বৈচিত্র্যপূর্ণ এবং সংযুক্ত দলগুলির সন্ধানে: সদস্যদের উপর ভিত্তি করে বিভিন্ন দলকে একত্রিত করার জন্য একটি গণনামূলক পদ্ধতির অংশ 5

দ্রুত অ-প্রধান বাছাই ধাপ। এর পরে, অ্যালগরিদমকে অবশ্যই 2r আকারের এই ইউনিয়ন থেকে সেরা r ক্রোমোজোম নির্বাচন করতে হবে। এই সেটটি খুঁজে পেতে, অ্যালগরিদম P থেকে বিদ্যমান সমস্ত ক্রোমোজোমের মধ্যে একটি অ-প্রধান বাছাই করে।

আধিপত্য বাছাই একটি সাধারণ মেমরি কৌশল যা আমাদের আরও ভালভাবে মনে রাখতে এবং বুঝতে সাহায্য করে। এটি প্রধানত সম্পর্কিত তথ্য শ্রেণীবদ্ধ, বাছাই এবং সংক্ষিপ্ত করে জ্ঞানের মধ্যে যৌক্তিক সম্পর্ক স্থাপন করে, আমাদের জন্য এই জ্ঞান বোঝা এবং মনে রাখা সহজ করে তোলে।

আধিপত্য বাছাইয়ের ধাপগুলির মধ্যে প্রধানত শ্রেণীবিভাগ, বাছাই, আবেশ এবং সারাংশ অন্তর্ভুক্ত। শ্রেণীবিভাগের পর্যায়ে, আমাদের প্রাসঙ্গিক তথ্যকে শ্রেণীবদ্ধ করতে হবে এবং বিভিন্ন শ্রেণীতে ভাগ করতে হবে; বাছাই পর্যায়ে, আমাদের প্রতিটি বিভাগের স্তর এবং গুরুত্ব নির্ধারণ করতে হবে যাতে এটি একটি নির্দিষ্ট ক্রমে সাজানো যায়; আনয়ন পর্যায়ে, আমরা এই জ্ঞানকে আরও ভালভাবে বুঝতে এবং মনে রাখার জন্য বিভিন্ন বিভাগের মধ্যে সম্পর্কগুলিকে একীভূত এবং নিষ্কাশন করতে হবে; সংক্ষিপ্ত পর্যায়ে, আমাদের ত্রুটিগুলি আবিষ্কার এবং সংশোধন করার জন্য আমাদের সমগ্র আধিপত্য বাছাই প্রক্রিয়া পর্যালোচনা এবং প্রতিফলিত করতে হবে।

আধিপত্য বাছাই স্মৃতির সাথে ঘনিষ্ঠভাবে সম্পর্কিত। এটি আমাদের জ্ঞানকে আরও ভালভাবে সংগঠিত করতে এবং বাছাই করতে সাহায্য করতে পারে, যার ফলে মেমরির দক্ষতা উন্নত হয়। আধিপত্য এবং বাছাইয়ের মাধ্যমে, আমরা পদ্ধতিগতভাবে বিভিন্ন তথ্যকে একীভূত করতে এবং সাজাতে পারি, এবং জ্ঞানের শ্রেণিবিন্যাস এবং সমিতি স্থাপন করতে পারি, যার ফলে একটি মেমরি নেটওয়ার্ক তৈরি করে, আমাদের স্মৃতিগুলিকে আরও শক্তিশালী এবং গভীর করে তোলে। একই সময়ে, আধিপত্য বাছাই আমাদের জ্ঞানের মূল্য এবং প্রয়োগ আরও ভালভাবে অন্বেষণ করতে সাহায্য করতে পারে, যার ফলে আমাদের চিন্তাভাবনা এবং সমস্যা সমাধানের ক্ষমতা উন্নত হয়।

