基于MAS的虚拟导师资源自组织协同机制研究

李春生，刘冬洋，胡亚楠，李朝霞

(东北石油大学 计算机与信息技术学院，黑龙江 大庆 163318)

0 引 言

随着社会对人才需求的不断变化，各高校纷纷展开人才培养新模式的探索。目前，网络信息技术的进步推动了网络教学的发展，国内许多高校通过线上教育教学推动人才的个性化培养[1-2]。而随着网络教学规模的扩张，越来越多的人开始意识到教学资源的重要性。近年来，国内许多高校在网络教学资源建设上花了大量精力，也取得了许多成绩。但从总体上来说，网络教学资源的建设仍存在许多薄弱环节，亟待变革和创新[3]。具体表现在以下几个方面：(1)资源的实用性和针对性不足。大部分的教学资源只是对线下教学资源的堆砌，虽然教学资源的数量越来越多，但是收集和开发的质量不高，教学资源缺乏实用性与针对性；(2) 网络教学资源利用率低。大量课程仍缺乏适合学习者自主学习的资源，这也间接导致教学资源的应用程度不高，甚至很多的网络教学资源处于闲置状态；(3)缺乏个性化定制能力。目前普及型教育忽视了针对学习者个体的科研环境和教育资源组织，不能满足学习者的个性化学习需求[4-8]。

针对上述问题，文中展开了基于MAS(multi-agent systems，多智能体系统)[9-10]的虚拟教师资源自组织协同机制研究。首先，构建现有教学资源自组织模型作为系统实现的理论指导；其次，设计基于MAS的资源自组织协同机制，提供个性化推送方法；最后，开发基于MAS的虚拟教师资源自组织系统，验证模型的可行性，同时辅助高校人才的个性化培养[11]。

1 虚拟教师资源自组织模型

为了改善现有资源分配方式、增强个性化资源组织能力，在研究现有教学资源自组织模型的基础上，引入虚拟教师为学生提供个性化资源定制服务。虚拟教师资源自组织模型主要分为学习者分析、方案定制、资源分配和实时监督四个部分，如图1所示。

图1 虚拟教师资源自组织模型

(1)学习者分析。

虚拟教师在学生学习前通过网络问卷的形式向学习者发放调查问卷，初步判断学习者学习风格、测试其初始能力水平，以此作为制定学习者个性化环境方案或培养方案的依据；并在学习过程中监督学习者学习行为、分析其风格特征，并通过“量表+行为分析”的方式避免造成主观性分析结果的不准确，提高对学习者特征分析的精准性和科学性。除此之外，虚拟导师分析学习者需求、确定其学习目标，并通过信息解释明确其学习需求方向与需求内容[12]。

(2)方案定制。

虚拟导师根据学习者个性化需求，采用“定制代理+专家知识库”的形式定制相应的个性化环境方案或培养方案。个性化环境方案或培养方案以学习者实际需求为核心，以学习者特征为依据，将培养方案拆解为子目标并制定相应的子方案。除此之外，虚拟导师也将通过监听反馈机制动态调整环境方案或培养方案，以此满足学习者不同时期的不同实际需求。

(3)资源分配。

虚拟导师基于环境方案或培养方案为学习者分配相关软硬件科研环境或教学资源，真正实现学习者个性化需求定制。

(4)实时监督。

虚拟教师实施双向监督，由监督代理负责监督学习者学习进度、学习状态和其他代理的工作情况。目的是为更好地掌握学习者学习状态，为学习者提供个性化、实时的学习资源，同时根据监督结果实现虚拟教师自学习，逐步完善自身功能。

2 基于MAS的资源自组织协同机制

为实现异构资源整合、提高资源分配效率，引入MAS以实现需求定制分配。MAS是是一种分布式自主系统。其社会性表现在Agent间的交互，主要研究Agent如何协调各自的知识、目标、策略和规划[13]。在表达实际系统时，MAS通过各Agent间的通讯、合作、互解、协调、调度、管理及控制来表达系统的结构、功能及行为特性[14]。因此，按照计划、调度和执行控制设计基于MAS的资源自组织协同机制，可分为三个层次，如图2所示。

图2 基于MAS的资源自组织协同机制

(1)协作计划层。

协作计划层主要承担协作管理、任务管理与资源管理三项职能。协作管理负责接收虚拟教师下达的计划任务；任务管理负责按照任务需求详细分解任务；资源管理负责协调和组织任务所需资源容量。

