ДонНТУ   Портал магистров

О себе Реферат Научные труды Индивидуальный раздел

КООРДИНИРУЕМОЕ СОТРУДНИЧЕСТВО АГЕНТОВ В ИМИТАЦИОННОЙ МОДЕЛИ ТРУДОУСТРОЙСТВА СТУДЕНТОВ МНОГОАГЕНТНОГО ТИПА

Федяев О.И. Координируемое сотрудничество агентов в имитационной модели трудоустройства студентов многоагентного типа // В сборнике: Инжиниринг предприятий и управление знаниями (ИП&УЗ-2019). Сборник научных трудов XXII Международной научной конференции. В 3-х томах. Под научной редакцией Ю.Ф. Тельнова. — 2019. — С. 53-62.

Федяев О.И.

Донецкий национальный технический университет, Донецк
E-mail: fedyaev@donntu.org

Аннотация

Архитектура модели представлена в виде мультиагентной системы. Задача мультиагентного моделирования полностью формализована. Она представлена как задача коллективного выбора с учётом взаимных требований сторон. Эксперимент по анализу трудоустройства проведен в режиме координированного взаимодействия агентов.

КЛЮЧЕВЫЕ СЛОВА: агенты, мультиагентная система, имитационная модель, сотрудничество агентов, тудоустройство студентов.

В работе рассматривается применение теории и практики двусторонних рынков к решению задачи распределения выпускников кафедры университета по фирмам. Если учесть, сколько участников взаимодействуют с каждой стороны, то рынок труда, состоящий из выпускников и фирм, - пример рынка «один-на-много» [1]. В таком двустороннем рынке главное уметь формально доказать существование устойчивого распределения участников рынка и благодаря этому определить конкретные связи между работодателями и молодыми специалистами. Проблема современных рынков труда состоит в сложности координации одновременного поиска работы и работников.

Одно из возможных решений этой проблемы – централизация координационного процесса трудоустройства. Для решения задачи трудоустройства студентов в работе предложен способ коллективного выбора с учётом взаимных интересов, основанный на построении централизованной системы распределения выпускников на уровне кафедры университета [1], [2]. С этой целью разработана методика и прототип программной системы, позволяющей, исходя из полученных студентами знаний по базовым дисциплинам, прогнозировать успешность их трудоустройства с учётом профессиональных требований фирмы. Эта система также позволит выявлять возможные пробелы в подготовке студентов на выпускающей кафедре и оценивать качество подготовки.

Чтобы учесть особенности анализируемых процессов и построить адекватную модель, в данной работе имитационная система строится методами агентно-ориентированного моделирования, которые сейчас успешно применяются для описания поведения неоднородных динамических систем с распределённым интеллектом [3].

Структура система моделирования подготовки и трудоустройства студентов

Общая структура системы моделирования, частью которой является подсистема трудоустройства выпускников, представлена на рис. 1. В системе представлены три группы людей, между которыми происходит взаимодействие. Каждая из групп передаёт свои цели и способы их достижения своим программным агентам, которые в свою очередь моделируют основные функции реальных людей, используемые в процессе обучения и трудоустройства студентов.

Самую большую группу агентов образуют агенты студентов. Каждый студент обладает некоторым ментальным портретом (темпераментом, уровнем IQ, типом личности и т.д.), уровнем знаний и умений по каждой учебной дисциплине, предусмотренной учебным планом. Для того, чтобы агенты преподавателей могли прогнозировать уровень остаточных знаний и умений, студент должен предоставить им свой ментальный портрет. Далее, после того, как остаточные знания определились, агенты-студенты начинают поиск привлекательных фирм, для этого они «обходят» все фирмы и узнают у них условия работы: размер зарплаты, количество рабочих часов и другие важные социальные факторы. После этого студент формирует для каждой фирмы оценку её привлекательности, на основе которых он определяет очерёдность посещения фирм. В свою очередь фирмы, при выявлении желания студента работать у них, запрашивают у него уровни остаточных знаний и умений по профильным дисциплинам. В заключении каждая фирма оценивает компетенции кандидатов, предлагая им «решить» набор тестовых заданий по профилю фирмы, и успешно прошедшим этап тестирования кандидатам предлагает трудоустроиться.

