CC BY
66
РЕАЛИЗАЦИЯ ПРОЕКТА TEMPUS TACIS «SYSTEM MODERNIZATION OF UNIVERSITY MANAGEMENT»
В ТАМБОВСКОМ ГОСУДАРСТВЕННОМ УНИВЕРСИТЕТЕ ИМ. Г.Р. ДЕРЖАВИНА1
© А.А. Арзамасцев, Ю.А. Зусман, Н.А. Зенкова, Д.В. Слетков, Н.О. Шкута,
О.В. Крючин, С.С. Банников, А.Н. Королев, Л.С. Шкатова, Т.Б. Шохина
Тамбовский государственный университет им. Г.Р. Державина (Тамбов, Россия)
E-mail: [email protected]
Введение. Название нашего проекта по-русски звучит как «Системная модернизация управления университетом». Это означает, что в ходе его реализации мы попытались отыскать особенности, которые присущи такой подвижной, динамично развивающейся, такой «живой» системе, каковой является университет, постарались понять, какие компоненты университетского менеджмента являются в данный момент наиболее важными и, наконец, нашли точки приложения информационных технологий на широком поле возможных управленческих решений разных уровней, которые в свое время были разработаны и предложены министерствами, федеральными агентствами, академиями, продиктованы различными инновационными программами, разрабатывались институтами, внедрялись отдельными людьми и различными уважаемыми организациями.
Отыскав особенности, присущие данной системе, мы попытались также реализовать и осуществить апробацию собственных разработок, которые, по нашему мнению, должны способствовать улучшению качества управления.
В ходе выполнения проекта мы старались разработать принципы, программное обеспечение и другие реализации таким образом, чтобы они оперативно могли бы быть изменены и без существенных переделок внедрены как в различных институтах и академиях нашего вуза, так и других университетах России и за рубежом.
Очевидно, что такую большую и сложную проблему, каковой является университетский менеджмент, невозможно решить полностью в двухлетний период или в рамках одного проекта. Мы надеемся, что эта работа будет продолжена в ИМФИ и ТГУ им. Г.Р. Державина и в дальнейшем, а читатели этой статьи оценят наш скромный вклад в решение данной задачи.
Часть 1. Краткая характеристика объекта управления.
Уровни университетского управления, их цели и задачи
Анализ современной литературы по проблемам университетского менеджмента, например, [1-3] (здесь и далее см. список цитированной литературы), а также книг под редакцией ректора и членов ректората Тамбовского государственного университета имени Г.Р. Державина, обобщающих опыт огромной созидательной работы [4-6, 9], позволяет сделать вывод о существенной сложности университета как объекта управления.
Суммируя эти и другие источники, можно констатировать, что университет представляет собой большую и сложную систему, основные трудности управления которой связаны:
1 Данный доклад является отчетом по проекту TEMPUS TACIS “System Modernization of University Management” (SMOOTH), UM_JEP-24217.
- с ее стратифицированным характером, возникающим из-за сложной иерархии входящих в нее подсистем;
- пространственно распределенным характером, как самого объекта, так и точек принятия управленческих решений;
- существенными временными запаздываниями в каналах передачи информации и при прохождении управленческих решений;
- нестационарным характером как самого «университетского социума», так и всей системы интеллектуальных ценностей;
- быстрой сменой ориентиров и целей (особенно в новых отраслях знаний);
- значительной разнородностью как самого «университетского социума», так и его способов мышления, системы ценностей, коммуникативных особенностей и т.д.
Более того, сам «университетский социум» - студенты, преподаватели, научные сотрудники, аспиранты со своими проблемами, устремлениями, надеждами являются наиболее существенной частью такого объекта. Поэтому управление университетом в значительной степени представляет собой управление социально-психологической системой, методы прогнозирования, моделирования и т.д. которыми в настоящее время только разрабатываются.
Известно, например, что в жизни практически каждого человека бывают моменты, когда он должен принимать трудные решения, от которых в значительной степени зависит вся его дальнейшая жизнь. Такие особые точки в точных науках называют точками бифуркации - в них при малых перемещениях объекта происходит обретение им новых свойств. Исследование траекторий движения объекта вблизи этих точек и прогнозирование изменений его свойств сильно затруднены, ввиду значительной неопределенности и вероятностного характера таких изменений.
Именно такими точками в жизни каждого человека является выбор специальности в момент поступления в вуз и профессии по его окончанию. Принятие решения в эти периоды молодым человеком осложнено недостаточностью, а в определенной степени и недостоверностью информации о возможностях выбора, отсутствием надежных подсказчиков, трудностью оценки собственных сил и способностей.
Отмечено [1], что «переживаемый современной Россией переходный период с его системным и структурным кризисами, сопровождающими формирование открытого демократического общества и полноценной рыночной экономики, требует от исследователей выработки особых теоретических принципов и рефлексивных методик анализа экзистенциальных ситуаций «неопределенности», которые как раз и характерны для переходных и кризисных состояний общества (из «точек неопределенности» могут быть проложены принципиально разные траектории общественного развития)». При этом современное состояние общества характеризуется значительными темпами социальных, экономических, демографических и других изменений.
По этой причине управление университетом является не только чисто кибернетической проблемой, как, например, в технических системах, не определяется лишь наличием техники и соответствующих технологий, например, компьютерных сетей, программ для обмена информацией, баз данных и т.д., а представляет собой существенную социально-психологическую проблему, тесно связанную с изучением профессиональных и личностных предпочтений людей -абитуриентов, студентов, преподавателей.
Именно решение такой задачи может позволить более эффективно управлять интеллектуальными и трудовыми ресурсами, в большей степени использовать творческий и профессиональный потенциалы молодежи, что в итоге должно привести нашу страну к гармонии и процветанию.
1.1. Уровни университетского управления
Как и в любой другой иерархической системе, в структуре управления современным вузом можно выделить несколько уровней: надуниверситетский, собственно университетский и уро-
вень структурных подразделений: факультетов, институтов и т.д. Необходимо отметить, что такая декомпозиция не является искусственной, а в значительной степени продиктована существующими традициями русского классического образования, законодательными актами и правовыми нормами, принятыми в данной области.
Основные задачи управления надуниверситетского уровня:
- выработка стратегических планов развития высшего образования в России;
- координация деятельности российского и международного образовательного пространств при их взаимной интеграции;
- координация деятельности отдельных вузов для реализации планов стратегического развития высшего образования в России.
Задачами университетского уровня являются:
- реализация стратегических планов развития высшего образования в России на уровне региона;
- анализ потребности и заинтересованности регионального социума в различных направлениях повышения квалификации, определение профессиональной предрасположенности и мобильное изменение спектра специальностей высшего профессионального образования;
- анализ потребности региона в специалистах и коррекция спектра специальностей и числа бюджетных мест в региональных вузах;
- координация совместных управленческих решений с другими высшими учебными заведениями региона;
- прогнозирование и анализ изменений рынка труда через 5-6 лет и упреждающее изменение номенклатуры специальностей и учебных программ;
- оптимизация планирования учебного процесса и выработка перспективной региональной молодежной политики, включающей в себя комплекс разъяснительных и воспитательных мероприятий, трудоустройство, проблемы молодых семей и т.д.
На уровне структурных подразделений управление университетом должно обеспечивать решение следующих задач:
- обеспечение документооборота внутри структурного подразделения и между структурными подразделениями;
- хранение, накопление и обновление первичной информации, принятие на ее основе локальных управленческих решений;
- удобное формирование отчетной информации;
- обеспечение информационного обмена между администрацией структурного подразделения, преподавателями, студентами, учебным процессом и научной деятельностью.
1.2. Что предшествовало получению гранта и выполнению проекта ТЕМПУС ТАСИС?
В течение ряда лет (с 1999 года) кафедра компьютерного и математического моделирования (КММ) занимается моделированием различных социальных систем. Это направление является одним из четырех научных направлений КММ [7-8]. Сотрудниками кафедры в этом направлении уже защищены четыре диссертации - три кандидатских и одна докторская [10-13]. Среди научных проблем, затронутых в них, можно назвать следующие:
- впервые предложено использование математического аппарата искусственных нейронных сетей для идентификации структуры и содержания трудноформализуемых понятий; для идентификации различных свойств личности; указанные исследования выполнены в кандидатской диссертации Зенковой Н.А. [11];
- исследованы личностные предпочтения школьников старших классов и построена математическая модель личности потенциальных абитуриентов университета; исследования выполнены в кандидатской диссертации Безрученко И.Е. [12];
- предложено использовать математико-логический аппарат клеточных автоматов и объектно-ориентированное моделирование (Agent Based Approach) для моделирования поведения
социальной системы и исследования ее морфологических особенностей - исследования Слет-кова Д.В.;
- предложено использовать методы Монте-Карло для проектирования временных характеристик процессов обучения в гетерогенной социальной (университетской) системе; исследования выполнены в кандидатской диссертации Китаевской Т.Ю. [10]. В конце 2005 года Китаев-ская Т.Ю. защитила докторскую диссертацию по сходной проблеме [13].
