Í leit að fjölbreyttum og tengdum teymum: reikniaðferð til að setja saman fjölbreytt lið byggt á meðlimum 7. hluti

Niðurstöðurnar sýna að NSGA-II reikniritið náði mestu ofrúmmálsgildunum á 6 af 9 gagnasöfnum og næsthæsta gildinu fyrir hin gagnasöfnin þrjú (tafla 3). Með öðrum orðum, NSGA-II fann oft fleiri hópsamsetningar með hærra fjölbreytileikastigum og lægri samskiptakostnaði en hin reiknirit.

Minni gegnir mikilvægu hlutverki í lífi okkar. Það ákvarðar hvort við getum nýtt okkur til fulls þá þekkingu og reynslu sem fyrir er til að leysa vandamál og hefur einnig áhrif á nám okkar og vinnuframmistöðu. Núverandi gagnasöfn hafa einnig sýnt fram á sambandið milli minnis og ýmissa þátta, sem gefur okkur meiri innsýn og möguleika.

Í fyrsta lagi sýna ýmsar rannsóknir að góð heilsa er hornsteinn góðs minnis. Rétt hreyfing og hollt mataræði getur bætt skilvirkni taugakerfisins og verndað taugavef. Líkamlega hæft fólk hefur betri hjarta- og æðasjúkdóma og andlega heilsu, aðstæður sem hafa verið tengdar bættu minni og vitrænni virkni.

Í öðru lagi eru einnig náin tengsl á milli tilfinningaástands og vitrænnar ástands. Rannsóknir sýna að of mikill kvíði og streita geta truflað samskipti milli taugafrumna í heilanum, sem leiðir til vandamála eins og minnistaps og einbeitingarerfiðleika. Hjálpar til við að bæta minni með jákvæðri tilfinningastjórnun og stjórnun.

Að auki mun lífsumhverfi okkar og daglegar venjur einnig hafa áhrif á þróun og viðhald minni. Til dæmis að taka minnispunkta, finna námsaðferð sem hentar þér, hugarflug, stjórna félagsstarfi og ferðast er mjög gagnlegt fyrir þróun minnisins; á meðan slæmar svefnvenjur og ýmsar afþreyingaraðferðir munu hafa alvarleg áhrif á taugakerfið og skaða minnið. Áhrif.

Til að draga saman, minni er mikilvægur hluti af skilvirku lífi okkar, sem ákvarðar námsgetu okkar, vinnugetu og lífsgæði. Með réttri líkamsrækt og mataræði, tilfinningastjórnun og daglegu lífi getum við bætt minni okkar og vitræna hæfileika til muna, sem gerir okkur kleift að lifa skilvirkari og hamingjusamari lífi. Það má sjá að við þurfum að bæta minnið og Cistanche deserticola getur bætt minnið verulega því Cistanche deserticola er hefðbundið kínverskt lækningaefni sem hefur mörg einstök áhrif, ein þeirra er að bæta minni. Virkni hakkaðs kjöts kemur frá hinum ýmsu virku innihaldsefnum sem það inniheldur, þar á meðal sýru, fjölsykrur, flavonoids o.fl. Þessi innihaldsefni geta stuðlað að heilsu heilans á ýmsan hátt.

Smelltu á vita bætiefni til að bæta minni

Hægt er að útskýra hátt ofrúmmálsgildi NSGA-II með þrengingarfjarlægðarskrefinu, sem hjálpaði reikniritinu að finna lausnir sem ekki eru ráðandi á ystu hlið Pareto framhliðarinnar.

Þar sem PLS og HPSO settu fram nein viðmið til að forðast óþarfa lausnir, leiddu lausnir þeirra til mengs lausna sem ekki voru ríkjandi sem voru einbeitt á ákveðnum svæðum. Þess vegna var hópurinn af liðssamsetningum sem NSGA-II veitti oft yfirgnæfandi þeim sem hin reikniritin bjóða upp á.

NSGA-II útfærslan fékk einnig hæstu einstaka óráðsuðu framhlutfallsgildin (UNFR) á 6 af 9 gagnasettum. Með öðrum orðum, NSGA-II útvegaði oft fleiri óstjórnandi liðssamsetningar sem hin reikniritin gátu ekki fundið.

