Сложность систем и способы «борьбы» с ней
Все мы так или иначе проектируем и реализуем системы. Будь то программные комплексы, инфраструктурные или платформенные решения. И в рамках этой работы мы постоянно сталкиваемся с понятием «сложной системы». В рамках этой заметки я хочу поделиться своим видением на сложность систем и «борьбу» с ней.
Начнем с определения системы. Мне нравится определение данное в книге System Architecture. Strategy and Product Development for Complex Systems. Перевод звучит примерно так:
Система, это набор компонентов и их связей. Функциональность всей системы больше, чем сумма функциональностей отдельных ее составляющих.
Это очень важное определение. Оно говорит о том, что система должна генерировать «полезность». Если система не дает прироста «полезности», в сравнении с компонентами, ее составляющими, то, вероятно, такая система не очень нужна.
Следующий вопрос, который можно себе задать — а что же такое «сложная система». Можно много рассуждать на этот счет, но на мой взгляд сложной можно назвать систему, которую сложно оценить умом, с которой сложно работать, сложно понять, сложно держать в голове все взаимодействия, которые происходят в этой системе.
И тут для нас, как инженеров, важно иметь механизм, какой-то способ, позволяющий эту сложность измерить. В качестве базы для этого механизма ребята из MIT предлагают использовать широко известное «магическое число семь плюс минус два». На эту тему есть оригинальное исследование, а так же статьи на хабре и презентации TED. В двух словах, идея всех этих исследований состоит в том, что «рабочая память» человека может одновременно удерживать и работать с ограниченным числом различных объектов. Тут очень важно понятие «различных» объектов, поскольку мозг борется со сложностью группируя объекты. Например, связи между объектами одинакового вида или типа можно держать в голове как одну связь. Или, более наглядно — не надо представлять себе систему из кучи перемешанных шариков разных цветов. Достаточно просто сгруппировать их в голове, сказать, что есть, скажем, пять красных шариков, семь желтых и три синих. Это упрощает работу с системой, уменьшая количество объектов с пятнадцати до трех. Поэтому в контексте оценки сложности мы говорим именно о разных объектах, атомарных, которые невозможно сгруппировать.
В конечном итоге есть разные оценки емкости рабочей памяти. Кто-то говорит о четырех объектах, кто-то — о пяти, кто-то — о семи. В своих рассуждениях я буду придерживаться классического подхода — «семь плюс минус два».
Исходя из этих оценок можно сказать, что если с системой становится сложно работать, удерживать ее компоненты и связи в памяти, то, видимо, она превышает тот самый предел емкости в «семь плюс минус два». Это в свою очередь означает, что это самое «магической число семь» можно использовать как базовую оценку сложности системы. Я думаю, что следующее, пока, промежуточное определение, имеет право на жизнь:
Сложная система, это система состоящая из 7+-2 атомарных компонентов и их связей в различных соотношениях.
Классические способы борьбы со сложностью
Теперь давайте вкратце вспомним классические способы или инструменты борьбы со сложностью на этапе проектирования. Их немного: абстракция, декомпозиция, иерархия и иерархическая декомпозиция.
Все эти средства в конечном итоге призваны упростить отдельные подсистемы нашей системы таким образом, чтобы при работе с каждым отдельным блоком он «влезал в голову» целиком.
О чем это все в конце концов
Что же все эти вещи нам дают? Попросту говоря, идея состоит в том, чтобы, используя различные методы, преобразовать неструктурированный набор компонентов системы, к некоему структурному виду. При этом, памятуя о магической семерке, можно сказать, что каждый блок в декомпозиции не должен содержать больше чем семь плюс/минус два элемента. Иначе, при детальном рассмотрении такого блока, его будет сложно контролировать.
С другой стороны, если мы имеем систему с большим количеством блоков, разбитых на иерархические уровни, то количество таких уровней, желательно, не должно превышать семи (плюс/минус два). В качестве иллюстрации хочу привести слайд из Fundamentals of Systems Engineering. Как видно из слайда, сложность системы растет с ростом количества уровней декомпозиции.
Таким образом правильный процесс проектирования системы можно описать примерно следующим тезисом:
Не стройте сложные системы. Стройте системы с необходимым уровнем сложности.
