پیش بینی هوشمند مسیر پیشرفت شغلی بر اساس داده های منابع انسانی

الموضوعات :

مجید ریاضی ¹ , قاسم توحیدی ² , محمدعلی کرامتی ³

1 - گروه مديريت صنعتي، واحد تهران مركزي، دانشگاه آزاد اسلامي، تهران، ايران
2 - گروه ریاضی کاربردی،واحد تهران مرکزی،دانشگاه آزاد اسلامی،تهران،ایران
3 - گروه مدیریت صنعتی،واحد تهران مرکزی،دانشگاه آزاد اسلامی،تهران،ایران.

تاريخ الإرسال : 30 الأربعاء , ذو القعدة, 1443 تاريخ التأكيد : 22 السبت , ربيع الأول, 1445 تاريخ الإصدار : 10 الثلاثاء , شوال, 1446

الکلمات المفتاحية: metaheuristic algorithms, NARX neuro-fuzzy network, Career path,

ملخص المقالة :

عدم وجود مسیر پیشرفت شغلی قابل پیش‌بینی برای کارکنان در سازمان‌های مختلف موجب نارضایتی کارکنان و تبعات ناشی از آن از جمله کاهش بهره‌وری سازمان خواهد شد. برای این منظور سازمان‌های مختلف باید مسیر پیشرفت شغلی مشخصی را از ابتدای استخدام برای کارکنان خود تهیه و ارائه نمایند؛ اما تاکید بر این رویه ممکن است با توجه به تغییرات گسترده و پویا در دنیای کسب و کار امروزی منجر به عدم تحقق مسیر پیشرفت شغلی اولیه تعیین شده در سازمان‌ها شود و علاوه بر ایجاد مشکلات مختلف به اعتبار سازمان در نزد کارکنان آسیب وارد نماید. بنابراین سازمان ها همان‌گونه که به مدیریت مسیر پیشرفت شغلی کارکنان می پردازند باید با توجه به تغییرات زمانی بوجود آمده نسبت به اصلاح مسیر پیشرفت‌شغلی کارکنان خود بر مبنایی علمی و قابل ارائه اقدام نمایند، مهمترین گام در این راستا تشخیص احتمال قرار گرفتن کارکنان در شغل‌های تعریف شده هر سازمان در زمان مناسب می باشد. در این مقاله با ترکیب شبکه عصبی-فازی ANFIS و شبکه عصبی NARX استفاده از شبکه عصبی-فازی نارکس به عنوان یک روش جدید برای پیش بینی مسیر پیشرفت شغلی کارکنان ارائه شده و یک مطالعه تجربی انجام شده است که شبکه عصبی-فازی نارکس با استفاده از الگوریتم‌های فراابتکاری بهینه‌سازی شده و الگوریتم پیشنهادی برای تعیین مسیر پیشرفت شغلی کارکنان یک سازمان طی 10 سال ارائه می‌گردد. نتایج بدست آمده نشان می‌دهد مدل طراحی شده با شبکه عصبی-فازی نارکس نسبت به مدل‌های کلاسیک از کارایی بهتری برخوردار بوده است.

المصادر:

[1].Akinyede, R.O., Daramola, O.A. (2013). Neural Network Web- Based Human Resource Management System Model (NNWBHRMSM). International Journal of Computer Networks and Communications security, Vol.1, No.3, pp:75-87.

[2].Almedia, A., Azkune.G. (2018). Predicting Human Behavior with Recurrent Neural Networks. applied Sciences.MDPI.DOI:10.3390/app8020305.

[3].Amellas, Y., Bakkali, O, E. (2020). Short-term wind speed prediction based on MLP and NARX network models. Indonesian Journal of Electrical Engineering and Computer Science, Vol.18, No.1, pp.150-157.

[4].Andrawis, R.R., Atiya, A.F., Elshishiny, H. (2011). Forecast combinations of computational intelligence and linear models for the NN5 time series forecasting competition. International Journal of Forecasting,27, 672-688.

[5].Bigand, A., Colot, O. (2010). Fuzzy filter based on interval-valued fuzzy sets for image filtering. Fuzzy sets and systems,161(1), pp:96-117.

[6].Cabestany, J., Rojas, I., Joya,G.(Eds.). (2011). Advances in Computational Intelligence: 11th International Work-Conference on Artifical Neural Networks. IWANN Torremolinos-Malaga, Spain,June 8-10,Proceedings,Springer Science & Businees Media.

[7].Dorigo, M., Stutzle, T. (2004). Ant Colony Optimization. MIT Press Cambridge.

[8].Driver, M. J. (1982). The meaning of career success a closer inspection of historical cultural and isdeological contexts. Career Development International Journal of Management and Human,16, NO 4, pp:364-384.

[9].Eiben, A.E., Smith, J.E. (2003). Introduction to Evolutionary Computing. Springer press.

[10].Glover, F., Laguna, M. (2002). Tabu Search, In Handbook of Applied Optimization. Oxford university press, 194-208.

[11].Hall, D.T., Heras,M.L. (2010). Commentary Reintegrating Job Design and Career Theory Sreating not Just Good Jobbut Smart Jobs. Jornal of Organizational Behavior, Vol. 26, No. 20, pp:243-259.

[12].Hatch, M.J. (2013). Organization Theory: Modern, Symbolic and Postmodern Perspective. Oxford Press.

[13].Haykin, S. (1999). Neural Networks a Comprehensive Foundation. second edition, Prentice Hall, International Inc.engineering Education,23(4), pp:603-609.

[14].Hagan, M.T., & Menhaj, M. (1994). Training feedforward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks, vol.5, No.6, pp.989-993.

[15].Hagan, M.T., Demuth H.B., & BealeM.H. (1996). Neural Network Design. Boston, MA: PWS Publishing.

[16].Jahangoshai Rezaee, M., Dadkhah, M., Falahinia, M. (2019). Integrating neuro-fuzzy System and evolutionary optimization algorithms for short-term power generation forecasting. International Journal of Energy Sector Management.www.emeraldinsight.com.

[17].Jang, R. (1993). ANFIS: Adaptive -Network-based Fuzzy Inference Systems. IEEE, Transactions on systems, Man and Sybernetics, 23(3), pp:665-685.

[18].Kong, H., Cheung, C., Song, H. (2011). Hotel career management in China: Developing a measurement scale. Int,J,Hospitality manage,30(1):8-112.

[19].Lobo, J.M., Valverde, A.J., Real, R. (2007). AUC: a misleading measure of the performance of predictive distribution models. Global ecology and Biogeography.

[20].Lukovac, V., Pamucar, D., Popovic, M., Dorovic.B. (2017). Portfolio model for analyzing human resources: An approach based on neuro- fuzzy modeling and the Simulated annealing algorithm. Expert Systems with Applications, 90, pp:318-331.

[21].Muschelli, j. (2019). ROK and AUC with a binary predictor: a Potentially Misleading Metric. Journal of Classification, 37, 696-708.

