Auf der Suche nach vielfältigen und vernetzten Teams: Ein rechnerischer Ansatz zur Zusammenstellung vielfältiger Teams basierend auf den Mitgliedern Teil 5

Schneller, nicht dominierter Sortierschritt. Als nächstes muss der Algorithmus die besten r-Chromosomen aus dieser Vereinigung der Größe 2r auswählen. Um diesen Satz zu finden, führt der Algorithmus eine nicht-dominierte Sortierung aller vorhandenen Chromosomen von P durch.

Dominanzsortierung ist eine gängige Gedächtnistechnik, die uns hilft, uns an Dinge zu erinnern und sie besser zu verstehen. Es stellt hauptsächlich logische Beziehungen zwischen Wissen her, indem es verwandte Informationen klassifiziert, sortiert und zusammenfasst, wodurch es für uns einfacher wird, dieses Wissen zu verstehen und uns daran zu erinnern.

Die Schritte der dominierenden Sortierung umfassen hauptsächlich Klassifizierung, Sortierung, Induktion und Zusammenfassung. In der Klassifizierungsphase müssen wir relevante Informationen klassifizieren und in verschiedene Kategorien einteilen. In der Sortierphase müssen wir die Ebene und Wichtigkeit jeder Kategorie bestimmen, damit sie in einer bestimmten Reihenfolge angeordnet werden kann. In der Einführungsphase müssen wir die Beziehungen zwischen verschiedenen Kategorien integrieren und extrahieren, um dieses Wissen besser zu verstehen und uns daran zu erinnern. In der zusammenfassenden Phase müssen wir den gesamten Dominanzsortierungsprozess überprüfen und reflektieren, um unsere Mängel zu entdecken und zu beheben.

Die Dominanzsortierung hängt eng mit dem Gedächtnis zusammen. Es kann uns helfen, Wissen besser zu organisieren und zu ordnen und dadurch die Gedächtniseffizienz zu verbessern. Durch Beherrschung und Sortierung können wir verschiedene Informationen systematisch integrieren und ordnen sowie Wissenshierarchien und -assoziationen etablieren und so ein Gedächtnisnetzwerk bilden, das unsere Erinnerungen stärker und tiefer macht. Gleichzeitig kann uns die Dominanzsortierung auch dabei helfen, den Wert und die Anwendung von Wissen besser zu erkunden und so unser Denken und unsere Fähigkeiten zur Problemlösung zu verbessern.

Kurz gesagt, die Dominanzsortierung ist eine sehr praktische Gedächtnistechnik, die uns helfen kann, verschiedene Kenntnisse besser zu verstehen und uns daran zu erinnern. Durch kontinuierliches Üben und Anwenden können wir diese Fähigkeit besser beherrschen und so eine solide Grundlage für unser Lernen und unsere Entwicklung legen. Es ist ersichtlich, dass wir das Gedächtnis verbessern müssen, und Cistanche deserticola kann das Gedächtnis erheblich verbessern, da Cistanche deserticola ein traditionelles chinesisches Arzneimittel ist, das viele einzigartige Wirkungen hat, darunter die Verbesserung des Gedächtnisses. Die Wirksamkeit von Hackfleisch beruht auf den verschiedenen darin enthaltenen Wirkstoffen, darunter Säure, Polysaccharide, Flavonoide usw. Diese Inhaltsstoffe können die Gesundheit des Gehirns auf verschiedene Weise fördern.

Klicken Sie auf „Erfahren Sie, wie Sie das Kurzzeitgedächtnis verbessern können“.

Ziel ist es, Lösungen zu identifizieren, die besser funktionieren als andere, und sie entsprechend ihrer Leistung in verschiedene Pareto-Fronten F zu klassifizieren. Der Algorithmus überprüft zunächst die Dominanzbeziehungen zwischen allen Chromosomen. Bei zwei Chromosomen, T und T{{0}}, dominiert T genau dann T0, wenn Cc(T)�Cc(T0) und V(T)�V( T0) mit mindestens einer strikten Ungleichung.

