בחיפוש אחר צוותים מגוונים ומקושרים: גישה חישובית להרכבת צוותים מגוונים על בסיס חברים חלק 3

מספר פונקציות אובייקטיביות

הממד השלישי הוא מספר היעדים המותאם על ידי אלגוריתם גיבוש הצוות. כמה דוגמאות הן מזעור עלויות התקשורת של הצוותים, מזעור עלויות כוח האדם של הצוותים ומקסום מספר הכישורים הקיימים בכל צוות.

הקשר בין אלגוריתמים לגיבוש צוות וזיכרון קשור קשר הדוק. צוות הוא קבוצה של אנשים, כל אחד עם הרעיונות והיכולות שלו, אבל ערך גדול יותר ניתן להשיג רק כאשר כולם עובדים יחד.

הליבה של האלגוריתם לגיבוש צוות הוא איך לגרום לאנשים שונים לעבוד יחד בצורה הרמונית יותר. בתהליך זה, כל אחד צריך להשתמש בחוזקות שלו בהתאם לתפקידיו ולמשימותיו, ובמקביל צריך לתקשר ולתאם בצורה יעילה עם חברי הצוות האחרים.

לזיכרון יש תפקיד חשוב בתהליך זה. בצוות יש צורך לרשום באופן רציף את המשימות והתרומות של כל חבר וכן את ההתקדמות והבעיות של הצוות. רק כך ניתן ליצור תקשורת ושיתוף פעולה יעילים בצוות, והוא יכול גם לעזור לחברי הצוות להבין טוב יותר את האחריות והתפקידים שלהם.

יתר על כן, אלגוריתמים וזיכרון להיווצרות צוות יכולים גם לחזק אחד את השני. אלגוריתמים לגיבוש צוות יכולים לעזור לאנשים להבין טוב יותר כיצד לעבוד יחד, ופיתוח זיכרונות חזקים יותר בתהליך יאפשר לאנשים להקליט ולהבין טוב יותר מידע שונה על הצוות.

לכן, עלינו להכיר בחשיבותם של אלגוריתמים וזיכרון לגיבוש צוות עבור צוות. רק באמצעות תקשורת ושיתוף פעולה מתמשכים, כמו גם רישום וארגון מידע, הצוות יכול לפעול בצורה יעילה יותר ולהפיק ערך רב יותר. ניתן לראות שאנו צריכים לשפר את הזיכרון, ו-Cistanche deserticola יכולה לשפר משמעותית את הזיכרון, מכיוון ש-Cistanche deserticola יכולה לווסת גם את איזון הנוירוטרנסמיטורים, כמו הגדלת רמות האצטילכולין וגורמי גדילה. חומרים אלו חשובים מאוד לזיכרון וללמידה. בנוסף, בשר יכול גם לשפר את זרימת הדם ולקדם אספקת חמצן, מה שיכול להבטיח שהמוח יקבל מספיק חומרים מזינים ואנרגיה, ובכך לשפר את חיוניות המוח וסיבולת.

לחץ על Know כדי לשפר את הזיכרון לטווח קצר

רוב האלגוריתמים מגדירים את בעיית גיבוש הצוות עם מטרה אחת עם הגבלות [59].

הדוגמאות שהוזכרו קודם עוקבות אחר עיצוב הפונקציה החד-אובייקטיבית הזו. מלכודת היא שמטרות מועילות אחרות להרכב הקבוצה אינן יכולות להיות מועילותבמהלך תהליך האופטימיזציה בו-זמנית (למשל, מזעור עלויות תקשורת תוך מיקסום כישורי הצוות).

מחקרים קודמים הציגו יותר מפונקציה אובייקטיבית אחת לבעיית גיבוש הצוות. דוגמה אחת היא Kargar et al. [60], המציג את אלגוריתם "התרומה מינימלית לעלות" (MCC). מטרתו היא לחפש את הצוות עם עלויות התקשורת הנמוכות ביותר ועלויות כוח האדם הנמוכות ביותר בו זמנית.

הפונקציה האובייקטיבית של MMC היא שילוב ליניארי של שתי פונקציות העלות עם פרמטר λ המציין את ההחלפה בין תקשורת לעלויות אישיות. אלגוריתם זה מיישם גישה היוריסטית שמוסיפה חברים חדשים לצוות בהדרגה ומתחשבת בעלויות של הוספת חבר חדש לגבי העלויות הנוכחיות של הצוות המורכב.

