Meklējot daudzveidīgas un saistītas komandas: skaitļošanas pieeja dažādu komandu komplektēšanai, pamatojoties uz dalībniekiem 6. daļa

Stiprums Pareto Evolutionary Algorithm 2 (SPEA-2). Tāpat kā NSGA-II, arī šis algoritms ir balstīts uz elitāriem atlases un dominēšanas kritērijiem [75].

Intensitātes Pareto evolūcija (IPE) ir evolūcijas algoritms, kura galvenais mērķis ir optimizēt vairāku mērķu problēmas. Algoritms sasniedz savus mērķus, saglabājot risinājumu kopas daudzveidību un individuālo pielāgošanās spēju. Tajā pašā laikā atmiņai ir arī ļoti svarīga loma IPE.

Konkrēti, IPE panāk līdzsvaru starp pielāgošanās spēju un daudzveidību, efektīvi izmantojot evolūcijas vēsturē atstāto informāciju. Citiem vārdiem sakot, IPE izmanto atmiņu, lai saglabātu daudzveidību risinājuma procesā un uzlabotu algoritma efektivitāti. Nepārtraukti mācoties un pielāgojoties informācijai evolūcijas vēsturē, IPE var labāk meklēt un optimizēt mērķa funkcijas. Turklāt, algoritmam attīstoties, atmiņa tiks nepārtraukti atjaunināta, tādējādi vēl vairāk uzlabojot algoritma efektivitāti un optimizācijas rezultātus.

Rezumējot, pastāv būtiska saikne starp Pareto evolūcijas intensitāti un atmiņu. Atmiņa ir ne tikai IPE daudzveidības garantija, bet arī viens no galvenajiem algoritma faktoriem labu rezultātu sasniegšanai. Tāpēc turpmākajos pētījumos mums jāturpina uzlabot atmiņas lomu un turpināt pētīt IPE potenciālu, lai optimizētu vairāku mērķu problēmas. 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 veidus, kā uzlabot smadzeņu darbību

Tā vietā, lai izveidotu dažādas Paretofrontes, SPEA{0}} saglabā komplektu ar labākajiem risinājumiem, kas atrodami katrā iterācijā, ko sauc par "arhīvu", kas ir atdalīts no kopas. Algoritms sākas ar nejaušiem populācijas risinājumiem un tukšu arhīvu.

Pēc tam tā aprēķina piemērotības vērtību katram risinājumam, pamatojoties uz (a) dominējošo risinājumu skaitu (ti, stiprumu), (b) risinājumu skaitu, ar kuriem tajā dominē pašreizējā populācija (ti, neapstrādātā piemērotība) un ( c) tā attālums līdz citiem risinājumiem (ti, blīvuma vērtība). Labākie risinājumi tiks iekopēti arhīvā. Pēc pirmās populācijas uzsākšanas mērķis ir noteikt nedominētus risinājumus nākamajai paaudzei.

Pamatojoties uz fitnesa vērtībām, algoritms veic bināro turnīru, krustojumu un mutāciju darbības ar risinājumiem no pašreizējās populācijas un arhīva. Šie jaunie risinājumi veidos nākamo populāciju.

Pēc šiem procesiem algoritms pārbauda, ​​cik daudz nedominētu risinājumu rodas no pašreizējās populācijas un arhīva savienības. Ja nedominējošo risinājumu skaits ir mazāks par arhīva lielumu, arhīvā tiks iekļauti daži dominējošie savienības risinājumi.

Algoritms izvēlas dominējošos risinājumus, pamatojoties uz to piemērotības vērtībām. Ja nedominējošo risinājumu skaits ir lielāks par arhīva lielumu, algoritms noņem liekos risinājumus, pamatojoties uz to tuvāko kaimiņu Eiklīda attālumu.

Nākamajā atkārtojumā tiks izveidota jauna paaudze, pamatojoties uz šo atjaunināto arhīvu. Mēs ieviesām versiju, ko ierosināja Zitzler et al. [75]. Mēs izmantojām tādu pašu paaudžu skaitu no NSGA-II testēšanas un iestatījām arhīva lielumu, lai tas būtu vienāds ar populācijas lielumu. Labākajā gadījumā šī algoritma skaitļošanas sarežģītība ir O(M2logM), kur M ir populācijas lieluma (n) un arhīva lieluma (n0) summa.

Hibrīda daļiņu spieta optimizācijas (HPSO) metode. Šis algoritms apvieno daļiņu spieta optimizācijas algoritmu (PSO) un ģenētisko algoritmu (GA) soļus [76]. Sākotnējā versijā PSO sākas ar kandidātu risinājumu kopu (sauktu par daļiņām) un pārvieto tos meklēšanas telpā virs daļiņas stāvokļa un ātruma.

