در جستجوی تیم‌های متنوع و مرتبط: یک رویکرد محاسباتی برای جمع‌آوری تیم‌های متنوع بر اساس اعضا قسمت 4

در این پیاده‌سازی، ما از معیارهای مختلفی برای ارزیابی تنوع تیم‌ها توسط متغیرهای دسته‌بندی C، و معیارهای اختلاف برای ارزیابی تنوع تیم‌ها که توسط متغیرهای عددی U ارائه می‌شوند، استفاده می‌کنیم. برای اندازه‌گیری معیارهای تنوع هر تیم با ویژگی‌های دسته‌بندی C اعضای آن، از شاخص Blau (Bt; ci) استفاده می‌کنیم [30].

در زندگی ما اغلب با افراد و چیزهای مختلفی مواجه می شویم. تنوع این افراد و چیزها از مرزهای نژاد، فرهنگ و طیف شناختی فراتر می رود. تحقیقات اخیر رابطه مثبتی بین شاخص های تنوع و حافظه پیدا کرده است.

شاخص های تنوع شامل تنوع قومی، فرهنگی و شناختی است. با تنوع نژادی، قرار گرفتن در معرض نژادهای مختلف، تفکر و حافظه افراد را تحریک می‌کند، زیرا مردم باید نسبت به زبان‌ها و فرهنگ‌های مختلف حساس باقی بمانند و تنظیمات لازم را با آن‌ها انجام دهند. تنوع فرهنگی به این معناست که افراد می توانند در معرض فرهنگ ها، باورها و ارزش های مختلف قرار گیرند. این تجربیات می تواند افراد را انعطاف پذیرتر، سازگارتر و خلاق تر کند. تنوع در حوزه شناختی می تواند شامل رشته ها، مشاغل و تجربیات مختلفی باشد که دانش و درک ما را از چیزها افزایش می دهد.

در گذشته تصور می شد که مزیت های شناختی تنها از طریق یک زمینه فرهنگی واحد به دست می آید. با این حال، اکنون تعداد فزاینده ای از تحقیقات نشان می دهد که شاخص های تنوع می تواند توانایی های شناختی و حافظه فرد را بهبود بخشد. دانشمندان بر این باورند که این به این دلیل است که شاخص‌های تنوع به ما کمک می‌کنند تا خاطرات پیچیده‌تری بسازیم و همچنین به درک و به خاطر سپردن عناصر مختلف بصری، شنیداری و کلامی کمک می‌کنیم.

در برخی از مطالعات، محققان دریافته اند که افراد دوزبانه در بسیاری از وظایف شناختی بهتر عمل می کنند. وقتی مردم به چند زبان صحبت می کنند، تلفظ، واژگان و دستور زبان را بین زبان های مختلف مقایسه و مقایسه می کنند. این پردازش بین زبانی شبکه های عصبی مغز را تقویت می کند و توانایی های شناختی را بهبود می بخشد.

بنابراین، می‌توان نتیجه گرفت که شاخص‌های تنوع می‌تواند توانایی‌های شناختی و حافظه را بهبود بخشد که می‌تواند برای زندگی حرفه‌ای و شخصی ما نیز مفید باشد. ما باید خود را تشویق کنیم تا در معرض طیف وسیع تری از فرهنگ و شناخت قرار بگیریم و دانش و درک خود را از چیزهای جدید باز کنیم تا به خودمان کمک کنیم در توسعه آینده به نتایج بهتری دست یابیم. مشاهده می شود که باید حافظه خود را تقویت کنیم. Cistanche deserticola می تواند به طور قابل توجهی حافظه را بهبود بخشد زیرا Cistanche deserticola یک ماده دارویی سنتی چینی با اثرات منحصر به فرد بسیاری است 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.

برای بهبود حافظه روی مکمل‌های شناختی کلیک کنید

این شاخص احتمال اینکه دو نفر از اعضای تیم به طور تصادفی از تیم انتخاب شده اند در دسته های مختلف قرار گیرند کمیت می کند. امتیاز پایین به معنای این است که اعضا در یک دسته قرار می گیرند، در حالی که نمره بالا به معنای قرار گرفتن اعضا در دسته های مختلف است.

