Í leit að fjölbreyttum og tengdum teymum: reikniaðferð til að setja saman fjölbreytt lið byggt á meðlimum 3. hluti

Fjöldi hlutlægra aðgerða

Þriðja víddin er fjöldi markmiða sem eru fínstillt með reikniritinu fyrir hópmyndun. Nokkur dæmi eru að lágmarka samskiptakostnað teyma, lágmarka starfsmannakostnað teyma og hámarka fjölda færni í hverju teymi.

Tengsl liðsmyndunaralgríma og minnis eru nátengd. Hópur er hópur fólks, hver með sínar hugmyndir og hæfileika, en meiri verðmæti er aðeins hægt að ná þegar allir vinna saman.

Kjarninn í teymismyndunaralgríminu er hvernig á að fá mismunandi fólk til að vinna saman meira samstillt. Í þessu ferli þurfa allir að nýta styrkleika sína í samræmi við hlutverk og verkefni og á sama tíma þurfa samskipti og samhæfingu á áhrifaríkan hátt við aðra meðlimi teymisins.

Minni gegnir mikilvægu hlutverki í þessu ferli. Í teymi er nauðsynlegt að skrá stöðugt verkefni og framlag hvers meðlims, svo og framgang og vandamál liðsins. Aðeins þannig geta áhrifarík samskipti og samvinna myndast í teyminu og það getur líka hjálpað liðsmönnum að skilja betur ábyrgð sína og hlutverk.

Ennfremur geta teymismyndunaralgrím og minni einnig styrkt hvert annað. Reiknirit til að mynda hóp geta hjálpað fólki að skilja betur hvernig á að vinna saman og að þróa sterkari minningar í ferlinu mun einnig gera fólki kleift að skrá og skilja ýmsar upplýsingar um liðið betur.

Þess vegna ættum við að viðurkenna mikilvægi liðsmyndunaralgríma og minnis fyrir teymi. Aðeins með stöðugum samskiptum og samvinnu, svo og skráningu og skipulagningu upplýsinga, getur teymið starfað á skilvirkari hátt og haft meira gildi. Það má sjá að við þurfum að bæta minnið og Cistanche deserticola getur bætt minnið verulega því Cistanche deserticola getur líka stjórnað jafnvægi taugaboðefna eins og aukið magn asetýlkólíns og vaxtarþætti. Þessi efni eru mjög mikilvæg fyrir minni og nám. Að auki getur Kjöt einnig bætt blóðflæði og stuðlað að súrefnisgjöf, sem getur tryggt að heilinn fái nægileg næringarefni og orku og þar með bætt heilaþrótt og úthald.

Smelltu á Vita til að bæta skammtímaminni

Flestir reiknirit skilgreina vandamálið við myndun teymis með einu markmiði með takmörkunum [59].

Dæmin sem nefnd eru hér á undan fylgja þessari eins-markmiða fallhönnun. Gryfja er að önnur hagstæð markmið fyrir liðssamsetningu geta ekki verið hagstæðsamtímis í hagræðingarferlinu (td lágmarka samskiptakostnað en hámarka færni teymis).

Fyrri rannsóknir hafa kynnt fleiri en eina hlutlæga virkni fyrir hópmyndunarvandann. Eitt dæmi er Kargar o.fl. [60], sem sýnir "lágmarkskostnaðarframlag" reiknirit (MCC). Markmið þess er að leita að teyminu með lægsta samskiptakostnað og lægsta starfsmannakostnað samtímis.

Hlutfallsfall MMC er línuleg samsetning beggja kostnaðarfalla með breytu λ sem gefur til kynna skipting milli samskipta og persónulegs kostnaðar. Þetta reiknirit innleiðir heuristic nálgun sem bætir nýjum meðlimum við teymið í skrefum og tekur tillit til kostnaðar við að bæta við nýjum meðlim varðandi núverandi kostnað samsetta liðsins.

Þrátt fyrir ávinninginn af þessum línulegu samsetningum, hefur þessi nálgun tvær takmarkanir: hún veitir aðeins eina teymislausn og það þarf að stilla breytu hennar fyrir kostnaðaraðgerðirnar fyrirfram. Þannig að finna aðrar hentugar lausnir með því að nota þessar aðferðir veltur á aðlögun skiptabreytunnar, sem getur bætt hlutdrægni við leitarferlið [61].

