Реферат за темою випускної роботи

Введення

Як об’єкт дослідження розглядається університетська система підготовки професійних фахівців [1]. Ця система, що складається із студентів, викладачів і середовища навчання, характеризується великою інерційністю. З позиції теорії управління в таких системах період часу від внесення обурення (інноваційні зміни в навчанні) до отримання відгуку (вихідних параметрів, що характеризують показники якості підготовки) вимірюється4‐6роками навчання студентів у вузі. Тому застосувати методи як натурного [2], так і фізичного моделювання [2–4] для дослідження ефективності використовуваних на випускаючої кафедрі навчально‐педагогічних коштів не представляється можливим. Більш того, якщо врахувати, що освітній процес неможливо описати математично точно із‐занеоднорідності, многопараметрічності, інтелектуальності і складності взаємодії елементів структури, то залишається єдиний спосіб, який можна застосувати для дослідження такого об’єкта, як імітаційне моделювання. Для побудови моделі об’єкта доцільно застосувати нейромережевому методологію як універсальний засіб апроксимації функції, що залежить як від числових, так і від якісних даних.

Тому метою даної роботи є розробка нейромережевої моделі, здатної функціонально описати залежність одержуваних студентом професійних знань і умінь від факторів, що впливають на повноту цих знань. Для досягнення цієї мети необхідно вирішити наступні завдання:

  • розглянути процес навчання студентів університету як систему з розподіленим інтелектом;
  • визначити зовнішні та внутрішні фактори, що впливають на якість засвоєння знань і навичок;
  • розробити методику визначення ментальних і психофізіологічних особливостей викладачів і студентів;
  • розробити структуру нейросетевой моделі і алгоритм її навчання;
  • досліджувати трудомісткість налаштування моделі і адекватність її процесу навчання (у розумінні процесу навчання як процесу передачі знань від викладачів до студентів) [5].

1. Актуальність теми

В даний час одним з найбільш перспективних підходів до завдань моделювання штучного інтелекту, навчання нейроподібних мереж є Мультиагентний підхід. Актуальність мультиагентної імітаційної моделі полягає в можливості емулювати процес працевлаштуванні студентів на роботу. Це в свою чергу передбачає аналіз особистісних характеристик студента, а також моделювання взаємодії з роботодавцем на основі методик вимог для даних робіт [6].

Мультиагентний система – це система, утворена декількома взаємодіючими інтелектуальними агентами. Багатоагентні системи можуть бути використані для вирішення таких проблем, які складно або неможливо вирішити за допомогою одного агента або монолітної системи. Прикладами таких задач є онлайн торгівля, ліквідація надзвичайних ситуацій, і моделювання соціальних структур.

2. Мета і завдання дослідження, плановані результати

Метою дослідження є розробка мультиагентної імітаційної моделі для прогнозування результатів навчання та працевлаштування фахівців

Об’єкт дослідження: Раработка та навчання нейронних мереж.

Предмет дослідження: розробка агент­но‐орієнтованих нейромережевих моделей для емуляції працевлаштування студентів [7–10].

Для досягнення цієї мети необхідно вирішити наступні завдання:

  • розглянути процес навчання студентів університету як систему з розподіленим інтелектом;
  • визначити зовнішні та внутрішні фактори, що впливають на якість засвоєння знань і навичок;
  • розробити методику визначення ментальних і психофізіологічних особливостей викладачів і студентів;
  • розробити структуру нейросетевой моделі і алгоритм її навчання;
  • досліджувати трудомісткість налаштування моделі і адекватність її процесу навчання (у розумінні процесу навчання як процесу передачі знань від викладачів до студентів).

3. Огляд досліджень і розробок

Мультиагентні системи засновані на технології нейронних мереж, що, в свою чергу, є актуально і застосовуваної технологією і донині. Дані середовища та їх реалізація досліджуються вченими різних країн, в їх переліку входять: Росія, Китай, США, Німеччина, Японія та багато інших. На сьогоднішній день основний розвиток дана технологія отримала в країнах заходу, але пострадянський простір і перелік східних країн поступово наздоганяють з досліджень своїх західних колег [11–16].

