در جستجوی تیم‌های متنوع و مرتبط: یک رویکرد محاسباتی برای جمع‌آوری تیم‌های متنوع بر اساس اعضا، قسمت 2

سهم اصلی این مقاله، فرمول بندی مسئله تشکیل تیم با در نظر گرفتن سطوح تنوع تیم ها و آشنایی اعضا به طور همزمان است.

آشنایی و حافظه اعضا به طور جدایی ناپذیری مرتبط هستند. در محل کار، به ویژه در یک تیم، آشنایی بین اعضا مستقیماً کارایی و کیفیت کار تیم را تعیین می کند.

سطح آشنایی بین اعضا مستقیماً بر درک ضمنی و همکاری تیم تأثیر می گذارد. اگر با یکدیگر آشنایی دارید، می توانید بسیاری از کلمات دشوار بیان را حذف کنید و مستقیماً وارد کار شوید و کارایی کار را بهبود بخشید. اگر اعضا با یکدیگر آشنایی نداشته باشند، معمولاً مدت زمان بیشتری برای برقراری ارتباط طول می کشد و ممکن است به دلیل سوء تفاهم های کوچک، درگیری ها و اختلافات غیر ضروری ایجاد شود.

علاوه بر این، آشنایی بین اعضا نیز مستقیماً بر حافظه تأثیر می گذارد. تحقیقات نشان می‌دهد که افراد به احتمال زیاد افراد و چیزهای آشنا را به خاطر می‌آورند زیرا اطلاعات بیشتر علاقه و توجه ما را به خود جلب می‌کند. در کار تیمی، اگر اعضا با یکدیگر آشنا باشند، به خاطر سپردن خواسته ها و نیازهای یکدیگر و جلوگیری از خطاهای حافظه ای که مانع پیشرفت کار می شود، آسان تر می شود.

بنابراین اعضای تیم باید سعی کنند از طریق فرصت های مختلف، آشنایی با یکدیگر را افزایش داده و درک و ارتباط متقابل را افزایش دهند. روابط نزدیک‌تر را می‌توان از طریق سرگرمی‌های مشترک، ارتباطات و همکاری ایجاد کرد و در نتیجه همکاری تیمی و کارایی کار را بهبود بخشید و کار را مؤثرتر کرد. مشاهده می شود که ما نیاز به بهبود حافظه داریم و سیستانچ دسرتیکولا می تواند حافظه را به میزان قابل توجهی بهبود بخشد زیرا سیستانچ دسرتیکولا یک ماده دارویی سنتی چینی است که اثرات منحصر به فرد بسیاری دارد که یکی از آنها بهبود حافظه است. اثربخشی گوشت چرخ کرده از مواد فعال مختلفی که شامل اسید، پلی ساکاریدها، فلاونوئیدها و غیره است، ناشی می شود. این مواد می توانند به طرق مختلف سلامت مغز را ارتقا دهند.

روی 10 روش برای بهبود حافظه کلیک کنید

در حالی که بیشتر مطالعات در الگوریتم‌های تشکیل تیم، مهارت‌های اعضا یا هزینه‌های شخصی را به عنوان توابع هدف تشکیل تیم در نظر گرفته‌اند [36]، ما این مسئله بهینه‌سازی را بر اساس عملیاتی‌سازی‌های مختلف تنوع (یعنی نابرابری و تنوع ویژگی‌ها) فرموله می‌کنیم. سهم دوم این کار طراحی الگوریتم هایی برای این مسئله تشکیل تیم است که افراد قابل دسترس را به یک تیم اختصاص می دهد.

مشکلات قبلی تشکیل تیم عمدتاً بر یافتن بهترین تیم از یک استخر و اخراج افراد باقی مانده متمرکز بوده است [36، 37]. این کار همچنین مفاهیم نظری را برای تحقیقات تیمی فراهم می کند.

