Változatos és összefüggő csapatok nyomában: Számítási módszer a változatos csapatok tagokon alapuló összeállításához 7. rész

Az eredmények azt mutatják, hogy az NSGA-II algoritmus a 9 adatkészlet közül 6-nál érte el a legnagyobb hipertérfogat-értéket, a másik három adatkészlet esetében pedig a második legmagasabb értéket (3. táblázat). Más szóval, az NSGA-II gyakran több csapatkombinációt talált magasabb diverzitási szinttel és alacsonyabb kommunikációs költségekkel, mint a többi algoritmus.

A memória létfontosságú szerepet játszik életünkben. Meghatározza, hogy a meglévő tudást, tapasztalatot maradéktalanul ki tudjuk-e használni a problémák megoldásában, és hatással van tanulási és munkavégzésünkre is. A meglévő adatkészletek is kimutatták a memória és a különböző tényezők közötti kapcsolatot, ami több betekintést és lehetőséget kínál számunkra.

Először is, különböző tanulmányok azt mutatják, hogy a jó egészség a jó memória sarokköve. A megfelelő testmozgás és a kiegyensúlyozott étrend javíthatja az idegrendszer hatékonyságát és védheti az idegszövetet. A fizikailag fitt emberek szív- és érrendszeri és mentális egészségi állapota jobb, olyan állapotok, amelyek összefüggésbe hozhatók a jobb memóriával és a kognitív funkciókkal.

Másodszor, szoros kapcsolat van az érzelmi állapotok és a kognitív állapotok között. A kutatások azt mutatják, hogy a túlzott szorongás és stressz megzavarhatja az agy neuronjai közötti kommunikációt, ami olyan problémákhoz vezethet, mint a memóriavesztés és a koncentrációs nehézség. Pozitív érzelmek kezelésével és szabályozásával elősegíti a memória javítását.

Emellett lakókörnyezetünk és napi szokásaink is hatással lesznek a memória fejlődésére és megőrzésére. Például a jegyzetelés, az Önnek megfelelő tanulási módszer megtalálása, az ötletelés, a társas tevékenységek moderálása és az utazás nagymértékben jótékony hatással van a memória fejlesztésére; míg a rossz alvási szokások és a különféle szórakozási módszerek súlyosan befolyásolják az idegrendszert és rontják a memóriát. Befolyás.

Összefoglalva, a memória hatékony életünk fontos része, amely meghatározza tanulási képességünket, munkaképességünket és életminőségünket. Megfelelő testmozgással és diétával, érzelmek kezelésével és a mindennapi életünk kiigazításával nagymértékben javíthatjuk memóriánkat és kognitív képességeinket, ezáltal hatékonyabban és boldogabban élhetünk. Látható, hogy javítanunk kell a memórián, és a Cistanche deserticola jelentősen javíthatja a memóriát, mert a Cistanche deserticola egy hagyományos kínai gyógyászati ​​anyag, amelynek számos egyedi hatása van, amelyek közül az egyik a memória javítása. A darált hús hatékonyságát a benne található különféle hatóanyagok jelentik, beleértve a savakat, poliszacharidokat, flavonoidokat stb. Ezek az összetevők különféle módon elősegíthetik az agy egészségét.

Kattintson a know-kiegészítőkre a memória javítása érdekében

Az NSGA-II magas hipertérfogat-értékei a zsúfoltsági lépéssel magyarázhatók, ami segítette az algoritmust a Pareto front szélső pontjain elhelyezkedő, nem dominált megoldások megtalálásában.

Mivel a PLS és a HPSO bármilyen kritériumot felállított a redundáns megoldások elkerülésére, megoldásaik bizonyos területeken koncentrált, nem dominált megoldásokat eredményeztek. Ezért az NSGA-II által biztosított csapatkombinációk halmaza gyakran uralta a többi algoritmus által biztosítottakat.

Az NSGA-II implementáció a legmagasabb egyedi, nem dominált frontarány (UNFR) értéket is elérte a 9 adatkészletből 6-on. Más szavakkal, az NSGA-II gyakran több nem dominált csapatkombinációt biztosított, amelyeket a többi algoritmus nem tudott megtalálni.

