Változatos és összefüggő csapatok nyomában: Számítási módszer a változatos csapatok tagokon alapuló összeállításához 5. rész

Gyors, nem dominált rendezési lépés. Ezután az algoritmusnak ki kell választania a legjobb r kromoszómát ebből a 2r méretű unióból. Ennek a halmaznak a megtalálásához az algoritmus nem dominált válogatást hajt végre a P-ből származó összes létező kromoszóma között.

A dominancia-rendezés egy elterjedt memóriatechnika, amely segít emlékezni és jobban megérteni a dolgokat. Elsősorban a kapcsolódó információk osztályozásával, rendezésével és összegzésével hoz létre logikai kapcsolatokat az ismeretek között, megkönnyítve ezen ismeretek megértését és megjegyezését.

A domináns rendezés lépései elsősorban az osztályozást, a rendezést, az indukciót és az összegzést foglalják magukban. Az osztályozás szakaszában a releváns információkat osztályoznunk kell, és különböző kategóriákra kell osztanunk; a válogatás szakaszában meg kell határoznunk az egyes kategóriák szintjét és fontosságát, hogy bizonyos sorrendbe lehessen őket rendezni; az indukciós szakaszban mi A különböző kategóriák közötti kapcsolatokat integrálni és kinyerni kell, hogy jobban megértsük és emlékezzünk ezekre az ismeretekre; az összefoglaló szakaszban át kell tekintenünk és át kell gondolnunk a teljes dominancia-rendezési folyamatot, hogy felfedezzük és kijavítsuk hiányosságainkat.

A dominancia-rendezés szorosan összefügg a memóriával. Segíthet a tudás jobb rendszerezésében és rendezésében, ezáltal javítva a memória hatékonyságát. Uralkodás és válogatás révén szisztematikusan integrálhatjuk és rendezhetjük a különféle információkat, hierarchiákat, tudástársításokat hozhatunk létre, ezáltal emlékhálózatot alkotva, erősítve és mélyebbé téve emlékeinket. A dominancia-rendezés ugyanakkor abban is segíthet, hogy jobban feltárjuk a tudás értékét és alkalmazását, ezáltal fejlesztve gondolkodási és problémamegoldó képességeinket.

Röviden, a dominancia-rendezés egy nagyon praktikus memóriatechnika, amely segíthet a különféle ismeretek jobb megértésében és emlékezésében. Folyamatos gyakorlással és alkalmazással jártasabbakká válhatunk e készség elsajátításában, ezáltal szilárd alapot teremtve tanulásunkhoz és fejlődésünkhöz. 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 Ismerje meg a rövid távú memória javításának módját

A cél az, hogy azonosítsák azokat a megoldásokat, amelyek jobban teljesítenek, mint mások, és osztályozzák őket teljesítményük szerint a különböző F Pareto frontokon. Az algoritmus először az összes kromoszóma közötti dominancia összefüggéseket ellenőrzi. Adott két kromoszóma, T és T{0}}, a T akkor és csak akkor dominálja a T0-t, ha Cc(T)�Cc(T0) és V(T)�V( T0) legalább egy szigorú egyenlőtlenséggel.

Más szavakkal, a T legalább olyan jó, mint a T{{0}} minden célnál, és szigorúan jobb legalább egy esetében. Ezt a dominancia-relációt T � T0-ként jelöljük. Ha T egyik célja nem jobb, mint T0, és nem javítható értékében a többi célérték lerontása nélkül, akkor T-t nem T0 dominálja.

A nem dominált megoldás egyik példája az, hogy T magasabb diverzitási pontszámmal rendelkezik, de magasabb a kommunikációs költsége, mint a T0. Ebben a nem domináns esetben akár T, akár T0 megvalósítható megoldás a következő generáció számára.

Miután az algoritmus feltérképezi az összes kromoszóma dominanciaviszonyát, létrehozza a megoldások első Pareto frontját, amely az összes nem dominált megoldásból áll (F1). Ezt a halmazt Pareto-optimumnak is nevezik.

Ezután az algoritmus létrehoz egy második frontot az első frontban figyelmen kívül hagyott Pareto-optimális megoldásokból (F2), és így tovább. Ennek eredményeként az algoritmus a populáció kromoszómáit alpopulációk hierarchiájába rendezi. A rendezés mindaddig egymást követő Pareto-frontokat talál, amíg az összes kromoszómát egy Pareto-fronthoz rendelik.

Új népesség. Az algoritmus ezután kiválasztja a legjobb r kromoszómát a következő generációhoz. Egy adott időpontban 2r kromoszóma van rendezve a hierarchikus Pareto-frontban F. Az algoritmus létrehozza az új P0populációt, hozzáadva a Pareto-frontokban tárolt kromoszómákat.

