În căutarea echipelor diverse și conectate: o abordare computațională pentru a aduna echipe diverse bazate pe membri Partea 5
Jan 25, 2024
Pas rapid de sortare nedominat. În continuare, algoritmul trebuie să selecteze cei mai buni cromozomi r din această uniune de dimensiunea 2r. Pentru a găsi acest set, algoritmul efectuează o sortare nedominată printre toți cromozomii existenți din P.
Sortarea prin dominanță este o tehnică comună de memorie care ne ajută să ne amintim și să înțelegem lucrurile mai bine. În principal, stabilește relații logice între cunoștințe prin clasificarea, sortarea și rezumarea informațiilor aferente, făcându-ne mai ușor să înțelegem și să ne amintim aceste cunoștințe.
Pașii de sortare dominantă includ în principal clasificarea, sortarea, inducția și rezumatul. În etapa de clasificare, trebuie să clasificăm informațiile relevante și să le împărțim în diferite categorii; în etapa de sortare, trebuie să stabilim nivelul și importanța fiecărei categorii, astfel încât să poată fi aranjată într-o anumită ordine; în etapa de inducție, relațiile dintre diferitele categorii trebuie să fie integrate și extrase pentru a înțelege și a reține mai bine aceste cunoștințe; în etapa de rezumat, trebuie să revizuim și să reflectăm asupra întregului proces de sortare a dominanței pentru a ne descoperi și corecta deficiențele.
Sortarea dominanței este strâns legată de memorie. Ne poate ajuta să organizăm și să sortăm mai bine cunoștințele, îmbunătățind astfel eficiența memoriei. Prin dominare și sortare, putem integra și aranja în mod sistematic diverse informații și stabilim ierarhii și asociații de cunoștințe, formând astfel o rețea de memorie, făcând amintirile noastre mai puternice și mai profunde. În același timp, sortarea dominantă ne poate ajuta, de asemenea, să explorăm mai bine valoarea și aplicarea cunoștințelor, îmbunătățind astfel abilitățile noastre de gândire și de rezolvare a problemelor.
Pe scurt, sortarea prin dominanță este o tehnică de memorie foarte practică, care ne poate ajuta să înțelegem și să ne amintim mai bine diverse cunoștințe. Prin practică și aplicare continuă, putem deveni mai pricepuți în stăpânirea acestei abilități, punând astfel o bază solidă pentru învățarea și dezvoltarea noastră. 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 memoria pe termen scurt cum să vă îmbunătățiți
Scopul este de a identifica soluții care au rezultate mai bune decât altele și de a le clasifica în funcție de performanța lor în diferite fronturi Pareto. F. Algoritmul verifică mai întâi relațiile de dominanță între toți cromozomii. Având în vedere doi cromozomi, T și T{{0}}, T domină T0 dacă și numai dacă Cc(T)�Cc(T{0) și V(T)�V( T0) cu cel puțin o inegalitate strictă.
Cu alte cuvinte, T este cel puțin la fel de bun ca T{{0}} pentru toate obiectivele și strict mai bun pentru cel puțin unul. Această relație de dominanță este notată ca T � T0. Dacă unul dintre obiectivele lui T nu este mai bun decât T0 și nu poate fi îmbunătățit ca valoare fără a degrada unele dintre celelalte valori obiective, atunci T este nedominat de T0
Un exemplu de soluție nedominată este T care are scoruri de diversitate mai mari, dar costuri de comunicare mai mari decât T0. În cazul de non-dominanță, fie T și T0 sunt soluții fezabile pentru generația următoare.
Odată ce algoritmul mapează toate relațiile de dominanță ale cromozomilor, creează un prim front Pareto de soluții constând din toate soluțiile nedominate (F1). Această mulțime este, de asemenea, numită optim Pareto.
Apoi, algoritmul creează un al doilea front de soluții optime Pareto (F2) care au fost ignorate în primul front și așa mai departe. Ca rezultat, algoritmul sortează cromozomii populației într-o ierarhie de sub-populații. Tipul continuă să găsească fronturi Pareto succesive până când toți cromozomii sunt alocați unui front Pareto.
Populație nouă. Algoritmul selectează apoi cei mai buni cromozomi r pentru generația următoare. La un moment dat, există 2r cromozomi sortați în frontul Pareto ierarhic F. Algoritmul creează noua populație P0adăugând cromozomii stocați în fronturile Pareto.
