24) Почему так? Потому что мы одновременно имеем образы/представления составных частей системы, образы/представления их свойств и связей и при этом имеем образ всей системы. В идеальном случае остаётся только поставить всё на обозначенные места и проверить в действии. К сожалению, идеальных случаев не бывает. Нам известна только часть того, другого и третьего, а образ системы размыт и нечеток. В результате мы имеем многомерный пазл некоего графа. Нужно подставить то, в чём мы уверены, на их правильные места, а потом подумать, что из оставшихся кусков куда вписывается. Собственно, методов собирания пазлов несколько, и все их можно приспособить к собиранию целостной модели.
Первый - подбор "кусочков" по форме. В применении к построению моделей реальности - по внешним проявлениям объектов этой системы. Хороша для небольших моделей либо моделей с малой детализацией. При небольших моделях реально тут же сверять "местоположение объекта" с общей схемой, особое внимание обращая на связи. При моделях с малой детализацией пристраеваемые в схему объекты являются системами, у которых мы проигнорировали строение, обращая внимание только на функционирование (так называемые "черные ящики"), в результате чего упростилась схема, но сама модель стала более грубой и, возможно, потом придётся уточнять либо строение этих подсистем, либо их функционирование в нестандартных режимах.
Второй - "по цветам", в нашем случае - по содержанию и строению фрагментов (объектов или подсистем моделируемой системы). То есть, нам требуется хорошо знать деталировку самих объектов, чтобы знать, на что они способны, как и с кем взаимодействуют внутри системы. При моделировании малых систем - просто идеальный способ, поскольку мало знать, кто на что способен, надо ещё выяснить, что из этих "способностей" может, а что не может проявиться внутри данной системы. Используя этот способ в больших системах, мы рискуем насмерть увязнуть в деталях и потерять логику системы. Поэтому придется одновременно с этим использовать и третий способ.
Третий путь сборки пазла - идём от целого, от системы, её внутренней логики. Сперва определяем, какие процессы в ней происходят, а потом - ищем детали, которые могут это делать. Только вот кандидатов либо не находится очевидных, либо находятся - но сразу несколько. В результате приходится одновременно с этим использовать и первые два способа.
25) Именно тут матлогика и используется, но несколько ограниченно. Основная проблема, которая не даст мышлению использовать матлогику для моделирования в полном объёме - это несоответствие и недостаточность её синтакса для нашей семантики. Семантика тех моделей, что мы строим, принципиально больше используемого в матлогике синтаксиса. Мало того, мы и в обычном языке для многих подсистем, моделирующих реально происходящие процессы - названий не найдём. Лексический запас любых естественных языков весьма ограничен, по причине их происхождения и целей первоначального использования. От языков не требовалось "передать мысль", от них требовалось "уговорить сородича сделать то-то и то-то", а большая часть мыслей обходилась без слов. Это уже много позже мы стали пытаться и даже иногда удачно растолковывать сородичам, как и почему мы на это конкретное дело хотим их подвигнуть. А искусственные языки оказались ещё более ограничены решением узкоспециализированных задач.
Вторая проблема - наличие фактора случайности и нечеткая логика процессов (а как иначе представить "высказывание А для объекта N более-менее верно"? А классическое нечеткое отрицание "Да нет, наверно"?). Поэтому в нашем графе, который мы собираем из кусочков, связи будут рисоваться "разным нажимом" - от "жирной сплошной" до "пунктирной волосяной" линии. Иначе не получится.
Третья проблема - запутанная причинность. Нет, вообще-то, причинность имеет одно направление, которое совпадает со "стрелой времени", но, во-первых, мыслящие существа умудряются виртуально замыкать её в кольца, строя модели и замыслы, а, во-вторых, иной раз сложно определить, что же перед нами - причина и следствие или же два разнесённых по времени следствия неизвестной нам причины. Если нельзя детально разобрать механизм этих событий, то придётся просто инициировать то событие, в котором мы подозреваем причину и посмотреть - произойдёт ли то, что мы считаем следствием? Если, конечно, это возможно. А иногда можно пронаблюдать настоящий эффект нелокальности (и не только с элементарными частицами), когда причинность - налицо, а связь отследить не удаётся. Впрочем, скорее всего, это говорит просто о крайнем несовершенстве наших представлений о материи. Почему я говорю не о "представлениях о пространстве-времени"? Да потому что пространство и время - идеальные, придуманные категории, больше говорящие о нашем восприятии и мышлении, чем о материи, которую в этих категориях представляют. Я недавно на спор заморочилась и вчерне построила картину мира без этих двух категорий (пространство и время), используя более интуитивно понятные: объект, состояние, изменение, количество (число), конечность (сосчитываемость), бесконечность, наименьшее-неделимое. Интересная, кстати, картинка получилась, не скажу, что она чем-то лучше имеющейся, но - факт - она возможна и даже временами удобнее для построения моделей.
Так что стоит учесть этот случай, и когда модель "не вытанцовывается" в одних категориях - перевести в другие.
Есть и четвёртая проблема - причинно-следственная связь обычно выглядит как сеть, сплетённая из неровной кудели. У каждого события много причин, из которых одни более значимы, другие - менее, при этом оно инициирует собой опять же много следствий, в результате причинно-следственные связи выглядят как волокна разной толщины, а события - как узлы на них. И нередко после узла какое-нибудь волокно "толстеет", "обрывается" либо "разделяется на многочисленные волоски". Можно, конечно, "отодвинуться" и огрубить картинку, что в этих случаях рассудок делает автоматически, но тут мы сразу же рискуем вляпаться в какую-нибудь "нелокальность", из тех, которые от незнания причин. Как вляпались - включаем зум и возвращаемся к "запутанной кудели", только на небольшом участке, а не модели в целом.
26) Но вот модель построена. Что с ней делать? Проверять, то есть, действовать в соответствии с ней и смотреть результаты. Пока прогнозы совпадают с реальностью, можно считать её верной, но не стоит забывать о том, что, скорее всего, она неправильно отражает реальность. В мелочах или в чем-то принципиально важном. Помните - "нет верных теорий, есть только пока неопровергнутые". Ведь даже неверные теории могут на определённом ограниченном участке реальности давать почти правильные прогнозы. Это как sin(x) почти равен x при x близком к 0. Часто ошибки модели вскрываются именно при выходе за ту область, по которой мы строили эту модель. Поэтому надо постараться (если это не сопряжено с риском недопустимых проё... неприятностей) при обкатке модели осторожно выходить из "зоны первоначальных данных", на которых строилась модель, и отодвигаться от неё всё дальше и дальше. И, если возникают отклонения от расчётного, ставить модель в очередь на пересмотр.