Mногоагентная модель студенческой группы
Марахтанов А. Г.
Успешность обучения студента в вузе зависит от множества факторов, таких, как межличностные отношения между студентами группы, качество преподавания, расписание занятий, социальные условия проживания студентов и т. п. Практика показывает, что при прочих равных условиях произвольно формируемые группы, зачастую, имеют различную успеваемость.
Наличие средства, позволяющего анализировать влияние различных факторов на процесс обучения, а также помогающего выбрать оптимальные составы студенческих групп, необходимо для управления группами, начиная с момента их формирования. Одним из способов решения поставленной выше проблемы является построение модели группы.
Из различных существующих, выбран подход к моделированию, основанный на использовании многоагентных моделей и построенных на их основе многоагентных систем (МАС). Ключевым элементом этих систем становится интеллектуальный агент, способный воспринимать ситуацию, принимать решения и коммуницировать (обмениваться сообщениями и ресурсами) с другими объектами. При этом агенты взаимодействуют в определенной среде. Главное отличие МАС от существующих жестко организованных программных систем состоит в наличии нового свойства – способности к самоорганизации [1] [2] [3].
Существуют различные технологии, позволяющие реализовать многоагентную систему. Большинство сред разработки программ, основанных на многоагентных моделях, соответствуют стандартам FIPA (Foundation for Intelligent Physical Agents) [5].
FIPA стандартизует механизмы коммуникации агентов, транспортировки сообщений, управления агентами, а также определяет абстрактную архитектуру МАС.
Опишем модель, соответствующую указанным требованиям FIPA и условиям нашей задачи.
В системе функционируют 2 типа агентов:
- Агент-студент (AS);
- Агент – источник ресурса (AR).
Агенты могут взаимодействовать друг с другом путем обмена сообщениями на известном и понятном каждому агенту языке.
Агентов типа AR в системе 2:
- Агент – источник денег (ARM);
- Агент – источник знаний (ARK).
Они действуют по известным другим агентам правилам, не могут нарушать их, в том числе не могут отказывать другим агентам в обслуживании, если те соблюдают установленные правила обслуживания.
Агентов типа AS в системе должно быть не менее двух. Их состояние в каждый момент времени характеризуется набором ресурсов, ментальных свойств, целей.
Ресурсы могут быть трех типов:
Знания каждого из агентов типа AS численно выражаются в виде вектора  {k1, k2, …, kn}, где  объем знаний, доступный агенту по i-й области знаний.
Денежные средства агента характеризуются числом  .
Время представляет собою число  , которое пропорционально работоспособности агента. Другими словами, время в нашей системе, это ресурс, который агент может (не обязательно должен) тратить на приобретение знаний или денег.
Для увеличения объема денежных средств агент типа AS может воспользоваться услугами агента типа ARM. В общем случае агент ARM реализует основную функцию FARM:
FARM(t,) = m,
где m – объем денежных средств, которые можно получить, затратив время t и имея знания .
Для пополнения знаний агент AS может воспользоваться услугами агента типа ARK. Основная функция, реализуемая агентом – FARK:
FARK(t, m, i, old) =  ={0, 0, …  ki … , 0},
где ki – прибавка к знаниям по отрасли знаний i, полученная в результате затраченных денежных средств m и времени t, при наличии знаний old.
Агент типа AS может получать знания не только от агента-источника знаний, но и от любого другого AS-агента системы. При этом, получить знания от другого AS-агента можно, затратив меньшее время и не расходуя денежных средств. Тем не менее, чтобы воспользоваться такой возможностью, необходимо согласие обоих агентов AS1 и AS2 на обмен знаниями.
Решение о согласии на обмен знаниями агентом AS2 по запросу агента AS1 может приниматься, исходя из следующих соображений:
1. Наличие свободного времени у агента AS2 (расходование времени на оказание помощи по приобретению агентом AS1 знаний не противоречит целям агента AS2).
2. Наличие у агента AS2 знаний по i-ой области в объеме, не меньшем, чем требуется.
3. Наличие обязательств. Когда агент AS1 запрашивает у агента AS2, может ли тот оказать ему помощь в приобритении знаний, одной из реакций агента AS2 может быть выставление условия, чтобы затем, в аналогичной ситуации, помощь была оказана агенту AS2 от агента AS1. Наличие подобных обязательств в оказании ответной помощи является важным стимулом для принятия решения о оказании помощи.
4. Негативное воспоминание. Если ранее при общении с агентом, были замечены отказ в помощи, невыполнение обязательств, либо если агент AS1 очень часто обращается к агенту AS2 за помощью, может быть получен отказ в помощи.
5. Ментальные свойства агентов.
Каждый AS-агент системы имеет набор характеризующих его свойств, определяющих различные черты агента, например, его коммуникационные возможности, его приоритетные ресурсы, социальное положение в обществе (mpr) и т. д. Значения этих свойств также могут влиять на решение о согласии. Так, к примеру, агент, приоритетным ресурсом которого является свободное время, может отказать в помощи, даже, если остальные условия выполняются. Агент, имеющий альтруистичное отношение к другому агенту, готов помочь в ущерб своим интересам.
Ментальные свойства агентов типа AS включают в себя:
1. Распределение приоритетов для накопления агентом ресурсов. Представлено вектором  , где  ;  , n – число областей знаний,  .