Mit anderen Worten, T ist für alle Ziele mindestens so gut wie T{{0}} und für mindestens eines sogar besser. Diese Dominanzrelation wird als T � T0 bezeichnet. Wenn eines der Ziele von T nicht besser als T0 ist und sein Wert nicht verbessert werden kann, ohne einige der anderen Zielwerte zu verschlechtern, dann wird T nicht von T0 dominiert

Ein Beispiel für eine nicht dominierte Lösung ist T mit höheren Diversitätswerten, aber höheren Kommunikationskosten als T0. In diesem Nicht-Dominanz-Fall sind entweder T und T0 mögliche Lösungen für die nächste Generation.

Sobald der Algorithmus alle Dominanzbeziehungen der Chromosomen abbildet, erstellt er eine erste Pareto-Lösungsfront, die aus allen nicht dominierten Lösungen besteht (F1). Diese Menge wird auch als Pareto-Optimum bezeichnet.

Dann erstellt der Algorithmus eine zweite Front von Pareto-optimalen Lösungen (F2), die in der ersten Front ignoriert wurden, und so weiter. Als Ergebnis ordnet der Algorithmus die Chromosomen der Population in eine Hierarchie von Subpopulationen ein. Die Sortierung findet so lange aufeinanderfolgende Pareto-Fronten, bis alle Chromosomen einer Pareto-Front zugeordnet sind.

Neue Bevölkerung. Der Algorithmus wählt dann die besten R-Chromosomen für die nächste Generation aus. Zu einem bestimmten Zeitpunkt sind 2r Chromosomen in der hierarchischen Pareto-Front F sortiert. Der Algorithmus erstellt die neue Population P0durch Hinzufügen der in den Pareto-Fronten gespeicherten Chromosomen.

Wenn die Gesamtgröße der ersten Pareto-Front kleiner als r ist, dann addiert der Algorithmus alle Chromosomen dieser Front zu P{{0}}. Anschließend fügt der Algorithmus die verbleibenden Lösungen für die neue Population aus den nachfolgenden nicht dominierten Fronten hinzu. Der Algorithmus setzt diesen Vorgang fort, bis er keine weiteren Fronten zu P0 hinzufügen kann.

Enge Distanz. Der Algorithmus muss der neuen Population so lange Chromosomen hinzufügen, bis genau r Chromosomen vorhanden sind. Wenn der zuletzt ausgewählte nicht-dominierte Pareto-Front-Fk mehr Chromosomen aufweist, als zu P0 hinzugefügt werden dürfen, muss der Algorithmus einen kleineren Satz aus Fk auswählen, um die r Chromosomen zu vervollständigen.

Sei d ¼ r SizeðPÞ, die Anzahl der fehlenden Chromosomen, um r zu vervollständigen. Der Algorithmus identifiziert die besten δ-Chromosomen aus diesem letzten vorderen Fk, indem er den Überfüllungsabstand zwischen den Chromosomen berechnet.

Diese Metrik bestimmt, wie ähnlich die Chromosomen hinsichtlich der Leistung im Mehrzielproblem sind. Nach der Berechnung dieses Abstands ordnet der Algorithmus die Chromosomen nach ihren Abständen und eliminiert Chromosomen, die eine ähnliche Leistung wie andere Chromosomen aufweisen. Dieses Verfahren hält andere vor Lösungen und entfernt überflüssige Chromosomen.

Dann werden die δ besten Chromosomen von Fk zu P{{0}} hinzugefügt. Infolgedessen zählt P0 mit den besten Chromosomen und wird zum Elternteil der nächsten Generation, wodurch eine neue Iteration beginnt.

Daten

In diesem Abschnitt bewerten wir den vorgeschlagenen Algorithmus für unser Teambildungsproblem anhand von drei realen Datensätzen. Die Datenquellen sind MyDreamTeam (eine Teambildungsplattform), Bibsonomy (eine Social-Bookmarking-Site) und GHTorrent (eine GitHub-Repository-Datenbank).

