Algoritimo comparativo multidimensional ordenado

Quando da necessidade de estruturarmos um modelo parametrizador de tomada de decisões, se faz necessário determinar os pesos relativos aos elementos componentes dos grupos originadores, de modo a estabelecer os critérios capazes de criar um modelo que agregue, da melhor forma possível, os valores intrínsecos de todos os agrupamentos primordiais, estabelecendo dessa forma, um instrumento catalisador que tem a possibilidade de ser utilizado como parâmetro de proximidade entre os novos elementos constantes e o modelo em si.

Dessa forma, podemos mensurar a distância existente entre esses elementos que estão sendo sujeitos a comparação e nosso modelo, previamente estabelecido. Essa estrutura parametrizadora tem a possibilidade de retroalimentar todo o sistema comparativo à medida que são inseridos novos componentes no mesmo através de grupos de Inteligência Artificial, uma vez que é possível redefinir suas características tão logo tenhamos um novo elemento originador venha a ser inserido no grupo primordial.

Assim, por exemplo, se tivermos o grupo de conjuntos A = {A1; A2; … ; An}, compostos pela matriz de parâmetros {{a11; a12; … ; a1n}; {a21; a22; a2n}; … ; {an1; an2; … ; ann}}, com seus pesos pré-definidos P = {p1; p2; … ; pn} gerando o modelo M, contendo os parâmetros {m1; m2; … ; mn}, através de determinadas regras, esse modelo será redefinido quando da inserção de um conjunto An+1 , contendo os parâmetros {an+11; an+12; … ; an+1n}. (Obs.: para o caso de diversas camadas de comparação, deve-se estruturar um vetor de matrizes de parâmetros ou uma matriz de matrizes de parâmetros, para eventos observados sob mais de uma ótica – vide teoria do Hipercubo. Esses casos não serão expostos nesse artigo por não fazer parte da finalidade do mesmo, em virtude de seu caráter introdutório à questão e aplicabilidade prática relacionada à ordenação de somente uma matriz de parâmetros, conforme explicitado no final do mesmo).

Esse modelo M com parâmetros {m1; m2; … ; mn} pode ser utilizado para ordenar os conjuntos dentre um grupo B = {B1; B2; … ; Bn}, composto pela matriz de parâmetros {{b11; b12; … ; b1n}; {b21; b22; b2n}; … ; {bn1; bn2; … ; bnn}}.

Estruturação da Regra de Determinação do Vetor M = {m1; m2; … ; mn}

Ao tomarmos um feixe primordial de vetores de ordem n (matriz {{a11; a12; … ; a1n}; {a21; a22; a2n}; … ; {an1; an2; … ; ann}}), é possível determinar um vetor-modelo utilizando em cada vetor de elementos pareados {a11; a21; … ; an1} o seguinte critério:

1 – Se amn for número, então mn será igual à média da média e da mediana dos elementos pareados.

2 – Se amn for texto, então mn será igual à moda dos elementos pareados
Obs.: No caso de empate da condição 2, desabilita-se o elemento e suas comparações.

Assim, através de determinações sucessivas, é possível estruturar o vetor M como se segue.

M = {m1; m2; … ; mn}

Obs.: Caso seja necessário, é possível estruturar vetores do tipo M’, que são compostos por subconjuntos de A.

Determinação e Utilização dos Pesos nos Elementos

Para cada vetor de elementos pareados, é possível determinar um peso correspondente, de modo a estruturar um vetor-peso na forma P = {p1; p2; … ; pn}, para a situação em que o conjunto de elementos pareados corresponde a texto, determina-se uma comparação booleana (da forma verdadeiro-falso). Esse vetor pode ser utilizado para ser implementado paralelamente no vetor-diferença percentual entre o vetor modelo M e cada um dos vetores do grupo que deverá ser ordenado (B1, B2, … , Bn). Uma observação aqui se faz necessária: caso o vetor estabelecer correspondência ao modelo.
Os valores obtidos em cada elemento do vetor-diferença percentual devem ser então somados, tornando possível o cálculo do parâmetro de similaridade (sim) existente entre o vetor em questão e o vetor-modelo.

topo>>

Estruturação do Vetor-Ranking de Vetores R

Através dos parâmetros de similaridades obtidos anteriormente, torna-se possível a estruturação do vetor-ranking de vetores R.

