البحث عن فرق متنوعة ومترابطة: منهج حسابي لتجميع فرق متنوعة بناءً على الأعضاء الجزء السادس

قوة خوارزمية باريتو التطورية 2 (SPEA -2). مثل NSGA-II، تعتمد هذه الخوارزمية على معايير الاختيار النخبوي والهيمنة [75].

تطور كثافة باريتو (IPE) هو خوارزمية تطورية هدفها الرئيسي هو تحسين المشاكل متعددة الأهداف. تحقق الخوارزمية أهدافها من خلال الحفاظ على التنوع والقدرة على التكيف الفردي لمجموعة من الحلول. وفي الوقت نفسه، تلعب الذاكرة أيضًا دورًا مهمًا جدًا في IPE.

على وجه التحديد، يحقق IPE التوازن بين القدرة على التكيف والتنوع من خلال الاستخدام الفعال للمعلومات المتبقية في التاريخ التطوري. بمعنى آخر، يستخدم IPE الذاكرة للحفاظ على التنوع في عملية الحل وتحسين كفاءة الخوارزمية. من خلال التعلم المستمر والتكيف مع المعلومات في التاريخ التطوري، يمكن لـ IPE البحث بشكل أفضل وتحسين الوظائف الموضوعية. بالإضافة إلى ذلك، مع تقدم الخوارزمية، سيتم تحديث الذاكرة بشكل مستمر، وبالتالي تحسين كفاءة الخوارزمية ونتائج التحسين.

باختصار، هناك علاقة مهمة بين شدة تطور باريتو والذاكرة. الذاكرة ليست فقط ضمانة للتنوع في IPE ولكنها أيضًا أحد العوامل الرئيسية للخوارزمية لتحقيق نتائج جيدة. لذلك، في الأبحاث المستقبلية، يجب أن نستمر في تحسين دور الذاكرة ومواصلة استكشاف إمكانات IPE لتحسين المشكلات متعددة الأهداف. يمكن ملاحظة أننا بحاجة إلى تحسين الذاكرة، ويمكن لـ Cistanche deserticola أن يحسن الذاكرة بشكل كبير، لأن Cistanche deserticola يمكنه أيضًا تنظيم توازن الناقلات العصبية، مثل زيادة مستويات الأسيتيل كولين وعوامل النمو. هذه المواد مهمة جدًا للذاكرة والتعلم. بالإضافة إلى ذلك، يمكن للحوم أيضًا تحسين تدفق الدم وتعزيز توصيل الأكسجين، مما يضمن حصول الدماغ على ما يكفي من العناصر الغذائية والطاقة، وبالتالي تحسين حيوية الدماغ والقدرة على التحمل.

انقر فوق معرفة طرق تحسين وظائف المخ

بدلاً من إنشاء Paretofronts مختلفة، تحتفظ SPEA-2 بالمجموعة التي تحتوي على أفضل الحلول الموجودة في كل تكرار والتي تسمى "الأرشيف"، والتي يتم فصلها عن المجموعة. تبدأ الخوارزمية بالحلول السكانية العشوائية وأرشيفًا فارغًا.

بعد ذلك، يقوم بحساب قيمة اللياقة لكل حل بناءً على (أ) عدد الحلول التي يهيمن عليها (أي القوة)، (ب) عدد الحلول التي يهيمن عليها المجتمع الحالي (أي اللياقة الأولية)، و ( ج) بعدها عن الحلول الأخرى (أي قيمة الكثافة). سيتم نسخ أفضل الحلول إلى الأرشيف. بعد البدء بالتجمع السكاني الأول، يكون الهدف هو تحديد الحلول غير المهيمنة للجيل القادم.

استنادًا إلى قيم اللياقة البدنية، تقوم الخوارزمية بتنفيذ خطوات البطولة الثنائية والتقاطع والطفرات مع الحلول من المجتمع الحالي والأرشيف. ستشكل هذه الحلول الجديدة السكان التاليين.

