基于分布式多智能体系统的大学生心理健康预警算法

刘幸兴

（西安航空职业技术学院，陕西西安 710089）

当前大学生的心理健康状况已受到了社会各方的注意[1]。有些学生由于难以排解内心的情绪或无法面对压力而做出一些过激行为，可能会造成影响其一生的结果。这不但会使所在高校的声誉受到影响，对家庭而言更是沉重的打击[2-4]。为此，需要使用技术手段及时发现并解决大学生心理存在的问题。

针对上述问题，该文提出了基于分布式多智能体系统的大学生心理健康预警算法。该算法由4 个子模块（智能体）组成，各模块分别负责实现不同的功能，既相互独立又相互联系，协作配合，共同完成对大学生心理健康的评估与预警。最终为了验证所提算法的可行性，进行了3 项实验：单元实验、集成实验以及算法性能实验。单元实验的结果说明，各组成模块能够按照功能需求进行正常运行；集成试验说明，数据在算法的各个阶段均能够正常流转与处理并得到最终所需结果，从而验证系统的可用性；算法性能实验则说明，经该文算法处理得到的结果符合实际应用需求，证明了算法的可靠性。

1 多智能体系统

1.1 总体原理

多智能体系统（Multi-Agent System，MAS）是分布式人工智能的一个重要研究方向，由多个自主、相互作用的实体（智能体Agent）所组成，能够完成特定复杂工作的一类群体系统[5]。其最重要的目标是将功能复杂、规模庞大的系统设计成规模较小、模块间相互通信和协作，易于管理的组合系统[6]。在系统中的各子系统通常称为“实体”或“智能体”，每个智能体具有一定的自治性、交互性及反应性等智能化特性。其可以是一个计算机软件程序，也可以是一个现实世界的具体事物。各智能体之间共享一个应用环境，利用传感器对环境进行感知，再通过执行器反作用于环境，具体交互过程如图1 所示。

图1 智能体与环境交互示意图

多智能体系统为设计者处理问题提供了一种分布式的视角，可以将控制权限分布在各个智能体上[7]。尽管多智能体系统可以预先被赋予一定的操作和行为，但其通常也需要不断学习，使得多智能体系统的性能逐步提高。最常用的学习方式是增强学习，其主要原理是通过不断与周围环境的交互以及感知环境的状态来不断更新。

多智能体系统通过一定的规则将多个具有不同功能且容易控制的实体相结合，从而完成更为复杂的功能。这使得在需求开发中，不仅降低了系统整体复杂度，且提高了系统的鲁棒性和稳定性。其所具有的特点主要包括[8]：

1）独立性

多智能体系统中的每个智能体均是一个单独的个体或系统，均具有一定的独立性，能够独立管理自身的行为，包括与周围其他智能体的合作、竞争以及环境的交互等。

2）容错性

多智能体系统中的各智能体通过配合来实现共同的目标。当系统中某些智能体出现故障后，系统整体通常不会出现问题，主要是由于各智能体均具有一定的学习能力。通过自主学习不断适应新的环境，以此保证系统正常运行，进而使得系统具有一定的容错性。

3）灵活性与扩展性

在多智能体系统的设计中，各智能体通常采用分布式架构，这样使得系统本身就具有高内聚、低耦合的特性。即系统可以方便地进行智能体的新增与删除[9]，使得系统表现出较高的灵活性及可扩展性。

4）协作性

多智能体系统的协作性，一方面体现在系统内各智能体通过相互协作共同完成复杂的任务；另一方面，基于系统的可扩展性，实现了系统的不断扩展，不但可以使协作范围更广，还能够实现更复杂的目标。

1.2 一致性控制

一致性控制（Consistency Control）是多智能体系统进行协调控制的关键[10]，由此衍生出会合控制、聚结控制与编队控制等。该节主要对多智能体系统中所涉及的一致性问题展开研究。

一致性是指随着时间的推移，一个多智能体系统中所有智能体的某一状态趋于一致的现象。其描述了系统内每个智能体与其他智能体的信息交换过程，其相应的数学描述为[11]：

假设该文设计的系统由n个智能体组成，第i个智能体的状态方程用xi(i=1,2,…,n) 表示。若当时间t→∞时，任意两智能体的状态方程满足‖xi-xj‖→0,∀i≠j，则称该系统实现了一致性。

系统实现内部一致性所采用的方法或规则称为“一体性协议”，目前常采用的协议包括以下3 种：一阶一致性、二阶一致性以及高阶一致性。

1）一阶一致性

在对智能体一致性初期的研究中，由于原理简单、容易实现，也是目前众多智能体系统通常采用的协议。其主要分为连续型和离散型两种，具体描述如下[12]：

①连续型。若系统中智能体的状态方程为：

则采用连续型一致性协议的数学表达式为：

②离散型。若系统中智能体的状态方程为：

则采用离散型一致性协议，其数学表达式为：

2）二阶一致性

其是在一阶一致性基础上发展而来的处理方法[13]，主要针对系统智能体状态方程，如式（5）所示：

对应的一致性协议为：

3）高阶一致性

其是一致性研究的前沿方向，针对智能体比较复杂，相应的状态方程为n阶的情况，对应的一致性协议为[14]：

综合考虑各一致性协议的优缺点，该文的分布式多智能体系统采用二阶一致性协议作为系统内部智能体的协调控制规则。

2 预警算法设计

基于上述对多智能体系统的分析，该文建立的分布式多智能体系统的大学生心理健康预警算法的框架如图2 所示。

图2 大学生心理健康预警算法框架

由图2 可看出，该文所提出的算法从功能上可以分为4 个模块，每个模块可以看作是一个智能体，这些智能体共同组成了评估大学生心理健康状态的分布式多智能体系统，各模块的具体分析如下：

