À la recherche d'équipes diversifiées et connectées : une approche informatique pour constituer des équipes diverses basées sur les membres, partie 5

Étape de tri rapide non dominée. Ensuite, l’algorithme doit sélectionner les meilleurs chromosomes r de cette union de taille 2r. Pour retrouver cet ensemble, l'algorithme effectue un tri non dominé parmi tous les chromosomes existants de P.

Le tri par dominance est une technique de mémoire courante qui nous aide à mieux nous souvenir et à mieux comprendre les choses. Il établit principalement des relations logiques entre les connaissances en classant, triant et résumant les informations associées, ce qui nous permet de mieux comprendre et mémoriser ces connaissances.

Les étapes du tri dominant comprennent principalement la classification, le tri, l'induction et le résumé. Au stade de la classification, nous devons classer les informations pertinentes et les diviser en différentes catégories ; lors de la phase de tri, nous devons déterminer le niveau et l'importance de chaque catégorie afin qu'elle puisse être classée dans un certain ordre ; dans la phase d'induction, nous devons intégrer et extraire les relations entre les différentes catégories pour mieux comprendre et mémoriser ces connaissances ; dans la phase de synthèse, nous devons revoir et réfléchir sur l’ensemble du processus de tri de dominance pour découvrir et corriger nos lacunes.

Le tri par dominance est étroitement lié à la mémoire. Cela peut nous aider à mieux organiser et trier les connaissances, améliorant ainsi l’efficacité de la mémoire. Grâce à la domination et au tri, nous pouvons systématiquement intégrer et organiser diverses informations, et établir des hiérarchies et des associations de connaissances, formant ainsi un réseau de mémoire, rendant nos souvenirs plus forts et plus profonds. Dans le même temps, le tri par dominance peut également nous aider à mieux explorer la valeur et l’application des connaissances, améliorant ainsi nos capacités de réflexion et de résolution de problèmes.

En bref, le tri par dominance est une technique de mémoire très pratique qui peut nous aider à mieux comprendre et mémoriser diverses connaissances. Grâce à une pratique et une application continues, nous pouvons devenir plus compétents dans la maîtrise de cette compétence, établissant ainsi une base solide pour notre apprentissage et notre développement. 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 la mémoire à court terme, comment l'améliorer

Le but est d'identifier les solutions qui fonctionnent mieux que les autres et de les classer selon leurs performances sur différents fronts de Pareto F. L'algorithme vérifie d'abord les relations de dominance entre tous les chromosomes. Étant donné deux chromosomes, T et T{{0}}, T domine T0 si et seulement si Cc(T)�Cc(T0) et V(T)�V( T0) avec au moins une inégalité stricte.

En d'autres termes, T est au moins aussi bon que T{{0}} pour tous les objectifs et strictement meilleur pour au moins un. Cette relation de dominance est notée T � T0. Si l'un des objectifs de T n'est pas meilleur que T0 et qu'il ne peut pas être amélioré en valeur sans dégrader certaines des autres valeurs objectives, alors T n'est pas dominé par T0

Un exemple de solution non dominée est que T a des scores de diversité plus élevés mais des coûts de communication plus élevés que T0. Dans ce cas de non-dominance, soit T et T0 sont des solutions réalisables pour la prochaine génération.

Une fois que l'algorithme cartographie toutes les relations de dominance des chromosomes, il crée un premier front Pareto de solutions composé de toutes les solutions non dominées (F1). Cet ensemble est également appelé Pareto optimal.

Ensuite, l’algorithme crée un deuxième front de solutions optimales de Pareto (F2) qui ont été ignorées dans le premier front, et ainsi de suite. En conséquence, l’algorithme trie les chromosomes de la population selon une hiérarchie de sous-populations. Le tri continue de trouver des fronts de Pareto successifs jusqu'à ce que tous les chromosomes soient attribués à un front de Pareto.

Nouvelle population. L’algorithme sélectionne ensuite les meilleurs chromosomes r pour la génération suivante. A un instant donné, il y a 2r chromosomes triés dans le front de Pareto hiérarchique F. L'algorithme crée la nouvelle population P0en ajoutant les chromosomes stockés dans les fronts de Pareto.

