Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Iop
Iop
1007
/ s10257-016-0328-5
ARTÍCULO ORIGINAL
Recibido: 9 de Diciembre 2015 / Revisado: 11 Julio 2016 / Aceptado: 23 Agosto 2016 / Publicado en línea el 3 de
septiembre el año 2016
Springer-Verlag Berlin Heidelberg 2016
Resumen Como firmas se encuentran con nuevos problemas en el entorno empresarial que cambia rápidamente, tienen
que encajar colaboradores ND con experiencia en la resolución de problemas. Dado que este problema de optimización
se lleva a cabo en una fi rma que los cambios en el entorno empresarial, algoritmo genético (GA), que ha mostrado un
rendimiento excepcional en la obtención de una solución sub-óptima con relativa rapidez, parece ser la solución correcta,
que es superior a la meta- la programación, la toma de decisiones de atributos múltiples, y la rama y atado. Por tanto,
proponemos un enfoque basado en GA para resolver el problema de la asignación de colaboradores a múltiples
problemas de negocios. Nuestra solución ha funcionado bien en varios experimentos.
Palabras clave la selección colaborador La resolución de problemas La optimización del algoritmo genético
y Donghee Yoo
dhyoo@gnu.ac.kr
Keunho Choi
ckh0515@hanmail.net
gkim@hanbat.ac.kr
Gunwoo Kim
ymsuh@korea.ac.kr
Yongmoo Suh
123
878 K. Choi et al.
1. Introducción
A medida que cambia el entorno de negocios, firmas encuentran constantemente nuevos problemas de negocio, tales como el análisis de las
opiniones de los clientes sobre los productos que utilizan la infraestructura de grandes volúmenes de datos (por ejemplo, Hadoop), la
explotación de cloud computing para reducir la inversión en recursos de TI, utilizando flujo continuo de datos de Internet de las cosas, etc.,
cada uno de los cuales pueden ser demasiado complejos para ser resueltos sólo por sus empleados. Tienen que buscar colaboradores
externos con la experiencia necesaria requerida para esos problemas. En este escenario, una organización de terceros, como Recursos
Humanos Centro de Servicios de Desarrollo (HRDSC) podría ser un intermediario entre firmas con problemas complejos y demandantes de
empleo con la experiencia necesaria para resolverlos. Un escenario similar también puede tener lugar dentro de un fi rme. Es decir, puede
haber varios departamentos, cada uno de los cuales tiene algunos problemas complejos, Las soluciones de los cuales no se pueden obtener
en el departamento, pero hay muchos empleados en otros departamentos disponibles que pueden hacer contribución colectiva en la solución
de los problemas. En este caso, el papel del departamento de recursos humanos es a fi empleados ND con la experiencia necesaria para
resolver los problemas del rm fi. Cabe señalar que, dado que los empleados tienen sus propias tareas, la disponibilidad de los empleados
puede cambiar con frecuencia con el tiempo. Por lo tanto, es necesario asignar a los empleados a los problemas corporativos en un tiempo
razonablemente corto antes que los empleados de una vez disponibles dejan de estar disponibles. También tenga en cuenta que por lo
general, la diferencia entre una solución óptima y una solución subóptima en un escenario de este tipo puede ser lo suficientemente pequeño
como para que pudiéramos utilizar la solución subóptima en lugar de la óptima. pero hay muchos empleados en otros departamentos
disponibles que pueden hacer contribución colectiva en la solución de los problemas. En este caso, el papel del departamento de recursos
humanos es a fi empleados ND con la experiencia necesaria para resolver los problemas del rm fi. Cabe señalar que, dado que los
empleados tienen sus propias tareas, la disponibilidad de los empleados puede cambiar con frecuencia con el tiempo. Por lo tanto, es
necesario asignar a los empleados a los problemas corporativos en un tiempo razonablemente corto antes que los empleados de una vez
disponibles dejan de estar disponibles. También tenga en cuenta que por lo general, la diferencia entre una solución óptima y una solución
subóptima en un escenario de este tipo puede ser lo suficientemente pequeño como para que pudiéramos utilizar la solución subóptima en lugar de la óptima. pero
Las posibles soluciones a los problemas de optimización son meta-programación (Hajidimitriou y Georgiou 2002
), Programación multiobjetivo difusa (Wu et al. 2010 ), La toma de decisiones de atributos múltiples (Chang et al. 2006
; Ye y Li 2009 ), La optimización de enjambre de partículas (Zhao et al. 2008 ), El algoritmo de rama-y-atado (Ip et al.
2004 ) Y el algoritmo genético (GA) (Fan et al. 2009 ). Entre ellos, GA ha sido ampliamente utilizado debido a su
potencial para llegar a una solución sub-óptima en un tiempo razonablemente corto (Cecchini et al. 2008 ; Fan et al. 2009
; Feng et al. 2010 ; Ip et al. 2003 ; Yeh y Chuang 2011 ). Por lo tanto, GA es apropiada cuando se busca colaboradores
que trabajarán en conjunto para resolver múltiples problemas complejos de negocios. Aunque este documento se
refiere a la segunda hipótesis en lo anterior, el primer escenario también puede abordarse si el GA se lleva a cabo
de una manera ligeramente diferente.
Este documento propone una solución basada en GA para el problema de la asignación de empleados (o
colaboradores) a múltiples problemas complejos de negocios. El problema de optimización en este documento tiene
varios requisitos. En primer lugar, cada problema de negocios requiere experiencia en al menos un objeto (requisito
problema). En segundo lugar, cada empleado debe tener una experiencia, que satisface todos o al menos partes
de los requisitos de algunos problemas (requisito empleado). Tanto el requisito problema y requerimiento de los
empleados se pueden describir en términos de temas. Por último, la solución debe producir el mejor o casi mejor
situación desde el punto de vista de la fi rma, así como la satisfacción de las necesidades de todos los problemas
(fi requisito RM).
