Í leit að fjölbreyttum og tengdum teymum: reikniaðferð til að setja saman fjölbreytt lið byggt á meðlimum 4. hluti

Í þessari útfærslu notum við margs konar mælikvarða til að meta fjölbreytileika teyma sem gefnar eru af C flokkabreytum og mismunamælingar til að meta fjölbreytileika teyma sem U tölulegar breytur veita. Til að mæla fjölbreytni hvers liðs með flokkaeiginleikum meðlima þess C notum við Blau vísitöluna (Bt; ci) [30].

Í lífi okkar lendum við oft í ýmsu fólki og hlutum. Fjölbreytileiki þessa fólks og hluta fer yfir mörk kynþáttar, menningar og vitrænnar litrófs. Nýlegar rannsóknir hafa fundið jákvætt samband milli fjölbreytileikavísa og minnis.

Fjölbreytileikavísar eru meðal annars þjóðernislegur, menningarlegur og vitsmunalegur fjölbreytileiki. Með fjölbreytileika kynþátta örvar útsetning fyrir mismunandi kynþáttum hugsun og minni fólks, þar sem fólk þarf að vera næmt fyrir og gera nauðsynlegar breytingar á mismunandi tungumálum og menningu. Menningarlegur fjölbreytileiki þýðir að fólk getur orðið vart við mismunandi menningu, skoðanir og gildi. Þessi reynsla getur gert fólk sveigjanlegra, aðlögunarhæfara og skapandi. Fjölbreytni í vitsmunalegu umfangi getur falið í sér mismunandi greinar, starfsferil og reynslu sem eykur þekkingu okkar og skilning á hlutum.

Áður fyrr var talið að vitsmunalegum ávinningi væri aðeins hægt að ná með einum menningarlegum bakgrunni. Nú hefur hins vegar vaxandi fjöldi rannsókna sýnt að vísbendingar um fjölbreytileika geta bætt vitræna hæfileika og minni einstaklingsins. Vísindamenn telja að þetta sé vegna þess að margbreytileikavísar hjálpa okkur að byggja upp flóknari minningar og hjálpa okkur einnig að skilja og muna ýmis sjónræn, hljóðræn og munnleg atriði.

Í sumum rannsóknum hafa fræðimenn komist að því að tvítyngt fólk stendur sig betur í mörgum vitrænum verkefnum. Þegar fólk talar mörg tungumál ber það saman framburð, orðaforða og málfræði á milli mismunandi tungumála. Þessi þvermálsvinnsla styrkir taugakerfi heilans og bætir vitræna hæfileika.

Þess vegna getum við ályktað að fjölbreytileikavísar geti bætt vitræna hæfileika og minni, sem getur einnig gagnast faglegu og persónulegu lífi okkar. Við ættum að hvetja okkur til að kynnast fjölbreyttari menningu og skilningi og opna þekkingu okkar og skilning á nýjum hlutum til að hjálpa okkur að ná betri árangri í framtíðarþróun. Það má sjá að við þurfum að bæta minni okkar. Cistanche deserticola getur bætt minnið verulega vegna þess að Cistanche deserticola er hefðbundið kínverskt lækningaefni með 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

Þessi vísitala mælir líkurnar á því að tveir liðsmenn sem valdir voru af handahófi úr hópnum væru í mismunandi flokkum. Lágt stig þýðir að meðlimir falla í sama flokk en hátt stig þýðir að meðlimir falla í mismunandi flokka.

Við táknum pci jas hlutfall meðlima sem falla í ákveðinn flokk j í flokkaeigindinni ci. Í ljósi þess að fjöldi flokka í ci er oci, þar sem j ¼ 1; :::; oci, BlauIndex formúlan fyrir liðið er:

Bt;ci ¼ 1 Xocijpci2j ð2

Til að mæla mismunamælikvarða hvers liðs með tölulegum breytum U liðsmanna þess notum við breytileikastuðulinn (CVt;ui) [30], sem er skilgreindur sem hlutfall staðalfráviks og meðaltals eigindarinnar i, ui 2 U.

Lágur breytileikastuðull þýðir að allir liðsmenn hafa svipuð stig eigindarinnar, en hátt stig þýðir að allir liðsmenn hafa mismunandi stig eigindarinnar. Fyrir lið t með meðlimum j=1, 2, . . ., k, og með u�i sem meðalgildi liðsins á eigindinni i, er formúlan eftirfarandi:

CVt;ui ¼ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiXkj2tðuiðpjÞ u�iÞ2=kvuut =u�i ð

Þessar tvær fjölbreytileikamælingar teymis eru gagnlegar vegna þess að þær breytast ekki þegar inntaksgögnin eru stækkuð línulega og þeir hafa tilhneigingu til að haldast í kringum sömu gildin. Í ljósi þess að hópmyndunarvandinn tekur mið af C flokkabreytum og U tölubreytum, er hægt að vega fjölbreytileikamælingarnar til að forgangsraða mismun innan ákveðinnar breytu.

