Hľadanie rôznorodých a prepojených tímov: Výpočtový prístup na zostavovanie rôznorodých tímov na základe členov 4. časť

V tejto implementácii používame rôzne metriky na hodnotenie rozmanitosti tímov poskytovaných kategorickými premennými C a metriky rozdielov na hodnotenie rozmanitosti tímov poskytovaných numerickými premennými U. Na meranie varietných metrík každého tímu podľa kategorických atribútov C jeho členov používame Blauov index (Bt; ci) [30].

V našom živote sa často stretávame s rôznymi ľuďmi a vecami. Rozmanitosť týchto ľudí a vecí prekračuje hranice rasy, kultúry a kognitívneho spektra. Nedávny výskum zistil pozitívny vzťah medzi indikátormi diverzity a pamäťou.

Indikátory diverzity zahŕňajú etnickú, kultúrnu a kognitívnu diverzitu. Vzhľadom na rasovú rozmanitosť, vystavenie rôznym rasám stimuluje myslenie a pamäť ľudí, pretože ľudia musia zostať vnímaví k rôznym jazykom a kultúram a musia sa im prispôsobiť. Kultúrna rozmanitosť znamená, že ľudia môžu byť vystavení rôznym kultúram, presvedčeniam a hodnotám. Tieto skúsenosti môžu ľudí urobiť flexibilnejšími, prispôsobivejšími a kreatívnejšími. Rozmanitosť v kognitívnom rozsahu môže zahŕňať rôzne disciplíny, kariéry a skúsenosti, ktoré zvyšujú naše znalosti a chápanie vecí.

V minulosti sa predpokladalo, že kognitívne výhody možno dosiahnuť len prostredníctvom jediného kultúrneho zázemia. Teraz však rastúci počet výskumov ukazuje, že ukazovatele rozmanitosti môžu zlepšiť kognitívne schopnosti a pamäť človeka. Vedci sa domnievajú, že je to preto, že indikátory diverzity nám pomáhajú vytvárať komplexnejšie spomienky a tiež nám pomáhajú pochopiť a zapamätať si rôzne vizuálne, sluchové a verbálne prvky.

V niektorých štúdiách vedci zistili, že bilingválni ľudia dosahujú lepšie výsledky v mnohých kognitívnych úlohách. Keď ľudia hovoria viacerými jazykmi, porovnávajú a porovnávajú výslovnosť, slovnú zásobu a gramatiku medzi rôznymi jazykmi. Toto spracovanie medzi jazykmi posilňuje neurónové siete mozgu a zlepšuje kognitívne schopnosti.

Preto môžeme konštatovať, že ukazovatele diverzity môžu zlepšiť kognitívne schopnosti a pamäť, čo môže byť prospešné aj pre náš profesionálny a osobný život. Mali by sme sa povzbudzovať k tomu, aby sme boli vystavení širšiemu spektru kultúry a poznania, a mali by sme otvoriť svoje znalosti a chápanie nových vecí, aby sme si pomohli dosiahnuť lepšie výsledky v budúcom rozvoji. Je vidieť, že si musíme zlepšiť pamäť. Cistanche deserticola môže výrazne zlepšiť pamäť, pretože Cistanche deserticola je tradičný čínsky liečivý materiál s mnohými jedinečnými účinkami, z ktorých jedným je zlepšenie pamäte. Účinnosť mletého mäsa spočíva v rôznych aktívnych zložkách, ktoré obsahuje, vrátane kyselín, polysacharidov, flavonoidov atď. Tieto zložky môžu podporovať zdravie mozgu rôznymi spôsobmi.

Kliknite na vedieť doplnky na zlepšenie pamäte

Tento index kvantifikuje pravdepodobnosť, že dvaja členovia tímu náhodne vybraní z tímu budú v rôznych kategóriách. Nízke skóre znamená, že členovia patria do rovnakej kategórie, zatiaľ čo vysoké skóre znamená, že členovia spadajú do rôznych kategórií.

Pci jas označujeme podiel členov, ktorí spadajú do konkrétnej kategórie j v kategorickom atribúte ci. Vzhľadom na to, že počet kategórií v ci je oci, kde j ¼ 1; :::; oci, vzorec BlauIndex pre tím t je:

Bt;ci ¼ 1 Xocijpci2j ð2

Na meranie metrík disparity každého tímu pomocou numerických premenných U jeho členov používame variačný koeficient (CVt;ui) [30], ktorý je definovaný ako pomer štandardnej odchýlky k priemeru atribútu i, ui 2 U.

