Meklējot daudzveidīgas un saistītas komandas: skaitļošanas pieeja dažādu komandu komplektēšanai, pamatojoties uz dalībniekiem 2. daļa

Šī darba galvenais ieguldījums ir komandas veidošanas problēmas formulējums, vienlaikus ņemot vērā gan komandu dažādības līmeni, gan dalībnieku pazīstamību.

Dalībnieku iepazīšanās un atmiņa ir nesaraujami saistītas. Darbā, īpaši komandā, dalībnieku savstarpējā pazīstamība tieši nosaka komandas efektivitāti un darba kvalitāti.

Dalībnieku zināšanu līmenis tieši ietekmē komandas klusuciešot izpratni un sadarbību. Ja esat pazīstami, varat izlaist daudzus grūti izsakāmus vārdus un tieši ķerties pie darba, uzlabojot darba efektivitāti. Ja dalībnieki nav pazīstami viens ar otru, parasti saziņai ir nepieciešams ilgāks laiks, un nelielu pārpratumu dēļ var rasties nevajadzīgi konflikti un nesaskaņas.

Turklāt dalībnieku savstarpējā pazīšana tieši ietekmē arī atmiņu. Pētījumi liecina, ka cilvēki, visticamāk, atceras pazīstamus cilvēkus un lietas, jo informācija, visticamāk, piesaistīs mūsu interesi un uzmanību. Komandas darbā, ja dalībnieki ir pazīstami viens ar otru, būs vieglāk atcerēties otra vēlmes un vajadzības un izvairīties no atmiņas kļūdām, kas kavē darba virzību.

Tāpēc komandas locekļiem ir jācenšas palielināt savstarpēju pazīstamību un veicināt savstarpējo sapratni un komunikāciju, izmantojot dažādas iespējas. Ciešākas attiecības var izveidot, izmantojot kopīgus hobijus, saziņu un sadarbību, tādējādi uzlabojot komandas sadarbību un darba efektivitāti un padarot darbu efektīvāku. Var redzēt, ka mums ir jāuzlabo atmiņa, un Cistanche deserticola var ievērojami uzlabot atmiņu, jo Cistanche deserticola ir tradicionāls ķīniešu ārstniecības materiāls, kam ir daudz unikālu efektu, no kuriem viens ir atmiņas uzlabošana. Maltās gaļas iedarbīgumu nodrošina dažādas tajā esošās aktīvās sastāvdaļas, tostarp skābe, polisaharīdi, flavonoīdi utt. Šīs sastāvdaļas var dažādos veidos veicināt smadzeņu veselību.

Noklikšķiniet uz zināt 10 veidus, kā uzlabot atmiņu

Lai gan lielākā daļa pētījumu par komandas veidošanas algoritmiem ir uzskatījuši dalībnieku prasmes vai personīgās izmaksas kā komandas veidošanas mērķa funkcijas [36], mēs formulējam šo optimizācijas problēmu, pamatojoties uz dažādām dažādības operacionalizācijām (ti, atšķirību un atribūtu daudzveidību). Otrais šī darba ieguldījums ir algoritmu izstrāde šai komandas veidošanas problēmai, kas komandai piešķir pieejamās personas.

Iepriekšējās komandas veidošanas problēmas galvenokārt bija vērstas uz labākās komandas atrašanu no kopas un atlikušo personu atlaišanu [36, 37]. Šis darbs sniedz arī teorētiskas sekas komandas pētījumiem.

Jo īpaši skaitļošanas mehānismu izmantošana, lai atbalstītu komandas veidošanas procesus [38–40]. Šī pētījuma praktiskās sekas veicina vairākas kopienas, kuras ir ieguldījušas komandas daudzveidības palielināšanā.

Tā kā komandas veidotāji nevar ātri atrisināt šo problēmu, manuāli pārbaudot katru komandas kombināciju, algoritmi var automatizēt šo uzdevumu, apvienojot dalībniekus, kuriem ir esošie sociālie sakari, vienlaikus ar dažādu pieredzi, īpašībām un zināšanu līmeni [41, 42].

Šī algoritma izmantošanas paplašināšana plašākai auditorijai varētu sniegt jaunus ieguvumus grupām, kas cenšas aptvert daudzveidību un uzturēt augstu zināšanu līmeni.

Šis raksts ir paplašināta un pārskatīta sākotnējā konferences procesa versija, kas tika prezentēta programmā Complex Networks 2020 [43].