Кроме того, нами исследовались личностные характеристики и профессиональные предпочтения школьников старших классов г. Тамбова (потенциальные абитуриенты ТГУ им. Г.Р. Державина) и студентов нашего университета [14, 15].
Таким образом, в плане моделирования социальных систем мы апробировали все существующие технологии, описанные в известной монографии координатора нашего проекта - профессора К. Троича в соавторстве с Н. Гильбертом [16].
1.3. Какие задачи предстояло решить?
Задачи, решение которых мы наметили себе в рамках выполнения проекта:
- разработка экспертной системы для определения профессиональной предрасположенности абитуриентов; решение этой проблемы позволяет заблаговременно анализировать спектр востребованных специальностей и, таким образом, принимать управленческие решения, связанные с набором в университет; необходимо отметить, что решение указанной проблемы имело для нас кроме практического еще и научный интерес;
- разработка распределенной информационной системы для управления институтом (структурным подразделением университета); данная задача должна быть решена таким образом, чтобы была возможность ее копирования в различных институтах и академиях ТГУ без существенных переделок.
Часть 2. Экспертная система определения профессиональной предрасположенности абитуриентов
Как это уже было показано в части 1, одной из основных задач университетского менеджмента является планирование набора специальностей. Эта задача может быть успешно решена, если в распоряжении менеджера имеется экспертная система, позволяющая еще до момента подачи заявлений в вуз оценить число абитуриентов, претендующих на поступление на те или иные специальности.
Ранее нами были предложены основные принципы разработки экспертных систем, базируемых на тестировании репрезентативных групп и использующие нейросетевые компьютерные технологии процессирования результатов тестирований [17].
В предлагаемом нами варианте такая экспертная система включает в себя симулятор, построенный на основе искусственной нейронной сети с изменяющейся структурой, на основе которого формируется компьютерная модель обработки данных и тестирующей оболочки, позволяющей осуществлять сбор данных у респондента. Нейронная сеть может быть обучена на основе имеющихся эмпирических данных, собранных до момента ее использования (например, на основе данных [14 или 15].
Ядром такой системы является нейросетевой симулятор, основные принципы построения которого описаны далее.
Известно, что возможности искусственных нейронных сетей (ИНС) при моделировании объектов различной природы зависят от их структуры, под которой обычно понимают число скрытых слоев, число нейронов в этих слоях, имеющуюся систему связей между нейронами и их активационные функции. Правильный выбор указанных параметров в значительной степени позволяет достигать адекватности ИНС-модели реальному объекту.
В настоящее время не существует общего алгоритма определения структуры ИНС, подходящей для каждой рассматриваемой проблемы. Часто такую структуру выбирают методом
«проб и ошибок», который зачастую отнимает у исследователя много времени. В некоторых программных ИНС-оболочках предусмотрена визуализация построения структуры сети.
Целью данного раздела является разработка многофункционально-го программного комплекса для компьютерного моделирования на основе искусственной нейронной сети с самоорганизацией структуры.
Алгоритм самоорганизации структуры сети. Алгоритм базируется на двух эмпирических феноменах ее обучения, которые обычно наблюдаются при изменении числа нейронов в скрытом слое и количества скрытых слоев (см. рис. 2.1 а,Ь).
На рис. 2.1 а) показано, как изменяется ошибка обучения сети при изменении числа нейронов в скрытом слое. Видно, что вначале, при добавлении новых нейронов, ошибка убывает. Однако, начиная с некоторого числа нейронов, она стабилизируется так, что дальнейшее увеличение их количества не приводит к снижению ошибки обучения. По всей видимости, речь здесь может идти о непреодолимой погрешности, которую можно связать с несоответствием структуры ИНС-модели и моделируемого объекта. Можно сделать вывод, что увеличивать число нейронов в слое целесообразно лишь до тех пор, пока это приводит к уменьшению ошибки обучения (на рис. 2.1 а это число - 4 или 5).
На рис. 2.1 Ь) показано, как изменяется ошибка обучения сети при увеличении числа скрытых слоев, при условии, что выбор количества нейронов в каждом слое производится так, как это показано на рис. 2.1 а. Из этого рисунка видно, что ошибка обучения сети быстро убывает до остаточного значения Рост, которое не может быть уменьшено в дальнейшем. По нашему мнению, такое значение Рост связано с погрешностью эмпирических данных, используемых при обучении сети. Из рис. 2.1 Ь также хорошо видно, что информацию об уменьшении Рост можно использовать для выбора числа скрытых слоев. Так, ошибка обучения практически не меняется при использовании 3-х или 4-х скрытых слоев в ИНС (рис. 2.1 Ь).
Рис. 2.1. Методика выбора числа нейронов в скрытом слое - а) и количества скрытых слоев - Ь)
Рассмотренная феноменология обучения ИНС использована нами для конструирования эффективного алгоритма самоорганизации структуры. Суть алгоритма заключается в постепенном наращивании числа нейронов в каждом слое и числа скрытых слоев до тех пор, пока ошибка обучения сети Рост не перестанет уменьшаться (рис. 2.1 а,Ь). Блок-схема такого алгоритма показана на рис. 2.2.
В блоке 1 задают число входов ИНС - п (определяется постановкой задачи и зависит от числа факторов, оказывающих влияние на моделируемый объект), число выходов ИНС - к (определяется как число факторов, являющихся результатом моделирования и интересующих пользователя системы); начальное число слоев - 8 принимается равным нулю.
В блоках 2 и 3 задаются начальные условия: начальная лучшая невязка для нейрона (Вє8іЕггог) - максимальное число используемого типа; начальная лучшая невязка для слоя
(LayerBestError) - максимальное число используемого типа; начальная лучшая невязка для всей сети (NetBestError). В процессе конструирования сети данные невязки будут изменяться и достигать своего минимального значения.
Также пользователем задается величина delta - несущественное изменение невязки. Если разница между двумя невязками (полученной в настоящий момент времени и предыдущей) становится меньше величины delta, то построение слоя (в случае несущественного изменения BestError) или построение всей сети (в случае несущественного изменения LayerBestError) будет прекращено.
В блоке 4 задается первоначальное число нейронов в каждом из предполагаемых слоев ИНС равным нулю.
В блоке 5 при переходе к построению нового слоя нейронов невязка сети получает то значение, которое получилось в конце построения предыдущего нейронного слоя.
В блоке 6 в начале построения нового нейронного слоя счетчик слоев в сети - S увеличивается на единицу.
В блоке 7 при подборе нового нейрона в текущем слое счетчик нейронов в этом слое - i увеличивается на единицу.
В блоке 8 при подборе нового нейрона в текущем слое невязка данного слоя получает то значение, которое получилось в результате подбора предыдущего нейрона в слое.
В блоке 9 при подборе активационной функции каждого нового нейрона в текущем слое осуществляется перебор всех уже имеющихся в наличии слоев ИНС.
В блоке 10 осуществляется перебор всех нейронов в каждом из уже построенных слоев ИНС.
В блоке 11 осуществляется перебор всех имеющихся в распоряжении пользователя активационных функций нейронов. Таким образом, имеется возможность не просто подобрать активационную функцию только для одного (рассматриваемого в данный момент времени) нейрона при закрепленных активационных функциях остальных нейронов в сети, а произвести перебор всех имеющихся нейронов и, если это приведет к уменьшению значения невязки, поменять активационные функции некоторых из них.
В блоке 12 производится обучение сети по определенному алгоритму (один из методов определения минимума функции многих переменных) и находится значение лучшей текущей невязки - ej.
Блок 13. Если произошло уменьшение лучшей текущей невязки - ej по сравнению с лучшей невязкой для подбираемого в данный момент времени нейрона - BestError, то управление передается к блоку 14, в противном случае осуществляется переход к новой активационной функции нейрона (блок 11).
В блоке 14 номер активационной функции, при которой произошло уменьшение ej, записывается в массив FBest в строку с номером S (этот номер соответствует номеру слоя) и в столбец с номером i (этот номер соответствует номеру нейрона, активационная функция которого подбирается в данный момент времени).
В блоке 15 значение невязки ej записывается в переменную BestError - теперь это значение будет лучшим для подбираемого нейрона.
В блоке 16 осуществляется запись текущих значений коэффициентов синаптических связей.
