Op zoek naar diverse en verbonden teams: een computationele aanpak om diverse teams samen te stellen op basis van leden Deel 7

De resultaten laten zien dat het NSGA-II-algoritme de grootste hypervolumewaarden behaalde op zes van de negen datasets en de op één na hoogste waarde voor de andere drie datasets (Tabel 3). Met andere woorden: NSGA-II vond vaak meer teamcombinaties met hogere diversiteitsniveaus en lagere communicatiekosten dan de andere algoritmen.

Het geheugen speelt een cruciale rol in ons leven. Het bepaalt of we bestaande kennis en ervaring ten volle kunnen benutten om problemen op te lossen, en heeft ook invloed op onze leer- en werkprestaties. Bestaande datasets hebben ook de relatie tussen geheugen en verschillende factoren aangetoond, wat ons meer inzichten en mogelijkheden biedt.

Ten eerste tonen verschillende onderzoeken aan dat een goede gezondheid de hoeksteen is van een goed geheugen. Goede lichaamsbeweging en een uitgebalanceerd dieet kunnen de efficiëntie van het zenuwstelsel verbeteren en zenuwweefsel beschermen. Fysiek fitte mensen hebben een betere cardiovasculaire en mentale gezondheid, aandoeningen die in verband zijn gebracht met een verbeterd geheugen en cognitieve functie.

Ten tweede bestaat er ook een nauw verband tussen emotionele toestanden en cognitieve toestanden. Onderzoek toont aan dat overmatige angst en stress de communicatie tussen neuronen in de hersenen kunnen verstoren, wat kan leiden tot problemen zoals geheugenverlies en concentratieproblemen. Helpt geheugenverbetering te bevorderen door middel van positief emotiebeheer en -regulatie.

Daarnaast zullen ook onze leefomgeving en dagelijkse gewoonten invloed hebben op de ontwikkeling en het onderhoud van het geheugen. Aantekeningen maken, een leermethode vinden die bij je past, brainstormen, sociale activiteiten modereren en reizen zijn bijvoorbeeld enorm gunstig voor de ontwikkeling van het geheugen; terwijl slechte slaapgewoonten en verschillende amusementsmethoden het zenuwstelsel ernstig zullen aantasten en het geheugen zullen schaden. Invloed.

Samenvattend: geheugen is een belangrijk onderdeel van ons efficiënte leven, dat ons leervermogen, werkvermogen en kwaliteit van leven bepaalt. Door middel van goede lichaamsbeweging en voeding, emotioneel management en aanpassingen in het dagelijks leven kunnen we ons geheugen en cognitieve vaardigheden aanzienlijk verbeteren, waardoor we efficiënter en gelukkiger kunnen leven. Het is duidelijk dat we het geheugen moeten verbeteren, en Cistanche deserticola kan het geheugen aanzienlijk verbeteren, omdat Cistanche deserticola een traditioneel Chinees medicinaal materiaal is dat veel unieke effecten heeft, waaronder het verbeteren van het geheugen. De werkzaamheid van gehakt komt voort uit de verschillende actieve ingrediënten die het bevat, waaronder zuren, polysachariden, flavonoïden, enz. Deze ingrediënten kunnen op verschillende manieren de gezondheid van de hersenen bevorderen.

Klik op supplementen kennen om het geheugen te verbeteren

De hoge hypervolumewaarden van NSGA-II kunnen worden verklaard door de stap van de verdringingsafstand, waardoor het algoritme niet-gedomineerde oplossingen kon vinden die zich aan de uiteinden van het Pareto-front bevonden.

Omdat PLS en HPSO geen criteria hadden opgesteld om overtollige oplossingen te vermijden, resulteerden hun oplossingen in een reeks niet-gedomineerde oplossingen die zich op bepaalde gebieden concentreerden. Daarom domineerde de reeks teamcombinaties die door NSGA-II werd geleverd vaak de combinaties die door de andere algoritmen werden geleverd.