به طور خاص، استفاده از مکانیزم های محاسباتی برای پشتیبانی از فرآیندهای تشکیل تیم [38-40]. پیامدهای عملی این مطالعه به چندین جامعه کمک می کند که در افزایش تنوع تیم سرمایه گذاری کرده اند.

از آنجایی که تیم‌سازان نمی‌توانند با بررسی دستی هر ترکیب تیمی این مشکل را به سرعت حل کنند، الگوریتم‌ها می‌توانند این کار را با گرد هم آوردن اعضایی که دارای ارتباطات اجتماعی موجود هستند و در همان زمان از پس‌زمینه‌ها، ویژگی‌ها و سطوح تخصص متفاوتی برخوردارند، خودکار کنند [41، 42].

گسترش استفاده از این الگوریتم به مخاطبان گسترده‌تر می‌تواند مزایای جدیدی را برای گروه‌هایی که به دنبال پذیرش تنوع و حفظ سطوح آشنایی بالا هستند، ارائه دهد.

این مقاله یک نسخه توسعه یافته و اصلاح شده از یک کنفرانس مقدماتی است که در Complex Networks 2020 [43] ارائه شده است.

در مقایسه با مقاله کنفرانس، این نسخه (الف) مروری بر الگوریتم‌های تشکیل تیم ارائه می‌کند، (ب) تعاریف و شبه کدهای مسئله و الگوریتم تشکیل تیم پیشنهادی را گسترش می‌دهد، (ج) الگوریتم پیشنهادی را ارتقا می‌دهد تا افراد جدا شده را مدیریت کند و زمانی که تعداد افراد موجود مضرب اندازه تیم نیست، (د) الگوریتم را با سه مجموعه داده ارزیابی می‌کند تا ثابت کند که مشکل بهینه‌سازی ما می‌تواند در سایر حوزه‌های تشکیل تیم کار کند، (ه) عملکرد آن را با سایر الگوریتم‌های چند هدفه معیار مقایسه می‌کند، (f) از معیارهای کمی برای مقایسه نتایج الگوریتم‌ها استفاده می‌کند، (ز) یافته‌ها و پیامدهای این کار را برای محققان و متخصصان توضیح می‌دهد، و (h) اسکریپت‌هایی را برای پیش‌پردازش مجموعه‌های داده، مجموعه داده‌های از پیش پردازش‌شده، و اسکریپت‌ها ارائه می‌کند. الگوریتم پیشنهادی ما و الگوریتم‌های معیار برای اهداف تکرارپذیری.

کار مرتبط

محققان علوم کامپیوتر رویکردهای مختلفی را برای حل مشکل تکالیف تیمی ارائه کرده اند [36، 44، 45]. Scholarship به این نتیجه رسیده است که یافتن کارآمدترین ترکیبات تیمی از مجموعه افراد یک مشکل محاسباتی چالش برانگیز است و حتی حل آن به صورت دستی برای افراد دشوارتر است.

این یک کار پیچیده است که نیاز به ارزیابی همه ترکیبات ممکن در بین اعضای یک استخر دارد که می تواند به یک چالش ترکیبی غیرقابل حل تبدیل شود. با توجه به مجموعه ای از n عضو که باید به تیم هایی با اندازه k اختصاص داده شوند، باید یک جایگشت تکراری را محاسبه کنیم که در آن می توانیم k عضو اول را از n انتخاب کنیم، سپس k عضو دیگر را از n-k و غیره انتخاب کنیم. با فرض اینکه k مضرب n باشد، باید جایگشت های n/k را محاسبه کنیم.

در نتیجه، ما باید n!/(k!n/k�(n/k)!) ترکیب ممکن تیم را برای مجموعه ای از n عضو محاسبه کنیم. اگر بخواهیم تیم هایی با سایز سه از کلاس 18 دانش آموز جمع آوری کنیم، 190،590،400 ترکیب ممکن وجود دارد (18!/(3! 6�6!)). این ترکیبات در زمان فاکتوریل (یعنی O(n!)) ارزیابی می شوند. بنابراین، این کار را نمی‌توان به صورت چندجمله‌ای انجام داد و نیازمند رویکردهای متفاوتی برای یافتن راه‌حل‌های کارآمد است.