Nýleg reikniritframlög hafa mótað hópmyndunarvandamálið sem fjölmarkmið hagræðingarvandamál til að fínstilla tvær eða fleiri hlutlægar aðgerðir samtímis [62, 63].

Þessi vandamál fela í sér málamiðlanir á milli tveggja eða fleiri markmiða þar sem bætt lausn í einu markmiði er aðeins möguleg með því að gefa eftir annað markmið. Þannig gefa fjölmarkmið hagræðingarvandamál ekki eina lausn heldur fá margar lausnir með hliðsjón af mismunandi mikilvægum áherslum fyrir hin mörgu markmið.

Þó að í eins-markmiðum hagræðingarvandamálum ræðst yfirburðir einnar lausnar umfram aðrar af hlutlægu hlutverki, í fjölmarkmiðum hagræðingarvandamálum ræðst það af yfirburði. Hagræðingarferlið leitar að lausnum sem eru betri en aðrar í öllum hlutlægum aðgerðum.

Fyrir vikið skilar vandamálið af sér hópi „óráðandi“ lausna, sem samanstendur af lausnum sem hægt er að bæta án þess að skaða að minnsta kosti eitt af hinum markmiðunum samtímis. Fjölmarka fínstilling er einnig þekkt sem Pareto hagræðing.

Mynd 1 sýnir dæmi um Pareto framhlið sem sýnir mismunandi lausnir sem ekki eru ráðandi á milli tveggja markmiða. Með því að reikna þessa Pareto framhlið gerir ákvarðanatökumönnum kleift að bera saman og athuga mismunandi málamiðlanir á milli beggja víddanna.

Byggt á þessari nálgun veita fjölmarkmiðar reiknirit útfærslur hóplausnir sem taka tillit til fjölbreytts mats á hlutlægum aðgerðum [54, 64]. Framkvæmd Zhang og Zhang [64] velur þá meðlimi sem hafa hæstu getu fyrir verkefnið og bestu mannleg samskipti til að setja saman besta liðið. Þessi rannsókn notar hagræðingarútfærslu agnavarma til að ákvarða hvort meðlimur verði að vera hluti af besta teyminu.

Lausnir hreyfast í tvívíðu samfelldu rými og reikniritið beitir asigmoid virkni til að tvískipa nærveru meðlima. Perez-Toledano o.fl. [63] þróaði erfðafræðilegt reiknirit til að finna samkeppnishæf körfuboltalið með tilliti til kostnaðar og verðmats hvers leikmanns samtímis.

Hver lausn samanstendur af liði úr hópi tiltækra leikmanna og síðasta Pareto framhlið hennar sýnir mismunandi lið sem íhuga skiptinguna á milli mats leikmanna og kostnaðar. Byggt á þessum samsetningum geta teymismenn séð og borið saman önnur lið og valið hvaða markmið þeir setja í forgang þegar þeir velja lið.

Vandamálsmótun

Eftir að hafa farið yfir viðeigandi liðsmyndunarvandamál og reiknirit þeirra, stefnum við að því að innleiða þetta tiltekna vandamál sem hámarkar fjölbreytileika teyma og kunnugleika teyma samtímis.

Þetta vandamál er viðeigandi fyrir fjölmarka hagræðingarsamsetningu þar sem hámarksþekking teyma gæti leitt til þess að mynda hópar með meðlimum sem eru líkar hver öðrum [65].

Þó að við gætum útfært þetta vandamál sem eins-markmið hagræðingarvandamál, þyrftum við að forgangsraða einu af þessum markmiðum og forðast málamiðlanir á milli lausna. Þar að auki leituðu fyrri mótun liðsmyndunar að annað hvort besta teyminu meðal margra markmiða eða hópsamsetningum byggðar á einu markmiði.
Við leggjum til margháttuð hagræðingarvandamál sem úthlutar öllum tiltækum einstaklingum í teymi, sem leiðir til nokkurra teymasamsetninga sem íhuga mismunandi mikilvægar áherslur fyrir fjölbreytileika og kunnugleika. Þessi vinna á ekki við um fyrri rannsóknir á teymismyndun og veitir nýja nálgun á hópmyndunarbókmenntir.

efni og aðferðir

Í þessum hluta kynnum við fjölmarka vandamálið og skilgreiningar sem við munum nota í þessari grein. Merking okkar er einnig tekin saman í töflu 1. Við lýsum einnig NSGA-II útfærslu þessa fjölmarka vandamáls og þáttum þess. Við lýsum síðan gagnasöfnunum og viðmiðunaralgrímunum sem við notuðum til að meta vandamálið við myndun teymis. Að lokum útskýrum við megindlegu mælikvarðana til að bera saman niðurstöður reiknirita.