Оценка сложности алгоритмов
Введение
Для любого программиста важно знать основы теории алгоритмов, так как именно эта наука изучает общие характеристики алгоритмов и формальные модели их представления. Ещё с уроков информатики нас учат составлять блок-схемы, что, в последствии, помогает при написании более сложных задач, чем в школе. Также не секрет, что практически всегда существует несколько способов решения той или иной задачи: одни предполагают затратить много времени, другие ресурсов, а третьи помогают лишь приближённо найти решение.
Всегда следует искать оптимум в соответствии с поставленной задачей, в частности, при разработке алгоритмов решения класса задач.
Важно также оценивать, как будет вести себя алгоритм при начальных значениях разного объёма и количества, какие ресурсы ему потребуются и сколько времени уйдёт на вывод конечного результата.
Этим занимается раздел теории алгоритмов – теория асимптотического анализа алгоритмов.
Предлагаю в этой статье описать основные критерии оценки и привести пример оценки простейшего алгоритма. На Хабрахабре уже есть статья про методы оценки алгоритмов, но она ориентирована, в основном, на учащихся лицеев. Данную публикацию можно считать углублением той статьи.
Определения
Основным показателем сложности алгоритма является время, необходимое для решения задачи и объём требуемой памяти.
Также при анализе сложности для класса задач определяется некоторое число, характеризующее некоторый объём данных – размер входа.
Итак, можем сделать вывод, что сложность алгоритма – функция размера входа.
Сложность алгоритма может быть различной при одном и том же размере входа, но различных входных данных.
Существуют понятия сложности в худшем, среднем или лучшем случае. Обычно, оценивают сложность в худшем случае.
Временная сложность в худшем случае – функция размера входа, равная максимальному количеству операций, выполненных в ходе работы алгоритма при решении задачи данного размера.
Ёмкостная сложность в худшем случае – функция размера входа, равная максимальному количеству ячеек памяти, к которым было обращение при решении задач данного размера.
Порядок роста сложности алгоритмов
Порядок роста сложности (или аксиоматическая сложность) описывает приблизительное поведение функции сложности алгоритма при большом размере входа. Из этого следует, что при оценке временной сложности нет необходимости рассматривать элементарные операции, достаточно рассматривать шаги алгоритма.
Шаг алгоритма – совокупность последовательно-расположенных элементарных операций, время выполнения которых не зависит от размера входа, то есть ограничена сверху некоторой константой.
Виды асимптотических оценок
O – оценка для худшего случая
Рассмотрим сложность f(n) > 0, функцию того же порядка g(n) > 0, размер входа n > 0.
Если f(n) = O(g(n)) и существуют константы c > 0, n0 > 0, то
0 n0.
Функция g(n) в данном случае асимптотически-точная оценка f(n). Если f(n) – функция сложности алгоритма, то порядок сложности определяется как f(n) – O(g(n)).
Данное выражение определяет класс функций, которые растут не быстрее, чем g(n) с точностью до константного множителя.
Примеры асимптотических функций
| f(n) | g(n) |
|---|---|
| 2n 2 + 7n — 3 | n 2 |
| 98n*ln(n) | n*ln(n) |
| 5n + 2 | n |
| 8 | 1 |
Ω – оценка для лучшего случая
Критерии оценки сложности алгоритмов
Равномерный весовой критерий (РВК) предполагает, что каждый шаг алгоритма выполняется за одну единицу времени, а ячейка памяти за одну единицу объёма (с точностью до константы).
Логарифмический весовой критерий (ЛВК) учитывает размер операнда, который обрабатывается той или иной операцией и значения, хранимого в ячейке памяти.
Временная сложность при ЛВК определяется значением l(Op), где Op – величина операнда.
Ёмкостная сложность при ЛВК определяется значением l(M), где M – величина ячейки памяти.
Пример оценки сложности при вычислении факториала
Необходимо проанализировать сложность алгоритма вычисление факториала. Для этого напишем на псевдокоде языка С данную задачу:
Временная сложность при равномерном весовом критерии
Достаточно просто определить, что размер входа данной задачи – n.
Количество шагов – (n — 1).
Таким образом, временная сложность при РВК равна O(n).
Временная сложность при логарифмическом весовом критерии
В данном пункте следует выделить операции, которые необходимо оценить. Во-первых, это операции сравнения. Во-вторых, операции изменения переменных (сложение, умножение). Операции присваивания не учитываются, так как предполагается, что она происходят мгновенно.
