Научный журнал

Современные наукоемкие технологии

ISSN 1812-7320

"Перечень" ВАК

ИФ РИНЦ = 0,940

• Авторы
• Файлы

Иванова Е.В. Затонский А.В.

Статья в формате PDF

366 KB

Исследовательская работа студентов является одним из важнейших средств повышения качества подготовки специалистов. Научноисследова­тельская работа студентов (НИРС) выполняется сверх учебных планов и предполагает овладение студентами специальными знаниями и исследова­тельскими приемами [1]. Развитие внеучебной работы ВУЗа, включающей НИРС, необходимо также для улучшения аккредитационных показа­телей. Следовательно, повышение качества теоре­тических исследований студентов или их практи­ческой значимости путем рационального управле­ния НИРС является актуальной и практически важной задачей.

Рассмотрим систему НИРС как объект управ­ления на примере Пермского ГТУ. Общее руково­дство научноисследовательской деятельностью студентов осуществляет управление внеучебной работы (УВР) ВУЗа, которое выполняет следую­щие основные функции: координирует работу кафедр, факультетов и других структур по органи­зации НИРС, осуществляет научнометодическое обеспечение НИРС, обеспечивает информацией о проводимых конференциях и мероприятиях, под­водит итоги смотраконкурса кафедр по НИРС и др.

Оценка организации и состояния НИРС явля­ется одним из аккредитационных показателей ВУЗа и включает следующие показатели[2]:

1.   процент преподавателей с ученой степенью и с ученым званием;

2.   наличие аспирантуры, докторантуры;

3.    число отраслей науки, в рамках которых выполняются научные исследования;

4.    количество НИР и НИРС, разрабатывае­мых в ВУЗе в течение 5 лет;

5.   объемы средств, расходуемых на НИР и НИРС;

6.    количество публикаций за последние 5 лет и за каждый год в отдельности;

7.    формы организации НИРС, количество сту­дентов, принимающих участие в каждой тематике;

8.    ежегодные научные конференции студен­тов, организация конкурсов студенческих работ в ВУЗе, выпуск студенческих научных сборников;

9.  участие студентов ВУЗа в региональных и всероссийских конкурсах за последние 5 лет;

10.   научная новизна и практическая значимость дипломных работ студентов и др.

Помимо этого, ежегодно для подведения ито­гов по НИР и НИРС проводится смотрконкурс кафедр и факультетов ВУЗов. Заместители дека­нов по научной работе и заведующие кафедрами готовят отчеты о результатах НИРС и предостав­ляют их в УВР, где происходит обработка отчетов всех кафедр ВУЗа. После проверки достоверности и непротиворечивости и анализа отчетов кафедр составляется итоговый рейтинг кафедр и филиа­лов по ВУЗу. Распределение мест в итоговом рей­тинге также стимулирует к развитию НИРС на кафедре.

Оценка динамики развития НИРС отражает состояние ВУЗа и должна быть критерием для принятия управляющих решений. Например, при ограничении финансирования объем средств, вы­деленных на НИРС (участие в конкурсах, олим­пиадах, организацию научных мероприятий), ка­федре или факультету может варьироваться в за­висимости от ранее достигнутых результатов.

Применяемые на практике формальные мето­ды оценки НИРС не учитывают ряда показателей, следовательно, они подходят для отчетности, но не для лица, принимающего решения (ЛПР) по управлению НИРС. Существующая система пока­зателей включает:

1.    количество руководителей НИРС на кафедре;

2.    количество тематик НИРС, разрабатывае­мых на кафедре;

3.    количество бюджетных и хоздоговорных НИР с участием студентов;

4.   количество коллективных форм НИРС;

5.    количество организованных кафедрой ме­роприятий с участием студентов;

6.    количество конкурсов, в которых принима­ли участие студенты;

7.    количество конференций, в которых при­нимали участие студенты кафедры;

8.    количество выставок, в которых принима­ли участие студенты и т. д.

Фактически, оценка рейтинга кафедры в смотреконкурсе при этом происходит по форму­ле, подобной

где N_i - количественный показатель оценки НИРС из вышеприведенного списка, a_i - его весо­вой коэффициент с точки зрения ЛПР, оценивающего смотрконкурс, I - количество учитываемых показателей. Такая линейная комбинация показа­телей не позволяет моделировать динамику систе­мы с целью синтеза управления.

