বৈচিত্র্যপূর্ণ এবং সংযুক্ত দলগুলির সন্ধানে: সদস্যদের উপর ভিত্তি করে বিভিন্ন দলকে একত্রিত করার জন্য একটি গণনামূলক পদ্ধতির অংশ 3

উদ্দেশ্যমূলক ফাংশনের সংখ্যা

তৃতীয় মাত্রা হল টিম গঠনের অ্যালগরিদম দ্বারা অপ্টিমাইজ করা উদ্দেশ্যের সংখ্যা। কিছু উদাহরণ হল টিমের যোগাযোগের খরচ কমানো, দলের কর্মীদের খরচ কমানো এবং প্রতিটি দলে উপস্থিত দক্ষতার সংখ্যা সর্বাধিক করা।

দল গঠনের অ্যালগরিদম এবং স্মৃতির মধ্যে সম্পর্ক ঘনিষ্ঠভাবে জড়িত। একটি দল হল মানুষের একটি দল, প্রত্যেকে তাদের ধারনা এবং ক্ষমতা সহ, কিন্তু বৃহত্তর মূল্য তখনই অর্জন করা যায় যখন সবাই একসাথে কাজ করে।

দল গঠনের অ্যালগরিদমের মূল বিষয় হল কীভাবে বিভিন্ন লোককে আরও সুরেলাভাবে কাজ করা যায়। এই প্রক্রিয়ায়, প্রত্যেককে তাদের ভূমিকা এবং কাজ অনুসারে তাদের শক্তি ব্যবহার করতে হবে এবং একই সাথে দলের অন্যান্য সদস্যদের সাথে কার্যকরভাবে যোগাযোগ ও সমন্বয় করতে হবে।

এই প্রক্রিয়ায় স্মৃতি একটি গুরুত্বপূর্ণ ভূমিকা পালন করে। একটি দলে, প্রতিটি সদস্যের কাজ এবং অবদানের পাশাপাশি দলের অগ্রগতি এবং সমস্যাগুলি ক্রমাগত রেকর্ড করা প্রয়োজন। শুধুমাত্র এইভাবে দলে কার্যকর যোগাযোগ এবং সহযোগিতা গঠন করা যেতে পারে এবং এটি দলের সদস্যদের তাদের দায়িত্ব এবং ভূমিকা আরও ভালভাবে বুঝতে সাহায্য করতে পারে।

উপরন্তু, দল গঠন অ্যালগরিদম এবং মেমরি একে অপরকে শক্তিশালী করতে পারে। টিম গঠনের অ্যালগরিদমগুলি লোকেদেরকে কীভাবে একসাথে কাজ করতে হয় তা আরও ভালভাবে বুঝতে সাহায্য করতে পারে এবং প্রক্রিয়াটিতে শক্তিশালী স্মৃতিগুলি তৈরি করাও লোকেদের দল সম্পর্কে বিভিন্ন তথ্য আরও ভালভাবে রেকর্ড করতে এবং বুঝতে দেয়।

অতএব, আমাদের একটি দলের জন্য দল গঠনের অ্যালগরিদম এবং মেমরির গুরুত্ব স্বীকার করা উচিত। শুধুমাত্র অবিচ্ছিন্ন যোগাযোগ এবং সহযোগিতার মাধ্যমে, সেইসাথে তথ্য রেকর্ডিং এবং সংগঠিত করার মাধ্যমে, দলটি আরও দক্ষতার সাথে কাজ করতে পারে এবং আরও বেশি মূল্য প্রয়োগ করতে পারে। এটা দেখা যায় যে আমাদের স্মৃতিশক্তি উন্নত করতে হবে, এবং Cistanche deserticola উল্লেখযোগ্যভাবে স্মৃতিশক্তি উন্নত করতে পারে, কারণ Cistanche deserticola নিউরোট্রান্সমিটারের ভারসাম্য নিয়ন্ত্রণ করতে পারে, যেমন অ্যাসিটাইলকোলিনের মাত্রা বৃদ্ধি এবং বৃদ্ধির কারণ। এই পদার্থগুলি স্মৃতিশক্তি এবং শেখার জন্য অত্যন্ত গুরুত্বপূর্ণ। এছাড়াও, মাংস রক্ত ​​​​প্রবাহকে উন্নত করতে পারে এবং অক্সিজেন সরবরাহকে উন্নীত করতে পারে, যা নিশ্চিত করতে পারে যে মস্তিষ্ক পর্যাপ্ত পুষ্টি এবং শক্তি পায়, যার ফলে মস্তিষ্কের জীবনীশক্তি এবং সহনশীলতা উন্নত হয়।