Die Verwendung dieser Datensätze zur Simulation von Teams für dieses Teambildungsproblem veranschaulicht die Wirksamkeit unseres Frameworks in realen Szenarien. Wir zeigen zusammenfassende Statistiken aus diesen Datensätzen in Tabelle 2. Die resultierenden Daten und die Skripte zur Vorverarbeitung der Rohdaten sind unter verfügbarhttp://nusoniclab.github.io/.

MyDreamTeam-Datensatz. Wir bewerten unseren vorgeschlagenen Algorithmus anhand von Daten aus echten Teambildungsfällen. Wir haben diesen Datensatz aus dem My Dream Team Builder [33] extrahiert, einem Empfehlungssystem, das Einzelpersonen bei der Selbstzusammenstellung von Teams unterstützt.

Dieser Datensatz enthält Fälle von Teilnehmern, die ihre Teams selbst zusammenstellen. Die Fälle stammen aus den Jahren 2014 bis 2020. Auf diesem Empfehlungssystem erstellen Teilnehmer Profile, suchen nach Teamkollegen und versenden Einladungen zur Bildung von Teams.

Bei den Fällen handelt es sich um Lehrveranstaltungen von Universitäten in den Vereinigten Staaten. Der Datensatz umfasst die Merkmale, Demografien und sozialen Netzwerke der Teilnehmer, die sie in einer ersten Umfrage angegeben haben. Wir haben drei Fälle ausgewählt, um unseren Algorithmus zu testen: einen Bachelor-Kurs, einen Master-Kurs und einen MBA-Kurs. Die Teilnehmer nutzten das System, um Teams für Diskussionen in kleinen Gruppen zusammenzustellen.

Die Erlaubnis zum Sammeln von Daten von Teilnehmern wurde vom Northwestern University Institutional Review Board (#STU00078513) genehmigt. Bei dieser Untersuchung wurden alle geltenden institutionellen und staatlichen Vorschriften zum ethischen Umgang mit menschlichen Probanden befolgt.

Die elektronische Einwilligung der Studienteilnehmer wurde über ein Online-Umfrageinstrument eingeholt. Die Teilnehmer wurden gebeten, der Verwendung der über My Dream Team Builder gesammelten Daten zu Forschungszwecken zuzustimmen. Wir haben die Benutzerkennungen gehasht, um einen anonymisierten Datensatz zu erstellen.

BibSonomy. Der zweite Datensatz stammt aus BibSonomy [34], einem Social-Bookmarking- und Publikations-Sharing-System. Wir haben uns für die Bibsonomie entschieden, da frühere Papiere zur Teambildung ihre Algorithmen anhand dieser Datenbank getestet hatten [58].

Dieser Datensatz wird von der Knowledgeand Data Engineering Group der Universität Kassel verwaltet. Der Bibsonomy-Datensatz ist unter einer Lizenzvereinbarung verfügbar und kann unter https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/ angefordert werden. Dieser Datensatz enthält eine große Anzahl an Veröffentlichungen mit Informatikbezug. Jede Veröffentlichung wird von einer Gruppe von Autoren verfasst.

Viele Benutzer besuchen die Bibsonomy-Website und verwenden Tags, um die Veröffentlichungen zu kommentieren. Nach dem von Anagnostopoulos et al. [58] verwendeten wir die mit den Arbeiten jedes Autors verknüpften Tags, um deren Fähigkeiten darzustellen. Die Fähigkeiten jedes Autors stellen die Anzahl der mit seinem jeweiligen Tag veröffentlichten Artikel dar. Wir haben drei Zeitschriften mit Bezug zur Analyse sozialer Netzwerke ausgewählt, um unseren Algorithmus zu testen: „Nature“, „Science“ und „Physica A: Statistical Mechanics and its Applications“.

Wir haben die Häufigkeit der Tags in jeder dieser Zeitschriften gezählt und einige beliebte Tags ausgewählt, die sich auf unsere Studie beziehen. Für die ersten beiden Zeitschriften haben wir Artikel ausgewählt, die die Tags „Netzwerk“, „soziales Netzwerk“ und „kleine Welt“ enthielten.