[22].Patrikson & Clark. (2015). Managers Career Development Recognition in Taiwanese Companies. Asia Pacific Management Review,17.

[23].Rasdi Roziah, M., Maimunah, I., Jegak, U., Sidak Mohd, N. (2009). Towards developing a theorical framework for measuring public sector managers career success. J Eur, Int, train:33(3):54-232.

[24].Razak.T.R., Hashim.M.A., Noor.N.M., AbdHalim.I.H. (2014). Career path recommendation system for UITM perlis students using fuzzy logic. Conference Paper. DOI:10.1109/ICIAS.2014.6869553.

[25].Schnake,Mel,E.,Williams Report,J.,Fredenberger,W. (2007). Relationship between frequency of use of career management practices and employee attitudes intention to turnover and job search behavior. J Organ Cult:11(1):53-64.
[26].Schein, E.H. (1996). Career Anchors Revised Implications for Career Development in the 21st Century. The Academy of Management Executive,Vol. 10,No. 54,pp: 80-88.

[27].Sivanandam, S.N., Deepa, S.N. (2011). Principles of Soft Computing. 2nd Edition,WILEY INDIA.

[28].Stavrou, E., Charalambous, C., Spiliotis, S. (2007). Human resource management and performance: A neural network analysis. European Journal of Operational Research,Volume 181,Issue1,pages:453-467.

[29].Subahi, A. (2018). Data Collection for Career Path Prediction Based on Analysing Body of Knowledge of Computer Science Derees. Journal of Software.DOI:10.17706/jsw.13.10.533.546.

[30].Takagi.T., Sugeno.M. (1985). Fuzzy identification of systems and its applications to modeling and control. IEEE Transactions on systems,Man and Cybernetics,15:116-132.

[31].Tian, X., Pu, Y. (2008). AN Artifical Neural Network Approach to Hotel Employee Satisfaction:The Case of China. Social Behavior and Personality,36(4), pp:467-482.

[32].Wang, H., Yang, B. Chen, W. (2016). Unknown Constrained Mechanisms Operation based on Dynamic Interactive Control. CAAI,transactions on Intelligence Technology ,1 (3),pp:259-271.

[33].Wang, K.Y., Shun, H.Y. (2016). Applying Back Propagation Neural Networks in the Prediction of Management Associate Work Retention for Small and Medium Enterprises. Universal Journal of Management 4(5), pp:223-227.

نص كامل:



دسترسي در سايتِ http://jnrm.srbiau.ac.ir

سال یازدهم، شماره پنجاه و سوم، فروردین و اردیبهشت  1404

شماره شاپا: X588-2588

 

 

 

 

        

پیش­بینی هوشمند مسير پيشرفت شغلي بر اساس داده­هاي منابع انسانی

 

مجيد رياضی1، قاسم توحيدي2¹، محمدعلي كرامتي3

(1و3) گروه مديريت صنعتي، واحد تهران مركزي، دانشگاه آزاد اسلامي، تهران، ايران.

(2) گروه ریاضی کاربردی، واحد تهران مركزي، دانشگاه آزاد اسلامي، تهران، ايران.

 

تاریخ ارسال مقاله: 08/04/1401 تاریخ پذیرش مقاله: 15/07/1402

چکيده

عدم وجود مسیر پیشرفت شغلی قابل پیش­بینی برای کارکنان در سازمان­های مختلف موجب نارضایتی کارکنان و تبعات ناشی از آن از جمله کاهش بهره­وری سازمان خواهد شد. برای این منظور سازمان­های مختلف باید مسیر پیشرفت شغلی مشخصی را از ابتدای استخدام برای کارکنان خود تهیه و ارائه نمایند؛ اما تاکید بر این رویه ممکن است با توجه به تغییرات گسترده و پویا در دنیای کسب و کار امروزی منجر به عدم تحقق مسیر پیشرفت شغلی اولیه تعیین شده در سازمان­ها شود و علاوه بر ایجاد مشکلات مختلف به اعتبار سازمان در نزد کارکنان آسیب وارد نماید. بنابراین سازمان­ها همان­گونه که به مدیریت مسیر پیشرفت شغلی کارکنان می­پردازند باید با توجه به تغییرات زمانی بوجود آمده نسبت به اصلاح مسیر پیشرفت­ شغلی کارکنان خود بر مبنایی علمی و قابل ارائه اقدام نمایند، مهمترین گام در این راستا تشخیص احتمال قرار گرفتن کارکنان در شغل­های تعریف شده هر سازمان در زمان مناسب می­باشد. در این مقاله با ترکیب شبکه عصبی-فازی ANFIS و شبکه عصبی NARX استفاده از شبکه عصبی-فازی نارکس به عنوان یک روش جدید برای پیش­بینی مسیر پیشرفت شغلی کارکنان ارائه شده و یک مطالعه تجربی انجام شده است که شبکه عصبی-فازی نارکس با استفاده از الگوریتم­های فراابتکاری بهینه­سازی شده و الگوریتم پیشنهادی برای تعیین مسیر پیشرفت شغلی کارکنان یک سازمان طی 10 سال ارائه می­گردد. نتایج به دست آمده نشان می­دهد مدل طراحی شده با شبکه عصبی-فازی نارکس نسبت به مدل­های کلاسیک از کارایی بهتری برخوردار بوده است.

 

واژه‌هاي کليدي: الگوریتم­های فراابتکاری، شبكه عصبي-فازی ناركس، مسير پيشرفت­شغلی.

1- مقدمه

امروزه، با گسترش فناوری­ها و پیچیدگی­هاي محيطي، سازمان­ها نیازمند دانش، تخصص، مهارت و نگرش جدید به منظور رویارویی با تغییرات رو به رشد محیط بی­ثبات بیرونی مي­باشند، یکی از رقابت­های اصلی و حیاتی سازمان­ها بر سر مدیریت نیروی انسانی به عنوان مهمترین منبع دانش، نوآوری و خلاقیت است. 

در نتیجه تغییرات پویا و همه جانبه در محیط­های کسب و کار و به طور کلی در کل جامعه، نیروی انسانی به منبع بسیار مهمی برای توسعه مشاغل و توسعه شرکت­ها تبدیل شده است. دانش، مهارت­ها و شایستگی­های مرتبط با نیروی انسانی در حال تبدیل شدن به عامل مهمی برای سازمان در ایجاد مزیت رقابتی است. بنابراین، مدیریت نیروی انسانی اهمیت بیشتری پیدا ­می­کند. زیرا هدف آن هدایت کل انرژی کارکنان به سمت دستیابی به اهداف استراتژیک یک سازمان است]20[.

