Változatos és összefüggő csapatok nyomában: Számítási módszer a változatos csapatok tagokon alapuló összeállításához 3. rész

Célfüggvények száma

A harmadik dimenzió a csapatalakító algoritmus által optimalizált célok száma. Néhány példa a csapatok kommunikációs költségeinek minimalizálására, a csapatok személyi költségeinek minimalizálására és az egyes csapatokban jelenlévő készségek számának maximalizálására.

A csapatalakítási algoritmusok és a memória közötti kapcsolat szorosan összefügg. A csapat emberek egy csoportja, mindegyiknek megvan a maga ötlete és képessége, de nagyobb értéket csak akkor lehet elérni, ha mindenki együtt dolgozik.

A csapatalakítási algoritmus lényege, hogy hogyan lehet a különböző embereket harmonikusabban együttműködni. Ebben a folyamatban mindenkinek ki kell használnia az erősségeit szerepének és feladatainak megfelelően, ugyanakkor hatékonyan kell kommunikálnia és koordinálnia kell a csapat többi tagjával.

A memória fontos szerepet játszik ebben a folyamatban. Egy csapatban folyamatosan rögzíteni kell az egyes tagok feladatait, hozzájárulásait, valamint a csapat előrehaladását, problémáit. Csak így alakulhat ki hatékony kommunikáció és együttműködés a csapatban, és ez segíthet abban is, hogy a csapattagok jobban megértsék feladataikat és szerepeiket.

Továbbá a csapatalakítási algoritmusok és a memória is erősíthetik egymást. A csapatalakítási algoritmusok segíthetnek az embereknek jobban megérteni, hogyan kell együtt dolgozni, és az erősebb emlékek fejlesztése a folyamat során lehetővé teszi az emberek számára, hogy jobban rögzítsék és megértsék a csapattal kapcsolatos különféle információkat.

Ezért fel kell ismernünk a csapatalakítási algoritmusok és a memória fontosságát a csapat számára. Csak a folyamatos kommunikáció és együttműködés, valamint az információk rögzítése és rendszerezése révén tud a csapat hatékonyabban működni és nagyobb értéket képviselni. Látható, hogy javítanunk kell a memórián, a Cistanche deserticola pedig jelentősen javíthatja a memóriát, mert a Cistanche deserticola szabályozhatja a neurotranszmitterek egyensúlyát is, például növelheti az acetilkolin és a növekedési faktorok szintjét. Ezek az anyagok nagyon fontosak a memória és a tanulás szempontjából. Ezen túlmenően a hús javíthatja a véráramlást és elősegítheti az oxigénszállítást, ami biztosítja, hogy az agy elegendő tápanyagot és energiát kapjon, ezáltal javítva az agy vitalitását és állóképességét.

Kattintson a Tudás gombra a rövid távú memória javításához

A legtöbb algoritmus a csapatalakítási problémát egyetlen céllal, korlátozásokkal határozza meg [59].

A korábban említett példák ezt az egyobjektív függvénytervet követik. A buktató az, hogy a csapat összetételének más előnyös céljai nem lehetnek consiaz optimalizálási folyamat során egyidejűleg (pl. a kommunikációs költségek minimalizálása és a csapat képességeinek maximalizálása).

A korábbi tanulmányok egynél több célfüggvényt vezettek be a csapatalakítási problémába. Az egyik példa Kargar et al. [60], amely a "Minimális költséghozzájárulás" algoritmust (MCC) mutatja be. Célja a legalacsonyabb kommunikációs költséggel és a legalacsonyabb személyi költséggel rendelkező csapat felkutatása.

Az MMC célfüggvénye mindkét költségfüggvény lineáris kombinációja egy λ paraméterrel, amely a kommunikáció és a személyes költségek közötti kompromisszumot jelzi. Ez az algoritmus egy heurisztikus megközelítést valósít meg, amely fokozatosan új tagokat ad a csapathoz, és figyelembe veszi az új tag felvételének költségeit az összeállított csapat jelenlegi költségeihez képest.

A lineáris kombinációs formulák előnyei ellenére ez a megközelítés két korlátot rejt magában: csak egyetlen csapatmegoldást biztosít, és a költségfüggvényekhez tartozó lejárati változót előre be kell állítani. Így más megfelelő megoldások megtalálása ezekkel a módszerekkel a kompromisszumos változó beállításától függ, ami torzíthatja a keresési folyamatot [61].

