På jagt efter forskellige og forbundne teams: En beregningsmetode til at samle forskellige teams baseret på medlemmer, del 5

Hurtigt ikke-domineret sorteringstrin. Dernæst skal algoritmen vælge de bedste r kromosomer fra denne forening af størrelse 2r. For at finde dette sæt udfører algoritmen en ikke-domineret sortering blandt alle de eksisterende kromosomer fra P.

Dominanssortering er en almindelig hukommelsesteknik, der hjælper os med at huske og forstå tingene bedre. Den etablerer hovedsageligt logiske relationer mellem viden ved at klassificere, sortere og opsummere relateret information, hvilket gør det lettere for os at forstå og huske denne viden.

Trinene til at dominere sortering omfatter hovedsageligt klassificering, sortering, induktion og opsummering. I klassifikationsfasen skal vi klassificere relevante oplysninger og opdele dem i forskellige kategorier; i sorteringsfasen skal vi bestemme niveauet og vigtigheden af ​​hver kategori, så den kan arrangeres i en bestemt rækkefølge; i induktionsstadiet, vi Forholdet mellem forskellige kategorier skal integreres og udtrækkes for bedre at forstå og huske denne viden; i opsummeringsfasen er vi nødt til at gennemgå og reflektere over hele dominanssorteringsprocessen for at opdage og rette op på vores mangler.

Dominanssortering er tæt forbundet med hukommelsen. Det kan hjælpe os med bedre at organisere og sortere viden og derved forbedre hukommelseseffektiviteten. Gennem dominans og sortering kan vi systematisk integrere og arrangere forskellige informationer, og etablere hierarkier og associationer af viden og derved danne et hukommelsesnetværk, der gør vores erindringer stærkere og dybere. Samtidig kan dominanssortering også hjælpe os til bedre at udforske værdien og anvendelsen af ​​viden og derved forbedre vores tænkning og problemløsningsevner.

Kort sagt er dominanssortering en meget praktisk hukommelsesteknik, som kan hjælpe os til bedre at forstå og huske forskellig viden. Gennem kontinuerlig øvelse og anvendelse kan vi blive dygtigere til at mestre denne færdighed og derved lægge et solidt fundament for vores læring og udvikling. Det kan ses, at vi skal forbedre hukommelsen, og Cistanche deserticola kan forbedre hukommelsen markant, fordi Cistanche deserticola er et traditionelt kinesisk medicinsk materiale, der har mange unikke effekter, hvoraf den ene er at forbedre hukommelsen. Effektiviteten af ​​hakket kød kommer fra de forskellige aktive ingredienser, det indeholder, herunder syre, polysaccharider, flavonoider osv. Disse ingredienser kan fremme hjernens sundhed på forskellige måder.

Klik på Kend korttidshukommelse, hvordan du forbedrer

Målet er at identificere løsninger, der yder bedre end andre, og klassificere dem efter deres ydeevne i forskellige Pareto-fronter F. Algoritmen tjekker først dominansforholdet mellem alle kromosomerne. Giver to kromosomer, T og T{{0}}, T dominerer T0 hvis og kun hvis Cc(T)�Cc(T0) og V(T)�V( T0) med mindst én streng ulighed.

Med andre ord er T mindst lige så god som T{{0}} for alle mål og strengt taget bedre for mindst ét. Denne dominansrelation betegnes som T � T0. Hvis et af målene for T ikke er bedre end T0, og det ikke kan forbedres i værdi uden at forringe nogle af de andre objektive værdier, så er T ikke-domineret af T0

Et eksempel på en ikke-domineret løsning er T med højere diversitetsscore, men højere kommunikationsomkostninger end T0. I det tilfælde, hvor der ikke er dominans, er enten T og T0 gennemførlige løsninger for den næste generation.

Når algoritmen kortlægger alle kromosomernes dominansforhold, skaber den en firstPareto-front af løsninger bestående af alle de ikke-dominerede løsninger (F1). Dette sæt er også betegnet som Pareto-optimal.

Derefter opretter algoritmen en anden front af Pareto optimale løsninger (F2), der blev ignoreret i den første front, og så videre. Som et resultat sorterer algoritmen befolkningens kromosomer i et hierarki af underpopulationer. Sorten bliver ved med at finde på hinanden følgende Pareto-fronter, indtil alle kromosomer er tildelt en Pareto-front.

