Ieškant įvairių ir susietų komandų: skaičiavimo metodas, skirtas suburti įvairias komandas pagal narius 3 dalis

Tikslinių funkcijų skaičius

Trečiasis aspektas yra tikslų, kuriuos optimizuoja komandos formavimo algoritmas, skaičius. Kai kurie pavyzdžiai yra komandų komunikacijos išlaidų, komandų personalo išlaidų sumažinimas ir kiekvienoje komandoje turimų įgūdžių skaičiaus padidinimas.

Ryšys tarp komandos formavimo algoritmų ir atminties yra glaudžiai susijęs. Komanda – tai grupė žmonių, kurių kiekvienas turi savo idėjas ir gebėjimus, tačiau didesnę vertę galima pasiekti tik visiems dirbant kartu.

Komandos formavimo algoritmo esmė – kaip priversti skirtingus žmones darniau dirbti kartu. Šiame procese kiekvienas turi panaudoti savo stipriąsias puses pagal savo vaidmenis ir užduotis, o tuo pačiu turi efektyviai bendrauti ir derintis su kitais komandos nariais.

Atmintis šiame procese vaidina svarbų vaidmenį. Komandoje būtina nuolat fiksuoti kiekvieno nario užduotis ir indėlį, taip pat komandos pažangą ir problemas. Tik tokiu būdu komandoje gali formuotis efektyvus bendravimas ir bendradarbiavimas, taip pat tai gali padėti komandos nariams geriau suprasti savo pareigas ir vaidmenis.

Be to, komandos formavimo algoritmai ir atmintis taip pat gali sustiprinti vienas kitą. Komandos formavimo algoritmai gali padėti žmonėms geriau suprasti, kaip dirbti kartu, o stipresnių prisiminimų kūrimas procese taip pat leis žmonėms geriau įrašyti ir suprasti įvairią informaciją apie komandą.

Todėl turėtume pripažinti komandos formavimo algoritmų ir atminties svarbą komandai. Tik nuolat bendradarbiaudama ir bendradarbiaudama, taip pat fiksuodama ir tvarkydama informaciją, komanda gali veikti efektyviau ir turėti didesnę vertę. Matyti, kad turime pagerinti atmintį, o Cistanche deserticola gali žymiai pagerinti atmintį, nes Cistanche deserticola taip pat gali reguliuoti neuromediatorių pusiausvyrą, pavyzdžiui, padidinti acetilcholino ir augimo faktorių kiekį. Šios medžiagos labai svarbios atminčiai ir mokymuisi. Be to, mėsa taip pat gali pagerinti kraujotaką ir skatinti deguonies tiekimą, o tai gali užtikrinti, kad smegenys gautų pakankamai maistinių medžiagų ir energijos, taip pagerinant smegenų gyvybingumą ir ištvermę.

Spustelėkite Žinoti, kad pagerintumėte trumpalaikę atmintį

Dauguma algoritmų komandos formavimo problemą apibrėžia vienu tikslu su apribojimais [59].

Anksčiau pateikti pavyzdžiai atitinka šį vieno tikslo funkcijos dizainą. Spąstai yra tai, kad kiti naudingi komandos sudėties tikslai negali būti konsioptimizavimo proceso metu (pvz., sumažinti komunikacijos išlaidas ir maksimaliai padidinti komandos įgūdžius).

Ankstesni tyrimai įvedė daugiau nei vieną objektyvią komandos formavimo problemą. Vienas iš pavyzdžių yra Kargar ir kt. [60], kuriame pateikiamas „Minimalių išlaidų įnašo“ algoritmas (MKC). Jos tikslas – vienu metu ieškoti komandos su mažiausiomis komunikacijos ir mažiausiomis personalo sąnaudomis.

MMC tikslinė funkcija yra tiesinis abiejų sąnaudų funkcijų derinys su parametru λ, kuris rodo kompromisą tarp komunikacijos ir asmeninių išlaidų. Šis algoritmas įgyvendina euristinį metodą, kuris laipsniškai prideda naujų narių į komandą ir įvertina naujo nario įtraukimo išlaidas, atsižvelgiant į dabartines surinktos komandos išlaidas.