Anschließend haben wir die Autoren dieser Artikel identifiziert, das Co-Autorennetzwerk erstellt und die Autoren aus der größten Komponente ausgewählt. In ähnlicher Weise haben wir dieses Verfahren für das dritte Journal durchgeführt und dabei die Tags „Netzwerk“, „Graph“, „Modell“ und „System“ verwendet. Wir haben die Namen der Autoren gehasht, um einen anonymisierten Datensatz zu erstellen.

GHTorrent. Wir haben GitHub-Daten verwendet, die vom GHTorrent-Projekt [35] bereitgestellt wurden, einem Offlinespiegel der über die GitHub-API angebotenen Daten. Dieser Datensatz kann unter https://ghtorrent.org/downloads.html heruntergeladen werden. Der GHTorrent-Datensatz deckt ein breites Spektrum an Entwicklungsaktivitäten auf Github ab, einschließlich Repositories, Pull-Requests und Benutzer. Wir haben den Datensatz-Dump „01.06.2019“ heruntergeladen, um unseren Testdatensatz zu erstellen.

Wir haben Benutzer herausgefiltert, die zwischen 40 und 80 Projekte beigesteuert haben, um den Durchschnittsbenutzer in unserer Analyse zu behalten. Wir folgten einem ähnlichen Ansatz wie der BibSonomy-Datensatz und verwendeten Programmiersprachen, die mit den von jedem Benutzer beigesteuerten Repositorys verknüpft sind, um die Fähigkeiten der Benutzer darzustellen.

Die Fähigkeiten jedes Benutzers stellen die Anzahl der beigesteuerten Projekte dar, die in einer bestimmten Sprache geschrieben wurden. Da Repositorys Dateien in mehreren Sprachen enthalten können, haben wir die am häufigsten verwendete Sprache des Repositorys als Sprache des Repositorys ausgewählt.

Wir haben drei der beliebtesten Sprachen in diesem Datensatz ausgewählt: Java, Python und Ruby. Anschließend haben wir die Benutzer dieser Repositories identifiziert und das Kooperationsnetzwerk erstellt. In diesem Beispiel haben Benutzer atie, wenn sie mindestens zweimal zum selben Repository beigetragen haben. Schließlich haben wir Benutzer aus der größten Komponente ausgewählt. Wir haben die Namen der Autoren gehasht, um einen anonymisierten Datensatz zu erstellen.

Auswertung

Wir vergleichen den vorgeschlagenen Algorithmus für das Teambildungsproblem (bezeichnet als NSGA-II) mit drei bekannten Multi-Ziel-Optimierungsmethoden, die für Benchmark-Zwecke verwendet werden[62, 72]:

Pareto Local Search (PLS)-Methode. Dieser iterative Algorithmus beginnt mit einer Reihe von Zufallslösungen als Anfangspopulation und untersucht die Nachbarn jeder Lösung [73, 74]. Der Algorithmus aktualisiert die Population basierend auf der Pareto-Dominanz: Er fügt der Population nicht dominierte Nachbarn hinzu und entfernt vorhandene Lösungen, die von den neu hinzugefügten Lösungen dominiert werden.

Sobald die Umgebung einer Lösung vollständig erforscht wurde, wird die Lösung als erforscht markiert. Der Algorithmus erforscht iterativ neue Lösungen, während sie der Grundgesamtheit hinzugefügt werden, bis keine besseren Lösungen mehr gefunden werden. Nachdem alle Lösungen untersucht wurden und keine weiteren nichtdominierten Lösungen gefunden werden können, stoppt der Algorithmus. Wir haben die von Zihayat et al. vorgeschlagene Version implementiert. [72] für kombinatorische Probleme.

In dieser Implementierung sind die Nachbarn einer Lösung alle möglichen Teamkombinationen aus der Lösung, wobei zwei Mitglieder die Teams tauschen. Da PLS nicht von einer festen Anzahl von Generationen abhängt, führen wir nur eine Iteration dieses Algorithmus aus, um seine Ergebnisse mit den anderen Methoden zu vergleichen.

Bei n Individuen und der Tatsache, dass der Algorithmus n2 Nachbarn jeder Lösung untersucht, beträgt die Rechenkomplexität dieser Implementierung im besten Fall O(n3).

For more information:1950477648nn@gmail.com