Erilaisia ​​ja toisiinsa yhteydessä olevia tiimejä etsinnässä: laskennallinen lähestymistapa erilaisten ryhmien kokoamiseen jäsenten perusteella Osa 7

Tulokset osoittavat, että NSGA-II-algoritmi saavutti suurimmat hypertilavuusarvot 6:ssa yhdeksästä tietojoukosta ja toiseksi suurimman arvon kolmelle muulle tietojoukolle (taulukko 3). Toisin sanoen NSGA-II löysi usein enemmän ryhmäyhdistelmiä, joilla oli korkeampi diversiteettitaso ja pienemmät viestintäkustannukset kuin muut algoritmit.

Muistilla on tärkeä rooli elämässämme. Se määrittää, voimmeko hyödyntää olemassa olevaa tietoa ja kokemusta täysimääräisesti ongelmien ratkaisemisessa, ja se vaikuttaa myös oppimiseen ja työsuoritukseen. Olemassa olevat tietojoukot ovat myös osoittaneet muistin ja eri tekijöiden välisen suhteen, mikä antaa meille enemmän oivalluksia ja mahdollisuuksia.

Ensinnäkin useat tutkimukset osoittavat, että hyvä terveys on hyvän muistin kulmakivi. Oikea liikunta ja tasapainoinen ruokavalio voivat parantaa hermoston tehokkuutta ja suojata hermokudosta. Fyysisesti hyväkuntoisilla ihmisillä on parempi sydän- ja verisuoniterveys sekä mielenterveys, jotka on yhdistetty parantuneeseen muistiin ja kognitiiviseen toimintaan.

Toiseksi tunnetilojen ja kognitiivisten tilojen välillä on myös läheinen yhteys. Tutkimukset osoittavat, että liiallinen ahdistus ja stressi voivat häiritä aivojen hermosolujen välistä kommunikaatiota, mikä johtaa ongelmiin, kuten muistin menettämiseen ja keskittymisvaikeuksiin. Auttaa parantamaan muistia positiivisen tunteenhallinnan ja säätelyn avulla.

Lisäksi elinympäristömme ja päivittäiset tottumukset vaikuttavat myös muistin kehittymiseen ja ylläpitoon. Esimerkiksi muistiinpanojen tekeminen, itsellesi sopivan oppimismenetelmän löytäminen, aivoriihi, sosiaalisten toimintojen ohjaaminen ja matkustaminen ovat erittäin hyödyllisiä muistin kehitykselle; kun taas huonot nukkumistottumukset ja erilaiset viihdemenetelmät vaikuttavat vakavasti hermostoon ja vahingoittavat muistia. Vaikutus.

Yhteenvetona voidaan todeta, että muisti on tärkeä osa tehokasta elämäämme, joka määrää oppimiskykyämme, työkykyämme ja elämänlaatuamme. Oikean fyysisen harjoituksen ja ruokavalion, tunnehallinnan ja päivittäisen elämän mukauttamisen avulla voimme parantaa huomattavasti muistiamme ja kognitiivisia kykyjämme, jolloin voimme elää tehokkaammin ja onnellisemmin. Voidaan nähdä, että meidän on parannettava muistia, ja Cistanche deserticola voi parantaa muistia merkittävästi, koska Cistanche deserticola on perinteinen kiinalainen lääkeaine, jolla on monia ainutlaatuisia vaikutuksia, joista yksi on parantaa muistia. Jauhetun lihan teho perustuu sen sisältämiin erilaisiin vaikuttaviin ainesosiin, mukaan lukien happo, polysakkaridit, flavonoidit jne. Nämä ainesosat voivat edistää aivojen terveyttä monin tavoin.

Napsauta tietää lisäravinteita parantaaksesi muistia

NSGA-II:n korkeat hypervolume-arvot selittyvät sen ruuhkautumisetäisyyden askeleella, joka auttoi algoritmia löytämään ei-dominoituja ratkaisuja Pareto-rintaman ääripäässä.

Koska PLS ja HPSO panivat merkille kriteerit ylimääräisten ratkaisujen välttämiseksi, niiden ratkaisut johtivat joukkoon ei-dominoituja ratkaisuja, jotka keskittyivät tietyille alueille. Siksi NSGA-II:n tarjoamat ryhmäyhdistelmät hallitsivat usein muiden algoritmien tarjoamia ryhmäyhdistelmiä.

NSGA-II-toteutus sai myös korkeimmat ainutlaatuiset UNFR-arvot 6 yhdeksästä tietojoukosta. Toisin sanoen NSGA-II tarjosi usein enemmän ei-dominoituja joukkueyhdistelmiä, joita muut algoritmit eivät löytäneet.

