多様でつながりのあるチームを求めて: メンバーに基づいて多様なチームを編成するための計算的アプローチ パート 5
Jan 25, 2024
高速な非支配ソートステップ。 次に、アルゴリズムは、このサイズ 2r の結合から最適な r 個の染色体を選択する必要があります。 このセットを見つけるために、アルゴリズムは P からの既存のすべての染色体の間で非優勢ソートを実行します。
優勢ソートは、物事をよりよく覚えて理解するのに役立つ一般的な記憶テクニックです。 これは主に、関連情報を分類、分類、要約することによって知識間の論理的な関係を確立し、知識の理解と記憶を容易にします。
支配的なソートのステップには、主に分類、ソート、誘導、要約が含まれます。 分類段階では、関連情報を分類し、さまざまなカテゴリに分割する必要があります。 並べ替えの段階では、各カテゴリを特定の順序で配置できるように、各カテゴリのレベルと重要性を決定する必要があります。 導入段階では、この知識をよりよく理解し、記憶するために、さまざまなカテゴリー間の関係を統合し、抽出する必要があります。 要約段階では、欠点を発見して修正するために、支配的な分類プロセス全体を見直して反映する必要があります。
優勢ソートは記憶と密接に関係しています。 知識をより適切に整理および分類するのに役立ち、それによって記憶効率が向上します。 支配と分類を通じて、私たちはさまざまな情報を体系的に統合して整理し、知識の階層と関連付けを確立することで記憶のネットワークを形成し、記憶をより強く、より深くすることができます。 同時に、優位性の分類は、知識の価値と応用をより適切に探索するのにも役立ち、それによって思考力と問題解決能力を向上させることができます。
つまり、ドミナンスソートは、さまざまな知識をよりよく理解し、記憶するのに役立つ非常に実用的な記憶テクニックです。 継続的な練習と応用を通じて、私たちはこのスキルをより熟練して習得することができ、それによって学習と発達のための強固な基盤を築くことができます。 私たちは記憶力を向上させる必要があることが分かります。カンクサは多くのユニークな効果を持つ伝統的な漢方薬素材であり、そのうちの 1 つは記憶力の向上であるため、カンクサは記憶力を大幅に向上させることができます。 ひき肉の効能は、酸、多糖類、フラボノイドなどを含む、ひき肉に含まれるさまざまな有効成分によってもたらされます。これらの成分は、さまざまな方法で脳の健康を促進します。
目標は、他のソリューションよりも優れたパフォーマンスを発揮するソリューションを特定し、さまざまなパレート フロント F でのパフォーマンスに応じてそれらを分類することです。アルゴリズムは、最初にすべての染色体間の優性関係をチェックします。 2 つの染色体 T と T{{0}} があるとすると、Cc(T)�Cc(T0) および V(T)�V( T0) 少なくとも 1 つの厳密な不等式を持ちます。
言い換えれば、T はすべての目的について少なくとも T{{0}} と同等であり、少なくとも 1 つの目的については厳密にそれより優れています。 この支配関係は T � T0 と表されます。 T の目的の 1 つが T0 より良くなく、他の目的の値を低下させずにその値を改善できない場合、T は T0 によって支配されません。
非支配的な解決策の一例は、T のダイバーシティ スコアが高いものの、通信コストが T0 よりも高いことです。 非優勢なケースでは、T と T0 のいずれかが次世代の実行可能な解になります。
アルゴリズムがすべての染色体の優性関係をマッピングすると、すべての非優性解から構成される解のファーストパレート フロント (F1) が作成されます。 この集合はパレート最適集合とも呼ばれます。
次に、アルゴリズムは、最初のフロントで無視されたパレート最適解 (F2) の 2 番目のフロントを作成し、以下同様に続きます。 その結果、アルゴリズムは集団の染色体を部分集団の階層に分類します。 このソートでは、すべての染色体がパレート フロントに割り当てられるまで、連続するパレート フロントが検索され続けます。
新しい人口。 次に、アルゴリズムは次世代に最適な r 染色体を選択します。 特定の時点で、階層的なパレート フロント F でソートされた 2r の染色体があります。アルゴリズムは、パレート フロントに保存されている染色体を追加して、新しい集団 P0 を作成します。
最初のパレート フロントの合計サイズが r より小さい場合、アルゴリズムはこのフロントのすべての染色体を P{{0}} に追加します。 次に、アルゴリズムは、後続の非支配前線からの新しい集団に対する残りの解を追加します。 アルゴリズムは、P0 にフロントを追加できなくなるまでこの手順を続けます。
