Россия
В условиях изменяющейся среды и неточности информации трудно получить однозначный ответ о качестве кандидата на должность, основываясь только на результатах просмотра анкет соискателя. Вследствие этого в последнее время при отборе персонала появляется тенденция использования методов мягких вычислений, включающих нейронные сети, нечеткую логику и эволюционные вычисления. В статье приводится решение задачи по отбору персонала для фирмы, разрабатывающей программное обеспечение, с помощью мягких вычислений. В качестве входных переменных соискателе на должность в такой организации выбраны следующие: возраст, образование, опыт работы, знание иностранного языка, обладание специальными навыками в программировании, умение работать в команде. Для количественной оценки качества кандидата используется нейронечеткая система типа ANFIS (Adaptive Network-Based Fuzzy Inference System). Идея нейронечетких систем заключается в определении параметров нечетких систем посредством методов обучения, применяемых в нейронных сетях. Самое важное достоинство этой системы заключается в автоматическом создании базы правил. После завершения обучения формируется оценка качества кандидата в виде балльной оценки по 10-балльной шкале. Кроме этого, выводится уравнение регрессии, которое связывает качество кандидата с входными переменными. Данные о степени годности соискателя, полученные по уравнению регрессию, достаточно близки к результатам, найденным с помощью системы ANFIS, поэтому для экспресс-оценки можно применять такое уравнение.
отбор персонала, мягкие вычисления, нейронные сети, нечеткая логика, нейронечеткие системы.
Для каждого предприятия залогом успешного функционирования являются ресурсы, включающие финансы, сырье, оборудование и персонал.
1. Khorami M., Ehsani R. Application of Multi Criteria Decision Making approaches for personnel selection problem: A survey. Int. Journ. of Engineering Research and Applications, 2015, vol. 5, no. 5, pp. 14-29.
2. Afshari A., Nikoli M., Сoсkalo D. Аpplications of fuzzy decision making for personnel selection problem - a review. Journ. of Engineering Management and Competitiveness, 2014, vol. 4, no. 2, pp. 68-77.
3. Drigas A., Kouremenos S., Vrettos S. An expert system for job matching of the unemployed. Expert Systems with Applications, 2004, vol. 26, pp. 217-224.
4. Kaynak S., Evirgen H., Kaynak B. Adaptive neuro-fuzzy inference system in predicting the success of student’s in a particular course. Int. Journ. of Computer Theory and Engineering, 2015, vol. 7, no. 1, pp. 34-39.
5. Chen C.T. Extensions of the TOPSIS for group decisionmaking under fuzzy environment. Fuzzy Sets and Systems, 2000, vol. 114, no.1, pp. 1-9.
6. Huang L.C., Huang K.S., Huang H.P., Jaw B.S., 2004. Applying fuzzy neural network in human resource selection system. IEEE Annual Meeting of the Fuzzy Information. Processing NAFIPS ‘04, 2004, vol. 1, рр. 108-116.
7. Dejiang W. Extension of TOPSIS Method for R and D Personnel Selection Problem with Interval Grey Number. Proceedings of the MASS ‘09 International Conference on Management and Service Science, 2009, Wuhan, China, pp. 1-4.
8. Dursun M., Karsak E. A fuzzy MCDM approach for personnel selection. Expert Systems with Applications, 2010, vol. 37, no. 6, pp. 4324-4330.
9. Rouyendegh B.D., Erkan T.E. An application of the fuzzy ELECTRE method for academic staff selection. Human Factors and Ergonomics in Manufacturing and Service Industries, 2013, vol. 23, no.2, pp. 107-115.
10. Заде Л.А. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных интеллектуальных систем [Текст] / Л.А. Заде // Новости искусственного интеллекта. - 2001. - № 2-3. - С. 7-11.
11. Jang J-S. R., Sun C-T., Mizutani E. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice-Hall, 1997, 640 p.
12. Mewada K.M., Sinhal A., Verma B. Adaptive neuro-fuzzy inference system (ANFIS) based software evaluation. Int. Journ. of Computer Science Issues, 2013, vol. 10, no. 1, pp. 244-250.
13. Abbasi A., Asgari M. Supplier selection using adaptive neurofuzzy inference system and fuzzy delphi. Int. Journ. of Operations and Logistics Management, 2014, vol. 3, no.4, pp. 351-371.
14. Saghati A., Zadkarim S., Emari H. Employee commitment prediction in civil projects using adaptive neuro-fuzzy inference system. Journ. of Current Research in Science, 2016, vol. 2, pp. 326-337.
