蚁群算法在人力资源优化配置中的应用研究.ppt
17,蚁群算法在人力资源优化配置中的应用研究,17,2/19,2,主要内容,指派问题模型和研究现状基本蚁群算法改进的蚁群算法（APACO）演示系统设计实验分析结论,17,3/19,3,1-1 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。,17,4/19,4,1-2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：,17,5/19,5,2-1蚁群算法概述,nest,food,蚁群算法(Ant Colony Algorithm)是由意大利学者Dorigo M，Colorni A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,17,6/19,6,2-2 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（traveling salesman problem,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2 TSP模型,17,7/19,7,2-3 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,17,8/19,8,3 ACOAP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,图3 ACOAP算法模型,17,9/19,9,3 ACOAP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。,17,10/19,10,4 演示系统设计,主要技术：Swing，Thread,17,11/19,11,5 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,17,12/19,12,实验1-2干扰因子,17,13/19,13,5 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,17,14/19,14,5 实验2,实验目的：验证算法的有效性,参数设置及结果-,17,15/19,15,5 实验3,与其他算法性能对比,参数设置及结果-,17,16/19,16,5 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,17,17/19,17,6 结论与展望,结论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。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。算法需要改进，大规模数据集，收敛速度慢。,17,18/19,18,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,17,Thank you,Questions?,