El resto del trabajo se organiza de la siguiente manera. Sección 2 revisa los estudios anteriores sobre el problema de
optimización de la selección de socios. Sección 3 describe la investigación
123
Asignación de colaboradores a múltiples problemas de negocio ... 879
marco para la realización de nuestro enfoque y proporciona una descripción detallada de cada paso de la
estructura. Sección 4 ilustra nuestro enfoque con un ejemplo. Sección 5
describe los experimentos y resultados. La última sección contiene las observaciones finales, incluyendo un
resumen, implicaciones y limitaciones del papel.
2. Revisión de la literatura
En relación con nuestro problema de investigación de selección de colaboradores para cada uno de los problemas de
cada departamento cuentan, investigaciones anteriores sobre el problema de la selección de socios ha sido examinado.
La mayoría de la investigación previa sobre la selección de socios se ha llevado a cabo en la empresa virtual o entorno de
empresa conjunta internacional (Choi et al. 2007 ; Hajidimitriou y Georgiou 2002 ; Ip et al. 2003 , 2004 ; Wu y Su 2005 ; Ye y Li
2009 ; Zeng et al. 2006 ; Zhao et al. 2008 ), Para la formación de la cadena de suministro (Chamodrakas et al. 2010 ; Chang
et al. 2006 ; Wu et al. 2010 ), O para la formación de equipo (Fan et al.
2009 ; Feng et al. 2010 ; Fischer et al. 2004 ). Hajidimitriou y Georgiou ( 2002 ) Propuesto una meta basada
en la programación
modelo cuantitativo para la evaluación de los socios candidatos y seleccionar sólo una pareja óptima en empresas
conjuntas internacionales. En su estudio, pro fi t, índice compuesto relación financiera fi, y otros doce goles fueron
considerados, y se presentaron las formulaciones matemáticas de los objetivos incluyendo criterios cuantitativos y
cualitativos.
Para seleccionar un subcontratista en un entorno de fabricación ágil, Ip et al. ( 2004 )
primer redujo el espacio de la solución por de fi Ning y la eliminación de ine fi cientes subcontratistas y luego
incrustado una rama y el algoritmo de cota en la programación de proyectos por de fi nir el candidato ideal. Sin
embargo, el algoritmo no puede resolver los problemas a gran escala debido a su complejidad de procesamiento
(Ip et al. 2004 ). Una diferencia entre su investigación y la nuestra es que se consideran varios subproyectos de
un proyecto, mientras que consideramos múltiples problemas independientes. Otra diferencia entre los dos es
que ellos seleccionaron un candidato a más de un sub-proyecto, mientras que hemos tratado de seleccionar un
colaborador para el pre-definida máximo número de problemas.
Zhao et al. ( 2008 ) Presenta un modelo para la selección de socios con precedencia
requisitos y restricciones de fecha de vencimiento en una empresa virtual. Se supone que una empresa llevaría a
cabo un gran proyecto que consiste en un conjunto de sub-proyectos, y la empresa seleccionaría socios para cada
subproyecto, debido a los recursos y capacidades finitas. Para seleccionar socios bajo estos supuestos, se utilizan
optimización por enjambre de partículas (PSO) y adaptaron el PSO mediante tres mecanismos de inicialización de
expansión, la varianza y de búsqueda local. Sin embargo, PSO es más apropiado para simples
123
880 K. Choi et al.
problemas de optimización y además fácilmente nos conduce a un óptimo local (Rini et al.,
2011 ).
Chang et al. ( 2006 ) Que se utiliza una toma de decisiones atributo multiple difusa (fmadm)
método que se aplica el concepto difuso para la ordinales y cardinales la información para desarrollar un
procedimiento de selección de proveedores. Al tener en cuenta las diferentes fases del ciclo de vida del producto,
trataron de satisfacer las actuales estrategias de competencia del producto y mejorar la eficacia y e fi ciencia de
toda la cadena de suministro. Fmadm, sin embargo, es complicado de usar y es difícil de aplicar fmadm a
problemas del mundo real a gran escala.
Chamodrakas et al. ( 2010 ) Sugirieron maneras de seleccionar los proveedores en un sistema electrónico
mercado. Propusieron una etapa fi cación pre-calificado para reducir el espacio de búsqueda para la selección de
proveedores y se centran en los proveedores más adecuados. En esa etapa, cada proveedor se evalúa y una
clasificación para cada criterio cuantitativo y cualitativo sobre un cinco puntos escala. Entonces, los proveedores
que tienen un valor mayor que el umbral de cada movimiento criterio para la etapa de evaluación final, en la que se
introdujo un método modi fi ed Fuzzy Programación Preferencia (MFPP) que combina FPP con el Proceso Analítico
Jerárquico (AHP). MFPP a ambos habilitado para compensar la explosión del número de comparaciones por pares
que podría suceder cuando hay muchos proveedores y / o criterios y para resolver el problema de la inconsistencia
causada por no estar seguro de las preferencias de quienes toman las decisiones.
Fan et al. ( 2009 ) Y Feng et al. ( 2010 ) Utilizaron GA para seleccionar miembros para la investigación
Ip et al. ( 2003 ) Propuesto un algoritmo genético basado en reglas (R-GA) para identificar
la combinación óptima de las empresas asociadas de todos los sub-proyectos que tratan de maximizar el éxito
de todo el proyecto. Consideraron el momento probabilidad de éxito y el procesamiento de los socios candidatos
y reducen el espacio de soluciones mediante la eliminación de los socios candidatos ineficientes bajo la
restricción de que sólo una pareja se debe seleccionar para cada sub-proyecto. Esta restricción hace que este
estudio diferente de nuestro estudio ya que un colaborador se puede asignar a varios problemas, y varios
colaboradores se puede asignar a un problema en nuestro estudio.