3.1 Огляд міжнародних джерел

Багатоагентні системи складаються з кількох автономних модулів, що обробляють об’єкти з різними знаннями та інтересами. Цей всеосяжний розділ, що вивчає агентні системи, є перспективним в області комп’ютерних технологій, адже він охоплює не тільки методику нейромережевих технологій, але також використовує ідеї теорій ігор, економіки, дослідження операцій, логіки, філософії, лінгвістики, соціології і т.д. [17]. Він може служити в якості інструменту для дослідників в кожній з цих областей, при належному використанні згідно методологій К. Хьюліта, Д. Інмана, Йоку Макото та ін. [8–12, 18].

Підкреслюючи основи, автори, такі як: Дж. Міллер, Д. Епстейн, Дж. Холланд та ін., Пропонують застосовувати об’ємний і строгий потік знань для определленной предметної області, а також більш ретельно підходити до розподіленого вирішення проблем теорії ігор, мультиагентної передачі повідомлень і навчання агентів, соціальної сфери, проектування нейроалгорітмов і теорій моделювання розподілених баз знань. Дані джерела охоплюють: теорію ймовірностей, класичну логіку, модель Маркова та принципи програмування нейросетей [19–28].

Згідно Д. О'Саллівану, Б. Хернандес, Д. Селлечу переваги агентно‐орієнтованої системи, у порівнянні з іншими методами моделювання, можуть бути виражені в трьох твердженнях  [29]: агенти визначають виникають явища, Агентна модель забезпечує природність опису системи і є гнучкою. Також агентно орієнтовані системи здатні протистояти несприятливим багатьом явищам [30,31], що має на увазі інші переваги даного підходу [32].

Мультиагентні системи набули широкого поширення в нашому житті. Крім основних методологій побудови нейромережевої моделі багатоагентній ситеми Самюельсон і Дуглас розглядають можливості застосування агентних моделей в різних сферах життєдіяльності, зокрема: в графічних додатках, також були використані у фільмах, в складових системах Оборонсервіс, транспортній сфері, логістиці, графіку, геоінформаційних системах, сфері мережевих і мобільних технологій, для забезпечення автоматичного і динамічного балансу навантаженості, розширюваності й здатності до самовід­новлення [32–34].

М. Вулбриджа, М. Джоз та інші автори Кембриджського університету розглядають імітаційне моделювання в цілому, а також як основоположні агентного моделювання. У даному контексті імітаційне моделювання є окремим випадком математичного моделювання [35–39].

3.2 Огляд національних джерел

С. Суботін увазі виклад результатів дослідження в неітеративному, еволюційних і мультиагентних методів синтезу моделей залежності на основі нейронних мереж. Значну увагу приділено аналізу і класифікації еволюційних методів, а також мультиагентних методів. Запропоновано широкий арсенал нових методів для побудови моделей в задачах діагностики, оцінювання, прогнозування. Наведено приклади практичних завдань на основі досліджених методів [14].

М. Ейген і П. Шустер розглядають теорію гіперциклу, як одного з принципів самоорганізації макромолекул. Наведено дослідження щодо відбору та еволюції РНКі ДНК, проведений математичний аналіз динамічних систем, що дозволяє краще зрозуміти суть роботи нейроподібні мережі [15].

3.3 Огляд локальних джерел

Хоч тематика розробки та навчання нейромережевих агентів є новою, але незважаючи на це в Донецькому національному технічному університеті активно ведуться розробки щодо цього напрямку.

Зокрема стаття О. Федяєва присвячена розробці нейросетевой моделі процесу навчання студентів для агентной системи моделювання ринку праці. У статті розглядаються методики розробки нейросетевой моделі, здатної функціонально описати залежність одержуваних студентом професійних знань і умінь від факторів, що впливають на повноту цих знань [1].