স্বল্পমেয়াদী মেমরি উন্নত করতে Know এ ক্লিক করুন

বেশিরভাগ অ্যালগরিদম সীমাবদ্ধতার সাথে একটি একক উদ্দেশ্য সহ দল গঠনের সমস্যাকে সংজ্ঞায়িত করে [59]।

এই একক-উদ্দেশ্য ফাংশন নকশা অনুসরণ করার আগে উল্লিখিত উদাহরণগুলি। একটি বিপত্তি হল যে দল গঠনের জন্য অন্যান্য উপকারী লক্ষ্যগুলি বিবেচনা করা যায় নাএকযোগে অপ্টিমাইজেশান প্রক্রিয়ার সময় dered (যেমন, যোগাযোগ খরচ কমিয়ে যখন দলের দক্ষতা সর্বাধিক)।

পূর্ববর্তী গবেষণা দল গঠনের সমস্যায় একাধিক উদ্দেশ্যমূলক ফাংশন চালু করেছে। একটি উদাহরণ হল Kargar et al. [60], যা "ন্যূনতম খরচ অবদান" অ্যালগরিদম (MCC) উপস্থাপন করে। এর লক্ষ্য হল সর্বনিম্ন যোগাযোগ খরচ এবং সর্বনিম্ন কর্মীদের একযোগে খরচ সহ দল অনুসন্ধান করা।

MMC-এর উদ্দেশ্য ফাংশন হল একটি প্যারামিটার λ সহ উভয় খরচ ফাংশনের একটি রৈখিক সংমিশ্রণ যা যোগাযোগ এবং ব্যক্তিগত খরচের মধ্যে ট্রেড-অফ নির্দেশ করে৷ এই অ্যালগরিদমটি একটি হিউরিস্টিক পদ্ধতি প্রয়োগ করে যা দলে নতুন সদস্যদের ক্রমবর্ধমানভাবে যোগ করে এবং একত্রিত দলের বর্তমান খরচ সম্পর্কিত নতুন সদস্য যোগ করার খরচ বিবেচনা করে।

এই লিনিয়ার কম্বিনেশন ফর্মুলেশনগুলির সুবিধা থাকা সত্ত্বেও, এই পদ্ধতিটি দুটি সীমাবদ্ধতা উপস্থাপন করে: এটি শুধুমাত্র একটি একক টিম সমাধান প্রদান করে, এবং খরচ ফাংশনের জন্য এটির স্ট্রেড-অফ পরিবর্তনশীল অবশ্যই আগে থেকে সেট করা উচিত। সুতরাং, এই পদ্ধতিগুলি ব্যবহার করে অন্যান্য উপযুক্ত সমাধানগুলি সন্ধান করা ট্রেড-অফ ভেরিয়েবলের সামঞ্জস্যের উপর নির্ভর করে, যা অনুসন্ধান প্রক্রিয়ায় পক্ষপাত ঘটাতে পারে [61]।

সাম্প্রতিক অ্যালগরিদমিক অবদানগুলি দল গঠনের সমস্যাটিকে একটি বহুমুখী অপ্টিমাইজেশান সমস্যা হিসাবে তৈরি করেছে যাতে একই সাথে দুটি বা ততোধিক উদ্দেশ্যমূলক ফাংশন অপ্টিমাইজ করা যায় [62, 63]।

