다양하고 연결된 팀을 찾아서: 구성원을 기반으로 다양한 팀을 구성하는 컴퓨팅 접근 방식 3부

목적 함수의 수

세 번째 차원은 팀 구성 알고리즘에 의해 최적화되는 목표의 수입니다. 몇 가지 예로는 팀의 커뮤니케이션 비용 최소화, 팀의 인건비 최소화, 각 팀에 존재하는 기술 수 ​​최대화 등이 있습니다.

팀 구성 알고리즘과 기억의 관계는 밀접하게 연결되어 있습니다. 팀은 각자의 아이디어와 능력을 지닌 사람들의 집단이지만, 더 큰 가치는 모두가 함께 일할 때에만 달성될 수 있습니다.

팀 구성 알고리즘의 핵심은 서로 다른 사람들이 어떻게 더 조화롭게 함께 일할 수 있는지에 있습니다. 이 과정에서 각자의 역할과 업무에 따라 자신의 강점을 활용하는 동시에 다른 팀원들과 효과적으로 소통하고 조율해야 합니다.

기억은 이 과정에서 중요한 역할을 합니다. 팀에서는 각 구성원의 업무와 기여도는 물론, 팀의 진행 상황과 문제점을 지속적으로 기록하는 것이 필요합니다. 그래야만 팀 내에서 효과적인 의사소통과 협업이 형성될 수 있고, 팀원들이 자신의 책임과 역할을 더 잘 이해하는 데에도 도움이 될 수 있습니다.

또한 팀 구성 알고리즘과 기억은 서로를 강화할 수도 있습니다. 팀 구성 알고리즘은 사람들이 함께 일하는 방법을 더 잘 이해하는 데 도움을 줄 수 있으며, 그 과정에서 더 강한 기억을 쌓는 것은 팀에 대한 다양한 정보를 더 잘 기록하고 이해할 수 있게 해줄 것입니다.

그러므로 우리는 팀 구성 알고리즘과 팀에 대한 기억의 중요성을 인식해야 합니다. 지속적인 소통과 협업, 정보의 기록과 정리를 통해서만 팀은 더욱 효율적으로 운영되고 더 큰 가치를 발휘할 수 있습니다. 기억력 향상이 필요하다고 볼 수 있는데, Cistanche Deserticola는 아세틸콜린 수치와 성장인자 수치를 높이는 등 신경전달물질의 균형도 조절할 수 있기 때문에 기억력을 크게 향상시킬 수 있습니다. 이 물질은 기억과 학습에 매우 중요합니다. 또한 고기는 혈류를 개선하고 산소 전달을 촉진하여 뇌에 충분한 영양분과 에너지를 공급하여 뇌의 활력과 지구력을 향상시킬 수 있습니다.

단기 기억력을 향상하려면 '알기'를 클릭하세요.

대부분의 알고리즘은 제한이 있는 단일 목표로 팀 구성 문제를 정의합니다[59].

이전에 언급한 예는 이러한 단일 목표 함수 설계를 따릅니다. 함정은 팀 구성에 대한 다른 유익한 목표를 고려할 수 없다는 것입니다.최적화 프로세스 중에 동시에 수행됩니다(예: 팀의 기술을 극대화하면서 의사소통 비용을 최소화).

이전 연구에서는 팀 구성 문제에 하나 이상의 목적 함수를 도입했습니다. 한 가지 예가 Kargar et al. [60]은 "최소 비용 기여" 알고리즘(MCC)을 제시합니다. 통신 비용과 인건비가 가장 낮은 팀을 동시에 찾는 것이 목표입니다.

MMC의 목적 함수는 통신 비용과 개인 비용 간의 균형을 나타내는 매개변수 λ를 사용하여 두 비용 함수를 선형 조합한 것입니다. 이 알고리즘은 팀에 새 구성원을 점진적으로 추가하고 구성된 팀의 현재 비용과 관련하여 새 구성원을 추가하는 비용을 고려하는 경험적 접근 방식을 구현합니다.

