다양하고 연결된 팀을 찾아서: 구성원을 기반으로 다양한 팀을 구성하는 컴퓨팅 접근 방식 2부
Jan 24, 2024
본 논문의 주요 기여는 팀의 다양성 수준과 구성원의 친숙도를 동시에 고려하여 팀 구성 문제를 공식화한 것입니다.
회원의 친밀도와 기억은 불가분의 관계에 있습니다. 직장에서, 특히 팀에서는 구성원 간의 친밀도가 팀의 효율성과 업무의 질을 직접적으로 결정합니다.
구성원 간의 친밀도는 팀의 암묵적인 이해와 협업에 직접적인 영향을 미칩니다. 서로 친해지면 표현하기 어려운 단어도 많이 생략하고 바로 업무에 임할 수 있어 업무 효율성이 높아진다. 멤버들끼리 서로 친숙하지 않으면 소통 시간이 길어지는 경우가 많으며, 작은 오해로 인해 불필요한 갈등과 의견 차이가 발생할 수 있습니다.
또한, 멤버들 간의 친밀도 역시 기억에 직접적인 영향을 미친다. 연구에 따르면 정보가 우리의 관심과 관심을 끌 가능성이 높기 때문에 사람들은 친숙한 사람과 사물을 더 잘 기억할 가능성이 높습니다. 팀워크에서는 구성원들이 서로 친숙해지면 서로의 바람과 요구 사항을 기억하기가 더 쉬워지고 작업 진행을 방해하는 메모리 오류를 방지할 수 있습니다.
그러므로 팀원들은 다양한 기회를 통해 서로 친밀도를 높이고 상호 이해와 소통을 증진하도록 노력해야 합니다. 공통의 취미와 소통, 협력을 통해 더욱 긴밀한 관계를 구축할 수 있으며, 이를 통해 팀 협업과 업무 효율성이 향상되고 업무 효율이 향상됩니다. 기억력 향상이 필요함을 알 수 있는데, 시스탄체 데저티콜라는 기억력 향상이라는 독특한 효능이 많은 중국 전통 약재이기 때문에 기억력을 크게 향상시킬 수 있습니다. 다진 고기의 효능은 산, 다당류, 플라보노이드 등 포함된 다양한 활성 성분에서 비롯됩니다. 이러한 성분은 다양한 방식으로 뇌 건강을 증진할 수 있습니다.
팀 구성 알고리즘에 대한 대부분의 연구는 구성원의 기술이나 개인 비용을 팀 구성 목적 함수로 간주했지만[36], 우리는 다양성(즉, 속성의 차이 및 다양성)의 다양한 조작화를 기반으로 이 최적화 문제를 공식화합니다. 이 작업의 두 번째 기여는 사용 가능한 개인을 팀에 할당하는 팀 구성 문제에 대한 알고리즘 설계입니다.
이전 팀 구성 문제는 주로 풀에서 최고의 팀을 찾고 나머지 개인을 해고하는 데 중점을 두었습니다[36, 37]. 이 연구는 또한 팀 연구에 대한 이론적 함의를 제공합니다.
특히, 팀 구성 프로세스를 지원하기 위한 계산 메커니즘의 사용[38-40]. 이 연구의 실질적인 의미는 팀 다양성을 높이는 데 투자하는 여러 커뮤니티에 기여합니다.
팀 구성자가 각 팀 조합을 수동으로 확인하여 이 문제를 신속하게 해결할 수 없기 때문에 알고리즘은 기존 사회적 연결을 보유하는 동시에 다양한 배경, 특성 및 전문 지식 수준을 가진 구성원을 모아 이 작업을 자동화할 수 있습니다[41, 42].
이 알고리즘의 사용을 더 넓은 대상으로 확장하면 다양성을 수용하고 높은 친숙도 수준을 유지하려는 그룹에 새로운 이점을 제공할 수 있습니다.
이 기사는 Complex Networks 2020[43]에서 발표된 예비 컨퍼런스 진행의 확장 및 개정 버전입니다.
