বৈচিত্র্যপূর্ণ এবং সংযুক্ত দলগুলির সন্ধানে: সদস্যদের উপর ভিত্তি করে বিভিন্ন দলকে একত্রিত করার জন্য একটি গণনামূলক পদ্ধতির অংশ 7

ফলাফলগুলি দেখায় যে NSGA-II অ্যালগরিদম 9টি ডেটাসেটের 6-এ বৃহত্তম হাইপারভলিউম মান এবং অন্য তিনটি ডেটাসেটের জন্য দ্বিতীয়-সর্বোচ্চ মান অর্জন করেছে (সারণী 3)৷ অন্য কথায়, NSGA-II প্রায়শই অন্যান্য অ্যালগরিদমের তুলনায় উচ্চ বৈচিত্র্যের স্তর এবং কম যোগাযোগের খরচ সহ আরও বেশি টিম সমন্বয় খুঁজে পায়।

স্মৃতি আমাদের জীবনে একটি গুরুত্বপূর্ণ ভূমিকা পালন করে। এটি নির্ধারণ করে যে আমরা সমস্যা সমাধানের জন্য বিদ্যমান জ্ঞান এবং অভিজ্ঞতার পূর্ণ ব্যবহার করতে পারি কিনা এবং আমাদের শেখার এবং কাজের কর্মক্ষমতাকেও প্রভাবিত করে। বিদ্যমান ডেটা সেটগুলি মেমরি এবং বিভিন্ন কারণের মধ্যে সম্পর্কও প্রদর্শন করেছে, যা আমাদের আরও অন্তর্দৃষ্টি এবং সম্ভাবনা প্রদান করে।

প্রথমত, বিভিন্ন গবেষণায় দেখা যায় যে সুস্বাস্থ্য হল ভাল স্মৃতিশক্তির ভিত্তি। সঠিক ব্যায়াম এবং একটি সুষম খাদ্য স্নায়ুতন্ত্রের কার্যকারিতা উন্নত করতে পারে এবং স্নায়ু টিস্যু রক্ষা করতে পারে। শারীরিকভাবে ফিট ব্যক্তিদের কার্ডিওভাসকুলার এবং মানসিক স্বাস্থ্য ভালো থাকে, এমন অবস্থা যা উন্নত স্মৃতিশক্তি এবং জ্ঞানীয় কার্যকারিতার সাথে যুক্ত।

দ্বিতীয়ত, মানসিক অবস্থা এবং জ্ঞানীয় অবস্থার মধ্যেও একটি ঘনিষ্ঠ সংযোগ রয়েছে। গবেষণা দেখায় যে অত্যধিক উদ্বেগ এবং স্ট্রেস মস্তিষ্কের নিউরনের মধ্যে যোগাযোগ ব্যাহত করতে পারে, যার ফলে স্মৃতিশক্তি হ্রাস এবং মনোনিবেশ করতে অসুবিধার মতো সমস্যা দেখা দেয়। ইতিবাচক আবেগ ব্যবস্থাপনা এবং নিয়ন্ত্রণের মাধ্যমে স্মৃতিশক্তির উন্নতিতে সাহায্য করে।

এছাড়াও, আমাদের জীবনযাত্রার পরিবেশ এবং দৈনন্দিন অভ্যাসগুলিও স্মৃতিশক্তির বিকাশ এবং রক্ষণাবেক্ষণের উপর প্রভাব ফেলবে। উদাহরণস্বরূপ, নোট নেওয়া, আপনার উপযোগী একটি শেখার পদ্ধতি খুঁজে বের করা, চিন্তাভাবনা করা, সামাজিক ক্রিয়াকলাপগুলিকে সংযত করা এবং ভ্রমণ স্মৃতিশক্তি বিকাশের জন্য অনেক উপকারী; যখন খারাপ ঘুমের অভ্যাস এবং বিভিন্ন বিনোদন পদ্ধতি গুরুতরভাবে স্নায়ুতন্ত্রকে প্রভাবিত করবে এবং স্মৃতিতে আঘাত করবে। প্রভাব।

