بحثًا عن فرق متنوعة ومترابطة: منهج حسابي لتجميع فرق متنوعة بناءً على الأعضاء الجزء 5

خطوة فرز سريعة غير مهيمنة. بعد ذلك، يجب أن تختار الخوارزمية أفضل كروموسومات r من هذا الاتحاد ذي الحجم 2r. للعثور على هذه المجموعة، تقوم الخوارزمية بإجراء فرز غير مسيطر بين جميع الكروموسومات الموجودة من P.

يعد فرز الهيمنة أحد أساليب الذاكرة الشائعة التي تساعدنا على تذكر الأشياء وفهمها بشكل أفضل. وهو ينشئ بشكل أساسي علاقات منطقية بين المعرفة من خلال تصنيف المعلومات ذات الصلة وفرزها وتلخيصها، مما يسهل علينا فهم هذه المعرفة وتذكرها.

تتضمن خطوات الفرز المسيطر بشكل أساسي التصنيف والفرز والاستقراء والتلخيص. في مرحلة التصنيف، نحتاج إلى تصنيف المعلومات ذات الصلة وتقسيمها إلى فئات مختلفة؛ وفي مرحلة الفرز نحتاج إلى تحديد مستوى كل فئة وأهميتها حتى يمكن ترتيبها بترتيب معين؛ في المرحلة التعريفية، يجب دمج العلاقات بين الفئات المختلفة واستخلاصها لفهم هذه المعرفة وتذكرها بشكل أفضل؛ في مرحلة التلخيص، نحتاج إلى مراجعة عملية فرز المهيمنة بأكملها والتفكير فيها لاكتشاف أوجه القصور لدينا وتصحيحها.

يرتبط فرز الهيمنة ارتباطًا وثيقًا بالذاكرة. يمكن أن يساعدنا على تنظيم المعرفة وفرزها بشكل أفضل، وبالتالي تحسين كفاءة الذاكرة. من خلال السيطرة والفرز، يمكننا دمج وترتيب المعلومات المختلفة بشكل منهجي، وإنشاء تسلسلات هرمية وجمعيات للمعرفة، وبالتالي تشكيل شبكة ذاكرة، مما يجعل ذاكرتنا أقوى وأعمق. وفي الوقت نفسه، يمكن أن يساعدنا فرز المهيمنة أيضًا على استكشاف قيمة المعرفة وتطبيقها بشكل أفضل، وبالتالي تحسين تفكيرنا وقدراتنا على حل المشكلات.

باختصار، يعد فرز المهيمنة أسلوبًا عمليًا للغاية للذاكرة يمكن أن يساعدنا على فهم وتذكر المعرفة المختلفة بشكل أفضل. ومن خلال الممارسة والتطبيق المستمرين، يمكننا أن نصبح أكثر كفاءة في إتقان هذه المهارة، وبالتالي إرساء أساس متين لتعلمنا وتطويرنا. يمكن ملاحظة أننا بحاجة إلى تحسين الذاكرة، ويمكن لـ Cistanche deserticola أن يحسن الذاكرة بشكل كبير لأن Cistanche deserticola هي مادة طبية صينية تقليدية لها العديد من التأثيرات الفريدة، أحدها هو تحسين الذاكرة. تأتي فعالية اللحم المفروم من المكونات النشطة المختلفة التي يحتوي عليها، بما في ذلك الأحماض والسكريات والفلافونويد وغيرها. ويمكن لهذه المكونات تعزيز صحة الدماغ بطرق مختلفة.

انقر فوق معرفة كيفية تحسين الذاكرة قصيرة المدى

الهدف هو تحديد الحلول التي تؤدي أداءً أفضل من غيرها وتصنيفها وفقًا لأدائها في جبهات باريتو المختلفة. تقوم الخوارزمية أولاً بالتحقق من علاقات الهيمنة بين جميع الكروموسومات. بالنظر إلى اثنين من الكروموسومات، T وT{{0}}، يهيمن T على T0 إذا وفقط إذا كان Cc(T) �Cc(T0) وV(T) �V( T0) مع عدم المساواة الصارمة واحدة على الأقل.

