Meklējot daudzveidīgas un saistītas komandas: skaitļošanas pieeja dažādu komandu komplektēšanai, pamatojoties uz dalībniekiem 5. daļa

Ātrs nedominējošs kārtošanas solis. Tālāk algoritmam ir jāizvēlas labākās r hromosomas no šīs 2r izmēra savienības. Lai atrastu šo kopu, algoritms veic nedominētu šķirošanu starp visām esošajām hromosomām no P.

Dominējošā stāvokļa šķirošana ir izplatīts atmiņas paņēmiens, kas palīdz mums labāk atcerēties un saprast lietas. Tas galvenokārt nosaka loģiskas sakarības starp zināšanām, klasificējot, šķirojot un apkopojot saistīto informāciju, tādējādi atvieglojot šo zināšanu izpratni un atcerēšanos.

Dominējošās šķirošanas soļi galvenokārt ietver klasifikāciju, šķirošanu, indukciju un kopsavilkumu. Klasifikācijas posmā mums ir jāklasificē attiecīgā informācija un jāsadala tā dažādās kategorijās; šķirošanas posmā mums ir jānosaka katras kategorijas līmenis un nozīme, lai to varētu sakārtot noteiktā secībā; indukcijas posmā mēs Attiecības starp dažādām kategorijām ir jāintegrē un jāizvelk, lai šīs zināšanas labāk izprastu un atcerētos; kopsavilkuma posmā mums ir jāpārskata un jāpārdomā viss dominējošā stāvokļa šķirošanas process, lai atklātu un labotu mūsu nepilnības.

Dominējošā stāvokļa šķirošana ir cieši saistīta ar atmiņu. Tas var mums palīdzēt labāk organizēt un sakārtot zināšanas, tādējādi uzlabojot atmiņas efektivitāti. Izmantojot dominēšanu un šķirošanu, mēs varam sistemātiski integrēt un sakārtot dažādu informāciju, izveidot zināšanu hierarhijas un asociācijas, tādējādi veidojot atmiņas tīklu, padarot mūsu atmiņas stiprākas un dziļākas. Tajā pašā laikā dominējošā stāvokļa šķirošana var arī palīdzēt mums labāk izpētīt zināšanu vērtību un pielietojumu, tādējādi uzlabojot mūsu domāšanas un problēmu risināšanas spējas.

Īsāk sakot, dominējošā stāvokļa šķirošana ir ļoti praktiska atmiņas tehnika, kas var palīdzēt mums labāk izprast un atcerēties dažādas zināšanas. Nepārtraukti praktizējot un pielietojot, mēs varam kļūt kvalificētāki šīs prasmes apgūšanā, tādējādi ieliekot stabilu pamatu mūsu mācībām un attīstībai. 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 efektivitāti nodrošina dažādas tajā esošās aktīvās sastāvdaļas, tostarp skābe, polisaharīdi, flavonoīdi utt. Šīs sastāvdaļas var dažādos veidos veicināt smadzeņu veselību.

Noklikšķiniet uz Zināt īstermiņa atmiņu, kā uzlabot

Mērķis ir identificēt risinājumus, kas darbojas labāk nekā citi, un klasificēt tos pēc to veiktspējas dažādās Pareto frontēs F. Algoritms vispirms pārbauda dominējošās attiecības starp visām hromosomām. Ja ir divas hromosomas, T un T{0}}, T dominē T0 tad un tikai tad, ja Cc(T)�Cc(T0) un V(T)�V( T0) ar vismaz vienu stingru nevienādību.

Citiem vārdiem sakot, T ir vismaz tikpat labs kā T{{0}} visiem mērķiem un noteikti labāks vismaz vienam. Šī dominējošā stāvokļa attiecība tiek apzīmēta kā T � T0. Ja viens no T mērķiem nav labāks par T0 un tā vērtību nevar uzlabot, nepazeminot dažas citas objektīvās vērtības, tad T nedominē T0

Viens nedominēta risinājuma piemērs ir T, kam ir augstāki dažādības rādītāji, bet lielākas saziņas izmaksas nekā T0. Šajā nedominējošā gadījumā T un T0 ir iespējami risinājumi nākamajai paaudzei.

Kad algoritms kartē visas hromosomu dominējošās attiecības, tas izveido pirmo risinājumu Pareto fronti, kas sastāv no visiem nedominētajiem risinājumiem (F1). Šis komplekts tiek saukts arī par Pareto optimālo.

Pēc tam algoritms izveido otro fronti Pareto optimālajiem risinājumiem (F2), kas tika ignorēti pirmajā frontē utt. Rezultātā algoritms sakārto populācijas hromosomas apakšpopulāciju hierarhijā. Šķirošana turpina atrast secīgas Pareto frontes, līdz visas hromosomas tiek piešķirtas Pareto frontei.

Jauna populācija. Pēc tam algoritms atlasa labākās r hromosomas nākamajai paaudzei. Noteiktā laikā hierarhiskajā Pareto frontē F ir sakārtotas 2r hromosomas. Algoritms izveido jaunu populāciju P0, pievienojot Pareto frontēs saglabātās hromosomas.

