Em Busca de Equipes Diversas e Conectadas: Uma Abordagem Computacional para Montar Equipes Diversas Baseadas em Membros Parte 7

Os resultados mostram que o algoritmo NSGA-II alcançou os maiores valores de hipervolume em 6 de 9 conjuntos de dados e o segundo valor mais alto para os outros três conjuntos de dados (Tabela 3). Em outras palavras, o NSGA-II frequentemente encontrou mais combinações de equipes com níveis de diversidade mais elevados e custos de comunicação mais baixos do que os outros algoritmos.

A memória desempenha um papel vital em nossas vidas. Determina se podemos fazer pleno uso do conhecimento e da experiência existentes para resolver problemas e também afeta a nossa aprendizagem e desempenho no trabalho. Os conjuntos de dados existentes também demonstraram a relação entre a memória e vários fatores, o que nos fornece mais insights e possibilidades.

Primeiro, vários estudos mostram que uma boa saúde é a base de uma boa memória. O exercício adequado e uma dieta equilibrada podem melhorar a eficiência do sistema nervoso e proteger o tecido nervoso. Pessoas fisicamente aptas têm melhor saúde cardiovascular e mental, condições que têm sido associadas à melhoria da memória e da função cognitiva.

Em segundo lugar, existe também uma estreita ligação entre estados emocionais e estados cognitivos. A pesquisa mostra que a ansiedade e o estresse excessivos podem interromper a comunicação entre os neurônios do cérebro, levando a problemas como perda de memória e dificuldade de concentração. Ajuda a promover a melhoria da memória através do gerenciamento e regulação de emoções positivas.

Além disso, o nosso ambiente de vida e os nossos hábitos diários também terão impacto no desenvolvimento e manutenção da memória. Por exemplo, fazer anotações, encontrar um método de aprendizagem adequado a você, fazer brainstorming, moderar atividades sociais e viajar é muito benéfico para o desenvolvimento da memória; enquanto os maus hábitos de sono e vários métodos de entretenimento afetarão seriamente o sistema nervoso e prejudicarão a memória. Influência.

Resumindo, a memória é uma parte importante da nossa vida eficiente, que determina a nossa capacidade de aprendizagem, capacidade de trabalho e qualidade de vida. Através de exercício físico e dieta adequados, gestão emocional e ajustes na vida diária, podemos melhorar significativamente a nossa memória e capacidades cognitivas, permitindo-nos viver de forma mais eficiente e feliz. Percebe-se que precisamos melhorar a memória, e a Cistanche deserticola pode melhorar significativamente a memória porque a Cistanche deserticola é um material medicinal tradicional chinês que tem muitos efeitos únicos, um dos quais é melhorar a memória. A eficácia da carne picada vem dos vários ingredientes ativos que contém, incluindo ácidos, polissacarídeos, flavonóides, etc. Esses ingredientes podem promover a saúde do cérebro de várias maneiras.

Clique em conhecer suplementos para melhorar a memória

Os altos valores de hipervolume do NSGA-II podem ser explicados pelo seu passo de distância de aglomeração, que ajudou o algoritmo a encontrar soluções não dominadas localizadas nos extremos da frente de Pareto.

Como o PLS e o HPSO não estabeleceram nenhum critério para evitar soluções redundantes, suas soluções resultaram em um conjunto de soluções não dominadas concentradas em determinadas áreas. Portanto, o conjunto de combinações de equipes fornecido pelo NSGA-II frequentemente dominou aquele fornecido pelos outros algoritmos.

A implementação NSGA-II também obteve os valores mais altos de relação frontal não dominada (UNFR) em 6 dos 9 conjuntos de dados. Em outras palavras, o NSGA-II frequentemente fornecia mais combinações de equipes não dominadas que os outros algoritmos não conseguiam encontrar.

Uma possível explicação para o segundo lugar do NSGA-II nos demais casos é a baixa densidade na rede de colaboração. Pools com poucas conexões anteriores entre indivíduos reduzirão o número de possíveis combinações de equipes altamente conectadas, tornando a busca heurística ineficaz.

Em contraste, o HPSO e o PLS realizaram mais operações de cruzamento e mutação do que o NSGA-II. A execução dessas operações diversas vezes permitiu que HPSO e PLS examinassem mais combinações de equipes e aumentassem a probabilidade de encontrar combinações específicas de equipes com baixos índices de comunicação.

O HPSO alcançou o segundo maior valor de hipervolume e UNFR. Beneficiou-se das soluções não dominadas no meio da frente aproximada de Pareto, que obtiveram altos níveis de diversidade.

Essas soluções não dominantes superaram outros algoritmos e aumentaram a área criada por sua Frente de Pareto aproximada. SPEA-2 e PLS convergiram para algumas soluções, cobrindo uma área menor que as soluções NSGA-II e HPSO. No geral, o NSGA-II encontrou mais soluções não dominadas entre estes dois objetivos e forneceu soluções com maior variação nos valores de custos de comunicação.

A grande variação tanto na diversidade quanto na familiaridade mostra que o algoritmo NSGA-II encontrou mais soluções não dominadas do que os outros algoritmos, o que é desejável para encontrar a verdadeira frente de Pareto. A etapa de distância de aglomeração do NSGA-II permitiu ao algoritmo manter uma gama mais ampla de soluções não dominadas. Além disso, o algoritmo manteve soluções secundárias em camadas diferentes que poderiam ter originado soluções não dominadas em iterações posteriores.