Vigur þyngdar W hefur |C| + |U| frumefni, þar sem W ¼ ðwu1; :::;wcm ;wc1;wc2; :::; wclÞ. Byggt á þessum mælingum tökum við saman fjölbreytileika fyrir mismunandi eiginleika í eitt gildi. Við skilgreinum hópfjölbreytniskor V liðs t sem vegin summa Blau vísitölanna fyrir allar C flokkabreytur og breytileikastuðull fyrir allar U tölubreytur. Formúlan er:

Vt ¼ Xmi¼1wui � CVt;ui þXli¼1wci � Bt;ci ð

Fjölþátta vandamálayfirlýsing. Við mótum vandamálið sem fjölmarkmiðsvandamál til að finna hóp af r hóplausnum P ¼ fT1; T2; T3; :::; Trg, þar sem hverT táknar hugsanlega lausn með q liðum.

Niðurbrot matsaðgerðarinnar í bæði markmið - að lágmarka samskiptakostnað og hámarka fjölbreytileika teymisins - gerir okkur kleift að finna margar lausnir sem einmarkmið nálgunin getur ekki náð. Þar af leiðandi gerum við ráð fyrir að finna ekki einstaka lausn T heldur mengi lausna P sem ekki er önnur framkvæmanleg lausn betri fyrir í báðum hlutlægum aðgerðum.

Þetta safn af lausnum P er einnig þekkt sem Pareto front, þar sem (a) það er ekkert annað sett af lausnum T0 með fjölbreyttari og tengdari teymum, og (b) hver lausn Ti; i 2 P er ekki æðri öllum öðrum lausnum í P varðandi bæði fjölbreytileika og samskiptakostnaðarmarkmið. Að hafa þetta sett af teymislausnum P gerir það mögulegt að meta hverja þeirra fyrir sig, þannig að hópsmiður getur valið viðeigandi teymi sem hægt er að setja saman fyrir tiltekið samhengi og aðstæður.

Í stuttu máli, vandamálið við myndun teymis sem fjallað er um í þessari grein er að finna Pareto front P af teymislausnum, þar sem hver lausn T er samsett úr q liðum (T={t1, t2, t3, . . ., tq} ). Tvímarkmiðið er að hámarka fjölbreytileika teyma byggt á flokkaeiginleikum C og tölulegum eiginleikum U og lágmarka samskiptakostnað byggt á G. Við getum líkan þetta vandamál:

Þar sem sannað er að það sé NP-erfitt vandamál að finna teymi úr línuriti G á meðan summan af stystu leiðarlengdum og úthlutunarvandamálum er lágmarkað [57, 68], er þetta fjölmarkmiða vandamál líka NP-hart vandamál.

NSGA-II útfærsla

Form Pareto framhliða veita gagnlegar upplýsingar um hversu mikil skipting er á milli mismunandi markmiða og hversu mikla málamiðlun þarf frá sumum forsendum til að bæta önnur.

Erfitt er að ákvarða nákvæma Pareto-framhlið fyrir fjöl-markmiða samsetningu hagræðingarvandamála þar sem nauðsynlegt er að reikna allar mögulegar samsetningar til að finna hið sanna Paretofront [63]. Af þessum sökum er markmiðið að finna nálgun á sönnu Pareto framhliðinni með því að nota heuristic algrím. Mikilvæg forsenda fyrir þessar reiknirit er að Pareto framhliðin sé nægilega fjölmenn.

Gæði þessarar nálgunar ráðast af (1) nálægð punktanna á áætlaðri framhliðinni við punktana á hinni sönnu Pareto framhlið; og (2) fjölbreytileika lausnanna á áætlaðri hlið, þar sem meiri fjölbreytni er venjulega betri. Þótt hið sanna Pareto framhlið sé óþekkt, eru lausnir sem drottna yfir öðrum nálægt fræðilegu sannaPareto framhliðinni. Þess vegna mun fjölbreytileiki lausnanna veita víðtækara úrval og granularity Pareto framhliðarinnar.

Erfðafræðileg reiknirit (GA) eru almennt notuð til að finna nálgun á Pareto framhliðum [69]. Með því að líkja eftir þróun í náttúrunni, fínstillir þessi aðferð stofn upphafslausna í betri lausnir með náttúruvali. Hver lausn einkennist sem litningur (þ.e. vektor eiginda), sem hægt er að stökkbreyta og breyta í hverri endurtekningu. Bestu lausnirnar munu endast eftir að þær stökkbreytast með tímanum. Erfðafræðileg reiknirit eru tilvalin til að finna lausnir fyrir hagræðingarvandamál í stórum og mjög ólínulegum rýmum [70].