1）心理数据采集模块

该模块主要用来采集学生的心理健康数据，采集的途径包括学生心理健康测评、学生心理访谈、心理咨询以及一些其他渠道等，具体如图3 所示。

图3 心理数据采集模块

2）心理健康评估模块

该模块是对采集到的高校学生心理健康数据进行分析，考虑到心理评估指标之间存在一定的层次关系，选用能够对数据进行深入分析的层次分析法（AHP）对数据进行处理。同时为了提高评估结果的准确性与客观性，在此基础上引入了人工智能领域中的深度学习算法对结果进行进一步处理[15]。该模块的算法流程如图4 所示。

图4 心理健康评估算法流程

3）心理健康预警模块

该模块根据心理健康评估模块的处理结果，对该学生的心理健康状态进行评级。该文在处理时设立了4 个等级，每个等级的跨度为25 分，分别是正常状态0～25、轻微状态26～50、较严重状态51～75 以及严重状态76～100。在心理得分处于正常与轻微状态时，不作任何处理；而处于较严重和严重状态时，则会向评估管理员发出警报信息，以便进行快速、准确地处理。

4）心理问题处理模块

该模块主要是针对心理健康状况处于较严重及以上的学生，心理辅导老师和专家等可以通过该模块为学生提供合适的心理疏导，实现心理问题的干预，从而最大程度上保护学生，防止意外情况出现。

这些子模块（智能体）之间在职责上相互独立又相互关联，共同实现了对大学生心理健康的预警。

3 实验测试

为了验证提出的基于分布式多智能体系统的大学生心理健康预警算法的可靠性与可用性，进行了3 项数值实验对算法进行测试，其包括单元实验、集成实验和算法性能实验。

3.1 单元实验

单元实验是指对算法的最小可测试单元进行需求及实现功能的检查，该项实验是整个算法建立过程中最底层的测试[16]。单元实验即验证算法的4 个组成模块的实现效果。常见的单元实验方法主要有白盒测试及黑盒测试，通常情况下采用白盒测试。主要原因是在白盒测试过程中，测试人员能够看清楚具体的实现算法，使测试内容更加全面。白盒测试不仅能够测试出结果是否正确，还能够测试其实现逻辑是否满足需求。该文采用此方法对各模块进行实验，各个模块的实验结果如表1 所示。

表1 算法单元实验结果

由表1 可以看出，算法各单元均能够按照设计需求实现对应的功能，为后续的集成实验奠定了良好的基础。

3.2 集成实验

集成实验也称为整体实验或联合实验。集成实验建立在单元实验的基础上，是先根据设计需求将各功能模块相结合，再逐步进行的一种整体性综合测试。进行集成实验的原因在于：各个模块的正常运行并不代表整体的正常运行。集成测试通常通过自下而上、自小而大的方式进行，该文则根据心理数据的处理顺序进行了4 组实验，测试算法是否能够按照设计正常运行，实验结果均为成功。由此可知，所提算法能够完成大学生心理健康预警的整个流程，整体运行良好。

3.3 算法性能实验

该项实验主要测试算法的处理结果是否能够在满足功能需要的情况下，达到一定的准确度要求。在该项实验中，采取了两种方式对学生的心理数据进行处理：人工处理及算法处理，分别评估该学生的心理健康状态，并利用两者结果的一致性作为算法性能评估的重要标准（准确度）。此时在人工处理中，为了减少主观因素的影响，对同一数据集中的多位老师同时进行评价，并取平均值作为最终结果。其中，通过人工处理的结果如表2 所示，经该文算法处理的结果如表3 所示。

表2 人工处理实验结果

表3 算法处理实验结果

利用两种处理方式所得到结果的一致性作为算法性能评估的标准，具体对比结果如表4 所示。

表4 算法性能评估结果

由表4 可知，所提算法与人工处理方式之间的一致性可达到93%以上，即算法准确度在93%以上，说明该文算法具有良好的性能。

4 结束语

该文在分析目前大学生心理健康现状的基础上，提出了基于分布式多智能体系统的大学生心理健康预警算法。该算法可分为4 个子模块：心理数据采集模块、心理健康评估模块、心理健康预警模块以及心理问题处理模块。各模块之间相互独立，又相互联系。系统单元实验、集成实验及算法性能实验的结果说明，该算法各功能模块能够正常运行，并以较高准确度完成大学生心理健康预警流程。