基于粒子群优化算法的人力资源优化配置模型

根据 PSO 算法的原理, 让当前粒子群中的粒子 先与全体最优粒子进行交叉操作, 选取适应值高的 子代个体再与个体最优粒子进行交叉操作, 将适应 值高的子代个体作为新的粒子, 依次进行迭代, 直 到满足迭代终止条件。此时粒子群中的最优粒子即 为最优解。算法具体实现过程如下。
step1 设定迭代次数为 G, 随机产生 N 个初始 粒子。
step5 判断是否 满足终 止条件。如果满足 转 step 6, 否则转 step 3。
Step6 输 出 全 局 极 值 gv 和 全 局 最 优 粒 子 gbest。
4 数值模拟
表 1 人员素质测评得分
m
E X ij [ 1 i = 1, 2, ,, n;
j= 1
X ij = 0或 1 i = 1, 2, ,, n; j = 1, 2, ,, m。 该问题在涉及到的人员和岗位数量比较少时, 可以利用匈牙利法求解。但当该问题涉及的人员和 岗位数量较多时, 问题变的比较复杂。现 设计了一 种求解此问题的改进的粒子群优化算法, 较好地解 决了在人员和岗位数量较多 时的人员优化配 置问 题, 提高了人员配置工作的效率。
2 基本粒子群优化算法
PSO 算法中每个粒子就是解空间中的一个解,
它根据自己的飞行经验和同 伴的飞行经验来 调整
自己的飞行。假设在一个 D维的目标搜索空间中, 由
r个粒子组成一个粒子群体, 其中第 i个粒子表示为
一个 D 维的向量 X i = ( xi1, xi2, ,, x iD ), i = 1, 2, ,, r。第 i个粒子的飞翔速度也是一个 D 维的向量, 记为
过计算判断矩阵的最大特征值获得权重向量, 其具
体步骤可以参考文献 [ 5] 。设运用 AHP 法, 求得能
力要素集在岗位集上的权重矩阵为 ( vij ) l @m, 其中 vij 表示能力要素 F i 在岗位 Wj 上的相对权重。
1. 3 建立人员配置矩阵 人员与岗位的配 置矩阵可以通过 人员素质评
为了保留父代的优良基因片段, 这里对顺序交 叉 ( OX ) 操作进行了改进。设两个父代个体为 f1和 f2, 通过交叉操作得到的两个子代个体为 c1和 c2。 具体操作过程如下:
( 1) 两个父代 f1和 f2中随机选择一个相同的 交叉区域;
( 2) 将 f1和 f2的交叉区域交换后放在 c1和 c2 相同的位置上, 删除 f1( f2) 与 c1( c2) 相同的元素, 并按顺序补全 c1和 c2, 得到两个子代个体 c1和 c2。
1 人力资源优化配置模型
现实人力资源优化配置中, 需要根据组织结构 的具体情况和岗位对工作人 员能力需求的测 重点 来选择和配置。通常要考虑候 选人员在岗位 所需 的多种能力要素上的评分, 以及各能力要素在不同 岗位上的权重分配 [ 4] 。
设候选人员集 M = [M 1, M 2, ,, Mn ] , 工作岗位 集 W = [ W1, W 2, ,, Wm ] , 能力要素集 F = 位处在竞争状态, 候选人员 数量往往多于用人岗位数, 所以不妨设以上集合中 的 n\m。 1. 1 建立人员素质评测矩阵
2008年 9 月 9日收到 第一作者简介: 丁海利, 男, 河南平 顶山人, 硕 士研究生, 研究方 向: 系统优化与管理决策。 E-m ai:l hailiding@ 126. com。
前此算法已广泛应用于 函数优化、神经网络训练、 模式分类、模 糊系统控制以及其 它的应用领域 [ 3] 。 根据人力资源优化配置的数学模型的特点, 将遗传 算法的思想嵌入到粒子群优化算法中, 设计了求解 此问题的改进的粒子群优化算法, 数值模拟结果表 明了算法的有效性。
1, 当安排人员 M i 到岗位 W j 上
设 X ij =
,根 0, 当不安排人员 M i 到岗位 Wj 上
据人员配 置 矩阵 构 建人 员 优化 配 置的 数 学 模型
如下:
nm
E E m axZ =
sijX ij
( 2)
i= 1 j= 1
n
E X ij = 1 j = 1, 2, ,, m;
i= 1
数或粒子群适应值最小标准误差。粒子群初始位置
和速度随机产生, 然后按式 ( 3) 和式 ( 4) 进行迭代,
直至找到满意解。对于 PSO 算法的进一步的特性可 参考文献 [ 7, 8] 。
3 人力资源优化配置的改进的粒子群优化 算法
粒子群优化算法是通过个体之间的 协作来寻 找最优解的, 其本质是利用个体极值信息和全体极
例如: 设 n = 9, 两父串为 f1 = 1 2 3 | 4 5 6 7 | 8 9和 f2 = 9 8 7 | 6 5 4 3 | 2 1, 随机选取的交叉区 域为竖线之间 4 5 6 7和 6 5 4 3, 则交叉后子串为 c1 = 1 2 7 6 5 4 3 8 9和 c2 = 9 8 3 4 5 6 7 2 1。 3. 3 算法实现
