U potrazi za raznolikim i povezanim timovima: računalni pristup sastavljanju različitih timova na temelju članova, 5. dio

Brzi korak sortiranja bez dominacije. Zatim, algoritam mora odabrati najbolje r kromosome iz ove unije veličine 2r. Kako bi pronašao ovaj skup, algoritam izvodi nedominantno sortiranje među svim postojećim kromosomima iz P.

Dominantno sortiranje uobičajena je tehnika pamćenja koja nam pomaže da bolje zapamtimo i razumijemo stvari. Uglavnom uspostavlja logičke odnose između znanja klasificiranjem, sortiranjem i sažimanjem povezanih informacija, što nam olakšava razumijevanje i pamćenje tog znanja.

Koraci dominantnog sortiranja uglavnom uključuju klasifikaciju, sortiranje, indukciju i sažetak. U fazi klasifikacije, moramo klasificirati relevantne informacije i podijeliti ih u različite kategorije; u fazi sortiranja trebamo odrediti razinu i važnost svake kategorije kako bi se mogla posložiti određenim redoslijedom; u fazi uvoda, mi Odnose između različitih kategorija trebamo integrirati i izdvojiti kako bismo bolje razumjeli i zapamtili ovo znanje; u fazi sažetka, moramo pregledati i razmisliti o cijelom procesu sortiranja dominacije kako bismo otkrili i ispravili svoje nedostatke.

Dominantno razvrstavanje usko je povezano s pamćenjem. Može nam pomoći da bolje organiziramo i sortiramo znanje, čime se poboljšava učinkovitost pamćenja. Kroz dominaciju i sortiranje možemo sustavno integrirati i rasporediti različite informacije, te uspostaviti hijerarhije i asocijacije znanja, formirajući tako mrežu pamćenja, čineći naša sjećanja jačim i dubljim. U isto vrijeme, dominantno razvrstavanje također nam može pomoći da bolje istražimo vrijednost i primjenu znanja, čime poboljšavamo svoje sposobnosti razmišljanja i rješavanja problema.

Ukratko, dominantno sortiranje je vrlo praktična tehnika pamćenja koja nam može pomoći da bolje razumijemo i zapamtimo različita znanja. Kontinuiranim vježbanjem i primjenom možemo postati vještiji u svladavanju ove vještine, postavljajući tako čvrste temelje za svoje učenje i razvoj. Vidi se da moramo poboljšati pamćenje, a Cistanche deserticola može značajno poboljšati pamćenje jer je Cistanche deserticola tradicionalni kineski ljekoviti materijal koji ima mnogo jedinstvenih učinaka, a jedno od njih je i poboljšanje pamćenja. Djelotvornost mljevenog mesa dolazi od različitih aktivnih sastojaka koje sadrži, uključujući kiseline, polisaharide, flavonoide itd. Ovi sastojci mogu na različite načine promicati zdravlje mozga.

Pritisnite Know Shortterm Memory kako poboljšati

Cilj je identificirati rješenja koja imaju bolju izvedbu od drugih i klasificirati ih prema njihovoj izvedbi u različitim Pareto frontovima F. Algoritam prvo provjerava odnose dominacije među svim kromosomima. Uz dva kromosoma, T i T{{0}}, T dominira T0 ako i samo ako Cc(T)�Cc(T0) i V(T)�V( T0) s barem jednom strogom nejednakošću.

Drugim riječima, T je barem jednako dobar kao T{{0}} za sve ciljeve i striktno bolji za barem jedan. Ovaj odnos dominacije označava se kao T � T0. Ako jedan od ciljeva T nije bolji od T0 i ne može se poboljšati u vrijednosti bez degradacije nekih drugih ciljnih vrijednosti, tada T nije dominantan od T0

Jedan primjer nedominiranog rješenja je T koji ima više rezultate raznolikosti, ali veće troškove komunikacije od T0. U tom slučaju nedominacije, T i T0 su moguća rješenja za sljedeću generaciju.

Nakon što algoritam mapira odnose dominacije svih kromosoma, stvara prvu Pareto frontu rješenja koja se sastoji od svih nedominiranih rješenja (F1). Ovaj skup je također označen kao Pareto optimalan.

Zatim, algoritam stvara drugu frontu Pareto optimalnih rješenja (F2) koja su zanemarena u prvoj fronti, i tako dalje. Kao rezultat toga, algoritam razvrstava kromosome populacije u hijerarhiju pod-populacija. Razvrstavanje nastavlja pronalaziti uzastopne Pareto fronte dok se svi kromosomi ne pridruže Pareto fronti.