A közelmúltbeli algoritmikus hozzájárulások a csapatalakítási problémát többcélú optimalizálási problémaként fogalmazták meg, amely két vagy több célfüggvény egyidejű optimalizálását teszi lehetővé[62, 63].

Ezek a problémák két vagy több cél közötti kompromisszumot foglalnak magukban, mivel az egyik cél jobb megoldása csak egy másik cél teljesítésével lehetséges. Így a többcélú optimalizálási problémák nem egyetlen megoldást adnak, hanem több megoldást kapnak, figyelembe véve a több cél különböző relevanciahangsúlyait.

Míg az egyobjektív optimalizálási feladatoknál az egyik megoldás másokkal szembeni felsőbbrendűségét a célfüggvény határozza meg, addig a többcélú optimalizálási feladatokban a dominancia határozza meg. Az optimalizálási folyamat minden célfüggvényben olyan megoldásokat keres, amelyek jobbak a többinél.

Ennek eredményeként a probléma egy sor „nem dominált” megoldást kínál, amely olyan megoldásokból áll, amelyek javíthatók anélkül, hogy egyidejűleg a többi cél legalább egy rovására menne. A többcélú optimalizálás Pareto-optimalizálásként is ismert.

Az 1. ábra egy Pareto-front példáját mutatja, amely különböző, nem dominált megoldásokat mutat két cél között. Ennek a Pareto-frontnak a kiszámítása lehetővé teszi a döntéshozók számára, hogy összehasonlítsák és ellenőrizzék a különböző kompromisszumokat mindkét dimenzió között.

Ezen megközelítés alapján a többcélú algoritmikus megvalósítások olyan csoportmegoldásokat biztosítanak, amelyek figyelembe veszik a célfüggvények változatos értékelését [54, 64]. A Zhang és Zhang implementációja [64] a legmagasabb képességekkel rendelkező tagokat választja ki a feladatra, és a legjobb interperszonális kapcsolatokkal rendelkezik, hogy összeállítsa a legjobb csapatot. Ez a tanulmány a particleswarm optimalizálási implementációt használja annak meghatározására, hogy egy tagnak a legjobb csapatba kell-e tartoznia.

A megoldások egy kétdimenziós folytonos térben mozognak, és az algoritmus asigmoid függvényt alkalmaz a tagok jelenlétének binarizálására. Perez-Toledano et al. [63] kifejlesztett egy agenetikus algoritmust, amellyel versenyképes kosárlabdacsapatokat találhat, amelyek egyszerre veszik figyelembe az egyes játékosok költségeit és értékét.

Mindegyik megoldás egy csapatból áll a rendelkezésre álló játékosokból, és az utolsó Pareto fronton különböző csapatok jelennek meg, amelyek figyelembe veszik a játékosok értékelése és a költségek közötti kompromisszumot. Ezen megfogalmazások alapján a csapatépítők láthatnak és összehasonlíthatnak más csapatokat, és kiválaszthatják, hogy melyik célt részesítsék előnyben a csapat kiválasztásakor.

Probléma megfogalmazása

A releváns csapatalakítási problémák és a hozzájuk tartozó algoritmusok áttekintése után arra törekszünk, hogy megvalósítsuk ezt a konkrét problémát, amely egyszerre maximalizálja a csapatok sokszínűségét és a csapatok ismertségét.

Ez a probléma többcélú optimalizációs megfogalmazásoknál megfelelő, mivel a csapatok ismertségének maximalizálása egymáshoz hasonló tagokból álló csoportok kialakításához vezethet [65].

Bár ezt a problémát megvalósíthatnánk egycélú optimalizálási problémaként is, ezek közül az egyik célt prioritásként kellene kezelnünk, és kerülnünk kell a megoldások közötti kompromisszumot. Sőt, a csapatalakítás korábbi megfogalmazásai vagy a legjobb csapatot keresték a több cél közül, vagy az egyetlen célon alapuló csapatkombinációkat.
Javasolunk egy többcélú optimalizálási problémát, amely az összes rendelkezésre álló egyént csoportokba sorolja, ami több olyan csapatkombinációt eredményez, amelyek különböző relevancia-hangsúlyokat vesznek figyelembe a sokszínűség és az ismertség érdekében. Ez a munka nem érvényes a csapatképzéssel kapcsolatos korábbi tanulmányokra, és új megközelítést kínál a csapatalakítási szakirodalomhoz.

