Meklējot daudzveidīgas un saistītas komandas: skaitļošanas pieeja dažādu komandu komplektēšanai, pamatojoties uz dalībniekiem 3. daļa

Mērķa funkciju skaits

Trešā dimensija ir mērķu skaits, ko optimizē komandas veidošanas algoritms. Daži piemēri ir komandu komunikācijas izmaksu samazināšana, darbinieku personāla izmaksu samazināšana un katrā komandā esošo prasmju skaita palielināšana.

Attiecības starp komandas veidošanas algoritmiem un atmiņu ir cieši saistītas. Komanda ir cilvēku kopums, katrs ar savām idejām un spējām, bet lielāku vērtību var sasniegt tikai tad, ja visi strādā kopā.

Komandas veidošanas algoritma kodols ir tas, kā panākt, lai dažādi cilvēki sadarbotos harmoniskāk. Šajā procesā ikvienam ir jāizmanto savas stiprās puses atbilstoši savām lomām un uzdevumiem, un tajā pašā laikā ir efektīvi jāsazinās un jāsaskaņo ar citiem komandas locekļiem.

Atmiņai šajā procesā ir svarīga loma. Komandā ir nepieciešams nepārtraukti fiksēt katra dalībnieka uzdevumus un ieguldījumu, kā arī komandas progresu un problēmas. Tikai tādā veidā komandā var veidoties efektīva komunikācija un sadarbība, kā arī tas var palīdzēt komandas dalībniekiem labāk izprast savus pienākumus un lomas.

Turklāt komandas veidošanas algoritmi un atmiņa var arī pastiprināt viens otru. Komandas veidošanas algoritmi var palīdzēt cilvēkiem labāk izprast, kā strādāt kopā, un attīstot spēcīgākas atmiņas šajā procesā, cilvēki varēs arī labāk ierakstīt un saprast dažādu informāciju par komandu.

Tāpēc mums ir jāatzīst komandas veidošanas algoritmu un atmiņas nozīme komandai. Tikai nepārtraukti sazinoties un sadarbojoties, kā arī reģistrējot un organizējot informāciju, komanda var darboties efektīvāk un radīt lielāku vērtību. Var redzēt, ka mums ir jāuzlabo atmiņa, un Cistanche deserticola var būtiski uzlabot atmiņu, jo Cistanche deserticola var regulēt arī neirotransmiteru līdzsvaru, piemēram, palielināt acetilholīna un augšanas faktoru līmeni. Šīs vielas ir ļoti svarīgas atmiņai un mācībām. Turklāt gaļa var arī uzlabot asins plūsmu un veicināt skābekļa piegādi, kas var nodrošināt, ka smadzenes saņem pietiekami daudz barības vielu un enerģijas, tādējādi uzlabojot smadzeņu vitalitāti un izturību.

Noklikšķiniet uz Zināt, lai uzlabotu īstermiņa atmiņu

Lielākā daļa algoritmu komandas veidošanas problēmu definē ar vienu mērķi ar ierobežojumiem [59].

Iepriekš minētie piemēri atbilst šim viena mērķa funkcijas dizainam. Kļūda ir tāda, ka citi labvēlīgi mērķi komandas sastāvam nevar būt konsioptimizācijas procesā vienlaikus (piemēram, samazinot komunikācijas izmaksas, vienlaikus palielinot komandas prasmes).

Iepriekšējie pētījumi ir ieviesuši vairāk nekā vienu objektīvu funkciju komandas veidošanas problēmai. Viens piemērs ir Kargar et al. [60], kurā parādīts "Minimālo izmaksu ieguldījuma" (MCC) algoritms. Tās mērķis ir meklēt komandu ar viszemākajām komunikācijas izmaksām un viszemākajām personāla izmaksām vienlaikus.

MMC mērķa funkcija ir lineāra abu izmaksu funkciju kombinācija ar parametru λ, kas norāda kompromisu starp saziņu un personīgajām izmaksām. Šis algoritms ievieš heiristisku pieeju, kas pakāpeniski pievieno jaunus dalībniekus komandai un ņem vērā jauna dalībnieka pievienošanas izmaksas saistībā ar saliktās komandas pašreizējām izmaksām.