اجرای استراتژی هر سازمان نیازمند سه عامل است که یکی از آنها ایجاد ساختارها و سیاست­های نیروی انسانی است]12[. رقابت فزاينده در دنياي كسب و كار و ظهور تكنولوژي­هاي تاثيرگذار جديد همچنين گستردگي كسب و كار­ها­، تشكيل شركت­هاي بزرگ بين­المللي موجب مي­شود تا هدايت مسير پيشرفت شغلي كاركنان به صورت سنتي دشوار بوده و كار آساني نباشد. بنابراين، توسعه الگوريتم­هاي هوشمند و ايجاد مدل­هاي هوشمند براي تعيين مسير پيشرفت شغلي كاركنان بر اساس داده­هاي نیروی انسانی سازمان­ها بسيار اهميت پیدا می­کند.

هال² در سال 2010 در مقاله خود بیان نمود که سازمان­ها اهمیت مسير شغلي و تاثير آن بر بهره­وري و رضایت­مندی سازماني را درک نکرده­اند]11[. مسير پيشرفت شغلی در یک سازمان، پيشرفت کارکنان در رده شغل­های آن سازمان، در طول سال­های فعالیت شغلی تعریف می­شود. امروزه در محيط­هاي پویای كسب و كار نقش سازمان­ها در سيستم­هاي مسير پيشرفت شغلي بسیار مهم است­]18[. توجه به مسیر پیشرفت شغلی کارکنان موجب ایجاد دیدگاه مثبت در کارکنان می­شود]25[ و با افزایش رضایت شغلی­، روحیه کاری، عملکرد مثبت و تعهد سازمانی را افزایش می­دهد]25[. پيشرفت شغلي علاوه بر افزایش دستمزد منجر به بوجود آمدن فرصت­های جدید رشد و شکوفایی، به عهده گرفتن مسئولیت­های جدید سازماني­، تشخيص و استقلال براي تصميم­گيري در کارکنان مي­شود]26[.

تجزیه و تحلیل حجم زیادی از داده­ها و ارائه مدل­های هوشمند از جمله کارهایی است که به کمک شبكه­هاي عصبي می­توان روی داده­های نیروی انسانی انجام داد. شبكه­هاي عصبي مصنوعي، با انجام محاسبات روي داده­ها قانون نهفته در وراي داده­ها را شناسایی و الگو­های مورد نظر را ارائه می­نمایند]28[. برخي تحقيقات با استفاده از شبكه­هاي عصبي روي داده­های نیروی انسانی در نقاط مختلف جهان انجام شده است كه در ادامه به تعدادی از آن­ها اشاره خواهد شد.

در مقاله­ای که در سال 2007 بر روی کارکنان هتل در کشور چین انجام شد با استفاده از شبکه­های عصبی میزان رضایتمندی کارکنان از شغل و ارتباط آن با ترک کار بررسی شد و در آن با استفاده از یک شبکه عصبی سه لایه ³BP با شش ورودی و یک خروجی داده­های مربوط به 200 نفر از کارکنان مورد بررسی قرار گرفت]31.[ در این تحقیق به دلیل عدم استفاده از منطق فازی عدم قطعیت موجود در تحقیق در نظر گرفته نشده است.

در سال 2013 اطمینان از استخدام و نگهداری کارکنان شایسته به عنوان یک نیاز مهم برای مدیریت منابع انسانی مطرح شد. استخدام افراد حرفه­ای در مشاغل مناسب و آموزش آن­ها به طوري­كه داده­های متقاضیان را از میان یک شبکه وب پایه دریافت و آن را به شغل مناسب متصل کند از بسیاری از مشکلاتی که روش استخدام سنتی دارد جلوگیری می­کند. در اين روش از یک شبکه عصبی سه لایه پیشرو⁴ استفاده شده است­]1[. از معایب این تحقیق می­توان به عدم استفاده از شبکه بازگشتی اشاره نمود که در نتیجه پویایی سیستم به خوبی نشان داده نمی­شود. در سال 2014 به منظور راهنمایی افراد برای انتخاب شغل  مناسب، ایجاد یک سیستم مبتنی بر تکنیک منطق فازی پیشنهاد شده است تا از عدم تطابق بین توانایی فرد و شغل انتخابی جلوگیری شود]24[ که با توجه به عدم استفاده از شبکه­های عصبی و استفاده صرف از منطق فازی پیش­بینی مطلوب ارائه نشده است. در سال 2017 برای توسعه پورتفولیوی منابع انسانی از شبکه عصبی-فازی و الگوریتم فراابتکاری آنيل شبيه­سازي شده (⁵SA) استفاده شد]20[. شبکه عصبی-فازی ارائه شده در مقاله اخیر با دو ورودی و 4 خروجی عملکرد خوبی را نشان می­دهد ضمن اینکه از الگوریتم فراابتکاری آنیل شبیه­سازی شده برای بهینه­سازی جواب­ها استفاده شده است. در مدل مورد استفاده برای مقاله اشاره شده می­توان از شبکه عصبی-فازی نارکس برای پیش­بینی زمانی نیز استفاده نمود که ما در مقاله خود و برای پیش­بینی زمانی مسیر پیشرفت شغلی کارکنان از ترکیب شبکه عصبی-فازی(⁶ANFIS) و شبکه عصبی نارکس (⁷NARX) استفاده نموده­ایم.

در سال 2018 یک رویکرد شبکه هوشمند­⁸ANN برای پیش­بینی مسیر شغلی⁹CPP با تجزیه و تحلیل کامپیوتری بر روی امتیاز عملکرد دانشجویان ارائه شد و محاسبات به وسیله یک شبکه عصبی تک لایه با 13 ورودی و یک خروجی انجام شد]29[ که از معایب آن تک لایه بودن، فازی نبودن و پویا نبودن را می­توان نام برد. مجموعه­های فازی می­توانند در ارائه نظرات و اطلاعات غیرشفاف انعطاف­پذیرتر باشند و این مساله با میزان زیاد عدم­قطعیت آنها کاملا هم­خوانی دارد]5[. در مقالاتی که به موضوع مدل­سازی منابع انسانی پرداختند و پورتفولیویی¹⁰ را تجزیه و تحلیل کرده­اند، فقط از تکنیک¹¹خشک استفاده شده است که دارای انعطاف­پذیری نیست و نمی­تواند از عدم قطعیتی که در طول فرآیند مدل­سازی وجود دارد بهره­برداری کند. استفاده از روش فازی برای برطرف نمودن این مشکل می­تواند روش مناسبی باشد]20[. اینجاست که استفاده همزمان از شبکه عصبی-فازی به منظور پوشش عدم قطعیت موجود در تحقیق و استفاده از شبکه عصبی نارکس به منظور پوشش پویایی تحقیق و همچنین استفاده از الگوریتم­های فراابتکاری به منظور بهینه­سازی نهایی تحقیق اهمیت خود را نشان می­دهد و همین عوامل سبب شد تا ما در این مقاله از شبکه عصبی-فازی نارکس و الگوریتم­های فراابتكاري آنيل شبيه­سازي شده­(SA)­، کلونی مورچگان (¹²ACO) و ژنتیک­(¹³GA)  برای پیش­بینی مسیر پیشرفت شغلی کارکنان سازمان مورد مطالعه استفاده نماییم.