Mahdollinen selitys NSGA-II:n toiselle sijalle muissa tapauksissa on yhteistyöverkoston alhainen tiheys. Poolit, joilla on vain vähän aiempia yhteyksiä yksilöiden välillä, vähentävät mahdollisten erittäin yhteenliittyneiden tiimiyhdistelmien määrää, mikä tekee heuristisesta hausta tehotonta.

Sitä vastoin HPSO ja PLS suorittivat enemmän crossover- ja mutaatiooperaatioita kuin NSGA-II. Näiden toimintojen suorittaminen useaan kertaan antoi HPSO:lle ja PLS:lle mahdollisuuden tutkia useampia ryhmäyhdistelmiä ja lisätä todennäköisyyttään löytää tiettyjä ryhmäyhdistelmiä, joilla oli alhainen viestintä.

HPSO saavutti toiseksi korkeimmat hypervolume- ja UNFR-arvot. Se hyötyi tuolloin hallitsemattomista ratkaisuista likimääräisen Pareto-rintaman keskellä, joka sai korkean monimuotoisuuden.

Nämä ei-dominoiva ratkaisut suoriutuivat muita algoritmeja paremmin ja lisäsivät sen likimääräisen Pareto Frontin luomaa aluetta. SPEA-2 ja PLS konvergoivat muutamiin ratkaisuihin, jotka kattoivat pienemmän alueen kuin NSGA-II- ja HPSO-ratkaisut. Kaiken kaikkiaan NSGA-II löysi enemmän ei-dominoituja ratkaisuja näille kahdelle tavoitteelle ja tarjosi ratkaisuja, joiden viestintäkustannusarvot vaihtelivat enemmän.

Sekä monimuotoisuuden että tutuisuuden suuri varianssi osoittaa, että NSGA-II-algoritmi löysi enemmän ei-dominoituja ratkaisuja kuin muut algoritmit, mikä on toivottavaa todellisen Pareto-rintaman löytämiseksi. NSGA-II:n tiivistysetäisyysaskel antoi algoritmille mahdollisuuden säilyttää laajempi valikoima ei-dominoituja ratkaisuja. Lisäksi algoritmi piti toissijaiset ratkaisut välinpitämättöminä kerroksina, jotka olisivat saattaneet synnyttää ei-dominoituja ratkaisuja myöhemmissä iteraatioissa.

Kun algoritmi jatkaa uusien sukupolvien luomista, dominoituja ratkaisuja voidaan edelleen harkita muiden mahdollisten ratkaisujen löytämiseksi. Lisäksi NSGA-II pystyi edelleen tunnistamaan ei-dominoituja ratkaisuja kompromissin keskellä.

Sitä vastoin muiden algoritmien pieni varianssi osoittaa, että ne todennäköisesti lähentyivät tiettyyn ei-dominoitujen ratkaisujen joukkoon ja tiettyyn vaihtokauppaan. Nämä algoritmit eivät sisältäneet operaatioita nykyisten populaatioiden monipuolistamiseksi tai ylimääräisten ei-dominoitujen ratkaisujen poistamiseksi. Siksi näistä algoritmeista saattaa puuttua erilaisia ​​ratkaisuja, jotka sijaitsevat Pareto-rintaman ääripäässä.

Kuvassa 4 on esitetty kaikkien toteutettujen algoritmien ajoaika. Kuvio 5 esittää, kuinka algoritmien ajoaika on käytettävissä olevien yksilöiden lukumäärän funktio. Tulokset osoittavat, että NSGA-II-toteutus toimii paremmin kuin PLS ja HPSO, kun osallistujien määrä kasvaa.

PLS vaati enemmän aikaa tutkiakseen ratkaisujen lähialueita, kunnes kaikki mahdolliset yhdistelmät oli käytetty loppuun. HPSO:n tapauksessa kullekin ratkaisulle suoritetut kaksi risteytysvaihetta ja yksi mutaatiovaihe tekivät algoritmin toiminnan kolme kertaa pidemmän kuin NSGA-II, koska jälkimmäinen suorittaa vain yhden jakovaiheen. Vaikka HPSO kesti kauemmin kuin NSGA-II, molemmat toimivat polynomiajassa (O(n2)).

Tuloksemme viittaavat siihen, että NSGA-II vaati alle kolmanneksen ajasta, jonka PLS ja HPSO käyttivät samanlaisten tulosten tuottamiseen. Siksi NSGA-II:n käyttäminen on erittäin suositeltavaa löytää ratkaisuja tehokkaasti syötteen koon kasvaessa. SPEA-2 ei löytänyt parempia ratkaisuja kuin PLS tai NSGA-II, mutta sen tulokset lähentyivät nopeammin kuin NSGA-II- ja PLS-menetelmät.

