I Chwilio Am Dimau Amrywiol A Chysylltiedig: Ymagwedd Gyfrifiadurol O Gynnull Timau Amrywiol Yn Seiliedig Ar Aelodau Rhan 6

Algorithm Esblygiadol Cryfder Pareto 2 (SPEA-2). Fel NSGA-II, mae'r algorithm hwn yn seiliedig ar feini prawf dethol a goruchafiaeth elitaidd [75].

Mae esblygiad Dwysedd Pareto (IPE) yn algorithm esblygiadol a'i brif nod yw gwneud y gorau o broblemau aml-amcan. Mae'r algorithm yn cyflawni ei nodau trwy gynnal amrywiaeth ac addasrwydd unigol set o atebion. Ar yr un pryd, mae cof hefyd yn chwarae rhan bwysig iawn yn IPE.

Yn benodol, mae IPE yn sicrhau cydbwysedd rhwng addasrwydd ac amrywiaeth trwy ddefnyddio'r wybodaeth a adawyd mewn hanes esblygiadol yn effeithiol. Mewn geiriau eraill, mae IPE yn defnyddio cof i gynnal amrywiaeth yn y broses ateb a gwella effeithlonrwydd yr algorithm. Trwy ddysgu'n barhaus ac addasu i wybodaeth mewn hanes esblygiadol, gall IPE chwilio ac optimeiddio swyddogaethau gwrthrychol yn well. Yn ogystal, wrth i'r algorithm fynd rhagddo, bydd y cof yn cael ei ddiweddaru'n barhaus, a thrwy hynny wella effeithlonrwydd yr algorithm a chanlyniadau optimeiddio ymhellach.

I grynhoi, mae perthynas bwysig rhwng dwyster esblygiad Pareto a chof. Mae cof nid yn unig yn warant o amrywiaeth mewn IPE ond hefyd yn un o'r ffactorau allweddol ar gyfer yr algorithm i gyflawni canlyniadau da. Felly, mewn ymchwil yn y dyfodol, dylem barhau i wella rôl cof ac archwilio ymhellach botensial IPE i wneud y gorau o broblemau aml-amcan. Gellir gweld bod angen i ni wella cof, a gall Cistanche deserticola wella cof yn sylweddol, oherwydd gall Cistanche deserticola hefyd reoleiddio cydbwysedd niwrodrosglwyddyddion, megis cynyddu lefelau acetylcholine a ffactorau twf. Mae'r sylweddau hyn yn bwysig iawn ar gyfer cof a dysgu. Yn ogystal, gall Cig hefyd wella llif y gwaed a hyrwyddo darpariaeth ocsigen, a all sicrhau bod yr ymennydd yn derbyn digon o faetholion ac egni, a thrwy hynny wella bywiogrwydd a dygnwch yr ymennydd.

Cliciwch gwybod ffyrdd i wella gweithrediad yr ymennydd

Yn hytrach na chreu Paretofronts gwahanol, mae SPEA-2 yn cadw'r set gyda'r atebion gorau a geir ym mhob iteriad o'r enw "archif," sydd wedi'i wahanu oddi wrth y boblogaeth. Mae'r algorithm yn dechrau gyda datrysiadau poblogaeth ar hap ac archif wag.

Yna, mae'n cyfrifo gwerth ffitrwydd ar gyfer pob datrysiad yn seiliedig ar (a) nifer y datrysiadau y mae'n tra-arglwyddiaethu arnynt (hy, cryfder), (b) nifer yr atebion sy'n ei ddefnyddio i gael ei ddominyddu gan y boblogaeth bresennol (hy, ffitrwydd amrwd), a ( c) ei bellter â datrysiadau eraill (hy, gwerth dwysedd). Bydd yr atebion gorau yn cael eu copïo i'r archif. Ar ôl cychwyn y boblogaeth gyntaf, y nod yw nodi atebion nad ydynt yn cael eu dominyddu ar gyfer y genhedlaeth nesaf.

Yn seiliedig ar y gwerthoedd ffitrwydd, mae'r algorithm yn perfformio twrnamaint deuaidd, gorgyffwrdd, a chamau treiglo gyda'r atebion o'r boblogaeth gyfredol a'r archif. Yr atebion newydd hyn fydd y boblogaeth nesaf.

