Turli va bog'langan jamoalarni qidirishda: a'zolar asosida turli guruhlarni yig'ish uchun hisoblash yondashuvi 4-qism

Ushbu amalga oshirishda biz C toifali o'zgaruvchilar tomonidan taqdim etilgan jamoalarning xilma-xilligini baholash uchun turli ko'rsatkichlardan va U raqamli o'zgaruvchilar tomonidan taqdim etilgan jamoalarning xilma-xilligini baholash uchun nomutanosiblik ko'rsatkichlaridan foydalanamiz. Har bir jamoaning xilma-xillik ko'rsatkichlarini uning a'zolarining C toifali atributlari bo'yicha o'lchash uchun biz Blau indeksidan (Bt; ci) foydalanamiz [30].

Hayotimizda biz ko'pincha turli xil odamlar va narsalarga duch kelamiz. Bu odamlar va narsalarning xilma-xilligi irq, madaniyat va kognitiv spektr chegaralaridan oshib ketadi. Yaqinda o'tkazilgan tadqiqotlar xilma-xillik ko'rsatkichlari va xotira o'rtasida ijobiy munosabatni aniqladi.

Turli xillik ko'rsatkichlari etnik, madaniy va kognitiv xilma-xillikni o'z ichiga oladi. Irqiy xilma-xillik bilan, turli irqlarga ta'sir qilish odamlarning fikrlash va xotirasini rag'batlantiradi, chunki odamlar turli tillar va madaniyatlarga nisbatan sezgir bo'lib qolishlari va kerakli tuzatishlar kiritishlari kerak. Madaniy xilma-xillik odamlarning turli madaniyatlar, e'tiqodlar va qadriyatlarga duch kelishi mumkinligini anglatadi. Bu tajribalar odamlarni yanada moslashuvchan, moslashuvchan va ijodiy qilishlari mumkin. Kognitiv miqyosdagi xilma-xillik turli xil fanlar, martaba va narsalar haqidagi bilim va tushunchamizni oshiradigan tajribalarni o'z ichiga olishi mumkin.

Ilgari, kognitiv afzalliklarga faqat bitta madaniy fon orqali erishish mumkin deb hisoblar edi. Biroq, hozirgi kunda ko'plab tadqiqotlar shuni ko'rsatadiki, xilma-xillik ko'rsatkichlari insonning kognitiv qobiliyatlari va xotirasini yaxshilashi mumkin. Olimlarning fikricha, bu xilma-xillik ko'rsatkichlari bizga yanada murakkab xotiralarni yaratishga yordam beradi, shuningdek, turli vizual, eshitish va og'zaki elementlarni tushunish va eslab qolishimizga yordam beradi.

Ba'zi tadqiqotlarda olimlar ikki tilli odamlar ko'plab kognitiv vazifalarni yaxshiroq bajarishlarini aniqladilar. Odamlar bir nechta tillarda gaplashganda, ular turli tillar o'rtasidagi talaffuz, lug'at va grammatikani solishtiradilar va taqqoslaydilar. Ushbu tillararo ishlov berish miyaning neyron tarmoqlarini mustahkamlaydi va kognitiv qobiliyatlarni yaxshilaydi.

Shu sababli, xilma-xillik ko'rsatkichlari kognitiv qobiliyat va xotirani yaxshilashi mumkin, bu bizning kasbiy va shaxsiy hayotimizga ham foyda keltirishi mumkin degan xulosaga kelishimiz mumkin. Biz o'zimizni madaniyat va idrokning keng doirasi bilan tanishtirishga undashimiz va kelajakdagi rivojlanishda yaxshiroq natijalarga erishishimizga yordam beradigan yangi narsalar haqidagi bilim va tushunchamizni ochishimiz kerak. Ko'rinib turibdiki, biz xotirani yaxshilashimiz kerak. Cistanche deserticola xotirani sezilarli darajada yaxshilashi mumkin, chunki Cistanche deserticola ko'plab noyob effektlarga ega bo'lgan an'anaviy xitoylik dorivor material bo'lib, ulardan biri xotirani yaxshilashdir. Qiymaning samaradorligi uning tarkibidagi turli faol moddalar, jumladan kislota, polisakkaridlar, flavonoidlar va boshqalardan kelib chiqadi. Bu ingredientlar turli yo'llar bilan miya salomatligini mustahkamlashi mumkin.