123
Asignación de colaboradores a múltiples problemas de negocio ... 881
Como se mencionó anteriormente, nuestro estudio difiere de la investigación anterior, resolviendo simultáneamente
múltiples problemas de negocios, cada una con diferentes requisitos, mediante la asignación de colaboradores con su
propia experiencia para cada uno de los problemas. Proponemos un método de optimización para la asignación de
GAbased colaboradores a múltiples problemas de negocio, teniendo en cuenta los requisitos de los problemas
individuales y la experiencia de los colaboradores individuales como requisitos básicos para la toma de decisiones. Por
último, se aplicó GA para resolver múltiples problemas complejos sub-óptima, pero rápidamente.
Modelo de desarrollo 3
En esta sección se describe el problema de investigación al que se aplica nuestro método propuesto, el
marco de investigación y cada paso de la estructura.
Nuestra investigación está motivada por la situación que se describe en la introducción. El departamento de recursos
humanos de una fi rma está tratando de asignar a los empleados disponibles (colaboradores) a nuevos problemas
complejos (de otros departamentos) que requieren su experiencia (por ejemplo, habilidades, experiencia y conocimiento),
por lo que la fi rma puede obtener su mejor rendimiento.
Nuestro problema de investigación tiene los siguientes requisitos, los tres primeros de los cuales se mencionan en la
secta. 1 :
4. Asunto: experiencia total de colaboradores asignados a cada sujeto en cada problema debe exceder los
conocimientos necesarios sobre el tema.
5. Departamento: hay un número máximo de colaboradores que podrían ser asignados a cada problema,
según lo solicitado por el departamento propietario del problema.
6. Condiciones de trabajo: cada colaborador se le debe asignar un máximo X número
de problemas.
Aunque es posible encontrar los mejores colaboradores para un problema complejo, queremos hallar las
mejores combinaciones de problemas y colaboradores, de modo que una solución global subóptima se puede
obtener desde el punto de vista de la fi rma.
123
K. Choi et al.
Analizar problemas
correlaciones
Construir el perfil problema Construir el perfil colaborador
entre los sujetos
construir población
Detener Calcular
Crear nuevo cromosomas de
<Algoritmo genético>
cruce o mutación
Condición final
Cada departamento analiza sus problemas a fi nd temas asociados, antes de pedir el departamento de recursos humanos para los
empleados fi nd con la experiencia necesaria. Como resultado, un per fi l para cada problema se construye. A continuación, después de
haber examinado el problema per fi les, los empleados del departamento de recursos humanos NDS fi que tienen la experiencia necesaria
para construir un colaborador per fi l para cada uno de los empleados. Tanto problema per fi l y colaborador per fi l consiste de temas. En
nuestro estudio, si un colaborador tiene conocimientos sobre un tema o si un problema requiere conocimientos sobre un tema asociado, que
se representa como un valor de intervalo en su posición en el per fi l de colaborador o en el problema per fi l, respectivamente. Las
correlaciones entre cada dos sujetos se calculan entonces, de manera que podamos reemplazar un colaborador que tiene una experiencia
en una fi co objeto específico con un colaborador que tiene una experiencia en otro tema que está estrechamente relacionado con el fi co
objeto específico, cuando no podemos hallar el colaborador que tiene una experiencia en la fi co objeto específico. Por último, el proceso de
GA se llevó a cabo utilizando el problema y el colaborador per fi les. Como es habitual en el proceso de GA, se genera una población de
cromosomas, el valor de aptitud física se calcula para cada cromosoma y si no hay cromosoma satisfactorio en la generación actual, los
nuevos cromosomas son generados por cruce o mutación hasta que se cumple una condición de parada. el proceso de GA se llevó a cabo
utilizando el problema y el colaborador per fi les. Como es habitual en el proceso de GA, se genera una población de cromosomas, el valor
de aptitud física se calcula para cada cromosoma y si no hay cromosoma satisfactorio en la generación actual, los nuevos cromosomas son
generados por cruce o mutación hasta que se cumple una condición de parada. el proceso de GA se llevó a cabo utilizando el problema y el
colaborador per fi les. Como es habitual en el proceso de GA, se genera una población de cromosomas, el valor de aptitud física se calcula
para cada cromosoma y si no hay cromosoma satisfactorio en la generación actual, los nuevos cromosomas son generados por cruce o mutación hasta que se cu
Después de cada departamento ha encontrado temas apropiados para cada uno de sus problemas, un problema per fi l se
construye para cada problema. Sin embargo, puesto que la información sobre el grado de conocimientos sobre un tema s yo se
requiere en un problema pag ( es decir, mi PD yo ) es
123
Asignación de colaboradores a múltiples problemas de negocio ... 883
vago e incierto, no es fácil para un departamento para expresar un valor específico. En su lugar, cada
departamento expresa mi PD yo como un valor de intervalo, que es más adecuada para representar la información
vago e incierto que un valor específico. Por lo tanto, el problema per fi l para un problema pag ( es decir, PAG pag),
se primer construyó como sigue.