이러한 선형 조합 공식의 이점에도 불구하고 이 접근 방식에는 두 가지 제한 사항이 있습니다. 단일 팀 솔루션만 제공하고 비용 함수에 대한 절충 변수를 미리 설정해야 합니다. 따라서 이러한 방법을 사용하여 다른 적합한 솔루션을 찾는 것은 트레이드오프 변수의 조정에 따라 달라지며, 이는 검색 프로세스에 편향을 추가할 수 있습니다[61].

최근 알고리즘의 기여는 팀 형성 문제를 두 개 이상의 목적 함수를 동시에 최적화하는 다목적 최적화 문제로 공식화했습니다[62, 63].

이러한 문제는 하나의 목표에 대한 해결책을 개선하는 것이 다른 목표를 양보함으로써만 가능하기 때문에 두 개 이상의 목표 사이의 균형을 포함합니다. 따라서 다중 목표 최적화 문제는 단일 솔루션을 제공하지 않고 다중 목표에 대한 서로 다른 관련성 강조를 고려하여 다중 솔루션을 얻습니다.

단일 목표 최적화 문제에서 다른 솔루션에 비해 한 솔루션의 우월성은 목적 함수에 의해 결정되는 반면, 다중 목표 최적화 문제에서는 우위에 의해 결정됩니다. 최적화 프로세스는 모든 목적 함수에서 다른 솔루션보다 나은 솔루션을 찾습니다.

결과적으로, 문제는 다른 목표 중 적어도 하나를 동시에 손상시키지 않으면서 개선될 수 있는 솔루션으로 구성된 "비지배적" 솔루션 세트를 제공합니다. 다중 목표 최적화는 파레토 최적화라고도 합니다.

그림 1은 두 목표 사이의 다양한 비지배 솔루션을 보여주는 파레토 프론트의 예를 보여줍니다. 이 파레토 전선을 계산하면 의사 결정자는 두 차원 간의 서로 다른 장단점을 비교하고 확인할 수 있습니다.

이 접근 방식을 기반으로 다중 목표 알고리즘 구현은 목표 함수의 다양한 평가를 고려하는 일련의 팀 솔루션을 제공합니다[54, 64]. Zhang과 Zhang의 구현[64]은 업무에 대한 최고의 역량과 최고의 대인관계를 갖춘 구성원을 선택하여 최고의 팀을 구성합니다. 이 연구에서는 파티클웜 최적화 구현을 사용하여 구성원이 최고의 팀에 속해야 하는지 여부를 결정합니다.

솔루션은 2차원 연속 공간에서 이동하며 알고리즘은 asigmoid 함수를 적용하여 구성원의 존재를 이진화합니다. Perez-Toledanoet al. [63]은 각 선수의 비용과 가치 평가를 동시에 고려하여 경쟁력 있는 농구 팀을 찾는 유전적 알고리즘을 개발했습니다.

각 솔루션은 사용 가능한 플레이어 세트로 구성된 팀으로 구성되며 최종 Pareto 전면에는 플레이어의 가치와 비용 간의 균형을 고려하는 다양한 팀이 표시됩니다. 이러한 공식을 기반으로 팀 구성자는 다른 팀을 보고 비교할 수 있으며 팀을 선택할 때 우선 순위를 둘 목표를 선택할 수 있습니다.

문제 공식화

관련 팀 구성 문제와 각각의 알고리즘을 검토한 후, 팀의 다양성과 팀의 친숙성을 동시에 극대화하는 특정 문제를 구현하는 것을 목표로 합니다.

이 문제는 팀의 친밀도를 극대화하면 서로 유사한 구성원으로 그룹을 형성할 수 있으므로 다중 목표 최적화 공식에 적합합니다[65].

이 문제를 단일 목표 최적화 문제로 구현할 수 있더라도 이러한 목표 중 하나의 우선순위를 지정하고 솔루션 간의 상충관계를 피해야 합니다. 또한 기존의 팀 구성 공식은 여러 목표 중 가장 좋은 팀을 찾거나 단일 목표를 기반으로 한 팀 조합을 검색했습니다.
우리는 사용 가능한 모든 개인을 팀에 할당하여 다양성과 친숙성에 대한 서로 다른 관련성 강조를 고려하는 여러 팀 조합을 생성하는 다중 목표 최적화 문제를 제안합니다. 이 작업은 팀 구성에 관한 이전 연구의 경우가 아니며 팀 구성 문헌에 대한 새로운 접근 방식을 제공합니다.

