[논문 리뷰] Application of Genetic Algorithms to the Multiple Team Formation Problem

José G. M. Esgario, Iago E. da Silva외 1명|arXiv (Cornell University)|2019. 03. 08.

Vehicle Routing Optimization Methods참고 문헌 22인용 수 8

한 줄 요약

이 논문은 사회적 유대감을 최대화하면서 프로젝트 기술 요구사항을 충족시키는 데 목적이 있는 다중 팀 구성 문제(MTTP)를 해결하기 위해 유전 알고리즘(GA)을 제안한다. 팀 할당을 이진 염색체로 표현하고, 벌점 기반 적합도 함수를 사용함으로써 GA는 다항식 시간 내에 near-optimal 팀 구성 방식을 효율적으로 찾는다. 이는 기준 인스턴스에서 완전 탐색보다 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 팀원 간의 사회적 유대감을 최적화함으로써 NP-난이도 다중 팀 구성 문제(MTTP)를 해결하고자 한다.
• 사회지표 상호 호환성 기반으로 개인을 다수의 프로젝트에 스케일러블하고 계산 효율적인 방법으로 할당하는 방법을 개발하고자 한다.
• 팀 할당이 요구되는 기술 매트릭스를 충족시키면서도 그룹의 유대감을 극대화하고자 한다.
• 관리자가 고성능이고 유대감이 강한 팀을 구성할 수 있도록 의사결정 지원 도구를 제공하고자 한다.
• 기존 수작업 및 히ュ리스틱 접근 방식을 발전시켜 타당하고 고품질의 해를 보장하는 진화 최적화 프레임워크를 제공하고자 한다.

제안 방법

• MTTP는 일반적 유대감(Eg(X))을 최대화하고 요구되는 기술 매트릭스에서의 이탈을 벌점으로 처벌함으로써 제약 조건이 있는 최적화 문제로 공식화된다.
• 개개인은 이진 염색체로 표현되며, 각 유전자(그룹 수와 길이가 같은 비트스트링)는 단일 '1' 비트를 통해 팀 할당을 나타낸다.
• 적합도 평가 기반으로 더 우수한 개체가 복제를 위해 토너먼트 선택 기법을 통해 선발된다.
• 교차는 확률 β로 적용되며, 부모 염색체 간에 유전자를 교환하여 자손을 생성한다.
• 변이 확률 α로 적용되어, 개체를 다른 팀으로 무작위 재할당함으로써 다양성을 유지한다.
• 제약 조건 이행을 위해 적합도 함수에 벌점 함수 P(R′(X), R)를 추가한다. 이는 요구되는(R) 및 실제(R′) 기술 매트릭스 간의 불일치를 처벌한다.

실험 결과

연구 질문

• RQ1 유전 알고리즘이 사회적 유대감을 극대화하면서도 NP-난이도 다중 팀 구성 문제를 효과적으로 해결할 수 있는가?
• RQ2 제안된 GA는 솔루션 품질과 계산 시간 측면에서 완전 탐색과 비교해 어떻게 성능을 내는가?
• RQ3 벌점 기반 적합도 함수가 팀 할당에서 제약 조건 이행을 얼마나 효과적으로 보장하는가?
• RQ4 알고리즘은 현실적인 팀 구성 시나리오에 대해 일관되게 near-optimal 해를 도출할 수 있는가?
• RQ5 퍼지 기반 프레임워크에서 사회지표 데이터를 활용할 경우, 팀 구성의 현실성과 성능이 향상되는가?

주요 결과

• 제안된 GA는 기준 인스턴스 전반에서 일관되게 near-optimal 해를 도출하며, 완전 탐색 대비 뛰어난 성능을 보였다.
• 계산 실험 결과, 알고리즘이 완전 탐색보다 훨씬 짧은 시간 내에 고품질 해를 도출함으로써 더 큰 문제에 대해서도 확장 가능함을 입증했다.
• 벌점 함수는 제약 조건 이행을 효과적으로 보장하여 최종 팀 구성에서 모든 요구 기술 매트릭스가 충족됨을 보장했다.
• 토너먼트 선택, 교차, 변이의 활용으로 알고리즘은 솔루션 공간을 효율적으로 탐색하고 조기 수렴을 방지할 수 있었다.
• 결과적으로 사회적 유대감 최적화가 다중 프로젝트 환경에서 더 효과적이고 안정적인 팀 구성으로 이어짐을 확인했다.
• 이 방법은 실세계 환경에서 유대감이 강하고 기술 요구사항을 충족하는 팀을 자동으로 구성할 수 있는 실용적인 의사결정 지원 도구를 제공한다.