Цель работы состоит в создании новой стратегии обучения коллективного классификатора, в результате применения которой классификатор аппроксимирует байесовское решающее правило. Коллективный классификатор – ансамбль простых элементов, каждый из которых характеризуется определённой функцией отклика и не имеет собственной динамики и переменных параметров. Обучение происходит путём формирования состава ансамбля (численностей элементов разных типов). Известная ранее стратегия обучения была основана на конкурентной популяционной динамике в режиме с единственным победителем, что сильно ограничивало возможности обучения, например, для классов с бимодальными распределениями вероятностей. Методы. Популяционная динамика стратегии обучения модифицирована для обеспечения глобально устойчивого режима сосуществования и описана в форме дискретного стохастического алгоритма селекции элементов ансамбля и в виде системы дифференциальных уравнений непрерывного приближения. Наличие аналитического выражения для устойчивого состояния равновесия позволяет целенаправленно формировать алгоритм обучения для достижения требуемого результата. Описан алгоритм, обеспечивающий сходимость классификатора к байесовскому решающему правилу в определённом предельном случае. Результаты. Численным интегрированием дифференциальных уравнений и имитационным моделированием алгоритма селекции на примере задачи классификации с бимодальным распределением подтверждены все положения теории, включая взаимное соответствие дискретного и непрерывного описаний, сосуществование элементов с разными функциями отклика в обученном ансамбле и формирование суммарной функции отклика, аппроксимирующей байесовское решающее правило. Имитационное моделирование показывает, что относительная величина флуктуаций численностей типов элементов может быть снижена путём увеличения полной численности ансамбля. Заключение. По смыслу коллективного классификатора, применения предлагаемого подхода следует ожидать при создании классификаторов на базе ансамблей элементов ограниченной сложности, например, «умной пыли» – миниатюрных предельно упрощенных сенсорных устройств или генетически перепрограммированных ансамблей живых клеток, используемых в качестве биосенсоров. Реализация предлагаемого режима сосуществования осложняет механизм обучения, но расширяет круг доступных задач классификации.