På leting etter ulike og tilknyttede team: En beregningsmetode for å sette sammen ulike team basert på medlemmer, del 5

Rask ikke-dominert sorteringstrinn. Deretter må algoritmen velge de beste kromosomene fra denne foreningen av størrelse 2r. For å finne dette settet, utfører algoritmen en ikke-dominert sortering blant alle de eksisterende kromosomene fra P.

Dominanssortering er en vanlig minneteknikk som hjelper oss å huske og forstå ting bedre. Den etablerer hovedsakelig logiske sammenhenger mellom kunnskap ved å klassifisere, sortere og oppsummere relatert informasjon, noe som gjør det lettere for oss å forstå og huske denne kunnskapen.

Trinnene for å dominere sortering inkluderer hovedsakelig klassifisering, sortering, induksjon og oppsummering. I klassifiseringsstadiet må vi klassifisere relevant informasjon og dele den inn i ulike kategorier; i sorteringsstadiet må vi bestemme nivået og viktigheten av hver kategori slik at den kan ordnes i en bestemt rekkefølge; i induksjonsstadiet, vi Forholdet mellom ulike kategorier må integreres og trekkes ut for bedre å forstå og huske denne kunnskapen; i oppsummeringsstadiet må vi gjennomgå og reflektere over hele dominanssorteringsprosessen for å oppdage og rette opp våre mangler.

Dominanssortering er nært knyttet til hukommelsen. Det kan hjelpe oss med å organisere og sortere kunnskap bedre, og dermed forbedre minneeffektiviteten. Gjennom dominans og sortering kan vi systematisk integrere og ordne ulike opplysninger, og etablere hierarkier og assosiasjoner av kunnskap, og derved danne et minnenettverk som gjør minnene våre sterkere og dypere. Samtidig kan dominanssortering også hjelpe oss å bedre utforske verdien og anvendelsen av kunnskap, og dermed forbedre vår tenkning og problemløsningsevne.

Kort fortalt er dominanssortering en veldig praktisk minneteknikk som kan hjelpe oss bedre å forstå og huske forskjellig kunnskap. Gjennom kontinuerlig øving og anvendelse kan vi bli dyktigere i å mestre denne ferdigheten, og dermed legge et solid grunnlag for vår læring og utvikling. Det kan sees at vi trenger å forbedre hukommelsen, og Cistanche deserticola kan forbedre hukommelsen betydelig fordi Cistanche deserticola er et tradisjonelt kinesisk medisinsk materiale som har mange unike effekter, hvorav en er å forbedre hukommelsen. Effekten av kjøttdeig kommer fra de ulike aktive ingrediensene den inneholder, inkludert syre, polysakkarider, flavonoider osv. Disse ingrediensene kan fremme hjernens helse på ulike måter.

Klikk på Kjenn korttidsminne hvordan du kan forbedre

Målet er å identifisere løsninger som gir bedre resultater enn andre og klassifisere dem i henhold til deres ytelse i ulike Pareto-fronter F. Algoritmen sjekker først dominansrelasjonene mellom alle kromosomene. Gitt to kromosomer, T og T{{0}}, T dominerer T0 hvis og bare hvis Cc(T)�Cc(T0) og V(T)�V( T0) med minst én streng ulikhet.

Med andre ord, T er minst like god som T{{0}} for alle mål og strengt tatt bedre for minst ett. Denne dominansrelasjonen er betegnet som T � T0. Hvis ett av målene til T ikke er bedre enn T0 og det ikke kan forbedres i verdi uten å forringe noen av de andre objektive verdiene, er T ikke-dominert av T0

Et eksempel på en ikke-dominert løsning er T som har høyere diversitetspoeng, men høyere kommunikasjonskostnader enn T0. I det ikke-dominerende tilfellet er enten T og T0 gjennomførbare løsninger for neste generasjon.

Når algoritmen kartlegger alle kromosomenes dominansforhold, skaper den en førstePareto-front av løsninger som består av alle de ikke-dominerte løsningene (F1). Dette settet er også betegnet som Pareto-optimal.

Deretter oppretter algoritmen en andre front av Pareto optimale løsninger (F2) som ble ignorert i den første fronten, og så videre. Som et resultat sorterer algoritmen befolkningens kromosomer i et hierarki av underpopulasjoner. Sorteringen fortsetter å finne påfølgende Pareto-fronter til alle kromosomer er tilordnet en Pareto-front.

