U potrazi za raznolikim i povezanim timovima: računski pristup za sastavljanje različitih timova na osnovu članova 5. dio

Brzi korak sortiranja bez dominacije. Zatim, algoritam mora odabrati najbolje r hromozome iz ove unije veličine 2r. Da bi pronašao ovaj skup, algoritam izvodi nedominirano sortiranje između svih postojećih hromozoma iz P.

Razvrstavanje dominantnosti je uobičajena tehnika pamćenja koja nam pomaže da bolje zapamtimo i razumijemo stvari. Uglavnom uspostavlja logičke odnose između znanja tako što klasifikuje, sortira i sažima povezane informacije, što nam olakšava da razumemo i zapamtimo ovo znanje.

Koraci dominantnog sortiranja uglavnom uključuju klasifikaciju, sortiranje, indukciju i sažetak. U fazi klasifikacije, potrebno je da klasifikujemo relevantne informacije i podelimo ih u različite kategorije; u fazi sortiranja, potrebno je da odredimo nivo i važnost svake kategorije kako bi se mogla poredati određenim redosledom; u fazi indukcije, mi Odnosi između različitih kategorija treba da budu integrisani i izdvojeni da bismo bolje razumeli i zapamtili ovo znanje; u fazi sažetka, moramo pregledati i razmisliti o cjelokupnom procesu sortiranja dominacije kako bismo otkrili i ispravili svoje nedostatke.

Razvrstavanje dominantnosti usko je povezano s pamćenjem. Može nam pomoći da bolje organizujemo i sortiramo znanje, čime se poboljšava efikasnost pamćenja. Kroz dominaciju i sortiranje možemo sistematski integrirati i složiti različite informacije, te uspostaviti hijerarhije i asocijacije znanja, formirajući tako mrežu sjećanja, čineći naša sjećanja jačim i dubljim. Istovremeno, sortiranje dominacije nam također može pomoći da bolje istražimo vrijednost i primjenu znanja, čime se poboljšava naše razmišljanje i sposobnost rješavanja problema.

Ukratko, sortiranje dominacije je vrlo praktična tehnika pamćenja koja nam može pomoći da bolje razumijemo i zapamtimo različita znanja. Kroz kontinuiranu praksu i primjenu, možemo postati vještiji u ovladavanju ovom vještinom, postavljajući tako čvrst temelj za naše učenje i razvoj. 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 na Znaj kratkoročno pamćenje kako poboljšati

Cilj je identificirati rješenja koja imaju bolje rezultate od drugih i klasificirati ih prema njihovim performansama u različitim Pareto frontovima F. Algoritam prvo provjerava odnose dominacije među svim hromozomima. S obzirom na dva hromozoma, T i T{{0}}, T dominira T0 ako i samo ako Cc(T)�Cc(T0) i V(T)�V( T0) s barem jednom strogom nejednakošću.

Drugim riječima, T je barem jednako dobar kao T{{0}} za sve ciljeve i strogo bolji za barem jedan. Ovaj odnos dominacije označava se kao T � T0. Ako jedan od ciljeva T nije bolji od T0 i ne može se poboljšati u vrijednosti bez degradiranja nekih drugih ciljnih vrijednosti, tada T ne dominira od T0

Jedan primjer nedominiranog rješenja je T koji ima veće rezultate raznolikosti, ali veće troškove komunikacije od T0. U tom slučaju nedominacije, ili T i T0 su izvodljiva rješenja za sljedeću generaciju.

Jednom kada algoritam mapira sve odnose dominacije hromozoma, stvara prvi Pareto front rješenja koji se sastoji od svih nedominiranih rješenja (F1). Ovaj skup se takođe naziva Pareto optimalnim.

Zatim, algoritam kreira drugi front Pareto optimalnih rješenja (F2) koji su zanemareni u prvom frontu, i tako dalje. Kao rezultat toga, algoritmi sortiraju hromozome populacije u hijerarhiju podpopulacija. Razvrstavanje nastavlja pronalaziti uzastopne Pareto frontove sve dok svi hromozomi ne budu dodijeljeni Pareto frontu.

Nova populacija. Algoritam zatim odabire najbolje r hromozome za sljedeću generaciju. U datom trenutku, postoje 2r hromozoma sortirane u hijerarhijskom Pareto frontu F. Algoritam kreira novu populaciju P0dodavanjem hromozoma pohranjenih u Pareto frontovima.