بمعنى آخر، T جيدة على الأقل مثل T{{0}} لجميع الأهداف وأفضل تمامًا لهدف واحد على الأقل. يُشار إلى علاقة الهيمنة هذه بالرمز T � T0. إذا لم يكن أحد أهداف T أفضل من T0 ولا يمكن تحسين قيمته دون التقليل من بعض القيم الموضوعية الأخرى، فإن T لا يهيمن عليها T0

أحد الأمثلة على الحلول غير المهيمنة هو T التي تتمتع بدرجات تنوع أعلى ولكن تكاليف اتصال أعلى من T0. في حالة عدم الهيمنة هذه، يكون إما T وT0 من الحلول الممكنة للجيل القادم.

بمجرد أن تقوم الخوارزمية بتعيين علاقات الهيمنة على الكروموسومات، فإنها تقوم بإنشاء واجهة باريتو الأولى من الحلول التي تتكون من جميع الحلول غير المهيمنة (F1). تُسمى هذه المجموعة أيضًا بأنها مجموعة باريتو المثالية.

بعد ذلك، تقوم الخوارزمية بإنشاء واجهة ثانية من حلول باريتو المثالية (F2) التي تم تجاهلها في الواجهة الأولى، وهكذا. ونتيجة لذلك، تقوم الخوارزمية بفرز كروموسومات المجموعة السكانية إلى تسلسل هرمي من المجموعات السكانية الفرعية. يستمر النوع في العثور على جبهات باريتو المتعاقبة حتى يتم تعيين جميع الكروموسومات إلى جبهة باريتو.

السكان الجدد. تقوم الخوارزمية بعد ذلك باختيار أفضل الكروموسومات r للجيل القادم. في وقت معين، هناك كروموسومات 2r مرتبة في جبهة باريتو الهرمية F. تنشئ الخوارزمية المجموعة السكانية الجديدة P0 بإضافة الكروموسومات المخزنة في واجهات باريتو.

إذا كان الحجم الإجمالي لجبهة باريتو الأولى أصغر من r، فإن الخوارزمية تضيف كل كروموسومات هذه الجبهة إلى P{{0}}. بعد ذلك، تقوم الخوارزمية بإضافة الحلول المتبقية للسكان الجدد من الجبهات اللاحقة غير المسيطر عليها. تستمر الخوارزمية في هذا الإجراء حتى لا تتمكن من إضافة المزيد من الواجهات إلى P0.

مسافة الازدحام. يجب أن تقوم الخوارزمية بإضافة الكروموسومات إلى المجموعة الجديدة حتى تكون هناك كروموسومات بالضبط. إذا كانت آخر مجموعة Pareto front Fk غير المسيطرة والتي تم تحديدها تحتوي على كروموسومات أكثر من المسموح بإضافتها إلى P0، فيجب أن تختار الخوارزمية مجموعة أصغر من Fk لإكمال الكروموسومات r.

دع d ¼ r SizeðPÞ، عدد الكروموسومات المفقودة لإكمال r. تحدد الخوارزمية أفضل الكروموسومات δ من هذه الجبهة الأخيرة Fk عن طريق حساب مسافة الازدحام بين الكروموسومات.

يحدد هذا المقياس مدى تشابه الكروموسومات من حيث الأداء في المشكلة متعددة الأهداف. بعد حساب هذه المسافة، تقوم الخوارزمية بترتيب الكروموسومات وفقًا للمسافات بينها وتزيل الكروموسومات التي تؤدي أداءً مشابهًا للكروموسومات الأخرى. يحافظ هذا الإجراء على المحاليل الخارجية ويزيل الكروموسومات الزائدة.

بعد ذلك، تتم إضافة أفضل الكروموسومات δ من Fk إلى P{{0}}. ونتيجة لذلك، فإن P0 يحتوى على أفضل الكروموسومات ويصبح أبًا للجيل التالي، ويبدأ تكرارًا جديدًا.

بيانات

في هذا القسم، نقوم بتقييم الخوارزمية المقترحة لمشكلة تشكيل فريقنا باستخدام ثلاث مجموعات بيانات من العالم الحقيقي. مصادر البيانات هي MyDreamTeam (منصة تكوين الفريق)، وBibsonomy (موقع إشارات مرجعية اجتماعية)، وGHTorrent (قاعدة بيانات مستودع GitHub).

