در جستجوی تیم‌های متنوع و مرتبط: یک رویکرد محاسباتی برای جمع‌آوری تیم‌های متنوع بر اساس اعضا قسمت 3

تعداد توابع هدف

بعد سوم تعداد اهدافی است که توسط الگوریتم تشکیل تیم بهینه شده است. برخی از نمونه ها به حداقل رساندن هزینه های ارتباطی تیم ها، به حداقل رساندن هزینه های پرسنل تیم ها و به حداکثر رساندن تعداد مهارت های موجود در هر تیم است.

رابطه بین الگوریتم های تشکیل تیم و حافظه ارتباط نزدیکی دارد. یک تیم گروهی از افراد است که هر کدام ایده‌ها و توانایی‌های خود را دارند، اما ارزش بیشتری تنها زمانی به دست می‌آید که همه با هم کار کنند.

هسته اصلی الگوریتم تشکیل تیم این است که چگونه افراد مختلف را با هم هماهنگ تر کنیم. در این فرآیند، هرکس باید با توجه به نقش ها و وظایف خود از نقاط قوت خود استفاده کند و در عین حال نیاز به ارتباط و هماهنگی موثر با سایر اعضای تیم دارد.

حافظه نقش مهمی در این فرآیند دارد. در یک تیم، ثبت مداوم وظایف و مشارکت هر یک از اعضا و همچنین پیشرفت و مشکلات تیم ضروری است. تنها از این طریق می توان ارتباط و همکاری موثری در تیم ایجاد کرد و همچنین می تواند به اعضای تیم کمک کند تا مسئولیت ها و نقش های خود را بهتر درک کنند.

علاوه بر این، الگوریتم های تشکیل تیم و حافظه نیز می توانند یکدیگر را تقویت کنند. الگوریتم‌های تشکیل تیم می‌توانند به افراد کمک کنند تا درک بهتری از نحوه کار با یکدیگر داشته باشند و ایجاد خاطرات قوی‌تر در این فرآیند به افراد اجازه می‌دهد تا اطلاعات مختلف تیم را بهتر ضبط و درک کنند.

بنابراین، ما باید اهمیت الگوریتم های تشکیل تیم و حافظه را برای یک تیم درک کنیم. تنها از طریق ارتباط و همکاری مستمر، و همچنین ثبت و سازماندهی اطلاعات، تیم می تواند کارآمدتر عمل کند و ارزش بیشتری را اعمال کند. مشاهده می شود که ما نیاز به بهبود حافظه داریم و سیستانش دسرتیکولا می تواند حافظه را به میزان قابل توجهی بهبود بخشد، زیرا سیستانش دسرتیکولا می تواند تعادل انتقال دهنده های عصبی مانند افزایش سطح استیل کولین و فاکتورهای رشد را نیز تنظیم کند. این مواد برای حافظه و یادگیری بسیار مهم هستند. علاوه بر این، گوشت همچنین می تواند جریان خون را بهبود بخشد و اکسیژن رسانی را تقویت کند، که می تواند اطمینان حاصل کند که مغز مواد مغذی و انرژی کافی را دریافت می کند و در نتیجه نشاط و استقامت مغز را بهبود می بخشد.

برای بهبود حافظه کوتاه مدت، روی دانستن کلیک کنید

اکثر الگوریتم‌ها مسئله تشکیل تیم را با یک هدف واحد با محدودیت‌ها تعریف می‌کنند [59].

مثال‌های ذکر شده قبل از این طراحی تابع تک هدفه پیروی می‌کنند. یک مشکل این است که دیگر اهداف سودمند برای ترکیب تیم نمی توانند مورد توجه قرار گیرنددر طول فرآیند بهینه سازی به طور همزمان انجام می شود (به عنوان مثال، به حداقل رساندن هزینه های ارتباطی و در عین حال به حداکثر رساندن مهارت های تیم).

