Научная деятельность

Новости

Все новости
RSS лента новостей

Ссылки

Литературный конкурс на сайте Александра Костюнина

Союз образовательных сайтов

Версия для печати Версия для печати

Марахтанов А.Г., Варфоломеев А. Г.
Применение многоагентных систем для моделирования процесса обучения студентов

Моделирование различных социальных групп (социальных систем) является, в настоящее время, очень популярной и актуальной задачей. Особенно интересным и перспективным выглядит использование в подобных моделях элементов систем искусственного интеллекта.

В данной работе предполагается построить модель студенческой группы учебного заведения, с целью решения следующей проблемы. Замечено, что при произвольном формировании студенческих групп, успеваемость групп различается. Согласно предположению, успеваемость группы в целом зависит от многих параметров. В том числе, от межличностных отношений между студентами группы, от качества преподавания, расписания занятий, социальных условий проживания студентов.

Построив модель студенческой группы, мы сможем исследовать, насколько эти факторы в действительности оказывают влияние, какие из них более приоритетны в сравнении с другими, а также каким образом, меняя их, можно добиться большей успеваемости. Кроме того, создание подобной модели может способствовать использованию её для апробации нововведений в области образования, что особенно актуально в настоящее время.

Для решения описанной выше проблемы можно использовать различные, в том числе ставшие уже классическими, подходы. Подобная модель может базироваться на методах системного анализа (если рассматривать социальную группу, как систему), имитационного моделирования, исследования операций, теории игр и ряда других. Однако во всех этих методах существует ряд ограничений, не позволяющих использовать их в нашем случае. Так, в системном подходе, любое сложное взаимодействие представляется через работу более простых и независимых подсистем, которые в случае рассмотрения социальных систем часто оказываются взаимозависимыми друг от друга или, по крайней мере, существенно влияют друг на друга. В исследовании операций процесс принятия решений заключается в нахождении оптимальной стратегии поведения в заданных условиях, которые, однако, на самом деле постоянно меняются и пересматриваются. При имитационном моделировании формализованная модель объекта или процесса никак не может пополняться или уточняться «на ходу», любые изменения требуют останова процесса моделирования, ручного внесения изменений в модель и перезапуска процесса. В теории игр правила поведения игроков также заранее определены и известны для всех игроков, им известны все участники и т. д. [3]

Большинства перечисленных выше недостатков можно избежать, используя многоагентные системы (МАС). Ключевым элементом этих систем становится интеллектуальный агент, способный воспринимать ситуацию, принимать решения и коммуницировать (общаться) с другими объектами. При этом агенты взаимодействуют в определенной среде. Главное отличие МАС от существующих жестко организованных программных систем состоит в наличие нового свойства – способности к самоорганизации. Данной возможности были лишены перечисленные выше модели, в них структура взаимодействий между объектами задавалась до начала функционирования системы. Однако новые подходы в области синергетики, изучающей самоорганизацию, подсказывают, что процесс образования устойчивых пространственно-временных структур и состояний равновесия нельзя не учитывать в процессе работы модели.

Термин «агент» достаточно популярен, и используется для обозначения автономного программного модуля, искусственного организма, виртуального деятеля. В нашем случае, под «интеллектуальным агентом» будем понимать любые физические или виртуальные единицы, у которых присутствуют как минимум четыре из обозначенных выше функций, а именно [1, стр. 106]:

·                    когнитивная (наличие пополняемой символьной модели внешнего мира),

·                    рассуждающая (способность на основании построенной модели внешнего мира производить рассуждения и на их основе принимать самостоятельные решения или выполнять действия, изменяющие среду),

·                    коммуникативная (наличие модели общения, состоящей из моделей участников, процесса и желаемого результата общения),
·                    ресурсная (наличие ресурсов, определяющих поведение).

В зависимости от типа агента, среды, механизма отношений между агентами выделяют различные типы МАС. В условиях нашей задачи наиболее удобно определять МАС, как децентрализованную систему, в которой управление происходит за счет локальных взаимодействий между интеллектуальными агентами, существующими в общей среде.

Построение МАС для решения поставленной задачи целесообразно начинать с проектирования самого агента. Выделив возможные типы агентов системы, необходимо определить их структуру и возможные действия, на основании социальной теории, а также характеристики внутренних компонентов структуры индивида реального общества, которые имеют главное значение для решения поставленных задач моделирования. Появляясь на свет, агенты обладают различными характеристиками (свойствами). Часть свойств может быть у одних агентов, но отсутствовать у других.

