Українська   English
ДонНТУ   Портал магистров

Реферат по теме выпускной работы

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: июнь 2019 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты

Содержание

Введение

Первоначально идея интеллектуального посредника ("агента") возникла в связи с желанием упростить стиль общения конечного пользователя с компьютерными программами. Эта идея оказалась весьма плодотворной, и ее реализация привела к созданию так называемых "автономных агентов", которые обеспечивали новый стиль взаимодействия пользователя с программой. Новым было то, что как пользователь, так и компьютерный посредник-агент принимали участие в запуске задачи, управлении событиями и решении задачи. Исследования и экспериментальные программные разработки довольно быстро показали, что множество задач, в которых агент может эффективно ассистировать пользователю, практически неограниченно. К ним относятся поиск информации в Internet и ее анализ, управление электронной почтой, календарное планирование, электронная коммерция, помощь в каком-либо выборе (подготовка рекомендаций при выборе книг, кино, музыки) и т.д. [1].

1. Актуальность темы

В современных условиях возрастает потребность в анализе и управлении сложными социально-экономическими и производственными системами, состояние которых в большинстве случаев непредсказуемо и не может быть прогнозируемо изначально аналитически, т.к. оно является результатом динамического взаимодействия множества разнородных активных элементов системы и окружающей среды.

Оценка качества обучения является актуальной задачей управления учебным заведением. Сложность её решения обусловлена тем, что образовательные процессы протекают очень медленно, т.е. система подготовки кадров как объект управления является инерционной, поэтому эффективность инновационных изменений можно оценить только через 4–6 лет (цикл обучения студента). Методом моделирования можно за короткое время получить прогноз целесообразности нововведений.

Магистерская работа посвящена разработке с помощью многоагентного подхода имитационной модели, которая ориентирована на прогнозирование качества обучения студентов по отдельным дисциплинам. Для этого искусственным агентам имитационной модели необходимо делегировать полномочия субъектов образовательного процесса, т.е. функциональные обязанности студентов и преподавателей.

2. Цель и задачи исследования, планируемые результаты

Целью исследования является разработка агентно-ориентированной модели процесса обучения студентов на уровне компетенций.

В работе предусмотрено решение следующих задач:

  1. Формализация прогнозирования уровня компетенций студентов после завершения курса обучения.
  2. Составление логических моделей, описывающих полномочия субъектов образовательной деятельности и их взаимодействие.
  3. Реализация способности преподавателя передавать знания студентам с учётом их ментальности.
  4. Программная реализация сообщества искусственных агентов с нейросетевой архитектурой на языке Java в инструментальной среде MadKit.

Объект исследования: система обучения студентов на кафедре, которая является неоднородной и распределённой. Для моделирования таких систем целесообразно применять агентно-ориентированный подход.

Предмет исследования: процесс прогнозирования остаточных знаний студента.

3. Обзор исследований и разработок

Многоагентные системы применяются в нашей жизни в графических приложениях, например, в компьютерных играх. Агентные системы также были использованы в фильмах. Теория МАС используется в составных системах обороны. Также МАС применяются в транспорте, логистике, графике, геоинформационных системах, робототехнике и многих других. Многоагентные системы хорошо зарекомендовали себя в сфере сетевых и мобильных технологий, для обеспечения автоматического и динамического баланса нагруженности, расширяемости и способности к самовосстановлению[2].

Сложные системы на базе агентов уже нашли широкое применение в промышленности. Так, например, IBM использует агентов для производства полупроводниковых микросхем, датская судостроительная компания – для заварки отверстий в кораблях, а в Японии система на базе агентов выполняет функции интерфейса оператора сверхскоростных поездов. МАС могут применяться как для конструирования и моделирования гибких производственных систем, так и для управления реальными системами производства (логистика), продажи продукции различного назначения (е-коммерции), интеграции и управления знаниями и научной работы[3].

.

3.1 Обзор международных источников

Одной из важнейших работ начала 90-х годов стала статья И.Шоэма «Агентно-ориентированное программирование». В ней был описан социальный взгляд на организацию вычислений, связанный с взаимодействием агентов в процессе вычислений. При этом агент рассматривается как «прозрачный ящик» и моделируются такие его «внутренние переменные» (по сути дела, психические характеристики) как мотивы, убеждения, обязательства, способности к выработке и принятию решений. Мотивы агента лежат в основе его решений, а убеждения определяют логические ограничения на них. Общение агентов осуществляется с помощью протоколов коммуникации. В контексте теории речевых актов вводится стандартный набор примитивов: «сообщить», «запросить», «предложить» и т.п.[4].

В США одним из первых ученых, предложившим распространить психические процессы (или ментальные свойства) на искусственные объекты, рассматриваемые в ИИ, и трактовать ментальную сферу как следствие взаимодействия между активными объектами стал М.Минский[5]. Им описан ряд механизмов возникновения интеллектуального поведения в результате конфликтов и сотрудничества между простейшими вычислительными единицами, которые он называет агентами. Каждый из этих агентов «отвечает» за то или иное ментальное свойство, причем их взаимодействие происходит спонтанно, без участия какого-либо управляющего агента. Отсюда М.Минский сделал важное заключение о том, что функционирование психики связано не столько с реализацией множества выводов над символьными конструкциями, сколько с принципами самоорганизации при взаимодействии автономных процессов[4].

