På jakt efter olika och sammankopplade team: En beräkningsmetod för att sammanställa olika team baserat på medlemmar del 5

Snabbt icke-dominerat sorteringssteg. Därefter måste algoritmen välja de bästa kromosomerna från denna förening av storlek 2r. För att hitta denna uppsättning utför algoritmen en icke-dominerad sortering bland alla befintliga kromosomer från P.

Dominanssortering är en vanlig minnesteknik som hjälper oss att komma ihåg och förstå saker bättre. Den etablerar främst logiska samband mellan kunskap genom att klassificera, sortera och sammanfatta relaterad information, vilket gör det lättare för oss att förstå och komma ihåg denna kunskap.

Stegen för att dominera sortering inkluderar främst klassificering, sortering, induktion och sammanfattning. I klassificeringsstadiet behöver vi klassificera relevant information och dela in den i olika kategorier; i sorteringsstadiet måste vi bestämma nivån och betydelsen av varje kategori så att den kan ordnas i en viss ordning; i induktionsstadiet, vi Relationerna mellan olika kategorier behöver integreras och extraheras för att bättre förstå och komma ihåg denna kunskap; i sammanfattningsstadiet behöver vi se över och reflektera över hela dominanssorteringsprocessen för att upptäcka och rätta till våra brister.

Dominanssortering är nära relaterad till minnet. Det kan hjälpa oss att bättre organisera och sortera kunskap och därigenom förbättra minneseffektiviteten. Genom dominans och sortering kan vi systematiskt integrera och ordna olika information, och etablera hierarkier och sammanslutningar av kunskap och därigenom bilda ett minnesnätverk som gör våra minnen starkare och djupare. Samtidigt kan dominanssortering också hjälpa oss att bättre utforska värdet och tillämpningen av kunskap och därigenom förbättra vårt tänkande och vår problemlösningsförmåga.

Kort sagt är dominanssortering en mycket praktisk minnesteknik som kan hjälpa oss att bättre förstå och komma ihåg olika kunskaper. Genom kontinuerlig övning och tillämpning kan vi bli mer skickliga på att bemästra denna färdighet, och därigenom lägga en solid grund för vårt lärande och utveckling. Det kan ses att vi behöver förbättra minnet, och Cistanche deserticola kan förbättra minnet avsevärt eftersom Cistanche deserticola är ett traditionellt kinesiskt läkemedelsmaterial som har många unika effekter, varav en är att förbättra minnet. Effekten av malet kött kommer från de olika aktiva ingredienserna det innehåller, inklusive syra, polysackarider, flavonoider, etc. Dessa ingredienser kan främja hjärnans hälsa på olika sätt.

Klicka på Vet korttidsminne hur du kan förbättra

Målet är att identifiera lösningar som presterar bättre än andra och klassificera dem efter deras prestanda i olika Pareto-fronter F. Algoritmen kontrollerar först dominansförhållandena mellan alla kromosomerna. Givet två kromosomer, T och T{{0}}, dominerar T T0 om och endast om Cc(T)�Cc(T0) och V(T)�V( T0) med minst en strikt ojämlikhet.

Med andra ord, T är minst lika bra som T{{0}} för alla mål och absolut bättre för minst ett. Denna dominansrelation betecknas som T � T0. Om ett av målen för T inte är bättre än T0 och det inte kan förbättras i värde utan att försämra några av de andra objektiva värdena, så är T icke-dominerat av T0

Ett exempel på en icke-dominerad lösning är T som har högre mångfaldspoäng men högre kommunikationskostnader än T0. I det icke-dominansfallet är antingen T och T0 genomförbara lösningar för nästa generation.

När algoritmen väl kartlagt alla kromosomernas dominansförhållanden skapar den en första Pareto-front av lösningar som består av alla icke-dominerade lösningar (F1). Denna uppsättning är också benämnd som Pareto-optimal.

Sedan skapar algoritmen en andra front av Pareto optimala lösningar (F2) som ignorerades i den första fronten, och så vidare. Som ett resultat sorterar algoritmen befolkningens kromosomer i en hierarki av delpopulationer. Sorten fortsätter att hitta på varandra följande Pareto-fronter tills alla kromosomer tilldelas en Pareto-front.

