בחיפוש אחר צוותים מגוונים ומקושרים: גישה חישובית להרכבת צוותים מגוונים על בסיס חברים חלק 4

ביישום זה, אנו משתמשים במגוון של מדדים כדי להעריך את הגיוון של צוותים המסופקים על ידי משתנים קטגוריים C, ומדדי פער כדי להעריך את הגיוון של צוותים המסופקים על ידי משתנים מספריים U. כדי למדוד את מדדי המגוון של כל צוות לפי התכונות הקטגוריות של חבריו C, אנו משתמשים במדד Blau (Bt; ci) [30].

בחיינו, אנו נתקלים לעתים קרובות באנשים ודברים שונים. המגוון של האנשים והדברים הללו חורג מגבולות הגזע, התרבות והספקטרום הקוגניטיבי. מחקרים אחרונים מצאו קשר חיובי בין מדדי גיוון וזיכרון.

מדדי הגיוון כוללים גיוון אתני, תרבותי וקוגניטיבי. עם הגיוון הגזעי, חשיפה לגזעים שונים מעוררת את החשיבה והזיכרון של אנשים, מכיוון שאנשים צריכים להישאר רגישים לשפות ולתרבויות שונות ולבצע התאמות נדרשות. גיוון תרבותי פירושו שאנשים יכולים להיחשף לתרבויות, אמונות וערכים שונים. חוויות אלו יכולות להפוך אנשים לגמישים, סתגלניים ויצירתיים יותר. גיוון בהיקף הקוגניטיבי יכול לכלול דיסציפלינות שונות, קריירות והתנסויות שמגבירות את הידע וההבנה שלנו בדברים.

בעבר חשבו שניתן להשיג יתרונות קוגניטיביים רק באמצעות רקע תרבותי אחד. אולם כעת, גוף מחקר הולך וגדל מראה כי אינדיקטורים של גיוון יכולים לשפר את היכולות הקוגניטיביות והזיכרון של האדם. מדענים מאמינים שהסיבה לכך היא שמדדים למגוון עוזרים לנו לבנות זיכרונות מורכבים יותר, וגם עוזרים לנו להבין ולזכור אלמנטים חזותיים, שמיעתיים ומילוליים שונים.

במחקרים מסוימים, חוקרים מצאו שאנשים דו-לשוניים מתפקדים טוב יותר במשימות קוגניטיביות רבות. כאשר אנשים דוברים שפות מרובות, הם משווים ומונים את ההגייה, אוצר המילים והדקדוק בין השפות השונות. עיבוד חוצה שפות זה מחזק את הרשתות העצביות של המוח ומשפר את היכולות הקוגניטיביות.

לכן, אנו יכולים להסיק כי מדדי גיוון יכולים לשפר יכולות קוגניטיביות וזיכרון, מה שיכול להועיל גם לחיינו המקצועיים והאישיים. עלינו לעודד את עצמנו להיחשף למגוון רחב יותר של תרבות וקוגניציה, ולפתוח את הידע וההבנה שלנו בדברים חדשים כדי לעזור לעצמנו להשיג תוצאות טובות יותר בהתפתחות עתידית. ניתן לראות שעלינו לשפר את הזיכרון שלנו. Cistanche deserticola יכול לשפר משמעותית את הזיכרון מכיוון ש-Cistanche deserticola הוא חומר רפואי סיני מסורתי עם השפעות ייחודיות רבות, אחת מהן היא שיפור הזיכרון. היעילות של בשר טחון מגיעה מהמרכיבים הפעילים השונים שהוא מכיל, לרבות חומצה, פוליסכרידים, פלבנואידים ועוד. מרכיבים אלו יכולים לקדם את בריאות המוח בדרכים שונות.

לחץ על יודע תוספי מזון כדי לשפר את הזיכרון

מדד זה מכמת את ההסתברות ששני חברי צוות שנבחרו באקראי מהצוות יהיו בקטגוריות שונות. ציון נמוך פירושו שחברים נכנסים לאותה קטגוריה, ואילו ציון גבוה פירושו שחברים נכנסים לקטגוריות שונות.

