Hledání různorodých a propojených týmů: Počítačový přístup k sestavení různorodých týmů na základě členů, část 4

V této implementaci používáme různé metriky k hodnocení diverzity týmů poskytované kategorickými proměnnými C a metriky disparity k hodnocení diverzity týmů poskytované numerickými proměnnými U. K měření varietních metrik každého týmu pomocí kategoriálních atributů C jeho členů používáme Blauův index (Bt; ci) [30].

Ve svém životě se často setkáváme s různými lidmi a věcmi. Rozmanitost těchto lidí a věcí přesahuje hranice rasy, kultury a kognitivního spektra. Nedávný výzkum zjistil pozitivní vztah mezi indikátory diverzity a pamětí.

Indikátory diverzity zahrnují etnickou, kulturní a kognitivní diverzitu. Vzhledem k rasové rozmanitosti stimuluje vystavení různým rasám myšlení a paměť lidí, protože lidé musí zůstat citliví k různým jazykům a kulturám a musí se jim přizpůsobit. Kulturní rozmanitost znamená, že lidé mohou být vystaveni různým kulturám, přesvědčením a hodnotám. Tyto zkušenosti mohou lidi učinit flexibilnějšími, přizpůsobivějšími a kreativnějšími. Rozmanitost v kognitivním rozsahu může zahrnovat různé disciplíny, kariéry a zkušenosti, které zvyšují naše znalosti a porozumění věcem.

V minulosti se mělo za to, že kognitivních výhod lze dosáhnout pouze prostřednictvím jediného kulturního pozadí. Nyní však rostoucí množství výzkumů ukazuje, že indikátory diverzity mohou zlepšit kognitivní schopnosti a paměť člověka. Vědci se domnívají, že je to proto, že indikátory diverzity nám pomáhají budovat složitější vzpomínky a také nám pomáhají porozumět a zapamatovat si různé vizuální, sluchové a verbální prvky.

V některých studiích vědci zjistili, že bilingvní lidé dosahují lepších výsledků v mnoha kognitivních úkolech. Když lidé mluví více jazyky, porovnávají a porovnávají výslovnost, slovní zásobu a gramatiku mezi různými jazyky. Toto zpracování napříč jazyky posiluje neuronové sítě mozku a zlepšuje kognitivní schopnosti.

Můžeme tedy konstatovat, že indikátory diverzity mohou zlepšit kognitivní schopnosti a paměť, což může být přínosem i pro náš profesní a osobní život. Měli bychom se povzbudit k tomu, abychom byli vystaveni širšímu spektru kultury a poznání, a otevřít své znalosti a porozumění novým věcem, abychom si pomohli dosáhnout lepších výsledků v budoucím rozvoji. Je vidět, že potřebujeme zlepšit paměť. Cistanche deserticola může výrazně zlepšit paměť, protože Cistanche deserticola je tradiční čínský léčivý materiál s mnoha unikátními účinky, z nichž jedním je zlepšení paměti. Účinnost mletého masa vychází z různých účinných látek, které obsahuje, včetně kyselin, polysacharidů, flavonoidů atd. Tyto složky mohou různými způsoby podporovat zdraví mozku.

Klikněte na vědět doplňky pro zlepšení paměti

Tento index kvantifikuje pravděpodobnost, že dva členové týmu náhodně vybraní z týmu budou v různých kategoriích. Nízké skóre znamená, že členové spadají do stejné kategorie, zatímco vysoké skóre znamená, že členové spadají do různých kategorií.

Pci jas označujeme podíl členů, kteří spadají do konkrétní kategorie j v kategorickém atributu ci. Vzhledem k tomu, že počet kategorií v ci je oci, kde j ¼ 1; :::; oci, vzorec BlauIndex pro tým t je:

Bt;ci ¼ 1 Xocijpci2j ð2

K měření disparitních metrik každého týmu pomocí číselných proměnných U jeho členů používáme variační koeficient (CVt;ui) [30], který je definován jako poměr směrodatné odchylky ke střední hodnotě atributu i, ui 2 U.