Ar ôl y prosesau hyn, mae'r algorithm yn gwirio faint o atebion an-ddominyddol sy'n deillio o undeb y boblogaeth gyfredol a'r archif. Os yw nifer yr atebion nad ydynt yn cael eu dominyddu yn llai na maint yr archif, bydd yr archif yn cynnwys rhai datrysiadau wedi'u dominyddu gan yr undeb.

Mae'r algorithm yn dewis datrysiadau dominyddol yn seiliedig ar eu gwerthoedd ffitrwydd. Os yw nifer yr atebion nad ydynt yn cael eu dominyddu yn uwch na maint yr archif, mae'r algorithm yn dileu datrysiadau segur yn seiliedig ar bellter Ewclidaidd eu cymydog agosaf.

Bydd yr iteriad nesaf yn creu cenhedlaeth newydd yn seiliedig ar yr archif hon wedi'i diweddaru. Gweithredwyd y fersiwn a gynigiwyd gan Zitzler et al. [75]. Fe wnaethom ddefnyddio'r un nifer o genedlaethau o'r profion NSGA-II a gosod maint yr archif i fod yn gyfartal â maint y boblogaeth. Yn y senario achos gorau, cymhlethdod cyfrifiannol yr algorithm hwn yw O(M2logM) lle mae M yn theswm maint y boblogaeth (n) a maint yr archif (n0).

Dull Optimeiddio Haid Gronynnau Hybrid (HPSO). Mae'r algorithm hwn yn cyfuno camau algorithmau optimeiddio heidiau gronynnau (PSO) ac algorithmau genetig (GA) [76]. Yn ei fersiwn wreiddiol, mae PSO yn dechrau gyda phoblogaeth o atebion ymgeisydd (a elwir yn ronynnau) ac yn eu symud o gwmpas yn y gofod chwilio dros safle a chyflymder y gronyn.

Mae symudiad pob gronyn yn cael ei ddylanwadu gan ei safle mwyaf adnabyddus lleol ond mae hefyd yn cael ei arwain tuag at y safleoedd mwyaf adnabyddus yn fyd-eang yn y gofod chwilio. Ym mhob iteriad, mae'r algorithm yn diweddaru safleoedd y gronynnau yn seiliedig ar eu cyflymder. Ar ôl ychydig o iteriadau, mae'r algorithm yn darparu atebion sy'n frasamcanion o optima lleol ac optima byd-eang.

Gan mai dim ond mewn problemau optimeiddio parhaus y mae fformiwleiddiad gwreiddiol y PSO yn gweithredu, mae arnom angen fersiwn a all ymdrin â phroblemau optimeiddio cyfun. Ar ben hynny, mae PSO yn gweithredu gyda optimwm byd-eang nad yw'n bodoli mewn problemau blaen Pareto. Roedd Zhang et al. [76] cynigiodd fersiwn hybrid sy'n disodli fformiwlâu diweddaru lleoliad gronynnau a chyflymder y PSO gyda gweithrediadau crossovera threigladu'r algorithm genetig.

Yn gryno, mae'r algorithm HPSO yn archwilio pob gronynnog yn ailadroddol (a) cymhwyso'r cam crossover gyda hydoddiant an-ddominyddol ar hap a ganfyddir gan y gronyn, (b) cymhwyso'r cam croesi gyda hydoddiant ar hap heb ei ddominyddu sy'n hysbys o'r holl boblogaeth, ( c) ac yn perfformio'r cam treiglo. Os yw datrysiad canlyniadol yn well na'r gwreiddiol, yna mae'r datrysiad yn cael ei ddiweddaru.

Os yw gronyn yn gwybod dau neu fwy o atebion nad ydynt yn dominyddu, bydd yn dewis datrysiad nad yw'n dominyddu ar hap fel y gronyn lleol gorau. Yn yr un modd, os yw'r boblogaeth yn gwybod mwy nag un datrysiad nad yw'n dominyddu, bydd yn dewis datrysiad di-ddominyddol ar hap fel y gronyn byd-eang gorau.