Ja pirmās Pareto frontes kopējais izmērs ir mazāks par r, tad algoritms visas šīs frontes hromosomas pievieno P{{0}}. Pēc tam algoritms pievieno atlikušos risinājumus jaunajai populācijai no turpmākajām nedominētajām frontēm. Algoritms turpina šo procedūru, līdz tas nevar pievienot vairāk frontes P0.

Drūzmēšanās attālums. Algoritmam jaunajai populācijai jāpievieno hromosomas, līdz ir precīzi r hromosomas. Ja pēdējā atlasītajā Nedominētajā Pareto frontē Fk ir vairāk hromosomu, nekā atļauts pievienot P0, algoritmam jāizvēlas mazāka kopa no Fk, lai pabeigtu r hromosomas.

Pieņemsim d ¼ r SizeðPÞ, trūkstošo hromosomu skaitu, lai pabeigtu r. Algoritms identificē labākās δ hromosomas no šīs pēdējās frontes Fk, aprēķinot drūzmēšanās attālumu starp hromosomām.

Šī metrika nosaka, cik līdzīgas hromosomas ir veiktspējas ziņā daudzu mērķu problēmā. Pēc šī attāluma aprēķināšanas algoritms sarindo hromosomas atbilstoši to attālumam un izslēdz hromosomas, kas darbojas līdzīgi citām hromosomām. Šī procedūra notur ārzemēs risinājumu priekšā un noņem liekās hromosomas.

Pēc tam δ labākās hromosomas no Fk tiek pievienotas P{{0}}. Rezultātā P0 saskaita r labākās hromosomas un kļūst par nākamās paaudzes vecāku, sākot jaunu iterāciju.

Dati

Šajā sadaļā mēs novērtējam piedāvāto algoritmu mūsu komandas veidošanas problēmai, izmantojot trīs reālās pasaules datu kopas. Datu avoti ir MyDreamTeam (komandas veidošanas platforma), Bibsonomy (sociālo grāmatzīmju vietne) un GHTorrent (GitHub repozitorija datu bāze).

Šo datu kopu izmantošana, lai modelētu komandas šai komandas veidošanas problēmai, ilustrē mūsu sistēmas efektivitāti reālos scenārijos. Šo datu kopu statistikas kopsavilkums tiek parādīts 2. tabulā. Iegūtie dati un skripti neapstrādāto datu pirmapstrādei ir pieejami vietnēhttp://nusoniclab.github.io/.

MyDreamTeam datu kopa. Mēs novērtējam mūsu piedāvāto algoritmu, izmantojot datus no reāliem komandas veidošanas gadījumiem. Mēs izvilkām šo datu kopu no My Dream Team Builder [33], ieteikumu sistēmas, kas palīdz indivīdiem pašiem izveidot komandas.

Šajā datu kopā ir ietverti gadījumi, kad dalībnieki paši komplektē savas komandas. Lietas ir no 2014. gada līdz 2020. gadam. Šajā ieteikumu sistēmā dalībnieki veido profilus, meklē komandas biedrus un nosūta uzaicinājumus izveidot komandas.

Lietas sastāv no nodarbībām no Amerikas Savienoto Valstu universitātēm. Datu kopa ietver dalībnieku iezīmes, demogrāfiskos datus un sociālos tīklus, par kuriem viņi ziņoja sākotnējā aptaujā. Mēs atlasījām trīs gadījumus, lai pārbaudītu mūsu algoritmu: bakalaura kursu, absolventu kursu un MBA kursu. Dalībnieki izmantoja sistēmu, lai pulcētu komandas mazo grupu diskusijām.

Atļauju vākt datus no dalībniekiem apstiprināja Ziemeļrietumu universitātes Institucionālā pārskata padome (#STU00078513). Šī pētījuma laikā tika ievēroti visi piemērojamie institucionālie un valdības noteikumi par cilvēku ētisku izmantošanu.

Elektroniskā piekrišana tika iegūta no pētījuma dalībniekiem, izmantojot tiešsaistes aptaujas instrumentu. Dalībniekiem tika lūgts piekrist izmantot My Dream Team Builder savāktos datus pētniecības nolūkos. Mēs sajaucām lietotāju identifikatorus, lai izveidotu datu kopu, kas nav identificēta.

BibSonomy. Otrā datu kopa ir iegūta no BibSonomy [34], sociālo grāmatzīmju un publikāciju koplietošanas sistēmas. Mēs izvēlējāmies bibsonomiju, jo iepriekšējie komandas veidošanas dokumenti pārbaudīja viņu algoritmus, izmantojot šo datu bāzi [58].

Šo datu kopu administrē Kaseles Universitātes Knowledgeand Data Engineering Group. Bibsonomijas datu kopa ir pieejama saskaņā ar licences līgumu, un to var pieprasīt vietnē https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. Šajā datu kopā ir liels skaits ar datorzinātnēm saistītu publikāciju. Katru publikāciju raksta autoru grupa.

