Русский   English
ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: червень 2019 року. Повний текст роботи і матеріали по темі можуть бути отримані у автора або його керівника після зазначеної дати.

Зміст

Вступ

Спочатку ідея інтелектуального посередника ( "агента") виникла в зв'язку з бажанням спростити стиль спілкування кінцевого користувача з комп'ютерними програмами. Ця ідея виявилася дуже плідною, і її реалізація призвела до створення так званих "автономних агентів", які забезпечували новий стиль взаємодії користувача з програмою. Новим було те, що як користувач, так і комп'ютерний посередник-агент брали участь у запуску завдання, управлінні подіями і вирішенні задачі. Дослідження і експериментальні програмні розробки досить швидко показали, що безліч завдань, в яких агент може ефективно асистувати користувачеві, практично необмежено. До них відносяться пошук інформації в Internet і її аналіз, управління електронною поштою, календарне планування, електронна комерція, допомога в будь-якому виборі (підготовка рекомендацій при виборі книг, кіно, музики) і т.д. [ 1 ].

1. Актуальність теми

В сучасних умовах зростає потреба в аналізі та управлінні складними соціально-економічними та виробничими системами, стан яких у більшості випадків непередбачувано і не може бути прогнозовано спочатку аналітично, тому що воно є результатом динамічного взаємодії безлічі різнорідних активних елементів системи і навколишнього середовища.

Оцінка якості навчання є актуальним завданням управління навчальним закладом. Складність її вирішення обумовлена тим, що освітні процеси протікають дуже повільно, тобто система підготовки кадрів як об'єкт управління є інерційною, тому ефективність інноваційних змін можна оцінити тільки через 4–6 років (цикл навчання студента). Методом моделювання можна за короткий час отримати прогноз доцільності нововведень.

Магістерська робота присвячена розробці за допомогою багатоагентного підходу імітаційної моделі, яка орієнтована на прогнозування якості навчання студентів з окремих дисциплін. Для цього штучним агентам імітаційної моделі необхідно делегувати повноваження суб'єктів освітнього процесу, тобто функціональні обов'язки студентів і викладачів.

2. Мета і задачі дослідження та заплановані результати

Метою дослідження є розробка агентно-орієнтованої моделі процесу навчання студентів на рівні компетенцій.

В роботі передбачено вирішення таких задач :

  1. Формалізація прогнозування рівня компетенцій студентів після завершення курсу навчання.
  2. Складання логічних моделей, що описують повноваження суб'єктів освітньої діяльності та їх взаємодія.
  3. Реалізація здатності викладача передавати знання студентам з урахуванням їх ментальності.
  4. Програмна реалізація спільноти штучних агентів з нейросетевой архітектурою на мові Java в інструментальному середовищі MadKit.

Об'єкт дослідження : система навчання студентів на кафедрі, яка є неоднорідною і розподіленої. Для моделювання таких систем доцільно застосовувати агентно-орієнтований підхід.

Предмет дослідження : процес прогнозування залишкових знань студента.

3. Огляд досліджень та розробок

Багатоагентні системи застосовуються в нашому житті в графічних додатках, наприклад, в комп'ютерних іграх. Агентні системи також були використані у фільмах. Теорія МАС використовується в складених системах оборони. Також МАС застосовуються в транспорті, логістики, графіку, геоінформаційних системах, робототехніці і багатьох інших. Багатоагентні системи добре зарекомендували себе в сфері мережних і мобільних технологій, для забезпечення автоматичного і динамічного балансу навантаженості, розширюваності й здатності до самовідновлення [ 2 ].

Складні системи на базі агентів вже знайшли широке застосування в промисловості. Так, наприклад, IBM використовує агентів для виробництва напівпровідникових мікросхем, датська суднобудівна компанія – для заварки отворів в кораблях, а в Японії система на базі агентів виконує функції інтерфейсу оператора надшвидкісних поїздів. МАС можуть застосовуватися як для конструювання і моделювання гнучких виробничих систем, так і для управління реальними системами виробництва (логістика), продажу продукції різного призначення (е-комерції), інтеграції та управління знаннями та наукової роботи [ 3 ].

.

3.1 Огляд міжнародних джерел

Однією з найважливіших робіт початку 90-х років стала стаття І.Шоема «Агентно-орієнтоване програмування». У ній був описаний соціальний погляд на організацію обчислень, пов'язаний із взаємодією агентів в процесі обчислень. При цьому агент розглядається як «прозорий ящик» і моделюються такі його «внутрішні змінні» (по суті справи, психічні характеристики) як мотиви, переконання, зобов'язання, здатності до вироблення та прийняття рішень. Мотиви агента лежать в основі його рішень, а переконання визначають логічні обмеження на них. Спілкування агентів здійснюється за допомогою протоколів комунікації. У контексті теорії мовних актів вводиться стандартний набір примітивів: «повідомити», «Запросити», «запропонувати» і т.п. [ 4 ].

