Оценка состояния сложных объектов на основе агентного подхода Текст научной статьи по специальности «Компьютерные и информационные науки»

оценка состояния сложных объектов

на основе агентного подхода

И.С. Якимов

ФГБОУ ВПО «Сибирский государственный технологический университет», 660049, Красноярск, пр. Мира, 82, e-mail: yakimov.temp@gmail.com

В данной работе предлагается метод оценки сложных объектов с помощью дерева агентов. Приводится описание дерева агентов и способа его организации. Даётся анализ опыта применения предлагаемого метода на практике.

Ключевые слова: агентный подход, деревья, рациональный агент, пространственный клиент.

Agent-tree method for complex objects state evaluation is suggested, agent tree and the process of its organizing is described. Practical experience of this method implementation is shown.

Key words: multi-agent systems, trees, rational agent, spatial agent.

Одной из отличительных характеристик сложных объектов является наличие большого количества независимых входных и выходных параметров, характеризующих состояние системы неоднозначным образом. Построение адекватной модели при большом количестве входных переменных требует большого объема базы знаний, количество продукционных правил в которой экспоненциально возрастает с увеличением входов модели, что зачастую затрудняет ее практическое использование.

В работе предлагается выполнять комплексную оценку состояния объекта на основе оценок состояния его частей. С этой целью сложный объект экспертно представляется в виде декомпозиции N отдельных составляющих более низкого уровня. При этом выполняется оценка V . состояния в каждой из этих составляющих по отдельности, г= 1, 2, ..., N. Оценка V. выполняется в шкале, которая в предметной области сложного объекта (его составляющей) на настоящий момент считается общепринятой или предпочтительной. Например, для оценки квалификации педагога используется 3-х бальная шкала в соответствии с принятым в настоящее время категориальным делением педагогов (1 — не соответствует квалификации педагога, 2 — соответствует квалификации педагога, 3 — соответствует квалификации педагога высшей категории). Если нет возможности выполнить критериальную оценку V . из-за сложности г-й составляющей объекта, для этой составляющей процесс декомпозиции следует продолжить, рассматривая ее в качестве отдельного сложного объекта. Разбиение отдельных частей продолжается до тех пор, пока не будут получены отдельные составляющие объекта, допускающие просто осуществимую критериальную оценку. Интегральная оценка компетентности специалиста или ее составляющей выполняется как средневзвешенная сумма полученных ранее оценок.

Данный подход обладает рядом серьезных недостатков, ограничивающих его практическое применение. В первую очередь это большое количество компонентов в составе объекта, которое следует оценить экспертно в каждом конкретном случае. Требуется кропотливая и дорогостоящая работа эксперта. В настоящей работе предлагается реализация рассмотренного выше способа оценки состояния объекта на основе агентного подхода, что позволит оптимизировать затраты на работу экспертов.

Агент — это программная сущность, наблюдающая за окружающей средой и действующая в ней для достижения определённого результата. В общем случае простая агентная программа может быть математически описана как агентская функция /, которая проецирует любой подходящий результат восприятия р на действие А , которое агент может выполнить, или в коэффициент, элемент обратной связи, функцию или константу, которые могут повлиять на дальнейшие действия:

/: Р* ^ А .

Пусть имеется некоторая среда О, характеризуемая множеством показателей или участков, которые мы привязываем к вершинам дерева, имеющего П уровней. Вершины представляют из себя агентов разного типа в зависимости от их места в дереве и обозначаются С. , где г — номер уровня, г = 1,...,п ,

г 1 —Л

1 — номер агента на г -м уровне: 1 = 1,.,Пг, Пг — число агентов на г -м уровне. Всё множество агентов обозначим

П

Б = и Б,

г=1 ,

где Бг — множество агентов г -го уровня. При этом общее число агентов

Z n = N.

г=1

На каждом г -м уровне агенты могут быть двух видов, образуя множества Бк и Б В,

Б = Бгй и БВ, г = 1,.,п .

Элементы множества

о к = Ск Ск Ск }

Бг = С г,1, С1,2 ,.", С ¡,щ /

представляют собой агенты-листы, т. е. не имеющие подчинённых агентов на предыдущем / — 1 уровне.

Множество

БВ = С, с,в ,..., св. }

состоит из рациональных агентов: для каждого агента г -го уровня СБ. е ББ, . = 1, —, qi определено множество подчинённых ему агентов на г — 1

уровне

& CBJ )=fc j ^ S,!.

при этом

и sp (сВ )=SlA.

Этот факт будем обозначать так:

С5 О Б^

Каждый рациональный агент может иметь в подчинении несколько агентов обоих типов. Все агенты

г -го уровня (г < П) являются подчинёнными. Отметим, что на первом уровне все агенты являются

листами, т. е. Б1 = Б1Я , Б^ = 0 , а на П -м уровне имеется только один старший агент сети Сп г, обра-

оБ

зующий множество Бп .