Блок 17. Если произошло существенное уменьшение (на величину, большую, чем delta) величины лучшей невязки последнего нейрона (BestError) относительно лучшей невязки для последнего построенного слоя (LayerBestError), то можно добавить в текущий слой еще хотя бы один нейрон (см. блоки 18 и 19). В противном случае (если существенного уменьшения невязки не произошло), то добавление нового нейрона в текущий слой, вероятнее всего, не приведет к дальнейшему существенному уменьшению лучшей невязки, т.е. необходимо перейти к блоку 20.
В блоке 18 осуществляется запись количества нейронов на последнем построенном слое.
В блоке 19 производится восстановление начальных коэффициентов синаптических связей и осуществляется переход к блоку 7.
Рис 2.2. Блок-схема алгоритма самоорганизации структуры искусственной нейронной сети
Блок 20. Если произошло существенное уменьшение (на величину, большую, чем delta) величины лучшей невязки последнего построенного слоя (LayerBestError) относительно лучшей невязки сети (NetBestError), то можно добавить в сеть еще хотя бы один нейронный слой: перейти к пункту 4. В противном случае (если существенного уменьшения невязки не произошло), то добавление нового слоя в сеть не приведет к дальнейшему уменьшению лучшей невязки сети, т.е. необходимо перейти к блоку 21.
Блок 21. Сеть построена.
Разработка программного обеспечения. Алгоритм, приведенный на рис. 2.2, реализован в виде программной оболочки, осуществляющей следующие основные функции:
- ввод исходных данных для обучения сети (векторы x и j) из отдельных файлов; в программе реализуется концепция «обучение с учителем»;
- обучение ИНС по методам сканирования, Монте-Карло и градиентному;
- визуализацию ошибки обучения сети по мере увеличения числа нейронов в слое и увеличения числа слоев;
- визуализацию структуры сети в виде схемы;
- запись в соответствующие файлы результатов обучения сети: ее структуры, коэффициентов передачи (синаптических связей), функций нейронов и погрешностей обучения.
При разработке программы были использованы следующие средства: в качестве IDE была выбрана среда CBuilder 6 компании Borland. Интерфейс программы был реализован с помощью библиотек Visual Component Library. Минимальные системные требования: операционная система Microsoft Windows 98/ME/2000/XP, 64 Mb оперативной памяти. Программа не требует инсталляции и может быть запущена с любого носителя.
Пользовательский интерфейс программы. Для обучения нейронной сети необходимо ввести обучающую выборку входных и выходных элементов. В управляющем наборе «количество нейронов» следует указать число элементов во входном и выходном слоях (обычно эти сведения бывают понятны из структуры моделируемого объекта), а в наборе «пути к файлам» -имена текстовых файлов, в которых заданы обучающие выборки (рис. 2.3).
^2^ Пути к Файлам Входные
| D: SArzVS cienceVA$piiants4Kruchin\D ataSinput. txt Выходные
|D:\Afz\Science\A$piiants\Kfuchin\Data\output.txt
......1 Количество нейронов------
Входные
F
Выходные
Учить
Считать
Рис. 2.3. Форма задания исходных данных для обучения искусственной нейронной сети
ибучение и просчет
После задания исходных данных пользователь может начать обучение ИНС. Для изменения настроек процесса обучения можно использовать окно, показанное на рис. 2.4.
и#
Обучение сети | Вывод результатов | Статика | Динамика |
Формирование нейронов
в слое
[ГГ
[ГГ
Создать!
Количество нейронов Метод
С статическое (* полное сканирование
С Монте-Карло
(* динамическое С градиентный
Свойства подбора весов^ Дельта
[М5
Изменение дельта
Р----------------------
Количество пересчетов
I”-
Количество погрешностей
[Тоо
Погрешность
“Функции----
П X
|7 1 /(1 + IXI)
Г х-х
Г ХА3 Г 50ПТ|Х| V 1ап (X)
гОстановка-----
(* по количеству по погрешности С по отношению погрешностей С по количеству одинаковых погрешностей
Рис. 2.4. Окно настроек процесса обучения сети с заданной структурой по эмпирическим данным
Вначале пользователь должен задать структуры сети. В случае выбора варианта «статическое» структура сети является жесткой и задается самим пользователем. Такой вариант может быть выбран, когда пользователь знает точную внутреннюю структуру моделируемого объекта. Для выбора заданной структуры следует в меню количества нейронов выбрать «статическое», а затем в меню формирования нейронов указать количество слоев (считая входной и выходной) и максимальное количество нейронов в слое (рис. 2.4). После нажатия кнопки «Создать» откроется окно с разметкой структуры сети, которую нужно заполнить нейронами. При нажатии левой кнопки мыши на пустом поле, в нем появляется нейрон, а при нажатии правой кнопки -меню, позволяющее выбрать активационную функцию нейрона. Нейроны отображаются в виде эллипсов, цвет которых зависит от активационной функции. Каждый нейрон предыдущего слоя оказывается связанным с каждым нейроном последующего слоя.
При выборе пользователем варианта «динамическое» ИНС может модифицировать структуру в процессе обучения. Здесь реализуется алгоритм самоорганизации, приведенный на рис. 2.2. Этот способ более предпочтителен в случае, когда пользователь точно не знает внутреннюю структуру моделируемого объекта. Поскольку в процессе своего обучения сеть сама модифицирует структуру связей, этот способ может быть использован для разработки компьютерных моделей объектов с неизвестной внутренней структурой (типа «черный ящик»), а также для структурной идентификации таких объектов. Учитывая, что критерием остановки процесса обучения сети является ошибка обучения, сеть будет изменять свою структуру до тех пор, пока заданная погрешность не будет достигнута. Этот процесс может занимать значительное время.
В случае выбора варианта «динамическое» следует выбрать допустимую погрешность для каждого слоя и для остановки обучения (рис. 2.5). Следует также выбрать критерий остановки обучения (при проведении определенного количества итераций, при достижении определенной погрешности, при достижении погрешности, которая в определенное число раз меньше начальной, при повторении одной и той же погрешности несколько раз). Следует также отметить, что в этом случае активационные функции для каждого нейрона подбираются программой из числа отмеченных пользователем (рис. 2.5).
Для обучения сети можно использовать различные методы математического программирования: метод простого сканирования, Монте-Карло и градиентный. Каждый из перечисленных методов имеет свои особенности, которые отражаются на времени обучения сети.
Настройки
качение сети || Вывод результатов | Статика Динамика |
Допустимые погрешности Погрешность полная |05
Погрешность ряда
[05
Количество нейронов Метод
С статическое (• полное сканирование
С Монте-Карло
(* динамическое
і градиентный
■Свойства подбора весов^ Дельта
[005
Изменение дельта
Количество пересчетов [256
Количество погрешностей
[Тоо
Погрешность
Функции-----
гх
|7 1 Л1 + IX!)
|" ХхХ
|" ХЛ3
Г ісшіхі
|“ 1ап(Х)
■Остановка (* по количеству по погрешности С по отношению погрешностей
по количеству одинаковых погрешностей
Рис. 2.5. Окно настроек процесса обучения сети с самоорганизующейся структурой
по эмпирическим данным
В зависимости от используемого метода, а также от способа формирования сети следует ввести еще несколько параметров. При выборе полного перебора следует указать, с каким шагом нужно подбирать числа из отрезка [0; 1]. При выборе метода Монте-Карло следует ввести шаг, определяющий диапазон изменения весов и число, определяющее, во сколько раз будет меняться шаг на каждой итерации. Также следует указать и количество итераций (при выборе остановки по числу итераций), число одинаковых погрешностей или погрешность (при остановке по абсолютной или относительной погрешности).
После того, как обучение сети закончено, можно считать, что ИНС-модель рассматриваемого объекта построена.
Пользователь может увидеть ее конфигурацию, выбрав меню Вид ^ Визуализация и открыв окно, в котором будут отображены весовые коэффициенты и активационные функции нейронов (рис. 2.6). После обучения сети можно также сохранить ее конфигурацию, выбрав меню Файл ^ Сохранить.
Пользователь также может проводить необходимые ему вычисления (вычислительный эксперимент) по обученной ИНС-модели. Для этого нужно открыть конфигурацию сети, выбрав меню Файл ^ Открыть. Новые данные необходимо ввести в левый столбец таблицы и нажать на кнопку «Считать» (см. рис. 2.3). Нейронная сеть выведет результаты расчета.
