В търсене на различни и свързани екипи: Изчислителен подход за сглобяване на различни екипи, базирани на членове, част 3

Брой целеви функции

Третото измерение е броят на целите, оптимизирани от алгоритъма за формиране на екип. Някои примери са минимизиране на разходите за комуникация на екипите, минимизиране на разходите за персонал на екипите и максимизиране на броя на уменията, налични във всеки екип.

Връзката между алгоритмите за формиране на екип и паметта е тясно свързана. Екипът е група от хора, всеки със своите идеи и способности, но по-голяма стойност може да бъде постигната само когато всички работят заедно.

Ядрото на алгоритъма за формиране на екип е как да накарате различните хора да работят заедно по-хармонично. В този процес всеки трябва да използва силните си страни според ролите и задачите си и в същото време трябва да комуникира и координира ефективно с останалите членове на екипа.

Паметта играе важна роля в този процес. В екип е необходимо непрекъснато да се записват задачите и приносите на всеки член, както и напредъкът и проблемите на екипа. Само по този начин може да се формира ефективна комуникация и сътрудничество в екипа, а също така може да помогне на членовете на екипа да разберат по-добре своите отговорности и роли.

Освен това алгоритмите за формиране на екип и паметта също могат да се подсилват взаимно. Алгоритмите за формиране на екип могат да помогнат на хората да разберат по-добре как да работят заедно, а развиването на по-силни спомени в процеса също ще позволи на хората да записват и разбират по-добре различна информация за екипа.

Следователно трябва да признаем важността на алгоритмите за формиране на екип и паметта за екипа. Само чрез непрекъсната комуникация и сътрудничество, както и записване и организиране на информация, екипът може да работи по-ефективно и да упражнява по-голяма стойност. Вижда се, че трябва да подобрим паметта и Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola може също да регулира баланса на невротрансмитерите, като например повишаване на нивата на ацетилхолин и растежни фактори. Тези вещества са много важни за паметта и ученето. В допълнение, месото може също да подобри притока на кръв и да насърчи доставката на кислород, което може да гарантира, че мозъкът получава достатъчно хранителни вещества и енергия, като по този начин подобрява мозъчната жизненост и издръжливост.

Кликнете върху Know, за да подобрите краткосрочната памет

Повечето алгоритми дефинират проблема за формиране на екип с една цел с ограничения [59].

Примерите, споменати преди, следват този дизайн на функция с една цел. Клопка е, че не могат да бъдат взети предвид други полезни цели за състава на екипапо време на процеса на оптимизация едновременно (напр. минимизиране на комуникационните разходи при максимално увеличаване на уменията на екипа).

Предишни проучвания въведоха повече от една целева функция в проблема за формиране на екип. Един пример е Kargar et al. [60], който представя алгоритъма "Минимален принос на разходите" (MCC). Целта му е да търси екипа с най-ниски комуникационни разходи и най-ниски разходи за персонал едновременно.

Целевата функция на MMC е линейна комбинация от двете функции на разходите с параметър λ, който показва компромиса между комуникационните и личните разходи. Този алгоритъм прилага евристичен подход, който добавя нови членове към екипа постепенно и отчита разходите за добавяне на нов член по отношение на текущите разходи на събрания екип.

Въпреки предимствата на тези линейни комбинирани формулировки, този подход представя две ограничения: осигурява само едно решение за един екип и неговата променлива за разход за функциите на разходите трябва да бъде зададена предварително. По този начин намирането на други подходящи решения с помощта на тези методи зависи от коригирането на променливата за компромис, което може да добави отклонение към процеса на търсене [61].

Последните алгоритмични приноси формулират проблема за формиране на екип като многоцелев оптимизационен проблем за оптимизиране на две или повече целеви функции едновременно [62, 63].

Тези проблеми включват компромиси между две или повече цели, тъй като подобряването на решението на една цел е възможно само чрез допускане на друга цел. По този начин задачите за оптимизация с множество цели не предоставят едно решение, а получават множество решения, като се вземат предвид различни акценти на уместност за множеството цели.

Докато при задачите за оптимизация с една цел превъзходството на едно решение над други се определя от целевата функция, при задачите за оптимизация с множество цели то се определя от доминирането. Процесът на оптимизация търси решения, които са по-добри от другите във всички целеви функции.

В резултат на това проблемът предоставя набор от "недоминирани" решения, който се състои от решения, които могат да бъдат подобрени без едновременно увреждане на поне една от другите цели. Оптимизацията с множество цели е известна още като оптимизация на Парето.

