Çeşitli ve Bağlantılı Ekiplerin Arayışında: Üyelere Dayalı Farklı Ekipleri Birleştirmek İçin Hesaplamalı Bir Yaklaşım Bölüm 5

Hızlı baskın olmayan sıralama adımı. Daha sonra algoritmanın bu 2r büyüklüğündeki birleşimden en iyi r kromozomlarını seçmesi gerekir. Bu seti bulmak için algoritma, P'den mevcut tüm kromozomlar arasında baskın olmayan bir sıralama gerçekleştirir.

Baskınlık sıralaması, olayları daha iyi hatırlamamıza ve anlamamıza yardımcı olan yaygın bir hafıza tekniğidir. Temel olarak ilgili bilgileri sınıflandırarak, sıralayarak ve özetleyerek bilgiler arasında mantıksal ilişkiler kurar, bu bilgileri anlamamızı ve hatırlamamızı kolaylaştırır.

Baskın sıralamanın adımları temel olarak sınıflandırma, sıralama, tümevarım ve özetlemeyi içerir. Sınıflandırma aşamasında ilgili bilgileri sınıflandırıp farklı kategorilere ayırmamız gerekiyor; sıralama aşamasında her kategorinin belli bir sıraya göre düzenlenebilmesi için düzeyini ve önemini belirlememiz gerekiyor; Tümevarım aşamasında, bu bilgiyi daha iyi anlamak ve hatırlamak için farklı kategoriler arasındaki ilişkilerin entegre edilmesi ve çıkarılması gerekir; Özet aşamasında eksikliklerimizi keşfedip düzeltmek için tüm hakimiyet sıralama sürecini gözden geçirmemiz ve üzerinde düşünmemiz gerekiyor.

Baskınlık sıralaması hafızayla yakından ilgilidir. Bilgiyi daha iyi organize etmemize ve sıralamamıza yardımcı olabilir, böylece hafıza verimliliğini artırabilir. Hakimiyet ve sıralama yoluyla, çeşitli bilgileri sistematik olarak bütünleştirip düzenleyebilir, hiyerarşiler ve bilgi ilişkileri kurabilir, böylece bir hafıza ağı oluşturabilir, anılarımızı daha güçlü ve daha derin hale getirebiliriz. Aynı zamanda baskınlık sıralaması, bilginin değerini ve uygulamasını daha iyi keşfetmemize, böylece düşünme ve problem çözme yeteneklerimizi geliştirmemize de yardımcı olabilir.

Kısacası baskınlık sıralaması, çeşitli bilgileri daha iyi anlamamıza ve hatırlamamıza yardımcı olabilecek oldukça pratik bir hafıza tekniğidir. Sürekli uygulama ve uygulama yoluyla bu beceride uzmanlaşma konusunda daha yetkin hale gelebilir, böylece öğrenimimiz ve gelişimimiz için sağlam bir temel oluşturabiliriz. Belleği geliştirmemiz gerektiği görülebilir ve Cistanche Deserticola hafızayı önemli ölçüde geliştirebilir çünkü Cistanche Deserticola, birçok benzersiz etkiye sahip olan geleneksel bir Çin tıbbi malzemesidir ve bunlardan biri hafızayı geliştirmektir. Kıymanın etkinliği içerdiği asit, polisakkaritler, flavonoidler vb. gibi çeşitli aktif bileşenlerden gelir. Bu bileşenler beyin sağlığını çeşitli şekillerde geliştirebilir.

Kısa Süreli Belleği Nasıl Geliştirebileceğinizi Bilin'e tıklayın

Amaç, diğerlerinden daha iyi performans gösteren çözümleri belirlemek ve bunları farklı Pareto cepheleri F'deki performanslarına göre sınıflandırmaktır. Algoritma ilk olarak tüm kromozomlar arasındaki baskınlık ilişkilerini kontrol eder. T ve T{{0}} olmak üzere iki kromozom verildiğinde, T, T0'ye ancak ve ancak Cc(T)�Cc(T0) ve V(T)�V( olması durumunda hakim olur T0) en az bir katı eşitsizlikle.

