Em Busca de Equipes Diversas e Conectadas: Uma Abordagem Computacional para Montar Equipes Diversas Baseadas em Membros Parte 5

Etapa de classificação rápida não dominada. A seguir, o algoritmo deve selecionar os melhores r cromossomos dessa união de tamanho 2r. Para encontrar esse conjunto, o algoritmo realiza uma ordenação não dominada entre todos os cromossomos existentes de P.

A classificação por dominância é uma técnica de memória comum que nos ajuda a lembrar e compreender melhor as coisas. Estabelece principalmente relações lógicas entre o conhecimento, classificando, classificando e resumindo as informações relacionadas, tornando mais fácil para nós compreender e lembrar esse conhecimento.

As etapas de classificação dominante incluem principalmente classificação, classificação, indução e resumo. Na fase de classificação, precisamos classificar as informações relevantes e dividi-las em diferentes categorias; na etapa de classificação, precisamos determinar o nível e a importância de cada categoria para que possam ser organizadas em uma determinada ordem; na fase de indução, precisamos integrar e extrair as relações entre as diferentes categorias para melhor compreender e lembrar esse conhecimento; na fase sumária, precisamos de rever e reflectir sobre todo o processo de classificação da posição dominante para descobrir e corrigir as nossas deficiências.

A classificação por dominância está intimamente relacionada à memória. Pode nos ajudar a organizar e classificar melhor o conhecimento, melhorando assim a eficiência da memória. Através do domínio e da classificação, podemos integrar e organizar sistematicamente diversas informações, e estabelecer hierarquias e associações de conhecimento, formando assim uma rede de memória, tornando as nossas memórias mais fortes e profundas. Ao mesmo tempo, a classificação por dominância também pode ajudar-nos a explorar melhor o valor e a aplicação do conhecimento, melhorando assim as nossas capacidades de pensamento e de resolução de problemas.

Resumindo, a classificação por dominância é uma técnica de memória muito prática que pode nos ajudar a compreender e lembrar melhor vários conhecimentos. Através da prática e aplicação contínuas, podemos tornar-nos mais proficientes no domínio desta habilidade, estabelecendo assim uma base sólida para a nossa aprendizagem e desenvolvimento. 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 memória de curto prazo como melhorar

O objetivo é identificar soluções com melhor desempenho que outras e classificá-las de acordo com seu desempenho em diferentes frentes de Pareto F. O algoritmo primeiro verifica as relações de dominância entre todos os cromossomos. Dados dois cromossomos, T e T{{0}}, T domina T0 se e somente se Cc(T)�Cc(T0) e V(T)�V( T0) com pelo menos uma desigualdade estrita.

Em outras palavras, T é pelo menos tão bom quanto T{{0}} para todos os objetivos e estritamente melhor para pelo menos um. Esta relação de dominância é denotada como T � T0. Se um dos objetivos de T não for melhor que T0 e não puder ser melhorado em valor sem degradar alguns dos outros valores do objetivo, então T não é dominado por T0

Um exemplo de solução não dominada é T com pontuações de diversidade mais altas, mas custos de comunicação mais elevados do que T0. Nesse caso de não-dominância, T e T0 são soluções viáveis ​​para a próxima geração.

Uma vez que o algoritmo mapeia todas as relações de dominância dos cromossomos, ele cria uma primeira frente de Pareto de soluções que consiste em todas as soluções não dominadas (F1). Este conjunto também é denominado ótimo de Pareto.

Em seguida, o algoritmo cria uma segunda frente de soluções ótimas de Pareto (F2) que foram desconsideradas na primeira frente, e assim sucessivamente. Como resultado, o algoritmo classifica os cromossomos da população em uma hierarquia de subpopulações. A classificação continua encontrando sucessivas frentes de Pareto até que todos os cromossomos sejam atribuídos a uma frente de Pareto.

Nova população. O algoritmo então seleciona os melhores cromossomos r para a próxima geração. Em um determinado momento, existem 2r cromossomos classificados na frente hierárquica de Pareto F. O algoritmo cria a nova população P0adicionando os cromossomos armazenados nas frentes de Pareto.