Фигура 1 показва пример за фронт на Парето, показващ различни недоминирани решения, вариращи между две цели. Изчисляването на този фронт на Парето позволява на вземащите решения да сравняват и проверяват различни компромиси между двете измерения.

Въз основа на този подход многоцелевите алгоритмични реализации осигуряват набор от екипни решения, които отчитат различни оценки на целевите функции [54, 64]. Реализацията на Zhang и Zhang [64] избира членовете с най-високи способности за задачата и най-добрите междуличностни отношения, за да се събере най-добрият екип. Това проучване използва внедряването на оптимизацията на particlewarm, за да определи дали даден член трябва да бъде част от най-добрия екип.

Решенията се движат в двуизмерно непрекъснато пространство и алгоритъмът прилага асигмоидна функция за бинаризиране на присъствието на членовете. Perez-Toledano и др. [63] разработиха агенетичен алгоритъм за намиране на конкурентни баскетболни отбори, като се има предвид цената и оценката на всеки играч едновременно.

Всяко решение се състои от отбор от набор от налични играчи, а последният му Парето фронт показва различни отбори, които вземат предвид компромиса между оценката на играчите и разходите. Въз основа на тези формулировки, създателите на екипи могат да видят и сравнят други екипи и да изберат каква цел ще дадат приоритет при избора на екип.

Формулиране на проблема

След като прегледахме съответните проблеми с формирането на екипи и съответните им алгоритми, ние се стремим да приложим този конкретен проблем, който максимизира разнообразието на екипите и познаването на екипите едновременно.

Този проблем е подходящ за формулировки за многоцелева оптимизация, тъй като максимизирането на познаването на екипите може да доведе до формиране на групи с членове, които са подобни един на друг [65].

Въпреки че бихме могли да приложим този проблем като проблем за оптимизация с една цел, ще трябва да дадем приоритет на една от тези цели и да избегнем компромиси между решенията. Нещо повече, предишните формулировки на формирането на екипа търсеха или най-добрия отбор сред множество цели, или екипни комбинации, базирани на една цел.
Ние предлагаме многоцелеви оптимизационен проблем, който разпределя всички налични лица в екипи, което води до няколко екипни комбинации, които отчитат различни акценти на уместност за разнообразие и познатост. Тази работа не е случаят с предишни проучвания за формирането на екип и предоставя нов подход към литературата за формиране на екип.

Материали и методи

В този раздел представяме многоцелевия проблем и определенията, които ще използваме в този документ. Нашата нотация също е обобщена в таблица 1. Ние също така описваме изпълнението на NSGA-II на този многоцелеви проблем и неговите компоненти. След това описваме наборите от данни и алгоритмите за сравнение, които използвахме, за да оценим проблема с формирането на екип. И накрая, ние обясняваме количествените показатели за сравняване на резултатите от алгоритмите.

Дефиниции

Членове, атрибути, мрежи и екипи. Разглеждаме набор от участници P={p1,p2, . . ., pn} с набор от категориални атрибути C={c1, c2, . . ., cm} и набор от числови атрибути U={u1, u2, . . ., ул}.

Атрибутите на тези индивиди имат различни мащаби и представляват информация за всеки човек (напр. възраст, пол, раса, умения). В зависимост от наличната индивидуална информация, екипите могат да имат няколко атрибута, описващи техните качества и състав. Всеки човек има стойност във всеки един от тези атрибути. Означаваме ci(pj), за да получим стойността на категоричния атрибут ci за лицето j.

По подобен начин използваме ui(pj), за да получим стойността на числовия атрибут ui за лицето j. Лицето j може да бъде представено като вектор от тези категорични и числови атрибути. Така имаме атрибутите на pj като (c1(pj), . . ., cm (pj), u1 (pj), . . ., ul (pj)).

Хората са свързани в социална мрежа, моделирана като ненасочена и непретеглена графика G. Ние дефинираме G=(P, E), където E представлява ръбовете на графиката. Всеки възел в G представлява човек от P. Ние използваме човек и възел взаимозаменяемо в тази статия. Двама души са свързани помежду си, ако са си сътрудничили в миналото. С други думи, ако индивидите i и j са работили заедно, тогава Gi,j=1. В противен случай Gi,j=0.

Като се има предвид този списък от участници P, свързани в мрежата G, целта е да се намери набор от екипи T={t1, t2, t3, . . ., tq}, където всички членове на P събират q отбора и принадлежат само към един отбор. Двойният проблем за оптимизация може да се формулира като минимизиране на разходите за комуникация между членовете на екипа и максимизиране на нивата на разнообразие на екипите. Сега правим тези понятия и описваме всяка целева функция.