Nízký koeficient variace znamená, že všichni členové týmu mají podobnou úroveň atributu, zatímco vysoké skóre znamená, že všichni členové týmu mají různé úrovně atributu. Pro tým t se členy j=1, 2, . . ., k, a s u�i jako týmovou střední hodnotou atributu i, vzorec je následující:

CVt;ui ¼ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiXkj2tðuiðpjÞ u�iÞ2=kvuut =u�i ð

Tato dvě měření týmové diverzity jsou užitečná, protože se nemění, když jsou vstupní data lineárně škálována, a obě mají tendenci zůstat kolem stejných hodnot. Vzhledem k tomu, že problém formace týmu bere v úvahu C kategorické proměnné a U numerické proměnné, mohou být míry diverzity váženy tak, aby upřednostňovaly rozdíly v rámci konkrétní proměnné.

Vektor vah W má |C| + |U| prvky, kde W ¼ ðwu1; :::;wcm ;wc1;wc2; :::; wclÞ. Na základě těchto opatření agregujeme diverzitu pro různé atributy do jediné hodnoty. Týmové skóre diverzity V týmu t definujeme jako vážený součet Blauových indexů pro všechny C kategoriální proměnné a variační koeficient pro všechny U numerické proměnné. Vzorec je:

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

Vícecílové vyjádření problému. Úlohu formulujeme jako vícecílový problém najít množinu r týmových řešení P ¼ fT1; T2; T3; :::; Trg, kde každé T představuje potenciální řešení s q týmy.

Rozložení funkce hodnocení na oba cíle – minimalizace nákladů na komunikaci a maximalizace skóre diverzity týmu – nám umožňuje najít více řešení, kterých nelze dosáhnout pomocí jednocílového přístupu. V důsledku toho očekáváme, že nenajdeme jednoznačné řešení T, ale množinu řešení P, pro které neexistuje jiné proveditelné řešení lepší v obou objektivních funkcích.

Tato sada řešení P je také známá jako Pareto front, kde (a) neexistuje žádná jiná sada řešení T0 s rozmanitějšími a propojenějšími týmy a (b) každé řešení Ti; i 2 P není lepší než všechna ostatní řešení v P, pokud jde o cíle týkající se diverzity i nákladů na komunikaci. Díky této sadě týmových řešení P je možné posoudit každé z nich individuálně, takže tvůrce týmu může vybrat nejvhodnější týmy, které lze sestavit pro daný kontext a okolnosti.

Stručně řečeno, problémem sestavení týmu, který se zabývá tento článek, je najít Paretova fronta P týmových řešení, kde každé řešení T se skládá z q týmů (T={t1, t2, t3, . . ., tq} ). Duálním cílem je maximalizace rozmanitosti týmů na základě kategorických atributů C a numerických atributů U a minimalizace nákladů na komunikaci na základě G. Tyto problémy můžeme modelovat jako:

Protože se ukázalo, že nalezení týmů z grafu G při minimalizaci součtu délek nejkratších cest a problémů s alokací týmů je NP-těžký problém [57, 68], je tento multi-objektivní problém také NP-těžký problém.

Implementace NSGA-II

Tvary Paretových čel poskytují užitečné informace o stupni kompromisu mezi různými cíli a o tom, jak velký kompromis je potřeba od některých kritérií ke zlepšení jiných.

Určení přesné Pareto fronty pro multi-objektivní kombinatorické optimalizační problémy je obtížné, protože je nutné vypočítat všechny možné kombinace, abychom našli pravou Paretofrontu [63]. Z tohoto důvodu je cílem najít aproximaci skutečného Paretova frontu pomocí heuristických algoritmů. Kritickým předpokladem pro tyto algoritmy je, že Pareto front je dostatečně obsazen.

Kvalita této aproximace závisí na (1) blízkosti bodů na aproximované frontě k bodům na skutečné Paretově frontě; a (2) rozmanitost řešení na přibližné frontě, kde větší rozmanitost je obvykle lepší. I když je skutečná Paretova fronta neznámá, řešení, která dominují ostatním, jsou blízká teoretické pravé Paretově frontě. Rozmanitost řešení proto poskytne širší rozsah a zrnitost přední strany Pareto.

Genetické algoritmy (GA) se běžně používají k nalezení aproximací Paretových front [69]. Napodobováním evoluce v přírodě tato metoda optimalizuje populaci počátečních řešení na lepší řešení prostřednictvím přirozeného výběru. Každé řešení je charakterizováno jako chromozom (tj. vektor atributů), který může být mutován a měněn v každé iteraci. Nejlepší řešení přetrvají poté, co časem zmutují. Genetické algoritmy jsou ideální pro hledání řešení problémů optimalizace ve velkých a vysoce nelineárních prostorech [70].