সংক্ষেপে, স্মৃতি আমাদের দক্ষ জীবনের একটি গুরুত্বপূর্ণ অংশ, যা আমাদের শেখার ক্ষমতা, কাজের ক্ষমতা এবং জীবনের মান নির্ধারণ করে। সঠিক শারীরিক ব্যায়াম এবং খাদ্যাভ্যাস, মানসিক ব্যবস্থাপনা, এবং দৈনন্দিন জীবনের সামঞ্জস্যের মাধ্যমে, আমরা আমাদের স্মৃতিশক্তি এবং জ্ঞানীয় ক্ষমতাকে ব্যাপকভাবে উন্নত করতে পারি, যা আমাদের আরও দক্ষতার সাথে এবং সুখীভাবে বাঁচতে দেয়। 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

মেমরি উন্নত করতে সম্পূরকগুলি জানুন ক্লিক করুন

NSGA-II এর উচ্চ হাইপারভলিউম মানগুলি এর ভিড় দূরত্বের ধাপ দ্বারা ব্যাখ্যা করা যেতে পারে, যা অ্যালগরিদমকে প্যারেটো ফ্রন্টের চরম প্রান্তে অবস্থিত অ-প্রধান সমাধানগুলি খুঁজে পেতে সহায়তা করেছিল।

যেহেতু পিএলএস এবং এইচপিএসও অপ্রয়োজনীয় সমাধানগুলি এড়াতে কোনও মানদণ্ড উল্লেখ করেনি, তাই তাদের সমাধানের ফলে কিছু নির্দিষ্ট এলাকায় কেন্দ্রীভূত অপ্রধান সমাধানগুলির একটি সেট তৈরি হয়েছে। তাই, NSGA-II দ্বারা প্রদত্ত টিম কম্বিনেশনের সেটগুলি অন্যান্য অ্যালগরিদম দ্বারা প্রদত্ত সমষ্টিগুলির উপর প্রায়শই আধিপত্য বিস্তার করে।

NSGA-II বাস্তবায়নও 9টি ডেটাসেটের মধ্যে 6টিতে সর্বোচ্চ অনন্য নন-ডোমিনেটেড ফ্রন্ট রেশিও (UNFR) মান অর্জন করেছে। অন্য কথায়, NSGA-II প্রায়শই আরও ননডোমিনেটেড টিম কম্বিনেশন প্রদান করে যা অন্যান্য অ্যালগরিদম খুঁজে পায়নি।

অন্যান্য ক্ষেত্রে NSGA-II দ্বিতীয় স্থানের সম্ভাব্য ব্যাখ্যা হল সহযোগিতা নেটওয়ার্কে কম ঘনত্ব। ব্যক্তিদের মধ্যে কিছু পূর্বের সংযোগ সহ পুলগুলি সম্ভাব্য উচ্চভাবে সংযুক্ত টিম সংমিশ্রণের সংখ্যা হ্রাস করবে, হিউরিস্টিক অনুসন্ধানকে অকার্যকর করে তুলবে।

বিপরীতে, HPSO এবং PLS NSGA-II এর চেয়ে বেশি ক্রসওভার এবং মিউটেশন অপারেশন করেছে। এই ক্রিয়াকলাপগুলি একাধিকবার সম্পাদন করা HPSO এবং PLS-কে আরও টিম সংমিশ্রণ পরীক্ষা করার অনুমতি দেয় এবং কম যোগাযোগের স্কোরগুলির সাথে নির্দিষ্ট টিমের সংমিশ্রণ খুঁজে পাওয়ার সম্ভাবনা বাড়িয়ে দেয়।