Ny befolkning. Algoritmen väljer sedan ut de bästa kromosomerna för nästa generation. Vid en given tidpunkt finns det 2:e kromosomerna sorterade i den hierarkiska Pareto-fronten F. Algoritmen skapar den nya populationen P0och lägger till kromosomerna lagrade i Pareto-fronterna.

Om den totala storleken på den första Pareto-fronten är mindre än r, adderar algoritmen alla kromosomerna på denna front till P{{0}}. Sedan lägger algoritmen till de återstående lösningarna för den nya befolkningen från de efterföljande icke-dominerade fronterna. Algoritmen fortsätter denna procedur tills den inte kan lägga till fler fronter till P0.

Trängselavstånd. Algoritmen måste lägga till kromosomer till den nya populationen tills det finns exakt r kromosomer. Om den senast valda icke-dominerade Pareto-fronten Fk har fler kromosomer än vad som är tillåtet att addera till P0, måste algoritmen välja en mindre uppsättning från Fk för att slutföra r-kromosomerna.

Låt d ¼ r SizeðPÞ, antalet saknade kromosomer för att komplettera r. Algoritmen identifierar de bästa δ-kromosomerna från denna sista front Fk genom att beräkna trängselavståndet mellan kromosomerna.

Detta mått bestämmer hur lika kromosomerna är när det gäller prestanda i det multiobjektiva problemet. Efter att ha beräknat detta avstånd rangordnar algoritmen kromosomerna enligt deras avstånd och eliminerar kromosomer som fungerar på samma sätt som andra kromosomer. Denna procedur håller utomlands framför lösningar och tar bort överflödiga kromosomer.

Sedan läggs de δ bästa kromosomerna från Fk till P{{0}}. Som ett resultat räknas P0 med de r bästa kromosomerna och blir förälder till nästa generation, och startar en ny iteration.

Data

I det här avsnittet utvärderar vi den föreslagna algoritmen för vårt teambildningsproblem med hjälp av tre verkliga datamängder. Datakällorna är MyDreamTeam (en teambildande plattform), Bibsonomy (en social bookmarking-sajt) och GHTorrent (en GitHub-repository-databas).

Att använda dessa datauppsättningar för att simulera team för detta teambildningsproblem illustrerar effektiviteten av vårt ramverk i verkliga scenarier. Vi visar sammanfattande statistik från dessa datamängder i tabell 2. Den resulterande datan och skripten för att förbearbeta rådata finns tillgängliga påhttp://nusoniclab.github.io/.

MyDreamTeam dataset. Vi utvärderar vår föreslagna algoritm med hjälp av data från riktiga teamformationsfall. Vi extraherade denna datauppsättning från My Dream Team Builder [33], ett rekommendationssystem för att hjälpa individer att själva sätta ihop team.

Denna datauppsättning innehåller fall av deltagare som själva sätter ihop sina lag. Fallen är från 2014 till 2020. På detta rekommendationssystem skapar deltagarna profiler, söker efter lagkamrater och skickar inbjudningar till att bilda lag.

Fallen består av klasser från universitet i USA. Datauppsättningen inkluderar deltagarnas egenskaper, demografi och sociala nätverk, som de rapporterade i en första undersökning. Vi valde ut tre fall för att testa vår algoritm: en grundkurs, en forskarutbildning och en MBA-kurs. Deltagarna använde systemet för att sätta ihop team för små gruppdiskussioner.

Tillstånd att samla in data från deltagare godkändes av Northwestern UniversityInstitutional Review Board (#STU00078513). Alla tillämpliga institutionella och statliga bestämmelser om etisk användning av mänskliga försökspersoner följdes under denna forskning.

Elektroniskt samtycke erhölls från studiedeltagare via ett online-enkätinstrument. Deltagarna ombads att samtycka till att använda data som samlats in genom My Dream Team Builder för forskningsändamål. Vi hashade användarnas identifierare för att skapa en avidentifierad datauppsättning.

BibSonomy. Den andra datamängden är extraherad från BibSonomy [34], ett system för socialt bokmärke och publikationsdelning. Vi valde bibsonomy eftersom tidigare teambildning testade sina algoritmer med denna databas [58].