Каждому агенту, относящемуся к множеству

. подчинённых агента СБ., приписан вес кр

" р i, 1 г—1

0 < к,. < 1, причём

г 11

p -1, j:

Z j = 1

то есть сумма весов всех подчинённых агента С, . равна единице. Каждый агент Сг . с Б, г = 1, —, п,

. = 1, —, пг формирует оценку ¥г., являющуюся основой для анализа вышестоящего агента. Оценка производится решателем агента в соответствии с его алгоритмом. В итоге получается общая оценка объекта.

В описанном дереве используется два типа агентов — рациональные агенты (РА) и пространственные клиенты (агенты-листы), оба относящиеся к классу временных.

Рациональный агент — это агент, действующий оптимальным для достижения наилучшего ожидаемого результата образом.

Архитектура данного агента соответствует общему виду обучающегося агента: _

Performance AGENT Standard

Learning element

earning goals

changes,.

knowledge

Performance element

Problem Generator

percepts

ENVIRONMENT

Рисунок 1 - Рациональный агент

Все РА функционируют в стохастической среде, во многих случаях из-за невозможности учесть все оказываемые на неё воздействия. Её состояния мо-

гут быть предсказуемы с некоторой долей вероятности, но в общем случае не определяются предшествующими. Технически РА будет рассматривать её последовательно в виде «панорамы», склеенной из снимков, сделанными подчинёнными агентами. Но данный процесс можно считать непрерывным из-за постоянных изменений в различных частях панорамы. Таким образом, наблюдение за средой на уровне РА представляет собой постоянное получение информации от подчинённых агентов и составление из этого полной картины.

Такая организация позволит максимально упростить подчинённые агенты, от которых требуется лишь периодически делать снимки собственного участка среды. В качестве примера можно привести работу любого координационного центра. Получая информацию о среде, РА в случае необходимости оказывает на неё управляющее (корректирующее) воздействие. Для этого агент выстраивает цепочку рекомендаций по изменению среды в зависимости от важности рекомендаций и желаемого результата. Очевидно, что последствия искусственного вмешательства должны быть хоть сколько-нибудь предсказуемы, что представляет собой отдельную проблему из области обучения агента. Функционирование хорошо обученного РА в среде не позволяет далее считать её строго стохастической.

Рассматриваемая нами среда является непрерывной по времени и изменению состояния. Однако подчинённые агенты будут анализировать её частичные дискретные снимки, и в итоге вся информация должна стекаться к старшему агенту. Такая организация работы агентов позволит подчинённым агентам рассматривать среду в дискретном времени. Так РА не придётся сканировать её полностью, лишь внося в общую панораму новые отдельные снимки. Строго говоря, такой РА будет работать тоже в дискретном времени, но при некоторой достаточной частоте получения результатов работы подчинённых агентов можно считать, что он функционирует в непрерывном времени. РА воспринимает среду по её состоянию в общем случае также непрерывно, делая прогнозы её развития (с учётом собственных вмешательств, если они есть). Однако в зависимости от способов оценки параметров среды агентами-листами и от выбранной шкалы среда может обладать большим, но всё же конечным набором возможных состояний и рассматриваться в этом смысле дискретно.

Таким образом, дерево агентов может преобразовывать стохастичную среду в полудетерменирован-ную или, в идеале, полностью управляемую, а так же позволит рассматривать непрерывную по времени и состоянию среду дискретно. Данное решение, однако, одновременно с преимуществами порождает те же проблемы, что возникают при преобразовании аналоговых сигналов в цифровые — погрешности и искажения.

Исходными данными для решателя РА являются полученные от подчинённых агентов оценки их фрагментов среды. В результате решатель генериру-

ет оценку V.., представляющую собой лингвистическую переменную

К,,т (Т,, I х, Ъ м ),

где I — номер уровня в дереве агентов, , — номер агента на / -м уровне, к — имя переменной,

T foj )

I, J

V

,J) — множество значении переменной у I, j , при этом каждое значение является нечёткой переменной VR ■ на множестве X, полученной в результате работы подчинённого агента; G — синтаксическое

правило для образования новых имён значений V,j , M — семантическое правило принадлежности элементов множества значений T\VI j ) подмножеству A, которое может быть задано таблично, графически или аналитически.

В общем случае агентская функция будет иметь следующий вид:

/i,J : Sm,J ^ V,J .

В качестве листа дерева агентов будем использовать пространственный клиент с простым поведением, проецирующий результаты наблюдения на константу, представляющей оценку элементарного параметра плохо структурированной сложной системы. Агент действует только на основе текущих знаний по простой схеме условие—действие: IF (условие) THEN (действие)._

Агент

( Правила I (если—то) Г*"

№ -а слеги и ре

Решатель

Интерфейс

Рисунок 2 - Агент-лист

Агент-лист взаимодействует с частично обозреваемой стохастической средой. Кроме этого, в отличие от агента-узла, лист рассматривает среду дискретно, эпизодически, проводя измерение элементарного параметра и производя соответствующее действие независимо от прошлых измерений и действий. В виду такого характера измерений, агент может рассматривать доступную его восприятию часть среды как статичную. Также с точки зрения листа конкретного дерева агентов среда является одноагентной — для измерения одного элементарного параметра системы достаточно одного простого агента. Если это не так, то данный параметр нельзя считать элементарным и требуется его декомпозиция.

