Mencari Tim yang Beragam dan Terhubung: Pendekatan Komputasi untuk Merakit Tim yang Beragam Berdasarkan Anggota Bagian 4

Dalam implementasi ini, kami menggunakan berbagai metrik untuk menilai keragaman tim yang disediakan oleh variabel kategori C, dan metrik disparitas untuk menilai keragaman tim yang disediakan oleh variabel numerik U. Untuk mengukur metrik variasi setiap tim berdasarkan atribut kategori C anggotanya, kami menggunakan indeks Blau (Bt; ci) [30].

Dalam kehidupan kita, kita sering menjumpai berbagai orang dan benda. Keberagaman orang-orang dan benda-benda ini melampaui batas-batas ras, budaya, dan spektrum kognitif. Penelitian terbaru menemukan hubungan positif antara indikator keberagaman dan memori.

Indikator keberagaman meliputi keragaman etnis, budaya, dan kognitif. Dengan keragaman ras, paparan terhadap ras yang berbeda merangsang pemikiran dan ingatan masyarakat, karena masyarakat harus tetap peka dan melakukan penyesuaian yang diperlukan terhadap bahasa dan budaya yang berbeda. Keberagaman budaya berarti bahwa setiap orang dapat mengenal budaya, keyakinan, dan nilai-nilai yang berbeda. Pengalaman-pengalaman ini dapat membuat orang lebih fleksibel, mudah beradaptasi, dan kreatif. Keberagaman dalam lingkup kognitif dapat mencakup berbagai disiplin ilmu, karier, dan pengalaman yang meningkatkan pengetahuan dan pemahaman kita tentang berbagai hal.

Di masa lalu, keunggulan kognitif dianggap hanya dapat dicapai melalui satu latar belakang budaya. Namun kini, semakin banyak penelitian yang menunjukkan bahwa indikator keberagaman dapat meningkatkan kemampuan kognitif dan memori seseorang. Para ilmuwan meyakini hal ini karena indikator keberagaman membantu kita membangun ingatan yang lebih kompleks, dan juga membantu kita memahami dan mengingat berbagai elemen visual, pendengaran, dan verbal.

Dalam beberapa penelitian, para ahli menemukan bahwa orang bilingual berkinerja lebih baik dalam banyak tugas kognitif. Ketika orang berbicara dalam berbagai bahasa, mereka membandingkan dan membedakan pengucapan, kosa kata, dan tata bahasa antara berbagai bahasa. Pemrosesan lintas bahasa ini memperkuat jaringan saraf otak dan meningkatkan kemampuan kognitif.

Oleh karena itu, kita dapat menyimpulkan bahwa indikator keberagaman dapat meningkatkan kemampuan kognitif dan memori, yang juga dapat bermanfaat bagi kehidupan profesional dan pribadi kita. Kita harus mendorong diri kita untuk terpapar pada budaya dan kognisi yang lebih luas, dan membuka pengetahuan dan pemahaman kita tentang hal-hal baru untuk membantu diri kita sendiri mencapai hasil yang lebih baik dalam pembangunan di masa depan. Terlihat bahwa kita perlu meningkatkan daya ingat kita. Cistanche deserticola dapat meningkatkan daya ingat secara signifikan karena Cistanche deserticola merupakan bahan obat tradisional Tiongkok yang memiliki banyak khasiat unik, salah satunya meningkatkan daya ingat. Khasiat daging cincang berasal dari berbagai bahan aktif yang dikandungnya, antara lain asam, polisakarida, flavonoid, dll. Bahan-bahan tersebut dapat meningkatkan kesehatan otak dengan berbagai cara.

Klik suplemen tahu untuk meningkatkan daya ingat

Indeks ini mengukur probabilitas bahwa dua anggota tim yang dipilih secara acak dari tim akan berada dalam kategori berbeda. Skor rendah berarti anggota masuk dalam kategori yang sama, sedangkan skor tinggi berarti anggota masuk dalam kategori berbeda.

Kami menunjukkan pci jas proporsi anggota yang termasuk dalam kategori tertentu j dalam atribut kategorikal ci. Mengingat banyaknya kategori pada ci adalah oci, dimana j ¼ 1; :::; oci, rumus BlauIndex untuk tim t adalah:

Bt;ci ¼ 1 Xocijpci2j ð2

Untuk mengukur metrik disparitas setiap tim dengan variabel numerik anggotanya U, kami menggunakan koefisien variasi (CVt;ui) [30], yang didefinisikan sebagai rasio deviasi standar terhadap mean atribut i, ui 2 U.

Skor koefisien variasi yang rendah berarti seluruh anggota tim memiliki tingkat atribut yang sama, sedangkan skor yang tinggi berarti semua anggota tim memiliki tingkat atribut yang berbeda. Untuk tim t dengan anggota j=1, 2, . . ., k, dan dengan u�i sebagai nilai rata-rata tim dari atribut i, rumusnya adalah sebagai berikut:

CVt;ui ¼ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiXkj2tðuiðpjÞ u�iÞ2=kvuut =u�i ð

Kedua ukuran keragaman tim ini berguna karena tidak berubah ketika data masukan diskalakan secara linier, dan keduanya cenderung tetap pada nilai yang sama. Mengingat bahwa masalah pembentukan tim mempertimbangkan variabel kategori C dan variabel numerik U, ukuran keragaman dapat diberi bobot untuk memprioritaskan perbedaan dalam variabel tertentu.

