В търсене на различни и свързани екипи: Изчислителен подход за сглобяване на различни екипи, базирани на членове, част 5

Бърза стъпка на сортиране без доминиране. След това алгоритъмът трябва да избере най-добрите r хромозоми от този съюз с размер 2r. За да намери този набор, алгоритъмът извършва недоминирано сортиране между всички съществуващи хромозоми от P.

Сортирането по доминиране е често срещана техника за памет, която ни помага да помним и разбираме нещата по-добре. Той основно установява логически връзки между знанията чрез класифициране, сортиране и обобщаване на свързана информация, което ни улеснява да разберем и запомним това знание.

Стъпките на доминиращото сортиране включват главно класификация, сортиране, индукция и обобщение. В етапа на класифициране трябва да класифицираме съответната информация и да я разделим на различни категории; в етапа на сортиране трябва да определим нивото и важността на всяка категория, така че да може да бъде подредена в определен ред; в етапа на въвеждане, ние Връзките между различните категории трябва да бъдат интегрирани и извлечени, за да разберем и запомним по-добре това знание; в етапа на обобщение трябва да прегледаме и обмислим целия процес на сортиране на доминиране, за да открием и коригираме нашите недостатъци.

Сортирането по доминантност е тясно свързано с паметта. Може да ни помогне по-добре да организираме и сортираме знанията, като по този начин подобряваме ефективността на паметта. Чрез доминиране и сортиране можем систематично да интегрираме и подреждаме различна информация и да установяваме йерархии и асоциации на знания, като по този начин формираме мрежа от памет, правейки нашите спомени по-силни и по-дълбоки. В същото време сортирането по доминантност също може да ни помогне да изследваме по-добре стойността и приложението на знанието, като по този начин подобрява нашето мислене и способности за решаване на проблеми.

Накратко, сортирането по доминиране е много практична техника за памет, която може да ни помогне да разберем и запомним по-добре различни знания. Чрез непрекъсната практика и прилагане можем да станем по-опитни в овладяването на това умение, като по този начин поставим солидна основа за нашето обучение и развитие. Вижда се, че трябва да подобрим паметта и Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola е традиционен китайски лекарствен материал, който има много уникални ефекти, един от които е да подобрява паметта. Ефикасността на мляното месо идва от различните активни съставки, които съдържа, включително киселина, полизахариди, флавоноиди и др. Тези съставки могат да насърчат здравето на мозъка по различни начини.

Щракнете върху Научете как да подобрите краткосрочната памет

Целта е да се идентифицират решения, които се представят по-добре от други, и да се класифицират според тяхното представяне в различни фронтове на Парето F. Алгоритъмът първо проверява отношенията на доминиране сред всички хромозоми. Като се имат предвид две хромозоми, T и T{{0}}, T доминира T0 тогава и само ако Cc(T)�Cc(T0) и V(T)�V( T0) с поне едно строго неравенство.

С други думи, T е поне толкова добър, колкото T{{0}} за всички цели и строго по-добър за поне една. Това отношение на доминиране се означава като T � T0. Ако една от целите на T не е по-добра от T0 и не може да бъде подобрена по стойност, без да се влошат някои от другите целеви стойности, тогава T не е доминиран от T0

Един пример за недоминирано решение е T с по-високи резултати за разнообразие, но по-високи комуникационни разходи от T0. В този случай на недоминиране или T, и T0 са възможни решения за следващото поколение.

След като алгоритъмът картографира всички връзки на доминиране на хромозомите, той създава първи Парето фронт от решения, състоящ се от всички недоминирани решения (F1). Този набор също е деноминиран като оптимален по Парето.

След това алгоритъмът създава втори фронт от оптимални решения по Парето (F2), които са пренебрегнати в първия фронт и т.н. В резултат на това алгоритмите сортират хромозомите на популацията в йерархия от подпопулации. Сортирането продължава да намира последователни фронтове на Парето, докато всички хромозоми не бъдат присвоени на фронт на Парето.

