WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

ЗАДАЧА СОСТАВЛЕНИЯ РАСПИСАНИЙ:

РЕШЕНИЕ НА ОСНОВЕ МНОГОАГЕНТНОГО ПОДХОДА Т.С. Бабкина, старший преподаватель кафедры информационных систем и технологий Нижегородского филиала Государственного университета – Высшей школы экономики Разработана оригинальная математическая модель составления раписаний учебных заведений с учётом индивидуальных предпочтений и проанализированы методы многоагентной оптимизации.

Общая постановка задачи и математическая модель Каждая группа входит в один или несколько потоков. При объединении групп в один поток роведённый анализ показал большую перс используются следующие принципы:

пективность применении многоагентного 1. Группы в потоке используют один и тот же ау Пподхода к решению задачи составления диторный фонд. Например, поток «Гуманитарные учебного расписания. Использование парадигмы предметы, ФИСТ, 4 ый курс», состоящий из групп взаимодействия большого числа независимых ра 99 ПМ, 99 РРТ, 99 Р 1, 99 Р 2, 99 ССК, использу циональных сущностей для поиска оптимального ет аудиторный фонд из двух аудиторий на 120 мест.

расписания позволяет учитывать предпочтения ин 2. Лекции читаются всему потоку одновременно.

дивидуальных пользователей о времени и месте 3. У каждого потока есть хотя бы одно занятие.

проведения занятий, повысить качество получае 4. Поток может состоять из одной учебной груп мого расписания и полностью учесть свойственный пы. Например, поток «Прикладная математика, этой задаче распределённый характер;

составлять предметы по специальности, 4 ый курс» состоит из расписание аудиторного фонда и любых других ви одной группы 99 ПМ.

дов ресурсов. В этом важное отличие многоагент ного подхода от других известных алгоритмов, где R – множество номеров учебных потоков.

составляются только расписания по времени. |R|= – количество потоков.

Основа построения собственного многоагент r R – номер потока. Каждая группа самостоя ного алгоритма составления учебного расписания – тельный поток, поэтому.

точная постановка задачи в виде математической Cr G – поток. Потоком называется любое под модели. В целях упрощения изложения в такой мо множество множества групп.

дели будем называть лиц, заинтересованных в ре C = {C1, C2,..., Cp – множество всех потоков. По зультатах процесса составления расписания, поль токи могу пересекаться между собой.

зователями расписания. К ним относятся препода ватели и учебные группы. Роль первых – провести Преподаватели.

лекционное или практическое занятие;

роль по p P – номер преподавателя;

следних – присутствовать на занятиях. Введём сле P – множество всех преподавателей.

дующие обозначения. |P|= – количество преподавателей.

Учебные группы и потоки. Пользователи расписания.

g G – номер учебной группы. Объединение множества всех групп с множе G – множество номеров всех учебных групп. ством всех преподавателей: M = G P, m M – |G| = – количество групп. уникальный номер пользователя расписания.

БИЗНЕС ИНФОРМАТИКА №1–2008 г. Время. Количество практических занятий:

w Wg – номер учебного дня недели;

Wg W = {1, 2,..., 7} – множество учебных дней группы;

g, W – множество всех дней недели. j J = {1, 2,..., 8} – номер учебной пары. T = {(w, j) | w W, j J} – где: |Cr| – количество групп в потоке.

множество таймслотов. Таймслотом называется элементарная единица времени в задаче составления При дальнейшем описании задачи нам в боль расписания. Например, таймслот (1, 2) означает: поне шинстве случаев будет неважно, какое занятие рас дельник, вторая пара. Для каждого пользователя m из сматривается – лекционное или практическое. По вестно множество таймслотов, когда он свободен, то этому под занятием будем понимать элемент из + есть в это время занятие может быть проведено Tm T, объединения двух множеств – множества лекцион + и множество недоступных таймслотов Tm T (TmTm ных и множества практических занятий:

+ = T;

TmTm = ), например, выходные дни, когда за нятия не могут быть проведены.

Учебный план закрепляет за каждым преподавате Занятия. лем предметы, которые он должен будет провести в Преподаватели проводят лекционные и практи течение семестра. Назначение лекционных занятий:

ческие занятия. Лекционные занятия проводятся у всего потока сразу. Практические занятия – только у одной группы;

требуют другого аудиторного фон где: P – множество преподавателей;

да. Например, практические занятия по информа RS – множество лекционных занятий.