4. Нейросетевая модель мультиагентної системи

4.1 Постановка завдання аналізу підготовки студентів

Розглядається задача прогнозування якості професійного навчання студентів залежно від їх особистісних характеристик та інших факторів. Вона вирішується на основі застосування нейронних мереж і зводиться до розробки нейросетевой моделі, здатної функціонально описати залежність одержуваних студентом професійних знань і умінь з однієї дисципліни від факторів, впливають на повноту цих знань. У свою чергу вона розбивається на дві підзадачі.

Підзадача 1. Налаштування моделі за даними спостережень. Це зворотна задача, пов’язана з перебуванням параметрів моделі, т. Е. З побудовою функції f по спостережуваних даними Mc, Мп, З і Рс: де Мс – ментальність студента; Мп – ментальність викладача; З – середовище навчання; Рс – професіоналізм студента по одній досліджуваної дисципліни.

Ментальність студента (Мс) визначається елементами, які характеризують його виховний аспект і набутий життєвий досвід де m – ментальність; i – інтелект; p – психологія; s – здоров’я.

Ментальність викладача (Мп) в даному випадку визначається факторами, від яких залежить якість передачі знань від викладача до студента де us – наукова ступінь; uz – вчене звання; h – стаж; v – вік; a – артистизм.

Середовище навчання характеризується станом навчально‐методичного і технічного забезпечення навчального процесу, а також рівнем організації навчання студентів.

Професіоналізм студента по одній досліджуваної дисципліни (Рс) визначається обсягом знань (zc) і умінь (uc), які він отримує в процесі вивчення даної дисципліни де Zд обсяг знань, визначається навчальною програмою дисципліни, яка читається на кафедрі; Z обсяг знань з даного професійним спрямуванням, який визначається сучасним станом науки і техніки.

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

Ця подзадача відноситься до класу прогнозних завдань. З її допомогою можна досліджувати вплив різних параметрів (зміст навчальної програми, контингенту студентів і т. Д.) На якість освіти в конкретному університеті.

4.2 Нейросетевая модель залежності залишкових знань студентів від їх ментальності

Для побудови моделі необхідно врахувати чинники (особистісні характеристики), що впливають на якість засвоєння студентом знань. Були використані популярні психологічні методи їх аналізу [5].

На наш погляд, основні фактори, що впливають на засвоєння студентом навчального матеріалу, можна систематизувати так, як це показано на мал. 1. Кожен з цих факторів розбивається на кілька показників, які можна визначити за результатами тестів, опитувань і т. д. [5, 6]. Аналіз цих факторів дозволяє вивчити особистість учня з різних сторін, виявити найбільш важливі ментальні особливості, що впливають на успішність навчання.

Фактори, що впливають на засвоєння матеріалу студентом

Малюнок 1 – Фактори, що впливають на засвоєння матеріалу студентом

Були розроблені методики визначення ментальних і психофізіологічних особливостей студента. Результати за оцінкою кожного з перерахованих вище параметрів можуть бути систематизовані і стандартизовані. Ці методики в сукупності утворюють систему, яка визначає ментальний портрет студента. У табл. 1 представлена дана систематизація.

Після проходження всіх опитувань і тестів буде визначений багатопрофільний портрет студента, який можна буде використовувати при розробці моделі передачі знань.

Процес навчання студентів полягає в передачі знань і навичок від викладачів. Якість навчання фіксується в екзаменаційній відомості. Розробляється модель процесу навчання повинна формувати на виході залишкові знання студента по окремій дисципліні, з якими він виходить на ринок праці. За ним роботодавці вирішують питання про працевлаштування кандидатів на вакантні посади.

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 буде навчатися на підставі ментальних портретів групи студентів і екзаменаційній відомості. Друга нейросеть – на підставі критеріїв оцінки та навчальної програми дисципліни, в якій міститься перелік знань і умінь.

Вихідні сигнали другої нейромережі утворюють вектор, компоненти якого фіксують наявність або відсутність відповідного залишкового знання чи вміння. Розмір вектора визначається сумарною кількістю знань і умінь, передбачених навчальною програмою дисципліни. Вони позначені вектором Y=(y1, y2, ..., yn), де n – кількість знань і вмінь.

