CC BY
33
УДК 378.147(063)
Использование мультиагентных технологий
для прогнозирования и идентификации процесса обучения
Е. А. Назойкин, канд. техн. наук, доцент, А. В. Ионов, доцент Московский государственный университет пищевых производств А. С. Носенко, канд. экон. наук Управляющая компания «Объединенные кондитеры» И. Г. Благовещенский, д-р техн. наук, профессор Московский государственный технический университет им. Н.Э. Баумана
Образовательный процесс представляет собой упорядоченное множество ситуаций, событий и действий, обеспечивающих передачу и усвоение учебной информации с накоплением профессиональных знаний и умений.
Структурными составляющими такого процесса являются: обучаемый субъект (учащийся, студент и т. п.); преподаватель (учитель); цели и содержание обучения; средства информационного и методического взаимодействия; результативный уровень профессиональной подготовки.
Процесс обучения в вузе можно представить в виде структурной схемы (рис. 1), которая включает в себя три основные блока: обучаемый интеллектуальный агент АдБ1иС, имитирующий процесс накопления знаний; интеллектуальный агент АдТеасИег, передающий знания обу-
Процесс обучсЕшя
Проверка усвоенных знаний
1 1
Студенты Передача знаний Препода Baie.il,
'('¡срез среду обучения)
___ВНЕШНИЕ - факторы t Корректирующее воздействие -Buauuue.--. факторы
Среда обучения (ВУЗ)
Рис. 1. Структурная схема процесса обучения
Объем новых накапливаемых знаний J(t) агентом AgStud в зависимости от объема и избыточности представляемой информации ^определяется уравнением
J(t) = RI,-
(1)
усредненный коэф-
чаемому агенту и оценивающий степень их накопления; объектный блок «Среда обучения», отражающий условия обеспечения учебного процесса (расписание занятий, учебно-методические указания, оснащенность аудиторий и т. п.).
Математическое описание модели. Агент АдБиС может быть описан переменными и параметрами когнитивного Со, личностного Рэ, эмоционального Ет и социального Бо состояний в виде кортежа векторов:
АдБгиС = { Со, Рэ, Ет, Бо},
Среди параметров векторов состояния в результате экспериментальных психологических тестов в группе студентов с последующим нормированием и приведением их к универсальному виду условной стэновой шкалы [1] были выделены наиболее актуальные.
фициент эффективности обучения, изменяющийся от 1 до 0; }а ~ количественная оценка априорных знаний.
Процесс накопления знаний [2] в общем виде можно описать дифференциальным уравнением первого порядка
где - коэффициент эффективности усвоения информации в текущий момент времени 1; Т - постоянная времени усвоения единицы новой информации, с;
Постоянная времени Т обратно пропорциональна пропускной способности агента X (ед. информации / ед. времени), определяющей время переходного процесса и скорость накопления знаний при единичном скачке входной информации в начальный момент времени:
(3)
В соответствии с уравнениями (1) - (3) и экспериментальными данными нормированный процесс накопления знаний аппроксимируется функцией вида
(4)
где - объем информации, предъявляемый преподавателем в установленное время обучения 1; X - пропускная способность агента (обучаемого), обусловленная его психофизиологическими возможностями и состояниями в заданных условиях.
Для нахождения Х|0 была использована нейронная сеть (НС) (рис. 2). Для реализуемой сети выходной сигнал /-го нейрона скрытого слоя представляется функцией
/=1,9, (5)
где с, е, р; в,, в,, в, - входные параметры нейронной сети и их весовые коэффициенты.
Тогда выходной слой, где формируется значение пропускной способ-
Рис. 2. Структура искусственной нейронной сети (НС) типа многослойный персептрон для расчета X
Рис. 3. Мультиагентная имитационная модель Learning
ности обучаемого агента X, будет иметь вид
wfi/T^).
(6)
В ходе обработки экспериментальных данных, а также проведения экспериментов с различными типами НС наилучшей функцией активации нейрона на обоих слоях была выбрана сигмоидальная униполярная форма, дающая наименьшее отклонение от искомого значения X в процессе обучения сети.
Полученная в работе ошибка обучения нейронной сети MLP-7-9-1
равнялась 0,03 при средней квадратичной ошибке 0,07. Обучающая выборка составила 230 человек.
Агент «преподаватель» ДдТеасИ характеризуется главным образом кортежем состояния:
ДдТеасЬ = { Со, Ет},
где Со - вектор когнитивного состояния, включающий Ет - вектор переменных эмоционального состояния.