тике должны проходить в компьютерном классе.

Введём следующие обозначения для занятий. Например, 1(1, 2) = 4 означает, что преподава Sr = {1, 2,..., r} – множество номеров лекцион тель номер 4 ведет занятие номер 2 из списка лек ных занятий, читаемых на потоке r;

sr Sr – номер ционных занятий потока номер 1.

лекционного занятия;

Учебный план практических занятий:

Qr = {1, 2,..., r} – множество номеров практи ческих занятий, проводимых на потоке r;

qr Qr – номер практического занятия;

где: RQG – множество троек: «номер потока – Глобально уникальным идентификатором заня номер практического занятия – номер груп тия будет пара «номер потока – номер занятия на пы».

потоке». Занятия существенно зависят от потока.

Так, «физика на 2 м курсе» отличается по содержа Например, C1 = {3, 4, 5} – поток 1 состоит из нию от «физика на 3 м курсе». групп 3, 4, 5;

Q1 = {1, 2} – у потока 1 всего два прак Лекционное занятие однозначно идентифици тических занятия;

запись 2(1, 2, 4) = 7 означает, что руется парой значений «номер потока – номер лек у группы с номером 4, которая входит в поток 1, ционного занятия»: (r, sp), где практическое занятие номер 2 ведёт преподаватель 7.

В общем случае учебный план можно записать так:

(1) (3) есть множество всех лекционных занятий. где:

Количество лекционных занятий:

Зная учебный план, можно вычислить следую Практическое занятие однозначно идентифициру щую величину: множество занятий, проводимых ется тройкой значений «номер потока – номер прак пользователем преподавателем (или для пользова тического занятия – номер группы»: (r, g, qr) RQG, теля группы) с номером m:

где (2) (4) есть множество всех практических занятий.

24 БИЗНЕС ИНФОРМАТИКА №1–2008 г.

Аудиторный фонд – множество аудиторий, где 3. У одной группы в каждый момент времени могут быть проведены занятия. может проводиться не более одного занятия.

A – множество всех аудиторий и помещений.

Для каждого занятия e выделяется некоторое подмножество аудиторий Ae A;

аудитория для (9) проведения занятия выбирается только из этого подмножества. Другими словами, для каждых двух пересекаю щихся потоков в каждый момент времени не может Неизвестные функции задачи. Неизвестные быть разных лекционных занятий в одно и то же в данной задаче – расписание времени и расписание время и для каждой группы не может быть разных аудиторий. Расписание времени – отображение практических занятий в одно и то же время. Это множества предметов на множество таймслотов: ограничение удобно проверять, предварительно разбив все занятия на классов. В класс (5) где: E – множество всех занятий;

T – множество всех таймслотов.

входят все занятия, которые читаются группе g пер Пример 1. (1, 2) = (4, 4), означает, что лекция сонально или в каком либо потоке. Ограничение номер 2 на потоке 1 будет проводиться в четверг на будет выполнено тогда и только тогда, когда все заня четвертой паре. тия групп одного класса проводятся в разное время.

Пример 2. C1 = {3, 4, 5} – поток 1 состоит из групп 3, 4, 5;

G1 = {1, 2} – у потока 1 всего два практических Приоритеты занятий. Очевидно, что не все заня занятия;

запись означает, что у группы с номером 4, тия имеют одинаковую важность в рамках учебного которая входит в поток 1, практическое занятие но процесса. Для них можно задать порядок по прио мер 2 будет проводиться в четверг на четвертой паре. ритету. Более приоритетные занятия будут в первую очередь занимать время и место;

менее приоритет Расписание аудиторий – это отображение мно ные занятия уже не смогут претендовать на эти ре жества занятий на множество аудиторий: сурсы. Итак, приоритеты занятий – отношение ча стичного порядка на множестве занятий.

(6) где: E – множество всех занятий;

(10) A – множество всех аудиторий.

где: e1, e2 E;

Пример 1. (1, 2) = 101 означает, что занятие потока 1 проводится в аудитории 101.

