论文部分内容阅读
摘 要:由于传统智能调度算法存在动态规划不完善的情况,导致运算结果耗时过长,因此研究基于大数据的企业人力资源智能调度算法。此次研究通过基于大数据背景建立动态规划模型,实现企业人力资源动态规划,设计智能调度算法的初始优先级表、基于优先级表提出智能调度算法。实验结果表明:与传统算法相比,此次研究所提出的算法在运算速度上更具优势,平均耗时缩短了7.261s。证明基于优先级表的智能调度算法,能够帮助减少基于大数据的企业人力资源智能调度工作量。
关键词:大数据;人力资源管理;智能调度算法;动态调度;动态规划模型
本文索引:黄辰,刘雪飞.<变量 2>[J].中国商论,2021(19):-141.
中图分类号:F272 文献标识码:A 文章编号:2096-0298(2021)10(a)--03
企业人力资源管理问题,作为一个贯穿企业发展始终的重要问题,在当前大数据时代背景下,企业的人力资源模块,正在不断进行着管理方法上的改革与创新。而这样的变革能够产生的关键,离不开科学技术以及互联网技术日新月异的发展与更新。当前,基于大数据、云平台计算所建立的各类数据库,能够帮助在极短时间内汇总、整合多个单元模块中的多组数据,且能够智能地快速匹配相应的算法,再结合各行业用户的实际情况,不断对数据库进行容量的扩充和算法的更新。企业的人力资源管理工作,在与大数据、云计算这些依托于先进技术所建立的平台相结合后,能在短时间内快速降低工作量,解放人力的同时,还能够有效节约成本,并且能够对驳杂而繁多的数据,进行合理的归纳和整理。基于大数据的多种智能调度算法,搭载这些算法的云平台,再科学应用到人力资源的智能调度方面的工作上。最终目的是帮助企业的财务、人事,以及管理层及时完成对企业人力的智能调度,有助于推进企业的智能化发展。
1 基于大数据的企业人力资源智能调度算法
1.1 基于大数据的企业人力资源动态规划
企业人力资源的相关工作,随着企业的商业化、智能化程度的提升,呈现出了工作量明显降低、资源整合速度明显提高的良好态势。这些改变,均离不开在大数据时代下,逐渐推广普及的智能云平台的应用。一般情况下,平台的计算性能越是卓越,面对海量数据的处理能力就越强。针对这样的现实条件,就需要利用基于大数据的各类数据库,进行对人力资源智能调度的动态规划。受任务规模、先后顺序以及资源消费情况的影响,企业人力资源管理工作,并不存在一个通用的智能调度算法。对此,就要综合企业人力资源调度任务的具体情况,结合动态规划理论,对调度算法中需要进行优化的问题,进行一个以时间为划分因素的阶段性划分,帮助建立企业人力资源动态规划最优策略模型。在企业的人力资源调度工作中,现有的算法也能够做到依据工作现阶段的状态,对下一阶段的工作状态进行确定。进行状态的确定时,我们能够用状态转移方程(Education of state),来展现这种状态推演的规律,该方程为:
(1)
依据(1)的方程,能够进一步对帮助定义整个阶段过程,以及所有后部子过程进行指标推导,指标函数的公式为:
(2)
根据状态转移方程和指标函数的公式,在实际上对人力资源进行调度工作时,就可以通过对状态变量、决策变量自身的特性,确定决策集合,之后代入式(1)的状态转移方程,最后需要确定阶段指标与指标函数之间的是一種怎样的计算形式,并且这些计算形式,包括但不限于该阶段的指标存在极大、极小以及两数之积的情况。这就需要依据具体的企业人力资源调度情况,来得出最优值函数满足的递推方程,完成动态规划模型的建立。
1.2 设计初始优先级表
因为需要结合阶段任务截止期,以及初始优先级这两个参数进行设计。所以需要通过提出新型智能调度算法,制定开展合理运算的实时优先级调度方案,在考虑阶段任务的初始优先级和任务时间约束问题的同时,通过结合优先级表的设计原则,设计智能调度算法优先级表,具体如图1所示。