Başka bir deyişle, T, tüm hedefler için en az T{{0}} kadar iyidir ve en az biri için kesinlikle daha iyidir. Bu baskınlık ilişkisi T � T0 olarak gösterilir. T'nin hedeflerinden biri T0'den daha iyi değilse ve diğer amaç değerlerinden bazılarını bozmadan değeri iyileştirilemiyorsa, o zaman T, T0 tarafından domine edilmez.

Baskın olmayan bir çözümün bir örneği, T0'den daha yüksek çeşitlilik puanlarına sahip ancak iletişim maliyetlerinin daha yüksek olduğu T'dir. Baskın olmama durumunda, T ve T0'den biri gelecek nesil için uygun çözümlerdir.

Algoritma tüm kromozomların baskınlık ilişkilerini haritalandırdıktan sonra, tüm baskın olmayan çözümlerden (F1) oluşan çözümlerin ilk Pareto cephesini oluşturur. Bu set aynı zamanda Pareto optimal olarak da adlandırılır.

Daha sonra algoritma, ilk cephede göz ardı edilen Pareto optimal çözümlerinin (F2) ikinci bir cephesini oluşturur ve bu böyle devam eder. Sonuç olarak algoritma, popülasyonun kromozomlarını bir alt popülasyon hiyerarşisine göre sıralar. Sıralama, tüm kromozomlar bir Pareto cephesine atanıncaya kadar ardışık Pareto cephelerini bulmaya devam eder.

Yeni nüfus. Algoritma daha sonra gelecek nesil için en iyi r kromozomlarını seçer. Belirli bir zamanda, hiyerarşik Pareto cephesi F'de sıralanan 2r kromozom vardır. Thealgorithm, Pareto cephelerinde depolanan kromozomları ekleyerek yeni P0popülasyonunu yaratır.

İlk Pareto cephesinin toplam boyutu r'den küçükse, algoritma bu cephenin tüm kromozomlarını P{{0}}'ye ekler. Daha sonra algoritma, yeni popülasyon için sonraki baskın olmayan cephelerden kalan çözümleri ekler. Algoritma P0'a daha fazla cephe ekleyemeyene kadar bu işleme devam eder.

Kalabalık mesafe. Algoritma, tam olarak r kromozomu olana kadar yeni popülasyona kromozom eklemelidir. Eğer son seçilen baskın olmayan Pareto ön Fk, P0'ye eklenmesine izin verilenden daha fazla kromozoma sahipse, algoritma, r kromozomlarını tamamlamak için Fk'den daha küçük bir set seçmelidir.

d ¼ r SizeðPÞ olsun, r'yi tamamlayacak eksik kromozom sayısı. Algoritma, kromozomlar arasındaki kalabalıklık mesafesini hesaplayarak bu son ön Fk'den en iyi δ kromozomlarını belirler.

Bu ölçüm, çok amaçlı problemde kromozomların performans açısından ne kadar benzer olduğunu belirler. Bu mesafeyi hesapladıktan sonra algoritma, kromozomları mesafelerine göre sıralar ve diğer kromozomlara benzer performans gösteren kromozomları eler. Bu prosedür yabancıyı çözümlerin önünde tutar ve gereksiz kromozomları ortadan kaldırır.

Daha sonra Fk'den gelen δ en iyi kromozomlar P{{0}}'ye eklenir. Sonuç olarak P0, en iyi r kromozomu ile sayılır ve yeni bir iterasyon başlatarak gelecek neslin ebeveyni olur.

Veri

Bu bölümde, takım oluşturma problemimiz için önerilen algoritmayı üç gerçek veri kümesini kullanarak değerlendiriyoruz. Veri kaynakları MyDreamTeam (bir ekip oluşturma platformu), Bibsonomy (bir sosyal işaretleme sitesi) ve GHTorrent'tir (bir GitHub veri havuzu).