এই সমস্যাগুলির মধ্যে দুটি বা ততোধিক উদ্দেশ্যের মধ্যে বাণিজ্য-অফ জড়িত কারণ একটি উদ্দেশ্যের সমাধানের উন্নতি শুধুমাত্র অন্য উদ্দেশ্যকে মেনে নেওয়ার মাধ্যমেই সম্ভব। এইভাবে, মাল্টি-অবজেক্টিভ অপ্টিমাইজেশান সমস্যাগুলি একটি একক সমাধান প্রদান করে না কিন্তু একাধিক উদ্দেশ্যগুলির জন্য বিভিন্ন প্রাসঙ্গিক গুরুত্ব বিবেচনা করে একাধিক সমাধান পায়।

একক-উদ্দেশ্য অপ্টিমাইজেশান সমস্যায়, অন্যদের উপর একটি সমাধানের শ্রেষ্ঠত্ব উদ্দেশ্যমূলক ফাংশন দ্বারা নির্ধারিত হয়, বহু-উদ্দেশ্য অপ্টিমাইজেশন সমস্যাগুলিতে এটি আধিপত্য দ্বারা নির্ধারিত হয়। অপ্টিমাইজেশান প্রক্রিয়াটি এমন সমাধানগুলি সন্ধান করে যা সমস্ত উদ্দেশ্যমূলক ফাংশনে অন্যদের চেয়ে ভাল।

ফলস্বরূপ, সমস্যাটি "অ-আধিপত্যহীন" সমাধানগুলির একটি সেট সরবরাহ করে, যার মধ্যে এমন সমাধান রয়েছে যা অন্য উদ্দেশ্যগুলির মধ্যে অন্তত একটিতে একই সাথে ক্ষতি না করে উন্নত করা যেতে পারে। মাল্টি-অবজেক্টিভ অপ্টিমাইজেশান প্যারেটো অপ্টিমাইজেশন নামেও পরিচিত।

চিত্র 1 প্যারেটো ফ্রন্টের একটি উদাহরণ দেখায় যা দুটি উদ্দেশ্যের মধ্যে বিভিন্ন অ-প্রধান সমাধান দেখায়। এই প্যারেটো ফ্রন্ট কম্পিউটিং সিদ্ধান্ত গ্রহণকারীদের উভয় মাত্রার মধ্যে বিভিন্ন ট্রেড-অফ তুলনা করতে এবং পরীক্ষা করার অনুমতি দেয়।

এই পদ্ধতির উপর ভিত্তি করে, মাল্টি-অবজেক্টিভ অ্যালগরিদমিক বাস্তবায়নগুলি দলগত সমাধানগুলির একটি সেট সরবরাহ করে যা উদ্দেশ্যমূলক ফাংশনগুলির বিভিন্ন মূল্যায়ন বিবেচনা করে [54, 64]। ঝাং এবং ঝাং এর বাস্তবায়ন [৬৪] কাজের জন্য সর্বোচ্চ ক্ষমতা সম্পন্ন সদস্যদের নির্বাচন করে এবং সেরা দলকে একত্রিত করার জন্য সর্বোত্তম আন্তঃব্যক্তিক সম্পর্ক। একজন সদস্যকে অবশ্যই সেরা দলের অংশ হতে হবে কিনা তা নির্ধারণ করতে এই অধ্যয়নটি কণাস্বর্ম অপ্টিমাইজেশন বাস্তবায়ন ব্যবহার করে।

সমাধানগুলি একটি দ্বি-মাত্রিক অবিচ্ছিন্ন স্থানে চলে, এবং অ্যালগরিদম সদস্যদের উপস্থিতি বাইনারি করার জন্য অ্যাসিগময়েড ফাংশন প্রয়োগ করে। পেরেজ-টোলেদানো এট আল। [৬৩] প্রতিযোগীতামূলক বাস্কেটবল দল খুঁজে বের করার জন্য এজেনেটিক অ্যালগরিদম তৈরি করেছে যা একই সাথে প্রতিটি খেলোয়াড়ের খরচ এবং মূল্যায়ন বিবেচনা করে।

