Реферат по теме выпускной работы

Введение

В качестве объекта исследования рассматривается университетская система подготовки профессиональных специалистов [1]. Эта система, состоящая из студентов, преподавателей и среды обучения, характеризуется большой инерционностью. С позиции теории управления в таких системах период времени от внесения возмущения (инновационные изменения в обучении) до получения отклика (выходных параметров, характеризующих показатели качества подготовки) измеряется 4‐6 годами обучения студентов в вузе. Поэтому применить методы как натурного [2], так и физического моделирования [2–4] для исследования эффективности используемых на выпускающей кафедре учебно‐педагогических средств не представляется возможным. Более того, если учесть, что образовательный процесс невозможно описать математически точно 4из‐за неоднородности, многопараметричности, интеллектуальности и сложности взаимодействия элементов структуры, то остаётся единственный способ, который можно применить для исследования такого объекта, как имитационное моделирование. Для построения модели объекта целесообразно применить нейросетевую методологию как универсальное средство аппроксимации функции, зависящей как от числовых, так и от качественных данных.

Поэтому целью данной работы является разработка нейросетевой модели, способной функционально описать зависимость получаемых студентом профессиональных знаний и умений от факторов, влияющих на полноту этих знаний. Для достижения этой цели необходимо решить следующие задачи:

  • рассмотреть процесс обучения студентов университета как систему с распределённым интеллектом;
  • определить внешние и внутренние факторы, влияющие на качество усваивания знаний и навыков;
  • разработать методику определения ментальных и психофизиологических особенностей преподавателей и студентов;
  • разработать структуру нейросетевой модели и алгоритм её обучения;
  • исследовать трудоёмкость настройки модели и адекватность её процессу обучения (в понимании процесса обучения как процесса передачи знаний от преподавателей к студентам) [5].

1. Актуальность темы

В настоящее время одним из наиболее перспективных подходов к задачам моделирования искусственного интеллекта, обучения нейроподобных сетей является мультиагентный подход. Актуальность мультиагентной имитационной модели заключается в возможности эмулировать процесс трудойстройства студентов на работу. Это в свою очередь подразумевает анализ личностных характеристик студента, а также моделирование взаимодействия с работодателем на основе методик требований для данных работ [6].

Мультиагентная система – это система, образованная несколькими взаимодействующими интеллектуальными агентами. Многоагентные системы могут быть использованы для решения таких проблем, которые сложно или невозможно решить с помощью одного агента или монолитной системы. Примерами таких задач являются онлайн торговля, ликвидация чрезвычайных ситуаций, и моделирование социальных структур.

2. Цель и задачи исследования, планируемые результаты

Целью исследования является разработка мультиагентной имитационной модели для прогнозирования результатов обучения и трудоустройства специалистов

Объект исследования: раработка и обучение нейронных сетей.

Предмет исследования: разработка агентно‐ориентированных нейросетевых моделей для эмуляции трудоустройства студентов [7–10].

Для достижения этой цели необходимо решить следующие задачи:

  • рассмотреть процесс обучения студентов университета как систему с распределённым интеллектом;
  • определить внешние и внутренние факторы, влияющие на качество усваивания знаний и навыков;
  • разработать методику определения ментальных и психофизиологических особенностей преподавателей и студентов;
  • разработать структуру нейросетевой модели и алгоритм её обучения;
  • исследовать трудоёмкость настройки модели и адекватность её процессу обучения (в понимании процесса обучения как процесса передачи знаний от преподавателей к студентам).

3. Обзор исследований и разработок

Мультиагентные системы основаны на технологии нейронных сетей, что ,в свою очередь, является актуально и применяемой технологией и по сей день. Данные среды и их реализация исследуются учеными разных стран, в их перечень входят: Россия, Китай, США, Германия, Япония и многие другие. На сегодняшний день основное развитие данная технология получила в странах запада, но постсоветское пространство и перечень восточных стран постепенно догоняют по исследованиям своих западных коллег [11–16].

