CC BY
122
пятой. Оптимизация перепада для короткозамкну-тых линий проводится по электрической длине линии, а для разомкнутых - дополнительно по положению первого нуля функции входного сопротивления. Однако для короткозамкнутых линий с целью оптимизации можно использовать положение нулей функции входного сопротивления.
Результаты синтеза и оптимизации некоторых короткозамкнутых и разомкнутых линий представлены в таблицах 1 и 2 соответственно, где п -количество ступенек; 0=0оп - электрическая длина линии; 0о - электрическая длина одной ступеньки; Рг - перепад волновых сопротивлений; Р^тахттй1, где и - максимальное и минимальное волновые сопротивления.
Представленный алгоритм синтеза и оптимизации ступенчатых линий позволяет получать с заданной точностью решение задачи, которая характеризуется величинами коэффициентов нулей и полюсов, и оценивать все конструктивные пара-
метры синтезируемых линий. Анализ полученных результатов показывает, что одни и те же электрические характеристики могут быть получены от линий с различным числом ступенек. Следует отметить, что выигрыш в длине ступенчатых резонаторов по сравнению с однородными получается значительным.
Литература
1. Бердышев В.П., Синицын А.В. Развитие методов синтеза и построения фильтрующих устройств СВЧ на неоднородных линиях. Тверь: ВУ ПВО, 2001. Ч. 1. 2002. Ч. 2.
2. Устройства СВЧ и антенны; [под. ред. Д.И. Воскресенского]. М.: Радиотехника, 2008.
3. Козловский В.В., Сошников В.И. Устройства на неоднородных линиях. К.: Техшка, 1987. 191 с.
4. Оружие и технологии России. Энциклопедия. Т. 9. XXI век. ПВО и ПРО; [под ред. С.Б. Иванова]. М.: Оружие и технологии, 2004.
5. Козловский В.В. Расчет многоступенчатых резонаторов, состоящих из однородных отрезков линий передач по диапазону перестройки // Радиотехника, 1979. Т. 34. № 8. С. 30-34.
УДК 001.57+519.876.5
МУЛЬТИАГЕНТНОЕ ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ ПРОЦЕССА НАКОПЛЕНИЯ ЗНАНИЙ
Ю.А. Ивашкин,, д.т.н.; Е.А. Назойкин
(Московский государственный университет прикладной биотехнологии, 1иавИк1п@тзааЪ.ги, [email protected])
Статья посвящена разработке мультиагентной имитационной модели учебного процесса вуза, отражающей состояние и динамику передачи и накопления знаний с анализом и прогнозированием качества образования. Описываются методы, алгоритмы и программная реализация агентно-ориентированной имитации взаимодействия обучаемого и преподавателя с учетом психофизиологического, эмоционального и когнитивного состояний интеллектуальных агентов в универсальной имитационной системе Simplex3.
Ключевые слова: имитация, интеллектуальный агент, мультиагентная система, агентно-ориентированные технологии, социальное моделирование, накопление знаний.
Современный образовательный процесс представляет собой упорядоченное множество ситуаций, событий и действий, обеспечивающих передачу и усвоение учебной информации с накоплением профессиональных знаний и умений и формированием личностных качеств обучаемых.
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.
Идентификация и прогнозирование состояния и эффективности образовательного процесса связаны с использованием агентных технологий имитации взаимодействия интеллектуальных агентов классов «преподаватель» и «студент» в сложных ситуациях с нечеткой информацией и конфликт-
ными состояниями по аналогии с интеллектуальным поведением человека в подобных условиях.
Процесс обучения в вузе можно представить в виде трех основных взаимодействующих компонентов: обучаемый интеллектуальный агент AgStud, имитирующий процесс накопления знаний; интеллектуальный агент AgTeacher, передающий знания обучаемому 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.).
Параметрическое описание модели
Интеллектуальный агент AgStud описывается переменными и параметрами когнитивного Со,
психофизиологического Ps, эмоционального Em и социального So состояний в виде множества векторов: AgStud={Co, Ps, Em, So}.
Векторы когнитивного и психофизиологического состояний i-го агента включают исходные неизменяющиеся параметры агента cs, влияющие на накопление знаний (csi - уровень интеллекта, cs2 - внимание, c^ - зрительная память, cs4 - вербальная память, cs5 - ассоциативная память, cs6 -общие математические способности, cs7 - арифметический счет, cs8 - установление закономерностей), и переменные ca, изменяющиеся в процессе обучения (ca1 - уровень априорных знаний J0, c.,2 -текущий уровень знаний J, c^ - уровень остаточной информации и знаний JOCT, ca4 - коэффициент эффективности переработки информации R, ca5 -скорость восприятия информации X).