(2)调度决策层。

调度决策层主要职能包括全局优化调度、任务投放控制及任务执行监控。全局优化调度考虑资源的分布性，调度过程中采用协商形式进行；任务投放控制综合考虑任务优先级与资源系统能力约束，决定任务分配顺序与时间；执行任务监控则对已分配的任务进行监督，跟踪任务执行过程，对任务执行结果与偶发性事件做出反馈。

(3)资源分配层。

资源分配层主要包括服务资源分配与资源状态监控两部分。服务资源分配是针对已决策任务确定其执行过程中所需资源；资源状态监控则是在任务执行过程中监督资源状态是否为空闲、工作或故障[15]。

3 基于MAS的资源自组织系统

基于MAS的虚拟教师资源自组织系统通过公共对象请求代理方式为Agent通信提供环境支撑[16]；同时设计管理Agent和任务Agent实现教学资源的整合，具体描述如下：

3.1 系统集成框架

在分布式MAS系统中，Agent通过P2P方式实现信息共享和任务协作。完整的系统框架包括三个层次：数据层、业务逻辑层和应用层，如图3所示。

图3 系统总体框架

数据层包含业务知识库和运转知识库。业务知识库为人才培养提供资源支撑，包括学习者管理库、特征分析库、培养资源库、测试试题库、培养策略库和操作日志库等；运转知识库为各职能教学Agent的正常运转提供知识保障，包括Agent基本信息库、Agent职能库、Agent运行信息库、Agent通信库、Agent任务信息库和Agent状态库等。

逻辑层为资源组织与环境配置过程中所需的系统服务提供技术支撑。以数据层包含的业务数据和培养资源为基础，设计学习者分析机制并引入教学组作为实现虚拟导师个性化培养的核心部分，具体包括定制Agent、管理Agent、监督Agent等。逻辑层的主旨是为应用层提供组件。

系统应用层为学习者提供服务支持，主要包括学习者管理、培养资源管理、科研环境管理、答疑解惑、测试与评价等功能。

3.2 基于Agent的虚拟导师

系统中Agent主要包括管理Agent与任务Agent，管理Agent接收虚拟教师的定制任务，并将任务分解为更为详细的作业任务，同时预测和分析计划期内资源负荷情况，协调和组织任务Agent；任务Agent负责执行管理Agent分配的相应子任务。其中，任务Agent又分为定制Agent、监督Agent、资源管理Agent。以下是详细的Agent的设计。

(1)定制Agent由信息模块、信息解释设备、方案定制机制、知识库、Agent运行信息库、控制器、通信机制和培训方案输出模块组成。其中学习者信息库和培训资源库为实现个性化环境方案或培养所需的外部资源。

(2)监督Agent由接受信息模块、信息解释设备、监督机制、知识库、Agent运行信息库、控制器、通信机制、监督列表和执行监督模块组成。

(3)资源组织Agent由接受信息模块、信息解释设备、资源组织机制、学习者信息库、知识库、Agent运行信息库、控制器、通信机制、任务列表和资源组织模块组成。

(4)管理Agent：负责各Agent任务分配和调控，其结构主要由接受信息模块、信息解释设备、调控机制、知识库、Agent运行信息库、控制器、通信机制、任务列表、调控调度器和调控调度任务模块组成。

4 实验与测试

以大庆油田第二采油厂三采室，三次采油业务技能培训过程中资源自组织为例。

首先，通过在线测试分析学习者一般特征、初始能力分析、学习风格三项内容，以此推荐适用于不同学习风格类型的培训活动，如图4所示。

图4 学习者特征分析

其次，采用Agent资源自组织机制，根据学习者学习风格与初始能力定制培训方案与适用于学习者的培训资源，如图5所示；实施培训过程如图6所示；虚拟仿真培训过程如图7所示。

图5 学习者培养方案制定

图6 培训资源的自组织过程

图7 虚拟仿真过程

最后，通过考试评估测评学生的学习情况，进而验证基于MAS的教学资源自组织协同机制的有效性，如图8所示。

图8 考试考核过程

5 结束语

结合人才培养需求，文中提出了虚拟教师资源自组织模型，设计了基于MAS的虚拟教师资源自组织系统，为人才培养提供了颇具价值的理论参考与平台支撑；项目的实践价值突出，将系统应用到高校人才培养中，为学习者提供个性化科研环境与学习资源，实现个性化培养，可以有效提高学习者学习积极性。今后，将继续深入研究如何使虚拟导师具备学习能力，以提高虚拟导师的环境适应度、进一步挖掘虚拟导师的潜在价值。