다양하고 연결된 팀을 찾아서: 구성원을 기반으로 다양한 팀을 구성하는 컴퓨팅 접근 방식 5부
Jan 25, 2024
빠른 비지배 정렬 단계. 다음으로, 알고리즘은 크기 2r의 결합에서 가장 좋은 r 염색체를 선택해야 합니다. 이 세트를 찾기 위해 알고리즘은 P의 모든 기존 염색체 중에서 비우성 정렬을 수행합니다.
우성 정렬은 우리가 사물을 더 잘 기억하고 이해하는 데 도움이 되는 일반적인 기억 기술입니다. 주로 관련된 정보를 분류, 정리, 요약함으로써 지식 간의 논리적 관계를 확립함으로써 우리가 이 지식을 더 쉽게 이해하고 기억할 수 있도록 해줍니다.
지배적인 정렬 단계에는 주로 분류, 정렬, 유도 및 요약이 포함됩니다. 분류 단계에서는 관련 정보를 분류하고 여러 카테고리로 나누어야 합니다. 정렬 단계에서는 각 범주의 수준과 중요도를 결정하여 특정 순서로 정렬할 수 있도록 해야 합니다. 유도 단계에서 우리는 이 지식을 더 잘 이해하고 기억하기 위해 다양한 범주 간의 관계를 통합하고 추출해야 합니다. 요약 단계에서는 지배력 정렬 과정 전체를 검토하고 반성하여 부족한 점을 발견하고 수정해야 합니다.
우성 정렬은 기억과 밀접한 관련이 있습니다. 지식을 더 잘 정리하고 정리하는 데 도움이 되어 기억 효율성이 향상됩니다. 지배와 분류를 통해 우리는 다양한 정보를 체계적으로 통합하고 배열할 수 있으며, 지식의 계층과 연합을 구축함으로써 기억 네트워크를 형성하여 우리의 기억을 더 강하고 깊게 만들 수 있습니다. 동시에, 지배력 정렬은 지식의 가치와 적용을 더 잘 탐구하여 사고력과 문제 해결 능력을 향상시키는 데 도움이 될 수 있습니다.
간단히 말해서, 지배성 정렬은 다양한 지식을 더 잘 이해하고 기억하는 데 도움이 될 수 있는 매우 실용적인 기억 기술입니다. 지속적인 연습과 적용을 통해 우리는 이 기술을 더욱 능숙하게 습득할 수 있으며, 이를 통해 학습과 발전을 위한 탄탄한 기반을 마련할 수 있습니다. 기억력 향상이 필요하다고 볼 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.
목표는 다른 것보다 더 나은 성능을 보이는 솔루션을 식별하고 다양한 파레토 전선 F의 성능에 따라 분류하는 것입니다. 알고리즘은 먼저 모든 염색체 간의 우세 관계를 확인합니다. 두 개의 염색체 T와 T{0}}가 주어지면 T는 T0를 지배합니다. 이는 Cc(T)�Cc(T0) 및 V(T)�V(인 경우에만 해당됩니다. T0) 적어도 하나의 엄격한 부등식이 있습니다.
즉, T는 모든 목표에 대해 최소한 T{0}}만큼 좋고 적어도 하나의 목표에 대해서는 엄격하게 더 좋습니다. 이 지배 관계는 T � T0로 표시됩니다. T의 목적 중 하나가 T0보다 낫지 않고 다른 목적 값 중 일부를 저하시키지 않고는 가치를 향상시킬 수 없는 경우 T는 T0의 지배를 받지 않습니다.
비지배적 솔루션의 한 가지 예는 T0보다 다양성 점수가 높지만 통신 비용이 더 높은 T입니다. 비우세 사례에서는 T와 T0 중 하나가 다음 세대에 적합한 솔루션입니다.
알고리즘이 모든 염색체의 우성 관계를 매핑하면 모든 비지배 솔루션(F1)으로 구성된 솔루션의 첫 번째 파레토 프런트를 생성합니다. 이 세트는 파레토 최적 세트라고도 합니다.
그런 다음 알고리즘은 첫 번째 전선에서 무시되었던 파레토 최적해(F2)의 두 번째 전선을 생성합니다. 결과적으로 알고리즘은 모집단의 염색체를 하위 모집단의 계층 구조로 정렬합니다. 정렬은 모든 염색체가 파레토 전선에 할당될 때까지 연속적인 파레토 전선을 계속 찾습니다.
새로운 인구. 그런 다음 알고리즘은 다음 세대에 가장 적합한 r 염색체를 선택합니다. 주어진 시간에 계층적 파레토 전선 F에 정렬된 2r 염색체가 있습니다. 알고리즘은 파레토 전선에 저장된 염색체를 추가하여 새로운 모집단 P0를 생성합니다.
