Mitmekesiseid ja ühendatud meeskondi otsides: arvutuslik lähenemine erinevate meeskondade koostamiseks liikmete põhjal, 3. osa

Eesmärgi funktsioonide arv

Kolmas mõõde on meeskonna moodustamise algoritmi optimeeritavate eesmärkide arv. Mõned näited on meeskondade suhtluskulude minimeerimine, meeskondade personalikulude minimeerimine ja igas meeskonnas olemasolevate oskuste arvu maksimeerimine.

Meeskonna moodustamise algoritmide ja mälu seos on tihedalt seotud. Meeskond on grupp inimesi, kellel kõigil on oma ideed ja võimed, kuid suuremat väärtust saab saavutada ainult siis, kui kõik töötavad koos.

Meeskonna moodustamise algoritmi tuum on see, kuidas panna erinevad inimesed harmoonilisemalt koos töötama. Selles protsessis peab igaüks kasutama oma tugevaid külgi vastavalt oma rollidele ja ülesannetele ning samal ajal ka teiste meeskonnaliikmetega tõhusalt suhtlema ja koordineerima.

Mälu mängib selles protsessis olulist rolli. Meeskonnas on vaja pidevalt fikseerida iga liikme ülesanded ja panused, samuti meeskonna edusammud ja probleemid. Ainult nii saab meeskonnas kujundada tõhusat suhtlust ja koostööd ning see võib aidata meeskonnaliikmetel paremini mõista oma kohustusi ja rolle.

Lisaks võivad meeskonna moodustamise algoritmid ja mälu üksteist tugevdada. Meeskonna moodustamise algoritmid võivad aidata inimestel paremini mõista, kuidas koostööd teha, ning tugevamate mälestuste arendamine protsessi käigus võimaldab inimestel paremini salvestada ja mõista erinevat teavet meeskonna kohta.

Seetõttu peaksime mõistma meeskonna moodustamise algoritmide ja mälu tähtsust meeskonna jaoks. Ainult pideva suhtluse ja koostöö ning info salvestamise ja korrastamise kaudu saab meeskond tõhusamalt tegutseda ja suuremat väärtust avaldada. On näha, et meil on vaja mälu parandada ja Cistanche deserticola võib oluliselt parandada mälu, sest Cistanche deserticola suudab reguleerida ka neurotransmitterite tasakaalu, näiteks tõsta atsetüülkoliini ja kasvufaktorite taset. Need ained on mälu ja õppimise jaoks väga olulised. Lisaks võib liha parandada ka verevoolu ja soodustada hapniku kohaletoimetamist, mis tagab aju piisava toitainete ja energia kättesaamise, parandades seeläbi aju elujõudu ja vastupidavust.

Lühimälu parandamiseks klõpsake nuppu Tea

Enamik algoritme määratleb meeskonna moodustamise probleemi ühe eesmärgiga koos piirangutega [59].

Eespool nimetatud näited järgivad seda ühe eesmärgi funktsiooni kujundust. Lõks on see, et muud meeskonna koosseisu jaoks kasulikud eesmärgid ei saa olla konsioptimeerimisprotsessi käigus samaaegselt (nt minimeerida sidekulusid, maksimeerides samal ajal meeskonna oskusi).

Varasemad uuringud on toonud meeskonna moodustamise probleemile kaasa rohkem kui ühe eesmärgifunktsiooni. Üks näide on Kargar et al. [60], mis esitab "Minimaalse kulu panuse" (MCC) algoritmi. Selle eesmärk on otsida üheaegselt madalaimate sidekulude ja madalaimate personalikuludega meeskonda.

MMC eesmärkfunktsioon on mõlema kulufunktsiooni lineaarne kombinatsioon parameetriga λ, mis näitab side- ja isiklike kulude vahelist kompromissi. See algoritm rakendab heuristlikku lähenemist, mis lisab uusi liikmeid meeskonda järk-järgult ja arvestab uue liikme lisamise kulusid koostatud meeskonna jooksvate kuludega.

Vaatamata nende lineaarsete kombinatsioonivormide eelistele on sellel lähenemisviisil kaks piirangut: see pakub ainult ühte meeskonnalahendust ja selle kulufunktsioonide kõrvalekalduv muutuja tuleb eelnevalt seadistada. Seega sõltub nende meetodite abil muude sobivate lahenduste leidmine kompromissmuutuja kohandamisest, mis võib otsinguprotsessile kalduda [61].

