W poszukiwaniu różnorodnych i połączonych zespołów: podejście obliczeniowe do tworzenia różnorodnych zespołów na podstawie członków, część 7

Wyniki pokazują, że algorytm NSGA-II osiągnął największe wartości hiperobjętości w 6 z 9 zbiorów danych i drugą co do wielkości wartość w pozostałych trzech zbiorach danych (Tabela 3). Innymi słowy, NSGA-II często znajdowało więcej kombinacji zespołów o wyższym poziomie różnorodności i niższych kosztach komunikacji niż inne algorytmy.

Pamięć odgrywa w naszym życiu kluczową rolę. Od niego zależy, czy potrafimy w pełni wykorzystać istniejącą wiedzę i doświadczenie do rozwiązywania problemów, a także wpływa na naszą efektywność w nauce i pracy. Istniejące zbiory danych wykazały również związek między pamięcią a różnymi czynnikami, co zapewnia nam więcej informacji i możliwości.

Po pierwsze, różne badania pokazują, że dobre zdrowie jest podstawą dobrej pamięci. Odpowiednie ćwiczenia i zbilansowana dieta mogą poprawić wydajność układu nerwowego i chronić tkankę nerwową. Osoby sprawne fizycznie mają lepsze zdrowie układu sercowo-naczyniowego i psychicznego, co wiąże się z poprawą pamięci i funkcji poznawczych.

Po drugie, istnieje również ścisły związek pomiędzy stanami emocjonalnymi a stanami poznawczymi. Badania pokazują, że nadmierny niepokój i stres mogą zakłócać komunikację między neuronami w mózgu, prowadząc do problemów, takich jak utrata pamięci i trudności z koncentracją. Pomaga promować poprawę pamięci poprzez pozytywne zarządzanie i regulację emocji.

Ponadto nasze środowisko życia i codzienne nawyki również będą miały wpływ na rozwój i utrzymanie pamięci. Na przykład robienie notatek, znajdowanie metody uczenia się, która Ci odpowiada, burza mózgów, moderowanie zajęć towarzyskich i podróżowanie są niezwykle korzystne dla rozwoju pamięci; podczas gdy złe nawyki związane ze snem i różne metody rozrywki poważnie wpływają na układ nerwowy i uszkadzają pamięć. Wpływ.

Podsumowując, pamięć jest ważną częścią naszego efektywnego życia, która determinuje naszą zdolność uczenia się, zdolność do pracy i jakość życia. Dzięki odpowiednim ćwiczeniom fizycznym i diecie, zarządzaniu emocjami i dostosowaniu codziennego życia możemy znacznie poprawić naszą pamięć i zdolności poznawcze, dzięki czemu możemy żyć wydajniej i szczęśliwie. Widać, że musimy poprawić pamięć, a Cistanche desericola może znacznie poprawić pamięć, ponieważ Cistanche desericola to tradycyjny chiński materiał leczniczy, który ma wiele unikalnych efektów, z których jednym jest poprawa pamięci. Skuteczność mięsa mielonego wynika z różnych zawartych w nim składników aktywnych, w tym kwasów, polisacharydów, flawonoidów itp. Składniki te mogą na różne sposoby promować zdrowie mózgu.

Kliknij Poznaj suplementy poprawiające pamięć

Wysokie wartości hiperobjętości NSGA-II można wytłumaczyć krokiem odległości stłoczenia, który pomógł algorytmowi znaleźć rozwiązania niezdominowane zlokalizowane na krańcach frontu Pareto.

Ponieważ PLS i HPSO nie ustaliły żadnych kryteriów pozwalających uniknąć zbędnych rozwiązań, ich rozwiązania zaowocowały zestawem niedominowanych rozwiązań skoncentrowanych w określonych obszarach. Dlatego zestaw kombinacji zespołów dostarczonych przez NSGA-II często dominował nad tymi dostarczonymi przez inne algorytmy.

Implementacja NSGA-II uzyskała również najwyższe unikalne wartości współczynnika frontu niezdominowanego (UNFR) w 6 z 9 zestawów danych. Innymi słowy, NSGA-II często zapewniało więcej kombinacji zespołów niezdominowanych, których nie mogły znaleźć inne algorytmy.

