前言：本站為你精心整理了企業人力資源智能調度算法研究范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要：由于傳統智能調度算法存在動態規劃不完善的情況，導致運算結果耗時過長，因此研究基于大數據的企業人力資源智能調度算法。此次研究通過基于大數據背景建立動態規劃模型，實現企業人力資源動態規劃，設計智能調度算法的初始優先級表、基于優先級表提出智能調度算法。實驗結果表明：與傳統算法相比，此次研究所提出的算法在運算速度上更具優勢，平均耗時縮短了7.261s。證明基于優先級表的智能調度算法，能夠幫助減少基于大數據的企業人力資源智能調度工作量。

關鍵詞：大數據；人力資源管理；智能調度算法；動態調度；動態規劃模型

企業人力資源管理問題，作為一個貫穿企業發展始終的重要問題，在當前大數據時代背景下，企業的人力資源模塊，正在不斷進行著管理方法上的改革與創新。而這樣的變革能夠產生的關鍵，離不開科學技術以及互聯網技術日新月異的發展與更新。當前，基于大數據、云平臺計算所建立的各類數據庫，能夠幫助在極短時間內匯總、整合多個單元模塊中的多組數據，且能夠智能地快速匹配相應的算法，再結合各行業用戶的實際情況，不斷對數據庫進行容量的擴充和算法的更新。企業的人力資源管理工作，在與大數據、云計算這些依托于先進技術所建立的平臺相結合后，能在短時間內快速降低工作量，解放人力的同時，還能夠有效節約成本，并且能夠對駁雜而繁多的數據，進行合理的歸納和整理。基于大數據的多種智能調度算法，搭載這些算法的云平臺，再科學應用到人力資源的智能調度方面的工作上。最終目的是幫助企業的財務、人事，以及管理層及時完成對企業人力的智能調度，有助于推進企業的智能化發展。

1基于大數據的企業人力資源智能調度算法

1.1基于大數據的企業人力資源動態規劃

企業人力資源的相關工作，隨著企業的商業化、智能化程度的提升，呈現出了工作量明顯降低、資源整合速度明顯提高的良好態勢。這些改變，均離不開在大數據時代下，逐漸推廣普及的智能云平臺的應用。一般情況下，平臺的計算性能越是卓越，面對海量數據的處理能力就越強。針對這樣的現實條件，就需要利用基于大數據的各類數據庫，進行對人力資源智能調度的動態規劃。受任務規模、先后順序以及資源消費情況的影響，企業人力資源管理工作，并不存在一個通用的智能調度算法。對此，就要綜合企業人力資源調度任務的具體情況，結合動態規劃理論，對調度算法中需要進行優化的問題，進行一個以時間為劃分因素的階段性劃分，幫助建立企業人力資源動態規劃最優策略模型。在企業的人力資源調度工作中，現有的算法也能夠做到依據工作現階段的狀態，對下一階段的工作狀態進行確定。進行狀態的確定時，我們能夠用狀態轉移方程（Educationofstate），來展現這種狀態推演的規律，該方程為：1(,()),1,2,pppppxBxwxpn+==⋅⋅⋅（1）依據（1）的方程，能夠進一步對幫助定義整個階段過程，以及所有后部子過程進行指標推導，指標函數的公式為：1(,,,),1,2knppnQxwxpn+⋅⋅⋅⋅=⋅⋅⋅（2）根據狀態轉移方程和指標函數的公式，在實際上對人力資源進行調度工作時，就可以通過對狀態變量px、決策變量()ppWx自身的特性，確定決策集合px，之后代入式（1）的狀態轉移方程，最后需要確定階段指標與指標函數之間的是一種怎樣的計算形式，并且這些計算形式，包括但不限于該階段的指標存在極大、極小以及兩數之積的情況。這就需要依據具體的企業人力資源調度情況，來得出最優值函數滿足的遞推方程，完成動態規劃模型的建立。