Вектор эмоционального состояния i-го агента Emi={ei1, eB, ei3, ei4} отражает параметры состояния (ei1 - психологическая напряженность, eB -психотип) и переменные состояния (ei3 - степень удовлетворенности обучением, ei4 - эмоциональная реакция).
Вектор социального состояния агента Soi={si1, si2, si3} содержит параметры si1 - индекс социометрического статуса, si2 - коэффициент взаимодействия и переменную si3 - удовлетворенность социальным положением.
Описание агента может быть дополнено вектором личностных характеристик Pci={pi1, ..., pi4}, включающим параметры состояния (pi1 - сознательность, pi2 - трудолюбие) и переменные (pi3 -мотивация обучения, pi4 - быстрота интеллектуальной утомляемости студента).
Параметры состояния определяются в результате проведения психологических тестов в группе студентов по заданным характеристикам и рассчитываются в относительных единицах с выделением четырех качественных уровней общего исходного состояния агента AgStud с предполагаемым результатом обучения (отлично, хорошо, удовлетворительно, плохо).
Процесс усвоения изучаемого материала и накопления информации во времени можно описать уравнением
J(t) = R • ^ • t + Jo dt
(1)
где Л(1) - количество информации, накопленное студентом, Кб; 1(1) - количество представляемой
информации, Кб; R =
Jt(t) I(t)
- коэффициент эф-
фективности переработки информации; Л^) - количество воспринятой текущей информации, Кб; Л0 - количественная оценка априорных знаний; 1 -текущее время, ед.вр.
Важнейшей характеристикой интеллектуального состояния агента AgStud является психофизиологическая скорость восприятия студентом те-
кущей информации или его пропускная способность ^ в текущий момент, Кб/ед.вр., выражаемая
(2)
производной
dt
Пропускная способность является функцией интеллектуального состояния студента и его априорных знаний, эмоционального состояния и эмоциональной реакции и изменяется в процессе обучения в зависимости от объема представленной I(t) и воспринятой Jt(t) информации, способа представления I(t), степени тренированности и других факторов [1].
Исходное значение Aoi i-го студента можно выразить уравнениями регрессии от исходных параметров когнитивного и эмоционального состояний i-го агента на основе корреляционного и регрессионного анализа экспериментальных данных в виде
n m
aoí = PÍO +EPijcij+EPikeik > i=1, N(3) i=1 k=1
где pij - коэффициенты линейной множественной регрессии; cij - j-й параметр когнитивного состояния i-го студента; eik - k-й параметр эмоционального состояния i-го студента.
Допуская, что не изменяется в процессе восприятия текущей информации и зависит главным образом от уровня априорных знаний и степени тренированности, можно оценить эффективность процесса накопления знаний i-м студентом коэффициентом Ri как отношение воспринятой им информации Jti(t)=Xi-t к представленной I(t) в виде
А ■ t 1 n m
Ri =1ю = ВД(Р'0 pijcij pikeik} ■t'
i=1, ..., N. (4)
В соответствии с уравнением (1) и опытными данными [2] некоторый нормированный процесс накопления знаний аппроксимируется в первом приближении функцией вида
Jt = It • (1 -e xt),
(5)
где I - объем информации, предъявляемый преподавателем в момент к - пропускная способность обучаемого в заданных условиях.
Эмоциональная реакция студента на процесс обучения (удовольствие, ожидание, обучение, стремление, безразличие, отрицание и т.п.) зависит от его эмоционального состояния в точке эмоционального гиперпространства с координатами ¿=1, ..., 15 (счастье, грусть, злость, скука, сомнение, надежда, страх, интерес, презрение, отвращение, разочарование, удивление, гордость, стыд, чувство вины), и может быть определена множественной регрессией [3] ее конкретного вида от значений координат:
Qi = wio +Zwijqr i=1, 6
j=i
m
где qj - субъективная оценка уровня эмоции (]-й координаты) в баллах; mi - число эмоций, имеющих сильную корреляционную связь с областью ьй эмоциональной реакции агента 0=1, ..., 6).
При известных или задаваемых оценках координат вектора эмоционального состояния в 15-мерном эмоциональном пространстве после очередного события определяется область наиболее интенсивной эмоциональной реакции, обусловливающей дальнейшие действия агента [3, 4].
Коэффициент психологической напряженности агента определяется отношением абсолютного количества антагонистических связей к общему количеству взаимодействующих агентов.
Социальная составляющая агента определяется индексом социометрического статуса характеризующим степень общительности студента и его отношение к коллективу в целом, и рассчитывается с помощью экспертного опроса по формуле С ^ + Sji), i=1, N, (7) .¡=1 .И
где Sij, Sji - количество прямых и обратных связей Ьго агента с другими агентами AgStudj в группе с оценками сотрудничества (+1), антагонизма (-1) и безразличия (0) во взаимодействии; N - число студентов в группе.
