WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 5 | 6 || 8 |

Начнем с простейшего случая, соответствующего, статической задаче стимулирования [38, 39], то есть будем считать, что объем работ y 0, выполняемый АЭ в единицу времени, постоянен, функции дохода H(y) и затрат c(y) не зависят от времени, дисконтирование отсутствует. Соответствующую задачу назовем квазидинамической.

Если центр использует шкалу ( ), то из (1)-(7) следует, что:

T(y) = 1 / y, (t, y) = y t, (t, y) = (y t), (t, y) = C ’(y t). Следовательно, задача (8)-(9) выбора шкалы оплаты труда в рассматриваемом (квазидинамическом) случае примет вид:

H( y) / y - C max, C(10) C - c( y) / y max y при ограничениях участия, которое отражают выгодность взаимодействия центра и АЭ (не вступая во взаимодействие друг с другом, и центр, и АЭ могут получить нулевую полезность):

H( y) / y - C (11).

C - c( y) / y Обратим внимание на то, что выражения (10) и (11) не зависят от шкалы ( ). Поэтому решение задачи (10)-(11) тривиально. Обозначим (12) ymin = arg min c(y) / y.

yТогда, если (13) H(ymin) c(ymin), тоё (14) C* = c(ymin) / ymin, иначе центру и АЭ взаимодействовать невыгодно.

Утверждение 10. В квазидинамической задаче поиска шкалы оплаты труда при выполнении условия участия (13) оптимальное решение (12), (14) не зависит от шкалы и функции дохода центра.

Справедливость утверждения 10 следует из того, что действие, выбираемое АЭ исходя из второго условия в выражении (10), в квазистатической задаче не зависит от суммы договора и шкалы, следовательно, если выполнено условие участия (12), то центру достаточно выбрать минимальную сумму договора, обеспечивающую АЭ нулевую полезность.

Содержательно утверждение 10 означает, что в квазидинамическом случае все шкалы оплаты труда эквивалентны, поэтому рассмотрим более общий случай.

Введем техническое предположение (которое имеет прозрачные содержательные интерпретации). А именно, предположим, что функция затрат непрерывна и lim c(x) / x =.

x Лемма 5. Если функции дохода и затрат не зависят от времени и дисконтирование отсутствует, то для любой траектории y( ) АЭ найдется постоянное его действие xy( ), обеспечивающее ему ту же полезность.

Доказательство. Целевая функция АЭ примет вид:

T ( y()) t [С '( y( )d ) - c( y(t))]dt, следовательно, в силу непрерывности функции затрат, найдется xy( ) 0, такой что:

T ( y()) (15) c(xy( )) / xy( ) = c( y(t))dt.

Условие (15) позволяет вычислить постоянное действие АЭ xy( ), обеспечивающее ему (при произвольной шкале!) ту же полезность, что и траектория y( ). • Рассматриваемый в лемме 5 случай отличается от квазидинамической задачи тем, что объем работ, выполняемый АЭ в единицу времени, может изменяться во времени.

Из леммы 5 следует, что при любой фиксированной сумме договора и выполнении условия участия (13) АЭ выберет действие (12). Значит, следствием является тот факт, что в рамках введенных предположений при решении задачи выбора шкалы оплаты труда можно ограничиться классом постоянных траекторий (то есть классом квазидинамических задач), что совместно с результатом утверждения 10 обосновывает справедливость следующего утверждения.

Утверждение 11. Если функции дохода и затрат не зависят от времени и дисконтирование отсутствует, то все шкалы оплаты труда эквивалентны.

Очевидно, различие эффективностей шкал проявится, если ввести дисконтирование и зависимость от времени доходов и затрат. Исследование подобных моделей (то есть общей постановки задачи (8)-(9)) представляется перспективным направлением дальнейших исследований.

8. Обучение менеджеров проектовЭффективным инструментом описания формальных моделей обучения менеджеров проектов являются обобщенные решения задач управления организационными системами (см. выше и [37, 40, 75]).

Основной результат анализа устойчивости и адекватности решений задач управления заключается в том, что решение ~ ~ ~ u*( m ) R0( m ), оптимальное в модели m M, может оказаться неэффективным в реальной ОС m M, сколь угодно мало отли~ чающейся от модели. В то же время, решение u ( m ) оказывается ~ оптимальным в области M ( m ) M. На рисунке 6 приведены зависимости эффективности управлений от ОС для случая 0 < <.

1 Настоящий раздел написан совместно с Е.О. Пужановой K(u, m) ~ K( m ) ~ K(u 1) = K( m ) – ~ K(u 2) = K( m ) – ~ ~ K( m ) – (m, m) m ~ m ~ m M 1( ) ~ m M 2( ) Рис. 6. Зависимость гарантированной эффективности управлений от ОС Без ограничений общности (при отказе от вводимого предположения исследование проводится аналогично) будем считать, что область адекватности оптимального решения совпадает с самой моделью. Кроме того, предположим, что при использовании оптимального управления в ОС, отличающейся от модели, эффективность равна нулю (что может быть всегда достигнуто соответствующей нормировкой).