PAG pag ¼ mi mi PD yo j yo ¼ 1; . . .; S; re 1 Þ
valor de intervalo que puede tomar valores entre 0 y 10. ~ mi PD yo se define de la siguiente manera.
h yo
~i PD yo ¼ mi L
m
mi
PD yo ; mi PD
P
TD yo
; re 2 Þ
dónde mi lps yo y mi UPS yo denotar los límites inferior y superior de ~ mi PD yo , respectivamente. Entonces, ~ mi PD yo
se normaliza (es decir, ~ w PD yo ) usando las siguientes ecuaciones (Zhu et al. 2007 ).
h yo
w~PD yo ¼ w L PD yo ; w TPD
PD yo
re 3 Þ
mi lps yo mi UPS yo
w LPD yo ¼
; w TPD yo ¼
; re 4 Þ
máx máx
1 un P þ do mi UAS yo 1 un P þ do mi UAS yo
Aunque hemos representado ~ w PD yo como un valor de intervalo, tiene que ser transferido a una
valor nítido con el fin de calcular un valor de aptitud física. Para ello, se utilizó la siguiente ecuación, como se ha
hecho por usted y Fan ( 2000 ).
w PD yo ¼ ~ w PD þ mi PAG ~
segundo yo w PD yo ; re 5 Þ
w PD yo denota
dónde segundo el valor nítido del ~ w PD yo . ~ w PD yo y ~ w PD yo denotar el punto medio y
w~PD yo ¼ w T PD yo
w LPD yo
re 7 Þ
El factor de riesgo relacionado con un problema per fi l (es decir, mi PAG) denota la actitud de una fi rma de riesgo. Si una fi rma es la
asunción de riesgos, el factor de riesgo será -0.5 segundo mi PAG\ 0, y si una fi rma tiene aversión al riesgo, el factor de riesgo será 0 \ mi PAG segundo
0.5. Si un rm fi es neutral al riesgo, el factor de riesgo será cero (es decir, mi P = 0). Finalmente, segundo
do pag ¼ segundo
PAG w PD yo j yo ¼ 1; . . .; S re 8 Þ
123
884 K. Choi et al.
Después problema per fi les están construidas, un colaborador per fi l se construye por el departamento de recursos
humanos de cada colaborador con experiencia en los temas incluidos en el problema per fi les. Dado que la información
sobre el grado de especialización que el colaborador do tiene sobre un tema s yo ( es decir, mi cs yo ) es vaga, es más
apropiado para expresar mi cs yo como un valor de intervalo que como un valor c especificidad, como se hace en el
problema per fi l. Por lo tanto, el colaborador per fi l para un colaborador (es decir, PAG do) puede ser construido de
manera similar al problema per fi l. Es decir, PAG do se representa como primera ~
mi cs yo ,
PAG do ¼ F w cs yo j yo ¼ 1; . . .; S
segundo sol re 9 Þ
Sin embargo, el factor de riesgo relacionado con el colaborador per fi l (es decir, mi DO) es contraria al problema per fi l. En
otras palabras, si una fi rma es adverso al riesgo, el factor de riesgo será
- 0.5 segundo mi DO\ 0 y si una fi rma es la asunción de riesgos, el factor de riesgo será 0 \ mi do segundo 0.5. Si un rm fi es neutral al
Supongamos que no hay colaboradores con experiencia en una fi co objeto específico de un problema complejo. En
esta situación, no podemos asignar colaboradores adecuados, y el problema sigue sin resolverse. Alternativamente,
se puede resolver mediante la identificación de los sujetos que son similares a la c sujetos especificidad, hallazgo
colaboradores que tienen experiencia en los temas similares, y asignarlos a la fi co objeto específico como un proxy.
Por lo tanto, se calcularon las correlaciones entre cada dos sujetos mediante la adaptación de una medida de
similitud del coseno (Choi y Suh 2013 ), Como se muestra en la parte izquierda de la parte derecha de la ecuación. ( 10
). Además, hemos tenido en cuenta que la correlación entre dos sujetos puede ser más fiable si ambos sujetos
aparecen con mayor frecuencia en el problema y colaborador per fi les. Por lo tanto, hemos de fi nido un nuevo
término,
índice de fiabilidad, como 2 re s yo s j = re re s yo þ re s j Þ, dónde re s yo s j denota el número de problemas y colaboradores
que incluyen tanto sujetos s yo y s j, y re s yo denota el número de problemas y colaboradores, que incluyen
sujetos s yo en su per fi les. La similitud del coseno adaptada se multiplica por el índice de fiabilidad con el
fin de calcular la correlación entre los sujetos s yo y s j, C (s yo, s j).
PAG PAG
w PD yo
pag ¼ 1 segundo
w PD j þ PAG do
segundo w cs yo
do ¼ 1 segundo
wsegundo
cs j
C s yo; s j ¼ q q ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiff
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
PAG PAG 2 þ PAG do PAG PAG 2 þ PAG do 2
w PD yo
pag ¼ 1 segundo
rew cs yo Þ 2
do ¼ 1 segundo
w PD j
pag ¼ 1 segundo
w cs j
do ¼ 1 segundo
2 re s yo s j
re 10 Þ
re re s yo þ re s j Þ
En esta sección, se explican los detalles del enfoque basado en el GA propuesta de asignar a cada
problema colaboradores, incluida la representación de cromosomas, cruce y mutación, y la función de la
forma física.
123
múltiples problemas de negocio ... 885
Al implementar el algoritmo genético, es importante la forma de representar el cromosoma formado por múltiples
genes. Se requiere que codifica una solución potencial. Dado que cada departamento solicita un número máximo
de colaboradores que podrían ser asignados a cada uno de sus problemas, debemos ser capaces de comprobar el
número máximo de colaboradores que están asignados a todos los problemas. Si el número es METRO, cada
cromosoma se compone de METRO genes, cada uno de los cuales está representado como un entero, que
representa un colaborador. El número, METRO, debe ser menor o igual que el número de colaboradores
disponibles.