Nízke skóre variácie znamená, že všetci členovia tímu majú podobné úrovne atribútu, zatiaľ čo vysoké skóre znamená, že všetci členovia tímu majú rôzne úrovne atribútu. Pre tím t s členmi j=1, 2, . . ., k, a keď je u�i tímová stredná hodnota atribútu i, vzorec je nasledujúci:

CVt;ui ¼ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiXkj2tðuiðpjÞ u�iÞ2=kvuut =u�i ð

Tieto dve merania tímovej diverzity sú užitočné, pretože sa nemenia pri lineárnom škálovaní vstupných údajov a obe majú tendenciu zostať okolo rovnakých hodnôt. Vzhľadom na to, že problém formovania tímu zohľadňuje C kategorické premenné a U numerické premenné, miery diverzity môžu byť vážené, aby sa uprednostnili rozdiely v rámci špecifickej premennej.

Vektor váh W má |C| + |U| prvky, kde W ¼ ðwu1; :::;wcm ;wc1;wc2; :::; wclÞ. Na základe týchto opatrení agregujeme diverzitu pre rôzne atribúty do jednej hodnoty. Tímové skóre diverzity V tímu t definujeme ako vážený súčet Blauových indexov pre všetky C kategoriálne premenné a variačný koeficient pre všetky U numerické premenné. Vzorec je:

Vt ¼ Xmi¼1wui � CVt;ui þXli¼1wci � Bt;ci ð

Multi-cieľové vyjadrenie problému. Úlohu formulujeme ako problém s viacerými cieľmi, aby sme našli množinu r tímových riešení P ¼ fT1; T2; T3; :::; Trg, kde každé T predstavuje potenciálne riešenie s q tímami.

Dekompozícia funkcie hodnotenia na oba ciele – minimalizácia komunikačných nákladov a maximalizácia skóre tímovej diverzity – nám umožňuje nájsť viacero riešení, ktoré jednocieľový prístup nemôže dosiahnuť. V dôsledku toho očakávame, že nenájdeme jedinečné riešenie T, ale množinu riešení P, pre ktoré neexistuje iné možné riešenie lepšie v oboch objektívnych funkciách.

Táto množina riešení P je tiež známa ako Pareto front, kde (a) neexistuje žiadna iná množina riešení T0 s rôznorodejšími a prepojenejšími tímami a (b) každé riešenie Ti; i 2 P nie je nadradené všetkým ostatným riešeniam v P, čo sa týka cieľov diverzity aj nákladov na komunikáciu. Táto sada tímových riešení P umožňuje posúdiť každé z nich individuálne, takže tvorca tímu môže vybrať najvhodnejšie tímy, ktoré je možné zostaviť pre daný kontext a okolnosti.

Stručne povedané, problémom formovania tímu, ktorému sa tento článok venuje, je nájsť Paretovo predné P tímových riešení, kde každé riešenie T pozostáva z q tímov (T={t1, t2, t3, . . ., tq} ). Duálnym cieľom je maximalizácia rozmanitosti tímov na základe kategorických atribútov C a numerických atribútov U a minimalizácia nákladov na komunikáciu na základe G. Tento problém môžeme modelovať ako:

Keďže sa ukázalo, že nájdenie tímov z grafu G pri minimalizácii súčtu dĺžok najkratších ciest a problémov s alokáciou tímov je NP-ťažký problém [57, 68], tento multi-objektívny problém je tiež NP-ťažký problém.

Implementácia NSGA-II

Tvary Paretových frontov poskytujú užitočné informácie o stupni kompromisu medzi rôznymi cieľmi a o tom, koľko kompromisov je potrebné z niektorých kritérií na zlepšenie iných.

Určenie presného Pareto frontu pre multi-ciele kombinatorické optimalizačné problémy je ťažké, pretože je potrebné vypočítať všetky možné kombinácie, aby sme našli skutočný Paretofront [63]. Z tohto dôvodu je cieľom nájsť aproximáciu skutočného Paretovho frontu pomocou heuristických algoritmov. Kritickým predpokladom pre tieto algoritmy je, že Paretov front je dostatočne obsadený.

Kvalita tejto aproximácie závisí od (1) blízkosti bodov na aproximovanom fronte k bodom na pravom Paretovom fronte; a (2) rozmanitosť riešení na približnom fronte, kde väčšia rozmanitosť je zvyčajne lepšia. Hoci skutočný Paretov front nie je známy, riešenia, ktoré dominujú ostatným, sú blízke teoretickému pravému Paretovmu frontu. Rozmanitosť riešení preto poskytne širší rozsah a zrnitosť Paretovho frontu.

Genetické algoritmy (GA) sa bežne používajú na hľadanie aproximácií Paretových frontov [69]. Napodobňovaním evolúcie v prírode táto metóda optimalizuje populáciu počiatočných riešení na lepšie riešenia prostredníctvom prirodzeného výberu. Každé riešenie je charakterizované ako chromozóm (tj vektor atribútov), ​​ktorý môže byť mutovaný a zmenený v každej iterácii. Najlepšie riešenia pretrvajú potom, čo časom zmutujú. Genetické algoritmy sú ideálne na hľadanie riešení problémov s optimalizáciou vo veľkých a vysoko nelineárnych priestoroch [70].

