ในการค้นหาทีมที่มีความหลากหลายและเชื่อมโยงกัน: แนวทางการคำนวณเพื่อรวบรวมทีมที่มีความหลากหลายตามสมาชิก ตอนที่ 5

ขั้นตอนการเรียงลำดับแบบไม่ครอบงำอย่างรวดเร็ว ถัดไปอัลกอริทึมจะต้องเลือกโครโมโซม r ที่ดีที่สุดจากการรวมกันของขนาด 2r นี้ ในการค้นหาชุดนี้ อัลกอริธึมจะดำเนินการเรียงลำดับแบบไม่ครอบงำระหว่างโครโมโซมที่มีอยู่ทั้งหมดจาก P

การเรียงลำดับการครอบงำเป็นเทคนิคการจำทั่วไปที่ช่วยให้เราจดจำและเข้าใจสิ่งต่าง ๆ ได้ดีขึ้น โดยหลักแล้วจะสร้างความสัมพันธ์เชิงตรรกะระหว่างความรู้โดยการจำแนก จัดเรียง และสรุปข้อมูลที่เกี่ยวข้อง ทำให้เราเข้าใจและจดจำความรู้นี้ได้ง่ายขึ้น

ขั้นตอนของการเรียงลำดับที่มีอำนาจเหนือกว่าส่วนใหญ่จะรวมถึงการจำแนกประเภท การเรียงลำดับ การอุปนัย และการสรุป ในขั้นตอนการจำแนกประเภท เราจำเป็นต้องจำแนกข้อมูลที่เกี่ยวข้องและแบ่งออกเป็นหมวดหมู่ต่างๆ ในขั้นตอนการคัดแยกเราต้องกำหนดระดับและความสำคัญของแต่ละประเภทเพื่อให้สามารถจัดเรียงตามลำดับที่แน่นอนได้ ในขั้นตอนการปฐมนิเทศ เราจำเป็นต้องบูรณาการและแยกความสัมพันธ์ระหว่างประเภทต่างๆ เพื่อให้เข้าใจและจดจำความรู้นี้ได้ดียิ่งขึ้น ในขั้นตอนสรุป เราจำเป็นต้องทบทวนและไตร่ตรองกระบวนการเรียงลำดับการครอบงำทั้งหมดเพื่อค้นหาและแก้ไขข้อบกพร่องของเรา

การเรียงลำดับ Dominance มีความเกี่ยวข้องอย่างใกล้ชิดกับหน่วยความจำ มันสามารถช่วยให้เราจัดระเบียบและแยกแยะความรู้ได้ดีขึ้น ซึ่งจะช่วยปรับปรุงประสิทธิภาพของหน่วยความจำ ด้วยการครอบงำและการเรียงลำดับ เราสามารถบูรณาการและจัดเรียงข้อมูลต่างๆ ได้อย่างเป็นระบบ และสร้างลำดับชั้นและการเชื่อมโยงความรู้ ดังนั้นจึงสร้างเครือข่ายหน่วยความจำ ทำให้ความทรงจำของเราแข็งแกร่งและลึกซึ้งยิ่งขึ้น ในเวลาเดียวกัน การเรียงลำดับการครอบงำยังสามารถช่วยให้เราสำรวจคุณค่าและการประยุกต์ใช้ความรู้ได้ดีขึ้น ซึ่งจะช่วยปรับปรุงความสามารถในการคิดและการแก้ปัญหาของเรา

กล่าวโดยสรุป การเรียงลำดับการครอบงำเป็นเทคนิคการจำที่ใช้งานได้จริงซึ่งสามารถช่วยให้เราเข้าใจและจดจำความรู้ต่างๆ ได้ดีขึ้น ด้วยการฝึกฝนและการประยุกต์ใช้อย่างต่อเนื่อง เราจะมีความเชี่ยวชาญมากขึ้นในการฝึกฝนทักษะนี้ ซึ่งจะเป็นการวางรากฐานที่มั่นคงสำหรับการเรียนรู้และการพัฒนาของเรา จะเห็นได้ว่าเราต้องปรับปรุงความจำ และ Cistanche Deserticola สามารถปรับปรุงความจำได้อย่างมาก เนื่องจาก Cistanche Deserticola เป็นยาแผนโบราณของจีนที่มีลักษณะพิเศษมากมาย หนึ่งในนั้นคือการปรับปรุงความจำ ประสิทธิภาพของเนื้อสับมาจากส่วนผสมออกฤทธิ์หลายชนิดในเนื้อสับ เช่น กรด โพลีแซ็กคาไรด์ ฟลาโวนอยด์ ฯลฯ ส่วนผสมเหล่านี้สามารถส่งเสริมสุขภาพสมองได้หลายวิธี