Supongamos que hay dos departamentos cada uno de los cuales tiene problema 1 y 3, y el problema 2 y 4. A
continuación, supongamos que cada uno de los problemas requiere un máximo de 1,
3, 2, y 4 colaboradores, y que hay 20 colaboradores disponibles. Entonces, cada cromosoma se compone
de 10 genes y cada gen se representa como un número entero no negativo inferior a 21. La figura 2 muestra
un cromosoma posible, lo que indica que el colaborador 6 se asigna al problema 1, 2 y colaboradores 15 a
problema 2, colaboradores 3, 12 y 8 al problema de 3, y colaboradores 4, 9, 20 y 7 para el problema 4.
En el primer paso del proceso de GA, una población inicial de un fijada número de cromosomas se
construye al azar. Entonces, dos cromosomas de los padres en la población se seleccionan como
operandos del operador de cruce para generar nuevos cromosomas hijo para el próximo población. El
primer operador fi divide los cromosomas parentales en unos pocos puntos del cromosoma y luego
intercambia los segmentos en la misma posición de los dos cromosomas para generar cromosomas niño.
Para bajar la probabilidad de hallazgo un óptimo local, un operador de mutación cambia aleatoriamente los
valores de genes y produce un nuevo cromosoma. Nuevas poblaciones de cromosomas se generan varias
veces hasta que se cumple una condición de parada. El algoritmo no puede garantizar una solución
óptima, pero convergerá a un óptimo local.
6 2 15 3 12 8 4 9 20 7
123
886 K. Choi et al.
Cada vez que se genera un nuevo cromosoma ya sea por cruce o el operador de mutación, debemos
evaluar el cromosoma con el fin de responder a la pregunta '' ¿Qué tan bueno es el cromosoma como una
respuesta a nuestro problema? '' Una función de la forma física es un criterio de la bondad de un
cromosoma. En nuestra implementación, la bondad de un cromosoma es el grado en que el requisito de la fi
rma se cumple por el cromosoma satisfacer los demás requisitos (es decir, los requisitos de la materia, de
departamento, y condiciones de trabajo). El valor idoneidad de cada cromosoma se calcula como sigue.
XPAG XS pag
segundo
w pag
ts yo
w
segundo
PD yo ; S t: segundo
w pag
ts yo
w PD yo [ 0; 8 s yo 2 S pag
segundo re 11 Þ
pag ¼ 1 yo ¼ 1
8 9
>
< segundo
w PD j þ PAG S segundo
w >
=
j¼1C s yo; s j PD j
1jSC s yo; s j
segundo
w ts yo ¼ máx
pag
>
: 2 >
;
re 12 Þ
( )
X S
þ mi do C s yo; s j segundo
w pag
sj
máx segundo
w pag
sj
;
1jSC s yo; s j
j¼1
w PD yo denota la suma de la experiencia de los colaboradores asignado al problema pag el sujeto s yo ( el cálculo
dónde segundo
w cs yo ) para do en do pag. Sin embargo, ya que un número de colaboradores con poco conocimiento
individual probablemente todavía tienen poco conocimiento colectivamente, debe ser inferior a la suma simple de segundo
w cs yo . Por lo tanto, la experiencia total de
colaboradores en materia s yo que están asignados a un problema pag toma valores entre max ( segundo
" #
do pag
segundo
w pag rew cs yo Þ;
segundo X rew
segundo
cs yo Þ re 13 Þ
s yo ¼ máx
1 c C pag
do ¼ 1
Y, ~ w PD yo pueden ser transferidos en un valor nítido (es decir, segundo w PD yo ), como se explicó anteriormente
para el problema y colaborador per fi les. Por lo tanto, se formula como en la Ec. ( 14 ).
123
Asignación de colaboradores a múltiples problemas de negocio ... 887
segundo
w pag w PD yo þ mi do mi w pag re 14 Þ
s yo ¼ mi s yo
rew
segundo
cs yo th th PAG do pag rew cs yo Þ
do ¼ 1 segundo
1 c C pag
w
miPD yo ¼ máx re 15 Þ
2
do pag
mipag
w
s yo ¼ X rew cs yo Th?
segundo máx rew cs yo Þ;
segundo re dieciséis Þ
1 c C pag
do ¼ 1
Cuando se calcula la cantidad de un requisito problema es fi satisfecho por los colaboradores asignados a
todos los sujetos del problema, lo hacemos de la misma manera como lo hicimos cuando calculamos la
cantidad de un sujeto se fi satisfecho por los colaboradores asignados al tema, representado en la ecuación. ( 12
).
4 escenario ilustrativo
En esta sección se ilustra con un ejemplo de cómo se implementó el GA para resolver el problema de la
asignación de colaboradores por múltiples problemas. Partimos de la hipótesis de que un departamento re 1 tiene
un problema (es decir, pag 1) y otro departamento
re 2 tiene dos problemas (es decir, pag 2 y pag 3), que diez colaboradores están disponibles, y que re 1
solicitado un máximo de dos colaboradores para pag 1 y re 2 solicitado un máximo de tres colaboradores de pag 2 y pag
3( es decir, el requisito de departamento). También asumimos que cada colaborador se puede asignar a un máximo
de dos problemas (es decir, condiciones de trabajo requisito) y que el rm fi es neutral al riesgo 1 ( es decir, mi P = mi C = 0).
El problema per fi l dada en la parte superior de la tabla 1 muestra la experiencia cada problema requiere para cada
sujeto (es decir, el requisito de problema), y el colaborador pro fi le dado en la parte inferior de la tabla se muestra el
grado de experiencia cada colaborador tiene para cada sujeto (es decir, el requisito colaborador). Usando la
información de estos per fi les, se calcularon las correlaciones entre los sujetos en base a la ecuación. ( 10 ), Como
se muestra en la Tabla 2 .
Para la ejecución del GA, establecemos el tamaño de la población a 4 y el número de generaciones como una
condición de parada a 5 para simplificar la ilustración. Cada paso de GA puede explicarse como sigue.