De NSGA-II-implementatie scoorde ook de hoogste unieke niet-gedomineerde frontratio-waarden (UNFR) op 6 van de 9 datasets. Met andere woorden: NSGA-II leverde vaak meer niet-gedomineerde teamcombinaties op die de andere algoritmen niet konden vinden.

Een mogelijke verklaring voor de tweede plaats van NSGA-II in de andere gevallen is de lage dichtheid in het samenwerkingsnetwerk. Pools met weinig eerdere verbindingen tussen individuen zullen het aantal mogelijke sterk verbonden teamcombinaties verminderen, waardoor de heuristische zoektocht ineffectief wordt.

HPSO en PLS voerden daarentegen meer crossover- en mutatieoperaties uit dan NSGA-II. Door deze operaties meerdere keren uit te voeren, konden HPSO en PLS meer teamcombinaties onderzoeken en de kans vergroten dat ze specifieke teamcombinaties met lage communicatiescores zouden vinden.

HPSO behaalde de op een na hoogste hypervolume- en UNFR-waarden. Het profiteerde van de niet-gedomineerde oplossingen in het midden van het Pareto-front, dat hoge diversiteitsniveaus scoorde.

Deze niet-dominante oplossingen presteerden beter dan andere algoritmen en vergrootten het gebied dat door het geschatte Paretofront werd gecreëerd. SPEA-2 en PLS kwamen samen tot een aantal oplossingen, die een kleiner gebied bestrijken dan de NSGA-II- en HPSO-oplossingen. Over het geheel genomen heeft NSGA-II voor deze twee doelstellingen meer niet-gedomineerde oplossingen gevonden en oplossingen geboden met een grotere variatie in de waarden van de communicatiekosten.

De grote variantie in zowel diversiteit als bekendheid laat zien dat het NSGA-II-algoritme meer niet-gedomineerde oplossingen vond dan de andere algoritmen, wat wenselijk is voor het vinden van het ware Pareto-front. Door de crowding-afstandsstap van NSGA-II kon het algoritme een breder scala aan niet-gedomineerde oplossingen behouden. Bovendien bewaarde het algoritme secundaire oplossingen in verschillende lagen die in latere iteraties tot niet-gedomineerde oplossingen hadden kunnen leiden.

Terwijl het algoritme nieuwe generaties blijft creëren, kunnen gedomineerde oplossingen nog steeds worden overwogen om andere mogelijke oplossingen te vinden. Bovendien zou NSGA-II midden in de afweging nog steeds niet-gedomineerde oplossingen kunnen identificeren.

Daarentegen laat de lage variantie van de andere algoritmen zien dat ze waarschijnlijk zouden convergeren naar een specifieke reeks niet-gedomineerde oplossingen en naar een specifieke afweging. Deze algoritmen omvatten geen operaties om hun huidige populaties te diversifiëren of overtollige, niet-gedomineerde oplossingen te verwijderen. Daarom kunnen deze algoritmen verschillende oplossingen ontberen die zich in de extremen van het Pareto-front bevinden.

Figuur 4 presenteert de looptijd van alle geïmplementeerde algoritmen. Figuur 5 laat zien hoe de looptijd van algoritmen een functie is van het aantal beschikbare individuen. De resultaten laten zien dat de NSGA-II-implementatie beter presteert dan PLS en HPSO naarmate de deelnemerspool toeneemt.

PLS had meer tijd nodig om de buurten van oplossingen te verkennen totdat alle mogelijke combinaties waren uitgeput. In het geval van HPSO zorgden de twee crossovers en één mutatiestap die voor elke oplossing werden uitgevoerd ervoor dat de werking van het algoritme drie keer langer duurde dan die van NSGA-II, aangezien laatstgenoemde slechts één crossoverstap uitvoert. Hoewel HPSO langer duurde dan NSGA-II, werkten beide in polynomiale tijd (O(n2)).

