ре-
шения краевых задач. . . . . . . . . . . . . . . . . . . . . . . . 192
Глава 10. Нейроинформатика как метод получения научных
знаний . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
10.1. Мозг и компьютер . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
294 Оглавление
10.2. Математический нейрон. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201

10.3. Персептрон . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
10.4. Распознавание букв . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
10.5. Дальнейшие обобщения персептрона . . . . . . . . . . . . . . . . . . 211
10.6. Ограниченность однослойного персептрона . . . . . . . . . . . . 214
10.7. Многослойный персептрон . . . . . . . . . . . . . . . . . . . . . . . . . . 217
10.8. Нейросетевое моделирование . . . . . . . . . . . . . . . . . . . . . . . . 224
10.8.1. Диагностика в медицине. . . . . . . . . . . . . . . . . . . . . 225
10.8.2. Диагностика неисправностей сложных техничес-
ких устройств . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
10.8.3. Нейросетевой детектор лжи . . . . . . . . . . . . . . . . . . 230
10.8.4. Нейросети в банковском деле . . . . . . . . . . . . . . . . 233
10.8.5. Управление кибернетическим объектом. . . . . . . . . 234
10.8.6. Прогнозирование валютных курсов и котировок
ценных бумаг . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
10.9. Проблемы проектирования и обучения персептронов . . . . 239
10.9.1. Теоремы существования . . . . . . . . . . . . . . . . . . . . . 239
10.9.2. Проблемы и методы проектирования . . . . . . . . . . 240
10.9.3. Проблемы и методы обучения . . . . . . . . . . . . . . . . 246
10.9.4. Генетические алгоритмы . . . . . . . . . . . . . . . . . . . . . 253
10.9.5. Подготовка входных и выходных параметров . . . 261
10.9.6. Виды активационных функций. . . . . . . . . . . . . . . . 264
10.10. Невербальность и шестое чувство нейронных сетей. . . . . 268
10.11. Круг решаемых задач и возможности метода нейросетевого
моделирования. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
10.12. Современный искусственный интеллект и задачи его фи-
лософского осмысления . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
10.12.1. Лидирующая научная отрасль . . . . . . . . . . . . . . . . 274
10.12.2. Современные стратегии искусственного интел-
лекта . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
10.12.3. Искусственный интеллект, философия и библей-
ские легенды . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
Библиографический список . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
Минимальные системные требования определяются соответ-
ствующими требованиями программы Adobe Reader версии не
ниже 11-й для операционных систем Windows, Mac OS, Android,
iOS, Windows Phone и BlackBerry; экран 10"
Учебное электронное издание
Ясницкий Леонид Нахимович

Данилевич Татьяна Васильевна
СОВРЕМЕННЫЕ ПРОБЛЕМЫ НАУКИ

Учебное пособие
Ведущий редактор О. И. Левшина
Художник Н. В. Зотова
Оригинал-макет подготовлен В. Н. Цлаф и О. Г. Лапко в пакете
LATEX 2𝜀
Подписано к использованию 18.09.14.
Издательство «БИНОМ. Лаборатория знаний»
125167, Москва, проезд Аэропорта, д. 3
Телефон: (499) 157-5272
e-mail: binom@Lbz.ru, http://www.Lbz.ru

Ясницкий Л.Н., Данилевич Т.В. - Современные Проблемы Науки-Издательство - Лаборатория Знаний - (Ранее - БИНОМ. Лаборатория Знаний -) (2014)

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Ясницкий Л.Н., Данилевич Т.В. - Современные Проблемы Науки-Издательство - Лаборатория Знаний - (Ранее - БИНОМ. Лаборатория Знаний -) (2014)

Загружено:

Авторское право:

Доступные форматы

Л. Н. Ясницкий, Т. В.

3-е издание (электронное)

Деривативное электронное издание на основе печатного

В соответствии со ст. 1299 и 1301 ГК РФ при устранении

ISBN 978-5-9963-2502-3 c БИНОМ. Лаборатория знаний, 2008

Магистратуры в российских вузах — сравнительно новое явление.

Специальность Квалификация Наименование

Содержание этих стандартов, хотя и различается в частностях, но

взаимоотношениям науки и философии, науки и религии, науки

Однако в главе внимание уделено не только успехам и достижениям,

знания. Задача второй части — научить читателя пользоваться

Хотя предлагаемая вниманию читателей книга является учеб-

Хеннеру за предоставленную возможность использования его ме-

Изучение и наблюдение природы породило науку.

Жаден разум человеческий. Он не может ни остановиться,

Любое человеческое знание начинается с интуиции,

1.1. ОТ ПОЗНАНИЯ — К НАУКЕ

Познание — это отражение внешнего мира с его законами

к мыслительной или художественной деятельности, а значит,

1.2. НАУКА, ТВОРЧЕСТВО, ИНТУИЦИЯ

В процессе познания творчество играет роль источника энергии,

Открытие — всегда озарение. Плодом скрытой работы мозга

Образный язык — это изначальный язык всякого творчества.

идеи и начать все сначала. А поэтому ученому необходим энтузиазм

талант всегда индивидуален. Знания добываются не группой ис-

Вопросы и задания для самопроверки

Возникновение письменности, история книги и ее значимость в передаче знаний.

Наука — в книгах и в личном самостоятельном труде

Как из копеек составляются рубли, так из крупинок

2.1. ВОЗНИКНОВЕНИЕ ПИСЬМЕННОСТИ

в виде рисуночного письма, которое впоследствии ученые назвали

В течение столетий различные письменности, развиваясь, вза-

2.2. ИЗ ИСТОРИИ КНИГИ

единый для Древнерусского государства кириллический алфавит.

Г. З. Байер, М. В. Ломоносов и многие другие. Около половины

Судьба книги волнует ученых, писателей, читателей, издателей.

2.3. ИЗ ИСТОРИИ БИБЛИОТЕК

В период раннего средневековья, когда в Западной Европе господ-

хранения информации (проблема площадей) и ее оперативного

2.4. ИНФОРМАЦИОННЫЙ ВЗРЫВ

Чем больше поток, тем быстрее он нарастает, тем еще стремитель-

Вопросы и задания для самопроверки

3. Какой путь прошла книга с момента ее возникновения до наших

История образования. Петр I и создание Петербургского университета. Образование

Потребность образования лежит в каждом человеке;

Образование — это долг, который настоящее поколение

Образование есть то, что остается после того, когда

Образование — получение систематизированных знаний

Образование является фундаментальной категорией науки и пред-

Школьное обучение составляет фундамент общих знаний, дает

для страны, могло дать России эту возможность. Путь России

3.1. ОБРАЗОВАНИЕ — СТУПЕНЬ К НАУКЕ:

и Николай Бернулли и др. В этом университете получил образование

Екатерины II в вопросах воспитания и образования был Иван

деятельности (Морозовы, Боткины, Бахрушины, Щукины и др.).

профессиональных образовательных учреждений по подготовке

3.2. СОВРЕМЕННОЕ РОССИЙСКОЕ

а специалиста, способного ориентироваться во всем производстве

на дошкольное и начальное образование. Этот период самый

• внедрения новых управленческих технологий (попечитель-

Задача расширения доступа к образованию всех слоев населения,

знаний с помощью коммуникационных и информационных техно-

на втором этапе — освоение педагогами новых методов и органи-