مطالعات قبلی بیش از یک تابع هدف را برای مشکل تشکیل تیم معرفی کرده اند. یک مثال کارگر و همکاران است. [60]، که الگوریتم "کمترین مشارکت هزینه" (MCC) را ارائه می کند. هدف آن جستجوی تیمی با کمترین هزینه ارتباطی و کمترین هزینه پرسنل به طور همزمان است.

تابع هدف MMC یک ترکیب خطی از هر دو تابع هزینه با پارامتر λ است که مبادله بین هزینه های ارتباطی و شخصی را نشان می دهد. این الگوریتم یک رویکرد اکتشافی را پیاده سازی می کند که اعضای جدید را به صورت تدریجی به تیم اضافه می کند و هزینه های اضافه کردن یک عضو جدید را در رابطه با هزینه های جاری تیم مونتاژ شده در نظر می گیرد.

علی‌رغم مزایای این فرمول‌بندی‌های ترکیبی خطی، این رویکرد دو محدودیت را ارائه می‌کند: تنها یک راه‌حل تیمی را ارائه می‌دهد، و متغیر آن برای توابع هزینه باید از قبل تنظیم شود. بنابراین، یافتن راه‌حل‌های مناسب دیگر با استفاده از این روش‌ها به تعدیل متغیر مبادله بستگی دارد، که می‌تواند سوگیری را به فرآیند جستجو اضافه کند [61].

مشارکت های الگوریتمی اخیر، مسئله تشکیل تیم را به عنوان یک مسئله بهینه سازی چندهدفه برای بهینه سازی دو یا چند تابع هدف به طور همزمان فرموله کرده است[62، 63].

این مشکلات شامل مبادله بین دو یا چند هدف است زیرا بهبود حل در یک هدف تنها با واگذاری هدف دیگر امکان پذیر است. بنابراین، مسائل بهینه‌سازی چند هدفه یک راه‌حل منفرد را ارائه نمی‌کنند، بلکه چندین راه‌حل را با در نظر گرفتن تأکیدات مختلف مرتبط برای اهداف چندگانه به دست می‌آورند.

در حالی که در مسائل بهینه‌سازی تک هدفه، برتری یک راه‌حل بر راه‌حل‌های دیگر با تابع هدف تعیین می‌شود، در مسائل بهینه‌سازی چند هدفه، برتری یک راه‌حل بر اساس تسلط تعیین می‌شود. فرآیند بهینه‌سازی به دنبال راه‌حل‌هایی می‌گردد که در تمام توابع هدف بهتر از سایرین باشند.

در نتیجه، مشکل مجموعه‌ای از راه‌حل‌های «غیر تحت سلطه» را ارائه می‌دهد که شامل راه‌حل‌هایی است که می‌توانند بدون آسیب رساندن همزمان به حداقل یکی از اهداف دیگر، بهبود یابند. بهینه سازی چند هدفه به بهینه سازی پارتو نیز معروف است.

شکل 1 نمونه‌ای از یک جبهه پارتو را نشان می‌دهد که راه‌حل‌های متفاوت غیرمسلط را در محدوده بین دو هدف نشان می‌دهد. محاسبه این جبهه پارتو به تصمیم گیرندگان اجازه می دهد تا مبادلات مختلف را در بین هر دو بعد مقایسه و بررسی کنند.

بر اساس این رویکرد، پیاده‌سازی الگوریتمی چندهدفه مجموعه‌ای از راه‌حل‌های تیمی را ارائه می‌کند که ارزیابی‌های متنوعی از توابع هدف را در نظر می‌گیرد [54، 64]. اجرای ژانگ و ژانگ [64] اعضایی را با بالاترین قابلیت ها برای انجام وظیفه و بهترین روابط بین فردی برای جمع آوری بهترین تیم انتخاب می کند. این مطالعه از پیاده سازی بهینه سازی ذرات گرم برای تعیین اینکه آیا یک عضو باید بخشی از بهترین تیم باشد استفاده می کند.

