В поисках разнообразных и связанных команд: вычислительный подход к созданию разнообразных команд на основе участников. Часть 5

Быстрый шаг сортировки без доминирования. Далее алгоритм должен выбрать r лучших хромосом из этого объединения размером 2r. Чтобы найти этот набор, алгоритм выполняет недоминируемую сортировку среди всех существующих хромосом из P.

Сортировка по доминированию — это распространенный метод памяти, который помогает нам лучше запоминать и понимать вещи. В основном он устанавливает логические связи между знаниями путем классификации, сортировки и обобщения связанной информации, что облегчает нам понимание и запоминание этих знаний.

Этапы доминирующей сортировки в основном включают классификацию, сортировку, индукцию и обобщение. На этапе классификации нам необходимо классифицировать соответствующую информацию и разделить ее на разные категории; на этапе сортировки нам необходимо определить уровень и важность каждой категории, чтобы ее можно было расположить в определенном порядке; на этапе индукции нам необходимо интегрировать и извлечь связи между различными категориями, чтобы лучше понять и запомнить эти знания; на этапе подведения итогов нам необходимо проанализировать и обдумать весь процесс сортировки доминант, чтобы обнаружить и исправить наши недостатки.

Сортировка по доминантности тесно связана с памятью. Это может помочь нам лучше организовывать и сортировать знания, тем самым повышая эффективность памяти. Посредством доминирования и сортировки мы можем систематически интегрировать и систематизировать различную информацию, а также устанавливать иерархии и ассоциации знаний, тем самым формируя сеть памяти, делая наши воспоминания сильнее и глубже. В то же время сортировка по доминированию также может помочь нам лучше изучить ценность и применение знаний, тем самым улучшая наше мышление и способности к решению проблем.

Короче говоря, сортировка по доминированию — это очень практичный метод запоминания, который может помочь нам лучше понимать и запоминать различные знания. Благодаря постоянной практике и применению мы можем стать более опытными в освоении этого навыка, закладывая тем самым прочную основу для нашего обучения и развития. 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 «Знать кратковременную память», как ее улучшить.

Цель состоит в том, чтобы определить решения, которые работают лучше, чем другие, и классифицировать их в соответствии с их эффективностью на разных фронтах Парето. F. Алгоритм сначала проверяет отношения доминирования между всеми хромосомами. Учитывая две хромосомы, T и T{{0}}, T доминирует над T0 тогда и только тогда, когда Cc(T)�Cc(T0) и V(T)�V( T0) хотя бы с одним строгим неравенством.

Другими словами, T по крайней мере так же хорош, как T{{0}} для всех целей и строго лучше, по крайней мере, для одной. Это отношение доминирования обозначается как T T0. Если одна из целей T не лучше, чем T0, и ее нельзя улучшить по значению без ухудшения некоторых других целевых значений, то T не доминирует над T0.

Одним из примеров недоминируемого решения является T, имеющий более высокие показатели разнообразия, но более высокие затраты на связь, чем T0. В этом случае недоминирования либо T, либо T0 являются возможными решениями для следующего поколения.

Как только алгоритм отображает все отношения доминирования хромосом, он создает первый фронт решений Парето, состоящий из всех недоминируемых решений (F1). Этот набор также называют оптимальным по Парето.

Затем алгоритм создает второй фронт оптимальных по Парето решений (F2), которые не учитывались на первом фронте, и так далее. В результате алгоритм сортирует хромосомы популяции в иерархию субпопуляций. Сортировка продолжает находить последовательные фронты Парето до тех пор, пока все хромосомы не будут отнесены к фронту Парето.

Новое население. Затем алгоритм выбирает лучшие r хромосом для следующего поколения. В данный момент времени на иерархическом фронте Парето F отсортировано 2r хромосом. Алгоритм создает новую популяцию P0, добавляя хромосомы, хранящиеся на фронтах Парето.