В США одним з перших учених, який запропонував поширити психічні процеси (або ментальні властивості) на штучні об'єкти, розглянуті в ІІ, і трактувати ментальну сферу як наслідок взаємодії між активними об'єктами став М.Минская [ 5 ]. Їм описаний ряд механізмів виникнення інтелектуальної поведінки в результаті конфліктів і співпраці між найпростішими обчислювальними одиницями, які він називає агентами. Кожен з цих агентів «відповідає» за ту чи іншу ментальне властивість, причому їх взаємодія відбувається спонтанно, без участі будь-якого керуючого агента. Звідси М.Минская зробив важливий висновок про те, що функціонування психіки пов'язано не стільки з реалізацією безлічі висновків над символьними конструкціями, скільки з принципами самоорганізації при взаємодії автономних процесів [ 4 ].

3.2 Огляд національних джерел

У 60-ті–70-ті роки в СРСР було запропоновано опис дій (поведінкових актів) автономних агентів фреймами вчинків, які представляють собою пари зважених графів спеціального виду («задум – реалізація»). У цій моделі вже беруться до уваги такі ментальні характеристики і соціальні чинники як потреби, мотиви, наміри, очікувані оцінки, норми [ 4 ].

3.3 Огляд локальних джерел

В Донецькому національному технічному університеті (кафедра програмної інженерії) вивченням многоагентних систем займається мій дипломний керівник, к.т.н., доцент Федяєв Олег Іванович. Протягом багатьох років він разом зі студентами розглядає аспекти агентно-орієнтованого моделювання. Багато дипломних робот та роботи на конференції присвячені цій тематиці.

Федяєв О.І. разом з магістрами минулих років також займався дослідженнями в області многоагентних систем:

  • Еліферов В.В. Мультиагентна імітаційна модель для прогнозування результатів навчання і працевлаштування фахівців;
  • Куташов Р.І. Програмна реалізація агентно-орієнтованої системи дистанційного навчання студентів з технічних дисциплін;
  • Зудікова Ю.В. Оцінка ефективності багатоагентного моделювання систем з розподіленим інтелектом;
  • Лямін Р.В. Багатоагентна система навчання студентів на кафедральному рівні;
  • Грабчук О.П. Агентно-орієнтоване моделювання підготовки та працевлаштування молодих фахівців;
  • Зайцев І.М. Моделі колективної поведінки інтелектуальних агентів в многоагентних системах моделювання та управління підприємством
  • Стропалов А.С. Нейромережеві моделі програмних агентів в соціально-орієнтованих мультиагентних системах;
  • Лукіна Ю.Ю. Агентно-орієнтовані програмні моделі поведінки людини в соціально-економічному середовищі.

    • 4. Агентно-орієнтоване моделювання процесу навчання студентів на рівні компетенцій

    Підзадача прогнозування

    Завдання прогнозування якості професійного навчання студентів в залежності від їх особистісних характеристик і інших чинників вирішується на основі застосування інтелектуальних агентів, які використовують штучні нейронні мережі. Для цього в архітектуру агентів викладачів вводяться відповідні штучні нейромережеві моделі, здатні функціонально описати залежність одержуваних студентом професійних знань і умінь по одній дисципліні від факторів, що впливають на повноту цих знань. У свою чергу завдання прогнозу розбивається на дві підзадачі [ 6 ].

    Підзадача 1. Налаштування моделі за даними спостережень. Це зворотна задача, пов'язана з перебуванням параметрів моделі, тобто з побудовою функції f по спостережуваним даними ментальності студента, ментальності викладача, середовища навчання, а також знань і вмінь студента по одній досліджуваної дисципліни.

    Pc = f (Mc, Mв, С),

    де Мс – ментальність студента; Мв – ментальність викладача; С – середовище навчання; Рс – професіоналізм студента по одній досліджуваної дисципліни.

    Підзадача 2. Формування знань і умінь за ментальністю учасників освітнього процесу. Дане завдання полягає в явному знаходженні професіоналізму студента (Рс), т. е. його залишкових знань і умінь, після вивчення конкретної дисципліни, по заміряних даними про ментальність студента (Мс) і викладача (Мв) за допомогою побудованої моделі f:

    Pc = f (Mc, Mв, С).

    Методологія Gaia

    Об'єктом аналізу виступає система навчання студентів на кафедрі, яка є неоднорідною і розподіленої. Для моделювання таких систем доцільно застосовувати агентно-орієнтований підхід. Агентно-орієнтований аналіз об'єкта, як правило, виконується по методології Gaia [ 7 ].

