U potrazi za raznolikim i povezanim timovima: računski pristup za sastavljanje različitih timova na osnovu članova 7. dio

Rezultati pokazuju da je NSGA-II algoritam postigao najveće vrijednosti hipervoluma na 6 od 9 skupova podataka i drugu najveću vrijednost za ostala tri skupa podataka (Tablica 3). Drugim riječima, NSGA-II je često pronalazio više timskih kombinacija sa višim nivoima raznolikosti i nižim troškovima komunikacije od ostalih algoritama.

Pamćenje igra vitalnu ulogu u našim životima. Određuje možemo li u potpunosti iskoristiti postojeće znanje i iskustvo za rješavanje problema, a također utiče na naše učenje i radni učinak. Postojeći skupovi podataka su također pokazali odnos između pamćenja i različitih faktora, što nam pruža više uvida i mogućnosti.

Prvo, različite studije pokazuju da je dobro zdravlje kamen temeljac dobrog pamćenja. Pravilno vježbanje i uravnotežena ishrana mogu poboljšati efikasnost nervnog sistema i zaštititi nervno tkivo. Fizički sposobni ljudi imaju bolje kardiovaskularno i mentalno zdravlje, stanja koja su povezana s poboljšanim pamćenjem i kognitivnim funkcijama.

Drugo, postoji i bliska veza između emocionalnih stanja i kognitivnih stanja. Istraživanja pokazuju da pretjerana anksioznost i stres mogu poremetiti komunikaciju između neurona u mozgu, što dovodi do problema kao što su gubitak pamćenja i poteškoće s koncentracijom. Pomaže u poboljšanju pamćenja kroz upravljanje pozitivnim emocijama i regulaciju.

Osim toga, naše životno okruženje i svakodnevne navike također će utjecati na razvoj i održavanje pamćenja. Na primjer, vođenje bilješki, pronalaženje metode učenja koja vam odgovara, razmišljanje, moderiranje društvenih aktivnosti i putovanja od velike su koristi za razvoj pamćenja; dok će loše navike spavanja i razne metode zabave ozbiljno uticati na nervni sistem i naštetiti pamćenju. Uticaj.

Ukratko, pamćenje je važan dio našeg efikasnog života, koji određuje našu sposobnost učenja, radnu sposobnost i kvalitetu života. Pravilnim fizičkim vježbama i ishranom, emocionalnim upravljanjem i svakodnevnim životnim prilagodbama, možemo uvelike poboljšati svoje pamćenje i kognitivne sposobnosti, omogućavajući nam da živimo efikasnije i sretnije. Vidi se da moramo poboljšati pamćenje, a cistanche deserticola može značajno poboljšati pamćenje jer je cistanche deserticola tradicionalni kineski ljekoviti materijal koji ima mnogo jedinstvenih učinaka, od kojih je jedno poboljšanje pamćenja. Djelotvornost mljevenog mesa proizlazi iz različitih aktivnih sastojaka koje sadrži, uključujući kiselinu, polisaharide, flavonoide, itd. Ovi sastojci mogu promovirati zdravlje mozga na različite načine.

Kliknite znati suplemente za poboljšanje pamćenja

Visoke hipervolumne vrijednosti NSGA-II mogu se objasniti njegovim korakom udaljenosti od gužve, koji je pomogao algoritmu da pronađe nedominirana rješenja smještena na ekstremnim dijelovima Pareto fronta.

Budući da PLS i HPSO nisu utvrdili bilo kakve kriterije za izbjegavanje redundantnih rješenja, njihova rješenja su rezultirala skupom nedominiranih rješenja koncentrisanih u određenim područjima. Stoga je skup timskih kombinacija koje je dao NSGA-II često dominirao nad onima koje pružaju drugi algoritmi.

Implementacija NSGA-II također je postigla najveće jedinstvene vrijednosti omjera prednje strane bez dominacije (UNFR) na 6 od 9 skupova podataka. Drugim riječima, NSGA-II je često pružao više nedominiranih timskih kombinacija koje drugi algoritmi nisu mogli pronaći.

Moguće objašnjenje za drugo mjesto NSGA-II u drugim slučajevima je niska gustoća u mreži saradnje. Skupovi s nekoliko prethodnih veza među pojedincima će smanjiti broj mogućih visoko povezanih timskih kombinacija, čineći heurističko pretraživanje neučinkovitim.

Nasuprot tome, HPSO i PLS su izveli više operacija ukrštanja i mutacije nego NSGA-II. Izvođenje ovih operacija više puta omogućilo je HPSO-u i PLS-u da ispitaju više timskih kombinacija i povećaju njihovu vjerovatnoću pronalaženja specifičnih timskih kombinacija s niskim komunikacijskim rezultatima.

HPSO je postigao drugi najveći hipervolumen i UNFR vrijednosti. Imao je koristi od tada nedominiranih rješenja u sredini približnog Pareto fronta, koji je postigao visok nivo raznolikosti.

Ova nedominantna rješenja nadmašila su druge algoritme i povećala područje koje je stvorio njegov približni Pareto Front. SPEA-2 i PLS su konvergirali na nekoliko rješenja, pokrivajući manje područje od NSGA-II i HPSO rješenja. Sve u svemu, NSGA-II je pronašao više nedominiranih rješenja za ova dva cilja i pružio rješenja s većom varijansom u vrijednostima troškova komunikacije.

Velika varijacija u raznolikosti i poznatosti pokazuje da je NSGA-II algoritam pronašao više nedominiranih rješenja od ostalih algoritama, što je poželjno za pronalaženje pravog Pareto fronta. Korak udaljenosti od gužve NSGA-II omogućio je algoritmu da zadrži širi spektar rješenja kojima ne dominira. Osim toga, algoritam je zadržao sekundarna rješenja indiferentnim slojevima koji su mogli proizvesti nedominirana rješenja u kasnijim iteracijama.

