<<
>>

Некоторые обобщения, выводы и перспективы.

До сих пор мы предполагали, что уровень навыка каждого агента описывается зависимостью вида (1), то есть рассматривали достаточно рутинную деятельность. Рассмотрим несколько более сложный случай.

Так как итеративное научение является одним из частных случаев научения, то, помимо экспоненциальных кривых, соответствующих итеративному научению, встречаются кривые научения других типов, в том числе - логистические, которые аппроксимируются зависимостью (см.

Рис. 28): (19) r(t) = r0 r? / (r0 + (r? - r0) e " g %

При этом скорость изменения r(t) первоначально мала (некоторое время может требоваться на понимание задачи, идентификацию и осознание ситуации и т.п., то есть на первоначальную адаптацию), затем в окрестности точки перегиба скорость увеличивается (система интенсивно обучается), а потом начинает уменьшаться.

Пример 9.7. Решим задачу (9) для случая T = 10, r0 = 0,1, g = 0,75, Y = 10 при условии, что динамика типа агента описывается логистической кривой (19). Динамика типов агента представле-на на Рис. 29.

Рис. 29. Динамика типов агента в примере 9.7

1 23456789 10 11

Рис. 29. Динамика типов агента в примере 9.7

Динамика оптимальных объемов работ представлена на Рис.

1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0

30.

Рис. 30. Динамика оптимальных объемов работ в примере 9.7

Рис.

30. Динамика оптимальных объемов работ в примере 9.7

Оптимальная стратегия обучения уже не столь тривиальна, как в примере 9.2 - сначала объем работ, выполняемых агентом, уменьшается, а затем начинает расти. •

Отметим, что результат утверждения 9.1 для команды, обучение членов которой описывается логистической кривой, не имеет места.

Задачи оптимального распределения работ между членами команды, научение которых описывается логистическим законом (19), формулируются аналогично соответствующим рассмотренным выше для экспоненциальных кривых научения задачам.

Таким образом, в настоящем разделе рассмотрены модели обучения в процессе работы. В рамках предположения о том, что объем уже выполненных агентом работ условно отражает накопленный им «опыт», сформулирована и решена задача об оптимальном обучении - выбора объемов работ, выполняемых агентами в те или иные промежутки времени. Проведенный анализ свидетельствует, что моделирование позволяет сделать следующие выводы:

при фиксированном суммарном объеме работ одного агента результативные характеристики научения не зависят от того, как объемы работ распределены по периодам времени;

решение задачи об оптимальном итеративном научении одного агента не зависит от его начальной квалификации;

чем выше скорость научения агента, тем больший объем работ он должен выполнять в последних периодах (и, соответствен-

но, тем меньший объем работ необходимо выделять на начальные периоды для повышения его начальной квалификации);

оптимальной стратегией итеративного научения является увеличение объема работ агента со временем, причем, чем выше скорость обучения, тем более «выпуклой» является оптимальная траектория обучения. Если кривая научения выпуклая (агент обучается все более и более эффективно), то оптимальная траектория обучения будет убывающей, то есть оптимальной стратегией обучения будет уже не увеличение, а уменьшение объема работ агента со временем;

если отсутствуют ограничения на индивидуальные объемы работ, то в команде весь объем работ выполняет «лучший» (с точки зрения комбинации начальной квалификации и скорости научения) агент;

недостаток начальной квалификации агента может быть успешно компенсирован эффективным обучением как на его собственном, так и чужом опыте;

важнейшим условием стабильного и эффективного функционирования команды является наличие общего знания, на формиро-вание которого обычно нацелено большинство организационных и других усилий в процессе формирования и обучения команды.

В заключение настоящего раздела отметим, что существуют и более сложные (чем (1) и (19)) кривые научения - так называемые последовательные логистические кривые [63], соответствующие освоению различных смежных или все более сложных видов деятельности; обобщенные логистические кривые [59] и др.

Их подробное рассмотрение выходит за рамки ограниченного объема настоящей работы, хотя, если известны законы научения членов команды (пусть даже эти законы довольно сложны), то задача оптимального распределения объемов работ может ставиться так, как это делалось выше. А вот поиск общего решения (желательно - аналитического) этой задачи является предметом будущих исследований.

<< | >>
Источник: НОВИКОВ Д.А.. Математические модели формирования и функционирования команд. - М.: Издательство физико- математической литературы,2008. - 184 с.. 2008

Еще по теме Некоторые обобщения, выводы и перспективы.:

  1. 1.2. Криминалистическая характеристика хулиганства и обстоятельства, подлежащие доказыванию по данной категории уголовных дел
  2. ТЕНДЕНЦИИ И ПЕРСПЕКТИВЫ РАЗВИТИЯ УГОЛОВНОГО ЗАКОНОДАТЕЛЬСТВА В XXI ВЕКЕ (ОПЫТ СРАВНИТЕЛЬНО-ВРЕМЕННОГО АНАЛИЗА)
  3. 1.2 Состояние и перспективы развития системы снабжения нефтепродуктами развитых промышленных стран
  4. Некоторые обобщения, выводы и перспективы.
  5. Н. В. Гоголь
  6. ОТЗЫВЫ НЕОФИЦИАЛЬНЫХ ОППОНЕНТОВ НА АВТОРЕФЕРАТ ДИССЕРТАЦИИ
  7. ПЕРСПЕКТИВЫ ИССЛЕДОВАНИЯ СТИЛЯ В ПСИХОЛОГИИ
  8. II. ПРОБЛЕМА ИССЛЕДОВАНИЯ1
  9. Некоторые проблемы .психологии искусства
  10. ОБЩИЕ ПРОБЛЕМЫ И ЗАДАЧИ ИЗУЧЕНИЯ ЯЗЫКА РУССКОЙ ХУДОЖЕСТВЕННОЙ ЛИТЕРАТУРЫ
  11. Источники, аспекты, основные результаты и перспективы когнитивного осмысления истории изучения глаголов речи
  12. 1.1. Генезис институтов гражданского общества и перспективы их политико-правового развития
  13. ВВЕДЕНИЕ
  14. ЗАРУБЕЖНАЯ ЛИНГВИСТИЧЕСКАЯ СЕМАНТИКА ПОСЛЕДНИХ ДЕСЯТИЛЕТИЙ
  15. НЕКОТОРЫЕ ПРОБЛЕМЫ
  16. В указатель введены переводы на русский язык некоторых лексем, анали­зируемых или просто упоминаемых в тексте статей.