ما pci jas نسبت اعضایی را که در یک دسته خاص j در صفت طبقه‌بندی ci قرار می‌گیرند، نشان می‌دهیم. با توجه به اینکه تعداد دسته بندی ها در ci oci است که j ¼ 1; :::; oci، فرمول BlauIndex برای تیم t به صورت زیر است:

Bt٪3bci ٪ c2٪ قبل از میلاد 1 Xocijpci2j ٪ c3٪ b02

برای اندازه گیری معیارهای نابرابری هر تیم توسط متغیرهای عددی اعضای آن U، از ضریب تغییرات (CVt;ui) [30] استفاده می کنیم که به عنوان نسبت انحراف استاندارد به میانگین ویژگی i, ui 2 U تعریف می شود.

نمره ضریب تغییرات پایین به این معنی است که همه اعضای تیم سطوح مشابهی از ویژگی را دارند، در حالی که نمره بالا به این معنی است که همه اعضای تیم دارای سطوح متفاوتی از ویژگی هستند. برای یک تیم t با اعضای j=1، 2، . . .، k، و با استفاده از مقدار میانگین صفت i در تیم، فرمول به صورت زیر است:

CVt٪3bui ٪c2٪bcffifffifffiff در حالی که به نظر می رسد که در کنار هم بود، در کنار هم، در کنار هم در کنار هم، در کنار هم با وجود خود را در حالی که در کنار با وجود خود را با وجود در حالی که در تمام جهان را در کنار خود را در سکی وجود دارد که در سکی دوباره در جهان با وجود خود را در کنار خود را با وجود وجود دارد که در تمام جهان با وجود وجود دارد که در تمام جهان در جهان با وجود وجود دارد در حالی که در جهان با وجود وجود دارد در حالی که در تمام جهان با وجود وجود دارد در حالی که در کنار خود را با وجود وجود دارد در حالی که در کنار خود را که در

این دو معیار تنوع تیمی مفید هستند زیرا وقتی داده‌های ورودی به‌صورت خطی مقیاس‌بندی می‌شوند، تغییر نمی‌کنند، و هر دو تمایل دارند در حدود همان مقادیر باقی بمانند. با توجه به اینکه مسئله تشکیل تیم، متغیرهای دسته‌بندی C و متغیرهای عددی U را در نظر می‌گیرد، معیارهای تنوع را می‌توان برای اولویت‌بندی تفاوت‌ها در یک متغیر خاص وزن کرد.

بردار اوزان W دارای |C| است + |U| عناصر، جایی که W ¼ ðwu1; :::;wcm ;wc1;wc2; :::; wclÞ. بر اساس این معیارها، ما تنوع را برای ویژگی های مختلف در یک مقدار واحد جمع می کنیم. ما امتیاز تنوع تیمی V یک تیم t را به عنوان مجموع وزنی شاخص‌های Blau برای همه متغیرهای طبقه‌بندی C و ضریب تغییرات برای همه متغیرهای عددی U تعریف می‌کنیم. فرمول این است:

VT ٪c2٪bc Xmi٪c2٪bc1wui ٪ef٪bf٪bd CVt٪3bui ٪c3٪beXli٪c2٪bc1wci ٪ef٪bf٪bd Bt٪3bci ٪c3٪b0

بیان مسئله چند هدفه ما مسئله را به عنوان یک مسئله چند هدفه فرموله می کنیم تا مجموعه ای از راه حل های تیم r را پیدا کنیم P ¼ fT1. T2; T3; :::; Trg، جایی که هرT یک راه حل بالقوه را با تیم های q نشان می دهد.

تجزیه عملکرد ارزیابی به اهداف - به حداقل رساندن هزینه های ارتباطی و به حداکثر رساندن امتیاز تنوع تیم - به ما امکان می دهد راه حل های متعددی را پیدا کنیم که رویکرد تک هدفه نمی تواند به آنها برسد. در نتیجه، ما انتظار داریم که نه یک راه‌حل منحصربه‌فرد T، بلکه مجموعه‌ای از راه‌حل‌های P را پیدا کنیم که در هر دو تابع هدف، راه‌حل امکان‌پذیر دیگری وجود ندارد.

این مجموعه راه‌حل‌های P نیز به عنوان جبهه پارتو شناخته می‌شود، که در آن (الف) هیچ مجموعه دیگری از راه‌حل‌های T0 با تیم‌های متنوع‌تر و مرتبط‌تر وجود ندارد، و (ب) هر راه‌حل Ti; i 2 P نسبت به همه راه حل های دیگر در P در مورد اهداف تنوع و هزینه های ارتباطی برتری ندارد. داشتن این مجموعه راه‌حل‌های تیمی P ارزیابی هر یک از آنها را به صورت جداگانه ممکن می‌سازد، بنابراین سازنده تیم می‌تواند مناسب‌ترین تیم‌های ممکن را برای جمع‌آوری برای شرایط و زمینه‌های داده شده انتخاب کند.