Bu ekip oluşturma sorunu için ekipleri simüle etmek amacıyla bu veri kümelerinin kullanılması, çerçevemizin gerçek senaryolardaki etkinliğini göstermektedir. Bu veri kümelerinden özet istatistikleri Tablo 2'de gösteriyoruz. Ortaya çıkan veriler ve ham verileri ön işlemeye yönelik komut dosyaları şu adreste mevcuttur:http://nusoniclab.github.io/ adresine gidin.

MyDreamTeam veri kümesi. Önerilen algoritmamızı gerçek takım oluşumu vakalarından elde edilen verileri kullanarak değerlendiriyoruz. Bu veri setini bireylerin kendi kendilerine ekip oluşturmalarına yardımcı olacak bir tavsiye sistemi olan My Dream Team Builder'dan [33] aldık.

Bu veri seti, katılımcıların ekiplerini kendi başlarına oluşturduğu vakaları içerir. Vakaların tarihi 2014'ten 2020'ye kadardır. Bu tavsiye sisteminde katılımcılar profiller oluşturur, takım arkadaşları arar ve takım oluşturmak için davetiyeler gönderir.

Vakalar Amerika Birleşik Devletleri'ndeki üniversitelerdeki derslerden oluşuyor. Veri seti, katılımcıların ilk ankette bildirdikleri özelliklerini, demografik bilgilerini ve sosyal ağlarını içeriyor. Algoritmamızı test etmek için üç vaka seçtik: bir lisans kursu, bir yüksek lisans kursu ve bir MBA kursu. Katılımcılar sistemi küçük grup tartışmaları için ekipler oluşturmak amacıyla kullandılar.

Katılımcılardan veri toplama izni, Northwestern Üniversitesi Kurumsal İnceleme Kurulu (#STU00078513) tarafından onaylandı. Bu araştırma sırasında insan deneklerin etik kullanımına ilişkin tüm geçerli kurumsal ve resmi düzenlemelere uyulmuştur.

Çalışma katılımcılarından çevrimiçi bir anket aracı aracılığıyla elektronik onam alındı. Katılımcılardan My Dream Team Builder aracılığıyla toplanan verilerin araştırma amacıyla kullanılmasına izin vermeleri istendi. Kimlik bilgileri kaldırılmış bir veri kümesi oluşturmak için kullanıcıların tanımlayıcılarına hash uyguladık.

BibSonomy. İkinci veri seti, bir sosyal işaretleme ve yayın paylaşım sistemi olan BibSonomy'den [34] alınmıştır. Önceki takım oluşturma belgelerinin algoritmalarını bu veritabanını kullanarak test etmesinden dolayı bibsonomiyi seçtik [58].

Bu veri seti Kassel Üniversitesi Bilgi ve Veri Mühendisliği Grubu tarafından yönetilmektedir. Bibsonomi veri seti, lisans sözleşmesi kapsamında mevcuttur ve https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/ adresinden talep edilebilir. Bu veri kümesi bilgisayar bilimi ile ilgili çok sayıda yayını içermektedir. Her yayın bir grup yazar tarafından yazılır.

Birçok kullanıcı, yayınlara açıklama eklemek için etiketleri kullanarak Bibsonomy web sitesini ziyaret eder. Anagnostopoulos ve ark. [58], her yazarın makaleleriyle ilişkili etiketleri, onların becerilerini temsil etmek için kullandık. Her yazarın becerisi, ilgili etiketiyle yayınlanan makale sayısını temsil eder. Algoritmamızı test etmek için sosyal ağ analiziyle ilgili üç dergi seçtik: "Nature", "Science" ve "Physica A: Statistical Mechanics and its Applications."

Bu dergilerin her birindeki etiketlerin sıklığını saydık ve çalışmamızla ilgili bazı popüler etiketleri seçtik. İlk iki dergi için 'ağ', 'sosyal ağ' ve 'küçük dünya' etiketlerini içeren makaleleri seçtik.

