Auf der Suche nach vielfältigen und vernetzten Teams: Ein rechnerischer Ansatz zur Zusammenstellung vielfältiger Teams basierend auf Mitgliedern Teil 3

Anzahl der Zielfunktionen

Die dritte Dimension ist die Anzahl der Ziele, die durch den Teambildungsalgorithmus optimiert werden. Einige Beispiele sind die Minimierung der Kommunikationskosten der Teams, die Minimierung der Personalkosten der Teams und die Maximierung der Anzahl der in jedem Team vorhandenen Fähigkeiten.

Die Beziehung zwischen Teambildungsalgorithmen und Gedächtnis ist eng miteinander verbunden. Ein Team ist eine Gruppe von Menschen, jeder mit seinen Ideen und Fähigkeiten, aber ein größerer Wert kann nur erreicht werden, wenn alle zusammenarbeiten.

Der Kern des Teambildungsalgorithmus besteht darin, verschiedene Menschen harmonischer zusammenarbeiten zu lassen. Dabei ist es wichtig, dass jeder seine Stärken entsprechend seiner Rollen und Aufgaben einsetzt und gleichzeitig effektiv mit anderen Teammitgliedern kommuniziert und koordiniert.

Dabei spielt das Gedächtnis eine wichtige Rolle. In einem Team ist es notwendig, die Aufgaben und Beiträge jedes Mitglieds sowie die Fortschritte und Probleme des Teams kontinuierlich zu protokollieren. Nur so kann eine effektive Kommunikation und Zusammenarbeit im Team entstehen und es kann auch dazu beitragen, dass die Teammitglieder ihre Verantwortlichkeiten und Rollen besser verstehen.

Darüber hinaus können sich Teambildungsalgorithmen und Gedächtnis gegenseitig verstärken. Teambildungsalgorithmen können Menschen dabei helfen, besser zu verstehen, wie man zusammenarbeitet. Durch die Entwicklung eines stärkeren Gedächtnisses können die Menschen außerdem verschiedene Informationen über das Team besser aufzeichnen und verstehen.

Daher sollten wir die Bedeutung von Teambildungsalgorithmen und Gedächtnis für ein Team erkennen. Nur durch kontinuierliche Kommunikation und Zusammenarbeit sowie das Aufzeichnen und Organisieren von Informationen kann das Team effizienter arbeiten und einen größeren Wert erzielen. Es ist ersichtlich, dass wir das Gedächtnis verbessern müssen, und Cistanche deserticola kann das Gedächtnis erheblich verbessern, da Cistanche deserticola auch das Gleichgewicht von Neurotransmittern regulieren kann, beispielsweise durch die Erhöhung des Acetylcholin- und Wachstumsfaktorspiegels. Diese Stoffe sind sehr wichtig für das Gedächtnis und das Lernen. Darüber hinaus kann Fleisch auch die Durchblutung verbessern und die Sauerstoffversorgung fördern, wodurch sichergestellt werden kann, dass das Gehirn ausreichend Nährstoffe und Energie erhält, wodurch die Vitalität und Ausdauer des Gehirns verbessert werden.

Klicken Sie auf „Wissen“, um das Kurzzeitgedächtnis zu verbessern

Die meisten Algorithmen definieren das Teambildungsproblem mit einem einzigen Ziel mit Einschränkungen [59].

Die zuvor erwähnten Beispiele folgen diesem Einzelobjektiv-Funktionsdesign. Eine Gefahr besteht darin, dass andere vorteilhafte Ziele für die Teamzusammensetzung nicht festgelegt werden könnengleichzeitig im Optimierungsprozess umgesetzt werden (z. B. Minimierung der Kommunikationskosten bei gleichzeitiger Maximierung der Fähigkeiten des Teams).

Frühere Studien haben mehr als eine objektive Funktion in das Teambildungsproblem eingeführt. Ein Beispiel ist Kargar et al. [60], der den „Minimal Cost Contribution“-Algorithmus (MCC) vorstellt. Ziel ist es, das Team mit den geringsten Kommunikationskosten und gleichzeitig den geringsten Personalkosten zu finden.

Die Zielfunktion von MMC ist eine lineare Kombination beider Kostenfunktionen mit einem Parameter λ, der den Kompromiss zwischen Kommunikations- und persönlichen Kosten angibt. Dieser Algorithmus implementiert einen heuristischen Ansatz, der dem Team schrittweise neue Mitglieder hinzufügt und die Kosten für das Hinzufügen eines neuen Mitglieds in Bezug auf die aktuellen Kosten des zusammengestellten Teams berücksichtigt.