Dacă dimensiunea totală a primului front Pareto este mai mică decât r, atunci algoritmul adaugă toți cromozomii acestui front la P{{0}}. Apoi, algoritmul adaugă soluțiile rămase pentru noua populație de pe fronturile nedominate ulterioare. Algoritmul continuă această procedură până când nu poate adăuga mai multe fronturi la P0.
Distanța de aglomerare. Algoritmul trebuie să adauge cromozomi la noua populație până când există exact cromozomi r. Dacă ultimul front Pareto nedominat selectat Fk are mai mulți cromozomi decât cei permisi să se adauge la P0, algoritmul trebuie să aleagă un set mai mic din Fk pentru a completa cromozomii r.
Fie d ¼ r SizeðPÞ, numărul de cromozomi lipsă pentru a completa r. Algoritmul identifică cei mai buni cromozomi δ din acest ultim front Fk prin calcularea distanței de aglomerare între cromozomi.
Această măsurătoare determină cât de similari sunt cromozomii în ceea ce privește performanța în problema multi-obiectivă. După calcularea acestei distanțe, algoritmul ierarhizează cromozomii în funcție de distanța lor și elimină cromozomii care funcționează similar altor cromozomi. Această procedură menține în fața soluțiilor mai străine și elimină cromozomii redundanți.
Apoi, cei mai buni cromozomi δ din Fk sunt adăugați la P{{0}}. Ca rezultat, P0 numără cei r cei mai buni cromozomi și devine părintele generației următoare, începând o nouă iterație.
Date
În această secțiune, evaluăm algoritmul propus pentru problema formării echipei noastre folosind trei seturi de date din lumea reală. Sursele de date sunt MyDreamTeam (o platformă de formare a echipelor), Bibsonomy (un site de marcare socială) și GHTorrent (o bază de date a depozitului GitHub).
Utilizarea acestor seturi de date pentru a simula echipe pentru această problemă de formare a echipelor ilustrează eficiența cadrului nostru în scenarii reale. Afișăm statistici rezumative din aceste seturi de date în tabelul 2. Datele rezultate și scripturile pentru a preprocesa datele brute sunt disponibile lahttp://nusoniclab.github.io/.
Setul de date MyDreamTeam. Evaluăm algoritmul nostru propus utilizând date din cazuri reale de formare a echipei. Am extras acest set de date din My Dream Team Builder [33], un sistem de recomandare pentru a ajuta indivizii să-și autoasambla echipe.
Acest set de date conține cazuri de participanți care își adună echipele. Cazurile datează din 2014 până în 2020. În acest sistem de recomandare, participanții creează profiluri, caută colegi de echipă și trimit invitații pentru a forma echipe.
Cazurile constau în cursuri de la universități din Statele Unite. Setul de date include trăsăturile participanților, datele demografice și rețelele sociale, pe care le-au raportat într-un sondaj inițial. Am selectat trei cazuri pentru a ne testa algoritmul: un curs de licență, un curs de absolvire și un curs de MBA. Participanții au folosit sistemul pentru a aduna echipe pentru discuții în grupuri mici.
Permisiunea de a colecta date de la participanți a fost aprobată de către Northwestern University Institutional Review Board (#STU00078513). Toate reglementările instituționale și guvernamentale aplicabile privind utilizarea etică a subiecților umani au fost respectate în timpul acestei cercetări.
Consimțământul electronic a fost obținut de la participanții la studiu prin intermediul unui instrument de sondaj online. Participanților li s-a cerut consimțământul pentru a utiliza datele colectate prin My Dream Team Builder în scopuri de cercetare. Am aplicat hashing identificatorii utilizatorilor pentru a crea un set de date de-identificat.
BibSonomy. Al doilea set de date este extras din BibSonomy [34], un sistem social de marcare și partajare a publicațiilor. Am ales bibsonomy, deoarece lucrările anterioare de formare a echipei și-au testat algoritmii folosind această bază de date [58].
Acest set de date este administrat de Knowledgeand Data Engineering Group, Universitatea din Kassel. Setul de date bibsonomy este disponibil în baza unui acord de licență și poate fi solicitat la https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. Acest set de date conține un număr mare de publicații legate de informatică. Fiecare publicație este scrisă de un grup de autori.