คลิกรู้จักหน่วยความจำระยะสั้นว่าจะปรับปรุงอย่างไร

เป้าหมายคือการระบุวิธีแก้ปัญหาที่ทำงานได้ดีกว่าโซลูชันอื่นๆ และจำแนกตามประสิทธิภาพในแนวพาเรโตที่แตกต่างกัน F ขั้นแรกอัลกอริทึมจะตรวจสอบความสัมพันธ์ที่โดดเด่นระหว่างโครโมโซมทั้งหมด เมื่อให้โครโมโซมสองตัวคือ T และ T{{0}} T จะครอบงำ T0 ก็ต่อเมื่อ Cc(T)�Cc(T0) และ V(T)�V( T0) โดยมีความไม่เท่าเทียมกันที่เข้มงวดอย่างน้อยหนึ่งข้อ

กล่าวอีกนัยหนึ่ง T อย่างน้อยก็ดีพอๆ กับ T{{0}} สำหรับวัตถุประสงค์ทั้งหมด และดีกว่าสำหรับอย่างน้อยหนึ่งอย่างอย่างเคร่งครัด ความสัมพันธ์แบบครอบงำนี้แสดงเป็น T � T0 หากหนึ่งในวัตถุประสงค์ของ T ไม่ได้ดีไปกว่า T0 และไม่สามารถปรับปรุงคุณค่าได้โดยไม่ทำให้ค่าวัตถุประสงค์อื่นๆ บางค่าลดลง T ก็จะไม่ถูกครอบงำโดย T0

ตัวอย่างหนึ่งของวิธีแก้ปัญหาที่ไม่ถูกครอบงำคือ T ที่มีคะแนนความหลากหลายสูงกว่า แต่มีต้นทุนการสื่อสารสูงกว่า T0 ในกรณีที่ไม่ครอบงำ T และ T0 เป็นวิธีแก้ปัญหาที่เป็นไปได้สำหรับคนรุ่นต่อไป

เมื่ออัลกอริทึมแมปความสัมพันธ์การครอบงำของโครโมโซมทั้งหมดแล้ว อัลกอริธึมจะสร้างส่วนหน้า Pareto แรกของโซลูชันที่ประกอบด้วยโซลูชันที่ไม่เหนือกว่าทั้งหมด (F1) ชุดนี้ยังได้รับการขนานนามว่าเป็น Pareto ที่เหมาะสมที่สุด

จากนั้น อัลกอริทึมจะสร้างส่วนหน้าที่สองของโซลูชันที่เหมาะสมที่สุดของ Pareto (F2) ที่ถูกละเลยในส่วนหน้าแรก และอื่นๆ ด้วยเหตุนี้ อัลกอริธึมจึงจัดเรียงโครโมโซมของประชากรตามลำดับชั้นของประชากรย่อย การจัดเรียงจะค้นหาส่วนหน้าของ Pareto ที่ต่อเนื่องกัน จนกว่าโครโมโซมทั้งหมดจะถูกกำหนดให้กับส่วนหน้าของ Pareto

ประชากรใหม่ จากนั้นอัลกอริธึมจะเลือกโครโมโซม r ที่ดีที่สุดสำหรับรุ่นต่อไป ในเวลาที่กำหนด มีโครโมโซม 2r ที่ถูกจัดเรียงในส่วนหน้าของพาเรโตแบบลำดับชั้น F อัลกอริทึมจะสร้างประชากรใหม่ P0 โดยเพิ่มโครโมโซมที่จัดเก็บไว้ในส่วนหน้าของพาเรโต

ถ้าขนาดโดยรวมของส่วนหน้าของพาเรโตแรกเล็กกว่า r ดังนั้นอัลกอริธึมจะเพิ่มโครโมโซมทั้งหมดของส่วนหน้านี้ไปที่ P{{0}} จากนั้น อัลกอริธึมจะเพิ่มวิธีแก้ปัญหาที่เหลือสำหรับประชากรใหม่จากแนวรบที่ไม่ถูกครอบงำตามมา อัลกอริธึมจะดำเนินขั้นตอนนี้ต่อไปจนกว่าจะไม่สามารถเพิ่มส่วนหน้าให้กับ P0 ได้