Trotz der Vorteile dieser linearen Kombinationsformulierungen weist dieser Ansatz zwei Einschränkungen auf: Er bietet nur eine einzige Teamlösung und seine Kompromissvariable für die Kostenfunktionen muss im Voraus festgelegt werden. Das Finden anderer geeigneter Lösungen mithilfe dieser Methoden hängt daher von der Anpassung der Kompromissvariablen ab, was zu einer Verzerrung des Suchprozesses führen kann [61].

Neuere algorithmische Beiträge haben das Teambildungsproblem als multiobjektives Optimierungsproblem formuliert, um zwei oder mehr Zielfunktionen gleichzeitig zu optimieren[62, 63].

Bei diesen Problemen handelt es sich um Kompromisse zwischen zwei oder mehr Zielen, da eine Verbesserung der Lösung eines Ziels nur durch das Zugeständnis eines anderen Ziels möglich ist. Daher stellen Mehrzieloptimierungsprobleme keine einzelne Lösung bereit, sondern erhalten mehrere Lösungen unter Berücksichtigung unterschiedlicher Relevanzschwerpunkte für die mehreren Ziele.

Während bei Optimierungsproblemen mit nur einem Ziel die Überlegenheit einer Lösung gegenüber anderen durch die Zielfunktion bestimmt wird, wird sie bei Optimierungsproblemen mit mehreren Zielen durch die Dominanz bestimmt. Der Optimierungsprozess sucht nach Lösungen, die in allen Zielfunktionen besser als andere sind.

Als Ergebnis liefert das Problem eine Reihe von „nicht dominierten“ Lösungen, die aus Lösungen bestehen, die verbessert werden können, ohne gleichzeitig mindestens eines der anderen Ziele zu beeinträchtigen. Die Mehrzieloptimierung wird auch als Pareto-Optimierung bezeichnet.

Abbildung 1 zeigt ein Beispiel einer Pareto-Front, die verschiedene nicht dominierte Lösungen zwischen zwei Zielen zeigt. Die Berechnung dieser Pareto-Front ermöglicht es Entscheidungsträgern, verschiedene Kompromisse zwischen beiden Dimensionen zu vergleichen und zu überprüfen.

Basierend auf diesem Ansatz stellen multiobjektive algorithmische Implementierungen eine Reihe von Teamlösungen bereit, die unterschiedliche Bewertungen der Zielfunktionen berücksichtigen [54, 64]. Die Implementierung von Zhang und Zhang [64] wählt die Mitglieder mit den höchsten Fähigkeiten für die Aufgabe und den besten zwischenmenschlichen Beziehungen aus, um das beste Team zusammenzustellen. Diese Studie verwendet die Implementierung der Particleswarm-Optimierung, um zu bestimmen, ob ein Mitglied Teil des besten Teams sein muss.

Lösungen bewegen sich in einem zweidimensionalen kontinuierlichen Raum, und der Algorithmus wendet eine Asigmoidfunktion an, um die Anwesenheit der Mitglieder zu binarisieren. Perez-Toledano et al. [63] entwickelten einen genetischen Algorithmus, um konkurrenzfähige Basketballmannschaften zu finden, wobei gleichzeitig die Kosten und die Bewertung jedes Spielers berücksichtigt wurden.

Jede Lösung besteht aus einem Team aus einer Reihe verfügbarer Spieler, und ihre letzte Pareto-Front zeigt verschiedene Teams, die den Kompromiss zwischen Wert und Kosten der Spieler berücksichtigen. Basierend auf diesen Formulierungen können Teambuilder andere Teams sehen und vergleichen und auswählen, welches Ziel sie bei der Auswahl eines Teams priorisieren möchten.

Problem Formulierung

Nachdem wir relevante Teambildungsprobleme und ihre jeweiligen Algorithmen überprüft haben, wollen wir dieses spezielle Problem implementieren, das gleichzeitig die Diversität und Vertrautheit der Teams maximiert.

Dieses Problem eignet sich für eine Optimierungsformulierung mit mehreren Zielen, da die Maximierung der Vertrautheit von Teams zur Bildung von Gruppen mit einander ähnlichen Mitgliedern führen könnte [65].

Obwohl wir dieses Problem als Einzelzieloptimierungsproblem implementieren könnten, müssten wir einem dieser Ziele Priorität einräumen und Kompromisse zwischen Lösungen vermeiden. Darüber hinaus suchten frühere Formulierungen der Teambildung entweder nach dem besten Team unter mehreren Zielen oder nach Teamkombinationen, die auf einem einzigen Ziel basierten.
Wir schlagen ein Optimierungsproblem mit mehreren Zielen vor, das alle verfügbaren Personen Teams zuordnet, was zu mehreren Teamkombinationen führt, die unterschiedliche Relevanzschwerpunkte für Vielfalt und Vertrautheit berücksichtigen. Diese Arbeit gilt nicht für frühere Studien zur Teambildung und bietet einen neuen Ansatz für die Literatur zur Teambildung.