Az NSGA-II második helyének lehetséges magyarázata a többi esetben az együttműködési hálózat alacsony sűrűsége. Az egyének között kevés korábbi kapcsolattal rendelkező készletek csökkentik a lehetséges erősen összefüggő csapatkombinációk számát, így a heurisztikus keresés hatástalan lesz.

Ezzel szemben a HPSO és a PLS több keresztezési és mutációs műveletet végzett, mint az NSGA-II. E műveletek többszöri végrehajtása lehetővé tette a HPSO és a PLS számára, hogy több csapatkombinációt vizsgáljon meg, és növelje annak valószínűségét, hogy bizonyos, alacsony kommunikációs pontszámmal rendelkező csapatkombinációkat találjanak.

A HPSO a második legmagasabb hipervolumen és UNFR értékeket érte el. Előnyös volt az akkor nem dominált megoldások a közelítő Pareto-front közepén, amely magas diverzitási szintet ért el.

Ezek a nem domináns megoldások felülmúlták a többi algoritmust, és megnövelték a hozzávetőleges Pareto Front által létrehozott területet. A SPEA-2 és a PLS néhány megoldáshoz konvergált, és kisebb területet fedtek le, mint az NSGA-II és a HPSO megoldások. Összességében az NSGA-II több nem domináns megoldást talált e két célkitűzés között, és nagyobb eltéréseket mutatott a kommunikációs költségértékekben.

A sokféleség és az ismertség nagy eltérése azt mutatja, hogy az NSGA-II algoritmus több nem dominált megoldást talált, mint a többi algoritmus, ami kívánatos az igazi Pareto-front megtalálásához. Az NSGA-II zsúfolt távolsági lépése lehetővé tette az algoritmus számára, hogy a nem dominált megoldások szélesebb körét megtartsa. Ráadásul az algoritmus a másodlagos megoldásokat közömbös rétegekben tartotta meg, amelyek a későbbi iterációk során nem dominált megoldásokat eredményezhettek.

Ahogy az algoritmus folyamatosan új generációkat hoz létre, a dominált megoldások továbbra is szóba jöhetnek más lehetséges megoldások felkutatására. Ráadásul az NSGA-II a kompromisszum közepén is képes volt azonosítani a nem dominált megoldásokat.

Ezzel szemben a többi algoritmus alacsony varianciája azt mutatja, hogy valószínűleg konvergálnak a nem dominált megoldások egy meghatározott halmazához és egy meghatározott kompromisszumhoz. Ezek az algoritmusok nem tartalmaztak műveleteket a jelenlegi populációik diverzifikálására vagy a redundáns, nem dominált megoldások eltávolítására. Emiatt ezekből az algoritmusokból hiányozhatnak a Pareto-front szélsőségeiben rejlő változatos megoldások.

A 4. ábra az összes megvalósított algoritmus futási idejét mutatja. Az 5. ábra azt mutatja, hogy az algoritmusok futási ideje hogyan függ a rendelkezésre álló egyedek számától. Az eredmények azt mutatják, hogy az NSGA-II megvalósítás jobban teljesít, mint a PLS és a HPSO, mivel a résztvevők száma növekszik.

A PLS-nek több időre volt szüksége a megoldások környezetének feltárásához, amíg az összes lehetséges kombinációt kimerítették. A HPSO esetében az egyes megoldásokhoz végrehajtott két keresztezés és egy mutációs lépés háromszor hosszabbá tette az algoritmus működését, mint az NSGA-II, mivel az utóbbi csak egy keresztezési lépést hajt végre. Bár a HPSO tovább tartott, mint az NSGA-II, mindkettő polinomiális időben működött (O(n2)).

Eredményeink azt sugallják, hogy az NSGA-II-nek kevesebb mint egyharmadára volt szüksége annak az időnek, amelyre a PLS-nek és a HPSO-nak szüksége volt a hasonló eredmények eléréséhez. Ezért az NSGA-II használata erősen javasolt a hatékony megoldások megtalálására a bemeneti méret növekedésével. A SPEA-2 nem talált jobb megoldást, mint a PLS vagy az NSGA-II, de eredményei gyorsabban konvergáltak, mint az NSGA-II és a PLS módszerek.

