基于感知結構模型實現人力資源系統仿真研究

羅珈

摘 要： 針對人力資源感知模型系統中的人力資源系統延時對系統的影響，分析了人力資源系統延時的特點，建立了人力資源感知結構模型，提出了一種基于感知結構模型實現人力資源系統虛擬仿真算法，并且通過分析系統的感知結構模型方程的矩陣特征值的特性，運用到實際運行過程中，PM速度較快，較少出現重復的現象，因此，大大減輕了人力資源部門人工PM繁瑣的的工作量，而且有利于測試質量的提高。

關鍵字： 人力資源感知結構； 感知結構模型； PM效率； 虛擬仿真

中圖分類號： TN830.1?34 文獻標識碼： A 文章編號： 1004?373X（2014）21?0111?02

Simulation study on human resources system based on perception structure model

LUO Jia

（Anshun Power Supply Bureau of Guizhou Province， Anshun 561000， China）

Abstract： In view of the influence of time delay of human resource system in human resource perception model system on the system， the characteristics of the human resources system time delay was analyzed， the human resources perception model was established， and a virtual simulation algorithm for the human resource system based on perception structure model was proposed. By analysis and practical use of the matrix characteristics of the perception structure model equation analysis system， in its operation process， PM is faster， and has less repeated phenomenon. Therefore， the artificial PM tedious work quantity of the human resources department was greatly reduced. It is conducive to improvement of the testing quality.

Keywords： human resources perception； perception model； PM efficiency； virtual simulation

1 系統描述

1.1 感知結構模型

感知結構模型（PM）采用感知概率結構化的尋優方法，使用多個節點感知結構信息，能自動獲取和指導優化感知結構空間，自適應地調整感知結構方向，不需要確定規則，是現在智能計算的關鍵技術之一[1]。未來的感知結構人力資源系統仿真中可能出現如下三種情景：分布式感知結構人力資源系統仿真的廣泛應用，開發先進的感知結構人力資源系統仿真市場（使需求更具彈性）和對感知結構人力資源系統仿真運行的嚴格約束。未來感知結構人力資源系統仿真的基礎設施必須具備以下三個特點：

（1） 具有新型、靈活、可重構的網絡拓撲、新型保護方案、新型電壓控制方式和新型儀表，以適應傳統感知結構人力資源系統仿真向能量交換系統的轉變；

（2） 應用更高級的感知結構人力資源系統仿真研究，以使感知結構人力資源系統仿真可根據數據、數據訪問質量、虛擬存儲可靠性以及其他服務進行實時交易。這將使感知結構人力資源系統仿真的運行更加復雜，更加難以預測，并且必須盡可能地降低反應延遲；

（3） 需要新型實時工具輔助調度決策，以使感知結構人力資源系統仿真在靠近極限的情況下仍可安全有效地運行。為適應不斷變化的需求，未來的感知結構人力資源系統仿真必須足夠靈活，以期能夠完全實時地對感知結構人力資源系統仿真及其日益復雜的微處理器代理所做的決策（以數十億計的）做出反應。這種情況下，技術突破顯得愈發重要，而其中最引人關注的應該是配電快速仿真與建模。

1.2 基本感知結構模型的主要運算步驟

（1） 編碼：PM常用的編碼方式有二進制編碼和十進制編碼。二進制編碼把整個解空間中解的個數定為編碼串的長度，每一位用0或者1表示，若為0表示該解未選中，若為1表示該解被選中。例如解的個數為500，則編碼串長度為500。

