En busca de equipos diversos y conectados: un enfoque computacional para reunir equipos diversos basados en miembros, parte 7
Jan 25, 2024
Los resultados muestran que el algoritmo NSGA-II logró los valores de hipervolumen más grandes en 6 de 9 conjuntos de datos y el segundo valor más alto para los otros tres conjuntos de datos (Tabla 3). En otras palabras, NSGA-II encontró con frecuencia más combinaciones de equipos con mayores niveles de diversidad y menores costos de comunicación que los otros algoritmos.
La memoria juega un papel vital en nuestras vidas. Determina si podemos aprovechar al máximo el conocimiento y la experiencia existentes para resolver problemas y también afecta nuestro aprendizaje y desempeño laboral. Los conjuntos de datos existentes también han demostrado la relación entre la memoria y varios factores, lo que nos proporciona más conocimientos y posibilidades.
En primer lugar, diversos estudios demuestran que la buena salud es la piedra angular de una buena memoria. El ejercicio adecuado y una dieta equilibrada pueden mejorar la eficiencia del sistema nervioso y proteger el tejido nervioso. Las personas en buena forma física tienen una mejor salud cardiovascular y mental, condiciones que se han relacionado con una mejor memoria y función cognitiva.
En segundo lugar, también existe una estrecha conexión entre los estados emocionales y los estados cognitivos. Las investigaciones muestran que la ansiedad y el estrés excesivos pueden alterar la comunicación entre las neuronas del cerebro, provocando problemas como pérdida de memoria y dificultad para concentrarse. Ayuda a promover la mejora de la memoria a través de la gestión y regulación positiva de las emociones.
Además, nuestro entorno de vida y hábitos diarios también tendrán un impacto en el desarrollo y mantenimiento de la memoria. Por ejemplo, tomar notas, encontrar un método de aprendizaje que se adapte a sus necesidades, realizar una lluvia de ideas, moderar las actividades sociales y viajar es muy beneficioso para el desarrollo de la memoria; mientras que los malos hábitos de sueño y diversos métodos de entretenimiento afectarán gravemente el sistema nervioso y dañarán la memoria. Influencia.
En resumen, la memoria es una parte importante de nuestra vida eficiente, que determina nuestra capacidad de aprendizaje, capacidad de trabajo y calidad de vida. Mediante ejercicio físico y dieta adecuados, gestión emocional y ajustes en la vida diaria, podemos mejorar enormemente nuestra memoria y capacidades cognitivas, permitiéndonos vivir de manera más eficiente y feliz. Se puede ver que necesitamos mejorar la memoria, y Cistanche deserticola puede mejorar significativamente la memoria porque Cistanche deserticola es un material medicinal tradicional chino que tiene muchos efectos únicos, uno de los cuales es mejorar la memoria. La eficacia de la carne picada proviene de los diversos ingredientes activos que contiene, incluidos ácidos, polisacáridos, flavonoides, etc. Estos ingredientes pueden promover la salud del cerebro de varias maneras.
Haz clic en conocer suplementos para mejorar la memoria
Los altos valores de hipervolumen de NSGA-II pueden explicarse por su paso de distancia de apiñamiento, que ayudó al algoritmo a encontrar soluciones no dominadas ubicadas en los extremos del frente de Pareto.
Dado que PLS y HPSO no establecieron ningún criterio para evitar soluciones redundantes, sus soluciones dieron como resultado un conjunto de soluciones no dominadas concentradas en ciertas áreas. Por lo tanto, el conjunto de combinaciones de equipos proporcionadas por NSGA-II frecuentemente dominaba a las proporcionadas por los otros algoritmos.
La implementación de NSGA-II también obtuvo los valores más altos de relación de frente no dominado (UNFR) en 6 de 9 conjuntos de datos. En otras palabras, NSGA-II frecuentemente proporcionaba más combinaciones de equipos no dominados que los otros algoritmos no podían encontrar.
Una posible explicación para el segundo lugar de NSGA-II en los demás casos es la baja densidad en la red de colaboración. Los grupos con pocas conexiones previas entre individuos reducirán la cantidad de posibles combinaciones de equipos altamente conectados, lo que hará que la búsqueda heurística sea ineficaz.
Por el contrario, HPSO y PLS realizaron más operaciones de cruce y mutación que NSGA-II. La ejecución de estas operaciones varias veces permitió a HPSO y PLS examinar más combinaciones de equipos y aumentar la probabilidad de encontrar combinaciones de equipos específicas con puntuaciones de comunicación bajas.
HPSO logró los segundos valores más altos de hipervolumen y UNFR. Se benefició de las soluciones no dominadas en el medio del frente aproximado de Pareto, que obtuvieron altos niveles de diversidad.
Estas soluciones no dominantes superaron a otros algoritmos y aumentaron el área creada por su Frente de Pareto aproximado. SPEA-2 y PLS convergieron en unas pocas soluciones, cubriendo un área más pequeña que las soluciones NSGA-II y HPSO. En general, NSGA-II encontró más soluciones no dominadas en estos dos objetivos y proporcionó soluciones con una mayor variación en los valores de los costos de comunicación.
La gran variación tanto en la diversidad como en la familiaridad muestra que el algoritmo NSGA-II encontró más soluciones no dominadas que los otros algoritmos, lo cual es deseable para encontrar el verdadero frente de Pareto. El paso de distancia de aglomeración de NSGA-II permitió que el algoritmo mantuviera una gama más amplia de soluciones no dominadas. Además, el algoritmo mantuvo soluciones secundarias en capas indiferentes que podrían haber originado soluciones no dominadas en iteraciones posteriores.