Ny befolkning. Algoritmen velger deretter de beste kromosomene for neste generasjon. På et gitt tidspunkt er det 2r-kromosomer sortert i den hierarkiske Pareto-fronten F. Algoritmen oppretter den nye populasjonen P0og legger til kromosomene som er lagret i Pareto-frontene.

Hvis den totale størrelsen på den første Pareto-fronten er mindre enn r, legger algoritmen alle kromosomene til denne fronten til P{{0}}. Deretter legger algoritmen til de gjenværende løsningene for den nye befolkningen fra de påfølgende ikke-dominerte frontene. Algoritmen fortsetter denne prosedyren til den ikke kan legge til flere fronter til P0.

Trengselavstand. Algoritmen må legge til kromosomer til den nye populasjonen til det er nøyaktig r kromosomer. Hvis den sist valgte ikke-dominerte Pareto-fronten Fk har flere kromosomer enn det som er tillatt å legge til P0, må algoritmen velge et mindre sett fra Fk for å fullføre r-kromosomene.

La d ¼ r SizeðPÞ, antall manglende kromosomer for å fullføre r. Algoritmen identifiserer de beste δ-kromosomene fra denne siste fronten Fk ved å beregne opphopningsavstanden mellom kromosomene.

Denne beregningen bestemmer hvor like kromosomene er når det gjelder ytelse i multi-objektive problem. Etter å ha beregnet denne avstanden, rangerer algoritmen kromosomene i henhold til deres avstander og eliminerer kromosomer som fungerer på samme måte som andre kromosomer. Denne prosedyren holder utlandet foran løsninger og fjerner overflødige kromosomer.

Deretter legges de δ beste kromosomene fra Fk til P{{0}}. Som et resultat teller P0 med de r beste kromosomene og blir foreldre til neste generasjon, og starter en ny iterasjon.

Data

I denne delen evaluerer vi den foreslåtte algoritmen for teamdannelsesproblemet vårt ved å bruke tre virkelige datasett. Datakildene er MyDreamTeam (en teamformasjonsplattform), Bibsonomy (en sosial bokmerkeside) og GHTorrent (en GitHub-depotdatabase).

Å bruke disse datasettene til å simulere team for dette teamdannelsesproblemet illustrerer effektiviteten til rammeverket vårt i virkelige scenarier. Vi viser oppsummeringsstatistikk fra disse datasettene i tabell 2. De resulterende dataene og skriptene for å forhåndsbehandle rådataene er tilgjengelige påhttp://nusoniclab.github.io/.

MyDreamTeam datasett. Vi evaluerer den foreslåtte algoritmen vår ved å bruke data fra ekte teamformasjonssaker. Vi hentet dette datasettet fra My Dream Team Builder [33], et anbefalingssystem for å hjelpe enkeltpersoner med å sette sammen team selv.

Dette datasettet inneholder tilfeller av deltakere som selv monterer teamene sine. Saker dateres fra 2014 til 2020. På dette anbefalingssystemet oppretter deltakerne profiler, søker etter lagkamerater og sender invitasjoner til å danne lag.

Sakene består av klasser fra universiteter i USA. Datasettet inkluderer deltakernes egenskaper, demografi og sosiale nettverk, som de rapporterte i en innledende undersøkelse. Vi valgte tre tilfeller for å teste algoritmen vår: et grunnkurs, et hovedfagskurs og et MBA-kurs. Deltakerne brukte systemet til å sette sammen lag for diskusjoner i små grupper.

Tillatelse til å samle inn data fra deltakere ble godkjent av Northwestern UniversityInstitutional Review Board (#STU00078513). Alle gjeldende institusjonelle og statlige forskrifter angående etisk bruk av mennesker ble fulgt under denne forskningen.

Elektronisk samtykke ble innhentet fra studiedeltakerne via et nettbasert undersøkelsesinstrument. Deltakerne ble bedt om å samtykke til å bruke data samlet inn gjennom My Dream Team Builder til forskningsformål. Vi hashet brukeres identifikatorer for å lage et avidentifisert datasett.

BibSonomy. Det andre datasettet er hentet fra BibSonomy [34], et sosialt bokmerke- og publikasjonsdelingssystem. Vi valgte bibsonomi siden tidligere teamdannelse testet algoritmene deres ved å bruke denne databasen [58].