ระยะห่างจากฝูงชน. อัลกอริธึมจะต้องเพิ่มโครโมโซมให้กับประชากรใหม่จนกว่าจะมีโครโมโซม r พอดี หาก Fk ส่วนหน้าของ Pareto ที่ไม่เด่นซึ่งเลือกไว้ล่าสุดมีโครโมโซมมากกว่าที่อนุญาตให้เพิ่มลงใน P0 อัลกอริธึมจะต้องเลือกชุดที่เล็กกว่าจาก Fk เพื่อให้โครโมโซม r สมบูรณ์

ให้ d ¼ r SizeðPÞ คือจำนวนโครโมโซมที่หายไปเพื่อทำให้ r สมบูรณ์ อัลกอริธึมระบุโครโมโซม δ ที่ดีที่สุดจาก Fk ส่วนหน้าสุดท้ายนี้โดยการคำนวณระยะห่างระหว่างโครโมโซมที่หนาแน่น

ตัวชี้วัดนี้จะกำหนดว่าโครโมโซมมีความคล้ายคลึงกันเพียงใดในแง่ของประสิทธิภาพในปัญหาหลายวัตถุประสงค์ หลังจากคำนวณระยะทางนี้แล้ว อัลกอริธึมจะจัดอันดับโครโมโซมตามระยะทาง และกำจัดโครโมโซมที่ทำงานคล้ายกับโครโมโซมอื่นๆ ขั้นตอนนี้ช่วยให้ชาวต่างชาติอยู่แถวหน้าในการแก้ปัญหาและกำจัดโครโมโซมที่ซ้ำซ้อนออก

จากนั้น δ โครโมโซมที่ดีที่สุดจาก Fk จะถูกเพิ่มไปยัง P{{0}} เป็นผลให้ P0นับด้วยโครโมโซม r ที่ดีที่สุด และกลายเป็นผู้ปกครองของโครโมโซมรุ่นต่อไป โดยเริ่มต้นการทำซ้ำครั้งใหม่

ข้อมูล

ในส่วนนี้ เราจะประเมินอัลกอริทึมที่นำเสนอสำหรับปัญหาการจัดทีมของเราโดยใช้ชุดข้อมูลในโลกแห่งความเป็นจริงสามชุด แหล่งข้อมูล ได้แก่ MyDreamTeam (แพลตฟอร์มการสร้างทีม), Bibsonomy (ไซต์บุ๊กมาร์กโซเชียล) และ GHTorrent (ฐานข้อมูลที่เก็บ GitHub)

การใช้ชุดข้อมูลเหล่านี้เพื่อจำลองทีมสำหรับปัญหาการจัดทีมนี้แสดงให้เห็นถึงประสิทธิผลของกรอบงานของเราในสถานการณ์จริง เราแสดงสถิติสรุปจากชุดข้อมูลเหล่านี้ในตารางที่ 2 ข้อมูลผลลัพธ์และสคริปต์ในการประมวลผลข้อมูลดิบล่วงหน้ามีอยู่ที่http://nusoniclab.github.io/

ชุดข้อมูล MyDreamTeam เราประเมินอัลกอริธึมที่เรานำเสนอโดยใช้ข้อมูลจากกรณีการจัดทีมจริง เราดึงชุดข้อมูลนี้มาจาก My Dream Team Builder [33] ซึ่งเป็นระบบผู้แนะนำเพื่อช่วยแต่ละบุคคลในการประกอบทีมด้วยตนเอง

ชุดข้อมูลนี้มีกรณีที่ผู้เข้าร่วมรวบรวมทีมด้วยตนเอง กรณีเริ่มตั้งแต่ปี 2014 ถึง 2020 ในระบบผู้แนะนำนี้ ผู้เข้าร่วมจะสร้างโปรไฟล์ ค้นหาเพื่อนร่วมทีม และส่งคำเชิญไปยังฟอร์มทีม

กรณีประกอบด้วยชั้นเรียนจากมหาวิทยาลัยในสหรัฐอเมริกา ชุดข้อมูลประกอบด้วยลักษณะเฉพาะ ข้อมูลประชากร และเครือข่ายทางสังคมของผู้เข้าร่วม ซึ่งพวกเขารายงานไว้ในการสำรวจครั้งแรก เราเลือกสามกรณีเพื่อทดสอบอัลกอริทึมของเรา: หลักสูตรระดับปริญญาตรี หลักสูตรบัณฑิตศึกษา และหลักสูตร MBA ผู้เข้าร่วมใช้ระบบเพื่อรวบรวมทีมเพื่อการอภิปรายกลุ่มย่อย