通过对图1的设计,我们能够发现,上面箭头的指向代表着任务实时优先级从高到低顺序,其中纵轴上的代表阶段任务的相对截止期,横轴上的代表初始优先级,两种参数按先后顺序从下至上排列。结合图1的走向情况,就不得不提到优先级表的设计原则:在某阶段出现了初始优先级和截止期这两个参数都完全相同的任务后,以任务生成的先后顺序来划分任务的实时优先级,并且在距离待执行任务的相对截止期较近,且任务生成时间早于其他任务的,优先级表就会自动提升该任务的实时优先级。结合图1,能够帮助推导出实时优先级的计算公式,其中实时优先级为C,按相对截止期进行排队的任务队列为w,按照初始优先级进行排队的任务队列为q,那么实时优先级公式为:
(3)
依据式(3),能够对任务的实时优先级进行计算,并按优先级表的展示顺序,来对任务的先后执行顺序进行划分。
1.3 基于优先级表的智能调度算法
在企业人力资源的阶段性动态规划工作完成后,在能够建立相关模型的基础上,能够提出基于优先级表模式的智能调度算法。企业人力资源的智能调度因为具有极大的工作分配弹性和非线性,就需要通过借助时间这一参数,对企业人力资源的调度任务进行整合。但是,在特定的任务调度中,任务产生和执行的时间,不能作为除执行任务以外的衡量标准。当前,基于各种模式的人力资源智能调度算法,其在运行过程中,往往存在任务优先级值固定的情况,并没有将运算任务的截止期考虑进去。这样的算法在使用中,就出现了对执行任务中所需执行时间,控制严重不足的情况。为了使基于大数据的智能调度算法,能够更加符合当前时代下企业人力资源管理工作开展的需要。因此需要充分考虑对平台的智能调度算法进行革新,通过对之前已经投入应用的算法优缺点进行总结,进一步提出基于初始优先级表和任务截止期的算法设计[7-8]。最终目的是帮助确定各阶段任务的实时优先级,解决其他算法经常出现的优先级固定、所需执行时间的约束严重不足的问题。在本文提出的算法中,应假设一个实时计算任务请求R,那么其顺序为: (4)
在式(4)中,i代表等待被执行的实时任务编号,代表实时任务的生成时间,表示该任务排队等待被执行时,所需等待的最长时间,该数值由企业人数、业务量等情况来决定。而代表任务截止期,代表任务的初始优先级,数值越小该任务的初始优先级就越高。之后将当前时间假设为s,那么实时任务的相对截止期满足式(5):
(5)
依据式(5),我们能够明确地计算出,实时任务的相对截止期,会随着时间的推移慢慢减小数值,这代表着其任务优先级会随时间的增加而增加。
2 实验研究
通过实验,将本文提出的人力资源智能调度算法作为实验组,以传统算法作为对照组,比较两种算法在运算时的所耗时长。图2为仿真测试软件所搭建的基本测试环境。
如图2所示,该仿真测试环境是一个尺寸为100m*100m正方形划区。其中位于图2中心的矩形,代表着该基本测试环境的中心节点。其他的正方形为普通节点。此次实验,将本文提出的算法和传统算法的数据分别带入到该仿真环境当中。实验组按照距三角形中心节点的远近来进行编号,对照组按照阶段任务的顺序,来进行编号。两种算法在完成了所安排的全部编号工作后,就开始对阶段任务的相关数据,分别进行数据融合,图2为两个测试组,对阶段任务数据的融合效果。
依據图3的数据代入情况,能够就最终生成的任务数据融合树中看出,本文提出的智能调度算法,与传统算法相比,运算性能和融合效果都更加优越。但为保证仿真测试结果更加可靠,再进行20组数据运算实验,实验数据如表1所示。
根据表1中的数据运算结果可知,在20阶段次数据融合测试下,实验组的平均耗时,相较于对照组的平均耗时缩短了7.261s。由该结果可知,本文提出的智能调度算法,相较于传统智能调度算法,能够有效地缩短对阶段任务数据进行融合与计算的所需时长,基于优先级表的人力资源智能调度算法,在性能上更加卓越。
3 结语
此次研究对基于大数据时代背景下,企业人力资源智能调度算法进行了创新设计,提出了基于优先级表的新型智能调度算法,并与传统的智能调度算法进行了耗时对比实验,加强了算法的融合逻辑,并取得了极佳的效果。但本次研究还存在诸多不足之处,应在未来的智能算法研究过程中,以本文研究作为依托,优化对相关算法的创新。
参考文献
丰景春,赵文静,丰慧,等. 基于混合粒子群算法的项目群工期压缩模型研究[J]. 科技管理研究,2020,40(10):228-237.
