基于多基于多Agent远程协同远程协同教学建模和仿真教学建模和仿真一、选题背景及研究意义近半个世纪以来,随着有效教学理论探讨和实践探索的深入,教学行为研究在教学论研究中开始崛起。从构成体系上看,远程教学行为研究应包含教师教导行为研究、学生学习行为研究和师生互动行为研究。然而,现有教学论意义上的教学行为研究过多地关注了教师教导行为和师生互动行为研究,对学生学习行为研究涉及较少。反观当前教育教学实践,学生在接受远程教育时一味听、记,学习效率低，往往不能与当面教学相媲美，在很大程度上与远程教育行为的单一、片面以及现场听课情况无人监督有关。只有对远程教育行为进行科学研究和优化指导,才能从根本上解决远程教育教学质量问题，提高学生学习效率。二、国内外研究概况 随着远程教育的不断发展，对学习支持服务的研究已经成为当前远程教育领域探讨的一个热点问题。实践证明，良好的学习支持服务是保障现代远程教育质量的一个重要内容。因此，目前研究现状如何，如何提高现有研究水平，未来研究的趋势和方向是什么，这是我们必须要考虑的几个问题。现代社会的高速发展,促使每个社会成员必须不断增加专业知识,更新自己的知识结构,由此出现了终身教育的问题。同时,由于教育资源的匮乏和地区不平衡性等原因,无法使所有的社会成员都接受传统的面对面教育,由此大众化教育也成为社会发展的需要,这些都是远程教育出现的契机。本文主要从国内外远程教育的发展、我国远程教育的现状及存在的问题三个方面进行详细的分析与讨论。远程教学研究概况远程教学研究概况 多多AgentAgent研究概况研究概况 什么是Agent对于基于Agent的计算来说是个尴尬的问题,就像人工智能主流研究中什么是智能这个问题一样。因为虽然Agent这个词被广泛地使用在相关领域中,却很难找到一个大家都能接受的定义。一般来说,Agent应该具有以下基本特性:Agent就是这样一种计算机系统,它能够适应一定的环境,并且能够根据环境特点自发行动,以达到Agent自身的设计目的。Agent就是一种能够通过传感器感知所处环境信息,并对环境施以一定影响的事物。Agent是一类处于复杂动态环境中的计算系统,它为了实现设计目标、任务,可以感知并影响自身所处的环境。Agent的主要特性的主要特性反应性(reactivity):Agent可以感知它所处的环境,并对环境的变化做出及时反应。自治性(autonomy):Agent可以在没有外界直接干预下,对自身的行为和状态进行某些控制。社会性(counicative):Agent可以通过某种通讯协议或通讯语言与环境中的其它Agent发生交互。主动性(Pro一activeness):Agent不仅简单地对环境变化做出被动反应,而且还能为达到某些目标采取主动行动。适应性(adaptive):Ageni可以在一定程度上对环境或其它Agont的变化作出响应,并相应调整自身的行为。理性(rational):Ageni可以根据自身内在目标,在不同状态条件下选择合适的行为,逼近目标状态。Agent的分类的分类反应型：在与周围环境交互中获取知识,通过与周围环境的交互来取得推理,从而逐步进化,其结构简单,但解决问题却十分高效,甚至解决了传统符号Al很难解决的问题。慎思型：具有协商、智能、意识的性能,并表现出意识形态。不同的意识态度表示着不同的Agent,对基于Agent的系统内部结构、运行和变化等也会不同。不同的Agent模型或系统对意识、智能也有不同的认识和划分。混合型：反应型Agent能及时而快速地响应外来信息和环境的变化,但其智能程度较低,也缺乏足够的灵活性。慎思型Agent具有较高的智能,但无法对环境的变化作出快速响应,而且执行效率相对较低。混合型综合了二者的优点。多Agent系统是Agent技术主要的发展方向,它由多个结构和功能较为简单的Agent组成,通过多个Agent间的协作,使整个系统具有丰富的知识和强大的功能。一个基本的MAS系统多多agent系统系统多多agent系统系统这些Agent一般在物理上或逻辑上是分散的,其行为是自治的,为了共同的任务或目标,利用某种协议将它们连接起来,通过协调、协商与协作来解决超出单个Agent能力或知识的问题。在MAS中,人们所关心的是如何将已有的Agent组织起来,共同完成单个Agent无法胜任的工作,现实系统大多属于多Agent系统。Swarm概述概述Swarm力图提供一个真实的系统模仿平台环境，在这个平台中，包含着许多实体，这些实体具有一定的智能性，能够影响他们周围的环境，相反，周围的环境也可以影响改变实体的属性。这种相互的影响就是交互的过程，交互工程所依据的规则是事先由用户决定的。Swarm主体构成结构主体构成结构Swarm的对象可以分成Model Swarm和Observer Swarm。Model Swarm是真实系统的模拟，基于真实的系统进行运行模拟，Observer Swarm创建的存储空间存放Model Swarm的对象。基于多Agent的swarm系统结构图 Hn（Heat)：学习热度，对学生学习热情的评估，可由学生课堂 发言质量直观表示。Sn(Study)：个人学习指数，是对学生Agent个人学习能 力、知识吸收的综合评价三、模型分析 Gn(Grade)：测评成绩，是对学生学习能力的评价的直观结果，可通过课堂测试、阶段性测试等形式获取，是各 测试结果的直观数字结果。En(Extra)：附加指数,指学生学习指数的附加能力项，如课 程相关证书获取质量、课余项目完成数量、阶 段性研究成果等等。学生学生Agent相关指数相关指数各指数量关系图各指数量关系图学生学习指数学生学习指数SSSSSSn又可拆分为S1,S2,S3,S4.Sn 即为N个学生Agent的综合计量指数是对参与课堂所有学生通过远程课堂学习收益的均衡性指数。即SSn 为Sn与SSn-1 通过综合计算指数，通过综合计算所得出的最客观体现N个学生综合学习收益的指数。环境热度环境热度 助理教师 Agent 在对学生Agent进行课堂辅导的过程中，Teacher 对环境热度的影响是决定性的。也就是说，助理教师在授课过程中体现出的热度都是对学生听课热情的直接影响。这意味着，Assistant的热度值（AH）与单个Student Agent 的Hn值直接相关。即，AA Hn=Hn=AA,n(n为AH对每个学生Agent的影响系数，AH对每个学生的影响程度不同)。仿真结果分析仿真结果分析1）当自由度较低时，学生移动可选性低，学生Agents会出现小簇团。2）当自由度适中时，学生移动可选性适中，学生Agents会出现大簇团。3）而当自由度较高时，学生移动可选范围非常大，学生Agents反而分布的特别零散。低Er指数仿真结果图图5.8 高Er指数仿真结果图高Er指数仿真结果图1）当学生Er值较低，即每个学生Agent热值扩散指数较低时，每 个Agent向环境Agent传递热度较少时，直接对应环境热度较低。并且，随着时间增加，学生对问题的兴趣度虽然有所上升，但 仍未稳定在一个较理想的低值状态。2）当学生Er值较高，即每个学生Agent想环境Agent热度贡献值都 比较高。并且，随时间增加，学生对问题的兴趣度明显上升，最后稳定在一个非常低的稳定状态。由此可知，只有当多数学生Agent的发言量都达到一定高度后，学生所处课堂环境的热度也会被影响持续走高，并反过来激励其他学生主动发言。所以，远程协同教学中的教师助理Agent需要控制好Er值，对学生进行适当的引导。对比结果分析对比结果分析谢谢各位老师，谢谢各位老师，敬请批评指正！敬请批评指正！