Итак, в данной задаче выделяется три операции:
Что сложнее определить в системе
В своей практической деятельности человек постоянно взаимодействует с различными искусственными и реальными системами. Это взаимодействие может быть простым наблюдением за системой, изучением (анализом) существующей либо созданием (синтезом) новой системы. Под системой понимают совокупность связанных и взаимодействующих элементов любой природы. Примерами реальных систем являются атом, клетка, организм, экологическая система, общество, вселенная и т.д. Примерами искусственных систем являются компьютер, программа, космическая станция, экономическая система и т.д..
Одной из проблем анализа системы является оценка ее сложности. Сложность системы является качественной характеристикой, для которой до сих пор не существует формальных методов оценки. Интуитивно показатель сложности должен каким-то образом характеризовать сложность структуры и поведения системы, а также трудности, связанные с ее изучением, созданием и использованием. Кроме того, из двух идентичных систем обычно выбирают менее сложную, поэтому сложность должна иметь и относительную оценку.
Необходимость оценки сложности систем обусловлена потребностью в определении эксплуатационных, технологических, технико-экономических и проектных характеристик создаваемых или существующих систем. Эти характеристики должны давать интегральную оценку системы, независимо от вида системы, а также основания для принятия решений о выборе принципов построения проектируемых и методов изучения существующих систем.
Известны подходы, в которых сложность системы определяется:
· количеством элементов и связей системы;
· числом состояний системы;
· объемом вычислений, необходимых для изучения системы;
· количеством двоичных разрядов, необходимых для описания системы.
Эти подходы являются узконаправленными и не позволяют в полной мере оценить сложность системы.
Суть предлагаемого подхода
Сложность системы должна зависеть от ее структуры, однако количество элементов и связей прямо не влияют на сложность системы. Возможен случай, когда сложность системы, состоящей из двух элементов, выше сложности системы, состоящей из 10 элементов. Такая ситуация возможна, если структура и поведение второй системы точно известны, а первая система обладает некоторой неопределенностью. Субъективно, сложность системы для человека связана с понятностью ее структуры и предсказуемостью поведения. Т.е. система является сложной до тех пор, пока мы не знаем или не понимаем, как она устроена. Например, для разработчика микропроцессора компьютер является более простой системой, чем, например, утюг для домохозяйки. Поэтому, одной из составляющих показателя сложности системы является степень соответствия представления о системе (описания, модели) реальной системе.
С другой стороны, для изучения (создания) компьютера требуется гораздо больше времени и затрат, чем на изучение (создание) утюга. Поэтому время и затраты на изучение (создание) системы являются другими составляющими показателя сложности.
Сложность по параметру T определяет время, необходимое для изучения (создания) системы с затратами E при использовании методов M и достигаемой степени соответствия A.
Сложность по параметру E определяет затраты (труда, ресурсов, энергии), необходимые для изучения (создания) системы за время T при использовании методов M и достигаемой степени соответствия A.
Сложность по параметру M определяет сложность методов (квалификацию специалистов, приборы, оборудование, методики, алгоритмы), необходимых для изучения (создания) системы за время T с затратами E и достигаемой степенью соответствия A.
Параметр A определяет степень соответствия модели (проекта) системы реальной (требуемой), достигаемую за время T с затратами E при использовании методов M.
Все четыре составляющие показателя сложности в совокупности позволяют оценить сложность конкретной системы, если их значения получены каким-либо образом. Эти параметры взаимосвязаны и взаимозависимы: каждый параметр зависит от трех других.
Для некоторых граничных значений параметров может быть определена интерпретация, приведенная в таблице 1.
Виды сложности
Рассмотрим эти виды сложности систем.
Сложность анализа существующей системы
Под анализом будем понимать процесс изучения системы, при котором решается задача построения некоторой модели реальной системы. Получаемая модель нужна для понимания работы реальной системы и адекватного управления ею. Эта модель может быть мыслительной системой знаний, математической моделью, инструкцией по эксплуатации, технической документацией и т.п. Примерами такого процесса изучения могут быть процессы освоения компьютера, программной системы, инструментальных средств, изучения свойств химических соединений, поведения животных и т.д. В процессе такого анализа важно оценить, насколько модель соответствует реальной системе (параметр A), насколько сложны методы ее изучения (параметр M) и сколько требуется времени (параметр T) и средств (параметр E) для построения модели системы.
