Σε αναζήτηση διαφορετικών και συνδεδεμένων ομάδων: Μια υπολογιστική προσέγγιση για τη συγκέντρωση διαφορετικών ομάδων με βάση τα μέλη Μέρος 7

Τα αποτελέσματα δείχνουν ότι ο αλγόριθμος NSGA-II πέτυχε τις μεγαλύτερες τιμές υπερόγκου σε 6 από 9 σύνολα δεδομένων και τη δεύτερη υψηλότερη τιμή για τα άλλα τρία σύνολα δεδομένων (Πίνακας 3). Με άλλα λόγια, το NSGA-II εντόπισε συχνά περισσότερους συνδυασμούς ομάδων με υψηλότερα επίπεδα διαφορετικότητας και χαμηλότερο κόστος επικοινωνίας από τους άλλους αλγόριθμους.

Η μνήμη παίζει ζωτικό ρόλο στη ζωή μας. Καθορίζει εάν μπορούμε να χρησιμοποιήσουμε πλήρως την υπάρχουσα γνώση και εμπειρία για να λύσουμε προβλήματα, και επίσης επηρεάζει τη μάθηση και την εργασιακή μας απόδοση. Τα υπάρχοντα σύνολα δεδομένων έχουν επίσης δείξει τη σχέση μεταξύ μνήμης και διαφόρων παραγόντων, γεγονός που μας παρέχει περισσότερες ιδέες και δυνατότητες.

Πρώτον, διάφορες μελέτες δείχνουν ότι η καλή υγεία είναι ο ακρογωνιαίος λίθος της καλής μνήμης. Η σωστή άσκηση και μια ισορροπημένη διατροφή μπορούν να βελτιώσουν την αποτελεσματικότητα του νευρικού συστήματος και να προστατεύσουν τον νευρικό ιστό. Τα άτομα με φυσική κατάσταση έχουν καλύτερη καρδιαγγειακή και ψυχική υγεία, καταστάσεις που έχουν συνδεθεί με βελτιωμένη μνήμη και γνωστική λειτουργία.

Δεύτερον, υπάρχει επίσης μια στενή σύνδεση μεταξύ συναισθηματικών καταστάσεων και γνωστικών καταστάσεων. Η έρευνα δείχνει ότι το υπερβολικό άγχος και το στρες μπορούν να διαταράξουν την επικοινωνία μεταξύ των νευρώνων στον εγκέφαλο, οδηγώντας σε προβλήματα όπως απώλεια μνήμης και δυσκολία συγκέντρωσης. Βοηθά στην προώθηση της βελτίωσης της μνήμης μέσω της διαχείρισης και ρύθμισης θετικών συναισθημάτων.

Επιπλέον, το περιβάλλον ζωής και οι καθημερινές μας συνήθειες θα έχουν επίσης αντίκτυπο στην ανάπτυξη και διατήρηση της μνήμης. Για παράδειγμα, η λήψη σημειώσεων, η εύρεση μιας μεθόδου εκμάθησης που σας ταιριάζει, ο καταιγισμός ιδεών, ο συντονισμός των κοινωνικών δραστηριοτήτων και τα ταξίδια είναι πολύ ευεργετικά για την ανάπτυξη της μνήμης. ενώ οι κακές συνήθειες ύπνου και οι διάφορες μέθοδοι ψυχαγωγίας θα επηρεάσουν σοβαρά το νευρικό σύστημα και θα βλάψουν τη μνήμη. Επιρροή.

Συνοψίζοντας, η μνήμη είναι ένα σημαντικό μέρος της αποτελεσματικής ζωής μας, η οποία καθορίζει την ικανότητα μάθησης, την ικανότητα εργασίας και την ποιότητα ζωής μας. Μέσω της σωστής σωματικής άσκησης και διατροφής, της συναισθηματικής διαχείρισης και των προσαρμογών της καθημερινής ζωής, μπορούμε να βελτιώσουμε σημαντικά τη μνήμη και τις γνωστικές μας ικανότητες, επιτρέποντάς μας να ζούμε πιο αποτελεσματικά και ευτυχισμένα. Μπορεί να φανεί ότι πρέπει να βελτιώσουμε τη μνήμη και το Cistanche deserticola μπορεί να βελτιώσει σημαντικά τη μνήμη, επειδή το Cistanche deserticola είναι ένα παραδοσιακό κινέζικο φαρμακευτικό υλικό που έχει πολλά μοναδικά αποτελέσματα, ένα από τα οποία είναι η βελτίωση της μνήμης. Η αποτελεσματικότητα του κιμά προέρχεται από τα διάφορα ενεργά συστατικά που περιέχει, όπως οξύ, πολυσακχαρίτες, φλαβονοειδή κ.λπ. Αυτά τα συστατικά μπορούν να προάγουν την υγεία του εγκεφάλου με διάφορους τρόπους.

