Tìm kiếm các nhóm đa dạng và được kết nối: Phương pháp tính toán để tập hợp các nhóm đa dạng dựa trên các thành viên Phần 3

Số lượng hàm mục tiêu

Chiều thứ ba là số lượng mục tiêu được tối ưu hóa bằng thuật toán thành lập nhóm. Một số ví dụ là giảm thiểu chi phí liên lạc của các nhóm, giảm thiểu chi phí nhân sự của các nhóm và tối đa hóa số lượng kỹ năng hiện có trong mỗi nhóm.

Mối quan hệ giữa thuật toán thành lập nhóm và trí nhớ được liên kết chặt chẽ. Nhóm là một nhóm người, mỗi người có ý tưởng và khả năng của mình, nhưng giá trị lớn hơn chỉ có thể đạt được khi mọi người làm việc cùng nhau.

Cốt lõi của thuật toán hình thành nhóm là làm thế nào để những người khác nhau làm việc cùng nhau hài hòa hơn. Trong quá trình này, mọi người cần sử dụng điểm mạnh của mình theo vai trò, nhiệm vụ của mình, đồng thời cần giao tiếp và phối hợp hiệu quả với các thành viên khác trong nhóm.

Trí nhớ đóng vai trò quan trọng trong quá trình này. Trong một nhóm, cần phải liên tục ghi lại nhiệm vụ và đóng góp của từng thành viên cũng như tiến độ và các vấn đề của nhóm. Chỉ bằng cách này, sự giao tiếp và cộng tác hiệu quả mới có thể được hình thành trong nhóm và nó cũng có thể giúp các thành viên trong nhóm hiểu rõ hơn về trách nhiệm và vai trò của họ.

Hơn nữa, thuật toán thành lập nhóm và trí nhớ cũng có thể củng cố lẫn nhau. Các thuật toán thành lập nhóm có thể giúp mọi người hiểu rõ hơn về cách làm việc cùng nhau và việc phát triển những ký ức mạnh mẽ hơn trong quá trình này cũng sẽ cho phép mọi người ghi lại và hiểu rõ hơn các thông tin khác nhau về nhóm.

Vì vậy, chúng ta nên nhận ra tầm quan trọng của thuật toán hình thành đội và trí nhớ đối với một đội. Chỉ thông qua giao tiếp và cộng tác liên tục, cũng như ghi lại và sắp xếp thông tin, nhóm mới có thể hoạt động hiệu quả hơn và phát huy giá trị lớn hơn. Có thể thấy rằng chúng ta cần cải thiện trí nhớ và Cistanche Deserticola có thể cải thiện đáng kể trí nhớ, bởi vì Cistanche Deserticola cũng có thể điều chỉnh sự cân bằng của các chất dẫn truyền thần kinh, chẳng hạn như tăng mức độ acetylcholine và các yếu tố tăng trưởng. Những chất này rất quan trọng cho trí nhớ và học tập. Ngoài ra, Thịt còn có thể cải thiện lưu lượng máu và thúc đẩy quá trình cung cấp oxy, có thể đảm bảo não nhận đủ chất dinh dưỡng và năng lượng, từ đó cải thiện sức sống và sức bền của não.

Bấm Biết để cải thiện trí nhớ ngắn hạn

Hầu hết các thuật toán xác định vấn đề thành lập nhóm với một mục tiêu duy nhất có hạn chế [59].

Các ví dụ được đề cập trước đây tuân theo thiết kế hàm mục tiêu đơn này. Một điều đáng tiếc là các mục tiêu có lợi khác cho việc thành lập nhóm không thể được coi là phù hợp.được thực hiện đồng thời trong quá trình tối ưu hóa (ví dụ: giảm thiểu chi phí liên lạc đồng thời tối đa hóa các kỹ năng của nhóm).

Các nghiên cứu trước đây đã đưa ra nhiều hơn một hàm mục tiêu cho vấn đề hình thành nhóm. Một ví dụ là Kargar et al. [60], trình bày thuật toán "Đóng góp chi phí tối thiểu" (MCC). Mục tiêu của nó là tìm kiếm đồng thời nhóm có chi phí liên lạc thấp nhất và chi phí nhân sự thấp nhất.

Hàm mục tiêu của MMC là sự kết hợp tuyến tính của cả hai hàm chi phí với tham số λ biểu thị sự cân bằng giữa chi phí liên lạc và chi phí cá nhân. Thuật toán này thực hiện phương pháp heuristic để thêm dần dần các thành viên mới vào nhóm và xem xét chi phí của việc thêm thành viên mới liên quan đến chi phí hiện tại của nhóm đã tập hợp.