1 Esto significa que tomamos la media del límite inferior y el límite superior de un intervalo en el intervalo transformamos en un solo
valor.
123
tabla 1 Un ejemplo de problema y colaborador per fi les
888
123
s1 s2 s3 s4 s5 s6 s7 s8 s9 s 10
miPD yo
w [0,7, 1,0] [0,6, 1,0] [0,7, 1,0] 0 [0,7, 1,0] 0 0 0 0 0
w PD yo
segundo 0.86 0.57 0.63 0 0.31 0 0 0 0 0
w
miPD yo [0,6, 0,7] 0 0 [0,8, 1,0] 0 [0,7, 1,0] [0,6, 1,0] 0 0 0
PD yo
segundo
w 0.64 0 0 0.79 0 0.86 0.67 0 0 0
miPD yo
w 0 [0,2, 0,4] 0 0 0 0 [0,6, 0,8] [0,7, 1,0] [0,8, 1,0] [0,5, 1,0]
w PD yo
segundo 0 0.21 0 0 0 0 0.58 0.83 0.75 0.43
mics yo
w [0,9, 1,0] 0 [0,4, 0,6] [0,3, 0,4] [0,4, 0,6] 0 0 0 0 [0,1, 0,4]
w cs yo
segundo 0.93 0 0.50 0.36 0.50 0 0 0 0 0.29
mics yo
w 0 [0,7, 1,0] [0,6, 0,8] 0 0 [0,5, 0,7] 0 0 [0,3, 0,7] 0
w cs yo
segundo 0 0.86 0.69 0 0 0.50 0 0 0.50 0
mics yo
w [0,1, 0,3] 0 [0,5, 0,8] 0 [0,5, 0,8] 0 [0,5, 0,8] 0 [0,3, 0,7] 0
w cs yo
segundo 0.21 0 0.63 0 0.63 0 0.67 0 0.50 0
mics yo
w 0 0 0 [0,9, 1,0] 0 [0,8, 1,0] 0 [0,3, 0,5] [0,3, 0,5] 0
w cs yo
segundo 0 0 0 0.93 0 0.79 0 0.42 0.42 0
mics yo
w 0 [0,4, 0,7] 0 0 0 0 [0,3, 0,5] [0,8, 1,0] 0 [0,9, 1,0]
K. Choi et al.
w cs yo
segundo 0 0.57 0 0 0 0 0.42 0.92 0 0.93
tabla 1 continuado
s1 s2 s3 s4 s5 s6 s7 s8 s9 s 10
mics yo
w [0,6, 0,7] 0 [0,9, 1,0] [0,4, 0,6] 0 [0,5, 0,7] 0 0 0 0
w cs yo
segundo 0.64 0 0.94 0.50 0 0.50 0 0 0 0
mics yo
w 0 [0,9, 1,0] 0 0 [0,8, 0,9] 0 [0,5, 0,7] 0 0 [0,3, 0,4]
w cs yo
segundo 0 0.93 0 0 0,81 0 0.58 0 0 0.36
mics yo
w [0,3, 0,4] [0,4, 0,6] 0 [0,4, 0,7] 0 0 [0,8, 1,0] [0,7, 0,8] 0 0
w cs yo
segundo 0.36 0.50 0 0.57 0 0 0.92 0.75 0 0
mics yo
w 0 0 0 [0,7, 1,0] 0 [0,8, 1,0] 0 0 [0,7, 1,0] [0,7, 0,9]
w cs yo
segundo 0 0 0 0.86 0 0.79 0 0 0.83 0.79
mics yo
w 0 0 [0,3, 0,4] 0 [0,8, 1,0] [0,8, 1,0] 0 [0,2, 0,3] 0 0
w cs yo
segundo 0 0 0.31 0 0.88 0.79 0 0.25 0 0
123
889
K. Choi et al.
s1 s2 s3 s4 s5 s6 s7 s8 s9 s 10
s8 - - - - - - - 1 0.1506 0.2309
s9 - - - - - - - - 1 0.2051
s 10 - - - - - - - - - 1
Después de construir la población inicial de un fijada número de cromosomas (es decir, 4 en nuestro
ejemplo), la operación de cruce se aplica a dos cromosomas parentales elegidos aleatoriamente de la población
para producir nuevos cromosomas niño que han de ser incluidos en la siguiente generación. Figura 4 muestra los
resultados de la operación de cruce aplicados a dos cromosomas 1 y 3. Cada cromosoma se dividió en dos
puntos (es decir, después de la tercera y la sexta genes) en tres segmentos y, a continuación intercambiamos el
segundo segmento de los dos cromosomas. Como resultado de este cruce, dos nuevos cromosomas niño, 5 y 6,
se generaron.
Para evaluar la bondad de los dos cromosomas recién generadas, 5 y 6, sus valores fi aptitud se
calculan, usando la Ec. ( 11 ). Sin embargo, el cromosoma 6 viola la
tema requisito porque la restricción en la ecuación. ( 11 ) (es decir,
segundo
w pag
ts yo
w PD yo [ 0; 8 s yo 2 S pag) no se cumple. Por lo tanto, sólo se calcula el valor de la forma física del
segundo
cromosoma 5 (9.8793). Comparando el valor idoneidad del cromosoma recién generado con los de los
cromosomas en la población, cuatro cromosomas-1,
3, 4, y 5 que tiene los valores de idoneidad más altos fueron seleccionados como cromosomas parentales para la siguiente
población.
123
colaboradores a múltiples problemas de negocio ... 891
Fig. 5 El cuarto de la población después de repetir los pasos 2 y 3 tres veces Asignación de
La operación de cruce (es decir, los pasos 2 y 3) se repitió tres veces (ver fig. 5 ).