Onze resultaten suggereren dat NSGA-II minder dan een derde van de tijd nodig had die PLS en HPSO nodig hadden om vergelijkbare resultaten te verkrijgen. Daarom wordt het gebruik van NSGA-II sterk aangemoedigd om efficiënt oplossingen te vinden naarmate de invoergrootte toeneemt. SPEA-2 vond geen betere oplossingen dan PLS of NSGA-II, maar de resultaten kwamen sneller samen dan de NSGA-II- en PLS-methoden.

Ten slotte hebben we de frequentie berekend van directe contacten (1-hop), gedeelde contacten (2-hops),3-hops en meer in de samengestelde teams om inzicht te krijgen in de afstanden tussen teamleden( Zie S3-tabel in S1-bestand).

De resultaten suggereren dat de overgrote meerderheid van de leden via één tussenpersoon met anderen verbonden was (€31%), gevolgd door leden die direct verbonden waren (€30%). Deze cijfers laten zien dat de resulterende teams over het algemeen sterk met elkaar verbonden waren, en dat de leden die via vele hops met elkaar verbonden waren, niet representatief waren.

Discussie

Het vormen van teams is een uitdagende taak, vooral als het doel is om een ​​evenwicht te brengen tussen diversiteit en de voorkeuren van teamgenoten van de leden. Terwijl eerder werk zich richtte op het zoeken naar het best mogelijke team [37], is de bijdrage van dit artikel gericht op het zoeken naar evenwichtige teamcombinaties die vaardigheden en verbindingen eerlijk verdelen. Bovendien wordt het samenstellen van teams die rekening houden met zowel diversiteit in de bijdragen van hun leden als eerdere relaties tussen leden een ultieme uitdaging om hun succes te garanderen [78, 79].

In dit werk beschouwen we het probleem van het creëren van teams die zowel divers zijn als sterk verbonden teams met behulp van een computationele aanpak. We hebben dit teamvormingsprobleem geïmplementeerd met behulp van een genetisch algoritme dat verschillende teamcombinaties biedt op basis van de diversiteit van teams en de communicatiekosten.

De resultaten geven aan dat diverse en sterk verbonden teams efficiënt en snel kunnen worden samengesteld via deze genetische benadering. In de volgende paragrafen gaan we dieper in op de implicaties van dit werk en de mogelijke toepassingen.

Dit werk toont de voordelen aan van het gebruik van computationele benaderingen om meerdere teams samen te stellen die de vaardigheden van de leden over verschillende groepen verdelen en hun eerdere relaties in overweging nemen. Eerder werk legt vooral de nadruk op het vinden van het best mogelijke team uit een sociale pool (bijvoorbeeld een expertteam, een all-star-team) [36, 57, 58].

Het zoeken naar meerdere teams is echter ook relevant in leer- en organisatiesituaties, zoals het vormen van studententeams, het vormen van operationele teams binnen bedrijfsonderdelen of het uitvoeren van wetenschappelijk onderzoek.

Vanwege de sterke nadruk op het samenstellen van goed presterende teams kunnen algoritmen die de beste leden samenbrengen een grotere segregatie binnen deze sociale groepen creëren, ten koste van anderen die minder geschoold zijn [80]. De concentratie van vaardigheden en expertise in een klein aantal teams belemmert de opkomst van andere teams met vergelijkbare kansen en sociale connecties.

Zoals dit artikel aantoont, bieden de geavanceerde computationele infrastructuur en het gebruik van big data nieuwe mogelijkheden om verschillende teamcombinaties opnieuw voor te stellen die individuen niet systematisch en gemakkelijk konden verkennen [37, 44]. In plaats van teams te creëren met behulp van handmatige strategieën of intuïtie, kunnen teambouwers algoritmen gebruiken om verschillende teamcombinaties op maat te maken die tegelijkertijd de diversiteit en bekendheid optimaliseren.

Implementaties zoals die in dit artikel worden gepresenteerd, stellen teambouwers dus in staat heterogene en diverse teams te creëren zonder de bekendheid onder de teamleden op te offeren, wat essentieel is voor succesvolle samenwerkingen [81].

For more information:1950477648nn@gmail.com