Ha az első Pareto-front összmérete kisebb, mint r, akkor az algoritmus ennek a frontnak az összes kromoszómáját hozzáadja P{{0}}-hez. Ezután az algoritmus hozzáadja a fennmaradó megoldásokat az újpopulációhoz a következő nem dominált frontokból. Az algoritmus addig folytatja ezt az eljárást, amíg nem tud több frontot hozzáadni a P0-hoz.

Zsúfolt távolság. Az algoritmusnak addig kell kromoszómákat hozzáadnia az új populációhoz, amíg pontosan r kromoszóma nem lesz. Ha az utoljára kiválasztott, nem dominált Pareto-front Fk-nak több kromoszómája van, mint amennyi P0-hoz hozzáadható, az algoritmusnak kisebb halmazt kell választania az Fk-ból az r kromoszóma kiegészítéséhez.

Legyen d ¼ r MéretðPÞ, a hiányzó kromoszómák száma az r-hez. Az algoritmus azonosítja a legjobb δ kromoszómákat ebből az utolsó Fk frontból a kromoszómák közötti zsúfoltsági távolság kiszámításával.

Ez a mérőszám meghatározza, hogy a kromoszómák mennyire hasonlóak a teljesítmény szempontjából a többcélú probléma esetén. A távolság kiszámítása után az algoritmus rangsorolja a kromoszómákat távolságuk szerint, és kiküszöböli azokat a kromoszómákat, amelyek a többi kromoszómához hasonlóan teljesítenek. Ez az eljárás külföldön tartja a megoldásokat, és eltávolítja a redundáns kromoszómákat.

Ezután az Fk-ból származó δ legjobb kromoszómákat hozzáadjuk P{{0}}-hoz. Ennek eredményeként a P0 az r legjobb kromoszómával számol, és a következő generáció szülőjévé válik, új iterációt indítva el.

Adat

Ebben a részben értékeljük a csapatalakítási problémánkra javasolt algoritmust három valós adatkészlet segítségével. Az adatforrások a MyDreamTeam (egy csapatformáló platform), a Bibsonomy (egy közösségi könyvjelző oldal) és a GHTorrent (egy GitHub adattáradatbázis).

Ezen adatkészletek használata csapatok szimulálására ehhez a csoportalakítási problémához, jól szemlélteti keretrendszerünk hatékonyságát valós forgatókönyvekben. Az ezekből az adatkészletekből összefoglaló statisztikákat a 2. táblázatban mutatjuk be. A kapott adatok és a nyers adatok előfeldolgozásához szükséges szkriptek a következő címen érhetők el:http://nusoniclab.github.io/.

MyDreamTeam adatkészlet. A javasolt algoritmusunkat valós csapatformálási esetekből származó adatok felhasználásával értékeljük. Ezt az adatkészletet a My Dream Team Builderből [33] kinyertük, egy ajánlórendszerből, amely segíti az egyéneket a csapatok önálló összeállításában.

Ez az adatkészlet olyan eseteket tartalmaz, amikor a résztvevők maguk állítják össze csapataikat. Az esetek 2014 és 2020 között vannak. Ezen az ajánlórendszeren a résztvevők profilokat hoznak létre, csapattársakat keresnek, és meghívókat küldenek csapatalakításra.

Az esetek az Egyesült Államok egyetemeinek osztályaiból állnak. Az adatkészlet tartalmazza a résztvevők tulajdonságait, demográfiai adatait és közösségi hálózatait, amelyekről egy kezdeti felmérés során beszámoltak. Három esetet választottunk ki algoritmusunk tesztelésére: egy alapképzési, egy posztgraduális és egy MBA-tanfolyamot. A résztvevők a rendszer segítségével csoportokat állítottak össze kiscsoportos megbeszélésekhez.

A résztvevőktől származó adatok gyűjtésére vonatkozó engedélyt a Northwestern University Institutional Review Board (#STU00078513) hagyta jóvá. A kutatás során minden, az emberi alanyok etikus felhasználására vonatkozó intézményi és kormányzati szabályozást betartottam.

A vizsgálatban részt vevőktől elektronikus hozzájárulást szereztek egy online kérdőív eszközön keresztül. A résztvevők hozzájárulását kérték a My Dream Team Builder segítségével gyűjtött adatok kutatási célokra történő felhasználásához. A felhasználók azonosítóit kivonatolva hoztunk létre egy azonosítatlan adatkészletet.

BibSonomy. A második adatkészlet a BibSonomy [34] közösségi könyvjelző- és publikációmegosztó rendszeréből származik. A bibszonómiát választottuk, mivel a korábbi csapatalakítási dokumentumok ezen adatbázis segítségével tesztelték algoritmusaikat [58].

Ezt az adatkészletet a Kasseli Egyetem Knowledgeand Data Engineering Group adminisztrálja. A bibsonomy-adatkészlet licencszerződés alapján érhető el, és a https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/ címen kérhető. Ez az adatkészlet nagyszámú számítástechnikával kapcsolatos publikációt tartalmaz. Minden publikációt a szerzők egy csoportja ír.