3.2 Обзор национальных источников

В 60-е—70-е годы в СССР было предложено описание действий (поведенческих актов) автономных агентов фреймами поступков, представляющих собой пары взвешенных графов специального вида («замысел – реализация»). В этой модели уже принимаются во внимание такие ментальные характеристики и социальные факторы как потребности, мотивы, намерения, ожидаемые оценки, нормы[4].

3.3 Обзор локальных источников

В Донецком национальном техническом университете (кафедра программной инженерии) изучением многоагентных систем занимается мой дипломный руководитель, к.т.н., доцент Федяев Олег Иванович. В течении многих лет он вместе со студентами рассматривает аспекты агентно-ориентированного моделирования. Многие дипломные работы и работы на конференции посвящены этой тематике.

Федяев О.И. вместе с магистрами прошлых лет также занимался исследованиями в области многоагентных систем:

  • Елифёров В.В. Мультиагентная имитационная модель для прогнозирования результатов обучения и трудоустройства специалистов;
  • Куташов Р.И. Программная реализация агентно-ориентированной системы дистанционного обучения студентов по техническим дисциплинам;
  • Зудикова Ю.В. Оценка эффективности многоагентного моделирования систем с распределенным интеллектом;
  • Лямин Р.В. Многоагентная система обучения студентов на кафедральном уровне;
  • Грабчук О.П. Агентно-ориентированное моделирование подготовки и трудоустройства молодых специалистов;
  • Зайцев И.М. Модели коллективного поведения интеллектуальных агентов в многоагентных системах моделирования и управления предприятием;
  • Стропалов А.С. Нейросетевые модели программных агентов в социально–ориентированных мультиагентных системах;
  • Лукина Ю.Ю. Агентно-ориентированные программные модели поведения человека в социально-экономической среде.

    • 4. Агентно-ориентированное моделирование процесса обучения студентов на уровне компетенций

    Подзадачи прогнозирования

    Задача прогнозирования качества профессионального обучения студентов в зависимости от их личностных характеристик и других факторов решается на основе применения интеллектуальных агентов, использующих искусственные нейронные сети. Для этого в архитектуру агентов преподавателей вводятся соответствующие искусственные нейросетевые модели, способные функционально описать зависимость получаемых студентом профессиональных знаний и умений по одной дисциплине от факторов, влияющих на полноту этих знаний. В свою очередь задача прогноза разбивается на две подзадачи[6].

    Подзадача 1. Настройка модели по данным наблюдений. Это обратная задача, связанная с нахождением параметров модели, т.е. с построением функции f по наблюдаемым данным ментальности студента, ментальности преподавателя, среды обучения, а также знаниям и умениям студента по одной изучаемой дисциплине.

    Pc = f (Mc, Mп, С),

    где Мс – ментальность студента; Мп – ментальность преподавателя; С – среда обучения; Рс – профессионализм студента по одной изучаемой дисциплине.

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

    Pc = f (Mc, Mп, С).

    Методология Gaia

    Объектом анализа выступает система обучения студентов на кафедре, которая является неоднородной и распределённой. Для моделирования таких систем целесообразно применять агентно-ориентированный подход. Агентно-ориентированный анализ объекта, как правило, выполняется по методологии Gaia[7].

    Она поддерживает два уровня разработки мультиагентных систем: микроуровень (разработка отдельного агента) и макроуровень (разработка агентства). Также она имеет существенное ограничение: структура каждого агента во время его работы должна оставаться неизменной. Методология Gaia состоит из двух больших этапов: анализа и проектирования. На этапе анализа реализуются модели ролей и модели взаимодействия, на этапе проектирования – модель агентов (за основу служат модели ролей), модели услуг и модель связей (они формируются с учётом моделей этапа анализа).Этапы методологии Gaia представлены на рисунке 1.

    Методология Gaia

    Рисунок 1 – Методология Gaia

    Нейросетевые средства реализации интеллектуальности агента

    Процесс обучения студентов заключается в передаче знаний и навыков от преподавателей к студентам. Качество обучения фиксируется в экзаменационной ведомости. Разрабатываемая модель процесса обучения должна формировать на выходе остаточные знания студентов по отдельной дисциплине.

    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 обучается на основании ментальных портретов студентов и экзаменационной ведомости. Вторая нейронная сеть – на основании критериев оценки и учебной программы дисциплины, в которой содержится перечень знаний и умений. Схема такой двухкаскадной модели представлена на рисунке 2.

    Схема нейромодели, описывающая результаты обучения студента на примере одной дисциплины

    Рисунок 2 – Схема нейромодели, описывающая результаты обучения студента на примере одной дисциплины
    (анимация: 9 кадров, бесконечно циклов повторения, 72.1 килобайт)

    Описание структуры программных агентов в среде MadKit

    Инструментальная система MadKit, которая использовалась при разработке – модульная и масштабируемая мультиагентная платформа, написанная на Java. Она позволяет создавать программных агентов на разных языках: Java, Python, Jess, Scheme, BeanSchell[8]. Наличие визуальных моделей агентов повышает удобство их проектирования.