Κάντε κλικ στα συμπληρώματα γνώσης για να βελτιώσετε τη μνήμη

Οι υψηλές τιμές υπερόγκου του NSGA-II μπορούν να εξηγηθούν από το βήμα της απόστασης συνωστισμού, το οποίο βοήθησε τον αλγόριθμο να βρει λύσεις χωρίς κυριαρχία που βρίσκονται στα άκρα του μετώπου Pareto.

Δεδομένου ότι η PLS και η HPSO σημείωσαν οποιαδήποτε κριτήρια για την αποφυγή περιττών λύσεων, οι λύσεις τους κατέληξαν σε ένα σύνολο μη κυρίαρχων λύσεων συγκεντρωμένων σε ορισμένες περιοχές. Επομένως, το σύνολο των συνδυασμών ομάδων που παρέχονται από το NSGA-II συχνά κυριαρχούσε σε αυτούς που παρέχονται από τους άλλους αλγόριθμους.

Η υλοποίηση του NSGA-II σημείωσε επίσης τις υψηλότερες μοναδικές τιμές μη κυρίαρχης μπροστινής αναλογίας (UNFR) σε 6 από 9 σύνολα δεδομένων. Με άλλα λόγια, το NSGA-II παρείχε συχνά περισσότερους μη κυριαρχούμενους συνδυασμούς ομάδων που οι άλλοι αλγόριθμοι δεν μπορούσαν να βρουν.

Μια πιθανή εξήγηση για τη δεύτερη θέση του NSGA-II στις άλλες περιπτώσεις είναι η χαμηλή πυκνότητα στο δίκτυο συνεργασίας. Οι ομάδες με λίγες προηγούμενες συνδέσεις μεταξύ ατόμων θα μειώσουν τον αριθμό των πιθανών συνδυασμών ομάδων υψηλής σύνδεσης, καθιστώντας την ευρετική αναζήτηση αναποτελεσματική.

Αντίθετα, το HPSO και το PLS πραγματοποίησαν περισσότερες λειτουργίες διασταύρωσης και μετάλλαξης από το NSGA-II. Η εκτέλεση αυτών των λειτουργιών πολλές φορές επέτρεψε στις HPSO και PLS να εξετάσουν περισσότερους συνδυασμούς ομάδων και να αυξήσουν την πιθανότητα εύρεσης συγκεκριμένων συνδυασμών ομάδων με χαμηλές βαθμολογίες επικοινωνίας.

Το HPSO πέτυχε τις δεύτερες υψηλότερες τιμές υπερόγκου και UNFR. Επωφελήθηκε από λύσεις που κυριαρχούσαν τότε στο μέσο του κατά προσέγγιση μετώπου Pareto, το οποίο σημείωσε υψηλά επίπεδα ποικιλομορφίας.

Αυτές οι μη κυρίαρχες λύσεις ξεπέρασαν τους άλλους αλγόριθμους και αύξησαν την περιοχή που δημιουργήθηκε από το κατά προσέγγιση Μέτωπο Pareto. Τα SPEA-2 και PLS συνέκλιναν σε μερικές λύσεις, καλύπτοντας μικρότερη περιοχή από τις λύσεις NSGA-II και HPSO. Συνολικά, το NSGA-II βρήκε περισσότερες λύσεις χωρίς κυριαρχία για αυτούς τους δύο στόχους και παρείχε λύσεις με υψηλότερη απόκλιση στις τιμές κόστους επικοινωνίας.

Η μεγάλη διακύμανση τόσο στην ποικιλομορφία όσο και στην εξοικείωση δείχνει ότι ο αλγόριθμος NSGA-II βρήκε περισσότερες λύσεις χωρίς κυριαρχία από τους άλλους αλγόριθμους, κάτι που είναι επιθυμητό για την εύρεση του πραγματικού μετώπου Pareto. Το βήμα της απόστασης συνωστισμού του NSGA-II επέτρεψε στον αλγόριθμο να διατηρήσει ένα ευρύτερο φάσμα λύσεων που δεν κυριαρχούσαν. Επιπλέον, ο αλγόριθμος διατήρησε τις δευτερεύουσες λύσεις αδιάφορα στρώματα που θα μπορούσαν να έχουν δημιουργήσει μη κυριαρχούμενες λύσεις σε μεταγενέστερες επαναλήψεις.

