نویسندگان
1 عضو هیات علمی گروه مهندسی مکانیک دانشگاه گیلان
2 عضو هیئت علمی دانشگاه گیلان
3 دانشگاه گیلان
چکیده
ابهام و عدم قطعیت موجود در ماهیت و محدودیت شناختی ذهن انسان، همواره پیشبینی رفتار و مشخصات ناشناخته سیستمهایی که با انسان سروکار دارند را دشوار میسازد. درنتیجه، پیشبینی در این حوزه، نیازمند ساخت مدلهایی است که ابهام را به عنوان بخشی از سیستم درنظر گرفته و مدلسازی کند. هدف از این مقاله بهره-گیری از هوش مصنوعی و الگوریتمهای بهینهسازی پیشرفته برای مدلسازی کارایی پرسنل است که در این بررسی از متغیرهای هوش هیجانی و ویژگیهای فردی به عنوان ورودی و از سه بعد وظیفهشناسی، دقت در کار و سرعت در کار به عنوان خروجی مدل پیشبینی کارایی امدادگران وگازبانان شرکت گاز استفاده گردیده است. درنهایت، بهمنظور مدلسازی کارایی، با ترکیب الگوریتم ژنتیک و روش تجزیه مقادیر منفرد با سیستم استنتاج فازی عصبی، سیستم بهینهی استنتاج عصبی-فازی تطبیقی بر اساس دادههای واقعی بکار گرفته شد. این سیستم قادر است با وجود پیچیدگی و ناشناخته بودن رفتار در حوزه منابع انسانی، کارایی پرسنل را با حداقل خطای آموزش، حداقل خطای پیشبینی و حداکثر انطباقپذیری با کارایی واقعی پیشبینی نماید بهطوریکه بر اساس الگوریتم معرفی شده، درمورد 84% تا 96% از رکوردهای مورد بررسی، ابعاد کارایی دقیقا برابر با مقدار واقعی پیشبینی میشوند.
کلیدواژهها
عنوان مقاله [English]
Applying Optimized Adaptive Neuro-Fuzzy Inference System to Predict the Personnel Efficiency
نویسنده [English]
- Mahmoud Moradi 2
چکیده [English]
Inherent ambiguity and uncertainty in the nature of human resource because of bounded rationality and cognitive limitations always make difficult to predict behaviors of such complex system. Thus, predicting in this area necessitates modeling approaches to model ambiguity as part of system. The purpose of this study is to apply artificial intelligence and advance optimization algorithms to modeling personnel efficiency. To do so, it uses “Emotional Quotient (EQ)” and “individual characteristics” as input variables and “responsibility”, “work speed” and “work accuracy” as output variables. In order to model personnel efficiency, an Adaptive Neuro-Fuzzy Inference Optimized System (ANFIS) is introduced. This system utilizes genetic algorithm and Singular Value Decomposition (SVD) method. It can predict personnel efficiency with minimum training error, minimum predicting error and maximum adaptability to the real efficiency. It is worth mentioning that, for 84% to 96% of records, the extracted models are the same as the real efficiency.
کلیدواژهها [English]
- Efficiency
- Predicting
- Modeling
- Optimizing
- Adaptive Neuro-Fuzzy Inference Optimized System