Двухкритериальная модель задачи трудоустройства

Агентно-ориентированная модель динамического процесса трудоустройства студентов на фирмы (предприятия) представлена двумя группами взаимодействующих искусственных агентов: множеством агентов \( X = \{x_1, x_2, ..., x_N\} \), представляющих студентов, которые хотят трудоустроиться по специальности (N - количество студентов); множеством агентов \( F = \{f_1, f_2, ..., f_M\} \), представляющих фирмы разного профиля, которые предлагают вакантные места для работы (M – количество фирм).

Процесс трудоустройства начинается с того, что каждый студент по своим критериям оценивает для себя привлекательность каждой фирмы:

\( t_{n,m} = \varphi_n(c_m), \quad t_{n,m} \in [0,1] \)

где \( t_{n,m} \) – оценка привлекательности m-ой фирмы для n-го студента; \( \varphi_n \) – многомерная функция субъективной оценки студентом \( x_n \) привлекательности фирмы \( f_m \); \( c_m \) – вектор значений социально-экономических характеристик, т.е. социальный пакет, который предлагается студенту на фирме \( f_m \). Компоненты вектора \( c_m \) определяют размер зарплаты, продолжительность рабочего дня, форму собственности, обеспеченность жильём, возможность удалённой работы и другие показатели, значения которых характеризуют условия работы на m-ой фирме.

В свою очередь каждая фирма оценивает уровень знаний и умений претендентов, предлагая им тестовые задания по профилю деятельности фирмы

\( g_{n,m} = \sum_{j=1}^{J_m} \mu_{m,j}(z_n), \quad g_{n,m} \in [0,1] \)

где \( z_n \) – вектор значений уровней знаний и умений, которыми обладает студент \( x_n \) (в частном случае – по одной дисциплине); \( \mu_{m,j} \) - многомерная функция субъективного оценивания m-ой фирмой способность студента \( x_n \) решать j-ое задание, предлагаемое фирмой; \( g_{n,m} \) - оценка профессиональных компетенций n-го студента, выставленная m-ой фирмой; \( J_m \) - количество тестовых заданий у m-ой фирмы (\( 1 \le j \le J_m \)).

Функции \( \varphi_n(\cdot) \) и \( \mu_{m,j}(\cdot) \) находятся из решения обратных задач методами машинного обучения. Функция \( \varphi_n(\cdot) \) отражает мнение конкретного студента или группы студентов и описывает зависимость привлекательности фирмы от предлагаемого фирмой социального пакета. Вторая функция \( \mu_{m,j}(\cdot) \) имитирует поведение работников фирмы, занимающихся подбором кадров, при тестировании уровня компетенции студентов в зависимости от их знаний и умений по профилю деятельности фирмы. Поскольку обе функции связывают качественные данные, то для их конструирования применена нейросетевая методология как универсальное средство функциональной аппроксимации. Для обучения нейросетевых моделей функций использовались данные реально проводимых опросов нескольких десятков респондентов. Решение этих задачи не рассматривается в данной статье.

Основная задача, связанная с распределением студентов по фирмам, относится к проблеме коллективного выбора с учётом взаимных требований сторон, которая типична для задач многокритериального принятия решений. В содержательной форме эта задача состоит в распределении студентов на фирмы так, чтобы отклонения от планов приёма отобранных лучших студентов были минимальными, а желания студентов были максимально учтены.

Формально данная задача относится к классу задач о назначениях с дополнительным требованием [4]. В данной работе рассматривается модель задачи, в которой каждый студент-выпускник сумеет выполнять предложенные фирмой работы на уровне \( g_{n,m} \), но имеет также предпочтения по выбору фирмы с учётом её привлекательности \( t_{n,m} \). Обозначим через \( s_{n,m} \) логическую переменную, которая при значении равном «1» означает, что n-й студент принят на m-ю фирму (\( s_{n,m} \in \{0,1\} \)). Тогда задачу о назначениях с предпочтениями можно представить, как двухкритериальную. Фирма стремится максимизировать компетенции выпускников, принятых на работу, а выпускники, в свою очередь, удовлетворить свои предпочтения путём выбора наиболее привлекательной фирмы. Первая целевая функция отвечает за максимизацию суммарных компетенций у принятых на работу

\( H_1(X) = \sum_{n=1}^{N} \sum_{m=1}^{M} t_{n,m} * s_{n,m} \to \max \),

а вторая целевая функция связана с учётом предпочтения студентов по выбору фирмы

\( H_2(X) = \sum_{n=1}^{N} \sum_{m=1}^{M} g_{n,m} * s_{n,m} \to \max \).