يك الگوريتم بهينه­سازي فراابتكاري، يك روش ابتكاري است كه مي­توان با تغييراتي اندك آن را براي مسائل مختلف بهينه­سازي به كار برد. استفاده از الگوريتم­هاي فراابتكاري به­طور قابل ملاحظه­اي توانايي يافتن جواب­هاي با كيفيت بالا را براي مسائل بهينه­سازي افزايش مي­دهند. ويژگي مشترك اين الگوريتم­ها استفاده از مكانيزم­هاي خروج از بهينه محلي است . الگوريتم كلوني مورچگان به اختصار ACO ناميده مي­شود. الگوريتم­هاي مبتني بر رفتار مورچه­ها، شامل مدل­هايي مي­شوند كه از رفتار مورچه­هاي واقعي الهام گرفته شده است. ايده اصلي در اين الگوريتم­ها استفاده از اصول خود سازماندهي¹⁴ شده به منظور حل مسائل محاسباتي است­]7[. الگوريتم­هاي كلوني مورچگان داراي چند ويژگي جذاب هستند كه شامل انعطاف­پذيري¹⁵ قابليت اعتماد¹⁶ و خود­سازماندهي مي­باشد]9[.

GA الگوريتم جستجوي ابتكاري تطبيقي مبتني بر ايده­هاي تكاملي انتخاب طبيعي و ژنتيك است و براي حل مسائل بهينه­سازي استفاده مي­شود. الگوريتم ژنتيك يك الگوريتم تصادفي نيست بلكه از اطلاعات گذشته براي هدايت تحقيق به ناحيه­اي بهتر استفاده مي­كند. تكنيك­هاي اساسي GA براي شبيه­سازي فرآيند­ها در سيستم­هاي طبيعي استفاده مي­شوند]27[. در مطالعه تجربی انجام شده مسیر پیشرفت شغلی کارکنان یک سازمان طی 10 سال مورد مطالعه قرار گرفته و روند مسیر پیشرفت شغلی کارکنان آن پیش­بینی شده است. نرم­افزار مورد استفاده براي مدل­سازي در اين روش نرم­افزار MATLAB  مي­باشد.

در بخش بعدی داده­ها و روش تحقيق به منظور مدیریت مسیر پیشرفت شغلی را بيان مي­كنيم­، در بخش سوم یافته­های تحقیق بیان شده است. با توجه به اینکه هدف پیش­بینی مسیر پیشرفت شغلی کارکنان است، ابتدا داده­های جمع­آوری شده تست و صحت­­سنجی شده­اند و پس از تولید توابع عضویت، آموزش شبکه عصبی-فازی نارکس انجام و متغیر­های ورودی و خروجی حاصل از الگوریتم­های فراابتکاری مورد مطالعه بررسی می­شوند، سپس شبکه عصبی که کمترین خطا را نشان دهد به عنوان مدل مورد تایید ارائه می­گردد. در انتها نتیجه­گیری انجام شده است.

 

2- داده­ها و روش­ها

1-2 - ANFIS

به فرآیند ضابطه­مند شدن نگاشت­های ورودی به خروجی با استفاده از منطق فازی استنتتاج فازی گفته می شود. این نگاشت منجر به اخذ تصمیم یا مشخص شدن یک الگو می شود. در فرآیند استنتاج فازی از توابع عضویت، عملگر­های فازی و قواعد اگر­–­آنگاه استفاده می­شود. سیستم­های استنتاج فازی در زمینه­های مختلفی از جمله طبقه­بندی داده­ها، سیستم­های خبره، بینایی ماشین، تحلیل سیستم­ها و کنترل خودکار به کار برده می­شوند.به طور کلی دو نوع سیستم استنتاج فازی معروف به نام­های ممدانی¹⁷ و سوگنو¹⁸ وجود دارد ]30[. امروزه سيستم­هاي فازي مبتني بر شبكه عصبي انطباقي يكي از موثرترين روش­ها برای پيش­بيني مدل سيستم­هاي مهندسي است. شبك­هاي عصبي و همچنين شبکه­­ANFIS توانايي مدل­سازي داده­هاي غير­خطي را دارند]17[.

اولین گام در سیستم های استنتاج فازی تعیین ورودی­ها و درجه عضویت آن­ها نسبت به مجموعه­های فازی از طریق توابع عضویت می­باشد، مهمترين مزيت سيستم­های استنتاج فازی آن است که اجازه کار با قواعد زبانی را می­دهند. ANFIS يا همان سيستم­هاي استنتاج تطبيقي عصبی-­فازی، با تركيب شبكه­هاي عصبي مصنوعي و سيستم­هاي استنتاج فازي، رده­اي از سيستم­هاي استنتاج فازي تطبيقي را به وجود آورده است]7[.

یک قانون در مدل فازی سوگنو به فرم زیر می­باشد:

  (1)

در صورتیکه  خروجی سوگنو برابر با یک مقدار ثابت خواهد بود.

 ANFIS توسط راجر جنگ¹⁹) 1993) به منظور استفاده از مزاياي شبكه­هاي عصبي مصنوعي و سيستم­هاي استنتاج فازي سوگنو ارائه گرديد]17[.

ANFIS با استفاده از مجموعه داده­های ورودی و خروجی یک سیستم استنتاج فازی ایجاد می­کند. پارامتر­های توابع عضویت این سیستم از طریق الگوریتم پس انتشار یا ترکیب آن با روش حداقل مربعات تنظیم می­شوند این کار به سیستم فازی اجازه می­دهد تا ساختار خود را از مجموعه داده­ها فرا بگیرد­]30[. عملکرد ANFIS به شدت وابسته به ساخت يک سيستم با منطق فازی و نوع و تعداد توابع عضويت است که متغير ورودی سيستم منطق فازي را توضيح می­دهد و پايه و اساس قوانين می­باشد­]31[. در ANFIS كه از يك شبكه 5 لايه پيشرو تشكيل شده است هر گره به صورت يك تابع خاص روي سيگنال­هاي ورودي عمل مي­كند. ساختار ANFIS با 5 لايه در شكل بالا نشان داده شده است.

لايه اول درجه عضويت گره­هاي ورودي را به وسيله توابع عضويت مشخص مي­كند. در لايه دوم هر گره درجه فعاليت هر قانون را مشخص مي­كند. لايه سوم مقادير لايه قبلي را نرمال­سازي مي­كند. لايه چهارم روي خروجي لايه قبل پردازش انجام مي­دهد و لايه پنجم خروجي­هاي نهايي را محاسبه مي­كند. فرآيند آموزش در اين سيستم نشان مي­دهد كه از پارامترهاي غير­خطي براي توابع عضويت فازي در لايه اول و از پارامترهاي خطي در لايه چهارم استفاده مي­شود تا خروجي مورد نظر محاسبه گردد ]16[.

