Mencari Pasukan Pelbagai Dan Berhubung: Pendekatan Pengiraan Untuk Mengumpul Pasukan Pelbagai Berdasarkan Ahli Bahagian 2

Sumbangan utama kertas kerja ini ialah perumusan masalah pembentukan pasukan dengan mengambil kira tahap kepelbagaian pasukan dan kebiasaan ahli secara serentak.

Kebiasaan dan ingatan ahli berkait rapat. Di tempat kerja, terutamanya dalam pasukan, kebiasaan antara ahli secara langsung menentukan kecekapan dan kualiti kerja pasukan.

Tahap kebiasaan antara ahli secara langsung mempengaruhi pemahaman tersirat dan kerjasama pasukan. Jika anda sudah biasa antara satu sama lain, anda boleh meninggalkan banyak perkataan yang sukar untuk diungkapkan dan masuk ke dalam kerja secara langsung, meningkatkan kecekapan kerja. Jika ahli tidak mengenali antara satu sama lain, biasanya ia mengambil masa yang lebih lama untuk berkomunikasi, dan konflik serta perselisihan faham yang tidak perlu mungkin timbul disebabkan oleh salah faham kecil.

Selain itu, keakraban antara ahli juga secara langsung mempengaruhi daya ingatan. Penyelidikan menunjukkan bahawa orang lebih berkemungkinan mengingati orang dan benda yang dikenali kerana maklumat itu lebih berkemungkinan menarik minat dan perhatian kita. Dalam kerja berpasukan, jika ahli mengenali antara satu sama lain, lebih mudah untuk mengingati kehendak dan keperluan masing-masing dan mengelakkan kesilapan ingatan yang menghalang kemajuan kerja.

Oleh itu, ahli pasukan harus cuba meningkatkan keakraban antara satu sama lain dan meningkatkan persefahaman dan komunikasi bersama melalui pelbagai peluang. Hubungan yang lebih erat boleh diwujudkan melalui hobi, komunikasi dan kerjasama yang sama, dengan itu meningkatkan kerjasama pasukan dan kecekapan kerja serta menjadikan kerja lebih berkesan. Ia dapat dilihat bahawa kita perlu meningkatkan daya ingatan, dan Cistanche deserticola boleh meningkatkan daya ingatan dengan ketara kerana Cistanche deserticola adalah bahan perubatan tradisional Cina yang mempunyai banyak kesan unik, salah satunya adalah untuk meningkatkan daya ingatan. Keberkesanan daging cincang berasal dari pelbagai bahan aktif yang terkandung di dalamnya, termasuk asid, polisakarida, flavonoid, dll. Bahan-bahan ini boleh menggalakkan kesihatan otak dalam pelbagai cara.

Klik tahu 10 cara untuk meningkatkan ingatan

Walaupun kebanyakan kajian dalam algoritma pembentukan pasukan telah menganggap kemahiran ahli atau kos peribadi sebagai fungsi objektif pembentukan pasukan [36], kami merumuskan masalah pengoptimuman ini berdasarkan operasi kepelbagaian yang berbeza (iaitu, perbezaan dan kepelbagaian sifat). Sumbangan kedua kerja ini ialah reka bentuk algoritma untuk masalah pembentukan pasukan ini yang memperuntukkan semua individu yang tersedia kepada pasukan.

Masalah pembentukan pasukan sebelum ini tertumpu terutamanya pada mencari pasukan terbaik dari kumpulan dan menolak individu yang tinggal [36, 37]. Kerja ini juga memberikan implikasi teori untuk penyelidikan pasukan.

Khususnya, penggunaan mekanisme pengiraan untuk menyokong proses pembentukan pasukan [38–40]. Implikasi praktikal kajian ini menyumbang kepada beberapa komuniti yang dilaburkan dalam meningkatkan kepelbagaian pasukan.

Memandangkan pembina pasukan tidak dapat menyelesaikan masalah ini dengan cepat dengan menyemak secara manual setiap gabungan pasukan, algoritma boleh mengautomasikan tugas ini dengan mengumpulkan ahli yang mempunyai hubungan sosial sedia ada sementara, pada masa yang sama, dari latar belakang, ciri dan tahap kepakaran yang berbeza [41, 42].

Memperluaskan penggunaan algoritma ini kepada khalayak yang lebih luas boleh memberikan faedah baharu untuk kumpulan yang berusaha untuk menerima kepelbagaian dan mengekalkan tahap kebiasaan yang tinggi.

Artikel ini ialah versi lanjutan dan disemak bagi prosiding persidangan awal yang dibentangkan dalam Rangkaian Kompleks 2020 [43].