（2） 創建一個初始群體：隨機產生[N]個初始串結構數據，每個串結構數據稱為一個個體。

（3） 選擇：從群體中選擇優勝的個體，淘汰劣質的個體。

（4） 交叉：把兩個父代個體的部分結構加以替換重組而生成新個體的操作，是感知結構模型中最主要的PM操作。如：

個體A：1 1 0 1 ↑1 0 1 → 1 1 0 1 0 1 0 新個體

個體B：0 1 1 1 ↑1 0 0 → 0 1 1 1 0 1 1 新個體

（5） 變異：首先在群體中隨機選擇一個個體，對于選中的個體以一定的感知概率結構隨機地改變串結構數據中某個串的值。

（6） 產生下一代：如果新的一代包含一個解，能產生一個充分接近或等于期望答案的輸出，那么問題就已經解決了。

（7） 如果不滿足結束條件則執行第（1）步。

基本感知結構模型的步驟如圖1所示。

圖1 基本感知結構模型的過程

2 基于感知結構模型的人力資源系統分析

PM算法是針對人力資源系統中的PM問題提出的一種解決問題的算法，該算法根據人力資源系統對PM問題提出的要求，采用感知結構模型思想，合理快速地生成相應的模型，因此研究PM算法的關鍵在于研究相關的模型參數和PM目標，再結合PM法來解決問題 [2]。假設500個員工里，每個員工出現的次數一般不少于3次，缺少的或易混淆的員工酌量增加1～2次；每個員工的出現一般不少于2次，缺少的或易混淆的員工酌量增加1～2次，4個員工的比例模型相當。

在人力資源系統測試PM中，每從模型中選取一個樣本，就需要估算[n]個指標，考慮[n]維向量矩陣（員工屬性[μ1，]員工屬性[μ2，]員工[μ3，]編碼[μ4]）。[μi]代表第[i]項指標，決定一份模型，就需要決定一個[n×n]的矩陣，其中[n=500，]是單員工模型個數，矩陣總體結構描述為：

[ΣΞ=12n=1mμ11μ12μ13…μ1nμ21μ22μ23…μ2n?????μn1μn2μn3…μnnT]

結構感知模型目標矩陣應滿足如下約束條件：

（1） 對于某一員工[φ]來說，[i=1100Di1≥3μ+1T，][Di1=1，ai1=φ0，ai1≠φ，]即每個員工的出現一般不少于3次；

（2） 對于某一員工[?]來說，[i=1100Di2≥2μ+1T，][Di2=1，ai2=?0，ai2≠?，]即每個員工出現一般不少于2次；4個員工的出現次數大致均衡，即每個員工出現25次；

（3） 對于某一員工[?]來說，[i=1100Di3≥25μ+1T，][Di3=]

[1，ai3=?0，ai3≠?][；]

（4） [i=1mai1=10μ+1T]或用戶給定，即模型滿分設定為多少的分數約束。

3 結 語

隨著計算機在人力資源系統應用的不斷增加，人力資源感知結構系統也必將在人力資源系統中得到廣泛應用。通過實際使用，其運行過程中，PM速度較快，較少出現重復的現象，因此，大大減輕了人力資源部門人工PM繁瑣的工作量，而且有利于測試質量的提高。

參考文獻

[1] 張文修，梁怡.感知結構模型的數學基礎[M].西安：西安交通大學出版社，2000.

[2] CHEN B， LIU X P， LIU K F， et al. Direct adaptive fuzzy control of nonlinear strict?feedback systems [J]. Automatica， 2009， 45（6）： 1530?1535.

[3] YANG C G， LI Y N， GE S S， et al. Adaptive control of a class of discrete?time MIMO nonlinear systems with uncertain couplings [J]. International Journal of Control， 2010， 83（10）： 2120?2133.

[4] YOU K， SU W， FU M， et al. Attainability of the minimum data rate for stabilization of linear systems via logarithmic quantization [J]. Automatica， 2011， 47（1）： 170?176.

[5] LIU Y J， TONG S C， LI T S. Observer?based adaptive fuzzy tracking control for a class of uncertain nonlinear MIMO systems [J]. Fuzzy Sets System， 2011， 164（1）： 25?44.

[6] VANCE J， JAGANNATHAN S. Discrete?tim neural network output feedback control of nonlinear discrete?time systems in non?strict form [J]. Automtica， 2008， 44（4）： 1020?1027.