Materialen und Methoden

In diesem Abschnitt stellen wir das Mehrobjektivproblem und die Definitionen vor, die wir in diesem Artikel verwenden werden. Unsere Notation ist auch in Tabelle 1 zusammengefasst. Wir beschreiben auch die NSGA-II-Implementierung dieses Mehrzielproblems und seiner Komponenten. Anschließend beschreiben wir die Datensätze und Benchmark-Algorithmen, die wir zur Bewertung des Teambildungsproblems verwendet haben. Abschließend erläutern wir die quantitativen Metriken zum Vergleich der Ergebnisse von Algorithmen.

Definitionen

Mitglieder, Attribute, Netzwerke und Teams. Wir betrachten eine Menge von Teilnehmern P={p1,p2, . . ., pn} mit einer Menge kategorialer Attribute C={c1, c2, . . ., cm} und eine Reihe numerischer Attribute U={u1, u2, . . ., ul}.

Die Attribute dieser Personen haben unterschiedliche Maßstäbe und stellen Informationen über jede Person dar (z. B. Alter, Geschlecht, Rasse, Fähigkeiten). Abhängig von den verfügbaren individuellen Informationen können Teams mehrere Attribute haben, die ihre Qualitäten und Zusammensetzung beschreiben. Jede Person hat in jedem dieser Attribute einen Wert. Wir bezeichnen ci(pj), um den Wert des kategorialen Attributs ci für die Person j zu erhalten.

In ähnlicher Weise verwenden wir ui(pj), um den Wert des numerischen Attributs ui für die Person j zu erhalten. Person j kann als Vektor dieser kategorialen und numerischen Attribute dargestellt werden. Somit haben wir die Attribute von pj als (c1(pj), . . ., cm(pj),u1(pj), . . ., ul(pj)).

Menschen sind in einem sozialen Netzwerk verbunden, das als ungerichteter und ungewichteter Graph G modelliert ist. Wir definieren G=(P, E), wobei E die Kanten des Graphen darstellt. Jeder Knoten inG stellt eine Person aus P dar. In diesem Dokument verwenden wir die Begriffe „Person“ und „Knoten“ austauschbar. Zwei Personen sind durch eine Kante verbunden, wenn sie in der Vergangenheit zusammengearbeitet haben. Mit anderen Worten, wenn die Individuen i und j zusammengearbeitet haben, dann ist Gi,j=1. Ansonsten Gi,j=0.

Angesichts dieser Liste von Teilnehmern P, die im Netzwerk G verbunden sind, besteht das Ziel darin, eine Menge von Teams T={t1, t2, t3, . . ., tq}, wobei alle Mitglieder von P q Teams zusammenstellen und nur einem Team angehören. Das Optimierungs-Doppelproblem kann als Minimierung der Kommunikationskosten zwischen Teammitgliedern und Maximierung der Diversitätsniveaus der Teams formuliert werden. Wir machen uns nun diese Vorstellungen und beschreiben jede Zielfunktion.

Kommunikationskosten. Lappas et al. [57] konzentrierten sich auf die Bedeutung der Zusammenarbeit und der Vertrautheit zwischen Experten, indem sie die Kosten ihrer Zusammenarbeit berücksichtigten. Nach diesem Modell tauschen Experten, die in der Vergangenheit zusammengearbeitet haben, eher Informationen und Ideen effektiv aus als Experten ohne vorherige Zusammenarbeit.

Basierend auf der vorherigen Zusammenarbeit von Experten berechnet dieses Modell die Kommunikationskosten zwischen Teammitgliedern, um deren Zusammenarbeit und Vertrautheitsgrad abzuschätzen. Ziel der Optimierung der Kommunikationskosten ist die Bildung von Teams mit hohem Bekanntheitsgrad. Eine Literaturrecherche zeigt, dass Kommunikationskosten ein häufig verwendeter Indikator für Zusammenarbeit und Vertrautheit unter Forschern sind [66].

In unserem Fall verwenden wir die Kommunikationskosten als Indikator für die Vertrautheit der Teams. Kargar und An[31] stellten fest, dass die Gesamtsumme der Entfernungen zwischen Teammitgliedern ein vernünftiges Maß für die Kommunikationskosten darstellt, da sie gegenüber Änderungen im Netzwerk stabiler ist als andere mögliche Maße.

Andere Alternativen für die Kommunikationskosten sind der Durchmesser des sozialen Netzwerks (dh der größte kürzeste Pfad zwischen zwei beliebigen Knoten im Netzwerk) und der minimale Spannbaum (dh die minimale Summe der Gewichte der Kanten eines Netzwerks) [57].