Nova populacija. Algoritam zatim odabire najbolje r kromosome za sljedeću generaciju. U danom trenutku, postoje 2r kromosoma poredani u hijerarhijskom Pareto frontu F. Algoritam stvara novu populaciju P0dodajući kromosome pohranjene u Pareto frontama.

Ako je ukupna veličina prve Pareto fronte manja od r, tada algoritam dodaje sve kromosome ove fronte u P{{0}}. Zatim, algoritam dodaje preostala rješenja za novu populaciju iz sljedećih nedominiranih frontova. Algoritam nastavlja ovu proceduru sve dok ne može dodati više fronti u P0.

Udaljenost od gužve. Algoritam mora dodavati kromosome novoj populaciji sve dok ne bude točno r kromosoma. Ako posljednji odabrani nedominirani Pareto prednji Fk ima više kromosoma od dopuštenog za dodavanje u P0, algoritam mora odabrati manji skup od Fk da kompletira r kromosoma.

Neka je d ¼ r VeličinaðPÞ, broj kromosoma koji nedostaju za dovršavanje r. Algoritam identificira najbolje δ kromosome iz posljednjeg prednjeg Fk izračunavanjem udaljenosti među kromosomima.

Ova metrika određuje koliko su kromosomi slični u smislu izvedbe u problemu s više ciljeva. Nakon izračuna ove udaljenosti, algoritam rangira kromosome prema njihovoj udaljenosti i eliminira kromosome koji imaju slične karakteristike kao i drugi kromosomi. Ovom procedurom se stranci stavljaju ispred rješenja i uklanjaju suvišne kromosome.

Zatim se δ najboljih kromosoma iz Fk dodaje u P{{0}}. Kao rezultat toga, P0 se računa s r najboljih kromosoma i postaje roditelj sljedeće generacije, započinjući novu iteraciju.

Podaci

U ovom odjeljku procjenjujemo predloženi algoritam za naš problem formiranja tima koristeći tri skupa podataka iz stvarnog svijeta. Izvori podataka su MyDreamTeam (platforma za formiranje tima), Bibsonomy (stranica za označavanje društvenih stranica) i GHTorrent (baza podataka GitHub repozitorija).

Korištenje ovih skupova podataka za simulaciju timova za ovaj problem formiranja tima ilustrira učinkovitost našeg okvira u stvarnim scenarijima. Prikazujemo sažetak statistike iz ovih skupova podataka u tablici 2. Rezultirajući podaci i skripte za prethodnu obradu neobrađenih podataka dostupni su nahttp://nusoniclab.github.io/.

Skup podataka MyDreamTeam. Procjenjujemo naš predloženi algoritam koristeći podatke iz stvarnih slučajeva formiranja tima. Izvukli smo ovaj skup podataka iz My Dream Team Buildera [33], sustava preporuka koji pomaže pojedincima da sami okupe timove.

Ovaj skup podataka sadrži slučajeve sudionika koji su sami okupili svoje timove. Slučajevi datiraju od 2014. do 2020. Na ovom sustavu preporuka sudionici stvaraju profile, traže suigrače i šalju pozivnice za formiranje timova.

Slučajevi se sastoje od predavanja sa sveučilišta u Sjedinjenim Državama. Skup podataka uključuje osobine sudionika, demografiju i društvene mreže, koje su prijavili u početnoj anketi. Odabrali smo tri slučaja za testiranje našeg algoritma: preddiplomski studij, diplomski studij i MBA tečaj. Sudionici su koristili sustav za okupljanje timova za rasprave u malim grupama.

Dopuštenje za prikupljanje podataka od sudionika odobrio je Northwestern University Institutional Review Board (#STU00078513). Tijekom ovog istraživanja poštivani su svi primjenjivi institucionalni i državni propisi koji se tiču ​​etičke upotrebe ljudskih subjekata.

Elektronički pristanak dobiven je od sudionika istraživanja putem online anketnog instrumenta. Sudionici su zamoljeni da pristanu na korištenje podataka prikupljenih putem My Dream Team Buildera u istraživačke svrhe. Raspršili smo identifikatore korisnika kako bismo stvorili deidentificirani skup podataka.

BibSonomy. Drugi skup podataka izvađen je iz BibSonomy [34], sustava društvenih oznaka i dijeljenja publikacija. Odabrali smo bibsonomiju jer su prethodni dokumenti o formiranju tima testirali njihove algoritme pomoću ove baze podataka [58].

