På jagt efter forskellige og forbundne teams: En beregningsmetode til at samle forskellige teams baseret på medlemmer, del 7

Resultaterne viser, at NSGA-II-algoritmen opnåede de største hypervolumenværdier på 6 af 9 datasæt og den næsthøjeste værdi for de tre andre datasæt (tabel 3). Med andre ord fandt NSGA-II ofte flere teamkombinationer med højere diversitetsniveauer og lavere kommunikationsomkostninger end de andre algoritmer.

Hukommelse spiller en afgørende rolle i vores liv. Det afgør, om vi kan udnytte eksisterende viden og erfaring fuldt ud til at løse problemer, og påvirker også vores læring og arbejdsindsats. Eksisterende datasæt har også vist sammenhængen mellem hukommelse og forskellige faktorer, hvilket giver os flere indsigter og muligheder.

For det første viser forskellige undersøgelser, at godt helbred er hjørnestenen i god hukommelse. Korrekt motion og en afbalanceret kost kan forbedre effektiviteten af ​​nervesystemet og beskytte nervevæv. Fysisk velegnede mennesker har bedre kardiovaskulær og mental sundhed, tilstande, der har været forbundet med forbedret hukommelse og kognitiv funktion.

For det andet er der også en tæt sammenhæng mellem følelsesmæssige tilstande og kognitive tilstande. Forskning viser, at overdreven angst og stress kan forstyrre kommunikationen mellem neuroner i hjernen, hvilket fører til problemer som hukommelsestab og koncentrationsbesvær. Hjælper med at fremme hukommelsesforbedring gennem positiv følelsesstyring og regulering.

Derudover vil vores livsmiljø og daglige vaner også have betydning for udvikling og vedligeholdelse af hukommelsen. For eksempel at tage noter, finde en læringsmetode, der passer til dig, brainstorming, moderere sociale aktiviteter og rejse er meget gavnligt for udviklingen af ​​hukommelsen; mens dårlige sovevaner og forskellige underholdningsmetoder vil påvirke nervesystemet alvorligt og skade hukommelsen. Indflydelse.

For at opsummere er hukommelsen en vigtig del af vores effektive liv, som bestemmer vores indlæringsevne, arbejdsevne og livskvalitet. Gennem ordentlig fysisk træning og kost, følelsesmæssig ledelse og dagligdags tilpasninger kan vi i høj grad forbedre vores hukommelse og kognitive evner, hvilket giver os mulighed for at leve mere effektivt og lykkeligt. 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 kosttilskud for at forbedre hukommelsen

NSGA-II's høje hypervolumenværdier kan forklares med dets crowding distance-trin, som hjalp algoritmen med at finde ikke-dominerede løsninger placeret på yderpunkterne af Pareto-fronten.

Da PLS og HPSO noterede sig kriterier for at undgå overflødige løsninger, resulterede deres løsninger i et sæt ikke-dominerede løsninger koncentreret i visse områder. Derfor dominerede sætet af holdkombinationer leveret af NSGA-II ofte dem, der blev leveret af de andre algoritmer.

NSGA-II-implementeringen scorede også de højeste unikke ikke-dominerede frontforhold (UNFR) værdier på 6 ud af 9 datasæt. Med andre ord leverede NSGA-II ofte flere ikke-dominerede holdkombinationer, som de andre algoritmer ikke kunne finde.

En mulig forklaring på NSGA-II andenpladsen i de øvrige tilfælde er den lave tæthed i samarbejdsnetværket. Puljer med få tidligere forbindelser mellem individer vil reducere antallet af mulige stærkt forbundne teamkombinationer, hvilket gør den heuristiske søgning ineffektiv.

I modsætning hertil udførte HPSO og PLS flere crossover- og mutationsoperationer end NSGA-II. Ved at udføre disse operationer flere gange fik HPSO og PLS mulighed for at undersøge flere teamkombinationer og øge deres sandsynlighed for at finde specifikke teamkombinationer med lave kommunikationsscore.

HPSO opnåede de næsthøjeste hypervolumen- og UNFR-værdier. Den nød godt af de ikke-dominerede løsninger i midten af ​​den omtrentlige Pareto-front, som scorede højdiversitetsniveauer.

Disse ikke-dominerende løsninger klarede sig bedre end andre algoritmer og øgede området skabt af dens omtrentlige Pareto Front. SPEA-2 og PLS konvergerede til nogle få løsninger, der dækkede et mindre område end NSGA-II- og HPSO-løsningerne. Samlet set fandt NSGA-II flere ikke-dominerede løsninger på tværs af disse to mål og leverede løsninger med højere varians i kommunikationsomkostningsværdier.

Den store varians i både diversitet og fortrolighed viser, at NSGA-II-algoritmen fandt flere ikke-dominerede løsninger end de andre algoritmer, hvilket er ønskeligt for at finde den sande Pareto-front. Crowding distance-trinnet i NSGA-II gjorde det muligt for algoritmen at beholde et bredere udvalg af ikke-dominerede løsninger. Plus, algoritmen holdt sekundære løsninger ligegyldige lag, der kunne have opstået ikke-dominerede løsninger i senere iterationer.