Ako je ukupna veličina prvog Pareto fronta manja od r, tada algoritam dodaje sve hromozome ovog fronta u P{{0}}. Zatim, algoritam dodaje preostala rješenja za novu populaciju iz sljedećih nedominiranih frontova. Algoritam nastavlja ovu proceduru sve dok ne može dodati više frontova u P0.

Distanca gužve. Algoritam mora dodati hromozome novoj populaciji sve dok ne bude tačno r hromozoma. Ako posljednji odabrani nedominirani Pareto prednji Fk ima više hromozoma nego što je dozvoljeno za dodavanje u P0, algoritam mora izabrati manji skup od Fk da kompletira r hromozome.

Neka je d ¼ r VeličinaðPÞ, broj hromozoma koji nedostaju za kompletiranje r. Algoritam identifikuje najbolje δ hromozome sa ovog poslednjeg fronta Fk izračunavanjem udaljenosti gomile među hromozomima.

Ova metrika određuje koliko su slični hromozomi u smislu performansi u višeciljnom problemu. Nakon izračunavanja ove udaljenosti, algoritam rangira hromozome prema njihovoj udaljenosti i eliminiše hromozome koji rade slično kao i drugi hromozomi. Ovim postupkom se zadržava prednja strana rješenja i uklanjaju se suvišni hromozomi.

Zatim, δ najbolji hromozomi iz Fk se dodaju u P{{0}}. Kao rezultat, P0 broji r najboljih hromozoma i postaje roditelj sljedeće generacije, započinjući novu iteraciju.

Podaci

U ovom dijelu procjenjujemo predloženi algoritam za naš problem formiranja tima koristeći tri skupa podataka iz stvarnog svijeta. Izvori podataka su MyDreamTeam (platforma za formiranje tima), Bibsonomy (stranica za društvene oznake) i GHTorrent (baza podataka GitHub repozitorija).

Korišćenje ovih skupova podataka za simulaciju timova za ovaj problem formiranja tima ilustruje efikasnost našeg okvira u stvarnim scenarijima. Prikazujemo zbirnu statistiku iz ovih skupova podataka u Tabeli 2. Rezultirajući podaci i skripte za prethodnu obradu neobrađenih podataka dostupni su nahttp://nusoniclab.github.io/.

MyDreamTeam skup podataka. Procjenjujemo naš predloženi algoritam koristeći podatke iz stvarnih slučajeva formiranja tima. Izvukli smo ovaj skup podataka iz My Dream Team Builder-a [33], sistema preporuka koji pomaže pojedincima da samostalno sastavljaju timove.

Ovaj skup podataka sadrži slučajeve učesnika koji sami sastavljaju svoje timove. Slučajevi datiraju od 2014. do 2020. Na ovom sistemu preporuka, učesnici kreiraju profile, traže saigrače i šalju pozivnice za formiranje timova.

Slučajevi se sastoje od časova sa univerziteta u Sjedinjenim Državama. Skup podataka uključuje osobine učesnika, demografiju i društvene mreže, koje su prijavili u početnoj anketi. Odabrali smo tri slučaja da testiramo naš algoritam: dodiplomski kurs, diplomski kurs i MBA kurs. Učesnici su koristili sistem za okupljanje timova za diskusije u malim grupama.

Dozvolu za prikupljanje podataka od učesnika odobrio je Odbor za pregled institucija Northwestern University (#STU00078513). Tokom ovog istraživanja poštovani su svi važeći institucionalni i vladini propisi koji se odnose na etičku upotrebu ljudi.

Elektronska saglasnost je dobijena od učesnika studije putem instrumenta za anketiranje na mreži. Od učesnika je zatraženo da pristanu na korištenje podataka prikupljenih putem My Dream Team Builder-a u istraživačke svrhe. Haširali smo identifikatore korisnika da bismo kreirali de-identifikovani skup podataka.

BibSonomy. Drugi skup podataka je izvučen iz BibSonomy [34], društvenog sistema za označavanje i deljenje publikacija. Izabrali smo bibsonomiju jer su prethodni radovi o formiranju tima testirali njihove algoritme koristeći ovu bazu podataka [58].

Ovim skupom podataka administrira Knowledgeand Data Engineering Group, Univerzitet u Kaselu. Bibsonomy skup podataka je dostupan prema alicense ugovoru i može se zatražiti na https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. Ovaj skup podataka sadrži veliki broj publikacija u vezi sa računarstvom. Svaku publikaciju je napisala grupa autora.

