Index of /rozprawy2/10165

Pełen tekst

(1)AKADEMIA GÓRNICZO-HUTNICZA im. Stanisława Staszica w KRAKOWIE Wydział Elektrotechniki, Informatyki, Automatyki i Elektroniki. ROZPRAWA DOKTORSKA. mgr inŜ. Arkadiusz Lewicki WYKORZYSTANIE MROWISKOWEGO WSPOMAGANIA DECYZYJNEGO DO BUDOWY WIELOKRYTERIALNEGO SYSTEMU REKRUTACJI I SELEKCJI PRACOWNIKÓW. Promotor prof. dr hab. inŜ. Ryszard Tadeusiewicz. Kraków 2009.

(2) Pragnę wyrazić swoją ogromną wdzięczność promotorowi mojej pracy Panu Profesorowi Ryszardowi Tadeusiewiczowi za opiekę. naukową,. konstruktywne. i. inspirujące. uwagi. oraz. niezwykle Ŝyczliwą pomoc. Dziękuję swoim najbliŜszym za nieocenione wsparcie. Praca ta powstała przy wsparciu finansowym Ministerstwa Nauki i Szkolnictwa WyŜszego w ramach grantu promotorskiego nr N N516 376636, za co równieŜ serdecznie dziękuję.. 2.

(3) Spis treści 1. WSTĘP..........................................................................................................................................................6 1.1. PROBLEM WŁAŚCIWEGO DOBORU KADR I METODY JEGO ROZWIĄZYWANIA.............................................6 1.2. SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE SELEKCJĘ KADR ................................................................9 1.3. CEL, ZAKRES I TEZY PRACY ...................................................................................................................13. 2. MROWISKOWE WSPOMAGANIE DECYZYJNE..............................................................................16 2.1. CHARAKTERYSTYKA SYSTEMU MRÓWKOWEGO ....................................................................................16 2.2. ALGORYTM MRÓWKOWY Z LOKACJĄ STAŁEJ WARTOŚCI ŚLADU FEROMONOWEGO ...............................24 2.3. ALGORYTM MRÓWKOWY Z LOKACJĄ UŚREDNIONEJ WARTOŚCI ŚLADU FEROMONOWEGO .....................28 2.4. ALGORYTM MRÓWKOWY Z FEROMONEM CYKLICZNYM .........................................................................30 2.5. MODYFIKACJE ALGORYTMU MRÓWKOWEGO DO POSTACI MROWISKOWEJ .............................................33. 3. METODY REKRUTACJI I SELEKCJI PRACOWNIKÓW................................................................38 3.1. ZEWNĘTRZNE I WEWNĘTRZNE UWARUNKOWANIA PROCESU REKRUTACJI I SELEKCJI ............................38 3.2. DOSTĘPNE METODY SELEKCJI................................................................................................................44 3.2.1. Wprowadzenie ..............................................................................................................................44 3.2.2. Analiza Ŝyciorysów zawodowych i listów motywacyjnych .........................................................46 3.2.3. Analiza kwestionariuszy osobowych (formularzy aplikacyjnych) ...............................................50 3.2.4. Rozmowa kwalifikacyjna .............................................................................................................52 3.2.5. Testy kompetencji.........................................................................................................................56 3.2.6. Analiza posiadanych referencji.....................................................................................................58 3.2.7. Próby zachowań............................................................................................................................59 3.2.8. Ośrodki oceny...............................................................................................................................61 3.2.9. Inne, mniej popularne metody ......................................................................................................65 3.3. SPOSOBY PODEJMOWANIA DECYZJI .......................................................................................................67. 4. KONCEPCJA SYSTEMU WIELOKRYTERIALNEGO DOBORU PRACOWNIKÓW IMPLEMENTUJĄCEGO ALGORYTM MROWISKOWY.....................................................................71 4.1. SFORMUŁOWANIE ZADANIA DOBORU PRACOWNIKÓW JAKO PROBLEMU OPTYMALIZACJI WIELOKRYTERIALNEJ ...................................................................................................................................71. 3.