Также существует метод самооценки. Под самооценкой понимается всестороннее обследова­ние объекта управления (ОУ), итогом которого является суждение о результативности и эффек­тивности организации и уровне развития, органи­зованности, упорядоченности процессов ОУ. Ре­зультаты самооценки являются, с одной стороны, механизмом постоянного внутреннего улучшения системы, а с другой  могут предоставляться внешним проверяющим для их выборочной про­верки при аккредитации ВУЗа [3]. Самооценка обычно проводится при непосредственном уча­стии руководства учебного заведения или его подразделения.

Однако самооценка близка к экспертной оценке, и поэтому ее результатом также является только анализ текущего состояния системы. Ис­пользование самооценки, как и формальных мето­дов оценки, не позволяет понять, как этот резуль­тат был получен. С точки зрения организации управления системой, экспертную оценку можно использовать только как критерий качества, но не как средство достижения заданного уровня каче­ства. Следовательно, необходимо решить вторую часть задачи управления: разработать алгоритмы управления системой, ведущие, в данном случае, к повышению уровня развития НИРС.

Стандартным методом оптимизации показате­лей является их формализация и математическое моделирование с последующим поиском экстре­мума аналитическими или численными методами. Так, для оценки НИРС (1) можно поставить задачу поиска переменных модели вида

причем вид зависимости может быть более слож­ным чем (1), в том числе экспоненциальный, нели­нейный и т. п. Решением задачи

является поиск экстремального значения

Однако значения показателей могут быть оп­ределены с некоторыми погрешностями, поэтому целесообразно использовать численные методы оптимизации. Для этого на каждом jм шаге поис­ка экстремума строится аппроксимация целевой функции , наилучшим образом согласующая­ся с ранее полученными значениями и решается задача:

где J  количество шагов оптимизации, Uj  неко­торая ограниченная окрестность начальной точки оптимизации на j-м шаге

Но если метод опирается на одну из формаль­ных оценок НИРС, то, как показано выше, он в некотором смысле неэффективен, поэтому поиск новых методов решения задачи (2) является акту­альной и практически значимой проблемой.

Другим способом моделирования коллектив­ной самооценки, в частности, оценки уровня развития внеучебной работы ВУЗа, является многоагентное моделирование. Многоагентные системы (МАС) состоят из следующих основных компонентов:

1.    множество организационных единиц, в котором выделяются подмножество агентов, ма­нипулирующих подмножеством объектов;

2.    множество задач;

3.    среда, т. е. некоторое пространство, в кото­ром существуют агенты и объекты;

4.    множество отношений между агентами;

5.    множество действий агентов (например, операций над объектами).

МАС относятся к самоорганизующимся сис­темам, т. е. оптимизация процессов управления достигается изменением структуры или топологии системы управления, качественным изменением алгоритмов управления и т. д. Под оптимальным понимается решение, на которое потрачено наи­меньшее количество ресурсов в условиях их огра­ниченности.

В МАС внеучебной работы ВУЗа выделим следующих агентов (рис.1). На верхнем уровне иерархии находится стратегический агент, кото­рый определяет направление развития внеучебной работы ВУЗа в целом и кафедр в отдельности. Решающие центральные агенты управляют испол­нением задач, поставленных стратегическим аген­том. На нижнем уровне находятся агентыспециалисты, которые непосредственно принима­ют участие в исполнении. Информационное обес­печение осуществляет софтверный агент инфор­мационноуправляющей системы, которому деле­гируется ряд полномочий от натуральных агентов. В отличие от натуральных агентов, софтверный агент не обладает целенаправленной активностью, что облегчает его моделирование.

Цикл работы начинается с диалога со страте­гическим агентом, который на основании глобаль­ной цели генерирует список задач из набора базо­вых сценариев. Далее этот список направляется центральным решающим агентам, которые гене­рируют предложения для решения поставленных задач для исполнения агентамспециалистам. По­сле активизации агентовспециалистов проверяет­ся совместимость принятых решений, если дейст­вия агентов являются несовместимыми, то управ­ление передается стратегическому агенту, кото­рый пытается выбрать другой базовый сценарий из набора.

Между агентами системы осуществляется прямая связь через обмен сообщениями и косвен­ная через области разделяемой памяти ИС.