1.2設計初始優先級表

因為需要結合階段任務截止期，以及初始優先級這兩個參數進行設計。所以需要通過提出新型智能調度算法，制定開展合理運算的實時優先級調度方案，在考慮階段任務的初始優先級和任務時間約束問題的同時，通過結合優先級表的設計原則，設計智能調度算法優先級表，具體如圖1所示。通過對圖1的設計，我們能夠發現，上面箭頭的指向代表著任務實時優先級從高到低順序，其中縱軸上的代表階段任務的相對截止期，橫軸上的代表初始優先級，兩種參數按先后順序從下至上排列。結合圖1的走向情況，就不得不提到優先級表的設計原則：在某階段出現了初始優先級和截止期這兩個參數都完全相同的任務后，以任務生成的先后順序來劃分任務的實時優先級，并且在距離待執行任務的相對截止期較近，且任務生成時間早于其他任務的，優先級表就會自動提升該任務的實時優先級。結合圖1，能夠幫助推導出實時優先級的計算公式，其中實時優先級為C，按相對截止期進行排隊的任務隊列為w，按照初始優先級進行排隊的任務隊列為q，那么實時優先級公式為：(2)(1)2wqwqCq+−+−=+（3）依據式（3），能夠對任務的實時優先級進行計算，并按優先級表的展示順序，來對任務的先后執行順序進行劃分。

1.3基于優先級表的智能調度算法

在企業人力資源的階段性動態規劃工作完成后，在能夠建立相關模型的基礎上，能夠提出基于優先級表模式的智能調度算法。企業人力資源的智能調度因為具有極大的工作分配彈性和非線性，就需要通過借助時間這一參數，對企業人力資源的調度任務進行整合。但是，在特定的任務調度中，任務產生和執行的時間，不能作為除執行任務以外的衡量標準。當前，基于各種模式的人力資源智能調度算法，其在運行過程中，往往存在任務優先級值固定的情況，并沒有將運算任務的截止期考慮進去。這樣的算法在使用中，就出現了對執行任務中所需執行時間，控制嚴重不足的情況。為了使基于大數據的智能調度算法，能夠更加符合當前時代下企業人力資源管理工作開展的需要。因此需要充分考慮對平臺的智能調度算法進行革新，通過對之前已經投入應用的算法優缺點進行總結，進一步提出基于初始優先級表和任務截止期的算法設計[7-8]。最終目的是幫助確定各階段任務的實時優先級，解決其他算法經常出現的優先級固定、所需執行時間的約束嚴重不足的問題。在本文提出的算法中，應假設一個實時計算任務請求R，那么其順序為：在式（4）中，i代表等待被執行的實時任務編號，bornie代表實時任務的生成時間，waitie表示該任務排隊等待被執行時，所需等待的最長時間，該數值由企業人數、業務量等情況來決定。而deadie代表任務截止期，iy代表任務的初始優先級，數值越小該任務的初始優先級就越高。之后將當前時間假設為s，那么實時任務的相對截止期ia滿足式(5)：deadiia=e−s（5）依據式（5），我們能夠明確地計算出，實時任務的相對截止期ia，會隨著時間的推移慢慢減小數值，這代表著其任務優先級會隨時間的增加而增加。

2實驗研究

通過實驗，將本文提出的人力資源智能調度算法作為實驗組，以傳統算法作為對照組，比較兩種算法在運算時的所耗時長。圖2為仿真測試軟件所搭建的基本測試環境。如圖2所示，該仿真測試環境是一個尺寸為100m*100m正方形劃區。其中位于圖2中心的矩形，代表著該基本測試環境的中心節點。其他的正方形為普通節點。此次實驗，將本文提出的算法和傳統算法的數據分別帶入到該仿真環境當中。實驗組按照距三角形中心節點的遠近來進行編號，對照組按照階段任務的順序，來進行編號。兩種算法在完成了所安排的全部編號工作后，就開始對階段任務的相關數據，分別進行數據融合，圖2為兩個測試組，對階段任務數據的融合效果。依據圖3的數據代入情況，能夠就最終生成的任務數據融合樹中看出，本文提出的智能調度算法，與傳統算法相比，運算性能和融合效果都更加優越。但為保證仿真測試結果更加可靠，再進行20組數據運算實驗，實驗數據如表1所示。根據表1中的數據運算結果可知，在20階段次數據融合測試下，實驗組的平均耗時，相較于對照組的平均耗時縮短了7.261s。由該結果可知，本文提出的智能調度算法，相較于傳統智能調度算法，能夠有效地縮短對階段任務數據進行融合與計算的所需時長，基于優先級表的人力資源智能調度算法，在性能上更加卓越。

3結語

此次研究對基于大數據時代背景下，企業人力資源智能調度算法進行了創新設計，提出了基于優先級表的新型智能調度算法，并與傳統的智能調度算法進行了耗時對比實驗，加強了算法的融合邏輯，并取得了極佳的效果。但本次研究還存在諸多不足之處，應在未來的智能算法研究過程中，以本文研究作為依托，優化對相關算法的創新。

作者:黃辰 劉雪飛 單位:云南工商學院