Möguleg skýring á NSGA-II öðru sæti í hinum tilfellunum er lítill þéttleiki í samstarfsnetinu. Laug með fáum fyrri tengingum meðal einstaklinga munu fækka mögulegum mjög tengdum teymasamsetningum, sem gerir heuristic leitina árangurslausa.

Aftur á móti gerðu HPSO og PLS fleiri kross- og stökkbreytingaraðgerðir en NSGA-II. Framkvæmd þessara aðgerða margoft gerði HPSO og PLS kleift að skoða fleiri teymissamsetningar og auka líkurnar á því að finna sérstakar teymissamsetningar með lágum samskiptaeinkunn.

HPSO náði næsthæstu hárúmmáli og UNFR gildi. Það naut góðs af lausnum sem ekki voru ríkjandi í miðri áætlaðri Pareto framhlið, sem fékk mikla fjölbreytni.

Þessar lausnir sem ekki voru ríkjandi stóðu sig betur en önnur reiknirit og stækkuðu svæðið sem skapaðist af áætlaðri Pareto Front. SPEA-2 og PLS runnu saman í nokkrar lausnir sem ná yfir minna svæði en NSGA-II og HPSO lausnirnar. Á heildina litið fann NSGA-II fleiri lausnir sem ekki voru ráðandi í þessum tveimur markmiðum og útvegaði lausnir með meiri breytileika í samskiptakostnaðargildum.

Hin mikla breytileiki bæði í fjölbreytileika og kunnugleika sýnir að NSGA-II reikniritið fann fleiri óráðandi lausnir en hin reiknirit, sem er æskilegt til að finna hið sanna Pareto front. Þrengingarfjarlægðarskref NSGA-II gerði reikniritinu kleift að halda breiðara úrvali lausna sem ekki eru ráðandi. Auk þess hélt reikniritið aukalausnum afskiptalausum lögum sem gætu hafa átt uppruna sinn í óráðandi lausnum í síðari endurteknum.

Þar sem reikniritið heldur áfram að skapa nýjar kynslóðir er enn hægt að íhuga ráðandi lausnir til að finna aðrar mögulegar lausnir. Þar að auki gæti NSGA-II enn greint lausnir sem ekki eru ráðandi í miðri skiptingu.

Aftur á móti sýnir lágt dreifni hinna reikniritanna að líklegt væri að þau myndu renna saman á tilteknu mengi lausna sem ekki eru ríkjandi og til ákveðins skiptis. Þessi reiknirit innihéldu ekki aðgerðir til að auka fjölbreytni í núverandi íbúafjölda eða fjarlægja óþarfa lausnir sem ekki eru ráðandi. Þess vegna gætu þessar reiknirit vantað fjölbreyttar lausnir sem búa í öfgum Pareto framhliðarinnar.

Mynd 4 sýnir keyrslutíma allra útfærðra reiknirita. Mynd 5 sýnir hvernig keyrslutími reiknirita er fall af fjölda tiltækra einstaklinga. Niðurstöðurnar sýna að NSGA-II innleiðingin skilar betri árangri en PLS og HPSO eftir því sem þátttakendahópurinn stækkar.

PLS þurfti lengri tíma til að kanna hverfi lausna þar til allar mögulegar samsetningar voru uppurnar. Þegar um HPSO er að ræða, gerðu tvær yfirfærslur og eitt stökkbreytingarskref sem voru framkvæmd fyrir hverja lausn aðgerð reikniritsins þrisvar sinnum lengri en NSGA-II þar sem sá síðarnefndi framkvæmir aðeins eitt krossþrep. Þrátt fyrir að HPSO hafi tekið lengri tíma en NSGA-II, virkuðu bæði í margliða tíma (O(n2)).

Niðurstöður okkar benda til þess að NSGA-II hafi þurft minna en þriðjung þess tíma sem PLS og HPSO tóku til að gefa svipaðar niðurstöður. Þess vegna er mjög hvatt til að nota NSGA-II til að finna lausnir á skilvirkan hátt eftir því sem inntaksstærðin eykst. SPEA-2 fann ekki betri lausnir en PLS eða NSGA-II, en niðurstöður hennar runnu hraðar saman en NSGA-II og PLS aðferðirnar.

