Í leit að fjölbreyttum og tengdum teymum: reikniaðferð til að setja saman fjölbreytt lið byggt á meðlimum 6. hluti

Strength Pareto Evolutionary Algorithm 2 (SPEA-2). Eins og NSGA-II, er þetta reiknirit byggt á elítísku vali og yfirráðaviðmiðum [75].

Intensity Pareto evolution (IPE) er þróunaralgrím sem hefur það að meginmarkmiði að hámarka fjölmarkandi vandamál. Reikniritið nær markmiðum sínum með því að viðhalda fjölbreytileika og einstaklingsbundinni aðlögunarhæfni lausna. Á sama tíma gegnir minni einnig mjög mikilvægu hlutverki í IPE.

Nánar tiltekið, IPE nær jafnvægi á milli aðlögunarhæfni og fjölbreytileika með því að nýta á áhrifaríkan hátt upplýsingarnar sem eftir eru í þróunarsögunni. Með öðrum orðum, IPE notar minni til að viðhalda fjölbreytileika í lausnarferlinu og bæta skilvirkni reikniritsins. Með því að læra stöðugt og laga sig að upplýsingum í þróunarsögunni getur IPE betur leitað og hagrætt hlutlægum aðgerðum. Þar að auki, eftir því sem reikniritið þróast, mun minnið vera stöðugt uppfært og þar með bætt enn frekar skilvirkni reikniritsins og hagræðingarniðurstöður.

Í stuttu máli er mikilvægt samband á milli styrks Pareto-þróunar og minnis. Minni er ekki aðeins trygging fyrir fjölbreytileika í IPE heldur einnig einn af lykilþáttum þess að reikniritið nái góðum árangri. Þess vegna, í framtíðarrannsóknum, ættum við að halda áfram að bæta hlutverk minnis og kanna frekar möguleika IPE til að hámarka fjölþætt vandamál. 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 vita leiðir til að bæta heilastarfsemi

Í stað þess að búa til mismunandi Paretofronts heldur SPEA-2 settinu með bestu lausnunum sem finnast í hverri endurtekningu sem kallast „skjalasafn,“ sem er aðskilið frá þýðinu. Reikniritið byrjar með handahófi þýðislausnum og tómu skjalasafni.

Síðan reiknar það hæfnigildi fyrir hverja lausn byggt á (a) fjölda lausna sem það ræður yfir (þ.e. styrkleika), (b) fjölda lausna sem núverandi íbúa ræður yfir (þ.e. hrá hæfni) og ( c) fjarlægð hans við aðrar lausnir (þ.e. þéttleikagildi). Bestu lausnirnar verða afritaðar í skjalasafnið. Eftir að fyrstu íbúafjöldinn er hafinn er markmiðið að finna lausnir sem ekki eru ráðandi fyrir næstu kynslóð.

Byggt á líkamsræktargildum, framkvæmir reiknirit tvöfalda mót, yfirfærslu og stökkbreytingarskref með lausnum frá núverandi þýði og skjalasafni. Þessar nýju lausnir munu mynda næsta íbúa.

Eftir þessi ferli athugar reikniritið hversu margar lausnir sem ekki eru ríkjandi eru til vegna sameiningar núverandi íbúa og skjalasafns. Ef fjöldi lausna sem ekki eru ríkjandi er minni en stærð skjalasafnsins mun skjalasafnið innihalda einhverjar ríkjandi lausnir frá sambandinu.

Reikniritið velur ráðandi lausnir út frá líkamsræktargildum þeirra. Ef fjöldi lausna sem ekki eru ríkjandi er hærri en stærð skjalasafnsins fjarlægir reikniritið óþarfa lausnir byggðar á nágrannalengd þeirra.

Næsta endurtekning mun búa til nýja kynslóð byggða á þessu uppfærða skjalasafni. Við innleiddum útgáfuna sem Zitzler o.fl. [75]. Við notuðum sama fjölda kynslóða frá NSGA-II prófunum og stilltum stærð skjalasafnsins til jafns við stærð íbúa. Í bestu tilfellum er flókið útreikninga þessa reiknirit O(M2logM) þar sem M er summan af þýðastærð (n) og stærð skjalasafns (n0).

Hybrid Particle Swarm Optimization (HPSO) aðferð. Þetta reiknirit sameinar þrep fínstillingar algríms (PSO) og erfðafræðilegra reiknirita (GA) [76]. Í upprunalegu útgáfunni byrjar PSO á hópi lausna (kallaðar agnir) og færir þær um í leitarrýminu yfir staðsetningu og hraða ögnarinnar.