첫 번째 파레토 정면의 전체 크기가 r보다 작으면 알고리즘은 이 정면의 모든 염색체를 P{{0}}에 추가합니다. 그런 다음 알고리즘은 후속 비지배 전선의 새로운 인구에 대한 나머지 솔루션을 추가합니다. 알고리즘은 P0에 더 많은 전선을 추가할 수 없을 때까지 이 절차를 계속합니다.
밀집 거리. 알고리즘은 정확히 r개의 염색체가 있을 때까지 새 집단에 염색체를 추가해야 합니다. 마지막으로 선택된 비지배 파레토 프론트 Fk에 P0에 추가할 수 있는 것보다 더 많은 염색체가 있는 경우 알고리즘은 Fk에서 더 작은 세트를 선택하여 r 염색체를 완성해야 합니다.
r을 완성하기 위해 누락된 염색체의 수인 d ¼ r SizeðPÞ를 지정합니다. 알고리즘은 염색체 간의 밀집 거리를 계산하여 이 마지막 앞 Fk에서 가장 좋은 δ 염색체를 식별합니다.
이 측정 기준은 다목적 문제의 성능 측면에서 염색체가 얼마나 유사한지를 결정합니다. 이 거리를 계산한 후 알고리즘은 거리에 따라 염색체의 순위를 매기고 다른 염색체와 유사하게 수행되는 염색체를 제거합니다. 이 절차는 해외 솔루션의 선두를 유지하고 중복 염색체를 제거합니다.
그런 다음 Fk의 δ 최상의 염색체가 P{{0}}에 추가됩니다. 결과적으로 P0는 r개의 가장 좋은 염색체로 계산되어 다음 세대의 부모가 되어 새로운 반복을 시작합니다.
데이터
이 섹션에서는 세 가지 실제 데이터 세트를 사용하여 팀 구성 문제에 대해 제안된 알고리즘을 평가합니다. 데이터 소스는 MyDreamTeam(팀 구성 플랫폼), Bibsonomy(소셜 북마크 사이트) 및 GHTorrent(GitHub 저장소 데이터베이스)입니다.
이러한 데이터 세트를 사용하여 팀 구성 문제에 대한 팀을 시뮬레이션하면 실제 시나리오에서 프레임워크의 효율성이 입증됩니다. 표 2에는 이러한 데이터세트의 요약 통계가 나와 있습니다. 결과 데이터와 원시 데이터를 전처리하는 스크립트는 다음에서 확인할 수 있습니다.http://nusoniclab.github.io/입니다.
MyDreamTeam 데이터세트. 실제 팀 구성 사례의 데이터를 사용하여 제안된 알고리즘을 평가합니다. 우리는 개인이 팀을 자체 구성하는 데 도움을 주는 추천 시스템인 My Dream Team Builder[33]에서 이 데이터 세트를 추출했습니다.
이 데이터 세트에는 참가자가 스스로 팀을 구성한 사례가 포함되어 있습니다. 사례 날짜는 2014년부터 2020년까지입니다. 이 추천 시스템에서 참가자는 프로필을 만들고, 팀원을 검색하고, 팀 구성에 초대장을 보냅니다.
사례는 미국 대학의 수업으로 구성됩니다. 데이터세트에는 초기 설문조사에서 보고한 참가자의 특성, 인구통계 및 소셜 네트워크가 포함됩니다. 우리는 알고리즘을 테스트하기 위해 학부 과정, 대학원 과정, MBA 과정의 세 가지 사례를 선택했습니다. 참가자들은 이 시스템을 사용하여 소그룹 토론을 위한 팀을 구성했습니다.
참가자로부터 데이터를 수집하는 권한은 Northwestern University 기관 검토 위원회(#STU00078513)의 승인을 받았습니다. 본 연구에서는 인간 피험자의 윤리적 사용에 관한 모든 적용 가능한 기관 및 정부 규정을 준수했습니다.
온라인 설문조사 도구를 통해 연구 참가자로부터 전자 동의를 얻었습니다. 참가자들에게 My Dream Team Builder를 통해 수집된 데이터를 연구 목적으로 사용하는 데 동의하라는 요청을 받았습니다. 우리는 사용자의 식별자를 해시하여 익명화된 데이터 세트를 생성했습니다.
BibSonomy. 두 번째 데이터 세트는 소셜 북마크 및 출판물 공유 시스템인 BibSonomy[34]에서 추출되었습니다. 이전 팀 구성 문서에서 이 데이터베이스를 사용하여 알고리즘을 테스트했기 때문에 우리는 bibsonomy를 선택했습니다[58].
이 데이터 세트는 카셀 대학교의 Knowledgeand Data Engineering Group에서 관리합니다. Bibsonomy 데이터 세트는 라이센스 계약에 따라 제공되며 https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/에서 요청할 수 있습니다. 이 데이터 세트에는 컴퓨터 과학 관련 출판물이 많이 포함되어 있습니다. 각 출판물은 저자 그룹에 의해 작성됩니다.