Neraugoties uz šo lineāro kombināciju formulējumu priekšrocībām, šai pieejai ir divi ierobežojumi: tā nodrošina tikai vienu komandas risinājumu, un tā izplūdes mainīgais izmaksu funkcijām ir jāiestata iepriekš. Tādējādi citu piemērotu risinājumu atrašana, izmantojot šīs metodes, ir atkarīga no kompromisa mainīgā pielāgošanas, kas var izraisīt neobjektivitāti meklēšanas procesā [61].

Nesenie algoritmiskie ieguldījumi ir formulējuši komandas veidošanas problēmu kā vairāku mērķu optimizācijas problēmu, lai vienlaikus optimizētu divas vai vairākas mērķa funkcijas[62, 63].

Šīs problēmas ietver kompromisus starp diviem vai vairākiem mērķiem, jo ​​viena mērķa labāks risinājums ir iespējams, tikai pieļaujot citu mērķi. Tādējādi vairāku mērķu optimizācijas problēmas nenodrošina vienu risinājumu, bet iegūst vairākus risinājumus, ņemot vērā atšķirīgus vairāku mērķu atbilstības uzsvarus.

Ja viena mērķa optimizācijas uzdevumos viena risinājuma pārākumu pār citiem nosaka mērķa funkcija, tad vairāku mērķu optimizācijas uzdevumos to nosaka dominēšana. Optimizācijas procesā tiek meklēti risinājumi, kas ir labāki par citiem visās mērķa funkcijās.

Rezultātā problēma nodrošina "nedominētu" risinājumu kopumu, kas sastāv no risinājumiem, kurus var uzlabot, vienlaikus nekaitējot vismaz vienam no citiem mērķiem. Vairāku mērķu optimizācija ir pazīstama arī kā Pareto optimizācija.

1. attēlā ir parādīts Pareto frontes piemērs, kas parāda dažādus nedominētus risinājumus, kas atrodas starp diviem mērķiem. Šīs Pareto frontes aprēķināšana ļauj lēmumu pieņēmējiem salīdzināt un pārbaudīt dažādus kompromisus starp abām dimensijām.

Pamatojoties uz šo pieeju, vairāku mērķu algoritmiskās ieviešanas nodrošina komandas risinājumu kopumu, kas ņem vērā dažādus mērķa funkciju novērtējumus [54, 64]. Džans un Džans ieviešana [64] atlasa dalībniekus ar visaugstākajām spējām uzdevumam un vislabākajām starppersonu attiecībām, lai izveidotu labāko komandu. Šajā pētījumā tiek izmantota particleswarm optimizācijas ieviešana, lai noteiktu, vai dalībniekam ir jābūt daļai no labākās komandas.

Risinājumi pārvietojas divdimensiju nepārtrauktā telpā, un algoritms izmanto asigmoīdu funkciju, lai binarizētu dalībnieku klātbūtni. Peress-Toledano et al. [63] izstrādāja aģenētisko algoritmu, lai atrastu konkurētspējīgas basketbola komandas, vienlaikus ņemot vērā katra spēlētāja izmaksas un vērtējumu.

Katrs risinājums sastāv no komandas no pieejamo spēlētāju kopas, un tā pēdējā Pareto priekšējā daļa parāda dažādas komandas, kas ņem vērā kompromisu starp spēlētāju vērtējumu un izmaksām. Pamatojoties uz šiem formulējumiem, komandu veidotāji var redzēt un salīdzināt citas komandas un izvēlēties, kādam mērķim viņi piešķirs prioritāti, izvēloties komandu.

Problēmas formulējums

Pārskatot attiecīgās komandas veidošanas problēmas un to atbilstošos algoritmus, mēs cenšamies īstenot šo konkrēto problēmu, kas vienlaikus palielina komandu daudzveidību un komandu pārzināšanu.

Šī problēma ir piemērota vairāku mērķu optimizācijas formulējumiem, jo, palielinot komandu pārzināšanu, var izveidot grupas ar dalībniekiem, kas ir līdzīgi viens otram [65].