Daudzi lietotāji apmeklē Bibsonomy vietni, izmantojot tagus, lai komentētu publikācijas. Pēc procedūras, ko aprakstīja Anagnostopoulos et al. [58], mēs izmantojām atzīmes, kas saistītas ar katra autora darbiem, lai attēlotu viņu prasmes. Katra autora prasme atspoguļo publicēto rakstu skaitu ar attiecīgo tagu. Mēs izvēlējāmies trīs žurnālus, kas saistīti ar sociālo tīklu analīzi, lai pārbaudītu mūsu algoritmu: "Daba", "Zinātne" un "Physica A: Statistical Mechanics and its Applications".

Mēs saskaitījām atzīmju biežumu katrā no šiem žurnāliem un atlasījām dažus populārus tagus, kas saistīti ar mūsu pētījumu. Pirmajiem diviem žurnāliem mēs atlasījām rakstus, kas ietvēra atzīmes "tīkls", "sociālais tīkls" un "mazā pasaule".

Pēc tam mēs identificējām šo rakstu autorus, izveidojām līdzautoru tīklu un atlasījām autorus no lielākās sastāvdaļas. Līdzīgi mēs veicām šo procedūru trešajam žurnālam, izmantojot atzīmes "tīkls", "grafiks", "modelis" un "sistēma". Tika sajaukti autoru vārdi, lai izveidotu deidentificētu datu kopu.

GHTorrent. Mēs izmantojām GitHub datus, ko nodrošina projekts GHTorrent [35], kas ir GitHub API piedāvāto datu bezsaistes spogulis. Šo datu kopu var lejupielādēt vietnē https://gtorrent.org/downloads.html. GHTorrent datu kopa aptver plašu Github izstrādes darbību klāstu, tostarp repozitorijus, izvilkšanas pieprasījumus un lietotājus. Mēs lejupielādējām datu kopas dump “06/01/2019”, lai izveidotu mūsu testēšanas datu kopu.

Mēs filtrējām lietotājus, kuri ieguldīja 40–80 projektus, lai mūsu analīzē saglabātu vidējos lietotājus. Ievērojot pieeju, kas līdzīga BibSonomy datu kopai, mēs izmantojām programmēšanas valodas, kas saistītas ar katra lietotāja ieguldījumu krātuvēm, lai atspoguļotu lietotāju prasmes.

Katra lietotāja prasme atspoguļo iesniegto projektu skaitu, kas rakstīti noteiktā valodā. Tā kā krātuvēs var būt faili vairākās valodās, mēs izvēlējāmies repozitorija visbiežāk izmantoto valodu kā repozitorija valodu.

Šajā datu kopā mēs atlasījām trīs populārākās valodas: Java, Python un Ruby. Pēc tam mēs identificējām šo krātuvju lietotājus un izveidojām sadarbības tīklu. Šajā piemērā lietotājiem ir atie, ja viņi ir veikuši ieguldījumu vienā repozitorijā vismaz divas reizes. Visbeidzot, mēs atlasījām lietotājus no lielākās sastāvdaļas. Mēs sajaucām autoru vārdus, lai izveidotu datu kopu, kas nav identificēta.

Novērtēšana

Mēs salīdzinām piedāvāto algoritmu komandas veidošanas problēmai (apzīmēts kā NSGA-II) ar trim labi zināmām vairāku mērķu optimizācijas metodēm, ko izmanto etalonu mērķiem[62, 72]:

Pareto vietējās meklēšanas (PLS) metode. Šis iteratīvais algoritms sākas ar nejaušu risinājumu kopu kā sākotnējo populāciju un pēta katra risinājuma kaimiņus [73, 74]. Algoritms atjaunina populāciju, pamatojoties uz Pareto dominējošo stāvokli: tas pievienos populācijai kaimiņus, kas nedominē, un noņems esošos risinājumus, kuros dominē tikko pievienotie risinājumi.

Kad risinājuma apkārtne ir pilnībā izpētīta, risinājums tiek atzīmēts kā izpētīts. Algoritms iteratīvi pēta jaunus risinājumus, kad tie tiek pievienoti populācijai, līdz netiek atrasti labāki risinājumi. Kad visi risinājumi ir izpētīti un vairs nevar atrast nedominētus risinājumus, algoritms apstājas. Mēs ieviesām versiju, ko ierosināja Zihayat et al. [72] kombinētajām problēmām.

Šajā ieviešanā risinājuma kaimiņi ir visas iespējamās komandas kombinācijas no risinājuma ar diviem dalībniekiem, kas apmainās ar komandām. Tā kā PLS nav atkarīgs no noteikta paaudžu skaita, mēs veicam tikai vienu šī algoritma atkārtojumu, lai salīdzinātu tā rezultātus ar citām metodēm.

Ņemot vērā n personas un algoritms izpētīs katra risinājuma n2 kaimiņus, šīs ieviešanas skaitļošanas sarežģītība vislabākajā gadījumā ir O(n3).

For more information:1950477648nn@gmail.com