נסמן pci jas את שיעור החברים שנכללים בקטגוריה מסוימת j בתכונה הקטגורית ci. בהינתן שמספר הקטגוריות ב-ci הוא oci, כאשר j ¼ 1; :::; oci, נוסחת BlauIndex עבור הצוות היא:

Bt;ci ¼ 1 Xocijpci2j ð2

כדי למדוד את מדדי הפער של כל צוות לפי המשתנים המספריים U של חבריו, אנו משתמשים במקדם השונות (CVt;ui) [30], המוגדר כיחס בין סטיית התקן לממוצע של התכונה i, ui 2 U.

ציון מקדם וריאציה נמוך פירושו שלכל חברי הצוות אין רמות דומות של התכונה, בעוד שציון גבוה פירושו שלכל חברי הצוות יש רמות שונות של התכונה. לצוות t עם חברים j=1, 2, . . ., k, ועם u�i כערך הממוצע של הצוות של התכונה i, הנוסחה היא הבאה:

CVt;ui ¼ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiXkj2tðuiðpjÞ u�iÞ2=kvuut =u�i ð

שני מדדי גיוון צוותים אלה שימושיים מכיוון שהם אינם משתנים כאשר נתוני הקלט מותאמים ליניארי, ושניהם נוטים להישאר סביב אותם ערכים. בהתחשב בכך שבעיית גיבוש הצוות מתייחסת למשתנים קטגוריים של C ומשתנים מספריים של U, ניתן לשקלל את מדדי הגיוון כדי לתעדף הבדלים בתוך משתנה ספציפי.

לוקטור המשקולות W יש |C| + |U| אלמנטים, כאשר W ¼ ðwu1; :::;wcm ;wc1;wc2; :::; wclÞ. בהתבסס על המדדים הללו, אנו צוברים מגוון עבור תכונות שונות לערך יחיד. אנו מגדירים את ציון המגוון הצוותי V של צוות t כסכום המשוקלל של אינדקסי הבלאו עבור כל המשתנים הקטגוריים של C ומקדם השונות עבור כל המשתנים המספריים U. הנוסחה היא:

Vt ¼ Xmi¼1wui � CVt;ui þXli¼1wci � Bt;ci ð

הצהרת בעיה רב אובייקטיבית. אנו מנסחים את הבעיה כבעיה רב-אובייקטיבית כדי למצוא קבוצה של פתרונות צוותים P ¼ fT1; T2; T3; :::; Trg, כאשר כל T מייצג פתרון פוטנציאלי עם צוותי q.

הפירוק של פונקציית ההערכה הן למטרות - מזעור עלויות התקשורת והן למקסום ציון הגיוון בצוות - מאפשר לנו למצוא מספר פתרונות שהגישה החד-אובייקטיבית לא יכולה להגיע אליהם. כתוצאה מכך, אנו מצפים למצוא לא פתרון ייחודי T אלא קבוצה של פתרונות P שאין עבורם פתרון אפשרי אחר טוב יותר בשתי הפונקציות האובייקטיביות.

קבוצה זו של פתרונות P ידועה גם כחזית Pareto, כאשר (א) אין קבוצה אחרת של פתרונות T0 עם צוותים מגוונים ומחוברים יותר, ו-(ב) כל פתרון Ti; i 2 P אינו עדיף על כל הפתרונות האחרים ב-P הנוגעים הן לגיוון והן למטרות עלויות תקשורת. קבוצה זו של פתרונות צוות P מאפשרת להעריך כל אחד מהם בנפרד, כך שבונה צוות יכול לבחור את הצוותים המתאימים ביותר שניתן להרכיב עבור ההקשר והנסיבות הנתונים.