Hreyfing hverrar ögn er undir áhrifum af þekktustu staðsetningu hennar á staðnum en er einnig leiðbeint í átt að þekktustu stöðum á heimsvísu í leitarrýminu. Í hverri endurtekningu uppfærir reikniritið stöðu agnanna út frá hraða þeirra. Eftir nokkrar endurtekningar veitir reikniritið lausnir sem eru nálganir á staðbundinni bjartsýni og alþjóðlegri bjartsýni.

Þar sem upprunalega samsetning PSO starfar aðeins í stöðugum hagræðingarvandamálum, þurfum við útgáfu sem ræður við samsett hagræðingarvandamál. Þar að auki starfar PSO með alþjóðlegt besta sem er ekki til í Pareto-framhlið vandamálum. Zhang o.fl. [76] lagði til blendingsútgáfu sem kemur í stað agnastöðu og hraðauppfærsluformúla PSO fyrir kross- og stökkbreytingaraðgerðir erfðaalgrímsins.

Í hnotskurn, þá skoðar HPSO reikniritið ítrekað hverja ögn og (a) beitir krossþrepinu með tilviljunarkenndri óráðandi lausn sem ögnin finnur, (b) beitir krossþrepinu með handahófskenndri óráðandi lausn sem þekkist frá öllum íbúum, ( c) og framkvæmir stökkbreytingarskrefið. Ef útkomin lausn er betri en upprunalega, þá er lausnin uppfærð.

Ef ögn þekkir tvær eða fleiri óráðandi lausnir mun hún velja handahófskennda óráðandi lausn sem bestu staðbundna ögnina. Á sama hátt, ef íbúarnir þekkja fleiri en eina óráðandi lausn, mun það velja handahófskennda lausn sem ekki er ráðandi sem bestu hnattrænu ögnina.

Búist er við að keyrslutími þessa reiknirit sé margliður þar sem hann mun athuga n lausnirnar og keyra krossaðgerðina tvisvar og stökkbreytingaraðgerðina einu sinni. Þar af leiðandi er útreikningsflækjustigið O(n2) í besta tilviki.

Við bárum líka saman liðin sem þessi fjögur fjölmarkmið reiknirit hafa sett saman við teymi sem eru úthlutað af handahófi. Þar sem MyDreamTeam gagnasafnið innihélt þegar teymi í fastri stærð, reiknaði einnig út fjölbreytileikastig raunverulegra teyma og samskiptakostnað.

Mælingar

Við reiknuðum eftirfarandi megindlegu mælikvarða til að meta gæði, magn og keyrslutíma lausna reikniritanna. Þessir vísbendingar kortleggja lokalausnirnar að tölu sem gefur til kynna einn eða fleiri hliðar lausnarinnar. Við völdum þessa mælikvarða út frá bókmenntaskoðun Li o.fl. [77].

Hypervolume (HV). Þessi mælikvarði metur heildarstærð hlutrýmis sem einkennist af lausnum reikniritsins varðandi viðmiðunarpunkt. Það getur mælt hversu nálægt lausnir eru hinum sönnu Pareto framhlið og hversu jafnt dreifðar lausnirnar eru í markmiðsrýminu.

Reiknirit A mun hafa hærra ofurrúmmálsstig en reiknirit B ef lausnir reiknirit A ráða yfir lausnum reiknirit B. Í þessu samhengi sýna hærra ofurmagnsstig að hægt er að finna hópsamsetningar með meiri fjölbreytileika og kunnugleika.

Ef reiknirit A finnur liðssamsetningar með hærri fjölbreytniskor og/eða lægri samskiptakostnaði en reiknirit B, mun ofurmagn reiknirit A vera hærra en algrími B. Því hærra sem HV-gildið er, því betri er fjölbreytileikinn og dreifingin í hópsamsetningunum. Hægt er að móta HV reiknirit A sem:

HVðAÞ ¼ lð[a2Axja � x � rÞ ð6Þ

þar sem r táknar viðmiðunarpunktinn og λ gefur til kynna mælikvarða á undirmengi n-víddar evklíðsrýmis (þ.e. Lebesgue mælikvarði). Í okkar tilviki er ofrúmmálið flatarmál rétthyrninganna sem myndast af lausnunum og tvívíður viðmiðunarpunktur.