Коэффициент взаимодействия Ьго агента определяется также из матрицы взаимосвязей как отношение абсолютного количества неантагонистических отношений к количеству взаимодействующих агентов.
Агент «преподаватель» AgTeach характеризуется набором векторов состояния: AgTeach={Co, Em}, где Co={c1i9 ci2, ci3} - вектор когнитивного состояния (с1 - уровень знаний, c2 - уровень умений, c3 - степень владения предметной областью); Emi={e1i, e2i} - вектор эмоционального состояния (e1 - нервно-психологическая устойчивость, e2 -темперамент личности, e3 - степень удовлетворенности результатами обучения студентов).
Агент AgTeacher в учебном процессе имеет две фазы деятельности - преподавание требуемого материала с передачей знаний и контроль знаний агента AgStud с идентификацией его индивидуального состояния и рейтинговой оценкой в целом.
Математические модели (1)-(7) и продукционные правила поведения агентов позволяют составить описание состояния и поведения агентов в зависимости от ситуации взаимодействия с другими агентами и средой.
Мультиагентная модель образовательного процесса Learning
Данная модель в универсальной имитационной системе Simplex3 [5] включает пять базисных компонентов (рис. 1), 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.
AgStud_1
□ Control
□ Vymk
□ V[k]
□ Time[k]
J[1]
MassegeS MassegeT С Ball [1] С
Ipi С
AgStud_2
□ Control
□ Vymk
□ V[k]
□ Time[k]
J[2]
MassegeStud MassegeTeach С Ball [2] С
Ipi d
AgStud_N Ip. С
□ Control Ball [n] С
□ Vymk MassegeT С
□ V[k] □ Time[k] MassegeS ■ J[n] ■
Learn_High
Area
Time[k] V[k] Vymk Control
Ball[1..n]
-5-
Time[k] V[k] Vymk Control
R[i]
-
Connect
□ J[1..n] J[1..n] ■
□ MassegeSt MassegeTh С
■ MassegeTh MassegeSt ■
■ Ball[1..n] Ip,I=
■ Ip_ Ball[1..n] С
Statistic
P J[1..n]
R[i] Rc
-tR:
Ball[1..n] c.
AgTeach
>p Time[k]
> □ V[k]
> □ Vymk
« □ Control
R[i]
f]J[1..n]
■ MassegeTeach
* ^MassegeStud
Hp,
■ Ball[1..n]
R[i]
П
Рис. 1. Мультиагентная имитационная модель Learning
Time[k] - время начала k-го цикла аудиторных занятий, k=1, ..., 3; V[k] - характеристики среды обучения (оснащенность компьютерами, мультимедийными средствами, Интернетом и т.п.); Vymk -учебные планы и графики лекционных, практических и лабораторных занятий на семестр; Control - информация о времени проведения и виде контроля; J[i] - информация о накопленных знаниях i-го агента; Ipi - поток информации от преподавателя; MassegeStud - мобильный компонент с сообщениями от агентов AgStud; MassegeTeach -мобильный компонент сообщений от агента AgTeach; Ball[i] - оценка i-го студента.
Каждый агент описывается на объектно-ориентированном языке описания моделей Simplex^DL (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 [5]. 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 (преподаватель) по каналам сенсорных связей передаются: организационная информация о времени начала лекционных, практических и лабораторных занятий Ti-me[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 Jj.
От агента AgTeach каждому агенту AgStud через компонент Connect поступают поток учебной информации I, программа контроля ActCon-trol и оценка, выставляемая преподавателем i-му студенту, Ballj.
В свою очередь, агент AgTeach через компонент Connect получает от агентов AgStudj как информацию о накопленных знаниях Ji i-го агента, о социальной потребности его в работе с преподавателем, о целях обучения, об эмоциональной реакции, так и оценку качества преподавания и др.
Обмен сообщениями между агентами обеспечивается, с одной стороны, мобильным компонентом MessageStud, передающим информацию от агентов AgStudi агенту AgTeach об эмоциональной реакции, социальной потребности, запрос о помощи, и, с другой стороны, мобильным компонентом MessageTeach с персональной информацией i-му студенту (оценка успеваемости, дополнительный контроль, поощрение или порицание, дополнительные занятия и т.п.).
Общий алгоритм образовательного цикла показан на рисунке 2.
