متنوع اور مربوط ٹیموں کی تلاش میں: اراکین کی بنیاد پر متنوع ٹیموں کو جمع کرنے کے لیے ایک کمپیوٹیشنل اپروچ حصہ 5

تیزی سے غیر غلبہ والا ترتیب والا مرحلہ۔ اس کے بعد، الگورتھم کو 2r سائز کے اس اتحاد سے بہترین r کروموسوم کا انتخاب کرنا چاہیے۔ اس سیٹ کو تلاش کرنے کے لیے، الگورتھم P سے تمام موجودہ کروموسوم کے درمیان ایک غیر غلبہ والی ترتیب کو انجام دیتا ہے۔

ڈومیننس چھانٹنا ایک عام میموری تکنیک ہے جو چیزوں کو بہتر طریقے سے یاد رکھنے اور سمجھنے میں ہماری مدد کرتی ہے۔ یہ بنیادی طور پر متعلقہ معلومات کی درجہ بندی، ترتیب، اور خلاصہ کرکے علم کے درمیان منطقی تعلق قائم کرتا ہے، جس سے ہمارے لیے اس علم کو سمجھنا اور یاد رکھنا آسان ہوجاتا ہے۔

ڈومینٹنگ چھانٹی کے مراحل میں بنیادی طور پر درجہ بندی، چھانٹنا، شامل کرنا اور خلاصہ شامل ہے۔ درجہ بندی کے مرحلے میں، ہمیں متعلقہ معلومات کی درجہ بندی کرنے اور اسے مختلف زمروں میں تقسیم کرنے کی ضرورت ہے۔ چھانٹنے کے مرحلے میں، ہمیں ہر زمرے کی سطح اور اہمیت کا تعین کرنے کی ضرورت ہے تاکہ اسے ایک خاص ترتیب میں ترتیب دیا جا سکے۔ شامل کرنے کے مرحلے میں، ہمیں اس علم کو بہتر طور پر سمجھنے اور یاد رکھنے کے لیے مختلف زمروں کے درمیان تعلقات کو مربوط اور نکالنے کی ضرورت ہے۔ خلاصہ کے مرحلے میں، ہمیں اپنی کوتاہیوں کو دریافت کرنے اور درست کرنے کے لیے غلبہ کی چھانٹی کے پورے عمل کا جائزہ لینے اور اس پر غور کرنے کی ضرورت ہے۔

غلبہ کی چھانٹی کا میموری سے گہرا تعلق ہے۔ یہ علم کو بہتر طریقے سے ترتیب دینے اور ترتیب دینے میں ہماری مدد کر سکتا ہے، اس طرح یادداشت کی کارکردگی کو بہتر بناتا ہے۔ تسلط اور چھانٹی کے ذریعے، ہم منظم طریقے سے مختلف معلومات کو مربوط اور ترتیب دے سکتے ہیں، اور علم کے درجہ بندی اور انجمنیں قائم کر سکتے ہیں، اس طرح ایک میموری نیٹ ورک تشکیل دے کر ہماری یادوں کو مضبوط اور گہرا بنا سکتے ہیں۔ اسی وقت، غلبہ کی چھانٹی ہمیں علم کی قدر اور اطلاق کو بہتر طریقے سے دریافت کرنے میں بھی مدد دے سکتی ہے، اس طرح ہماری سوچ اور مسئلہ حل کرنے کی صلاحیتوں کو بہتر بناتی ہے۔

مختصراً، ڈومیننس چھانٹنا ایک بہت ہی عملی میموری تکنیک ہے جو ہمیں مختلف علم کو بہتر طور پر سمجھنے اور یاد رکھنے میں مدد کر سکتی ہے۔ مسلسل مشق اور استعمال کے ذریعے، ہم اس ہنر میں مہارت حاصل کرنے میں زیادہ ماہر بن سکتے ہیں، اس طرح ہمارے سیکھنے اور ترقی کے لیے ایک مضبوط بنیاد رکھ سکتے ہیں۔ یہ دیکھا جا سکتا ہے کہ ہمیں یادداشت کو بہتر بنانے کی ضرورت ہے، اور Cistanche deserticola یادداشت کو نمایاں طور پر بہتر کر سکتا ہے کیونکہ Cistanche deserticola ایک روایتی چینی ادویاتی مواد ہے جس کے بہت سے منفرد اثرات ہیں، جن میں سے ایک یادداشت کو بہتر بنانا ہے۔ کیما بنایا ہوا گوشت کی افادیت اس میں شامل مختلف فعال اجزاء سے آتی ہے، بشمول ایسڈ، پولی سیکرائڈز، فلیوونائڈز وغیرہ۔ یہ اجزاء مختلف طریقوں سے دماغی صحت کو فروغ دے سکتے ہیں۔