Berbanding dengan artikel persidangan, versi ini (a) membentangkan semakan algoritma pembentukan pasukan, (b) melanjutkan definisi dan pseudo-kod masalah pembentukan pasukan dan algoritma yang dicadangkan, (c) menaik taraf algoritma yang dicadangkan untuk mengendalikan individu terpencil dan apabila bilangan individu yang tersedia bukanlah berbilang daripada saiz pasukan, (d) menilai algoritma dengan tiga set data untuk membuktikan bahawa masalah pengoptimuman kami boleh berfungsi dalam domain pembentukan pasukan lain, (e) membandingkan prestasinya dengan algoritma berbilang objektif penanda aras yang lain, (f) menggunakan metrik kuantitatif untuk membandingkan keputusan algoritma, (g) menghuraikan penemuan dan implikasi kerja ini untuk penyelidik dan pengamal, dan (h) menyediakan skrip untuk pra-memproses set data, set data pra-diproses dan skrip dengan algoritma cadangan dan algoritma penanda aras kami untuk tujuan kebolehulangan.

Kerja-kerja yang berkaitan

Sarjana sains komputer telah menghuraikan pendekatan yang berbeza untuk menyelesaikan masalah tugasan pasukan [36, 44, 45]. Biasiswa telah membuat kesimpulan bahawa mencari gabungan pasukan yang paling cekap daripada kumpulan individu adalah masalah pengiraan yang mencabar, dan ia adalah lebih sukar untuk individu menyelesaikan secara manual.

Ia adalah tugas yang kompleks yang memerlukan penilaian semua kemungkinan kombinasi di kalangan ahli kumpulan, yang boleh menjadi cabaran gabungan yang tidak dapat diatasi. Memandangkan kumpulan n ahli yang mesti ditugaskan ke dalam pasukan bersaiz k, kita mesti mengira pilih atur berulang di mana kita boleh memilih ahli k pertama daripada n, kemudian ahli k lain daripada n − k, dan seterusnya. Dengan mengandaikan bahawa k ialah gandaan n, kita perlu mengira pilih atur n/k.

Akibatnya, kita mesti mengira n!/(k!n/k�(n/k)!) gabungan pasukan yang mungkin untuk sekumpulan n ahli. Jika kita ingin mengumpulkan pasukan bersaiz tiga daripada kelas 18 pelajar, terdapat 190,590,400 kombinasi yang mungkin (18!/(3! 6—6!)). Gabungan ini dinilai dalam masa faktorial (iaitu, O(n!)). Oleh itu, tugas ini tidak boleh dilakukan dalam masa inpolinomial dan menuntut pendekatan yang berbeza untuk mencari penyelesaian dengan cekap.

Kajian literatur terkini [36, 37, 46] mencirikan algoritma pembentukan pasukan mengikut tiga dimensi utama: (i) bilangan pasukan yang terhasil daripada algoritma, (ii) atribut ahli yang dipertimbangkan oleh algoritma, dan (iii) bilangan fungsi objektif yang dipertimbangkan oleh algoritma.

Bilangan pasukan

Kebanyakan penyelesaian mencadangkan untuk mencari pasukan terbaik yang mungkin daripada kumpulan individu tertentu. Pendekatan "pasukan terbaik" biasanya menganggap masalah pembentukan pasukan sebagai masalah tugasan, di mana matlamatnya adalah untuk mencari ahli terbaik yang boleh mengumpulkan pasukan.

Sumbangan utama kepada literatur ini bergantung pada inovasi metodologi. Sebagai contoh, El-Ashmawi et al. [47] mencari pasukan dengan kos komunikasi paling rendah di kalangan ahli pasukan menggunakan pelaksanaan algoritma pengoptimuman kawanan zarah. Bhowmik et al. [48] ​​membangunkan algoritma pembentukan pasukan menggunakan pengoptimuman fungsi submodular.

Pelaksanaan ini mendapati pasukan pakar terbaik dengan kekangan yang santai: pasukan "mesti" mempunyai beberapa kemahiran manakala mereka "sepatutnya" mempunyai yang lain. Akhir sekali, Keane et al. [49] menggunakan algoritma pembentukan pasukan menggunakan rangka kerja peningkatan kecerunan untuk mencari pasukan minimum dengan pakar yang boleh bekerja secara berkesan bersama. Had kaedah ini ialah kaedah ini hanya menyediakan satu pasukan "terbaik" dan bukannya berbilang pasukan yang merangkumi semua ahli daripada kumpulan yang tersedia.