Denna datauppsättning administreras av Knowledgeand Data Engineering Group, University of Kassel. Bibsonomy-datauppsättningen är tillgänglig under ett licensavtal, och den kan begäras på https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. Denna datauppsättning innehåller ett stort antal datavetenskapsrelaterade publikationer. Varje publikation är skriven av en grupp författare.

Många användare besöker Bibsonomys webbplats med taggar för att kommentera publikationerna. Efter proceduren som beskrivs av Anagnostopoulos et al. [58] använde vi taggarna förknippade med varje författares papper för att representera deras färdigheter. Varje författares skicklighet representerar antalet artiklar som publicerats med respektive tag. Vi valde ut tre tidskrifter relaterade till sociala nätverksanalyser för att testa vår algoritm: "Nature", "Science" och "Physica A: Statistical Mechanics and its Applications."

Vi räknade frekvensen av taggarna i var och en av dessa tidskrifter och valde ut några populära taggar relaterade till vår studie. För de två första tidskrifterna valde vi artiklar som inkluderade taggarna 'nätverk', 'socialt nätverk' och 'liten värld'.

Sedan identifierade vi författarna till dessa artiklar, skapade nätverket för medförfattare och valde ut författare från den största komponenten. På samma sätt gjorde vi denna procedur för den tredje journalen med taggarna 'nätverk', 'graf', 'modell' och 'system'. Wehashade författarnas namn för att skapa en avidentifierad datauppsättning.

GHtorrent. Vi använde GitHub-data från GHTorrent-projektet [35], en offlinespegel av data som erbjuds via GitHub API. Denna datauppsättning kan laddas ner på https://ghtorrent.org/downloads.html. GHTorrent-datauppsättningen täcker ett brett utbud av utvecklingsaktiviteter på Github, inklusive arkiv, pull-förfrågningar och användare. Vi laddade ner datasetdumpen "06/01/2019" för att bygga vår testdatauppsättning.

Vi filtrerade användare som bidrog med mellan 40 och 80 projekt för att behålla mediananvändare i vår analys. Efter ett tillvägagångssätt som liknar BibSonomy-datauppsättningen, använde vi programmeringsspråk associerade med varje användares bidragsarkiv för att representera användarnas färdigheter.

Varje användares färdigheter representerar antalet bidragsprojekt skrivna på ett specifikt språk. Eftersom arkiv kan ha filer på flera språk, valde vi arkivets mest använda språk som arkivets språk.

Vi valde ut tre av de mest populära språken i denna datauppsättning: Java, Python och Ruby. Sedan identifierade vi användarna av dessa förvar och skapade samarbetsnätverket. I det här exemplet har användare atie om de bidragit till samma arkiv minst två gånger. Slutligen valde vi användare från den största komponenten. Vi hashade författarnas namn för att skapa en avidentifierad datauppsättning.

Utvärdering

Vi jämför den föreslagna algoritmen för teambildningsproblemet (betecknat som NSGA-II) med tre välkända multi-objektiv optimeringsmetoder som används för benchmarksyften[62, 72]:

Pareto Local Search (PLS) metod. Denna iterativa algoritm börjar med en uppsättning slumpmässiga lösningar som den initiala populationen och utforskar varje lösnings grannar [73, 74]. Algoritmen uppdaterar populationen baserat på Pareto-dominans: den kommer att lägga till icke-dominerade grannar till befolkningen och ta bort befintliga lösningar som domineras av de nyligen tillagda lösningarna.

När en lösnings grannskap har undersökts fullt ut markeras lösningen som utforskad. Algoritmen utforskar iterativt nya lösningar när de läggs till befolkningen tills inga bättre lösningar hittas. När alla lösningar har utforskats och inga fler icke-dominerade lösningar kan upptäckas, stannar algoritmen. Vi implementerade versionen som föreslagits av Zihayat et al. [72] för kombinationsproblem.

I denna implementering är en lösnings grannar alla möjliga teamkombinationer från lösningen med två medlemmar som byter team. Eftersom PLS inte är beroende av ett fast antal generationer kör vi bara eniteration av denna algoritm för att jämföra dess resultat med de andra metoderna.

Med tanke på n individer, och att algoritmen kommer att utforska n2 grannar till varje lösning, är beräkningskomplexiteten för denna implementering O(n3) i bästa fall.

For more information:1950477648nn@gmail.com