3.4.2. Имитационное моделирование динамического развития колоний и популяций микроорганизмов.

3.4.3. Имитационное моделирование генетических алгоритмов в

выборе стратегии интеллектуального агента.

4. Модель эмоционально-мотивированного интеллектуального агента (с учетом психологических, эмоциональных, медико-биологических и др. факторов) с заданной стратегией достижения цели.

3.4.5. Моделирование желудочно-кишечной системы человека.

3.5. Моделирование социальной среды

3.5.1. Моделирование деятельности службы спасения в зоне чрезвычайной ситуации (на примере наводнения, пожара и т.п.).

3.5.2. Имитационная модель выбора делового партнера.

3.5.3. Мультиагентное моделирование деловой игры в переговорном процессе.

3.5.4. Мультиагентная модель игровой ситуации достижения цели по стратегиям антагонистических игр.

3.5.5. Объектно-ориентированное моделирование и имитация экологической системы.

3.5.6. Имитационная модель экологической среды города.

3.5.7. Экологическая среда вокруг промышленного предприятия. 3.5.8. Имитационная модель регулируемого дорожно-транспортного

перекрестка.

4. Пример выполнения работы

В качестве примера рассмотрим мультиагентное моделирование учебного процесса передачи и накопления знаний, отража­ющего различные аспекты сложного социально-психологическо­го вида человеческой деятельности с информационной, педагогической, социальной и психологической точек зрения.

Имитационное моделирование поведения и взаимодействия активных элементов (учеников и преподавателей) основано на логистике событий, отражающих накопление знаний в процессе обучения с учетом определенных факторов и продукционных правил.

В соответствии с общей схемой процесса обучения в образовательной системе, представленной на рис. 14.2, общую агентно-ориентированную

Рис. 14.2. Структурная схема процесса обучения

модель процесса обучения в вузе Learning можно представить в виде пяти базисных компонентов (рис. 14.3), а именно:

– агенты класса AgStud «студент», воспринимающие учебную информацию и накапливающие базу знаний;

– агент класса AgTeach «преподаватель», обеспечивающий передачу информации к студенту и контроль его знаний;

– компонент Area «среда обучения», отражающий условия обеспечения учебного процесса (расписание занятий, учебно-методические указания, оснащенность аудиторий и т.п.);

– компонент Statistic, в котором производится учет и оценка текущей успеваемости студентов и эффективности учебного процесса.

– компонент Connektion, предназначенный для адресного обмена сообщениями между агентами AgStud и агентом AgTeach.

Рис. 14.3. Мультиагентная имитационная модель Learning

Из компонента Area (среда обучения) агентам AgStud (студент) и AgTeach (учитель) по каналам сенсорных связей передается организационная информация о времени начала лекционных, практических и лабораторных занятий, Time[k]; i=1...3; характеристики среды обучения V[k] (оснащенность компьютерами, мультимедийными средствами, интернет и т.п.); план лекционных, практических и лабораторных занятий на семестр V_ymk; информация о времени проведения и типе контроля Control уровня накопленных знаний – J_i.

От агента AgTeach каждому агенту AgStud через компонент Connektion поступает поток учебной информации I, программа контроля ActControl и оценка, выставляемая преподавателем i-у студенту Ball_i.

В свою очередь, агент AgTeach через компонент Connection получает от агентов AgStud_i информацию о накопленных знаниях J_i i-го агента, социальной потребности его в работе с преподавателем, целях обучения, эмоциональной реакции; вопросы и оценки качества преподавания и др.

Обмен сообщениями между агентами обеспечивается, с одной стороны, мобильным компонентом MеssаgеStud, передающим информацию от агентов AgStud_i агенту AgTeach об эмоциональной реакции (удовольствие, ожидание, обучение, стремление, безразличие, отрицание), уровне социальной потребности, запрос о помощи; и с другой стороны – мобильным компонентом MеssаgеTeach с оценкой и персональной информацией (дополнительный контроль, поощрение или порицание, дополнительные занятия и т.п.), передаваемой преподавателем i-у студенту.

Например, один из возможных вариантов мобильного компонента MеssаgеStud имеет вид:

MOBILE COMPONENT MеssаgеStud

LOCAL DEFINITIONS

VALUE SET

# Тип сообщения: помощь, дополнительная информация, ничего не нужно

MessageType : ('Help', 'NewKnow','Nothing')

# Эмоциональная реакция: удовольствие, ожидание, обучение, стремление,

# безразличие, отрицание

StateEmotions : ('Pleasure', 'expectation', ' training', 'Aspiration', '

indifference', 'negation ')

DECLARATION OF ELEMENTS

STATE VARIABLES

DISCRETE

Sender (INTEGER) := 0, # индекс отправителя

Receiver (INTEGER) := 0, # индекс получателя

Type (MessageType) := 'Nothing', # тип сообщения

Em (StateEmotions) := 'expectation', # эмоциональная реакция

SocNeed (REAL) := 0, # уровень социальной потребности

TStamt(REAL) := 0, # время сообщения

END OF MеssаgеStud

Состояние интеллектуального агента AgStud класса “студент” формализуется на основе описаний его когнитивного, эмоционального, социального и личностного состояний как множество параметров и переменных:

AgStud = { Co, Em, So, Ps },

где:  Co_i = {c _i1, ..., c _i7 } – вектор когнитивного состояния i-го агента:

- константы (параметры) состояния:

c _i1 - интеллект;

c _i2 - внимание;

c _i3 - зрительная па­мять;

c _i4 - вербальная па­мять;

c _i5 - ассоциативное мышление;

c _i6 - общие математические способности;

c _i7 - способности установления за­кономерностей;

- переменные состояния:

c _i8 - уровень априорных знаний J₀;

c _i9 - текущий уровень знаний J;

c _i10 ­- уровень остаточной информации и знаний J_ост;

c _i11 - коэффициент эффективности переработки информации R;

c _i12 - скорость восприятия информации ;

c _i13 - степень тренированности _тр .

Em_i = { e_i1, e_i2, e_{i3, ,} e_i4 } – вектор параметров эмоционального состояния i-го агента:

- константы состояния:

e _i1 - психологическая напряженность;

e _i2 - психотип;

- переменные состояния:

e _i3 - степень удовлетворенности обучением;

e _i4 - эмоциональная реакция;

Pс_i   = { p_i1, p_i2, p_i3, p_i4 } – вектор личностных характеристик:

– константы состояния:

p _i1 - сознательность;

p _i2 - трудолюбие;

– переменная состояния:

p _i3 - мотивация обучения;

p _i4 - быстрота интеллектуальной утомляемости студента;

So_i   = {s_i1, s_i2, s_i3 } – вектор параметров социального состояния:

– константы состояния:

s _i1 - индекс социометрического статуса;

s _i2 - коэффициент взаимодействия;

– переменная состояния:

s _i3 - удовлетворенность социальным положением.

Неизменяющиеся параметры (константы состояния) рассчитываются по результатам психологических тестов или оцениваются экспертным путем в десятибалльной системе или в относительных единицах с выделением четырех качественных уровней общего исходного состояния агента AgStud, определяющего предполагаемый резудьтат обучения (отлично, хорошо, удовлетворительно, плохо).

Результаты психологических тестов могут быть выражены в относительной стэновой шкале [3], отражающей нормальный закон распределения балльных оценок

Вычисляемые параметры и характеристики состояния агентов наглядно представляются в виде круговых параметрических диаграмм, приведенных на рис. 14.4.

а) AgStud1 (отлично) б) AgStud2 (хорошо)

в) AgStud3 (удовлетворительно) г) AgStud4 (плохо)

Рис. 14.4. Диаграммы параметров состояния студентов

Процесс усвоения изучаемого материала и накопления информации во времени формально можно описать уравнением:

, (14-1)

где J(t) - общее количество информации (знаний), накопленное студентом,

кбайт;

I(t) - количество представляемой информации, кбайт;

J₀ - оценка априорных знаний (априорной информации);

R - коэффициент эффективности переработки информации,

;

J_t (t) - количество текущей воспринятой информации, кбайт;

t - текущее время, ед.вр.

Важнейшей характеристикой интеллектуального состояния агента AgStud является психофизиологическая скорость восприятия студентом текущей информации или его пропускная способность _е в текущий момент времени, кбайт/ед.вр., выражаемая производной

. (14-2)

Пропускная способность является функцией интеллектуального состояния студента и его априорных знаний, эмоционального состояния и эмоциональной реакции и изменяется в процессе обучения в зависимости от объема представленной I(t) и воспринятой информации J_t(t), способа представления, степени тренированности и других факторов [6] .

Исходное значение _0i i-го студента можно выразить уравнениями регрессии от исходных параметров когнитивного и эмоционального состояний i-го агента на основе корреляционного и регрессионного анализа экспериментальных данных в виде:

; i=1,N , (14-3)

где p_ij - коэффициенты линейной множественной регрессии;

c_ij - j-й параметр когнитивного состояния i-го студента;

e_ik - k-й параметр эмоционального состояния i-го студента.

В первом приближении будем считать, что λ_i не изменяется в процессе восприятия текущей информации и зависит главным образом от уровня априорных знаний и степени тренированности [4].

Тогда эффективность процесса накопления знаний i-м студентом, оцениваемая коэффициентом эффективности переработки представляемой информации R_i как отношение воспринятой им информации J_ti(t) к представленной I(t):

, (14-4)

может быть представлена в виде:

; i=1,N , (14-5)

где λ_i – пропускная способность i-го студента в определенный

временной интервал обучения.

Общая эффективность учебного процесса в группе из N студентов рассчитывается как:

. (14-6)

В соответствии с уравнением (14-1) и опытными данными [3] некоторый нор­мированный процесс накопления знаний аппроксимируется функцией вида:

, (14-7)

где I_t – объем информации, предъявляемый преподавателем в

установленное время обучения t;

λ – пропускная способность обучаемого, обусловленная

психофизиологическими возможностями че­ловека в заданных

условиях.