    Вона підтримує два рівня розробки мультиагентних систем: мікрорівень (розробка окремого агента) і макрорівень (розробка агентства). Також вона має істотне обмеження: структура кожного агента під час його роботи повинна залишатися незмінною. Методологія Gaia складається з двох великих етапів: аналізу і проектування. На етапі аналізу реалізуються моделі ролей і моделі взаємодії, на етапі проектування – модель агентів (за основу служать моделі ролей), моделі послуг і модель зв'язків (вони формуються з урахуванням моделей етапу аналізу) .Етапи методології Gaia представлені на рисунку 1.

    Методологія Gaia

    Рисунок 1 – Методологія Gaia

    Нейромережеві засоби реалізації інтелектуальності агента

    Процес навчання студентів полягає в передачі знань і навичок від викладачів до студентів. Якість навчання фіксується в екзаменаційної відомості. Розробляється модель процесу навчання повинна формувати на виході залишкові знання студентів по окремій дисципліни.

    Прогноз залишкових знань з однієї конкретно взятої дисципліни для одного студента здійснюється в два етапи. На першому етапі прогнозується екзаменаційна оцінка, а на другому етапі, виходячи з прогнозованої оцінки, формується усереднений набір залишкових знань і умінь, що відповідає даній оцінці. Перша нейронна мережа навчається на підставі ментальних портретів студентів і екзаменаційній відомості. Друга нейронна мережа – на підставі критеріїв оцінки і навчальної програми дисципліни, в якій міститься перелік знань і умінь (рис.2).

    Схема нейромоделі, що описує результати навчання студента на прикладі однієї дисципліни

    Рисунок 2 – Схема нейромоделі, що описує результати навчання студента на прикладі однієї дисципліни
    (анімація: 9 кадрів, нескінченно циклів повторення, 70.4 кілобайт)

    Опис структури програмних агентів в середовищі MadKit

    Інструментальна система MadKit, яка використовувалася при розробці – модульна і масштабована мультиагентна платформа, написана на Java. Вона дозволяє створювати програмних агентів на різних мовах: Java, Python, Jess, Scheme, BeanSchell [ 8 ]. Наявність візуальних моделей агентів підвищує зручність їх проектування.

    Архітектура MadKit включає в себе графічний хост додатки, прикладних і системних агентів, а також микроядро системи. Компонентами мікроядра системи є менеджер груп / ролей, що синхронізує механізм і механізм обміну повідомленнями.

    MadKit не накладає на архітектуру агентів ніяких обмежень для досягнення максимальної універсальності додатків. взаємодія агентів реалізовано за допомогою асинхронної передачі повідомлень. В імітаційної моделі агент може відправити повідомлення іншому агенту, який визначається його адресою або за допомогою широкомовного повідомлення, яке передають агентам, які грають цю роль в певній групі. У кожного агента є свій «поштову скриньку», в який доставляються повідомлення і який перевіряється агентом для аналізу повідомлень [ 9 ]. Програмний код одного з обов'язкових розділів агента Студент представлений на рисунку 3.

    Програмний код розділу агента Студент

    Рисунок 3 – Програмний код розділу агента Студент

    Висновки

    Сама технологія процесу розробки мультиагентної системи, звичайно, не проста, але не є недоступною до розуміння. Починається розробка з формування проекту, після чого проводиться аналіз предметної області. Результати аналізу використовуються для розробки специфікації онтології. Після цього проводиться вибір архітектури агентства на основі специфікації онтології. Потім на основі тієї ж специфікації онтології і вибору архітектури агентства проводиться розробка специфікації поведінки агента. Наступним етапом є розробка бібліотеки інтерфейсів користувача, для чого використовується специфікація поведінки агента, а також специфікація онтології. Крім цього, специфікація поведінки агента використовується для розробки бібліотеки дій агента і специфікації агента. У свою чергу, бібліотека інтерфейсів користувача, бібліотека дій агента і специфікація агента використовуються для розробки агентной програми, яка разом з модулем періоду виконання дозволяє створити Агентне додаток, яке є основою для розробки інтелектуального агентного додатки [ 10 ].

    Прогнозування результатів навчання дозволить аналізувати якість навчання, бачити ступінь засвоєння студентами навчального матеріалу, виявляти розбіжність за компетенціями між дисципліною і вимогами фірм, оцінювати можливість працевлаштування випускників. Аналіз літератури показує, що рішення перерахованих завдань здійснюється, як правило, не формальними методами, це знижує їх практичну цінність. Сучасний рівень інформаційних технологій дозволяє розробляти якісно нові моделі, об'єднують гідності математичних методів, статистики, теорії нейронних мереж, програмування. З появою теорії многоагентних систем з'явилася можливість створювати моделі складних розподілених і неоднорідних систем, до класу яких належить досліджуваний об'єкт [ 11 ].

    Перелік посилань

    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.