Erilaisia ​​ja toisiinsa yhteydessä olevia tiimejä etsinnässä: laskennallinen lähestymistapa erilaisten ryhmien kokoamiseen jäsenten perusteella Osa 5

Nopea ei-dominoitu lajitteluvaihe. Seuraavaksi algoritmin on valittava parhaat r-kromosomit tästä koon 2r liitosta. Tämän joukon löytämiseksi algoritmi suorittaa ei-dominoidun lajittelun kaikkien olemassa olevien P:n kromosomien kesken.

Dominanssilajittelu on yleinen muistitekniikka, joka auttaa meitä muistamaan ja ymmärtämään asioita paremmin. Se luo pääasiassa loogisia suhteita tiedon välille luokittelemalla, lajittelemalla ja tiivistämällä niihin liittyvää tietoa, mikä helpottaa tämän tiedon ymmärtämistä ja muistamista.

Hallitsevan lajittelun vaiheet sisältävät pääasiassa luokittelun, lajittelun, induktion ja yhteenvedon. Luokitteluvaiheessa meidän on luokiteltava asiaankuuluvat tiedot ja jaettava ne eri luokkiin; lajitteluvaiheessa meidän on määritettävä kunkin luokan taso ja tärkeys, jotta se voidaan järjestää tiettyyn järjestykseen; induktiovaiheessa me Eri luokkien väliset suhteet on integroitava ja purettava tämän tiedon ymmärtämiseksi ja muistamiseksi paremmin; Yhteenvetovaiheessa meidän on tarkasteltava ja pohdittava koko määräävän aseman lajitteluprosessia löytääksemme ja korjataksemme puutteemme.

Dominanssilajittelu liittyy läheisesti muistiin. Se voi auttaa meitä organisoimaan ja lajittelemaan tietoa paremmin, mikä parantaa muistin tehokkuutta. Hallitsemalla ja lajittelemalla voimme systemaattisesti integroida ja järjestellä erilaista tietoa sekä muodostaa tietohierarkioita ja -assosiaatioita, jolloin muodostuu muistiverkosto, joka tekee muistoistamme vahvempia ja syvempiä. Samalla dominanssilajittelu voi myös auttaa meitä tutkimaan paremmin tiedon arvoa ja soveltamista, mikä parantaa ajattelu- ja ongelmanratkaisukykyämme.

Lyhyesti sanottuna dominanssilajittelu on erittäin käytännöllinen muistitekniikka, joka voi auttaa meitä ymmärtämään ja muistamaan erilaisia ​​tietoja paremmin. Jatkuvalla harjoittelulla ja soveltamisella pystymme hallitsemaan tämän taidon entistä paremmin ja luomme siten vankan pohjan oppimisellemme ja kehityksellemme. 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 Tiedä lyhytaikaista muistia, kuinka voit parantaa

Tavoitteena on tunnistaa muita paremmin toimivia ratkaisuja ja luokitella ne suorituskyvyn mukaan eri Pareto-rintamilla F. Algoritmi tarkistaa ensin kaikkien kromosomien väliset dominanttisuhteet. Kun kaksi kromosomia, T ja T{0}}, T hallitsee T0, jos ja vain jos Cc(T)�Cc(T0) ja V(T)�V( T0) vähintään yhdellä tiukalla epäyhtälöllä.

Toisin sanoen T on vähintään yhtä hyvä kuin T{{0}} kaikille tavoitteille ja ehdottomasti parempi ainakin yhdelle. Tätä dominanssisuhdetta merkitään T � T0. Jos yksi T:n tavoitteista ei ole parempi kuin T0 ja sen arvoa ei voida parantaa ilman, että se alentaa joitain muita tavoitearvoja, T0 ei hallitse T:tä

Yksi esimerkki ei-dominoidusta ratkaisusta on T:llä korkeammat diversiteettipisteet mutta korkeammat viestintäkustannukset kuin T0. Tuossa ei-dominanssitapauksessa joko T ja T0 ovat toteuttamiskelpoisia ratkaisuja seuraavalle sukupolvelle.

Kun algoritmi kartoittaa kaikki kromosomien dominanssisuhteet, se luo ensimmäisen Pareto-rintaman ratkaisuista, joka koostuu kaikista ei-dominoiduista ratkaisuista (F1). Tätä sarjaa kutsutaan myös Pareto-optimaaliksi.

Sitten algoritmi luo toisen rintaman Pareton optimiratkaisuista (F2), jotka jätettiin huomioimatta ensimmäisessä rintamassa ja niin edelleen. Tämän seurauksena algoritmit lajittelevat populaation kromosomit alapopulaatioiden hierarkiaan. Lajittelu löytää peräkkäisiä Pareto-rintamia, kunnes kaikki kromosomit on osoitettu Pareto-rintamalle.

Uusi väestö. Algoritmi valitsee sitten parhaat r-kromosomit seuraavaa sukupolvea varten. Tietyllä hetkellä hierarkkisessa Pareto-rintamassa F on lajiteltu 2r kromosomia. Algoritmi luo uuden populaation P0lisäämällä Pareto-rintamiin tallennetut kromosomit.