    Архитектура MadKit включает в себя графический хост приложения, прикладных и системных агентов, а также микроядро системы. Компонентами микроядра системы является менеджер групп/ролей, синхронизирующий механизм и механизм обмена сообщениями.

    MadKit не налагает на архитектуру агентов никаких ограничений для достижения максимальной универсальности приложений. Взаимодействие агентов реализовано с помощью асинхронной передачи сообщений. В имитационной модели агент может отправить сообщение другому агенту, определяемому его адресом или с помощью широковещательного сообщения, которое передают агентам, играющим данную роль в определённой группе. У каждого агента есть свой «почтовый ящик», в который доставляются сообщения и который проверяется агентом для анализа сообщений [9]. Программный код одного из обязательных разделов агента Студент представлен на рисунке 3.

    Программный код раздела агента Студент

    Рисунок 3 – Программный код раздела агента Студент

    Выводы

    Сама технология процесса разработки мультиагентной системы, конечно, не проста, но не является недоступной к пониманию. Начинается разработка с формирования проекта, после чего производится анализ предметной области. Результаты анализа используются для разработки спецификации онтологии. После этого производится выбор архитектуры агентства на основе спецификации онтологии. Затем на основе все той же спецификации онтологии и выбора архитектуры агентства производится разработка спецификации поведения агента. Следующим этапом является разработка библиотеки интерфейсов пользователя, для чего используется спецификация поведения агента, а также спецификация онтологии. Кроме этого, спецификация поведения агента используется для разработки библиотеки действий агента и спецификации агента. В свою очередь, библиотека интерфейсов пользователя, библиотека действий агента и спецификация агента используются для разработки агентной программы, которая вместе с модулем периода исполнения позволяет создать агентное приложение, которое является основой для разработки интеллектуального агентного приложения [10].

    Прогнозирование результатов обучения позволит анализировать качество обучения, видеть степень усвоения студентами учебного материала, обнаруживать расхождение по компетенциям между дисциплиной и требованиями фирм, оценивать возможность трудоустройства выпускников. Анализ литературы показывает, что решение перечисленных задач осуществляется, как правило, не формальными методами, это снижает их практическую ценность. Современный уровень информационных технологий позволяет разрабатывать качественно новые модели, объединяющие достоинства математических методов, статистики, теории нейронных сетей, программирования. С появлением теории многоагентных систем появилась возможность создавать модели сложных распределённых и неоднородных систем, к классу которых относится исследуемый объект [11].

    Список источников

    1. Краткая история развития многоагентных систем [Электронный ресурс]. – Режим доступа: https://studopedia.ru/2_27513_kratkaya-istoriya-razvitiya-mnogoagentnih-sistem.html.
    2. Многоагентная система [Электронный ресурс]. – Режим доступа: https://ru.wikipedia.org/wiki/Многоагентная_система.
    3. Управление на базе мультиагентных систем [Электронный ресурс]. – Режим доступа: https://www.intuit.ru/studies/courses/13833/1230/lecture/24081.
    4. Агентно-ориентированного подхода [Электронный ресурс]. – Режим доступа: https://lektsia.com/1x885f.html.
    5. Minsky M. The Society of Mind. – NewYork: Simon and Shuster, 1986 [Электронный ресурс] – Режим доступа: http://www.acad.bg/ebook/ml/Society%20of%20Mind.pdf
    6. Лукина Ю.Ю., Федяев О.И. Технология создания мультиагентных систем в инструментальной среде MadKit/ Информационные управляющие системы и компьютерный мониторинг-2011 / Матеріали науково-технічної конференції молодих учених та студентів. - Донецьк, ДонНТУ - 2011 [Электронный ресурс] – Режим доступа: http://ea.donntu.ru/handle/123456789/12676
    7. Методология проектирования GAIA [Электронный ресурс] – Режим доступа: https://studopedia.ru/9_168381_metodologiya-proektirovaniya-Gaia.html.
    8. MadKit Development Giude [Электронный ресурс] – Режим доступа: http://www.madkit.net/documentation/devguide/devguide.html.
    9. Платформы для разработки МАС [Электронный ресурс] – Режим доступа: https://www.intuit.ru/studies/courses/13858/1255/lecture/23977.
    10. Иванов К.К., Лужин В.М., Кожевников Д.В. Программные агенты и мультиагентные системы // Молодой ученый. — 2017. — №7. — С. 11-13. https://moluch.ru/archive/141/39879/.
    11. Янкивский А.А., Павлова Е.М., Федяев О.И. Проектирование в среде MadKit агентно-ориентированной системы прогнозирования результатов обучения студентов/Программная инженерия: методы и технологии разработки информационно-вычислительных систем (ПИИВС-2018): сборник материалов II Международной научно-практической конференции (студенческая секция). 14–15 ноября 2018 г. – Донецк, ГОУ ВПО «Донецкий национальный технический университет», 2018. – с. 127-133.