3.1 Обзор международных источников

Многоагентные системы состоят из нескольких автономных модулей, обрабатывающих объекты с различными знаниями и интересами. Этот всеобъемлющий раздел, изучающий агентные системы, является перспективным в области компьютерных технологий, ведь он обхватывает не только методику нейросетевых технологий, но также использует идеи теорий игр, экономики, исследования операций, логики, философии, лингвистики, социологии и т.д. [17] Он может служить в качестве инструмента для исследователей в каждой из этих областей, при должном использовании согласно методологиям К. Хьюлита, Д. Инмана, Йоку Макото и др. [8–12, 18]

Подчеркивая основы, авторы, такие как: Дж. Миллер, Д. Эпстейн, Дж. Холланд и др., предлагают применять объемный и строгий поток знаний для определленной предметной области, а также более тщательно подходить к распределенному решению проблем теории игр, мультиагентной передачи сообщений и обучению агентов, социальной сферы, проектирования нейроалгоритмов и теорий моделирования распределенных баз знаний. Данные источники охватывают: теорию вероятностей, классическую логику, модель Маркова и принципы программирования нейросетей [19–28].

Согласно Д. О'Салливану, Б. Хернандесу, Д. Сэллэчу преимущества агентно‐ориентированной системы, по сравнению с другими методами моделирования, могут быть выражены в трех утверждениях [29]: агенты определяют возникающие явления, агентная модель обеспечивает естественность описания системы и является гибкой. Также агентно ориентированные системы способны противостоять неблагоприятным многим явлениям [30, 31], что подразумевает другие преимущества данного подхода [32].

Мультиагентные системы получили широкое распространение в нашей жизни. Помимо основных методологий построения нейросетевой модели многоагентной ситемы Самюельсон и Дуглас рассматривают возможности применения агентных моделей в различных сферах жизнедеятельности, в частности: в графических приложениях, также были использованы в фильмах, в составных системах оборонсервиса, транспортной сфере, логистике, графике, геоинформационных системах, сфере сетевых и мобильных технологий, для обеспечения автоматического и динамического баланса нагруженности, расширяемости и способности к самовосстановлению [32–34].

М. Вулбридж, М. Джоз и другие авторы Кэмбриджского университета рассматривают имитационное моделирование в целом, а также как основопологающую агентного моделирования. В данном контексте имитационное моделирование является частным случаем математического моделирования [35–39].

3.2 Обзор национальных источников

С. Субботин подразумевает изложение результатов исследования в неитеративных, эволюционных и мультиагентных методов синтеза моделей зависимости на основе нейронных сетей. Значительное внимание уделено анализу и классификации эволюционных методов, а также мультиагентных методов. Предложен широкий арсенал новых методов для построения моделей в задачах диагностики, оценивания, прогнозирования. Приведены примеры практических задач на основе исследованных методов [14].

М. Эйген и П. Шустер рассматривают теорию гиперцикла, как одного из принципов самоорганизации макромолекул. Приведены исследования относительно отбора и эволюции РНК и ДНК, произведен математический анализ динамических систем, что позволяет лучше понять суть работы нейроподобной сети [15].

3.3 Обзор локальных источников

Хоть тематика разработки и обучения нейросетевых агентов является новой, но несмотря на это в Донецком национальном техническом университете активно ведутся разработки относительно этого направления.

В частности статья О. Федяева посвящена разработке нейросетевой модели процесса обучения студентов для агентной системы моделирования рынка труда. В статье рассматриваются методики разработки нейросетевой модели, способной функционально описать зависимость получаемых студентом профессиональных знаний и умений от факторов, влияющих на полноту этих знаний [1].

