Mencari Pasukan Pelbagai Dan Berhubung: Pendekatan Pengiraan Untuk Menghimpun Pasukan Pelbagai Berdasarkan Ahli Bahagian 4

Dalam pelaksanaan ini, kami menggunakan pelbagai metrik untuk menilai kepelbagaian pasukan yang disediakan oleh pembolehubah kategori C, dan metrik ketaksamaan untuk menilai kepelbagaian pasukan yang disediakan oleh pembolehubah berangka U. Untuk mengukur pelbagai metrik setiap pasukan dengan atribut kategori C ahlinya, kami menggunakan indeks Blau (Bt; ci) [30].

Dalam kehidupan kita, kita sering bertemu dengan pelbagai orang dan perkara. Kepelbagaian orang dan perkara ini melangkaui sempadan bangsa, budaya dan spektrum kognitif. Penyelidikan terkini telah menemui hubungan positif antara penunjuk kepelbagaian dan ingatan.

Penunjuk kepelbagaian termasuk kepelbagaian etnik, budaya dan kognitif. Dengan kepelbagaian kaum, pendedahan kepada kaum yang berbeza merangsang pemikiran dan ingatan orang ramai, kerana orang ramai perlu kekal peka dan membuat pelarasan yang perlu kepada bahasa dan budaya yang berbeza. Kepelbagaian budaya bermakna orang boleh terdedah kepada budaya, kepercayaan dan nilai yang berbeza. Pengalaman ini boleh menjadikan orang lebih fleksibel, boleh menyesuaikan diri dan kreatif. Kepelbagaian dalam skop kognitif boleh merangkumi pelbagai disiplin, kerjaya dan pengalaman yang meningkatkan pengetahuan dan pemahaman kita tentang sesuatu.

Pada masa lalu, ia dianggap bahawa kelebihan kognitif hanya boleh dicapai melalui satu latar belakang budaya. Kini, bagaimanapun, badan penyelidikan yang semakin meningkat menunjukkan bahawa penunjuk kepelbagaian boleh meningkatkan kebolehan kognitif dan ingatan seseorang. Para saintis percaya ini kerana penunjuk kepelbagaian membantu kita membina ingatan yang lebih kompleks, dan juga membantu kita memahami dan mengingati pelbagai elemen visual, pendengaran dan lisan.

Dalam beberapa kajian, sarjana telah mendapati bahawa orang dwibahasa melakukan lebih baik pada banyak tugas kognitif. Apabila orang bercakap berbilang bahasa, mereka membandingkan dan membezakan sebutan, perbendaharaan kata dan tatabahasa antara bahasa yang berbeza. Pemprosesan silang bahasa ini menguatkan rangkaian saraf otak dan meningkatkan kebolehan kognitif.

Oleh itu, kita boleh membuat kesimpulan bahawa penunjuk kepelbagaian boleh meningkatkan kebolehan kognitif dan ingatan, yang juga boleh memberi manfaat kepada kehidupan profesional dan peribadi kita. Kita harus menggalakkan diri kita untuk didedahkan kepada pelbagai budaya dan kognisi yang lebih luas, dan membuka pengetahuan dan pemahaman kita tentang perkara baharu untuk membantu diri kita mencapai keputusan yang lebih baik dalam pembangunan masa depan. Dapat dilihat bahawa kita perlu meningkatkan daya ingatan. Cistanche deserticola boleh meningkatkan daya ingatan dengan ketara kerana Cistanche deserticola ialah bahan perubatan tradisional Cina dengan 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 suplemen untuk meningkatkan ingatan

Indeks ini mengukur kebarangkalian bahawa dua ahli pasukan yang dipilih secara rawak daripada pasukan akan berada dalam kategori yang berbeza. Skor rendah bermakna ahli termasuk dalam kategori yang sama, manakala skor tinggi bermakna ahli jatuh ke dalam kategori yang berbeza.

Kami menandakan pci jas perkadaran ahli yang termasuk dalam kategori j tertentu dalam atribut kategori ci. Diberi bahawa bilangan kategori dalam ci ialah oci, dengan j ¼ 1; :::; oci, formula BlauIndex untuk pasukan t ialah:

Bt;ci ¼ 1 Xocijpci2j ð2

Untuk mengukur metrik ketaksamaan setiap pasukan dengan pembolehubah berangka ahlinya U, kami menggunakan pekali variasi (CVt;ui) [30], yang ditakrifkan sebagai nisbah sisihan piawai kepada min atribut i, ui 2 U.

Pekali skor variasi yang rendah bermakna semua ahli pasukan t mempunyai tahap atribut yang sama, manakala skor tinggi bermakna semua ahli pasukan mempunyai tahap atribut yang berbeza. Untuk pasukan t dengan ahli j=1, 2, . . ., k, dan dengan u�i sebagai nilai min pasukan bagi atribut i, formulanya adalah seperti berikut:

CVt;ui ¼ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiXkj2tðuiðpjÞ u�iÞ2=kvuut =u�i ð

Kedua-dua ukuran kepelbagaian pasukan ini berguna kerana ia tidak berubah apabila data input diskalakan secara linear, dan kedua-duanya cenderung kekal pada nilai yang sama. Memandangkan masalah pembentukan pasukan mengambil kira pembolehubah kategori C dan pembolehubah berangka U, ukuran kepelbagaian boleh ditimbang untuk mengutamakan perbezaan dalam pembolehubah tertentu.