Salīdzinot ar konferences rakstu, šī versija (a) sniedz pārskatu par komandas veidošanas algoritmiem, (b) paplašina piedāvātās komandas veidošanas problēmas un algoritma definīcijas un pseidokodus, (c) uzlabo piedāvāto algoritmu, lai apstrādātu izolētas personas un kad pieejamo personu skaits nav komandas lieluma reizinātājs, (d) novērtē algoritmu ar trim datu kopām, lai pierādītu, ka mūsu optimizācijas problēma var darboties arī citos komandas veidošanas domēnos, (e) salīdzina tās veiktspēju ar citiem etaloniem vairāku mērķu algoritmiem, (f) izmanto kvantitatīvus rādītājus, lai salīdzinātu algoritmu rezultātus, (g) detalizēti izklāsta šī darba atklājumus un ietekmi uz pētniekiem un praktiķiem, un (h) nodrošina skriptus datu kopu iepriekšējai apstrādei, iepriekš apstrādātās datu kopas un skriptus ar mūsu piedāvātais algoritms un etalonalgoritmi reproducējamības nolūkos.

Saistīts darbs

Datorzinātņu zinātnieki ir izstrādājuši dažādas pieejas komandas uzdevumu risināšanai [36, 44, 45]. Stipendija ir secinājusi, ka visefektīvāko komandas kombināciju atrašana no indivīdu kopuma ir sarežģīta skaitļošanas problēma, un indivīdiem to ir vēl grūtāk atrisināt manuāli.

Tas ir sarežģīts uzdevums, kas prasa izvērtēt visas iespējamās kombinācijas starp pūla dalībniekiem, kas var kļūt par nepārvaramu kombinatorisku izaicinājumu. Ņemot vērā n dalībnieku kopu, kas jāiedala k izmēra komandās, mums ir jāaprēķina iteratīva permutācija, kurā mēs varam atlasīt pirmos k dalībniekus no n, pēc tam citus k dalībniekus no n − k utt. Pieņemot, ka k ir n daudzkārtnis, mums jāaprēķina n/k permutācijas.

Rezultātā mums ir jāaprēķina n!/(k!n/k�(n/k)!) iespējamās komandu kombinācijas n dalībnieku pūlam. Ja vēlamies no 18 skolēnu klases komplektēt trešā lieluma komandas, ir 190 590 400 iespējamās kombinācijas (18!/(3! 6�6!)). Šīs kombinācijas tiek novērtētas faktoriālajā laikā (ti, O(n!)). Tāpēc šo uzdevumu nevar veikt inpolinomiālā laikā, un, lai efektīvi atrastu risinājumus, ir nepieciešamas dažādas pieejas.

Jaunākie literatūras apskati [36, 37, 46] raksturo komandu veidošanas algoritmus pēc trim galvenajām dimensijām: (i) komandu skaits, kas izriet no algoritma, (ii) dalībnieku atribūti, ko ņem vērā algoritms, un (iii) skaits. no algoritma aplūkotajām mērķa funkcijām.

Komandu skaits

Lielākā daļa risinājumu piedāvā atrast labāko iespējamo komandu no konkrēta personu kopuma. "Labākās komandas" pieeja parasti uzskata, ka komandas veidošanas problēma ir uzdevuma problēma, kuras mērķis ir atrast labākos dalībniekus, kas var izveidot komandu.

Galvenais ieguldījums šajā literatūrā ir balstīts uz metodoloģijas jauninājumiem. Piemēram, El-Ashmawi et al. [47] meklēja komandu ar viszemākajām komunikācijas izmaksām starp komandas locekļiem, izmantojot daļiņu spieta optimizācijas algoritmu. Bhowmik et al. [48] ​​izstrādāja komandas veidošanas algoritmu, izmantojot submodulāru funkciju optimizāciju.

Ar šo ieviešanu tiek atrasta labākā ekspertu komanda ar atvieglotiem ierobežojumiem: komandām "jābūt" dažām prasmēm, kamēr tām "vajadzētu" būt citām. Visbeidzot, Keane et al. [49] izmanto komandas veidošanas algoritmu, izmantojot gradienta paaugstināšanas sistēmu, lai atrastu minimālo komandu ar ekspertiem, kuri var efektīvi strādāt kopā. Šo metožu ierobežojums ir tāds, ka tās nodrošina tikai vienu "labāko" komandu, nevis vairākas komandas, kurās ir visi dalībnieki no pieejamā kopas.