2. Социально-экономический статус. Характеризуется коэффициентом  , показывающим, насколько много денег тратит агент.
3. Коммуникационный характер. Определяет характер намерений и отношений агента к другим агентам. В общем случае – одно из 4-х значений: благонамеренный, злонамеренный, эгоистичный или альтруистичный [1]. Каждое из значений определяет, чьи интересы наиболее важны для агента в момент общения. К примеру, для благонамеренного агента важно как достижение своих целей, так и достижение целей партнера по общению, в то время как альтруистичный агент может оказать помощь даже в ущерб себе.
Изначально агент одинаково относится ко всем другим агентам, в соответствии со своим «коммуникационным характером», однако, исходя из опыта общения, он может изменить свое отношение к определенным агентам. К примеру, если агент AS1 часто получал помощь от агента AS2, он не будет к нему злонамеренным, каким должен быть по отношению ко всем другим. В то же время альтруистичный агент не поможет тому, кто подводил его много раз.
Коммуникационный характер агента является важным параметром при принятии решения о помощи другому агенту.
Вступая в коммуникационный контакт с агентом AS2, агент AS1 пытается определить его ментальные свойства, а также объем ресурсов, которыми агент AS2 обладает. Однако точных значений он никогда получить не может. Поэтому при выборе одного из агентов системы для общения, агент AS1 может пользоваться только предположениями об этих значениях.
В определенные промежутки времени агенты системы испытывают воздействия со стороны среды, в которой находятся. Воздействия могут быть 2-х видов:
«Предупреждение об акте контроля» содержит информацию о том, что в ближайшее время будет осуществлен акт контроля – процесс, который потребует от агента знаний объемом не менее  {k1 , k2, …, kn} и денежных средств объемом не менее m.
«Акт контроля» - процесс, инициируемый средой, который действует согласно следующим правилам:
ü Если по какой либо области знаний i агент AS обладает знаниями kiAS, а контроль требует знаний не менее kiCONTR, то:
o Если kiAS< kiCONTR, и kiCONTR - kiAS < p-, то при следующем контроле норма знаний по области i должна быть больше на ?kiCONTR, по сравнению с базовым значением. Другими словами, если у агента знаний в области i меньше, чем необходимо, но не на много (отличие от нормы меньше, чем константа p-), в следующий раз его норма будет на постоянную величину ?kiCONTR больше, чем соответствующий элемент вектора .
o Если kiAS< kiCONTR, и kiCONTR - kiAS >= p-, агент покидает систему.
o Если kiAS> kiCONTR, и kiAS - kiCONTR > p+, агент премируется денежными средствами mprize (аналог стипендии).
ü Если агент AS обладает денежными средствами mAS, а контроль требует денежных средств не менее m, то:
o Если mAS< mCONTR*mprAS, и mCONTR - mAS < r-, то при следующем контроле норма денежных средств должна быть больше на ?mCONTR, по сравнению с базовым значением. Другими словами, если у агента денежных средств меньше, чем необходимо, но не на много (отличие от нормы меньше, чем константа r-), в следующий раз его норма будет на постоянную величину ?mCONTR больше, чем общее значение mCONTR.
o Если mAS< mCONTR*mprAS, и mCONTR - mAS >= r-, агент покидает систему.
Значения p-, p+, ?kiCONTR (i=1..n), r-, ?mCONTR передаются в «предупреждении об акте контроля» и известны всем агентам AS-типа, наряду со значениями вектора и числа m.
После завершения «Акта контроля» всем агентам известна информация о том, кто остался в системе, а также о том, кто получил штраф (?kiCONTR и ?mCONTR).
Причина деятельности любого AS-агента в системе – желание осуществить свои цели:
ü Остаться в системе
ü Сэкономить (накопить) максимум ресурсов, приоритетных для агента.
При этом выбор средств реализации цели определяется ментальными свойствами агента, объемом его ресурсов, представлениями о ментальном мире других агентов в системе, информацией о состоянии среды и принципах функционирования агентов AR.
Для реализации описанной выше системы могут использоваться соответствующие принципам FIPA платформы, такие, как JADE, JAS (Java Agent Services API), Agent Development Kit [4][5].
В то же время, стандарты FIPA не затрагивают архитектуру и способ реализации отдельного агента, что оставляет разработчикам широкий выбор.
Библиография
[1] Тарасов В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика – М.: УРСС, 2002
[2] 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
[3] А. А. Крижановский. Вопросы реализации проблемно-ориентированных агентов интеграции знаний. // Труды СПИИРАН, т. 1. - СПб: СПИИРАН, 2001
[4] Глибовец Н.Н. Использование JADE (Java Agent Development Environment) для разработки компьютерных систем поддержки дистанционного обучения агентного типа // Educational Technology & Society - №8(3) – 2005 - C. 325-345
При цитировании ссылка обязательна:
Марахтанов А.Г. Многоагентная модель студенческой группы. Материалы VIII Всероссийской научно-технической конференции Теоретические и прикладные вопросы современных информационных технологий (26--29.03.2007, г. Улан-удэ). 2007. С. 98-101.
http://marahtanov.ru/science/publ/2007/model2007_uu/index.html
Обсудить статью, задать вопросы, высказать замечания и предложения можно на форуме.
|