Vektor pemberat W mempunyai |C| + |U| elemen, di mana W ¼ ðwu1; :::;wcm ;wc1;wc2; :::; wclÞ. Berdasarkan langkah-langkah ini, kami mengagregatkan kepelbagaian untuk atribut yang berbeza kepada satu nilai. Kami mentakrifkan skor kepelbagaian pasukan V pasukan t sebagai jumlah wajaran indeks Blau untuk semua pembolehubah kategori C dan pekali variasi untuk semua pembolehubah berangka U. Formulanya ialah:

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

Pernyataan masalah pelbagai objektif. Kami merumuskan masalah sebagai masalah berbilang objektif untuk mencari satu set penyelesaian pasukan r P ¼ fT1; T2; T3; :::; Trg, di mana setiapT mewakili penyelesaian yang berpotensi dengan pasukan q.

Penguraian fungsi penilaian kepada kedua-dua objektif-meminimumkan kos komunikasi dan memaksimumkan skor kepelbagaian pasukan-membolehkan kami mencari pelbagai penyelesaian yang tidak dapat dicapai oleh pendekatan objektif tunggal. Hasilnya, kami mengharapkan untuk mencari bukan penyelesaian unik T tetapi satu set penyelesaian P yang tidak ada penyelesaian lain yang boleh dilaksanakan yang lebih baik dalam kedua-dua fungsi objektif.

Set penyelesaian P ini juga dikenali sebagai hadapan Pareto, di mana (a) tidak wujud set penyelesaian T0 lain dengan pasukan yang lebih pelbagai dan bersambung, dan (b) setiap penyelesaian Ti; i 2 P tidak lebih tinggi daripada semua penyelesaian lain dalam P berkenaan kedua-dua kepelbagaian dan objektif kos komunikasi. Mempunyai set penyelesaian pasukan P ini memungkinkan untuk menilai setiap satu daripada mereka secara individu, jadi pembina pasukan boleh memilih pasukan yang paling sesuai untuk berkumpul untuk konteks dan keadaan yang diberikan.

Secara ringkasnya, masalah pembentukan pasukan yang ditangani dalam kertas ini adalah untuk mencari penyelesaian P hadapan Pareto, di mana setiap penyelesaian T terdiri daripada pasukan q (T={t1, t2, t3, . . ., tq} ). Dualobjektif memaksimumkan kepelbagaian pasukan berdasarkan atribut kategori C dan numericalattributes U dan meminimumkan kos komunikasi berdasarkan G. Kita boleh modelkan masalah ini:

Memandangkan mencari pasukan daripada graf G sambil meminimumkan jumlah panjang laluan terpendek dan masalah peruntukan pasukan terbukti sebagai masalah NP-hard [57, 68], masalah multi-objektif ini juga merupakan masalah NP-hard.

pelaksanaan NSGA-II

Bentuk muka pareto memberikan maklumat berguna tentang tahap pertukaran antara objektif yang berbeza dan berapa banyak kompromi yang diperlukan daripada beberapa kriteria untuk menambah baik yang lain.

Menentukan hadapan Pareto yang tepat untuk masalah pengoptimuman gabungan berbilang objektif adalah sukar kerana perlu untuk mengira semua kombinasi yang mungkin untuk mencari Paretofront sebenar [63]. Atas sebab ini, matlamatnya adalah untuk mencari anggaran bahagian hadapan Pareto sebenar menggunakan algoritma heuristik. Andaian kritikal untuk algoritma ini ialah bahagian hadapan Pareto mempunyai penduduk yang mencukupi.

Kualiti penghampiran ini bergantung kepada (1) kedekatan titik di hadapan anggaran dengan mata di hadapan Pareto sebenar; dan (2) kepelbagaian penyelesaian pada bahagian hadapan anggaran, di mana lebih banyak kepelbagaian biasanya lebih baik. Walaupun hadapan Pareto yang sebenar tidak diketahui, penyelesaian yang mendominasi yang lain adalah hampir dengan hadapan Pareto benar teori. Oleh itu, kepelbagaian penyelesaian akan memberikan julat yang lebih luas dan berbutir bagi bahagian hadapan Pareto.

Algoritma genetik (GA) biasanya digunakan untuk mencari anggaran muka depan Pareto [69]. Dengan meniru evolusi dalam alam semula jadi, kaedah ini mengoptimumkan populasi penyelesaian awal kepada penyelesaian yang lebih baik melalui pemilihan semula jadi. Setiap penyelesaian dicirikan sebagai kromosom (iaitu, vektor atribut), yang boleh diubah dan diubah dalam setiap lelaran. Penyelesaian terbaik akan bertahan selepas ia bermutasi dari semasa ke semasa. Algoritma genetik sesuai untuk mencari penyelesaian untuk masalah pengoptimuman dalam ruang yang besar dan sangat tidak linear [70].