재료 및 방법

이 섹션에서는 이 문서 전체에서 사용할 다목적 문제와 정의를 소개합니다. 우리의 표기법은 표 1에도 요약되어 있습니다. 우리는 또한 이 다목적 문제와 그 구성 요소의 NSGA-II 구현을 설명합니다. 그런 다음 팀 형성 문제를 평가하는 데 사용한 데이터세트와 벤치마크 알고리즘을 설명합니다. 마지막으로 알고리즘 결과를 비교하기 위한 정량적 지표를 설명합니다.

정의

구성원, 속성, 네트워크 및 팀. 우리는 참가자 P={p1,p2, . . ., pn} 범주형 속성 세트 C={c1, c2, . . ., cm} 및 숫자 속성 세트 U={u1, u2, . . ., ul}.

이러한 개인의 속성은 서로 다른 척도를 가지며 각 개인에 대한 정보(예: 연령, 성별, 인종, 기술)를 나타냅니다. 사용 가능한 개별 정보에 따라 팀은 품질과 구성을 설명하는 여러 속성을 가질 수 있습니다. 각 사람은 이러한 속성 각각에 대한 가치를 가지고 있습니다. 사람 j에 대한 범주형 속성 ci의 값을 얻기 위해 ci(pj)를 나타냅니다.

마찬가지로, j라는 사람에 대한 숫자 속성 ui의 값을 얻기 위해 ui(pj)를 사용합니다. 사람 j는 이러한 범주형 및 숫자형 속성의 벡터로 표현될 수 있습니다. 따라서 pj의 속성은 (c1(pj), . . ., cm(pj),u1(pj), . . ., ul(pj))입니다.

사람들은 방향이 없고 가중치가 없는 그래프 G로 모델링된 소셜 네트워크에 연결되어 있습니다. G= (P, E)를 정의합니다. 여기서 E는 그래프의 가장자리를 나타냅니다. 각 노드 inG는 P의 사람을 나타냅니다. 이 문서에서는 사람과 노드를 같은 의미로 사용합니다. 두 사람이 과거에 협력한 적이 있다면 엣지로 연결됩니다. 즉, 개인 i와 j가 함께 작업한 경우 Gi,j=1입니다. 그렇지 않으면 Gi,j=0입니다.

네트워크 G에 연결된 참가자 P 목록이 주어지면 목표는 팀 T={t1, t2, t3, . . ., tq}, 여기서 P의 모든 구성원은 q개의 팀을 구성하고 하나의 팀에만 속합니다. 최적화 이중 문제는 팀 구성원 간의 의사소통 비용을 최소화하고 팀의 다양성 수준을 최대화하는 것으로 공식화될 수 있습니다. 이제 이러한 개념을 만들고 각 목적 함수를 설명합니다.

통신 비용. Lappaset al. [57]은 협업 비용을 고려하여 전문가 간의 협업과 친밀감의 중요성에 중점을 두었습니다. 이 모델에 따르면 과거에 협력한 전문가는 사전 협력이 없는 전문가보다 정보와 아이디어를 효과적으로 교환할 가능성이 더 높습니다.

이 모델은 전문가의 이전 협업을 기반으로 팀원 간의 커뮤니케이션 비용을 계산하여 협업 및 친숙도 수준을 추정합니다. 커뮤니케이션 비용 최적화의 목표는 친밀도가 높은 팀을 구성하는 것입니다. 문헌 검토에 따르면 통신 비용은 연구자들 사이의 협력과 친숙함을 나타내는 지표로 많이 사용됩니다[66].

우리 환경에서는 의사소통 비용을 팀의 친숙도를 나타내는 지표로 사용합니다. Kargar와 An[31]은 다른 잠재적 측정보다 네트워크 변화에 더 안정적이기 때문에 팀 구성원 간의 거리의 총합이 통신 비용에 대한 합리적인 측정이라는 것을 발견했습니다.