Сложность синтеза новой системы
Одной требуемой системе S 0 могут соответствовать несколько создаваемых систем , и выбор конкретной системы, опять-таки, определяется сложностью синтеза. Невозможно сразу создать идеальную модель системы (A=1) ввиду ограниченности параметров сложности и проблематичности точной оценки параметра A, поэтому создание систем идет эволюционным путем по мере снижения ограничений и уменьшения параметра A. Революционная переделка системы возникает лишь тогда, когда сложность создания новой системы с использованием других методов становится ниже сложности совершенствования существующей системы.
После того, как требуемая система создана, следует оценить сложность ее анализа (освоения) для пользователей. Снижение сложности анализа для пользователей может достигаться путем создания наиболее адекватной ее модели (документации, инструкций, обучающей системы) разработчиками этой системы.
Сложность тиражирования системы
Под тиражированием будем понимать процесс создания N экземпляров системы после создания первого образца.
В самом худшем случае сложность тиражирования равна произведению числа экземпляров на сложность синтеза одного экземпляра.
Более предпочтительна ситуация, когда затраты на тиражирование малы, как например копирование программ или ксерокопирование документов. В этом случае сложность тиражирования гораздо ниже сложности создания первого образца. При таком копировании мы получаем очень высокую степень соответствия, небольшое время копирования, невысокие затраты, но применяем сложные методы.
В случае, когда требуется получить большое количество экземпляров, суммарная сложность значительно возрастает за счет увеличения времени (при последовательном процессе копирования) и затрат. Одним из путей снижения сложности в этом случае является самовоспроизведение, которым пользуются живые организмы. Самовоспроизведение является параллельным иерархическим процессом, что позволяет снижать время и затраты на тиражирование систем.
Сложность репродукции системы
Проблема многозначного выбора на обоих этапах преобразований решается путем выбора минимальной сложности.
Оценка степени соответствия знаний о системе реальной системе
Знания о системе выражаются в знании ее структуры и поведения. Структура системы определяется множеством ее элементов и связей между ними. Поведение системы определяется множеством функций, выполняемых системой. Поэтому будем рассматривать систему в виде тройки множеств:
Допустим в процессе анализа системы S 0 получены знания о ней в виде системы:
при этом A є [0;1]. Варианты соотношения множеств представлены на рисунке 1.
Степень соответствия систем равна 1 только в случае совпадения множеств (рис.1.б), равна 0, если множества не пересекаются (рис.1.а), и меньше 1 во всех остальных случаях.
Динамические системы
Будем называть динамической такую систему, у которой в течение жизненного цикла изменяются множества элементов, связей и функций:
Сложность динамической системы определяется ее сложностью на каждый момент времени t:
В течение жизненного цикла общая сложность системы определяется интегралом сложностей системы на каждый момент времени. Очевидно, что сложность динамической системы гораздо выше сложности аналогичной статической системы. Сложность динамической системы уменьшается, если известны законы ее изменения, позволяющие легко определить (предсказать) структуру и поведение системы в любой момент времени. В этом случае сложность системы определяется в основном сложностью открытия соответствующих законов.
Степень соответствия функций систем
При этом множество известных функций зависит от знания функций каждого элемента и их связей. Поэтому формулу 
можно заменить на формулу:
Сложность методов
Сложность методов M можно оценивать на основе того же подхода, что и оценка сложности системы:
Как видно из формулы (2) сложность методов вносит рекурсивность в оценку сложности систем. Очевидно, на практике всегда можно остановиться на некотором уровне оценки сложности методов для полученя общей оценки M.
Выводы
Рассмотренный подход к оценке сложности ситем является универсальным. Его можно применять для оценки сложности любой изучаемой или создаваемой системы. В данном подходе акцент делается не на самой системе, а на процессе ее изучения или создания. Поэтому в данном подходе рассмотрены следующие аспекты взаимодействия с системой: анализ, синтез, тиражирование, репродукция.
Что сложнее определить в системе
Классификацию систем можно осуществить по разным критериям. Ее часто жестко невозможно проводить и она зависит от цели и ресурсов. Приведем основные способы классификации (возможны и другие критерии классификации систем).