(4) 4.2. FORMALNE POSTAWIENIE ZADANIA DOBORU PRACOWNIKÓW I KIERUNKI JEGO ROZWIĄZYWANIA ........74 4.3. DYSKUSJA WŁASNOŚCI GRAFOWEJ METODY DOBORU PRACOWNIKÓW JAKO PROBLEMU OPTYMALIZACJI WIELOKRYTERIALNEJ ...................................................................................................................................82. 4.4. KONCEPCJA SPOSOBU ROZWIĄZANIA PROBLEMU OPTYMALIZACJI WIELOKRYTERIALNEJ ZWIĄZANEJ Z ZADANIEM DOBORU PRACOWNIKÓW POPRZEZ SYSTEM IMPLEMENTUJĄCY ALGORYTM MROWISKOWY .....85. 4.4.1. Sformułowanie problemu i załoŜenia wstępne .............................................................................85 4.4.2. Ocena stopnia złoŜoności problemu .............................................................................................88 4.4.3. Formalizacja problemu .................................................................................................................91 4.5. METODOLOGIA PROJEKTOWANIA SYSTEMU WSPOMAGANIA DECYZYJNEGO .........................................92 4.6. ARCHITEKTURA SYSTEMU ....................................................................................................................94 4.7. OGÓLNA KONCEPCJA I SZCZEGÓŁOWY OPIS IMPLEMENTOWANYCH ALGORYTMÓW MROWISKOWYCH...99 4.7.1. Sformułowanie problemu i załoŜenia wstępne .............................................................................99 4.7.2. Mrowiskowy algorytm modułu pozyskiwania wiedzy ...............................................................104 4.7.3. Mrowiskowy algorytm modułu poszukiwania zbiorów rozwiązań ............................................110 4.7.3.1. Sformułowanie problemu .................................................................................................................... 110 4.7.3.2. Prezentacja proponowanego algorytmu ............................................................................................... 115. 4.8. ANALIZA WYBRANYCH CECH IMPLEMENTOWANYCH ALGORYTMÓW MROWISKOWYCH ......................120 4.9. METODY DOBORU PARAMETRÓW SYSTEMU ........................................................................................122 4.10. KRYTERIA WYKORZYSTYWANE PODCZAS DZIAŁANIA SYSTEMU........................................................124 4.11. ZBIORY DANYCH WYKORZYSTYWANE PODCZAS DZIAŁANIA SYSTEMU..............................................127. 5. BADANIE I ANALIZA WŁAŚCIWOŚCI ZBUDOWANEGO SYSTEMU.......................................131 5.1. CEL I ZAKRES BADAŃ ..........................................................................................................................131 5.2. METODYKA PROWADZENIA BADAŃ .....................................................................................................132 5.3. TESTY SYSTEMU Z UWZGLĘDNIENIEM DANYCH MODELOWYCH I DANYCH RZECZYWISTYCH ...............134 5.4. ANALIZA I OCENA UZYSKANYCH WYNIKÓW ........................................................................................152 5.5. IDENTYFIKACJA CZYNNIKÓW MAJĄCYCH WPŁYW NA OSIĄGANIE OPTIMUM ........................................153. 6. OPIS PRZYKŁADOWEJ REALIZACJI KONCEPCJI ZDEFINIOWANEGO SYSTEMU W POSTACI APLIKACJI STOSOWANEJ DO WSPOMAGANIA DECYCYJNEGO PROCESU DOBORU PRACOWNIKÓW ....................................................................................................................156 6.1. DOKUMENTACJA TECHNICZNA ............................................................................................................156. 4.

(5) 6.2. DOKUMENTACJA UśYTKOWNIKA ........................................................................................................157 6.2.1 Środowisko uruchomieniowe aplikacji i jego parametry.............................................................157 6.2.2 Przykładowe zbiory danych.........................................................................................................159 6.3 ZAWARTOŚĆ DYSKU CD ZAŁĄCZONEGO DO PRACY …………………………………………………...160 7. PODSUMOWNIE I WNIOSKI ............................................................................................................162. BIBLIOGRAFIA..........................................................................................................................................167. DODATKI SPIS RYSUNKÓW SPIS TABEL. 5.