Możliwym wyjaśnieniem drugiego miejsca NSGA-II w pozostałych przypadkach jest niska gęstość sieci współpracy. Pule z kilkoma wcześniejszymi połączeniami między osobami zmniejszą liczbę możliwych kombinacji zespołów o dużym powiązaniu, przez co wyszukiwanie heurystyczne będzie nieskuteczne.

Natomiast HPSO i PLS przeprowadziły więcej operacji krzyżowania i mutacji niż NSGA-II. Wielokrotne wykonywanie tych operacji umożliwiło HPSO i PLS zbadanie większej liczby kombinacji zespołów i zwiększenie prawdopodobieństwa znalezienia określonych kombinacji zespołów o niskich wynikach komunikacji.

HPSO osiągnęło drugą co do wielkości wartość hiperobjętości i UNFR. Korzystała z rozwiązań niedominowanych w środku zbliżonego frontu Pareto, które charakteryzowały się wysokim poziomem różnorodności.

Te niedominujące rozwiązania przewyższały inne algorytmy i zwiększały obszar utworzony przez przybliżony front Pareto. SPEA-2 i PLS połączyły się w kilka rozwiązań obejmujących mniejszy obszar niż rozwiązania NSGA-II i HPSO. Ogólnie rzecz biorąc, w ramach projektu NSGA-II udało się znaleźć więcej niezdominowanych rozwiązań w zakresie tych dwóch celów i zapewnić rozwiązania charakteryzujące się większą rozbieżnością w wartościach kosztów komunikacji.

Duża rozbieżność zarówno pod względem różnorodności, jak i znajomości pokazuje, że algorytm NSGA-II znalazł więcej rozwiązań niezdominowanych niż inne algorytmy, co jest pożądane do znalezienia prawdziwego frontu Pareto. Krok odległości tłoczenia w NSGA-II pozwolił algorytmowi zachować szerszy zakres rozwiązań niezdominowanych. Ponadto algorytm pozostawił rozwiązania wtórne obojętne dla różnych warstw, z których w późniejszych iteracjach mogły powstać rozwiązania niezdominowane.

Ponieważ algorytm nadal tworzy nowe generacje, rozwiązania zdominowane można nadal rozważać w celu znalezienia innych potencjalnych rozwiązań. Co więcej, NSGA-II może nadal identyfikować rozwiązania niedominowane w środku kompromisu.

Natomiast niska wariancja pozostałych algorytmów pokazuje, że prawdopodobnie skupiały się one na określonym zestawie rozwiązań niezdominowanych i na konkretnym kompromisie. Algorytmy te nie uwzględniały operacji dywersyfikacji ich obecnych populacji ani usuwania zbędnych rozwiązań niezdominowanych. W związku z tym w algorytmach tych może brakować różnorodnych rozwiązań mieszczących się w skrajnościach frontu Pareto.

Na rys. 4 przedstawiono czas działania wszystkich zaimplementowanych algorytmów. Rys. 5 pokazuje, jak czas działania algorytmów jest funkcją liczby dostępnych osobników. Wyniki pokazują, że implementacja NSGA-II działa lepiej niż PLS i HPSO w miarę zwiększania się puli uczestników.

PLS potrzebował więcej czasu na zbadanie sąsiedztwa rozwiązań, aż do wyczerpania wszystkich możliwych kombinacji. W przypadku HPSO dwa krzyżowania i jeden etap mutacji wykonane dla każdego rozwiązania spowodowały, że działanie algorytmu było trzykrotnie dłuższe niż w przypadku NSGA-II, ponieważ ten ostatni wykonuje tylko jeden etap krzyżowania. Chociaż HPSO trwało dłużej niż NSGA-II, oba działały w czasie wielomianowym (O(n2)).

Nasze wyniki sugerują, że NSGA-II wymagało mniej niż jednej trzeciej czasu potrzebnego na uzyskanie podobnych wyników w przypadku PLS i HPSO. Dlatego też zdecydowanie zaleca się korzystanie z NSGA-II w celu skutecznego znajdowania rozwiązań w miarę zwiększania się rozmiaru danych wejściowych. SPEA-2 nie znalazła lepszych rozwiązań niż PLS czy NSGA-II, ale jej wyniki były zbieżne szybciej niż metody NSGA-II i PLS.