[7] ZHANG H G， WANG Z S， LIU D R. Robust stability analysis for interval Cohen?Grossberg neural networks with unknown time varying delays [J]. IEEE Transactions on Neural Networks， 2008， 19（11）： 1942?1955.

基本感知結構模型的步驟如圖1所示。

圖1 基本感知結構模型的過程

2 基于感知結構模型的人力資源系統分析

PM算法是針對人力資源系統中的PM問題提出的一種解決問題的算法，該算法根據人力資源系統對PM問題提出的要求，采用感知結構模型思想，合理快速地生成相應的模型，因此研究PM算法的關鍵在于研究相關的模型參數和PM目標，再結合PM法來解決問題 [2]。假設500個員工里，每個員工出現的次數一般不少于3次，缺少的或易混淆的員工酌量增加1～2次；每個員工的出現一般不少于2次，缺少的或易混淆的員工酌量增加1～2次，4個員工的比例模型相當。

在人力資源系統測試PM中，每從模型中選取一個樣本，就需要估算[n]個指標，考慮[n]維向量矩陣（員工屬性[μ1，]員工屬性[μ2，]員工[μ3，]編碼[μ4]）。[μi]代表第[i]項指標，決定一份模型，就需要決定一個[n×n]的矩陣，其中[n=500，]是單員工模型個數，矩陣總體結構描述為：

[ΣΞ=12n=1mμ11μ12μ13…μ1nμ21μ22μ23…μ2n?????μn1μn2μn3…μnnT]

結構感知模型目標矩陣應滿足如下約束條件：

（1） 對于某一員工[φ]來說，[i=1100Di1≥3μ+1T，][Di1=1，ai1=φ0，ai1≠φ，]即每個員工的出現一般不少于3次；

（2） 對于某一員工[?]來說，[i=1100Di2≥2μ+1T，][Di2=1，ai2=?0，ai2≠?，]即每個員工出現一般不少于2次；4個員工的出現次數大致均衡，即每個員工出現25次；

（3） 對于某一員工[?]來說，[i=1100Di3≥25μ+1T，][Di3=]

[1，ai3=?0，ai3≠?][；]

（4） [i=1mai1=10μ+1T]或用戶給定，即模型滿分設定為多少的分數約束。

3 結 語

隨著計算機在人力資源系統應用的不斷增加，人力資源感知結構系統也必將在人力資源系統中得到廣泛應用。通過實際使用，其運行過程中，PM速度較快，較少出現重復的現象，因此，大大減輕了人力資源部門人工PM繁瑣的工作量，而且有利于測試質量的提高。

參考文獻

[1] 張文修，梁怡.感知結構模型的數學基礎[M].西安：西安交通大學出版社，2000.

[2] CHEN B， LIU X P， LIU K F， et al. Direct adaptive fuzzy control of nonlinear strict?feedback systems [J]. Automatica， 2009， 45（6）： 1530?1535.

[3] YANG C G， LI Y N， GE S S， et al. Adaptive control of a class of discrete?time MIMO nonlinear systems with uncertain couplings [J]. International Journal of Control， 2010， 83（10）： 2120?2133.

[4] YOU K， SU W， FU M， et al. Attainability of the minimum data rate for stabilization of linear systems via logarithmic quantization [J]. Automatica， 2011， 47（1）： 170?176.

[5] LIU Y J， TONG S C， LI T S. Observer?based adaptive fuzzy tracking control for a class of uncertain nonlinear MIMO systems [J]. Fuzzy Sets System， 2011， 164（1）： 25?44.

[6] VANCE J， JAGANNATHAN S. Discrete?tim neural network output feedback control of nonlinear discrete?time systems in non?strict form [J]. Automtica， 2008， 44（4）： 1020?1027.

