Mitmekesiste ja ühendatud meeskondade otsingul: arvutuslik lähenemine erinevate meeskondade komplekteerimiseks liikmete põhjal, 5. osa

Kiire mittedomineeritud sortimise samm. Järgmisena peab algoritm valima sellest 2r suuruse liidust parimad r-kromosoomid. Selle komplekti leidmiseks teostab algoritm mittedomineeriva sortimise kõigi P-st pärinevate olemasolevate kromosoomide vahel.

Domineerimise sorteerimine on levinud mälutehnika, mis aitab meil asju paremini meeles pidada ja mõista. Peamiselt loob see teadmiste vahel loogilisi seoseid, klassifitseerides, sorteerides ja kokkuvõtteid tehes, muutes meil nende teadmiste mõistmise ja meeldejätmise lihtsamaks.

Domineeriva sortimise etapid hõlmavad peamiselt klassifitseerimist, sorteerimist, esilekutsumist ja kokkuvõtet. Liigitamise etapis peame asjakohase teabe klassifitseerima ja jagama selle erinevatesse kategooriatesse; sortimise etapis peame kindlaks määrama iga kategooria taseme ja tähtsuse, et seda saaks korraldada teatud järjekorras; sisseelamise etapis me Eri kategooriate vahelised seosed tuleb integreerida ja välja võtta, et neid teadmisi paremini mõista ja meeles pidada; kokkuvõtte etapis peame oma puudujääkide avastamiseks ja parandamiseks üle vaatama ja järele mõtlema kogu domineerimise sorteerimise protsessi.

Domineerimise sorteerimine on tihedalt seotud mäluga. See võib aidata meil teadmisi paremini organiseerida ja sorteerida, parandades seeläbi mälu tõhusust. Domineerimise ja sorteerimise kaudu saame süstemaatiliselt integreerida ja korrastada erinevat teavet ning luua teadmiste hierarhiaid ja assotsiatsioone, moodustades seeläbi mäluvõrgustiku, muutes meie mälestused tugevamaks ja sügavamaks. Samal ajal võib domineerimise sorteerimine aidata meil paremini uurida teadmiste väärtust ja rakendamist, parandades seeläbi meie mõtlemis- ja probleemide lahendamise võimet.

Lühidalt öeldes on domineerimise sorteerimine väga praktiline mälutehnika, mis aitab meil erinevaid teadmisi paremini mõista ja meelde jätta. Pideva harjutamise ja rakendamisega saame selle oskuse omandamises valdavamaks saada, luues seeläbi tugeva aluse meie õppimisele ja arengule. On näha, et me peame parandama mälu ja Cistanche deserticola võib oluliselt parandada mälu, sest Cistanche deserticola on traditsiooniline Hiina ravimmaterjal, millel on palju ainulaadseid toimeid, millest üks on mälu parandamine. Hakkliha tõhusus tuleneb selles sisalduvatest erinevatest toimeainetest, sealhulgas hapetest, polüsahhariididest, flavonoididest jne. Need koostisosad võivad aju tervist mitmel viisil edendada.

Klõpsake käsul Tea lühiajalist mälu, kuidas parandada

Eesmärk on tuvastada lahendused, mis toimivad paremini kui teised, ja klassifitseerida need vastavalt nende jõudlusele erinevatel Pareto rindel F. Algoritm kontrollib esmalt domineerimise seoseid kõigi kromosoomide vahel. Kui on antud kaks kromosoomi, T ja T{0}}, domineerib T T0 siis ja ainult siis, kui Cc(T)�Cc(T0) ja V(T)�V( T0) vähemalt ühe range ebavõrdsusega.

Teisisõnu on T kõigi eesmärkide puhul vähemalt sama hea kui T{{0}} ja vähemalt ühe jaoks rangelt parem. Seda domineerimise seost tähistatakse kui T � T0. Kui üks T eesmärkidest ei ole parem kui T0 ja selle väärtust ei saa parandada ilma teisi objektiivseid väärtusi halvendamata, siis T0 ei domineeri T0

Üks näide mittedomineerivast lahendusest on T, millel on kõrgemad mitmekesisusskoorid, kuid suuremad sidekulud kui T0. Sel juhul, kui puudub domineerimine, on kas T ja T0 teostatavad lahendused järgmise põlvkonna jaoks.

Kui algoritm kaardistab kõik kromosoomide domineerimise suhted, loob see lahenduste esimese Pareto rinde, mis koosneb kõigist mittedomineerivatest lahendustest (F1). Seda komplekti nimetatakse ka Pareto optimaalseks.

Seejärel loob algoritm Pareto optimaalsete lahenduste (F2) teise rinde, mida esimesel rindel eirati jne. Selle tulemusena sorteerib algoritm populatsiooni kromosoomid alampopulatsioonide hierarhiasse. Sordi otsib järjestikuseid Pareto fronte, kuni kõik kromosoomid on määratud Pareto rindele.