Disgwylir i amser rhedeg yr algorithm hwn fod yn aml-enwog gan y bydd yn gwirio'r datrysiadau n ac yn rhedeg y gweithrediad croesi ddwywaith a gweithrediad thematig unwaith. O ganlyniad, y cymhlethdod cyfrifiannol yw O(n2) yn yr achosion gorau.

Gwnaethom hefyd gymharu'r timau a gasglwyd gan y pedwar algorithm aml-amcan hyn â thimau a neilltuwyd ar hap. Gan fod set ddata MyDreamTeam eisoes yn cynnwys timau maint sefydlog, rydym hefyd wedi cyfrifo sgorau amrywiaeth a chostau cyfathrebu gwirioneddol y timau.

Metrigau

Fe wnaethom gyfrifo'r metrigau meintiol canlynol i werthuso ansawdd, maint ac amser rhedeg datrysiadau'r algorithmau. Mae'r dangosyddion hyn yn mapio'r atebion terfynol i rif sy'n dynodi un neu sawl agwedd ar y datrysiad. Dewisasom y metrigau hyn yn seiliedig ar yr adolygiad llenyddiaeth gan Li et al. [77].

Gorgyfaint (HV). Mae'r metrig hwn yn gwerthuso cyfanswm maint y gofod gwrthrychol sy'n cael ei ddominyddu gan atebion yr algorithm ynghylch pwynt cyfeirio. Gall fesur pa mor agos yw'r atebion i'r ffrynt gwirioneddol Pareto a pha mor wasgaredig yw'r atebion yn y gofod gwrthrychol.

Bydd gan Algorithm A sgorau hypergyfaint uwch nag Algorithm B os yw datrysiadau Algorithm A yn dominyddu datrysiadau Algorithm B. Yn y cyd-destun hwn, mae sgorau gorgyfaint uwch yn dangos y gellir dod o hyd i gyfuniadau tîm â lefelau uwch o amrywiaeth a chynefindra.

Os bydd Algorithm A yn canfod cyfuniadau tîm gyda sgorau amrywiaeth uwch a/neu gostau cyfathrebu is nag Algorithm B, bydd gorgyfaint algorithm A yn uwch na chyfrol swil Algorithm B. Po fwyaf yw'r gwerth HV, y gorau yw amrywiaeth a dosbarthiad y cyfuniadau tîm. Gellir llunio HV algorithm A fel:

HVðAÞ ¼ lð[a2Axja � x � x � rÞ ð6Þ

lle mae r yn dynodi'r pwynt cyfeirio, ac mae λ yn dynodi mesur i is-setiau o ofod Ewclidaidd n-dimensiwn (hy, mesur Lebesgue). Yn ein hachos ni, yr hypergyfaint yw arwynebedd y petryalau a ffurfiwyd gan y datrysiadau a chyfeirbwynt dau ddimensiwn.

Cymhareb Flaen Unigryw Heb Ei Dominyddu (UNFR). Mae'r metrig hwn yn meintioli cyfraniad pob algorithm i flaen cyfun an-ddominyddol yr holl algorithmau. Yn y cyd-destun hwn, mae gan ifalgorithm A werth UNFR uwch nag algorithm B, canfu'r cyntaf gyfuniadau tîm gydag amrywiaeth uwch a/neu sgorau amrywiaeth is na'r olaf. Gadewch i Aunf fod yn flaen unigryw heb ei ddominyddu i algorithm penodol A, yna diffinnir y metrig hwn fel:

UNFRðAÞ ¼ ja 2 Aunf; ∄r 2 Runf: r � ajjRunf j ð7Þ

lle Runf yw'r set o atebion unigryw nad ydynt yn dominyddu o'r casgliadau o'r holl atebion a gynhyrchir gan yr algorithmau. Mae gwerth UNFR yn amrywio o 0 i 1. Mae algorithm gyda gwerth UNFR uchel yn golygu ei fod wedi cyfrannu at lawer o atebion unigryw nad ydynt yn dominyddu o'r holl atebion andominyddol a ddarganfuwyd. Mewn cyferbyniad, mae gwerth sy'n agos at sero yn golygu bod yr algorithm wedi darparu ychydig o atebion unigryw nad ydynt yn cael eu dominyddu i'r set derfynol.