Комуникационни разходи. Лапас и др. [57] се фокусира върху значението на сътрудничеството и познаването между експертите, като отчита цената на тяхното сътрудничество. Според този модел експертите, които са си сътрудничили в миналото, са по-склонни да обменят информация и идеи ефективно, отколкото експертите без предишно сътрудничество.

Въз основа на предишни сътрудничества на експерти, този модел изчислява разходите за комуникация между членовете на екипа, за да оцени тяхното сътрудничество и нива на познаване. Целта за оптимизиране на комуникационните разходи е формирането на екипи с високи нива на познаване. Преглед на литературата показва, че комуникационните разходи са често използван заместител за сътрудничество и познаване сред изследователите [66].

В нашата среда ние използваме разходите за комуникация като заместител на познаването на екипите. Каргар и Ан [31] установиха, че общата сума на разстоянията между членовете на екипа е разумна мярка за комуникационни разходи, тъй като е по-стабилна спрямо промените в мрежата, отколкото други потенциални мерки.

Други алтернативи за разходите за комуникация са диаметърът на социалната мрежа (т.е. най-големият най-кратък път между всеки два възела в мрежата) и минималното обхващащо дърво (т.е. минималната сума от теглата на ръбовете на мрежата) [57].

Ние също реализирахме този проблем, използвайки тези две дефиниции и техните резултати бяха подобни на тези, получени с помощта на сумата от разстояния. Резултатите от внедряването на диаметъра са налични в S1 Fig и S1Table в S1 File, а резултатите от прилагането на минималното spanning tree са налични в S2 Fig и S2 Table в S1 File.

Ние дефинираме комуникационните разходи между два индивида pi и pj, означени като d(pi, pj), като дължина на най-късия път, докато пресичаме ръбовете на графиката G от един възел до друг. Ако Pi и PJ са си сътрудничили в миналото, те са на разстояние с един скок.

Ако Pi и PJ не са си сътрудничили, но имат предишен общ сътрудник, те са разделени от два магазина. Наличието на общи сътрудници в миналото в рамките на екип може да насърчи познаването на базата на „триадично затваряне“ [67].

Този механизъм предполага, че възлите са по-склонни да установят нова връзка, когато имат обща връзка. Три-хоповете и 4-хоповете могат да следват едни и същи принципи въз основа на „механизми за баланс“ [67].

Индивидите ще са склонни да създават нови връзки със сътрудници на своите сътрудници, за да търсят последователност в своята група. Следователно, използването на общата сума от разстояния в нашата целева функция има за цел да търси екипи, които максимизират броя на директните сътрудничества (т.е. един скок), общи връзки (два скока) и близки връзки (три скока или повече) .

Най-ниската стойност на комуникационните разходи е, когато всички членове на екипа са си сътрудничили (т.е. те са директно свързани), а най-високата е, когато членовете на екипа изобщо не са свързани. В тази реализация, ако няма път между pi и pj в G, задаваме разходите за комуникация между тях като диаметър на социалната мрежа.
Ние дефинираме комуникационните разходи на екип t като общата сума от дължините на най-краткия път между членовете, тъй като той е по-стабилен към промени в мрежата, отколкото други потенциални мерки. Означаваме с Cc(t) комуникационните разходи на екип t, който има k членове. По този начин ние определяме комуникационните разходи на екипа като:

Cct ¼ Xki;j2t;i6¼jdðpi; pjÞ ð1Þ

Целта е да се минимизира средната сума на дължините на най-кратките пътища във всички събрани екипи в мрежата на индивидите. Изчисляване на сумата от разходите за комуникация на набор от екипи, работещи за O(n2) време.

Резултат за разнообразие на отбора. Втората цел е да се генерират разнообразни екипи с широк спектър от опит, черти и репертоар от умения. Разнообразието описва разпределението на различията между членовете на единица по отношение на общ атрибут [30].

Харисън и Клайн [30] представиха рамка, която предполага, че разнообразието се концептуализира най-добре по три начина: разделяне, разнообразие и несъответствие. Разделянето се отнася до различията между членовете на екипа в тяхната странична позиция в континуума (напр. стойност, отношение, вяра). Разнообразието се отнася до категорични различия между членовете на екипа, при което броят на представените категории допринася за разнообразието на екипа (напр. пол, кариера, раса).

И накрая, несъответствието представлява разлики в концентрацията на оценени активи или желани ресурси (напр. експертни познания, образователно ниво, владение). Тези показатели позволяват на изследователите да операционализират функционалното и демографското разнообразие паралелно и в съответствие с техните теоретични концептуализации [14].

For more information:1950477648nn@gmail.com