Ovim skupom podataka upravlja Grupa za inženjerstvo znanja i podataka, Sveučilište u Kasselu. Skup bibsonomy podataka dostupan je pod licencnim ugovorom i može se zatražiti na https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. Ovaj skup podataka sadrži velik broj publikacija povezanih s informatikom. Svaku publikaciju potpisuje grupa autora.

Mnogi korisnici posjećuju web stranicu Bibsonomy koristeći oznake za označavanje publikacija. Slijedeći postupak opisan od strane Anagnostopoulos et al. [58], upotrijebili smo oznake povezane s radovima svakog autora kako bismo predstavili njihove vještine. Vještina svakog autora predstavlja broj objavljenih radova s ​​odgovarajućom oznakom. Za testiranje našeg algoritma odabrali smo tri časopisa povezana s analizom društvenih mreža: "Nature", "Science" i "Physica A: Statistical Mechanics and its Applications."

Izbrojali smo učestalost oznaka u svakom od ovih časopisa i odabrali neke popularne oznake povezane s našim istraživanjem. Za prva dva časopisa odabrali smo radove koji su uključivali oznake 'mreža', 'društvena mreža' i 'svijet u malom'.

Zatim smo identificirali autore tih članaka, izradili koautorsku mrežu i odabrali autore iz najveće komponente. Slično smo napravili ovaj postupak za treći časopis koristeći oznake 'mreža', 'graf', 'model' i 'sustav'. Iscrtali smo imena autora kako bismo stvorili deidentificirani skup podataka.

GHTorrent. Koristili smo GitHub podatke koje je pružio projekt GHTorrent [35], offline zrcalo podataka ponuđenih putem GitHub API-ja. Ovaj skup podataka može se preuzeti na https://ghtorrent.org/downloads.html. GHTorrent skup podataka pokriva širok raspon razvojnih aktivnosti na Githubu, uključujući repozitorije, zahtjeve za povlačenjem i korisnike. Preuzeli smo ispis skupa podataka "06/01/2019" kako bismo izgradili naš skup podataka za testiranje.

Filtrirali smo korisnike koji su sudjelovali između 40 i 80 projekata kako bismo zadržali prosječne korisnike u našoj analizi. Slijedeći pristup sličan skupu podataka BibSonomy, koristili smo programske jezike povezane s spremištima doprinosa svakog korisnika kako bismo predstavili vještine korisnika.

Vještina svakog korisnika predstavlja broj pridonesenih projekata napisanih na određenom jeziku. Budući da repozitoriji mogu imati datoteke na više jezika, odabrali smo najčešće korišteni jezik repozitorija kao jezik repozitorija.

Odabrali smo tri najpopularnija jezika u ovom skupu podataka: Java, Python i Ruby. Zatim smo identificirali korisnike tih repozitorija i stvorili mrežu za suradnju. U ovom primjeru, korisnici su dobili ako su pridonijeli istom repozitoriju najmanje dva puta. Konačno, odabrali smo korisnike iz najveće komponente. Raspršili smo imena autora kako bismo stvorili deidentificirani skup podataka.

Evaluacija

Uspoređujemo predloženi algoritam za problem formiranja tima (označen kao NSGA-II) s tri dobro poznate metode optimizacije s više ciljeva koje se koriste u svrhu usporedbe [62, 72]:

Pareto Local Search (PLS) metoda. Ovaj iterativni algoritam počinje sa skupom slučajnih rješenja kao početnom populacijom i istražuje susjede svakog rješenja [73, 74]. Algoritam ažurira populaciju na temelju Pareto dominacije: populaciji će dodati nedominantne susjede i ukloniti postojeća rješenja kojima dominiraju novododana rješenja.

Nakon što je susjedstvo rješenja u potpunosti istraženo, rješenje se označava kao istraženo. Algoritam iterativno istražuje nova rješenja dok se dodaju u populaciju sve dok se ne pronađu bolja rješenja. Nakon što su sva rješenja istražena i više se ne mogu otkriti nedominirana rješenja, algoritam se zaustavlja. Implementirali smo verziju koju su predložili Zihayat et al. [72] za kombinacijske probleme.

U ovoj implementaciji, susjedi rješenja su sve moguće kombinacije timova iz rješenja s dva člana koji mijenjaju timove. Budući da PLS ne ovisi o fiksnom broju generacija, izvodimo samo jednu iteraciju ovog algoritma kako bismo usporedili njegove rezultate s drugim metodama.

S obzirom na n pojedinaca i da će algoritam istražiti n2 susjeda svakog rješenja, računalna složenost ove implementacije je O(n3) u najboljem slučaju.

For more information:1950477648nn@gmail.com