يوضح استخدام مجموعات البيانات هذه لمحاكاة الفرق لمشكلة تشكيل الفريق فعالية إطار عملنا في السيناريوهات الحقيقية. نعرض إحصائيات موجزة من مجموعات البيانات هذه في الجدول 2. البيانات الناتجة والبرامج النصية للمعالجة المسبقة للبيانات الأولية متاحة علىhttp٪3a٪2f٪2fnusoniclab.github.io٪2f.

مجموعة بيانات MyDreamTeam. نقوم بتقييم الخوارزمية المقترحة باستخدام بيانات من حالات تكوين الفريق الحقيقية. لقد استخرجنا مجموعة البيانات هذه من My Dream Team Builder [33]، وهو نظام توصية لمساعدة الأفراد على تجميع الفرق ذاتيًا.

تحتوي مجموعة البيانات هذه على حالات قام فيها المشاركون بتجميع فرقهم ذاتيًا. تعود الحالات إلى الفترة من 2014 إلى 2020. في نظام التوصيات هذا، يقوم المشاركون بإنشاء ملفات شخصية والبحث عن زملائهم في الفريق وإرسال دعوات لتشكيل فرق.

تتكون الحالات من فصول دراسية من جامعات في الولايات المتحدة. تتضمن مجموعة البيانات سمات المشاركين والتركيبة السكانية والشبكات الاجتماعية التي أبلغوا عنها في استطلاع أولي. لقد اخترنا ثلاث حالات لاختبار الخوارزمية لدينا: دورة دراسية جامعية، ودورة دراسات عليا، ودورة ماجستير إدارة الأعمال. استخدم المشاركون النظام لتجميع الفرق لإجراء مناقشات جماعية صغيرة.

تمت الموافقة على إذن جمع البيانات من المشاركين من قبل مجلس المراجعة المؤسسية بجامعة نورث وسترن (#STU00078513). تم اتباع جميع اللوائح المؤسسية والحكومية المعمول بها فيما يتعلق بالاستخدام الأخلاقي للمواد البشرية خلال هذا البحث.

تم الحصول على الموافقة الإلكترونية من المشاركين في الدراسة عبر أداة المسح عبر الإنترنت. طُلب من المشاركين الموافقة على استخدام البيانات التي تم جمعها من خلال My Dream Team Builder لأغراض البحث. لقد قمنا بتجزئة معرفات المستخدمين لإنشاء مجموعة بيانات غير محددة الهوية.

BibSonomy. يتم استخراج مجموعة البيانات الثانية من BibSonomy [34]، وهو نظام الإشارات المرجعية الاجتماعية ومشاركة المنشورات. لقد اخترنا علم bibsonomy منذ أن قامت أوراق تشكيل الفريق السابقة باختبار خوارزمياتهم باستخدام قاعدة البيانات هذه [58].

تتم إدارة مجموعة البيانات هذه من قبل مجموعة هندسة المعرفة والبيانات بجامعة كاسل. مجموعة بيانات bibsonomy متاحة بموجب اتفاقية الترخيص، ويمكن طلبها على https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/. تحتوي مجموعة البيانات هذه على عدد كبير من المنشورات المتعلقة بعلوم الكمبيوتر. يتم كتابة كل منشور من قبل مجموعة من المؤلفين.

يقوم العديد من المستخدمين بزيارة موقع Bibsonomy الإلكتروني باستخدام العلامات لتعليق المنشورات. باتباع الإجراء الموصوف بواسطةAnagnostopoulos et al. [58]، استخدمنا العلامات المرتبطة بأوراق كل مؤلف لتمثيل مهاراتهم. تمثل مهارة كل مؤلف عدد الأوراق المنشورة مع العلامة الخاصة بها. لقد اخترنا ثلاث مجلات تتعلق بتحليل الشبكات الاجتماعية لاختبار خوارزميتنا: "الطبيعة"، و"العلم"، و"الفيزياء أ: الميكانيكا الإحصائية وتطبيقاتها".

قمنا بحساب تكرار العلامات في كل من هذه المجلات واخترنا بعض العلامات الشائعة المتعلقة بدراستنا. بالنسبة للمجلتين الأوليين، اخترنا الأوراق البحثية التي تضمنت العلامات "الشبكة"، و"الشبكة الاجتماعية"، و"العالم الصغير".