Anyagok és metódusok

Ebben a részben bemutatjuk a többcélú problémát és definíciókat, amelyeket ebben a cikkben fogunk használni. Jelölésünket az 1. táblázat is összefoglalja. Leírjuk ennek a többcélú probléma NSGA-II megvalósítását és összetevőit is. Ezután leírjuk azokat az adatkészleteket és benchmark algoritmusokat, amelyeket a csapatalakítási probléma értékeléséhez használtunk. Végül elmagyarázzuk a kvantitatív mérőszámokat az algoritmusok eredményeinek összehasonlításához.

Definíciók

Tagok, attribútumok, hálózatok és csapatok. A résztvevők egy halmazát tekintjük P={p1,p2, . . ., pn} kategorikus attribútumok halmazával C={c1, c2, . . ., cm} és U={u1, u2, numerikus attribútumok halmaza. . ., ul}.

Ezeknek az egyének tulajdonságainak különböző skálája van, és minden egyes személyről információt képviselnek (pl. életkor, nem, faj, készség). A rendelkezésre álló egyéni információktól függően a csapatoknak számos tulajdonságuk és összetételük leíró tulajdonsága lehet. Minden személynek van értéke ezen attribútumok mindegyikében. Jelöljük a ci(pj)-t, hogy megkapjuk a j személyre vonatkozó ci kategorikus attribútum értékét.

Hasonlóképpen az ui(pj)-t használjuk, hogy megkapjuk a j személy ui numerikus attribútumának értékét. A j személy e kategorikus és numerikus attribútumok vektoraként ábrázolható. Így a pj attribútumai: (c1(pj), . . ., cm(pj),u1(pj), . . ., ul(pj)).

Az emberek egy közösségi hálózatban kapcsolódnak össze, amelyet irányítatlan és súlyozatlan G gráfként modelleznek. Meghatározzuk G=(P, E), ahol E a gráf éleit jelenti. Minden inG csomópont egy P személyt képvisel. Ebben a dokumentumban a személyt és a csomópontot felcserélhetően használjuk. Két embert egy él köt össze, ha a múltban együttműködtek. Más szóval, ha i és j egyedek együtt dolgoztak, akkor Gi,j=1. Egyébként Gi,j=0.

A G hálózathoz csatlakozó P résztvevők ezen listája alapján a cél a T csapatok halmazának megtalálása={t1, t2, t3, . . ., tq}, ahol P minden tagja q csapatot állít össze, és csak egy csapathoz tartozik. Az optimalizálás kettős problémája úgy fogalmazható meg, hogy minimalizálja a kommunikációs költségeket a csapattagok között, és maximalizálja a csapatok sokszínűségi szintjét. Most megfogalmazzuk ezeket a fogalmakat, és leírjuk az egyes célfüggvényeket.

Kommunikációs költségek. Lappas et al. [57] az együttműködések és a szakértők közötti ismeretség fontosságára összpontosított, figyelembe véve együttműködésük költségeit. E modell szerint azok a szakértők, akik korábban együttműködtek, nagyobb valószínűséggel cserélnek hatékonyan információkat és ötleteket, mint azok, akik nem működtek együtt.

A szakértők korábbi együttműködései alapján ez a modell kiszámítja a csapattagok közötti kommunikációs költségeket, hogy megbecsülje együttműködési és ismeretségi szintjét. A kommunikációs költségek optimalizálásának célja magas szintű ismeretekkel rendelkező csapatok kialakítása. Egy szakirodalmi áttekintés azt mutatja, hogy a kommunikációs költségek gyakran használják a kutatók közötti együttműködést és ismeretséget [66].

Beállításunkban a kommunikációs költségeket használjuk a csapatok ismertségének proxyjaként. Kargar és An[31] úgy találta, hogy a csapattagok közötti távolságok összege a kommunikációs költségek ésszerű mértéke, mivel stabilabb a hálózat változásaival szemben, mint más lehetséges mértékek.

A kommunikációs költségek további alternatívái a közösségi hálózat átmérője (azaz a hálózat bármely két csomópontja közötti legrövidebb út), és a minimális feszítőfa (azaz a hálózat éleinek súlyainak minimális összege) [57].