(6) 1. Wstęp 1.1. Problem właściwego doboru kadr i metody jego rozwiązywania Nieustanne dąŜenie społeczeństw krajów uprzemysłowionych do ciągłego podwyŜszania standardu Ŝycia wiąŜe się z rozwojem gospodarczym. Rozwój ten z kolei zdeterminowany jest przez takie czynniki jak praca, zarówno w ujęciu jakościowym jak i ilościowym, zasoby materialne w postaci kapitału naturalnego, finansowego i ludzkiego oraz zasoby niematerialne w tym między innymi informacje wytyczające postęp technologiczny. Z punktu widzenia tej pracy najistotniejszym zasobem jest praca, a kluczowym zagadnieniem – optymalizacja cech osobowych i personalnych osób wybranych do wykonywania tej pracy – jednak w tym wstępnym omówieniu spróbujmy przedstawić rozwiązywane problemy na nieco szerszym tle. Postęp technologiczny, będący najsilniejszą determinantą rozwoju cywilizacyjnego, ma wpływ pobudzający rynek i tworzy zupełnie nowe potrzeby. śaden podmiot gospodarczy nie wykorzysta jednak postępu technologicznego bez odpowiedniego kapitału intelektualnego, zgromadzonego w umysłach zatrudnianych ludzi. To właśnie od niego (tego kapitału intelektualnego) zaleŜy byt organizacji, jaką jest przedsiębiorstwo. Kapitał intelektualny danego przedsiębiorstwa to wiedza, która moŜe być zamieniona na wartości materialne. Jest to wiedza, która jest bezpośrednio związana z doświadczeniem i kwalifikacjami zatrudnionych pracowników. Mimo rozwoju systemów informatycznych zarządzania i innych narzędzi tego kapitału intelektualnego nie udało się zwirtualizować. Jest on – i zapewne długo pozostanie – wyłącznie w postaci depozytu wiedzy w umysłach odpowiednich pracowników. Dlatego teŜ właśnie staranny dobór tych pracowników jest głównym gwarantem konkurencyjności firmy, a takŜe czynnikiem postępu, kończącego się jej sukcesem ekonomicznym. Czynnik ten jest tym bardziej istotny, Ŝe przypadki zaniedbań lub błędów na etapie rekrutacji kadry nader często są przyczyną stagnacji prowadzącej do upadku. W końcowym bowiem rozrachunku, to jakość kadr kaŜdej firmy, czyli ich kompetencje, mobilność, elastyczność i kreatywność, dają szansę na utrzymanie i powiększenie jej udziałów w rynku lokalnym czy nawet światowym. Kadry są teŜ często przyczyną jej klęski, jeśli nie dorastają do stawianych im zadań. Właściwa selekcja i dobór pracowników jest więc zadaniem o kluczowym znaczeniu. ZaleŜy jednak od wielu czynników, zarówno zewnętrznych jak i wewnętrznych, dlatego teŜ jest procesem kosztownym oraz czasochłonnym. Proces ten jednak moŜe stać 6.

