蚁群算法在人力资源优化配置中的应用研究

17蚁群算法在人力资源优化配置中的应用研究172/192主要内容1.指派问题模型和研究现状2.基本蚁群算法3.改进的蚁群算法（APACO）4.演示系统设计5.实验分析6.结论173/1931-1指派问题的研究现状人力资源优化配置问题可归于一类指派问题。匈牙利算法。运筹学中最基本的方法。小数据集，手工。降阶优化算法。用系数矩阵对解矩阵进行变换。缩小可行解数目闭环DNA算法。大量的识别序列和DNA编码。内切酶有限。……蚁群算法、遗传算法、协商算法、基于模糊关系的工作分配算法等求解最优化问题的启发式方法被广泛关注，应用于任务指派问题的研究中。174/1941-2指派问题的数学模型有个人和个任务，已知第个人做第个任务的费用为，要求确定人和任务之间的一一对应的指派方案，使完成这些任务的总费用最少。数学模型：njijijixij,,2,1,人做第指派若0人做第若指派第1个任务第不个任务nnnnnnnCCCCCCCCCCCCC32122322211131211(1)zmin11ninjijijxc)4(),,2,1,(10)3(),,2,1(1(2)),,2,1(1.1jn1njixnixnjxtsijnijiij或nnijcij175/1952-1蚁群算法概述nestfood蚁群算法(AntColonyAlgorithm)是由意大利学者DorigoM，ColorniA等人于20世纪90年代初期通过模拟自然界中蚂蚁集体寻径的行为而提出的一种基于种群的启发式仿生进化算法。Dorigo图1蚁群寻径模拟176/1962-2蚁群优化算法的研究现状蚁群优化是由蚂蚁系统演变而成的一种NP-hard问题的通用启发式解法。著名的旅行商问题（travelingsalesmanproblem,TSP）改进的蚁群算法：最大-最小蚂蚁系统混合蚂蚁系统快速蚂蚁系统……图2TSP模型177/1972-3标准的蚁群优化系统1.转移规则2.信息素更新3.次优解4.最优解其他时之间经过和只蚂蚁在时刻当第,01,)()1()1(1ijttkLQttkkijmkkijijijijijkktabukikikijijkijtabujtabujtttpk,0,][)]([][)]([)(),,1(,minmkLLkiterateoriteratiorminminLL178/1983ACOAP算法模型-1设需要指派3个人去完成3个任务，并知道每个人完成每个任务所需的费用，则可得到一个三行三列的系数矩阵。•指派问题的系数矩阵形成移动矩阵•相同行的不同列之间移动，并且此列未到达过•信息素集中在节点•转到下一个节点的代价为下一个节点的系数矩阵值•转移概率并非选择最大节点，有干扰因子•到达一个节点，立即进行节点信息素的更新•所有蚂蚁完成一次觅食，比较次优解，全局信息素的更新C11C21C13C12C22C23C31C33C32Foodnest123图3ACOAP算法模型179/1993ACOAP算法模型-2转移概率。产生随机数，如果，则根据下式，蚂蚁移向概率最大的节点。否则在可选节点中随机选择一个。局部信息素更新。当蚂蚁选择此节点后，立即更新此节点的信息素。全局信息素更新。当所有蚂蚁完成一次觅食后，得到次优解。优于全局最优解，更新全局信息素。,,1,]1[)]([]1[)]([)1(,Crqnimpcncnnpmnamnpqapqpqij)10(0totalpqpqcQ)1()'(,)1(Nnodepqpqpqpq1710/19104演示系统设计主要技术：Swing，Thread1711/19115实验1-1实验目的：得到信息素启发因子，期望值启发因子，干扰因子，蚂蚁数量，局部信息素挥发系数，全局信息素的挥发系数范围规模为10的干扰因子实验设置及结果，10次，迭代次数不同所有实验1712/1912实验1-2干扰因子7007207407607808000.050.100.150.200.250.300.350.400.450.500.550.60平均运行时间11201130114011500.050.100.150.200.250.300.350.400.450.500.550.60平均收敛最优值203040506070800.050.100.150.200.250.300.350.400.450.500.550.60平均迭代次数3800390040004100420043000.050.100.150.200.250.300.350.400.450.500.550.60平均运行时间平均迭代最优值26303438420.050.100.150.200.250.300.350.400.450.500.550.60平均迭代最优值平均迭代次数4050607080900.050.100.150.200.250.300.350.400.450.500.550.60平均迭代次数1450000150000015500001600000165000017000000.050.10.150.20.250.30.350.40.450.50.550.6平均运行时间050010001500200025000.050.10.150.20.250.30.350.40.450.50.550.6平均收敛最优值01002003004005006007008000.050.10.150.20.250.30.350.40.450.50.550.6平均迭代次数16000000165000001700000017500000180000001850000019000000195000000.050.10.150.20.250.30.350.40.450.50.550.6平均运行时间05001000150020002500300035004000450050000.050.10.150.20.250.30.350.40.450.50.550.6平均收敛最优值01002003004005006007000.050.10.150.20.250.30.350.40.450.50.550.6平均迭代次数1713/19135实验1-3信息素启发因子[1,2]，参考文献1期望值启发因子为1，参考文献1局部信息素挥发系数[0.2,0.4]，文献中取0.2全局信息素挥发系数[0.6,0.8]，文献中取0.7干扰因子[0.1,0.2]，文献中取0.35蚂蚁数量，参考文献中的范围nn~22~nn01714/19145实验2实验目的：验证算法的有效性61012961061476781296101417971215784C303540455005101520253035404550迭代次数最优值APACO算法参数设置及结果--》1715/19155实验3与其他算法性能对比238120179175109111229147197201117111157126142170206101172228210198219170225110117103179126217229149177110160167106158222154238197178238221117236234108237128241167172172194114208223168184249114207221156102228163149122110228214141190102163114144115183124155243102199120140149161218106216119102106230204C参数设置及结果--》1100112011401160118012001220124012601280130005101520253035404550迭代次数最优值ACOAP算法文献算法1716/19165实验4实验目的：单线程和多线程对比实验数据为ORLIB的规模为100的数据集，大规模数据集运行时间：单线程：14.57分钟多线程：9.37分钟40045050055060065070075080085001002003004005006007008009001000迭代次数最优值单线程多线程1717/19176结论与展望结论1.深入研究了将改进的蚁群算法应用于企业人力资源的优化配置方案，并通过编程实验进行了实例分析，证明了其有效性。2.为将蚁群算法应用于人力资源优化配置提供了新的思路和具体方法。展望1.获取系数矩阵。可探讨将Web2.0理念和民主评议反馈机制相结合来生成系数矩阵的方法，企业合作，验证其实际效果。2.算法需要改进，大规模数据集，收敛速度慢。1718/1918致谢感谢朴老师对我的耐心指导感谢实验室师兄师姐对我的大力支持感谢各位老师感谢各位同学17Thankyou,Questions?