Ezt a problémát e két definíció segítségével is megvalósítottuk, és eredményeik hasonlóak voltak a távolságok összegével kapott eredményekhez. Az átmérő megvalósításának eredményei elérhetők az S1 Fig és S1Table S1 File-ban, a minimális feszítőfa megvalósításának eredményei pedig az S2 Fig és az S2 Table S1 File-ban érhetők el.

Meghatározzuk a kommunikációs költségeket két pi és pj egyed között, amelyeket d(pi, pj)-ként jelölünk, mint a legrövidebb úthosszt, amikor a G gráf élein áthaladunk egyik csomóponttól a másikig. Ha Pi és PJ a múltban együttműködtek, egy ugrásnyi távolságra vannak.

Ha Pi és PJ nem működött együtt, de van egy korábbi munkatársuk, akkor két üzlet választja el őket. A közös múltbeli munkatársak egy csapaton belül elősegíthetik a „triádikus bezáráson” alapuló ismerősséget [67].

Ez a mechanizmus azt feltételezi, hogy a csomópontok nagyobb valószínűséggel hoznak létre új kapcsolatot, ha van közös kapcsolatuk. A három ugrás és a 4-ugrás ugyanazokat az elveket követheti az „egyensúlyi mechanizmusok” alapján [67].

Az egyének hajlamosak lesznek új kapcsolatokat kialakítani munkatársaik munkatársaival, hogy konzisztenciát keressenek a csoportjukon belül. Ezért a távolságok teljes összegének felhasználása célfüggvényünkben olyan csapatok keresését célozza, amelyek maximalizálják a közvetlen együttműködések (azaz egyugrás), a közös kapcsolatok (kétugrás) és a szoros kapcsolatok (három ugrás vagy több) számát. .

A legalacsonyabb kommunikációs költség értéke akkor van, ha az összes csapattag együttműködött (azaz közvetlenül kapcsolódnak egymáshoz), a legmagasabb pedig az, ha a csapattagok egyáltalán nem kapcsolódnak egymáshoz. Ebben a megvalósításban, ha nincs út pi és pj között G-ben, akkor a köztük lévő kommunikációs költségeket a közösségi hálózat átmérőjeként állítjuk be.
Egy t csapat kommunikációs költségeit a tagok közötti legrövidebb úthosszak összegeként határozzuk meg, mivel stabilabb a hálózat változásaival szemben, mint más lehetséges intézkedések. Cc(t)-vel jelöljük a t csapat kommunikációs költségeit, amely k tagja. Így a csapat kommunikációs költségeit a következőképpen határozzuk meg:

Cct ¼ Xki;j2t;i6¼jdðpi; pjÞ ð1Þ

A cél az, hogy minimalizáljuk a legrövidebb úthosszak átlagos összegét az egyének hálózatában összeállított összes csapatban. Egy csapathalmaz kommunikációs költségeinek összegének kiszámítása O(n2) idő alatt.

Csapatdiverzitás pontszám. A második cél az, hogy változatos csapatokat hozzanak létre a háttér, a tulajdonságok és a képességek széles skálájával. A diverzitás az egység tagjai közötti különbségek eloszlását írja le egy közös tulajdonságra vonatkozóan [30].

Harrison és Klein[30] egy olyan keretrendszert mutatott be, amely azt sugallja, hogy a sokszínűséget háromféleképpen lehet a legjobban felfogni: elkülönülés, változatosság és egyenlőtlenség. Az elkülönülés a csapattagok közötti különbségekre utal a kontinuumon elfoglalt oldalirányú pozíciójukban (pl. érték, attitűd, meggyőződés). A változatosság a csapattagok közötti kategorikus különbségekre utal, ahol a képviselt kategóriák száma hozzájárul a csapat sokszínűségéhez (pl. nem, karrier, faj).

Végül, az egyenlőtlenség az értékelt javak vagy a kívánatos erőforrások (pl. szakértelem, iskolai végzettség, hivatali idő) koncentrációjának különbségeit jelenti. Ezek a mérőszámok lehetővé teszik a kutatók számára, hogy párhuzamosan és elméleti felfogásaik szerint operacionalizálják a funkcionális és demográfiai sokszínűséget [14].

For more information:1950477648nn@gmail.com