混雑距離。 アルゴリズムは、正確に r 個の染色体が存在するまで、新しい集団に染色体を追加する必要があります。 最後に選択された非優勢パレート フロント Fk に、P0 に追加できる染色体よりも多くの染色体がある場合、アルゴリズムは、r 個の染色体を完成させるために、Fk からより小さいセットを選択する必要があります。
d=r SizeðPÞ、つまり r を完成させるために欠落している染色体の数とします。 アルゴリズムは、染色体間の混雑距離を計算することにより、この最後のフロント Fk から最良の δ 染色体を特定します。
このメトリクスは、多目的問題のパフォーマンスの観点から染色体がどの程度類似しているかを決定します。 この距離を計算した後、アルゴリズムは距離に従って染色体をランク付けし、他の染色体と同様に機能する染色体を除外します。 この手順は、解決策の最前線を維持し、冗長な染色体を除去します。
次に、Fk からの δ 個の最良の染色体が P{{0}} に追加されます。 その結果、P0 は r 個の最良の染色体でカウントされ、次の世代の親となり、新しい反復が開始されます。
データ
このセクションでは、3 つの現実世界のデータセットを使用して、チーム編成問題に対して提案されたアルゴリズムを評価します。 データ ソースは、MyDreamTeam (チーム編成プラットフォーム)、Bibsonomy (ソーシャル ブックマーク サイト)、および GHTorrent (GitHub リポジトリ データベース) です。
これらのデータセットを使用して、このチーム編成の問題についてチームをシミュレートすると、実際のシナリオにおけるフレームワークの有効性がわかります。 これらのデータセットからの統計の概要を表 2 に示します。結果のデータと生データを前処理するスクリプトは、次のサイトから入手できます。http://nusoniclab.github.io/。
MyDreamTeam データセット。 実際のチーム編成事例からのデータを使用して、提案したアルゴリズムを評価します。 私たちはこのデータセットを、個人がチームを自己結成するのを支援する推薦システムである My Dream Team Builder [33] から抽出しました。
このデータセットには、参加者が自分でチームを結成するケースが含まれています。 ケースの日付は 2014 年から 2020 年までです。この推薦システムでは、参加者はプロフィールを作成し、チームメイトを検索し、チームを結成するための招待状を送信します。
事例は米国の大学の授業で構成されています。 データセットには、最初の調査で報告された参加者の特性、人口統計、ソーシャル ネットワークが含まれています。 アルゴリズムをテストするために、学部コース、大学院コース、MBA コースの 3 つのケースを選択しました。 参加者はこのシステムを使用してチームを編成し、小グループでディスカッションを行いました。
参加者からデータを収集する許可は、ノースウェスタン大学治験審査委員会によって承認されました (#STU00078513)。 この研究中は、被験者の倫理的使用に関する適用されるすべての制度的規制および政府規制が遵守されました。
オンライン調査手段を介して研究参加者から電子同意を取得しました。 参加者は、My Dream Team Builder を通じて収集されたデータを研究目的で使用することに同意するよう求められました。 ユーザーの識別子をハッシュして匿名化されたデータセットを作成しました。
ビブソノミー。 2 番目のデータセットは、ソーシャル ブックマークおよび出版物共有システムである BibSonomy [34] から抽出されます。 以前のチーム結成の論文ではこのデータベースを使用してアルゴリズムをテストしたため、ビブソノミーを選択しました [58]。
このデータセットは、カッセル大学の Knowledgeand Data Engineering Group によって管理されています。 bibsonomy データセットはライセンス契約に基づいて利用可能であり、https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/ でリクエストできます。 このデータセットには、コンピューター サイエンス関連の出版物が多数含まれています。 各出版物は著者のグループによって書かれています。