بعد هذه العمليات، تتحقق الخوارزمية من عدد الحلول غير المسيطرة الناتجة عن اتحاد السكان الحاليين والأرشيف. إذا كان عدد الحلول غير المهيمنة أقل من حجم الأرشيف، فسوف يتضمن الأرشيف بعض الحلول المهيمنة من الاتحاد.

تختار الخوارزمية الحلول المسيطرة بناءً على قيم اللياقة البدنية الخاصة بها. إذا كان عدد الحلول غير المسيطر عليها أكبر من حجم الأرشيف، تقوم الخوارزمية بإزالة الحلول الزائدة بناءً على أقرب مسافة إقليدية مجاورة لها.

سيؤدي التكرار التالي إلى إنشاء جيل جديد يعتمد على هذا الأرشيف المحدث. قمنا بتنفيذ الإصدار الذي اقترحه زيتزلر وآخرون. [75]. استخدمنا نفس عدد الأجيال من اختبار NSGA-II وقمنا بتعيين حجم الأرشيف ليكون مساويًا لحجم السكان. في أفضل السيناريوهات، يكون التعقيد الحسابي لهذه الخوارزمية هو O(M2logM) حيث M هو مجموع حجم السكان (n) وحجم الأرشيف (n0).

طريقة تحسين سرب الجسيمات الهجينة (HPSO). تجمع هذه الخوارزمية بين خطوات خوارزميات تحسين سرب الجسيمات (PSO) والخوارزميات الجينية (GA) [76]. في نسخته الأصلية، يبدأ PSO بمجموعة من الحلول المرشحة (تسمى الجسيمات) ويحركها في مساحة البحث على موضع الجسيم وسرعته.

تتأثر حركة كل جسيم بموقعه المحلي الأكثر شهرة ولكنها موجهة أيضًا نحو المواقع الأكثر شهرة عالميًا في مساحة البحث. في كل تكرار، تقوم الخوارزمية بتحديث مواقع الجسيمات بناءً على سرعتها. بعد عدة تكرارات، توفر الخوارزمية حلولاً تقريبية للأمثل المحلي والأمثل العام.

نظرًا لأن الصيغة الأصلية لـ PSO تعمل فقط في مشكلات التحسين المستمر، فإننا نطلب إصدارًا يمكنه التعامل مع مشكلات التحسين التجميعية. علاوة على ذلك، تعمل PSO بالمستوى الأمثل العالمي الذي لا يوجد في مشاكل جبهة باريتو. تشانغ وآخرون. [76] اقترح نسخة هجينة تحل محل موضع جسيم PSO وصيغ تحديث السرعة مع عمليات التقاطع والطفرة للخوارزمية الجينية.

باختصار، تقوم خوارزمية HPSO بفحص كل جسيم بشكل متكرر و(أ) تطبق خطوة التقاطع مع محلول عشوائي غير مهيمن وجده الجسيم، (ب) تطبق خطوة التقاطع مع حل عشوائي غير مهيمن معروف لدى جميع السكان، ( ج) وينفذ خطوة الطفرة. إذا كان الحل الناتج أفضل من الحل الأصلي، فسيتم تحديث الحل.

إذا كان الجسيم يعرف اثنين أو أكثر من الحلول غير المسيطرة، فإنه سيختار حلاً عشوائيًا غير مسيطر عليه كأفضل جسيم محلي. وبالمثل، إذا كان المجتمع يعرف أكثر من حل غير مسيطر عليه، فإنه سيختار حلاً عشوائيًا غير مسيطر عليه كأفضل جسيم عالمي.

من المتوقع أن يكون وقت تشغيل هذه الخوارزمية متعدد الحدود لأنه سيتحقق من الحلول n ويجري عملية التقاطع مرتين وعملية التحويل مرة واحدة. ونتيجة لذلك، فإن التعقيد الحسابي هو O(n2) في أفضل السيناريوهات.