Katras daļiņas kustību ietekmē tās lokālā vislabāk zināmā pozīcija, taču tā tiek virzīta arī uz globāli pazīstamākajām pozīcijām meklēšanas telpā. Katrā iterācijā algoritms atjaunina daļiņu pozīcijas, pamatojoties uz to ātrumu. Pēc dažām iterācijām algoritms nodrošina risinājumus, kas ir lokālo un globālo optimu tuvinājumi.

Tā kā PSO sākotnējais formulējums darbojas tikai nepārtrauktas optimizācijas problēmās, mums ir nepieciešama versija, kas spēj risināt kombinētās optimizācijas problēmas. Turklāt PSO darbojas ar globālu optimālu, kas nepastāv Pareto frontes problēmās. Džans et al. [76] ierosināja hibrīdu versiju, kas aizstāj PSO daļiņu pozīcijas un ātruma atjaunināšanas formulas ar ģenētiskā algoritma krustošanas un mutācijas operācijām.

Īsumā, HPSO algoritms iteratīvi pārbauda katru daļiņu un (a) piemēro krustošanas soli ar nejaušu daļiņas atrastu nedominētu risinājumu, (b) piemēro krustošanas soli ar nejaušu nedominētu risinājumu, kas zināms no visas populācijas, ( c) un veic mutācijas soli. Ja iegūtais risinājums ir labāks par sākotnējo, risinājums tiek atjaunināts.

Ja daļiņa zina divus vai vairākus nedominētus risinājumus, tā kā labāko lokālo daļiņu izvēlēsies nejaušu nedominētu šķīdumu. Tāpat, ja populācija zina vairāk nekā vienu nedominētu risinājumu, tā kā labāko globālo daļiņu izvēlēsies nejaušu nedominētu risinājumu.

Paredzams, ka šī algoritma darbības laiks būs polinoms, jo tas pārbaudīs n risinājumus un divas reizes izpildīs krustošanas operāciju un vienu reizi mutācijas darbību. Rezultātā skaitļošanas sarežģītība vislabākajā gadījumā ir O (n2).

Mēs arī salīdzinājām komandas, kas izveidotas, izmantojot šos četrus vairāku mērķu algoritmus, ar nejauši izvēlētām komandām. Tā kā MyDreamTeam datu kopā jau bija noteikta lieluma komandas, tika aprēķināti arī reālie komandu daudzveidības rādītāji un saziņas izmaksas.

Metrika

Mēs aprēķinājām šādus kvantitatīvos rādītājus, lai novērtētu algoritmu risinājumu kvalitāti, daudzumu un darbības laiku. Šie rādītāji savieno gala risinājumus ar skaitli, kas norāda vienu vai vairākus risinājuma aspektus. Mēs izvēlējāmies šos rādītājus, pamatojoties uz Li et al. [77].

Hipervolume (HV). Šī metrika novērtē objektīva telpas kopējo izmēru, kurā dominē algoritma risinājumi attiecībā uz atskaites punktu. Tas var izmērīt, cik tuvu risinājumi ir patiesajai Pareto frontei un cik vienmērīgi risinājumi ir izvietoti objektīvajā telpā.

Algoritmam A būs augstāki hipertilpuma rādītāji nekā algoritmam B, ja algoritma A risinājumi dominēs algoritma B risinājumos. Šajā kontekstā augstāki hipervoluma rādītāji liecina, ka var atrast komandu kombinācijas ar augstāku dažādības un pazīstamības līmeni.

Ja algoritms A atrod komandas kombinācijas ar augstākiem daudzveidības rādītājiem un/vai zemākām komunikācijas izmaksām nekā algoritmam B, algoritma A hipertilpums būs lielāks nekā algoritma B hipervolume. Jo lielāka ir HV vērtība, jo labāka ir komandas kombināciju daudzveidība un sadalījums. Algoritma A HV var formulēt šādi:

HVðAÞ ¼ lð[a2Axja � x � rÞ ð6Þ

kur r apzīmē atskaites punktu un λ norāda n-dimensiju eiklīda telpas apakškopu mēru (ti, Lēbesga mēru). Mūsu gadījumā hipertilpums ir to taisnstūru laukums, ko veido risinājumi un divdimensiju atskaites punkts.

