CC BY
156
УДК 004.8
МУЛЬТИАГЕНТНЫЕ СИСТЕМЫ В ОРГАНИЗАЦИИ УЧЕБНОГО ПРОЦЕССА И ПРИНЯТИЕ РЕШЕНИЙ НА ОСНОВЕ ОТНОСИТЕЛЬНОЙ ВАЖНОСТИ
КРИТЕРИЕВ В НИХ
А. А. Пшеничных
Статья посвящена агентно-ориентированному подходу к разработке системы дистанционного образования и процессу принятия решений в задачах многокритериального выбора. Система может быть использована в качестве обучающего и контролирующего средства
Ключевые слова: агент, многокритериальная задача, принцип Эджворта-Парето
Использование компьютеров во всех областях человеческой деятельности меняет во многом те подходы и технологии, которые ранее в них применялись. Коснулась эта тенденция и технологий организации образовательного процесса. В последнее время уделяется большое внимание разработке обучающих систем, позволяющих студенту в интерактивном режиме изучить и закрепить материал, а также проверить свои знания.
Компьютерное образование является альтернативой традиционным методам обучения, основанным на лекциях, практических и лабораторных занятиях и т.п. Многочисленные исследования подтверждают факты эффективности компьютерного обучения, несмотря на то, что начальные затраты на организацию компьютерного образования выше чем на традиционные технологии обучения. Студенты изучают быстрее и сохраняют большее количество информации при компьютерном образовании, потому что они способны непосредственно взаимодействовать с материалом курса.
Необходимо разработать систему, реализующую индивидуальное программное обучение, которое должно подчиняться 4-м основным принципам:
1. Определяется учебный материал, процесс или навыки, которым собираются обучить, затем они анализируются и разлагаются на составные элементы.
2. Материал предъявляется учащемуся шаг за шагом в тщательно продуманной последовательности.
3. На каждом шаге учащемуся предоставляется информация порциями для обеспечения его активной реакции (в виде какого-то действия, которое показывает, что он следует данным ему указаниям), прежде, чем пойдет дальше.
4. Учащийся получает немедленное подтверждение правильности своего ответа, работает в своем собственном темпе и сам контролирует успешность своего обучения.
Разрабатываемая в рамках этой работы система дистанционного образования базируется на основе мультиагентной технологии.
Агент (мультиагент) - это аппаратная или программная сущность, способная действовать в инте-
Пшеничных Алексей Анатольевич - ВГУ, аспирант, E-mail: alex-dv@mail.ru
ресах достижения целей, поставленных перед ним владельцем и/или пользователем. Это может быть агент определенный как интеллектуальное искусственное существо (носитель искусственного интеллекта). Агент, как правило, рассматривается как некоторый объект, который можно отделить от остального мира. Он существует во времени и пространстве, может взаимодействовать с другими агентами и средами, выполняя некоторые действия. Другими словами, агент - это автоматическая (полуавтоматическая) программно-аппаратная система, которая решает комплекс задач в динамично изменяющейся среде.
Агенты классифицируются на четыре основных типа: простые, умные (smart), интеллектуальные (intelligent) и действительно интеллектуальные (truly intelligent). Одно из самых главных свойств агента - это интеллектуальность. Интеллектуальный агент владеет определенными знаниями о себе и об окружающей среде, и на основе этих знаний он способен определять свое поведение. Интеллектуальные агенты являются основной областью интересов агентной технологии.
Программные интеллектуальные агенты - это новый класс систем программного обеспечения, которое действует либо от лица пользователя, либо от лица системы делегировавшей агенту полномочия на выполнение тех или иных действий. Они являются, по сути, новым уровнем абстракции, отличным от привычных абстракций типа - классов, методов и функций. Но при этом, разработка мультиа-гентной системы позволяет создавать системы обладающие расширяемостью/масштабируемостью, мобильностью/переносимостью, интероперабельно-
стью, что несомненно очень важно при разработке систем, основанных на знаниях.
Для функционирования агент должен обладать возможностями
• взаимодействия с окружающим миром (реактивность);
• проявления собственной инициативы (активность);
• взаимодействия с другими агентами (социальная способность);
• автономного существования.