در مجموع، مشکل تشکیل تیم که در این مقاله به آن پرداخته شده است، یافتن راه‌حل‌های غالب P در جلوی پارتو است، که در آن هر راه‌حل T از تیم‌های q تشکیل شده است (T={t1, t2, t3, . . ., tq} ). هدف دوگانه، به حداکثر رساندن تنوع تیم ها بر اساس ویژگی های طبقه بندی C و ویژگی های عددی U و به حداقل رساندن هزینه ارتباط بر اساس G است. ما می توانیم این مشکلات را مدل کنیم:

از آنجایی که یافتن تیم‌ها از نمودار G در حالی که مجموع کوتاه‌ترین طول‌های مسیر و مسائل تخصیص تیم را به حداقل می‌رسانند، ثابت شده است که یک مسئله NP-hard است [57، 68]، این مسئله چند هدفه نیز یک مسئله NP-hard است.

اجرای NSGA-II

اشکال جبهه های پارتو اطلاعات مفیدی در مورد میزان مبادله بین اهداف مختلف و میزان مصالحه مورد نیاز از برخی معیارها برای بهبود سایر معیارها ارائه می دهد.

تعیین جبهه پارتو دقیق برای مسائل بهینه سازی ترکیبی چندهدفه دشوار است زیرا محاسبه تمام ترکیبات ممکن برای یافتن پارتوفرون واقعی ضروری است [63]. به همین دلیل، هدف یافتن تقریبی از جبهه پارتو واقعی با استفاده از الگوریتم‌های ابتکاری است. یک فرض مهم برای این الگوریتم ها این است که جبهه پارتو به اندازه کافی پر است.

کیفیت این تقریب بستگی به (1) نزدیکی نقاط در جبهه تقریبی به نقاط در جبهه پارتو واقعی دارد. و (2) تنوع راه حل ها در جبهه تقریبی، جایی که تنوع بیشتر معمولاً بهتر است. اگرچه جبهه پارتو واقعی ناشناخته است، راه حل هایی که بر دیگران تسلط دارند نزدیک به جبهه پارتو واقعی نظری هستند. بنابراین، تنوع راه حل ها، گستره و دانه بندی گسترده تری از جبهه پارتو را فراهم می کند.

الگوریتم های ژنتیک (GA) معمولاً برای یافتن تقریب های جبهه های پارتو استفاده می شوند [69]. این روش با تقلید از تکامل در طبیعت، جمعیتی از راه حل های اولیه را به راه حل های بهتر از طریق انتخاب طبیعی بهینه می کند. هر محلول به عنوان یک کروموزوم (یعنی بردار صفات) مشخص می شود که می تواند در هر تکرار جهش یافته و تغییر یابد. بهترین راه حل ها پس از جهش در طول زمان باقی می مانند. الگوریتم‌های ژنتیک برای یافتن راه‌حل‌هایی برای مسائل بهینه‌سازی در فضاهای بزرگ و بسیار غیرخطی ایده‌آل هستند [70].

الگوریتم ژنتیک از جمعیتی از راه حل های تولید شده به طور تصادفی شروع می شود که از طریق یک فرآیند تکراری به راه حل های جدید تبدیل می شوند. جمعیت ایجاد شده در هر تکرار به عنوان یک نسل نیز شناخته می شود. در هر نسل، الگوریتم هر کروموزوم جمعیت را با توجه به تابع هدف در مسئله بهینه سازی حل شده ارزیابی می کند.

کروموزوم هایی که بالاترین امتیاز را دارند از نسل فعلی انتخاب می شوند و برای تشکیل نسل جدید استفاده می شوند. این فرآیند تا رسیدن به حداکثر تعداد تکرار یا تابع آستانه ای که برای راه حل ها تعریف شده است ادامه می یابد.

ما یک الگوریتم ژنتیکی به نام Non-dominated Sorting Genetic Algorithm-II (NSGA-II) را که توسط Deb و همکارانش فرموله شده است، پیاده سازی کردیم. [71]. NSGA-II امکان یافتن تقریبی از جبهه پارتو را فراهم می‌کند، با داشتن راه‌حل‌های تیمی مختلف P که با توجه به هزینه‌های ارتباطی و امتیاز تنوع مشخص شده متفاوت است. رویکرد NSGA-II بر اساس مرتب‌سازی جمعیت در سلسله مراتبی از جمعیت‌های فرعی با استفاده از معیارهای تسلط پارتو است.