 

 

 

 

 

شکل1: معماری ANFIS با N ورودی و K خروجی

 

 

 

2-2 شبكه عصبی نارکس

شبکه­های عصبی بازگشتی²⁰ از توانایی بالقوه بالاتری نسبت به شبکه­های پیشرو برخوردار بوده و دقیق­تر می­توانند روند مربوط به ویژگی­های زمانی سیستم مورد بررسی را نشان دهند­]13[. شبكه عصبي ناركس نوعی از شبکه­های عصبی بازگشتی هستند که به شكل كلي زير می­باشند. که در آن:

        (2)    ورودی های مستقل شامل 21 متغیر

 

 

 

 شکل2: نمای کلی شبکه عصبی نارکس

 

 

 

شکل3: نمایی دیگر از شبکه عصبی نارکس  با لایه­های ورودی، خروجی و پنهان

 

در شکل 3 این مفهوم فوق با جزییات بیشتری نشان داده شده است.

           (3)

در فرمول (3) مقدار خروجي وابستهبر مبناي خروجي­هاي مراحل قبل و مقادير مستقل سيگنال ورودي خارجي مي­باشد همچنینبیان کننده تاخیر زمانی است و هر مقدار کهبیشتر باشد قدرت پیش­بینی شبکه NARX نیز بیشتر است اما با این کار زمان محاسبات افزایش می یابد]15,3[. در MATLAB به کمک  nnstart می­توان ابزار²¹ntstool را فراخوان و حالت فوق را اجرایی نمود.

 خروجي شبكه ناركس را مي­توانيم به عنوان تخميني از سيستم پوياي غير­خطي در نظر بگيريم به اين معني كه خروجي شبكه به ورودي آن پسخورد مي­شود. در جايي­كه مقدار دقيق خروجي در هنگام آموزش در دسترس است امكان استفاده از معماري سري­-موازي وجود دارد. ساختار سري موازي داراي دو مزيت است اول اينكه ورودي­هاي شبكه پيشرو دقيق­تر هستند و دوم اينكه در اين حالت از قاعده پس­انتشار ايستا مي­توان براي آموزش آن استفاده نمود]15,­14[. برای ایجاد یک شبکه سری-موازی نارکس در نرم افزار MATLAB از تابع newnarxsp استفاده می­شود.

 

3-2  شبکه عصبی-فازی نارکس

در این مقاله ANFIS را با شبکه عصبی نارکس ترکیب نموده و شبکه عصبی-فازی نارکس را به وجود می­آوریم مدل مسير شغلي كه با شبكه عصبي-فازي ناركس و به كمك الگوريتم آنیل شبیه­سازی شده آموزش داده مي­شود را به اختصار با NASACPM­، مدل مسير شغلي كه با شبكه عصبي-فازي ناركس و به كمك الگوريتم کلونی مورچگان آموزش داده شده را به اختصار با NAACCPM و مدل مسير شغلي كه با شبكه عصبي-فازي ناركس و به كمك الگوريتم ژنتیک آموزش داده شده را به اختصار با NAGACPM نشان مي­دهيم همچنین از توابع عضویت گاوسی ²²GMF برای²³FLS  استفاده شده است تا متغیرهای ورودی را توضیح دهند. ویژگی GMF ها این است که متغیرهای ورودی را به خوبی توضیح می­دهند، حساسیت کافی برای سیستم ایجاد می­کنند، به سادگی می­توان در زمان انجام تنظیمات FLS آنها را دستکاری نمود.

در مجموع از 70 درصد داده­ها براي آموزش شبكه و از 30 درصد براي تست استفاده نموده­ايم. 21 ورودی و 28 مقدار خروجی شامل  است. با توجه به نوع فعالیت سازمان مورد مطالعه که دارای بخش­های پشتیبانی و عملیاتی می­باشد، مجموع رده­های شغلی تعریف شده برای هریک از بخش­ها شامل 28 خروجی در نظر گرفته شده است که با    به عنوان خروجی نشان داده می­شوند. شبكه عصبی-فازی نارکس قابليت دريافت ورودي­ها به صورت پويا را دارد و به ما اجازه استفاده از سري­هاي زماني را در مدل مي­دهد شبكه عصبی-فازی نارکس با استفاده از الگوریتم­های فراابتکاری بهینه­سازی شده است. با عبور پارامترهای ورودی  از شبکه عصبی-فازی نارکس خروجی­ها شامل  تولید می­شوند. خروجی­ها ميزان تعلق كارمند به شغل­هاي سازماني كه به صورت درصد بيان مي­شود را مشخص می­نمایند²⁴MF  با استفاده از منحنی گاوسی با دو پارامتر  (مرکز تابع) و  (عرض تابع) ارائه شده است. 

 (4)                              

هر متغیر ورودی با استفاده از پنج مجموعه فازی مشخص می­شود و دامنه متغیر­های وردی در بازه]0,5[ تعیین گردیده است به طوری­که بین 4 تا 5 خیلی زیاد، بین 3 تا 4 زیاد، بین 2 تا 3 متوسط، بین 1 تا 2 کم و بین 0 تا 1 خیلی کم می­باشد. در انتها دفازی­سازی²⁵ انجام می­شود­، خارج کردن مقادیر خروجی شبکه عصبی-فازی نارکس از حالت فازی می­تواند با روش­های گوناگونی شکل بگیرد. در این مقاله از روشی مشابه به روش مرکز ثقل استفاده می­شود. مقادیر خروجی  که از حالت فازی خارج می­شوند اعداد CRISP از دامنه صفر تا صد هستند.

 

4-2 گام­هاي ساخت مدل

گام­های ساخت مدل هوشمند مسير پيشرفت شغلي كاركنان با استفاده از شبکه عصبی-فازی نارکس در فلوچارت زیر نشان داده شده است:

 

 

 

                          شکل4: فلوچارت مدل

 

 

 

 

شکل5: حساسیت عصبی-فازی نارکس قبل و بعد از آموزش

 

5-2 ارزيابي مدل

براي ارزيابي اثر بخشي مدل­هاي پيش­بيني از معيار­هاي عملكرد استفاده مي­شود هر­كدام از اين معيار­ها مدل را به روش خاصي ارزيابي مي­كنند. اين معيار­ها عبارتند از­: خطاي درصد مطلق ميانگين (²⁶MAPE)­، خطاي مربع ميانگين ريشه(²⁷RMSE) و ضريب تعيين(R2) كه به صورت زير تعريف مي­شوند:

(5)           

                      (6)

                        (7)

كه N تعداد بردار داده  مقدار هدف و   مقدار پيش­بيني شده در مدل پيشنهادي است­]16[. شبکه عصبی کارا و قابل اطمینان شبکه­ای است که در عین کم بودن میزان خطا دارای ضریب تبیین بالایی نیز باشد (نزدیک به یک)­]13[. 