(7) się całkowicie nieefektywny i bezuŜyteczny, jeŜeli rzeczywiste działania decyzyjne w zakresie tej sfery zarządzania przedsiębiorstwem nie będą prowadzone w sposób przemyślany i umiejętny. Bezspornie istnieją menedŜerowie, którzy opierając się na wieloletnim doświadczeniu, wszechstronnej wiedzy, a takŜe na intuicji – potrafią dokonywać selekcji kadr w sposób wręcz perfekcyjny. Niestety takich utalentowanych selekcjonerów jest niewielu, a w dodatku wynik ich pracy nigdy nie jest przewidywalny ani pewny, bo stosowane przez nich subiektywne kryteria mogą kiedyś zawieść – i nigdy nie wiadomo, kiedy to nastąpi. Dlatego w typowych przedsiębiorstwach, gdzie zadania rekrutacji, doboru i selekcji pracowników występują często i na duŜą skalę, czynności tych dokonują wyspecjalizowani pracownicy, których działanie opiera się na przyjętym i zatwierdzonym przez naczelne szefostwo firmy modelu selekcji i zarządzania kadrami. Model ten zabezpiecza przed podejmowaniem przez selekcjonerów arbitralnych i słabo umotywowanych decyzji (na przykład opartych na wyglądzie lub powiązaniach rodzinnych osoby starającej się o pracę), ale niestety nie zabezpiecza przed wszystkimi nieprawidłowościami, jakie mogą wystąpić w procesie rekrutacji. JeŜeli model ten na przykład będzie oparty tylko i wyłącznie na stosowaniu najpopularniejszych metod selekcji, takich jak analiza CV kandydata pod kątem posiadanego wykształcenia, a w fazie kolejnej będzie to typowo stosowana rozmowa kwalifikacyjna, to w efekcie pojawi się tutaj niebezpieczeństwo wystąpienia stanu „klonowania” w firmie pracowników o podobnym wykształceniu, osobowości, wyglądzie i stylu. MoŜe to spowodować z czasem utratę potencjału innowacyjnego firmy i w końcu doprowadzić do jej zastoju i jałowości. Nawet jeśli w procesie tym uwzględnimy testy wiedzy, to nie określą one dobrze profilu osobowości kandydata, związanego na przykład z jego moŜliwościami adaptacyjnymi, kreatywnością, wydajnością czy moŜliwością rozwoju. Kolejnym krokiem przedsiębiorstwa o jasno zarysowanych perspektywach rozwoju moŜe być więc wprowadzenie psychometrycznych testów osobowości. NaleŜy pamiętać jednak, Ŝe istnieje wiele cech osobowości, takich jak inicjatywa, czy umiejętność współpracy, które wpływają na wydajność pracy, ale nie dadzą się zmierzyć za pomocą testów. Oprócz tego naleŜy uwzględnić fakt, Ŝe tak dobrane metody mogą być dalej nieefektywne, a z całą pewnością spowodują zarówno wzrost kosztów jak i wydłuŜenie czasu rekrutacji. Szczególnie trudny problem pojawia się w przypadku, kiedy firma ma ograniczony budŜet lub limitowany czas i boryka się z koniecznością przetworzenia ogromnej ilości 7.

(8) podobnych do siebie podań w celu wyłonienia z tłumu kandydatów – optymalnie dostosowanych do potrzeb firmy pracowników. Wtedy najczęściej stosuje się niejasne metody screeningu, oparte niejednokrotnie na czynnikach pobocznych, takich jak subiektywne odczucia selekcjonera, wiek, czy płeć kandydata itp. Jest to jednak jedno z najgorszych spośród często wybieranych rozwiązań, pozostające po pierwsze w sferze zachowań nie całkiem racjonalnych, a po drugie naraŜające przedsiębiorstwo stosujące taką technikę na procesy prawne, związane z dyskryminacją niektórych kandydatów. RozwaŜając powyŜsze problemy moŜemy więc zadać sobie pytanie, czy nie moŜna zastosować dodatkowo (lub zamiennie) innych, bardziej wydajnych metod oraz technik selekcji i doboru kadry, którymi są jeszcze przecieŜ: formularze aplikacyjne analiza posiadanych referencji testy kompetencji, oparte na specjalnym doborze ćwiczeń, takich jak: •. dyskusje grupowe. •. gry biznesowe. •. analiza studium przypadku. •. odgrywanie ról. •. harmonogramowanie. •. wyszukiwanie informacji. testy zadaniowe oraz testy zdolności, sprawdzające umiejętność analizowania problemów, a takŜe ośrodki oceny Tak szeroki wachlarz metod wyboru pracowników rodzi jednak kolejne zasadnicze pytanie o sposób doboru samych metod jako takich. Cały ten proces jest bowiem zaleŜny chociaŜby od czynników takich jak: •. koszty selekcji,. •. kompetencje osób dokonujących oceny kandydatów,. •. czas przeznaczony na selekcję,. •. ilość wybieranych osób,. •. spodziewana ilość kandydatów,. •. lokalny rynek pracy,. •. rodzaj stanowiska, o jakie moŜna się ubiegać,. 8.