통신 비용에 대한 다른 대안은 소셜 네트워크의 직경(즉, 네트워크의 두 노드 사이의 가장 큰 최단 경로)과 최소 스패닝 트리(즉, 네트워크 가장자리 가중치의 최소 합)입니다[57].

우리는 또한 이 두 가지 정의를 사용하여 이 문제를 구현했으며 그 결과는 거리의 합을 사용하여 얻은 결과와 유사했습니다. Diameter 구현 결과는 S1 File의 S1 Fig와 S1Table에서 확인할 수 있으며, 최소 스패닝 트리 구현 결과는 S1 File의 S2 Fig와 S2 Table에서 확인할 수 있다.

두 개인 pi와 pj 사이의 통신 비용(d(pi, pj))을 한 노드에서 다른 노드로 그래프 G의 가장자리를 횡단하는 동안의 최단 경로 길이로 정의합니다. Pi와 PJ가 과거에 협력한 적이 있다면, 그들은 한 홉 거리에 있습니다.

Pi와 PJ가 협업한 적이 없지만 이전에 공동 작업자가 있는 경우 두 상점으로 분리됩니다. 팀 내에 공통의 과거 협력자가 있으면 "삼중 폐쇄"를 기반으로 친밀감을 높일 수 있습니다[67].

이 메커니즘은 노드가 공통 연결을 가질 때 새로운 연결을 설정할 가능성이 더 높다고 가정합니다. 3개 홉과 4-홉은 "균형 메커니즘"[67]을 기반으로 동일한 원칙을 따를 수 있습니다.

개인은 그룹 내에서 일관성을 추구하기 위해 협력자의 협력자와 새로운 관계를 구축하는 경향이 있습니다. 따라서 목적 함수에서 거리의 총합을 사용하는 것은 직접적인 협업(즉, 1홉), 공통 연결(2홉) 및 긴밀한 연결(3홉 이상)을 최대화하는 팀을 찾는 것을 목표로 합니다. .

통신 비용 값이 가장 낮은 것은 모든 팀 구성원이 협업했을 때(즉, 직접 연결되었을 때)이고, 가장 높은 것은 팀 구성원이 전혀 연결되지 않았을 때입니다. 이 구현에서 G의 pi와 pj 사이에 경로가 없으면 둘 사이의 통신 비용을 소셜 네트워크의 직경으로 설정합니다.
우리는 팀 t의 통신 비용을 구성원 간 최단 경로 길이의 총합으로 정의합니다. 이는 다른 잠재적 측정보다 네트워크 변화에 더 안정적이기 때문입니다. 우리는 팀 t의 통신 비용을 Cc(t)로 표시합니다. k명의 회원. 따라서 우리는 팀의 커뮤니케이션 비용을 다음과 같이 정의합니다.

Cct ¼ Xki;j2t;i6¼jdðpi; pjÞ ð1Þ

목표는 개인 네트워크에 모인 모든 팀에서 최단 경로 길이의 평균 합계를 최소화하는 것입니다. 팀 집합의 통신 비용 합계를 계산하는 데는 O(n2) 시간이 소요됩니다.

팀 다양성 점수. 두 번째 목표는 광범위한 배경, 특성 및 기술 레퍼토리를 갖춘 다양한 팀을 생성하는 것입니다. 다양성은 공통 속성과 관련하여 단위 구성원 간의 차이 분포를 설명합니다[30].

Harrison과 Klein[30]은 다양성이 분리, 다양성, 불균형이라는 세 가지 방식으로 가장 잘 개념화된다는 것을 제안하는 프레임워크를 제시했습니다. 분리는 연속체(예: 가치, 태도, 신념)에서 팀 구성원 간의 측면 위치 차이를 나타냅니다. 다양성은 대표되는 범주의 수가 팀 다양성(예: 성별, 경력, 인종)에 기여하는 팀 구성원 간의 범주별 차이를 의미합니다.

마지막으로, 격차는 가치 있는 자산이나 바람직한 자원(예: 전문 지식, 교육 수준, 재직 기간)의 집중도 차이를 나타냅니다. 이러한 측정 기준을 통해 연구자는 기능적 및 인구통계학적 다양성을 이론적 개념에 따라 동시에 운영할 수 있습니다[14].

For more information:1950477648nn@gmail.com