회의 기사와 비교하여 이 버전은 (a) 팀 구성 알고리즘에 대한 검토를 제공하고, (b) 제안된 팀 구성 문제 및 알고리즘의 정의 및 의사 코드를 확장하고, (c) 제안된 알고리즘을 업그레이드하여 격리된 개인을 처리하고 사용 가능한 개인 수는 팀 크기의 배수가 아닙니다. (d) 최적화 문제가 다른 팀 구성 영역에서 작동할 수 있음을 증명하기 위해 세 가지 데이터 세트로 알고리즘을 평가합니다. (e) 다른 벤치마크 다목적 알고리즘과 성능을 비교합니다. (f) 정량적 측정법을 사용하여 알고리즘 결과를 비교하고, (g) 연구원과 실무자를 위한 이 작업의 결과와 의미를 자세히 설명하고, (h) 데이터 세트, 사전 처리된 데이터 세트 및 스크립트를 사전 처리하기 위한 스크립트를 제공합니다. 재현성을 목적으로 제안된 알고리즘과 벤치마크 알고리즘.
관련된 일
컴퓨터 과학 학자들은 팀 과제 [36, 44, 45] 문제를 해결하기 위해 다양한 접근 방식을 정교하게 만들었습니다. 장학금은 개인 풀에서 가장 효율적인 팀 조합을 찾는 것이 어려운 계산 문제이며 개인이 수동으로 해결하기가 훨씬 더 어렵다는 결론을 내렸습니다.
이는 풀 구성원 간의 가능한 모든 조합을 평가해야 하는 복잡한 작업이며, 이는 극복할 수 없는 조합 문제가 될 수 있습니다. k 크기의 팀에 할당되어야 하는 n 멤버 풀이 주어지면 n에서 처음 k 멤버를 선택한 다음 n − k에서 다른 k 멤버를 선택할 수 있는 반복 순열을 계산해야 합니다. k가 n의 배수라고 가정하면 n/k 순열을 계산해야 합니다.
결과적으로 우리는 n명의 구성원 풀에 대해 n!/(k!n/k�(n/k)!)개의 가능한 팀 조합을 계산해야 합니다. 18명의 학생으로 구성된 학급에서 3명 규모의 팀을 구성하려면 190,590,400개의 가능한 조합이 있습니다(18!/(3! 6�6!)). 이러한 조합은 계승 시간(즉, O(n!))으로 평가됩니다. 따라서 이 작업은 다항식 시간 내에 완료될 수 없으며 솔루션을 효율적으로 찾기 위해 다양한 접근 방식이 필요합니다.
최근 문헌 리뷰[36, 37, 46]는 세 가지 주요 차원에 따라 팀 구성 알고리즘을 특성화합니다. (i) 알고리즘의 결과로 생성되는 팀 수, (ii) 알고리즘에서 고려되는 구성원의 속성, (iii) 팀 수 알고리즘이 고려하는 목적 함수의 수입니다.
팀 수
대부분의 솔루션은 주어진 개인 풀에서 가능한 최고의 팀을 찾는 것을 제안합니다. "최고의 팀" 접근 방식은 일반적으로 팀 구성 문제를 할당 문제로 간주하며, 여기서 목표는 팀을 구성할 수 있는 최고의 구성원을 찾는 것입니다.
이 문헌에 대한 주요 기여는 방법론 혁신에 달려 있습니다. 예를 들어, El-Ashmawi et al. [47]은 입자군집 최적화 알고리즘을 구현하여 팀원 간 통신 비용이 가장 적은 팀을 검색했습니다. Bhowmiket al. [48]은 하위 모듈 기능 최적화를 사용하여 팀 구성 알고리즘을 개발했습니다.
이 구현에서는 완화된 제약 조건을 갖춘 최고의 전문가 팀을 찾습니다. 즉, 팀은 일부 기술을 "반드시" 보유해야 하고 다른 기술도 "있어야" 합니다. 마지막으로 Keane et al. [49] 효과적으로 함께 일할 수 있는 전문가로 구성된 최소 팀을 찾기 위해 그래디언트 부스팅 프레임워크를 사용하는 팀 구성 알고리즘을 사용합니다. 이러한 방법의 한계는 사용 가능한 풀의 모든 구성원을 포함하는 여러 팀이 아닌 단일 "최고" 팀만 제공한다는 것입니다.
몇몇 연구에서는 사용 가능한 모든 개인을 팀에 할당하는 문제를 조사했습니다. 한 가지 접근 방식은 반복적 경험적 방법을 통해 여러 팀을 구성하는 것입니다. 이 경우, 팀을 구성하는 멤버가 더 이상 남지 않을 때까지 목적함수에 따라 풀에서 k명의 멤버를 추출하여 팀을 구성합니다.