Обучающая система включает средства обучения (теоретическая, справочная информация), сред-
ства контроля практических знаний, средства тестового контроля. Основными элементами архитектуры обучающей системы являются база знаний предметной области, база знания обучаемого и мультиа-гентная система. База знаний обучаемого играет ключевую роль в интеллектуальной обучающей системе. Она динамическая и модифицируемая. В зависимости от ее состояния планируется стратегия обучения. Модель базы знаний обучаемого представляет собой стереотипно-думающую модель, т.е. знания обучаемого воспринимаются как подмножество знаний из базы знаний предметной области, которая в свою очередь, состоит из отдельных относительно небольших порций знаний и стратегия обучения состоит в постепенном наращивании базы знаний обучаемого. При этом по обнаруживаемым у обучаемых характеристическим признакам, их относят к определенному стереотипу (например, при обучении программированию различают начинающих программистов, продвинутых программистов и профессионалов).
Для создания обучающей системы был использован агентно-ориентированный подход, в рамках которого система строится как совокупность агентов (агенты пользователя, агенты преподавателя, агенты лекций, агенты отдельных объектов знания). Каждый из агентов имеет семантическое описание своего поля деятельности, преследует собственные цели, обменивается информацией с другими агентами для достижения компромиссов и т.д.
По мере работы пользователя мультиагентная система имеет возможность получать все больше данных о его предпочтениях как явно (анкетирование, обработка пользовательских запросов), так и неявно (например, анализируя статистику посещения различных разделов). На базе этой информации можно строить эвристические классификации пользователей и предположения о "следующих шагах" пользователя, соответствующим образом подстраивать средства навигации, формировать образовательные сценарии (например, в зависимости от уровня подготовки пользователя или времени, которым он располагает).
В представленной системе можно выделить три типа агентов: агент пользователя, агент преподавателя, агенты знаний (лекций, контрольных вопросов, лабораторных работ и т.п.). Любое нажатие пользователя на элемент управления активизирует серию переговоров между агентами. На первом этапе переговоры осуществляются между агентами знаний и агентом пользователя, выявляя таким образом на этом шаге элементы знаний нашей системы, которые необходимы в данный момент пользователю.
После того как из огромного списка знаний, содержащихся в системе, отобрано некоторое необходимое для пользователя количество, начинается второй этап переговоров между агентом преподавателя и агентом пользователя. На этом шаге агент преподавателя из отобранных на первом этапе лекций, контрольных вопросов, лабораторных работ и т.п. формирует оптимальный маршрут обучения для
конкретного пользователя, на основе его уровня подготовки, заданной цели, и т.д. Агент преподавателя также формирует и рекомендации для пользователя, воспользовавшись которыми, можно изменить маршрут обучения и направить его по другому пути.
Таким образом, на ход проведения обучения влияют множество факторов (критериев). Важнейшим инструментом решения многокритериальных задач является принцип Эджворта-Парето (принцип Парето).
Прежде всего, должен быть задан набор решений, из которого следует осуществлять выбор. Этот набор решений будем называть множеством возможных решений.
Собственно выбор (или принятие) решений состоит в указании среди всех возможных такого решения, которое объявляется выбранным (наилучшим, или оптимальным), хотя в некоторых случаях происходит выбор не одного, а целого набора решений, являющегося определенным подмножеством множества возможных решений.
Процесс выбора невозможен без наличия того, кто осуществляет этот выбор, преследуя свои собственные цели. Человека (или целый коллектив, подчиненный достижению определенной цели), который производит выбор и несет полную ответственность по его последствия, называют лицом, принимающим решение (ЛПР). Роль ЛПР играет агент пользователя.
Постановка всякой задачи многокритериального выбора включает три объекта - множество возможных решений, векторный критерий и отношение предпочтения ЛПР. Решить эту задачу - означает на основе векторного критерия и имеющихся сведений об отношении предпочтения ЛПР найти множество выбираемых решений, которое может состоять из одного элемента, но в общем случае, оно является подмножеством множества возможных решений.
В рамках рассматриваемой модели многокритериального выбора принцип Эджворта-Парето может быть сформулирован в виде утверждения о том, что множество выбираемых решений содержится в множестве Парето. Иначе говоря, каждое выбираемое решение является парето-оптимальным. Математический эквивалент этому высказыванию -включение одного множества в другое. Для того чтобы доказать это включение, следует определенным образом ограничить весь класс задач многокритериального выбора, наложив специальные требования на указанные выше три объекта. Эти требования относятся главным образом к отношению предпочтения ЛПР и могут быть интерпретированы как «рациональное» (или «разумное», «последовательное») поведение в процессе выбора. Кроме того, среди этих требований имеется условие согласованности отношения предпочтения ЛПР и векторного критерия, поскольку каждый из этих двух объектов выражает определенные устремления (цели) одного и того же ЛПР, и потому они обязаны быть каким-то образом связаны друг с другом.
