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 7
Jan 25, 2024
結果は、NSGA-II アルゴリズムが 9 つのデータセットのうち 6 つで最大のハイパーボリューム値を達成し、他の 3 つのデータセットでは 2 番目に高い値を達成したことを示しています (表 3)。 言い換えれば、NSGA-II は他のアルゴリズムよりも多様性レベルが高く、通信コストが低いチームの組み合わせをより多く見つけることができました。
記憶は私たちの生活において重要な役割を果たします。 これは、既存の知識や経験を活用して問題を解決できるかどうかを決定し、学習や仕事のパフォーマンスにも影響します。 既存のデータセットは、記憶とさまざまな要因の関係も実証しており、より多くの洞察と可能性をもたらしてくれます。
まず、さまざまな研究により、健康状態が良好な記憶力の基礎であることが示されています。 適切な運動とバランスの取れた食事は、神経系の効率を高め、神経組織を保護します。 身体的に健康な人は心臓血管と精神の健康状態が良好であり、その状態は記憶力と認知機能の向上に関係しています。
第二に、感情状態と認知状態の間には密接な関係があります。 研究によると、過度の不安やストレスは脳内のニューロン間のコミュニケーションを混乱させ、記憶喪失や集中力の低下などの問題を引き起こす可能性があります。 ポジティブな感情の管理と制御を通じて記憶力の向上を促進します。
さらに、私たちの生活環境や日常習慣も記憶の発達と維持に影響を与えます。 たとえば、メモをとること、自分に合った学習方法を見つけること、ブレインストーミングをすること、社会活動を適度に行うこと、旅行することは、記憶力の発達に非常に有益です。 一方、悪い睡眠習慣やさまざまな娯楽方法は、神経系に深刻な影響を与え、記憶力を傷つけます。 影響。
要約すると、記憶力は私たちの効率的な生活の重要な部分であり、学習能力、労働能力、生活の質を決定します。 適切な運動と食事、感情の管理、日常生活の調整を通じて、私たちは記憶力と認知能力を大幅に向上させ、より効率的かつ幸せに生きることができます。 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。
NSGA-II の高いハイパーボリューム値は、アルゴリズムがパレート フロントの両端に位置する非支配的な解を見つけるのに役立った、その混雑距離ステップによって説明できます。
PLS と HPSO は、冗長なソリューションを回避するための基準をまったく確立していなかったので、それらのソリューションは、特定の領域に集中した非支配的なソリューションのセットをもたらしました。 したがって、NSGA-II によって提供されるチームの組み合わせのセットは、他のアルゴリズムによって提供される組み合わせよりも優先されることがよくありました。
NSGA-II の実装では、9 つのデータセットのうち 6 つで最も高い固有の非支配前比 (UNFR) 値もスコア付けされました。 言い換えれば、NSGA-II は、他のアルゴリズムでは見つけることができなかった、より多くの非支配的なチームの組み合わせを頻繁に提供しました。
他のケースで NSGA-II が 2 位になった理由として考えられるのは、コラボレーション ネットワークの密度が低いことです。 個人間の事前接続がほとんどないプールでは、可能性のある高度に接続されたチームの組み合わせの数が減り、ヒューリスティック検索が非効率になります。
対照的に、HPSO と PLS は NSGA-II よりも多くの交差操作と突然変異操作を実行しました。 これらの操作を複数回実行することで、HPSO と PLS はより多くのチームの組み合わせを調べることができ、通信スコアが低い特定のチームの組み合わせを見つける可能性が高まりました。
HPSO は 2 番目に高いハイパーボリュームと UNFR 値を達成しました。 これは、高い多様性レベルを記録した、ほぼパレート フロントの中央にある非支配的なソリューションの恩恵を受けました。
これらの非支配的なソリューションは他のアルゴリズムよりも優れたパフォーマンスを発揮し、その近似パレート フロントによって作成される領域を増加させました。 SPEA-2 と PLS はいくつかのソリューションに収束し、NSGA-II や HPSO ソリューションよりも狭い領域をカバーします。 全体として、NSGA-II は、これら 2 つの目的にわたってより多くの非支配的なソリューションを見つけ、通信コスト値の分散がより高いソリューションを提供しました。
多様性と親しみやすさの両方における大きな分散は、NSGA-II アルゴリズムが他のアルゴリズムよりも多くの非支配的な解を見つけたことを示しており、これは真のパレート フロントを見つけるのに望ましいことです。 NSGA-II の混雑距離ステップにより、アルゴリズムはより広範囲の非支配的な解を維持できるようになりました。 さらに、このアルゴリズムは、後の反復で非支配的な解決策を生成する可能性のある二次的な解決策を異なる層に保ちました。
アルゴリズムが新しい世代を作成し続けるにつれて、他の潜在的な解決策を見つけるために支配的な解決策が考慮される可能性があります。 さらに、NSGA-II は、トレードオフの途中で非支配的なソリューションを識別することもできます。