প্রতিটি সমাধান উপলব্ধ খেলোয়াড়দের একটি সেট থেকে একটি দল নিয়ে গঠিত এবং এর চূড়ান্ত প্যারেটো সামনে বিভিন্ন দল প্রদর্শন করে যারা খেলোয়াড়দের মূল্যায়ন এবং খরচের মধ্যে ট্রেড-অফ বিবেচনা করে। এই ফর্মুলেশনগুলির উপর ভিত্তি করে, টিম নির্মাতারা অন্য দলগুলি দেখতে এবং তুলনা করতে পারে এবং একটি দল নির্বাচন করার সময় তারা কোন উদ্দেশ্যকে অগ্রাধিকার দেবে তা চয়ন করতে পারে।

সমস্যা তৈয়ার

প্রাসঙ্গিক দল গঠনের সমস্যা এবং তাদের নিজ নিজ অ্যালগরিদম পর্যালোচনা করার পর, আমরা এই বিশেষ সমস্যাটি বাস্তবায়নের লক্ষ্য রাখি যা একই সাথে দলের বৈচিত্র্য এবং দলগুলির পরিচিতিকে সর্বাধিক করে তোলে।

এই সমস্যাটি একটি মাল্টি-অবজেক্টিভ অপ্টিমাইজেশান ফর্মুলেশনের জন্য উপযুক্ত কারণ দলগুলির পরিচিতি সর্বাধিক করার ফলে একে অপরের মতো সদস্যদের সাথে গ্রুপ গঠন করা যেতে পারে [65]।

যদিও আমরা এই সমস্যাটিকে একক-উদ্দেশ্য অপ্টিমাইজেশান সমস্যা হিসাবে বাস্তবায়ন করতে পারি, তবে আমাদের সেই লক্ষ্যগুলির মধ্যে একটিকে অগ্রাধিকার দিতে হবে এবং সমাধানগুলির মধ্যে ট্রেড-অফ এড়াতে হবে। তদুপরি, দল গঠনের পূর্ববর্তী সূত্রগুলি একাধিক উদ্দেশ্যের মধ্যে সেরা দল বা একটি একক উদ্দেশ্যের উপর ভিত্তি করে দলের সমন্বয়ের জন্য অনুসন্ধান করেছিল।
আমরা মাল্টি-অবজেক্টিভ অপ্টিমাইজেশান সমস্যার প্রস্তাব করি যা সমস্ত উপলব্ধ ব্যক্তিকে দলে বরাদ্দ করে, যার ফলে বেশ কয়েকটি টিম সংমিশ্রণ হয় যা বৈচিত্র্য এবং পরিচিতির জন্য বিভিন্ন প্রাসঙ্গিক গুরুত্ব বিবেচনা করে। এই কাজ টিম গঠনের উপর পূর্ববর্তী অধ্যয়নের ক্ষেত্রে নয় এবং দল গঠনের সাহিত্যে নতুন পন্থা প্রদান করে।

উপকরণ এবং পদ্ধতিসমূহ

এই বিভাগে, আমরা বহু-উদ্দেশ্য সমস্যা এবং সংজ্ঞা উপস্থাপন করি যা আমরা এই কাগজ জুড়ে ব্যবহার করব। আমাদের স্বরলিপিটিও সারণী 1-এ সংক্ষিপ্ত করা হয়েছে। আমরা এই বহু-উদ্দেশ্য সমস্যা এবং এর উপাদানগুলির NSGA-II বাস্তবায়নের বর্ণনাও দিই। তারপরে আমরা দল গঠনের সমস্যা মূল্যায়ন করতে ব্যবহৃত ডেটাসেট এবং বেঞ্চমার্ক অ্যালগরিদমগুলি বর্ণনা করি। অবশেষে, আমরা অ্যালগরিদমের ফলাফলের তুলনা করার জন্য পরিমাণগত মেট্রিক্স ব্যাখ্যা করি।

সংজ্ঞা

সদস্য, বৈশিষ্ট্য, নেটওয়ার্ক এবং দল। আমরা অংশগ্রহণকারীদের একটি সেট বিবেচনা করি P={p1,p2, . . ., pn} C={c1, c2, শ্রেণীবদ্ধ বৈশিষ্ট্যগুলির একটি সেট সহ। . ., cm} এবং সংখ্যাসূচক বৈশিষ্ট্যগুলির একটি সেট U={u1, u2, . . ., ul}।