Ново население. След това алгоритъмът избира най-добрите r хромозоми за следващото поколение. В даден момент има 2r хромозоми, сортирани в йерархичния фронт на Парето F. Алгоритъмът създава новата популация P0, добавяйки хромозомите, съхранени в фронтовете на Парето.

Ако общият размер на първия фронт на Парето е по-малък от r, тогава алгоритъмът добавя всички хромозоми от този фронт към P{{0}}. След това алгоритъмът добавя останалите решения за новата популация от следващите недоминирани фронтове. Алгоритъмът продължава тази процедура, докато не може да добави повече фронтове към P0.

Дистанция на тълпата. Алгоритъмът трябва да добавя хромозоми към новата популация, докато има точно r хромозоми. Ако последният избран недоминиран преден Парето Fk има повече хромозоми от разрешените за добавяне към P0, алгоритъмът трябва да избере по-малък набор от Fk, за да завърши r хромозомите.

Нека d ¼ r SizeðPÞ, броят на липсващите хромозоми за попълване на r. Алгоритъмът идентифицира най-добрите δ хромозоми от този последен преден Fk чрез изчисляване на разстоянието на струпване между хромозомите.

Този показател определя доколко сходни са хромозомите по отношение на представянето в многоцелевия проблем. След като изчисли това разстояние, алгоритъмът класира хромозомите според техните разстояния и елиминира хромозоми, които работят подобно на други хромозоми. Тази процедура запазва чуждестранните предни решения и премахва излишните хромозоми.

След това δ най-добрите хромозоми от Fk се добавят към P{{0}}. В резултат на това P0 се брои с най-добрите r хромозоми и става родител на следващото поколение, започвайки нова итерация.

Данни

В този раздел ние оценяваме предложения алгоритъм за нашия проблем с формирането на екип, като използваме три набора от данни от реалния свят. Източниците на данни са MyDreamTeam (платформа за формиране на екип), Bibsonomy (сайт за социални отметки) и GHTorrent (база данни от хранилища на GitHub).

Използването на тези набори от данни за симулиране на екипи за този проблем с формирането на екипи илюстрира ефективността на нашата рамка в реални сценарии. Ние показваме обобщена статистика от тези набори от данни в таблица 2. Получените данни и скриптовете за предварителна обработка на необработените данни са достъпни наhttp://nusoniclab.github.io/.

Набор от данни MyDreamTeam. Ние оценяваме предложения от нас алгоритъм, като използваме данни от реални случаи на формиране на екип. Извлякохме този набор от данни от My Dream Team Builder [33], препоръчителна система, която да помогне на хората да сглобяват екипи сами.

Този набор от данни съдържа случаи на участници, които сами сглобяват своите екипи. Случаите датират от 2014 до 2020 г. В тази система за препоръчване участниците създават профили, търсят съотборници и изпращат покани за формиране на екипи.

Случаите се състоят от класове от университети в Съединените щати. Наборът от данни включва черти на участниците, демографски данни и социални мрежи, които те са докладвали в първоначално проучване. Избрахме три случая, за да тестваме нашия алгоритъм: бакалавърски курс, магистърски курс и MBA курс. Участниците използваха системата, за да съберат екипи за дискусии в малки групи.

Разрешението за събиране на данни от участниците беше одобрено от Институционалния съвет за преглед на Северозападния университет (#STU00078513). По време на това изследване бяха спазени всички приложими институционални и правителствени разпоредби относно етичната употреба на хора.

Електронното съгласие беше получено от участниците в проучването чрез инструмент за онлайн проучване. Участниците бяха помолени да се съгласят да използват данни, събрани чрез My Dream Team Builder, за изследователски цели. Хеширахме идентификаторите на потребителите, за да създадем деидентифициран набор от данни.

BibSonomy. Вторият набор от данни е извлечен от BibSonomy [34], система за социални отметки и споделяне на публикации. Избрахме бибсономия, тъй като предишни документи за формиране на екип тестваха техните алгоритми, използвайки тази база данни [58].

Този набор от данни се администрира от Knowledgeand Data Engineering Group, University of Kassel. Наборът от данни за бибсономия е достъпен съгласно лицензионно споразумение и може да бъде поискан на адрес https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. Този набор от данни съдържа голям брой публикации, свързани с компютърни науки. Всяка публикация е написана от група автори.