Lopuksi laskemme suorien kontaktien (1-hyppy), jaettujen kontaktien (2-hyppy),3-hypyn ja muiden esiintymistiheyden kootuissa tiimeissä ymmärtääksemme joukkueen jäsenten väliset etäisyydet ( Katso S3-taulukko S1-tiedostossa).

Tulokset viittaavat siihen, että valtaosa jäsenistä oli yhteydessä muihin yhden välikappaleen kautta (�31 %), ja sen jälkeen seuraavat jäsenet, jotka olivat yhteydessä suoraan (�30 %). Nämä luvut osoittavat, että tuloksena saadut ryhmät olivat yleisesti ottaen hyvin sidoksissa ja jäsenet, jotka liittyivät moniin humalaan, eivät olleet edustavia.

Keskustelu

Joukkueiden muodostaminen on haastava tehtävä, varsinkin kun tavoitteena on tasapainottaa monimuotoisuus ja jäsenten joukkuetoveritottumukset. Aiempi työ on keskittynyt parhaan mahdollisen joukkueen etsimiseen [37], mutta tämän artikkelin panos on tasapainoisten tiimiyhdistelmien etsiminen, jotka jakavat taidot ja yhteydet tasapuolisesti. Lisäksi sellaisten ryhmien kokoamisesta, jotka sisältävät sekä jäsentensä panoksen monimuotoisuuden että jäsenten väliset aikaisemmat suhteet, tulee äärimmäinen haaste heidän menestyksensä takaamiseksi [78, 79].

Tässä työssä tarkastelemme ongelmaa luoda tiimejä, jotka ovat sekä monipuolisia että hyvin toisiinsa yhteydessä olevia tiimejä laskennallista lähestymistapaa käyttäen. Totesimme tämän tiiminmuodostusongelman geneettisellä algoritmilla, joka tarjoaa erilaisia ​​tiimiyhdistelmiä tiimien monimuotoisuuden ja viestintäkustannusten mukaan.

Tulokset osoittavat, että tällä geneettisellä lähestymistavalla voidaan koota tehokkaasti ja nopeasti monipuolisia ja hyvin yhteyksissä olevia tiimejä. Seuraavissa alaosissa käsittelemme tämän työn vaikutuksia ja mahdollisia sovelluksia.

Tämä työ näyttää edut laskennallisten lähestymistapojen käyttämisestä useiden ryhmien kokoamiseen, jotka jakavat jäsenten taidot eri ryhmien kesken ja ottavat huomioon heidän aikaisemmat suhteensa. Aikaisempi työ painottaa pääasiassa parhaan mahdollisen tiimin löytämistä sosiaalisesta poolista (esim. asiantuntijatiimi, all-star team) [36, 57, 58].

Useiden ryhmien etsiminen on kuitenkin merkityksellistä myös oppimis- ja organisaatiotilanteissa, kuten opiskelijatiimien muodostamisessa, liiketoimintayksiköiden operatiivisten ryhmien muodostamisessa tai tieteellisen tutkimuksen tekemisessä.

Koska korkean suorituskyvyn tiimien kokoamista korostetaan voimakkaasti, parhaat jäsenet yhdistävät algoritmit voivat luoda suurempaa erottelua näiden sosiaalisten ryhmien sisällä muiden vähemmän koulutettujen kustannuksella [80]. Taitojen ja asiantuntemuksen keskittyminen pieneen joukkoon tiimejä estää muiden tiimien syntymisen, joilla on samanlaiset mahdollisuudet ja sosiaaliset yhteydet.

Kuten tämä artikkeli osoittaa, kehittynyt laskennallinen infrastruktuuri ja big datan käyttö tarjoavat uusia mahdollisuuksia kuvitella uudelleen useita ryhmäyhdistelmiä, joita yksilöt eivät voi systemaattisesti ja helposti tutkia [37, 44]. Sen sijaan, että luotaisiin ryhmiä käyttämällä manuaalisia strategioita tai intuitiota, tiiminrakentajat voivat käyttää algoritmeja räätälöidäkseen erilaisia ​​tiimiyhdistelmiä, jotka optimoivat monimuotoisuuden ja tutuisuuden samanaikaisesti.

Siten tässä artikkelissa esitetyn kaltaiset toteutukset antavat tiimien rakentajille mahdollisuuden luoda heterogeenisiä ja monipuolisia tiimejä tinkimättä tiimin jäsenten välisestä tuttuudesta, mikä on olennaista onnistuneelle yhteistyölle [81].

For more information:1950477648nn@gmail.com