Daha sonra bu makalelerin yazarlarını belirledik, ortak yazarlık ağını oluşturduk ve en büyük bileşenden yazarları seçtik. Benzer şekilde üçüncü günlük için de bu işlemi 'network', 'graph', 'model' ve 'system' etiketlerini kullanarak yaptık. Kimliksiz bir veri kümesi oluşturmak için yazarların adlarını bir araya getirdik.

GHTorrent. GitHub API aracılığıyla sunulan verilerin çevrimdışı bir yansıması olan GHTorrent projesi [35] tarafından sağlanan GitHub verilerini kullandık. Bu veri kümesi https://ghtorrent.org/downloads.html adresinden indirilebilir. GHTorrent veri seti, Github'daki depolar, çekme istekleri ve kullanıcılar da dahil olmak üzere geniş bir geliştirme faaliyeti yelpazesini kapsar. Test veri kümemizi oluşturmak için "06/01/2019" veri kümesi dökümünü indirdik.

Medyan kullanıcıları analizimizde tutmak için 40 ile 80 arasında projeye katkıda bulunan kullanıcıları filtreledik. BibSonomy veri setine benzer bir yaklaşım izleyerek, kullanıcıların becerilerini temsil etmek için her kullanıcının katkıda bulunduğu depolarla ilişkili programlama dillerini kullandık.

Her kullanıcının becerisi, belirli bir dilde yazılmış, katkıda bulunulan projelerin sayısını temsil eder. Depolarda birden fazla dilde dosya bulunabileceğinden, deponun dili olarak deponun en çok kullanılan dilini seçtik.

Bu veri kümesindeki en popüler dillerden üçünü seçtik: Java, Python ve Ruby. Daha sonra bu depoların kullanıcılarını belirledik ve işbirliği ağını oluşturduk. Bu örnekte, kullanıcılar aynı veri havuzuna en az iki kez katkıda bulunmuşlarsa atie'ye sahip olurlar. Son olarak en büyük bileşenden kullanıcıları seçtik. Kimlik bilgileri kaldırılmış bir veri kümesi oluşturmak için yazarların adlarını hashledik.

Değerlendirme

Ekip oluşturma sorunu için önerilen algoritmayı (NSGA-II olarak gösterilir), kıyaslama amacıyla kullanılan iyi bilinen üç çok amaçlı optimizasyon yöntemiyle karşılaştırıyoruz[62, 72]:

Pareto Yerel Arama (PLS) yöntemi. Bu yinelemeli algoritma, başlangıç ​​popülasyonu olarak bir dizi rastgele çözümle başlar ve her çözümün komşularını araştırır [73, 74]. Algoritma, popülasyonu Pareto baskınlığına dayalı olarak günceller: popülasyona baskın olmayan komşular ekleyecek ve yeni eklenen çözümlerin hakim olduğu mevcut çözümleri kaldıracaktır.

Bir çözümün komşuluğu tamamen keşfedildikten sonra çözüm keşfedilmiş olarak işaretlenir. Algoritma, daha iyi bir çözüm bulununcaya kadar popülasyona eklendikçe yeni çözümleri yinelemeli olarak araştırır. Tüm çözümler araştırıldıktan ve artık baskın olmayan çözüm bulunamadıktan sonra algoritma durur. Zihayat ve arkadaşlarının önerdiği versiyonu uyguladık. [72] birleşimsel problemler için.

Bu uygulamada, bir çözümün komşuları, iki üyenin takım değiştirdiği çözümdeki tüm olası takım kombinasyonlarıdır. PLS sabit sayıda nesile bağlı olmadığından, sonuçlarını diğer yöntemlerle karşılaştırmak için bu algoritmanın yalnızca bir yinelemesini çalıştırıyoruz.

N sayıda birey verildiğinde ve algoritmanın her çözümün n2 komşusunu keşfedeceği göz önüne alındığında, bu uygulamanın hesaplama karmaşıklığı en iyi senaryoda O(n3)'tür.

For more information:1950477648nn@gmail.com