袁欣,方晓成. 大数据时代企业人力资源绩效管理创新[J]. 现代营销(下旬刊),2019(2):173.
王婷,卫少鹏,周彤. 智能调度的研究现状及前沿[J]. 物流科技,2019,42(11):5-9.
王超. 大规模异构传感通信大数据智能调度仿真[J]. 计算机仿真,2019,36(4):445-448+473.
王洋. 基于云计算和物联网的跨区域农机智能调度体系架构研究[J]. 自动化技术与应用,2019,38(10):159-161+176.
陈江兴, 梁良, 付俊峰,等. 基于大数据的智能电网数据调度与快速分发方法研究[J]. 电测与仪表, 2020, 057(6):88-93.
陈颖文.基于大数据的企业人力资源配置研究[J]. 环球市场, 2019(24):50.
杜晓明,王福帅. 基于大数据时代探究企业人力资源管理变革[J]. 中国商论, 2020(23):123-124.
Research on Intelligent Scheduling Algorithm of Enterprise Human Resources
Based on Big Data
Yunnan Technology and Business University HUANG Chen LIU Xuefei
Abstract: Because the traditional intelligent scheduling algorithm has imperfect dynamic programming, which leads to time-consuming calculation results, this study is based on the big data’s intelligent scheduling algorithm of enterprise human resources. In this study, dynamic programming model is established based on the background of big data, and it implements dynamic programming of enterprise human resources, designs the initial priority table of intelligent scheduling algorithm, and comes up with intelligent scheduling algorithm based on priority table. Experimental results show that compared with the traditional algorithm, the proposed algorithm has more advantages in terms of computing speed, shortening 7.261s on average. It is proved that the intelligent scheduling algorithm based on priority table can help reduce the workload of intelligent scheduling of enterprise human resources based on big data.
Keywords: big data; human resource management; intelligent scheduling algorithm; dynamic scheduling; dynamic programming model
关键词:大数据;人力资源管理;智能调度算法;动态调度;动态规划模型
本文索引:黄辰,刘雪飞.<变量 2>[J].中国商论,2021(19):-141.
中图分类号:F272 文献标识码:A 文章编号:2096-0298(2021)10(a)--03
企业人力资源管理问题,作为一个贯穿企业发展始终的重要问题,在当前大数据时代背景下,企业的人力资源模块,正在不断进行着管理方法上的改革与创新。而这样的变革能够产生的关键,离不开科学技术以及互联网技术日新月异的发展与更新。当前,基于大数据、云平台计算所建立的各类数据库,能够帮助在极短时间内汇总、整合多个单元模块中的多组数据,且能够智能地快速匹配相应的算法,再结合各行业用户的实际情况,不断对数据库进行容量的扩充和算法的更新。企业的人力资源管理工作,在与大数据、云计算这些依托于先进技术所建立的平台相结合后,能在短时间内快速降低工作量,解放人力的同时,还能够有效节约成本,并且能够对驳杂而繁多的数据,进行合理的归纳和整理。基于大数据的多种智能调度算法,搭载这些算法的云平台,再科学应用到人力资源的智能调度方面的工作上。最终目的是帮助企业的财务、人事,以及管理层及时完成对企业人力的智能调度,有助于推进企业的智能化发展。