এই ব্যক্তিদের বৈশিষ্ট্যগুলির বিভিন্ন স্কেল রয়েছে এবং প্রতিটি ব্যক্তির সম্পর্কে তথ্য উপস্থাপন করে (যেমন, বয়স, লিঙ্গ, জাতি, দক্ষতা)। উপলব্ধ ব্যক্তিগত তথ্যের উপর নির্ভর করে, দলগুলিতে তাদের গুণাবলী এবং গঠন বর্ণনা করার জন্য বেশ কয়েকটি বৈশিষ্ট্য থাকতে পারে। প্রতিটি ব্যক্তির এই বৈশিষ্ট্যগুলির প্রতিটিতে একটি মূল্য রয়েছে। আমরা ci(pj) বোঝাই ব্যক্তি j-এর জন্য শ্রেণীগত বৈশিষ্ট্য ci-এর মান পেতে।

একইভাবে, আমরা ui(pj) ব্যবহার করি ব্যক্তি j-এর জন্য সংখ্যাসূচক বৈশিষ্ট্য ui-এর মান পেতে। ব্যক্তি j কে এই শ্রেণীগত এবং সংখ্যাসূচক বৈশিষ্ট্যগুলির ভেক্টর হিসাবে উপস্থাপন করা যেতে পারে। সুতরাং, আমাদের কাছে (c1(pj), .. ., cm(pj), u1(pj), . .., ul(pj)) হিসাবে pj-এর বৈশিষ্ট্য রয়েছে।

মানুষ একটি অনির্দেশিত এবং ওজনহীন গ্রাফ G হিসাবে মডেল করা একটি সামাজিক নেটওয়ার্কে সংযুক্ত থাকে। আমরা G=(P, E) সংজ্ঞায়িত করি, যেখানে E গ্রাফের প্রান্তগুলিকে প্রতিনিধিত্ব করে। প্রতিটি নোড inG P থেকে একজন ব্যক্তির প্রতিনিধিত্ব করে। আমরা এই পেপার জুড়ে ব্যক্তি এবং নোড বিনিময়যোগ্যভাবে ব্যবহার করি। দু'জন ব্যক্তি একটি প্রান্ত দ্বারা সংযুক্ত থাকে যদি তারা অতীতে সহযোগিতা করে থাকে। অন্য কথায়, যদি ব্যক্তি i এবং j একসাথে কাজ করে, তাহলে Gi,j=1। অন্যথায়, Gi,j=0।

G নেটওয়ার্কে সংযুক্ত অংশগ্রহণকারীদের এই তালিকা দেওয়া, লক্ষ্য হল টি={t1, t2, t3, টিমের একটি সেট খুঁজে পাওয়া। . ., tq}, যেখানে P-এর সমস্ত সদস্য q দলগুলিকে একত্রিত করে এবং শুধুমাত্র একটি দলের অন্তর্ভুক্ত। অপ্টিমাইজেশান দ্বৈত সমস্যাটি দলের সদস্যদের মধ্যে যোগাযোগের খরচ কমিয়ে এবং দলের বৈচিত্র্যের স্তরকে সর্বাধিক করার জন্য তৈরি করা যেতে পারে। আমরা এখন এই ধারণাগুলি তৈরি করি এবং প্রতিটি উদ্দেশ্যমূলক ফাংশন বর্ণনা করি।

যোগাযোগ খরচ. লাপ্পাস এট আল। [৫৭] তাদের সহযোগিতার খরচ বিবেচনা করে বিশেষজ্ঞদের মধ্যে সহযোগিতা এবং পরিচিতির গুরুত্বের উপর দৃষ্টি নিবদ্ধ করে। এই মডেল অনুসারে, অতীতে সহযোগিতা করা বিশেষজ্ঞরা পূর্বে সহযোগিতা ছাড়াই বিশেষজ্ঞদের তুলনায় কার্যকরভাবে তথ্য এবং ধারণা বিনিময় করার সম্ভাবনা বেশি।

