基于分布式多智能體系統的大學生心理健康預警算法

劉幸興

（西安航空職業技術學院，陜西西安 710089）

當前大學生的心理健康狀況已受到了社會各方的注意[1]。有些學生由于難以排解內心的情緒或無法面對壓力而做出一些過激行為，可能會造成影響其一生的結果。這不但會使所在高校的聲譽受到影響，對家庭而言更是沉重的打擊[2-4]。為此，需要使用技術手段及時發現并解決大學生心理存在的問題。

針對上述問題，該文提出了基于分布式多智能體系統的大學生心理健康預警算法。該算法由4 個子模塊（智能體）組成，各模塊分別負責實現不同的功能，既相互獨立又相互聯系，協作配合，共同完成對大學生心理健康的評估與預警。最終為了驗證所提算法的可行性，進行了3 項實驗：單元實驗、集成實驗以及算法性能實驗。單元實驗的結果說明，各組成模塊能夠按照功能需求進行正常運行；集成試驗說明，數據在算法的各個階段均能夠正常流轉與處理并得到最終所需結果，從而驗證系統的可用性；算法性能實驗則說明，經該文算法處理得到的結果符合實際應用需求，證明了算法的可靠性。

1 多智能體系統

1.1 總體原理

多智能體系統（Multi-Agent System，MAS）是分布式人工智能的一個重要研究方向，由多個自主、相互作用的實體（智能體Agent）所組成，能夠完成特定復雜工作的一類群體系統[5]。其最重要的目標是將功能復雜、規模龐大的系統設計成規模較小、模塊間相互通信和協作，易于管理的組合系統[6]。在系統中的各子系統通常稱為“實體”或“智能體”，每個智能體具有一定的自治性、交互性及反應性等智能化特性。其可以是一個計算機軟件程序，也可以是一個現實世界的具體事物。各智能體之間共享一個應用環境，利用傳感器對環境進行感知，再通過執行器反作用于環境，具體交互過程如圖1 所示。

圖1 智能體與環境交互示意圖

多智能體系統為設計者處理問題提供了一種分布式的視角，可以將控制權限分布在各個智能體上[7]。盡管多智能體系統可以預先被賦予一定的操作和行為，但其通常也需要不斷學習，使得多智能體系統的性能逐步提高。最常用的學習方式是增強學習，其主要原理是通過不斷與周圍環境的交互以及感知環境的狀態來不斷更新。

多智能體系統通過一定的規則將多個具有不同功能且容易控制的實體相結合，從而完成更為復雜的功能。這使得在需求開發中，不僅降低了系統整體復雜度，且提高了系統的魯棒性和穩定性。其所具有的特點主要包括[8]：

1）獨立性

多智能體系統中的每個智能體均是一個單獨的個體或系統，均具有一定的獨立性，能夠獨立管理自身的行為，包括與周圍其他智能體的合作、競爭以及環境的交互等。

2）容錯性

多智能體系統中的各智能體通過配合來實現共同的目標。當系統中某些智能體出現故障后，系統整體通常不會出現問題，主要是由于各智能體均具有一定的學習能力。通過自主學習不斷適應新的環境，以此保證系統正常運行，進而使得系統具有一定的容錯性。

3）靈活性與擴展性

在多智能體系統的設計中，各智能體通常采用分布式架構，這樣使得系統本身就具有高內聚、低耦合的特性。即系統可以方便地進行智能體的新增與刪除[9]，使得系統表現出較高的靈活性及可擴展性。

4）協作性

多智能體系統的協作性，一方面體現在系統內各智能體通過相互協作共同完成復雜的任務；另一方面，基于系統的可擴展性，實現了系統的不斷擴展，不但可以使協作范圍更廣，還能夠實現更復雜的目標。

1.2 一致性控制

一致性控制（Consistency Control）是多智能體系統進行協調控制的關鍵[10]，由此衍生出會合控制、聚結控制與編隊控制等。該節主要對多智能體系統中所涉及的一致性問題展開研究。

一致性是指隨著時間的推移，一個多智能體系統中所有智能體的某一狀態趨于一致的現象。其描述了系統內每個智能體與其他智能體的信息交換過程，其相應的數學描述為[11]：

假設該文設計的系統由n個智能體組成，第i個智能體的狀態方程用xi(i=1,2,…,n) 表示。若當時間t→∞時，任意兩智能體的狀態方程滿足‖xi-xj‖→0,?i≠j，則稱該系統實現了一致性。

系統實現內部一致性所采用的方法或規則稱為“一體性協議”，目前常采用的協議包括以下3 種：一階一致性、二階一致性以及高階一致性。

1）一階一致性

在對智能體一致性初期的研究中，由于原理簡單、容易實現，也是目前眾多智能體系統通常采用的協議。其主要分為連續型和離散型兩種，具體描述如下[12]：

①連續型。若系統中智能體的狀態方程為：

則采用連續型一致性協議的數學表達式為：

②離散型。若系統中智能體的狀態方程為：

則采用離散型一致性協議，其數學表達式為：

2）二階一致性

其是在一階一致性基礎上發展而來的處理方法[13]，主要針對系統智能體狀態方程，如式（5）所示：

對應的一致性協議為：

3）高階一致性

其是一致性研究的前沿方向，針對智能體比較復雜，相應的狀態方程為n階的情況，對應的一致性協議為[14]：

綜合考慮各一致性協議的優缺點，該文的分布式多智能體系統采用二階一致性協議作為系統內部智能體的協調控制規則。

2 預警算法設計

基于上述對多智能體系統的分析，該文建立的分布式多智能體系統的大學生心理健康預警算法的框架如圖2 所示。

圖2 大學生心理健康預警算法框架

由圖2 可看出，該文所提出的算法從功能上可以分為4 個模塊，每個模塊可以看作是一個智能體，這些智能體共同組成了評估大學生心理健康狀態的分布式多智能體系統，各模塊的具體分析如下：