В простейшем случае, решая нашу задачу, можно выделить «агента-студента», как основного субъекта системы. Каждый «агент-студент» обладает набором ресурсов, таких, как деньги, знания, свободное время, а также набором потребностей, задаваемых минимальным и желаемым уровнем знаний, денег и времени. При этом, в зависимости от менталитета, агент может тратить свое время либо на приобретение знаний, либо на приобретение денег (работа), либо транжирить время. Менталитет агента может меняться в зависимости от его взаимодействий с другими агентами, воздействия внешней среды или изменения ресурсов самого агента. Объем доступных для потребления ресурсов определяется состоянием внешней среды системы.

Взаимодействия между агентами должны строиться исходя из 4-х возможных причин общения [1, стр. 185]:
  • совместимость целей (общая успеваемость группы увеличивает количество ресурсов - знаний);
  • отношение агентов к ресурсам (агенты могут делиться знаниями, без потери своих знаний, друг с другом, совместное использование знаний повышает их объем);
  • опыт агентов (дружеские связи между агентами способствуют установлению совместных целей и дополнению ресурсов);
  • обязательства агентов друг перед другом (получение определенного ресурса от другого агента предполагает его возврат в том или ином виде).

При этом на основании опыта прошлых взаимодействий и собственного менталитета, у агентов могут возникать различные типы формирования общих целей с другими агентами, например, агент a1 может быть по отношению к агенту a2: благонамеренным (стремиться к благу, как для себя, так и для a2), эгоистичным (стремится к своему благу, отношение к a2 - нейтральное), злонамеренным (стремится к своему благу, даже за счет неудачи a2), альтруистичным (стремится к благу a2, даже за счет неудачи себя) и т. д. При математическом описании отношений между агентами удобно использовать аппарат нечетных отношений, когда взаимодействие характеризуется числом от -1 до 1.

Кроме того, каждый агент имеет различную способность к убеждению или подчинению. В общем виде, ее можно представить как поле, притягивающее (отталкивающее) агентов друг от друга. Это поле, во многом, и будет определять отношения между агентами.

Воздействия внешней среды можно рассматривать как некое поле, оказывающее влияние на агентов (к примеру, на минимальный и желаемый уровень денежных ресурсов) и на доступные к использованию ресурсы. Сами агенты также способны оказывать влияние на внешнее поле.

Для математической интерпретации в обозначенных выше случаях поле понимается как функция S: F­→Rk, которая задана на фазовом пространстве F и удовлетворяет уравнению поля Â(S) = f, где Â – некоторый оператор. Под фазовым пространством понимается система координат, каждая из которых соответствует разным величинам интенсивности одной характеристики. [2, стр. 29]

Для упрощения дальнейшей работы с агентом, его удобно представить в виде совокупности взаимосвязанных элементов, связи между которыми определяются архитектурой агента. Описанный выше «агент-студент» может быть описан в виде вертикальной InteRRap-архитектуры, представляющей агента как множество уровней, связанных через управляющую структуру и использующих общую базу знаний. [4]

Рис. 1. InteRRap-архитектура агента

На рисунке 1 представлен пример подобной архитектуры. Если в базе знаний агента хранится возможная реакция на полученное из внешнего мира событие, она осуществляется сразу реактивной подсистемой. В нестандартных ситуациях идет обращение к системе планирования.

С развитием подобной модели имеет смысл ввести новые типы агентов – преподавателей, работодателей, а также дифференцировать ресурсы знаний, ввести новые типы ресурсов (к примеру, с учетом гендерных отношений между студентами).

Литература
[1] Тарасов В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика – М.: УРСС, 2002
[2] Гуц А. К., Коробицын В. В., Лаптев А. А. и др. Математические модели социальных систем – Омск: ОмГУ, 2000
[3] Скобелев П. О. Открытые мультиагентные системы для поддержки процессов принятия решений при управлении предприятиями // Известия Самарского научного центра Российской академии наук – 2001 – Т. 3, № 1
[4] Muller, J. – P., Pischel M., Thiel M. Modeling Reactive Behaviour in Vertically Layered Agent Architectures // Intelligent Agents / Ed. By M. Wooldridge and N. R. Jennings. – Berlin: Springer-Verlag. – P.261-276
 
При цитировании ссылка обязательна:
Марахтанов А.Г., Варфоломеев А. Г. Применение многоагентных систем для моделирования процесса обучения студентов. Труды IX международной конференции "Интеллектуальные системы и компьютерные науки" (23-27 октября 2006, г. Москва). 2006. Т. 2
http://marahtanov.ru/science/publ/2006/mgu2006/index.html

Обсудить статью, задать вопросы, высказать замечания и предложения можно на форуме.

Поиск по сайту

Пользовательского поиска

    Мой аккаунт в Twitter: @alikrpk

    Форум

    Последнее сообщение

    Перейти в раздел

    Если нашли ошибку

    Система Orphus


    Статистика

    Rambler's Top100