Después de haber aplicado el operador de cruce tres veces, el operador de mutación cambia
aleatoriamente los valores de genes con el fin de disminuir la probabilidad de que converge a un óptimo
local. Supongamos que el operador de mutación seleccionado dos cromosomas 3 y 9 y cambió dos genes
de cada uno (es decir, la tercera y la sexta genes del cromosoma 3 y el quinto y el octavo genes del
cromosoma 9) en otros (es decir, 4 en 3 y 9 en 8 en el cromosoma 3, y 3 en 7 y 3 en 4 en el cromosoma
9) para producir dos nuevos cromosomas, 11 y 12, como se muestra en la Fig. 6 . En este caso, sin
embargo, el cromosoma 11 se ha duplicado genes (genes es decir, tercer y cuarto) en el problema 2.
Significa un colaborador había sido asignado al mismo problema (por ejemplo, pag 2) dos veces, que no es
factible. Por lo tanto, el tercer gen en el cromosoma 11 se debe cambiar aleatoriamente en otro (por
ejemplo, 4 a 6) que no ha sido asignado al problema hasta que el requisito de condición de trabajo se ha
cumplido. Por último, los cromosomas resultantes no violan la condición de requisito de trabajo.
Paso 6 Repetición de los pasos 4 a 5 hasta que una condición de parada (por ejemplo, 5 generaciones) es
reunió
123
K. Choi et al.
Después de repetir el proceso de generación de nuevas poblaciones de cromosomas con el número de épocas
que son 5, el mejor cromosoma 9, que tiene el valor idoneidad más alto de todos los cromosomas generados hasta
entonces, fue seleccionada como una solución sub-óptima al problema, como es se muestra en la Fig. 7 (Es decir,
fi rm requisito). Información en el cromosoma 9 implica que con el fin de resolver los problemas sub-óptima,
colaboradores 6 y 7 deben ser asignados a problema 1, colaboradores 1, 2 y 3 para el problema 2, y colaboradores
5, 8 y 3 a problema 3. cromosoma 9 no viola el requisito de sujetos que muestran que la restricción de la ecuación.
(11) se cumple, como se muestra en la Tabla 3 .
5 experimentos
Para llevar a cabo nuestra propuesta, hemos generado aleatoriamente tanto per fi les de los problemas y
colaboradores mediante el establecimiento de la cantidad de problemas a 10 y el número de colaboradores a 50,
como se muestra en la tabla 4 . Asumimos que un máximo de tres colaboradores debe ser asignado a cada
problema, cada colaborador se puede asignar a un máximo de dos problemas, y un rm fi es neutral al riesgo (es
decir, mi P = mi C = 0). Hemos implementado nuestro enfoque propuesto el uso de Java en Eclipse entorno de desarrollo
integrado (IDE).
123
Asignación de colaboradores a múltiples problemas de negocio ... 893
segundo
w pag
ts j
segundo
w PD yo pag 1 0,28 0,66 0,73 - 0.87 - - - - -
S1 S2 S3 S4 S5 S6 S7 S8 S9 S 10
... ... ... ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ... ... ...
75
70
65
60
valor de aptitud
C10_M1
55
C30_M1
50
C50_M1
45 C100_M1
40
35
1
1000
1100
1200
1300
1400
1500
1600
1700
1800
1900
2000
2100
2200
2300
2400
2500
2600
2700
2800
2900
3000
100
200
300
400
600
700
800
500
900
norte º popula? en
Figura 8 muestra los valores fi aptitud debajo de los cuatro parámetros experimentales, C10_M1, C30_M1,
C50_M1, y C100_M1, donde C X_ M1 implica que un operador de mutación se aplica a los cromosomas después
de cada X ejecuciones del operador de cruce. Entre los cuatro parámetros experimentales, C10_M1 dio el valor
más alto idoneidad en la población 2900a.
Figura 9 muestra el cromosoma lograr el valor más alto de idoneidad 70.6912 que hemos encontrado a
través de varios experimentos con el per fi les de los problemas y colaboradores en la tabla 4 . El cromosoma
superior implica que colaboradores 34, 48,
123
894 K. Choi et al.
pag 1 pag 2 pag 3 pag 4 pag 5 pag 6 pag 7 pag 8 pag 9 pag
10
34 48 25 12 36 14 32 dieciséis 25 2 20 34 15 1 dieciséis 4 31 18 36 42 20 14 39 48 17 44 42 10 33 12
segundo
w pag
ts j
segundo
w PD yo PAG 1 2.34 - 1.32 - 1.35 - 2.89 - - 0.69
y 25 debe ser asignado a problema 1, colaboradores 12, 36, y 14 para el problema 2, colaboradores 32,
16, y 25 para el problema 3, colaboradores 2, 20, y 34 para el problema 4, colaboradores 15, 1, y 16 a
problema 5, colaboradores 4, 31, y 18 a problema 6, colaboradores 36, 42, y 20 a problema 7,
colaboradores 14, 39, y 48 a problema 8, colaboradores 17, 44, y 42 a problema 9, y colaboradores 10 ,
33, y 12 a problema
10. Además, el cromosoma superior no viola el requisito sujeto como se muestra en la Tabla 5 , Lo que demuestra
que nuestro enfoque propuesto funciona bien.
6. Conclusiones
Este estudio propone un método de optimización basado en GA para asignar colaboradores adecuados a múltiples
problemas de negocio teniendo en cuenta al mismo tiempo los requisitos de los problemas y la experiencia de los
colaboradores individuales individuales.