R = {max sim(B1; B2; … ; Bn); … ; min sim(B1; B2; … ; Bn)}
ou, simplificadamente,

R = {max sim (B); … ; min sim (B)}

Aplicabilidade do Algoritmo Comparativo Multidimensional Ordenado no Sistema de Ordenação de Vídeos de Atletas do Site WSTBrasil.com

O site wstbrasil.com visa ser uma ferramenta de facilitação de contratações de jogadores por parte de clubes do mundo inteiro. Um de seus canais de distribuição é a internet que será a vitrine de vídeos de uma série de jogadores, onde os mesmos serão procurados por profissionais da área. Um dos principais problemas dessa pesquisa virtual é a determinação, dentro de um extenso universo de pessoas, de quais serão aquelas que mais se aproximam do perfil desejado. A importância de se ordenar de modo inteligente a exibição do retorno da pesquisa dos vídeos se dá no sentido de maximizar a satisfação e minimizar o tempo de busca dos pesquisadores.

Caminhando de encontro a esse pensamento, além de um detalhado sistema de pesquisa se faz necessária a utilização de um algoritmo de Inteligência Artificial, capaz de aprender com as contratações passadas e, com base nesse aprendizado, trazer para o início da lista de vídeos retornados, aqueles que mais se assemelham a um modelo pré-calculado. Esse algoritmo também deve se retroalimentar toda vez que uma nova contratação é efetuada através do sistema WST, de modo a conceber modelos cada vez mais precisos e próximos de padrões ideais. O algoritmo, sistematização de eventos logicamente distribuídos, que buscamos para implementação dessa Inteligência Artificial necessária é o Algoritmo Comparativo Multidimensional Ordenado supracitado.

Utilização do Algoritmo

Cada jogador, preenchendo a lista de características de seu perfil, passará a ter um grupo de parâmetros que o caracterizam. Os jogadores corresponderão aos conjuntos B1 (jogador 1), B2 (jogador 2), etc. e seus dados (altura, peso, idade etc.), os elementos b11, b12, etc.

Aqueles atletas que forem efetivamente contratados através do sistema WST formarão o grupo de conjuntos-base (A1 (jogador contratado 1), A2 (jogador contratado 2, etc.), que contém seus dados (os elementos a11, a12, etc.) para a determinação das características do “jogador-modelo”, ou seja, aquele que contém as características que mais se aproxima dos jogadores contratados.

Para se encontrar as características desse jogador-modelo, devemos tomar a média da média e da mediana (elemento central obtido na ordenação crescente de todos os valores, sendo que em caso de dois elementos centrais, devemos extrair a média entre eles), dado por dado, de cada conjunto de informações dos atletas contratados. Assim, por exemplo, para sabermos a altura do nosso modelo, devemos extrair a média das alturas dos jogadores contratados, a sua mediana e em seguida extrair a média entre esses dois valores.

No caso de termos características na forma de texto, como por exemplo, Destro ou Canhoto, devemos tomar a moda das mesmas, ou seja, qual ocorre com maior incidência. Em caso de empate, esse elemento deve ser desconsiderado no que tange à utilização de pesos.

Após encontrarmos as características-modelo de nossos jogadores contratados (m1, m2 etc.), deve-se estabelecer um conjunto de pesos (de zero a dez, por exemplo) para cada uma das características em questão, sendo que zero é a que julgamos ser a menos relevante a dez aquela que apresenta maior grau de relevância. Depois dessa distribuição de pesos (p1, p2 etc.), o sistema deve estruturar os vetores-diferença percentual, que são as distâncias percentuais apresentadas entre cada uma das características dos jogadores e as do modelo. Para o caso das características de texto devemos atribuir valores 0 e 1 para a verificação lógica, sim e não, de concordância com o modelo.

Em seguida, deve-se somar as multiplicações dos pesos atribuídos a cada uma dessas características com essas distâncias percentual encontradas, obtendo o coeficiente de similaridade com o modelo.

O perfil que apresentar maior coeficiente deverá ser apresentado em primeiro lugar na pesquisa e assim sucessivamente.

Essa metodologia permite que seja determinado o perfil do jogador-modelo em caráter geral, uma vez que utiliza as características de todos os jogadores contratados. Caso seja de interesse estruturar um conjunto de jogadores-modelo, cada um dentro de certos grupos de delimitações (por exemplo, jogador-modelo atacante ou jogador-modelo goleiro), basta limitar o universo que alimentará essa determinação do modelo (ou seja, apenas atacantes contratados servirão de base para a construção do jogador-modelo atacante, por exemplo). Desta feita, quando uma pesquisa retornar uma lista de jogadores com características específicas, esta será ordenada através do modelo específico pré-determinado.

Deixe uma resposta

O seu endereço de email não será publicado Campos obrigatórios são marcados *

*

*

Top