Algoritma genetik bermula daripada populasi penyelesaian yang dijana secara rawak berkembang kepada penyelesaian baharu melalui proses berulang. Populasi yang dicipta dalam setiap lelaran juga dikenali sebagai generasi. Dalam setiap generasi, algoritma menilai setiap kromosom populasi mengikut fungsi objektif dalam masalah pengoptimuman yang diselesaikan.

Kromosom dengan skor tertinggi dipilih daripada generasi semasa dan digunakan untuk membentuk generasi baharu. Proses ini berterusan sehingga bilangan maksimum lelaran dicapai atau oleh fungsi ambang yang ditentukan untuk penyelesaian.

Kami melaksanakan algoritma genetik yang dipanggil Non-dominated Sorting Genetic Algorithm-II(NSGA-II) yang dirumuskan oleh Deb et al. [71]. NSGA-II membolehkan mencari anggaran bahagian depan Pareto, mempunyai penyelesaian pasukan P berbeza yang berbeza mengikut kos komunikasi dan skor kepelbagaian yang ditentukan. Pendekatan NSGA-II adalah berdasarkan pengisihan populasi ke dalam hierarki subpopulasi menggunakan kriteria dominasi Pareto.

Kemudian, kromosom untuk lelaran seterusnya dipilih mengikut hierarki yang disebutkan. Pemilihan elitis ini menjamin bahawa kromosom yang berpotensi baik disimpan dalam populasi, dan kualiti penyelesaian yang diperolehi tidak berkurangan dari satu lelaran ke seterusnya. Penyelesaian juga disusun mengikut persamaan antara kromosom mereka, menyingkirkan yang berlebihan untuk menggalakkan kepelbagaian di hadapan Pareto.

Akibatnya, NSGA-II boleh menumpu pada Paretofront berprestasi tinggi selepas beberapa lelaran. Kerja sebelumnya telah menunjukkan bahawa NSGA-II menyediakan penyelesaian dengan tahap kecekapan tinggi yang berjalan dalam O(n2).

Dalam pelaksanaan ini, setiap populasi P mengandungi r penyelesaian pasukan P ¼ fT1; T2; :::; Trg,dan setiap kromosom mewakili set potensi q pasukan Ti={t1, t2, . . ., tq}. Kami menggunakan "kromosom" dan "penyelesaian pasukan" secara bergantian sepanjang kertas ini.

Kami mencirikan kromosom sebagai vektor individu yang dibahagikan kepada bahagian q untuk mendapatkan pasukan (Rajah 2). Akibatnya, panjang setiap kromosom sama dengan bilangan orang n, mewakili kumpulan q bersaiz (q�k=n). Kami menyesuaikan algoritma ini kepada masalah pembentukan pasukan khusus kami yang pelbagai, dan kami menggariskan langkah-langkah ini dalam Algoritma 1.

Inisialisasi. Algoritma bermula dengan memulakan populasi kromosom P dan mempunyai pasukan dipasang secara rawak. Parameter inputnya ialah jumlah bilangan kromosom r untuk dimasukkan ke dalam populasi P, senarai orang P, bilangan pasukan q untuk dibentuk dan bilangan lelaran untuk melaksanakan g.

Kromosom disimpan sebagai tatasusunan dua dimensi bentuk (q,k), dengan q ialah bilangan pasukan yang mungkin untuk dipasang, dan k ialah bilangan ahli perteam. Setiap kromosom ialah penyelesaian yang berpotensi untuk masalah pembentukan pasukan yang pelbagai, dan matlamatnya adalah untuk mencari set kromosom dengan tahap kepelbagaian yang tinggi dan kos komunikasi yang rendah.

Selepas populasi awal dicipta, algoritma mencipta keturunan dan mencari bahagian hadapan Pareto secara berulang sehingga bilangan maksimum generasi g dicapai.

Langkah silang.

Dalam setiap generasi, algoritma mengambil dua kromosom rawak (p1dan p2) daripada populasi sedia ada P dan secara rawak memilih pasukan q daripada kesatuan ini. Akibatnya, algoritma akan mempunyai kromosom kanak-kanak dengan pasukan q. Memandangkan pasukan kanak-kanak dipilih secara rawak daripada dua kromosom berbeza, individu boleh dipilih dua kali, datang daripada p1 dan p2.

Algoritma menggantikan individu berulang dengan orang lain yang tidak ditugaskan kepada pasukan. Ia meneroka setiap ahli kromosom kanak-kanak dan mengira berapa kali seseorang individu menjadi sebahagian daripada pasukan. Jika seseorang individu dikira lebih daripada sekali, individu ini secara rawak digantikan oleh ahli yang hilang. Pada akhir proses semakan ini, algoritma akan mempunyai kromosom kanak-kanak dengan semua ahli P ditugaskan kepada satu pasukan.

Persampelan rawak ini menyediakan mutasi yang mencukupi untuk algoritma memperkenalkan kepelbagaian ke dalam populasi tanpa menambah satu lagi langkah mutasi. Kami menggariskan kaedah silang yang dicadangkan dalam Algoritma 2.

For more information:1950477648nn@gamil.com