সংক্ষেপে, আধিপত্য বাছাই একটি খুব বাস্তব মেমরি কৌশল যা আমাদের বিভিন্ন জ্ঞানকে আরও ভালভাবে বুঝতে এবং মনে রাখতে সাহায্য করতে পারে। ক্রমাগত অনুশীলন এবং প্রয়োগের মাধ্যমে, আমরা এই দক্ষতা আয়ত্ত করতে আরও দক্ষ হয়ে উঠতে পারি, যার ফলে আমাদের শেখার এবং বিকাশের জন্য একটি শক্ত ভিত্তি স্থাপন করা যায়। এটা দেখা যায় যে আমাদের স্মৃতিশক্তি উন্নত করতে হবে, এবং Cistanche deserticola উল্লেখযোগ্যভাবে স্মৃতিশক্তি উন্নত করতে পারে কারণ Cistanche deserticola একটি ঐতিহ্যবাহী চীনা ঔষধি উপাদান যার অনেকগুলি অনন্য প্রভাব রয়েছে, যার মধ্যে একটি হল স্মৃতিশক্তি উন্নত করা। কিমা করা মাংসের কার্যকারিতা অ্যাসিড, পলিস্যাকারাইড, ফ্ল্যাভোনয়েড ইত্যাদি সহ বিভিন্ন সক্রিয় উপাদান থেকে আসে৷ এই উপাদানগুলি বিভিন্ন উপায়ে মস্তিষ্কের স্বাস্থ্যকে উন্নীত করতে পারে৷

কিভাবে উন্নতি করতে হয় স্বল্পমেয়াদী মেমরি জানুন ক্লিক করুন

লক্ষ্য হল সমাধানগুলি সনাক্ত করা যা অন্যদের থেকে ভাল পারফরম্যান্স করে এবং বিভিন্ন প্যারেটো ফ্রন্টে তাদের কর্মক্ষমতা অনুসারে তাদের শ্রেণীবদ্ধ করা। অ্যালগরিদম প্রথমে সমস্ত ক্রোমোজোমের মধ্যে আধিপত্যের সম্পর্ক পরীক্ষা করে। দুটি ক্রোমোজোম, T এবং T{{0}}, T প্রাধান্য দেয় T0 যদি এবং শুধুমাত্র যদি Cc(T)�Cc(T0) এবং V(T)�V( T0) কমপক্ষে একটি কঠোর বৈষম্য সহ।

অন্য কথায়, সমস্ত উদ্দেশ্যের জন্য T{{0}} এর মতো অন্তত ভাল এবং অন্তত একটির জন্য কঠোরভাবে ভাল৷ এই আধিপত্য সম্পর্কটিকে T � T0 হিসাবে চিহ্নিত করা হয়। যদি T এর উদ্দেশ্যগুলির মধ্যে একটি T0 এর চেয়ে ভাল না হয় এবং এটিকে অন্য কিছু উদ্দেশ্যমূলক মানের অবনমিত না করে মান উন্নত করা যায় না, তাহলে T0 দ্বারা অ-প্রধান হয়

অ-প্রধান সমাধানের একটি উদাহরণ হল T উচ্চ বৈচিত্র্য স্কোর কিন্তু T0 এর চেয়ে বেশি যোগাযোগ খরচ। অ-প্রভুত্বের ক্ষেত্রে, হয় T এবং T0 পরবর্তী প্রজন্মের জন্য সম্ভাব্য সমাধান।

একবার অ্যালগরিদম সমস্ত ক্রোমোজোমের আধিপত্য সম্পর্ককে ম্যাপ করে, এটি সমস্ত অ-প্রধান সমাধান (F1) সমন্বিত সমাধানগুলির একটি প্রথম প্যারেটো সামনে তৈরি করে। এই সেটটিকে প্যারেটো সর্বোত্তম হিসাবেও চিহ্নিত করা হয়।

তারপর, অ্যালগরিদম প্যারেটো সর্বোত্তম সমাধান (F2) এর একটি দ্বিতীয় ফ্রন্ট তৈরি করে যা প্রথম ফ্রন্টে উপেক্ষা করা হয়েছিল এবং আরও অনেক কিছু। ফলস্বরূপ, অ্যালগরিদমগুলি জনসংখ্যার ক্রোমোজোমগুলিকে উপ-জনসংখ্যার শ্রেণিবিন্যাস করে। সমস্ত ক্রোমোজোম একটি প্যারেটো ফ্রন্টে বরাদ্দ না হওয়া পর্যন্ত এই সাজানোর ধারাবাহিক প্যারেটো ফ্রন্টগুলি খুঁজে পেতে থাকে।