Jos ensimmäisen Pareton rintaman kokonaiskoko on pienempi kuin r, niin algoritmi lisää kaikki tämän rintaman kromosomit P{{0}}:aan. Sitten algoritmi lisää jäljellä olevat ratkaisut uudelle populaatiolle seuraavilta ei-dominoimattomilta rintamilta. Algoritmi jatkaa tätä menettelyä, kunnes se ei voi lisätä rintamia P0:aan.

Väkeen etäisyys. Algoritmin on lisättävä kromosomeja uuteen populaatioon, kunnes kromosomeja on täsmälleen r. Jos viimeksi valitulla ei-dominoidulla Pareto-rintamalla Fk on enemmän kromosomeja kuin sallitaan lisätä P0:aan, algoritmin on valittava pienempi joukko Fk:sta täydentääkseen r-kromosomia.

Olkoon d ¼ r KokoðPÞ, puuttuvien kromosomien lukumäärä täydennettynä r. Algoritmi tunnistaa parhaat δ-kromosomit tältä viimeiseltä rintamalta Fk laskemalla kromosomien välisen ahtautumisetäisyyden.

Tämä mittari määrittää, kuinka samanlaisia ​​kromosomit ovat suorituskyvyn suhteen monitavoiteongelmassa. Tämän etäisyyden laskemisen jälkeen algoritmi luokittelee kromosomit niiden etäisyyksien mukaan ja eliminoi kromosomit, jotka toimivat samalla tavalla kuin muut kromosomit. Tämä menettely pitää ulkomailla ratkaisujen edessä ja poistaa ylimääräiset kromosomit.

Sitten δ parhaat kromosomit Fk:sta lisätään P{{0}}:aan. Tämän seurauksena P0 laskee r parhaan kromosomin kanssa ja siitä tulee seuraavan sukupolven vanhempi, joka aloittaa uuden iteraation.

Data

Tässä osiossa arvioimme tiiminmuodostusongelmallemme ehdotetun algoritmin käyttämällä kolmea todellista tietojoukkoa. Tietolähteet ovat MyDreamTeam (tiimin muodostusalusta), Bibsonomy (sosiaalinen kirjanmerkkisivusto) ja GHTorrent (GitHub-arkistotietokanta).

Näiden tietojoukkojen käyttäminen ryhmien simuloimiseen tähän tiiminmuodostusongelmaan havainnollistaa viitekehyksemme tehokkuutta todellisissa skenaarioissa. Näytämme yhteenvetotilastot näistä tietojoukoista taulukossa 2. Tuloksena saadut tiedot ja komentosarjat raakatietojen esikäsittelyä varten ovat saatavilla osoitteessahttp://nusoniclab.github.io/.

MyDreamTeam-tietojoukko. Arvioimme ehdottamamme algoritmi käyttämällä tietoja todellisista tiiminmuodostustapauksista. Poimimme tämän tietojoukon My Dream Team Builderista [33], suositusjärjestelmästä, jonka avulla yksilöt voivat koota itse tiimejä.

Tämä tietojoukko sisältää tapauksia, joissa osallistujat ovat koonneet tiiminsä itse. Tapaukset ovat vuosilta 2014–2020. Tässä suosittelujärjestelmässä osallistujat luovat profiileja, etsivät joukkuetovereita ja lähettävät kutsuja muodostaa tiimejä.

Tapaukset koostuvat Yhdysvaltojen yliopistojen luokista. Aineisto sisältää osallistujien piirteet, demografiset tiedot ja sosiaaliset verkostot, jotka he raportoivat ensimmäisessä kyselyssä. Valitsimme kolme tapausta testataksemme algoritmiamme: peruskurssin, jatkokurssin ja MBA-kurssin. Osallistujat käyttivät järjestelmää ryhmien kokoamiseen pienryhmäkeskusteluja varten.

Luvan kerätä tietoja osallistujilta hyväksyi Northwestern University Institutional Review Board (#STU00078513). Tämän tutkimuksen aikana noudatettiin kaikkia soveltuvia institutionaalisia ja valtion säädöksiä, jotka koskevat ihmisten eettistä käyttöä.

Tutkimukseen osallistujilta saatiin sähköinen suostumus verkkokyselyn avulla. Osallistujilta pyydettiin suostumus My Dream Team Builderin kautta kerättyjen tietojen käyttämiseen tutkimustarkoituksiin. Tiivistimme käyttäjien tunnisteet tunnistamattoman tietojoukon luomiseksi.

BibSonomy. Toinen tietojoukko on poimittu BibSonomysta [34], sosiaalisesta kirjanmerkistä ja julkaisujen jakamisesta. Valitsimme bibsonomian, koska aiemmat ryhmänmuodostuspaperit testasivat heidän algoritmejaan tämän tietokannan avulla [58].

Tätä tietojoukkoa hallinnoi Knowledgeand Data Engineering Group, Kasselin yliopisto. Bibsonomia-tietojoukko on saatavilla käyttöoikeussopimuksen alaisena, ja sitä voi pyytää osoitteesta https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. Tämä aineisto sisältää suuren määrän tietojenkäsittelytieteeseen liittyviä julkaisuja. Jokaisen julkaisun on kirjoittanut tekijäryhmä.