4. Нейросетевая модель мультиагентной системы

4.1 Постановка задачи анализа подготовки студентов

Рассматривается задача прогнозирования качества профессионального обучения студентов в зависимости от их личностных характеристик и других факторов. Она решается на основе применения нейронных сетей и сводится к разработке нейросетевой модели, способной функционально описать зависимость получаемых студентом профессиональных знаний и умений по одной дисциплине от факторов, влияющих на полноту этих знаний. В свою очередь она разбивается на две подзадачи.

Подзадача 1. Настройка модели по данным наблюдений. Это обратная задача, связанная с нахождением параметров модели, т. е. с построением функции f по наблюдаемым данным Mc, Мп, С и Рс: где Мс – ментальность студента; Мп – ментальность преподавателя; С – среда обучения; Рс – профессионализм студента по одной изучаемой дисциплине.

Ментальность студента (Мс) определяется элементами, которые характеризуют его воспитательный аспект и приобретённый жизненный опыт где m – ментальность; i – интеллект; p – психология; s – здоровье.

Ментальность преподавателя (Мп) в данном случае определяется факторами, от которых зависит качество передачи знаний от преподавателя к студенту где us – учёная степень; uz – учёное звание; h – стаж; v – возраст; a – артистизм.

Среда обучения © характеризуется состоянием учебно‐методического и технического обеспечения учебного процесса, а также уровнем организации обучения студентов.

Профессионализм студента по одной изучаемой дисциплине (Рс) определяется объёмом знаний (zc) и умений (uc), которые он получает в процессе изучения данной дисциплины где Zд объём знаний, определяемый учебной программой дисциплины, которая читается на кафедре; Z объём знаний по данному профессиональному направлению, определяемый современным состоянием науки и техники.

Подзадача 2. Формирование знаний и умений по ментальности участников образовательного процесса. Данная задача состоит в явном нахождении профессионализма студента (Рс), т. е. его знаний и умений, после изучения конкретной дисциплины, по замеренным данным о ментальности студента (Мс) и преподавателя (Мп) с помощью построенной модели f.

Эта подзадача относится к классу прогнозных задач. С её помощью можно исследовать влияние различных параметров (содержание учебной программы, контингента студентов и т. д.) на качество образования в конкретном университете.

4.2 Нейросетевая модель зависимости остаточных знаний студентов от их ментальности

Для построения модели необходимо учесть факторы (личностные характеристики), влияющие на качество усвоения студентом знаний. Были использованы популярные психологические методы их анализа  [5].

На наш взгляд, основные факторы, влияющие на усвоение студентом учебного материала, можно систематизировать так, как это показано на рис. 1. Каждый из этих факторов разбивается на несколько показателей, которые можно определить по результатам тестов, опросов и т.д. [5, 6]. Анализ этих факторов позволяет изучить личность обучаемого с разных сторон, выявить наиболее важные ментальные особенности, влияющие на успешность обучения.

Факторы, влияющие на усвоение материала студентом

Рисунок 1 — Факторы, влияющие на усвоение материала студентом

Были разработаны методики определения ментальных и психофизиологических особенностей студента. Результаты по оценке каждого из вышеперечисленных параметров могут быть систематизированы и стандартизованы. Эти методики в совокупности образуют систему, которая определяет ментальный портрет студента. В табл. 1 представлена данная систематизация.

После прохождения всех опросов и тестов будет определён многопрофильный портрет студента, который можно будет использовать при разработке модели передачи знаний.

Процесс обучения студентов заключается в передаче знаний и навыков от преподавателей. Качество обучения фиксируется в экзаменационной ведомости. Разрабатываемая модель процесса обучения должна формировать на выходе остаточные знания студента по отдельной дисциплине, с которыми он выходит на рынок труда. По ним работодатели решают вопрос о трудоустройстве кандидатов на вакантные должности.

