[论文解读] 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 8

一句话总结

本文提出一种遗传算法（GA）来解决多团队组建问题（MTFP），在满足项目技能要求的前提下最大化团队凝聚力。通过将团队分配编码为二进制染色体，并采用基于惩罚的适应度函数，该GA能在多项式时间内高效找到近似最优的团队配置，相较于基准实例的穷举搜索方法表现更优。

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.

研究动机与目标

• 为解决NP难的多团队组建问题（MTFP），通过优化团队成员之间的社会凝聚力。
• 开发一种可扩展且计算高效的分配方法，基于社会计量相容性将个体分配至多个项目。
• 确保团队分配满足所需的技能矩阵，同时最大化群体凝聚力。
• 为管理者提供一种决策支持工具，以组建高效且凝聚力强的团队。
• 通过进化优化框架扩展以往的手动和启发式方法，确保获得可行且高质量的解决方案。

提出的方法

• 将MTFP建模为约束优化问题，以最大化总体凝聚力（Eg(X)）为目标，同时对偏离所需技能矩阵的偏差施加惩罚。
• 个体被编码为二进制染色体，其中每个基因（长度等于团队数量的位串）通过单个‘1’位表示团队分配。
• 采用锦标赛选择机制，根据适应度评估结果选择适应度更高的个体进行繁殖。
• 以概率β应用交叉操作，交换父代染色体之间的基因以生成后代。
• 以概率α应用变异操作，随机将个体重新分配至不同团队，以维持多样性。
• 在适应度函数中增加惩罚函数P(R′(X), R)，以强制满足约束条件，对所需（R）与实际（R′）技能矩阵之间的不匹配进行惩罚。

实验结果

研究问题

• RQ1 遗传算法能否在最大化社会凝聚力的同时有效解决NP难的多团队组建问题？
• RQ2 与穷举搜索相比，所提出的GA在解的质量和计算时间方面表现如何？
• RQ3 基于惩罚的适应度函数在多大程度上确保了团队分配中的约束满足？
• RQ4 该算法能否在现实的团队组建场景中持续生成近似最优解？
• RQ5 在模糊框架下使用社会计量数据在多大程度上提升了团队组建的现实性和性能？

主要发现

• 所提出的GA在基准实例上始终能获得近似最优解，相对于穷举法表现出强劲性能。
• 计算实验表明，该算法在远短于穷举搜索的时间内即可获得高质量解，使其在更大规模问题上具备可扩展性。
• 惩罚函数有效强制约束满足，确保最终团队配置中所有所需技能矩阵均被满足。
• 锦标赛选择、交叉和变异的结合使算法能够高效探索解空间，并避免过早收敛。
• 结果证实，优化社会凝聚力可显著提升多项目环境中的团队有效性与稳定性。
• 该方法为管理者提供了一种实用且自动化的决策支持工具，可在现实场景中组建凝聚力强且符合技能要求的团队。