Bất chấp những lợi ích của các công thức kết hợp tuyến tính này, cách tiếp cận này có hai hạn chế: nó chỉ cung cấp một giải pháp nhóm duy nhất và biến số đánh đổi của nó cho các hàm chi phí phải được đặt trước. Vì vậy, việc tìm kiếm các giải pháp phù hợp khác bằng cách sử dụng các phương pháp này phụ thuộc vào việc điều chỉnh biến đánh đổi, điều này có thể gây thêm sai lệch cho quá trình tìm kiếm [61].

Những đóng góp thuật toán gần đây đã xây dựng bài toán hình thành nhóm như một bài toán tối ưu hóa đa mục tiêu để tối ưu hóa đồng thời hai hoặc nhiều hàm mục tiêu [62, 63].

Những vấn đề này liên quan đến sự đánh đổi giữa hai hoặc nhiều mục tiêu vì việc cải thiện giải pháp cho một mục tiêu chỉ có thể thực hiện được bằng cách nhượng bộ một mục tiêu khác. Do đó, các bài toán tối ưu hóa đa mục tiêu không cung cấp một giải pháp duy nhất mà thu được nhiều giải pháp xem xét các mức độ phù hợp khác nhau cho nhiều mục tiêu.

Trong khi trong các bài toán tối ưu hóa một mục tiêu, tính ưu việt của một giải pháp này so với các giải pháp khác được xác định bởi hàm mục tiêu thì trong các bài toán tối ưu hóa đa mục tiêu, nó được xác định bởi sự vượt trội. Quá trình tối ưu hóa tìm kiếm các giải pháp tốt hơn các giải pháp khác trong tất cả các hàm mục tiêu.

Kết quả là, vấn đề đưa ra một tập hợp các giải pháp "không bị chi phối", bao gồm các giải pháp có thể được cải thiện mà không gây tổn hại đồng thời đến ít nhất một trong các mục tiêu khác. Tối ưu hóa đa mục tiêu còn được gọi là tối ưu hóa Pareto.

Hình 1 cho thấy một ví dụ về mặt trận Pareto hiển thị các giải pháp không bị chi phối khác nhau giữa hai mục tiêu. Việc tính toán mặt trận Pareto này cho phép những người ra quyết định so sánh và kiểm tra sự cân bằng khác nhau giữa cả hai chiều.

Dựa trên cách tiếp cận này, việc triển khai thuật toán đa mục tiêu cung cấp một tập hợp các giải pháp nhóm xem xét các đánh giá khác nhau về các hàm mục tiêu [54, 64]. Zhang và việc thực hiện của Zhang [64] lựa chọn những thành viên có năng lực cao nhất cho nhiệm vụ và có mối quan hệ giữa các cá nhân tốt nhất để tập hợp một đội tốt nhất. Nghiên cứu này sử dụng cách triển khai tối ưu hóa hạt ấm để xác định xem một thành viên có phải là thành viên của nhóm tốt nhất hay không.

Các giải pháp di chuyển trong không gian hai chiều liên tục và thuật toán áp dụng hàm asigmoid để nhị phân hóa sự hiện diện của các thành viên. Perez-Toledano và cộng sự. [63] đã phát triển thuật toán di truyền để tìm các đội bóng rổ cạnh tranh xem xét đồng thời chi phí và định giá của từng cầu thủ.

Mỗi giải pháp bao gồm một nhóm từ một nhóm người chơi có sẵn và mặt trước Pareto cuối cùng của nó hiển thị các đội khác nhau xem xét sự cân bằng giữa định giá và chi phí của người chơi. Dựa trên những công thức này, người xây dựng nhóm có thể xem và so sánh các nhóm khác và chọn mục tiêu họ sẽ ưu tiên khi chọn nhóm.

Xây dựng vấn đề

Sau khi xem xét các vấn đề liên quan đến việc thành lập nhóm và các thuật toán tương ứng của chúng, chúng tôi mong muốn triển khai vấn đề cụ thể này nhằm tối đa hóa sự đa dạng của các nhóm và sự quen thuộc của các nhóm cùng một lúc.

Vấn đề này phù hợp với công thức tối ưu hóa đa mục tiêu vì việc tối đa hóa sự quen thuộc của các nhóm có thể dẫn đến việc hình thành các nhóm với các thành viên tương tự nhau [65].

Mặc dù chúng ta có thể triển khai bài toán này như một bài toán tối ưu hóa một mục tiêu, nhưng chúng ta sẽ phải ưu tiên một trong những mục tiêu đó và tránh sự đánh đổi giữa các giải pháp. Hơn nữa, các công thức trước đây của việc thành lập nhóm đã tìm kiếm đội tốt nhất trong số nhiều mục tiêu hoặc sự kết hợp nhóm dựa trên một mục tiêu duy nhất.
Chúng tôi đề xuất một vấn đề tối ưu hóa đa mục tiêu nhằm phân công tất cả các cá nhân có sẵn vào các nhóm, dẫn đến một số kết hợp nhóm xem xét các điểm nhấn liên quan khác nhau về tính đa dạng và sự quen thuộc. Công việc này không phù hợp với các nghiên cứu trước đây về việc thành lập nhóm và cung cấp một cách tiếp cận mới cho tài liệu về thành lập nhóm.

