În căutarea echipelor diverse și conectate: o abordare computațională pentru a aduna echipe diverse bazate pe membri Partea a 7-a

Rezultatele arată că algoritmul NSGA-II a obținut cele mai mari valori de hipervolum pe 6 din 9 seturi de date și a doua cea mai mare valoare pentru celelalte trei seturi de date (Tabelul 3). Cu alte cuvinte, NSGA-II a găsit frecvent mai multe combinații de echipe cu niveluri mai mari de diversitate și costuri de comunicare mai mici decât ceilalți algoritmi.

Memoria joacă un rol vital în viața noastră. Determină dacă putem folosi pe deplin cunoștințele și experiența existente pentru a rezolva probleme și, de asemenea, ne afectează învățarea și performanța la muncă. Seturile de date existente au demonstrat, de asemenea, relația dintre memorie și diverși factori, ceea ce ne oferă mai multe perspective și posibilități.

În primul rând, diverse studii arată că o sănătate bună este piatra de temelie a unei bune memorie. Exercițiile fizice adecvate și o dietă echilibrată pot îmbunătăți eficiența sistemului nervos și pot proteja țesutul nervos. Persoanele apte fizic au o sănătate cardiovasculară și mentală mai bună, afecțiuni care au fost legate de îmbunătățirea memoriei și a funcției cognitive.

În al doilea rând, există și o legătură strânsă între stările emoționale și stările cognitive. Cercetările arată că anxietatea și stresul excesiv pot perturba comunicarea dintre neuronii din creier, ducând la probleme precum pierderea memoriei și dificultăți de concentrare. Ajută la promovarea îmbunătățirii memoriei prin gestionarea și reglarea emoțiilor pozitive.

În plus, mediul nostru de viață și obiceiurile zilnice vor avea, de asemenea, un impact asupra dezvoltării și menținerii memoriei. De exemplu, luarea de notițe, găsirea unei metode de învățare care ți se potrivește, brainstormingul, moderarea activităților sociale și călătoriile sunt foarte benefice pentru dezvoltarea memoriei; în timp ce obiceiurile proaste de somn și diferitele metode de divertisment vor afecta grav sistemul nervos și vor afecta memoria. Influență.

În concluzie, memoria este o parte importantă a vieții noastre eficiente, care ne determină capacitatea de învățare, capacitatea de lucru și calitatea vieții. Prin exerciții fizice și dietă adecvate, management emoțional și ajustări ale vieții de zi cu zi, ne putem îmbunătăți considerabil memoria și abilitățile cognitive, permițându-ne să trăim mai eficient și mai fericiți. Se poate observa că trebuie să îmbunătățim memoria, iar Cistanche deserticola poate îmbunătăți semnificativ memoria deoarece Cistanche deserticola este un material medicinal tradițional chinezesc care are multe efecte unice, dintre care unul este îmbunătățirea memoriei. Eficacitatea cărnii tocate vine din diferitele ingrediente active pe care le conține, inclusiv acid, polizaharide, flavonoide etc. Aceste ingrediente pot promova sănătatea creierului în diferite moduri.

Faceți clic pe cunoașteți suplimentele pentru a îmbunătăți memoria

Valorile mari de hipervolum ale NSGA-II pot fi explicate prin pasul distanței de aglomerare, care a ajutat algoritmul să găsească soluții nedominate situate la extremele frontului Pareto.

Deoarece PLS și HPSO nu au stabilit niciun criteriu pentru a evita soluțiile redundante, soluțiile lor au dus la un set de soluții nedominate concentrate în anumite zone. Prin urmare, setul de combinații de echipe furnizate de NSGA-II le-a dominat frecvent pe cele furnizate de ceilalți algoritmi.

Implementarea NSGA-II a obținut, de asemenea, cele mai mari valori ale raportului frontal unic nedominat (UNFR) pe 6 din 9 seturi de date. Cu alte cuvinte, NSGA-II a furnizat frecvent mai multe combinații de echipe nedominate pe care ceilalți algoritmi nu le-au putut găsi.

O posibilă explicație pentru locul doi NSGA-II în celelalte cazuri este densitatea scăzută a rețelei de colaborare. Grupurile cu puține conexiuni anterioare între indivizi vor reduce numărul de combinații posibile de echipe foarte conectate, făcând căutarea euristică ineficientă.

În contrast, HPSO și PLS au efectuat mai multe operații de încrucișare și mutație decât NSGA-II. Executarea acestor operațiuni de mai multe ori a permis HPSO și PLS să examineze mai multe combinații de echipe și să crească probabilitatea de a găsi combinații de echipe specifice cu scoruri de comunicare scăzute.

HPSO a atins al doilea cel mai mare hipervolum și valori UNFR. A beneficiat de soluțiile nedominate din mijlocul frontului Pareto aproximativ, care a obținut niveluri de diversitate ridicate.

Aceste soluții nedominante au depășit alți algoritmi și au crescut aria creată de Frontul lui Pareto aproximativ. SPEA-2 și PLS au convergit către câteva soluții, acoperind o zonă mai mică decât soluțiile NSGA-II și HPSO. În general, NSGA-II a găsit mai multe soluții nedominate pentru aceste două obiective și a oferit soluții cu o variație mai mare în valorile costurilor de comunicare.

Variația mare atât în ​​​​diversitate, cât și în familiaritate arată că algoritmul NSGA-II a găsit mai multe soluții nedominate decât ceilalți algoritmi, ceea ce este de dorit pentru găsirea adevăratului front Pareto. Pasul de distanță de aglomerare a NSGA-II a permis algoritmului să păstreze o gamă mai largă de soluții nedominate. În plus, algoritmul a păstrat soluțiile secundare straturi indiferente care ar fi putut origina soluții nedominate în iterațiile ulterioare.