বিশেষজ্ঞদের পূর্বের সহযোগিতার উপর ভিত্তি করে, এই মডেলটি তাদের সহযোগিতা এবং পরিচিতি স্তর অনুমান করার জন্য দলের সদস্যদের মধ্যে যোগাযোগের খরচ গণনা করে। যোগাযোগ খরচ অপ্টিমাইজ করার লক্ষ্য হল উচ্চ পরিচিতি স্তরের সাথে দল গঠন করা। একটি সাহিত্য পর্যালোচনা দেখায় যে যোগাযোগের খরচ গবেষকদের মধ্যে সহযোগিতা এবং পরিচিতির জন্য একটি অত্যন্ত ব্যবহৃত প্রক্সি [66]।

আমাদের সেটিংয়ে, আমরা টিমের পরিচিতির জন্য প্রক্সি হিসাবে যোগাযোগ খরচ ব্যবহার করি। Kargar এবং An[31] টিমের সদস্যদের মধ্যে দূরত্বের মোট যোগফলকে যোগাযোগ খরচের একটি যুক্তিসঙ্গত পরিমাপ হিসাবে খুঁজে পেয়েছেন, কারণ এটি অন্যান্য সম্ভাব্য ব্যবস্থার তুলনায় নেটওয়ার্কে পরিবর্তনের জন্য আরও স্থিতিশীল।

যোগাযোগ খরচের জন্য অন্যান্য বিকল্প হল সামাজিক নেটওয়ার্কের ব্যাস (অর্থাৎ, নেটওয়ার্কের যেকোনো দুটি নোডের মধ্যে সবচেয়ে ছোট পথ), এবং ন্যূনতম স্প্যানিং ট্রি (অর্থাৎ, একটি নেটওয়ার্কের প্রান্তের ওজনের সর্বনিম্ন যোগফল) [57]।

আমরা এই দুটি সংজ্ঞা ব্যবহার করে এই সমস্যাটি বাস্তবায়ন করেছি এবং তাদের ফলাফলগুলি দূরত্বের যোগফল ব্যবহার করে প্রাপ্তদের অনুরূপ ছিল। ব্যাস বাস্তবায়নের ফলাফল S1 ফাইলে S1 Fig এবং S1 Table এ পাওয়া যায় এবং S1 ফাইলের S2 Fig এবং S2 টেবিলে ন্যূনতম স্প্যানিং ট্রি বাস্তবায়নের ফলাফল পাওয়া যায়।

আমরা দুই ব্যক্তি pi এবং pj এর মধ্যে যোগাযোগের খরচ সংজ্ঞায়িত করি, যাকে d(pi, pj) হিসাবে চিহ্নিত করা হয়, একটি নোড থেকে অন্য নোড পর্যন্ত গ্রাফ G এর প্রান্তগুলি অতিক্রম করার সময় সংক্ষিপ্ততম পথের দৈর্ঘ্য হিসাবে। যদি Pi এবং PJ অতীতে সহযোগিতা করে থাকে, তারা এক-হপ দূরত্বে রয়েছে।

যদি Pi এবং PJ সহযোগিতা না করে থাকে তবে তাদের মধ্যে একটি পূর্বের সহযোগী থাকে, তবে তারা দুটি দোকান দ্বারা পৃথক করা হয়। একটি দলের মধ্যে সাধারণ অতীত সহযোগী থাকা "ট্রায়াডিক ক্লোজার" [67] এর উপর ভিত্তি করে পরিচিতি প্রচার করতে পারে।

এই প্রক্রিয়াটি প্রমাণ করে যে নোডগুলির একটি নতুন সংযোগ স্থাপনের সম্ভাবনা বেশি থাকে যখন তাদের মধ্যে একটি সংযোগ থাকে। থ্রি-হপস এবং 4-হপস "ব্যালেন্স মেকানিজম" [67] এর উপর ভিত্তি করে একই নীতি অনুসরণ করতে পারে।

ব্যক্তিরা তাদের গোষ্ঠীর মধ্যে ধারাবাহিকতা খোঁজার জন্য তাদের সহযোগীদের সহযোগীদের সাথে নতুন সংযোগ তৈরি করার প্রবণতা দেখাবে। অতএব, আমাদের উদ্দেশ্য ফাংশনে দূরত্বের মোট যোগফল ব্যবহার করার লক্ষ্য হল এমন দলগুলিকে অনুসন্ধান করা যা সরাসরি সহযোগিতার সংখ্যা সর্বাধিক করে (যেমন, এক-হপস), সাধারণ সংযোগ (দুই-হপস), এবং ঘনিষ্ঠ সংযোগগুলি (তিন-হপ বা উচ্চতর) .

