基于多Agent遠程協(xié)同教學(xué)建模和仿真

基于多Agent遠程協(xié)同教學(xué)建模和仿真一、選題背景及研究意義近半個世紀(jì)以來,隨著有效教學(xué)理論探討和實踐探索的深入,教學(xué)行為研究在教學(xué)論研究中開始崛起。從構(gòu)成體系上看,遠程教學(xué)行為研究應(yīng)包含教師教導(dǎo)行為研究、學(xué)生學(xué)習(xí)行為研究和師生互動行為研究。然而,現(xiàn)有教學(xué)論意義上的教學(xué)行為研究過多地關(guān)注了教師教導(dǎo)行為和師生互動行為研究,對學(xué)生學(xué)習(xí)行為研究涉及較少。反觀當(dāng)前教育教學(xué)實踐,學(xué)生在接受遠程教育時一味聽、記,學(xué)習(xí)效率低，往往不能與當(dāng)面教學(xué)相媲美，在很大程度上與遠程教育行為的單一、片面以及現(xiàn)場聽課情況無人監(jiān)督有關(guān)。只有對遠程教育行為進行科學(xué)研究和優(yōu)化指導(dǎo),才能從根本上解決遠程教育教學(xué)質(zhì)量問題，提高學(xué)生學(xué)習(xí)效率。二、國內(nèi)外研究概況隨著遠程教育的不斷發(fā)展，對學(xué)習(xí)支持服務(wù)的研究已經(jīng)成為當(dāng)前遠程教育領(lǐng)域探討的一個熱點問題。實踐證明，良好的學(xué)習(xí)支持服務(wù)是保障現(xiàn)代遠程教育質(zhì)量的一個重要內(nèi)容。因此，目前研究現(xiàn)狀如何，如何提高現(xiàn)有研究水平，未來研究的趨勢和方向是什么，這是我們必須要考慮的幾個問題?，F(xiàn)代社會的高速發(fā)展,促使每個社會成員必須不斷增加專業(yè)知識,更新自己的知識結(jié)構(gòu),由此出現(xiàn)了終身教育的問題。同時,由于教育資源的匱乏和地區(qū)不平衡性等原因,無法使所有的社會成員都接受傳統(tǒng)的面對面教育,由此大眾化教育也成為社會發(fā)展的需要,這些都是遠程教育出現(xiàn)的契機。本文主要從國內(nèi)外遠程教育的發(fā)展、我國遠程教育的現(xiàn)狀及存在的問題三個方面進行詳細的分析與討論。遠程教學(xué)研究概況

多Agent研究概況

什么是Agent對于基于Agent的計算來說是個尷尬的問題,就像人工智能主流研究中什么是智能這個問題一樣。因為雖然Agent這個詞被廣泛地使用在相關(guān)領(lǐng)域中,卻很難找到一個大家都能接受的定義。一般來說,Agent應(yīng)該具有以下基本特性:Agent就是這樣一種計算機系統(tǒng),它能夠適應(yīng)一定的環(huán)境,并且能夠根據(jù)環(huán)境特點自發(fā)行動,以達到Agent自身的設(shè)計目的。Agent就是一種能夠通過傳感器感知所處環(huán)境信息,并對環(huán)境施以一定影響的事物。Agent是一類處于復(fù)雜動態(tài)環(huán)境中的計算系統(tǒng),它為了實現(xiàn)設(shè)計目標(biāo)、任務(wù),可以感知并影響自身所處的環(huán)境。Agent的主要特性反應(yīng)性(reactivity):Agent可以感知它所處的環(huán)境,并對環(huán)境的變化做出及時反應(yīng)。自治性(autonomy):Agent可以在沒有外界直接干預(yù)下,對自身的行為和狀態(tài)進行某些控制。社會性(co~unicative):Agent可以通過某種通訊協(xié)議或通訊語言與環(huán)境中的其它Agent發(fā)生交互。主動性(Pro一activeness):Agent不僅簡單地對環(huán)境變化做出被動反應(yīng),而且還能為達到某些目標(biāo)采取主動行動。適應(yīng)性(adaptive):Ageni可以在一定程度上對環(huán)境或其它Agont的變化作出響應(yīng),并相應(yīng)調(diào)整自身的行為。理性(rational):Ageni可以根據(jù)自身內(nèi)在目標(biāo),在不同狀態(tài)條件下選擇合適的行為,逼近目標(biāo)狀態(tài)。Agent的分類反應(yīng)型：在與周圍環(huán)境交互中獲取知識,通過與周圍環(huán)境的交互來取得推理,從而逐步進化,其結(jié)構(gòu)簡單,但解決問題卻十分高效,甚至解決了傳統(tǒng)符號Al很難解決的問題。慎思型：具有協(xié)商、智能、意識的性能,并表現(xiàn)出意識形態(tài)。不同的意識態(tài)度表示著不同的Agent,對基于Agent的系統(tǒng)內(nèi)部結(jié)構(gòu)、運行和變化等也會不同。不同的Agent模型或系統(tǒng)對意識、智能也有不同的認(rèn)識和劃分?；旌闲停悍磻?yīng)型Agent能及時而快速地響應(yīng)外來信息和環(huán)境的變化,但其智能程度較低,也缺乏足夠的靈活性。慎思型Agent具有較高的智能,但無法對環(huán)境的變化作出快速響應(yīng),而且執(zhí)行效率相對較低?；旌闲途C合了二者的優(yōu)點。多Agent系統(tǒng)是Agent技術(shù)主要的發(fā)展方向,它由多個結(jié)構(gòu)和功能較為簡單的Agent組成,通過多個Agent間的協(xié)作,使整個系統(tǒng)具有豐富的知識和強大的功能。一個基本的MAS系統(tǒng)多agent系統(tǒng)多agent系統(tǒng)這些Agent一般在物理上或邏輯上是分散的,其行為是自治的,為了共同的任務(wù)或目標(biāo),利用某種協(xié)議將它們連接起來,通過協(xié)調(diào)、協(xié)商與協(xié)作來解決超出單個Agent能力或知識的問題。在MAS中,人們所關(guān)心的是如何將已有的Agent組織起來,共同完成單個Agent無法勝任的工作,現(xiàn)實系統(tǒng)大多屬于多Agent系統(tǒng)。Swarm概述Swarm力圖提供一個真實的系統(tǒng)模仿平臺環(huán)境，在這個平臺中，包含著許多實體，這些實體具有一定的智能性，能夠影響他們周圍的環(huán)境，相反，周圍的環(huán)境也可以影響改變實體的屬性。這種相互的影響就是交互的過程，交互工程所依據(jù)的規(guī)則是事先由用戶決定的。Swarm主體構(gòu)成結(jié)構(gòu)Swarm的對象可以分成ModelSwarm和ObserverSwarm。ModelSwarm是真實系統(tǒng)的模擬，基于真實的系統(tǒng)進行運行模擬，ObserverSwarm創(chuàng)建的存儲空間存放ModelSwarm的對象。基于多Agent的swarm系統(tǒng)結(jié)構(gòu)圖