Пример 2. C1 = {3, 4, 5} – поток 1 состоит из – «полезность» занятия e ;

групп 3, 4, 5;

G1 = {1, 2} – у потока 1 всего два прак тических занятия;

запись означает, что у группы с номером 4, которая входит в поток 1, практическое – множество групп, у которых проводится занятие номер 2 будет проводиться в аудитории 101. занятие e;

k1(e) {0, 5, 10} – характеризует степень важ Ограничения. Введём в задаче следующие огра ности занятия для специальности (0 – «ненуж ничения. ные занятия», 5 – важное, но не по специаль 1. Один преподаватель в каждый момент време ности, 10 – занятие по специальности);

ни может проводить не более одного занятия. k2(e) {0, 2} – 0 – младшие курсы, 2 – старшие курсы;

(7) pe = p, (e) = p – номер преподавателя, который ведет занятие e;

2. В одной аудитории в каждый момент времени k3(pe) {0...5} – оценка преподавателя как на может проводиться не более одного занятия. учного сотрудника;

больше – значит, что пре подаватель более ценный научный сотрудник.

(8) В случае равенства занятия упорядочиваются в лексикографическом порядке.

БИЗНЕС ИНФОРМАТИКА №1–2008 г. Предпочтения пользователей. Важная часть пред Частный критерий лагаемой модели – предпочтения пользователей.

Каждое предпочтение – это числовая оценка в диа (13) пазоне от 0 до 1. 0 соответствует наименьшему уровню предпочтения;

1 – наибольшему. В модели определяет сумму предпочтений пользователей имеют место два вида предпочтений: о времени занятия е. Частный критерий предпочтения пользователя m M о времени проведения занятия: (14) (11) определяет сумму предпочтений пользователей о месте проведения занятия е. Обобщённый крите предпочтения пользователя m M о месте рий проведения занятия: (15) (12) в начале максимизирует пару частных критериев для наиболее приоритетного занятия, затем для следую где: щего по приоритету и т.д. В паре критериев вначале – множество допустимых пар «занятие – ауди максимизируется первый критерий (время), затем тория». второй (место). Такая структура гарантирует, что при оритетные занятия получат лучшее время и место.

Графически предпочтения можно представить в Считается, что время проведения занятия важнее при виде таблиц (см. табл. 1, 2). Более тёмный цвет от составлении расписания, поэтому вначале определя мечает более предпочтительное время (место) для ется время, а затем место проведения занятия.

проведения занятия.

Решение. Решением задачи являются неизвест 1 ные функции при условии выполнения всех ограни Предпочтения пользователя m о времени чений и максимальном значении критерия качества.

проведения занятия, fm Анализ возможностей многоагентного подхода Номер пары, j В информатике и программной инженерии 1 2 3 4 5 6 7 8 агент – самостоятельный объект системы, обла дающий свойством коммуникабельности и наде ПН лённый собственной системой принятия решений.

ВТ Коммуникабельность – способность агента обме СР ниваться сообщениями с другими агентами и про ЧТ чими объектами системы.

Суть применения агентного подхода к какой ПТ либо задаче: задача разбивается на несколько более СБ мелких задач. Для решения каждой мелкой задачи ВС выделяется агент. Цель агента – найти решение своей задачи такое, чтобы оно согласовалось с ре 2 шениями других агентов. Агенты добиваются со Предпочтения пользователя m о месте гласования друг с другом путем обмена информа проведения занятия, fm ционными сообщениями. В итоге агенты находят решения для своих задач, значит и для исходной за Аудитория, a 1 2 3 4 дачи;

либо выясняется, что решения нет.

Идея применения агентного подхода к задаче Оценка, fm составления табличного расписания состоит в том, чтобы заменить агентами каждого пользователя Критерий качества решения. Критерий качества – расписания. Цель каждого агента – найти такое обобщённый критерий, состоящий из нескольких расписание для пользователя, чтобы оно:

частных критериев – оценивает найденное реше соответствовало ограничениям задачии ние, т.е. пару функций. и ограничениям самого пользователя;

26 БИЗНЕС ИНФОРМАТИКА №1–2008 г.

имело бы наибольший уровень пользы для Многоагентные алгоритмы можно разделить не пользователя;

несколько типов.