Если общий размер первого фронта Парето меньше r, то алгоритм добавляет все хромосомы этого фронта в P{{0}}. Затем алгоритм добавляет оставшиеся решения для новой популяции из последующих недоминируемых фронтов. Алгоритм продолжает эту процедуру до тех пор, пока не сможет добавить больше фронтов к P0.

Расстояние скопления людей. Алгоритм должен добавлять хромосомы в новую популяцию до тех пор, пока в ней не останется ровно r хромосом. Если последний выбранный недоминируемый фронт Парето Fk имеет больше хромосом, чем разрешено добавить к P0, алгоритм должен выбрать меньший набор из Fk, чтобы завершить r хромосом.

Пусть d ¼ r SizeðPÞ, количество недостающих хромосом для завершения r. Алгоритм идентифицирует лучшие δ-хромосомы из этого последнего фронта Fk, вычисляя расстояние скученности между хромосомами.

Эта метрика определяет, насколько схожи хромосомы с точки зрения производительности в многокритериальной задаче. После расчета этого расстояния алгоритм ранжирует хромосомы в соответствии с их расстояниями и исключает хромосомы, которые работают аналогично другим хромосомам. Эта процедура сохраняет внешний вид раствора и удаляет лишние хромосомы.

Затем δ лучших хромосом из Fk добавляются в P{{0}}. В результате P0 имеет r лучших хромосом и становится родителем следующего поколения, начиная новую итерацию.

Данные

В этом разделе мы оцениваем предложенный алгоритм для решения нашей задачи формирования команды, используя три набора реальных данных. Источниками данных являются MyDreamTeam (платформа для формирования команд), Bibsonomy (сайт социальных закладок) и GHTorrent (база данных-репозиторий GitHub).

Использование этих наборов данных для моделирования команд для решения этой проблемы формирования команд иллюстрирует эффективность нашей структуры в реальных сценариях. Сводную статистику по этим наборам данных мы показываем в Таблице 2. Полученные данные и сценарии для предварительной обработки необработанных данных доступны по адресуhttp://nusoniclab.github.io/.

Набор данных MyDreamTeam. Мы оцениваем предложенный нами алгоритм, используя данные из реальных случаев формирования команды. Мы извлекли этот набор данных из My Dream Team Builder [33], рекомендательной системы, помогающей людям самостоятельно собирать команды.

Этот набор данных содержит случаи, когда участники самостоятельно собирали свои команды. Кейсы датируются 2014–2020 годами. В этой рекомендательной системе участники создают профили, ищут товарищей по команде и отправляют приглашения для формирования команд.

Кейсы состоят из занятий из университетов США. Набор данных включает в себя черты характера участников, демографические данные и социальные сети, о которых они сообщили в первоначальном опросе. Мы выбрали три случая для проверки нашего алгоритма: курс бакалавриата, курс магистратуры и курс MBA. Участники использовали систему для создания команд для дискуссий в небольших группах.

Разрешение на сбор данных от участников было одобрено Институциональным наблюдательным советом Северо-Западного университета (#STU00078513). В ходе этого исследования соблюдались все применимые институциональные и правительственные правила, касающиеся этического использования человеческих объектов.

Электронное согласие было получено от участников исследования с помощью инструмента онлайн-опроса. Участникам было предложено дать согласие на использование данных, собранных с помощью My Dream Team Builder, в исследовательских целях. Мы хешировали идентификаторы пользователей, чтобы создать обезличенный набор данных.

БибСономия. Второй набор данных взят из BibSonomy [34], системы социальных закладок и обмена публикациями. Мы выбрали бибсономию, поскольку в предыдущих документах по формированию команды их алгоритмы тестировались с использованием этой базы данных [58].

Этот набор данных находится в ведении Группы разработки знаний и данных Кассельского университета. Набор данных bibsonomy доступен по лицензионному соглашению, и его можно запросить по адресу https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. Этот набор данных содержит большое количество публикаций, связанных с информатикой. Каждая публикация пишется группой авторов.