Καθώς ο αλγόριθμος συνεχίζει να δημιουργεί νέες γενιές, οι κυρίαρχες λύσεις μπορούν ακόμα να εξεταστούν για να βρεθούν άλλες πιθανές λύσεις. Επιπλέον, το NSGA-II θα μπορούσε ακόμη να εντοπίσει λύσεις που δεν κυριαρχούν στη μέση της ανταλλαγής.

Αντίθετα, η χαμηλή διακύμανση των άλλων αλγορίθμων δείχνει ότι ήταν πιθανό να συγκλίνουν σε ένα συγκεκριμένο σύνολο λύσεων που δεν κυριαρχούν και σε μια συγκεκριμένη ανταλλαγή. Αυτοί οι αλγόριθμοι δεν περιλάμβαναν λειτουργίες για τη διαφοροποίηση των σημερινών πληθυσμών τους ή την αφαίρεση περιττών λύσεων που δεν κυριαρχούν. Επομένως, αυτοί οι αλγόριθμοι θα μπορούσαν να στερούνται διαφορετικών λύσεων που βρίσκονται στα άκρα του μετώπου Pareto.

Το Σχήμα 4 παρουσιάζει τον χρόνο εκτέλεσης όλων των αλγορίθμων που εφαρμόστηκαν. Το Σχήμα 5 δείχνει πώς ο χρόνος εκτέλεσης των αλγορίθμων είναι συνάρτηση του αριθμού των διαθέσιμων ατόμων. Τα αποτελέσματα δείχνουν ότι η εφαρμογή theNSGA-II αποδίδει καλύτερα από τα PLS και HPSO καθώς αυξάνεται η συγκέντρωση των συμμετεχόντων.

Το PLS απαιτούσε περισσότερο χρόνο για να εξερευνήσει τις γειτονιές των λύσεων μέχρι να εξαντληθούν όλοι οι δυνατοί συνδυασμοί. Στην περίπτωση του HPSO, οι δύο διασταυρώσεις και ένα βήμα μετάλλαξης που πραγματοποιήθηκαν για κάθε λύση έκαναν τη λειτουργία του αλγορίθμου τρεις φορές μεγαλύτερη από το NSGA-II καθώς το τελευταίο εκτελεί μόνο ένα βήμα διασταύρωσης. Αν και το HPSO χρειάστηκε περισσότερο από το NSGA-II, και τα δύο εργάστηκαν σε πολυωνυμικό χρόνο (O(n2)).

Τα αποτελέσματά μας υποδηλώνουν ότι το NSGA-II χρειάστηκε λιγότερο από το ένα τρίτο του χρόνου που χρειάστηκε η PLS και η HPSO για να παρέχουν παρόμοια αποτελέσματα. Επομένως, η χρήση του NSGA-II ενθαρρύνεται ιδιαίτερα για την αποτελεσματική εύρεση λύσεων καθώς αυξάνεται το μέγεθος εισόδου. Το SPEA-2 δεν βρήκε καλύτερες λύσεις από το PLS ή το NSGA-II, αλλά τα αποτελέσματά του συνέκλιναν ταχύτερα από τις μεθόδους NSGA-II και PLS.

Τέλος, υπολογίσαμε τη συχνότητα των άμεσων επαφών (1-hop), των κοινών επαφών (2-hops),3-hops και άλλων στις συγκεντρωμένες ομάδες για να κατανοήσουμε τις αποστάσεις μεταξύ των μελών της ομάδας( Δείτε τον Πίνακα S3 στο Αρχείο S1).

Τα αποτελέσματα υποδηλώνουν ότι η συντριπτική πλειονότητα των μελών συνδέθηκε με άλλα μέσω ενός ενδιάμεσου (±31%), ακολουθούμενα από μέλη που ήταν άμεσα συνδεδεμένα (±30%). Αυτοί οι αριθμοί δείχνουν ότι οι ομάδες που προέκυψαν ήταν γενικά πολύ συνδεδεμένες και τα μέλη που συνδέονταν μέσω πολλών πηδαλίων δεν ήταν αντιπροσωπευτικά.

