社交网络上的团队容量问题
在这项研究中,我们以团队形成中的冲突为问题,目标是根据个人的任务偏好和他们之间的冲突,将个体分配到任务中。我们使用依赖舍入方案作为主要工具箱,提供高效的近似算法。我们的框架非常灵活,可以模拟教育环境和人力资源管理中出现的许多不同的实际情况。我们在真实数据集上测试和部署我们的算法,并展示出我们的算法比自然基线找到的分配更好。在教育环境中,我们还展示了我们的分配比人工专家手动分配要好得多。在人力资源管理应用中,我们展示了我们的分配如何提高团队的多样性。最后,我们使用合成数据集证明我们的算法在实践中的可扩展性非常好。
Feb, 2024
本文研究在社交网络中,如何通过密度算法,从一个由多个技能节点构成的网络中,找到最合适的团队或合作对象,以满足项目对固定技能数量的要求,并给出了 3 - 近似算法和基于密度的启发式算法扩展,这类算法在多个团队协作兼容性指标方面具有优越性。
Feb, 2011
本研究通过图论和强化学习提出一种新方法,建立一个数据集的图结构,将参与者作为代理人,学习一个优化的图结构来反映有效的群体动态,并利用聚类技术根据学习到的图划分明确的群体结构。该研究对协作工作和教育心理学领域做出贡献,为组织团队建设、课堂环境和其他需要重视群体动态的协作场景提供实际应用指导,并突显了图论和强化学习在社会和行为科学中的潜力和未来工作的经验验证。
Mar, 2024
简述:研究了具有社交网络的组活动选择问题,当多个组可以同时参与同一活动时,找到稳定的结果非常容易,但是,如果每个活动只能分配给一个组,则即使社交网络非常简单,确定该问题是否具有纳什稳定结果也是 NP 难的,而找到核稳定结果则更为困难。
Dec, 2017
本研究提出了一种基于强化学习和遗传规划的团队组建方法,在考虑人员和岗位匹配以及团队成员间沟通的情况下,通过验直觉模糊数计算个人工作匹配分数。算法采用集合算法提高解决方案的质量,通过代理人选择搜索模式来实现探索和开发的平衡。基于代理模型的快速评估进一步加速了算法的学习过程,实验验证证实了该算法在真实企业环境中的有效性。
Apr, 2023
本文提出建立一个自主代理,该代理可以在没有先前的协调机制的情况下快速适应以与队友合作的挑战性问题,包括联合培训,该解决方案基于图神经网络学习代理模型和不同团队组成下的联合行动价值模型,并提出了新的行动价值计算方法, 经实验证明,该方法成功地模拟了其他代理对学习器的影响,导致了可以稳健地适应动态团队组成并显着优于若干替代方法的策略。
Jun, 2020
通过模拟,本文比较了 3 种 auction 和 hedonic 游戏算法应用于同构和异构机器人集合的效果,探讨了 coalition formation algorithm 在大型机器人集合中分配任务的挑战和转化路径。
Jun, 2023
本文提出了一种新颖的基于层次贝叶斯模型的社交网络信息效果预测方法,并结合主题建模和概率矩阵分解,从训练数据中自动推断有用的潜在主题和社交信息以及其对协作过滤的重要性,并展现了该算法在推荐系统方面优于现有方法的实验结果,揭示了社交圈在信息的决策过程中比个人品味更具影响力,以及可能在许多利用社交信息的推荐系统中存在的信息泄露问题的解决方案。
Jun, 2012