לסיכום, בעיית גיבוש הצוות המטופלת במאמר זה היא למצוא את החזית P Pareto של פתרונות הצוות, כאשר כל פתרון T מורכב מצוותי q (T={t1, t2, t3, . . ., tq} ). המטרה הדואלובית היא למקסם את הגיוון של הצוותים בהתבסס על התכונות הקטגוריות C והתכונות המספריות U ומזעור עלות התקשורת בהתבסס על G. אנו יכולים לדגמן את הבעיות הבאות:

מאחר שמציאת צוותים מגרף G תוך מזעור סכום אורכי הנתיב הקצרים ביותר ובעיות הקצאת צוות הוכחה כבעיה קשה NP [57, 68], בעיה רב-אובייקטיבית זו היא גם בעיה קשה NP.

יישום NSGA-II

הצורות של חזיתות פארטו מספקות מידע מועיל על מידת ההחלפה בין יעדים שונים וכמה פשרה נדרשת מקריטריונים מסוימים כדי לשפר אחרים.

קביעת חזית הפארטו המדויקת עבור בעיות אופטימיזציה קומבינטורית רב-אובייקטיבית היא קשה מכיוון שיש צורך לחשב את כל השילובים האפשריים כדי למצוא את ה- Paretofront האמיתי [63]. מסיבה זו, המטרה היא למצוא קירוב לחזית Pareto האמיתית באמצעות אלגוריתמים היוריסטיים. הנחה קריטית עבור אלגוריתמים אלה היא שחזית פארטו מאוכלסת מספיק.

האיכות של קירוב זה תלויה ב(1) הקרבה של הנקודות בחזית המשוערת לנקודות בחזית פארטו האמיתית; ו (2) הגיוון של הפתרונות בחזית המשוערת, שבה יותר גיוון בדרך כלל טוב יותר. למרות שחזית פארטו האמיתית אינה ידועה, פתרונות השולטים באחרים קרובים לחזית האמיתית התיאורטית של פארטו. לכן, הגיוון של הפתרונות יספק מגוון רחב יותר ופירוט של חזית פארטו.

אלגוריתמים גנטיים (GA) משמשים בדרך כלל למציאת קירובים של חזיתות פארטו [69]. על ידי חיקוי האבולוציה בטבע, שיטה זו מייעלת אוכלוסייה של פתרונות ראשוניים לפתרונות טובים יותר באמצעות ברירה טבעית. כל פתרון מאופיין ככרומוזום (כלומר, וקטור של תכונות), שניתן לבצע מוטציה ולשנות בכל איטרציה. הפתרונות הטובים ביותר יחזיקו מעמד לאחר שהם עוברים מוטציה לאורך זמן. אלגוריתמים גנטיים הם אידיאליים למציאת פתרונות לבעיות אופטימיזציה במרחבים גדולים ולא ליניאריים מאוד [70].

האלגוריתם הגנטי מתחיל מאוכלוסיית פתרונות שנוצרו באקראי המתפתחת לפתרונות חדשים באמצעות תהליך איטרטיבי. האוכלוסייה שנוצרה בכל איטרציה ידועה גם בתור דור. בכל דור, האלגוריתם מעריך כל כרומוזום של כל אוכלוסייה בהתאם לפונקציה האובייקטיבית בבעיית האופטימיזציה שנפתרה.

הכרומוזומים עם הציונים הגבוהים ביותר נבחרים מהדור הנוכחי ומשמשים ליצירת דור חדש. תהליך זה נמשך עד להשגת מספר מרבי של איטרציות או באמצעות פונקציית סף שהוגדרה עבור הפתרונות.

הטמענו אלגוריתם גנטי בשם Non-dominated Sorting Genetic Algorithm-II(NSGA-II) שנוסח על ידי Deb et al. [71]. NSGA-II מאפשר מציאת קירוב של חזית פארטו, בעל פתרונות צוות שונים P המשתנים בהתאם לעלויות התקשורת וציון הגיוון שצוינו. גישת NSGA-II מבוססת על מיון האוכלוסיות לפי היררכיה של תת-אוכלוסיות תוך שימוש בקריטריונים דומיננטיים של פארטו.

