В поисках разнообразных и связанных команд: вычислительный подход к созданию разнообразных команд на основе участников. Часть 7

Результаты показывают, что алгоритм NSGA-II достиг наибольших значений гиперобъема в 6 из 9 наборов данных и второго по величине значения для трех других наборов данных (таблица 3). Другими словами, NSGA-II часто находил больше комбинаций команд с более высоким уровнем разнообразия и меньшими затратами на связь, чем другие алгоритмы.

Память играет жизненно важную роль в нашей жизни. Оно определяет, можем ли мы в полной мере использовать имеющиеся знания и опыт для решения проблем, а также влияет на наше обучение и производительность труда. Существующие наборы данных также продемонстрировали взаимосвязь между памятью и различными факторами, что дает нам больше понимания и возможностей.

Во-первых, различные исследования показывают, что хорошее здоровье является краеугольным камнем хорошей памяти. Правильные физические упражнения и сбалансированное питание могут повысить эффективность нервной системы и защитить нервную ткань. Физически здоровые люди имеют лучшее сердечно-сосудистое и психическое здоровье, состояние, которое связано с улучшением памяти и когнитивных функций.

Во-вторых, существует также тесная связь между эмоциональными состояниями и когнитивными состояниями. Исследования показывают, что чрезмерная тревога и стресс могут нарушить связь между нейронами головного мозга, что приведет к таким проблемам, как потеря памяти и трудности с концентрацией внимания. Помогает улучшить память посредством управления и регулирования положительных эмоций.

Кроме того, наша среда обитания и повседневные привычки также будут влиять на развитие и поддержание памяти. Например, ведение заметок, поиск подходящего вам метода обучения, мозговой штурм, модерация социальной активности и путешествия очень полезны для развития памяти; а вредные привычки сна и различные способы развлечений серьезно повлияют на нервную систему и повредят память. Влияние.

Подводя итог, можно сказать, что память является важной частью нашей эффективной жизни, которая определяет нашу способность к обучению, работоспособность и качество жизни. Благодаря правильным физическим упражнениям и диете, управлению эмоциями и корректировке повседневной жизни мы можем значительно улучшить нашу память и когнитивные способности, что позволит нам жить более эффективно и счастливо. Видно, что нам нужно улучшить память, а цистанхе пустынный может значительно улучшить память, потому что цистанхе пустынный — это традиционное китайское лекарственное средство, обладающее множеством уникальных эффектов, одним из которых является улучшение памяти. Эффективность мясного фарша обусловлена ​​различными содержащимися в нем активными ингредиентами, включая кислоты, полисахариды, флавоноиды и т. д. Эти ингредиенты могут способствовать здоровью мозга различными способами.

Нажмите «Знайте добавки для улучшения памяти»

Высокие значения гиперобъема NSGA-II можно объяснить его шагом расстояния скученности, который помог алгоритму найти недоминируемые решения, расположенные на крайних точках фронта Парето.

Поскольку PLS и HPSO не установили никаких критериев, позволяющих избежать избыточных решений, их решения привели к набору недоминируемых решений, сконцентрированных в определенных областях. Таким образом, набор комбинаций команд, обеспечиваемый NSGA-II, часто доминировал над комбинациями, предоставляемыми другими алгоритмами.

Реализация NSGA-II также получила самые высокие значения уникального коэффициента недоминируемого фронта (UNFR) в 6 из 9 наборов данных. Другими словами, NSGA-II часто предоставлял больше комбинаций недоминируемых команд, которые другие алгоритмы не могли найти.

Возможное объяснение второго места NSGA-II в остальных случаях – низкая плотность сети коллаборации. Пулы с небольшим количеством предварительных связей между отдельными людьми уменьшат количество возможных комбинаций команд с высокой степенью связи, что сделает эвристический поиск неэффективным.

Напротив, HPSO и PLS выполнили больше операций скрещивания и мутаций, чем NSGA-II. Выполнение этих операций несколько раз позволило HPSO и PLS изучить больше комбинаций команд и повысить вероятность обнаружения конкретных комбинаций команд с низкими коммуникативными показателями.

HPSO достиг второго по величине значения гиперобъема и UNFR. Он извлек выгоду из недоминируемых решений в середине примерного фронта Парето, которые получили высокий уровень разнообразия.

Эти недоминирующие решения превзошли другие алгоритмы и увеличили площадь, создаваемую приблизительным фронтом Парето. SPEA-2 и PLS объединились в несколько решений, охватывающих меньшую территорию, чем решения NSGA-II и HPSO. В целом, NSGA-II нашел больше недоминирующих решений по этим двум задачам и предоставил решения с более высокой дисперсией стоимости связи.

Большая разница как в разнообразии, так и в знакомстве показывает, что алгоритм NSGA-II нашел больше недоминируемых решений, чем другие алгоритмы, что желательно для поиска истинного фронта Парето. Шаг расстояния скопления NSGA-II позволил алгоритму сохранить более широкий диапазон недоминируемых решений. Кроме того, алгоритм сохранял вторичные решения безразличными к слоям, из которых могли возникнуть недоминируемые решения в последующих итерациях.