Многоагентная система может служить осно­вой для имитационной модели, так как вследствие декомпозиции и ограничения возможных измене­ний параметров конечным множеством сценариев на каждом уровне упрощается формализация ло­гики поведения агента. Тогда задача сводится не к вычислению значений вектора Ni(t), а к выбору сценария

где k  идентификатор оптимального сценария из набора, k = K  емкость набора, [t_i,t_i+₁]  ин­тервал времени воздействия на систему агента по сценарию C_kl, AR*_i;l, AR,r изменение свойств сис­темы, l  идентификатор агента. При этом очевид­но, что в целом для системы

так как взаимное влияние действий агентов на множестве Паретооптимальных решений приво­дит к уменьшению общего эффекта. Возможно, что взаимодействие неоптимальных по отдельно­сти сценариев Ckj, и C_k>i2 может привести к боль­шему улучшению общего критерия, чем опти­мальные сценарии на уровне отдельного агента. Обмен информации между агентами способствует выбору, тех сценариев действий агентов, сочета­ние которых позволят получить наибольшее зна­чение итогового критерия.

Переход от непрерывного, в общем случае, пространства возможных значений компонент N к конечному набору сценариев C_kyi снижает размер­ность задачи и сводит ее к перебору парных соче­таний объемом

Вследствие большого количества возможных сочетаний, факториально возрастающих с ростом количества агентов и сценариев, необходимо при­менение алгоритмов, позволяющих избежать пря­мого перебора. Это могут быть генетические алго­ритмы или даже алгоритмы статистического мо­делирования. Последние обычно не применяются для поиска оптимальных решений, но ранее опи­санные методы оценок состояния, на практике, обладают высокой погрешностью вследствие не­определенности весовых коэффициентов, поэтому даже рационализация управления не менее акту­альна, чем оптимизация.

Если рассматривать МАС как систему массо­вого обслуживания с известными динамическими характеристиками каналов, можно, используя тра­диционные методы планирования и инструмента­рия программирования, подобрать наборы сцена­риев, улучшающих качество НИРС. Однако, при этом остается проблема выделения уровней и син­теза МАС. Обычно это производится экспертным путем, со всеми присущими данному методу не­достатками.

Методом, схожим с выделением агентов МАС, является SADTмоделирование сложных систем. Кроме того, известно [4, 5, 6] множество удачных примеров систематизации деятельности ВУЗа в целом, кафедры, других подразделений ВУЗа с построением их ГОЕГ0моделей, которые можно использовать в качестве отправной точки при построении модели МАС.

Таким образом, из всего вышесказанного можно сформировать системный алгоритм выра­ботки решений, рационализирующих систему управления НИРС:

1.    Построение функциональной модели (IDEF0, DFD).

2.    Построение (корректировка) МАС модели на основе функциональной модели.

3.    Определение начального набора сценариев и времен их осуществления.

4.    Имитационное моделирование динамики системы на основе МАС модели с целью выбора оптимальных сочетаний применяемых сценариев на ограниченном промежутке времени.

5.    Генерирование новых сценариев и включе­ние их в наборы; принятие решений об исключе­нии не оправдавших себя сценариев из наборов.

6.    Циклическое повторение пунктов 25 до окончании времени моделирования.

На данном этапе перспективным представля­ется создание метода формализации IDEF0 моде­ли в виде математической модели МАС, исполь­зуемой как модель объекта для синтеза управле­ния. По данным авторов, ранее такой метод в по­добной постановки задачи не создавался и не при­менялся в практике моделирования.

СПИСОК ЛИТЕРАТУРЫ:

1.    Организация научноисследовательской ра­боты студентов в пермском государственном техни­ческом университете: Метод. рекомендации / Сост. Т.А. Ульрих, Т.Ю. Фукалова; Перм. гос. техн. унт.Пермь, 2004.68 с.

2.    http://www.nica.ru/main.ru.phtml

3.    Новицкий А. Л. Внутренние аудиты. Что дает форма отчета? / А.Л. Новицкий, Т.Э. Болотина // Ме­тоды менеджмента качества, 2005. №1.

4.    do.itas.pstu.ru/data/bachelorpasoiu/examples/ example.doc

5.    Варламова С.А. Эффективное представление информации, обеспечивающей деятельность филиала вуза / С.А. Варламова, А.В. Затонский// Математиче­ские методы в технике и технологиях  ММТТ20: сб. тр. XX Международ. науч. конф. Т. 9.  Яро­славль: Яросл. Гос. техн. унт, 2007.  С.220  226.

6.    Иванова Е. В. Информационная система мо­ниторинга научноисследовательской работы студен­тов /Е. В. Иванова // Молодежная наука Верхнекамья. Материалы 5 региональной конференции. Березни­ки: Пермский гос. техн. унт, Березниковский фили­ал, 2008. С.811.

Библиографическая ссылка