Под регулированием понимается коррекция управляющих параметров по наблюдениям за траекторией поведения системы — с целью возвращения системы в нужное состояние (на нужную траекторию поведения системы; при этом под траекторией системы понимается последовательность принимаемых при функционировании системы состояний системы, которые рассматриваются как некоторые точки во множестве состояний системы).
Пример. Рассмотрим экологическую систему «Озеро». Это открытая, естественного происхождения система, переменные которой можно описывать смешанным образом (количественно и качественно, в частности, температура водоема — количественно описываемая характеристика), структуру обитателей озера можно описать и качественно, и количественно, а красоту озера можно описать качественно. По типу описания закона функционирования системы, эту систему можно отнести к не параметризованным в целом, хотя возможно выделение подсистем различного типа, в частности, различного описания подсистемы «Водоросли», «Рыбы», «Впадающий ручей», »Вытекающий ручей», «Дно», «Берег» и др. Система «Компьютер» — открытая, искусственного происхождения, смешанного описания, параметризованная, управляемая извне (программно). Система «Логический диск» — открытая, виртуальная, количественного описания, типа «Белый ящик» (при этом содержимое диска мы в эту систему не включаем!), смешанного управления. Систем «Фирма» — открытая, смешанного происхождения (организационная) и описания, управляемая изнутри (адаптируемая, в частности, система).
Система называется большой, если ее исследование или моделирование затруднено из-за большой размерности, т.е. множество состояний системы S имеет большую размерность. Какую же размерность нужно считать большой? Об этом мы можем судить только для конкретной проблемы (системы), конкретной цели исследуемой проблемы и конкретных ресурсов.
Большая система сводится к системе меньшей размерности использованием более мощных вычислительных средств (или ресурсов) либо разбиением задачи на ряд задач меньшей размерности (если это возможно).
Пример. Это особенно актуально при разработке больших вычислительных систем, например, при разработке компьютеров с параллельной архитектурой или алгоритмов с параллельной структурой данных и с их параллельной обработкой.
Система называется сложной, если в ней не хватает ресурсов (главным образом, — информационных) для эффективного описания (состояний, законов функционирования) и управления системой — определения, описания управляющих параметров или для принятия решений в таких системах (в таких системах всегда должна быть подсистема принятия решения).
Пример. Сложными системами являются, например, химические реакции, если их рассматривать на молекулярном уровне; клетка биологического образования, рассматриваемая на метаболическом уровне; мозг человека, если его рассматривать с точки зрения выполняемых человеком интеллектуальных действий; экономика, рассматриваемая на макроуровне (т.е макроэкономика); человеческое общество — на политико-религиозно-культурном уровне; ЭВМ (особенно, — пятого поколения), если ее рассматривать как средство получения знаний; язык, — во многих аспектах.
Сложность этих систем обусловлена их сложным поведением. Сложность системы зависит от принятого уровня описания или изучения системы-макроскопического или микроскопического.
Сложность системы может быть внешней и внутренней.
Внутренняя сложность определяется сложностью множества внутренних состояний, потенциально оцениваемых по проявлениям системы, сложностью управления в системе.
Внешняя сложность определяется сложностью взаимоотношений с окружающей средой, сложностью управления системой потенциально оцениваемых по обратным связям системы и среды.
Сложные системы бывают:
Чем сложнее рассматриваемая система, тем более разнообразные и более сложные внутренние информационные процессы приходится актуализировать для того, чтобы была достигнута цель системы, т.е. система функционировала или развивалась как система.
Заполненность матрицы А (ее структура, связность) будет отражать сложность описываемой системы. Если, например, матрица А — верхнетреугольная матрица (элемент, расположенный на пересечении i-ой строки и j-го столбца всегда равен 0 при i > j), то независимо от n (размерности системы) она легко исследуется на разрешимость. Для этого достаточно выполнить обратный ход метода Гаусса. Если же матрица А — общего вида (не является ни симметричной, ни ленточной, ни разреженной и т.д.), то систему сложнее исследовать (так как при этом необходимо выполнить более вычислительно и динамически сложную процедуру прямого хода метода Гаусса). Следовательно, система будет обладать структурной сложностью (которая уже может повлечь за собой и вычислительную сложность, например, при нахождении решения). Если число n достаточно в елико, то неразрешимость задачи хранения матрицы А верхнетреугольного вида в оперативной памяти компьютера может стать причиной вычислительной и динамической сложности исходной задачи. Попытка использовать эти данные путем считывания с диска приведет к многократному увеличению времени счета (увеличит динамическую сложность — добавятся факторы работы с диском).
