À la recherche d'équipes diversifiées et connectées : une approche informatique pour constituer des équipes diverses basées sur les membres, partie 7

Les résultats montrent que l'algorithme NSGA-II a atteint les valeurs d'hypervolume les plus élevées sur 6 des 9 ensembles de données et la deuxième valeur la plus élevée pour les trois autres ensembles de données (Tableau 3). En d’autres termes, NSGA-II a fréquemment trouvé plus de combinaisons d’équipes avec des niveaux de diversité plus élevés et des coûts de communication inférieurs que les autres algorithmes.

La mémoire joue un rôle essentiel dans nos vies. Cela détermine si nous pouvons utiliser pleinement les connaissances et l'expérience existantes pour résoudre des problèmes, et affecte également notre apprentissage et nos performances au travail. Les ensembles de données existants ont également démontré la relation entre la mémoire et divers facteurs, ce qui nous offre davantage d’informations et de possibilités.

Premièrement, diverses études démontrent qu’une bonne santé est la pierre angulaire d’une bonne mémoire. Un exercice physique adéquat et une alimentation équilibrée peuvent améliorer l’efficacité du système nerveux et protéger les tissus nerveux. Les personnes en bonne forme physique ont une meilleure santé cardiovasculaire et mentale, conditions qui ont été associées à une amélioration de la mémoire et des fonctions cognitives.

Deuxièmement, il existe également un lien étroit entre les états émotionnels et les états cognitifs. La recherche montre qu'une anxiété et un stress excessifs peuvent perturber la communication entre les neurones du cerveau, entraînant des problèmes tels qu'une perte de mémoire et des difficultés de concentration. Aide à promouvoir l’amélioration de la mémoire grâce à la gestion et à la régulation des émotions positives.

De plus, notre cadre de vie et nos habitudes quotidiennes auront également un impact sur le développement et le maintien de la mémoire. Par exemple, prendre des notes, trouver une méthode d’apprentissage qui vous convient, réfléchir, modérer des activités sociales et voyager est grandement bénéfique au développement de la mémoire ; tandis que les mauvaises habitudes de sommeil et diverses méthodes de divertissement affecteront sérieusement le système nerveux et nuiront à la mémoire. Influence.

En résumé, la mémoire est un élément important de notre vie efficace, qui détermine notre capacité d’apprentissage, notre capacité de travail et notre qualité de vie. Grâce à un exercice physique et à une alimentation appropriés, à une gestion émotionnelle et à des ajustements de la vie quotidienne, nous pouvons considérablement améliorer notre mémoire et nos capacités cognitives, nous permettant ainsi de vivre plus efficacement et plus heureux. On peut voir que nous devons améliorer la mémoire, et la Cistanche deserticola peut améliorer considérablement la mémoire, car la Cistanche deserticola est une matière médicinale traditionnelle chinoise qui a de nombreux effets uniques, dont l'un est d'améliorer la mémoire. L’efficacité de la viande hachée vient des différents ingrédients actifs qu’elle contient, notamment des acides, des polysaccharides, des flavonoïdes, etc. Ces ingrédients peuvent favoriser la santé cérébrale de diverses manières.

Cliquez sur connaître les suppléments pour améliorer la mémoire

Les valeurs d'hypervolume élevées de NSGA-II peuvent s'expliquer par son pas de distance d'encombrement, qui a aidé l'algorithme à trouver des solutions non dominées situées aux extrémités du front de Pareto.

Puisque PLS et HPSO n’ont établi aucun critère pour éviter les solutions redondantes, leurs solutions ont abouti à un ensemble de solutions non dominées concentrées dans certains domaines. Par conséquent, l’ensemble des combinaisons d’équipes fournies par NSGA-II dominait fréquemment celles fournies par les autres algorithmes.

La mise en œuvre de NSGA-II a également obtenu les valeurs de rapport de front non dominé unique (UNFR) les plus élevées sur 6 des 9 ensembles de données. En d’autres termes, NSGA-II fournissait fréquemment davantage de combinaisons d’équipes non dominées que les autres algorithmes ne pouvaient pas trouver.

Une explication possible de la deuxième place du NSGA-II dans les autres cas est la faible densité du réseau de collaboration. Les pools avec peu de connexions préalables entre les individus réduiront le nombre de combinaisons possibles d'équipes hautement connectées, rendant la recherche heuristique inefficace.

En revanche, HPSO et PLS ont effectué plus d'opérations de croisement et de mutation que NSGA-II. L'exécution de ces opérations à plusieurs reprises a permis à HPSO et PLS d'examiner davantage de combinaisons d'équipes et d'augmenter leur probabilité de trouver des combinaisons d'équipes spécifiques avec de faibles noyaux de communication.

HPSO a atteint les deuxièmes valeurs d'hypervolume et d'UNFR les plus élevées. Il a bénéficié des solutions non dominées au milieu du front approximatif de Pareto, qui ont atteint des niveaux de diversité élevés.

Ces solutions non dominantes ont surpassé les autres algorithmes et ont augmenté la zone créée par son front de Pareto approximatif. SPEA-2 et PLS ont convergé vers quelques solutions, couvrant une zone plus petite que les solutions NSGA-II et HPSO. Dans l'ensemble, NSGA-II a trouvé des solutions plus non dominées pour ces deux objectifs et a fourni des solutions avec une plus grande variance dans les valeurs des coûts de communication.

La grande variance en termes de diversité et de familiarité montre que l'algorithme NSGA-II a trouvé plus de solutions non dominées que les autres algorithmes, ce qui est souhaitable pour trouver le véritable front de Pareto. L’étape de distance d’encombrement de NSGA-II a permis à l’algorithme de conserver une gamme plus large de solutions non dominées. De plus, l’algorithme a gardé les solutions secondaires indifférentes aux couches qui auraient pu générer des solutions non dominées dans les itérations ultérieures.