Mulți utilizatori vizitează site-ul web Bibsonomy folosind etichete pentru a adnota publicațiile. Urmând procedura descrisă de Anagnostopoulos et al. [58], am folosit etichetele asociate cu lucrările fiecărui autor pentru a-și reprezenta abilitățile. Abilitățile fiecărui autor reprezintă numărul de lucrări publicate cu eticheta respectivă. Am selectat trei reviste legate de analiza rețelelor sociale pentru a ne testa algoritmul: „Natura”, „Știință” și „Physica A: Mecanica statistică și aplicațiile sale”.
Am numărat frecvența etichetelor în fiecare dintre aceste reviste și am selectat câteva etichete populare legate de studiul nostru. Pentru primele două reviste, am selectat lucrări care au inclus etichetele „rețea”, „rețea socială” și „lume mică”.
Apoi, am identificat autorii acestor articole, am creat rețeaua de coauthorship și am selectat autori din cea mai mare componentă. În mod similar, am făcut această procedură pentru al treilea jurnal folosind etichetele „rețea”, „grafic”, „model” și „sistem”. Strângerea numelor autorilor pentru a crea un set de date de-identificat.
GHTorrent. Am folosit datele GitHub furnizate de proiectul GHTorrent [35], o oglindă offline a datelor oferite prin API-ul GitHub. Acest set de date poate fi descărcat de la https://ghtorrent.org/downloads.html. Setul de date GHTorrent acoperă o gamă largă de activități de dezvoltare pe Github, inclusiv depozite, solicitări de extragere și utilizatori. Am descărcat descărcarea setului de date „06/01/2019” pentru a construi setul de date de testare.
Am filtrat utilizatorii care au contribuit între 40 și 80 de proiecte pentru a menține utilizatorii mediani în analiza noastră. Urmând o abordare similară cu setul de date BibSonomy, am folosit limbaje de programare asociate cu arhivele contribuite de fiecare utilizator pentru a reprezenta abilitățile utilizatorilor.
Abilitățile fiecărui utilizator reprezintă numărul de proiecte contribuite scrise într-o anumită limbă. Deoarece depozitele pot avea fișiere în mai multe limbi, am selectat cea mai folosită limbă a depozitului ca limbă a depozitului.
Am selectat trei dintre cele mai populare limbi din acest set de date: Java, Python și Ruby. Apoi, am identificat utilizatorii acestor depozite și am creat rețeaua de colaborare. În acest exemplu, utilizatorii au atie dacă au contribuit la același depozit de cel puțin două ori. În cele din urmă, am selectat utilizatori din cea mai mare componentă. Am indexat numele autorilor pentru a crea un set de date de-identificat.
Evaluare
Comparăm algoritmul propus pentru problema formării echipei (notat ca NSGA-II) cu trei metode bine-cunoscute de optimizare multi-obiectivă utilizate în scopuri de referință[62, 72]:
Metoda de căutare locală Pareto (PLS). Acest algoritm iterativ începe cu un set de soluții aleatoare ca populație inițială și explorează vecinii fiecărei soluții [73, 74]. Algoritmul actualizează populația pe baza dominanței Pareto: va adăuga vecini nedominați la populație și va elimina soluțiile existente care sunt dominate de soluțiile nou adăugate.
Odată ce vecinătatea unei soluții a fost pe deplin explorată, soluția este marcată ca fiind explorată. Algoritmul explorează în mod iterativ soluții noi pe măsură ce acestea sunt adăugate populației până când nu se găsesc soluții mai bune. După ce toate soluțiile sunt explorate și nu mai pot fi descoperite soluții nedominate, algoritmul se oprește. Am implementat versiunea propusă de Zihayat et al. [72] pentru probleme combinaționale.
În această implementare, vecinii unei soluții sunt toate combinațiile de echipe posibile din soluție cu doi membri care schimbă echipe. Deoarece PLS nu depinde de un număr fix de generații, rulăm doar o iterație a acestui algoritm pentru a-i compara rezultatele cu celelalte metode.
Având în vedere n indivizi și că algoritmul va explora n2 �vecini ai fiecărei soluții, complexitatea de calcul a acestei implementări este O(n3) în cel mai bun scenariu.
For more information:1950477648nn@gmail.com