নতুন জনসংখ্যা। অ্যালগরিদম পরবর্তী প্রজন্মের জন্য সেরা r ক্রোমোজোম নির্বাচন করে। একটি নির্দিষ্ট সময়ে, 2r ক্রোমোসোমগুলিকে ক্রমানুসারে প্যারেটো ফ্রন্ট এফ-এ সাজানো থাকে। থিঅ্যালগরিদম নতুন জনসংখ্যা তৈরি করে P0পেরেটো ফ্রন্টে সংরক্ষিত ক্রোমোজোম যোগ করে।

যদি প্রথম প্যারেটো ফ্রন্টের মোট আকার r-এর থেকে ছোট হয়, তাহলে অ্যালগরিদম এই সামনের সমস্ত ক্রোমোজোমকে P{{0}}-এ যোগ করে। তারপর, অ্যালগরিদম পরবর্তী অ-প্রধান ফ্রন্টগুলি থেকে নতুন জনসংখ্যার জন্য অবশিষ্ট সমাধান যোগ করে। অ্যালগরিদম এই পদ্ধতিটি চালিয়ে যায় যতক্ষণ না এটি P0 তে আরও ফ্রন্ট যোগ করতে পারে না।

ভিড়ের দূরত্ব। ঠিক r ক্রোমোজোম না হওয়া পর্যন্ত অ্যালগরিদমকে অবশ্যই নতুন জনসংখ্যাতে ক্রোমোজোম যোগ করতে হবে। যদি শেষ নির্বাচিত অ-প্রধান প্যারেটো ফ্রন্ট Fk-এ P0 যোগ করার অনুমতির চেয়ে বেশি ক্রোমোজোম থাকে, তাহলে অ্যালগরিদমকে r ক্রোমোজোম সম্পূর্ণ করতে Fk থেকে একটি ছোট সেট বেছে নিতে হবে।

ধরা যাক d ¼ r SizeðPÞ, অনুপস্থিত ক্রোমোজোমের সংখ্যা r সম্পূর্ণ করতে। অ্যালগরিদম ক্রোমোজোমগুলির মধ্যে ভিড়ের দূরত্ব গণনা করে এই শেষ ফ্রন্ট Fk থেকে সেরা δ ক্রোমোজোমগুলি সনাক্ত করে৷

এই মেট্রিক নির্ধারণ করে যে বহু-উদ্দেশ্য সমস্যায় কর্মক্ষমতার ক্ষেত্রে ক্রোমোজোমগুলি কতটা অনুরূপ। এই দূরত্ব গণনা করার পরে, অ্যালগরিদম ক্রোমোজোমগুলিকে তাদের দূরত্ব অনুসারে স্থান দেয় এবং ক্রোমোজোমগুলিকে নির্মূল করে যা অন্যান্য ক্রোমোজোমের অনুরূপ কাজ করে। এই পদ্ধতিটি বিদেশীদের সমাধানের সামনে রাখে এবং অপ্রয়োজনীয় ক্রোমোজোমগুলি সরিয়ে দেয়।

তারপর, Fk থেকে δ সেরা ক্রোমোজোমগুলিকে P{{0}}-এ যোগ করা হয়। ফলস্বরূপ, P0 r সেরা ক্রোমোজোমের সাথে গণনা করে এবং পরবর্তী প্রজন্মের পিতামাতা হয়ে ওঠে, একটি নতুন পুনরাবৃত্তি শুরু করে।

ডেটা

এই বিভাগে, আমরা তিনটি বাস্তব-বিশ্ব ডেটাসেট ব্যবহার করে আমাদের দল গঠনের সমস্যার জন্য প্রস্তাবিত অ্যালগরিদম মূল্যায়ন করি। ডেটা উত্সগুলি হল MyDreamTeam (একটি দল গঠনের প্ল্যাটফর্ম), Bibsonomy (একটি সামাজিক বুকমার্কিং সাইট), এবং GHTorrent (একটি GitHub সংগ্রহস্থল ডেটাবেস)।

এই দল গঠনের সমস্যার জন্য দলগুলিকে অনুকরণ করতে এই ডেটাসেটগুলি ব্যবহার করা বাস্তব পরিস্থিতিতে আমাদের কাঠামোর কার্যকারিতাকে চিত্রিত করে। আমরা সারণী 2-এ এই ডেটাসেটগুলি থেকে সংক্ষিপ্ত পরিসংখ্যান দেখাই৷ ফলস্বরূপ ডেটা এবং কাঁচা ডেটা প্রাক-প্রক্রিয়া করার জন্য স্ক্রিপ্টগুলি এখানে উপলব্ধhttp://nusoniclab.github.io/।