Si la taille totale du premier front de Pareto est inférieure à r, alors l'algorithme ajoute tous les chromosomes de ce front à P{{0}}. Ensuite, l’algorithme ajoute les solutions restantes pour la nouvelle population des fronts non dominés suivants. L’algorithme continue cette procédure jusqu’à ce qu’il ne puisse plus ajouter de fronts à P0.

Distance de surpeuplement. L'algorithme doit ajouter des chromosomes à la nouvelle population jusqu'à ce qu'il y ait exactement r chromosomes. Si le dernier front de Pareto non dominé sélectionné Fk a plus de chromosomes que ce qui est autorisé à ajouter à P0, l'algorithme doit choisir un ensemble plus petit parmi Fk pour compléter les r chromosomes.

Soit d ¼ r SizeðPÞ, le nombre de chromosomes manquants pour compléter r. L'algorithme identifie les meilleurs chromosomes δ de ce dernier front Fk en calculant la distance de regroupement entre les chromosomes.

Cette métrique détermine à quel point les chromosomes sont similaires en termes de performances dans le problème multi-objectifs. Après avoir calculé cette distance, l'algorithme classe les chromosomes en fonction de leurs distances et élimine les chromosomes dont les performances sont similaires à celles des autres chromosomes. Cette procédure permet de maintenir l'accès aux solutions et de supprimer les chromosomes redondants.

Ensuite, les δ meilleurs chromosomes de Fk sont ajoutés à P{{0}}. En conséquence, P0 compte avec les meilleurs chromosomes et devient le parent de la génération suivante, commençant une nouvelle itération.

Données

Dans cette section, nous évaluons l'algorithme proposé pour notre problème de formation d'équipe en utilisant trois ensembles de données du monde réel. Les sources de données sont MyDreamTeam (une plateforme de formation d'équipe), Bibsonomy (un site de bookmarking social) et GHTorrent (une base de données de référentiel GitHub).

L'utilisation de ces ensembles de données pour simuler des équipes pour ce problème de formation d'équipe illustre l'efficacité de notre cadre dans des scénarios réels. Nous montrons les statistiques récapitulatives de ces ensembles de données dans le tableau 2. Les données résultantes et les scripts pour prétraiter les données brutes sont disponibles surhttp://nusoniclab.github.io/.

Ensemble de données MyDreamTeam. Nous évaluons notre algorithme proposé en utilisant des données provenant de cas réels de formation d'équipe. Nous avons extrait cet ensemble de données de My Dream Team Builder [33], un système de recommandation pour aider les individus à constituer eux-mêmes des équipes.

Cet ensemble de données contient des cas de participants ayant constitué eux-mêmes leurs équipes. Les cas datent de 2014 à 2020. Sur ce système de recommandation, les participants créent des profils, recherchent des coéquipiers et envoient des invitations pour former des équipes.

Les cas concernent des cours d’universités aux États-Unis. L'ensemble de données comprend les caractéristiques, les données démographiques et les réseaux sociaux des participants, qu'ils ont signalés lors d'une enquête initiale. Nous avons sélectionné trois cas pour tester notre algorithme : un cours de premier cycle, un cours d'études supérieures et un cours de MBA. Les participants ont utilisé le système pour constituer des équipes pour des discussions en petits groupes.

L'autorisation de collecter des données auprès des participants a été approuvée par le comité d'examen institutionnel de la Northwestern University (# STU00078513). Toutes les réglementations institutionnelles et gouvernementales applicables concernant l'utilisation éthique de sujets humains ont été suivies au cours de cette recherche.

Le consentement électronique a été obtenu des participants à l'étude via un instrument d'enquête en ligne. Il a été demandé aux participants de consentir à l'utilisation des données collectées via My Dream Team Builder à des fins de recherche. Nous avons haché les identifiants des utilisateurs pour créer un ensemble de données anonymisées.

BibSonomie. Le deuxième ensemble de données est extrait de BibSonomy [34], un système de partage de signets et de publications sociales. Nous avons choisi la bibsonomie car des articles antérieurs sur la formation d'équipes avaient testé leurs algorithmes en utilisant cette base de données [58].

Cet ensemble de données est administré par le groupe Knowledgeand Data Engineering de l'Université de Kassel. L'ensemble de données Bibsonomy est disponible sous contrat de licence et peut être demandé sur https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. Cet ensemble de données contient un grand nombre de publications liées à l'informatique. Chaque publication est rédigée par un groupe d'auteurs.