 

3- نتایج

شبکه عصبی-فازی نارکس با الگوریتم­های فراابتکاری SA و ACO و GA تحت شرایط مشابه آموزش داده شد. الگوریتم SA توانست نتایج بهتری نشان دهد. هر سه مدل با استفاده از MATLAB اجرا شدند.

در شکل 5 نمای گرافیکی حساسیت شبکه عصبی-فازی نارکس قبل و بعد از آموزش نشان داده شده است. از سمت راست شبکه عصبی-فازی نارکس بهینه­سازی شده با الگوریتم فراابتکاری SA قبل از آموزش شکل بالا و بعد از آموزش شکل پایین، در وسط شبکه عصبی-فازی نارکس بهینه­سازی شده با الگوریتم فراابتکاری ACO قبل از آموزش شکل بالا و بعد از آموزش در شکل پایین و در انتها شبکه عصبی-فازی نارکس بهینه­سازی شده با الگوریتم فراابتکاری GA قبل از آموزش شکل بالا و بعد از آموزش در شکل پایین نشان داده شده است.

الگوریتم فراابتکاری SA نسبت به الگوريتم­هاي فراابتکاری ACO و GA  دارای زمان آموزش کوتاه­تری است. خطا در انتهای زمان آموزش در الگوریتم فراابتکاری SA مقدار 087/0 بود در حالی­که برای الگوریتم فراابتکاری ACO برابر با 093/0 و براي الگوريتم فراابتکاری GA برابر با 095/0 بود. در شکل 6 روند خطای آموزش هر یک از الگوریتم­های SA و ACO و GA نشان داده شده است:

 

 

شکل6 روند خطاي آموزش با استفاده از الگوریتم­های فراابتکاری آنيل شبيه­سازي شده، كلوني مورچگان و ژنتیک

 شکل 7: مقادیر MSE، RMSE , ERROR MEAN و ERROR.STD

همان­گونه که ملاحظه می­شود خطا روند کاهشی داشته و کمترین خطا با استفاده از الگوریتم فراابتکاری SA به دست آمده است. در مرحله اول داده­ها آماده­سازی و سپس پاکسازی لازم صورت می­پذیرد و در نهایت بعد از شناسایی داده­های پرت و اصلاح مقادیر مدل­سازی با استفاده از ویژگی سری زمانی شبکه عصبی نارکس پیش­بینی در مورد مسیر پیشرفت شغلی کارکنان سازمان مورد مطالعه انجام می­شود.

شبکه عصبی پویا از ابزار­های جدیدی است که در سیستم­های غیر­خطی و نامعین که روابط بین اجزا و پارامتر­های سیستم به خوبی شناخته شده و تاثیرپذیر نیستند قادر به تحلیل و شبیه­سازی می­باشد]4[. از آنجایی­که داده های 10 سال نیروی انسانی شرکت مورد مطالعه در اختیار قرار داشته است و پیش­بینی صورت گرفته برای سال یازدهم و بعد از آن می­باشد برای صحت و درستی مدل علاوه بر بررسی عملکرد شبکه پیش­بینی را برای 10 سال انجام و روند پیش­بینی را با آنچه که در واقعیت اتفاق افتاده مقایسه نموده­ایم.

در شکل 6 روند پیش­بینی در نمودارهای گرافیکی نشان داده شده است همان­طور که در شکل مشاهده می­شود میزان اختلاف ییش­بینی­های انجام شده با داده­های واقعی بسیار نزدیک به هم بوده و درستی مدل طراحی شده مورد تایید قرار گرفته است. در شکل 7 مقادیر MSE، RMSE­, ERROR MEAN و ERROR.STD برای هر یک از الگوریتم­های فراابتکاری SA،­ACO،GA به همراه نمای گرافیکی آن­ها و در شکل 8 مقادیر­AUC به دست آمده برای الگوریتم­های SA،­ACO،GA و حالت TOTAL با نمای گرافیکی نشان داده شده است.

 

 

شکل8: مقادیر AUC به دست آمده برای الگوریتم­های فراابتکاری SA,ACO,GA و حالت TOTAL 

در شکل 7 قسمت a نمای گرافیکی نتایج حاصل از آموزش شبکه عصبی-فازی نارکس با استفاده از 70 درصد داده­ها نشان داده شده است و در قسمت­های b,c  و d نمای گرافیکی نتایج حاصل از تست شبکه عصبی-فازی نارکس با استفاده از الگوریتم­های فراابتکاری SA،­ACO  و GA  نشان داده می­شود.

ERROR.STD انحراف استاندارد از داده­های حاصل از تست تولید شده در حالی­که خطای میانگین استاندارد ERROR MEAN یک عبارت احتمالی در مورد نسبت اندازه نمونه و انحراف استاندارد نمونه­ای است این شاخص با استفاده از قضیه حد مرکزی ²⁸ سعی در اندازه­گیری خطای برآورد میانگین جامعه آماری دارد.

²⁹AUC سطح زیر منحنی³⁰ ROK است و هر چه مقدار آن از 5/0 بیشتر و به 1 نزدیک­تر باشد بهتر است. منحنی ROK منحنی مشخصه عملیاتی دریافت­کننده است و به منظور بیان نرخ مثبت درست³¹ در مقابل نرخ مثبت غلط³² استفاده می­شود]21,19[.

مقادیر به دست آمده در شکل­های 7 و 8 در جدول 1 جمع­آوری شده­اند.

با توجه به توضیحات داده شده ما برای انتخاب بهینه­ترین الگوریتم فراابتکاری شاخص­های زمان آموزش کمتر­MSE ،­RMSE­ و­ERROR.STD  را بررسی نمودیم که در تمامی این شاخص­ها الگوریتم بهینه­سازی SA نتایج بهتری را نشان می­دهد ضمن اینکه در بررسی AUC مقادیر به دست آمده برای الگوریتم SA و ACO بسیار به هم نزدیک می­باشد که با توجه به خطای کمتری که الگوریتم SA نشان می­دهد به این نتیجه رسیدیم که شبکه عصبی-فازی نارکس که با الگوریتم فراابتکاری SA بهینه­سازی شده است و به اختصار با NASACPM نشان داده می­شود عملکرد بهتری نسبت به سایر مدل­ها داشته و به همین دلیل به عنوان مدل نهایی انتخاب و معرفی می­گردد.

 

 

جدول1: نتایج خروجی مدل طراحی شده

نتایج مدل شبکه عصبی-فازی نارکس	RMSE	MSE	ERROR MEAN	ERROR STD.	AUC
بهینه­سازی شده با الگوریتم SA	2840/0	0806/0	0197/0-	2835/0	833/0
بهینه­سازی شده با الگوریتم ACO	2971/0	0882/0	0080/0-	2970/0	839/0
بهینه­سازی شده با الگوریتم GA	2851/0	0813/0	0237/0-	2843/0	819/0

 

 

 

 

 

 

 

شکل9: نمودار پیش بینی مسیر پیشرفت شغلی برای یک نفر از کارکنان سازمان مورد مطالعه

در نمودار فوق خروجی مدل برای پیش­بینی مسیر پیشرفت شغلی یک نفر از کارکنان سازمان مورد مطالعه که با روش NASACPM به دست آمده نشان داده شده است.