Стоит заметить, что предпочтения студентов не всегда совпадают с кадровыми потребностями фирмы. Отсюда возникает конфликт целевых функций \( H_1(X) \) и \( H_2(X) \). Поиск экстремумов выполняется с учётом следующих ограничений:

\( \sum_{n=1}^{N} s_{n,m} \le l_m \),

\( \sum_{m=1}^{M} s_{n,m} \le 1 \),

\( l_m \) - количество вакансий на m-ой фирме (\( 0 \le l_m \le N \)). Вид функций \( H_1(X) \) и \( H_2(X) \) даёт возможность использовать вместо двух следующий один обобщённый критерий

\( H(X) = \sum_{n=1}^{N} \sum_{m=1}^{M} (t_{n,m} + g_{n,m}) * s_{n,m} \to \max \),

что позволяет задачу о назначениях решать венгерским методом [4].

Агентно-ориентированная имитационная модель процесса трудоустройства студентов

В виде программы многоагентная система моделирования была реализована с помощью инструментальной среды Jason, которая ориентирована на создание интеллектуальных программных агентов с открытой BDI-архитектурой, позволяющей описывать на языке Java поведение агентов с учётом специфики решаемой задачи [5]. На рисунке 2 представлен интерфейс программного обеспечения системы, реализующей взаимодействие с системой посредством удобных окон. Окна позволяют настраивать агентов-студентов и агентов-фирм, задавая их характеристики, а также редактировать список доступных компетенций и выбирать различные режимы моделирования процесса трудоустройства.

Окно диалога для задания социально-экономических характеристик фирмы представлено на рисунке 3.

Первым этапом моделирования процесса трудоустройства является «собеседование», которое происходит между агентами студентов и работниками фирм. На рисунке 4 представлена диаграмма последовательности на языке UML, показывающая динамику взаимодействия агентов при наличии Координатора (арбитра), роль которого может выполнять, например, ответственный за распределение студентов на кафедре или заведующий кафедрой.

При координированном взаимодействии агентов для получения плана распределения агент Координатор, получив на этапе знакомства списки предпочтения агентов, может сразу применять оптимизационный метод и выдать оптимальное решение по трудоустройству. При таком виде трудоустройства агенты взаимодействуют только на этапе знакомства.

Функция вычисления оценки привлекательности фирмы, которая используется в самом начале взаимодействия агентов, реализована в нейросетевом базисе, так как она является трудно формализуемой. Поэтому для её построения использовалась модель нейронной сети - многослойный персептрон, а проверка адекватности модели нейросети выполнялась на реальных данных (см. рисунок 3), полученных от нескольких десятков студентов-респондентов. После настройки нейросетевой функции по стратегии «обучение с учителем» были проведены эксперименты для получения субъективной оценки привлекательности фирмы со стороны конкретного студента (см. рисунок 5).

Следующая важная задача связана с получением оценки уровня владения компетенциями (знаниями и умениями) в виде коэффициентов уверенности из диапазона [0,1], которые отражают наличие остаточных знаний по той или иной дисциплине. В свою очередь работодатель формирует список тестовых задач, которые являются профильными для его предприятия, попутно выбирая те знания и умения, которые, по его мнению, действительно важны в решении соответствующей задачи и ставит каждой компетенции свой коэффициент важности по фиксированной четырёхбальной шкале (1 – высокий, 0.8 – выше среднего, 0.5 – средний, 0.3 – малый).