Einstakt Non-dominated Front Ratio (UNFR). Þessi mælikvarði mælir framlag hvers reiknirits til sameinaðs óráðandi framhliðar allra reiknirita. Í þessu samhengi hefur ifalgorithm A hærra UNFR gildi en reiknirit B, sá fyrrnefndi fann liðssamsetningar með hærri fjölbreytileika og/eða lægri fjölbreytniskorum en sá síðarnefndi. Látum Aunf vera hið einstaka óráðandi framhlið tiltekins reiknirit A, þá er þessi mælikvarði skilgreindur sem:

UNFRðAÞ ¼ ja 2 Aunf; ∄r 2 Runf: r � ajjRunf j ð7Þ

þar sem Runf er mengi einstakra lausna sem ekki eru ríkjandi af söfnum allra lausna sem reikniritarnir framleiða. UNFR gildið er á bilinu 0 til 1. Reiknirit með hátt UNFR-gildi þýðir að það stuðlaði að mörgum einstökum lausnum sem ekki voru ríkjandi úr öllum þeim lausnum sem ekki voru ríkjandi. Aftur á móti þýðir gildi nálægt núlli að reikniritið veitti nokkrar einstakar lausnir sem ekki eru ráðandi fyrir lokasettið.

Reikniflækjustig. Að lokum mátum við útreikningsflækju þessara reiknirita sem fall af inntaksstærðinni. Í þessu samhengi, ef reiknirit A hefur lægri hlaupatíma en reiknirit B, getur hið fyrrnefnda fundið liðssamsetningar úr hópi þátttakenda hraðar en hið síðarnefnda.

Þar sem keyrslutími sumra reiknirita getur aukist veldishraða er þessi mælikvarði mikilvægur til að mæla hversu skalanlegt og skilvirkt reikniritið er þegar búið er að mynda teymi með stórum þátttakendahópum. Við bárum saman keyrslutíma reikniritanna með því að nota mismunandi fjölda notenda úr gagnasöfnunum GHTorrent „Java“ og Bibsonomy „Science“.

Niðurstöður

Við keyrðum úttektir á reikniritunum í 50 kynslóðir með íbúastærð 50 litninga. Við innleiddum þessi reiknirit í Python 3.6.2. og gerði tilraunirnar á netþjóni með 2,60 GHz Intel(R) Xeon(R) örgjörva og 16GB af vinnsluminni.

Útfærslur reikniritanna og nákvæmar niðurstöður eru aðgengilegar á http://nusoniclab.github.io/ til samráðs. Tafla 2 sýnir tölfræðileg gögn gagnasafnanna, þar á meðal teymisstærð, fjölda tiltækra einstaklinga, fjölda tengsla, þvermál netsins, skammtímalengd einstaklinga og miðstýringu neta.

Mynd 3 sýnir nálgun á Pareto framhliðinni sem fannst af hverju reikniriti í hverju gagnasafni.

X-ásinn táknar heildarsamskiptakostnað liðanna. Lægri stig á þessum ás tákna lausnir með lægri samskiptakostnaði (þ.e. teymi innbyrðis tengdari).

Y-ásinn táknar heildarfjölbreytniskora teymis lausnanna. Hærri skor á þeim ás táknar lausnir með fjölbreyttari teymum. Eins og niðurstöðurnar sýna er NSGA-II útfærslan betri en viðmiðunaralgrímin í flestum prófuðu gagnapakkanum. NSGA-II fann lausnir sem ekki eru ráðandi með háum fjölbreytileikagildum og lágum samskiptakostnaði í öllum þessum gagnagrunnum.

HPSO lagði einnig sitt af mörkum með lausnum sem ekki voru ráðandi í lokasamsetningu lausna. Sérstaklega sýna söguþræðin að HPSO var betri í að finna lausnir sem ekki voru ráðandi þegar sett var jafnvægi á milli samskiptakostnaðar og fjölbreytileika. Í kjölfar NSGA-II og HPSO voru PLS lausnir nálægar og samþjappaðar á ákveðnum svæðum í hópmyndunarrýminu.

Þessi styrkur gefur til kynna að PLS hafi tilhneigingu til að sameinast um ákveðnar lausnir sem ekki voru ríkjandi, og vísaði frá öðrum hugsanlegum liðssamsetningum sem gætu ekki verið óráðandi í fyrstu endurtekningunum. SPEA-2 niðurstöður voru verri en önnur reiknirit þrátt fyrir að nota sömu framsetningu og aðgerðir. Á heildina litið var NSGA-II betri í að finna lausnir í öfgum á áætlaðri Pareto framhlið, sem býður upp á fjölbreyttari lausnir sem ekki eru ráðandi.

Það gaf fleiri valkosti samanborið við PLS, HPSO og SPEA-2. Þess vegna býður NSGA-II útfærslan upp á úrval teymislausna sem hópsmiðir geta kannað og velja.

For more information:1950477648nn@gmail.com