1 基于大数据的企业人力资源智能调度算法
1.1 基于大数据的企业人力资源动态规划
企业人力资源的相关工作,随着企业的商业化、智能化程度的提升,呈现出了工作量明显降低、资源整合速度明显提高的良好态势。这些改变,均离不开在大数据时代下,逐渐推广普及的智能云平台的应用。一般情况下,平台的计算性能越是卓越,面对海量数据的处理能力就越强。针对这样的现实条件,就需要利用基于大数据的各类数据库,进行对人力资源智能调度的动态规划。受任务规模、先后顺序以及资源消费情况的影响,企业人力资源管理工作,并不存在一个通用的智能调度算法。对此,就要综合企业人力资源调度任务的具体情况,结合动态规划理论,对调度算法中需要进行优化的问题,进行一个以时间为划分因素的阶段性划分,帮助建立企业人力资源动态规划最优策略模型。在企业的人力资源调度工作中,现有的算法也能够做到依据工作现阶段的状态,对下一阶段的工作状态进行确定。进行状态的确定时,我们能够用状态转移方程(Education of state),来展现这种状态推演的规律,该方程为:
(1)
依据(1)的方程,能够进一步对帮助定义整个阶段过程,以及所有后部子过程进行指标推导,指标函数的公式为:
(2)
根据状态转移方程和指标函数的公式,在实际上对人力资源进行调度工作时,就可以通过对状态变量、决策变量自身的特性,确定决策集合,之后代入式(1)的状态转移方程,最后需要确定阶段指标与指标函数之间的是一種怎样的计算形式,并且这些计算形式,包括但不限于该阶段的指标存在极大、极小以及两数之积的情况。这就需要依据具体的企业人力资源调度情况,来得出最优值函数满足的递推方程,完成动态规划模型的建立。
1.2 设计初始优先级表
因为需要结合阶段任务截止期,以及初始优先级这两个参数进行设计。所以需要通过提出新型智能调度算法,制定开展合理运算的实时优先级调度方案,在考虑阶段任务的初始优先级和任务时间约束问题的同时,通过结合优先级表的设计原则,设计智能调度算法优先级表,具体如图1所示。
通过对图1的设计,我们能够发现,上面箭头的指向代表着任务实时优先级从高到低顺序,其中纵轴上的代表阶段任务的相对截止期,横轴上的代表初始优先级,两种参数按先后顺序从下至上排列。结合图1的走向情况,就不得不提到优先级表的设计原则:在某阶段出现了初始优先级和截止期这两个参数都完全相同的任务后,以任务生成的先后顺序来划分任务的实时优先级,并且在距离待执行任务的相对截止期较近,且任务生成时间早于其他任务的,优先级表就会自动提升该任务的实时优先级。结合图1,能够帮助推导出实时优先级的计算公式,其中实时优先级为C,按相对截止期进行排队的任务队列为w,按照初始优先级进行排队的任务队列为q,那么实时优先级公式为:
(3)
依据式(3),能够对任务的实时优先级进行计算,并按优先级表的展示顺序,来对任务的先后执行顺序进行划分。
1.3 基于优先级表的智能调度算法
在企业人力资源的阶段性动态规划工作完成后,在能够建立相关模型的基础上,能够提出基于优先级表模式的智能调度算法。企业人力资源的智能调度因为具有极大的工作分配弹性和非线性,就需要通过借助时间这一参数,对企业人力资源的调度任务进行整合。但是,在特定的任务调度中,任务产生和执行的时间,不能作为除执行任务以外的衡量标准。当前,基于各种模式的人力资源智能调度算法,其在运行过程中,往往存在任务优先级值固定的情况,并没有将运算任务的截止期考虑进去。这样的算法在使用中,就出现了对执行任务中所需执行时间,控制严重不足的情况。为了使基于大数据的智能调度算法,能够更加符合当前时代下企业人力资源管理工作开展的需要。因此需要充分考虑对平台的智能调度算法进行革新,通过对之前已经投入应用的算法优缺点进行总结,进一步提出基于初始优先级表和任务截止期的算法设计[7-8]。最终目的是帮助确定各阶段任务的实时优先级,解决其他算法经常出现的优先级固定、所需执行时间的约束严重不足的问题。在本文提出的算法中,应假设一个实时计算任务请求R,那么其顺序为: (4)
在式(4)中,i代表等待被执行的实时任务编号,代表实时任务的生成时间,表示该任务排队等待被执行时,所需等待的最长时间,该数值由企业人数、业务量等情况来决定。而代表任务截止期,代表任务的初始优先级,数值越小该任务的初始优先级就越高。之后将当前时间假设为s,那么实时任务的相对截止期满足式(5):
(5)
依据式(5),我们能够明确地计算出,实时任务的相对截止期,会随着时间的推移慢慢减小数值,这代表着其任务优先级会随时间的增加而增加。
2 实验研究
通过实验,将本文提出的人力资源智能调度算法作为实验组,以传统算法作为对照组,比较两种算法在运算时的所耗时长。图2为仿真测试软件所搭建的基本测试环境。
如图2所示,该仿真测试环境是一个尺寸为100m*100m正方形划区。其中位于图2中心的矩形,代表着该基本测试环境的中心节点。其他的正方形为普通节点。此次实验,将本文提出的算法和传统算法的数据分别带入到该仿真环境当中。实验组按照距三角形中心节点的远近来进行编号,对照组按照阶段任务的顺序,来进行编号。两种算法在完成了所安排的全部编号工作后,就开始对阶段任务的相关数据,分别进行数据融合,图2为两个测试组,对阶段任务数据的融合效果。