Nguyên liệu và phương pháp

Trong phần này, chúng tôi giới thiệu bài toán đa mục tiêu và các định nghĩa mà chúng tôi sẽ sử dụng trong suốt bài viết này. Ký hiệu của chúng tôi cũng được tóm tắt trong Bảng 1. Chúng tôi cũng mô tả cách triển khai NSGA-II cho bài toán đa mục tiêu này và các thành phần của nó. Sau đó, chúng tôi mô tả các tập dữ liệu và thuật toán chuẩn mà chúng tôi đã sử dụng để đánh giá vấn đề thành lập nhóm. Cuối cùng, chúng tôi giải thích các số liệu định lượng để so sánh kết quả của các thuật toán.

Các định nghĩa

Thành viên, thuộc tính, mạng và nhóm. Chúng ta xem xét một tập hợp những người tham gia P={p1,p2, . . ., pn} với tập thuộc tính phân loại C={c1, c2, . . ., cm} và tập các thuộc tính số U={u1, u2, . . ., ul}.

Thuộc tính của những cá nhân này có thang đo khác nhau và thể hiện thông tin về mỗi người (ví dụ: tuổi, giới tính, chủng tộc, kỹ năng). Tùy thuộc vào thông tin cá nhân có sẵn, các đội có thể có một số thuộc tính mô tả chất lượng và thành phần của họ. Mỗi người đều có một giá trị trong mỗi thuộc tính này. Chúng ta ký hiệu ci(pj) để thu được giá trị của thuộc tính phân loại ci cho người j.

Tương tự, chúng ta sử dụng ui(pj) để lấy giá trị của thuộc tính số ui cho người j. Người j có thể được biểu diễn dưới dạng vectơ của các thuộc tính phân loại và số này. Vì vậy, chúng ta có các thuộc tính của pj là (c1(pj), . . ., cm(pj),u1(pj), . . ., ul(pj)).

Mọi người được kết nối trong mạng xã hội được mô hình hóa dưới dạng đồ thị vô hướng và không có trọng số G. Chúng tôi xác định G=(P, E), trong đó E đại diện cho các cạnh của đồ thị. Mỗi nút inG đại diện cho một người từ P. Chúng tôi sử dụng người và nút thay thế cho nhau trong suốt bài viết này. Hai người được kết nối bằng một lợi thế nếu họ đã từng cộng tác trong quá khứ. Nói cách khác, nếu cá nhân i và j đã làm việc cùng nhau thì Gi,j=1. Ngược lại, Gi,j=0.

Với danh sách những người tham gia P được kết nối trong mạng G, mục tiêu là tìm một tập hợp các nhóm T={t1, t2, t3, . . ., tq}, trong đó tất cả các thành viên của P tập hợp q đội và chỉ thuộc về một đội. Vấn đề kép về tối ưu hóa có thể được hình thành dưới dạng giảm thiểu chi phí liên lạc giữa các thành viên trong nhóm và tối đa hóa mức độ đa dạng của các nhóm. Bây giờ chúng ta đưa ra những khái niệm này và mô tả từng hàm mục tiêu.

Chi phí truyền thông. Lappas và cộng sự. [57] tập trung vào tầm quan trọng của sự hợp tác và sự quen thuộc giữa các chuyên gia bằng cách xem xét chi phí hợp tác của họ. Theo mô hình này, các chuyên gia đã từng cộng tác trước đây có nhiều khả năng trao đổi thông tin và ý tưởng hiệu quả hơn các chuyên gia chưa từng hợp tác trước đó.

Dựa trên sự hợp tác trước đây của các chuyên gia, mô hình này tính toán chi phí liên lạc giữa các thành viên trong nhóm để ước tính mức độ hợp tác và quen thuộc của họ. Mục tiêu của việc tối ưu hóa chi phí giao tiếp là hình thành các nhóm có mức độ quen thuộc cao. Một nghiên cứu tài liệu cho thấy rằng chi phí liên lạc là một thước đo được sử dụng nhiều cho sự hợp tác và quen thuộc giữa các nhà nghiên cứu [66].

Trong bối cảnh của chúng tôi, chúng tôi sử dụng chi phí liên lạc làm thước đo cho sự quen thuộc của các nhóm. Kargar và An[31] nhận thấy tổng khoảng cách giữa các thành viên trong nhóm là thước đo hợp lý cho chi phí liên lạc vì nó ổn định hơn trước những thay đổi trong mạng so với các thước đo tiềm năng khác.