سپس کروموزوم های تکرار بعدی با توجه به سلسله مراتب ذکر شده انتخاب می شوند. این انتخاب نخبه‌گرا تضمین می‌کند که کروموزوم‌های بالقوه خوب در جمعیت نگهداری می‌شوند و کیفیت محلول به‌دست‌آمده از یک تکرار به تکرار دیگر کاهش نمی‌یابد. محلول‌ها همچنین بر اساس شباهت کروموزوم‌هایشان سفارش داده می‌شوند و موارد اضافی را حذف می‌کنند تا تنوع را در جبهه پارتو ارتقا دهند.

در نتیجه، NSGA-II می تواند پس از چند بار تکرار، روی یک Paretofront با عملکرد بالا همگرا شود. کار قبلی نشان داده است که NSGA-II راه حل هایی با سطوح بالایی از کارایی در حال اجرا در O(n2) ارائه می دهد.

در این پیاده‌سازی، هر جمعیت P حاوی راه‌حل‌های r تیم P ¼ fT1 است. T2; :::; Trg، و هر کروموزوم نشان دهنده مجموعه ای بالقوه از تیم های q Ti={t1, t2, . . .، tq}. ما در سراسر این مقاله از "کروموزوم" و "محلول تیمی" به جای یکدیگر استفاده می کنیم.

ما یک کروموزوم را به عنوان یک بردار از افراد تقسیم می کنیم که به قسمت های q تقسیم می شوند تا تیم ها را بدست آوریم (شکل 2). در نتیجه، طول هر کروموزوم برابر با تعداد افراد n است که نشان دهنده q تیم های اندازه (q�k=n) است. ما این الگوریتم را با مشکل تشکیل تیم متنوع خود تطبیق دادیم و این مراحل را در الگوریتم 1 ترسیم می کنیم.

مقداردهی اولیه. این الگوریتم با مقداردهی اولیه جمعیت کروموزوم‌های P و داشتن تیم‌هایی که به‌طور تصادفی جمع شده‌اند، شروع می‌شود. پارامترهای ورودی آن عبارتند از تعداد کل کروموزوم‌های r که در جمعیت P، فهرست افراد P، تعداد تیم‌های q تشکیل می‌شوند و تعداد تکرارهایی که باید g را انجام دهند.

کروموزوم ها به صورت آرایه های دوبعدی با شکل (q,k) ذخیره می شوند، که در آن q تعداد تیم های ممکن برای جمع آوری و k تعداد اعضای هر تیم است. هر کروموزوم یک راه حل بالقوه برای مشکل تشکیل تیم های متنوع است و هدف یافتن مجموعه ای از کروموزوم ها با تنوع بالا و هزینه های ارتباطی کم است.

پس از ایجاد جمعیت اولیه، الگوریتم فرزندان را ایجاد می کند و به طور مکرر جبهه های پارتو را جستجو می کند تا زمانی که به حداکثر تعداد نسل g برسد.

مرحله متقاطع.

در هر نسل، الگوریتم دو کروموزوم تصادفی (p1 و p2) را از جمعیت موجود P می گیرد و به طور تصادفی تیم های q را از این اتحادیه انتخاب می کند. در نتیجه، الگوریتم یک کروموزوم فرزند با تیم های q خواهد داشت. از آنجایی که تیم های کودک به طور تصادفی از دو کروموزوم مختلف انتخاب می شوند، افراد ممکن است دو بار انتخاب شوند، از p1 و p2.

این الگوریتم افراد تکراری را با افراد دیگری که به یک تیم اختصاص داده نشده اند جایگزین می کند. هر یک از اعضای کروموزوم کودک را بررسی می کند و تعداد دفعات حضور یک فرد در یک تیم را شمارش می کند. اگر یک فرد بیش از یک بار شمارش شود، این فرد به طور تصادفی با یک عضو غایب جایگزین می شود. در پایان این فرآیند بازبینی، الگوریتم کروموزوم فرزند را با تمام اعضای P به یک تیم اختصاص می‌دهد.

این نمونه‌گیری‌های تصادفی، جهش کافی برای الگوریتم برای معرفی تنوع به جمعیت بدون افزودن مرحله جهش دیگری فراهم می‌کنند. ما روش متقاطع پیشنهادی را در الگوریتم 2 بیان می کنیم.

For more information:1950477648nn@gamil.com