多くのユーザーは、タグを使用して Bibsonomy Web サイトにアクセスし、出版物に注釈を付けます。 Anagnostopoulosらによって記載された手順に従ってください。 [58] では、各著者の論文に関連付けられたタグを使用して、著者のスキルを表現しました。 各著者のスキルは、それぞれのタグで出版された論文の数を表します。 アルゴリズムをテストするために、ソーシャル ネットワーク分析に関連する 3 つのジャーナル、「Nature」、「Science」、および「Physica A: Statistical Mechanics and its Applications」を選択しました。
私たちはこれらの各ジャーナルのタグの頻度を数え、研究に関連する人気のあるタグをいくつか選択しました。 最初の 2 つのジャーナルでは、「ネットワーク」、「ソーシャル ネットワーク」、「スモールワールド」のタグが含まれる論文を選択しました。
次に、これらの論文の著者を特定し、共著者ネットワークを作成し、最大の構成要素から著者を選択しました。 同様に、タグ「ネットワーク」、「グラフ」、「モデル」、および「システム」を使用して、3 番目のジャーナルに対してこの手順を実行しました。 著者の名前をハッシュして匿名化されたデータセットを作成しました。
GHTorrent。 私たちは、GitHub API を通じて提供されるデータのオフラインミラーである GHTorrent プロジェクト [35] によって提供される GitHub データを使用しました。 このデータセットは https://ghtorrent.org/downloads.html からダウンロードできます。 GHTorrent データセットは、リポジトリ、プル リクエスト、ユーザーなど、Github 上の幅広い開発アクティビティをカバーしています。 テスト データセットを構築するために、データセット ダンプ「06/01/2019」をダウンロードしました。
中央値のユーザーを分析に含めるために、40 ～ 80 のプロジェクトに貢献したユーザーをフィルタリングしました。 BibSonomy データセットと同様のアプローチに従い、各ユーザーが提供したリポジトリに関連付けられたプログラミング言語を使用して、ユーザーのスキルを表現しました。
各ユーザーのスキルは、特定の言語で書かれた貢献プロジェクトの数を表します。 リポジトリには複数の言語のファイルを含めることができるため、リポジトリで最もよく使用される言語をリポジトリの言語として選択しました。
このデータセットで最も人気のある 3 つの言語、Java、Python、Ruby を選択しました。 次に、これらのリポジトリのユーザーを特定し、コラボレーション ネットワークを作成しました。 この例では、ユーザーが同じリポジトリに少なくとも 2 回貢献すると、そのユーザーは評価されます。 最後に、最大のコンポーネントからユーザーを選択しました。 著者の名前をハッシュして匿名化されたデータセットを作成しました。
評価
チーム編成問題に対して提案されたアルゴリズム (NSGA-II と表記) を、ベンチマーク目的で使用される 3 つのよく知られた多目的最適化手法と比較します [62、72]。
パレート局所探索 (PLS) メソッド。 この反復アルゴリズムは、初期母集団としてランダムな解のセットから開始し、各解の近傍を探索します [73、74]。 このアルゴリズムは、パレート優位性に基づいて母集団を更新します。つまり、支配されていない近傍を母集団に追加し、新しく追加された解によって支配されている既存の解を削除します。
ソリューションの近傍が完全に探索されると、そのソリューションは探索済みとしてマークされます。 このアルゴリズムは、より良い解決策が見つからなくなるまで、母集団に追加される新しい解決策を繰り返し探索します。 すべての解が探索され、非支配的な解がそれ以上発見できなくなると、アルゴリズムは停止します。 Zihayatらによって提案されたバージョンを実装しました。 [72] 組み合わせ問題の場合。
この実装では、ソリューションの近隣とは、2 人のメンバーがチームを交換するソリューションからの考えられるすべてのチームの組み合わせです。 PLS は固定世代数に依存しないため、このアルゴリズムの反復を 1 回だけ実行して、その結果を他の方法と比較します。
個人が n 人いて、アルゴリズムが各解の n2 近傍を探索するとすると、この実装の計算量は最良のシナリオでは O(n3) になります。
For more information:1950477648nn@gmail.com