Многие пользователи посещают веб-сайт Bibsonomy, используя теги для аннотирования публикаций. Следуя процедуре, описанной Anagnostopoulos et al. [58] мы использовали теги, связанные с статьями каждого автора, чтобы представить их навыки. Навыки каждого автора представляют собой количество статей, опубликованных с соответствующим тегом. Для проверки нашего алгоритма мы выбрали три журнала, связанных с анализом социальных сетей: «Природа», «Наука» и «Физика А: статистическая механика и ее приложения».

Мы подсчитали частоту встречаемости тегов в каждом из этих журналов и выбрали несколько популярных тегов, связанных с нашим исследованием. Для первых двух журналов мы выбрали статьи, содержащие теги «сеть», «социальная сеть» и «маленький мир».

Затем мы определили авторов этих статей, создали сеть соавторства и отобрали авторов из самой крупной составляющей. Аналогично мы проделали эту процедуру для третьего журнала, используя теги «сеть», «график», «модель» и «система». Мы хэшировали имена авторов, чтобы создать обезличенный набор данных.

GHТоррент. Мы использовали данные GitHub, предоставленные проектом GHTorrent [35], автономным зеркалом данных, предлагаемых через API GitHub. Этот набор данных можно скачать по адресу https://ghtorrent.org/downloads.html. Набор данных GHTorrent охватывает широкий спектр деятельности по разработке на Github, включая репозитории, запросы на включение и пользователей. Мы загрузили дамп набора данных «01.06.2019» для создания нашего тестового набора данных.

Мы отфильтровали пользователей, внесших вклад от 40 до 80 проектов, чтобы сохранить медианное количество пользователей в нашем анализе. Следуя подходу, аналогичному набору данных BibSonomy, мы использовали языки программирования, связанные с репозиториями, внесенными каждым пользователем, для представления навыков пользователей.

Навыки каждого пользователя представляют собой количество внесенных проектов, написанных на определенном языке. Поскольку в репозиториях могут быть файлы на нескольких языках, мы выбрали наиболее часто используемый язык репозитория в качестве языка репозитория.

Мы выбрали три самых популярных языка в этом наборе данных: Java, Python и Ruby. Затем мы определили пользователей этих репозиториев и создали сеть для совместной работы. В этом примере пользователи имеют право на участие, если они внесли свой вклад в один и тот же репозиторий как минимум два раза. Наконец, мы выбрали пользователей из самого большого компонента. Мы хешировали имена авторов, чтобы создать обезличенный набор данных.

Оценка

Мы сравниваем предложенный алгоритм решения задачи формирования команды (обозначенный как NSGA-II) с тремя хорошо известными методами многокритериальной оптимизации, используемыми для целей тестирования [62, 72]:

Метод локального поиска Парето (PLS). Этот итерационный алгоритм начинается с набора случайных решений в качестве начальной популяции и исследует соседей каждого решения [73, 74]. Алгоритм обновляет популяцию на основе доминирования по Парето: он добавляет в популяцию недоминируемых соседей и удаляет существующие решения, в которых доминируют вновь добавленные решения.

Как только окрестность решения полностью исследована, решение помечается как исследованное. Алгоритм итеративно исследует новые решения по мере их добавления в совокупность, пока не будут найдены лучшие решения. После того, как все решения исследованы и недоминируемые решения больше не обнаружены, алгоритм останавливается. Мы реализовали версию, предложенную Zihayat et al. [72] для комбинационных задач.

В этой реализации соседями решения являются все возможные комбинации команд из решения, в которых два участника меняют команды. Поскольку PLS не зависит от фиксированного количества поколений, мы запускаем только одну итерацию этого алгоритма, чтобы сравнить его результаты с другими методами.

Учитывая n индивидуумов и алгоритм будет исследовать n2 соседей каждого решения, вычислительная сложность этой реализации в лучшем случае составит O(n3).

For more information:1950477648nn@gmail.com