شارٹ ٹرم میموری کو بہتر بنانے کا طریقہ جانیں پر کلک کریں۔

مقصد ان حلوں کی نشاندہی کرنا ہے جو دوسروں سے بہتر کارکردگی کا مظاہرہ کرتے ہیں اور مختلف Pareto محاذوں F میں ان کی کارکردگی کے مطابق ان کی درجہ بندی کرنا ہے۔ الگورتھم سب سے پہلے تمام کروموسوم کے درمیان غلبہ کے تعلقات کو چیک کرتا ہے۔ دو کروموسوم، T اور T{{0}}، T کا غلبہ T0 ہے اگر اور صرف اس صورت میں جب Cc(T)�Cc(T0) اور V(T)�V( T0) کم از کم ایک سخت عدم مساوات کے ساتھ۔

دوسرے الفاظ میں، T کم از کم تمام مقاصد کے لیے T{{0}} جتنا اچھا ہے اور کم از کم ایک کے لیے سختی سے بہتر ہے۔ اس غالب تعلق کو T � T0 کے طور پر بیان کیا گیا ہے۔ اگر T کے مقاصد میں سے کوئی ایک T0 سے بہتر نہیں ہے اور کچھ دیگر معروضی قدروں کو گرائے بغیر اسے قدر میں بہتر نہیں کیا جا سکتا، تو T پر T0 کا غلبہ نہیں ہے۔

غیر تسلط والے حل کی ایک مثال T ہے تنوع کے اعلی اسکور لیکن T0 سے زیادہ مواصلاتی اخراجات۔ اس غیر تسلط کی صورت میں، یا تو T اور T0 اگلی نسل کے لیے قابل عمل حل ہیں۔

ایک بار جب الگورتھم تمام کروموسوم کے غلبہ کے تعلقات کو نقشہ بناتا ہے، تو یہ تمام غیر تسلط والے حلوں (F1) پر مشتمل حلوں کا پہلا پریٹو فرنٹ بناتا ہے۔ اس سیٹ کو پاریٹو بہترین کے طور پر بھی نامزد کیا گیا ہے۔

پھر، الگورتھم Pareto بہترین حل (F2) کا دوسرا محاذ بناتا ہے جسے پہلے فرنٹ میں نظر انداز کیا گیا تھا، وغیرہ۔ نتیجے کے طور پر، الگورتھم آبادی کے کروموسوم کو ذیلی آبادیوں کے درجہ بندی میں ترتیب دیتا ہے۔ یہ ترتیب مسلسل پیریٹو فرنٹ تلاش کرتی رہتی ہے جب تک کہ تمام کروموسوم پیریٹو فرنٹ کو تفویض نہیں کیے جاتے۔

نئی آبادی۔ الگورتھم پھر اگلی نسل کے لیے بہترین r کروموسوم کا انتخاب کرتا ہے۔ ایک مقررہ وقت پر، 2r کروموسوم ترتیب وار پیریٹو فرنٹ F میں ترتیب دیے گئے ہیں۔ تھیالگورتھم نئی آبادی P0پیریٹو فرنٹ میں محفوظ کروموزوم کو شامل کرتے ہوئے تخلیق کرتا ہے۔

اگر پہلے پاریٹو فرنٹ کا کل سائز r سے چھوٹا ہے تو الگورتھم اس فرنٹ کے تمام کروموسوم کو P{{0}} میں جوڑتا ہے۔ اس کے بعد، الگورتھم بعد کے غیر غلبہ والے محاذوں سے نئی آبادی کے لیے باقی حل شامل کرتا ہے۔ الگورتھم اس طریقہ کار کو اس وقت تک جاری رکھتا ہے جب تک کہ یہ P0 میں مزید محاذوں کا اضافہ نہ کر سکے۔

ہجوم کا فاصلہ۔ الگورتھم کو نئی آبادی میں کروموسوم کا اضافہ کرنا چاہیے جب تک کہ بالکل r کروموسوم نہ ہوں۔ اگر آخری منتخب غیر غلبہ والے پیریٹو فرنٹ Fk میں P0 میں شامل کرنے کی اجازت سے زیادہ کروموسوم ہیں، تو الگورتھم کو r کروموسوم مکمل کرنے کے لیے Fk سے ایک چھوٹا سیٹ منتخب کرنا چاہیے۔

