På jagt efter forskellige og forbundne teams: En beregningsmetode til at samle forskellige teams baseret på medlemmer, del 3

Antal objektive funktioner

Den tredje dimension er antallet af mål, der optimeres af teamdannelsesalgoritmen. Nogle eksempler er at minimere teams kommunikationsomkostninger, minimere teams personaleomkostninger og maksimere antallet af færdigheder til stede i hvert team.

Forholdet mellem teamdannelsesalgoritmer og hukommelse er tæt forbundet. Et team er en gruppe mennesker med hver deres ideer og evner, men større værdi kan kun opnås, når alle arbejder sammen.

Kernen i teamdannelsesalgoritmen er, hvordan man får forskellige mennesker til at arbejde mere harmonisk sammen. I denne proces skal alle bruge deres styrker i forhold til deres roller og opgaver, og samtidig skal kommunikere og koordinere effektivt med andre medlemmer af teamet.

Hukommelse spiller en vigtig rolle i denne proces. I et team er det nødvendigt løbende at registrere hvert enkelt medlems opgaver og bidrag, samt teamets fremskridt og problemer. Kun på denne måde kan der dannes effektiv kommunikation og samarbejde i teamet, og det kan også hjælpe teammedlemmer til bedre at forstå deres ansvar og roller.

Desuden kan teamdannelsesalgoritmer og hukommelse også forstærke hinanden. Teamdannelsesalgoritmer kan hjælpe folk med bedre at forstå, hvordan man arbejder sammen, og at udvikle stærkere minder i processen vil også give folk mulighed for bedre at registrere og forstå forskellige oplysninger om teamet.

Derfor bør vi anerkende vigtigheden af ​​teamdannelsesalgoritmer og hukommelse for et team. Kun gennem kontinuerlig kommunikation og samarbejde samt registrering og organisering af information kan teamet fungere mere effektivt og udøve større værdi. Det kan ses, at vi skal forbedre hukommelsen, og Cistanche deserticola kan forbedre hukommelsen markant, fordi Cistanche deserticola også kan regulere balancen af ​​neurotransmittere, såsom at øge niveauet af acetylcholin og vækstfaktorer. Disse stoffer er meget vigtige for hukommelse og indlæring. Derudover kan Kød også forbedre blodgennemstrømningen og fremme ilttilførsel, hvilket kan sikre, at hjernen får tilstrækkelige næringsstoffer og energi, og derved forbedre hjernens vitalitet og udholdenhed.

Klik på Kend for at forbedre korttidshukommelsen

De fleste algoritmer definerer teamdannelsesproblemet med et enkelt mål med begrænsninger [59].

Eksemplerne nævnt før følger dette enkelt-objektive funktionsdesign. En faldgrube er, at andre gavnlige mål for holdsammensætning ikke kan være fordelagtigeunder optimeringsprocessen samtidigt (f.eks. minimering af kommunikationsomkostninger og samtidig maksimering af teamets færdigheder).

Tidligere undersøgelser har introduceret mere end én objektiv funktion til teamdannelsesproblemet. Et eksempel er Kargar et al. [60], som præsenterer "Minimal Cost Contribution"-algoritmen (MCC). Dets mål er at søge efter holdet med de laveste kommunikationsomkostninger og de laveste personaleomkostninger samtidigt.

MMC's objektive funktion er en lineær kombination af begge omkostningsfunktioner med en parameter λ, der angiver afvejningen mellem kommunikation og personlige omkostninger. Denne algoritme implementerer en heuristisk tilgang, der tilføjer nye medlemmer til teamet trinvist og tager højde for omkostningerne ved at tilføje et nyt medlem i forhold til de nuværende omkostninger for det samlede team.

På trods af fordelene ved disse lineære kombinationsformuleringer har denne tilgang to begrænsninger: den giver kun én enkelt teamløsning, og dens afregningsvariabel for omkostningsfunktionerne skal indstilles på forhånd. At finde andre egnede løsninger ved hjælp af disse metoder afhænger således af justeringen af ​​afvejningsvariablen, som kan tilføje bias til søgeprocessen [61].

Nylige algoritmiske bidrag har formuleret teamdannelsesproblemet som et multiobjektivt optimeringsproblem for at optimere to eller flere objektive funktioner samtidigt[62, 63].

Disse problemer involverer afvejninger mellem to eller flere mål, eftersom forbedring af løsningen i ét mål kun er mulig ved at indrømme et andet mål. Multiobjektive optimeringsproblemer giver således ikke en enkelt løsning, men opnår flere løsninger under hensyntagen til forskellige relevansvægte for de flere mål.

Mens i enkelt-objektive optimeringsproblemer bestemmes overlegenheden af ​​en løsning frem for andre af den objektive funktion, i multi-objektive optimeringsproblemer bestemmes den af ​​dominans. Optimeringsprocessen leder efter løsninger, der er bedre end andre i alle de objektive funktioner.

Som et resultat heraf leverer problemet et sæt "ikke-dominerede" løsninger, som består af løsninger, der kan forbedres uden samtidig skade på mindst et af de andre mål. Multi-objektiv optimering er også kendt som Pareto-optimering.