한 가지 예는 Agrawal et al. [50]은 사용 가능한 개인 풀에서 모인 모든 팀에 대해 집계된 이득을 최대화(또는 비용을 최소화)하기 위한 경험적 알고리즘을 제안했습니다.
본 논문에서는 "강한" 구성원과 자신보다 "약한" 구성원을 팀으로 구성하는 두 가지 반복적 경험적 알고리즘을 제시합니다. 결과적으로 전문가는 여러 팀에 분산됩니다. 두 번째 접근 방식은 팀 구성 문제를 분할 문제로 공식화하는 것입니다. 개인 풀은 모인 모든 팀에 대해 경험적 측정법을 사용하여 팀으로 분할됩니다.
일부 구현에서는 유사한 특성을 공유하는 구성원을 찾는 것을 목표로 하는 클러스터링 알고리즘을 사용합니다. 몇 가지 예로는 Fuzzy C-Means를 사용하여 동종 팀의 개인을 클러스터링하는 Nurjanah 등의 구현[51]과 특정 협력 특성에 따라 학생들을 클러스터링하는 Srba 및 Bielikova의 구현[52]이 있습니다.
세 번째 접근 방식은 진화 알고리즘을 사용하여 효율적인 팀 조합을 찾는 것입니다[53, 54]. 간단히 말해서, 진화 알고리즘은 모든 구성원을 무작위 팀에 할당하기 시작한 다음 더 나은 팀 조합을 찾기 위해 개인의 구성원을 반복적으로 변경합니다. 결정된 목적 함수를 사용하여 조합을 평가한 후 진화 알고리즘은 다음 반복에서 새로운 조합을 찾기 위해 최상의 팀 조합을 유지합니다.
한 가지 예는 Agustı'n-Blas 등입니다. [53]은 개인을 그룹으로 구성하고 그룹에 필요한 자원을 극대화하는 팀 조합을 검색하는 유전자 알고리즘을 개발했습니다.
회원의 속성
두 번째 차원은 알고리즘이 고려하는 구성원의 속성에 중점을 둡니다. 알고리즘은 구성원 간의 사회적 연결 수 또는 팀이 다루는 기술 수와 같은 특정 팀 속성을 최대화하는 구성원을 찾는 것을 목표로 합니다.
대부분의 알고리즘은 팀의 기술(또는 전문 지식) 존재를 주요 목표로 설정합니다. 이 접근 방식의 예시는 팀에 특정 기술에 기여하는 구성원을 찾기 위해 수학적 프로그래밍을 사용하는 Zakarian과 Kusiak의 알고리즘[55]입니다.
다른 계산 구현에서는 역할에 따라 구성원을 할당하도록 제안합니다. 이 접근법을 기반으로 한 알고리즘은 Yannibelli et al. [56]은 구성원에게 특정 역할을 할당하여 학생 팀을 구성하는 진화적인 접근 방식을 개발했습니다.
또한 알고리즘에는 팀을 구성할 때 구성원의 소셜 네트워크가 포함될 수 있습니다. Lappaset al. [57] 구성원 간 사회적 거리가 가장 낮은 최고의 팀을 검색합니다(즉, 통신 비용 대리).
이 기사에서는 "Rarest First"와 "Enhanced Steiner"라는 두 가지 알고리즘을 제안합니다. 소셜 네트워크 G에서 문제 T를 해결할 수 있는 기술을 가진 구성원으로 규모 k의 최고의 팀을 구성하는 문제가 주어지면 첫 번째 알고리즘은 T를 해결할 기술을 가진 k 구성원 중에서 가능한 가장 작은 그래프 직경을 검색합니다. 두 번째 알고리즘은 검색 k 멤버를 T를 해결하는 기술(즉, 최소 스패닝 트리)과 연결하는 가장 작은 간선 하위 집합입니다.
두 알고리즘 모두 특정 소셜 네트워크에서 가능한 최고의 팀을 찾는 것을 목표로 합니다. 다른 구현에서는 팀 구성 문제의 일부로 인건비, 구성원의 가용성 및 구성원 간의 작업 부하 균형을 고려합니다[58].
For more information:1950477648n@gmail.com