HPSO দ্বিতীয়-সর্বোচ্চ হাইপারভলিউম এবং UNFR মান অর্জন করেছে। এটি আনুমানিক প্যারেটো ফ্রন্টের মাঝামাঝি তান-প্রধান সমাধানগুলি থেকে উপকৃত হয়েছে, যা উচ্চ বৈচিত্র্যের মাত্রা অর্জন করেছে।

এই অ-প্রধান সমাধানগুলি অন্যান্য অ্যালগরিদমকে ছাড়িয়ে গেছে এবং এর আনুমানিক প্যারেটো ফ্রন্ট দ্বারা তৈরি এলাকা বৃদ্ধি করেছে। SPEA-2 এবং PLS কয়েকটি সমাধানে একত্রিত হয়েছে, NSGA-II এবং HPSO সমাধানগুলির তুলনায় একটি ছোট এলাকা কভার করেছে৷ সামগ্রিকভাবে, NSGA-II এই দুটি উদ্দেশ্য জুড়ে আরও অ-প্রধান সমাধান খুঁজে পেয়েছে এবং যোগাযোগ খরচ মানগুলির উচ্চতর বৈচিত্র্য সহ সমাধান প্রদান করেছে।

বৈচিত্র্য এবং পরিচিতি উভয় ক্ষেত্রেই বড় পার্থক্য দেখায় যে NSGA-II অ্যালগরিদম অন্যান্য অ্যালগরিদমগুলির তুলনায় বেশি অ-প্রধান সমাধান খুঁজে পেয়েছে, যা সত্য প্যারেটো ফ্রন্ট খুঁজে পাওয়ার জন্য কাম্য। NSGA-II-এর ভিড় দূরত্বের পদক্ষেপ অ্যালগরিদমকে অ-প্রধান সমাধানগুলির একটি বিস্তৃত পরিসর রাখার অনুমতি দিয়েছে। এছাড়াও, অ্যালগরিদম সেকেন্ডারি সমাধানগুলিকে উদাসীন স্তরগুলি রাখে যা পরবর্তী পুনরাবৃত্তিগুলিতে অ-প্রধান সমাধানগুলির উদ্ভব হতে পারে।

যেহেতু অ্যালগরিদম নতুন প্রজন্ম তৈরি করে চলেছে, প্রভাবশালী সমাধানগুলি এখনও অন্যান্য সম্ভাব্য সমাধানগুলি খুঁজে বের করার জন্য বিবেচনা করা যেতে পারে। অধিকন্তু, NSGA-II এখনও ট্রেড-অফের মাঝখানে অ-প্রধান সমাধানগুলি সনাক্ত করতে পারে।

বিপরীতে, অন্যান্য অ্যালগরিদমগুলির নিম্ন বৈচিত্র দেখায় যে তারা অ-প্রধান সমাধানগুলির একটি নির্দিষ্ট সেটে এবং একটি নির্দিষ্ট ট্রেড-অফের সাথে একত্রিত হওয়ার সম্ভাবনা ছিল। এই অ্যালগরিদমগুলি তাদের বর্তমান জনসংখ্যাকে বৈচিত্র্যময় করার জন্য বা অপ্রয়োজনীয় অ-প্রধান সমাধানগুলি অপসারণ করার জন্য ক্রিয়াকলাপগুলিকে অন্তর্ভুক্ত করেনি। অতএব, এই অ্যালগরিদমগুলির বিভিন্ন সমাধানের অভাব থাকতে পারে যা প্যারেটো ফ্রন্টের চরম অংশে থাকে।

চিত্র 4 বাস্তবায়িত সমস্ত অ্যালগরিদমের রান টাইম উপস্থাপন করে। চিত্র 5 দেখায় যে কীভাবে অ্যালগরিদমের চলমান সময় উপলব্ধ ব্যক্তির সংখ্যার একটি ফাংশন। ফলাফলগুলি দেখায় যে NSGA-II বাস্তবায়ন পিএলএস এবং এইচপিএসও থেকে ভাল পারফর্ম করে কারণ অংশগ্রহণকারী পুল বৃদ্ধি পায়।