Прогноз остаточных знаний по одной конкретно взятой дисциплине для одного студента осуществляется в два этапа. На первом этапе прогнозируется экзаменационная оценка, а на втором этапе, исходя из прогнозируемой оценки, формируется усреднённый набор остаточных знаний и умений, соответствующий данной оценке. Первая нейронная сеть будет обучаться на основании ментальных портретов группы студентов и экзаменационной ведомости. Вторая нейросеть – на основании критериев оценки и учебной программы дисциплины, в которой содержится перечень знаний и умений.

Выходные сигналы второй нейросети образуют вектор, компоненты которого фиксируют наличие или отсутствие соответствующего остаточного знания или умения. Размер вектора определяется суммарным количеством знаний и умений, предусмотренных учебной программой дисциплины. Они обозначены вектором Y=(y1, y2, ..., yn), где n – количество знаний и умений.

Структура обоих нейросетей относится к классу однородных многослойных персептронов с полными последовательными связями и с сигмоидальной функцией активации. Обучение нейросетей проводилось по стратегии обучение с учителем по алгоритму обратного распространения ошибки. Обучающее множество для второй нейросети составляет преподаватель‐профессионал (эксперт) по своей дисциплине, используя утверждённые критерии оценки и учебную программу дисциплины, которая содержит перечень знаний и умений. Для проверки адекватности нейросетевой модели в качестве среды моделирования искусственных нейронных сетей использовался пакет Neural Network Toolbox, который входит в стандартную поставку MATLAB. Схема такой двухкаскадной модели представлена на рис. 2.

Двухкаскадная модель нейросети для моделирования мультиагентной системы

Рисунок 2 — Схема нейромодели, описывающая результаты профессионального обучения студента на примере одной дисциплины
(анимация: 9 кадров, 10 циклов повторения, 22,7 килобайт)

При построении обучающего множества для первой нейросети были выбраны 6 студентов, прослушавших учебный курс Интеллектуальные системы в экономике и уже получивших экзаменационные оценки. Студенты для тестирования были выбраны таким образом, чтобы в обучающем множестве были представлены все экзаменационные оценки. Эти студенты были протестированы согласно методике, изложенной в данном разделе. Для обучающего множества были взяты данные первых пяти студентов. Результаты же студента под номером 6 будут использованы для проверки обученной нейросети. Обучающее множество для второй нейросети должен готовить преподаватель, который читает студентам учебную дисциплину. Из учебной программы (а это утверждённый нормативный документ) был взят список знаний и умений, которыми должен овладеть студент по данной дисциплине, и для него преподавателем сформирована таблица, показывающая, за какие знания и навыки ставится определённая оценка.

Совместная работа двух обученных нейронных сетей оценивалась на характеристиках ментальности студента с номером 6, который не участвовал в обучении. Моделирование проводилось в соответствии с двухкаскадной схемой на рис. 2. Анализ результата работы первого каскада показал, что значения компонент выходного вектора близки к коду (1,0,0,0). Эта кодировка соответствует экзаменационной оценке «неудовлетворительно», которую в действительности получил этот студент на экзамене.

Спрогнозированная оценка с выхода первой нейросети подавалась на вход второй нейросети, которая формировала результирующий вектор Y остаточных знаний и умений этого студента (рис. 3).

Остаточные знания и навыки для шестого студента по рассмотренной учебной дисциплине

Рисунок 3 — Прогнозные остаточные знания и навыки для шестого студента по рассмотренной учебной дисциплине

Значения компонент вектора Y можно трактовать как степени уверенности в том, что у данного студента сохраняются в его памяти соответствующие знания и умения (конечно, относительно используемых обучающих множеств). Если сопоставить полученный результат с критериями оценки по учебной дисциплине Интеллектуальные системы в экономике, то представленная совокупность спрогнозированных знаний и умений соответствует оценке неудовлетворительно.

Выводы

Предложен подход к нейросетевому моделированию трудно формализуемого процесса профессионального обучения молодых специалистов, основанный на имитации процесса передачи профессиональных навыков и знаний в зависимости от личностных характеристик студентов.