Se o tamanho total da primeira frente de Pareto for menor que r, então o algoritmo adiciona todos os cromossomos desta frente a P{{0}}. Então, o algoritmo adiciona as soluções restantes para a nova população das frentes não dominadas subsequentes. O algoritmo continua este procedimento até não conseguir adicionar mais frentes a P0.

Distância de aglomeração. O algoritmo deve adicionar cromossomos à nova população até que haja exatamente r cromossomos. Se a última frente de Pareto não dominada Fk selecionada tiver mais cromossomos do que o permitido adicionar a P0, o algoritmo deve escolher um conjunto menor de Fk para completar os r cromossomos.

Seja d=r SizeðPÞ, o número de cromossomos faltantes para completar r. O algoritmo identifica os melhores cromossomos δ desta última frente Fk calculando a distância de aglomeração entre os cromossomos.

Esta métrica determina o quão semelhantes os cromossomos são em termos de desempenho no problema multiobjetivo. Após calcular essa distância, o algoritmo classifica os cromossomos de acordo com suas distâncias e elimina cromossomos que apresentam desempenho semelhante a outros cromossomos. Este procedimento mantém a frente de soluções e remove cromossomos redundantes.

Então, os δ melhores cromossomos de Fk são adicionados a P{{0}}. Como resultado, P0 conta com os r melhores cromossomos e se torna o pai da próxima geração, iniciando uma nova iteração.

Dados

Nesta seção, avaliamos o algoritmo proposto para nosso problema de formação de equipe usando três conjuntos de dados do mundo real. As fontes de dados são MyDreamTeam (uma plataforma de formação de equipe), Bibsonomy (um site de bookmarking social) e GHTorrent (um banco de dados de repositório GitHub).

O uso desses conjuntos de dados para simular equipes para esse problema de formação de equipes ilustra a eficácia de nossa estrutura em cenários reais. Mostramos estatísticas resumidas desses conjuntos de dados na Tabela 2. Os dados resultantes e os scripts para pré-processar os dados brutos estão disponíveis emhttp://nusoniclab.github.io/.

Conjunto de dados MyDreamTeam. Avaliamos nosso algoritmo proposto usando dados de casos reais de formação de equipes. Extraímos este conjunto de dados do My Dream Team Builder [33], um sistema de recomendação para ajudar indivíduos a montar equipes por conta própria.

Este conjunto de dados contém casos de participantes montando suas equipes por conta própria. Os cases datam de 2014 a 2020. Nesse sistema de recomendação, os participantes criam perfis, buscam companheiros de equipe e enviam convites para formar equipes.

Os cases consistem em turmas de universidades dos Estados Unidos. O conjunto de dados inclui características, dados demográficos e redes sociais dos participantes, que eles relataram em uma pesquisa inicial. Selecionamos três casos para testar nosso algoritmo: um curso de graduação, um curso de pós-graduação e um curso de MBA. Os participantes usaram o sistema para montar equipes para discussões em pequenos grupos.

A permissão para coletar dados dos participantes foi aprovada pelo Conselho de Revisão Institucional da Northwestern University (#STU00078513). Todas as regulamentações institucionais e governamentais aplicáveis ​​relativas ao uso ético de seres humanos foram seguidas durante esta pesquisa.

O consentimento eletrônico foi obtido dos participantes do estudo por meio de um instrumento de pesquisa on-line. Foi pedido aos participantes que consentissem na utilização dos dados recolhidos através do My Dream Team Builder para fins de investigação. Fizemos hash dos identificadores dos usuários para criar um conjunto de dados desidentificado.

BibSonomia. O segundo conjunto de dados é extraído do BibSonomy [34], um sistema de bookmarking social e compartilhamento de publicações. Escolhemos a bibsonomia porque documentos anteriores de formação de equipe testaram seus algoritmos usando esse banco de dados [58].

Este conjunto de dados é administrado pelo Knowledgeand Data Engineering Group da Universidade de Kassel. O conjunto de dados bibsonomy está disponível sob um contrato de licença e pode ser solicitado em https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. Este conjunto de dados contém um grande número de publicações relacionadas à ciência da computação. Cada publicação é escrita por um grupo de autores.