Genetický algoritmus vychází z populace náhodně generovaných řešení, která se iterativním procesem vyvíjejí v nová řešení. Populace vytvořená v každé iteraci je také známá jako generace. V každé generaci algoritmus vyhodnocuje chromozom každé populace podle objektivní funkce ve vyřešeném optimalizačním problému.

Chromozomy s nejvyšším skóre jsou vybrány z aktuální generace a použity k vytvoření nové generace. Tento proces pokračuje, dokud není dosaženo maximálního počtu iterací nebo prahové funkce definované pro řešení.

Implementovali jsme genetický algoritmus nazvaný Non-dominated Sorting Genetic Algorithm-II (NSGA-II) formulovaný Deb et al. [71]. NSGA-II umožňuje najít aproximaci Paretova frontu, má různá týmová řešení P, která se liší podle komunikačních nákladů a specifikovaného skóre diverzity. Přístup NSGA-II je založen na třídění populací do hierarchie dílčích populací pomocí Paretových kritérií dominance.

Poté se podle uvedené hierarchie vyberou chromozomy pro další iteraci. Tento elitářský výběr zaručuje, že v populaci zůstanou potenciálně dobré chromozomy a kvalita získaného řešení neklesá od jedné iterace k další. Řešení jsou také uspořádána podle podobnosti mezi jejich chromozomy, odstranění nadbytečných, aby se podpořila rozmanitost v Paretově frontě.

Výsledkem je, že NSGA-II může po několika iteracích konvergovat k vysoce výkonnému Paretofrontu. Předchozí práce ukázaly, že NSGA-II poskytuje řešení s vysokou úrovní účinnosti běžící v O(n2).

V této implementaci každá populace P obsahuje r týmových řešení P ¼ fT1; T2; :::; Trg a každý chromozom představuje potenciální sadu q týmů Ti={t1, t2, . . ., tq}. V tomto dokumentu používáme zaměnitelně výrazy „chromozom“ a „týmové řešení“.

Chromozom charakterizujeme jako vektor jedinců rozdělených do q částí, abychom získali týmy (obr. 2). V důsledku toho se délka každého chromozomu rovná počtu lidí n, což představuje q týmů velikosti k (q�k=n). Tento algoritmus jsme přizpůsobili našemu specifickému problému s vytvářením různých týmů a tyto kroky nastíníme v Algoritmu 1.

Inicializace. Algoritmus začíná inicializací populace chromozomů P a náhodně sestavenými týmy. Jeho vstupními parametry jsou celkový počet chromozomů r pro zahrnutí do populace P, seznam lidí P, počet týmů q, které mají být vytvořeny, a počet iterací k provedení g.

Chromozomy jsou uloženy jako dvourozměrná pole tvaru (q,k), kde q je počet týmů, které lze sestavit, a k je počet členů v týmu. Každý chromozom je potenciálním řešením problému s tvorbou různorodého týmu a cílem je najít sadu chromozomů s vysokou úrovní diverzity a nízkými komunikačními náklady.

Po vytvoření počáteční populace algoritmus vytvoří potomstvo a iterativně hledá Paretovy fronty, dokud není dosaženo maximálního počtu generací g.

Křížový krok.

V každé generaci algoritmus vezme dva náhodné chromozomy (p1 a p2) z existující populace P a náhodně vybere q týmy z tohoto spojení. V důsledku toho bude mít algoritmus dětský chromozom s q týmy. Protože dětské týmy jsou náhodně vybírány ze dvou různých chromozomů, jednotlivci mohou být vybráni dvakrát, pocházející z p1 a p2.

Algoritmus nahrazuje opakované jednotlivce jinými, kteří nebyli přiřazeni k týmu. Zkoumá každého člena chromozomu dítěte a počítá, kolikrát je jednotlivec součástí týmu. Pokud je jednotlivec započítán více než jednou, je tento jedinec náhodně nahrazen chybějícím členem. Na konci tohoto revizního procesu bude mít algoritmus dětský chromozom se všemi členy P přiřazenými do jednoho týmu.

Tyto náhodné vzorky poskytují dostatečnou mutaci pro algoritmus k zavedení diverzity do populace bez přidání dalšího mutačního kroku. Navrhujeme metodu křížení v Algoritmu 2.

For more information:1950477648nn@gamil.com