Эмоциональная реакция Q_i студента на процесс обучения (удовольствие, ожидание, обучение, стремление, безразличие, отрицание и т.п.) зависит от его эмоционального состояния в точке эмоционального гиперпространства c координатами q_j ; j =1,15 (счастье, грусть, злость, скука, сомнение, надежда, страх, интерес, презрение, отвращение, разочарование, удивление, гордость, стыд, чувство вины) и может быть определена [5] множественной регрессией ее конкретного вида от значений координат :

; i =1,6 , (14-8)

где q_j - балльная субъективная оценка уровня эмоции ( j-й координаты);

- число эмоций, имеющих сильную корреляционную связь с

областью i-й эмоциональной реакции агента ( i =1,6 ).

При известных или задаваемых оценках координат вектора эмоционального состояния в 15-мерном эмоциональном пространстве после очередного события, определяется [1, 5] область наиболее интенсивной эмоциональной реакции, обусловливающей дальнейшие действия агента.

Коэффициент психологической напряженности агента определяется отношением абсолютного количества антагонистических связей к общему количеству взаимодействующих агентов.

Социальная составляющая агента определяется индексом социометрического статуса C_i, характеризующим степень общительности студента и его отношения к коллективу в целом и рассчитывается с помощью экспертного опроса по формуле:

; i = 1,N , (14-9)

где S_ij, S_ji – количество прямых и обратных связей i-го агента с другими

агентами AgStud_j в группе с оценками сотрудничества (+1),

антагонизма (-1) и безразличия (0) во взаимодействии;

N – число студентов в группе.

Коэффициент взаимодействия i-го агента определяется также из матрицы взаимосвязей как отношение абсолютного количества неантагонистических отношений к количеству взаимодействующих агентов.

Агент “преподаватель” AgTeach характеризуется набором векторов состояния:

AgTeach = { Сo, Em },

где Co = { c₁, c_2, c₃} - вектор когнитивного состояния:

с₁ – уровень знаний;

c₂ – уровень умений;

c₃ – степень владения предметной областью;

Em = { e₁, e₂ } - вектор констант и переменных эмоционального состояния:

- константы состояния:

e₁ - нервно психологическая устойчивость;

e₂ - темперамент личности;

- переменная состояния:

e₃ - степень удовлетворенности результатами обучения

студентов.

Агент AgTeach в учебном процессе имеет две фазы деятельности: преподавание требуемого материала с передачей знаний и контроль знаний агента AgStud с идентификацией его индивидуального состояния и рейтинговой оценкой в целом.

Основные события, связанные с поведением агента AgTeach, сводятся к следующему:

1. Передача знаний студентам в соответствии с учебным планом в течение аудиторных занятий. При этом качество транслируемой информации определяется когнитивным и эмоциональным состоянием преподавателя и оснащенностью аудиторий.

2. Промежуточный контроль успеваемости, аттестация и рейтинговая оценка студентов.

3. Итоговый контроль знаний (зачет, экзамен, переход к следующему этапу обучения).

Алгоритмизация поведения агентов связана с логистикой временных и условных событий и последующих действий [6, 7].

Так, поведение агента класса AgStud в процессе накопления знаний при задаваемых параметрах собственного состояния и среды обучения сводится к следующему дневному циклу с тремя фазами:

1. Активная фаза занятий по расписанию (лекции, практические и лабораторные занятия) связана с восприятием определенного объема представляемой информации или при пропуске занятия переход к другим фазам обучения (самостоятельной работе, упражнениям и самоконтролю) по продукционным правилам в зависимости от текущего состояния агента.

2. Фаза самостоятельной внеаудиторной работы по усвоению и восполнению упущенного материала в соответствии с когнитивным, эмоциональным и психофизиологическим состоянием агента путем обращения к вспомогательным средствам обучения (учебнику, конспекту, сети Internet, консультациям с другими интеллектуальными агентами класса Student и др.).

3. Самостоятельный контроль полученных текущих знаний (ответы на вопросы, тесты, решение задач и т.п.) и переход к фазе отдыха.

В зависимости от состояния агента AgStud в данный момент времени t актуализируется одно из следующих действий: обучение, отдых, социальное взаимодействие.

Общий алгоритм образовательного цикла агента AgStud показан на рис. 14.5.

В начале цикла моделирования задаются характеристики агента AgStud и рассчитываются исходные значения параметров и переменных векторов эмоционального, когнитивного, социального и личностного состояний.

Далее агенту сообщается расписание лекционных, практических и лабораторных занятий и свободное время, в которое он может заниматься самостоятельно или с другими агентами AgStud, консультациями с AgTeach или просто отдыхать.

В зависимости от уровня эмоциональной напряженности, когнитивного состояния и других факторов происходит процесс накопления знаний в соответствии с математическим описанием (14-1) – (14-7). На лекционных занятиях агент AgStud повышает уровень теоретических знаний, а на практических и лабораторных занятиях на основе полученной теоретической базы знаний повышается степень тренированности _тр.

Рис. 14.5. Общий алгоритм поведения агента AgStud в цикле обучения