همان­گونه که در شکل 9 می­بینید نتیجه پیش­بینی قابل رویت می­باشد. برای 28 رده شغلی خروجی علاوه بر پیش­بینی زمانی انجام شده عددی نیز روی هر ستون نمایش داده شده است که این عدد برای کارکنان مختلف می­تواند عددی بین صفر تا صد باشد. به عبارت دیگر شبکه عصبی اطلاعاتی در مورد میزان عضویت یک کارمند در هر یک از 28 رده شغلی ارائه می­کند و به این ترتیب احتمال قرار گرفتن کارمند در هر رده شغلی مشخص می­شود. این مدل علاوه بر مزایایی که دارد منجر می­شود تا با پیش­بینی تعداد نیروی انسانی مورد نیاز در مشاغل آتی هر سازمان امکان برنامه­ریزی دقیق­تری نسبت به روش­های سنتی فراهم آید و رضایت­مندی، عملکرد اثربخشی و در نهایت بهره­وری نیروی انسانی نیز افزایش یابد.

 

4- بحث و نتیجه گیری

با نگاهی راهبردی به منابع انسانی می­توان از آن به عنوان سرمایه ارزشمند هر سازمان نام برد و توسعه منابع انسانی را در دستور کار قرار داد. یکی از ابزارهای این توسعه، مدیریت و هدايت مسير پيشرفت شغلي كاركنان است. این مهم در سازمان­های بزرگ امروزی به صورت سنتي دشوار بوده و در صورت عدم توجه به آن منجر به نارضایتی و کاهش بهره­وری کارکنان و در نتیجه افزایش هزینه­ها خواهد شد. فراهم آوردن برنامه­های توسعه مسیر پیشرفت شغلی می­تواند منجر به ایجاد احساس ارزش برای کارکنان سازمان شود و به نوبه خود رضایت شغلی، بهبود عملکرد و احساس موفقیت را در کارکنان افزایش و فشارهای روانی عدم تمرکز و ترک کار را کاهش دهد. چگونگی پیش­بینی مسیر پیشرفت شغلی کارکنان در سازمان با توجه به تغییرات گسترده و پویای کسب و کار­های نوین امروزی به یکی از چاش­های سازمان­ها تبدیل شده است. سازمان­ها همان­گونه که به مدیریت نیروی انسانی می­پردازند باید با توجه به شرایط زمانی کسب و کارها به مدیریت مسیر پیشرفت شغلی کارکنان خود نیز بپردازند.

در این مقاله سعی شده است مدلی بر مبنای مسیر پیشرفت شغلی کارکنان یک سازمان مورد مطالعه طی 10 سال از ابتدای سال 1389 تا پایان سال 1398 ارائه شود که نتایج مدل حاکی از آن است که مدل طراحی شده یک شبکه عصبی - فازی پویا با 21 ورودی و 28 خروجی و کارایی 98 درصدی می­باشد که با استفاده از این مدل قادریم مسیر پیشرفت شغلی کارکنان سازمان را به صورت پویا پیش­بینی و بر اساس پیش­بینی صورت گرفته جابجایی کارکنان در درون سازمان انجام شود به طوری­که روش پیشنهادی می­تواند رضایتمندی کارکنان را تا 85 درصد افزایش دهد. همچنین در این پژوهش شبکه طراحی شده بر مبنای داده­های واقعی ابزار قدرتمند برای پیش­بینی می­باشد که می­تواند ساختار غیر­خطی مسیر پیشرفت شغلی کارکنان را با دقت موردنظر تقریب بزند و با استفاده از روشی پویا و در نظر گرفتن عدم اطمینان موجود در داده­ها برای پیش­بینی مسیر پیشرفت شغلی کارکنان استفاده کند تا به این ترتیب با افزایش رضایت­مندی و عملکرد کارکنان منجر به افزایش بهره­وری و کاهش هزینه­ها گردد. در چنین حالتی مدل پیش­بینی طراحی شده برای ایجاد یک تصویر شفاف از مسیر پیشرفت شغلی کارمند ضروری می­باشد. یکی از مشکلات پیش رو در این پژوهش عدم دسترسی به دیتا­های کارکنان به صورت لحظه­ای است که منجر می­شود تا روند پیش­بینی با تاخیر انجام شود که پیشنهاد می­شود دیتا­های کارکنان با استفاده از نرم­افزار­های موجود در سازمان­ها به صورت لحظه­ای به این مدل متصل شوند تا ارزیابی روند پیش­بینی با سرعت و دقت بیشتری انجام شود. مدل عصبی-فازی نارکس مسیر پیشرفت شغلی کارکنان می­تواند منجر به تغییر نگاه­های سنتی گردد و سازمان­های امروزی را به کمک کامپیوتر­ها و بانک داده­های منابع انسانی به استفاده از روش­های هوشمند نوین برای تحلیل و تعیین مسیر پیشرفت شغلی کارکنان هدایت نماید که در توسعه مدیریت منابع انسانی الکترونیک نقش مهمی ایفا خواهد نمود.

البته امکان تحقیقات بیشتر در این زمینه وجود دارد زیرا همان­گونه که قبلا بیان شد رده­های شغلی در این تحقیق برای دو بخش پشتیبانی و عملیاتی در سازمان مورد مطالعه در نظر گرفته شده­اند. یکی از مواردی که به عنوان تحقیقات آتی پیشنهاد می­شود این است که دسته­بندی بخش­های سازمان و تعیین رده­های شغلی در هر بخش را با استفاده از قابلیت خوشه­بندی شبکه­های عصبی تعیین نموده و سپس ورودی­ها و خروجی­های تحقیق را بر اساس خوشه­بندی انجام شده تعریف نماییم. با توجه به اینکه تابع عضویت ناقوس شکل دارای یک پارامتر بیشتر نسبت به توابع عضویت گاوسی است، بنابراین کنترل بیشتری روی آن برای تنظیم شیب در نقاط تقاطع وجود دارد و پیشنهاد می­شود این دسته از توابع عضویت ناقوس شکل نیز مورد مطالعه قرار گیرند. 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

فهرست منابع

 [1].Akinyede, R.O., Daramola, O.A. (2013). Neural Network Web- Based Human Resource Management System Model (NNWBHRMSM). International Journal of Computer Networks and Communications security, Vol.1, No.3, pp:75-87.

 

[2].Almedia, A., Azkune.G. (2018). Predicting Human Behavior with Recurrent Neural Networks. applied Sciences.MDPI.DOI:10.3390/app8020305.

 

[3].Amellas, Y., Bakkali, O, E. (2020). Short-term wind speed prediction based on MLP and NARX network models. Indonesian Journal of Electrical Engineering and Computer Science, Vol.18, No.1, pp.150-157.