■Щ Визуализация
, 1_ 1_ [Ц |_ |_ |_ |_
і ; — — — — — —
1
Рис. 2.6. Окно визуализации структуры сети. Для реального объекта таблицы автоматически заполняются значениями весовых коэффициентов и активационными функциями нейронов ИНС-модели
Вкладка «Вывод результатов» позволяет сохранять историю обучения (изменения погрешностей или весовых коэффициентов). Могут быть выбраны разные способы сохранения погрешности: «по результату» - сохраняются последние значения; на каждом слое, на каждом нейроне; на каждой итерации или их комбинациях. Для сохранения необходимо отметить соответствующие пункты и задать имена файлов. Аналогичную операцию можно произвести и при сохранении весовых коэффициентов.
Рис. 2.7. Внешний вид вкладки «Вывод результатов»
В программе также возможна визуализация изменения погрешности. В этом случае откроется окно, в котором будет строиться соответствующий график.
Пример использования программы. Программа была использована для построения компьютерной модели личности школьников старших классов города Тамбова на основе значительного по объему эмпирического материала [14]. Обучающая выборка, являющаяся результатом анкетирования более чем тысячи школьников, представляла собой прямоугольную матрицу размером 1052 строки и 253 столбца. Строки представляли собой записи, соответствующие респонденту, столбцы - варианты ответа респондентов на вопросы анкеты относительно предрасположенности к дальнейшему образованию в университете по различным профилям [14].
Обучение ИНС проводили таким образом, что она автоматически выбирала структуру модели. Время обучения составило 2 недели непрерывной работы компьютера, при этом приведенная погрешность составила не более 10%, что позволило считать ИНС-модель адекватной реальному объекту (в данном случае объектом являлся социум, включающий учащихся старших классов школ г. Тамбова). Общая структура полученной сети показана на рис. 2.8, а ее коэффициенты синаптических связей приведены в табл. 2.1-2.4.
Рис. 2.8. Структура ИНС-модели. 1-58, 60-65, 69, 71 - входные нейроны с линейной активационной функцией, 59, 66, 67, 68 - нейроны с активационной функцией типа «сигмоид» - (1"(з) = 1/(1 + з2)), 70 -нейрон с параболической активационной функцией (Г(з) = з2), 78 - выходной нейрон с параболической активационной функцией (Г(з) = з3) . Общее число связей (весовых коэффициентов сети) - 444
Таблица 2.1
Коэффициенты синаптических связей нейронов входного и первого срытого слоев ИНС-модели
Номера нейронов 59 60 61 62 63 64 65
1 0,010 0,073 0,016 0,077 0,067 0,074 0,093
2 0,047 0,088 0,089 0,016 0,057 0,063 0,098
3 0,024 0,033 0,046 0,059 0,020 0,075 0,081
4 0,026 0,010 0,008 0,052 0,071 0,093 0,024
5 0,025 0,026 0,056 0,022 0,035 0,040 0,086
6 0,017 0,047 0,098 0,096 0,062 0,017 0,030
7 0,092 0,014 0,001 0,007 0,095 0,026 0,058
8 0,066 0,048 0,094 0,010 0,044 0,038 0,051
9 0,023 0,086 0,028 0,053 0,088 0,092 0,078
10 0,010 0,058 0,080 0,018 0,015 0,070 0,080
11 0,087 0,047 0,037 0,005 0,065 0,076 0,038
12 0,029 0,099 0,067 0,080 0,034 0,032 0,027
Номера нейронов 59 60 61 62 63 64 65
13 0,064 0,059 0,057 0,056 0,028 0,010 0,070
14 0,086 0,013 0,013 0,058 0,041 0,072 0,094
15 0,050 0,078 0,023 0,062 0,026 0,061 0,052
16 0,070 0,094 0,027 0,049 0,022 0,081 0,019
17 0,001 0,005 0,092 0,013 0,003 0,070 0,010
18 0,046 0,090 0,045 0,070 0,060 0,055 0,014
19 0,004 0,084 0,040 0,046 0,041 0,001 0,014
20 0,047 0,063 0,025 0,035 0,007 0,021 0,013
21 0,060 0,017 0,019 0,060 0,075 0,062 0,037
22 0,098 0,089 0,039 0,058 0,061 0,092 0,028
23 0,024 0,013 0,031 0,022 0,074 0,062 0,088
24 0,080 0,074 0,019 0,078 0,039 0,099 0,058
25 0,068 0,052 0,082 0,008 0,078 0,018 0,087
26 0,021 0,060 0,095 0,086 0,090 0,009 0,083
27 0,077 0,086 0,084 0,013 0,091 0,035 0,037
28 0,086 0,074 0,097 0,067 0,079 0,059 0,037
29 0,047 0,072 0,097 0,099 0,005 0,038 0,086
30 0,073 0,072 0,039 0,079 0,007 0,069 0,051
31 0,092 0,049 0,081 0,084 0,085 0,051 0,072
32 0,031 0,074 0,009 0,083 0,040 0,053 0,037
33 0,015 0,084 0,077 0,060 0,069 0,001 0,084
34 0,038 0,049 0,028 0,099 0,008 0,018 0,086
35 0,061 0,022 0,083 0,045 0,085 0,085 0,060
36 0,005 0,020 0,032 0,008 0,044 0,078 0,029
37 0,052 0,043 0,044 0,090 0,021 0,025 0,016
38 0,062 0,042 0,083 0,025 0,050 0,061 0,008
39 0,059 0,060 0,091 0,013 0,095 0,045 0,058
40 0,040 0,014 0,097 0,055 0,095 0,054 0,054
41 0,050 0,002 0,070 0,004 0,031 0,056 0,071
42 0,022 0,014 0,067 0,094 0,036 0,067 0,032
43 0,090 0,018 0,046 0,058 0,039 0,044 0,094
44 0,042 0,084 0,028 0,078 0,082 0,022 0,030
45 0,041 0,075 0,094 0,033 0,053 0,032 0,032
46 0,093 0,003 0,098 0,034 0,006 0,094 0,072
47 0,074 0,097 0,030 0,060 0,069 0,023 0,056
48 0,055 0,050 0,007 0,046 0,069 0,091 0,042
Номера нейронов 59 60 61 62 63 64 65
49 0,002 0,022 0,071 0,046 0,006 0,087 0,079
50 0,056 0,040 0,052 0,019 0,057 0,043 0,005
51 0,024 0,005 0,097 0,082 0,098 0,088 0,006
52 0,002 0,048 0,016 0,011 0,008 0,079 0,069
53 0,001 0,089 0,100 0,043 0,097 0,089 0,093
54 0,026 0,088 0,038 0,087 0,016 0,016 0,061
55 0,064 0,073 0,074 0,032 0,052 0,091 0,008
56 0,038 0,053 0,099 0,043 0,026 0,032 0,028
57 0,043 0,067 0,005 0,007 0,092 0,048 0,022
58 0,037 0,029 0,099 0,009 0,063 0,010 0,076
Таблица 2.2
Коэффициенты синаптических связей нейронов первого и второго срытых слоев ИНС-модели
Номера нейронов 66 67 68 69
59 0,030 0,012 0,014 0,081
60 0,021 0,041 0,001 0,068
61 0,004 0,035 0,080 0,009
62 0,083 0,008 0,016 0,056
63 0,019 0,013 0,089 0,091
64 0,085 0,032 0,003 0,030
65 0,073 0,079 0,024 0,030
Таблица 2.3
Коэффициенты синаптических связей нейронов второго и третьего срытых слоев ИНС-модели
Номера нейронов 70 71
66 0,010 0,079
67 0,013 0,007
68 0,004 0,094
69 0,014 0,077
Таблица 2.4
Коэффициенты синаптических связей нейронов третьего срытого и выходного слоев ИНС-модели
Номера нейронов 78
70 0,049
71 0,084
Таким образом, нами разработан многофункциональный программный комплекс (симулятор) для компьютерного моделирования на основе искусственной нейронной сети с самоорганизацией структуры. Комплекс предназначен для построения компьютерных ИНС-моделей объектов различного типа вне зависимости от их природы.
В качестве примера использования симулятора с его помощью реализована компьютерная модель социального объекта - модель личности школьников старших классов города Тамбова в плане их предпочтений к продолжению образования в университете и выборе специальности. Такая модель может быть использована для тестирования абитуриентов и выявления их профессиональных предпочтений. На ее основе нами разработана специальная тестирующая оболочка, выявляющая профессиональную предрасположенность абитуриентов, которая в настоящее время проходит проверку в старших классах школ города Тамбова.
В настоящее время осуществляется также государственная сертификация данного программного обеспечения.
Важными аспектами данной экспертной системы являются:
- система может легко адаптироваться к новому контингенту за счет переобучения нейро-сетевой модели симулятора по вновь поступившим эмпирическим данным;
- экспертная система адаптируется к региональным особенностям тестируемого социума;
- структура модельной части системы может изменяться во времени, тем самым, учитывая нестационарность тестируемого социума.
