[論文レビュー] Application of Genetic Algorithms to the Multiple Team Formation Problem

José G. M. Esgario, Iago E. da Silva+1 more|arXiv (Cornell University)|Mar 8, 2019

Vehicle Routing Optimization Methods参考文献 22被引用数 8

ひとこと要約

本稿では、複数のプロジェクトにおけるスキル要件を満たしつつ、社会的結束を最大化するため、遺伝的アルゴリズム（GA）を提案する。チーム編成をバイナリーコードとして符号化し、ペナルティベースの適応度関数を用いることで、多項式時間で近似的に最適なチーム構成を効率的に得ることができ、ベンチマークインスタンスにおいて全探索法を上回る性能を示した。

ABSTRACT

Allocating of people in multiple projects is an important issue considering the efficiency of groups from the point of view of social interaction. In this paper, based on previous works, the Multiple Team Formation Problem (MTFP) based on sociometric techniques is formulated as an optimization problem taking into account the social interaction among team members. To solve the resulting optimization problem we propose a Genetic Algorithm due to the NP-hard nature of the problem. The social cohesion is an important issue that directly impacts the productivity of the work environment. So, maintaining an appropriate level of cohesion keeps a group together, which will bring positive impacts on the results of a project. The aim of the proposal is to ensure the best possible effectiveness from the point of view of social interaction. In this way, the presented algorithm serves as a decision-making tool for managers to build teams of people in multiple projects. In order to analyze the performance of the proposed method, computational experiments with benchmarks were performed and compared with the exhaustive method. The results are promising and show that the algorithm generally obtains near-optimal results within a short computational time.

研究の動機と目的

• 社会的結束を最適化することで、NP困難な複数チーム編成問題（MTFP）を解決すること。
• 社会的スコアの適合性に基づいて、個々の人物を複数のプロジェクトにスケーラブルかつ計算的に効率よく割り当てる方法を開発すること。
• チーム編成が必須のスキルマトリクスを満たすと同時に、グループの結束を最大化すること。
• 管理者が生産的で結束の高いチームを編成するための意思決定支援ツールを提供すること。
• 従来の手動およびヒューリスティック手法に代わり、妥当性が保証され、高品質な解を生成する進化型最適化フレームワークを拡張すること。

提案手法

• MTFPは、一般の結束度（Eg(X)）を最大化する制約付き最適化問題として定式化され、必要なスキルマトリクスからの逸脱に対してペナルティを課す。
• 個々の人物はバイナリーチロモソームとして符号化され、各遺伝子（グループ数に等しい長さのビットストリング）は、1つの「1」ビットによってチーム割り当てを示す。
• 適応度評価に基づき、より適応度の高い個体がトーナメント選択によって次世代の繁殖に選ばれる。
• 交差は確率βで適用され、親の染色体間で遺伝子を交換して子孫を生成する。
• 突然変異は確率αで適用され、個体を別のチームにランダムに再割り当てすることで多様性を維持する。
• 制約の満たしを保証するため、適応度関数にペナルティ関数P(R′(X), R)を追加し、必要な（R）と実際の（R′）スキルマトリクスの不一致に対してペナルティを課す。

実験結果

リサーチクエスチョン

• RQ1 遺伝的アルゴリズムは、社会的結束を最大化しつつ、NP困難な複数チーム編成問題を効果的に解けるか？
• RQ2 提案されたGAは、解の質と計算時間の面で全探索法と比べてどのように異なるか？
• RQ3 ペナルティベースの適応度関数は、チーム編成における制約の満たしをどの程度効果的に保証するか？
• RQ4 本アルゴリズムは、現実的なチーム編成シナリオにおいて一貫して近似的に最良の解を生成できるか？
• RQ5 ファジィベースのフレームワークで社会的スコアデータを用いることで、チーム編成の現実性と性能が向上するか？

主な発見

• 提案されたGAは、ベンチマークインスタンス全体で一貫して近似的に最良の解を達成し、全探索法と比較して優れた性能を示した。
• 計算実験の結果、アルゴリズムは全探索法よりもはるかに短時間で高品質な解に到達でき、より大きな問題に対してもスケーラブルであることが示された。
• ペナルティ関数は制約の満たしを効果的に保証し、最終的なチーム構成ですべての必須スキルマトリクスが満たされていることを確認した。
• トーナメント選択、交差、突然変異の組み合わせにより、アルゴリズムは解空間を効率的に探索し、早期収束を回避できた。
• 結果から、社会的結束を最適化することで、複数プロジェクト環境におけるより効果的で安定したチーム編成が実現できることを確認した。
• 本手法は、現実世界の状況において、結束性がありスキル要件を満たすチームを自動的に編成する実用的で自動化された意思決定支援ツールを提供する。