Beberapa kajian telah meneroka masalah menugaskan semua individu yang ada kepada pasukan. Oneapproach sedang membentuk berbilang pasukan melalui heuristik berulang. Dalam kes ini, pasukan dikumpulkan dengan mengeluarkan k ahli kumpulan mengikut fungsi objektif sehingga tiada lagi ahli yang ditinggalkan tanpa pasukan.

Satu contoh ialah Agrawal et al. [50], yang mencadangkan goritma heuristik untuk memaksimumkan keuntungan (atau meminimumkan kos) yang diagregatkan ke atas semua pasukan yang dipasang daripada kumpulan individu yang tersedia.

Kertas kerja ini membentangkan dua algoritma heuristik berulang yang menggabungkan ahli "kuat" dengan orang lain yang "lebih lemah" daripada mereka. Akibatnya, pakar diedarkan di kalangan beberapa pasukan. Pendekatan kedua ialah merumuskan masalah pembentukan pasukan sebagai masalah partition. Kumpulan individu dibahagikan kepada pasukan menggunakan heuristikmetrik untuk semua pasukan yang dipasang.

Sesetengah pelaksanaan menggunakan algoritma pengelompokan yang bertujuan mencari ahli yang berkongsi ciri yang serupa. Beberapa contoh ialah pelaksanaan Nurjanah et al. [51] yang menggunakan Fuzzy C-Means untuk mengelompokkan individu dalam pasukan homogen [51], dan pelaksanaan Srba dan Bielikova [52] yang mengelompokkan pelajar mengikut ciri kolaboratif tertentu.

Pendekatan ketiga ialah mencari kombinasi pasukan yang cekap menggunakan algoritma evolusi [53, 54]. Secara ringkasnya, algoritma evolusi mula menugaskan semua ahli kepada pasukan rawak dan kemudian mengubah keahlian individu secara berulang untuk mencari kombinasi pasukan yang lebih baik. Selepas menilai gabungan menggunakan fungsi objektif yang ditentukan, algoritma evolusi menyimpan gabungan pasukan terbaik untuk mencari kombinasi baharu dalam lelaran seterusnya.

Satu contoh ialah Agustı´n-Blas et al. [53], yang membangunkan algoritma genetik yang menyusun individu ke dalam kumpulan dan mencari gabungan pasukan yang memaksimumkan sumber yang diperlukan kumpulan.

Sifat-sifat ahli

Dimensi kedua memfokuskan pada atribut ahli yang dipertimbangkan oleh algoritma. Algoritma bertujuan untuk mencari ahli yang memaksimumkan atribut pasukan tertentu, seperti bilangan hubungan sosial di kalangan ahli atau bilangan kemahiran yang diliputi oleh pasukan.

Kebanyakan algoritma menetapkan kehadiran kemahiran (atau kepakaran) dalam pasukan sebagai matlamat utama. Ilustrasi pendekatan ini ialah algoritma Zakarian dan Kusiak [55], yang menggunakan pengaturcaraan matematik untuk mencari ahli yang menyumbang kemahiran tertentu kepada pasukan.

Pelaksanaan pengiraan lain mencadangkan untuk menetapkan ahli mengikut peranan mereka. Algoritma berdasarkan pendekatan ini ialah Yannibelli et al. [56], yang membangunkan pendekatan evolusi yang mengumpulkan pasukan pelajar dengan menugaskan ahli kepada peranan tertentu.

Selain itu, algoritma boleh memasukkan rangkaian sosial ahli apabila membentuk pasukan. Lappas et al. [57] cari pasukan terbaik dengan jarak sosial paling rendah di kalangan ahli (iaitu, pengganti kos komunikasi).

Artikel ini mencadangkan dua algoritma yang dipanggil "Rarest First" dan "Enhanced Steiner." Memandangkan masalah memasang pasukan terbaik bersaiz k dengan ahli yang mempunyai kemahiran menyelesaikan tugasan T daripada rangkaian sosialG, algoritma pertama mencari diameter graf terkecil yang mungkin di kalangan ahli k yang mempunyai kemahiran menyelesaikan T. Algoritma kedua mencari untuk subset terkecil tepi yang menghubungkan k ahli dengan kemahiran untuk menyelesaikan T (iaitu, pokok rentang minimum).

Kedua-dua algoritma akan menyasarkan untuk mencari pasukan terbaik yang mungkin berdasarkan rangkaian sosial tertentu. Pelaksanaan lain menganggap kos kakitangan, ketersediaan ahli, dan keseimbangan beban kerja di kalangan ahli sebagai sebahagian daripada masalah pembentukan pasukan [58].

For more information:1950477648n@gmail.com