بررسی‌های اخیر ادبیات [36، 37، 46] الگوریتم‌های تشکیل تیم را با توجه به سه بعد اصلی مشخص می‌کند: (1) تعداد تیم‌هایی که از الگوریتم حاصل می‌شوند، (2) ویژگی‌های اعضا در نظر گرفته شده توسط الگوریتم، و (iii) تعداد توابع هدف در نظر گرفته شده توسط الگوریتم.

تعداد تیم ها

اکثر راه حل ها برای یافتن بهترین تیم ممکن از یک مجموعه معین از افراد پیشنهاد می کنند. رویکرد "بهترین تیم" معمولاً مشکل تشکیل تیم را به عنوان یک مشکل انتساب در نظر می گیرد، جایی که هدف یافتن بهترین اعضایی است که می توانند یک تیم را جمع آوری کنند.

مشارکت های کلیدی در این ادبیات بر نوآوری های روش شناسی تکیه دارد. به عنوان مثال، الاشماوی و همکاران. [47] با استفاده از پیاده سازی الگوریتم بهینه سازی ازدحام ذرات، تیمی را با کمترین هزینه ارتباطی بین اعضای تیم جستجو کرد. بوومیک و همکاران [48] ​​یک الگوریتم تشکیل تیم را با استفاده از بهینه‌سازی تابع زیر مدولار توسعه داد.

این پیاده سازی بهترین تیم متخصص را با محدودیت های آرام پیدا می کند: تیم ها "باید" برخی مهارت ها را داشته باشند در حالی که آنها "باید" مهارت های دیگری داشته باشند. در نهایت، کین و همکاران. [49] از یک الگوریتم تشکیل تیم با استفاده از یک چارچوب تقویت گرادیان برای یافتن حداقل تیم با کارشناسانی که می توانند به طور موثر با هم کار کنند، استفاده کنید. محدودیت این روش ها این است که آنها تنها یک تیم "بهترین" را به جای تیم های متعددی که شامل همه اعضای گروه موجود است، ارائه می دهند.

چند مطالعه مشکل تخصیص همه افراد در دسترس به تیم ها را بررسی کرده اند. Oneapproach در حال تشکیل تیم های متعدد از طریق اکتشافی تکراری است. در این حالت، تیم‌ها با استخراج k عضو از استخر طبق یک تابع هدف جمع‌آوری می‌شوند تا زمانی که هیچ عضوی بدون تیم باقی نماند.

یکی از نمونه ها Agrawal و همکاران است. [50]، که گوریتم‌های اکتشافی را برای به حداکثر رساندن سود (یا به حداقل رساندن هزینه) جمع‌آوری شده روی تمام تیم‌های جمع‌آوری شده از مجموعه‌ای از افراد موجود پیشنهاد می‌کرد.

این مقاله دو الگوریتم اکتشافی تکراری را ارائه می‌کند که اعضای «قوی» را با افراد دیگری که «ضعیف‌تر» از آن‌ها هستند، ترکیب می‌کند. در نتیجه، کارشناسان بین چندین تیم توزیع می شوند. رویکرد دوم فرموله کردن مشکل تشکیل تیم به عنوان یک مشکل پارتیشن است. مجموعه ای از افراد با استفاده از اکتشافی سنجی برای همه تیم های مونتاژ شده به تیم ها تقسیم می شوند.