Monet käyttäjät vierailevat Bibsonomy-sivustolla käyttämällä julkaisuja merkintöjä. Noudattamalla Anagnostopoulos et ai. [58], käytimme kunkin kirjoittajan papereihin liittyviä tunnisteita edustamaan heidän taitojaan. Kunkin kirjoittajan taito edustaa niiden julkaisujen määrää, jotka on julkaistu omalla tunnisteella. Valitsimme kolme sosiaalisten verkostojen analysointiin liittyvää lehteä testataksemme algoritmiamme: "Nature", "Science" ja "Physica A: Statistical Mechanics and its Applications".

Laskimme tunnisteiden esiintymistiheyden kussakin näistä lehdistä ja valitsimme tutkimukseemme liittyviä suosittuja tunnisteita. Kahdesta ensimmäisestä lehdestä valitsimme artikkeleita, jotka sisälsivät tunnisteet "verkosto", "sosiaalinen verkosto" ja "pieni maailma".

Sitten tunnistimme näiden artikkeleiden kirjoittajat, loimme yhteistekijäverkoston ja valitsimme kirjoittajat suurimmasta osasta. Samoin teimme tämän menettelyn kolmannelle päiväkirjalle käyttämällä tunnisteita "verkko", "kaavio", "malli" ja "järjestelmä". Tekijöiden nimet tiivistettiin yksilöimättömän tietojoukon luomiseksi.

GHTorrent. Käytimme GHTorrent-projektin [35] tarjoamaa GitHub-dataa, joka on GitHub API:n kautta tarjotun datan offline-peili. Tämä tietojoukko voidaan ladata osoitteesta https://ghtorrent.org/downloads.html. GHTorrent-tietojoukko kattaa laajan valikoiman kehitystoimintoja Githubissa, mukaan lukien arkistot, vetopyynnöt ja käyttäjät. Latasimme tietojoukkovedoksen "06/01/2019" testaustietojoukon rakentamiseksi.

Suodatimme käyttäjät, jotka osallistuivat 40–80 projektiin, jotta mediaanikäyttäjät pysyisivät analyysissämme. Noudattamalla BibSonomy-tietojoukon kaltaista lähestymistapaa käytimme ohjelmointikieliä, jotka liittyvät kunkin käyttäjän tietovarastoon edustamaan käyttäjien taitoja.

Kunkin käyttäjän taito edustaa tietyllä kielellä kirjoitettujen hankkeiden määrää. Koska arkistoissa voi olla tiedostoja useilla kielillä, valitsimme arkiston käytetyimmän kielen arkiston kieleksi.

Valitsimme tästä tietojoukosta kolme suosituinta kieltä: Java, Python ja Ruby. Sitten tunnistimme näiden arkiston käyttäjät ja loimme yhteistyöverkoston. Tässä esimerkissä käyttäjillä on atie, jos he ovat lisänneet samaan tietovarastoon vähintään kaksi kertaa. Lopuksi valitsimme käyttäjät suurimmasta komponentista. Tiivistimme tekijöiden nimet yksilöimättömän tietojoukon luomiseksi.

Arviointi

Vertailemme tiimin muodostusongelman (merkitty NSGA-II:na) ehdotettua algoritmia kolmeen hyvin tunnettuun monitavoitteeseen optimointimenetelmään, joita käytetään benchmark-tarkoituksiin[62, 72]:

Pareto Local Search (PLS) -menetelmä. Tämä iteratiivinen algoritmi aloittaa joukolla satunnaisia ​​ratkaisuja alkuperäisenä populaationa ja tutkii kunkin ratkaisun naapureita [73, 74]. Algoritmi päivittää perusjoukon Pareto-dominanssin perusteella: se lisää ei-dominoivia naapureita populaatioon ja poistaa olemassa olevat ratkaisut, joita uudet lisätyt ratkaisut hallitsevat.

Kun ratkaisun lähialue on täysin tutkittu, ratkaisu merkitään tutkituksi. Algoritmi tutkii iteratiivisesti uusia ratkaisuja, kun niitä lisätään perusjoukkoon, kunnes parempia ratkaisuja ei löydy. Kun kaikki ratkaisut on tutkittu, eikä hallitsemattomia ratkaisuja voida enää löytää, algoritmi pysähtyy. Otimme käyttöön Zihayatin et al. [72] yhdistelmäongelmia varten.

Tässä toteutuksessa ratkaisun naapurit ovat kaikki mahdolliset tiimiyhdistelmät ratkaisusta, jossa kaksi jäsentä vaihtaa tiimejä. Koska PLS ei riipu kiinteästä sukupolvien lukumäärästä, suoritamme tämän algoritmin vain yhden iteroinnin vertaillaksemme sen tuloksia muihin menetelmiin.

Kun otetaan huomioon n yksilöä ja että algoritmi tutkii kunkin ratkaisun n2 naapuria, tämän toteutuksen laskennallinen monimutkaisuus on O(n3) parhaassa tapauksessa.

For more information:1950477648nn@gmail.com