Mnogi korisnici posjećuju web stranicu Bibsonomy koristeći oznake za označavanje publikacija. Prateći proceduru koju su opisali Anagnostopoulos et al. [58], koristili smo oznake povezane sa radovima svakog autora da predstavimo njihove vještine. Vještina svakog autora predstavlja broj objavljenih radova sa odgovarajućom oznakom. Odabrali smo tri časopisa vezana za analizu društvenih mreža kako bismo testirali naš algoritam: "Priroda", "Nauka" i "Physica A: Statistical Mechanics and its Applications".

Izbrojali smo učestalost oznaka u svakom od ovih časopisa i odabrali neke popularne oznake vezane za našu studiju. Za prva dva časopisa odabrali smo radove koji su uključivali oznake 'mreža', 'društvena mreža' i 'mali svijet'.

Zatim smo identifikovali autore ovih članaka, stvorili koautorsku mrežu i odabrali autore iz najveće komponente. Slično, uradili smo ovu proceduru za treći časopis koristeći oznake 'mreža', 'graf', 'model' i 'sistem.' Heširali smo imena autora kako bismo kreirali de-identifikovani skup podataka.

GHTorrent. Koristili smo GitHub podatke dobijene od GHTorrent projekta [35], offline ogledalo podataka ponuđenih preko GitHub API-ja. Ovaj skup podataka može se preuzeti na https://ghtorrent.org/downloads.html. GHTorrent skup podataka pokriva širok spektar razvojnih aktivnosti na Githubu, uključujući spremišta, zahtjeve za povlačenjem i korisnike. Preuzeli smo dump skupa podataka "06/01/2019" kako bismo napravili naš skup podataka za testiranje.

Filtrirali smo korisnike koji su doprinijeli između 40 i 80 projekata kako bismo zadržali srednje korisnike u našoj analizi. Prateći pristup sličan skupu podataka BibSonomy, koristili smo programske jezike povezane sa repozitorijumom doprinosa svakog korisnika da bismo predstavili veštine korisnika.

Vještina svakog korisnika predstavlja broj doprinijenih projekata napisanih na određenom jeziku. Pošto spremišta mogu imati datoteke na više jezika, odabrali smo jezik spremišta koji se najčešće koristi kao jezik spremišta.

Odabrali smo tri najpopularnija jezika u ovom skupu podataka: Java, Python i Ruby. Zatim smo identifikovali korisnike ovih spremišta i kreirali mrežu za saradnju. U ovom primjeru, korisnici imaju pravo ako su doprinijeli istom spremištu barem dva puta. Na kraju smo odabrali korisnike iz najveće komponente. Heširali smo imena autora da bismo kreirali de-identifikovani skup podataka.

Evaluacija

Upoređujemo predloženi algoritam za problem formiranja tima (označen kao NSGA-II) sa tri dobro poznate metode multi-ciljne optimizacije koje se koriste u svrhu ispitivanja [62, 72]:

Pareto metoda lokalne pretrage (PLS). Ovaj iterativni algoritam počinje sa skupom slučajnih rješenja kao početnom populacijom i istražuje susjede svakog rješenja [73, 74]. Algoritam ažurira populaciju na osnovu Pareto dominacije: populaciji će dodati susjede bez dominacije i ukloniti postojeća rješenja kojima dominiraju novo dodana rješenja.

Nakon što je susjedstvo rješenja u potpunosti istraženo, rješenje se označava kao istraženo. Algoritam iterativno istražuje nova rješenja kako se dodaju u populaciju dok se ne pronađu bolja rješenja. Nakon što se istraže sva rješenja i ne može se otkriti više nedominiranih rješenja, algoritam se zaustavlja. Implementirali smo verziju koju su predložili Zihayat et al. [72] za kombinovane probleme.

U ovoj implementaciji, susjedi rješenja su sve moguće kombinacije timova iz rješenja s dva člana koji zamjenjuju timove. Pošto PLS ne zavisi od fiksnog broja generacija, izvodimo samo jednu iteraciju ovog algoritma da bismo uporedili njegove rezultate sa drugim metodama.

S obzirom na n pojedinaca, i da će algoritam istraživati ​​n2 �susjeda svakog rješenja, računska složenost ove implementacije je O(n3) u najboljem slučaju.

For more information:1950477648nn@gmail.com