Ny befolkning. Algoritmen udvælger derefter de bedste r-kromosomer til næste generation. På et givet tidspunkt er der 2r kromosomer sorteret i den hierarkiske Pareto front F. Algoritmen opretter den nye population P0ved at tilføje kromosomerne gemt i Pareto fronterne.

Hvis den samlede størrelse af den første Pareto-front er mindre end r, tilføjer algoritmen alle kromosomerne på denne front til P{{0}}. Derefter tilføjer algoritmen de resterende løsninger til den nye befolkning fra de efterfølgende ikke-dominerede fronter. Algoritmen fortsætter denne procedure, indtil den ikke kan tilføje flere fronter til P0.

Trængselafstand. Algoritmen skal tilføje kromosomer til den nye population, indtil der er præcis r kromosomer. Hvis den sidst valgte ikke-dominerede Pareto-front Fk har flere kromosomer end tilladt at tilføje til P0, skal algoritmen vælge et mindre sæt fra Fk for at fuldføre r-kromosomerne.

Lad d ¼ r SizeðPÞ, antallet af manglende kromosomer for at fuldføre r. Algoritmen identificerer de bedste δ-kromosomer fra denne sidste front Fk ved at beregne crowding-afstanden mellem kromosomerne.

Denne metrik bestemmer, hvor ens kromosomerne er med hensyn til ydeevne i det multi-objektive problem. Efter at have beregnet denne afstand rangerer algoritmen kromosomerne efter deres afstande og eliminerer kromosomer, der fungerer på samme måde som andre kromosomer. Denne procedure holder udlandet foran løsninger og fjerner overflødige kromosomer.

Derefter føjes de δ bedste kromosomer fra Fk til P{{0}}. Som et resultat tæller P0 med de r bedste kromosomer og bliver forælder til den næste generation, og starter en ny iteration.

Data

I dette afsnit evaluerer vi den foreslåede algoritme for vores teamdannelsesproblem ved hjælp af tre datasæt fra den virkelige verden. Datakilderne er MyDreamTeam (en teamdannelsesplatform), Bibsonomy (en social bookmarking-side) og GHTorrent (en GitHub-lagerdatabase).

Brug af disse datasæt til at simulere teams til dette teamdannelsesproblem illustrerer effektiviteten af ​​vores rammer i virkelige scenarier. Vi viser oversigtsstatistikker fra disse datasæt i tabel 2. De resulterende data og scripts til at forbehandle rådataene er tilgængelige påhttp://nusoniclab.github.io/.

MyDreamTeam datasæt. Vi evaluerer vores foreslåede algoritme ved hjælp af data fra rigtige teamformationssager. Vi udtog dette datasæt fra My Dream Team Builder [33], et anbefalingssystem til at hjælpe enkeltpersoner med at samle teams selv.

Dette datasæt indeholder eksempler på deltagere, der selv samler deres hold. Sager er fra 2014 til 2020. På dette anbefalingssystem opretter deltagere profiler, søger efter holdkammerater og sender invitationer til at danne hold.

Sagerne består af klasser fra universiteter i USA. Datasættet omfatter deltagernes træk, demografi og sociale netværk, som de rapporterede i en indledende undersøgelse. Vi valgte tre cases til at teste vores algoritme: et bachelorkursus, et kandidatkursus og et MBA-kursus. Deltagerne brugte systemet til at sammensætte teams til små gruppediskussioner.

Tilladelse til at indsamle data fra deltagere blev godkendt af Northwestern UniversityInstitutional Review Board (#STU00078513). Alle gældende institutionelle og statslige regler vedrørende etisk brug af mennesker blev fulgt under denne forskning.

Elektronisk samtykke blev indhentet fra undersøgelsens deltagere via et online-undersøgelsesinstrument. Deltagerne blev bedt om at give samtykke til at bruge data indsamlet gennem My Dream Team Builder til forskningsformål. Vi hasherede brugernes identifikatorer for at oprette et afidentificeret datasæt.

BibSonomy. Det andet datasæt er udtrukket fra BibSonomy [34], et socialt bogmærke- og publikationsdelingssystem. Vi valgte bibsonomi, da tidligere teamdannelse papirtestede deres algoritmer ved hjælp af denne database [58].