Wir haben dieses Problem auch mit diesen beiden Definitionen implementiert, und ihre Ergebnisse waren denen ähnlich, die mit der Summe der Entfernungen erzielt wurden. Die Ergebnisse der Implementierung des Durchmessers sind in S1-Abb und S1-Tabelle in der S1-Datei verfügbar, und die Ergebnisse der Implementierung des minimalen Spannbaums sind in S2-Abb und S2-Tabelle in der S1-Datei verfügbar.

Wir definieren die Kommunikationskosten zwischen zwei Individuen pi und pj, bezeichnet als d(pi, pj), als die kürzeste Pfadlänge beim Überqueren der Kanten des Graphen G von einem Knoten zum anderen. Wenn Pi und PJ in der Vergangenheit zusammengearbeitet haben, sie sind nur einen Sprung entfernt.

Wenn Pi und PJ nicht zusammengearbeitet haben, aber einen früheren gemeinsamen Mitarbeiter haben, sind sie durch zwei Abteilungen getrennt. Gemeinsame frühere Mitarbeiter innerhalb eines Teams können die Vertrautheit auf der Grundlage einer „triadischen Schließung“ fördern [67].

Dieser Mechanismus geht davon aus, dass Knoten mit größerer Wahrscheinlichkeit eine neue Verbindung herstellen, wenn sie eine gemeinsame Verbindung haben. Drei-Hops und 4--Hops können denselben Prinzipien folgen, die auf „Balance-Mechanismen“ basieren [67].

Einzelpersonen werden dazu neigen, neue Verbindungen zu den Mitarbeitern ihrer Mitarbeiter zu knüpfen, um Konsistenz innerhalb ihrer Gruppe zu erreichen. Daher zielt die Verwendung der Gesamtsumme der Entfernungen in unserer Zielfunktion darauf ab, nach Teams zu suchen, die die Anzahl der direkten Kooperationen (d. h. One-Hops), gemeinsamer Verbindungen (Two-Hops) und enger Verbindungen (Three-Hops oder höher) maximieren. .

Der niedrigste Kommunikationskostenwert liegt vor, wenn alle Teammitglieder zusammengearbeitet haben (d. h. sie sind direkt verbunden), und der höchste Wert liegt vor, wenn die Teammitglieder überhaupt nicht verbunden sind. Wenn es in dieser Implementierung keinen Pfad zwischen pi und pj in G gibt, legen wir die Kommunikationskosten zwischen ihnen als Durchmesser des sozialen Netzwerks fest.
Wir definieren die Kommunikationskosten eines Teams t als die Gesamtsumme der kürzesten Pfadlängen zwischen Mitgliedern, da es gegenüber Änderungen im Netzwerk stabiler ist als andere mögliche Maße. Wir bezeichnen mit Cc(t) die Kommunikationskosten von Team t, das hat k Mitglieder. Daher definieren wir die Kommunikationskosten des Teams als:

Cct ¼ Xki;j2t;i6¼jdðpi; pjÞ ð1Þ

Das Ziel besteht darin, die durchschnittliche Summe der kürzesten Pfadlängen aller zusammengestellten Teams im Netzwerk der Einzelpersonen zu minimieren. Die Berechnung der Summe der Kommunikationskosten einer Gruppe von Teams dauert O(n2) Zeit.

Team-Diversity-Score. Das zweite Ziel besteht darin, vielfältige Teams mit einem breiten Spektrum an Hintergründen, Eigenschaften und Fähigkeitsrepertoires zu bilden. Diversität beschreibt die Verteilung der Unterschiede zwischen den Mitgliedern einer Einheit hinsichtlich eines gemeinsamen Merkmals [30].

Harrison und Klein[30] stellten einen Rahmen vor, der darauf hindeutet, dass Diversität am besten auf drei Arten konzeptualisiert werden kann: Trennung, Vielfalt und Disparität. Trennung bezieht sich auf Unterschiede zwischen Teammitgliedern in ihrer seitlichen Position auf einem Kontinuum (z. B. Werte, Einstellung, Überzeugung). Vielfalt bezieht sich auf kategorische Unterschiede zwischen Teammitgliedern, wobei die Anzahl der vertretenen Kategorien zur Teamvielfalt beiträgt (z. B. Geschlecht, Karriere, Rasse).

Schließlich stellt Disparität Unterschiede in der Konzentration wertvoller Vermögenswerte oder wünschenswerter Ressourcen dar (z. B. Fachwissen, Bildungsniveau, Amtszeit). Diese Metriken ermöglichen es Forschern, funktionale und demografische Vielfalt parallel und gemäß ihren theoretischen Konzeptualisierungen zu operationalisieren [14].

For more information:1950477648nn@gmail.com