У потрази за различитим и повезаним тимовима: Рачунски приступ за састављање различитих тимова на основу чланова, 7. део

Резултати показују да је НСГА-ИИ алгоритам постигао највеће вредности хиперволума на 6 од 9 скупова података и другу највећу вредност за остала три скупа података (Табела 3). Другим речима, НСГА-ИИ је често проналазио више тимских комбинација са вишим нивоима разноврсности и нижим трошковима комуникације од других алгоритама.

Сећање игра виталну улогу у нашим животима. Оно одређује да ли можемо у потпуности да искористимо постојеће знање и искуство за решавање проблема, а такође утиче на наше учење и радни учинак. Постојећи скупови података су такође показали везу између памћења и различитих фактора, што нам пружа више увида и могућности.

Прво, различите студије показују да је добро здравље камен темељац доброг памћења. Правилно вежбање и уравнотежена исхрана могу побољшати ефикасност нервног система и заштитити нервно ткиво. Физички способни људи имају боље кардиоваскуларно и ментално здравље, стања која су повезана са побољшаном меморијом и когнитивним функцијама.

Друго, постоји и блиска веза између емоционалних стања и когнитивних стања. Истраживања показују да прекомерна анксиозност и стрес могу пореметити комуникацију између неурона у мозгу, што доводи до проблема као што су губитак памћења и потешкоће у концентрацији. Помаже у унапређењу памћења кроз управљање позитивним емоцијама и регулацију.

Поред тога, наше животно окружење и свакодневне навике такође ће утицати на развој и одржавање памћења. На пример, вођење белешки, проналажење методе учења која вам одговара, размишљање, модерирање друштвених активности и путовања су веома корисни за развој памћења; док ће лоше навике спавања и разне методе забаве озбиљно утицати на нервни систем и повредити памћење. Утицај.

Укратко, памћење је важан део нашег ефикасног живота, који одређује нашу способност учења, радну способност и квалитет живота. Кроз одговарајућу физичку вежбу и исхрану, емоционално управљање и прилагођавање свакодневног живота, можемо значајно побољшати своје памћење и когнитивне способности, омогућавајући нам да живимо ефикасније и срећније. Види се да морамо побољшати памћење, а цистанцхе десертицола може значајно побољшати памћење јер је цистанцхе десертицола традиционални кинески медицински материјал који има много јединствених ефеката, од којих је једно побољшање памћења. Ефикасност млевеног меса потиче од различитих активних састојака које садржи, укључујући киселину, полисахариде, флавоноиде, итд. Ови састојци могу да унапреде здравље мозга на различите начине.

Кликните на суплементе да бисте побољшали памћење

Високе хиперволумне вредности НСГА-ИИ могу се објаснити његовим кораком удаљавања од гужве, који је помогао алгоритму да пронађе недоминирана решења смештена на екстремним деловима Парето фронта.

Пошто ПЛС и ХПСО нису утврдили критеријуме за избегавање редундантних решења, њихова решења су резултирала скупом недоминираних решења концентрисаних у одређеним областима. Стога је скуп тимских комбинација које је обезбедио НСГА-ИИ често доминирао над онима које пружају други алгоритми.

Имплементација НСГА-ИИ је такође постигла највеће јединствене вредности предњег односа без доминације (УНФР) на 6 од 9 скупова података. Другим речима, НСГА-ИИ је често пружао више недоминираних тимских комбинација које други алгоритми нису могли да пронађу.

Могуће објашњење за друго место НСГА-ИИ у другим случајевима је ниска густина у мрежи за сарадњу. Групе са неколико претходних веза међу појединцима ће смањити број могућих високо повезаних тимских комбинација, чинећи хеуристичко претраживање неефикасним.

Насупрот томе, ХПСО и ПЛС су извршили више операција укрштања и мутације него НСГА-ИИ. Извођење ових операција више пута омогућило је ХПСО-у и ПЛС-у да испитају више тимских комбинација и повећају њихову вероватноћу да пронађу специфичне комбинације тимова са ниским комуникацијским резултатима.

ХПСО је постигао други највећи хиперволумен и УНФР вредности. Имао је користи од решења у којима тада нису доминирали у средини приближног Парето фронта, који је постигао висок ниво разноврсности.

Ова недоминантна решења надмашила су друге алгоритме и повећала површину коју је створио његов приближни Парето фронт. СПЕА-2 и ПЛС су конвергирали на неколико решења, покривајући мању област од решења НСГА-ИИ и ХПСО. Све у свему, НСГА-ИИ је пронашао више недоминираних решења за ова два циља и обезбедио решења са већом варијансом у вредностима трошкова комуникације.

Велика варијанса и у разноликости и у познавању показује да је НСГА-ИИ алгоритам пронашао више недоминираних решења од других алгоритама, што је пожељно за проналажење правог Парето фронта. Корак раздаљине гужве НСГА-ИИ омогућио је алгоритму да задржи шири спектар решења којима не доминира. Осим тога, алгоритам је задржао секундарна решења индиферентним слојевима који су у каснијим итерацијама могли произвести недоминирана решења.