যোগাযোগের সর্বনিম্ন মূল্য হল যখন সমস্ত দলের সদস্যরা সহযোগিতা করে (অর্থাৎ, তারা সরাসরি সংযুক্ত থাকে), এবং সর্বোচ্চ হয় যখন দলের সদস্যরা একেবারেই সংযুক্ত থাকে না। এই বাস্তবায়নে, যদি G-তে pi এবং pj-এর মধ্যে nopath না থাকে, তাহলে আমরা তাদের মধ্যে যোগাযোগের খরচ সোশ্যাল নেটওয়ার্কের ব্যাস হিসাবে সেট করি।
আমরা একটি টিমের যোগাযোগ খরচকে সদস্যদের মধ্যে সংক্ষিপ্ততম পথের দৈর্ঘ্যের মোট যোগফল হিসাবে সংজ্ঞায়িত করি, কারণ এটি অন্যান্য সম্ভাব্য পরিমাপের তুলনায় নেটওয়ার্কে পরিবর্তনের জন্য আরও স্থিতিশীল। k সদস্য। এইভাবে, আমরা দলের যোগাযোগ খরচ সংজ্ঞায়িত করি:

Cct ¼ Xki;j2t;i6¼jdðpi; pjÞ ð1Þ

লক্ষ্য হল ব্যক্তিদের নেটওয়ার্কে সমস্ত একত্রিত দল জুড়ে সংক্ষিপ্ততম পথের দৈর্ঘ্যের গড় যোগফলকে ন্যূনতম করা। O(n2) সময়ে চলে দলের একটি সেটের যোগাযোগ খরচের যোগফল গণনা করা।

দলের বৈচিত্র্য স্কোর। দ্বিতীয় লক্ষ্য হল বিস্তৃত পটভূমি, বৈশিষ্ট্য এবং দক্ষতার ভাণ্ডার সহ বিভিন্ন দল তৈরি করা। বৈচিত্র্য একটি সাধারণ বৈশিষ্ট্য সম্পর্কিত একটি ইউনিটের সদস্যদের মধ্যে পার্থক্যের বন্টন বর্ণনা করে [30]।

হ্যারিসন এবং ক্লেইন[30] একটি কাঠামো উপস্থাপন করেছেন যা পরামর্শ দেয় যে বৈচিত্র্যকে তিনটি উপায়ে সর্বোত্তম ধারণা করা হয়: বিচ্ছেদ, বৈচিত্র্য এবং বৈষম্য। বিচ্ছেদ বলতে বোঝায় দলের সদস্যদের মধ্যে একটি ধারাবাহিকতায় তাদের পার্শ্বীয় অবস্থানের মধ্যে পার্থক্য (যেমন, মান, মনোভাব, বিশ্বাস)। বৈচিত্র্য বলতে দলের সদস্যদের মধ্যে শ্রেণীগত পার্থক্য বোঝায় যেখানে প্রতিনিধিত্ব করা বিভাগের সংখ্যা দলগত বৈচিত্র্যে অবদান রাখে (যেমন, লিঙ্গ, পেশা, জাতি)।

অবশেষে, বৈষম্য মূল্যবান সম্পদ বা পছন্দসই সংস্থানগুলির ঘনত্বের পার্থক্যকে প্রতিনিধিত্ব করে (যেমন, দক্ষতা, শিক্ষাগত স্তর, মেয়াদ)। এই মেট্রিকগুলি গবেষকদের সমান্তরালভাবে এবং তাদের তাত্ত্বিক ধারণা অনুসারে কার্যকরী এবং জনসংখ্যাগত বৈচিত্র্যকে কার্যকর করার অনুমতি দেয় [14]।

For more information:1950477648nn@gmail.com