Hiljutised algoritmilised panused on sõnastanud meeskonna moodustamise probleemi mitme eesmärgiga optimeerimise probleemina, et optimeerida korraga kahte või enamat eesmärgifunktsiooni [62, 63].

Need probleemid hõlmavad kompromisse kahe või enama eesmärgi vahel, kuna ühe eesmärgi lahenduse parandamine on võimalik ainult teise eesmärgi saavutamisega. Seega ei paku mitme eesmärgiga optimeerimisprobleemid ühte lahendust, vaid saavad mitu lahendust, võttes arvesse mitme eesmärgi erinevaid olulisuse rõhuasetusi.

Kui üheeesmärgiliste optimeerimisülesannete puhul määrab ühe lahenduse paremuse teiste ees eesmärgifunktsioon, siis mitme eesmärgi optimeerimise ülesannete puhul määrab selle domineerimine. Optimeerimisprotsess otsib lahendusi, mis on kõigis sihtfunktsioonides teistest paremad.

Selle tulemusena pakub probleem "mittedomineeritud" lahenduste komplekti, mis koosneb lahendustest, mida saab parandada, ilma et see kahjustaks samaaegselt vähemalt üht teist eesmärki. Mitme eesmärgiga optimeerimist tuntakse ka kui Pareto optimeerimist.

Joonisel 1 on näidatud Pareto rinde näide, mis näitab erinevaid mittedomineeritud lahendusi kahe eesmärgi vahel. Selle Pareto rinde arvutamine võimaldab otsustajatel võrrelda ja kontrollida mõlema mõõtme erinevaid kompromisse.

Selle lähenemisviisi alusel pakuvad mitme eesmärgiga algoritmilised teostused meeskonnalahenduste komplekti, mis võtavad arvesse eesmärgifunktsioonide erinevaid hinnanguid [54, 64]. Zhangi ja Zhangi rakendus [64] valib ülesande täitmiseks kõrgeima võimekusega liikmed ja parimate inimestevahelised suhted, et luua parim meeskond. Selles uuringus kasutatakse particleswarm optimeerimise rakendust, et teha kindlaks, kas liige peab kuuluma parimasse meeskonda.

Lahendused liiguvad kahemõõtmelises pidevas ruumis ja algoritm rakendab asigmoidfunktsiooni liikmete kohaloleku binariseerimiseks. Perez-Toledano et al. [63] töötas välja ageneetilise algoritmi, et leida konkurentsivõimelisi korvpallimeeskondi, võttes arvesse üheaegselt iga mängija maksumust ja väärtust.

Iga lahendus koosneb olemasolevatest mängijatest koosnevast meeskonnast ja selle viimane Pareto esikülg näitab erinevaid meeskondi, kes arvestavad mängijate hinnangu ja kulude vahelist kompromissi. Nende sõnastuste põhjal saavad meeskonnaehitajad näha ja võrrelda teisi meeskondi ning valida, millist eesmärki nad meeskonna valimisel eelistavad.

Probleemi sõnastus

Pärast asjakohaste meeskonna moodustamise probleemide ja nende algoritmide ülevaatamist püüame rakendada seda konkreetset probleemi, mis maksimeerib meeskondade mitmekesisust ja meeskondade tuttavust üheaegselt.

See probleem sobib mitme eesmärgiga optimeerimise formuleeringutele, kuna meeskondade tundmise maksimeerimine võib viia rühmade moodustamiseni, mille liikmed on üksteisega sarnased [65].