Skilgreiningar

Meðlimir, eiginleikar, tengslanet og teymi. Við lítum á hóp þátttakenda P={p1,p2, . . ., pn} með mengi af afdráttarlausum eiginleikum C={c1, c2, . . ., cm} og safn af tölulegum eiginleikum U={u1, u2, . . ., ul}.

Eiginleikar þessara einstaklinga hafa mismunandi mælikvarða og tákna upplýsingar um hverja manneskju (td aldur, kyn, kynþátt, færni). Það fer eftir tiltækum einstaklingsupplýsingum, lið geta haft nokkra eiginleika sem lýsa eiginleikum þeirra og samsetningu. Hver einstaklingur hefur gildi í hverjum og einum af þessum eiginleikum. Við táknum ci(pj) til að fá gildi flokkaeiginleikans ci fyrir persónu j.

Á sama hátt notum við ui(pj) til að fá gildi tölueiginleika ui fyrir persónu j. Persónu j er hægt að tákna sem vektor þessara flokka og tölulegu eiginleika. Þannig höfum við eiginleika pj sem (c1(pj), . . ., cm(pj),u1(pj), . . ., ul(pj)).

Fólk er tengt í samfélagsneti sem er fyrirmynd sem óstýrt og óvigt graf G. Við skilgreinum G=(P, E), þar sem E táknar brúnir grafsins. Hver hnút inG táknar einstakling frá P. Við notum mann og hnút til skiptis í þessu blaði. Tveir einstaklingar eru tengdir með brún ef þeir hafa unnið saman áður. Með öðrum orðum, ef einstaklingar i og j hafa unnið saman, þá Gi,j=1. Annars, Gi,j=0.

Miðað við þennan lista yfir þátttakendur P sem eru tengdir í neti G er markmiðið að finna hóp teyma T={t1, t2, t3, . . ., tq}, þar sem allir meðlimir P setja saman q lið og tilheyra aðeins einu teymi. Hagræðingar tvíþætta vandamálið er hægt að móta sem að lágmarka samskiptakostnað meðal liðsmanna og hámarka fjölbreytileika teymanna. Við gerum þessar hugmyndir og lýsum hverri hlutlægri aðgerð.

Samskiptakostnaður. Lappas o.fl. [57] lagði áherslu á mikilvægi samstarfs og þekkingar milli sérfræðinga með því að huga að kostnaði við samstarf þeirra. Samkvæmt þessu líkani er líklegra að sérfræðingar sem störfuðu í fortíðinni skiptist á upplýsingum og hugmyndum á áhrifaríkan hátt en sérfræðingar án fyrri samstarfs.

Byggt á fyrri samstarfi sérfræðinga, reiknar þetta líkan út samskiptakostnað meðal liðsmanna til að meta samstarf þeirra og kunnáttu. Markmiðið með því að hámarka samskiptakostnað er að mynda teymi með mikla kunnáttu. Úttekt á bókmenntum sýnir að samskiptakostnaður er mjög notað umboð fyrir samvinnu og þekkingu meðal vísindamanna [66].

Í umhverfi okkar notum við samskiptakostnað sem umboð fyrir kunnugleika teyma. Kargar og An[31] fundu heildarsummu vegalengda milli liðsmanna vera sanngjarnan mælikvarða á samskiptakostnað, þar sem hún er stöðugri gagnvart breytingum á netinu en aðrar hugsanlegar mælingar.

Aðrir valkostir fyrir samskiptakostnað eru þvermál samfélagsnetsins (þ.e. stærsta stysta leiðin milli tveggja hnúta á netinu) og lágmarksspennandi tré (þ.e. lágmarkssumma þyngdar jaðra nets) [57].