برخی از پیاده‌سازی‌ها از الگوریتم‌های خوشه‌بندی استفاده می‌کنند که هدف آن یافتن اعضایی با ویژگی‌های مشابه است. برخی از نمونه‌ها عبارتند از پیاده‌سازی نورجانا و همکاران [51] که از C-Means فازی برای خوشه‌بندی افراد در تیم‌های همگن استفاده می‌کند [51]، و اجرای سربا و بیلیکووا [52] که دانش‌آموزان را بر اساس ویژگی‌های مشارکتی خاص خوشه‌بندی می‌کند.

رویکرد سوم، یافتن ترکیب‌های تیمی کارآمد با استفاده از الگوریتم‌های تکاملی است [53، 54]. به طور خلاصه، الگوریتم‌های تکاملی شروع به تخصیص همه اعضا به تیم‌های تصادفی می‌کنند و سپس عضویت افراد را به طور مکرر تغییر می‌دهند تا ترکیب‌های تیمی بهتری پیدا کنند. پس از ارزیابی ترکیب ها با استفاده از توابع هدف تعیین شده، الگوریتم های تکاملی بهترین ترکیب های تیمی را برای یافتن ترکیب های جدید در تکرار بعدی نگه می دارند.

یکی از نمونه ها آگوستین-بلاس و همکاران است. [53]، که یک الگوریتم ژنتیکی را ایجاد کرد که افراد را در گروه‌ها سازماندهی می‌کند و ترکیب‌های تیمی را جستجو می‌کند که منابع مورد نیاز گروه را به حداکثر می‌رساند.

ویژگی های اعضا

بعد دوم بر ویژگی های اعضا در نظر گرفته شده توسط الگوریتم تمرکز دارد. هدف الگوریتم‌ها یافتن اعضایی است که ویژگی‌های خاص تیم را به حداکثر می‌رسانند، مانند تعداد ارتباطات اجتماعی بین اعضا یا تعداد مهارت‌های تحت پوشش تیم.

اکثر الگوریتم ها حضور مهارت ها (یا تخصص) را در یک تیم به عنوان هدف اصلی تعیین می کنند. نمونه ای از این رویکرد، الگوریتم زکاریان و کوسیاک [55] است که از برنامه ریزی ریاضی برای یافتن اعضایی استفاده می کند که مهارت خاصی را به تیم کمک می کنند.

سایر پیاده‌سازی‌های محاسباتی پیشنهاد می‌کنند که اعضا بر اساس نقش‌هایشان تخصیص داده شوند. الگوریتمی مبتنی بر این رویکرد Yannibelli و همکاران است. [56]، که یک رویکرد تکاملی را توسعه داد که تیم های دانش آموزی را با اختصاص دادن اعضا به نقش های خاص گرد هم می آورد.

علاوه بر این، الگوریتم‌ها می‌توانند شبکه‌های اجتماعی اعضا را هنگام تشکیل تیم‌ها شامل شوند. لاپاس و همکاران [57] بهترین تیم را با کمترین فاصله اجتماعی در میان اعضا جستجو کنید (یعنی جایگزینی برای هزینه های ارتباطی).

این مقاله دو الگوریتم به نام‌های «نادرترین اول» و «اشتاینر پیشرفته» را پیشنهاد می‌کند. با توجه به مشکل مونتاژ بهترین تیم با اندازه k با اعضایی که مهارت حل یک کار T را از شبکه اجتماعیG دارند، الگوریتم اول کوچکترین قطر نمودار ممکن را در بین k اعضایی که مهارت حل T را دارند جستجو می کند. الگوریتم دوم جستجو می کند. برای کوچکترین زیرمجموعه یال ها که k عضو را با مهارت حل T (یعنی حداقل درخت پوشا) به هم متصل می کند.

هدف هر دو الگوریتم یافتن بهترین تیم ممکن با توجه به یک شبکه اجتماعی خاص است. سایر پیاده سازی ها هزینه پرسنل، در دسترس بودن اعضا و تعادل بار کاری را در بین اعضا به عنوان بخشی از مشکل تشکیل تیم در نظر می گیرند [58].

For more information:1950477648n@gmail.com