Cymhlethdod cyfrifiadurol. Yn olaf, fe wnaethom werthuso cymhlethdod cyfrifiannol yr algorithmau hyn fel swyddogaeth o faint mewnbwn. Yn y cyd-destun hwn, os oes gan algorithm A amser rhedeg is nag algorithm B, gall y cyntaf ddod o hyd i gyfuniadau tîm o gronfa o gyfranogwyr yn gyflymach na'r olaf.

Gan y gall amser rhedeg rhai algorithmau gynyddu'n esbonyddol, mae'r metrig hwn yn berthnasol i fesur pa mor raddadwy ac effeithlon yw'r algorithm wrth ffurfio timau gyda chronfeydd cyfranogwr mawr. Fe wnaethom gymharu amseroedd rhedeg yr algorithmau gan ddefnyddio gwahanol niferoedd o ddefnyddwyr o'r setiau data GHTorrent "Java" a Bibsonomy "Science".

Canlyniadau

Cynhaliom werthusiadau'r algorithmau am 50 cenhedlaeth gyda maint poblogaeth o 50 cromosom. Fe wnaethom weithredu'r algorithmau hyn yn Python 3.6.2. a pherfformiodd yr arbrofion ar weinydd gyda CPU Intel(R) Xeon(R) 2.60 GHz a 16GB o RAM.

Mae gweithrediadau'r algorithmau a chanlyniadau manwl ar gael yn http://nusoniclab.github.io/ ar gyfer ymgynghoriad. Mae Tabl 2 yn dangos data ystadegol y setiau data, gan gynnwys maint y tîm, nifer yr unigolion sydd ar gael, nifer y perthnasoedd, y diamedr y rhwydwaith, pellter cymedrig unigolion, a chanoli rhwydweithiau.

Mae Ffig 3 yn dangos brasamcan o flaen Pareto a ddarganfuwyd gan bob algorithm ym mhob set ddata.

Mae'r echelin-x yn cynrychioli cyfanswm costau cyfathrebu'r timau. Mae sgorau is ar yr echel hon yn cynrychioli datrysiadau gyda chostau cyfathrebu is (hy, timau mewnol yn fwy cysylltiedig).

Mae'r echelin-y yn cynrychioli sgôr amrywiaeth cyfanswm y timau o'r atebion. Mae sgorau uwch yn yr echel honno yn cynrychioli datrysiadau gyda thimau mwy amrywiol. Fel y dengys y canlyniadau, mae gweithrediad NSGA-II yn perfformio'n well na'r algorithmau meincnod yn y rhan fwyaf o'r setiau data a brofwyd. Canfu NSGA-II atebion heb eu dominyddu gyda gwerthoedd amrywiaeth uchel a chostau cyfathrebu isel ar draws yr holl gronfeydd data hyn.

Cyfrannodd HPSO hefyd gydag atebion nad ydynt yn cael eu dominyddu i'r set derfynol o atebion. Yn benodol, mae'r plotiau'n dangos bod HPSO yn well am ddod o hyd i atebion nad ydynt yn cael eu dominyddu wrth osod cyfaddawd cytbwys rhwng costau cyfathrebu ac amrywiaeth. Yn dilyn NSGA-IIa HPSO, roedd atebion PLS yn agos ac wedi'u crynhoi mewn rhai rhanbarthau o'r gofod ffurfio tîm.

Mae'r crynodiad hwn yn dangos bod PLS yn tueddu i gydgyfeirio ar rai datrysiadau nad ydynt yn cael eu dominyddu, gan ddiystyru cyfuniadau tîm posibl eraill nad ydynt efallai wedi'u dominyddu yn yr iteriadau cyntaf. Roedd canlyniadau SPEA-2 yn waeth na'r algorithmau eraill er eu bod yn defnyddio'r un cynrychiolaeth a gweithrediadau. Ar y cyfan, roedd NSGA-II yn well am ddod o hyd i atebion yn eithafion blaen bras Pareto, gan gynnig mwy o amrywiaeth o atebion nad ydynt yn dominyddu.

Darparodd fwy o ddewisiadau amgen o gymharu â PLS, HPSO, a SPEA-2. Felly, mae gweithrediad NSGA-II yn darparu sbectrwm o atebion tîm y gall adeiladwyr tîm eu harchwilio a'u dewis.

For more information:1950477648nn@gmail.com