Sok felhasználó keresi fel a Bibsonomy webhelyet címkék segítségével a kiadványokhoz. Az Anagnostopoulos és munkatársai által leírt eljárást követve. [58], az egyes szerzők dolgozataihoz társított címkéket használtuk a képességeik reprezentálására. Az egyes szerzők képességei a megfelelő címkével ellátott cikkek számát jelentik. Algoritmusunk tesztelésére három közösségi hálózatelemzéssel kapcsolatos folyóiratot választottunk ki: „Nature”, „Science” és „Physica A: Statistical Mechanics and its Applications”.

Megszámoltuk a címkék gyakoriságát ezekben a folyóiratokban, és kiválasztottunk néhány népszerű címkét a tanulmányunkhoz kapcsolódóan. Az első két folyóirathoz a „hálózat”, „közösségi hálózat” és „kis világ” címkéket tartalmazó dolgozatokat választottuk ki.

Ezután azonosítottuk e cikkek szerzőit, létrehoztuk a társszerzői hálózatot, és kiválasztottuk a szerzőket a legnagyobb komponensből. Hasonlóképpen végeztük el ezt az eljárást a harmadik naplónál is a „hálózat”, „grafikon”, „modell” és „rendszer” címkék használatával. A szerzők nevének összemosása egy azonosítatlan adatkészlet létrehozásához.

GHTorrent. A GHTorrent projekt [35] GitHub adatait használtuk, amely a GitHub API-n keresztül kínált adatok offline tükörképe. Ez az adatkészlet letölthető a https://ghtorrent.org/downloads.html címről. A GHTorrent adatkészlet a Githubon végzett fejlesztési tevékenységek széles skáláját fedi le, beleértve a tárolókat, a lekérési kérelmeket és a felhasználókat. Letöltöttük a „06/01/2019” adatkészlet dump-ot a tesztelési adatkészletünk elkészítéséhez.

Kiszűrtük azokat a felhasználókat, akik 40–80 projekthez járultak hozzá, hogy a medián felhasználókat az elemzésünkben tartsuk. A BibSonomy-adatkészlethez hasonló megközelítést követve az egyes felhasználók hozzájárulásaihoz társított programozási nyelveket használtuk a felhasználók képességeinek megjelenítésére.

Az egyes felhasználók képességei az adott nyelven írt közreműködő projektek számát jelentik. Mivel a tárolókban több nyelven is lehetnek fájlok, ezért a lerakat leggyakrabban használt nyelvét választottuk a lerakat nyelveként.

Ebből az adatkészletből három legnépszerűbb nyelvet választottunk ki: Java, Python és Ruby. Ezután azonosítottuk ezen adattárak felhasználóit, és létrehoztuk az együttműködési hálózatot. Ebben a példában a felhasználók akkor rendelkeznek atie-vel, ha legalább kétszer hozzájárultak ugyanahhoz a lerakathoz. Végül a legnagyobb komponensből választottuk ki a felhasználókat. A szerzők nevét kivonatolva létrehoztunk egy azonosítatlan adatkészletet.

Értékelés

Összehasonlítjuk a csapatalakítási probléma (NSGA-II) javasolt algoritmusát három jól ismert, benchmark célokra használt többcélú optimalizálási módszerrel[62, 72]:

Pareto helyi keresési (PLS) módszer. Ez az iteratív algoritmus kezdeti sokaságként véletlenszerű megoldások halmazával indul, és feltárja az egyes megoldások szomszédait [73, 74]. Az algoritmus a Pareto-dominancia alapján frissíti a populációt: hozzáadja a nem dominált szomszédokat a populációhoz, és eltávolítja a meglévő megoldásokat, amelyeket az újonnan hozzáadott megoldások uralnak.

Miután a megoldás környezetét teljesen feltárták, a megoldás feltártnak jelölődik. Az algoritmus iteratív módon keresi az új megoldásokat, miközben azokat hozzáadja a sokasághoz, amíg nem talál jobb megoldást. Miután az összes megoldást feltártuk, és nem lehet több nem dominált megoldást felfedezni, az algoritmus leáll. Megvalósítottuk a Zihayat és munkatársai által javasolt verziót. [72] kombinációs problémákra.

Ebben a megvalósításban a megoldás szomszédjai az összes lehetséges csapatkombináció a megoldásból, amelyben két tag cserél csapatot. Mivel a PLS nem függ meghatározott számú generációtól, ennek az algoritmusnak csak egy iterációját futtatjuk, hogy összehasonlítsuk eredményeit a többi módszerrel.

Adott n személy, és az algoritmus minden megoldás n2 szomszédját fogja feltárni, ennek a megvalósításnak a számítási bonyolultsága a legjobb esetben O(n3).

For more information:1950477648nn@gmail.com