Применение принципа Эджворта-Парето по-
зволяет из множества всех возможных исключить заведомо неприемлемые решения, т.е. те, которые никогда не могут оказаться выбранными, если выбор осуществляется достаточно «разумно». После такого исключения остается множество, которое называют множеством Парето или областью компромиссов. Т.о. область поиска выбираемых решений станет более узкой и, тем самым, задача выбора упростится и при этом не будет потеряно ни одно выбираемое (потенциально-оптимальное) решение.
При решении реальных задач принятия решений, когда в наличии имеется целое семейство различного рода сообщений об относительной важности критериев, может оказаться так, что векторы, участвующие в задании набора информации, образуют противоречивый набор. Это связано с тем, что информация об относительной важности, как правило, не точна и чаще всего отражает лишь желательную, а не действительную картину предпочтений ЛПР. Кроме того, ЛПР, само того не желая, иногда может несколько отклоняться от класса задач многокритериального выбора и в таком случае его поведение следует подкорректировать, объявив о противоречивости его предпочтений, выраженных в форме набора информации об относительной важности критериев.
Информация об относительной важности критериев полна в том смысле, что только на ее основе для любой задачи определенного достаточно широкого класса можно с любой степенью точности определить неизвестное множество недоминируемых векторов (недоминируемых решений). Если же число возможных векторов конечно, то множество недоминируемых векторов может быть построено точно и полностью. Таким образом, научившись выявлять информацию об относительной важности из ЛПР, можно успешно находить множество недоминируемых решений и векторов, не привлекая информации никакого другого типа.
Воронежский государственный университет
Применение концепции интеллектуальных агентов для разработки обучающей системы позволит упростить и качественно улучшить процесс получения обучаемым знаний и информации, даст возможность персональному агенту пользователя решать автономно задачи, поставленные перед ним, приобретать и систематизировать знания, что позволит вывести подобные системы на качественно другой уровень, сделав агентов незаменимыми помощниками в процессе обучения.
Литература
1. Пшеничных А.А. Автоматизированный обучающий курс по программированию на языке Ра8са1 / А.А. Пшеничных // Молодые ученые - производству: Сборник трудов региональной научно-практической конференции. - Старый Оскол: СТИ МИСиС, 2006, 244с. С.202
2. Поцюс А.В. Программное и учетнометодическое обеспечение автоматизации обучения программированию / А.В. Поцюс, А.А. Пшеничных, А.Н. Черкасов, Г.А. Чопоров // XV международная студенческая школа-семинар «Новые информационные технологии», май 2007г. - Москва, 2007, С.332
3. Синтяева К.А. Программное обеспечение автоматизированного обучающего курса по программированию “АОС Ра8са1”/ К.А. Синтяева, С.В. Сидоренко, А.А. Пшеничных, Ю.Н. Синтяев, Д.М. Прохоров, А.Н. Черкасов, Г.А. Чопоров, А.В. Поцюс // Черноземный альманах научных исследований №1(2), июнь 2006г. - Воронеж, 2006, 164с. С.114
4. Пшеничных А.А. Автоматизированная обучающая система по алгоритмизации программированию / А.А. Пшеничных // Профессионализм и качество жизни: Материалы межвузовской научно-практической конференции / Под ред. Л.А. Бачуриной. Воронеж: ВОИПКРО, 2008. -68с. С. 37
5. Ногин В.Д. Принятие решений в многокритериальной среде: количественный подход /В. Д. Ногин. - М.: ФИЗМАТЛИТ, 2002. - 144 с.
MULTIAGENT SYSTEMS IN ORGANIZATION OF THE EDUCATIONAL PROCESS AND DECISION MAKING ON BASE OF RELATIVE IMPORTANCE
OF CRITERION IN THEM
A.A. Pshenichnykh
The article is dedicated to agent-oriented approach to development of the remote educational system and process of decision making in multicriterion problems of selection. The system could be used as training and checking facility
Key words: agent, multicriterion problem, Edgeworth-Pareto principle
Пшеничных Алексей Анатольевич
Россия, 394068, г. Воронеж, ул. Шишкова, д. 105, кв. 130. Тел. 8 (904) 210-72-25 E-mail: alex-dv@mail.ru