Установлены внешние и внутренние факторы, влияющие на успеваемость студентов и качество усваивания знаний и навыков. Особое внимание было уделено студенту как личности и его месту в процессе обучения. Исходя из этого, была разработана специальная методика, позволяющая анализировать психологические, эмоциональные, природные и физические способности студента.

После получения ментального портрета студента был разработан нейроалгоритм построения двухкаскадной нейромодели, имитирующей результат профессионального обучения путём выявления остаточных знаний и навыков студента, которые будут использованы на рынке труда.

Предварительные результаты исследования на программных моделях показали правильность предложенных идей по решению поставленной задачи.

Список источников

  1. Федяев О. И. Нейросетевая модель процесса профессионального обучения молодых специалистов / В сб. 5‐й междунар. науч.‐техн. конф. "Открытые семантические технологии проектирования интеллектуальных систем" (OSTIS‐2015) (Минск, 19‐21 февраля 2015 г.) // Минск: БГУИР. — 2015. — с. 357–364.
  2. Бусленко Н. П. Моделирование сложных систем / Москва: Наука. — 1978. — 250 с.
  3. Аверченков В. И. Основы математического моделирования технических систем 2‐е изд. / Москва: ФЛИНТА. — 2011. — 271 с.
  4. Шенон Р. Имитационное моделирование систем — искусство и наука // Пер. с англ. / Москва: Мир. — 1978. — 320 с.
  5. Ильин Е. П. Психология творчества, креативности, одарённости / СПб.: Питер. — 2004. — 537 с.
  6. Айзенк Г. Новые тесты IQ / Москва: Изд‐во «ЭСКМО». — 2003. — 189 с.
  7. Городецкий В. И. Многоагентные системы // Городецкий В. И., Грушинский М. С., Хабалов А. В. / 1998. — с. 21–31. — [Электронный ресурс]. — Режим доступа: http://www.raai.org/library/...
  8. Carl Hewitt DAI Betwixt and Between: From "Intelligent Agents" to Open Systems Science / IEEE Transactions on Systems: Man, and Cybernetics. — 1991. — pp. 1409–1420. — [Электронный ресурс]. — Режим доступа: http://www.universelle-automation.de/...
  9. P. Stone The Journal of Autonomous Agents and Multi‐agent Systems // P. Stone, C. Sierra / Kluwer Academic Publishers B.V. — 2015. — pp. 111–112.
  10. Gerhard Weiss Multi‐agent Systems, A Modern Approach to Distributed Artificial Intelligence / MIT Press. — 1999. — pp. 10–11.
  11. Jacques Ferber Multi‐agent Systems: An Introduction to Artificial Intelligence / Addison‐Wesley. — 1999. — pp. 462–470.
  12. Michael Wooldridge An Introduction to Multi‐agent Systems / John Wiley And Sons Ltd. — 2002. — pp. 351-360.
  13. Емельянов В. В. Теория и практика эволюционного моделирования // Емельянов В. В., Курейчик В. В., Курейчик В. Н. / Москва: Физматлит. — 2003 — с. 56–59.
  14. Субботін С. О. Неітеративні, еволюційні та мультиагентні методи синтезу нечіткологічних і нейромережних моделей: Монографія // Субботін С. О., Олійник А. О., Олійник О. О. / Запоріжжя: ЗНТУ, — 2009. — 375 с. — [Электронный ресурс]. — Режим доступа: http://www.csit...
  15. Ейген М. Гиперцикл. Принципы организации макро‐молекул // М. Ейген, П. Шустер // Пер. д. б. н. В. М. Андреева / Ред. член‐корр АН СССР М. В. Волькенштейна, проф. Д. с. Чернавский / М.: Мир. — 1982. — 230 с.
  16. Meisels Amnon Distributed Search by Constrained Agents / Springer. — 2008. — 17 p.