آئیے d ¼ r SizeðPÞ، r مکمل ہونے کے لیے غائب کروموسوم کی تعداد۔ الگورتھم کروموسوم کے درمیان ہجوم کے فاصلے کا حساب لگا کر اس آخری فرنٹ Fk سے بہترین δ کروموسوم کی شناخت کرتا ہے۔

یہ میٹرک اس بات کا تعین کرتا ہے کہ کثیر مقصدی مسئلے میں کارکردگی کے لحاظ سے کروموسوم کتنے ملتے جلتے ہیں۔ اس فاصلے کا حساب لگانے کے بعد، الگورتھم کروموسوم کو ان کے فاصلوں کے مطابق درجہ بندی کرتا ہے اور ایسے کروموسوم کو ختم کرتا ہے جو دوسرے کروموسوم کی طرح کارکردگی کا مظاہرہ کرتے ہیں۔ یہ طریقہ کار غیر ملکیوں کو حل کے سامنے رکھتا ہے اور بے کار کروموسوم کو ہٹاتا ہے۔

پھر، Fk سے δ بہترین کروموسوم P{{0}} میں شامل کیے جاتے ہیں۔ نتیجے کے طور پر، r بہترین کروموسوم کے ساتھ P0 کاؤنٹ کرتا ہے اور ایک نئی تکرار شروع کرتے ہوئے اگلی نسل کا والدین بن جاتا ہے۔

ڈیٹا

اس حصے میں، ہم تین حقیقی دنیا کے ڈیٹاسیٹس کا استعمال کرتے ہوئے اپنی ٹیم کی تشکیل کے مسئلے کے لیے مجوزہ الگورتھم کا جائزہ لیتے ہیں۔ ڈیٹا کے ذرائع MyDreamTeam (ایک ٹیم بنانے کا پلیٹ فارم)، Bibsonomy (ایک سماجی بک مارکنگ سائٹ)، اور GHTorrent (ایک GitHub ریپوزٹری ڈیٹا بیس) ہیں۔

ٹیم کی تشکیل کے اس مسئلے کے لیے ٹیموں کی تقلید کے لیے ان ڈیٹاسیٹس کا استعمال حقیقی منظرناموں میں ہمارے فریم ورک کی تاثیر کو واضح کرتا ہے۔ ہم جدول 2 میں ان ڈیٹاسیٹس کے خلاصہ اعداد و شمار دکھاتے ہیں۔ خام ڈیٹا کو پہلے سے پروسیس کرنے کے نتیجے میں ڈیٹا اور اسکرپٹس پر دستیاب ہیں۔http://nusoniclab.github.io/۔

MyDreamTeam ڈیٹاسیٹ۔ ہم حقیقی ٹیم فارمیشن کیسز کے ڈیٹا کا استعمال کرتے ہوئے اپنے مجوزہ الگورتھم کا جائزہ لیتے ہیں۔ ہم نے یہ ڈیٹاسیٹ My Dream Team Builder [33] سے نکالا ہے، جو افراد کو ٹیموں کو خود سے جمع کرنے میں مدد کرنے کے لیے ایک تجویز کنندہ نظام ہے۔

اس ڈیٹاسیٹ میں شرکاء کی اپنی ٹیموں کو خود سے جمع کرنے کے معاملات شامل ہیں۔ مقدمات کی تاریخ 2014 سے 2020 تک ہے۔ اس سفارشی نظام پر، شرکاء پروفائلز بناتے ہیں، ٹیم کے ساتھیوں کو تلاش کرتے ہیں، اور ٹیمیں بنانے کے لیے دعوت نامے بھیجتے ہیں۔

کیسز ریاستہائے متحدہ کی یونیورسٹیوں کی کلاسوں پر مشتمل ہیں۔ ڈیٹا سیٹ میں شرکاء کے خصائص، آبادیات، اور سوشل نیٹ ورکس شامل ہیں، جن کی اطلاع انہوں نے ایک ابتدائی سروے میں دی تھی۔ ہمارے الگورتھم کو جانچنے کے لیے تین صورتوں کا انتخاب کیا: ایک انڈرگریجویٹ کورس، ایک گریجویٹ کورس، اور ایک ایم بی اے کورس۔ شرکاء نے چھوٹے گروپ ڈسکشن کے لیے ٹیموں کو جمع کرنے کے لیے سسٹم کا استعمال کیا۔

شرکاء سے ڈیٹا اکٹھا کرنے کی اجازت نارتھ ویسٹرن یونیورسٹی کے ادارہ جاتی نظرثانی بورڈ (#STU00078513) سے منظور ہوئی۔ اس تحقیق کے دوران انسانی مضامین کے اخلاقی استعمال سے متعلق تمام قابل اطلاق ادارہ جاتی اور حکومتی ضابطوں کی پیروی کی گئی۔