Pe măsură ce algoritmul continuă să creeze noi generații, soluțiile dominate pot fi încă luate în considerare pentru a găsi alte soluții potențiale. Mai mult, NSGA-II ar putea identifica în continuare soluții nedominate în mijlocul compromisului.

În schimb, varianța scăzută a celorlalți algoritmi arată că aceștia ar putea converge către un set specific de soluții nedominate și către un compromis specific. Acești algoritmi nu au inclus operațiuni de diversificare a populațiilor lor actuale sau de eliminare a soluțiilor redundante nedominate. Prin urmare, acestor algoritmi ar putea lipsi diverse soluții care se află în extremele frontului Pareto.

Figura 4 prezintă timpul de rulare al tuturor algoritmilor implementați. Figura 5 arată cum timpul de rulare al algoritmilor este o funcție de numărul de indivizi disponibili. Rezultatele arată că implementarea NSGA-II are performanțe mai bune decât PLS și HPSO pe măsură ce grupul de participanți crește.

PLS a avut nevoie de mai mult timp pentru a explora vecinătățile soluțiilor până la epuizarea tuturor combinațiilor posibile. În cazul HPSO, cele două încrucișări și o etapă de mutație efectuate pentru fiecare soluție au făcut operația algoritmului de trei ori mai lungă decât NSGA-II, deoarece acesta din urmă efectuează doar o etapă de încrucișare. Deși HPSO a durat mai mult decât NSGA-II, ambele au funcționat în timp polinomial (O(n2)).

Rezultatele noastre sugerează că NSGA-II a necesitat mai puțin de o treime din timpul necesar PLS și HPSO pentru a oferi rezultate similare. Prin urmare, utilizarea NSGA-II este foarte încurajată pentru a găsi soluții eficient pe măsură ce dimensiunea intrării crește. SPEA-2 nu a găsit soluții mai bune decât PLS sau NSGA-II, dar rezultatele sale au convergit mai repede decât metodele NSGA-II și PLS.

În cele din urmă, am calculat frecvența contactelor directe (1-hop), contactelor partajate (2-hops),3-hopurilor și multe altele în echipele asamblate pentru a înțelege distanțele dintre membrii echipei( Vezi tabelul S3 din fișierul S1).

Rezultatele sugerează că marea majoritate a membrilor au fost conectați cu alții printr-un intermediar (�31%), urmați de membrii care erau conectați direct (�30%). Aceste cifre arată că echipele rezultate au fost foarte conectate în general, iar membrii conectați prin multe hopuri nu erau reprezentativi.

Discuţie

Formarea de echipe este o sarcină provocatoare, mai ales atunci când scopul este de a aduce un echilibru între diversitate și preferințele coechipierilor membrilor. În timp ce munca anterioară s-a concentrat pe căutarea celei mai bune echipe posibile [37], contribuția acestei lucrări este căutarea de combinații echilibrate de echipă care să distribuie abilitățile și conexiunile în mod echitabil. Mai mult, adunarea echipelor care includ atât diversitatea în contribuțiile membrilor lor, cât și relațiile anterioare dintre membri devine o provocare supremă pentru a le garanta succesul [78, 79].

În această lucrare, luăm în considerare problema creării de echipe care sunt atât diverse, cât și echipe foarte conectate, folosind o abordare computațională. Am implementat această problemă de formare a echipei folosind un algoritm genetic care oferă diferite combinații de echipe în funcție de diversitatea echipelor și costurile de comunicare.

Rezultatele indică faptul că echipele diverse și extrem de conectate pot fi asamblate eficient și rapid prin această abordare genetică. În următoarele subsecțiuni, vom detalia implicațiile acestei lucrări și potențialele aplicații.

Această lucrare arată beneficiile utilizării abordărilor computaționale pentru a asambla mai multe echipe care distribuie abilitățile membrilor între diferite grupuri și iau în considerare relațiile lor anterioare. Munca anterioară pune accentul în principal pe găsirea celei mai bune echipe posibile dintr-un grup social (de exemplu, echipă de experți, echipă all-star) [36, 57, 58].

Cu toate acestea, căutarea mai multor echipe este, de asemenea, relevantă în situații de învățare și organizaționale, cum ar fi formarea de echipe de studenți, formarea de echipe operaționale în cadrul unităților de afaceri sau efectuarea de cercetări științifice.

Datorită accentului puternic asupra adunării echipelor de înaltă performanță, algoritmii care reunesc cei mai buni membri pot crea o segregare mai mare în cadrul acestor grupuri sociale în detrimentul altora care sunt mai puțin calificați [80]. Concentrarea abilităților și expertizei într-un număr mic de echipe împiedică apariția altor echipe care au oportunități și conexiuni sociale similare.

După cum demonstrează această lucrare, infrastructura de calcul avansată și utilizarea datelor mari oferă noi oportunități de a reimagina mai multe combinații de echipe pe care indivizii nu le-ar putea explora sistematic și ușor [37, 44]. În loc să creeze echipe folosind strategii manuale sau intuiție, formatorii de echipe pot folosi algoritmi pentru a adapta diferite combinații de echipe care optimizează simultan diversitatea și familiaritatea.

Astfel, implementări precum cea prezentată în această lucrare permit formatorilor de echipe să creeze echipe eterogene și diverse, fără a sacrifica familiaritatea dintre membrii echipei, ceea ce este esențial pentru colaborările de succes [81].

For more information:1950477648nn@gmail.com