การอนุญาตให้รวบรวมข้อมูลจากผู้เข้าร่วมได้รับการอนุมัติจากคณะกรรมการพิจารณาสถาบันมหาวิทยาลัยนอร์ธเวสเทิร์น (#STU00078513) มีการปฏิบัติตามกฎระเบียบของสถาบันและรัฐบาลที่เกี่ยวข้องทั้งหมดที่เกี่ยวข้องกับการใช้จริยธรรมในอาสาสมัครในมนุษย์ในระหว่างการวิจัยนี้

ได้รับความยินยอมทางอิเล็กทรอนิกส์จากผู้เข้าร่วมการศึกษาผ่านเครื่องมือสำรวจออนไลน์ ผู้เข้าร่วมถูกขอให้ยินยอมให้ใช้ข้อมูลที่รวบรวมผ่าน My Dream Team Builder เพื่อวัตถุประสงค์ในการวิจัย เราแฮชตัวระบุผู้ใช้เพื่อสร้างชุดข้อมูลที่ไม่ระบุตัวตน

BibSonomy. ชุดข้อมูลชุดที่สองดึงมาจาก BibSonomy [34] ซึ่งเป็นระบบบุ๊กมาร์กทางสังคมและแบ่งปันสิ่งพิมพ์ เราเลือก bibsonomy เนื่องจากการจัดทีมก่อนหน้านี้ได้ทดสอบอัลกอริธึมโดยใช้ฐานข้อมูลนี้ [58]

ชุดข้อมูลนี้บริหารจัดการโดย Knowledgeand Data Engineering Group, University of Kassel ชุดข้อมูล Bibsonomy พร้อมใช้งานภายใต้ข้อตกลงสิทธิ์การใช้งาน และสามารถขอได้ที่ https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/ ชุดข้อมูลนี้มีสิ่งพิมพ์ที่เกี่ยวข้องกับวิทยาการคอมพิวเตอร์จำนวนมาก สิ่งพิมพ์แต่ละฉบับเขียนโดยกลุ่มผู้เขียน

ผู้ใช้จำนวนมากเยี่ยมชมเว็บไซต์ Bibsonomy โดยใช้แท็กเพื่อใส่คำอธิบายประกอบสิ่งพิมพ์ ทำตามขั้นตอนที่อธิบายโดย Anagnostopoulos และคณะ [58] เราใช้แท็กที่เกี่ยวข้องกับบทความของผู้เขียนแต่ละคนเพื่อแสดงทักษะของพวกเขา ทักษะของผู้เขียนแต่ละคนแสดงถึงจำนวนบทความที่ตีพิมพ์พร้อมแท็กที่เกี่ยวข้อง เราเลือกวารสารสามฉบับที่เกี่ยวข้องกับการวิเคราะห์เครือข่ายโซเชียลเพื่อทดสอบอัลกอริทึมของเรา: "ธรรมชาติ" "วิทยาศาสตร์" และ "ฟิสิกส์ A: กลศาสตร์ทางสถิติและการประยุกต์"

เรานับความถี่ของแท็กในวารสารแต่ละฉบับ และเลือกแท็กยอดนิยมบางส่วนที่เกี่ยวข้องกับการศึกษาการท่องเที่ยว สำหรับวารสารสองฉบับแรก เราเลือกบทความที่มีแท็ก 'เครือข่าย' 'เครือข่ายสังคม' และ 'โลกใบเล็ก'

จากนั้น เราระบุผู้เขียนบทความเหล่านี้ สร้างเครือข่ายการเขียนร่วม และเลือกผู้เขียนจากองค์ประกอบที่ใหญ่ที่สุด ในทำนองเดียวกัน เราทำขั้นตอนนี้สำหรับวารสารที่สามโดยใช้แท็ก 'เครือข่าย' 'กราฟ' 'แบบจำลอง' และ 'ระบบ' เราแฮชชื่อผู้เขียนเพื่อสร้างชุดข้อมูลที่ไม่ระบุตัวตน

จีทอร์เรนต์. เราใช้ข้อมูล GitHub ที่ได้รับจากโครงการ GHTorrent [35] ซึ่งเป็นมิเรอร์ออฟไลน์ของข้อมูลที่นำเสนอผ่าน GitHub API สามารถดาวน์โหลดชุดข้อมูลนี้ได้ที่ https://ghtorrent.org/downloads.html ชุดข้อมูล GHTorrent ครอบคลุมกิจกรรมการพัฒนาที่หลากหลายบน Github รวมถึงพื้นที่เก็บข้อมูล คำขอดึงข้อมูล และผู้ใช้ เราดาวน์โหลด dataset dump "06/01/2019" เพื่อสร้างชุดข้อมูลการทดสอบของเรา