対照的に、他のアルゴリズムの分散が低いことは、それらのアルゴリズムが特定の非支配解セットと特定のトレードオフに収束する可能性が高いことを示しています。 これらのアルゴリズムには、現在の母集団を多様化する操作や、冗長な非支配的なソリューションを削除する操作は含まれていません。 したがって、これらのアルゴリズムには、パレート フロントの両端に存在する多様な解決策が欠けている可能性があります。
図 4 は、実装されたすべてのアルゴリズムの実行時間を示しています。 図 5 は、アルゴリズムの実行時間がどのように利用可能な個人の数の関数であるかを示しています。 結果は、参加者プールが増加するにつれて、NSGA-II 実装が PLS や HPSO よりも優れたパフォーマンスを発揮することを示しています。
PLS では、考えられるすべての組み合わせが使い果たされるまで、ソリューションの近傍を探索するためにさらに時間がかかりました。 HPSO の場合、各ソリューションに対して 2 つのクロスオーバーと 1 つの突然変異ステップが実行されるため、NSGA-II では 1 つのクロスオーバー ステップしか実行されないため、アルゴリズムの操作が NSGA-II の 3 倍長くなりました。 HPSO は NSGA-II よりも時間がかかりましたが、どちらも多項式時間 (O(n2)) で機能しました。
私たちの結果は、NSGA-II が同様の結果を得るのに要した時間は、PLS と HPSO の 3 分の 1 未満であることを示唆しています。 したがって、入力サイズが増加するにつれて効率的にソリューションを見つけるには、NSGA-II を使用することを強くお勧めします。 SPEA-2 では、PLS や NSGA-II よりも優れた解は見つかりませんでしたが、結果は NSGA-II および PLS 手法よりも速く収束しました。
最後に、チームメンバー間の距離を把握するために、編成されたチーム内の直接連絡先 (1- ホップ)、共有連絡先 (2- ホップ)、3- ホップなどの頻度を計算しました( S1 ファイルの S3 テーブルを参照してください)。
結果は、メンバーの大多数が 1 つの仲介者を通じて他のメンバーとつながっていたこと (±31%)、次に直接つながっていたメンバー (±30%) であることを示唆しています。 これらの数字は、結果として得られたチームが全体的に高度に接続されており、多くのホップを介して接続されたメンバーが代表的なものではなかったことを示しています。
議論
チームの編成は、特に多様性とメンバーのチームメイトの好みとの間のバランスをもたらすことが目標である場合には、困難な作業です。 これまでの研究は可能な限り最高のチームを探すことに焦点を当てていましたが [37]、この論文の貢献はスキルとつながりを公平に分配するバランスの取れたチームの組み合わせを探すことにあります。 さらに、メンバーの貢献の多様性とメンバー間の以前の関係の両方を含むチームを編成することは、成功を保証するための究極の課題になります[78、79]。
この研究では、計算的アプローチを使用して、多様性と高度に連携したチームを作成する問題を検討します。 私たちは、チームの多様性とコミュニケーションコストに応じて異なるチームの組み合わせを提供する遺伝的アルゴリズムを使用して、このチーム編成問題を実装しました。
この結果は、この遺伝的アプローチを通じて、多様で高度に連携したチームを効率的かつ迅速に編成できることを示しています。 次のサブセクションでは、この研究の意味と潜在的な応用について詳しく説明します。
この研究は、メンバーのスキルをさまざまなグループに分散し、以前の関係を考慮する複数のチームを編成するためにコンピューターによるアプローチを使用する利点を示しています。 これまでの研究は主に、ソーシャルプールから可能な限り最良のチームを見つけることに重点を置いています（例：エキスパートチーム、オールスターチーム）[36、57、58]。
ただし、複数のチームの検索は、学生チームの結成、事業単位内での運営チームの結成、科学研究の実施など、学習や組織の状況にも関連します。
優秀なチームを編成することに重点が置かれているため、最高のメンバーを集めるアルゴリズムは、スキルの低い他のメンバーを犠牲にして、これらの社会的グループ内で大きな分離を生み出す可能性があります[80]。 少数のチームにスキルや専門知識が集中すると、同様の機会や社会的つながりを持つ他のチームの出現が妨げられます。
この論文が実証しているように、高度な計算インフラストラクチャとビッグデータの使用は、個人では体系的かつ簡単に検討できなかったいくつかのチームの組み合わせを再考する新たな機会を提供します[37、44]。 チームビルダーは、手動の戦略や直感を使用してチームを作成するのではなく、アルゴリズムを使用して、多様性と親しみやすさを同時に最適化するさまざまなチームの組み合わせを調整できます。
したがって、この論文で紹介されているような実装により、チームビルダーはチームメンバー間の親密度を損なうことなく、異種混合の多様なチームを作成できます。これはコラボレーションを成功させるために不可欠です[81]。
For more information:1950477648nn@gmail.com