למרות היתרונות של ניסוחי שילוב ליניארי אלה, גישה זו מציגה שתי מגבלות: היא מספקת רק פתרון צוות יחיד אחד, ויש להגדיר מראש את משתנה ההפרדה שלו עבור פונקציות העלות. לפיכך, מציאת פתרונות מתאימים אחרים באמצעות שיטות אלו תלויה בהתאמת משתנה ה- trade-off, אשר יכול להוסיף הטיה לתהליך החיפוש [61].

תרומות אלגוריתמיות אחרונות ניסחו את בעיית גיבוש הצוות כבעיית אופטימיזציה רב-אובייקטיבית כדי לייעל שתי פונקציות אובייקטיביות או יותר בו-זמנית[62, 63].

בעיות אלו כרוכות בחילופים בין שתי מטרות או יותר, שכן שיפור הפתרון ביעד אחד אפשרי רק על ידי ויתור על יעד אחר. לפיכך, בעיות אופטימיזציה רב-אובייקטיבית אינן מספקות פתרון יחיד אלא משיגות פתרונות מרובים תוך התחשבות בדגשים שונים של רלוונטיות עבור היעדים המרובים.

בעוד שבבעיות אופטימיזציה חד-אובייקטיבית, עליונותו של פתרון אחד על פני אחרים נקבעת על ידי הפונקציה האובייקטיבית, בבעיות אופטימיזציה רב-אובייקטיבית היא נקבעת על ידי דומיננטיות. תהליך האופטימיזציה מחפש פתרונות טובים יותר מאחרים בכל הפונקציות האובייקטיביות.

כתוצאה מכך, הבעיה מספקת קבוצה של פתרונות "לא נשלטים", המורכבת מפתרונות שניתנים לשיפור ללא פגיעה בו-זמנית לפחות באחת מהיעדים האחרים. אופטימיזציה רב-אובייקטיבית ידועה גם כאופטימיזציה של פארטו.

איור 1 מציג דוגמה לחזית פארטו המציגה פתרונות שונים שאינם נשלטים הנעים בין שתי מטרות. מחשוב חזית Pareto זו מאפשרת למקבלי החלטות להשוות ולבדוק פשרות שונות בין שני הממדים.

בהתבסס על גישה זו, יישומים אלגוריתמיים רב-אובייקטיביים מספקים קבוצה של פתרונות צוותים השוקלים הערכות מגוונות של הפונקציות האובייקטיביות [54, 64]. היישום של Zhang andZhang [64] בוחר את החברים בעלי היכולות הגבוהות ביותר למשימה ואת היחסים הבינאישיים הטובים ביותר כדי להרכיב את הצוות הטוב ביותר. מחקר זה משתמש במימוש אופטימיזציית החלקיקים כדי לקבוע אם חבר חייב להיות חלק מהצוות הטוב ביותר.

פתרונות נעים במרחב רציף דו-ממדי, והאלגוריתם מיישם פונקציה אסיגימואידית לבינאריזציה של נוכחות חברים. פרז-טולדנו וחב'. [63] פיתח אלגוריתם אגנטי למציאת קבוצות כדורסל תחרותיות בהתחשב בעלות והערכתו של כל שחקן בו זמנית.

כל פתרון מורכב מצוות מקבוצה של שחקנים זמינים, וחזית הפארטו הסופית שלו מציגה קבוצות שונות ששוקלות את ההחלפה בין הערכת השחקנים והעלות. בהתבסס על ניסוחים אלה, בוני צוותים יכולים לראות ולהשוות צוותים אחרים ולבחור איזו מטרה הם יתעדפו בעת בחירת צוות.

ניסוח בעיה

לאחר סקירת בעיות הקמת צוות רלוונטיות והאלגוריתמים שלהן, אנו שואפים ליישם את הבעיה המסוימת הזו שממקסמת את הגיוון של הצוותים ואת ההיכרות של הצוותים בו זמנית.

בעיה זו מתאימה לניסוחי אופטימיזציה רב-אובייקטיבית שכן מקסום ההיכרות של הצוותים עלולה להוביל ליצירת קבוצות עם חברים הדומים זה לזה [65].

למרות שנוכל ליישם בעיה זו כבעיית אופטימיזציה חד-אובייקטיבית, נצטרך לתעדף אחת מהמטרות הללו ולהימנע משינויים בין פתרונות. יתרה מכך, ניסוחים קודמים של גיבוש הצוות חיפשו את הצוות הטוב ביותר מבין יעדים מרובים או שילובי צוות המבוססים על מטרה אחת.
אנו מציעים בעיית אופטימיזציה רב-אובייקטיבית אשר מקצה את כל האנשים הזמינים לצוותים, וכתוצאה מכך מספר שילובי צוות השוקלים דגשים שונים של רלוונטיות לגיוון והיכרות. עבודה זו אינה המקרה עבור מחקרים קודמים על גיבוש צוות ומספקת גישה חדשה לספרות גיבוש הצוות.