Na koniec obliczyliśmy częstotliwość kontaktów bezpośrednich (1-przeskoków), kontaktów współdzielonych (2-przeskoków),3-przeskoków i nie tylko w zebranych zespołach, aby poznać odległości między członkami zespołu( Zobacz tabelę S3 w pliku S1).

Wyniki sugerują, że zdecydowana większość członków była połączona z innymi za pośrednictwem jednego pośrednika (~31%), a następnie członkowie, którzy byli powiązani bezpośrednio (~30%). Liczby te pokazują, że powstałe zespoły były ogólnie silnie powiązane, a członkowie połączeni wieloma przeskokami nie byli reprezentatywni.

Dyskusja

Tworzenie zespołów jest trudnym zadaniem, szczególnie gdy celem jest zapewnienie równowagi pomiędzy różnorodnością a preferencjami członków zespołu. Podczas gdy wcześniejsze prace koncentrowały się na poszukiwaniu najlepszego możliwego zespołu [37], wkład tego artykułu polega na poszukiwaniu zrównoważonych kombinacji zespołów, które sprawiedliwie rozdzielają umiejętności i powiązania. Co więcej, tworzenie zespołów uwzględniających zarówno różnorodność wkładu swoich członków, jak i wcześniejszych relacji między członkami, staje się ostatecznym wyzwaniem gwarantującym ich sukces [78, 79].

W tej pracy rozważamy problem tworzenia zespołów, które są zarówno zróżnicowanymi, jak i silnie powiązanymi zespołami, przy użyciu podejścia obliczeniowego. Zaimplementowaliśmy ten problem tworzenia zespołu za pomocą algorytmu genetycznego, który zapewnia różne kombinacje zespołów w zależności od różnorodności zespołów i kosztów komunikacji.

Wyniki wskazują, że dzięki temu podejściu genetycznemu można skutecznie i szybko tworzyć zróżnicowane i silnie powiązane zespoły. W kolejnych podrozdziałach szczegółowo omawiamy implikacje tej pracy i potencjalne zastosowania.

Niniejsza praca pokazuje korzyści płynące ze stosowania podejść obliczeniowych do tworzenia zespołów wielozespołowych, które rozdzielają umiejętności członków pomiędzy różne grupy i uwzględniają ich wcześniejsze relacje. Wcześniejsze prace kładły głównie nacisk na znalezienie możliwie najlepszego zespołu z puli społecznościowej (np. zespół ekspertów, zespół gwiazd) [36, 57, 58].

Jednak poszukiwanie wielu zespołów ma również znaczenie w sytuacjach edukacyjnych i organizacyjnych, takich jak tworzenie zespołów studenckich, tworzenie zespołów operacyjnych w jednostkach biznesowych, czy prowadzenie badań naukowych.

Ze względu na duży nacisk na tworzenie zespołów o wysokich wynikach algorytmy łączące najlepszych członków mogą spowodować większą segregację w obrębie tych grup społecznych kosztem innych, mniej wykwalifikowanych [80]. Koncentracja umiejętności i wiedzy specjalistycznej w niewielkiej liczbie zespołów utrudnia powstawanie innych zespołów mających podobne możliwości i powiązania społeczne.

Jak wykazano w tym artykule, zaawansowana infrastruktura obliczeniowa i wykorzystanie dużych zbiorów danych zapewniają nowe możliwości ponownego wyobrażenia sobie kilku kombinacji zespołów, których pojedyncze osoby nie mogłyby systematycznie i łatwo badać [37, 44]. Zamiast tworzyć zespoły przy użyciu ręcznych strategii lub intuicji, twórcy zespołów mogą używać algorytmów do dostosowywania różnych kombinacji zespołów, które optymalizują jednocześnie różnorodność i znajomość.

Zatem implementacje takie jak ta przedstawiona w tym artykule pozwalają twórcom zespołów tworzyć heterogeniczne i zróżnicowane zespoły bez poświęcania znajomości między członkami zespołu, co jest niezbędne dla udanej współpracy [81].

For more information:1950477648nn@gmail.com