Alors que l’algorithme continue de créer de nouvelles générations, des solutions dominées peuvent toujours être envisagées pour trouver d’autres solutions potentielles. De plus, NSGA-II pourrait encore identifier des solutions non dominées au milieu du compromis.

En revanche, la faible variance des autres algorithmes montre qu’ils étaient susceptibles de converger vers un ensemble spécifique de solutions non dominées et vers un compromis spécifique. Ces algorithmes n'incluaient pas d'opérations visant à diversifier leurs populations actuelles ou à supprimer les solutions redondantes non dominées. Par conséquent, ces algorithmes pourraient manquer de solutions diverses qui se situent aux extrêmes du front de Pareto.

La figure 4 présente le temps d'exécution de tous les algorithmes implémentés. La figure 5 montre comment la durée d'exécution des algorithmes est fonction du nombre d'individus disponibles. Les résultats montrent que la mise en œuvre de NSGA-II fonctionne mieux que PLS et HPSO à mesure que le pool de participants augmente.

PLS a nécessité plus de temps pour explorer les quartiers des solutions jusqu'à ce que toutes les combinaisons possibles soient épuisées. Dans le cas de HPSO, les deux croisements et une étape de mutation effectués pour chaque solution ont rendu le fonctionnement de l'algorithme trois fois plus long que celui de NSGA-II puisque ce dernier n'effectue qu'une seule étape de croisement. Bien que HPSO ait pris plus de temps que NSGA-II, les deux ont fonctionné en temps polynomial (O(n2)).

Nos résultats suggèrent que NSGA-II a nécessité moins d'un tiers du temps nécessaire à PLS et HPSO pour fournir des résultats similaires. Par conséquent, l'utilisation de NSGA-II est fortement encouragée pour trouver des solutions efficacement à mesure que la taille d'entrée augmente. SPEA-2 n'a pas trouvé de meilleures solutions que PLS ou NSGA-II, mais ses résultats ont convergé plus rapidement que les méthodes NSGA-II et PLS.

Enfin, nous avons calculé la fréquence des contacts directs (1-sauts), des contacts partagés (2-sauts),3-sauts et bien plus encore dans les équipes constituées pour comprendre les distances entre les membres de l'équipe ( Voir le tableau S3 dans le fichier S1).

Les résultats suggèrent que la grande majorité des membres étaient connectés avec d'autres via un intermédiaire (�31%), suivis par les membres qui étaient directement connectés (�30%). Ces chiffres montrent que les équipes résultantes étaient en général très connectées et que les membres connectés via de nombreux sauts n'étaient pas représentatifs.

Discussion

Former des équipes est une tâche difficile, surtout lorsque l'objectif est d'établir un équilibre entre la diversité et les préférences des membres des coéquipiers. Alors que les travaux antérieurs se sont concentrés sur la recherche de la meilleure équipe possible [37], la contribution de cet article est la recherche de combinaisons d'équipes équilibrées qui répartissent équitablement les compétences et les connexions. De plus, constituer des équipes qui incluent à la fois la diversité dans les contributions de leurs membres et dans les relations antérieures entre les membres devient un défi ultime pour garantir leur succès [78, 79].

Dans ce travail, nous considérons le problème de la création d’équipes à la fois diversifiées et hautement connectées en utilisant une approche informatique. Nous avons implémenté ce problème de formation d'équipe en utilisant un algorithme génétique qui propose différentes combinaisons d'équipes en fonction de la diversité des équipes et des coûts de communication.

Les résultats indiquent que des équipes diversifiées et hautement connectées peuvent être constituées de manière efficace et rapide grâce à cette approche génétique. Dans les sous-sections suivantes, nous développons les implications de ce travail et les applications potentielles.

Ce travail montre les avantages de l'utilisation d'approches informatiques pour rassembler plusieurs équipes qui répartissent les compétences des membres entre différents groupes et prennent en compte leurs relations antérieures. Les travaux antérieurs mettent principalement l'accent sur la recherche de la meilleure équipe possible à partir d'un pool social (par exemple, une équipe d'experts, une équipe d'étoiles) [36, 57, 58].

Mais la recherche d’équipes multiples est également pertinente dans des situations d’apprentissage et d’organisation, comme la constitution d’équipes d’étudiants, la constitution d’équipes opérationnelles au sein de business units ou la conduite de recherches scientifiques.

En raison de l’importance accordée à la constitution d’équipes performantes, les algorithmes qui rassemblent les meilleurs membres peuvent créer une plus grande ségrégation au sein de ces groupes sociaux aux dépens d’autres moins qualifiés [80]. La concentration des compétences et de l'expertise dans un petit nombre d'équipes entrave l'émergence d'autres équipes ayant des opportunités et des liens sociaux similaires.

Comme le démontre cet article, l’infrastructure informatique avancée et l’utilisation du Big Data offrent de nouvelles opportunités pour réimaginer plusieurs combinaisons d’équipes que les individus ne pourraient pas explorer systématiquement et facilement [37, 44]. Plutôt que de créer des équipes à l’aide de stratégies manuelles ou de l’intuition, les bâtisseurs d’équipe peuvent utiliser des algorithmes pour adapter différentes combinaisons d’équipes qui optimisent simultanément la diversité et la familiarité.

Ainsi, des implémentations comme celle présentée dans cet article permettent aux team builders de créer des équipes hétérogènes et diversifiées sans sacrifier la familiarité entre les membres de l'équipe, ce qui est essentiel pour des collaborations réussies [81].

For more information:1950477648nn@gmail.com