بعد ذلك، حددنا مؤلفي هذه المقالات، وأنشأنا شبكة التأليف المشترك، واخترنا مؤلفين من أكبر مكون. وبالمثل، قمنا بهذا الإجراء للمجلة الثالثة باستخدام العلامات "الشبكة"، و"الرسم البياني"، و"النموذج"، و"النظام". لقد قمنا بحذف أسماء المؤلفين لإنشاء مجموعة بيانات غير محددة الهوية.

تورنت. استخدمنا بيانات GitHub المقدمة من مشروع GHTorrent [35]، وهي مرآة غير متصلة للبيانات المقدمة من خلال GitHub API. يمكن تنزيل مجموعة البيانات هذه من https://ghtorrent.org/downloads.html. تغطي مجموعة بيانات GHTorrent نطاقًا واسعًا من أنشطة التطوير على Github، بما في ذلك المستودعات وطلبات السحب والمستخدمين. لقد قمنا بتنزيل تفريغ مجموعة البيانات "01/06/2019" لإنشاء مجموعة بيانات الاختبار الخاصة بنا.

قمنا بتصفية المستخدمين الذين ساهموا بما يتراوح بين 40 إلى 80 مشروعًا للحفاظ على متوسط ​​المستخدمين في تحليلنا. باتباع نهج مشابه لمجموعة بيانات BibSonomy، استخدمنا لغات البرمجة المرتبطة بمستودعات المساهمة لكل مستخدم لتمثيل مهارات المستخدمين.

تمثل مهارة كل مستخدم عدد المشاريع المساهمة المكتوبة بلغة معينة. نظرًا لأن المستودعات يمكن أن تحتوي على ملفات بلغات متعددة، فقد اخترنا لغة المستودع الأكثر استخدامًا باعتبارها لغة المستودع.

لقد اخترنا ثلاثًا من اللغات الأكثر شيوعًا في مجموعة البيانات هذه: Java وPython وRuby. بعد ذلك، قمنا بتحديد مستخدمي هذه المستودعات وأنشأنا شبكة التعاون. في هذا المثال، لا يحق للمستخدمين المشاركة إذا ساهموا في نفس المستودع مرتين على الأقل. وأخيرا، قمنا باختيار المستخدمين من أكبر مكون. لقد قمنا بتجزئة أسماء المؤلفين لإنشاء مجموعة بيانات غير محددة الهوية.

تقييم

نقوم بمقارنة الخوارزمية المقترحة لمشكلة تشكيل الفريق (المشار إليها باسم NSGA-II) مع ثلاث طرق تحسين متعددة الأهداف معروفة تستخدم لأغراض قياس الأداء[62، 72]:

طريقة باريتو للبحث المحلي (PLS). تبدأ هذه الخوارزمية التكرارية بمجموعة من الحلول العشوائية كمجموعة أولية وتستكشف جيران كل حل [73، 74]. تقوم الخوارزمية بتحديث التعداد السكاني بناءً على هيمنة باريتو: ستضيف جيرانًا غير مسيطر عليهم إلى التعداد السكاني وتزيل الحلول الحالية التي تهيمن عليها الحلول المضافة حديثًا.

بمجرد استكشاف محيط الحل بالكامل، يتم وضع علامة على الحل على أنه تم استكشافه. تستكشف الخوارزمية الحلول الجديدة بشكل متكرر عند إضافتها إلى المجموعة حتى لا يتم العثور على حلول أفضل. بعد استكشاف جميع الحلول، وعدم إمكانية اكتشاف المزيد من الحلول غير المسيطرة، تتوقف الخوارزمية. قمنا بتنفيذ الإصدار الذي اقترحه Zihayat et al. [72] للمشاكل التوافقية.

في هذا التنفيذ، يكون جيران الحل هم جميع مجموعات الفريق الممكنة من الحل مع فرق مبادلة بين عضوين. نظرًا لأن PLS لا يعتمد على عدد ثابت من الأجيال، فإننا نقوم فقط بتشغيل تكرار واحد لهذه الخوارزمية لمقارنة نتائجها مع الطرق الأخرى.

نظرًا لعدد n من الأفراد، وأن الخوارزمية ستستكشف n2 من الجيران لكل حل، فإن التعقيد الحسابي لهذا التنفيذ هو O(n3) في أفضل السيناريوهات.

For more information:1950477648nn@gmail.com