De nombreux utilisateurs visitent le site Bibsonomy en utilisant des balises pour annoter les publications. Suivant la procédure décrite par Anagnostopoulos et al. [58], nous avons utilisé les balises associées aux articles de chaque auteur pour représenter ses compétences. La compétence de chaque auteur représente le nombre d'articles publiés avec leur étiquette respective. Nous avons sélectionné trois revues liées à l'analyse des réseaux sociaux pour tester notre algorithme : "Nature", "Science" et "Physica A : Statistical Mechanics and its Applications".

Nous avons compté la fréquence des balises dans chacune de ces revues et sélectionné quelques balises populaires liées à notre étude. Pour les deux premières revues, nous avons sélectionné des articles incluant les balises « réseau », « réseau social » et « petit monde ».

Ensuite, nous avons identifié les auteurs de ces articles, créé le réseau de coauteurs et sélectionné les auteurs parmi la plus grande composante. De même, nous avons effectué cette procédure pour le troisième journal en utilisant les balises « réseau », « graphique », « modèle » et « système ». Nous avons haché les noms des auteurs pour créer un ensemble de données anonymisé.

GHTorrent. Nous avons utilisé les données GitHub fournies par le projet GHTorrent [35], un miroir hors ligne des données proposées via l'API GitHub. Cet ensemble de données peut être téléchargé sur https://ghtorrent.org/downloads.html. L'ensemble de données GHTorrent couvre un large éventail d'activités de développement sur Github, y compris les référentiels, les demandes d'extraction et les utilisateurs. Nous avons téléchargé le dump de l'ensemble de données "06/01/2019" pour créer notre ensemble de données de test.

Nous avons filtré les utilisateurs qui ont contribué entre 40 et 80 projets pour conserver les utilisateurs médians dans notre analyse. Suivant une approche similaire à l'ensemble de données BibSonomy, nous avons utilisé des langages de programmation associés aux référentiels contribués par chaque utilisateur pour représenter les compétences des utilisateurs.

La compétence de chaque utilisateur représente le nombre de projets contribués écrits dans une langue spécifique. Étant donné que les référentiels peuvent contenir des fichiers dans plusieurs langues, nous avons sélectionné la langue la plus utilisée comme langue du référentiel.

Nous avons sélectionné trois des langages les plus populaires dans cet ensemble de données : Java, Python et Ruby. Ensuite, nous avons identifié les utilisateurs de ces référentiels et créé le réseau de collaboration. Dans cet exemple, les utilisateurs sont satisfaits s'ils ont contribué au même référentiel au moins deux fois. Enfin, nous avons sélectionné les utilisateurs du composant le plus important. Nous avons haché les noms des auteurs pour créer un ensemble de données anonymisé.

Évaluation

Nous comparons l'algorithme proposé pour le problème de formation d'équipe (noté NSGA-II) à trois méthodes d'optimisation multi-objectifs bien connues utilisées à des fins de benchmark [62, 72] :

Méthode de recherche locale Pareto (PLS). Cet algorithme itératif commence avec un ensemble de solutions aléatoires comme population initiale et explore les voisins de chaque solution [73, 74]. L'algorithme met à jour la population en fonction de la dominance de Pareto : il ajoutera des voisins non dominés à la population et supprimera les solutions existantes dominées par les solutions nouvellement ajoutées.

Une fois que le voisinage d’une solution a été entièrement exploré, la solution est marquée comme explorée. L’algorithme explore de manière itérative de nouvelles solutions au fur et à mesure qu’elles sont ajoutées à la population jusqu’à ce qu’aucune meilleure solution ne soit trouvée. Une fois que toutes les solutions ont été explorées et qu’aucune solution non dominée ne peut être découverte, l’algorithme s’arrête. Nous avons implémenté la version proposée par Zihayat et al. [72] pour les problèmes combinatoires.

Dans cette implémentation, les voisins d'une solution sont toutes les combinaisons d'équipes possibles de la solution avec deux membres échangeant des équipes. Puisque PLS ne dépend pas d’un nombre fixe de générations, nous n’exécutons qu’une seule itération de cet algorithme pour comparer ses résultats avec les autres méthodes.

Étant donné n individus et que l’algorithme explorera n2 voisins de chaque solution, la complexité informatique de cette implémentation est O(n3) dans le meilleur des cas.

For more information:1950477648nn@gmail.com