Методика отбора сотрудников на руководящие должности оборонных предприятий на основе аппарата нечеткой логики

Размещено на http://www.allbest.ru

Размещено на http://www.allbest.ru

Методика отбора сотрудников на руководящие должности оборонных предприятий на основе аппарата нечеткой логики

Сазонов М.А.

Для достижения требований, предъявляемых к современным системам управления предприятиями и повышения эффективности работы подразделений и служб, активно автоматизируются функции, выполняемые раньше должностными лицами органов управления. В основном автоматизации подвергаются задачи делопроизводства, такие, как ведение персонального учета сотрудников, автоматизированная разработка приказов, штатного расписания, ведение финансовых документов. Для комплексного выполнения указанных задач создаются специализированные прикладные системы, автоматизирующие процесс кадрового делопроизводства. Более современные системы, кроме указанных функций, способны обеспечивать такие задачи, как отбор персонала, аттестация, исследование на профессиональную пригодность. Следует отметить, что все эти системы - как сосредоточенные, так и функционирующие на принципах распределенного преобразования информации, - основаны на моделях представления и манипулирования знаниями [1].

Исследования последних лет в области теории принятия решений привели к использованию в процессе поиска наилучшего решения качественных элементов: понятий и отношений с нечеткими границами, высказываний с многозначной шкалой истинности. Построение моделей принятия решений для задач классификации и ранжирования, имеющих нечеткое словесное описание, оказалось возможным благодаря введению понятий нечеткого множества и лингвистической переменной. Использование нечеткого подхода дает возможность реализовать интеллектуальную поддержку деятельности должностных лиц, ответственных за подготовку и принятие решения о назначении претендентов на должности. Исследования, проведенные в [2, 3], показывают, что учет особенностей социальной группы кандидатов и уровня управленческой иерархии позволяет более точно осуществлять процесс отбора кандидатов на должность руководителя. Для реализации этого требования используем подход, лежащий в основе теории распознавания образов, при котором обучение модели производится на репрезентативной выборке с априорно определенными для каждого объекта образами (классами). Обучение модели адаптировано автором к исследуемой предметной области и включает в себя два этапа:

- структурной оптимизации, позволяющий отобрать из предложенных тестовых методик (параметров) наиболее информативные и наименее коррелированные;

- формирования функций принадлежности, позволяющий реализовать алгоритм нечеткого логического вывода.

Первый этап позволяет обработать информацию, полученную в результате оценивания, с целью подготовки ее к обучению модели. В результате обработки производится отбор наиболее информативного блока данных. В процессе обучения модели осуществляется вычисление значимых параметров и их весовых коэффициентов, формирование базы правил, используемых в алгоритме нечеткого логического вывода, и формирование функций принадлежности, которые в совокупности и являются наиболее значимым результатом обучения (рис. 1).

Рисунок 1 - Алгоритм обучения модели готовности кандидата к эффективному выполнению функций руководителя

должностной кандидат интеллектуальный

Этап структурной оптимизации состоит из:

1. Получения тестовых данных по методик на основе тестирования достаточного количества респондентов.

2. Получения экспертных данных по респондентам выборки.

3. Формирования нового набора значимых параметров на основе регрессионного анализа.

4. Проверки валидности блоков методик, используемых для получения числовых значений .

Этап формирования функций принадлежности.

Известно значительное количество методов построения функций принадлежности нечеткого множества мА(х) на основе экспертных оценок. Выделяют две основные группы: прямые и косвенные методы [3].

Прямые методы характеризуются тем, что эксперт непосредственно задает правила определения значений функции принадлежности мА(х), характеризующей элемент х. Эти значения согласуются с его предпочтениями на множестве элементов Х следующим образом:

1) для любых х1, х2 Х м А(х1)< м А(х2) тогда и только тогда, когда х2 предпочтительнее х1, т.е. в большей степени характеризуется свойством А;

2) для любых х1, х2 Х м А(х1)= м А(х2) тогда и только тогда, когда х1 и х2 безразличны относительно свойства А.