  17. Yoav Shoham, Kevin Leyton‐Brown Multi‐agent Systems: Algorithmic, Game Theoretic, and Logical Foundations / New York. — 2009. — 10 p.
  18. Makoto Yokoo Distributed constraint satisfaction: Foundations of cooperation in multi‐agentsystems / Springer. — 2001. — 7 p.
  19. John Miller Complex Adaptive Systems // John Miller, Scott Page / Princeton University Press. — 2007. — pp. 68–73.
  20. Joshua Epstein Generative Social Science. Studies in agent‐based computational modeling / Princeton University Press. — 2007. — 71 p.
  21. Robert Axelrod "The Complexity of Cooperation: Agent‐based Models of Competition and Collaboration" / Princeton: Princeton University Press. — 1997 — 9 p.
  22. Eric Bonabeau Agent‐based modeling: methods and techniques for simulating human systems / Proc. National Academy of Sciences. — № 99(3). — 2002. — pp. 7280–7287.
  23. Kathleen Carley Smart Agents and Organizations of the Future // In Handbook of New Media, edited by Leah Lievrouw and Sonia Livingstone / Thousand Oaks, CA, Sage. — 1999. — pp. 206–220.
  24. Joshua Epstein Growing Artificial Societies: Social Science From the Bottom Up // Joshua Epstein, Robert Axtell / MIT Press Brookings Institution. — 1996. — 21 p.
  25. Nigel Gilbert Simulation for the Social Scientist // Nigel Gilbert, Klaus Troitzsch / Open University Press. — 2005. — pp. 111–120.
  26. Volker Grimm Individual‐based Modeling and Ecology // Volker Grimm, Steven Railsback / Princeton University Press. — 2005. — 11 p.
  27. John Holland "Genetic Algorithms" / Scientific American. — 1992. — pp. 66–72.
  28. John Holland Hidden Order: How Adaptation Builds Complexity / Addison‐Wesley: Reading, Mass. — 1995. — 6 p.
  29. D. O'sullivan Agent‐based models and individualism: Is the world agent‐based? // D. O'sullivan, M. Haklay / Environment and Planning. — № 32: 1409‐25. — 2000. — 25 p.
  30. B. Rudomin Fragment shaders for agent animation using finite state machines // B. Rudomin, E. Hernandez / Simulation Modelling Practice and Theory Journal. — Volume 13, Issue 8. — 2005. — pp. 741–751.
  31. David Sallach The simulation of social agents: an introduction // David Sallach, Charles Macal / Special Issue of Social Science Computer Review. — № 19(3). — 2001. — pp. 245–248.
  32. Douglas Samuelson "Designing Organizations" / OR/MS Today. — 2000. — 11 p.
  33. Douglas Samuelson "Agents of Change" / OR/MS Today. — 2005. — pp. 22–33.
  34. Douglas Samuelson "Agent‐based Modeling Comes of Age" // Douglas Samuelson, Charles Macal / OR/MS Today. — 2006. — 32 p.
  35. Mathijs De Weerdt Introduction to Planning in Multiagent Systems // Mathijs De Weerdt, Brad Clement / Multiagent and Grid Systems: an International Journal (IOS Press). — № 5(4). — 2009. — pp. 345–355.
  36. Ron Sun Cognition and Multi‐agent Interaction: From Cognitive Modeling to Social Simulation / Cambridge University Press — 2006. — pp. 21–23.
  37. Jose Vidal Fundamentals of Multi‐agent Systems: with NetLogo Examples / 2010. — pp. 77–89. — [Электронный ресурс]. — Режим доступа: http://multiagent...
  38. Boi Faltings "Distributed Constraint Programming" / Handbook of Constraint Programming, Elsevier. — 2006. — 21 p.
  39. Michael Wooldridge An Introduction to Multi‐agent Systems / John Wiley and Sons Ltd. — 2002. — 366 p.