Genetický algoritmus vychádza z populácie náhodne generovaných riešení, ktoré sa iteračným procesom vyvíjajú na nové riešenia. Populácia vytvorená v každej iterácii je známa aj ako generácia. V každej generácii algoritmus vyhodnocuje chromozóm každej populácie podľa cieľovej funkcie vo vyriešenom optimalizačnom probléme.

Chromozómy s najvyšším skóre sa vyberú z aktuálnej generácie a použijú sa na vytvorenie novej generácie. Tento proces pokračuje, kým sa nedosiahne maximálny počet iterácií alebo prahová funkcia definovaná pre riešenia.

Implementovali sme genetický algoritmus s názvom Non-dominated Sorting Genetic Algorithm-II (NSGA-II) formulovaný Deb et al. [71]. NSGA-II umožňuje nájsť aproximáciu Paretovho frontu s rôznymi tímovými riešeniami P, ktoré sa líšia v závislosti od komunikačných nákladov a špecifikovaného skóre diverzity. Prístup NSGA-II je založený na triedení populácií do hierarchie subpopulácií pomocou Paretových kritérií dominancie.

Potom sa podľa uvedenej hierarchie vyberú chromozómy pre ďalšiu iteráciu. Tento elitársky výber zaručuje, že potenciálne dobré chromozómy sa v populácii zachovajú a kvalita získaného riešenia neklesá z jednej iterácie na ďalšiu. Riešenia sú tiež usporiadané podľa podobnosti medzi ich chromozómami, pričom sa odstránia nadbytočné, aby sa podporila rozmanitosť v Paretovom fronte.

Výsledkom je, že NSGA-II sa môže po niekoľkých iteráciách zblížiť s vysokovýkonným Paretofrontom. Predchádzajúca práca ukázala, že NSGA-II poskytuje riešenia s vysokou úrovňou účinnosti bežiacou v O(n2).

V tejto implementácii každá populácia P obsahuje r tímových riešení P ¼ fT1; T2; :::; Trg a každý chromozóm predstavuje potenciálny súbor q tímov Ti={t1, t2, . . ., tq}. V tomto článku používame zameniteľne výrazy „chromozóm“ a „tímové riešenie“.

Chromozóm charakterizujeme ako vektor jednotlivcov rozdelených do q častí, aby sme získali tímy (obr. 2). V dôsledku toho sa dĺžka každého chromozómu rovná počtu ľudí n, čo predstavuje q tímov veľkosti k (q�k=n). Tento algoritmus sme prispôsobili nášmu špecifickému problému s vytváraním rôznych tímov a tieto kroky sme načrtli v Algoritme 1.

Inicializácia. Algoritmus začína inicializáciou populácie chromozómov P a náhodným zostavením tímov. Jeho vstupnými parametrami sú celkový počet chromozómov r, ktoré sa majú zahrnúť do populácie P, zoznam ľudí P, počet tímov q, ktoré sa majú vytvoriť, a počet opakovaní na vykonanie g.

Chromozómy sú uložené ako dvojrozmerné polia tvaru (q,k), kde q je počet tímov, ktoré je možné zostaviť, a k je počet členov v tíme. Každý chromozóm je potenciálnym riešením problému tvorby rôznorodého tímu a cieľom je nájsť súbor chromozómov s vysokou úrovňou diverzity a nízkymi komunikačnými nákladmi.

Po vytvorení počiatočnej populácie algoritmus vytvorí potomstvo a iteračne hľadá Paretove fronty, kým sa nedosiahne maximálny počet generácií g.

Krížový krok.

V každej generácii algoritmus vezme dva náhodné chromozómy (p1 a p2) z existujúcej populácie P a náhodne vyberie q tímy z tohto spojenia. V dôsledku toho bude mať algoritmus detský chromozóm s q tímami. Keďže detské tímy sú náhodne vybrané z dvoch rôznych chromozómov, jednotlivci môžu byť vybraní dvakrát, pochádzajúcich z p1 a p2.

Algoritmus nahrádza opakovaných jednotlivcov inými, ktorí neboli priradení k tímu. Skúma každého člena chromozómu dieťaťa a počíta, koľkokrát je jednotlivec súčasťou tímu. Ak je jednotlivec započítaný viac ako raz, tento jednotlivec je náhodne nahradený chýbajúcim členom. Na konci tohto procesu revízie bude mať algoritmus detský chromozóm so všetkými členmi P priradených k jednému tímu.

Tieto náhodné odbery vzoriek poskytujú dostatočnú mutáciu pre algoritmus na zavedenie diverzity do populácie bez pridania ďalšieho kroku mutácie. Navrhovanú metódu kríženia načrtneme v Algoritme 2.

For more information:1950477648nn@gamil.com