Математические модели (1)-(6) и продукционные правила позволяют составить описание состояния и поведения агентов в зависимости от си-
туации взаимодеиствия с другими агентами и средоИ.
Мультиагентная модель образовательного процесса. В соответствии с общей схемоИ (рис. 1) мультиагентная модель процесса обучения [3, 4] Learning в универсальной имитационной системе Simplex3 [5, 6] включает пять базисных компонентов (рис. 3), а именно: агенты класса AgStud, агент AgTeach, компонент Area «среда обучения»; компонент Statistic «текущая успеваемость и оценка эффективности», компонент Connektion - для адресного обмена сообщениями между агентами AgStud и AgTeach.
Каждый агент описывается на объектно-ориентированном языке описания моделей Simplex-MDL (Model Description Language) базисным MDL-компонентом с декларированием переменных состояния, сенсорных связей и описанием динамики поведения в виде алгебраических и дифференциальных уравнений или последовательности событий. Базисные компоненты объединяются в общую мультиагентную модель системы с помощью сенсорных связей и мобильных компонентов -для адресной передачи сообщений между агентами.
Из блока Area («среда обучения») агентам AgStud («студент») и AgTeach («учитель») по каналам сенсорных связей передается организационная информация о времени начала лекционных, практических и лабораторных занятий, Time [k], k=1...3; характеристики среды обучения V[k] (оснащенность компьютерами, мультимедийными средствами, Интернетом и т. п.); план лекционных, практических и лабораторных занятий на семестр Vymk; информация о времени проведения и типе контроля Control накопленных знаний - J.
От агента AgTeach каждому агенту AgStud через компонент Conneet поступает поток учебной информации I, программа контроля ActControl и оценка, выставляемая преподавателем i-му студенту Balli.
В свою очередь, агент AgTeach через компонент Conneet получает от агентов AgStudi информацию о накопленных знаниях J i-го агента, социальной потребности его в работе с преподавателем, целях обучения, эмоциональной реакции; вопросы и оценки качества преподавания и др.
В модели формируется набор событий, отражающих реальный процесс обучения [3]. В процессе обуче-
2 1.8 1.6 1.4
1.2
0.8 0.6 0.4
0.2 0
___
А| Slud
-"**
■ я Ao.S ПкР
-' /
'■Ч
— * ---- И i AgS twl.i
^ - "Ч ч
/ // Agf> 1 lid 4
¿4-
8
10
П 12 13 14 15
Рис.
-Obs 1 #/Leaming_High/AgSnid[ I ] J--Obs 1 #/Leaniing_Higli/AgStud(2] J
--OtelS/Leaniin« Hij^lvAgStudPV1----Obsl= Learning High AgSmdfJl J
4. Графики накопления знаний агентами AgStud
0.!> 0.8 0.7 0.6 0.5 0.4 0.J 0.2 0.1 О
■N AgStud 1
_. . - . - ' ' — ■ V. /
H AgStiid2
ч V
V ---- ч AsShid3 у *
j~ AgStucU
0
4.5
7.5
-Obs 1 =/Leaniiiig_ffigli'AgShidf 1 JfQiral--Obs 1 #/Leamirg_HigbAgStud[2 )<Qual
--Obsl#/Le»ming High AgShidf 31 QualObs ]« Leammg High AgStudf-l j Qual
Рис. 5. Изменения эффективности процесса накопления знаний агентами AgStud
ния в соответствии с математическим описанием происходит процесс накопления знаний. Оценка уровня полученных знаний в большинстве случаев связана с переговорным процессом и достижением согласия путем интерактивного обмена информацией в форме вопросов и ответов, на основе которого выставляется рейтинговая оценка Ball. Если обучаемый успешно ответил на вопросы и согласен с полученной оценкой, то процесс заканчивается. В противном случае диалог продолжается с предъявлением дополнительных вопросов до наступления согласия либо выставления неудовлетворительной оценки.
Результаты имитационного моделирования. В результате имитационного моделирования процесса накопления знаний на основе исходных данных и параметрических описаний
получены кривые изменения уровня знаний студента в процессе активной и самостоятельной фаз обучения (рис. 4, 5).
На графике (рис. 4) во время моделирования от 0 до 4,5 ч наблюдается рост знаний агентов в активной фазе обучения.