Часть 3. Распределенная информационная система для управления институтом
Как это уже было указано в части 1, одной из задач, которую мы ставили при реализации проекта, являлась разработка достаточно универсальной информационной системы, предназначенной для отдельного структурного подразделения университета, например, института, которая бы могла быть с незначительными изменениями внедрена в других подразделениях. Эти подразделения могут достаточно сильно различаться по организационной структуре, что значительно усложняет разработку в достаточной мере универсальной системы. Решение проблемы универсальности могут дать использование модульного принципа построения всей системы и полное соответствие имеющимся индустриальным стандартам.
Общая информация. Информационная система должна быть построена на основе компьютерной сети, обеспечивающей единое хранилище данных и распределенный доступ к имеющейся в нем информации.
Рис. 3.1 показывает общую схему реализации такой компьютерной сети. Наиболее значимой частью всей информационной системы является база данных, которая располагается на сервере. База данных содержит информацию о студентах, штатах, образовательном процессе, учебных планах и т.д.
Следующие люди принимают участие в управлении институтом: директор, заместители директора, заведующие кафедрами и лабораториями. Наиболее важными целями управления на уровне института являются: получение справочной информации о студентах, преподавателях и сотрудниках, академических достижениях студентов, формирование различной отчетности, обмен информацией между подразделениями, обеспечение студентов электронными версиями учебно-методических материалов.
Сейчас ИМФИ имеет шесть кафедр, которые отвечают за образовательный процесс, и двенадцать лабораторий, отвечающих за научно-исследовательскую работу. В ИМФИ обучаются 978 студентов дневной формы обучения и 45 аспирантов.
Управление кафедрами и лабораториями осуществляют их заведующие. Директор выполняет общее управление институтом. Директор института подчиняется ректору ТГУ. Директор имеет трех заместителей: по учебной работе, по научной работе и воспитательной работе.
Информационные потоки в системе управления институтом различаются как по своей значимости, так и по интенсивности обмена. Наиболее значимыми каналами обмена информацией являются:
- директор - заместители директора;
- директор - заведующие кафедрами;
- заместители директора - заведующие кафедрами;
- заместители директора - заведующие лабораториями;
- заведующие кафедрами - преподаватели и профессора;
- преподаватели и профессора - студенты.
Другие информационные потоки сравнительно слабы, например, директор - студенты, кафедра 1 - кафедра 2 и т.д.
Функции взаимодействия между офисом ректора и другими институтами осуществляются директорами и заместителями директоров институтов.
Информационная система, предназначенная для целей управления, должна быть устроена таким образом, чтобы директор и заместители директоров имели возможность получить доступ к любой информации из базы данных. В то же самое время, заведующие кафедрами, профессора и студенты должны иметь доступ только к той части информации, которая непосредственно касается их деятельности.
Наиболее важные задачи, которые должна решать информационная система:
- предоставление информационных услуг руководителям среднего звена; справочная информация; оперативное получение отчетов;
- осуществление документооборота между клиентами системы;
- электронная библиотека - литература для студентов;
- образцы заполнения документов.
Рис. 3.1. Общая схема информационной системы Института математики, физики и информатики
ТГУ им. Г.Р. Державина
Framework. Наиболее разумным путем приведения информационной системы к принятым в индустрии стандартам является использование фреймворка. На данный момент существуют два решения - это .NET компании Microsoft и J2EE компании Sun. Ввиду открытости спецификаций и лучшей поддержки кроссплатформенности был выбран второй вариант.
Приложение, реализованное в рамках J2EE, представляет из себя систему следующей структуры (см. рис. 3.2). Ниже будет описано, как разрабатываемое приложение соответствует этой структуре.
Рис. 3.2. Схема реализации многоуровневого приложения в рамках J2EE
Преимущества использования фреймворка. Помимо облегчения соответствия стандартам, использование фреймворка позволяет программистам не заботиться о реализации инфраструктуры. Система безопасности, работа с базой данных, взаимодействие между модулями системы, обеспечение доступности используемых системой ресурсов уже реализованы в сервере приложений. Разработчикам остается лишь запрограммировать бизнес-логику приложения.
Средства разработки. Разработка велась при помощи IDE NetBeans 5.5 в среде SuSE Linux. Компиляция производилась при помощи утилиты ant от Apache Foundaion. В качестве сервера приложений использован Sun Java System Application Server. При разработке были использованы компоненты ADF Faces компании Oracle.
Архитектура системы. Система разработана в соответствии с архитектурой MVC, что расшифровывается как Model - View - Controller - Модель - Представление - Контроллер. При использовании данной архитектуры вся бизнес-логика приложения разрабатывается совершенно независимо от интерфейса системы. Интерфейс взаимодействует с бизнес-уровнем в соответствии с заранее описанными правилами. Реализация этих правил называется контроллером. Контроллер принимает запрос к модели от представления и транслирует его в понятный представлению формат. Точно так же обрабатывается ответ модели.
Модель системы разработана в соответствии со спецификацией Enterprise Java Beans 3.0. Модули приложения при использовании названной спецификации представляют собой компоненты, обладающие некоторым набором функций и приспособленные для многократного использования в различных приложениях. Такой подход предоставляет возможнось заменять некоторые модули системы на более соответствующие текущим задачам, не оказывая существенного влияния на функционирование системы в целом.
Представление было реализовано с помощью технологий JSP и JSF, что позволяет работать с системой без установки дополнительного программного обеспечения на клиентских машинах -доступ к системе осуществляется при помощи web-браузера.
База данных. База данных системы содержит информацию о сотрудниках и студентах факультета, о его кафедрах и лабораториях, о публикациях, грантах, читаемых курсах. Вся эта информация может потребоваться для принятия управленческих решений.
Помимо этого, в базе хранится информация об учетных записях участников системы и данные, необходимые для реализации системы документооборота.
В соответствии с идеологией универсальности вся система имеет модульный принцип построения.
Ядро. Задача ядра - объединять все модули системы и обеспечивать их взаимодействие с пользователем. Ядро разрабатываемой системы полностью находится на шеЬ-уровне и представляет из себя набор «рабочих мест». Концепция рабочего места подразумевает предоставление пользователю всех доступных в соответствии с его правами в системе сервисов. В соответствии с этой концепцией вошедшие в систему студент, преподаватель, заведующий кафедрой, работник директората и директор попадут на разные страницы интерфейса. На каждой из таких страниц будет предоставлена возможность обратиться к тем частям системы, которые позволяют решать задачи, относящиеся к компетенции конкретного пользователя.
Документооборот. Основным объектом документооборота является документ. Он представляет из себя шаблон, описанный на предназначенном для этого языке с набором параметров. Каждый параметр - это пустое место в шаблоне, которое необходимо заполнить при подготовке документа.
Основным процессом документооборота в разрабатываемой системе является жизненный цикл документа. В общем случае жизненный цикл выглядит следующим образом: Репозиторий -Документооборот - Архив.
То есть изначально документ хранится в виде шаблона с незаполненными параметрами. При необходимости создания документа пользователь выбирает шаблон из репозитория или создает свой шаблон. Новый шаблон можно также поместить в репозиторий для дальнейшего использования. Затем документ проходит через все необходимые этапы и попадает в архив, откуда удаляется через заданный промежуток времени. Этапами документооборота могут быть подготовка, проверка, согласование и исполнение. На этапе подготовки пользователь, создавший документ, может заполнить его параметры, а может делегировать их заполнение другим пользователям. Пользователи, которым делегировано заполнение полей, могут отказаться от заполнения, мотивировав свой отказ. Заполнение полей может производиться вручную или из базы данных, что позволяет создавать отчеты.
После окончания этапа подготовки, когда все параметры заполнены, документ проходит ряд этапов проверки и согласования. На каждом из этих этапов документ может быть отправлен дальше по жизненному циклу или возвращен на этап подготовки.
После прохождения проверки и согласования документ может быть отправлен на исполнение, откуда уже не может быть возвращен на этап подготовки, а может быть только помечен как исполненный. Далее документ направляется в архив.
Система взаимодействия. Система взаимодействия сотрудников не является частью разрабатываемой системы. Для общения между собой сотрудники могут использовать установленные на сервере факультетской сети форум и почтовый сервер.
Система управления данными. Система управления данными реализована таким образом, что данные нельзя изменять напрямую. Данные изменяются только в соответствии с некоторыми событиями. Такими событиями могут быть зачисление или отчисление студента, издание публикации, создание кафедры и т.п. При каждом из таких событий следует обратиться к соответствующей функции системы, ввести данные, характеризующие событие, и выполнить операцию изменения. Например, интерфейс изменения данных при определенном событии изображен на рис. 3.3.