Lai gan mēs varētu īstenot šo problēmu kā viena mērķa optimizācijas problēmu, mums būtu jāpiešķir prioritāte vienam no šiem mērķiem un jāizvairās no kompromisiem starp risinājumiem. Turklāt iepriekšējie komandas veidošanas formulējumi meklēja vai nu labāko komandu starp vairākiem mērķiem, vai komandu kombinācijas, kuru pamatā ir viens mērķis.
Mēs piedāvājam vairāku mērķu optimizācijas problēmu, kas visas pieejamās personas iedala komandās, kā rezultātā tiek izveidotas vairākas komandu kombinācijas, kas ņem vērā dažādus atbilstības uzsvarus dažādībai un pazīšanai. Šis darbs neattiecas uz iepriekšējiem pētījumiem par komandas veidošanu un sniedz jaunu pieeju komandas veidošanas literatūrai.

materiāli un metodes

Šajā sadaļā mēs iepazīstinām ar vairāku mērķu problēmu un definīcijām, kuras izmantosim šajā rakstā. Mūsu apzīmējumi ir apkopoti arī 1. tabulā. Mēs arī aprakstām šīs daudzmērķu problēmas NSGA-II ieviešanu un tās sastāvdaļas. Pēc tam mēs aprakstām datu kopas un etalonu algoritmus, ko izmantojām, lai novērtētu komandas veidošanas problēmu. Visbeidzot, mēs izskaidrojam kvantitatīvos rādītājus, lai salīdzinātu algoritmu rezultātus.

Definīcijas

Dalībnieki, atribūti, tīkli un komandas. Mēs uzskatām dalībnieku kopu P={p1,p2, . . ., pn} ar kategorisko atribūtu kopu C={c1, c2, . . ., cm} un skaitlisko atribūtu kopa U={u1, u2, . . ., ul}.

Šo indivīdu atribūtiem ir dažādas skalas un tie atspoguļo informāciju par katru personu (piemēram, vecums, dzimums, rase, prasmes). Atkarībā no individuālās pieejamās informācijas komandām var būt vairāki atribūti, kas raksturo to īpašības un sastāvu. Katrai personai ir sava vērtība katrā no šiem atribūtiem. Mēs apzīmējam ci(pj), lai iegūtu personas j kategoriskā atribūta ci vērtību.

Tāpat mēs izmantojam ui(pj), lai iegūtu skaitliskā atribūta ui vērtību personai j. Personu j var attēlot kā šo kategorisko un skaitlisko atribūtu vektoru. Tādējādi mums ir pj atribūti kā (c1 (pj), . . ., cm (pj), u1 (pj), . . ., ul (pj)).

Cilvēki ir savienoti sociālajā tīklā, kas modelēts kā nevirzīts un nesvērts grafs G. Mēs definējam G=(P, E), kur E apzīmē grafika malas. Katrs inG mezgls apzīmē personu no P. Šajā rakstā mēs izmantojam personu un mezglu aizvietojami. Divus cilvēkus saista mala, ja viņi agrāk ir sadarbojušies. Citiem vārdiem sakot, ja indivīdi i un j ir strādājuši kopā, tad Gi,j=1. Pretējā gadījumā Gi,j=0.

Ņemot vērā šo dalībnieku P sarakstu, kas ir savienoti tīklā G, mērķis ir atrast komandu kopu T={t1, t2, t3, . . ., tq}, kur visi P dalībnieki apvieno q komandas un pieder tikai vienai komandai. Optimizācijas dubulto problēmu var formulēt kā komunikācijas izmaksu samazināšanu starp komandas locekļiem un komandu dažādības līmeņa paaugstināšanu. Tagad mēs veidojam šos jēdzienus un aprakstām katru mērķa funkciju.

Komunikācijas izmaksas. Lappas et al. [57] koncentrējās uz ekspertu sadarbības un pazīšanās nozīmi, ņemot vērā viņu sadarbības izmaksas. Saskaņā ar šo modeli, eksperti, kas sadarbojās agrāk, visticamāk, efektīvāk apmainās ar informāciju un idejām, nekā eksperti bez iepriekšējas sadarbības.

Pamatojoties uz ekspertu iepriekšējo sadarbību, šis modelis aprēķina saziņas izmaksas starp komandas locekļiem, lai novērtētu viņu sadarbības un zināšanu līmeni. Komunikācijas izmaksu optimizācijas mērķis ir veidot komandas ar augstu zināšanu līmeni. Literatūras apskats liecina, ka saziņas izmaksas ir plaši izmantots pētnieku sadarbības un iepazīšanās aizstājējs [66].

Savā iestatījumā mēs izmantojam saziņas izmaksas kā komandu iepazīšanas aizstājēju. Kargars un An[31] atklāja, ka kopējā attālumu summa starp komandas locekļiem ir saprātīgs komunikācijas izmaksu rādītājs, jo tas ir stabilāks attiecībā uz izmaiņām tīklā nekā citi iespējamie pasākumi.