Da algoritmen fortsætter med at skabe nye generationer, kan dominerede løsninger stadig overvejes for at finde andre potentielle løsninger. Desuden kunne NSGA-II stadig identificere ikke-dominerede løsninger midt i afvejningen.

I modsætning hertil viser den lave varians af de andre algoritmer, at de sandsynligvis ville konvergere på et specifikt sæt af ikke-dominerede løsninger og til en specifik afvejning. Disse algoritmer inkluderede ikke operationer for at diversificere deres nuværende populationer eller fjerne overflødige ikke-dominerede løsninger. Derfor kunne disse algoritmer mangle forskellige løsninger, der ligger i yderpunkterne af Pareto-fronten.

Fig. 4 viser køretiden for alle implementerede algoritmer. Fig. 5 viser, hvordan algoritmernes køretid er en funktion af antallet af tilgængelige individer. Resultaterne viser, at implementeringen af ​​NSGA-II klarer sig bedre end PLS og HPSO, efterhånden som deltagerpuljen stiger.

PLS krævede mere tid til at udforske løsningernes kvarterer, indtil alle mulige kombinationer var udtømt. I tilfælde af HPSO gjorde de to overkrydsninger og et mutationstrin udført for hver opløsning algoritmens operation tre gange længere end NSGA-II, da sidstnævnte kun udfører et overkrydsningstrin. Selvom HPSO tog længere tid end NSGA-II, virkede begge i polynomiel tid (O(n2)).

Vores resultater tyder på, at NSGA-II krævede mindre end en tredjedel af den tid, det tog PLS og HPSO at give lignende resultater. Derfor opmuntres det stærkt at bruge NSGA-II til at finde løsninger effektivt, efterhånden som inputstørrelsen øges. SPEA-2 fandt ikke bedre løsninger end PLS eller NSGA-II, men dens resultater konvergerede hurtigere end NSGA-II- og PLS-metoderne.

Til sidst beregnede vi hyppigheden af ​​direkte kontakter (1-hop), delte kontakter (2-hop),3-hop og mere i de samlede teams for at forstå afstandene mellem teammedlemmer( Se S3-tabel i S1-fil).

Resultaterne tyder på, at langt størstedelen af ​​medlemmerne var forbundet med andre gennem et mellemliggende (�31 %), efterfulgt af medlemmer, der var direkte forbundet (�30 %). Disse tal viser, at de resulterende hold var stærkt forbundet generelt, og medlemmer forbundet gennem mange hop var ikke repræsentative.

Diskussion

At danne teams er en udfordrende opgave, især når målet er at skabe balance mellem mangfoldighed og medlemmernes præferencer for holdkammerater. Mens tidligere arbejde har fokuseret på at lede efter det bedst mulige team [37], er bidraget fra dette papir at søge efter afbalancerede teamkombinationer, der fordeler færdigheder og forbindelser ligeligt. Desuden bliver det at samle teams, der inkluderer både mangfoldighed i deres medlemmers bidrag og tidligere forhold mellem medlemmer, en ultimativ udfordring for at garantere deres succes [78, 79].

I dette arbejde overvejer vi problemet med at skabe teams, der er både forskellige og stærkt forbundne teams ved hjælp af en beregningsmæssig tilgang. Vi implementerede dette teamdannelsesproblem ved hjælp af en genetisk algoritme, der giver forskellige teamkombinationer i henhold til teams mangfoldighed og kommunikationsomkostninger.

Resultaterne indikerer, at forskellige og stærkt forbundne teams kan samles effektivt og hurtigt gennem denne genetiske tilgang. I de følgende underafsnit uddyber vi implikationerne af dette arbejde og de potentielle anvendelser.

Dette arbejde viser fordelene ved at bruge beregningsmæssige tilgange til at samle flere teams, der fordeler medlemmernes færdigheder mellem forskellige grupper og overvejer deres tidligere forhold. Tidligere arbejde lægger hovedsageligt vægt på at finde det bedst mulige team fra en social pool (f.eks. ekspertteam, all-star team) [36, 57, 58].

Men at søge efter flere teams er også relevant i lærings- og organisatoriske situationer, såsom at danne elevteams, danne operationelle teams inden for forretningsenheder eller udføre videnskabelig forskning.

På grund af den stærke vægt på at samle højtydende teams, kan algoritmer, der bringer de bedste medlemmer sammen, skabe større adskillelse inden for disse sociale grupper på bekostning af andre, der er mindre kvalificerede [80]. Koncentrationen af ​​færdigheder og ekspertise i et lille antal teams hindrer fremkomsten af ​​andre teams med lignende muligheder og sociale forbindelser.

Som dette papir demonstrerer, giver den avancerede beregningsmæssige infrastruktur og brugen af ​​big data nye muligheder for at genskabe flere teamkombinationer, som enkeltpersoner ikke systematisk og let kunne udforske [37, 44]. I stedet for at skabe teams ved hjælp af manuelle strategier eller intuition, kan teambuildere bruge algoritmer til at skræddersy forskellige teamkombinationer, der optimerer diversitet og fortrolighed samtidigt.

Implementeringer som den, der er præsenteret i dette papir, giver således teambuildere mulighed for at skabe heterogene og forskelligartede teams uden at ofre kendskab blandt teammedlemmer, hvilket er afgørende for succesfulde samarbejder [81].

For more information:1950477648nn@gmail.com