APP下载

量子遗传算法对组织氛围的聚类分析

2013-11-23余嘉元

集成技术 2013年6期
关键词:适应度类别遗传算法

余嘉元

(南京师范大学心理学院 南京 210097)

1 引 言

心理学认为,组织氛围是组织成员的一种心理体验,即员工对组织在创新、公平、支持、人际关系以及员工身份认同等特性方面的感知。确切地说,它应该被称为“组织氛围感知”,但由于该领域研究者的习惯原因,人们将其简称为“组织氛围”。由于这是一种主观感受,因此,即使是在同一个组织、在相同的组织文化和管理风格中,由于各个员工的经历、文化水平、工作动机等多方面的原因,他们所感受到的组织氛围还是有差异的,由此形成了不同组织氛围特点的员工群落。企业管理者有必要将这些员工群落区分出来,进而考察各个群落员工的满意度是否有差异,为制定有针对性的管理措施提供依据。

对组织氛围的测量,可以从创新氛围、公平氛围、支持氛围、人际关系氛围、员工身份认同氛围等5 个维度进行[1]。对满意度的测量,从领导行为、管理措施、工作回报、工作协作、工作本身等 5 个方面进行[2]。

在对员工的组织氛围进行聚类时,有多种聚类方法可以考虑,其中最常用的是 K-means 算法。该算法采用了两阶段循环结构:第一阶段是指定聚类的类别,即把各个数据划分到相距最近聚类中心的那个类别中;第二阶段是修改聚类中心。这两个阶段反复循环,直至不再有数据被重新分配。该算法的优点是算法简洁、计算速度快、资源消耗少。但也有若干明显缺点:首先,它对初始聚类中心的选取和样本的输入顺序非常敏感;其次,它比较容易发现球状簇而较难发现其他形状的簇,且对噪声和孤立点比较敏感;再次,有时会收敛于局部极值点[3]。为了避免这些缺点,有学者提出采用量子遗传算法来进行聚类。

2 量子遗传算法

2.1 量子遗传算法简介

量子遗传算法是量子计算与遗传算法相结合的一种概率进化算法。遗传算法是模拟生物进化的优胜劣汰规则,对染色体采用选择、交叉和变异三种基本算子来搜索最优个体。它能够处理传统优化方法难以解决的复杂问题,因此得到了广泛的应用。但如果对这三种算子的使用不当,则可能出现收敛速度慢,或者陷入局部极值的现象。

量子计算是采用量子态作为基本的信息单元,利用量子态的叠加、纠缠和干涉等特性来进行并行计算,能够极大地提高运算的速度。在量子遗传算法中,采用量子比特的几率幅表示来进行编码,利用量子逻辑门来实现染色体的演化[4]。

在量子计算中,作为信息存储单元的是一个双态量子系统,称为量子比特。量子比特的特点是它可以同时处于两个量子态的叠加态中,即:

α 和 β 是两个幅常数,满足:

在量子遗传算法中,染色体的演化通过量子门进行。而最常用的是量子旋转门,它的调整操作为:

其更新过程为:

通过旋转量子门的作用产生新的种群,然后对其中的各个染色体进行适应度计算,记录最优个体和相应的适应度。上述过程迭代进行,直至达到终止条件。

2.2 基于量子遗传算法的聚类分析

聚类分析对识别数据的内在结构具有重要作用。它是将研究对象按照其空间距离划分为若干个子集,一个好的聚类应该使得各聚类中心的间距尽可能地大,而样本与其中心间的距离尽可能地小,人们将此称作聚类的紧凑性和分离性准则[5]。设待分析的数据集 X 可以划分为 N 个类别,Ci(i=1,2,…,N),它们的聚类中心为 Pi(i=1,2,…,N),那么聚类问题的数学模型可以表示为:

于是,聚类分析的实质就是对下述函数 F 求取最小值。

由上述可得,聚类问题就转化为优化问题,即要寻找一组聚类中心 Pi,使得 F 为最小。量子遗传算法是一种很好的寻优算法,能够用来解决这个优化问题。

3 运用量子遗传算法对员工组织氛围进行聚类

3.1 员工组织氛围的聚类分析

运用组织氛围量表和满意度问卷对某企业的 254名员工进行数据采集。其中删除个人信息不全的员工,保留下 236 名员工的数据做聚类分析。在运用量子遗传算法进行聚类时,组织氛围的 5 个维度作为聚类分析的变量。由于组织氛围是一种主观感受,通过与员工的访谈,发现企业中存在着对组织氛围的感受为“较好、一般、较差”这三种人员,因此在聚类时把类别数目确定为 3。

在运用量子遗传算法时,首先进行参数设置,设定种群规模为 20,交叉概率为 0.95,变异概率为 0.05。然后对 Pi(i=1,2,…, N)个聚类中心进行编码,设聚类中心由一个 n 维向量表示,采用 10 位量子比特位对聚类中心的每一维的数值进行编码,因此染色体的长度为 10×n×N。进行适应度函数设计,最优的聚类中心应当使上述 F 值最小,为了防止出现分母为 0 的情况,对其进行修改,令适应度函数为:

在进化过程中采取了最优保留的机制,将保留的最优个体参与量子门的更新,并根据演化进程,动态地调整量子门的旋转角度,即在运行初期采用较大的旋转角,随着演化代数的增加而逐渐减小旋转角。经过量子遗传算法对组织氛围的聚类分析,得到该企业中各类员工的人数分别为:A 类 40 人,B 类134 人,C 类 62 人,他们占总人数的比例分别为0.17,0.57 和 0.26。

3.2 不同类别员工的组织氛围的比较

对各类员工的组织氛围分数进行比较,如表 1所示。

表1 各类员工组织氛围的比较

由此可见,这 3 类员工的组织氛围得分具有显著差异。A 类员工的组织氛围得分最高,C 类员工的组织氛围得分最低。

3.3 不同类别员工满意度的比较

对各类员工的满意度分数进行比较,如表 2 所示。

表2 各类员工满意度的比较

由此可见,这 3 类员工的满意度具有显著差异。A 类员工的满意度最高,C 类员工的满意度最低。

4 结论和讨论

(1)根据上述对各类员工的组织氛围和满意度的比较可以看出,不同类型的员工间存在显著差异,这说明量子遗传算法的聚类是可行的。

(2)在该企业中有 62 人(占总人数的 26%)对组织氛围感到较差,满意度较低,也就是说,大约有四分之一的员工对企业不太满意。这显然会影响他们对工作的积极性和对企业的忠诚度,应该引起企业领导者高度重视。

(3)本研究在进行量子遗传算法聚类时,参数的设置参考了相关的文献,但没有进行优化和比较,这是需要改进的。

(4)在进行聚类时,根据访谈的结果确定将员工分为 3 类,具有一定的主观性,故并不是最佳的选择,还可以做进一步的研究。

[1]谢荷锋. 组织氛围对企业员工间非正式知识分享行为的激励研究 [J]. 研究与发展管理, 2007, 19(2): 92-98.

[2]卢嘉, 时堪, 杨继峰. 工作满意度的评价结构和方法 [J]. 中国人力资源开发, 2001(1): 15-16.

[3]陈平生. K-means 和 ISODATA 聚类算法的比较 [J]. 江西理工大学学报, 2012, 33(1): 78-82.

[4]梁昌勇, 柏桦, 蔡美菊. 量子遗传算法研究进展 [J]. 计算机应用研究, 2012, 29(7): 2401-2405.

[5]查全民, 汪荣贵, 何畏. 基于量子遗传聚类的入侵检测方法 [J].计算机应用研究, 2010, 27(1): 240-246.

猜你喜欢

适应度类别遗传算法
改进的自适应复制、交叉和突变遗传算法
基于遗传算法的智能交通灯控制研究
壮字喃字同形字的三种类别及简要分析
一种基于改进适应度的多机器人协作策略
一种基于遗传算法的聚类分析方法在DNA序列比较中的应用
西夏刻本中小装饰的类别及流变
基于空调导风板成型工艺的Kriging模型适应度研究
基于改进的遗传算法的模糊聚类算法
多类别复合资源的空间匹配
基于改进多岛遗传算法的动力总成悬置系统优化设计