Dette datasettet administreres av Knowledgeand Data Engineering Group, University of Kassel. Bibsonomy-datasettet er tilgjengelig under en lisensavtale, og det kan bestilles på https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. Dette datasettet inneholder et stort antall informatikkrelaterte publikasjoner. Hver publikasjon er skrevet av en gruppe forfattere.

Mange brukere besøker Bibsonomy-nettstedet ved å bruke tagger for å kommentere publikasjonene. Etter prosedyren beskrevet av Anagnostopoulos et al. [58], brukte vi kodene knyttet til hver forfatters artikler for å representere deres ferdigheter. Hver forfatters ferdigheter representerer antall artikler publisert med deres respektive tag. Vi valgte ut tre tidsskrifter relatert til sosial nettverksanalyse for å teste algoritmen vår: «Nature», «Science» og «Physica A: Statistical Mechanics and its Applications».

Vi telte frekvensen av taggene i hver av disse tidsskriftene og valgte noen populære tagger relatert til studien vår. For de to første tidsskriftene valgte vi artikler som inkluderte kodene «nettverk», «sosialt nettverk» og «liten verden».

Deretter identifiserte vi forfatterne av disse artiklene, opprettet medforfatternettverket og valgte forfattere fra den største komponenten. På samme måte gjorde vi denne prosedyren for den tredje journalen ved å bruke kodene 'nettverk', 'graf', 'modell' og 'system.' Vesket forfatternes navn for å lage et avidentifisert datasett.

GHtorrent. Vi brukte GitHub-data levert av GHTorrent-prosjektet [35], et offline speil av dataene som tilbys gjennom GitHub API. Dette datasettet kan lastes ned på https://ghtorrent.org/downloads.html. GHTorrent-datasettet dekker et bredt spekter av utviklingsaktiviteter på Github, inkludert repositories, pull-forespørsler og brukere. Vi lastet ned datasettdumpen "06/01/2019" for å bygge vårt testdatasett.

Vi filtrerte brukere som bidro med mellom 40 og 80 prosjekter for å beholde medianbrukerne i analysen vår. Etter en tilnærming som ligner på BibSonomy-datasettet, brukte vi programmeringsspråk knyttet til hver brukers bidragsarkiv for å representere brukernes ferdigheter.

Hver brukers ferdigheter representerer antall innsendte prosjekter skrevet på et spesifikt språk. Siden depoter kan ha filer på flere språk, valgte vi depotets mest brukte språk som depotets språk.

Vi valgte ut tre av de mest populære språkene i dette datasettet: Java, Python og Ruby. Deretter identifiserte vi brukerne av disse depotene og opprettet samarbeidsnettverket. I dette eksemplet har brukere atie hvis de bidro til det samme depotet minst to ganger. Til slutt valgte vi brukere fra den største komponenten. Vi hashade forfatternes navn for å lage et avidentifisert datasett.

Evaluering

Vi sammenligner den foreslåtte algoritmen for teamdannelsesproblemet (betegnet som NSGA-II) med tre velkjente multi-objektive optimaliseringsmetoder brukt for benchmarkformål [62, 72]:

Pareto Local Search (PLS) metode. Denne iterative algoritmen starter med et sett med tilfeldige løsninger som den opprinnelige populasjonen og utforsker hver løsnings naboer [73, 74]. Algoritmen oppdaterer befolkningen basert på Pareto-dominans: den vil legge til ikke-dominerte naboer til befolkningen og fjerne eksisterende løsninger som er dominert av de nylig tilførte løsningene.

Når nabolaget til en løsning er fullstendig utforsket, blir løsningen merket som utforsket. Algoritmen utforsker iterativt nye løsninger etter hvert som de legges til befolkningen til ingen bedre løsninger blir funnet. Etter at alle løsningene er utforsket, og ingen flere ikke-dominerte løsninger kan oppdages, stopper algoritmen. Vi implementerte versjonen foreslått av Zihayat et al. [72] for kombinasjonsproblemer.

I denne implementeringen er en løsnings naboer alle mulige teamkombinasjoner fra løsningen med to medlemmer som bytter team. Siden PLS ikke er avhengig av et fast antall generasjoner, kjører vi kun éniterering av denne algoritmen for å sammenligne resultatene med de andre metodene.

Gitt n individer, og at algoritmen vil utforske n2 �naboer til hver løsning, er beregningskompleksiteten til denne implementeringen O(n3) i beste fall.

For more information:1950477648nn@gmail.com