عوامل موثر بر تمایل به ترک سازمان با استفاده از الگوریتم های مبتنی بر شبکه عصبی و ژنتیک چند هدفه
عنوان مقاله: عوامل موثر بر تمایل به ترک سازمان با استفاده از الگوریتم های مبتنی بر شبکه عصبی و ژنتیک چند هدفه
شناسه ملی مقاله: JR_IIESHRM-10-38_003
منتشر شده در در سال 1397
شناسه ملی مقاله: JR_IIESHRM-10-38_003
منتشر شده در در سال 1397
مشخصات نویسندگان مقاله:
سهام خضیری عفراوی - دانشگاه آزاد اسلامی واحد یزد
محسن سرداری زارچی - دانشگاه میبد،یزد
سیدمحمدمهدی فاطمی بوشهری - دانشگاه یزد
خلاصه مقاله:
سهام خضیری عفراوی - دانشگاه آزاد اسلامی واحد یزد
محسن سرداری زارچی - دانشگاه میبد،یزد
سیدمحمدمهدی فاطمی بوشهری - دانشگاه یزد
بهبود بازدهی سرمایه انسانی از آنجا که می تواند نقش موثری در کارایی سازمان داشته باشد، همواره یکی از موضوعات پژوهش بوده است. میزان تمایل به ترک سازمان یکی از عوامل تاثیرگذار بر کارایی سرمایه انسانی است که آن را می توان با استفاده از الگوهای درون دادهای، شرایط حاکم بر سازمان و بررسی عوامل موثر بر آن پیش بینی کرد. به همین منظور، از الگوریتم های هوشمند مبتنی بر شبکه عصبی و الگوریتم ژنتیک چندهدفه برای پیش بینی تمایل کارکنان به ترک سازمان در این پژوهش بهره گرفته شده است. در این راستا، ابتدا با طراحی پرسشنامهای، نظرات کارکنان شرکت بهرهبرداری نفت و گاز کارون در مورد رضایت مندی و تمایل به ترک سازمان، جمع آوری شد و بر اساس آن، یک مجموعه داده تدوین گردید. سپس با استفاده از شبکه های عصبی مصنوعی به عنوان طبقه بند و الگوریتم تکاملی ژنتیک چندهدفه برای انتخاب ویژگی های موثر، یک سیستم خبره طراحی شد. به منظور تست و ارزیابی الگوریتم شبکه عصبی طراحی شده با مجموعه داده استاندارد ایجادشده، آموزش های لازم ارائه شد. نتایج ارزیابی سیستم پیشنهادی بیانگر آن است که با به کارگیری الگوریتم ژنتیک چندهدفه و شبکه های عصبی مصنوعی میتوان مدلی ارائه کرد تا علاوه بر پیش بینی میزان تمایل کارکنان به ترک سازمان با دقت بالای ۸۸%، با انتخاب ویژگی های موثر، عوامل کلیدی ترک سازمان را نیز مشخص کند
کلمات کلیدی: Replacement, Data Mining, Selection, Artificial Neural Network, Multi-Objective Genetic Algorithm, جایگزینی, داده, کاوی, انتخاب کارکنان, شبکه های عصبی مصنوعی, الگوریتم ژنتیک چندهدفه
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1718246/