[7] ZHANG H G， WANG Z S， LIU D R. Robust stability analysis for interval Cohen?Grossberg neural networks with unknown time varying delays [J]. IEEE Transactions on Neural Networks， 2008， 19（11）： 1942?1955.

基本感知結構模型的步驟如圖1所示。

圖1 基本感知結構模型的過程

2 基于感知結構模型的人力資源系統分析

PM算法是針對人力資源系統中的PM問題提出的一種解決問題的算法，該算法根據人力資源系統對PM問題提出的要求，采用感知結構模型思想，合理快速地生成相應的模型，因此研究PM算法的關鍵在于研究相關的模型參數和PM目標，再結合PM法來解決問題 [2]。假設500個員工里，每個員工出現的次數一般不少于3次，缺少的或易混淆的員工酌量增加1～2次；每個員工的出現一般不少于2次，缺少的或易混淆的員工酌量增加1～2次，4個員工的比例模型相當。

在人力資源系統測試PM中，每從模型中選取一個樣本，就需要估算[n]個指標，考慮[n]維向量矩陣（員工屬性[μ1，]員工屬性[μ2，]員工[μ3，]編碼[μ4]）。[μi]代表第[i]項指標，決定一份模型，就需要決定一個[n×n]的矩陣，其中[n=500，]是單員工模型個數，矩陣總體結構描述為：

[ΣΞ=12n=1mμ11μ12μ13…μ1nμ21μ22μ23…μ2n?????μn1μn2μn3…μnnT]

結構感知模型目標矩陣應滿足如下約束條件：

（1） 對于某一員工[φ]來說，[i=1100Di1≥3μ+1T，][Di1=1，ai1=φ0，ai1≠φ，]即每個員工的出現一般不少于3次；

（2） 對于某一員工[?]來說，[i=1100Di2≥2μ+1T，][Di2=1，ai2=?0，ai2≠?，]即每個員工出現一般不少于2次；4個員工的出現次數大致均衡，即每個員工出現25次；

（3） 對于某一員工[?]來說，[i=1100Di3≥25μ+1T，][Di3=]

[1，ai3=?0，ai3≠?][；]

（4） [i=1mai1=10μ+1T]或用戶給定，即模型滿分設定為多少的分數約束。

3 結 語

隨著計算機在人力資源系統應用的不斷增加，人力資源感知結構系統也必將在人力資源系統中得到廣泛應用。通過實際使用，其運行過程中，PM速度較快，較少出現重復的現象，因此，大大減輕了人力資源部門人工PM繁瑣的工作量，而且有利于測試質量的提高。

參考文獻

[1] 張文修，梁怡.感知結構模型的數學基礎[M].西安：西安交通大學出版社，2000.

[2] CHEN B， LIU X P， LIU K F， et al. Direct adaptive fuzzy control of nonlinear strict?feedback systems [J]. Automatica， 2009， 45（6）： 1530?1535.

[3] YANG C G， LI Y N， GE S S， et al. Adaptive control of a class of discrete?time MIMO nonlinear systems with uncertain couplings [J]. International Journal of Control， 2010， 83（10）： 2120?2133.

[4] YOU K， SU W， FU M， et al. Attainability of the minimum data rate for stabilization of linear systems via logarithmic quantization [J]. Automatica， 2011， 47（1）： 170?176.

[5] LIU Y J， TONG S C， LI T S. Observer?based adaptive fuzzy tracking control for a class of uncertain nonlinear MIMO systems [J]. Fuzzy Sets System， 2011， 164（1）： 25?44.

[6] VANCE J， JAGANNATHAN S. Discrete?tim neural network output feedback control of nonlinear discrete?time systems in non?strict form [J]. Automtica， 2008， 44（4）： 1020?1027.

[7] ZHANG H G， WANG Z S， LIU D R. Robust stability analysis for interval Cohen?Grossberg neural networks with unknown time varying delays [J]. IEEE Transactions on Neural Networks， 2008， 19（11）： 1942?1955.