MyDreamTeam ডেটাসেট। আমরা আমাদের প্রস্তাবিত অ্যালগরিদম মূল্যায়ন করি বাস্তব দল গঠনের ক্ষেত্রে থেকে ডেটা ব্যবহার করে। আমরা মাই ড্রিম টিম বিল্ডার [৩৩] থেকে এই ডেটাসেটটি বের করেছি, ব্যক্তিদের স্ব-একত্রিত দলগুলিকে সাহায্য করার জন্য একটি সুপারিশকারী সিস্টেম।

এই ডেটাসেটে অংশগ্রহণকারীরা তাদের দলকে স্ব-একত্রিত করার ঘটনাগুলি ধারণ করে৷ মামলার তারিখ 2014 থেকে 2020। এই সুপারিশকারী সিস্টেমে, অংশগ্রহণকারীরা প্রোফাইল তৈরি করে, সতীর্থদের অনুসন্ধান করে এবং দল গঠনের জন্য আমন্ত্রণ পাঠায়।

মামলাগুলি মার্কিন যুক্তরাষ্ট্রের বিশ্ববিদ্যালয়গুলির ক্লাস নিয়ে গঠিত৷ ডেটাসেটে অংশগ্রহণকারীদের বৈশিষ্ট্য, জনসংখ্যা এবং সামাজিক নেটওয়ার্ক অন্তর্ভুক্ত রয়েছে, যা তারা একটি প্রাথমিক সমীক্ষায় রিপোর্ট করেছে। আমাদের অ্যালগরিদম পরীক্ষা করার জন্য তিনটি কেস বেছে নেওয়া হয়েছে: একটি স্নাতক কোর্স, একটি স্নাতক কোর্স এবং একটি এমবিএ কোর্স। অংশগ্রহণকারীরা ছোট গ্রুপ আলোচনার জন্য দলগুলিকে একত্রিত করতে সিস্টেমটি ব্যবহার করেছিল।

অংশগ্রহণকারীদের কাছ থেকে তথ্য সংগ্রহের অনুমতি নর্থওয়েস্টার্ন ইউনিভার্সিটি ইনস্টিটিউশনাল রিভিউ বোর্ড (#STU00078513) দ্বারা অনুমোদিত হয়েছিল। এই গবেষণার সময় মানব বিষয়ের নৈতিক ব্যবহার সম্পর্কিত সমস্ত প্রযোজ্য প্রাতিষ্ঠানিক এবং সরকারী নিয়মাবলী অনুসরণ করা হয়েছিল।

একটি অনলাইন সমীক্ষা যন্ত্রের মাধ্যমে অধ্যয়ন অংশগ্রহণকারীদের কাছ থেকে বৈদ্যুতিন সম্মতি প্রাপ্ত হয়েছিল। অংশগ্রহণকারীদের গবেষণার উদ্দেশ্যে মাই ড্রিম টিম বিল্ডারের মাধ্যমে সংগৃহীত ডেটা ব্যবহার করতে সম্মতি দিতে বলা হয়েছিল। আমরা একটি ডি-আইডেন্টিফাইড ডেটাসেট তৈরি করতে ব্যবহারকারীদের শনাক্তকারীকে হ্যাশ করেছি।

BibSonomy. দ্বিতীয় ডেটাসেটটি BibSonomy [৩৪] থেকে নেওয়া হয়েছে, একটি সামাজিক বুকমার্কিং এবং প্রকাশনা-শেয়ারিং সিস্টেম। আমরা বিবসনোমি বেছে নিয়েছি যেহেতু পূর্বের দল গঠনের কাগজপত্র এই ডাটাবেস ব্যবহার করে তাদের অ্যালগরিদম পরীক্ষা করেছিল [58]।

এই ডেটাসেটটি নলেজ অ্যান্ড ডেটা ইঞ্জিনিয়ারিং গ্রুপ, ইউনিভার্সিটি অফ ক্যাসেল দ্বারা পরিচালিত হয়। বিবসনোমি ডেটাসেটটি লাইসেন্স চুক্তির অধীনে উপলব্ধ, এবং এটি https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/ এ অনুরোধ করা যেতে পারে। এই ডেটাসেটে প্রচুর সংখ্যক কম্পিউটার বিজ্ঞান-সম্পর্কিত প্রকাশনা রয়েছে। প্রতিটি প্রকাশনা লেখকদের একটি গ্রুপ দ্বারা লিখিত হয়.