많은 사용자가 출판물에 주석을 달기 위해 태그를 사용하여 Bibsonomy 웹사이트를 방문합니다. Anagnostopoulos et al.에 의해 설명된 절차를 따릅니다. [58], 우리는 각 저자의 논문과 관련된 태그를 사용하여 그들의 기술을 나타냈습니다. 각 저자의 기술은 해당 태그로 출판된 논문의 수를 나타냅니다. 우리는 알고리즘을 테스트하기 위해 소셜 네트워크 분석과 관련된 세 가지 저널인 "Nature", "Science" 및 "Physica A: Statistical Mechanics and its Application"을 선택했습니다.
우리는 각 저널의 태그 빈도를 계산하고 우리 연구와 관련된 몇 가지 인기 있는 태그를 선택했습니다. 처음 두 저널의 경우 '네트워크', '소셜 네트워크', '작은 세상' 태그가 포함된 논문을 선택했습니다.
그런 다음 이 논문의 저자를 식별하고 공동 저자 네트워크를 만들고 가장 큰 구성 요소에서 저자를 선택했습니다. 마찬가지로, '네트워크', '그래프', '모델', '시스템' 태그를 사용하여 세 번째 저널에 대해 이 절차를 수행했습니다. 익명화된 데이터 세트를 생성하기 위해 작성자의 이름을 해시했습니다.
GH토렌트. 우리는 GitHub API를 통해 제공되는 데이터의 오프라인 미러인 GHTorrent 프로젝트[35]에서 제공하는 GitHub 데이터를 사용했습니다. 이 데이터 세트는 https://ghtorrent.org/downloads.html에서 다운로드할 수 있습니다. GHTorrent 데이터 세트는 리포지토리, 풀 요청 및 사용자를 포함하여 Github의 광범위한 개발 활동을 다룹니다. 테스트 데이터세트를 구축하기 위해 데이터세트 덤프 "06/01/2019"를 다운로드했습니다.
우리는 분석에 중간 사용자를 유지하기 위해 40~80개의 프로젝트에 기여한 사용자를 필터링했습니다. BibSonomy 데이터 세트와 유사한 접근 방식에 따라 우리는 각 사용자가 기여한 저장소와 관련된 프로그래밍 언어를 사용하여 사용자의 기술을 나타냈습니다.
각 사용자의 기술은 특정 언어로 작성된 기여된 프로젝트의 수를 나타냅니다. 리포지토리에는 여러 언어로 된 파일이 있을 수 있으므로 리포지토리에서 가장 많이 사용되는 언어를 리포지토리 언어로 선택했습니다.
우리는 이 데이터세트에서 가장 인기 있는 세 가지 언어인 Java, Python, Ruby를 선택했습니다. 그런 다음 이러한 저장소의 사용자를 식별하고 협업 네트워크를 만들었습니다. 이 예에서 사용자는 동일한 저장소에 두 번 이상 기여한 경우 atie를 갖습니다. 마지막으로 가장 큰 구성 요소에서 사용자를 선택했습니다. 우리는 익명화된 데이터 세트를 생성하기 위해 작성자의 이름을 해시했습니다.
평가
우리는 팀 형성 문제(NSGA-II로 표시됨)에 대해 제안된 알고리즘을 벤치마크 목적으로 사용되는 세 가지 잘 알려진 다중 목표 최적화 방법과 비교합니다[62, 72]:
파레토 로컬 검색(PLS) 방법. 이 반복 알고리즘은 초기 모집단으로 무작위 솔루션 세트로 시작하여 각 솔루션의 이웃을 탐색합니다 [73, 74]. 알고리즘은 파레토 지배력을 기반으로 모집단을 업데이트합니다. 즉, 비지배적 이웃을 모집단에 추가하고 새로 추가된 솔루션이 지배하는 기존 솔루션을 제거합니다.
솔루션 주변이 완전히 탐색되면 해당 솔루션이 탐색된 것으로 표시됩니다. 알고리즘은 더 나은 솔루션이 발견되지 않을 때까지 모집단에 추가되는 새로운 솔루션을 반복적으로 탐색합니다. 모든 솔루션을 탐색하고 비지배 솔루션을 더 이상 발견할 수 없으면 알고리즘이 중지됩니다. 우리는 Zihayat et al.이 제안한 버전을 구현했습니다. [72] 조합 문제의 경우.
이 구현에서 솔루션의 이웃은 두 구성원이 팀을 교환하는 솔루션에서 가능한 모든 팀 조합입니다. PLS는 고정된 세대 수에 의존하지 않기 때문에 이 알고리즘을 한 번만 반복하여 결과를 다른 방법과 비교합니다.
n명의 개인이 주어지고 알고리즘이 각 솔루션의 n2개의 이웃을 탐색할 때 이 구현의 계산 복잡도는 최상의 시나리오에서 O(n3)입니다.
For more information:1950477648nn@gmail.com