Nepaisant šių linijinių derinių formuluočių pranašumų, šis metodas turi du apribojimus: jis pateikia tik vieną komandos sprendimą, o jo kintamasis išlaidų funkcijoms turi būti nustatytas iš anksto. Taigi, kitų tinkamų sprendimų radimas naudojant šiuos metodus priklauso nuo kompromiso kintamojo koregavimo, kuris gali sukelti šališkumą paieškos procesui [61].

Naujausi algoritminiai įnašai suformulavo komandos formavimo problemą kaip kelių objektų optimizavimo problemą, kad būtų galima optimizuoti dvi ar daugiau objektyvių funkcijų vienu metu [62, 63].

Šios problemos apima kompromisus tarp dviejų ar daugiau tikslų, nes pagerinti vieno tikslo sprendimą galima tik pripažįstant kitą tikslą. Taigi, kelių tikslų optimizavimo problemos nepateikia vieno sprendimo, o gauna kelis sprendimus, atsižvelgiant į skirtingus kelių tikslų svarbos akcentus.

Vieno tikslo optimizavimo uždaviniuose vieno sprendimo pranašumą prieš kitus lemia tikslo funkcija, o kelių tikslų optimizavimo uždaviniuose jį lemia dominavimas. Optimizavimo procese ieškoma sprendimų, kurie būtų geresni už kitus pagal visas tikslines funkcijas.

Dėl to problema pateikia „nedominuojančių“ sprendimų rinkinį, kurį sudaro sprendimai, kuriuos galima patobulinti nepakenkiant bent vienam iš kitų tikslų. Kelių tikslų optimizavimas taip pat žinomas kaip Pareto optimizavimas.

1 pav. parodytas Pareto fronto pavyzdys, rodantis skirtingus nedominuojančius sprendimus tarp dviejų tikslų. Apskaičiuojant šį Pareto frontą, sprendimus priimantys asmenys gali palyginti ir patikrinti skirtingus abiejų dimensijų kompromisus.

Remiantis šiuo požiūriu, kelių tikslų algoritminiai diegimai suteikia komandinių sprendimų rinkinį, kuriame atsižvelgiama į įvairius objektyvių funkcijų vertinimus [54, 64]. Zhang andZhang įgyvendinimas [64] atrenka narius, turinčius aukščiausius gebėjimus užduotims atlikti ir geriausius tarpasmeninius santykius, kad būtų surinkta geriausia komanda. Šiame tyrime naudojamas particleswarm optimizavimo įgyvendinimas, siekiant nustatyti, ar narys turi būti geriausios komandos dalimi.

Sprendimai juda dvimatėje nepertraukiamoje erdvėje, o algoritmas taiko asigmoidinę funkciją narių buvimui binarizuoti. Perezas-Toledano ir kt. [63] sukūrė agenetinį algoritmą, leidžiantį rasti konkurencingas krepšinio komandas, atsižvelgiant į kiekvieno žaidėjo kainą ir vertę vienu metu.

Kiekvienas sprendimas susideda iš komandos iš turimų žaidėjų rinkinio, o jo paskutiniame Pareto fronte rodomos skirtingos komandos, kurios atsižvelgia į žaidėjų įvertinimo ir išlaidų kompromisą. Remdamiesi šiomis formuluotėmis, komandos kūrėjai gali matyti ir palyginti kitas komandas bei pasirinkti, kuriam tikslui jie skirs pirmenybę rinkdamiesi komandą.

Problemos formulavimas

Peržiūrėję atitinkamas komandos formavimo problemas ir atitinkamus jų algoritmus, siekiame įgyvendinti šią konkrečią problemą, kuri padidintų komandų įvairovę ir komandų susipažinimą vienu metu.

Ši problema yra tinkama kelių tikslų optimizavimo formuluotėms, nes padidinus komandų pažinimą gali būti sudarytos grupės su panašiais vienas į kitą nariais [65].

