Агент - ориентированная модель динамики знаний в сообществе искусственных агентов

Агент - ориентированная модель динамики знаний в сообществе искусственных агентов

Первые результаты

Малкова Дарья, Рубцова Анастасия

г. Химки, МБОУ Лицей №11, класс 10-А

Научный руководитель:

Область исследования: агент-ориентированное моделирование социальных процессов, искусственная жизнь, среда NetLogo.

Цель проекта: Построить имитационную модель передачи и получения знаний в сообществе агентов: «ученых», «учителей» и «учеников». Проследить динамику изменения уровня знаний у агентов. Исследовать поведение системы при различных входных параметрах.

Ключевые слова: агенты, уровень IQ, мотивация, социальное взаимодействие.

Введение

Термин «Социальное моделирование» появился довольно давно. В 1978 году в городе Воронеже впервые была организована школа-семинар «Системное моделирование социальных экономических процессов», её участники призывали специалистов переходить от экономического моделирования к социальному.

Социальное моделирование стало новым мощным направлением в общественных науках. Уже четырежды в разных частях света – в Киото, Вашингтоне, Касселе, Тайбэе – проводился мировой конгресс по социальному моделированию (World Congress on Social Simulation). Более подробную информацию о нём на русском языке можно получить на сайте Лаборатории искусственных обществ. Существуют специализированные здания, например онлайн журнал JASSS (Journal of Artificial Societies and Social Simulation), уже ставший достаточно известным.

JASSS (Журнал искусственных обществ и социального моделирования) междисциплинарный журнал для изучения и понимания социальных процессов с помощью компьютерного моделирования. Журнал был выпущен в 1998 году. С тех пор он стал ведущим источником информации для читателей, интересующихся социальным моделированием и исследованием социальных явлений с помощью компьютерного моделирования.

Для исследования социальных явлений подходят агент-ориентированные модели (АОМ).

Определений агент-ориентированных моделей достаточно много. Одно из них, АОМ – модель, обладающая следующими основными свойствами:

Автономность Неоднородность Ограниченная интеллектуальность агентов (ограниченная рациональность) Расположение в пространстве

Главной особенностью АОМ является наличие в них большого числа взаимодействующих друг с другом агентов (в нашей модели этими агентами являются «ученики», «учителя» и «ученые»)

Общие положения модели

Данная работа развивает модель, предложенную в [1], в которой было проведено исследование агентов, обменивающихся знаниями и  взаимодействующих в социальной среде.

Основные положения модели состоят в следующем. Рассматриваются агенты: «ученые», «учителя» и «ученики». Агенты имеют определенный запас знаний, который могут передавать друг другу. Агенты двигаются в двумерном пространстве в любом направлении и имеют конечный горизонт видения. В отличие от модели в работе [1] в данной модели вводится понятие «мотивация агентов». Мотивация характеризует желание агента обучаться. При встрече с другим агентом происходят следующие процессы: передача знаний, получение знаний, обмен знаниями.  Также агенты имеют внутренние часы, которые отвечают за время, которое агенты отдыхают после передачи знаний.  Изложим взаимодействие агентов подробнее.

В начальный момент времени в мире имеется конечное число агентов всех типов, двигающихся в произвольном направлении.  Текущее состояние агентов определяется количеством знаний, которыми они обладают. Уровень знания для каждого агента задается случайно в начальный такт времени. Считаем, что уровень знаний ученных больше чем уровень знаний учителей и учеников, а уровень знаний учителя больше чем уровень знаний ученика.

Поведение ученого. Ученый двигается в пространстве в случайном направлении. В каждый такт времени ученый обозревает мир вокруг себя и, если в пределах его видимости оказался другой ученый, который  готов  передать знания, он перемещается к нему, и знания обоих ученных увеличиваются. Если в пределах видимости несколько ученых, выбирается тот, кто имеет больше знаний и готов их передавать. При отсутствии ученых в поле зрения, ученый ищет учителей, и, если они есть, то ученый переходит к учителю с максимальным знанием и останавливается в его поле зрения.

Поведение учителя. Учитель также двигается в случайном направлении. Если он видит ученых, готовых передавать знания, то учитель перемещается  к ученому с максимальным уровнем  знания, иначе выбирается учитель с максимальным знанием. В противном случае учитель перемещается к случайному ученику и передает часть своих знаний ему, если он готов учиться.

Если не происходит получения знания, то количество имеющихся знаний у агентов незначительно уменьшается.