לאחר מכן, כרומוזומים עבור האיטרציה הבאה נבחרים על פי ההיררכיה המוזכרת. בחירה אליטיסטית זו מבטיחה כי כרומוזומים טובים פוטנציאליים נשמרים באוכלוסייה, ואיכות הפתרון המתקבלת אינה יורדת מאיטרציה אחת לאחרת. הפתרונות מסודרים גם על פי הדמיון בין הכרומוזומים שלהם, ומסירים מיותרים כדי לקדם מגוון בחזית פארטו.

כתוצאה מכך, NSGA-II יכול להתכנס ל-Paretofront בעל ביצועים גבוהים לאחר מספר איטרציות. עבודה קודמת הראתה ש-NSGA-II מספק פתרונות עם רמות גבוהות של יעילות הפועלות ב-O(n2).

ביישום זה, כל אוכלוסייה P מכילה r פתרונות צוות P ¼ fT1; T2; :::; Trg, וכל כרומוזום מייצג קבוצה פוטנציאלית של q צוותים Ti={t1, t2, . . ., tq}. אנו משתמשים ב"כרומוזום" וב"פתרון צוות" לסירוגין לאורך המאמר הזה.

אנו מאפיינים כרומוזום כווקטור של פרטים המחולקים לחלקים q כדי להשיג את הצוותים (איור 2). כתוצאה מכך, אורך כל כרומוזום שווה למספר האנשים n, המייצגים q צוותים בגודל k (q�k=n). התאמנו את האלגוריתם הזה לבעיית גיבוש הצוות המגוונת הספציפית שלנו, ומתארים את השלבים האלה באלגוריתם 1.

אִתחוּל. האלגוריתם מתחיל באתחול אוכלוסייה של כרומוזומים P והרכבת צוותים באופן אקראי. פרמטרי הקלט שלו הם המספר הכולל של הכרומוזומים r לכלול באוכלוסיה P, רשימת האנשים P, מספר הצוותים q שייווצרו ומספר האיטרציות לביצוע g.

כרומוזומים מאוחסנים כמערכים דו-ממדיים של צורה (q,k), כאשר q הוא מספר הקבוצות שניתן להרכיב, ו-k הוא מספר החברים בכל קבוצה. כל כרומוזום הוא פתרון פוטנציאלי לבעיית גיבוש הצוות המגוונת, והמטרה היא למצוא קבוצה של כרומוזומים עם רמות גבוהות של גיוון ועלויות תקשורת נמוכות.

לאחר יצירת האוכלוסייה הראשונית, האלגוריתם יוצר את הצאצאים ומחפש את חזיתות פארטו באופן איטרטיבי עד שמגיעים למספר המרבי של דורות g.

צעד מוצלב.

בכל דור, האלגוריתם לוקח שני כרומוזומים אקראיים (p1ו-p2) מהאוכלוסייה הקיימת P ובוחר באקראי q צוותים מהאיחוד הזה. כתוצאה מכך, לאלגוריתם יהיה כרומוזום ילד עם צוותי q. מכיוון שהצוותים של הילד נבחרים באקראי משני כרומוזומים שונים, אנשים עשויים להיבחר פעמיים, מ-p1 ו-p2.

האלגוריתם מחליף אנשים שחוזרים על עצמם באחרים שלא הוקצו לצוות. הוא חוקר כל אחד מחברי הכרומוזום של הילד וסופר כמה פעמים אדם הוא חלק מצוות. אם פרט נספר יותר מפעם אחת, פרט זה מוחלף באופן אקראי בחבר חסר. בסופו של תהליך עדכון זה, האלגוריתם יכיל את כרומוזום הילד עם כל חברי P שיוקצו לצוות אחד.

דגימות אקראיות אלו מספקות מוטציה מספקת עבור האלגוריתם כדי להכניס גיוון לאוכלוסייה מבלי להוסיף עוד שלב מוטציה. אנו מתארים את שיטת ההצלבה המוצעת באלגוריתם 2.

For more information:1950477648nn@gamil.com