не противоречило расписаниям других поль Первый тип алгоритмов – это алгоритмы, исполь зователей. зующие экономическую модель в том или ином виде [1–3]. Как правило, в моделях таких алгоритмов Все агенты запускаются в рамках некоторого агенты взаимодейтсвуют в рамках некоторого аук контейнера (агентной системы). Агенты выполня циона. Чтобы получить какой либо ресурс, они дол ют локальные вычисления, обмениваются сообще жны выиграть торги за этот ресурс у других агентов.

ниями, что в итоге приводит к решению задачи, то Торги осуществляются с помощью «денег». Агенты есть построению расписания занятий. делятся на продавцов и покупателей. Продавцы кон Основные достоинства агентного подхода (по тролируют распределение ресурсов;

покупатели пы сравнению с классическими централизованными таются, используя свои ограниченные денежные ре методами решения задачи составления расписа сурсы, максимизировать свою функцию полезности ний) представлены в табл. 3. путем приобретения у продавцов ресурсов. Такие ал В идеале пользователь расписания может один горитмы предназначены для применения в автома раз запрограммировать своего агента представителя, тических электронных аукционах и электронной коммерции. Основной недостаток таких алгоритмов 3 – в необходимости адаптации исходной задачи к ры Преимущества агентных алгоритмов по сравнению ночной модели, что не всегда удаётся сделать.

с централизованными Второй тип алгоритмов предлагает методы для решения распределённых задач удовлетворения Название Описание ограничений (Distributed Constraint Satisfaction Pro Каждый пользователь имеет возмож blem DisCSP) [4, 5]. Обычная нераспределённая за ность высказать свои предпочтения (в дача удовлетворения ограничений (Constraint Sati централизованной системе речь идет, Сильная индивидуаль как правило, только об абстрактном sfaction Problem – CSP) состоит из n переменных x1, ность предпочтений "общем благе"), может заложить лю x2,..., xn, чьи значения берутся из конечных дискрет бую программу принятия решений в ных множеств D1, D2,..., Dn и набора ограничений на своего агента переменные. Ограничение задается предикатом. То Агент – это достаточно самостоятель есть ограничение pk(xk1, xk2,..., xkj) – предикат, опре ный программный модуль. Все агенты Распределенность могут исполняться на разных компью дел`нный на декартовом произведении Dk1 Dk терах, объединенных в сеть Dkj. Этот предикат истинен тогда и только тогда, ког В общем случае агенты могут без да все его переменные удовлетворяют его ограниче ограничений подключаться к процессу Отсутствие предвари решения задачи. Предварительный нию. Решить CSP означает найти значения всех пе тельного сбора заявок сбор информации о предпочтениях ременных такие, что все ограничения выполнены.

каждого агента не требуется Распределенная CSP (DisCSP) – это CSP, в которой Каждый агент может поменять свои переменные и ограничения распределены между авто Динамическое измене предпочтения в любой момент време ние предпочтений ни. Это приведет к обновлению распи матическими агентами. Мы предполагаем, что имеет сания место следующая модель общения между агентами:

Существование ча В каждый момент времени существует агенты общаются путём посылки сообщений.

стичного решения частичное решение задачи Агент может посылать сообщения другим агентам тогда и только тогда, когда он знает который будет замещать его в дальнейшем по всем адреса других агентов;

вопросам составления расписания проведения заня время доставки сообщения – конечное слу тий и встреч, общаясь напрямую с агентами других чайное число. Передача сообщений между лю агентов. Кроме того, отпадает необходимость в цен быми двумя агентами идет последовательно, трализованном сборе и хранении предпочтений и т.е. сообщения получаются именно в том по пожеланий пользователей расписания, так как все рядке, в котором они были посланы.

эти данные хранит агент и другим агентам достаточ но обратиться к нему с запросом на получение Каждый агент имеет несколько переменных и необходимых данных. Пользователь может в любой его задача – определить значения этих переменных.

момент перепрограммировать своего агента и через Но существуют межагентные ограничения и значе некоторое время увидеть результат – новое расписа ния переменных должны им тоже удовлетворять.

ние, соответствующее его новым требованиям. Формально, существует m агентов 1, 2, …, m. Каждая БИЗНЕС ИНФОРМАТИКА №1–2008 г. переменная принадлежит одному агенту i (это отно Агент может быть представлен как множество пере шение выражается предикатом belongs(xj, i)). Если xj менных, которое обведено на рисунке кругом.