(9) •. sposób pozyskiwania i przetwarzania informacji, oraz jeszcze wielu innych determinantów. Wszystko to sprawia, Ŝe kaŜdy właściwie przeprowadzony proces rekrutacji będzie charakteryzować się inaczej dobranymi technikami i modelami oceny kandydatów. Proces ten nie zawsze będzie wieloetapowy, zawsze jednak będzie się wiązać z szybko zmieniającymi się warunkami zewnętrznymi i wewnętrznymi firmy. Trudne, złoŜone i bardzo odpowiedzialne problemy decyzyjne związane z rekrutacją kadr i polityką awansową w firmie wiąŜą się z koniecznością wspomagania osób, które te zadania muszą spełniać, a to skłania do sięgnięcia po systemy informatycznego wspomagania decyzyjnego. Ze względu na złoŜoną i delikatną materię, jaką jest rekrutacja pracowników i ogólna polityka kadrowa, konieczne jest tu uŜycie takich technik informatycznych, które cechuje przede wszystkim zdolność adaptacyjna, to znaczy umiejętność. elastycznego. dostosowywania. działania. do. nowych. czynników. warunkujących ten załoŜony proces. Przyjrzymy się istniejącym systemom tego rodzaju.. 1.2. Systemy informatyczne wspomagające selekcję kadr Systemy informatyczne wspomagające selekcję kadr będą takŜe przedmiotem koncepcyjnej części niniejszej pracy, ale zanim zaczniemy proponować i dyskutować nowe algorytmy i programy, przyjrzymy się najpierw systemom istniejącym obecnie, Ŝeby na bazie dyskusji ich właściwości wypracować załoŜenia dla własnych propozycji. Jak pokazuje przeprowadzony i zamieszczony w tabeli 1 przegląd, systemy informatyczne wspomagające selekcję kadr są to najczęściej programy klasy HMRS (ang. Human Management Resource Systems), które łączą w sobie moŜliwości gromadzenia i przetwarzania. duŜej. ilości. danych,. wykorzystywania. róŜnorodnych. modeli. i inteligentnego posługiwania się zarówno zgromadzonymi danymi, jak i wiedzą w rozumieniu eksperckim. Systemy tego typu są bardzo cenione i poszukiwane w większości zaawansowanych krajów świata. Jak pokazują najnowsze badania firmy Solemis Group S.A. ich popularność wzrasta równieŜ w Polsce. Świadczy o tym przede wszystkim fakt, Ŝe w ciągu ostatniego roku zanotowano wzrost sprzedaŜy i wdroŜeń takich systemów aŜ o 40 %, co nawet w warunkach Polski, kraju w końcu nieduŜego i niezbyt. 9.

(10) jeszcze zaawansowanego w stosowaniu najnowszych technologii informacyjnych, stanowi rynek o wartości około 50 milionów dolarów. Tabela 1 –. Wybrane właściwości systemów doradczo-decyzyjnych klasy HRMS, posiadających mechanizmy inteligentnego posługiwania się gromadzonymi danymi oraz wiedzą w rozumieniu eksperckim.. Nazwa Systemu. Actonomy xMP . a8i Recruitment. eWetpaint. Producent. Charakterystyka. − System wykorzystujący w procesie eksploracji nieustrukturalizowanych danych mechanizmy algorytmów ewolucyjActonomy NV nych do uogólniania wiedzy, tworząc w ten − sposób „inteligentną” wyszukiwarkę aplikacji w sieci internetowej.. Zalety system wykorzystuje metody logiki rozmytej w powiązaniu z algorytmami ewolucyjnymi do eksploracji danych w globalnej sieci komputerowej, redukuje koszty procesu rekrutacji, eliminując potrzebę umieszczania ogłoszeń o naborze na stanowisko.. Activ8 Inteligence. − system charakteryzuSystem decyzyjny, jący się duŜą skaloposiadający mechanizm walnością, inteligentnego przewi- − moŜliwość zastosowadywania, oparty o sieci nia wielofazowego proneuronowe, słuŜące do cesu rekrutacji, eksploracji danych − moŜliwość wdroŜenia dostępnych zasobów. zarówno w sektorze MŚP, jak i duŜych przedsiębiorstw.. Wetpaint. − system zapewniający System posiada zaimautomatyzację procesu plementowany mechascreeningu dokumennizm wielokrotnego tów tekstowych, rozbioru gramatyczne- − zapewnia wysokie bezgo analizowanych dapieczeństwo danych, nych tekstowych Resu- − posiada moŜliwość zeme Text Miting Engine. stawiania danych statystycznych.. 10.