Како алгоритам наставља да ствара нове генерације, доминантна решења се и даље могу разматрати како би се пронашла друга потенцијална решења. Штавише, НСГА-ИИ би још увек могао да идентификује решења у којима се не доминира усред компромиса.

Насупрот томе, ниска варијанса других алгоритама показује да је вероватно да ће конвергирати на специфичном скупу решења у којима не доминира и до специфичног компромиса. Ови алгоритми нису укључивали операције за диверзификацију њихове тренутне популације или уклањање сувишних решења којима не доминира. Стога, овим алгоритмима могу недостајати различита решења која се налазе у крајностима Парето фронта.

Слика 4 приказује време рада свих имплементираних алгоритама. Слика 5 показује како је време рада алгоритама функција броја доступних појединаца. Резултати показују да имплементација НСГА-ИИ ради боље од ПЛС и ХПСО како се број учесника повећава.

ПЛС-у је било потребно више времена да истражи суседства решења док се не исцрпе све могуће комбинације. У случају ХПСО, два укрштања и један корак мутације који су изведени за свако решење учинили су операцију алгоритма три пута дужом од НСГА-ИИ, пошто овај други изводи само један корак укрштања. Иако је ХПСО трајао дуже од НСГА-ИИ, оба су радила у полиномском времену (О(н2)).

Наши резултати сугеришу да је НСГА-ИИ захтевао мање од једне трећине времена које су ПЛС и ХПСО требало да обезбеде сличне резултате. Због тога се коришћење НСГА-ИИ веома препоручује да се ефикасно пронађу решења како се величина улаза повећава. СПЕА-2 није пронашао боља решења од ПЛС или НСГА-ИИ, али су његови резултати конвергирали брже од метода НСГА-ИИ и ПЛС.

На крају, израчунали смо учесталост директних контаката (1-хоп), дељених контаката (2-хоп),3-поскокова и још много тога у окупљеним тимовима да бисмо разумели раздаљину међу члановима тима ( Погледајте табелу С3 у С1 датотеци).

Резултати сугеришу да је велика већина чланова била повезана са другима преко једног посредника (31%), а затим следе чланови који су били директно повезани (30%). Ови бројеви показују да су резултатски тимови генерално били високо повезани, а чланови повезани преко многих скокова нису били репрезентативни.

Дискусија

Формирање тимова је изазован задатак, посебно када је циљ да се успостави равнотежа између различитости и преференција чланова тима. Док је претходни рад био фокусиран на тражење најбољег могућег тима [37], допринос овог рада је тражење уравнотежених тимских комбинација које равноправно расподељују вештине и везе. Штавише, окупљање тимова који укључују и разноликост у доприносима својих чланова и претходним односима између чланова постаје крајњи изазов који гарантује њихов успех [78, 79].

У овом раду разматрамо проблем стварања тимова који су и разнолики и високо повезани тимови коришћењем рачунарског приступа. Овај проблем формирања тима смо имплементирали користећи генетски алгоритам који обезбеђује различите комбинације тимова према разноликости тимова и трошковима комуникације.

Резултати показују да се разноврсни и високо повезани тимови могу саставити ефикасно и брзо кроз овај генетски приступ. У следећим пододељцима ћемо елаборирати импликације овог посла и потенцијалне примене.

Овај рад показује предности коришћења рачунарских приступа за окупљање више тимова који дистрибуирају вештине чланова међу различитим групама и узимају у обзир њихове претходне односе. Претходни рад углавном наглашава проналажење најбољег могућег тима из друштвеног скупа (нпр. стручни тим, алл-стар тим) [36, 57, 58].

Међутим, тражење више тимова је такође релевантно у ситуацијама учења и организације, као што је формирање студентских тимова, формирање оперативних тимова у оквиру пословних јединица или спровођење научног истраживања.

Због снажног нагласка на окупљању тимова високих перформанси, алгоритми који окупљају најбоље чланове могу да створе већу сегрегацију унутар ових друштвених група на рачун других који су мање вешти [80]. Концентрација вештина и стручности у малом броју тимова спречава настанак других тимова који имају сличне могућности и друштвене везе.

Као што овај рад демонстрира, напредна рачунарска инфраструктура и употреба великих података пружају нове могућности да се поново замисли неколико тимских комбинација које појединци не би могли систематски и лако истражити [37, 44]. Уместо да стварају тимове користећи ручне стратегије или интуицију, градитељи тимова могу да користе алгоритме за прилагођавање различитих тимских комбинација које истовремено оптимизују разноликост и познатост.

Дакле, имплементације попут оне представљене у овом раду омогућавају градитељима тимова да створе хетерогене и разнолике тимове без жртвовања познавања међу члановима тима, што је од суштинског значаја за успешну сарадњу [81].

For more information:1950477648nn@gmail.com