Végül kiszámítottuk a közvetlen kapcsolatfelvételek (1-ugrás), a megosztott kapcsolatok (2-ugrás),3-ugrások és egyebek gyakoriságát az összeállított csapatokban, hogy megértsük a csapattagok közötti távolságokat ( Lásd az S3 táblázatot az S1 fájlban).

Az eredmények arra utalnak, hogy a tagok túlnyomó többsége egy köztes kapcsolaton keresztül állt kapcsolatban másokkal (�31%), ezt követték a közvetlenül kapcsolatban álló tagok (�30%). Ezek a számok azt mutatják, hogy az eredményül kapott csapatok általában erősen kapcsolódnak egymáshoz, és a sok ugrással kapcsolatban álló tagok nem voltak reprezentatívak.

Vita

A csapatok kialakítása kihívást jelentő feladat, különösen akkor, ha a cél az egyensúly megteremtése a sokszínűség és a tagok csapattársi preferenciái között. Míg a korábbi munka a lehető legjobb csapat felkutatására irányult [37], e cikk hozzájárulása a kiegyensúlyozott csapatkombinációk keresése, amelyek egyenlően osztják el a készségeket és a kapcsolatokat. Ezen túlmenően az olyan csapatok összeállítása, amelyek magukban foglalják a tagok hozzájárulásának változatosságát és a tagok közötti korábbi kapcsolatokat, végső kihívássá válik sikerük garantálása érdekében [78, 79].

Ebben a munkában azt a problémát vizsgáljuk, hogy számítástechnikai megközelítést alkalmazva olyan csapatokat hozzunk létre, amelyek egyszerre sokszínűek és egymással szorosan összefüggő csapatok. Ezt a csapatalakítási problémát egy genetikai algoritmus segítségével valósítottuk meg, amely a csapatok diverzitásától és kommunikációs költségeitől függően különböző csapatkombinációkat biztosít.

Az eredmények azt mutatják, hogy ezzel a genetikai megközelítéssel sokszínű és szorosan összefüggő csapatok hozhatók létre hatékonyan és gyorsan. A következő alfejezetekben ennek a munkának a következményeit és a lehetséges alkalmazásokat részletezzük.

Ez a munka bemutatja a számítási megközelítések előnyeit a többcsapat összeállításához, amelyek elosztják a tagok készségeit a különböző csoportok között, és figyelembe veszik korábbi kapcsolataikat. A korábbi munkák elsősorban arra helyezik a hangsúlyt, hogy a lehető legjobb csapatot kell megtalálni egy társadalmi csoportból (pl. szakértői csapat, all-star team) [36, 57, 58].

A több csapat keresése azonban releváns tanulási és szervezési helyzetekben is, mint például hallgatói csapatok kialakítása, üzleti egységeken belüli operatív csoportok kialakítása vagy tudományos kutatások végzése.

Mivel a nagy hangsúlyt fektetik a nagy teljesítményű csapatok összeállítására, a legjobb tagokat összehozó algoritmusok nagyobb szegregációt eredményezhetnek ezeken a társadalmi csoportokon belül a kevésbé képzettek rovására [80]. A készségek és a szakértelem kis számú csapatban való koncentrációja akadályozza más, hasonló lehetőségekkel és társadalmi kapcsolatokkal rendelkező csapatok megjelenését.

Amint ez a tanulmány bemutatja, a fejlett számítási infrastruktúra és a big data használata új lehetőséget kínál számos olyan csapatkombináció újragondolására, amelyeket az egyének nem tudtak szisztematikusan és könnyen felfedezni [37, 44]. Ahelyett, hogy manuális stratégiákkal vagy intuícióval hoznának létre csapatokat, a csapatépítők algoritmusokat használhatnak a különböző csapatkombinációk személyre szabására, amelyek egyszerre optimalizálják a sokszínűséget és az ismertséget.

Így az ebben a tanulmányban bemutatotthoz hasonló megvalósítások lehetővé teszik a csapatépítők számára, hogy heterogén és sokszínű csapatokat hozzanak létre anélkül, hogy feláldoznák a csapattagok ismertségét, ami elengedhetetlen a sikeres együttműködéshez [81].

For more information:1950477648nn@gmail.com