(11) Nazwa Systemu. Fetch Footprint. OpenHire. Resource Datamine. Producent. Fetach Technologies. SilkRoad Technology. NetEdge Computing Solutions. Charakterystyka. Zalety. − agregacja informacji System wykorzystuje pozyskanych z sieci heurystyczne rozwiązaw relacyjnych strukturnia sztucznej inteligentrach bazodanowych, cji do wydajnej eksplo- − znaczna redukcja koracji sieci, w celu sztów procesu akwiekstrakcji wszystkich zycji danych, dostępnych danych do- − system pozyskuje infortyczących tworzonej macje na temat listy kandydatów. kaŜdego dostępnego aspektu Ŝycia kandydata, w rozumieniu danych związanych z jego osiągnięciami na polu zawodowym, naukowym i towarzyskim. − system został oparty na System posiadając meniedeterministycznych chanizm „Hot Matches” algorytmach przeszukiw postaci algorytmów wania Intranetu, AI porównuje uzyska- − umoŜliwia wykonywany profil kompetencyjny nie zestawień w postaci potencjalnego kandyraportów umoŜliwiajądata z oczekiwanym cych między innymi profilem stanowiskoprzeprowadzenie oceny wym. 360-stopniowej.. System posiadający zaimplementowane heurystyczne algorytmy hybrydowe ekstrakcji danych z dostępnych węzłowych źródeł heterogenicznej sieci rozproszonej.. − wydajne mechanizmy screeningu zasobów hipertekstowych, − implementacja protokołów zapewniających jakość usług sieciowych (QoS), − system posiada wydajne rozwiązania eliminacji zjawiska redundancji danych.. Systemy dyskutowanego tu typu są rozwijane od końca lat 80-tych XX wieku, a w procesie pozyskiwania oraz analizy informacji nie są w nich wykorzystywane metody analityczne, które zwykle dostarczają rozwiązań nieglobalnych, ale metody sztucznej inteligencji takie jak sieci neuronowe, czy algorytmy genetyczne. Systemy te mają jednak. 11.