^Начало цикла обучения^
Идентификация исходного состояния агента
Т
Фаза активного обучения
я
1
Уточнение локальной цели и актуализация текущего действия (act)
1
Получение текфщей информации It и накопление знаний Jt ft)
Изменение внутреннего состояния агента
Оценка уровня полученных знаний
Да
Фаза активного отдыха
Фаза самостоятельной работы
Переход к следующему циклу
у
Рис. 2. Общий алгоритм поведения агента AgStud в цикле обучения и накопления знаний
В начале цикла моделирования задаются характеристики агента AgStud и рассчитываются исходные значения параметров и переменных векторов эмоционального, когнитивного, социального и личностного состояний.
Далее агенту сообщаются расписание лекционных, практических, лабораторных занятий и свободное время, в которое он может заниматься самостоятельно или с другими агентами AgStud, консультациями с AgTeacher или просто отдыхать [4].
В зависимости от уровня эмоциональной напряженности, когнитивного состояния и других факторов происходит процесс накопления знаний в соответствии с математическим описанием (1)-(7). На лекционных занятиях агент AgStud повышает уровень теоретических знаний, а на практических и лабораторных - степень тренированности c Amp.
После проведения занятий агент AgStud оценивает уровень полученных знаний. При неудовлетворительной оценке следует переход в фазу самостоятельного пополнения базы знаний с индивидуальной или коллективной стратегией. 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.
Результаты имитационного моделирования процесса накопления знаний
В результате имитационного моделирования на основе исходных данных и параметрических описаний получены кривые изменения уровня знаний студента в процессе активной и самостоятельной фаз обучения (рис. 3 и 4).
На графике рисунка 3 на отрезке от 0 до 4,5 ч. наблюдается рост знаний агентов в активной фазе обучения, где наиболее успешное накопление знаний показывает агент AgStud1 за счет высоких когнитивных, эмоциональных, социальных и личностных характеристик и уровня априорных знаний. Агент AgStud2 по сравнению с AgStudl имеет более низкие когнитивные характеристики и отстает в усвоении представляемой информации. Однако за счет высоких личностных характеристик (стремления к обучению) он приближается к уровню знаний агента AgStud1.
Состояние агента AgStud3 соответствует удовлетворительному уровню, но при хорошей самостоятельной проработке материала и активном взаимодействии имеет более высокий уровень знаний, чем агент AgStud4, состояние которого на неудовлетворительном уровне.
На рисунке 4 показано изменение общей эффективности обучения агентов с учетом изменения их когнитивного Co, эмоционального Qi и социального So состояний в цикле учебного процесса с активной (0-4,5 ч.) и самостоятельной (4,57,5 ч.) фазами работы.
Исходя из результатов моделирования можно сделать выводы о том, что учащимся следует ориентироваться на получение знаний, даваемых преподавателями, при этом необходимо уделять достаточно времени самоподготовке. В качестве управляющего воздействия можно выделить контроль полученных знаний как наиболее эффективный.
1,6
1,2 1
0,6 0,4
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Obs1#/Learning_High/AgStud[1]/J
— • Obs1#/Learning_High/AgStud[2]/J
— — Obs1#/Learning_High/AgStud[3]/J ......Obs1#/Learning_High/AgStud[4]/J
Рис. 3. Графики накопления знаний агентами AgStud в цикле учебного процесса
1,5
4,5
7,5
Obs1#/Leaming_High/AgStud[1]/Qual
— — Obs1#/Leaming_High/AgStud[2]/Qual
• Obs1#/Leaming_High/AgStud[3]/Qual
— — — Obs1#/Leaming_High/AgStud[4]/Qual
Рис. 4. Изменения эффективности процесса накопления знаний агентами
Предложенные модель и алгоритмы дают возможность получать статистику накопления знаний агентов, прогнозировать и оценивать образовательный процесс в зависимости от психофизиологических свойств агентов и их целей, легко выявлять факторы, оказывающие влияние на накопление знаний, устанавливать их значимость и вводить корректировку.
Литература
1. Ломов Б.Ф. Основы инженерной психологии: учебник для техн. вузов. М.: Высш. шк., 1986.
2. Маклаков А.Г. Профессиональный психологический отбор персонала. Теория и практика: учеб. для вузов. СПб: Питер, 2008.
3. Ивашкин Ю.А. Мультиагентное имитационное моделирование больших систем: учеб. пособие. М.: МГУПБ, 2008.
4. Ivashkin Y.A., Nazoikin E.A. Agent-Based Simulation Model of Educational Process in the Student Group // International Conference on Computational Intelligence, Modelling and Simulation. Brno, Czech Republic, 2009, pp. 132-137.
5. Шмидт Б. Искусство моделирования и имитации. Введение в универсальную имитационную систему Simplex3; [пер. с немец. под ред. Ю.А. Ивашкина и В.Л. Конюха]. Ghent, Belgium, 2003. 550 с.
2
0
0
3
6