Uus elanikkond. Seejärel valib algoritm järgmise põlvkonna jaoks parimad r-kromosoomid. Antud ajahetkel on hierarhilises Pareto rindes F sorteeritud 2r kromosoomi. Algoritm loob uue populatsiooni P0, lisades Pareto rindedesse salvestatud kromosoomid.

Kui esimese Pareto rinde kogusuurus on väiksem kui r, siis lisab algoritm kõik selle rinde kromosoomid P{{0}}-sse. Seejärel lisab algoritm uue populatsiooni ülejäänud lahendused järgmistest mittedomineeritud rinnetest. Algoritm jätkab seda protseduuri seni, kuni ta ei saa P0-le rohkem esikülgi lisada.

Rahvakogunemise kaugus. Algoritm peab lisama uude populatsiooni kromosoome, kuni on täpselt r kromosoomi. Kui viimati valitud mittedomineeritud Pareto rindel Fk on rohkem kromosoome, kui on lubatud lisada P0-le, peab algoritm r-kromosoomide lõpuleviimiseks valima Fk-st väiksema komplekti.

Olgu d ¼ r SuurusðPÞ, puuduvate kromosoomide arv, et täita r. Algoritm tuvastab selle viimase esiosa Fk parimad δ kromosoomid, arvutades kromosoomide vahelise tõrjumise kauguse.

See mõõdik määrab, kui sarnased on kromosoomid mitme eesmärgiga probleemi toimivuse osas. Pärast selle kauguse arvutamist järjestab algoritm kromosoomid nende kauguse järgi ja kõrvaldab kromosoomid, mis toimivad sarnaselt teiste kromosoomidega. See protseduur hoiab lahenduste ees välismaal ja eemaldab üleliigsed kromosoomid.

Seejärel lisatakse P{{0}}-le Fk parimad kromosoomid δ. Selle tulemusel loendab P0 r parima kromosoomiga ja saab järgmise põlvkonna vanemaks, alustades uut iteratsiooni.

Andmed

Selles jaotises hindame meie meeskonna moodustamise probleemi jaoks pakutud algoritmi, kasutades kolme reaalmaailma andmekogumit. Andmeallikad on MyDreamTeam (meeskonna moodustamise platvorm), Bibsonomy (sotsiaalse järjehoidja sait) ja GHTorrent (GitHubi hoidla andmebaas).

Nende andmekogumite kasutamine meeskondade simuleerimiseks selle meeskonna moodustamise probleemi jaoks illustreerib meie raamistiku tõhusust reaalsetes stsenaariumides. Näitame nende andmekogumite kokkuvõtvat statistikat tabelis 2. Saadud andmed ja algandmete eeltöötluse skriptid on saadaval aadressilhttp://nusoniclab.github.io/.

MyDreamTeami andmestik. Hindame oma pakutud algoritmi tõeliste meeskonna moodustamise juhtumite andmete põhjal. Ekstraktisime selle andmestiku My Dream Team Builderist [33], soovitussüsteemist, mis aitab inimestel meeskondi ise kokku panna.

See andmestik sisaldab juhtumeid, kus osalejad on ise oma meeskonnad kokku pannud. Juhtumid pärinevad aastatel 2014–2020. Selles soovitamissüsteemis loovad osalejad profiile, otsivad meeskonnakaaslasi ja saadavad kutseid meeskondade moodustamiseks.

Juhtumid koosnevad Ameerika Ühendriikide ülikoolide klassidest. Andmekogum sisaldab osalejate tunnuseid, demograafiat ja sotsiaalseid võrgustikke, millest nad teatasid esialgses uuringus. Valisime oma algoritmi testimiseks kolm juhtumit: bakalaureuseõppe kursus, magistriõppe kursus ja MBA kursus. Osalejad kasutasid süsteemi väikeste rühmade aruteludeks meeskondade kogumiseks.

Loa osalejatelt andmete kogumiseks kiitis heaks Northwesterni ülikooli institutsionaalse ülevaatenõukogu (#STU00078513). Selle uuringu käigus järgiti kõiki kohaldatavaid institutsionaalseid ja valitsuse eeskirju, mis puudutavad inimeste eetilist kasutamist.

Uuringus osalejatelt saadi elektrooniline nõusolek veebiküsitluse instrumendi kaudu. Osalejatelt paluti nõusolek kasutada My Dream Team Builderi kaudu kogutud andmeid uurimiseesmärkidel. Räsisime kasutajate identifikaatorid, et luua tuvastamata andmestik.

BibSonomy. Teine andmestik on välja võetud BibSonomyst [34], sotsiaalse järjehoidja ja väljaannete jagamise süsteemist. Valisime bibsonoomia, kuna varasemad meeskonna moodustamise dokumendid testisid nende algoritme selle andmebaasi abil [58].