راه حل ها در یک فضای پیوسته دو بعدی حرکت می کنند و الگوریتم تابع آسیگموید را برای دوتایی کردن حضور اعضا اعمال می کند. پرز-تولدانو و همکاران [63] الگوریتم ژنتیک را برای یافتن تیم های بسکتبال رقابتی با در نظر گرفتن هزینه و ارزش گذاری هر بازیکن به طور همزمان توسعه داد.

هر راه حل متشکل از یک تیم از مجموعه ای از بازیکنان موجود است، و قسمت آخر پارتو آن تیم های مختلفی را نشان می دهد که مبادله بین ارزش گذاری بازیکنان و هزینه را در نظر می گیرند. بر اساس این فرمول‌بندی‌ها، سازندگان تیم می‌توانند تیم‌های دیگر را ببینند و مقایسه کنند و انتخاب کنند که هنگام انتخاب تیم چه هدفی را در اولویت قرار می‌دهند.

فرمول مسأله

پس از بررسی مسائل مربوط به تشکیل تیم و الگوریتم های مربوط به آنها، هدف ما پیاده سازی این مشکل خاص است که تنوع تیم ها و آشنایی تیم ها را به طور همزمان به حداکثر می رساند.

این مشکل برای یک فرمول‌بندی بهینه‌سازی چند هدفه مناسب است، زیرا به حداکثر رساندن آشنایی تیم‌ها می‌تواند منجر به تشکیل گروه‌هایی با اعضای مشابه یکدیگر شود [65].

اگرچه می‌توانیم این مشکل را به‌عنوان یک مسئله بهینه‌سازی تک هدفه پیاده‌سازی کنیم، اما باید یکی از آن اهداف را اولویت‌بندی کنیم و از مبادله بین راه‌حل‌ها اجتناب کنیم. علاوه بر این، فرمول‌بندی‌های قبلی تشکیل تیم، بهترین تیم را از میان اهداف متعدد یا ترکیب‌های تیمی بر اساس یک هدف واحد جستجو می‌کردند.
ما یک مسئله بهینه‌سازی چند هدفه را پیشنهاد می‌کنیم که همه افراد موجود را به تیم‌ها اختصاص می‌دهد، که منجر به ترکیب تیم‌های متعددی می‌شود که تاکیدات مرتبط متفاوتی را برای تنوع و آشنایی در نظر می‌گیرد. این کار برای مطالعات قبلی در مورد تشکیل تیم نیست و رویکرد جدیدی به ادبیات تشکیل تیم ارائه می دهد.

مواد و روش ها

در این بخش به معرفی مسئله چندهدفه و تعاریفی می پردازیم که در این مقاله از آنها استفاده خواهیم کرد. نماد ما نیز در جدول 1 خلاصه شده است. ما همچنین پیاده سازی NSGA-II این مشکل چند هدفه و اجزای آن را شرح می دهیم. سپس مجموعه داده‌ها و الگوریتم‌های معیاری را که برای ارزیابی مشکل تشکیل تیم استفاده کردیم، توصیف می‌کنیم. در نهایت، معیارهای کمی را برای مقایسه نتایج الگوریتم ها توضیح می دهیم.

تعاریف

اعضا، ویژگی‌ها، شبکه‌ها و تیم‌ها. ما مجموعه ای از شرکت کنندگان را در نظر می گیریم P={p1,p2, . . .، pn} با مجموعه ای از ویژگی های دسته بندی C={c1، c2، . . .، cm} و مجموعه ای از ویژگی های عددی U={u1، u2، . . ., ul}.

ویژگی‌های این افراد دارای مقیاس‌ها و نشان‌دهنده اطلاعات متفاوت در مورد هر فرد است (مانند سن، جنسیت، نژاد، مهارت). بسته به اطلاعات فردی در دسترس، تیم ها می توانند چندین ویژگی داشته باشند که کیفیت و ترکیب آنها را توصیف می کند. هر فردی در هر یک از این صفات ارزشی دارد. برای به دست آوردن مقدار صفت طبقه بندی ci برای شخص j، ci(pj) را نشان می دهیم.