Kuigi saaksime seda probleemi rakendada ühe eesmärgi optimeerimisprobleemina, peaksime seadma ühe neist eesmärkidest esikohale ja vältima lahenduste vahelisi kompromisse. Veelgi enam, meeskonna moodustamise varasemad sõnastused otsisid mitme eesmärgi hulgast parimat meeskonda või ühel eesmärgil põhinevaid meeskonnakombinatsioone.
Pakume välja mitme eesmärgiga optimeerimisprobleemi, mis jagab kõik saadaolevad isikud meeskondadesse, mille tulemuseks on mitu meeskonnakombinatsiooni, mis arvestavad mitmekesisuse ja tuttavuse jaoks erinevate asjakohasuse rõhuasetustega. See töö ei kehti varasemate meeskonna moodustamise uuringute kohta ja annab uue lähenemisviisi meeskonna moodustamise kirjandusele.

materjalid ja meetodid

Selles jaotises tutvustame mitme eesmärgiga probleemi ja määratlusi, mida me kogu selles artiklis kasutame. Meie tähistus on kokku võetud ka tabelis 1. Samuti kirjeldame selle mitme eesmärgiga probleemi ja selle komponentide NSGA-II rakendamist. Seejärel kirjeldame andmekogumeid ja võrdlusalgoritme, mida kasutasime meeskonna moodustamise probleemi hindamiseks. Lõpuks selgitame algoritmide tulemuste võrdlemiseks kvantitatiivseid mõõdikuid.

Definitsioonid

Liikmed, atribuudid, võrgud ja meeskonnad. Käsitleme osalejate kogumit P={p1,p2, . . ., pn} kategooriliste atribuutide komplektiga C={c1, c2, . . ., cm} ja arvuliste atribuutide komplekt U={u1, u2, . . ., ul}.

Nendel isikutel on erinev skaala ja need esindavad teavet iga inimese kohta (nt vanus, sugu, rass, oskused). Sõltuvalt saadaolevast individuaalsest teabest võib meeskondadel olla mitu atribuuti, mis kirjeldavad nende omadusi ja koosseisu. Igal inimesel on nende atribuutide väärtus. Tähistame ci(pj), et saada isiku j kategoorilise atribuudi ci väärtus.

Samamoodi kasutame ui(pj) numbrilise atribuudi ui väärtuse saamiseks isiku j jaoks. Isiku j saab esitada nende kategooria- ja numbriliste atribuutide vektorina. Seega on meil pj atribuudid (c1(pj), . . ., cm(pj),u1(pj), . . ., ul(pj)).

Inimesed on ühendatud sotsiaalvõrgustikus, mis on modelleeritud suunamata ja kaalumata graafikuna G. Defineerime G=(P, E), kus E tähistab graafiku servi. Iga sõlm inG esindab isikut P-st. Me kasutame isikut ja sõlme vaheldumisi selles paberis. Kahte inimest ühendab serv, kui nad on varem koostööd teinud. Teisisõnu, kui indiviidid i ja j on koos töötanud, siis Gi,j=1. Vastasel juhul Gi,j=0.

Arvestades seda võrku G ühendatud osalejate P loendit, on eesmärk leida meeskondi T={t1, t2, t3, . . ., tq}, kus kõik P liikmed koondavad q meeskonda ja kuuluvad ainult ühte meeskonda. Optimeerimise topeltprobleemi saab sõnastada nii, et see vähendab meeskonnaliikmete suhtluskulusid ja maksimeerib meeskondade mitmekesisuse taset. Nüüd teeme need mõisted ja kirjeldame iga eesmärgifunktsiooni.

Sidekulud. Lappas jt. [57] keskendus ekspertidevahelise koostöö ja tundmise tähtsusele, võttes arvesse nende koostöö maksumust. Selle mudeli kohaselt vahetavad varem koostööd teinud eksperdid tõenäolisemalt tõhusalt teavet ja ideid kui eksperdid, kes pole varem koostööd teinud.

Ekspertide eelneva koostöö põhjal arvutab see mudel meeskonnaliikmete vahelise suhtluse kulud, et hinnata nende koostöö- ja tuttavlikkuse taset. Sidekulude optimeerimise eesmärk on moodustada kõrgelt tuttavad meeskonnad. Kirjanduse ülevaade näitab, et kommunikatsioonikulud on teadlaste koostöö ja tuttavuse jaoks laialdaselt kasutatav vahend [66].

Oma seades kasutame suhtluskulusid meeskondade tuttavlikkuse määramiseks. Kargar ja An[31] leidsid, et meeskonnaliikmete vahemaade kogusumma on mõistlik sidekulude mõõt, kuna see on võrgu muutuste suhtes stabiilsem kui muud potentsiaalsed meetmed.