À medida que o algoritmo continua a criar novas gerações, soluções dominadas ainda podem ser consideradas para encontrar outras soluções potenciais. Além disso, a NSGA-II ainda poderia identificar soluções não dominadas no meio do trade-off.

Em contraste, a baixa variância dos outros algoritmos mostra que eles provavelmente convergiriam para um conjunto específico de soluções não dominadas e para um trade-off específico. Esses algoritmos não incluíam operações para diversificar suas populações atuais ou remover soluções redundantes não dominadas. Portanto, esses algoritmos poderiam carecer de diversas soluções que residem nos extremos da frente de Pareto.

A Figura 4 apresenta o tempo de execução de todos os algoritmos implementados. A Figura 5 mostra como o tempo de execução dos algoritmos é função do número de indivíduos disponíveis. Os resultados mostram que a implementação do NSGA-II tem melhor desempenho do que o PLS e o HPSO à medida que o número de participantes aumenta.

O PLS exigiu mais tempo para explorar as vizinhanças das soluções até que todas as combinações possíveis se esgotassem. No caso do HPSO, os dois cruzamentos e uma etapa de mutação realizados para cada solução tornaram a operação do algoritmo três vezes mais longa que a do NSGA-II, uma vez que este último realiza apenas uma etapa de cruzamento. Embora o HPSO tenha demorado mais que o NSGA-II, ambos funcionaram em tempo polinomial (O(n2)).

Nossos resultados sugerem que o NSGA-II exigiu menos de um terço do tempo que o PLS e o HPSO levaram para fornecer resultados semelhantes. Portanto, o uso do NSGA-II é altamente encorajado para encontrar soluções de forma eficiente à medida que o tamanho da entrada aumenta. SPEA-2 não encontrou soluções melhores que PLS ou NSGA-II, mas seus resultados convergiram mais rapidamente que os métodos NSGA-II e PLS.

Por fim, calculamos a frequência de contatos diretos (1-salto), contatos compartilhados (2-saltos),3-saltos e muito mais nas equipes reunidas para entender as distâncias entre os membros da equipe( Consulte Tabela S3 no arquivo S1).

Os resultados sugerem que a grande maioria dos membros estava ligada a outros através de um intermediário (�31%), seguido pelos membros que estavam diretamente ligados (�30%). Esses números mostram que as equipes resultantes eram altamente conectadas em geral, e os membros conectados por meio de muitos saltos não eram representativos.

Discussão

Formar equipes é uma tarefa desafiadora, especialmente quando o objetivo é trazer equilíbrio entre a diversidade e as preferências dos membros da equipe. Embora trabalhos anteriores tenham se concentrado na busca da melhor equipe possível [37], a contribuição deste artigo é a busca por combinações equilibradas de equipes que distribuam habilidades e conexões de forma equitativa. Além disso, montar equipes que incluam tanto a diversidade nas contribuições de seus membros quanto as relações anteriores entre os membros torna-se um desafio final para garantir seu sucesso [78, 79].

Neste trabalho, consideramos o problema de criar equipes que sejam ao mesmo tempo diversas e altamente conectadas usando uma abordagem computacional. Implementamos esse problema de formação de equipes usando um algoritmo genético que fornece diferentes combinações de equipes de acordo com a diversidade e os custos de comunicação das equipes.

Os resultados indicam que equipes diversas e altamente conectadas podem ser montadas de forma eficiente e rápida através desta abordagem genética. Nas subseções a seguir, elaboramos as implicações deste trabalho e as aplicações potenciais.

Este trabalho mostra os benefícios do uso de abordagens computacionais para montar múltiplas equipes que distribuem as habilidades dos membros entre diferentes grupos e consideram seus relacionamentos anteriores. Trabalhos anteriores enfatizam principalmente encontrar a melhor equipe possível em um grupo social (por exemplo, equipe de especialistas, equipe de estrelas) [36, 57, 58].

No entanto, a busca por múltiplas equipes também é relevante em situações organizacionais e de aprendizagem, como a formação de equipes de estudantes, a formação de equipes operacionais dentro de unidades de negócios ou a condução de pesquisas científicas.

Devido à forte ênfase na montagem de equipes de alto desempenho, algoritmos que reúnem os melhores membros podem criar maior segregação dentro desses grupos sociais em detrimento de outros menos qualificados [80]. A concentração de competências e conhecimentos num pequeno número de equipas dificulta o surgimento de outras equipas com oportunidades e ligações sociais semelhantes.

Como este artigo demonstra, a infraestrutura computacional avançada e o uso de big data fornecem novas oportunidades para reimaginar diversas combinações de equipes que os indivíduos não poderiam explorar de forma sistemática e fácil [37, 44]. Em vez de criar equipes usando estratégias manuais ou intuição, os criadores de equipes podem usar algoritmos para adaptar diferentes combinações de equipes que otimizam a diversidade e a familiaridade simultaneamente.

Assim, implementações como a apresentada neste artigo permitem que os construtores de equipes criem equipes heterogêneas e diversas sem sacrificar a familiaridade entre os membros da equipe, o que é essencial para colaborações bem-sucedidas [81].

For more information:1950477648nn@gmail.com