অনেক ব্যবহারকারী প্রকাশনা টীকা করতে ট্যাগ ব্যবহার করে Bibsonomy ওয়েবসাইটে যান। Anagnostopoulos et al দ্বারা বর্ণিত পদ্ধতি অনুসরণ করে। [৫৮], আমরা তাদের দক্ষতার প্রতিনিধিত্ব করতে প্রতিটি লেখকের কাগজপত্রের সাথে যুক্ত ট্যাগ ব্যবহার করেছি। প্রতিটি লেখকের দক্ষতা তাদের নিজ নিজ ট্যাগ সহ প্রকাশিত কাগজপত্রের সংখ্যা প্রতিনিধিত্ব করে। আমরা আমাদের অ্যালগরিদম পরীক্ষা করার জন্য সামাজিক নেটওয়ার্ক বিশ্লেষণ সম্পর্কিত তিনটি জার্নাল নির্বাচন করেছি: "প্রকৃতি", "বিজ্ঞান", এবং "ফিজিকা এ: পরিসংখ্যানগত মেকানিক্স এবং এর প্রয়োগগুলি।"

আমরা এই জার্নালগুলির প্রতিটিতে ট্যাগগুলির ফ্রিকোয়েন্সি গণনা করেছি এবং আমাদের অধ্যয়নের সাথে সম্পর্কিত কিছু জনপ্রিয় ট্যাগ নির্বাচন করেছি। প্রথম দুটি জার্নালের জন্য, আমরা কাগজপত্র নির্বাচন করেছি যাতে ট্যাগগুলি 'নেটওয়ার্ক', 'সোশ্যাল নেটওয়ার্ক', এবং 'ছোট বিশ্ব' অন্তর্ভুক্ত ছিল।

তারপরে, আমরা এই নিবন্ধগুলির লেখকদের চিহ্নিত করেছি, সহ-লেখক নেটওয়ার্ক তৈরি করেছি এবং সবচেয়ে বড় উপাদান থেকে লেখকদের বেছে নিয়েছি। একইভাবে, আমরা 'নেটওয়ার্ক', 'গ্রাফ', 'মডেল' এবং 'সিস্টেম' ট্যাগগুলি ব্যবহার করে তৃতীয় জার্নালের জন্য এই পদ্ধতিটি করেছি। একটি ডি-আইডেন্টিফাই ডেটাসেট তৈরি করতে লেখকদের নাম মুছে ফেলা হয়েছে৷

GHTorrent. আমরা GHTorrent প্রকল্প [35] দ্বারা প্রদত্ত গিটহাব ডেটা ব্যবহার করেছি, যা GitHub API এর মাধ্যমে দেওয়া ডেটার অফলাইন মিরর। এই ডেটাসেটটি https://ghtorrent.org/downloads.html থেকে ডাউনলোড করা যেতে পারে। GHTorrent ডেটাসেট Github-এ রিপোজিটরি, পুল রিকোয়েস্ট এবং ব্যবহারকারীদের সহ বিস্তৃত পরিসরের উন্নয়নমূলক কার্যকলাপকে কভার করে। আমাদের টেস্টিং ডেটাসেট তৈরি করতে আমরা ডেটাসেট ডাম্প "06/01/2019" ডাউনলোড করেছি।

আমরা আমাদের বিশ্লেষণে মধ্যম ব্যবহারকারীদের রাখতে 40 থেকে 80 প্রকল্পের মধ্যে অবদানকারী ব্যবহারকারীদের ফিল্টার করেছি। বিবসোনোমি ডেটাসেটের অনুরূপ পদ্ধতি অনুসরণ করে, আমরা ব্যবহারকারীদের দক্ষতার প্রতিনিধিত্ব করতে প্রতিটি ব্যবহারকারীর অবদানকৃত ভাণ্ডারগুলির সাথে যুক্ত প্রোগ্রামিং ভাষা ব্যবহার করেছি।