依據图3的数据代入情况,能够就最终生成的任务数据融合树中看出,本文提出的智能调度算法,与传统算法相比,运算性能和融合效果都更加优越。但为保证仿真测试结果更加可靠,再进行20组数据运算实验,实验数据如表1所示。
根据表1中的数据运算结果可知,在20阶段次数据融合测试下,实验组的平均耗时,相较于对照组的平均耗时缩短了7.261s。由该结果可知,本文提出的智能调度算法,相较于传统智能调度算法,能够有效地缩短对阶段任务数据进行融合与计算的所需时长,基于优先级表的人力资源智能调度算法,在性能上更加卓越。
3 结语
此次研究对基于大数据时代背景下,企业人力资源智能调度算法进行了创新设计,提出了基于优先级表的新型智能调度算法,并与传统的智能调度算法进行了耗时对比实验,加强了算法的融合逻辑,并取得了极佳的效果。但本次研究还存在诸多不足之处,应在未来的智能算法研究过程中,以本文研究作为依托,优化对相关算法的创新。
参考文献
丰景春,赵文静,丰慧,等. 基于混合粒子群算法的项目群工期压缩模型研究[J]. 科技管理研究,2020,40(10):228-237.
袁欣,方晓成. 大数据时代企业人力资源绩效管理创新[J]. 现代营销(下旬刊),2019(2):173.
王婷,卫少鹏,周彤. 智能调度的研究现状及前沿[J]. 物流科技,2019,42(11):5-9.
王超. 大规模异构传感通信大数据智能调度仿真[J]. 计算机仿真,2019,36(4):445-448+473.
王洋. 基于云计算和物联网的跨区域农机智能调度体系架构研究[J]. 自动化技术与应用,2019,38(10):159-161+176.
陈江兴, 梁良, 付俊峰,等. 基于大数据的智能电网数据调度与快速分发方法研究[J]. 电测与仪表, 2020, 057(6):88-93.
陈颖文.基于大数据的企业人力资源配置研究[J]. 环球市场, 2019(24):50.
杜晓明,王福帅. 基于大数据时代探究企业人力资源管理变革[J]. 中国商论, 2020(23):123-124.
Research on Intelligent Scheduling Algorithm of Enterprise Human Resources
Based on Big Data
Yunnan Technology and Business University HUANG Chen LIU Xuefei
Abstract: Because the traditional intelligent scheduling algorithm has imperfect dynamic programming, which leads to time-consuming calculation results, this study is based on the big data’s intelligent scheduling algorithm of enterprise human resources. In this study, dynamic programming model is established based on the background of big data, and it implements dynamic programming of enterprise human resources, designs the initial priority table of intelligent scheduling algorithm, and comes up with intelligent scheduling algorithm based on priority table. Experimental results show that compared with the traditional algorithm, the proposed algorithm has more advantages in terms of computing speed, shortening 7.261s on average. It is proved that the intelligent scheduling algorithm based on priority table can help reduce the workload of intelligent scheduling of enterprise human resources based on big data.
Keywords: big data; human resource management; intelligent scheduling algorithm; dynamic scheduling; dynamic programming model