Примером прямых методов является непосредственное задание функции принадлежности таблицей, графиком или формулой. Недостатком этой группы методов является большая доля субъективизма. В косвенных методах значения функции принадлежности выбираются таким образом, чтобы удовлетворить заранее сформулированные условия. Экспертная информация является только исходной информацией для дальнейшей обработки.

Для описания функций принадлежности автор предлагает использовать подход, основанный на косвенном задании функций принадлежности. Наиболее широко используются методы косвенного типа, в основу которых положены [4]:

? парные сравнения;

? экспертные оценки;

? статистические данные;

? параметрическое оценивание.

Для построения функций принадлежности множеств и применен метод, использующий как экспертные оценки, так и статистические данные, сущность которого заключается в вычислении для каждого респондента степеней принадлежности к термам множеств и на основе экспертных оценок и вычислении соответствующих числовых значений на основе тестовых методик. Степень принадлежности к терму множества входных функций вычисляется на основе выражения:

(1)

где с - числовое значений параметра;

ni - количество экспертов, утверждающих, что респондент характеризуется i-м термом;

К - общее количество экспертов.

Каждому респонденту присваивается три степени принадлежности к термам, по каждому из входных значений (рис. 2). Для вычисления степеней принадлежности используются результаты экспертного оценивания, проведенного на первом этапе обучения модели. Очевидно, что сумма степеней принадлежности равна единице.

Рисунок 2 - Формирование функций принадлежности по результатам оценивания одного респондента

Полученные множества точек линейно аппроксимируются. Результатом аппроксимации являются линейно описанные функции принадлежности по всем трем термам каждого нечеткого множества входных переменных (в выборке семь респондентов) (рис. 3).

Недостатками предложенного метода являются необходимость наличия в выборке значений полного диапазона хотя бы двух термов и зависимость точности функций принадлежности от количества респондентов обучающей выборки. К достоинствам метода можно отнести возможность получения более точных экспертных оценок за счет привязки к конкретным объектам и построение функций принадлежности именно для той социальной группы, респонденты которой участвовали в выборке.

Рисунок 3 - Вид функций принадлежности по результатам оценивания всех респондентов

Рисунок 4 - Алгоритм вычисления координат входных функций принадлежности

Кроме того, естественным образом учитывается уровень управленческой иерархии респондентов, участвующих в обучающей выборке, что позволяет не усложнять модель и процесс классификации дополнительными параметрами. Каждый терм множества описывается множеством пар значений координат точек кривой аппроксимации что упрощает машинное представление информации при моделировании (рис. 4).

Формирование выходных функций принадлежности.

При построении выходных функций принадлежности для множества U (уровень готовности эффективно выполнять функции руководителя) целесообразно применить метод, использованный для входных функций. В качестве числового значения уровня готовности U используем среднеарифметическое значение параметров и , полученных для каждого респондента. Сформированные выходные функции принадлежности позволяют реализовать алгоритм нечеткого логического вывода и получить необходимые числовые значения переменных U. Для устранения искажений, внесенных аддитивной сверткой и , построим функции принадлежности повторно, но уже с использованием числовых значений переменной U.

Предложенная методика обеспечивает формирование функций принадлежности с использованием как статистических, так и экспертных данных в совокупности, что позволяет объединить преимущества обоих подходов к их построению. Достоинством описанной автором методики является также комбинация качественной (экспертной) и количественной информации (статистические данные), позволяющей более точно описывать ассоциативное мышление человека и, как следствие, обеспечить более обоснованный отбор сотрудников на руководящие должности.

Литература

1. Попов А. А., Телушкин И. М., Бушуев С. Н. Основы общей теории систем. Часть II. - СПб: ВАС, 1992. - 332 с.

2. Реймаров Г. А. Два подхода к оценке персонала. // Управление персоналом, № 4. - 1999. - с. 31 - 38.

3. Андреев С.В. Кадровый потенциал и проблемы занятости в условиях перехода России к рыночным отношениям. - М.: Институт социологии, 1997. - 205 с.

4. Обработка нечеткой информации в системах принятия решений/ Борисов А.H., Алексеев А.В., Меркурьева Г.В. и др.; под ред. Борисова А.H. - M.: Радио и связь, 1989. - 304 с.

Размещено на Allbest.ru