Kako algoritam nastavlja stvarati nove generacije, dominantna rješenja se i dalje mogu razmatrati kako bi se pronašla druga potencijalna rješenja. Štaviše, NSGA-II bi još uvijek mogao identificirati rješenja u kojima ne dominira usred kompromisa.

Nasuprot tome, niska varijansa drugih algoritama pokazuje da su oni vjerovatno konvergirali na određenom skupu rješenja u kojima ne dominira i do specifičnog kompromisa. Ovi algoritmi nisu uključivali operacije za diverzifikaciju njihove trenutne populacije ili uklanjanje suvišnih rješenja kojima ne dominira. Stoga, ovim algoritmima mogu nedostajati različita rješenja koja se nalaze u krajnostima Pareto fronta.

Slika 4 prikazuje vrijeme rada svih implementiranih algoritama. Slika 5 pokazuje kako je vrijeme rada algoritama funkcija broja dostupnih pojedinaca. Rezultati pokazuju da implementacija NSGA-II radi bolje od PLS i HPSO kako se broj učesnika povećava.

PLS-u je bilo potrebno više vremena da istraži susjedstvo rješenja dok se ne iscrpe sve moguće kombinacije. U slučaju HPSO, dva ukrštanja i jedan korak mutacije izvedeni za svako rješenje učinili su operaciju algoritma tri puta dužom od NSGA-II budući da potonji izvodi samo jedan korak ukrštanja. Iako je HPSO trajao duže od NSGA-II, oba su radila u polinomskom vremenu (O(n2)).

Naši rezultati sugeriraju da je NSGA-II zahtijevao manje od jedne trećine vremena koje su PLS i HPSO trebali da daju slične rezultate. Stoga je korištenje NSGA-II veoma ohrabreno za efikasno pronalaženje rješenja kako se veličina ulaza povećava. SPEA-2 nije pronašao bolja rješenja od PLS ili NSGA-II, ali su njegovi rezultati konvergirali brže od NSGA-II i PLS metoda.

Na kraju, izračunali smo učestalost direktnih kontakata (1-hop), zajedničkih kontakata (2-poskokova),3-poskoka i još mnogo toga u okupljenim timovima kako bismo razumjeli udaljenosti među članovima tima ( Pogledajte tabelu S3 u S1 datoteci).

Rezultati sugeriraju da je velika većina članova bila povezana s drugima preko jednog posrednika (�31%), a slijede članovi koji su bili direktno povezani (�30%). Ovi brojevi pokazuju da su rezultatski timovi generalno bili jako povezani, a članovi povezani kroz mnogo skokova nisu bili reprezentativni.

Diskusija

Formiranje timova je izazovan zadatak, posebno kada je cilj uspostaviti ravnotežu između različitosti i preferencija članova tima. Dok je prethodni rad bio fokusiran na traženje najboljeg mogućeg tima [37], doprinos ovog rada je traženje uravnoteženih timskih kombinacija koje ravnomjerno raspodjeljuju vještine i veze. Štaviše, okupljanje timova koji uključuju i različitost u doprinosima svojih članova i prethodnim odnosima među članovima postaje krajnji izazov koji garantuje njihov uspeh [78, 79].

U ovom radu razmatramo problem stvaranja timova koji su i raznoliki i visoko povezani timovi koristeći računarski pristup. Ovaj problem formiranja tima implementirali smo korištenjem genetskog algoritma koji pruža različite kombinacije timova u skladu s različitošću timova i troškovima komunikacije.

Rezultati pokazuju da se raznoliki i visoko povezani timovi mogu sastaviti efikasno i brzo kroz ovaj genetski pristup. U narednim pododjeljcima elaboriramo implikacije ovog rada i potencijalne primjene.

Ovaj rad pokazuje prednosti korištenja računarskih pristupa za okupljanje više timova koji distribuiraju vještine članova među različitim grupama i uzimaju u obzir njihove prethodne odnose. Prethodni rad uglavnom naglašava pronalaženje najboljeg mogućeg tima iz društvenog skupa (npr. stručni tim, all-star tim) [36, 57, 58].

Međutim, traženje više timova je također relevantno u situacijama učenja i organizacije, kao što je formiranje studentskih timova, formiranje operativnih timova unutar poslovnih jedinica ili provođenje naučnog istraživanja.

Zbog snažnog naglaska na okupljanju timova visokih performansi, algoritmi koji okupljaju najbolje članove mogu stvoriti veću segregaciju unutar ovih društvenih grupa na račun drugih koji su manje vješti [80]. Koncentracija vještina i stručnosti u malom broju timova sprječava nastanak drugih timova koji imaju slične mogućnosti i društvene veze.

Kao što ovaj rad demonstrira, napredna računarska infrastruktura i upotreba velikih podataka pružaju nove mogućnosti za ponovno zamišljanje nekoliko timskih kombinacija koje pojedinci ne bi mogli sistematski i lako istražiti [37, 44]. Umjesto da stvaraju timove koristeći ručne strategije ili intuiciju, graditelji timova mogu koristiti algoritme za prilagođavanje različitih timskih kombinacija koje istovremeno optimiziraju raznolikost i poznatost.

Dakle, implementacije poput one predstavljene u ovom radu omogućavaju graditeljima timova da stvore heterogene i raznolike timove bez žrtvovanja poznavanja među članovima tima, što je bitno za uspješnu suradnju [81].

For more information:1950477648nn@gmail.com