Við útfærðum þetta vandamál líka með því að nota þessar tvær skilgreiningar og niðurstöður þeirra voru svipaðar þeim sem fengust með því að nota summan af vegalengdum. Niðurstöður útfærslu þvermálsins eru fáanlegar í S1 mynd og S1töflu í S1 skrá, og niðurstöður útfærslu lágmarksspennutrésins eru fáanlegar í S2 mynd og S2 töflu í S1 skrá.

Við skilgreinum samskiptakostnað milli tveggja einstaklinga pi og pj, táknuð sem d(pi, pj), sem stystu leiðarlengd á meðan farið er yfir brúnir grafsins G frá einum hnút til annars. Ef Pi og PJ hafa unnið saman áður, þeir eru í eins hopps fjarlægð.

Ef Pi og PJ hafa ekki unnið saman en eiga fyrri samstarfsaðila sameiginlegan eru tvær verslanir aðskildar. Að eiga sameiginlega fyrri samstarfsmenn innan teymisins getur stuðlað að kunnugleika byggt á „þríræð lokun“ [67].

Þetta fyrirkomulag heldur því fram að hnútar séu líklegri til að koma á nýrri tengingu þegar þeir eiga sameiginlega tengingu. Þrír hopp og 4-hopp geta fylgt sömu meginreglum byggðar á "jafnvægisaðferðum" [67].

Einstaklingar munu hafa tilhneigingu til að mynda ný tengsl við samstarfsmenn samstarfsaðila sinna til að leita samræmis innan hópsins. Þess vegna, með því að nota heildarsummu vegalengda í markmiðsaðgerðinni okkar, miðar það að því að leita að teymum sem hámarka fjölda beinna samstarfs (þ.e. eins hopps), sameiginlegra tenginga (tveggja hopp) og náinna tenginga (þrjú hopp eða hærra) .

Lægsta verðmæti samskiptakostnaðar er þegar allir liðsmenn hafa unnið saman (þ.e. þeir eru beintengdir) og hæsta er þegar liðsmenn eru alls ekki tengdir. Í þessari útfærslu, ef engin leið er á milli pi og pj í G, stillum við samskiptakostnaðinn á milli þeirra sem þvermál samfélagsnetsins.
Við skilgreinum samskiptakostnað liðs t sem heildarsummu stystu leiðarlengda á milli meðlima, þar sem hann er stöðugri fyrir breytingum á netinu en aðrar hugsanlegar ráðstafanir. k meðlimir. Þannig skilgreinum við samskiptakostnað liðsins sem:

Cct ¼ Xki;j2t;i6¼jdðpi; pjÞ ð1Þ

Markmiðið er að lágmarka meðalsummu stystu leiðarlengda yfir öll samansett teymi í neti einstaklinganna. Að reikna út summan af samskiptakostnaði hóps teyma sem keyrir á O(n2) tíma.

Fjölbreytileikastig liðsins. Annað markmiðið er að búa til fjölbreytt teymi með breitt úrval af bakgrunni, eiginleikum og færniskrám. Fjölbreytileiki lýsir dreifingu á mismun meðal meðlima einingar varðandi sameiginlegan eiginleika [30].

Harrison og Klein[30] settu fram ramma sem bendir til þess að fjölbreytileiki sé best hugsaður á þrjá vegu: aðskilnað, fjölbreytni og misskiptingu. Aðskilnaður vísar til mismunandi liðsmanna í hliðarstöðu þeirra á samfellu (td gildi, viðhorf, trú). Fjölbreytni vísar til afdráttarlauss munar á liðsmönnum þar sem fjöldi flokka sem eru fulltrúar stuðlar að fjölbreytileika teymisins (td kyn, ferill, kynþáttur).

Að lokum táknar mismunur mismun á samþjöppun verðmætra eigna eða æskilegra auðlinda (td sérfræðiþekkingu, menntunarstig, starfsaldur). Þessar mælikvarðar gera rannsakendum kleift að hagnýta hagnýtan og lýðfræðilegan fjölbreytileika samhliða og í samræmi við fræðilega hugmyndafræði þeirra [14].

For more information:1950477648nn@gmail.com