قمنا أيضًا بمقارنة الفرق التي تم تجميعها بواسطة هذه الخوارزميات الأربعة متعددة الأهداف مع فرق تم تعيينها عشوائيًا. وبما أن مجموعة بيانات MyDreamTeam تتضمن بالفعل فرقًا ذات حجم ثابت، فقد قمنا أيضًا بحساب درجات التنوع وتكاليف الاتصال الخاصة بالفرق الحقيقية.

المقاييس

قمنا بحساب المقاييس الكمية التالية لتقييم جودة وكمية ووقت تشغيل حلول الخوارزميات. تحدد هذه المؤشرات الحلول النهائية لرقم يشير إلى جانب أو عدة جوانب من الحل. لقد اخترنا هذه المقاييس بناءً على مراجعة الأدبيات التي أجراها Li et al. [77].

فرط الحجم (HV). يقوم هذا المقياس بتقييم الحجم الإجمالي للمساحة الموضوعية التي تهيمن عليها حلول الخوارزمية فيما يتعلق بنقطة مرجعية. يمكنه قياس مدى قرب الحلول من جبهة باريتو الحقيقية ومدى توزيع الحلول بالتساوي في الفضاء الموضوعي.

ستحصل الخوارزمية "أ" على درجات كبيرة الحجم أعلى من الخوارزمية "ب" إذا سيطرت حلول الخوارزمية "أ" على حلول الخوارزمية "ب". في هذا السياق، تُظهر الدرجات الأعلى للحجم الكبير أنه يمكن العثور على مجموعات فرق ذات مستويات أعلى من التنوع والألفة.

إذا عثرت الخوارزمية أ على مجموعات فرق ذات درجات تنوع أعلى و/أو تكاليف اتصال أقل من الخوارزمية ب، فسيكون الحجم الزائد للخوارزمية أ أعلى من الحجم الزائد للخوارزمية ب. كلما زادت قيمة الجهد العالي، كان تنوع مجموعات الفريق وتوزيعها أفضل. يمكن صياغة HV للخوارزمية A على النحو التالي:

HV٪c3٪b0A٪c3٪9e ٪c2٪bc l٪c3٪b0٪5ba2Axja ٪ef٪bf٪bd x ٪ef٪bf٪bd r٪c3٪9e ٪c3٪b06٪c3٪9e

حيث تشير r إلى النقطة المرجعية، وتشير lect إلى قياس لمجموعات فرعية من الفضاء الإقليدي ذو الأبعاد n (أي قياس Lebesgue). في حالتنا، الحجم الزائد هو مساحة المستطيلات التي شكلتها المحاليل ونقطة مرجعية ثنائية الأبعاد.

نسبة الجبهة الفريدة غير المسيطرة (UNFR). يحدد هذا المقياس مساهمة كل خوارزمية في الواجهة المدمجة غير المسيطرة لجميع الخوارزميات. في هذا السياق، إذا كانت الخوارزمية A لها قيمة UNFR أعلى من الخوارزمية B، فقد وجدت الأولى مجموعات فرق ذات تنوع أعلى و/أو درجات تنوع أقل من الثانية. افترض أن Aunf هي الواجهة الفريدة غير المسيطرة لخوارزمية معينة A، ثم يتم تعريف هذا المقياس على النحو التالي:

UNFRðAÞ ¼ إلى 2 Aunf؛ ∄r2 Runf: r � ajjRunf jð7Þ

حيث Runf هي مجموعة الحلول الفريدة غير المسيطرة من مجموعات جميع الحلول التي تنتجها الخوارزميات. تتراوح قيمة UNFR من 0 إلى 1. وتعني الخوارزمية ذات قيمة UNFR العالية أنها ساهمت في العديد من الحلول الفريدة غير المسيطرة من بين جميع الحلول غير المسيطرة التي تم العثور عليها. في المقابل، تعني القيمة القريبة من الصفر أن الخوارزمية قدمت بعض الحلول الفريدة غير المسيطرة للمجموعة النهائية.