Структура обох нейросетей відноситься до класу однорідних багатошарових персептронов з повними послідовними зв’язками і з сигмоїдальної функцією активації. Навчання нейромереж проводилося по стратегії навчання з учителемза алгоритмом зворотного поширення помилки. Навчальна множина для другої нейромережі становить викладач‐професіонал (експерт) по своїй дисципліні, використовуючи затверджені критерії оцінки та навчальну програму дисципліни, яка містить перелік знань і умінь. Для перевірки адекватності нейросетевой моделі в якості середовища моделювання штучних нейронних мереж використовувався пакет  Neural Network Toolbox, який входить в стандартну поставку MATLAB. Схема такої двокаскадної моделі представлена на мал. 2.

двохкаскадний модель нейромережі для моделювання мультиагентної системи

Малюнок 2 – Схема нейромодель, що описує результати професійного навчання студента на прикладі однієї дисципліни
(анімація: 9 кадрів, 10 циклів повторення, 22,7 кілобайт)

При побудові навчальної множини для першої нейромережі були обрані 6 студентів, які прослухали навчальний курс Інтелектуальні системи в економіціі вже отримали екзаменаційні оцінки. Студенти для тестування були вибрані таким чином, щоб у навчальній множині були представлені всі екзаменаційні оцінки. Ці студенти були протестовані згідно з методикою, викладеною в даному розділі. Для навчальної множини були взяті дані перших п’яти студентів. Результати ж студента під номером 6 будуть використані для перевірки навченої нейромережі. Навчальна множина для другий нейромережі повинен готувати викладач, який читає студентам навчальну дисципліну. З навчальної програми (а це затверджений нормативний документ) був узятий список знань і умінь, якими повинен оволодіти студент з даної дисципліни, і для нього викладачем сформована таблиця, що показує, за які знання та навички ставиться певна оцінка.

Спільна робота двох навчених нейронних мереж оцінювалася на характеристиках ментальності студента з номером 6, який не брав участі у навчанні. Моделювання проводилося в Відповідно до двокаскадної схемою на мал. 2. Аналіз результату роботи першого каскаду показав, що значення компонент вихідного вектора близькі до коду (1,0,0,0). Це кодування відповідає екзаменаційної оцінці «незадовільно», яку насправді отримав цей студент на іспиті.

спрогнозувати оцінка з виходу першої нейромережі подавалася на вхід другої нейромережі, яка формувала результуючий вектор Y залишкових знань і умінь цього студента (мал. 3).

залишкові знання та навички для шостого студента за розглянутою навчальної дисципліни

Малюнок 3 – Прогнозні залишкові знання та навички для шостого студента за розглянутою навчальної дисципліни

Значення компонент вектора Y можна трактувати як ступені впевненості в тому, що у даного студента зберігаються в його пам’яті відповідні знання та вміння (звичайно, відносно використовуваних навчальних множин). Якщо зіставити отриманий результат з критеріями оцінки з навчальної дисципліни Інтелектуальні системи в економіці, то представлена сукупність спрогнозованих знань і умінь відповідає оцінці незадовільно.

Висновки

Запропоновано підхід до нейромережевому моделюванню важко формалізованих процесу професійного навчання молодих фахівців, заснований на імітації процесу передачі професійних навичок і знань в залежності від особистісних характеристик студентів.

Встановлено зовнішні і внутрішні фактори, що впливають на успішність студентів і якість засвоєння знань і навичок. Особливу увагу було приділено студенту як особистості і його місцю в процесі навчання. Виходячи з цього, була розроблена спеціальна методика, що дозволяє аналізувати психологічні, емоційні, природні та фізичні здібності студента.

Після отримання ментального портрета студента був розроблений нейроалгорітм побудови двокаскадної нейромодель, що імітує результат професійного навчання шляхом виявлення залишкових знань і навичок студента, які будуть використані на ринку праці.

Попередні результати дослідження на програмних моделях показали правильність запропонованих ідей щодо вирішення поставленого завдання.

Список джерел

  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.