به طور مشابه، ما از ui(pj) برای به دست آوردن مقدار صفت عددی ui برای شخص j استفاده می کنیم. شخص j را می توان به عنوان بردار این صفات مقوله ای و عددی نشان داد. بنابراین، ما صفات pj را به صورت (c1(pj)، . ..، cm(pj)، u1(pj)، .. ..، ul(pj)) داریم.

افراد در یک شبکه اجتماعی که به‌عنوان یک نمودار بدون جهت و وزن G مدل‌سازی شده است، متصل هستند. هر گره inG نشان دهنده فردی از P است. ما در این مقاله از شخص و گره به جای هم استفاده می کنیم. دو نفر در صورتی که در گذشته با یکدیگر همکاری داشته باشند توسط یک لبه به هم متصل می شوند. به عبارت دیگر، اگر افراد i و j با هم کار کرده باشند، Gi,j=1. در غیر این صورت، Gi,j=0.

با توجه به این لیست از شرکت کنندگان P متصل به شبکه G، هدف یافتن مجموعه ای از تیم های T={t1, t2, t3, . . .، tq}، که در آن همه اعضای P تیم های q را جمع می کنند و فقط به یک تیم تعلق دارند. مسئله دوگانه بهینه سازی را می توان به صورت به حداقل رساندن هزینه های ارتباطی بین اعضای تیم و به حداکثر رساندن سطح تنوع تیم ها فرموله کرد. اکنون این مفاهیم را می‌سازیم و هر تابع هدف را توصیف می‌کنیم.

هزینه های ارتباطی لاپاس و همکاران [57] بر اهمیت همکاری و آشنایی بین متخصصان با در نظر گرفتن هزینه همکاری آنها تمرکز کردند. بر اساس این مدل، کارشناسانی که در گذشته با یکدیگر همکاری می‌کردند، بیشتر از کارشناسان بدون همکاری قبلی، اطلاعات و ایده‌ها را به طور مؤثر تبادل می‌کنند.

بر اساس همکاری های قبلی کارشناسان، این مدل هزینه های ارتباطی بین اعضای تیم را برای تخمین سطح همکاری و آشنایی آنها محاسبه می کند. هدف از بهینه سازی هزینه های ارتباطی تشکیل تیم هایی با سطح آشنایی بالا است. بررسی متون نشان می‌دهد که هزینه‌های ارتباطی یک پروکسی بسیار مورد استفاده برای همکاری و آشنایی در میان محققان است [66].

در محیط خود، از هزینه های ارتباطی به عنوان نماینده ای برای آشنایی تیم ها استفاده می کنیم. کارگر و آن[31] دریافتند که مجموع فاصله‌ها بین اعضای تیم معیار معقولی برای هزینه‌های ارتباطی است، زیرا نسبت به تغییرات شبکه پایدارتر از سایر معیارهای بالقوه است.

جایگزین های دیگر برای هزینه های ارتباطی عبارتند از قطر شبکه اجتماعی (یعنی کوتاه ترین مسیر بین هر دو گره در شبکه)، و حداقل درخت پوشا (یعنی حداقل مجموع وزن لبه های یک شبکه) [57].

ما همچنین این مشکل را با استفاده از این دو تعریف پیاده‌سازی کردیم و نتایج آنها مشابه نتایج حاصل از مجموع فاصله‌ها بود. نتایج اجرای قطر در شکل S1 و S1Table در فایل S1 و نتایج اجرای حداقل درخت پوشا در شکل S2 و جدول S2 در فایل S1 موجود است.