Vektor bobot W mempunyai |C| + |kamu| elemen, dimana W ¼ ðwu1; :::;wcm ;wc1;wc2; :::; jadi. Berdasarkan langkah-langkah ini, kami menggabungkan keragaman untuk berbagai atribut menjadi satu nilai. Kami mendefinisikan skor keragaman tim V dari tim t sebagai jumlah tertimbang indeks Blau untuk semua variabel kategori C dan koefisien variasi untuk semua variabel numerik U. Rumusnya adalah:

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

Pernyataan masalah multi-tujuan. Kami merumuskan masalah ini sebagai masalah multi-tujuan untuk menemukan himpunan r solusi tim P ¼ fT1; T2; T3; :::; Trg, di mana masing-masing T mewakili solusi potensial dengan tim q.

Penguraian fungsi penilaian menjadi tujuan-meminimalkan biaya komunikasi dan memaksimalkan skor keberagaman tim-memungkinkan kita menemukan berbagai solusi yang tidak dapat dicapai oleh pendekatan tujuan tunggal. Sebagai hasilnya, kita berharap untuk menemukan bukan solusi unik T tetapi himpunan solusi P yang mana tidak ada solusi layak lainnya yang lebih baik pada kedua fungsi tujuan.

Rangkaian solusi P ini juga dikenal sebagai front Pareto, dengan (a) tidak ada rangkaian solusi lain T0 dengan tim yang lebih beragam dan terhubung, dan (b) setiap solusi Ti; i 2 P tidak lebih unggul dari semua solusi lain di P dalam hal tujuan keragaman dan biaya komunikasi. Memiliki rangkaian solusi tim P memungkinkan untuk menilai masing-masing solusi secara individual, sehingga pembangun tim dapat memilih tim yang paling tepat untuk dibentuk sesuai konteks dan keadaan tertentu.

Singkatnya, masalah pembentukan tim yang dibahas dalam makalah ini adalah mencari solusi tim P depan Pareto, di mana setiap solusi T terdiri dari q tim (T={t1, t2, t3, . . ., tq} ). Tujuan gandanya adalah memaksimalkan keragaman tim berdasarkan atribut kategori C dan atribut numerik U dan meminimalkan biaya komunikasi berdasarkan G. Kita dapat memodelkan masalah ini sebagai:

Karena menemukan tim dari grafik G sambil meminimalkan jumlah panjang jalur terpendek dan masalah alokasi tim terbukti menjadi masalah NP-hard [57, 68], masalah multi-tujuan ini juga merupakan masalah NP-hard.

implementasi NSGA-II

Bentuk garis depan Pareto memberikan informasi yang berguna tentang tingkat trade-off antara tujuan-tujuan yang berbeda dan seberapa besar kompromi yang diperlukan dari beberapa kriteria untuk memperbaiki kriteria lainnya.

Menentukan bagian depan Pareto yang tepat untuk masalah optimasi kombinatorial multi-objektif adalah hal yang sulit karena perlu menghitung semua kemungkinan kombinasi untuk menemukan bagian depan Pareto yang sebenarnya [63]. Oleh karena itu, tujuannya adalah untuk menemukan perkiraan front Pareto yang sebenarnya menggunakan algoritma heuristik. Asumsi penting untuk algoritma ini adalah bahwa front Pareto mempunyai populasi yang cukup.

Kualitas perkiraan ini bergantung pada (1) kedekatan titik-titik pada bagian depan yang diperkirakan dengan titik-titik pada bagian depan Pareto yang sebenarnya; dan (2) keberagaman solusi pada sisi perkiraan, dimana lebih banyak keberagaman biasanya lebih baik. Meskipun front Pareto yang sebenarnya tidak diketahui, solusi-solusi yang mendominasi solusi-solusi lainnya hampir sama dengan front Pareto teoritis yang sebenarnya. Oleh karena itu, keragaman solusi akan memberikan jangkauan dan granularitas yang lebih luas dari bagian depan Pareto.

Algoritma genetika (GA) biasanya digunakan untuk mencari perkiraan front Pareto [69]. Dengan meniru evolusi di alam, metode ini mengoptimalkan populasi solusi awal menjadi solusi yang lebih baik melalui seleksi alam. Setiap solusi dikarakterisasi sebagai kromosom (yaitu vektor atribut), yang dapat bermutasi dan diubah pada setiap iterasi. Solusi terbaik akan bertahan lama setelah mereka bermutasi seiring berjalannya waktu. Algoritma genetika ideal untuk menemukan solusi masalah optimasi dalam ruang yang besar dan sangat non-linear [70].