~ Величина (m, m ) характеризует потери в эффективности (по ~ сравнению с K( m )) при использовании одних и тех же управлений ~ в модели m M и в реальной ОС M. В ряде случаев можно счи~ ~ тать, что (m, m ) = v(|| m – m||), где || || – норма в пространстве M.

~ Если v( ) – строго монотонная вогнутая функция, то (m, m ) – метрика в пространстве M.

Будем считать, что ОС (и/или ее модель) соответствует некоторой ситуации – проекту. Тогда обучение менеджера проекта (или, что с формальной точки зрения то же самое – формирование корпоративной базы знаний) может рассматриваться как овладение навыками использования тех или иных управленческих решений в различных ситуациях. Другими словами, обучение менеджера может рассматриваться как установление соответствия между ситуациями и управленческими решениями. Это соответствие может моделироваться отображением k( ): M U и ставить в соответствие каждой ситуации m M управление u = k(m) U.

Множество всевозможных отображений M U обозначим, то есть k( ).

Следовательно, в рамках рассматриваемой модели задача обучения заключается в выборе отображения k( ). Конкретизируем эту задачу, введя критерии эффективности и ограничения.

Простейшей задачей оптимального обучения является следующая: для заданного множества M ситуаций найти единственную (при этом k( ) является однозначным отображением) модель * ~ m (M) M, которую будем называть типовой ситуацией, обучение на которой (использование соответствующего -оптимального решения) приведет к максимальной гарантированной эффективности управления:

* ~ ~ ~ (1) m (M) = arg max min {K( m ) – (m, m )}.

~ mM mM ~ Если сначала произвести нормировку на K( m ) (то есть рассматривать ситуации, в которых эффективности соответствующих оптимальных управлений одинаковы), то получим:

* ~ ~ (2) m (M) = arg min max (m, m ).

~ mM mM * ~ Тогда точка m (M) может рассматриваться как «центр» множества M по метрике ( ). Следовательно, справедливо следующее утверждение.

~ ~ Утверждение 12. Если (m, m ) = v(|| m – m||), где v( ) – строго монотонная вогнутая функция, то решение задачи (2) имеет вид:

* ~ ~ (3) m (M) = arg min max ||m – m ||.

~ mM mM В соответствии с утверждением 12 в рамках введенных предположений типовой является ситуация, максимальное удаление от которой всех возможных ситуаций минимально, то есть точка * ~ m (M) может рассматриваться как «центр» множества M по естественной для этого множества метрике. На практике эта метрика может учитывать относительную сложность ситуаций, их распространенность и т.д.

Содержательно, задача (1) заключается в следующем. Требуется обучить менеджера принимать решения в такой ситуации, которая является «типичной» для множества возможных ситуаций M в смысле критерия минимальности потерь эффективности при использовании типового решения, которое обозначим u*(M), в любой из ситуаций из множества M. Отметим, что эффективность * * ~ ~ типового решения u*(M) равна min {K( m (M)) – (m, m (M))}, то mM есть меньше эффективности решения, оптимального в модели * ~ m (M). Следовательно, универсальность сформированного в результате обучения опыта менеджера заключается не в том, что он принимает в каждой конкретной ситуации наилучшее решение, а в том, что он обладает набором рецептов, которые позволяют принимать рациональные решения в разнообразных ситуациях.

Отметим, что u*(M) U является управлением, обладающим максимальной гарантированной эффективностью на множестве M, то есть справедливо следующее утверждение.

Утверждение 13. u*(M) = arg max min K(u, m).

uU mM Рассматривая приведенное утверждение в отрыве от задачи обучения можно задаться вопросом – зачем было строить модель, когда решение задачи унифицированного управления известно Все это правильно, и утверждение 13 дает решение задачи синтеза управления, обладающего максимальной гарантированной эффективностью в условиях неопределенности относительно возможных ситуаций m M. Но это утверждение ничего не говорит о том «откуда берется» это управление, на какой модели следует обучать менеджера (что является типовой ситуацией) и т.д. Ответы на эти вопросы как раз и даются выражениями (1)-(3).

Выше мы рассмотрели задачу оптимального обучения для случая, когда обучение проводилось на единственной модели, что приводило к формированию следующего оптимального отображения k( ): M u*(M). Конечно, лучше было бы обучать менеджеров на наборе моделей, охватывающем все возможные ситуации, то есть формировать отображение k( ) из M на все множество U.

Однако, существуют, как минимум, две весомые причины, демонстрирующие невозможность такого подхода. Во-первых, нельзя априори охватить все возможное многообразие ситуаций, с которым менеджеру придется столкнуться в своей практической деятельности. Во-вторых, время обучения ограничено, и за это ограниченное время можно охватить только конечное число ситуаций.

Поэтому рассмотрим следующую задачу оптимального обучения, в которой предполагается, что в процессе обучения рассматривается не одна, а несколько типовых ситуаций (эта же модель охватывает приобретение личного профессионального опыта менеджером проекта в процессе его практической деятельности, проблему оптимального формирования корпоративной базы знаний и многие другие).