Hn（Heat)：學(xué)習(xí)熱度，對學(xué)生學(xué)習(xí)熱情的評估，可由學(xué)生課堂

發(fā)言質(zhì)量直觀表示。Sn(Study)：個人學(xué)習(xí)指數(shù)，是對學(xué)生Agent個人學(xué)習(xí)能

力、知識吸收的綜合評價三、模型分析

Gn(Grade)：測評成績，是對學(xué)生學(xué)習(xí)能力的評價的直觀結(jié)果，

可通過課堂測試、階段性測試等形式獲取，是各

測試結(jié)果的直觀數(shù)字結(jié)果。

En(Extra)：附加指數(shù),指學(xué)生學(xué)習(xí)指數(shù)的附加能力項，如課

程相關(guān)證書獲取質(zhì)量、課余項目完成數(shù)量、階

段性研究成果等等。學(xué)生Agent相關(guān)指數(shù)各指數(shù)量關(guān)系圖學(xué)生學(xué)習(xí)指數(shù)SSSSn又可拆分為S1,S2,S3,S4...Sn即為N個學(xué)生Agent的綜合計量指數(shù)是對參與課堂所有學(xué)生通過遠程課堂學(xué)習(xí)收益的均衡性指數(shù)。即SSn為Sn與SSn-1

通過綜合計算指數(shù)θ，通過綜合計算所得出的最客觀體現(xiàn)N個學(xué)生綜合學(xué)習(xí)收益的指數(shù)。環(huán)境熱度

助理教師

Agent在對學(xué)生Agent進行課堂輔導(dǎo)的過程中，Teacher對環(huán)境熱度的影響是決定性的。也就是說，助理教師在授課過程中體現(xiàn)出的熱度都是對學(xué)生聽課熱情的直接影響。

這意味著，Assistant的熱度值（AH）與單個StudentAgent的Hn值直接相關(guān)。

即，AA∝Hn=>Hn={AA,αn}(αn為AH對每個學(xué)生Agent的影響系數(shù)，AH對每個學(xué)生的影響程度不同)。仿真結(jié)果分析1）當(dāng)自由度較低時，學(xué)生移動可選性低，學(xué)生Agents會出現(xiàn)小簇團。2）當(dāng)自由度適中時，學(xué)生移動可選性適中，學(xué)生Agents會出現(xiàn)大簇團。3）而當(dāng)自由度較高時，學(xué)生移動可選范圍非常大，學(xué)生Agents反而分布的特別零散。低Er指數(shù)仿真結(jié)果圖圖5.8高Er指數(shù)仿真結(jié)果圖高Er指數(shù)仿真結(jié)果圖1）當(dāng)學(xué)生Er值較低，即每個學(xué)生Agent熱值擴散指數(shù)較低時，每

個Agent向環(huán)境Agent傳遞熱度較少時，直接對應(yīng)環(huán)境熱度較低。

并且，隨著時間增加，學(xué)生對問題的興趣度雖然有所上升，但

仍未穩(wěn)定在一個較理想的低值狀態(tài)。2）當(dāng)學(xué)生Er值較高，即每個學(xué)生Agent想環(huán)境Agent熱度貢獻值都

比較高。并且