Для удобства коэффициенты важности (\( P_i \)) целесообразно нормализовать в диапазон от 0 до 1, так чтобы \( \sum P_i = 1 \). Поскольку все входные сигналы изменяются в одном диапазоне от 0 до 1 и оценки важности, установленные экспертом, также нормализованы, то оценку успешности решения одной задачи можно реализовать одним нейроном с линейной функцией активации без обучения (весовыми коэффициентами выступают нормализованные коэффициенты важности \( P_i \) ). Также необходимо отметить, что итоговым результатом оценки уровня компетенций студента является обобщающий результат оценок по всем задачам фирмы, поэтому итоговая оценка вычисляется по формуле

\( \text{Итоговая оценка} = \frac{1}{k} \sum_{j=1}^{k} \sum_{i=1}^{N+M} x_i * P_i \),

где k - количество тестовых задач; N, M – количество соответственно знаний и умений по дисциплине; \( x_i \) - степень владения компетенцией студентом; \( P_i \) - нормализованный коэффициент важности.

Ниже приведены результаты моделирования процесса трудоустройства, в котором участвовали 3 фирмы (у всех по 4 вакантных места) и 10 студентов (у всех принята минимальная привлекательность и минимальный уровень знаний, равные 0). При запуске процесса моделирования все агенты студентов проходят «собеседование» с агентами фирм в соответствии с алгоритмом на рисунке 4 и по ранее рассмотренным методикам агенты с нейросетевой архитектурой формируют значения привлекательности и компетенции, которые передаются агенту Координатору (см. таблицу 1).

Таблица 1. Предпочтения агентов

Студенты	\( f_1 \) – кол-во вакансий - 4		\( f_2 \) – кол-во вакансий - 4		\( f_3 \) – кол-во вакансий - 4
	Привлекательность	Компетенция	Привлекательность	Компетенция	Привлекательность	Компетенция
\( x_1 \)	0,44	0,89	0,38	0,76	0,5	0,25
\( x_2 \)	0,62	0,25	0,41	0,23	0,23	0,84
\( x_3 \)	0,63	0,79	0,5	0,73	0,43	0,37
\( x_4 \)	0,46	0,72	0,57	0,44	0,35	0
\( x_5 \)	0,79	0,04	0,77	0,85	0,76	0,86
\( x_6 \)	0,4	0,27	0,74	0,76	0,3	0,26
\( x_7 \)	0,51	0,24	0,08	0,91	0,43	0,84
\( x_8 \)	0,06	0,48	0,51	0,1	0,92	0,77
\( x_9 \)	0,82	0,22	0,99	0,42	0,5	0,24
\( x_{10} \)	0,01	0,04	0,31	1	0,47	0,8

На рисунке 6 представлен журнал моделирования, в котором записываются все действия, совершённые агентами в ходе моделирования (строки без сдвига – действия агентов-фирм, строки со сдвигом – действия агентов-студентов).

На рисунке 7 представлены результаты моделирования трудоустройства с помощью координированного взаимодействия, используя венгерский метод оптимизации [6].

В итоге все студенты нашли себе рабочие места. Однако, необходимо отметить, что не было элемента соревнования, т.е. везде были места и студенты беспрепятственно занимали их.

Заключение

Имитационная модель представлена в виде многоагентной системы, учитывающей распределённость, неоднородность и интеллектуальность объекта исследования. Кроме того, в статье рассмотрена постановка задачи моделирования процесса трудоустройства студентов. Динамика процесса распределения студентов на фирмы реализована совокупностью взаимодействующих программных агентов. Для каждого типа агентов формализованы его роли и протоколы взаимодействия с другими агентами. Предложен подход к реализации сотрудничества агентов при поиске компромиссного решения, в основе которого лежит принцип гомеостатического (равновесного) управления динамикой многоагентной системы. С помощью разработанной имитационной модели проведен эксперимент, посвящённый анализу процесса трудоустройства студентов в режиме координированного взаимодействия агентов.

ЛИТЕРАТУРА:

1. Железова Е.Б. Измалков С.Б., Сонин К.И., Хованская И.А. Теория и практика двусторонних рынков // Вопросы экономики, №1, 2013. – С. 4-26.
2. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы: Учебник. – М.: Финансы и статистика, 2006. – 424 с.
3. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. – М.: Эдиториал УРСС, 2002. – 352 с.
4. Таха Х. Введение в исследование операций. – М.: Издательский дом Вильямс, 2003. – 407 с.
5. Programming multi-agent systems in AgentSpeak using Jason – http://jason.sourceforge.net/wp/