Научная деятельность
Новости
Все новости
Ссылки
Наземные экосистемы таежной зоны | Учебное пособие
|
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
|