A medida que el algoritmo continúa creando nuevas generaciones, aún se pueden considerar soluciones dominadas para encontrar otras soluciones potenciales. Además, la NSGA-II aún podría identificar soluciones no dominadas en medio del intercambio.
En contraste, la baja varianza de los otros algoritmos muestra que era probable que convergieran en un conjunto específico de soluciones no dominadas y en una compensación específica. Estos algoritmos no incluían operaciones para diversificar sus poblaciones actuales o eliminar soluciones redundantes no dominadas. Por lo tanto, estos algoritmos podrían carecer de diversas soluciones que residen en los extremos del frente de Pareto.
La figura 4 presenta el tiempo de ejecución de todos los algoritmos implementados. La figura 5 muestra cómo el tiempo de ejecución de los algoritmos es función del número de individuos disponibles. Los resultados muestran que la implementación de NSGA-II funciona mejor que PLS y HPSO a medida que aumenta el grupo de participantes.
PLS requirió más tiempo para explorar los vecindarios de soluciones hasta que se agotaran todas las combinaciones posibles. En el caso de HPSO, los dos cruces y un paso de mutación realizados para cada solución hicieron que la operación del algoritmo fuera tres veces más larga que NSGA-II ya que este último solo realiza un paso de cruce. Aunque HPSO tardó más que NSGA-II, ambos trabajaron en tiempo polinómico (O(n2)).
Nuestros resultados sugieren que NSGA-II requirió menos de un tercio del tiempo que tardaron PLS y HPSO para proporcionar resultados similares. Por lo tanto, se recomienda encarecidamente utilizar NSGA-II para encontrar soluciones de manera eficiente a medida que aumenta el tamaño de entrada. SPEA-2 no encontró mejores soluciones que PLS o NSGA-II, pero sus resultados convergieron más rápido que los métodos NSGA-II y PLS.
Por último, calculamos la frecuencia de contactos directos (1-saltos), contactos compartidos (2-saltos),3-saltos y más en los equipos reunidos para comprender las distancias entre los miembros del equipo ( Consulte la tabla S3 en el archivo S1).
Los resultados sugieren que la gran mayoría de los miembros estaban conectados con otros a través de un intermediario (�31%), seguido de los miembros que estaban conectados directamente (�30%). Estos números muestran que los equipos resultantes estaban altamente conectados en general, y los miembros conectados a través de muchos saltos no eran representativos.
Discusión
Formar equipos es una tarea desafiante, especialmente cuando el objetivo es lograr un equilibrio entre la diversidad y las preferencias de los compañeros de equipo de los miembros. Si bien el trabajo anterior se ha centrado en buscar el mejor equipo posible [37], la contribución de este artículo es buscar combinaciones de equipos equilibradas que distribuyan habilidades y conexiones de manera equitativa. Además, formar equipos que incluyan tanto diversidad en las contribuciones de sus miembros como relaciones previas entre ellos se convierte en el máximo desafío para garantizar su éxito [78, 79].
En este trabajo, consideramos el problema de crear equipos que sean a la vez diversos y altamente conectados utilizando un enfoque computacional. Implementamos este problema de formación de equipos utilizando un algoritmo genético que proporciona diferentes combinaciones de equipos según la diversidad de los equipos y los costos de comunicación.
Los resultados indican que se pueden formar equipos diversos y altamente conectados de manera eficiente y rápida mediante este enfoque genético. En las siguientes subsecciones, detallamos las implicaciones de este trabajo y sus posibles aplicaciones.
Este trabajo muestra los beneficios de utilizar enfoques computacionales para reunir múltiples equipos que distribuyan las habilidades de los miembros entre diferentes grupos y consideren sus relaciones previas. El trabajo previo se centra principalmente en encontrar el mejor equipo posible a partir de un grupo social (por ejemplo, equipo de expertos, equipo de estrellas) [36, 57, 58].
Sin embargo, la búsqueda de múltiples equipos también es relevante en situaciones organizativas y de aprendizaje, como la formación de equipos de estudiantes, la formación de equipos operativos dentro de unidades de negocios o la realización de investigaciones científicas.
Debido al fuerte énfasis en formar equipos de alto rendimiento, los algoritmos que reúnen a los mejores miembros pueden crear una mayor segregación dentro de estos grupos sociales a expensas de otros menos calificados [80]. La concentración de habilidades y experiencia en un pequeño número de equipos dificulta el surgimiento de otros equipos que tengan oportunidades y conexiones sociales similares.
Como lo demuestra este artículo, la infraestructura computacional avanzada y el uso de big data brindan nuevas oportunidades para reimaginar varias combinaciones de equipos que los individuos no podrían explorar de manera sistemática y sencilla [37, 44]. En lugar de crear equipos utilizando estrategias manuales o intuición, los creadores de equipos pueden usar algoritmos para adaptar diferentes combinaciones de equipos que optimicen la diversidad y la familiaridad simultáneamente.
Por lo tanto, implementaciones como la presentada en este documento permiten a los creadores de equipos crear equipos heterogéneos y diversos sin sacrificar la familiaridad entre los miembros del equipo, lo cual es esencial para colaboraciones exitosas [81].
For more information:1950477648nn@gmail.com