প্রতিটি ব্যবহারকারীর দক্ষতা একটি নির্দিষ্ট ভাষায় লেখা অবদানকৃত প্রকল্পের সংখ্যা উপস্থাপন করে। যেহেতু রিপোজিটরিতে একাধিক ভাষায় ফাইল থাকতে পারে, তাই আমরা রিপোজিটরির সবচেয়ে বেশি ব্যবহৃত ভাষাটিকে রিপোজিটরির ভাষা হিসেবে বেছে নিয়েছি।

আমরা এই ডেটাসেটে সবচেয়ে জনপ্রিয় তিনটি ভাষা নির্বাচন করেছি: জাভা, পাইথন এবং রুবি। তারপর, আমরা এই সংগ্রহস্থলগুলির ব্যবহারকারীদের চিহ্নিত করেছি এবং সহযোগিতা নেটওয়ার্ক তৈরি করেছি। এই উদাহরণে, ব্যবহারকারীরা যদি একই রিপোজিটরিতে কমপক্ষে দুইবার অবদান রাখেন তবে তা আছে। অবশেষে, আমরা সবচেয়ে বড় উপাদান থেকে ব্যবহারকারীদের নির্বাচন করেছি। আমরা একটি ডি-আইডেন্টিফাই ডেটাসেট তৈরি করতে লেখকদের নাম হ্যাশ করেছি।

মূল্যায়ন

আমরা দল গঠনের সমস্যার জন্য প্রস্তাবিত অ্যালগরিদম তুলনা করি (NSGA-II হিসাবে চিহ্নিত) বেঞ্চমার্ক উদ্দেশ্যে ব্যবহৃত তিনটি সুপরিচিত বহু-উদ্দেশ্য অপ্টিমাইজেশান পদ্ধতির সাথে [62, 72]:

Pareto স্থানীয় অনুসন্ধান (PLS) পদ্ধতি। এই পুনরাবৃত্তিমূলক অ্যালগরিদম প্রাথমিক জনসংখ্যা হিসাবে এলোমেলো সমাধানগুলির একটি সেট দিয়ে শুরু হয় এবং প্রতিটি সমাধানের প্রতিবেশীদের অন্বেষণ করে [73, 74]। অ্যালগরিদম প্যারেটোর আধিপত্যের উপর ভিত্তি করে জনসংখ্যা আপডেট করে: এটি জনসংখ্যার সাথে অ-প্রধান প্রতিবেশীকে যুক্ত করবে এবং বিদ্যমান সমাধানগুলিকে সরিয়ে দেবে যা নতুন যোগ করা সমাধানগুলির দ্বারা প্রভাবিত।

একবার সমাধানের আশেপাশের জায়গাটি সম্পূর্ণরূপে অন্বেষণ করা হলে, সমাধানটি অন্বেষণ হিসাবে চিহ্নিত করা হয়। অ্যালগরিদম পুনরাবৃত্তিমূলকভাবে নতুন সমাধানগুলি অন্বেষণ করে কারণ সেগুলি জনসংখ্যার সাথে যুক্ত করা হয় যতক্ষণ না আরও ভাল সমাধান পাওয়া যায়। সমস্ত সমাধান অন্বেষণ করার পরে, এবং আর কোন অপ্রধান সমাধান আবিষ্কার করা যাবে না, অ্যালগরিদম বন্ধ হয়ে যায়। আমরা জিহায়াত এট আল দ্বারা প্রস্তাবিত সংস্করণটি বাস্তবায়ন করেছি। [৭২] সমন্বিত সমস্যার জন্য।

এই ইমপ্লিমেন্টেশনে, একটি সলিউশনের স্নেইবারস হল সলিউশন থেকে সম্ভাব্য সব টিম কম্বিনেশন যার সাথে দুইজন সদস্য দল অদলবদল করে। যেহেতু PLS একটি নির্দিষ্ট সংখ্যক প্রজন্মের উপর নির্ভর করে না, তাই আমরা অন্যান্য পদ্ধতির সাথে এর ফলাফল তুলনা করার জন্য শুধুমাত্র এই অ্যালগরিদমের এক পুনরাবৃত্তি চালাই।

n ব্যক্তিদের দেওয়া, এবং যে অ্যালগরিদম প্রতিটি সমাধানের n2 প্রতিবেশীদের অন্বেষণ করবে, এই বাস্তবায়নের গণনাগত জটিলতা হল O(n3) সেরা ক্ষেত্রে।

For more information:1950477648nn@gmail.com