Citas saziņas izmaksu alternatīvas ir sociālā tīkla diametrs (ti, lielākais īsākais ceļš starp jebkuriem diviem tīkla mezgliem) un minimālais aptverošais koks (ti, tīkla malu minimālā svaru summa) [57].

Mēs arī īstenojām šo problēmu, izmantojot šīs divas definīcijas, un to rezultāti bija līdzīgi tiem, kas iegūti, izmantojot attālumu summu. Diametra ieviešanas rezultāti ir pieejami S1 attēlā un S1 tabulā S1 failā, un minimālā aptverošā koka ieviešanas rezultāti ir pieejami S2 attēlā un S2 tabulā S1 failā.

Mēs definējam sakaru izmaksas starp diviem indivīdiem pi un pj, kas apzīmēti kā d(pi, pj), kā īsāko ceļa garumu, šķērsojot grafika G malas no viena mezgla uz otru. Ja Pi un PJ ir sadarbojušies pagātnē, tie atrodas viena lēciena attālumā.

Ja Pi un PJ nav sadarbojušies, bet viņiem ir kopīgs iepriekšējs līdzstrādnieks, tos atdala divi veikali. Ja komandā ir kopīgi iepriekšējie līdzstrādnieki, tas var veicināt pazīstamību, kuras pamatā ir "triādes slēgšana" [67].

Šis mehānisms paredz, ka mezgli, visticamāk, izveidos jaunu savienojumu, ja tiem ir kopīgs savienojums. Trīs lēcieni un 4-apiņi var sekot tiem pašiem principiem, kuru pamatā ir "līdzsvara mehānismi" [67].

Indivīdiem būs tendence veidot jaunus sakarus ar līdzstrādnieku līdzstrādniekiem, lai meklētu konsekvenci savā grupā. Tāpēc, izmantojot kopējo attālumu summu mūsu mērķa funkcijā, mērķis ir meklēt komandas, kas maksimāli palielina tiešo sadarbību (ti, viena lēciena), kopīgu savienojumu (divu apiņu) un ciešu savienojumu (trīs apiņu vai vairāk) skaitu. .

Vismazākā komunikācijas izmaksu vērtība ir tad, kad visi komandas locekļi ir sadarbojušies (ti, tie ir tieši savienoti), un visaugstākā ir tad, ja komandas locekļi nav savienoti vispār. Šajā ieviešanā, ja starp pi un pj nav ceļa G, mēs iestatām sakaru izmaksas starp tām kā sociālā tīkla diametru.
Mēs definējam komandas t komunikācijas izmaksas kā kopējo īsāko ceļa garumu summu starp dalībniekiem, jo ​​tā ir stabilāka tīkla izmaiņām nekā citi iespējamie pasākumi. Ar Cc(t) apzīmējam komandas t komunikācijas izmaksas, kurām ir k biedri. Tādējādi mēs definējam komandas komunikācijas izmaksas kā:

Cct ¼ Xki;j2t;i6¼jdðpi; pjÞ ð1Þ

Mērķis ir līdz minimumam samazināt īsāko ceļa garumu vidējo summu visās sapulcētajās komandās personu tīklā. Komandu kopas sakaru izmaksu summas aprēķināšana O(n2) laikā.

Komandas dažādības rezultāts. Otrais mērķis ir radīt dažādas komandas ar plašu fona, iezīmju un prasmju repertuāru klāstu. Daudzveidība apraksta atšķirību sadalījumu starp vienības locekļiem attiecībā uz kopīgu atribūtu [30].

Harisons un Kleins[30] iepazīstināja ar sistēmu, kas liek domāt, ka daudzveidību vislabāk var konceptualizēt trīs veidos: atdalīšana, dažādība un atšķirības. Atdalīšana attiecas uz atšķirībām starp komandas locekļiem viņu sānu pozīcijā kontinuumā (piemēram, vērtība, attieksme, pārliecība). Dažādība attiecas uz kategoriskām atšķirībām starp komandas locekļiem, kur pārstāvēto kategoriju skaits veicina komandas daudzveidību (piemēram, dzimums, karjera, rase).

Visbeidzot, atšķirības atspoguļo atšķirības novērtēto aktīvu vai vēlamo resursu koncentrācijā (piemēram, zināšanas, izglītības līmenis, pilnvaras). Šie rādītāji ļauj pētniekiem paralēli un atbilstoši savām teorētiskajām koncepcijām izmantot funkcionālo un demogrāfisko daudzveidību [14].

For more information:1950477648nn@gmail.com