Поскольку алгоритм продолжает создавать новые поколения, доминирующие решения все еще можно рассматривать для поиска других потенциальных решений. Более того, NSGA-II все еще может выявить недоминируемые решения в середине компромисса.

Напротив, низкая дисперсия других алгоритмов показывает, что они, скорее всего, сойдутся на определенном наборе недоминируемых решений и на определенном компромиссе. Эти алгоритмы не включали операции по диверсификации текущей популяции или удалению избыточных недоминируемых решений. Следовательно, в этих алгоритмах может не хватать разнообразных решений, находящихся на крайних точках фронта Парето.

На рис. 4 показано время работы всех реализованных алгоритмов. На рис. 5 показано, как время работы алгоритмов зависит от количества доступных людей. Результаты показывают, что реализация NSGA-II работает лучше, чем PLS и HPSO, по мере увеличения пула участников.

PLS потребовалось больше времени для изучения окрестностей решений, пока не были исчерпаны все возможные комбинации. В случае HPSO два кроссовера и один шаг мутации, выполняемые для каждого решения, сделали работу алгоритма в три раза дольше, чем NSGA-II, поскольку последний выполняет только один шаг кроссовера. Хотя HPSO потребовалось больше времени, чем NSGA-II, оба работали за полиномиальное время (O(n2)).

Наши результаты показывают, что NSGA-II потребовалось менее одной трети времени, которое потребовалось PLS и HPSO для получения аналогичных результатов. Поэтому использование NSGA-II настоятельно рекомендуется для эффективного поиска решений по мере увеличения размера входных данных. SPEA-2 не нашел лучших решений, чем PLS или NSGA-II, но его результаты сходились быстрее, чем методы NSGA-II и PLS.

Наконец, мы рассчитали частоту прямых контактов (1-прыжков), общих контактов (2-прыжков),3-прыжков и т. д. в собранных командах, чтобы понять расстояния между членами команды( См. таблицу S3 в файле S1).

Результаты показывают, что подавляющее большинство участников были связаны с другими через одного промежуточного звена (-31%), за ними следовали участники, которые были связаны напрямую (-30%). Эти цифры показывают, что полученные команды в целом были сильно связаны, а члены, связанные через множество переходов, не были репрезентативными.

Обсуждение

Формирование команд — непростая задача, особенно когда цель состоит в том, чтобы обеспечить баланс между разнообразием и предпочтениями членов команды. В то время как предыдущая работа была сосредоточена на поиске лучшей команды [37], цель данной статьи – поиск сбалансированных командных комбинаций, которые справедливо распределяют навыки и связи. Более того, создание команд, которые включают в себя как разнообразие вклада своих членов, так и предыдущие отношения между участниками, становится серьезной проблемой, чтобы гарантировать их успех [78, 79].

В этой работе мы рассматриваем проблему создания команд, которые являются одновременно разнообразными и тесно связанными, используя вычислительный подход. Мы реализовали эту проблему формирования команды, используя генетический алгоритм, который обеспечивает различные комбинации команд в зависимости от их разнообразия и затрат на общение.

Результаты показывают, что с помощью этого генетического подхода можно эффективно и быстро собрать разнообразные и тесно связанные команды. В следующих подразделах мы подробно остановимся на последствиях этой работы и потенциальных приложениях.

Эта работа показывает преимущества использования вычислительных подходов для создания нескольких команд, которые распределяют навыки членов между различными группами и учитывают их предыдущие отношения. Предыдущая работа в основном уделяла особое внимание поиску лучшей возможной команды из социального пула (например, команды экспертов, команды звезд) [36, 57, 58].

Однако поиск нескольких команд также актуален в учебных и организационных ситуациях, таких как формирование студенческих команд, формирование оперативных групп внутри бизнес-подразделений или проведение научных исследований.

Из-за сильного акцента на создании высокопроизводительных команд алгоритмы, объединяющие лучших участников, могут создать большую сегрегацию внутри этих социальных групп за счет менее квалифицированных [80]. Концентрация навыков и опыта в небольшом количестве команд препятствует появлению других команд, имеющих аналогичные возможности и социальные связи.

Как показано в этой статье, развитая вычислительная инфраструктура и использование больших данных предоставляют новые возможности переосмыслить несколько командных комбинаций, которые отдельные люди не могли систематически и легко исследовать [37, 44]. Вместо того, чтобы создавать команды, используя ручные стратегии или интуицию, создатели команд могут использовать алгоритмы для адаптации различных командных комбинаций, которые одновременно оптимизируют разнообразие и знакомство.

Таким образом, реализации, подобные представленной в этой статье, позволяют создателям команд создавать разнородные и разнообразные команды, не жертвуя при этом знакомством между членами команды, что важно для успешного сотрудничества [81].

For more information:1950477648nn@gmail.com