V iskanju raznolikih in povezanih ekip: računalniški pristop za sestavljanje raznolikih ekip na podlagi članov 7. del

Rezultati kažejo, da je algoritem NSGA-II dosegel največje vrednosti hipervolumenov na 6 od 9 naborov podatkov in drugo najvišjo vrednost za ostale tri nabore podatkov (tabela 3). Z drugimi besedami, NSGA-II je pogosto našel več kombinacij ekip z višjo stopnjo raznolikosti in nižjimi komunikacijskimi stroški kot drugi algoritmi.

Spomin igra ključno vlogo v našem življenju. Določa, ali lahko v celoti izkoristimo obstoječe znanje in izkušnje za reševanje problemov, vpliva pa tudi na našo učno in delovno uspešnost. Obstoječi nizi podatkov so pokazali tudi razmerje med spominom in različnimi dejavniki, kar nam daje več vpogledov in možnosti.

Prvič, različne študije kažejo, da je dobro zdravje temelj dobrega spomina. Pravilna vadba in uravnotežena prehrana lahko izboljšata učinkovitost živčnega sistema in zaščitita živčno tkivo. Telesno sposobni ljudje imajo boljše kardiovaskularno in duševno zdravje, stanja, ki so povezana z izboljšanim spominom in kognitivnimi funkcijami.

Drugič, obstaja tudi tesna povezava med čustvenimi in kognitivnimi stanji. Raziskave kažejo, da pretirana tesnoba in stres lahko motita komunikacijo med nevroni v možganih, kar vodi do težav, kot sta izguba spomina in težave s koncentracijo. Pomaga spodbujati izboljšanje spomina z upravljanjem in regulacijo pozitivnih čustev.

Poleg tega bo na razvoj in ohranjanje spomina vplivalo tudi naše bivalno okolje in vsakodnevne navade. Na primer, pisanje zapiskov, iskanje učne metode, ki vam ustreza, viharjenje možganov, moderiranje družabnih dejavnosti in potovanje so zelo koristni za razvoj spomina; medtem ko bodo slabe spalne navade in različne metode zabave resno prizadele živčni sistem in poškodovale spomin. Vpliv.

Če povzamemo, spomin je pomemben del našega učinkovitega življenja, ki določa našo sposobnost učenja, delovne sposobnosti in kakovost življenja. S pravilno telesno vadbo in prehrano, obvladovanjem čustev in prilagajanjem vsakdanjega življenja lahko močno izboljšamo svoj spomin in kognitivne sposobnosti, kar nam omogoča učinkovitejše in srečnejše življenje. Vidimo, da moramo izboljšati spomin, in Cistanche deserticola lahko bistveno izboljša spomin, saj je Cistanche deserticola tradicionalno kitajsko zdravilno sredstvo, ki ima številne edinstvene učinke, eden od njih je izboljšanje spomina. Učinkovitost mletega mesa izhaja iz različnih učinkovin, ki jih vsebuje, vključno s kislino, polisaharidi, flavonoidi itd. Te sestavine lahko na različne načine spodbujajo zdravje možganov.

Kliknite poznajte dodatke za izboljšanje spomina

Visoke hipervolumenske vrednosti NSGA-II je mogoče pojasniti z njegovim korakom razdalje gneče, ki je algoritmu pomagal najti nedominirane rešitve, ki se nahajajo na skrajnih točkah Paretovega fronta.

Ker PLS in HPSO nista določila nobenih meril za izogibanje redundantnim rešitvam, sta njuni rešitvi privedli do niza nedominiranih rešitev, skoncentriranih na določenih območjih. Zato je niz kombinacij ekip, ki jih zagotavlja NSGA-II, pogosto prevladoval nad tistimi, ki jih zagotavljajo drugi algoritmi.

Izvedba NSGA-II je prav tako dosegla najvišje edinstvene vrednosti razmerja neprevladujoče sprednje strani (UNFR) na 6 od 9 naborov podatkov. Z drugimi besedami, NSGA-II je pogosto zagotavljal več nedominiranih ekipnih kombinacij, ki jih drugi algoritmi niso mogli najti.

Možna razlaga za drugo mesto NSGA-II v drugih primerih je nizka gostota v omrežju za sodelovanje. Bazeni z malo predhodnimi povezavami med posamezniki bodo zmanjšali število možnih zelo povezanih skupinskih kombinacij, zaradi česar bo hevristično iskanje neučinkovito.

V nasprotju s tem sta HPSO in PLS izvedla več operacij križanj in mutacij kot NSGA-II. Večkratna izvedba teh operacij je HPSO in PLS omogočila, da pregledata več kombinacij ekip in povečata verjetnost, da najdeta posebne kombinacije ekip z nizkimi komunikacijskimi rezultati.

HPSO je dosegel drugo najvišjo vrednost hipervolumen in UNFR. Imel je koristi od takrat ne prevladujočih rešitev na sredini približne Paretove fronte, ki je dosegla visoko stopnjo raznolikosti.

Te nedominantne rešitve so presegle druge algoritme in povečale območje, ki ga je ustvarila njegova približna Paretova fronta. SPEA-2 in PLS sta se združila v nekaj rešitev, ki pokrivajo manjše območje kot rešitve NSGA-II in HPSO. Na splošno je NSGA-II našel več nedominiranih rešitev pri teh dveh ciljih in zagotovil rešitve z večjo varianco vrednosti komunikacijskih stroškov.

Velika razlika v raznolikosti in poznavanju kaže, da je algoritem NSGA-II našel več nedominantnih rešitev kot drugi algoritmi, kar je zaželeno za iskanje prave Paretove fronte. Korak zmanjševanja razdalje NSGA-II je algoritmu omogočil, da je obdržal širši obseg nedominiranih rešitev. Poleg tega je algoritem ohranil sekundarne rešitve brezbrižne plasti, ki bi lahko v kasnejših iteracijah ustvarile nedominirane rešitve.