חומרים ושיטות

בחלק זה, אנו מציגים את הבעיה וההגדרות הרב-אובייקטיביות שבהן נשתמש במהלך מאמר זה. הסימון שלנו מתמצה גם בטבלה 1. אנו מתארים גם את יישום NSGA-II של בעיה רב-אובייקטיבית זו ומרכיביה. לאחר מכן אנו מתארים את מערכי הנתונים ואת אלגוריתמי ההשוואה שבהם השתמשנו כדי להעריך את בעיית גיבוש הצוות. לבסוף, אנו מסבירים את המדדים הכמותיים להשוואת תוצאות האלגוריתמים.

הגדרות

חברים, תכונות, רשתות וצוותים. אנו רואים קבוצה של משתתפים P={p1,p2, . . ., pn} עם קבוצה של תכונות קטגוריות C={c1, c2, . . ., cm} וקבוצה של תכונות מספריות U={u1, u2, . . ., ul}.

לתכונות של אנשים אלה יש קנה מידה שונה ומייצגות מידע על כל אדם (למשל, גיל, מין, גזע, מיומנות). בהתאם למידע האישי הזמין, לצוותים יכולים להיות מספר תכונות המתארות את האיכויות וההרכב שלהם. לכל אדם יש ערך בכל אחת מהתכונות הללו. נסמן ci(pj) כדי לקבל את הערך של התכונה הקטגורית ci עבור האדם j.

באופן דומה, אנו משתמשים ב-ui(pj) כדי לקבל את הערך של התכונה המספרית ui עבור האדם j. אדם j יכול להיות מיוצג כווקטור של תכונות קטגוריות ומספריות אלה. לפיכך, יש לנו את התכונות של pj as (c1(pj), . . ., cm(pj),u1(pj), . . . . ul(pj)).

אנשים מחוברים ברשת חברתית המעוצבת כגרף G לא מכוון ולא משוקלל. אנו מגדירים G=(P, E), כאשר E מייצג את קצוות הגרף. כל צומת inG מייצג אדם מ-P. אנו משתמשים באדם ובצומת להחלפה לאורך המאמר הזה. שני אנשים מחוברים בקצה אם הם שיתפו פעולה בעבר. במילים אחרות, אם הפרטים i ו-j עבדו יחד, אז Gi,j=1. אחרת, Gi,j=0.

בהתחשב ברשימה זו של משתתפים P המחוברים ברשת G, המטרה היא למצוא קבוצה של צוותים T={t1, t2, t3, . . ., tq}, שבו כל החברים ב-P מרכיבים q צוותים ושייכים לצוות אחד בלבד. ניתן לנסח את בעיית האופטימיזציה הכפולה כמזעור עלויות התקשורת בין חברי הצוות ומקסום רמות הגיוון של הצוותים. כעת אנו יוצרים רעיונות אלה ומתארים כל פונקציה אובייקטיבית.

עלויות תקשורת. לאפס וחב'. [57] התמקד בחשיבות של שיתופי פעולה והיכרות בין מומחים על ידי התחשבות בעלות שיתופי הפעולה שלהם. לפי מודל זה, מומחים ששיתפו פעולה בעבר נוטים יותר להחליף מידע ורעיונות ביעילות מאשר מומחים ללא שיתופי פעולה קודמים.

בהתבסס על שיתופי פעולה קודמים של מומחים, מודל זה מחשב את עלויות התקשורת בין חברי הצוות כדי להעריך את רמות שיתוף הפעולה וההיכרות שלהם. המטרה של אופטימיזציה של עלויות התקשורת היא ליצור צוותים עם רמות היכרות גבוהות. סקירת ספרות מראה שעלויות תקשורת הן פרוקסי בשימוש רב לשיתוף פעולה והיכרות בקרב חוקרים [66].

בהגדרה שלנו, אנו משתמשים בעלויות תקשורת כפרוקסי להיכרות של הצוותים. Kargar ו-An[31] מצאו שהסכום הכולל של המרחקים בין חברי הצוות הוא מדד סביר לעלויות התקשורת, מכיוון שהוא יציב יותר לשינויים ברשת מאשר מדדים פוטנציאליים אחרים.