Dažos pētījumos ir pētīta problēma, kas saistīta ar visu pieejamo personu piešķiršanu komandām. Oneapproach veido vairākas komandas, izmantojot iteratīvu heiristiku. Šajā gadījumā komandas tiek komplektētas, izvelkot k grupas dalībniekus atbilstoši mērķa funkcijai, līdz vairs neviens dalībnieks nepaliek bez komandas.

Viens piemērs ir Agrawal et al. [50], kas ierosināja heiristiskus goritmus, lai palielinātu ieguvumu (vai samazinātu izmaksas), kas apkopotas visās komandās, kas sapulcinātas no pieejamo personu kopuma.

Šajā rakstā ir parādīti divi iteratīvi heiristiskie algoritmi, kas apvieno "spēcīgus" dalībniekus ar citiem, kas ir "vājāki" par viņiem. Rezultātā eksperti tiek sadalīti starp vairākām komandām. Otra pieeja ir komandas veidošanas problēmas formulēšana kā nodalījuma problēma. Personu kopums ir sadalīts komandās, izmantojot heiristisko metriku visām saliktajām komandām.

Dažās implementācijās tiek izmantoti klasterizācijas algoritmi, kuru mērķis ir atrast dalībniekus, kuriem ir līdzīgas īpašības. Daži piemēri ir Nurjanah et al. implementācija [51], kas izmanto Fuzzy C-Means, lai grupētu indivīdus viendabīgās komandās [51], un Srba un Bielikova implementācija [52], kas grupē studentus atbilstoši specifiskām sadarbības īpašībām.

Trešā pieeja ir efektīvu komandu kombināciju atrašana, izmantojot evolūcijas algoritmus [53, 54]. Īsāk sakot, evolūcijas algoritmi sāk visus dalībniekus piešķirt nejaušām komandām un pēc tam iteratīvi maina dalībnieku dalību, lai atrastu labākas komandu kombinācijas. Pēc kombināciju novērtēšanas, izmantojot noteiktas mērķa funkcijas, evolūcijas algoritmi saglabā labākās komandu kombinācijas, lai nākamajā iterācijā atrastu jaunas kombinācijas.

Viens piemērs ir Agustı´n-Blas et al. [53], kurš izstrādāja ģenētisku algoritmu, kas organizē indivīdus grupās un meklē komandu kombinācijas, kas maksimāli palielina grupām nepieciešamos resursus.

Dalībnieku atribūti

Otrā dimensija koncentrējas uz dalībnieku atribūtiem, ko ņem vērā algoritms. Algoritmu mērķis ir atrast dalībniekus, kas maksimāli palielina konkrētus komandas atribūtus, piemēram, sociālo sakaru skaitu starp dalībniekiem vai prasmju skaitu, ko aptver komanda.

Lielākā daļa algoritmu kā galveno mērķi nosaka prasmju (vai zināšanu) klātbūtni komandā. Šīs pieejas ilustrācija ir Zakariana un Kusiaka algoritms [55], kas izmanto matemātisko programmēšanu, lai atrastu dalībniekus, kuri komandai dod īpašu prasmi.

Citas skaitļošanas implementācijas ierosina dalībniekus piešķirt atbilstoši viņu lomām. Algoritms, kas balstīts uz šo pieeju, ir Yannibelli et al. [56], kurš izstrādāja evolucionāru pieeju, kas apvieno studentu komandas, piešķirot dalībniekus noteiktām lomām.

Turklāt, veidojot komandas, algoritmi var ietvert dalībnieku sociālos tīklus. Lappas et al. [57] meklēt labāko komandu ar viszemāko sociālo attālumu starp dalībniekiem (ti, saziņas izmaksu aizstājēju).

Šajā rakstā ir piedāvāti divi algoritmi ar nosaukumu “Vispirms retākie” un “Uzlabotais steineris”. Ņemot vērā problēmu izveidot labāko k lieluma komandu ar dalībniekiem, kuriem ir prasmes atrisināt uzdevumu T no sociālā tīkla G, pirmais algoritms meklē mazāko iespējamo grafa diametru starp k dalībniekiem, kuriem ir prasmes atrisināt T. Otrais algoritms meklē mazākajai malu apakškopai, kas savieno k dalībniekus ar prasmēm atrisināt T (ti, minimālo aptverošo koku).

Abu algoritmu mērķis būs atrast labāko iespējamo komandu, ņemot vērā konkrētu sociālo tīklu. Citas implementācijas uzskata, ka personāla izmaksas, dalībnieku pieejamība un dalībnieku darba slodzes līdzsvars ir daļa no komandas veidošanas problēmas [58].

For more information:1950477648n@gmail.com