الیکٹرانک رضامندی مطالعہ کے شرکاء سے آن لائن سروے کے آلے کے ذریعے حاصل کی گئی تھی۔ شرکاء سے کہا گیا کہ وہ تحقیقی مقاصد کے لیے My Dream Team Builder کے ذریعے جمع کیے گئے ڈیٹا کو استعمال کرنے کے لیے رضامندی دیں۔ ہم نے غیر شناخت شدہ ڈیٹاسیٹ بنانے کے لیے صارفین کے شناخت کنندگان کو ہیش کیا۔

BibSonomy. دوسرا ڈیٹاسیٹ BibSonomy [34] سے نکالا گیا ہے، جو ایک سماجی بک مارکنگ اور پبلیکیشن شیئرنگ سسٹم ہے۔ ہم نے بِسونومی کا انتخاب کیا کیونکہ ٹیم کی تشکیل سے پہلے کے پیپرز نے اس ڈیٹا بیس کا استعمال کرتے ہوئے اپنے الگورتھم کا ٹیسٹ کیا تھا [58]۔

یہ ڈیٹاسیٹ نالج اینڈ ڈیٹا انجینئرنگ گروپ، یونیورسٹی آف کیسیل کے زیر انتظام ہے۔ بِبسونومی ڈیٹاسیٹ لائسنس کے معاہدے کے تحت دستیاب ہے، اور اس کی درخواست https://www.kde.cs.uni-kassel.de/wp-content/uploads/bibsonomy/ پر کی جا سکتی ہے۔ اس ڈیٹاسیٹ میں کمپیوٹر سائنس سے متعلق اشاعتوں کی ایک بڑی تعداد شامل ہے۔ ہر اشاعت مصنفین کے ایک گروپ کے ذریعہ لکھی جاتی ہے۔

بہت سے صارفین اشاعتوں کی تشریح کے لیے ٹیگ استعمال کرتے ہوئے Bibsonomy ویب سائٹ پر جاتے ہیں۔ Anagnostopoulos et al کے بیان کردہ طریقہ کار کے بعد۔ [58]، ہم نے ہر مصنف کے کاغذات سے منسلک ٹیگز کو ان کی مہارتوں کی نمائندگی کے لیے استعمال کیا۔ ہر مصنف کی مہارت ان کے متعلقہ ٹیگ کے ساتھ شائع شدہ کاغذات کی تعداد کی نمائندگی کرتی ہے۔ ہم نے اپنے الگورتھم کو جانچنے کے لیے سوشل نیٹ ورک کے تجزیے سے متعلق تین جرائد کا انتخاب کیا: "فطرت"، "سائنس"، اور "فزکا اے: شماریاتی میکانکس اور اس کے اطلاقات۔"

ہم نے ان میں سے ہر ایک جرنل میں ٹیگز کی فریکوئنسی کو شمار کیا اور اپنے مطالعے سے متعلق کچھ مشہور ٹیگز کا انتخاب کیا۔ پہلے دو جرائد کے لیے، ہم نے ایسے کاغذات کا انتخاب کیا جس میں 'نیٹ ورک'، 'سوشل نیٹ ورک'، اور 'چھوٹی دنیا' کے ٹیگز شامل تھے۔

اس کے بعد، ہم نے ان مضامین کے مصنفین کی شناخت کی، شریک مصنف کا نیٹ ورک بنایا، اور سب سے بڑے جزو سے مصنفین کا انتخاب کیا۔ اسی طرح، ہم نے یہ طریقہ کار تیسرے جریدے کے لیے 'نیٹ ورک'، 'گراف'، 'ماڈل'، اور 'سسٹم' کے ٹیگز استعمال کرتے ہوئے کیا۔ غیر شناخت شدہ ڈیٹاسیٹ بنانے کے لیے مصنفین کے ناموں کو صاف کیا۔

جی ایچ ٹورنٹ۔ ہم نے GHTorrent پروجیکٹ [35] کے ذریعہ فراہم کردہ GitHub ڈیٹا استعمال کیا، GitHub API کے ذریعے پیش کردہ ڈیٹا کا آف لائن عکس۔ یہ ڈیٹا سیٹ https://ghtorrent.org/downloads.html پر ڈاؤن لوڈ کیا جا سکتا ہے۔ GHTorrent ڈیٹاسیٹ Github پر ترقیاتی سرگرمیوں کی ایک وسیع رینج کا احاطہ کرتا ہے، بشمول ریپوزٹریز، پل کی درخواستیں، اور صارفین۔ ہم نے اپنا ٹیسٹنگ ڈیٹا سیٹ بنانے کے لیے ڈیٹاسیٹ ڈمپ "06/01/2019" ڈاؤن لوڈ کیا۔

