Разработка интеллектуального агента глоссария с набором терминов по тематическим вопросам

Цель запроса может быть использована для получения специфической информации. Со стороны спецификации и поведения во время выполнения они очень похожи на цели достижения с одним лишь исключением. Цель запроса выставляет неявное целевое условие. Агент будет действовать, выполняя планы только в случае, когда необходимая информация не будет доступна.

Мета-цель используется для рассуждений мета-

уровня. Имеется в виду, когда бы не возникло событие или цель и определено, что необходимо произвести рассуждение мета-уровня (то есть, потому что существует множество подходящих планов), то соответствующая цель мета-уровня или событие будет создано и отправлено. После соответствующий мета-план выполняется, чтобы достигнуть мета-цели (то есть найти план для выполнения). Когда завершена мета-цель, результат содержит выбранные планы, которые запланированы на выполнение [14,17].

3.2.2 Планы агента. Планы представляют собой определенные действия агента в среде функционирования и предопределяются разработчиком системы, составляя библиотеку действия планов выполнения агентом. В зависимости от текущей ситуации выполнения системы, в которой функционирует агент, выбирается соответствующий план действия на выполнения агентом. Выбор планов осуществляется автоматически платформой Jadex.

Структура планов в Jadex состоит из двух частей: дескриптор плана (head plan), объявляемый в файле ADF, определяющий обстоятельства, при которых выполняется Java-класс плана (body plan), в котором определяются функции и дальнейшее функционирование системы. Для вызова плана в системе предусмотрено установка, так называемых меток реакции, триггеров плана. Они определяют внутренне сообщения и целевые события системы соответствующие планам. После чего начинается, выполняется класс плана из файла java. Существуют варианты выполнения плана при первом запуске агента, для этого агент инициализируется при запуске агента с первоначальными значениями выполнения плана.

Планы взаимодействуют и выполняются с целями и знаниями агента, которые влияют и модернизируют план для выхода в систему, обрабатывая полученное событие в рамках исполняемого агента [15,16].

3.2.3 Знания агента. Знания представляют осведомленность агента об окружающей среде и о себе непосредственно. В Jadex знания могут быть любые объекты java. Они сохранены в базе знаний и могут быть упомянуты в выражениях, доступны и изменяются в зависимости от планов, использующих базы знаний приложения. Знания описываются в ADF-файле и обращаются к измененному плану, определяя единственную оценку плана и соответствии его требуемым результатом. Знания состоят из фактов, которые ссылаются на суперклассы, определяя объекты классов.

В модуле знаний содержится, база знаний подобна простому хранилищу данных, которая позволяет чистую связь между различными планами посредством общедоступных знаний. Вопреки большинству PRS-стилей BDI системы, Jadex позволяет хранить произвольные объекты Java как знания в его базе знаний.

В Jadex есть два различных вида знаний. С одной стороны имеются знания, которые позволяют пользователю хранить только один факт, с другой стороны наборы знаний, что поддерживают хранение набора фактов. Использование знаний и наборов знаний как основного хранилища памяти для планов сильно поддерживается, потому что, использовать их для пользователя. Кроме того, возможно контролировать отдельные знаний относительно их условий и вызывать условия, когда соответствующее условие выполнено. Это позволяет вызывать некие действия, например, когда факт добавлен в набор знаний, или знание каким-то образом изменилось. Также можно ожидать выполнения некоторого сложного выражение, которое касается нескольких знаний.

ВЫВОДЫ

Мультиагентная технология с использованием интеллектуальных агентов применена в дистанционном обучении. Где каждому пользователю будет заданны агенты, которые способны автономно решать задачи, приобретать и систематизировать знания, строить модель пользователя на основе общения с ним и даже коммуницировать с другими агентами системы, позволят упростить и улучшить процесс получения человеком знаний и информации в мире. Агент – это автономная, реактивная вычислительная система, обычно с центральным местоположением контроля, поэтому может общаться с другими агентами через некоторый вид языка коммуникации. Другое общее представление агента - это активный объект или связанный процесс со способностью замечать причины и действия. Агентно-ориентированое программирование – это подход к созданию агентов, которые предоставляют их программирование в терминах мнений, как например план, факт, и цель. Мультиагентная система - система, составленная из многоразового, взаимодействия агентов. Мультиагентные системы есть достаточно мощным средством и с успехом применяется для широкого класса прикладных задач, включая те, которые тяжело, а иногда и совсем невозможно, решить другими методами.

Заметим, что по мере работы пользователя мультиагентная система имеет возможность получать все больше данных о его предпочтениях как явно (анкетирование, обработка пользовательских запросов), так и неявно (например, анализируя статистику посещения различных разделов). На базе этой информации можно строить эвристические классификации пользователей и предположения о «следующих шагах» пользователя, соответствующим образом подстраивать средства навигации, формировать образовательные сценарии (например, в зависимости от уровня подготовки пользователя или времени, которым он располагает).

Список терминов агента глоссария представляет собой небольшое количество ссылок на лекции, лабораторные работы, контрольные вопросы и другие знания, содержащиеся в системе, которые желательно посетить пользователю в данный момент.

Любое нажатие пользователя на гиперактивную ссылку активизирует агента и в последствии серию переговоров между агентами. На первом этапе переговоры осуществляются между агентами знаний и агентом пользователя, выявляя, таким образом, на этом шаге элементы знаний нашей системы, которые необходимы в данный момент пользователю.

В данной курсовой работе были использованные принципы мультиагентной системы. На основе интеллектуальных агентов была решена оптимизационная задача и разработана оптимальное предложение по использованию средств дистанционного обучения в сети Интернет.

Для выполнения задач, поставленных в курсовой работе:

- проанализированы методы оптимизации структур вычислительных систем;

- исследованы основные принципы и концепции интеллектуальных агентов;

- применено средство для поиска информации с помощью интеллектуальных агентов в мультиагентной системе для оптимизации работы дистанционного обучения;

- создан программный модуль, который реализует роботу интеллектуального агента глоссария соответственно заданным характеристикам, целям, планам и фактам системы для дистанционного обучения.

Основными функциями разработанного программного модуля есть поиск оптимального варианта дополнительной информации, которая в данный момент наиболее подходит для пользователя.

 Скачать реферат