التعقيد الحسابي. وأخيرًا، قمنا بتقييم التعقيد الحسابي لهذه الخوارزميات كدالة لحجم الإدخال. في هذا السياق، إذا كانت الخوارزمية أ لديها وقت تشغيل أقل من الخوارزمية ب، فيمكن للخوارزمية الأولى العثور على مجموعات الفريق من مجموعة من المشاركين بشكل أسرع من الأخيرة.

نظرًا لأن وقت تشغيل بعض الخوارزميات يمكن أن يزيد بشكل كبير، فإن هذا المقياس ذو صلة بقياس مدى قابلية التوسع وكفاءة الخوارزمية عند تشكيل فرق ذات مجموعات كبيرة من المشاركين. قمنا بمقارنة أوقات تشغيل الخوارزميات باستخدام أعداد مختلفة من المستخدمين من مجموعات بيانات GHTorrent "Java" وBibsonomy "Science".

نتائج

أجرينا تقييمات الخوارزميات على مدى 50 جيلًا يبلغ حجم سكانها 50 كروموسومًا. قمنا بتنفيذ هذه الخوارزميات في Python 3.6.2. وأجريت التجارب على خادم مزود بوحدة معالجة مركزية Intel(R) Xeon(R) بسرعة 2.60 جيجاهرتز وذاكرة وصول عشوائي (RAM) سعة 16 جيجابايت.

تتوفر تطبيقات الخوارزميات والنتائج التفصيلية على http://nusoniclab.github.io/ للاستشارة. ويبين الجدول 2 البيانات الإحصائية لمجموعات البيانات، بما في ذلك حجم الفريق، وعدد الأفراد المتاحين، وعدد العلاقات، وعدد قطر الشبكة، ومسافة الأفراد القصيرة، ومركزية الشبكات.

يوضح الشكل 3 تقريب واجهة باريتو التي وجدتها كل خوارزمية في كل مجموعة بيانات.

يمثل المحور السيني إجمالي تكاليف الاتصالات الخاصة بالفرق. تمثل الدرجات المنخفضة في هذا المحور حلولاً ذات تكاليف اتصال أقل (أي أن تكون الفرق أكثر ارتباطًا داخليًا).

يمثل المحور ص مجموع نقاط تنوع الحلول للفرق. تمثل الدرجات الأعلى في هذا المحور حلولاً مع فرق أكثر تنوعًا. وكما تظهر النتائج، فإن تنفيذ NSGA-II يتفوق على الخوارزميات القياسية في معظم مجموعات البيانات التي تم اختبارها. وجدت NSGA-II حلولاً غير مهيمنة ذات قيم تنوع عالية وتكاليف اتصال منخفضة عبر جميع قواعد البيانات هذه.

ساهمت HPSO أيضًا بالحلول غير المسيطر عليها في المجموعة النهائية من الحلول. على وجه الخصوص، تُظهر المخططات أن HPSO كانت أفضل في إيجاد حلول غير مسيطر عليها عند تحديد مقايضة متوازنة بين تكاليف الاتصال والتنوع. بعد NSGA-II وHPSO، كانت حلول PLS متقاربة ومركزة في مناطق معينة من مساحة تشكيل الفريق.

يشير هذا التركيز إلى أن PLS تميل إلى التقارب في بعض الحلول غير المسيطر عليها، مع استبعاد مجموعات الفرق المحتملة الأخرى التي ربما لم تكن غير مسيطر عليها في التكرارات الأولى. وكانت نتائج SPEA-2 أسوأ من الخوارزميات الأخرى على الرغم من استخدام نفس التمثيل والعمليات. بشكل عام، كان NSGA-II أفضل في إيجاد الحلول في أقصى حدود جبهة باريتو التقريبية، حيث قدم المزيد من التنوع في الحلول غير الخاضعة للسيطرة.

لقد وفرت المزيد من البدائل مقارنة بـ PLS وHPSO وSPEA-2. لذلك، يوفر تطبيق NSGA-II نطاقًا واسعًا من حلول الفريق التي يمكن لمنشئي الفريق استكشافها واختيارها.

For more information:1950477648nn@gmail.com