Fig. 1 viser et eksempel på en Pareto-front, der viser forskellige ikke-dominerede løsninger, der spænder mellem to mål. Beregning af denne Pareto-front giver beslutningstagere mulighed for at sammenligne og kontrollere forskellige afvejninger mellem begge dimensioner.

Baseret på denne tilgang giver multi-objektive algoritmiske implementeringer et sæt teamløsninger, der tager højde for forskellige vurderinger af de objektive funktioner [54, 64]. Zhang og Zhangs implementering [64] udvælger medlemmerne med de højeste evner til opgaven og de bedste interpersonelle relationer for at samle det bedste team. Denne undersøgelse bruger implementeringen af ​​partikelvarmeoptimering til at bestemme, om et medlem skal være en del af det bedste team.

Løsninger bevæger sig i et todimensionelt kontinuerligt rum, og algoritmen anvender asigmoid-funktion til at binarisere medlemmers tilstedeværelse. Perez-Toledano et al. [63] udviklede en genetisk algoritme til at finde konkurrencedygtige basketballhold, der overvejer omkostningerne og værdiansættelsen af ​​hver spiller samtidigt.

Hver løsning består af et hold fra et sæt af tilgængelige spillere, og dens sidste Pareto-front viser forskellige hold, der overvejer afvejningen mellem spillernes vurdering og omkostninger. Baseret på disse formuleringer kan teambuildere se og sammenligne andre teams og vælge, hvilket mål de vil prioritere, når de vælger et team.

Problemformulering

Efter at have gennemgået relevante teamdannelsesproblemer og deres respektive algoritmer, sigter vi mod at implementere dette særlige problem, der maksimerer teams mangfoldighed og teams fortrolighed samtidigt.

Dette problem er passende for en multi-objektiv optimeringsformulering, da maksimering af teams kendskab kan føre til dannelse af grupper med medlemmer, der ligner hinanden [65].

Selvom vi kunne implementere dette problem som et enkelt-objektivt optimeringsproblem, ville vi være nødt til at prioritere et af disse mål og undgå afvejninger mellem løsninger. Desuden søgte tidligere formuleringer af teamformationen efter enten det bedste team blandt flere mål eller teamkombinationer baseret på et enkelt mål.
Vi foreslår et multi-objektivt optimeringsproblem, der tildeler alle tilgængelige individer i teams, hvilket resulterer i flere teamkombinationer, der overvejer forskellige relevans vægtninger for mangfoldighed og fortrolighed. Dette arbejde er ikke tilfældet for tidligere undersøgelser om teamdannelse og giver en ny tilgang til teamdannelseslitteraturen.

Materialer og metoder

I dette afsnit introducerer vi det multi-objektive problem og definitioner, som vi vil bruge i hele denne artikel. Vores notation er også opsummeret i tabel 1. Vi beskriver også NSGA-II-implementeringen af ​​dette multi-objektive problem og dets komponenter. Vi beskriver derefter de datasæt og benchmarkalgoritmer, vi brugte til at evaluere teamdannelsesproblemet. Til sidst forklarer vi de kvantitative målinger for at sammenligne algoritmernes resultater.

Definitioner

Medlemmer, egenskaber, netværk og teams. Vi betragter et sæt deltagere P={p1,p2, . . ., pn} med et sæt kategoriske attributter C={c1, c2, . . ., cm} og et sæt numeriske attributter U={u1, u2, . . ., ul}.

Disse individers egenskaber har forskellige skalaer og repræsenterer information om hver person (f.eks. alder, køn, race, færdigheder). Afhængigt af den tilgængelige individuelle information, kan teams have flere egenskaber, der beskriver deres kvaliteter og sammensætning. Hver person har en værdi i hver af disse egenskaber. Vi betegner ci(pj) for at opnå værdien af ​​den kategoriske attribut ci for personen j.

På samme måde bruger vi ui(pj) til at få værdien af ​​den numeriske attribut ui for personen j. Person j kan repræsenteres som en vektor af disse kategoriske og numeriske attributter. Vi har således attributterne for pj som (c1(pj), . . ., cm(pj),u1(pj), . . ., ul(pj)).

Mennesker er forbundet i et socialt netværk modelleret som en urettet og uvægtet graf G. Vi definerer G=(P, E), hvor E repræsenterer grafens kanter. Hver node inG repræsenterer en person fra P. Vi bruger person og node i flæng gennem hele dette papir. To personer er forbundet med en kant, hvis de tidligere har samarbejdet. Med andre ord, hvis individerne i og j har arbejdet sammen, så er Gi,j=1. Ellers Gi,j=0.

Givet denne liste over deltagere P, der er tilsluttet netværket G, er målet at finde et sæt af hold T={t1, t2, t3, . . ., tq}, hvor alle medlemmer af P samler q-hold og kun tilhører ét hold. Det dobbelte optimeringsproblem kan formuleres som at minimere kommunikationsomkostningerne mellem teammedlemmer og maksimere teams mangfoldighedsniveauer. Vi laver nu disse forestillinger og beskriver hver objektiv funktion.