Xotirani yaxshilash uchun bilish qo'shimchalarini bosing

Ushbu indeks jamoadan tasodifiy tanlangan ikkita jamoa a'zosi turli toifalarda bo'lish ehtimolini aniqlaydi. Past ball a'zolarning bir xil toifaga kirishini anglatadi, yuqori ball esa a'zolarning turli toifalarga kirishini anglatadi.

Biz pci jas ci kategorik atributida ma'lum j toifaga kiruvchi a'zolar nisbatini bildiramiz. ci dagi toifalar soni oci ekanligini hisobga olsak, bu erda j ¼ 1; :::; oci, t jamoasi uchun BlauIndex formulasi:

Bt;ci ¼ 1 Xocijpci2j ð2

Har bir jamoaning nomutanosiblik ko'rsatkichlarini uning a'zolarining U raqamli o'zgaruvchilari bo'yicha o'lchash uchun biz standart og'ishning i, ui 2 U atributining o'rtacha qiymatiga nisbati sifatida aniqlanadigan o'zgaruvchanlik koeffitsientidan (CVt;ui) [30] foydalanamiz.

O'zgaruvchanlikning past koeffitsienti barcha jamoa a'zolari atributning bir xil darajalariga ega ekanligini anglatadi, yuqori ball esa barcha jamoa a'zolari atributning turli darajalariga ega ekanligini anglatadi. J=1, 2, a'zolari bo'lgan t jamoasi uchun. . ., k va u i atributining jamoaning o'rtacha qiymati bilan formula quyidagicha:

CVt;ui ¼ffiffffifffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffffiffffffffffffffffffffffffffffffffffffffffiXkj2tðuiðpjÞ uÞiÞ2=kvuut =ui

Ushbu ikkita jamoa xilma-xilligi o'lchovlari foydalidir, chunki ular kiritilgan ma'lumotlar chiziqli ravishda o'lchaganida o'zgarmaydi va ikkalasi ham bir xil qiymatlar atrofida qolishga moyil. Jamoani shakllantirish muammosi C toifali o'zgaruvchilar va U raqamli o'zgaruvchilarni hisobga olgan holda, ma'lum bir o'zgaruvchi ichidagi farqlarni birinchi o'ringa qo'yish uchun xilma-xillik o'lchovlarini tortish mumkin.

W vaznlar vektori |C|ga ega + |U| elementlar, bu erda W ¼ ðwu1; :::;wcm ;wc1;wc2; :::; wclÞ. Ushbu o'lchovlarga asoslanib, biz turli xil atributlar uchun xilma-xillikni yagona qiymatga jamlaymiz. Biz t jamoasining jamoaviy xilma-xilligi V ballini barcha C toifali o'zgaruvchilar uchun Blau indekslarining vaznli yig'indisi va barcha U raqamli o'zgaruvchilar uchun o'zgarish koeffitsienti sifatida aniqlaymiz. Formula quyidagicha:

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

Ko'p maqsadli muammo bayoni. Biz muammoni ko'p maqsadli muammo sifatida shakllantiramiz r jamoaviy yechimlar to'plamini topish uchun P ¼ fT1; T2; T3; :::; Trg, bu erda har T q jamoa bilan potentsial yechimni ifodalaydi.

Baholash funktsiyasining ikkala maqsadlarga bo'linishi - aloqa xarajatlarini minimallashtirish va jamoaning xilma-xillik reytingini maksimal darajada oshirish - bizga bitta maqsadli yondashuv erisha olmaydigan bir nechta echimlarni topishga imkon beradi. Natijada, biz yagona T yechimni emas, balki ikkala maqsad funktsiyasida ham boshqa iloji bo'lmagan yechim P to'plamini topishni kutamiz.

Ushbu P yechimlar to'plami Pareto fronti sifatida ham tanilgan, bunda (a) turli xil va bog'langan jamoalar bilan T0 boshqa yechimlar to'plami mavjud emas va (b) har bir yechim Ti; i 2 P ham xilma-xillik, ham aloqa xarajatlari maqsadlari bo'yicha Pdagi boshqa barcha yechimlardan ustun emas. Ushbu guruh echimlari to'plamiga ega bo'lish P ularning har birini alohida baholash imkonini beradi, shuning uchun jamoa quruvchisi berilgan kontekst va vaziyatlar uchun to'planishi mumkin bo'lgan eng mos jamoalarni tanlashi mumkin.