Много потребители посещават уебсайта на Bibsonomy, използвайки тагове, за да коментират публикациите. Следвайки процедурата, описана от Anagnostopoulos et al. [58] използвахме таговете, свързани с документите на всеки автор, за да представим техните умения. Умението на всеки автор представлява броя на статиите, публикувани със съответния етикет. Избрахме три списания, свързани с анализа на социалните мрежи, за да тестваме нашия алгоритъм: „Nature“, „Science“ и „Physica A: Statistical Mechanics and its Applications“.

Преброихме честотата на таговете във всяко от тези списания и избрахме някои популярни тагове, свързани с нашето изследване. За първите две списания избрахме статии, които включват етикетите „мрежа“, „социална мрежа“ и „малък свят“.

След това идентифицирахме авторите на тези статии, създадохме мрежата за съавторство и избрахме автори от най-големия компонент. По подобен начин направихме тази процедура за третия журнал, използвайки таговете „мрежа“, „графика“, „модел“ и „система“. Изчистихме имената на авторите, за да създадем деидентифициран набор от данни.

GHTorrent. Използвахме данни от GitHub, предоставени от проекта GHTorrent [35], офлайн огледало на данните, предлагани чрез API на GitHub. Този набор от данни може да бъде изтеглен от https://ghtorrent.org/downloads.html. Наборът от данни на GHTorrent обхваща широк спектър от дейности за разработка на Github, включително хранилища, заявки за изтегляне и потребители. Изтеглихме дъмпа на набора от данни „06/01/2019“, за да изградим нашия набор от данни за тестване.

Ние филтрирахме потребители, които са допринесли между 40 и 80 проекта, за да запазим средните потребители в нашия анализ. Следвайки подход, подобен на набора от данни на BibSonomy, използвахме езици за програмиране, свързани с хранилищата на всеки потребител, за да представим уменията на потребителите.

Умението на всеки потребител представлява броя на предоставените проекти, написани на определен език. Тъй като хранилищата могат да имат файлове на множество езици, ние избрахме най-използвания език на хранилището като език на хранилището.

Избрахме три от най-популярните езици в този набор от данни: Java, Python и Ruby. След това идентифицирахме потребителите на тези хранилища и създадохме мрежата за сътрудничество. В този пример потребителите имат atie, ако са допринесли за едно и също хранилище поне два пъти. Накрая избрахме потребители от най-големия компонент. Хеширахме имената на авторите, за да създадем деидентифициран набор от данни.

Оценка

Ние сравняваме предложения алгоритъм за проблема с формирането на екип (обозначен като NSGA-II) с три добре известни многоцелеви метода за оптимизация, използвани за целите на бенчмарк [62, 72]:

Метод за локално търсене по Парето (PLS). Този итеративен алгоритъм започва с набор от произволни решения като първоначална популация и изследва съседите на всяко решение [73, 74]. Алгоритъмът актуализира популацията въз основа на доминирането на Парето: той ще добави недоминирани съседи към популацията и ще премахне съществуващите решения, които са доминирани от новодобавените решения.

След като околността на дадено решение е напълно проучена, решението се маркира като проучено. Алгоритъмът итеративно изследва нови решения, докато се добавят към популацията, докато не бъдат намерени по-добри решения. След като всички решения са проучени и не могат да бъдат открити повече недоминирани решения, алгоритъмът спира. Ние внедрихме версията, предложена от Zihayat et al. [72] за комбинирани задачи.

В тази реализация съседите на решението са всички възможни екипни комбинации от решението с двама членове, които разменят екипи. Тъй като PLS не зависи от фиксиран брой поколения, ние изпълняваме само една итерация на този алгоритъм, за да сравним резултатите му с другите методи.

Като се имат предвид n индивида и че алгоритъмът ще изследва n2 �съседи на всяко решение, изчислителната сложност на това изпълнение е O(n3) в най-добрия случай.

For more information:1950477648nn@gmail.com