Að lokum reiknuðum við út tíðni beinna tengiliða (1-hopp), sameiginlegra tengiliða (2-hops),3-hopps og fleira í teymunum sem saman eru settir til að skilja fjarlægðir milli liðsmanna( Sjá S3 töflu í S1 skrá).

Niðurstöðurnar benda til þess að mikill meirihluti meðlima hafi verið tengdur öðrum í gegnum eitt millistig (�31%), síðan meðlimir sem voru tengdir beint (�30%). Þessar tölur sýna að liðin sem urðu til voru mjög tengd saman og meðlimir tengdir í gegnum mörg hopp voru ekki dæmigerð.

Umræða

Að mynda teymi er krefjandi verkefni, sérstaklega þegar markmiðið er að koma á jafnvægi á milli fjölbreytileika og óskir liðsfélaga. Þó fyrri vinna hafi beinst að því að leita að besta mögulega teyminu [37], er framlag þessarar greinar að leita að jafnvægi teymissamsetningar sem dreifa færni og tengingum á réttlátan hátt. Þar að auki, að setja saman teymi sem fela í sér bæði fjölbreytileika í framlagi meðlima sinna og fyrri tengsl milli meðlima verður fullkomin áskorun til að tryggja árangur þeirra [78, 79].

Í þessari vinnu skoðum við vandamálið við að búa til teymi sem eru bæði fjölbreytt og mjög tengd teymi með því að nota reikniaðferð. Við innleiddum þetta liðsmyndunarvandamál með því að nota erfðafræðilegt reiknirit sem býður upp á mismunandi hópsamsetningar í samræmi við fjölbreytileika teymanna og samskiptakostnað.

Niðurstöðurnar benda til þess að hægt sé að setja saman fjölbreytt og mjög tengd teymi á skilvirkan og fljótlegan hátt með þessari erfðafræðilegu nálgun. Í eftirfarandi undirköflum víkjum við nánar að afleiðingum þessarar vinnu og hugsanlegum umsóknum.

Þessi vinna sýnir ávinninginn af því að nota reikniaðferðir til að setja saman mörg teymi sem dreifa færni meðlima á milli mismunandi hópa og íhuga fyrri tengsl þeirra. Fyrri vinna leggur aðallega áherslu á að finna besta mögulega teymið úr félagslegum hópi (td sérfræðingateymi, stjörnuteymi) [36, 57, 58].

Hins vegar er leit að mörgum teymum einnig viðeigandi í náms- og skipulagsaðstæðum, svo sem að mynda nemendateymi, mynda rekstrarteymi innan rekstrareininga eða stunda vísindarannsóknir.

Vegna mikillar áherslu á að setja saman afkastamikil teymi geta reiknirit sem leiða bestu meðlimi saman skapað meiri aðskilnað innan þessara þjóðfélagshópa á kostnað annarra sem eru ófaglærðir [80]. Samþjöppun kunnáttu og sérfræðiþekkingar í fáum teymum kemur í veg fyrir að önnur teymi komi fram með svipuð tækifæri og félagsleg tengsl.

Eins og þessi ritgerð sýnir, veita háþróaður reikniinnviði og notkun stórra gagna ný tækifæri til að endurmynda nokkrar hópsamsetningar sem einstaklingar gætu ekki kannað kerfisbundið og auðveldlega [37, 44]. Frekar en að búa til teymi með handvirkum aðferðum eða innsæi, geta teymismenn notað reiknirit til að sérsníða mismunandi hópasamsetningar sem hámarka fjölbreytileika og kunnugleika samtímis.

Þannig gera útfærslur eins og sú sem kynnt er í þessari grein liðssmiðum kleift að búa til ólík og fjölbreytt teymi án þess að fórna þekkingu meðal liðsmanna, sem er nauðsynlegt fyrir árangursríkt samstarf [81].

For more information:1950477648nn@gmail.com