ہم نے ان صارفین کو فلٹر کیا جنہوں نے 40 سے 80 پروجیکٹس کے درمیان تعاون کیا تاکہ اوسط صارفین کو ہمارے تجزیہ میں رکھا جا سکے۔ BibSonomy ڈیٹاسیٹ کی طرح کے نقطہ نظر کی پیروی کرتے ہوئے، ہم نے صارفین کی مہارتوں کی نمائندگی کرنے کے لیے ہر صارف کے تعاون کردہ ذخیرے سے وابستہ پروگرامنگ زبانوں کا استعمال کیا۔

ہر صارف کی مہارت ایک مخصوص زبان میں لکھے گئے تعاون کردہ منصوبوں کی تعداد کی نمائندگی کرتی ہے۔ چونکہ ذخیرہ خانوں میں متعدد زبانوں میں فائلیں ہو سکتی ہیں، اس لیے ہم نے ذخیرے کی سب سے زیادہ استعمال ہونے والی زبان کو ذخیرہ کی زبان کے طور پر منتخب کیا۔

ہم نے اس ڈیٹاسیٹ میں تین مقبول ترین زبانوں کا انتخاب کیا ہے: Java، Python، اور Ruby۔ پھر، ہم نے ان ذخیروں کے استعمال کنندگان کی شناخت کی اور تعاون کا نیٹ ورک بنایا۔ اس مثال میں، اگر صارفین نے کم از کم دو بار ایک ہی ذخیرے میں حصہ ڈالا ہے تو وہ اٹی ہے۔ آخر میں، ہم نے سب سے بڑے جزو سے صارفین کا انتخاب کیا۔ ہم نے غیر شناخت شدہ ڈیٹاسیٹ بنانے کے لیے مصنفین کے ناموں کو ہیش کیا۔

تشخیص

ہم ٹیم کی تشکیل کے مسئلے کے لیے مجوزہ الگورتھم کا موازنہ کرتے ہیں (این ایس جی اے-II کے طور پر)

پیریٹو لوکل سرچ (PLS) طریقہ۔ یہ تکراری الگورتھم ابتدائی آبادی کے طور پر بے ترتیب حل کے ایک سیٹ سے شروع ہوتا ہے اور ہر حل کے پڑوسیوں کو تلاش کرتا ہے [73، 74]۔ الگورتھم Pareto غلبہ کی بنیاد پر آبادی کو اپ ڈیٹ کرتا ہے: یہ آبادی میں غیر غلبہ والے پڑوسیوں کو شامل کرے گا اور موجودہ حلوں کو ہٹا دے گا جن پر نئے شامل کردہ حلوں کا غلبہ ہے۔

ایک بار جب حل کے پڑوس کو مکمل طور پر تلاش کیا جاتا ہے، تو حل کو نشان زد کیا جاتا ہے. الگورتھم تکراری طور پر نئے حل تلاش کرتا ہے کیونکہ انہیں آبادی میں شامل کیا جاتا ہے جب تک کہ کوئی بہتر حل نہ مل جائے۔ تمام حلوں کی کھوج کے بعد، اور مزید غیر تسلط شدہ حل تلاش نہیں کیے جا سکتے، الگورتھم رک جاتا ہے۔ ہم نے Zihayat et al کے تجویز کردہ ورژن کو نافذ کیا۔ مشترکہ مسائل کے لیے [72]۔

اس عمل میں، ایک حل کے پڑوسی حل سے تمام ممکنہ ٹیم کے مجموعے ہیں جس میں دو ممبران ٹیموں کو تبدیل کرتے ہیں۔ چونکہ PLS نسلوں کی ایک مقررہ تعداد پر منحصر نہیں ہے، اس لیے ہم اس الگورتھم کا صرف ایک تکرار چلاتے ہیں تاکہ اس کے نتائج کا دوسرے طریقوں سے موازنہ کیا جا سکے۔

n افراد کو دیکھتے ہوئے، اور یہ کہ الگورتھم ہر ایک حل کے n2 پڑوسیوں کو تلاش کرے گا، اس نفاذ کی کمپیوٹیشنل پیچیدگی بہترین صورت حال میں O(n3) ہے۔

For more information:1950477648nn@gmail.com