Ker algoritem še naprej ustvarja nove generacije, se prevladujoče rešitve še vedno lahko upoštevajo pri iskanju drugih potencialnih rešitev. Poleg tega bi lahko NSGA-II sredi kompromisa še vedno prepoznal nedominirane rešitve.

Nasprotno pa nizka varianca drugih algoritmov kaže, da se bodo verjetno približali določenemu naboru nedominiranih rešitev in k specifičnemu kompromisu. Ti algoritmi niso vključevali operacij za diverzifikacijo njihove trenutne populacije ali odstranjevanje odvečnih nedominantnih rešitev. Zato lahko ti algoritmi nimajo različnih rešitev, ki se nahajajo v skrajnih delih Paretovega fronta.

Slika 4 prikazuje čas izvajanja vseh implementiranih algoritmov. Slika 5 prikazuje, kako je čas delovanja algoritmov funkcija števila razpoložljivih posameznikov. Rezultati kažejo, da je izvedba NSGA-II boljša od PLS in HPSO, ko se skupina udeležencev poveča.

PLS je potreboval več časa za raziskovanje okolice rešitev, dokler niso bile izčrpane vse možne kombinacije. V primeru HPSO sta dva križanja in en korak mutacije, izvedena za vsako rešitev, naredili delovanje algoritma trikrat daljše kot NSGA-II, saj slednji izvede le en korak križanja. Čeprav je HPSO trajal dlje kot NSGA-II, sta oba delovala v polinomskem času (O(n2)).

Naši rezultati kažejo, da je NSGA-II zahteval manj kot eno tretjino časa, ki sta ga potrebovala PLS in HPSO, da sta zagotovila podobne rezultate. Zato je uporaba NSGA-II zelo priporočljiva za učinkovito iskanje rešitev, ko se velikost vnosa poveča. SPEA-2 ni našel boljših rešitev kot PLS ali NSGA-II, vendar so se njegovi rezultati zbližali hitreje kot metodi NSGA-II in PLS.

Nazadnje smo izračunali pogostost neposrednih stikov (1-skok), skupnih stikov (2-skok),3-skokov in več v sestavljenih ekipah, da bi razumeli razdalje med člani ekipe( Glejte tabelo S3 v datoteki S1).

Rezultati kažejo, da je bila velika večina članov povezana z drugimi preko enega posrednika (�31 %), sledijo pa člani, ki so bili neposredno povezani (�30 %). Te številke kažejo, da so bile nastale ekipe na splošno zelo povezane, člani, povezani s številnimi skoki, pa niso bili reprezentativni.

Diskusija

Oblikovanje ekip je zahtevna naloga, še posebej, če je cilj doseči ravnotežje med raznolikostjo in preferencami članov v ekipi. Medtem ko je bilo prejšnje delo osredotočeno na iskanje najboljše možne ekipe [37], je prispevek tega dokumenta iskanje uravnoteženih kombinacij ekip, ki pravično porazdelijo veščine in povezave. Še več, sestavljanje ekip, ki vključujejo raznolikost prispevkov svojih članov in predhodne odnose med člani, postane končni izziv za zagotavljanje njihovega uspeha [78, 79].

V tem delu obravnavamo problem ustvarjanja ekip, ki so hkrati raznolike in zelo povezane ekipe z uporabo računalniškega pristopa. Ta problem oblikovanja ekipe smo implementirali z uporabo genetskega algoritma, ki zagotavlja različne kombinacije ekip glede na raznolikost ekip in stroške komunikacije.

Rezultati kažejo, da je mogoče s tem genetskim pristopom učinkovito in hitro sestaviti raznolike in zelo povezane ekipe. V naslednjih pododdelkih podrobneje opisujemo posledice tega dela in možne aplikacije.

To delo prikazuje prednosti uporabe računalniških pristopov za sestavljanje več ekip, ki porazdelijo sposobnosti članov med različne skupine in upoštevajo njihove prejšnje odnose. Predhodno delo v glavnem poudarja iskanje najboljše možne ekipe iz družbenega bazena (npr. ekipa strokovnjakov, ekipa vseh zvezd) [36, 57, 58].

Vendar pa je iskanje več timov pomembno tudi v učnih in organizacijskih situacijah, kot je oblikovanje študentskih timov, oblikovanje operativnih timov znotraj poslovnih enot ali izvajanje znanstvenih raziskav.

Zaradi velikega poudarka na sestavljanju visoko zmogljivih ekip lahko algoritmi, ki združujejo najboljše člane, ustvarijo večjo segregacijo znotraj teh družbenih skupin na račun drugih, ki so manj usposobljeni [80]. Koncentracija spretnosti in strokovnega znanja v majhnem številu timov ovira nastanek drugih timov s podobnimi priložnostmi in socialnimi povezavami.

Kot je prikazano v tem dokumentu, napredna računalniška infrastruktura in uporaba velikih podatkov ponujata nove priložnosti za ponovno zamisel več kombinacij ekip, ki jih posamezniki ne bi mogli sistematično in preprosto raziskovati [37, 44]. Namesto da ustvarjajo ekipe z uporabo ročnih strategij ali intuicije, lahko oblikovalci ekip uporabljajo algoritme za prilagajanje različnih kombinacij ekip, ki hkrati optimizirajo raznolikost in domačnost.

Tako implementacije, kot je predstavljena v tem dokumentu, omogočajo graditeljem timov, da ustvarijo heterogene in raznolike time, ne da bi pri tem žrtvovali domačnost med člani tima, kar je bistveno za uspešno sodelovanje [81].

For more information:1950477648nn@gmail.com