Unikāls nedominējošs frontes koeficients (UNFR). Šī metrika kvantitatīvi nosaka katra algoritma ieguldījumu visu algoritmu kombinētajā nedominētajā priekšpusē. Šajā kontekstā, ja algoritmam A ir augstāka UNFR vērtība nekā algoritmam B, pirmais atrada komandu kombinācijas ar lielāku dažādību un/vai zemākiem dažādības rādītājiem nekā otrajam. Lai Aunf ir dotā algoritma A unikālā nedominētā fronte, tad šī metrika tiek definēta šādi:

UNFRðAÞ ¼ ja 2 Aunf; ∄r 2 Runf: r � ajjRunf j ð7Þ

kur Runf ir unikālu nedominētu risinājumu kopa no visu algoritmu radīto risinājumu kolekcijām. UNFR vērtība svārstās no 0 līdz 1. Algoritms ar augstu UNFR vērtību nozīmē, ka tas ir veicinājis daudzus unikālus nedominētus risinājumus no visiem atrastajiem nedominētajiem risinājumiem. Turpretim vērtība, kas ir tuvu nullei, nozīmē, ka algoritms galīgajā komplektā sniedza dažus unikālus, nedominētus risinājumus.

Aprēķinu sarežģītība. Visbeidzot, mēs novērtējām šo algoritmu skaitļošanas sarežģītību kā ievades lieluma funkciju. Šajā kontekstā, ja algoritmam A ir mazāks darbības laiks nekā algoritmam B, pirmais var atrast komandas kombinācijas no dalībnieku kopas ātrāk nekā otrais.

Tā kā dažu algoritmu darbības laiks var palielināties eksponenciāli, šī metrika ir svarīga, lai noteiktu, cik mērogojams un efektīvs ir algoritms, veidojot komandas ar lielu dalībnieku kopu. Mēs salīdzinājām algoritmu darbības laikus, izmantojot dažādus lietotāju skaitu no GHTorrent "Java" un Bibsonomy "Science" datu kopām.

Rezultāti

Mēs veicām algoritmu novērtējumus 50 paaudzēm ar 50 hromosomu populācijas lielumu. Mēs ieviesām šos algoritmus Python 3.6.2 versijā. un veica eksperimentus serverī ar 2,60 GHz Intel(R) Xeon(R) centrālo procesoru un 16 GB RAM.

Algoritmu ieviešanas un detalizēti rezultāti ir pieejami apskatei vietnē http://nusoniclab.github.io/. 2. tabulā ir parādīti datu kopu statistikas dati, tostarp komandas lielums, pieejamo personu skaits, attiecību skaits, tīkla diametrs, indivīdu vidējais attālums un tīklu centralizācija.

3. attēlā parādīta katra algoritma atrastā Pareto frontes aproksimācija katrā datu kopā.

X ass attēlo komandu kopējās komunikācijas izmaksas. Zemāki rādītāji uz šīs ass ir risinājumi ar zemākām saziņas izmaksām (ti, komandām ir vairāk iekšēji savienotu).

Y ass atspoguļo kopējo komandu dažādības punktu skaitu attiecībā uz risinājumiem. Augstāki rādītāji šajā asī atspoguļo risinājumus ar daudzveidīgākām komandām. Kā liecina rezultāti, lielākajā daļā pārbaudīto datu kopu NSGA-II ieviešana pārspēj etalona algoritmus. NSGA-II atrada nedominētus risinājumus ar lielām daudzveidības vērtībām un zemām sakaru izmaksām visās šajās datu bāzēs.

HPSO arī sniedza ieguldījumu galīgajā risinājumu komplektā ar nedominētiem risinājumiem. Konkrēti, diagrammas liecina, ka HPSO labāk atrada nedominētus risinājumus, nosakot līdzsvarotu kompromisu starp sakaru izmaksām un daudzveidību. Pēc NSGA-II un HPSO PLS risinājumi bija tuvu un koncentrēti noteiktos komandas veidošanas telpas reģionos.

Šī koncentrācija norāda, ka PLS bija tendence konverģēt uz noteiktiem nedominētiem risinājumiem, noraidot citas potenciālās komandu kombinācijas, kuras pirmajās iterācijās, iespējams, nebija dominējušas. SPEA-2 rezultāti bija sliktāki nekā citiem algoritmiem, neskatoties uz to, ka tika izmantots vienāds attēlojums un darbības. Kopumā NSGA-II labāk atrada risinājumus aptuvenās Pareto frontes galējībās, piedāvājot vairāk dažādu nedominētu risinājumu.

Tas nodrošināja vairāk alternatīvu, salīdzinot ar PLS, HPSO un SPEA{0}}. Tāpēc NSGA-II ieviešana nodrošina virkni komandas risinājumu, ko komandas veidotāji var izpētīt un izvēlēties.

For more information:1950477648nn@gmail.com