 

[4].Andrawis, R.R., Atiya, A.F., Elshishiny, H. (2011). Forecast combinations of computational intelligence and linear models for the NN5 time series forecasting competition. International Journal of Forecasting,27, 672-688.

 

[5].Bigand, A., Colot, O. (2010). Fuzzy filter based on interval-valued fuzzy sets for image filtering. Fuzzy sets and systems,161(1), pp:96-117.

 

[6].Cabestany, J., Rojas, I., Joya,G.(Eds.). (2011). Advances in Computational Intelligence: 11th International Work-Conference on Artifical Neural Networks. IWANN Torremolinos-Malaga, Spain,June 8-10,Proceedings,Springer Science & Businees Media.

 

[7].Dorigo, M., Stutzle, T. (2004). Ant Colony Optimization. MIT Press Cambridge.

 

[8].Driver, M. J. (1982). The meaning of career success a closer inspection of historical cultural and isdeological contexts. Career Development International Journal of Management and Human,16, NO 4, pp:364-384.

 

[9].Eiben, A.E., Smith, J.E. (2003). Introduction to Evolutionary Computing. Springer press.

 

[10].Glover, F., Laguna, M. (2002). Tabu Search, In Handbook of Applied Optimization. Oxford university press, 194-208.

 

[11].Hall, D.T., Heras,M.L. (2010). Commentary Reintegrating Job Design and Career Theory Sreating not Just Good Jobbut Smart Jobs. Jornal of Organizational Behavior, Vol. 26, No. 20, pp:243-259.

 

[12].Hatch, M.J. (2013). Organization Theory: Modern, Symbolic and Postmodern Perspective. Oxford Press.

 

[13].Haykin, S. (1999). Neural Networks a Comprehensive Foundation. second edition, Prentice Hall, International Inc.engineering Education,23(4), pp:603-609.

 

[14].Hagan, M.T., & Menhaj, M. (1994). Training feedforward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks, vol.5, No.6, pp.989-993.

 

[15].Hagan, M.T., Demuth H.B., & BealeM.H. (1996). Neural Network Design. Boston, MA: PWS Publishing.

 

[16].Jahangoshai Rezaee, M., Dadkhah, M., Falahinia, M. (2019). Integrating neuro-fuzzy System and evolutionary optimization algorithms for short-term power generation forecasting. International Journal of Energy Sector Management.www.emeraldinsight.com.

 

[17].Jang, R. (1993). ANFIS: Adaptive -Network-based Fuzzy Inference Systems. IEEE, Transactions on systems, Man and Sybernetics, 23(3), pp:665-685.

 

[18].Kong, H., Cheung, C., Song, H. (2011). Hotel career management in China: Developing a measurement scale. Int,J,Hospitality manage,30(1):8-112.

 

[19].Lobo, J.M., Valverde, A.J., Real, R. (2007). AUC: a misleading measure of the performance of predictive distribution models. Global ecology and Biogeography.

 

[20].Lukovac, V., Pamucar, D., Popovic, M., Dorovic.B. (2017). Portfolio model for analyzing human resources: An approach based on neuro- fuzzy modeling and the Simulated annealing algorithm. Expert Systems with Applications, 90, pp:318-331.

 

[21].Muschelli, j. (2019). ROK and AUC with a binary predictor: a Potentially Misleading Metric. Journal of Classification, 37, 696-708.

 

[22].Patrikson & Clark. (2015). Managers Career Development Recognition in Taiwanese Companies. Asia Pacific Management Review,17.

 

[23].Rasdi Roziah, M., Maimunah, I., Jegak, U., Sidak Mohd, N. (2009). Towards developing a theorical framework for measuring public sector managers career success. J Eur, Int, train:33(3):54-232.

 

[24].Razak.T.R., Hashim.M.A., Noor.N.M., AbdHalim.I.H. (2014). Career path recommendation system for UITM perlis students using fuzzy logic. Conference Paper. DOI:10.1109/ICIAS.2014.6869553.

 

[25].Schnake,Mel,E.,Williams Report,J.,Fredenberger,W. (2007). Relationship between frequency of use of career management practices and employee attitudes intention to turnover and job search behavior. J Organ Cult:11(1):53-64.

[26].Schein, E.H. (1996). Career Anchors Revised Implications for Career Development in the 21st Century. The Academy of Management Executive,Vol. 10,No. 54,pp: 80-88.

 

[27].Sivanandam, S.N., Deepa, S.N. (2011). Principles of Soft Computing. 2nd Edition,WILEY INDIA.

 

[28].Stavrou, E., Charalambous, C., Spiliotis, S. (2007). Human resource management and performance: A neural network analysis. European Journal of Operational Research,Volume 181,Issue1,pages:453-467.

 

[29].Subahi, A. (2018). Data Collection for Career Path Prediction Based on Analysing Body of Knowledge of Computer Science Derees. Journal of Software.DOI:10.17706/jsw.13.10.533.546.

 

[30].Takagi.T., Sugeno.M. (1985). Fuzzy identification of systems and its applications to modeling and control. IEEE Transactions on systems,Man and Cybernetics,15:116-132.

 

[31].Tian, X., Pu, Y. (2008). AN Artifical Neural Network Approach to Hotel Employee Satisfaction:The Case of China. Social Behavior and Personality,36(4), pp:467-482.

 

[32].Wang, H., Yang, B. Chen, W. (2016). Unknown Constrained Mechanisms Operation based on Dynamic Interactive Control. CAAI,transactions on Intelligence Technology ,1 (3),pp:259-271.

 

[33].Wang, K.Y., Shun, H.Y. (2016). Applying Back Propagation Neural Networks in the Prediction of Management Associate Work Retention for Small and Medium Enterprises. Universal Journal of Management 4(5), pp:223-227.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

---

[1] * عهده دار مکاتبات:                                                                                Email: [e-mail]

[2]  Hall1  

[3] Back Propagation 2

[4] Feedforward 3

[5] Simulated Annealing algorithm 4

 

[6] Adaptive Neuro-Fuzzy Inference System5

[7] Nonlinear Auto Regressive exogenous6

[8] Artifical Neural Network   ­

[9] Career Path Prediction ­  

[10] Portfolio ­  

[11] Crisp ­ 

[12] ­ Ant Colony Optimization  

[13] ­ Genetic Algorithm   

[14] Self-Organized13

[15] Felexibility14

[16] Robustness15

[17] Mamdani16

[18] Sugeno17

[19] Roger Jang18

[20] Recurrent19

[21] ­­

Neural network Time Series Tools20

[22] Gaussian Membership Functions21

[23] Fuzzy Logic system22

[24] Membership Functions23

[25] Defuzzification24

[26] Mean Absolute Percentage Error25

[27] Root Mean Square Error26

[28]  Central Limit Theorem27

[29]   Area Under the rock Curve

[30] Receiver Operating Characteristics 29 

[31] True Positive Rate30 

[32] False Positive Rate31 

---