Các lựa chọn thay thế khác cho chi phí truyền thông là đường kính của mạng xã hội (tức là đường dẫn ngắn nhất lớn nhất giữa hai nút bất kỳ trong mạng) và cây bao trùm tối thiểu (tức là tổng trọng số tối thiểu của các cạnh của mạng) [57].

Chúng tôi cũng đã triển khai bài toán này bằng cách sử dụng hai định nghĩa này và kết quả của chúng tương tự với kết quả thu được khi sử dụng tổng khoảng cách. Kết quả triển khai đường kính có sẵn trong Hình S1 và Bảng S1 trong Tệp S1 và kết quả triển khai cây bao trùm tối thiểu có sẵn trong Hình S2 và Bảng S2 trong Tệp S1.

Chúng tôi xác định chi phí liên lạc giữa hai cá nhân pi và pj, ký hiệu là d(pi, pj), là độ dài đường đi ngắn nhất khi đi qua các cạnh của biểu đồ G từ nút này sang nút khác. Nếu Pi và PJ đã cộng tác trong quá khứ, họ đang ở khoảng cách một bước nhảy.

Nếu Pi và PJ chưa hợp tác nhưng có chung một cộng tác viên trước đó thì cách nhau hai cửa hàng. Việc có những cộng tác viên chung trong quá khứ trong một nhóm có thể thúc đẩy sự quen thuộc dựa trên "sự kết thúc ba bên" [67].

Cơ chế này cho thấy các nút có nhiều khả năng thiết lập kết nối mới hơn khi chúng có chung một kết nối. Ba bước nhảy và 4-bước nhảy có thể tuân theo các nguyên tắc giống nhau dựa trên "cơ chế cân bằng" [67].

Các cá nhân sẽ có xu hướng tạo ra những kết nối mới với các cộng tác viên của họ để tìm kiếm sự nhất quán trong nhóm của họ. Do đó, việc sử dụng tổng khoảng cách trong hàm mục tiêu của chúng tôi nhằm mục đích tìm kiếm các nhóm tối đa hóa số lượng cộng tác trực tiếp (tức là một bước nhảy), kết nối chung (hai bước nhảy) và kết nối chặt chẽ (ba bước nhảy trở lên) .

Giá trị chi phí liên lạc thấp nhất là khi tất cả các thành viên trong nhóm đã cộng tác (tức là họ được kết nối trực tiếp) và cao nhất là khi các thành viên trong nhóm hoàn toàn không được kết nối. Trong cách triển khai này, nếu không có đường dẫn nào giữa pi và pj trong G, chúng tôi đặt chi phí liên lạc giữa chúng là đường kính của mạng xã hội.
Chúng tôi xác định chi phí liên lạc của nhóm t là tổng chiều dài đường đi ngắn nhất giữa các thành viên, vì nó ổn định hơn trước những thay đổi trong mạng so với các biện pháp tiềm năng khác. Chúng tôi biểu thị bằng Cc(t) chi phí liên lạc của nhóm t, có k thành viên. Vì vậy, chúng tôi xác định chi phí liên lạc của nhóm là:

Cct ¼ Xki;j2t;i6¼jdðpi; pjÞ ð1Þ

Mục tiêu là giảm thiểu tổng trung bình của độ dài đường đi ngắn nhất trên tất cả các nhóm được tập hợp trong mạng của các cá nhân. Tính tổng chi phí liên lạc của một tập hợp các đội chạy trong thời gian O(n2).

Điểm số đa dạng của đội. Mục tiêu thứ hai là tạo ra các nhóm đa dạng với nền tảng, đặc điểm và kỹ năng đa dạng. Sự đa dạng mô tả sự phân bổ sự khác biệt giữa các thành viên của một đơn vị liên quan đến một thuộc tính chung [30].

Harrison và Klein [30] đã trình bày một khuôn khổ gợi ý rằng sự đa dạng được khái niệm hóa tốt nhất theo ba cách: sự tách biệt, sự đa dạng và sự khác biệt. Sự tách biệt đề cập đến sự khác biệt giữa các thành viên trong nhóm ở vị trí bên của họ trong một phạm vi liên tục (ví dụ: giá trị, thái độ, niềm tin). Sự đa dạng đề cập đến sự khác biệt về mặt phân loại giữa các thành viên trong nhóm trong đó số lượng các hạng mục được đại diện góp phần tạo nên sự đa dạng cho đội (ví dụ: giới tính, nghề nghiệp, chủng tộc).

Cuối cùng, sự chênh lệch thể hiện sự khác biệt về mức độ tập trung của tài sản có giá trị hoặc nguồn lực mong muốn (ví dụ: chuyên môn, trình độ học vấn, nhiệm kỳ). Các số liệu này cho phép các nhà nghiên cứu vận hành sự đa dạng về chức năng và nhân khẩu học song song và theo các khái niệm lý thuyết của họ [14].

For more information:1950477648nn@gmail.com