Planejador Genético de Conteúdo

Alves[1] propôs um planejador genético para geração automática de modelos de work- flow, que pode ser aplicado a qualquer conjunto de ações, pois foi construído com propósito geral. O algoritmo 4.1 descreve este trabalho.

Algoritmo 4.1: Algoritmo Planejador Genético Entrada: Conjunto de ações TW

Saída: Representação MW de modelos de workflow válidos P ← GeraPopulacaoInicial (TW );

1

para todo Indivíduo i ∈ P faça

2

avaliaraptidao(i);

3

repita

4

para k ← 1 até ♯P cruzamento faça

5

Seleção torneio (Pais Sp ∈ P ); 6

Novos indivíduos filhos Sf ← cruzamento (Sp); 7

Verifica consistência de indivíduos Sf; 8

Avaliar adaptação dos filhos Sf; 9

adicionaIndivíduos Sf a população intermediária P I; 10

para k ← 1 até ♯P mutacao faça

11

SelecionaAleatoriamente (Indivíduo i ∈ P );

12

novos Indivíduos im ← mutacao (i); 13

verificar consistência do Indivíduo im; 14

adicionaIndivíduo im a população intermediária P I; 15

Reproduz♯P elitismo melhor indivíduo ie ∈ P ; 16 adicionaindivíduo ie a P I; 17 limpa populacao P ; 18 P ← P I; 19

até (♯nroGeracao - atinge o número de gerações) ;

20

Marca pontos de conflitos nos Indivíduos i ∈ P S;

21

Como pode ser visto, o algoritmo supõe como entrada um conjunto de ações T W , que contém, além das ações envolvidas no domínio do problema, duas ações genéricas Begin e End para marcar o início e o fim do processo, ou seja, todos os fluxos do processo iniciam na ação genérica Begin e terminam na ação genérica End. Assim, dado T W , a população inicial aleatória de indivíduos é gerada e os operadores genéticos são aplicados até um número de gerações. O resultado é uma população de modelos de processos válidos, sendo alguma porcentagem destes consideradas solução ótima para o problema.

Na geração da população deste algoritmo não são realizadas restrições entre as ações que executam o mesmo papel, todas as ações cujas pré-condições da ação de origem são atendidas com os efeitos das ações de destino são consideradas. Ações que executam o mesmo papel (pontos de conflito) indicam que podem existir modelos diferentes para cada uma delas. Estes pontos de conflito são marcados na representação do indivíduo.

A evolução da população é realizada através da aplicação de operadores genéticos, que são aplicados mediante as taxas (♯P mutao, ♯P cruzamento e ♯P elitismo). O algoritmo evolui a população até um limite de ♯nroGeracao gerações.

Representação do Indivíduo

A representação do indivíduo, graficamente apresentada na Figura 4.4 é feita através de uma matriz de n linhas por 3 colunas, onde n corresponde ao número de atividades do conjunto T W . Cada linha da matriz corresponde a um gene G do indivíduo e é representado por uma tripla (Ek, ak, Sk), onde ak representa uma ação do processo com

k = 1, ..., n, Ek representa o conjunto de ações do processo que são entradas para a ação

ak e Sk representa o conjunto de ações do processo que são saídas para a ação ak.

Os conjuntos de entradas Ek e saídas Sk são formados por conjunções (and) ou dis-

junções (or) de ações, que são representadas pelas listas εk e σk. Quando ak unifica

múltiplas ações distintas nas saídas Sk então o conjunto de saída é uma conjunção, ou

seja, ocorre paralelismo. Quando ak unifica múltiplas ações distintas nas saídas Sk, mas

somente uma destas ações pode atualmente ser executada, há uma escolha exclusiva (dis- junção). Os conjuntos de entrada Ek são analisados de forma similar.

Conjunto Ek Atividade ak Conjunto Sk

E1,ε1 a1 S1,σ1

E2,ε2 a2 S2,σ2

... ... ...