На рис. 5 показано, как в цикле учебного процесса с активной (0-4,5 ч) и самостоятельной (4,5 - 7,5 ч) фазами работы изменяется общая эффективность обучения агентов с учетом изменения их когнитивного Со, эмоционального 01 и социального Бо состояния.
Анализируя полученные данные, можно увидеть, что метод мультиа-гентного имитационного моделирования взаимодействия активных элементов системы в условиях сложно формализуемой задачи передачи
и накопления знаний дает возможность идентифицировать и прогнозировать состояние системы, являющееся результатом многошагового взаимодействия множества активных элементов системы и среды обучения на основе функциональной модели интеллектуальных агентов с параметрическим описанием блоков состояния и цели, динамики поведения и взаимодействия с другими агентами.
ЛИТЕРАТУРА
1. Маклаков, А.Г. Профессиональный психологический отбор персонала. Теория и практика: учебник для ву-зов/А.Г. Маклаков. - СПб.: Питер, 2008.
2. Свиридов, А. П. Статистическая теория обучения./ А. П. Свиридов. - М.: Изд-во РГСУ, 2009. - 576 с.
3. Ивашкин, Ю. А. Мультиагентное имитационное моделирование процесса накопления знаний/ Ю.А. Ивашкин, Е.А. Назойкин // Программные продукты и системы. - 2011. - № 1. -С. 47 - 52.
4. Назойкин,Е.А. Мультиагентное моделирование учебного процесса передачи и накопления знаний/Е.А. Назойкин // Системы управления и информационные технологии. - 2011. - № 1.1 (43). -С. 159 - 162.
5. Ивашкин, Ю. А. Мультиагентное имитационное моделирование больших систем: учеб. пособие / Ю. А. Ивашкин. -М.: МГУПБ, 2008. - 238 с.
6. Шмидт, Б. Искусство моделирования и имитации. Введение в универсальную имитационную систему Simplex3 / под ред. Ю. А. Ивашкина и В.Л. Конюха/ Б. Шмидт. -Ghent, 2003. - 550 с.
7. Благовещенская, М. М. Инновационные технологии образования в области пищевых и холодильных производств / М. М. Благовещенская, Г.В. Шепелев // Серия «Инновационные технологии образования»: Монография. - СПб: Изд-во «Интермедия», 2012. - Вып. 8. - 421 с.
8. Благовещенская, М. М. Инновации в образовании на основе технологий интерактивного погружения / М. М. Благовещенская [и др.] // Труды XVII Всероссийской научно-методической конф. «Телематика 2010». -2010. - Т. 2. -С. 338 - 340.
9. Благовещенская, М. М. Инновационные технологии образования. Сб. аннотированных отчетов по МКР ИТО за 2010 г. / М. М. Благовещенская, Т. М. Давыденко, Н. С. Николаев. - М.: МИРЭА. - 2011. - 143 с.
Использование мультиагентных технологий
для прогнозирования и идентификации процесса обучения
Ключевые слова
агентно-ориентированные технологии; имитационное моделирование; интеллектуальный агент; мультиагентная система; накопление знаний; социальное моделирование
Реферат
Статья посвящена использованию технологий мультиагентного имитационного моделирования для прогнозирования и идентификации процессов, протекающих в вузе во время передачи и накопления знаний активными элементами системы. Вводится описание структурной схемы в виде декомпозиции системы для дальнейшего моделирования. Производится математическое описание процессов накопления знаний и оценки качества обучения. Дается описание применения средств расширения мультиагентных моделей за счет построения искусственной нейронной сети для повышения точности вычислений при проведении экспериментов с моделью. Использование мультиагентного имитационного моделирования с применением математической модели и средств искусственного интеллекта позволяет отразить состояние и динамику процесса передачи и накопления знаний с анализом и прогнозированием качества обучения. В статье описываются методы и программная реализация агенто-ориентированной имитации взаимодействия обучаемого и преподавателя с учетом психофизиологического, эмоционального и когнитивного состояния интеллектуальных агентов. Приводятся результаты моделирования и дается их анализ.