ما هزینه‌های ارتباطی بین دو فرد pi و pj را که با d(pi، pj) مشخص می‌شود، به عنوان کوتاه‌ترین طول مسیر در حین عبور از لبه‌های نمودار G از یک گره به گره دیگر تعریف می‌کنیم. اگر Pi و PJ در گذشته با هم همکاری کرده‌اند، آنها در فاصله یک پرش هستند.

اگر Pi و PJ با هم همکاری نکرده باشند اما یک همکار قبلی مشترک داشته باشند، آنها توسط دو فروشگاه از هم جدا می شوند. داشتن همکاران گذشته مشترک در یک تیم می تواند آشنایی را بر اساس "بسته شدن سه گانه" [67] ارتقا دهد.

این مکانیسم نشان می‌دهد که گره‌ها در صورت داشتن یک اتصال مشترک، احتمال بیشتری برای ایجاد یک اتصال جدید دارند. سه پرش و 4-پرش می توانند از همان اصول مبتنی بر "مکانیسم های تعادل" پیروی کنند [67].

افراد تمایل به ایجاد ارتباطات جدید با همکاران همکاران خود دارند تا به دنبال ثبات در گروه خود باشند. بنابراین، استفاده از مجموع مجموع فواصل در تابع هدف ما به دنبال جستجوی تیم‌هایی است که تعداد همکاری‌های مستقیم (یعنی یک پرش)، اتصالات رایج (دو پرش) و اتصالات نزدیک (سه پرش یا بالاتر) را به حداکثر می‌رسانند. .

کمترین هزینه ارتباطی زمانی است که همه اعضای تیم با هم همکاری داشته باشند (یعنی مستقیماً به هم متصل باشند)، و بالاترین آن زمانی است که اعضای تیم اصلاً به هم متصل نباشند. در این پیاده سازی، اگر مسیری بین pi و pj در G وجود نداشته باشد، هزینه های ارتباطی بین آنها را به عنوان قطر شبکه اجتماعی تعیین می کنیم.
ما هزینه‌های ارتباطی یک تیم t را به عنوان مجموع کوتاه‌ترین طول مسیر بین اعضا تعریف می‌کنیم، زیرا نسبت به سایر اقدامات بالقوه در برابر تغییرات در شبکه پایدارتر است. ما با Cc(t) هزینه‌های ارتباطی تیم t را نشان می‌دهیم که دارای k عضو بنابراین، ما هزینه های ارتباطی تیم را به صورت زیر تعریف می کنیم:

Cct ¼ Xki;j2t;i6¼jdðpi; pjÞ ð1Þ

هدف به حداقل رساندن مجموع میانگین کوتاه ترین طول مسیر در تمام تیم های مونتاژ شده در شبکه افراد است. محاسبه مجموع هزینه های ارتباطی مجموعه ای از تیم ها در زمان O(n2).

امتیاز تنوع تیمی هدف دوم، ایجاد تیم‌های متنوع با طیف گسترده‌ای از زمینه‌ها، ویژگی‌ها و رپرتوارهای مهارت است. تنوع، توزیع تفاوت بین اعضای یک واحد را در مورد یک ویژگی مشترک توصیف می کند [30].

هریسون و کلاین [30] چارچوبی را ارائه کردند که نشان می‌دهد تنوع به بهترین شکل به سه روش مفهوم‌سازی می‌شود: جدایی، تنوع و نابرابری. جدایی به تفاوت های بین اعضای تیم در موقعیت جانبی آنها در یک پیوستار (مثلاً ارزش، نگرش، باور) اشاره دارد. تنوع به تفاوت های طبقه بندی شده بین اعضای تیم اشاره دارد که در آن تعداد دسته های ارائه شده به تنوع تیمی کمک می کند (به عنوان مثال، جنسیت، شغل، نژاد).

در نهایت، نابرابری نشان‌دهنده تفاوت‌ها در تمرکز دارایی‌های ارزش‌گذاری شده یا منابع مطلوب است (به عنوان مثال، تخصص، سطح تحصیلات، دوره تصدی).

For more information:1950477648nn@gmail.com