সমস্ত সম্ভাব্য সংমিশ্রণ শেষ না হওয়া পর্যন্ত সমাধানগুলির আশেপাশের এলাকাগুলি অন্বেষণ করতে PLS-এর আরও সময় প্রয়োজন৷ এইচপিএসও-এর ক্ষেত্রে, প্রতিটি সমাধানের জন্য দুটি ক্রসওভার এবং একটি মিউটেশন পদক্ষেপ অ্যালগরিদমের ক্রিয়াকলাপকে NSGA-II-এর চেয়ে তিনগুণ দীর্ঘ করেছে কারণ পরবর্তীটি শুধুমাত্র একটি ক্রসওভার পদক্ষেপ সম্পাদন করে। যদিও HPSO NSGA-II এর চেয়ে বেশি সময় নেয়, উভয়ই বহুপদী সময়ে (O(n2)) কাজ করেছিল।

আমাদের ফলাফলগুলি পরামর্শ দেয় যে NSGA-II এর অনুরূপ ফলাফল প্রদানের জন্য PLS এবং HPSO যে সময় নিয়েছে তার এক তৃতীয়াংশেরও কম প্রয়োজন। তাই, NSGA-IIis ব্যবহার করে ইনপুট আকার বৃদ্ধির সাথে সাথে দক্ষতার সাথে সমাধান খুঁজে বের করার জন্য অত্যন্ত উৎসাহিত করা হয়। SPEA-2 PLS বা NSGA-II এর চেয়ে ভালো সমাধান খুঁজে পায়নি, কিন্তু এর ফলাফল NSGA-II এবং PLS পদ্ধতির চেয়ে দ্রুত রূপান্তরিত হয়েছে।

অবশেষে, আমরা দলের সদস্যদের মধ্যে দূরত্ব বোঝার জন্য একত্রিত টিমে সরাসরি যোগাযোগের ফ্রিকোয়েন্সি (1-হপ), ভাগ করা পরিচিতি (2-হপস),3-হপস এবং আরও অনেক কিছু গণনা করেছি( S1 ফাইলে S3 টেবিল দেখুন)।

ফলাফলগুলি পরামর্শ দেয় যে বেশিরভাগ সদস্য একটি মধ্যবর্তী (�31%) মাধ্যমে অন্যদের সাথে সংযুক্ত ছিলেন, তারপরে সদস্যরা সরাসরি সংযুক্ত ছিলেন (�30%)। এই সংখ্যাগুলি দেখায় যে ফলাফলপ্রাপ্ত দলগুলি অত্যন্ত সাধারণভাবে সংযুক্ত ছিল এবং অনেক হপসের মাধ্যমে সংযুক্ত সদস্যরা প্রতিনিধি ছিলেন না।

আলোচনা

দল গঠন করা একটি চ্যালেঞ্জিং কাজ, বিশেষ করে যখন লক্ষ্য হল বৈচিত্র্য এবং সদস্যদের সতীর্থ পছন্দের মধ্যে ভারসাম্য আনা। যদিও পূর্বের কাজটি সম্ভাব্য সর্বোত্তম দলের সন্ধানে মনোনিবেশ করেছে [৩৭], এই কাগজের অবদান সুষম দলের সমন্বয় অনুসন্ধান করছে যা দক্ষতা এবং সংযোগগুলি সমানভাবে বিতরণ করে। তদুপরি, দলগুলিকে একত্রিত করা যা তাদের সদস্যদের অবদান এবং সদস্যদের মধ্যে পূর্বের সম্পর্ক উভয়ই বৈচিত্র্যকে অন্তর্ভুক্ত করে তাদের সাফল্যের নিশ্চয়তা দেওয়ার জন্য একটি চূড়ান্ত চ্যালেঞ্জ হয়ে দাঁড়ায় [78, 79]।