Kommunikationsomkostninger. Lappas et al. [57] fokuserede på vigtigheden af ​​samarbejder og fortrolighed mellem eksperter ved at overveje omkostningerne ved deres samarbejder. Ifølge denne model er eksperter, der tidligere har samarbejdet, mere tilbøjelige til at udveksle information og ideer effektivt end eksperter uden forudgående samarbejde.

Baseret på eksperters tidligere samarbejder, beregner denne model kommunikationsomkostningerne mellem teammedlemmer for at estimere deres samarbejde og kendskabsniveauer. Målet med at optimere kommunikationsomkostningerne er at danne teams med et højt kendskabsniveau. En litteraturgennemgang viser, at kommunikationsomkostninger er en meget brugt proxy for samarbejde og fortrolighed blandt forskere [66].

I vores omgivelser bruger vi kommunikationsomkostninger som en proxy for teams kendskab. Kargar og An[31] fandt, at den samlede sum af afstande mellem teammedlemmer var et rimeligt mål for kommunikationsomkostninger, da det er mere stabilt over for ændringer i netværket end andre potentielle mål.

Andre alternativer til kommunikationsomkostninger er det sociale netværks diameter (dvs. den største korteste vej mellem to vilkårlige knudepunkter i netværket) og det mindste spændingstræ (dvs. minimumsummen af ​​vægten af ​​et netværks kanter) [57].

Vi implementerede også dette problem ved hjælp af disse to definitioner, og deres resultater svarede til dem, der blev opnået ved hjælp af summen af ​​afstande. Resultaterne af diameterens implementering er tilgængelige i S1 Fig og S1Table i S1 File, og resultaterne af minimumspændingstræets implementering er tilgængelige i S2 Fig og S2 Table i S1 File.

Vi definerer kommunikationsomkostningerne mellem to individer pi og pj, betegnet som d(pi, pj), som den korteste vejlængde, mens vi krydser kanterne af grafen G fra en knude til en anden. Hvis Pi og PJ har samarbejdet tidligere, de er på et-hop afstand.

Hvis Pi og PJ ikke har samarbejdet, men har en tidligere samarbejdspartner til fælles, er de adskilt af to butikker. At have fælles tidligere samarbejdspartnere inden for et team kan fremme fortrolighed baseret på "triadisk lukning" [67].

Denne mekanisme hævder, at noder er mere tilbøjelige til at etablere en ny forbindelse, når de har en forbindelse til fælles. Tre-hop og 4-hop kan følge de samme principper baseret på "balancemekanismer" [67].

Enkeltpersoner vil have tendens til at skabe nye forbindelser med samarbejdspartnere for deres samarbejdspartnere for at søge sammenhæng i deres gruppe. Derfor sigter vi ved at bruge den samlede sum af afstande i vores målfunktion til at søge efter hold, der maksimerer antallet af direkte samarbejder (dvs. et-hop), fælles forbindelser (to-hop) og tætte forbindelser (tre-hop eller højere) .

Den laveste kommunikationsomkostningsværdi er, når alle teammedlemmer har samarbejdet (dvs. de er direkte forbundet), og den højeste er, når teammedlemmer slet ikke er forbundet. I denne implementering, hvis der ikke er nogen sti mellem pi og pj i G, sætter vi kommunikationsomkostningerne mellem dem som det sociale netværks diameter.
Vi definerer kommunikationsomkostningerne for et team t som den samlede sum af korteste vejlængder mellem medlemmer, da det er mere stabilt over for ændringer i netværket end andre potentielle mål. Vi angiver med Cc(t) kommunikationsomkostningerne for team t, som har k medlemmer. Derfor definerer vi teamets kommunikationsomkostninger som:

Cct ¼ Xki;j2t;i6¼jdðpi; pjÞ ð1Þ

Målet er at minimere den gennemsnitlige sum af korteste vejlængder på tværs af alle samlede teams i individernes netværk. Beregning af summen af ​​kommunikationsomkostninger for et sæt teams kører på O(n2) tid.

Team diversitet score. Det andet mål er at skabe forskellige teams med en bred vifte af baggrunde, karaktertræk og færdighedsrepertoirer. Diversitet beskriver fordelingen af ​​forskelle blandt medlemmerne af en enhed vedrørende en fælles egenskab [30].

Harrison og Klein[30] præsenterede en ramme, der tyder på, at mangfoldighed bedst konceptualiseres på tre måder: adskillelse, variation og ulighed. Adskillelse refererer til forskelle mellem teammedlemmer i deres laterale position på et kontinuum (f.eks. værdi, holdning, tro). Variety refererer til kategoriske forskelle blandt teammedlemmer, hvor antallet af repræsenterede kategorier bidrager til teamdiversitet (f.eks. køn, karriere, race).

Endelig repræsenterer ulighed forskelle i koncentrationen af ​​værdifulde aktiver eller ønskværdige ressourcer (f.eks. ekspertise, uddannelsesniveau, ansættelse). Disse målinger gør det muligt for forskere at operationalisere funktionel og demografisk mangfoldighed parallelt og i overensstemmelse med deres teoretiske konceptualiseringer [14].

For more information:1950477648nn@gmail.com