חלופות אחרות לעלויות תקשורת הן קוטר הרשת החברתית (כלומר, הנתיב הקצר ביותר בין שני צמתים כלשהם ברשת), ועץ הפורש המינימלי (כלומר, הסכום המינימלי של משקלי קצוות הרשת) [57].

יישמנו בעיה זו גם באמצעות שתי ההגדרות הללו, והתוצאות שלהן היו דומות לאלו שהתקבלו באמצעות סכום המרחקים. תוצאות היישום של הקוטר זמינות ב-S1 Fig ו-S1Table ב-S1 File, והתוצאות של היישום של עץ המתח המינימלי זמינות ב-S2 Fig ו-S2 Table ב-S1 File.

אנו מגדירים את עלויות התקשורת בין שני פרטים pi ו-pj, המסומנים כ-d(pi, pj), כאורך הנתיב הקצר ביותר תוך חציית קצוות הגרף G מצומת אחד למשנהו. אם Pi ו-PJ שיתפו פעולה בעבר, הם נמצאים במרחק של קפיצה אחת.

אם Pi ו-PJ לא שיתפו פעולה אבל יש להם משתף פעולה קודם משותף, הם מופרדים על ידי שתי חנויות. קיום משתפי פעולה משותפים בעבר בתוך צוות יכול לקדם היכרות המבוססת על "סגירה משולשת" [67].

מנגנון זה טוען שצמתים נוטים יותר ליצור חיבור חדש כאשר יש להם חיבור משותף. שלוש הופות ו-4-כיפות יכולות לפעול לפי אותם עקרונות המבוססים על "מנגנוני איזון" [67].

אנשים נוטים ליצור קשרים חדשים עם משתפי פעולה של משתפי הפעולה שלהם כדי לחפש עקביות בתוך הקבוצה שלהם. לכן, השימוש בסכום הכולל של המרחקים בפונקציית המטרה שלנו נועד לחפש צוותים שממקסמים את מספר שיתופי הפעולה הישירים (כלומר, קפיצה אחת), קשרים נפוצים (שני קפיצות) וקשרים קרובים (שלוש קפיצות ומעלה) .

ערך עלות התקשורת הנמוך ביותר הוא כאשר כל חברי הצוות שיתפו פעולה (כלומר, הם מחוברים ישירות), והגבוה ביותר הוא כאשר חברי הצוות אינם מחוברים כלל. ביישום זה, אם יש nopath בין pi ל-pj ב-G, אנו מגדירים את עלויות התקשורת ביניהם כקוטר הרשת החברתית.
אנו מגדירים את עלויות התקשורת של צוות t כסכום הכולל של אורך הנתיב הקצר ביותר בין חברים, מכיוון שהוא יציב יותר לשינויים ברשת מאשר אמצעים פוטנציאליים אחרים. אנו מציינים ב-Cc(t) את עלויות התקשורת של צוות t, אשר יש k חברים. לפיכך, אנו מגדירים את עלויות התקשורת של הצוות כ:

Cct ¼ Xki;j2t;i6¼jdðpi; pjÞ ð1Þ

המטרה היא למזער את הסכום הממוצע של אורכי הנתיב הקצרים ביותר על פני כל הצוותים המורכבים ברשת של האנשים. חישוב סכום עלויות התקשורת של קבוצה של צוותים הפועלים בזמן O(n2).

ציון גיוון בקבוצה. המטרה השנייה היא ליצור צוותים מגוונים עם מגוון רחב של רקעים, תכונות ורפרטואר מיומנות. גיוון מתאר את התפלגות ההבדלים בין חברי יחידה לגבי תכונה משותפת [30].

הריסון וקליין[30] הציגו מסגרת המציעה שהגיוון מושג בצורה הטובה ביותר בשלוש דרכים: הפרדה, גיוון ושונות. הפרדה מתייחסת להבדלים בין חברי הצוות במיקומם הרוחבי על הרצף (למשל, ערך, גישה, אמונה). גיוון מתייחס להבדלים קטגוריים בין חברי צוות שבהם מספר הקטגוריות המיוצגות תורמות לגיוון הצוותי (למשל, מגדר, קריירה, גזע).

לבסוף, פער מייצג הבדלים בריכוז הנכסים המוערכים או המשאבים הרצויים (למשל, מומחיות, רמת השכלה, קביעות). מדדים אלו מאפשרים לחוקרים לבצע מבצעיות של מגוון תפקודי ודמוגרפי במקביל ובהתאם להמשגות התיאורטיות שלהם [14].

For more information:1950477648nn@gmail.com