При оценке своего участка среды решатель агента-листа генерирует оценку V: , представляющую собой нечёткую логическую переменную, определя-

ющую степень принадлежности параметра к той или

иной оценке V: :

', 1

(к:,. х, а, },

где — номер уровня в дереве агентов, 1 — номер агента на I -м уровне, ук — название нечёткой переменной, X — универсальное множество, на котором заданы значения переменной VlRJ■,

А,, = Кx, ти,(х))х е Хи, } — нечёткое подмножество универсального множества X. Для каждого элемента множества X определена функция т{, (х), задающая степень принадлежности этого элемента к множеству ,. Данное множество может быть задано различными способами — таблично, графически, аналитически — с помощью измерений оцениваемого параметра непосредственно или экспертно.

Описанное выше дерево агентов было опробовано в качестве ядра информационной системы «Мониторинг профессиональной компетентности и культуры работников образования». Система предназначена для комплексной оценки квалификации педагогических кадров, рассматриваемых в качестве сложных социальных объектов.

Данная система в настоящий момент доведена до промышленной версии и успешно эксплуатируется в различных образовательных (в том числе высших) и воспитательных учреждениях Красноярска и ряда других городов Красноярского края. На базе гимназии № 2 было проведено исследование эффективности использования (с 2008 г.) информационной системы мониторинга. В проведении эксперимента в 2008 году участвовал 61 педагог, в 2010 году — 50. Исследовалась тенденция профессионального роста.

В результате системой были сгенерированы сводные отчёты. Расчеты показали наличие стабильных результатов по двум блокам параметров — профессиональному и результативному. По всем остальным блокам наблюдается общее снижение значений показателей. Эксперты считают, что это обусловлено возрастанием доверия педагогов к системе, ознакомлением с нестандартной терминологией методики и появлением у них неформального желания получить информацию не для комиссии, а для себя, для формирования адекватных самообразовательных задач. Данное предположение подтверждается тем, что при включении в выборочную совокупность результатов диагностики всех педагогов — и выбывших, и недавно устроившихся на работу и не проходивших диагностику в 2008 году — результаты несколько сглаживаются, но сохраняют ту же тенденцию: наблюдается рост по двум блокам (профессиональному и результативному), сохранение тенденции по показателям блока педагогической техники и снижение тенденции по всем остальным критериям.

Также были проанализированы показатели результатов аттестации педагогических работников за

2007—2010 гг. В 2009—2010 гг. наблюдается резкий скачок количества педагогов, успешно прошедших аттестацию (особенно на высшую квалификационную категорию), менее заметный на примере детских садов. На наш взгляд, это обусловлено, прежде всего, желанием педагогов пройти аттестацию по уже знакомым, старым стандартам, с 2011 года заменяемым на новые. В гимназии № 2 заметно увеличение количества педагогических работников, успешно прошедших аттестацию на высшую категорию со второй половины 2008 года, через четыре месяца после внедрения информационной системы. Аналогичная ситуация наблюдается и в образовательных учреждениях Советского района, где система функционирует с 2006 года.

При эксплуатации информационной системы в образовательных учреждениях Советского района было отмечено повышение эффективности работы по подготовке документов, необходимых для прохождения аттестации. До использования информационной системы основные формулировки возврата были следующие: большое количество ошибок в оформлении, абстрактность содержания, за сухими цифрами количественных показателей не видно личности педагога и тенденции его развития. Количество возвратов документов аттестационными

комиссиями, до внедрения составлявшее 30—50 %, сократилось до нуля.

Таким образом, предложенное решение оценки состояния сложных объектов на основе дерева агентов показало положительный практический результат в области оценки квалификации кадров. Необходимо проведение дальнейших исследований, призванных показать работоспособность описанного способа организации работы агентов в других отраслях.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Якимов И. С., Якимов С. П. Система поддержки принятия решений в организации профессионального самообразования педагога. — «Известия ОрелГТУ. Информационные системы и технологии», журнал. — Орёл, № 5/55(568) сентябрь-октябрь 2009. — С. 87-94. Якимов И. С. Оценка параметров информационной модели системы поддержки принятия решений «Мониторинг компетентности и культуры работников образования». — «Учёные записки РГСУ», журнал. — Москва, РГСУ, 2010.

Якимов И. С. Мониторинг профессиональной компетентности и культуры работников образования. — «Педагогические измерения», журнал. - Москва, 2010 г. Studer R., Benjamins R., Fensel D. Knowledge Engineering: Principles and methods/ Data snd knowledge engineering. 25 (1998). pp. 161—197.

Поступила в редакцию 01 ноября 2012 г Принято к печати 07 декабря 2012 г.