Поведение ученика. Ученик может получать  знания от учителей и учеников. Поведение аналогично поведению учителя.

Формальное описание модели

Полагаем, что имеется сообщество из N ученных, M  учителей и К учеников. Введем следующие обозначения: as – номер учёного, at– номер учителя, ap – номер ученика; Iqs– уровень знаний учёного, Iqt – уровень знаний учителя, Iqp – уровень знаний ученика.

Уровни мотиваций mas, mat, map академиков, учителей и учеников соответственно, могут принимать значения от 0 до 1.

Формулы для расчета прироста знаний:

Встреча двух «ученых»:

Iqs(as1) = Iqs(as1) + mas1*F(Iq(as2));

Iqs(as2) = Iqs(as2) + mas2*F(Iq(as1));

Функция F определяет, какая часть знаний выбранного агента будет передаваться. Функция F одинакова для всех агентов. При компьютерном моделировании считалось, что функция F(x) имеет вид , где а – положительный параметр. 

Встреча «учителя» и «ученого»:

Iqt(at) = Iqt(at) + mat*F(Iq(as)) – у учителя происходит прирост знаний.

У ученого прироста знаний не происходит.

Встреча  двух «учителей»:

Iqt(at1) = Iqt(at1) + mat1*F(Iq(at2))

Iqt(at2) = Iqt(at2) + mat2*F(Iq(at1))

Встреча «ученика»  и «учителя»:

Iqp(ap) = Iqp(ap) + map*F(Iq(at)) – происходит прирост знаний у ученика, знания учителя не меняются.

Встреча двух «учеников»:

Iqp(ap1) = Iqp(ap1) + map1*F(Iq(ap2))

Iqt(ap2) = Iqp(ap2) + map2*F(Iq(ap1)).

Результаты моделирования

Описанная выше модель была реализована в виде компьютерной программы в среде NetLogo 5.0.5.

NetLogo – среда программирования для моделирования природных и социальных явлений. Автором является Ури Виленский, который создал её в 1999 году, с тех пор она находится в постоянном развитии, в центре Connected Learning компьютерно-ориентированного моделирования.

NetLogo особенно хорошо подходит для моделирования сложных систем, развивающихся с течением времени. Разработчик модели может давать указания сотням или тысячам агентов, действующих независимо. Это создаёт возможность исследовать связь между поведением на микро-уровне отдельных индивидуальностей и макро-уровне моделей, которые возникают в результате взаимодействия многих индивидуальностей.

NetLogo позволяет создавать модели (достаточно продвинутые и качественные) и «играть» с ними, изучая их поведение при различных условиях.

NetLogo – мощный инструмент для исследователей во многих областях: биология, химия, физика, математика, социальные науки и так далее.

Приведем результаты нескольких экспериментов.

Случай 1. N=100, M=100, K=100, mas =1, mat=1, map=1, a=1, clock=5, горизонт видения равен 10.

Рис. 1. Результат эксперимента при широком горизонте видимости

На рис.1 видно, что агенты объединяются в группы, и уровень знаний у них растет.

Случай 2. N=100, M=100,K=100, mas =1, mat=1, map=1, a=1, clock=5, горизонт видения  равен 1.

Рис. 2. Результат эксперимента при малом горизонте видимости

Рис. 2 демонстрирует, что при малом горизонте видения у агентов не могут возникать группы. Также в результате эксперимента было получено, что количество знаний учеников не увеличивается. Если рассмотреть те же параметры, но при малой мотивации  мы получим, что количество всех агентов стремится к нулю (рис. 3).

Случай 3. N=100, M=100,K=100, mas =0.3, mat=0.3, map=0.3, a=1, clock=5, горизонт видения  равен 8.

Рис. 3. Результат эксперимента при малой мотивации.

Рис. 3 демонстрирует результат работы программы при большой видимости, но малой мотивации к учению у агентов.

Заключение

Таким образом, построена многоагентная модель динамики знаний в сообществе искусственных агентов. Продемонстрирована работоспособность модели и получены первые результаты компьютерных экспериментов. Проанализировано влияние параметров модели на исследуемые процессы. 

Библиографический список

, Социальное моделирование – новый компьютерный прорыв (агент-ориентированные модели). Москва: Экономика, 2013 - 295 с. http://dkhramov. /index. php? n=Logo http://ifets. ieee. org/russian/depository/v12_i2/html/8.htm http://dkhramov. /index. php? n=Stu. ABM4GIS