Συζήτηση

Ο σχηματισμός ομάδων είναι ένα δύσκολο έργο, ειδικά όταν ο στόχος είναι να επιτευχθεί μια ισορροπία μεταξύ της διαφορετικότητας και των προτιμήσεων των συμπαικτών των μελών. Ενώ η προηγούμενη εργασία είχε επικεντρωθεί στην αναζήτηση της καλύτερης δυνατής ομάδας [37], η συμβολή αυτής της εργασίας είναι η αναζήτηση ισορροπημένων συνδυασμών ομάδων που κατανέμουν τις δεξιότητες και τις συνδέσεις δίκαια. Επιπλέον, η συγκέντρωση ομάδων που περιλαμβάνουν τόσο την ποικιλομορφία στις συνεισφορές των μελών τους όσο και τις προηγούμενες σχέσεις μεταξύ των μελών γίνεται η απόλυτη πρόκληση για την εξασφάλιση της επιτυχίας τους [78, 79].

Σε αυτή την εργασία, εξετάζουμε το πρόβλημα της δημιουργίας ομάδων που είναι τόσο διαφορετικές όσο και πολύ συνδεδεμένες ομάδες χρησιμοποιώντας υπολογιστική προσέγγιση. Υλοποιήσαμε αυτό το πρόβλημα σχηματισμού ομάδας χρησιμοποιώντας έναν γενετικό αλγόριθμο που παρέχει διαφορετικούς συνδυασμούς ομάδων ανάλογα με τη διαφορετικότητα των ομάδων και το κόστος επικοινωνίας.

Τα αποτελέσματα υποδεικνύουν ότι ποικίλες και πολύ συνδεδεμένες ομάδες μπορούν να συγκεντρωθούν αποτελεσματικά και γρήγορα μέσω αυτής της γενετικής προσέγγισης. Στις επόμενες υποενότητες, αναλύουμε τις επιπτώσεις αυτής της εργασίας και τις πιθανές εφαρμογές.

Αυτή η εργασία δείχνει τα οφέλη από τη χρήση υπολογιστικών προσεγγίσεων για τη συγκέντρωση πολλαπλών ομάδων που κατανέμουν τις δεξιότητες των μελών μεταξύ διαφορετικών ομάδων και εξετάζουν τις προηγούμενες σχέσεις τους. Η προηγούμενη εργασία δίνει έμφαση κυρίως στην εύρεση της καλύτερης δυνατής ομάδας από μια κοινωνική ομάδα (π.χ. ομάδα ειδικών, ομάδα όλων των αστέρων) [36, 57, 58].

Ωστόσο, η αναζήτηση πολλαπλών ομάδων είναι επίσης σχετική με μαθησιακές και οργανωτικές καταστάσεις, όπως ο σχηματισμός ομάδων σπουδαστών, ο σχηματισμός επιχειρησιακών ομάδων εντός επιχειρηματικών μονάδων ή η διεξαγωγή επιστημονικής έρευνας.

Λόγω της μεγάλης έμφασης στη συγκέντρωση ομάδων υψηλών επιδόσεων, οι αλγόριθμοι που συγκεντρώνουν τα καλύτερα μέλη μπορούν να δημιουργήσουν μεγαλύτερο διαχωρισμό εντός αυτών των κοινωνικών ομάδων εις βάρος άλλων που είναι λιγότερο εξειδικευμένοι [80]. Η συγκέντρωση δεξιοτήτων και τεχνογνωσίας σε μικρό αριθμό ομάδων εμποδίζει την εμφάνιση άλλων ομάδων που έχουν παρόμοιες ευκαιρίες και κοινωνικές διασυνδέσεις.

Όπως καταδεικνύει αυτό το έγγραφο, η προηγμένη υπολογιστική υποδομή και η χρήση μεγάλων δεδομένων παρέχουν νέες ευκαιρίες για να ξαναφανταστούμε αρκετούς συνδυασμούς ομάδων που τα άτομα δεν μπορούσαν να εξερευνήσουν συστηματικά και εύκολα [37, 44]. Αντί να δημιουργούν ομάδες χρησιμοποιώντας μη αυτόματες στρατηγικές ή διαίσθηση, οι δημιουργοί ομάδων μπορούν να χρησιμοποιήσουν αλγόριθμους για να προσαρμόσουν διαφορετικούς συνδυασμούς ομάδων που βελτιστοποιούν τη διαφορετικότητα και την εξοικείωση ταυτόχρονα.

Έτσι, υλοποιήσεις όπως αυτή που παρουσιάζεται σε αυτό το έγγραφο επιτρέπουν στους κατασκευαστές ομάδων να δημιουργούν ετερογενείς και διαφορετικές ομάδες χωρίς να θυσιάζουν την εξοικείωση μεταξύ των μελών της ομάδας, κάτι που είναι απαραίτητο για επιτυχημένες συνεργασίες [81].

For more information:1950477648nn@gmail.com