Название кафедры: | компьютерного и математического моделирования Н Сотрудник кафедры: | Слетков Денис Викторович
Выполнить смену заведующего кафедры |
Готово
® Ф щ1^ & © Ті | Консол | 4 МеС | § Копчик | 2 «>кЬеаг(! |^ас_1.1 Нге^о-»- 12:30 ( 1 I 1 ■53
Рис. 3.3. Страница изменения данных
Система получения отчетов. Система получения отчетов реализована в двух видах. Первый способ заключается в получении отчета по студентам или сотрудникам. Для получения отчета такого вида следует выбрать способы сортировки, группировки и фильтрации данных; система выдаст данные, соответствующие заявленным требованиям.
Файл Правка Вид Переход Закладки Инструменты Справка
' ' 1 | Й Ир:/ЛосаІЛо5І:8080Ма1аліападеліеп1-№еЬ/1асе5ЛІеиЕлірІоее.]5р|
|^5и5ЕУМиХ І^ЕпІегіаіптепі Й№и5 Йітегпеї ЭеагсЬ іеЦВєієгєпсє |Д Мар5 апгі РігеДіоп^ Й5Ьорріпд [рйРеорІе апсі Сотрап...
иМБ
Название кафедры: І _^]
Дата Фамилия Имя Отчество рождения Научиое Специальность аспирантуры Дипломная квалификация Факультативная специальность
Матвеева Кристина Сергеевна 16.08.1978 Социология культуры, социально-духовной жизни Преподаватель иностранного языка
Кондрат в Олег Викторович 24.01.1974 Автоматизация и управление технологичгскими процессами и производствами (промышленность) Инженер по автоматизации 1
Зуев Михаил Сергеевич 04.11.1983 05.11.13 преподаватель математики
(азаков Владимир Николаевич 06.07.1980 05.13.11 преподаватель
Переславцева Оксана Николаевна 16.04.1979 05.13.11 преподаватель математики
Зубец Виктор Васильевич 23.03.1954
Коэадаев Алексей Сергеевич 26.07.1980
Лазутин Сергей Борисович 28.07.1952
їЛалаїїюнок Геннадий Иванович 29.08.1956 преподаватель компьютерного и математического моделирования
Дуда ко в Владислав Петро ви ч 05.11.1970 Автоматизация эпектрофикация с/х производств Учитель физики и информатики
Зубаюв Александр Павлович 24.04.1956 автоматизация и оптимальное управление инженер- электромеханик по автоматизации 05.13.07
Андреев Андрей Анатольевич 30.07.1977 Математическое моделирование, числинныэ методы и комплекс программ Учитель математики, информатики и ВТ Биотехнология пещевьк производств
Валеев Юрий Дамирович 02.08.1983 Натематематичаское и программное обеспечэние вычислительных машин, комплексов и компьютерных преподаватель математики преподаватель математики
Сажнева Оксана Александровна 12.01.1983 05.13.11 преподаватель математики
Гитов Юрий Николаевич 17.07.1983 Математическое моделирование, численнье методы и комплексы программ преподаватель физики и информатики а
Жуликов Сергей Евненьевич 19.06.1973 учитель математики, информатики и 0
Готово
Рис. 3.4. Пример отчета
Рис. 3.5. Страница входа в систему
Второй способ получить отчет - это создание документа, в котором на языке описания шаблона документа реализована структура необходимого отчета.
В дальнейшем предполагается внедрение системы ТазрегКероШ для создания отчетов, импортируемых в наиболее часто используемые форматы.
Безопасность. Базы данных системы будут содержать личные данные сотрудников и студентов института, поэтому система должна быть в достаточной мере защищена от несанкционированного доступа. Безопасность на уровне системы реализована в сервере приложений. В самом приложении для каждого объекта декларированы роли безопасности, которым разрешен доступ к объекту. Каждой такой роли соответствует набор пользователей. При обращении к защищенным ресурсам системы от пользователя требуется ввести свои идентификационные данные (см. рис. 3.5).
Более подробно состав системы, структура данных, ее реализация на основе принципов, приведенных в [19-24], описаны в нашей статье [18].
В настоящее время осуществляется также государственная сертификация данного программного обеспечения.
Часть 4. Оборудование и его использование для реализации проекта
В предыдущих разделах были рассмотрены общие аспекты университетского управления. В этом разделе мы коснемся инженерных аспектов реализации проекта, а также размещения оборудования в ИМФИ ТГУ им. Г.Р. Державина.
Реализация сети.
Этап 1. Принимая во внимание существенную подвижность штатов в ИМФИ и других подразделениях - институтах и академиях, частое перераспределение помещений, занятых кафедрами, лабораториями и учебными аудиториями, мы решили использовать беспроводную сеть. Такое решение было одобрено на рабочем совещании в Кобленце в июне 2005 года. В обсуждении принимали участие профессор К. Троич, профессор А.А. Арзамасцев, доцент Ю.А. Зусман, программист Д.В. Слетков и другие. Так как оборудование для беспроводной связи имеет ограниченный эффективный диапазон работы (50 метров), то для надежной работы оборудования вначале мы составили чертежи всех этажей здания ИМФИ. На рис. 4.1 показаны такие схемы. Номера на схемах соответствуют номерам аудиторий, которые должны быть ох-
вачены беспроводной связью. Размер клеток на всех диаграммах равен одному метру, что помогло в определении зоны охвата оборудования, вычислению длины кабелей и т.д.
Рис. 4.1. Схема этажей здания института математики, физики и информатики.
Этап 2. Для реализации проекта была приобретена следующая техника: 11 компьютеров Celeron-D 315/DDR 256 Mb/ HDD 40 Gb/ CD-ROM /250 W/ 17’’ Samsung 783 DF, два принтера HP Laser Jet 1320. Кроме того, с учетом полученных на этапе 1 зон обслуживания, мы приобрели и сетевое оборудование и инструменты, указанные в табл. 4.1 - 4.4.
Таблица 4.1
Материалы и оборудования для реконструкции существующей сети
Название оборудования или материала Кол-во
Кабель Cable UTP 5e level (305m) Taiwan 200 Mhz (Neomax) 1009 3
Сетевая карта Compex RE100 АTX/WOL PCI 10/100 10
Концентратор Compex Switch PS2208B <8ports 10/100, Desktop> 10
Разъем RJ-45 8P8C для сети кат.5 100
Крепеж 10
Таблица 4.2
Оборудования для организации беспроводной сети
Название оборудования или материала Кол-во
Тгепёпе1 ТЕ'^430АРВ беспроводная точка доступа 802,11§ + мост (54 Мбит/с) 8
Тгепёпе1 ТЕ'^423Р! беспроводной РС1 адаптер 802,11^ (54 Мбит/с) 25
Таблица 4.3
Сервер
Название оборудования или материала Кол-во
ИБП APC SUA 750I Smart-UPS 750 VA USB\Serial 230V 1
17» MONITOR LG L1717S-SN Flatron <Silver> (LCD, 1280x1024) 1
Intel SC5300BD2 (Socket604, iE7520, SVGA, Ultra320SCSI, LAN 2x1000, 6DDR, 730W) 1
CPU Intel Xeon 3 ГГц/ 1Мб L2 cache/ 800МГц BOX 604-PGA Active Fan 1
Original SAMSUNG DDR DIMM 512 Mb ECC <PC-3200> 2
HDD 73.4 Gb U320SCSI Seagate Cheetah 10K.7 <373207LC> 80pin 10000rpm 2
Клавиатура + мышь 1
Таблица 4.4
Инструменты
Название оборудования или материала Кол-во
Обжимной инструмент R-11,12 ,45 (HT-2008R) 1
Универсалный тестер Lan Tester (LT-100) 1
Trendnet TEW-T1 Wi-Fi Detector беспроводной тестер 1
Набор инструментов <930> плоскогубцы, кусачки, отвертка+насадки , мини-отвертки 1
Этап 3. Мы исправили существующую проводную сеть, которая охватывает в настоящее время приблизительно 65 % всех помещений ИМФИ.
Этап 4. Мы инсталлировали оборудование для беспроводной сети.
Таким образом, в настоящее время сеть в ИМФИ находится полностью в рабочем состоянии.
Часть 5. Другие положительные аспекты проекта
5.1. Повышение квалификации преподавателей
В ходе выполнения проекта преподаватели ТГУ им. Г.Р. Державина прошли кратковременные курсы по использованию современных информационных технологий для управления университетской деятельностью. Сведения о таких стажировках приведены в табл. 5.1.