Erfðafræðilega reikniritið byrjar á hópi lausna sem myndast af handahófi sem þróast yfir í nýjar lausnir í gegnum endurtekið ferli. Þjóðin sem myndast í hverri endurtekningu er einnig þekkt sem kynslóð. Í hverri kynslóð metur reikniritið litning hvers þýðis í samræmi við hlutlæga virknina í leystu hagræðingarvandanum.

Litningar með hæstu einkunn eru valdir úr núverandi kynslóð og notaðir til að mynda nýja kynslóð. Þetta ferli heldur áfram þar til hámarksfjölda endurtekningar er náð eða með þröskuldsfalli sem er skilgreint fyrir lausnirnar.

Við innleiddum erfðafræðilegt reiknirit sem kallast Non-dominated Sorting Genetic Algorithm-II(NSGA-II) mótað af Deb o.fl. [71]. NSGA-II gerir kleift að finna nálgun á Pareto framhliðinni, með mismunandi teymislausnir P sem eru mismunandi eftir samskiptakostnaði og fjölbreytileikastiginu sem tilgreint er. NSGA-II nálgunin byggir á því að flokka íbúana í stigveldi undirhópa með því að nota Pareto yfirráðaviðmið.

Síðan eru litningar fyrir næstu endurtekningu valdir samkvæmt nefndu stigveldi. Þetta elítíska val tryggir að hugsanlegir góðir litningar haldist í þýðinu og gæði lausnarinnar sem fæst minnkar ekki frá einni endurtekningu til annarrar. Lausnunum er einnig raðað í samræmi við líkindin milli litninga þeirra, fjarlægja óþarfa til að stuðla að fjölbreytileika í Pareto framhliðinni.

Fyrir vikið getur NSGA-II sameinast á afkastamikilli Paretofront eftir nokkrar endurtekningar. Fyrri vinna hefur sýnt að NSGA-II veitir lausnir með mikilli skilvirkni í O(n2).

Í þessari útfærslu inniheldur hver þýði P r hóplausnir P ¼ fT1; T2; :::; Trg,og hver litningur táknar hugsanlegt mengi q liða Ti={t1, t2, . . ., tq}. Við notum "litninga" og "hóplausn" til skiptis í þessari grein.

Við skilgreinum litning sem vektor af einstaklingum sem skipt er í q hluta til að fá liðin (mynd 2). Þar af leiðandi jafngildir lengd hvers litninga fjölda fólks n, sem táknar q lið af stærð k (q�k=n). Við aðlaguðum þetta reiknirit að sérstöku fjölbreyttu hópmyndunarvandamáli okkar og við útlistum þessi skref í reiknirit 1.

Frumstilling. Reikniritið byrjar á því að frumstilla þýði litninga P og láta setja saman teymi af handahófi. Inntaksfæribreytur þess eru heildarfjöldi litninga r til að taka með í þýði P, listi yfir fólk P, fjöldi teyma q sem myndast og fjöldi endurtekningar til að framkvæma g.

Litningar eru geymdir sem tvívíð lögun (q,k), þar sem q er fjöldi teyma sem hægt er að setja saman og k er fjöldi meðlima í hverju lið. Hver litningur er möguleg lausn á fjölbreyttu hópmyndunarvandanum og markmiðið er að finna litningasamstæðu með miklum fjölbreytileika og lágum samskiptakostnaði.

Eftir að upphafsþýðið hefur verið búið til, býr reikniritið til afkvæmanna og leitar að Pareto framhliðunum ítrekað þar til hámarksfjölda kynslóða g er náð.

Crossover skref.

Í hverri kynslóð tekur reikniritið tvo handahófskennda litninga (p1 og p2) úr núverandi þýði P og velur q teymi af handahófi úr þessu sambandi. Þar af leiðandi mun reikniritið hafa barnlitning með q liðum. Þar sem teymi barnsins eru valin af handahófi úr tveimur mismunandi litningum, geta einstaklingar verið valdir tvisvar, frá p1 og p2.

Reikniritið kemur í stað endurtekinna einstaklinga fyrir aðra sem ekki voru settir í teymi. Það kannar hvern meðlim á litningi barnsins og telur hversu oft einstaklingur er hluti af teymi. Ef einstaklingur er talinn oftar en einu sinni er þessum einstaklingi skipt út af handahófi fyrir meðlim sem vantar. Í lok þessa endurskoðunarferlis mun reikniritið hafa barnlitninginn með öllum meðlimum P úthlutað í eitt lið.

Þessar tilviljanakenndu sýnatökur veita nægilega stökkbreytingu til að reikniritið geti komið fjölbreytileika í þýðið án þess að bæta öðru stökkbreytingarþrepi við. Við útlistum fyrirhugaða krossaðferð í reiknirit 2.

For more information:1950477648nn@gamil.com