Xulosa qilib aytadigan bo'lsak, ushbu maqolada ko'rib chiqiladigan jamoani shakllantirish muammosi Pareto old P guruh echimlarini topishdir, bunda har bir T yechim q ta jamoadan iborat (T={t1, t2, t3, . . ., tq} ). Ikki maqsad - C kategoriyali atributlari va U raqamli atributlari asosida jamoalarning xilma-xilligini maksimal darajada oshirish va G ga asoslangan aloqa narxini minimallashtirish. Biz ushbu muammolarni modellashtirishimiz mumkin:

Eng qisqa yoʻl uzunligi va jamoalarni taqsimlash muammolari yigʻindisini minimallashtirgan holda G grafigidan jamoalarni topish NP uchun qiyin masala ekanligi isbotlanganligi sababli [57, 68], bu koʻp maqsadli muammo ham NP uchun qiyin masala hisoblanadi.

NSGA-IIni amalga oshirish

Pareto jabhalarining shakllari turli maqsadlar o'rtasidagi kelishuv darajasi va boshqalarni yaxshilash uchun ba'zi mezonlardan qanchalik murosaga kelish kerakligi haqida foydali ma'lumot beradi.

Ko'p maqsadli kombinatorial optimallashtirish muammolari uchun aniq Pareto frontini aniqlash qiyin, chunki haqiqiy Paretofrontni topish uchun barcha mumkin bo'lgan kombinatsiyalarni hisoblash kerak [63]. Shu sababli, maqsad evristik algoritmlar yordamida haqiqiy Pareto jabhasining yaqinlashuvini topishdir. Ushbu algoritmlar uchun muhim faraz Pareto jabhasi etarli darajada to'ldirilganligidir.

Ushbu yaqinlashishning sifati (1) taxminiy frontdagi nuqtalarning haqiqiy Pareto frontidagi nuqtalarga yaqinligiga; va (2) ko'proq xilma-xillik odatda yaxshiroq bo'lgan taxminiy jabhadagi echimlarning xilma-xilligi. Haqiqiy Pareto jabhasi noma'lum bo'lsa-da, boshqalarda hukmronlik qiladigan echimlar nazariy haqiqiy Pareto frontiga yaqin. Shunday qilib, echimlarning xilma-xilligi Pareto jabhasining yanada keng doirasini va donadorligini ta'minlaydi.

Genetik algoritmlar (GA) odatda Pareto jabhalarining [69] yaqinlashuvlarini topish uchun ishlatiladi. Tabiatdagi evolyutsiyaga taqlid qilib, bu usul tabiiy tanlanish orqali boshlang'ich yechimlar populyatsiyasini yaxshiroq yechimlarga optimallashtiradi. Har bir eritma har bir iteratsiyada mutatsiyaga uchragan va o'zgartirilishi mumkin bo'lgan xromosoma (ya'ni, atributlar vektori) sifatida tavsiflanadi. Eng yaxshi echimlar vaqt o'tishi bilan mutatsiyaga uchraganidan keyin ham saqlanib qoladi. Genetik algoritmlar katta va yuqori chiziqli bo'lmagan fazolarda optimallashtirish muammolari yechimlarini topish uchun idealdir [70].

Genetik algoritm iterativ jarayon orqali yangi yechimlarga aylanadigan tasodifiy yaratilgan yechimlar populyatsiyasidan boshlanadi. Har bir iteratsiyada yaratilgan populyatsiya avlod sifatida ham tanilgan. Har bir avlodda algoritm hal qilingan optimallashtirish muammosidagi maqsad funksiyasiga muvofiq har bir populyatsiya xromosomasini baholaydi.

Eng yuqori ball olgan xromosomalar hozirgi avloddan tanlab olinadi va yangi avlodni shakllantirish uchun ishlatiladi. Bu jarayon maksimal takrorlashlar soniga erishilgunga qadar yoki yechimlar uchun belgilangan chegara funksiyasi bilan davom etadi.

Biz Deb va boshqalar tomonidan tuzilgan Non-dominated Sorting Genetic Algoritm-II (NSGA-II) deb nomlangan genetik algoritmni amalga oshirdik. [71]. NSGA-II aloqa xarajatlari va ko'rsatilgan xilma-xillik reytingiga qarab o'zgarib turadigan turli xil jamoaviy P yechimlariga ega bo'lgan Pareto jabhasining yaqinlashuvini topishga imkon beradi. NSGA-II yondashuvi populyatsiyalarni Pareto hukmronlik mezonlaridan foydalangan holda kichik populyatsiyalar ierarxiyasiga saralashga asoslangan.