Таблица S.1
Повышение квалификации преподавателями
Фамилия, имя и отчество преподавателя Место прохождения курсов или стажировки Сроки прохождения курсов или стажировки Тематика Примечание
Арзамасцев А.А. Университет г. Кобленц, Г ерма-ния, Летняя академия 20 июня -11 июля 2005 Компьютерные сети и их применение для университетского управления Имеется сертификат
Слетков Д.В. Университет г. Кобленц, Г ерма-ния, Летняя академия 20 июня -11 июля 2005 Компьютерные сети и их применение для университетского управления Имеется сертификат
Зенкова Н.А. Университет г. Кобленц, Г ерма-ния, Летняя академия 20 июня -11 июля 2005 Компьютерные сети и их применение для университетского управления Имеется сертификат
Зусман Ю.А. Университет г. Кобленц, Г ерма-ния, Летняя академия 28 июня -4 июля 2005 Компьютерные сети и их применение для университетского управления Имеется сертификат
Зусман Ю.А. Университет г. Валладолид, Испания 22-27 января 2006 Система управления в университете г. Валладолид. Использование компьютерных технологий в университетском управлении. Экономические аспекты. Трудоустройство студентов и привлечение их к разработке проектов Имеется сертификат
Арзамасцев А. А. Университет г. Валладолид, Испания 22-27 января 2006 Система управления в университете г. Валладолид. Использование компьютерных технологий в университетском управлении. Экономические аспекты. Трудоустройство студентов и привлечение их к разработке проектов Имеется сертификат
Зусман Ю.А. Университет г. Тренто, Италия 23-25 марта 2006 Система управления в университете г. Тренто (Италия) и университете г. Минск (Беларусь). Использование компьютерных технологий в университетском управлении -
Арзамасцев А.А. Университет г. Тренто, Италия 22-30 марта 2006 Система управления в университете г. Тренто (Италия) и университете г. Минск (Беларусь). Использование компьютерных технологий в университетском управлении -
Зенкова Н.А. Университет г. Тренто, Италия 22-30 марта 2006 Система управления в университете г. Тренто (Италия) и университете г. Минск (Беларусь). Использование компьютерных технологий в университетском управлении -
Слетков Д.В. Университет г. Тренто, Италия 22-30 марта 2006 Система управления в университете г. Тренто (Италия) и университете г. Минск (Беларусь). Использование компьютерных технологий в университетском управлении -
Арзамасцев А.А. Университет г. Кобленц, Г ерма-ния, Летняя академия 18-29 июля 2006 Мобильные телесистемы -
Зусман Ю.А. Университет г. Кобленц, Г ерма-ния, Летняя академия 20-29 июля 2006 Мобильные телесистемы -
Зенкова Н.А. Университет г. Кобленц, Г ерма-ния, Летняя академия 18-27 июля 2006 Мобильные телесистемы -
5.2. Разработка новых лекционных курсов
В рамках реализации проекта преподавателями ИМФИ ТГУ им. Г.Р. Державина были разработаны и внедрены новые учебные курсы.
1. «Компьютерные сети и их использование для управления университетской деятельностью». Авторы: д.т.н., проф. Арзамасцев А.А., ст. преподаватель Слетков Д.В. Общий объем -54 часа. Курс предназначен для административного персонала университета и студентов специальности 010200 «Прикладная математика и информатика».
2. «Web-дизайн и его использование для управления университетом». Авторы: д.т.н., проф. Арзамасцев А. А., к.психол.н., доцент Зенкова Н.А. Общий объем - 72 часа. Курс предназначен для административного персонала университета и студентов специальности 010200 «Приклад -ная математика и информатика».
Курсы прошли апробацию в осенне-зимних семестрах 2005, 2006 гг.
К. психол. наук, доцентом Зенковой Н.А. издано учебное пособие для студентов специальности 010200 «Основы Web-дизайна», Тамбов, 2005, 50 с.
5.3. Курсы английского языка
В период действия проекта в ИМФИ ТГУ им. Г.Р. Державина проведены курсы английского языка для преподавателей и студентов, занятых в его реализации.
Участники курсов: д.т.н., проф. Арзамасцев А.А., к.т.н., доц. Лазутин С.Б., к.психол.н., доц. Зенкова Н.А., ст. преподаватель Слетков Д.В., студент 1-го курса Лутовинов Д.М., студент 2-го курса Шкута Н.О., студент 3-го курса Крючин О.В., студентки 4-го курса Альбицкая Е.Н. и Азарова П.
Курсы проводил начальник отдела международных связей ТГУ, к.п.н., доцент филологического факультета Зусман Ю.А.
Использована следующая методическая литература, которая была приобретена за счет средств проекта.
1. Игнатова Т.Н. Английский язык для общения: Интенсивный курс: Учеб. - М.: РТ-Пресс, 2002.
2. ГолицынскийЮ.Б. Грамматика: Сборник упражнений. - СПб.: КАРО, 2004.
3. Cutting EDGE elementary. - Pearson Education Limited, 2005.
4. English Vocabulary in Use. - Cambridge University Press, 1999.
5. Компьютерные программы и аудиодиски.
Курсы проведены в следующие периоды времени:
1-й семестр: февраль - июнь 2005 (10 недель, 288 часов).
2-й семестр: сентябрь - ноябрь 2005 (10 недель, 288 часов).
3-й семестр: январь - июль 2006 (20 недель, 556 часов).
5.4. Летняя школа для студентов
В период выполнения проекта студенты ИМФИ, участвующие в нем в качестве исполнителей: Олег Крючин (3-й курс), Николай Шкута (2-й курс) и Дмитрий Лутовинов (1-й курс), приняли участие в работе Летней академии в университете г. Кобленц, где они слушали лекции ведущих специалистов Германии в области мобильных телесистем и компьютерных сетей.
5.5. Обсуждение на конференциях
Работа по выполнению проекта в ИМФИ ТГУ им. Г.Р. Державина обсуждалась на нескольких конференциях:
- международной конференции в университете г. Кобленц, сентябрь 2005;
- конференции ТГУ - «Державинские чтения», Тамбов, февраль 2006;
- юбилейной конференции, посвященной 75-летию ИМФИ, Тамбов, ноябрь 2005;
- международной конференции по информационным технологиям, Тамбов, сентябрь 2006.
5.6. Приобретение литературы
В период с 2005-2006 гг. за счет средств проекта была приобретена литература в количестве более 120 наименований по следующим направлениям:
- разработка компьютерных информационных систем и программирование;
- компьютерные сети и сетевые технологии;
- разработка web-приложений, компьютерная графика и web-дизайн;
- психологические и социологические особенности управления;
- эргономика проектирования информационных систем;
- изучение английского языка.
В настоящее время на кафедре компьютерного и математического моделирования создана библиотека (ответственный - доц. Зенкова Н.А.) из приобретенной литературы. Библиотекой пользуются преподаватели и студенты ТГУ им. Г.Р. Державина.
5.7. Публикации по проекту
Ниже приведен список работ, опубликованных основными исполнителями проекта в период его подготовки и реализации с 2004 по 2006 годы.
1. Arzamastsev A.A., Zenkova N.A., Zusman Yu.A., Sletkov D.V. Modernization of the University management system by means of information technologies. Part I. General information about the Tambov region, the working group, the structure of TSU and TSU Management, our prepositions for the project realization // Вестн. ТГУ. Сер. Естеств. и техн. науки. Тамбов, 2005. Т. 10. Вып. 2. С. 171-175.
2. Arzamastsev A.A., Zenkova N.A., Zusman Yu.A., Sletkov D.V. Modernization of the University management system by means of information technologies. Part 2. The procedure of simulation and optimal planning of education process // Вестн. ТГУ. Сер. Естеств. и техн. науки. Тамбов, 2005. Т. 10. Вып. 3. С. 267-269.
3. Arzamastsev A.A., Zenkova N.A., Zusman Yu.A., Sletkov D.V. Modernization of the University management system by means of information technologies. Part 3. Engineering Aspect // Вестн. ТГУ. Сер. Естеств. и техн. науки. Тамбов, 2005. Т. 10. Вып. 3. С. 270-276.
4. Арзамасцев А.А., Слетков Д.В., Зенкова Н.А., Зусман Ю.А., Ильин А.А., Дудаков В.П., Лазутин С.Б., Шкута Н.А., Королев А.Н., Банников С.С., Шкатова Л.С., Шохина Т.Б., Алферова О.С., Кукушкина О.В. Разработка информационной системы управления учебным процессом и научной деятельностью в Институте математики, физики и информатики ТГУ им. Г.Р. Державина // Вестн. ТГУ. Сер. Естеств. и техн. науки. Тамбов, 2006. Т. 11. Вып. 2. С. 177-180.