Algoritma genetika dimulai dari populasi solusi yang dihasilkan secara acak dan berkembang menjadi solusi baru melalui proses berulang. Populasi yang tercipta pada setiap iterasi disebut juga generasi. Pada setiap generasi, algoritma mengevaluasi kromosom setiap populasi sesuai dengan fungsi tujuan dalam masalah optimasi yang diselesaikan.

Kromosom dengan skor tertinggi dipilih dari generasi sekarang dan digunakan untuk membentuk generasi baru. Proses ini berlanjut hingga jumlah iterasi maksimum tercapai atau hingga fungsi ambang batas yang ditentukan untuk solusi.

Kami menerapkan algoritma genetika yang disebut Algoritma Genetika Penyortiran Non-dominasi-II (NSGA-II) yang dirumuskan oleh Deb et al. [71]. NSGA-II memungkinkan menemukan perkiraan bagian depan Pareto, memiliki solusi tim berbeda P yang bervariasi sesuai dengan biaya komunikasi dan skor keragaman yang ditentukan. Pendekatan NSGA-II didasarkan pada pengurutan populasi ke dalam hierarki sub-populasi menggunakan kriteria dominasi Pareto.

Kemudian, kromosom untuk iterasi berikutnya dipilih sesuai dengan hierarki yang disebutkan. Seleksi elitis ini menjamin bahwa kromosom-kromosom potensial yang baik tetap tersimpan dalam populasi, dan kualitas solusi yang diperoleh tidak menurun dari satu iterasi ke iterasi berikutnya. Solusinya juga diurutkan berdasarkan kesamaan di antara kromosom-kromosomnya, menghilangkan kelebihan kromosom-kromosom tersebut untuk mempromosikan keragaman di bagian depan Pareto.

Hasilnya, NSGA-II dapat menyatu pada Paretofront berperforma tinggi setelah beberapa iterasi. Penelitian sebelumnya telah menunjukkan bahwa NSGA-II memberikan solusi dengan tingkat efisiensi tinggi yang dijalankan dalam O(n2).

Dalam implementasi ini, setiap populasi P berisi r solusi tim P ¼ fT1; T2; :::; Trg, dan setiap kromosom mewakili himpunan potensial tim q Ti={t1, t2, . . .,tq}. Kami menggunakan "kromosom" dan "solusi tim" secara bergantian di seluruh makalah ini.

Kami mengkarakterisasi kromosom sebagai vektor individu yang dipartisi menjadi q bagian untuk mendapatkan tim (Gambar 2). Hasilnya, panjang masing-masing kromosom sama dengan jumlah orang n, mewakili q tim berukuran k (q�k=n). Kami mengadaptasi algoritme ini untuk masalah pembentukan tim spesifik kami yang beragam, dan kami menguraikan langkah-langkah ini dalam Algoritma 1.

Inisialisasi. Algoritme dimulai dengan menginisialisasi populasi kromosom P dan mengumpulkan tim secara acak. Parameter masukannya adalah jumlah total kromosom r yang akan dimasukkan ke dalam populasi P, daftar orang P, jumlah tim q yang harus dibentuk, dan jumlah iterasi yang harus dilakukan g.

Kromosom disimpan sebagai susunan dua dimensi dengan bentuk (q,k), di mana q adalah jumlah tim yang mungkin untuk dirakit, dan k adalah jumlah anggota per tim. Setiap kromosom merupakan solusi potensial terhadap masalah pembentukan tim yang beragam, dan tujuannya adalah untuk menemukan satu set kromosom dengan tingkat keragaman yang tinggi dan biaya komunikasi yang rendah.

Setelah populasi awal dibuat, algoritme membuat keturunan dan mencari front Pareto secara iteratif hingga jumlah generasi maksimum g tercapai.

Langkah menyilang.

Pada setiap generasi, algoritme mengambil dua kromosom acak (p1 dan p2) dari populasi P yang ada dan secara acak memilih tim q dari gabungan ini. Hasilnya, algoritma akan memiliki kromosom anak dengan tim q. Karena tim anak dipilih secara acak dari dua kromosom berbeda, individu dapat dipilih dua kali, dari p1 dan p2.

Algoritme ini menggantikan individu yang berulang dengan individu lain yang tidak ditugaskan ke tim. Ini mengeksplorasi setiap anggota kromosom anak dan menghitung berapa kali seseorang menjadi bagian dari sebuah tim. Jika seorang individu dihitung lebih dari satu kali, individu tersebut secara acak digantikan oleh anggota yang hilang. Di akhir proses revisi ini, algoritma akan memiliki kromosom anak dengan semua anggota P ditugaskan ke satu tim.

Pengambilan sampel acak ini memberikan mutasi yang cukup bagi algoritme untuk memperkenalkan keragaman ke dalam populasi tanpa menambahkan langkah mutasi lainnya. Kami menguraikan metode crossover yang diusulkan dalam Algoritma 2.

For more information:1950477648nn@gamil.com