Фиксируем множество M возможных ситуаций и число типовых ситуаций n, обозначив их m1, m2, …, mn. Множество {m1, m2, …, mn} типовых ситуаций обозначим Mn.

Тогда задача оптимального обучения примет вид: для заданного множества M ситуаций найти набор типовых ситуаций Mn, обучение на которых приведет к максимальной гарантированной эффективности управления:

* ~ ~ (4) Mn (M) = arg max min max {K( m ) – (m, m )}.

~ M M mM mM n n Содержательные интерпретации компонент критерия эффективности (4) очевидны.

~ Если сначала произвести нормировку на K( m ) (то есть рассматривать ситуации, в которых эффективности соответствующих оптимальных управлений одинаковы), то получим:

* ~ (5) Mn (M) = arg min max min (m, m ).

~ M M mM mM n n Следовательно, справедливо следующее утверждение.

~ ~ Утверждение 14. Если (m, m ) = v(|| m – m||), где v( ) – строго монотонная вогнутая функция, то решение задачи (5) имеет вид:

* ~ (6) Mn (M) = arg min max min ||m – m ||.

~ M M mM mM n n В соответствии с утверждением 14 в рамках введенных предположений оптимален такой набор типовых ситуаций, что максимальное расстояние от любой возможной ситуации до ближайшей типовой ситуации минимально, то есть набор {m1, m2, …, mn} типовых ситуаций должен «равномерно» покрывать множество возможных ситуаций M.

Сформулируем теперь задачу определения оптимального размера обучающей выборки (числа типовых решений). Из (6) следует, что эффективность обучающей выборки Mn может быть определена как ~ ~ (7) K(Mn) = max min max {K( m ) – (m, m )}.

~ M M mM mM n n Если учесть затраты на организацию обучения c(Mn): 2M, то получим, что эффективность Kc( ) с учетом затрат равна ~ ~ (8) Kс(Mn) = max min max {K( m ) – (m, m ) – c(Mn)}.

~ M M mM mM n n Задача об оптимальном обучении в этом случае заключается в выборе * (9) Mn (M) = arg max Kс(Mn).

M M n Общих методов решения задачи (9) не известно, поэтому получим ее решение для частного случая. А именно, предположим, что: M l, то есть ситуация описывается точкой l-мерного + ~ пространства; произведена нормировка на K( m ) (то есть для всех ситуаций эффективности соответствующих оптимальных управле~ ~ ний одинаковы); (m, m ) = v(|| m – m||), где v( ) – строго монотонная вогнутая функция; |||| – Евклидово расстояние; стоимость обучения является возрастающей вогнутой функцией числа типовых ситуаций: c(Mn) = c0 (1 – exp {- n}), где – скорость обучения, зависящая от применяемых методов обучения и индивидуальных характеристик обучаемых [34].

Вычислим d(M) – диаметр множества M, где d(M) = max max ||m1 – m2||.

m1M m2M Легко видеть, что в рамках введенных предположений эффективность обучения не зависит от конкретных типовых ситуаций, а определяется их числом n, причем в оптимальном решении типовые ситуации должны «равномерно заполнять» множество M.

Следовательно, задача (9) сводится к определению оптимального числа n*(M) типовых ситуаций, то есть принимает вид (см. также утверждение 14):

(10) n*(M) = arg min... {v(d(M) / (n + 1)) + c0 (1 – exp (- n))}.

n =1, 2, Задача (10) является стандартной задачей оптимизации. Проиллюстрируем ее решение следующим примером.

Пример 5. Пусть v(t) = t, l = 1, d(M) = 1, = 0,02, с0 = 1. Зависимость {v(d(M) / (n + 1)) + c0 (1 – exp (- n))} эффективности от размера обучающей выборки приведена на рисунке 7.

Рис. 7. Зависимость эффективности от размера обучающей выборки Видно, что оптимальным является использование 6-7 типовых решений (точное значение n* = 6,5497).

Запишем в явном виде выражение для оптимального размера выборки. Внутреннее решение (если оно существует) должно удовлетворять следующему уравнению:

(11) d / (n* + 1)2 = c0 e- n.

Уравнение (11) дает возможность исследовать зависимость оптимального размера обучающей выборки от параметров модели.

На рисунке 8 приведена зависимость оптимального числа типовых решений от потенциальной «сложности» d(M) задач, которые придется решать менеджеру проекта. Жирная точка на рисунках 8-10 соответствует исходным данным.

Рис. 8. Зависимость оптимального числа типовых решений от d(M) На рисунке 9 приведена зависимость оптимального числа типовых решений от «стоимости» c0 обучения.

Рис. 9. Зависимость оптимального числа типовых решений от cНа рисунке 10 приведена зависимость оптимального числа типовых решений от «стоимости» c0 обучения.

Рис. 10. Зависимость оптимального числа типовых решений от Таким образом, проведенный анализ свидетельствует, что обобщенные решения задач управления организационными системами являются эффективным аппаратом моделирования обучения менеджеров проектов, решения задач определения оптимального числа и состава типовых решений.

Pages:     | 1 |   ...   | 5 | 6 || 8 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.