এই কাজে, আমরা গণনামূলক পদ্ধতি ব্যবহার করে বৈচিত্র্যময় এবং অত্যন্ত সংযুক্ত উভয় দল তৈরির সমস্যা বিবেচনা করি। আমরা একটি জেনেটিক অ্যালগরিদম ব্যবহার করে এই টিম গঠনের সমস্যাটি বাস্তবায়ন করেছি যা টিমের বৈচিত্র্য এবং যোগাযোগের খরচ অনুযায়ী বিভিন্ন দলের সমন্বয় প্রদান করে।

ফলাফলগুলি নির্দেশ করে যে বিভিন্ন এবং অত্যন্ত সংযুক্ত দলগুলি এই জেনেটিক পদ্ধতির মাধ্যমে দক্ষতার সাথে এবং দ্রুত একত্রিত হতে পারে। নিম্নলিখিত উপবিভাগে, আমরা এই কাজের প্রভাব এবং সম্ভাব্য অ্যাপ্লিকেশনগুলি সম্পর্কে বিস্তারিত বর্ণনা করি।

এই কাজটি একাধিক দলকে একত্রিত করার জন্য গণনামূলক পদ্ধতি ব্যবহার করার সুবিধাগুলি দেখায় যা সদস্যদের দক্ষতা বিভিন্ন গোষ্ঠীর মধ্যে বিতরণ করে এবং তাদের পূর্বের সম্পর্কগুলি বিবেচনা করে। পূর্বের কাজ প্রধানত একটি সামাজিক পুল (যেমন, বিশেষজ্ঞ দল, অল-স্টার দল) থেকে সম্ভাব্য সেরা দল খুঁজে বের করার উপর জোর দেয় [36, 57, 58]।

যাইহোক, একাধিক দল অনুসন্ধান করা শিক্ষা এবং সাংগঠনিক পরিস্থিতিতেও প্রাসঙ্গিক, যেমন ছাত্র দল গঠন, ব্যবসায়িক ইউনিটের মধ্যে অপারেশনাল দল গঠন করা বা বৈজ্ঞানিক গবেষণা পরিচালনা করা।

উচ্চ-কার্যকারি দলগুলিকে একত্রিত করার দৃঢ় জোরের কারণে, সেরা সদস্যদের একত্রিত করে এমন অ্যালগরিদমগুলি কম দক্ষ অন্যদের খরচে এই সামাজিক গোষ্ঠীগুলির মধ্যে বৃহত্তর বিচ্ছিন্নতা তৈরি করতে পারে [80]। অল্প সংখ্যক দলে দক্ষতা এবং দক্ষতার ঘনত্ব একই রকম সুযোগ এবং সামাজিক সংযোগ থাকা অন্যান্য দলের উত্থানকে বাধা দেয়।

এই কাগজটি যেমন দেখায়, উন্নত কম্পিউটেশনাল অবকাঠামো এবং বড় ডেটার ব্যবহার বিভিন্ন দলের সংমিশ্রণগুলিকে পুনরায় কল্পনা করার নতুন সুযোগ প্রদান করে যা ব্যক্তিরা পদ্ধতিগতভাবে এবং সহজে অন্বেষণ করতে পারে না [37, 44]। ম্যানুয়াল কৌশল বা অন্তর্দৃষ্টি ব্যবহার করে দল তৈরি করার পরিবর্তে, টিম নির্মাতারা বিভিন্ন দলের সংমিশ্রণ তৈরি করতে অ্যালগরিদম ব্যবহার করতে পারেন যা একই সাথে বৈচিত্র্য এবং পরিচিতিকে অনুকূল করে।

এইভাবে, এই পেপারে উপস্থাপিত একটির মতো বাস্তবায়ন টিম নির্মাতাদের দলের সদস্যদের মধ্যে পরিচিতি বিসর্জন না করে ভিন্ন ভিন্ন এবং বৈচিত্র্যময় দল তৈরি করতে দেয়, যা সফল সহযোগিতার জন্য অপরিহার্য [81]।

For more information:1950477648nn@gmail.com