En,εn an Sn,σn

Figura 4.4: Representação do Indivíduo

Função de Adaptação

Os indivíduos são avaliados mediante o percentual das unificações alcançadas entre pré-condições e pós-condições das ações presentes no indivíduo, utilizando técnicas de planejamento em IA baseando-se nas regras de produção das ações. Isto é, em cada gene do indivíduo, realiza-se uma análise nas transições das ações do modelo para verificar se as pré-condições da ação de origem são atendidas com os efeitos da ação destino. Também se considera para avaliação as porcentagens de erros e acertos nas transições das entradas e saídas. Assim, a função de adaptação, dada pela Equação4.1, deverá fornecer um índice

de qualidade para uma possível solução, baseada no número de ações executáveis desta solução, isto é, quanto mais ações executáveis de um plano um indivíduo possuir, maior será a qualidade deste indivíduo, representada por um valor maior de adaptação.

f (Ind) = Gq X i=1 (αi+ βi+ γi+ ϕi) 4 (4.1) onde:

• Gq é o número de genes pertencentes ao indivíduo;

• αi é o percentual de ações de entrada válidas em relação à quantidade total de

entradas;

• βi é o percentual de ações de saída válidas em relação à quantidade total de saídas;

• γi é o percentual de unificação das pré-condições da atividade do gene em relação

às unificações das ações de entrada;

• ϕi é o percentual de unificação das pós-condições da ação do gene em relação às

unificações das ações de saídas.

Operadores Genéticos

Foram criados operadores de Cruzamento, Mutação e Reprodução na elaboração do algoritmo de planejamento genético.

Cruzamento consiste em realizar a troca de informações entre indivíduos da população. O método de seleção dos indivíduos pais para cruzamento foi baseado em um torneio simples. Após a seleção dos indivíduos pais, seleciona-se aleatoriamente genes nos cromossomos, gerando como indivíduos filhos uma permutação das entradas e saídas.

Mutação tem como objetivo permitir que novas ou diferentes ações possam estar nas entradas e/ou saídas das ações dos genes. Os genes do indivíduo, aleatoriamente selecionado, são agrupados por faixa de adaptação e um sorteio é realizado na faixa com menor valor de adaptação. Em seguida, são retiradas as ações não unificadas nas entradas e saídas do respectivo gene selecionado. Novas ações são inseridas aleatoriamente, a partir de um grupo de ações, sendo que este grupo não contempla ações que já estão nas entradas, nas saídas e que não seja a própria ação do gene.

Reprodução os indivíduos com melhor aptidão são selecionados e introduzidos na nova geração.

Após a aplicação dos operadores de cruzamento e mutação é realizada uma atualização nas entradas e saídas das ações dos genes do indivíduo para manter a estrutura do modelo coerente. Assim, conforme visto acima, basta fornecer a este planejador um conjunto de ações especificadas por pares de pré-condições e pós-condições em formato PDDL e obtém um workflow. O resultado da aplicação deste algoritmo ao exemplo da Figura 4.2 pode ser visto na Figura 4.5, onde Ap representa a ação instrucional Aprender, AS representa a ação instrucional AprenderSubConceito e CC a ação instrucional ConcluirConceito.

Figura 4.5: Workflow Gerado

Na Figura4.5as ações Ap(03) e Ap(02) podem ser executadas em paralelo, ou seja, o estudante pode escolher a que deseja aprender primeiro. No entanto, para poder executar a ação Ap(01) é necessário que as ações Ap(02) e CC(04) tenham sido executadas.

Assim, tendo sido determinado o arquivo PDDL com as ações instrucionais é realizada a geração automática das seqüências de conteúdos(conceitos).

O Planejador de workflow recebe o arquivo convertido para o formato PDDL e gera o modelo de workflow, que neste caso representa a sequência de conceitos que o estudante deverá seguir durante o curso. O modelo gerado é convertido para formato XPDL, visando sua execução no motor de workflow.

A sequência de conteúdo apresentada nesta etapa, isto é, o modelo de workflow para um dado curso, será a mesma para todos os estudantes. A adaptação ao perfil de cada estudante, ocorrerá no instante em que for executada as ações instrucionais (Aprender, AprenderSubconceito, ConcluirConceito) no motor de workflow para ensinar cada con- ceito presente neste modelo. Cada conceito será ensinado através de uma sequência de atividades instrucionais, sendo que esta sequência e o formato como esta será apresen- tada para os estudantes será adaptada ao modelo do estudante, através do Planejador de estratégias pedagógicas.