принадлежит агенту i, мы можем назвать xj локаль Идея методов решения задач DisCSP заключает ной переменной агента i. Ограничения также, как и ся в применении распределённых алгоритмов поис переменные, распределены между агентами. Факт ка в пространстве решений задачи [4, 5]. Наиболее того, что агент k знает предикат ограничения pl эффективный алгоритм, способный обрабатывать представлен с помощью отношения known(pl, k). случай нескольких локальных переменных, предло Ограничение, заданное только на локальных пере жен в работе [4] Это Multi AWS (Multi Asynchronous менных, будем называть локальным ограничением. Weak commitment Search – асинхронный алгоритм Мы говорим, что DCSP решена тогда и только со слабой фиксацией) – полный распределённый тогда, когда выполнены следующие условия: алгоритм эвристического поиска. Универсальность i, xj, belongs(xj, i) значение xj равно dj и k, предложенных алгоритмов приводит к тому, что они pl, known(pl, k), pl = true. не используют дополнительной информации о мо Без потери общности мы делаем следующие пред дели решаемой задачи, что приводит к увеличению положения. Эти ограничения достаточно просто мо перебора в пространстве решений.

гут быть сняты при рассмотрении общего случая: Наиболее эффективными алгоритмами оказыва Каждый агент знает все предикаты ограниче ются алгоритмы третьего типа, использующие всю ин ний, касающиеся его переменных. формацию о структуре конкретной задачи и изначаль Все ограничения двоичные, т.е. определены но разрабатывались для её решения. В работах [6–9] на двух переменных. предлагаются решения задачи многагентного соста вления расписания встреч. Алгоритмы в этих статьях Мы можем представить DCSP с двоичными хорошо вписываются в модель составления расписа ограничениями как сеть, где переменные являются ния, и имеют хорошие оценки производительности.

вершинами, а ограничения – ребрами (рис. 1).

Выводы Построенная математическая модель – основа для практической реализации многоагентного алгоритма составления расписания учебного заведения. Анализ существующих методов многоагентной оптимизации и планирования показал: наибольший интерес пред ставляет разработка алгоритмов, основанных на пара дигме динамического планирования расписания. 1. Пример сети ограничений встреч многих участников, предложенной в [9].

Литература 1. Cheng J.Q., Wellman M.P. The WALRAS Algorithm: A Convergent Distributed Implementation of General Equilibrium Outcomes // Journal of Computational Economics, 12. 1998. C. 1–23.

2. Wellman M.P., Walsh W.E., Wurman P.R., MacKie Mason J.K. Auction Protocols for Decentralized Scheduling // Games and Economic Behavior 35. 2001. C. 271–303.

3. Walsh W.E., Yokoo M., Hirayama K., Wellman M.P. On Market Inspired Approaches to Propositional Satisfiability. Proceedings of Int. Conf.

IJCAI 2000. 2001. C. 1152–1160.

4. Yokoo M., Hirayama K. Distributed Constraint Satisfaction Algorithm for Complex Local Problems. Proceedings of the Int. Conf. ICMAS 98.

1998. C.372–379.

5. Yokoo M., Hirayama K. Algorithms for Distributed Constraints Satisfaction: A Review. Proceedings of Int. Conf. AAMAS 02. Vol.3. No.2.

2000. C. 185 – 207.

6. Garrido L., Sycara K. Multi Agent Meeting Scheduling: Preliminary Experimental Results. Proceedings of the Int. Conf. ICMAS 96. Kyoto, Japan.1996.

7. Franzin M.S., Freuder E.C., Rossi F., and Wallace R. Multiagent Meeting Scheduling with Preferences: Efficiency, Privacy Loss, and Solu tion Quality. Proceedings of Intrl. Conf. AAAI 02 (workshop on preference in AI and CP). 2002.

8. BenHassine A., Ito T., Ho T.B. A New Distributed Approach to Solve Meeting Scheduling Problems. Proceedings of IEEE/WIC Int. Conf. IAT, 2003. C. 588–591.

9. BenHassine A., D?efago X., Ho T.B. Agent Based Approach to Dynamic Meeting Scheduling Problems. Proceedings of Int.

Conf.AAMAS 04.V.3. 2004. C. 1132–1139.

28 БИЗНЕС ИНФОРМАТИКА №1–2008 г.




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.