เรากรองผู้ใช้ที่มีส่วนร่วมระหว่าง 40 ถึง 80 โปรเจ็กต์ เพื่อให้ผู้ใช้มีค่ามัธยฐานอยู่ในการวิเคราะห์ของเรา ด้วยแนวทางที่คล้ายกับชุดข้อมูล BibSonomy เราใช้ภาษาการเขียนโปรแกรมที่เกี่ยวข้องกับพื้นที่เก็บข้อมูลที่มีส่วนร่วมของผู้ใช้แต่ละรายเพื่อแสดงทักษะของผู้ใช้

ทักษะของผู้ใช้แต่ละคนแสดงถึงจำนวนโครงการที่เขียนในภาษาเฉพาะ เนื่องจากที่เก็บสามารถมีไฟล์ได้หลายภาษา เราจึงเลือกภาษาที่ใช้มากที่สุดของที่เก็บเป็นภาษาของที่เก็บ

เราเลือกภาษาที่ได้รับความนิยมสูงสุดสามภาษาในชุดข้อมูลนี้: Java, Python และ Ruby จากนั้น เราได้ระบุผู้ใช้ที่เก็บข้อมูลเหล่านี้และสร้างเครือข่ายการทำงานร่วมกัน ในตัวอย่างนี้ ผู้ใช้จะกินหากพวกเขาสนับสนุนพื้นที่เก็บข้อมูลเดียวกันอย่างน้อยสองครั้ง ในที่สุด เราก็เลือกผู้ใช้จากองค์ประกอบที่ใหญ่ที่สุด เราแฮชชื่อผู้เขียนเพื่อสร้างชุดข้อมูลที่ไม่ระบุตัวตน

การประเมิน

เราเปรียบเทียบอัลกอริธึมที่นำเสนอสำหรับปัญหาการจัดทีม (แสดงเป็น NSGA-II) กับวิธีการเพิ่มประสิทธิภาพหลายวัตถุประสงค์ที่รู้จักกันดีสามวิธีที่ใช้เพื่อวัตถุประสงค์ในการวัดประสิทธิภาพ[62, 72]:

วิธี Pareto Local Search (PLS) อัลกอริธึมซ้ำนี้เริ่มต้นด้วยชุดของการแก้ปัญหาแบบสุ่มเป็นประชากรเริ่มต้นและสำรวจเพื่อนบ้านของแต่ละวิธีแก้ปัญหา [73, 74] อัลกอริธึมจะอัปเดตประชากรตามการครอบงำของ Pareto โดยจะเพิ่มเพื่อนบ้านที่ไม่ถูกครอบงำให้กับประชากร และลบโซลูชันที่มีอยู่ซึ่งถูกครอบงำโดยโซลูชันที่เพิ่มเข้ามาใหม่

เมื่อสำรวจบริเวณใกล้เคียงของโซลูชันแล้ว โซลูชันนั้นจะถูกทำเครื่องหมายเป็นสำรวจแล้ว อัลกอริธึมจะสำรวจวิธีแก้ปัญหาใหม่ๆ ซ้ำๆ เมื่อมีการเพิ่มเข้าไปในประชากรจนกว่าจะไม่พบวิธีแก้ปัญหาที่ดีกว่า หลังจากสำรวจวิธีแก้ปัญหาทั้งหมดแล้ว และไม่สามารถค้นพบวิธีแก้ปัญหาที่ไม่เหนือกว่าได้อีก อัลกอริธึมจะหยุด เราใช้เวอร์ชันที่เสนอโดย Zihayat และคณะ [72] สำหรับปัญหาเชิงผสม

ในการใช้งานนี้ เพื่อนบ้านของโซลูชันคือการรวมทีมที่เป็นไปได้ทั้งหมดจากโซลูชันที่มีสมาชิกสองคนสลับทีมกัน เนื่องจาก PLS ไม่ได้ขึ้นอยู่กับจำนวนรุ่นที่แน่นอน เราจึงเรียกใช้อัลกอริทึมนี้ซ้ำหนึ่งครั้งเพื่อเปรียบเทียบผลลัพธ์กับวิธีอื่นๆ

เมื่อพิจารณาจากบุคคลจำนวน n ราย และอัลกอริทึมจะสำรวจ n2 เพื่อนบ้านของแต่ละโซลูชัน ความซับซ้อนในการคำนวณของการนำไปใช้งานนี้คือ O(n3) ในสถานการณ์ที่ดีที่สุด

For more information:1950477648nn@gmail.com