Teised sidekulude alternatiivid on suhtlusvõrgustiku läbimõõt (st suurim lühim tee võrgu mis tahes kahe sõlme vahel) ja minimaalne ulatuspuu (st võrgu servade kaalude minimaalne summa) [57].

Rakendasime selle probleemi ka nende kahe määratluse abil ja nende tulemused olid sarnased kauguste summaga saadud tulemustega. Diameetri rakendamise tulemused on saadaval S1-failis joonisel S1 ja S1tabelil ning minimaalse ulatuva puu rakendamise tulemused on saadaval S1-failis S2 joonisel ja S2-tabelil.

Määratleme sidekulud kahe indiviidi pi ja pj vahel, mida tähistatakse kui d(pi, pj), kui lühimat teepikkust graafiku G servade läbimisel ühest sõlmest teise. Kui Pi ja PJ on varem koostööd teinud, nad on ühe hüppe kaugusel.

Kui Pi ja PJ ei ole koostööd teinud, kuid neil on ühine koostööpartner, eraldab neid kaks kauplust. Ühiste varasemate kaastöötajate olemasolu meeskonnas võib edendada tuttavlikkust, mis põhineb "triaadil sulgumisel" [67].

See mehhanism eeldab, et sõlmed loovad suurema tõenäosusega uue ühenduse, kui neil on ühine ühendus. Kolm hüpet ja 4-hüppamist võivad järgida samu põhimõtteid, mis põhinevad "tasakaalumehhanismidel" [67].

Üksikisikud kipuvad looma uusi sidemeid oma kaastöötajatega, et saavutada oma rühma sees järjepidevust. Seetõttu on meie sihtfunktsioonis vahemaade kogusumma kasutamise eesmärk otsida meeskondi, mis maksimeerivad otseste koostööte (st ühe hüppe), ühiste ühenduste (kahe hüppe) ja tihedate ühenduste (kolm hüpet või rohkem) arvu. .

Madalaim suhtluskulu väärtus on siis, kui kõik meeskonnaliikmed on koostööd teinud (st nad on otse ühendatud), ja kõrgeim siis, kui meeskonnaliikmed pole üldse ühendatud. Selles teostuses, kui G-s pole pi ja pj vahel teed, määrame nendevahelise suhtluse kulud sotsiaalse võrgustiku läbimõõduks.
Me määratleme meeskonna t sidekulud liikmetevaheliste lühimate teepikkuste kogusummana, kuna see on võrgus toimuvate muutuste suhtes stabiilsem kui muud potentsiaalsed meetmed. Tähistame Cc(t)-ga meeskonna t sidekulud, millel on k liiget. Seega määratleme meeskonna suhtluskulud järgmiselt:

Cct ¼ Xki;j2t;i6¼jdðpi; pjÞ ð1Þ

Eesmärk on minimeerida kõigi üksikisikute võrgu kokkupandud meeskondade lühimate teepikkuste keskmine summa. Meeskondade komplekti sidekulude summa arvutamine O(n2) aja jooksul.

Meeskonna mitmekesisuse skoor. Teine eesmärk on luua erinevaid meeskondi, millel on lai valik tausta, tunnuseid ja oskuste repertuaari. Mitmekesisus kirjeldab erinevuste jaotust üksuse liikmete vahel seoses ühise tunnusega [30].

Harrison ja Klein[30] esitasid raamistiku, mis viitab sellele, et mitmekesisust saab kõige paremini mõista kolmel viisil: eraldatus, mitmekesisus ja ebavõrdsus. Eraldamine viitab erinevustele meeskonnaliikmete vahel nende külgmises positsioonis kontiinumil (nt väärtus, suhtumine, usk). Erinevus viitab kategoorilistele erinevustele meeskonnaliikmete vahel, kus esindatud kategooriate arv aitab kaasa meeskonna mitmekesisusele (nt sugu, karjäär, rass).

Lõpuks tähistab erinevus hinnatud varade või soovitavate ressursside (nt teadmised, haridustase, ametiaeg) kontsentratsiooni erinevusi. Need mõõdikud võimaldavad teadlastel paralleelselt ja vastavalt oma teoreetilistele ideedele rakendada funktsionaalset ja demograafilist mitmekesisust [14].

For more information:1950477648nn@gmail.com