Некоторые обобщения, выводы и перспективы.

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.

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.

1 23456789 10 11

Рис. 29. Динамика типов агента в примере 9.7

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

30.

Рис.

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.