Nors šią problemą galėtume įgyvendinti kaip vieno tikslo optimizavimo problemą, turėtume teikti pirmenybę vienam iš šių tikslų ir vengti kompromisų tarp sprendimų. Be to, ankstesnės komandos formavimo formuluotės ieškojo geriausios komandos tarp kelių tikslų arba komandų derinių, pagrįstų vienu tikslu.
Siūlome kelių tikslų optimizavimo problemą, pagal kurią visi galimi asmenys suskirstomi į komandas, todėl sukuriami keli komandų deriniai, kuriuose atsižvelgiama į skirtingus įvairovę ir pažinimo svarbą. Šis darbas netaikomas ankstesniems komandos formavimo tyrimams ir suteikia naują požiūrį į komandos formavimo literatūrą.

medžiagos ir metodai

Šiame skyriuje pristatome kelių tikslų problemą ir apibrėžimus, kuriuos naudosime šiame straipsnyje. Mūsų žymėjimas taip pat apibendrintas 1 lentelėje. Taip pat aprašome šios daugiatikslės problemos NSGA-II įgyvendinimą ir jos komponentus. Tada aprašome duomenų rinkinius ir etaloninius algoritmus, kuriuos naudojome komandos formavimo problemai įvertinti. Galiausiai paaiškiname kiekybinę metriką, kad palygintume algoritmų rezultatus.

Apibrėžimai

Nariai, atributai, tinklai ir komandos. Mes laikome dalyvių rinkinį P={p1,p2, . . ., pn} su kategorinių atributų rinkiniu C={c1, c2, . . ., cm} ir skaitinių atributų rinkinys U={u1, u2, . . ., ul}.

Šių asmenų atributai turi skirtingą mastelį ir atspindi informaciją apie kiekvieną asmenį (pvz., amžių, lytį, rasę, įgūdžius). Priklausomai nuo turimos individualios informacijos, komandos gali turėti keletą atributų, apibūdinančių jų savybes ir sudėtį. Kiekvienas asmuo turi vertę kiekvienam iš šių požymių. Žymime ci(pj), kad gautume asmens j kategorinio požymio ci reikšmę.

Panašiai mes naudojame ui(pj), kad gautume asmens j skaitmeninio atributo ui reikšmę. Asmuo j gali būti pavaizduotas kaip šių kategorinių ir skaitinių požymių vektorius. Taigi, turime pj atributus kaip (c1(pj), . . ., cm(pj),u1(pj), . . ., ul(pj)).

Žmonės yra sujungti socialiniame tinkle, modeliuojamame kaip nenukreiptas ir nesvertas grafikas G. Apibrėžiame G=(P, E), kur E reiškia grafiko briaunas. Kiekvienas inG mazgas reiškia asmenį iš P. Šiame dokumente asmenį ir mazgą vartojame pakaitomis. Du žmones sieja kraštas, jei jie anksčiau bendradarbiavo. Kitaip tariant, jei asmenys i ir j dirbo kartu, tada Gi,j=1. Kitu atveju Gi,j=0.

Atsižvelgiant į šį dalyvių P, prisijungusių prie tinklo G, sąrašą, tikslas yra rasti komandų rinkinį T={t1, t2, t3, . . ., tq}, kur visi P nariai surenka q komandas ir priklauso tik vienai komandai. Dviguba optimizavimo problema gali būti suformuluota kaip sumažinanti komandos narių komunikacijos išlaidas ir padidinanti komandų įvairovę. Dabar pateikiame šias sąvokas ir aprašome kiekvieną tikslo funkciją.

Ryšio išlaidos. Lappas ir kt. [57] daugiausia dėmesio skyrė ekspertų bendradarbiavimo ir pažinimo svarbai, atsižvelgiant į jų bendradarbiavimo išlaidas. Remiantis šiuo modeliu, ekspertai, kurie bendradarbiavo praeityje, yra labiau linkę efektyviai keistis informacija ir idėjomis nei ekspertai be išankstinio bendradarbiavimo.

Remiantis ankstesniu ekspertų bendradarbiavimu, šis modelis apskaičiuoja komandos narių komunikacijos išlaidas, kad įvertintų jų bendradarbiavimo ir pažinimo lygį. Ryšio sąnaudų optimizavimo tikslas yra sudaryti aukšto lygio žinias turinčias komandas. Literatūros apžvalga rodo, kad komunikacijos išlaidos yra labai dažnai naudojamas tyrėjų bendradarbiavimas ir pažinimas [66].

Savo aplinkoje komunikacijos išlaidas naudojame kaip komandų pažinimo pavyzdį. Kargar ir An[31] nustatė, kad bendra atstumų tarp komandos narių suma yra pagrįsta komunikacijos išlaidų matas, nes ji yra stabilesnė tinklo pokyčiams nei kitos galimos priemonės.