1）心理數據采集模塊

該模塊主要用來采集學生的心理健康數據，采集的途徑包括學生心理健康測評、學生心理訪談、心理咨詢以及一些其他渠道等，具體如圖3 所示。

圖3 心理數據采集模塊

2）心理健康評估模塊

該模塊是對采集到的高校學生心理健康數據進行分析，考慮到心理評估指標之間存在一定的層次關系，選用能夠對數據進行深入分析的層次分析法（AHP）對數據進行處理。同時為了提高評估結果的準確性與客觀性，在此基礎上引入了人工智能領域中的深度學習算法對結果進行進一步處理[15]。該模塊的算法流程如圖4 所示。

圖4 心理健康評估算法流程

3）心理健康預警模塊

該模塊根據心理健康評估模塊的處理結果，對該學生的心理健康狀態進行評級。該文在處理時設立了4 個等級，每個等級的跨度為25 分，分別是正常狀態0～25、輕微狀態26～50、較嚴重狀態51～75 以及嚴重狀態76～100。在心理得分處于正常與輕微狀態時，不作任何處理；而處于較嚴重和嚴重狀態時，則會向評估管理員發出警報信息，以便進行快速、準確地處理。

4）心理問題處理模塊

該模塊主要是針對心理健康狀況處于較嚴重及以上的學生，心理輔導老師和專家等可以通過該模塊為學生提供合適的心理疏導，實現心理問題的干預，從而最大程度上保護學生，防止意外情況出現。

這些子模塊（智能體）之間在職責上相互獨立又相互關聯，共同實現了對大學生心理健康的預警。

3 實驗測試

為了驗證提出的基于分布式多智能體系統的大學生心理健康預警算法的可靠性與可用性，進行了3 項數值實驗對算法進行測試，其包括單元實驗、集成實驗和算法性能實驗。

3.1 單元實驗

單元實驗是指對算法的最小可測試單元進行需求及實現功能的檢查，該項實驗是整個算法建立過程中最底層的測試[16]。單元實驗即驗證算法的4 個組成模塊的實現效果。常見的單元實驗方法主要有白盒測試及黑盒測試，通常情況下采用白盒測試。主要原因是在白盒測試過程中，測試人員能夠看清楚具體的實現算法，使測試內容更加全面。白盒測試不僅能夠測試出結果是否正確，還能夠測試其實現邏輯是否滿足需求。該文采用此方法對各模塊進行實驗，各個模塊的實驗結果如表1 所示。

表1 算法單元實驗結果

由表1 可以看出，算法各單元均能夠按照設計需求實現對應的功能，為后續的集成實驗奠定了良好的基礎。

3.2 集成實驗

集成實驗也稱為整體實驗或聯合實驗。集成實驗建立在單元實驗的基礎上，是先根據設計需求將各功能模塊相結合，再逐步進行的一種整體性綜合測試。進行集成實驗的原因在于：各個模塊的正常運行并不代表整體的正常運行。集成測試通常通過自下而上、自小而大的方式進行，該文則根據心理數據的處理順序進行了4 組實驗，測試算法是否能夠按照設計正常運行，實驗結果均為成功。由此可知，所提算法能夠完成大學生心理健康預警的整個流程，整體運行良好。

3.3 算法性能實驗

該項實驗主要測試算法的處理結果是否能夠在滿足功能需要的情況下，達到一定的準確度要求。在該項實驗中，采取了兩種方式對學生的心理數據進行處理：人工處理及算法處理，分別評估該學生的心理健康狀態，并利用兩者結果的一致性作為算法性能評估的重要標準（準確度）。此時在人工處理中，為了減少主觀因素的影響，對同一數據集中的多位老師同時進行評價，并取平均值作為最終結果。其中，通過人工處理的結果如表2 所示，經該文算法處理的結果如表3 所示。

表2 人工處理實驗結果

表3 算法處理實驗結果

利用兩種處理方式所得到結果的一致性作為算法性能評估的標準，具體對比結果如表4 所示。

表4 算法性能評估結果

由表4 可知，所提算法與人工處理方式之間的一致性可達到93%以上，即算法準確度在93%以上，說明該文算法具有良好的性能。

4 結束語

該文在分析目前大學生心理健康現狀的基礎上，提出了基于分布式多智能體系統的大學生心理健康預警算法。該算法可分為4 個子模塊：心理數據采集模塊、心理健康評估模塊、心理健康預警模塊以及心理問題處理模塊。各模塊之間相互獨立，又相互聯系。系統單元實驗、集成實驗及算法性能實驗的結果說明，該算法各功能模塊能夠正常運行，并以較高準確度完成大學生心理健康預警流程。