Seda andmestikku haldab Kasseli ülikooli Knowledgeand Data Engineering Group. Bibsonoomia andmestik on saadaval litsentsilepingu alusel ja seda saab taotleda aadressil https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. See andmestik sisaldab suurt hulka arvutiteadusega seotud väljaandeid. Iga väljaande on kirjutanud rühm autoreid.

Paljud kasutajad külastavad Bibsonomy veebisaiti, kasutades väljaannete märkimiseks silte. Järgides Anagnostopoulose et al. [58], kasutasime nende oskuste esindamiseks iga autori töödega seotud silte. Iga autori oskused tähistavad vastava sildiga avaldatud tööde arvu. Valisime oma algoritmi testimiseks kolm sotsiaalvõrgustiku analüüsiga seotud ajakirja: "Nature", "Science" ja "Physica A: Statistical Mechanics and its Applications".

Loendasime kõigis nendes ajakirjades siltide sagedust ja valisime mõned meie uuringuga seotud populaarsed sildid. Kahe esimese ajakirja jaoks valisime välja paberid, mis sisaldasid silte "võrk", "sotsiaalne võrgustik" ja "väike maailm".

Seejärel tuvastasime nende artiklite autorid, lõime kaasautorluse võrgustiku ja valisime autorid suurimast komponendist. Sarnaselt tegime selle protseduuri kolmanda ajakirja jaoks, kasutades silte "võrk", "graafik", "mudel" ja "süsteem". Viimistleti autorite nimesid, et luua tuvastamata andmestik.

GHTorrent. Kasutasime projekti GHTorrent [35] pakutud GitHubi andmeid, mis on GitHubi API kaudu pakutavate andmete võrguühenduseta peegel. Selle andmestiku saab alla laadida aadressilt https://gtorrent.org/downloads.html. GHTorrenti andmestik hõlmab laia valikut Githubi arendustegevusi, sealhulgas hoidlaid, tõmbepäringuid ja kasutajaid. Laadisime testimise andmestiku koostamiseks alla andmekogu tõmmise „06/01/2019”.

Filtreerisime kasutajad, kes panustasid 40–80 projekti, et hoida meie analüüsis mediaankasutajad. Järgides BibSonomy andmestikuga sarnast lähenemisviisi, kasutasime kasutajate oskuste esindamiseks iga kasutaja kaasvaramutega seotud programmeerimiskeeli.

Iga kasutaja oskused tähistavad konkreetses keeles kirjutatud projektide arvu. Kuna hoidlates võivad failid olla mitmes keeles, valisime hoidla keeleks hoidla enimkasutatava keele.

Valisime selles andmekogumis kolm kõige populaarsemat keelt: Java, Python ja Ruby. Seejärel tuvastasime nende hoidlate kasutajad ja lõime koostöövõrgustiku. Selles näites on kasutajatel atie, kui nad panustasid samasse hoidlasse vähemalt kaks korda. Lõpuks valisime kasutajad suurimast komponendist. Räsisime autorite nimed, et luua tuvastamata andmestik.

Hindamine

Võrdleme meeskonna moodustamise probleemi (tähistatud kui NSGA-II) algoritmi kolme üldtuntud mitme eesmärgiga optimeerimismeetodiga, mida kasutatakse võrdlusuuringu eesmärkidel[62, 72]:

Pareto kohaliku otsingu (PLS) meetod. See iteratiivne algoritm alustab esialgse populatsioonina juhuslike lahenduste komplektiga ja uurib iga lahenduse naabreid [73, 74]. Algoritm värskendab populatsiooni Pareto domineerimise alusel: see lisab populatsiooni mittedomineerivaid naabreid ja eemaldab olemasolevad lahendused, kus domineerivad äsja lisatud lahendused.

Kui lahenduse ümbrus on täielikult läbi uuritud, märgitakse lahendus uurituks. Algoritm uurib iteratiivselt uusi lahendusi, kui neid lisatakse populatsiooni, kuni paremaid lahendusi ei leita. Algoritm peatub pärast seda, kui kõik lahendused on läbi uuritud ja enam mittedomineeritud lahendusi ei leita. Rakendasime Zihayati jt pakutud versiooni. [72] kombinatsioonprobleemide jaoks.

Selles teostuses on lahenduse naabrid kõik võimalikud meeskonnakombinatsioonid lahendusest, kus kaks liiget vahetavad meeskondi. Kuna PLS ei sõltu fikseeritud arvust põlvkondadest, käivitame ainult selle algoritmi ühe iteratsiooni, et võrrelda selle tulemusi teiste meetoditega.

Arvestades n isikut ja et algoritm uurib iga lahenduse n2 naabrit, on selle teostuse arvutuslik keerukus parimal juhul O(n3).

For more information:1950477648nn@gmail.com