Пример. Пусть имеется динамическая система, поведение которой описывается задачей Коши вида:
Эта задача имеет решение:
Отсюда видно, что y(t) при k = 10 изменяется на порядок быстрее, чем y(t) при k = 1 и динамику системы сложнее будет отслеживать: более точное предсказание для t → 0 и малых c связано с дополнительными затратами на вычисления т.е. алгоритмически, информационно, динамически и структурно «не очень сложная система» (при a, k ≠ 0) может стать вычислительно и, возможно, эволюционно сложной (при t → 0), а при больших t (t → ∞) и непредсказуемой. Например, при больших t значения накапливаемых погрешностей вычислений решения могут перекрыть значения самого решения. Если при этом задавать нулевые начальные данные а ≠ 0, то система может перестать быть, например, информационно несложной, особенно, если а трудно априорно определить.
Пример. Упрощение технических средств для работы в сетях, например, научные достижения, позволяющие подключать компьютер непосредственно к сети, «к розетке электрической сети» наблюдается наряду с усложнением самих сетей, например, увеличением количества абонентов и информационных потоков в Интернет. Наряду с усложнением самой сети Интернет упрощаются (для пользователя!) средства доступа к ней, увеличиваются ее вычислительные возможности.
Структурная сложность системы оказывает влияние на динамическую, вычислительную сложность. Изменение динамической сложности может привести к изменениям структурной сложности, хотя это не является обязательным условием. При этом сложной системой может быть и система, не являющаяся большой системой; существенным при этом может стать связность (сила связности) элементов и подсистем системы (см. вышеприведенный пример с матрицей системы линейных алгебраических уравнений).
Само понятие сложности системы не является чем-то универсальным, неименным и может меняться динамически, от состояния к состоянию. При этом и слабые связи, взаимоотношения подсистем могут повышать сложность системы.
Пример. Рассмотрим процедуру деления единичного отрезка [0; 1] с последующим выкидыванием среднего из трех отрезков и достраиванием на выкинутом отрезке равностороннего треугольника (рис.); эту процедуру будем повторять каждый раз вновь к каждому из остающихся после выкидывания отрезков. Этот процесс является структурно простым, но динамически является сложным, более того образуется динамически интересная и трудно прослеживаемая картина системы, становящейся «все больше и больше, все сложнее и сложнее». Такого рода структуры называются фракталами или фрактальными структурами (фрактал — от fraction — дробь и fracture — излом т.е. изломанный объект с дробной размерностью). Его отличительная черта — самоподобие, т.е. сколь угодно малая часть фрактала по своей структуре подобна целому, как ветка — дереву.
Рис. Фрактальный объект (кривая Коха)
Уменьшив сложность системы можно часто увеличить ее информативность, исследуемость.
Пример. Выбор рациональной проекции пространственного объекта делает чертеж более информативным. Используя в качестве устройства эксперимента микроскоп можно рассмотреть некоторые невидимые невооруженным глазом свойства объекта.
Система называется устойчивой, если она сохраняет тенденцию стремления к тому состоянию, которая наиболее соответствует целям системы, целям сохранения качества без изменения структуры или не приводящим к сильным изменениям структуры системы на некотором заданном множестве ресурсов (например, на временном интервале). Понятие «сильное изменение» каждый раз должно быть конкретизировано, детерминировано.
Пример. Рассмотрим маятник, подвешенный в некоторой точке и отклоняемый от положения равновесия на угол 0 ≤ φ ≤ π. Маятник будет структурно, вычислительно, алгоритмически и информационно устойчив в любой точке, а при φ = 0 (состояние покоя маятника) — устойчив и динамически, эволюционно (самоорганизационные процессы в маятнике на микроуровне мы не учитываем). При отклонении от устойчивого состояния равновесия маятник, самоорганизуясь, стремится к равновесию. При φ = π маятник переходит в динамически неустойчивое состояние. Если же рассматривать лед (как систему), то при температуре таяния эта система структурно неустойчива. Рынок — при неустойчивом спросе (предложении) неустойчив структурно, эволюционно.
Система называется связной, если любые две подсистемы обмениваются ресурсом, т.е. между ними есть некоторые ресурсоориентированные отношения, связи.