Dette datasæt administreres af Knowledgeand Data Engineering Group, University of Kassel. Bibsonomy-datasættet er tilgængeligt under en licensaftale, og det kan rekvireres på https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. Dette datasæt indeholder et stort antal datalogi-relaterede publikationer. Hver udgivelse er skrevet af en gruppe forfattere.

Mange brugere besøger Bibsonomy-webstedet ved hjælp af tags til at kommentere publikationerne. Ved at følge proceduren beskrevet af Anagnostopoulos et al. [58], vi brugte tags forbundet med hver forfatters papirer til at repræsentere deres færdigheder. Hver forfatters færdigheder repræsenterer antallet af publicerede artikler med deres respektive tag. Vi udvalgte tre tidsskrifter relateret til social netværksanalyse for at teste vores algoritme: "Nature", "Science" og "Physica A: Statistical Mechanics and its Applications."

Vi talte hyppigheden af ​​tags i hvert af disse tidsskrifter og udvalgte nogle populære tags relateret til vores undersøgelse. Til de første to tidsskrifter udvalgte vi artikler, der indeholdt taggene 'netværk', 'socialt netværk' og 'lille verden'.

Derefter identificerede vi forfatterne til disse artikler, skabte coauthorship-netværket og udvalgte forfattere fra den største komponent. På samme måde udførte vi denne procedure for den tredje journal ved hjælp af tags 'netværk', 'graf', 'model' og 'system'. Vihastede forfatternes navne for at skabe et afidentificeret datasæt.

GHtorrent. Vi brugte GitHub-data leveret af GHTorrent-projektet [35], et offline-spejl af de data, der tilbydes gennem GitHub API. Dette datasæt kan downloades på https://ghtorrent.org/downloads.html. GHTorrent-datasættet dækker en bred vifte af udviklingsaktiviteter på Github, herunder repositories, pull-anmodninger og brugere. Vi downloadede datasætdumpet "06/01/2019" for at bygge vores testdatasæt.

Vi filtrerede brugere, der bidrog med mellem 40 og 80 projekter, for at fastholde medianbrugere i vores analyse. Efter en tilgang, der ligner BibSonomy-datasættet, brugte vi programmeringssprog, der er knyttet til hver brugers bidragsarkiver til at repræsentere brugernes færdigheder.

Hver brugers færdigheder repræsenterer antallet af bidragede projekter skrevet på et bestemt sprog. Da arkiver kan have filer på flere sprog, valgte vi arkivets mest brugte sprog som arkivets sprog.

Vi valgte tre af de mest populære sprog i dette datasæt: Java, Python og Ruby. Derefter identificerede vi brugerne af disse arkiver og skabte samarbejdsnetværket. I dette eksempel har brugere atie, hvis de har bidraget til det samme lager mindst to gange. Til sidst valgte vi brugere fra den største komponent. Vi hasherede forfatternes navne for at skabe et afidentificeret datasæt.

Evaluering

Vi sammenligner den foreslåede algoritme for teamdannelsesproblemet (betegnet som NSGA-II) med tre velkendte multi-objektive optimeringsmetoder, der bruges til benchmarkformål[62, 72]:

Pareto Local Search (PLS) metode. Denne iterative algoritme starter med et sæt tilfældige løsninger som den indledende population og udforsker hver løsnings naboer [73, 74]. Algoritmen opdaterer befolkningen baseret på Pareto-dominans: den vil tilføje ikke-dominerede naboer til befolkningen og fjerne eksisterende løsninger, der er domineret af de nyligt tilføjede løsninger.

Når området til en løsning er blevet fuldt ud undersøgt, markeres løsningen som udforsket. Algoritmen udforsker iterativt nye løsninger, efterhånden som de føjes til befolkningen, indtil der ikke findes bedre løsninger. Når alle løsninger er udforsket, og der ikke kan findes flere ikke-dominerede løsninger, stopper algoritmen. Vi implementerede versionen foreslået af Zihayat et al. [72] for kombinationsproblemer.

I denne implementering er en løsnings naboer alle mulige teamkombinationer fra løsningen med to medlemmer, der bytter teams. Da PLS ikke er afhængig af et fast antal generationer, kører vi kun éniteration af denne algoritme for at sammenligne dens resultater med de andre metoder.

Givet n individer, og at algoritmen vil udforske n2 naboer til hver løsning, er den beregningsmæssige kompleksitet af denne implementering O(n3) i det bedste tilfælde.

For more information:1950477648nn@gmail.com