Keyinchalik, keyingi iteratsiya uchun xromosomalar yuqorida ko'rsatilgan ierarxiya bo'yicha tanlanadi. Ushbu elitistik tanlov populyatsiyada potentsial yaxshi xromosomalarning saqlanishini kafolatlaydi va olingan eritma sifati bir iteratsiyadan ikkinchisiga pasaymaydi. Eritmalar, shuningdek, Pareto frontidagi xilma-xillikni rag'batlantirish uchun xromosomalari o'rtasidagi o'xshashlikka qarab tartibga solinadi.

Natijada, NSGA-II bir necha iteratsiyadan so'ng yuqori samarali Paretofrontda birlashishi mumkin. Oldingi ishlar shuni ko'rsatdiki, NSGA-II O(n2) da ishlaydigan yuqori darajadagi samaradorlik bilan echimlarni taqdim etadi.

Ushbu amalga oshirishda har bir populyatsiya P r jamoaviy echimlarni o'z ichiga oladi P ¼ fT1; T2; :::; Trg va har bir xromosoma Ti={t1, t2, q jamoalarining potentsial to'plamini ifodalaydi. . ., tq}. Ushbu maqola davomida biz "xromosoma" va "jamoaviy yechim" ni bir-birining o'rnida ishlatamiz.

Xromosomani jamoalarni olish uchun q qismga bo'lingan shaxslar vektori sifatida tavsiflaymiz (2-rasm). Natijada, har bir xromosomaning uzunligi n kishilar soniga teng bo'lib, q sizek guruhini ifodalaydi (q�k=n). Biz ushbu algoritmni jamoani shakllantirishning o'ziga xos muammosiga moslashtirdik va 1-algoritmda ushbu qadamlarni ko'rib chiqamiz.

Initializatsiya. Algoritm P xromosomalari populyatsiyasini ishga tushirish va tasodifiy yig'ilgan jamoalar bilan boshlanadi. Uning kirish parametrlari populyatsiya P tarkibiga kiradigan xromosomalarning umumiy soni r, odamlar ro'yxati P, hosil bo'ladigan jamoalar soni q va g ni bajarish uchun takrorlashlar soni.

Xromosomalar ikki o'lchovli shaklli massivlar (q,k) sifatida saqlanadi, bu erda q - yig'ilishi mumkin bo'lgan jamoalar soni va k - guruhdagi a'zolar soni. Har bir xromosoma turli xil jamoani shakllantirish muammosining potentsial yechimidir va maqsad yuqori darajadagi xilma-xillik va past aloqa xarajatlariga ega bo'lgan xromosomalar to'plamini topishdir.

Dastlabki populyatsiya yaratilgandan so'ng, algoritm avlodlarni yaratadi va maksimal avlodlar soni g ga yetguncha Pareto jabhalarini iterativ ravishda qidiradi.

Krossover bosqichi.

Har bir avlodda algoritm mavjud populyatsiya P dan ikkita tasodifiy xromosomani (p1 va p2) oladi va bu birlashmadan tasodifiy q ta jamoani tanlaydi. Natijada, algoritmda q guruhli bola xromosomasi bo'ladi. Bolaning jamoalari ikki xil xromosomadan tasodifiy tanlanganligi sababli, odamlar ikki marta, p1 va p2 dan tanlanishi mumkin.

Algoritm takrorlangan shaxslarni jamoaga tayinlanmagan boshqalar bilan almashtiradi. U bolaning xromosomasining har bir a'zosini o'rganadi va individual jamoada necha marta ishtirok etishini hisoblaydi. Agar shaxs bir necha marta hisoblansa, bu shaxs tasodifiy ravishda etishmayotgan a'zo bilan almashtiriladi. Ushbu qayta ko'rib chiqish jarayoni oxirida algoritm P ning barcha a'zolari bir jamoaga biriktirilgan bola xromosomasiga ega bo'ladi.

Bu tasodifiy namunalar boshqa mutatsiya bosqichini qo'shmasdan, populyatsiyaga xilma-xillikni kiritish uchun algoritm uchun etarli mutatsiyani ta'minlaydi. Biz 2-algoritmda taklif qilingan krossoverish usulini tasvirlaymiz.

For more information:1950477648nn@gamil.com