Kitos komunikacijos išlaidų alternatyvos yra socialinio tinklo skersmuo (ty trumpiausias kelias tarp bet kurių dviejų tinklo mazgų) ir minimalus apimantis medis (ty mažiausia tinklo kraštų svorių suma) [57].

Mes taip pat įgyvendinome šią problemą naudodami šiuos du apibrėžimus, o jų rezultatai buvo panašūs į gautus naudojant atstumų sumą. Skersmens įgyvendinimo rezultatus galima rasti S1 pav. ir S1 lentelėje S1 faile, o minimalaus apimančio medžio realizavimo rezultatus galima rasti S2 pav. ir S2 lentelėje S1 faile.

Ryšio sąnaudas tarp dviejų asmenų pi ir pj apibrėžiame kaip d(pi, pj), kaip trumpiausią kelio ilgį kertant grafiko G kraštus nuo vieno mazgo iki kito. Jei Pi ir PJ bendradarbiavo praeityje, jie yra vieno šuolio atstumu.

Jei Pi ir PJ nebendradarbiavo, bet turi bendrą ankstesnį bendradarbį, juos skiria dvi parduotuvės. Bendrų buvusių bendradarbių turėjimas komandoje gali paskatinti pažintį, pagrįstą „triadišku uždarumu“ [67].

Šis mechanizmas rodo, kad mazgai labiau linkę užmegzti naują ryšį, kai jie turi bendrą ryšį. Trijų apynių ir 4-šokių gali būti vadovaujamasi tais pačiais principais, paremtais „pusiausvyros mechanizmais“ [67].

Asmenys bus linkę užmegzti naujus ryšius su savo bendradarbių bendradarbiais, siekdami nuoseklumo savo grupėje. Todėl, naudojant bendrą atstumų sumą mūsų tikslinėje funkcijoje, siekiama ieškoti komandų, kurios maksimaliai padidintų tiesioginių bendradarbiavimo (ty vieno šuolio), bendrų ryšių (dviejų apynių) ir glaudžių ryšių (trijų ar daugiau) skaičių. .

Mažiausia ryšio sąnaudų vertė yra tada, kai visi komandos nariai bendradarbiauja (ty jie yra tiesiogiai prisijungę), o didžiausia – kai komandos nariai iš viso nėra prisijungę. Šiame įgyvendinime, jei tarp pi ir pj nėra kelio G, ryšio išlaidas tarp jų nustatome kaip socialinio tinklo skersmenį.
Komandos t ryšio sąnaudas apibrėžiame kaip bendrą trumpiausių kelio ilgių tarp narių sumą, nes ji yra stabilesnė tinklo pokyčiams nei kitos galimos priemonės. Cc(t) žymime komandos t komunikacijos išlaidas, kurios turi k narių. Taigi komandos komunikacijos išlaidas apibrėžiame taip:

Cct ¼ Xki;j2t;i6¼jdðpi; pjÞ ð1Þ

Tikslas yra sumažinti vidutinę trumpiausių kelio ilgių sumą visose surinktose asmenų tinkle esančiose komandose. Komandų aibės ryšio išlaidų sumos apskaičiavimas per O(n2) laiką.

Komandos įvairovės balas. Antrasis tikslas yra sukurti įvairias komandas, turinčias platų fono, savybių ir įgūdžių repertuarą. Įvairovė apibūdina skirtumų pasiskirstymą tarp vieneto narių, susijusių su bendru požymiu [30].

Harrisonas ir Kleinas[30] pateikė sistemą, leidžiančią manyti, kad įvairovė geriausiai suvokiama trimis būdais: atskyrimu, įvairove ir skirtumu. Atskyrimas reiškia skirtumus tarp komandos narių jų šoninės padėties kontinuume (pvz., vertybės, požiūris, įsitikinimai). Įvairovė reiškia kategoriškus komandos narių skirtumus, kai atstovaujamų kategorijų skaičius prisideda prie komandos įvairovės (pvz., lytis, karjera, rasė).

Galiausiai, skirtumai reiškia vertinamo turto arba pageidaujamų išteklių (pvz., kompetencijos, išsilavinimo, darbo stažo) koncentracijos skirtumus. Šios metrikos leidžia tyrėjams lygiagrečiai ir pagal savo teorines koncepcijas realizuoti funkcinę ir demografinę įvairovę [14].

For more information:1950477648nn@gmail.com