5. Ильин А.А., Арзамасцев А.А. Перспективы использования ин формационно - аналитических систем для управления в системе образования // Вестн. ТГУ. Сер. Естеств. и техн. науки. Тамбов, 2006. Т. 11. Вып. 2. С. 181-184.
6. Арзамасцев А.А., Зусман Ю.А., Зенкова Н.А., Слетков Д.В. Модернизация системы управления университетом: опыт и новые тенденции // Управление современным университетом: материалы
II-й Международной научной конференции. Тамбов, 2005. С. 31-33.
7. Arzamastsev A.A., Zusman Yu.A., Zenkova N.A., Sletkov D.V. Tambov State University // Системна
модернизация ушверситетського менеджменту: проблеми автономп й самоврядування,
комп'ютерш информацшш системи, електронна i дистанцшна освгга: материали мiждународноi конференци. Дшпропетровськ: ДНУ, 2005. С. 37-46.
8. Арзамасцев А.А., Зусман Ю.А. Информационные технологии в управлении университетом // Проблемы федерально-региональной политики в науке и образовании: материалы III Всероссийской научно-практической конференции. Тамбов, 2005. C. 6-8.
9. Арзамасцев А.А., Гостилович Т.А. Социальный портрет студента регионального университета (на примере Тамбовского государственного университета им. Г.Р. Державина). М.: Российская Академия Образования. Институт содержания и методов обучения РАО, 2005. 65 с.
10. Арзамасцев А.А. Компьютерное моделирование в социальных системах. Tempus Tacis project «System Modernization of University Managment» (SMOOTH, UM_JEP-24217) // Тезисы публич-
ных лекций на юбилейной конференции, посвященной 75-летию Института математики, физики и информатики ТГУ им. Г.Р. Державина. Тамбов: ИМФИ ТГУ им. Г.Р. Державина, 2005. С. 52-55.
11. Зенкова Н.А., Арзамасцев А.А. // Вестник ТГУ. Сер. Естеств. и техн. науки. Тамбов, 2001. Т. 6. Вып. 2. С. 254-261.
12. Арзамасцев А.А., Гостилович Т.А., Безрученко И.Е., Зенкова Н.А. Личностные качества, профессиональная предрасположенность и социальная активность школьников старших классов. Тамбов: ТГУ им. Г.Р. Державина, 2004. 103 с.
13. Арзамасцев А.А., Китаевская Т.Ю., Зенкова Н.А. Алгоритмы проектирования учебных планов. М.: Российская Академия Образования, 2004. 77 с.
14. Совместный Европейский проект «System Modernization of University Management» // Державинский Вестник. 2005. № 9. Ноябрь.
15. Кафедра компьютерного и математического моделирования // Державинский Вестник. 2005. № 9. Ноябрь.
Заключение
Таким образом, реализация проекта в ИМФИ ТГУ им. Г.Р. Державина способствовала
многогранному социальному эффекту, связанному как с улучшением информационной составляющей управления университетской деятельностью, так и с повышением квалификации исполнителей.
ЛИТЕРАТУРА
1. Грудзинский А. О. Проектно-ориентированный университет. Профессиональная предпринимательская организация вуза: монография. Н. Новгород: Изд-во ННГУ, 2004. 370 с.
2. Константиновский Д.Л., Шубкин В.Н. Молодежь и образование. М.: Наука, 1977. 135 с.
3. Смакотина Н.Л. Рациональное поведение в условиях неопределенности (методология социологического и социально-психологического анализа): дис. ... д-ра социологических наук. М., 1999.
4. Юрьев В.М. О перспективах развития Тамбовского государственного университета им. Г.Р. Державина на период до 2010 года. Доклад на расширенном заседании ученого совета ТГУ им. Г.Р. Державина 19 марта 2004 года. Тамбов: Изд-во ТГУ им. Г.Р. Державина, 2004. 61 с.
5. Тамбовский государственный университет им. Г.Р. Державина: Словарь-справочник / гл. ред. В.М. Юрьев. Тамбов: Изд-во ТГУ им. Г.Р. Державина, 2003. 399 с.
6. Тамбовский государственный университет им. Г.Р. Державина: Словарь-справочник. 2-е изд., испр. и доп. / гл. ред. В.М. Юрьев; М-во образования и науки Рос. Федерации, Тамб. гос. ун-т им. Г.Р. Державина. Тамбов: Изд-во ТГУ им. Г.Р. Державина, 2004. 628 с.
7. Научные школы и направления Тамбовского государственного университета им. Г.Р. Державина / отв. ред. В.М. Юрьев; Федеральное агентство по образованию, Тамб. гос. ун-т им. Г.Р. Державина. Тамбов: Изд-во ТГУ им. Г.Р. Державина, 2006. 465 с.
8. 75 лет Институту математики, физики и информатики Тамбовского государственного университета им. Г.Р. Державина / Ю.И. Головин, А. А. Арзамасцев, Н.Л. Королева; Федеральное агентство по образованию, Тамб. гос. ун-т им. Г.Р. Державина. Тамбов: Изд-во ТГУ им. Г.Р. Державина, 2005. 201 с.
9. Отчет о работе Тамбовского государственного университета им. Г.Р. Державина за период 20002005 гг. / отв. ред. В.М. Юрьев; Федеральное агентство по образованию, Тамб. гос. ун-т им. Г.Р. Державина. Тамбов: Изд-во ТГУ им. Г.Р. Державина, 2005.
10. Китаевская Т.Ю. Построение дифференцированного содержания обучения информатике в вузе с использованием компьютерно-ориентированных технологий: дис. ... канд. пед. наук (Арзамасцев А. А. -научный руководитель). М., 2000.
11. Зенкова Н.А. Психологическая модель готовности студентов первого курса к обучению в вузе: дис. ... канд. психол. наук (Арзамасцев А.А. - научный руководитель). Тамбов, 2003.
12. Безрученко И.Е. Психологическая модель профессиональных предпочтений старшеклассников и ее компьютерная реализация: дис. ... канд. психол. наук (Арзамасцев А.А. - научный руководитель). Тамбов, 2004.
13. Китаевская Т.Ю. Проектирование компонентов методической системы обучения информатике с использованием автоматизированных методов: дис. ... д-ра пед. наук (Арзамасцев А.А. - научный консультант). М., 2005.
14. Арзамасцев А.А., Гостилович Т.А., Безрученко И.Е., Зенкова Н.А. Личностные качества, профессиональная предрасположенность и социальная активность школьников старших классов. Тамбов: ТГУ им. Г.Р. Державина, 2004. 103 с.
15. Арзамасцев А.А., Гостилович Т.А. Социальный портрет студента регионального университета (на примере Тамбовского государственного университета им. Г.Р. Державина). М.: Российская Академия Образования. Институт содержания и методов обучения РАО, 2005. 65 с.
16. Gilbert N., Troizsch K. Simulation for the Social Scientist. Open University Press, 2006.
17. Арзамасцев А.А., Зенкова Н.А. Моделирование в психологии на основе искусственных нейронных сетей. Тамбов: ТГУ им. Г.Р. Державина, 2003. 106 с.
18. Арзамасцев А.А., Слетков Д.В., Зенкова Н.А., Зусман Ю.А., Ильин А.А., Дудаков В.П., Лазутин С.Б., Шкута Н.А., Королев А.Н., Банников С.С., Шкатова Л.С., Шохина Т.Б., Алферова О.С., Кукушки-
на О.В. Разработка информационной системы управления учебным процессом и научной деятельностью в Институте математики, физики и информатики ТГУ им. Г.Р. Державина // Вестн. ТГУ. Сер. Естеств. и техн. науки. Тамбов, 2006. Т. 11. Вып. 2. С. 177-180.
19. Леоненков А.В. UML. 2 издание. СПб.: БХВ-Петербург, 2006.
20. Питеркин С.В. Точно вовремя для России. Практика применения ERP-систем. М.: Альпина Бизнес Букс, 2005.
21. Как сделать успешный ERP-проект // Компьютера. 2006. № 8; №16.
22. Федотова Д.Э., Семенов Ю.Д., Чижик К.Н. CASE-технологии: практикум. М.: Горячая линия-Телеком, 2005.
23. Спирли Э. Корпоративные хранилища данных. Планирование, разработка и реализация. Т. 1. М.: Вильямс, 2001.
24. Фаронов В.В. Программирование баз данных в Delphi 7: учебный курс. СПб.: Питер, 2005.
Поступила в редакцию 10 октября 2006 г.