Creemos que este estudio hace varias contribuciones a la literatura. En primer lugar, se asignó colaboradores a
múltiples problemas, que es bastante diferente de los problemas de selección de asociados en la literatura. En segundo
lugar, nuestro problema de investigación es interesante ya que problemas similares se observan con frecuencia, como se
explica en la introducción. Por último, hemos demostrado que el GA se puede aplicar a nuestro problema de
investigación, que es lo suficientemente compleja para su consideración seria y prolongada. Al utilizar nuestro enfoque
propuesto, las empresas pueden resolver simultáneamente múltiples problemas complejos, cada uno con sus propios
requisitos.
Para los resultados de investigación más satisfactorios, sin embargo, tenemos que tener en cuenta las siguientes
limitaciones. En primer lugar, sería conveniente llevar a cabo un experimento con datos reales obtenidos de un entorno
empresarial aunque la mayor investigación previa sobre la optimización de la selección de socios se ha basado en
experimentos con ejemplos como
123
Asignación de colaboradores a múltiples problemas de negocio ... 895
hecho en nuestro estudio debido a la di fi cultad en obtener este tipo de datos reales. A continuación, el método de
optimización basado en GA tiende a identificar una solución sub-óptima. Por lo tanto, la aceptabilidad de la GA
puede ser limitada cuando se requiere la asignación optimizada de mano de obra. No obstante, creemos que
nuestro enfoque es muy adecuado para este tipo de problema con muchos factores a considerar, y tiene el potencial
de producir una buena (aunque a menudo subóptima) resultará en menos tiempo que otros métodos más complejos
y que requieren mucho tiempo .
Expresiones de gratitud Este trabajo fue apoyado por el Ministerio de Educación de la República de Corea y la Fundación Nacional de
Investigación de Corea (NRF-2015S1A5A8016415).
referencias
Cecchini RL, Lorenzetti CM, Maguitman AG, Brignole NB (2008) El uso de algoritmos genéticos para desarrollar una
población de consultas tópicos. Proceso Inf Administrar 44 (6): 1863-78
Chamodrakas I, Batis D, Martakos D (2010) Selección de proveedores en los mercados electrónicos utilizando
satisface cing y difusa AHP. Expertos Syst Appl 37 (1): 490-498
Chang SL, Wang RC, Wang SY (2006) Aplicando difusa lingüística er cuantificada para seleccionar la cadena de suministro
socios en diferentes fases del ciclo de vida del producto. Int J Prod Econ 100 (2): 348-359 Choi K, Suh Y (2013) Una nueva forma de
función similitud seleccionar vecinos para cada elemento de destino en
fi ltrado de colaboración. Sistemas de Conocimiento-base 37 (JAN): 146-153
Choi KH, Kim DS, Doh YH (2007) sistema de asignación de tareas multi-agente-basado para las empresas virtuales.
Robot Comput Integr Manuf 23 (6): 624-629
Ventilador ZP, Feng B, Jiang ZZ, Fu N (2009) Un método para la selección de miembros de los equipos de I + D utilizando el
información individual y colaborativo. Expertos Syst Appl 36 (4): 8.313 a 8.323 Feng B, Jiang ZZ, Fan ZP, Fu N (2010) Un método para
la selección de miembros de equipos multi-funcionales usando
las actuaciones individuales y de colaboración. Eur J Oper Res 203 (3): 652-661 Fischer M, Jahn H, Teich T (2004) Optimización
de la selección de socios en redes de producción. Robot
Comput Integr Manuf 20 (6): 593-601
Hajidimitriou YA, Georgiou AC (2002) Un modelo de programación por metas para las decisiones de selección de socio en
empresas conjuntas internacionales. Eur J Oper Res 138 (3): 649-662
Ip WH, Huang M, Yung KL, Wang D (2003) solución algoritmo genético para una selección de socios basado en el riesgo
problema en una empresa virtual. Comput Oper Res 30 (2): 213-231
Ip WH, Yung KL, Wang D (2004) Una rama y el algoritmo con destino a la selección sub-contratista en ágil
entorno de fabricación. Int J Prod Econ 87 (2): 195-205
Rini DP, Shamsuddin SM, Yuhaniz SS (2011) enjambre de partículas de optimización: Técnica, sistema y
retos. Int J Comput Appl 14 (1): 19-27
Wu N, D P (2005) La selección de socios en paradigma de empresa virtual. Robot Comput Integr Fabrica
21 (2): 119-131
Wu DD, Zhang Y, Wu D, DL Olson (2010) Fuzzy de programación multi-objetivo para la selección de proveedores
y modelos de riesgo: un enfoque posibilidad. Eur J Oper Res 200 (3): 774-787 de Ye F, Li YN modelo de decisión (2009) Grupo
multi-atributo para la selección de socios en la formación de virtual
empresa bajo información incompleta. Experto Syst Appl 36 (5): 9350-9357 Yeh WC, Chuang MC (2011) utilizando el algoritmo
genético multiobjetivo para la selección de socios en verde
problemas de la cadena de suministro. Expertos Syst Appl 38 (4): 4.244 hasta 4.253
Usted T, Ventilador de ZP (2000) Un tipo de método multi-índice del número de intervalo basado en la actitud riesgo de
de toma de decisiones persona. Oper Manag 11 (5): 1-4
Zeng ZB, Li Y, W Zhu (2006) la selección de socios con una restricción de fecha de vencimiento en las empresas virtuales. Appl
Math Comput 175 (2): 1353-65
Zhao Q, Zhang X, Xiao R (2008) algoritmo de optimización con enjambre de partículas para la selección de socios en Virtual
empresa. Prog Nat Sci 18 (11): 1445-52
Zhu H, Liu SY, Fang XR (2007) Método para la toma de decisiones incierta multi-atributo con preferencia
información en forma de números de intervalo de matriz juicio complementaria. J Syst Eng de electrones 18 (2): 265-269
123
Sistemas de Información y Gestión de e-Business es un derecho de autor de Springer, 2017. Todos los derechos reservados.