Авторы
Назоикин Евгений Анатольевич, канд. техн. наук, доцент, Ионов Андрей Викторович, доцент,
Московский государственный университет пищевых производств, 125080, Москва, Волоколамское шоссе, д. 11, [email protected]
Носенко Алексей Сергеевич канд. экон. наук, Управляющая компания «Объединенные кондитеры», 115184, Москва, 2-й Новокузнецкий пер., д. 13/15, стр. 1, [email protected]
Благовещенский Иван Германович, д-р техн. наук, профессор
Московский государственный технический университет
им. Н.Э. Баумана, 105005, Москва, 2-я Бауманская ул., д. 5, стр. 1,
The use ofmulti-agenttechnologyto forecast andidentification the learning process
Key words
simulation; intelligent agents; multi-agent system; agent-orientedtechnology; social modeling; creation of knowledge
Abstracts
The article reveals the use of technology multi-agent simulation modeling to predict and identify the processes that take place in high school at the time of transfer and accumulation of knowledge of the active elements. Enter a description of the block diagram in the form of system decomposition for further modeling. A mathematical description of the processes of knowledge creation and evaluation of the quality of education. Describes the use of means of expansion of multi-agent models by constructing an artificial neural network to improve the accuracy of calculations with the experiments with the model. The use of multi-agent simulation using mathematical models and artificial intelligence allows to reflect the status and dynamics of the process of accumulation and transfer of knowledge to the analysis and prediction of the quality of education. This article describes the methods and software implementation of agent-based simulation of interaction of the teacher and the student, taking into account the psycho-physiological, emotional and cognitive state of intelligent agents. Simulation results and their analysis.
Authors
NazoykinEvgeniyAnatolevich, candidate of technical Sciences, associate Professor
lonovAndrei Viktorovich, associate Professor Moscow State University of Food Production, department of information technology and automated sustems 125080, Moscow, Volokolamskoeshosse, 11. NosenkoAlekseiSergeevich, Candidate of Economic Sciences, Management Company «United Confectioners» 115184, Moscow, Novokuznetskaya 2 nd per., 13/15, p. 1, [email protected]
Blagoveshchenskiilvan Germanovich, doctor of technical Sciences, Professor,
Moscow state technical University. N.Uh. Bauman,,department «The Theoretical Mechanics» named afterprofessor N.E. Zhukovsky, 105005, Moscow, 2-nd Baumanskaya, 5, p. 1, [email protected]
: ♦
t ♦
£
НМЖК вошел
в состав Правления «Руспродсоюза»
Представитель Группы компаний «Нижегородский масложировой комбинат» (НМЖК) вошел в состав Правления Всероссийской ассоциации производителей и поставщиков продовольственных товаров «Ру-спродсоюз» (РПС). НМЖК является одним из крупнейших игроков мас-ложирового рынка России, лидируя в категориях майонезов, соусов, спредов, фасованных маргаринов. В портфеле компании такие широко известные бренды, как «Ряба», «Астория», «Хозяюшка», «Сдобри», «Кремлевское» и другие.
Решение о включении НМЖК в состав участников «Руспродсоюза» было единогласно одобрено Правлением ассоциации на очередном заседании. Официальным представителем НМЖК в Правлении РПС утвержден Алексей Орлов, директор бизнес-направления В2С.
Дмитрий Востриков, директор по развитию ассоциации «Руспрод-
союз»: «Вступление ГК «НМЖК» существенно усилит экспертизу и ресурс секции союза, объединяющей производителей масложировой продукции и соусов». Отметим, что в ассоциацию уже входят такие значимые представители масложировой отрасли, как «ЭФКО», «Русагро», «Сарепта-ПомидорПром» и другие участники рынка.
Разделяя цели ассоциации, ГК «НМЖК» будет строить свою работу на принципах добросовестного поведения, сформулированных в Кодексе добросовестных практик поставщиков и ритейлеров; принимать активное участие в экспертизе готовящихся изменений в законодательное регулирование рынка и оценке последствий их внесения как для бизнеса, так и для конечного потребителя.
Алексей Орлов отметил: «Присутствие группы компаний «НМЖК» в составе Правления ассоциации
«Руспродсоюз» позволит нам более эффективно сотрудничать с производителями продуктов питания, объединениями розничных сетей, совместно формируя актуальную повестку и принимая участие в разработке отраслевых законодательных актов, поправок в действующее законодательство и программы развития отрасли. Кроме того, членство в ассоциации предлагает возможность уникального межотраслевого взаимодействия, которое несет преимущества как для нас, так и для наших коллег и партнеров».
Как считает Дмитрий Востриков, участие в Правлении РПС - это гарантия защиты интересов компании, содействие ее развитию, а главное -возможность влиять на стратегию совершенствования продовольственного рынка страны и быть услышанным на всех уровнях принятиях отраслевых решений.
♦
: ♦
♦ ♦ ♦
: ♦
♦
♦
: ♦