Muitos usuários visitam o site da Bibsonomy usando tags para anotar as publicações. Seguindo o procedimento descrito por Anagnostopoulos et al. [58], usamos as tags associadas aos artigos de cada autor para representar suas habilidades. A habilidade de cada autor representa o número de artigos publicados com sua respectiva tag. Selecionamos três periódicos relacionados à análise de redes sociais para testar nosso algoritmo: “Nature”, “Science” e “Physica A: Statistical Mechanics and its Applications”.

Contamos a frequência das tags em cada um desses periódicos e selecionamos algumas tags populares relacionadas ao nosso estudo. Para os dois primeiros periódicos, selecionamos artigos que incluíam as tags 'rede', 'rede social' e 'mundo pequeno'.

Em seguida, identificamos os autores desses artigos, criamos a rede de coautorias e selecionamos os autores do maior componente. Da mesma forma, fizemos este procedimento para o terceiro periódico usando as tags 'rede', 'gráfico', 'modelo' e 'sistema'. Combinamos os nomes dos autores para criar um conjunto de dados desidentificado.

GHTorrent. Usamos dados do GitHub fornecidos pelo projeto GHTorrent [35], um espelho offline dos dados oferecidos através da API do GitHub. Este conjunto de dados pode ser baixado em https://ghtorrent.org/downloads.html. O conjunto de dados GHTorrent cobre uma ampla gama de atividades de desenvolvimento no Github, incluindo repositórios, solicitações pull e usuários. Baixamos o dump do conjunto de dados "01/06/2019" para construir nosso conjunto de dados de teste.

Filtramos usuários que contribuíram entre 40 e 80 projetos para manter os usuários médios em nossa análise. Seguindo uma abordagem semelhante ao conjunto de dados BibSonomy, usamos linguagens de programação associadas aos repositórios contribuídos por cada usuário para representar as habilidades dos usuários.

A habilidade de cada usuário representa o número de projetos contribuídos escritos em um idioma específico. Como os repositórios podem ter arquivos em vários idiomas, selecionamos o idioma mais usado do repositório como o idioma do repositório.

Selecionamos três das linguagens mais populares neste conjunto de dados: Java, Python e Ruby. Em seguida, identificamos os usuários desses repositórios e criamos a rede de colaboração. Neste exemplo, os usuários terão uma permissão se contribuírem para o mesmo repositório pelo menos duas vezes. Por fim, selecionamos usuários do maior componente. Fizemos hash dos nomes dos autores para criar um conjunto de dados desidentificado.

Avaliação

Comparamos o algoritmo proposto para o problema de formação de equipe (denotado como NSGA-II) com três métodos de otimização multiobjetivo bem conhecidos usados ​​para fins de benchmark [62, 72]:

Método de pesquisa local de Pareto (PLS). Este algoritmo iterativo começa com um conjunto de soluções aleatórias como a população inicial e explora os vizinhos de cada solução [73, 74]. O algoritmo atualiza a população com base na dominância de Pareto: adicionará vizinhos não dominados à população e removerá soluções existentes que são dominadas pelas soluções recém-adicionadas.

Uma vez que a vizinhança de uma solução tenha sido totalmente explorada, a solução é marcada como explorada. O algoritmo explora iterativamente novas soluções à medida que são adicionadas à população até que nenhuma solução melhor seja encontrada. Depois que todas as soluções forem exploradas e nenhuma outra solução não dominada puder ser descoberta, o algoritmo para. Implementamos a versão proposta por Zihayat et al. [72] para problemas combinacionais.

Nesta implementação, os vizinhos de uma solução são todas as combinações possíveis de equipe da solução com dois membros trocando de equipe. Como o PLS não depende de um número fixo de gerações, executamos apenas uma iteração deste algoritmo para comparar seus resultados com os outros métodos.

Dados n indivíduos, e que o algoritmo irá explorar n2 vizinhos de cada solução, a complexidade computacional desta implementação é O(n3) no melhor cenário.

For more information:1950477648nn@gmail.com