step4 令 X ( i)X 2 ( i), 计算当前粒子的适应值 l( i ); 如果 l( i ) > lv( i ), 令 p best( i ) = X ( i), lv( i ) = l ( i); 根据每个粒子的个体极值 lv( i), 找出全局 极值 gv 和全局最优粒子 gbest。
中图法分类号 F240;
文献标志码 A
人是生产力诸要素中最具活力的因素, 而人力 资源配置既是人力资源管理的起点, 又是人力资源 管理的终点, 其 最终目 的是要 达到 -人 ) 岗 . 的匹 配, 提升组织的 整体效能。研究表明, 同一岗位上 最好的员工比最差员工的劳动生产率要高 3倍 [ 1 ] 。 但是, 任何组织都是一个系 统, 具体一 个岗位需要 配置什么样的人, 要根据 系统的整体最 优来设计, 而不仅仅是选择同一岗 位上最好的员 工。这意味 着在对人员进行选择时, 就要有一个良 好的辨别、 甄选过程, 挑选出有相应技能、知识和经验, 同时又 能实现组织系统最优化的需要。可是, 在人员配置 的实际操作中, 由于缺乏科学、可行的方法, 往往达 不到理想的效果。为此, 通过对人力资源优化配置 的探讨分析, 建立了一种人力资源优化配置的数学 模型, 比较好地实现了人力资源优化配置中系统最 优的需要。
粒子群优化算 法 ( Particle Sw arm Optim ization, PSO ) 是 由 K ennedy 和 Eberhart 在 1995 年 提 出 的 [ 2] , 是一种基于群体的 演化算法, 该 算法模拟鸟 群飞行觅食的行为, 通过鸟之间的集体协作使群体 达到最优目的。 PSO 的优势在于算法的简洁性, 易 于实现, 收敛速 度快, 没 有很多参数需 要调整。目
( 1)
其中 sij表示人员 M i 在岗位 Wj 上的综合得分;
p 1, p 2, p 3, p 4 分别为上级评分 (或评测小组 )、候选人
自我评分、同事评分和下属评分在人员素质评测中
所占的权重。 p1, p2, p 3, p4 的取值要根据组织结构 和测评人员素质的具体情况来确定。
1. 4 建立人员优化配置模型
丁海利 王 芳 1
( 北京陆军预备役高炮师, 北京 102300; 北京理工大学管理与经济学院 1, 北京 100081)
摘 要 从可操作性出发, 基于系统分析和定量评价的 方法, 建立了 人力资 源优化 配置模型 , 为 人力资 源的优 化配置 提供了
一种量化管理的具体 方法, 并设计了求解此问题的改进的粒子群优化算法 , 数值模拟结果表明了该算法的有效性。 关键词 人力资源 优化配置 粒子群优化算法 遗传算法
能力要素 F j 上的评分。 1. 2 建立岗位要素权重矩阵
由于不同的岗位有不同的职责, 对人员的能力
要求也不同, 这就需要确定每个岗位上各种能力要 素的权重分配。根据要素的相对重要程度可利用 9
标度法对各种要 素进行比较, 得到判断矩 阵, 再利
用层次分析法 ( Analyt ic H ierachy P rocess, AH P ) 通
在对人员进行考核评分时, 为了保证评分的科 学性和公正性, 一般要考虑多方面的评分因素及评 分中各自所占的权重, 例如上级 考评 (或 评测小组 考评 )、同级考评、下级考评、自我考评和外人考评 等。一般情况下上级考评 (或评测小组考评 ) 占的 权重比较大, 而其它考评所占权重比较小。现考虑
1期
第 9卷 第 1期 2009年 1月 1671- 1819( 2009) 1- 0076- 05
科学技术与工程
Science T echno logy and Eng ineering
V o l1 9 N o1 1 Jan. 2009 Z 2009 Sci1 T ech1Engng1
人力资源优化配置模型及算法研究
测矩阵与岗位要 素权重矩阵相乘 得到, 所 以, 根据
第 1. 1和第 1. 2 所得到的矩阵, 建立人员配置矩阵
如下:
( sij ) n @m = (p 1 ( aij )n @ l + p2 ( bij ) n @ l + p3 ( cij )n @ l +
p4 ( dij ) n @ l ) ( v ij ) l @m
操作 [ 6] :
vk+ 1 id
=
w vkid
+
c1 rand( ) (p id – xkid )
+
c2 rand( ) (pgd – xkid )
( 3)
xk+ 1 id
=
xkid +
vk+ 1 id
( 4)
其中 i = 1, 2, ,, r; d = 1, 2, ,, D; k 为迭代次
数; w 为惯性因子; c1 和 c2 是学习因子, 通常令 c1 = c2 = 2; rand( ) 是独立的介于 [ 0, 1] 之间的随机数; 迭代中止条件根据具体问题 一般选为最大迭 代次