(12) istotne wady. Algorytmy genetyczne podczas rozwiązywania danego problemu nie gwarantują rozwiązania globalnego, a jedynie zapewniają znalezienie rozwiązania wystarczająco dobrego w załoŜonym czasie. Stanowią one zwykle kompromis pomiędzy przeszukaniem całej dziedziny rozwiązań dopuszczalnych, a optymalizacją lokalną. Ponadto algorytmy te cechuje wielokrotnie niekontrolowany rozrost drzew rozwiązań. Sieci neuronowe stanowią wprawdzie nowoczesne narzędzie informatyczne posiadające unikalne cechy, takie jak zdolność uczenia się i generalizacji zdobywanej wiedzy, w wyniku czego nabywają one umiejętność wyciągania wniosków nawet na podstawie niekompletnych danych. Jednak równieŜ one nie są uwolnione od wad. Jedną z najbardziej istotnych jest brak moŜliwości wieloetapowego rozumowania, co z kolei wiąŜe się z brakiem moŜliwości skorzystania z rozwiązań pośrednich. Czy w takim razie moŜna zaproponować inne, równieŜ skuteczne rozwiązania znajdowania optimum globalnego, które sprawdzą się równie dobrze, lub nawet lepiej od przedstawionych wyŜej rozwiązań w systemach wspomagania decyzyjnego? Prowadzone badania wykazują, Ŝe tak, to znaczy, Ŝe moŜna znaleźć rozwiązania alternatywne w stosunku do aktualnie wykorzystywanych systemów. Teza tej pracy głosi, Ŝe tą alternatywą moŜe być zastosowanie algorytmów i programowania mrowiskowego. Z przeglądu literatury wynika, Ŝe nikt jeszcze nie próbował zastosować tego podejścia do rozwiązywania problemów związanych z tworzeniem systemu wspomagającego procesy rekrutacji i selekcji pracowników, dlatego podjęto próbę zbudowania i przebadania takiego systemu - co jest głównym przedmiotem tej pracy. Nie zmierzamy przy tym do wykazania, Ŝe system zbudowany w oparciu o paradygmat mrowiskowy będzie lepszy pod kaŜdym względem od wszystkich systemów wspomagających rekrutację i selekcję pracowników. Zmierzać będziemy do tego, Ŝeby taki system zaprojektować, zbudować i przebadać, ujawniając wszystkie jego mocne i słabe strony. WyraŜamy przy tym nadzieję, Ŝe wzbogacenie wiedzy naukowej na temat zadań, jakie mogą być rozwiązywane z wykorzystaniem algorytmów mrowiskowych oraz wzbogacenie praktyki rekrutacji i selekcji pracowników, dla której ta praca dostarczy jeszcze jedno uŜyteczne narzędzie - stanowić będzie łącznie wkład, jakiego moŜna oczekiwać po rozprawie doktorskiej.. 12.

(13) 1.3. Cel, argumentacja i tezy pracy Głównym czynnikiem motywującym do zbadania skuteczności nowych strategii w omawianej dziedzinie są badania społeczne, które wykazują, Ŝe aŜ 95 % wdraŜanego oprogramowania w naszym kraju, wspomagającego proces zarówno zewnętrznej jak i wewnętrznej rekrutacji kadr, oparte jest na wymienionych wcześniej prostych i niewydajnych metodach, takich jak kompensacyjne algorytmy selekcji, czy nieefektywna ankietyzacja elektroniczna. Stanowi to istotną barierę dla efektywnej selekcji dostępnych zasobów i potencjału ludzkiego. Postępujący szybko wzrost gospodarczy naszego kraju niesie zaś ze sobą nie tylko potrzebę zastosowania istniejących juŜ rozwiązań niedeterministycznych, których wdroŜenie wielokrotnie jest zbyt drogie dla wielu budowanych właśnie przedsiębiorstw, ale równieŜ potrzebę poszukiwania innych, alternatywnych. Proponowanym decyzyjnego. dla. w. tej. potrzeb. pracy. rekrutacji. rozwiązaniem i. selekcji. jest. zbudowanie. pracowników,. systemu. opartego. na. zmodyfikowanej taktyce heurystyki mrowiskowej. Typowe metody mrowiskowe, opisywane przez innych autorów, zostaną w pracy zmodyfikowane tak, aby moŜna było w nich uwzględniać te argumenty i te okoliczności, które składają się na zbiory danych uwzględnianych w typowym procesie rekrutacji i selekcji pracowników. Stworzony algorytm poddano badaniom, aby poznać jego moŜliwości i ograniczenia. Ewaluacje prowadzone będą na podstawie przeprowadzonych testów i badań zarówno. zamodelowanych. sytuacji,. jak. i. zbiorów. danych. rzeczywistych,. uwzględniających moŜliwość doboru wielu kryteriów jednocześnie. W oparciu o te ewaluacje postaramy się wykazać wszystkie zalety i wady proponowanego podejścia oraz spróbujemy określić jego przydatność i efektywność. Badania oparte będą na realistycznych załoŜeniach, z uwzględnieniem nieustannie zmieniających się uwarunkowań rynku pracy w Polsce. Opisany wyŜej proces tworzenia algorytmu mrowiskowego dla potrzeb rekrutacji i selekcji pracowników jest głównym celem rozprawy, a ewaluacja stworzonego algorytmu jest dowodem tezy, Ŝe algorytm ten spełnia pokładane w nim oczekiwania.. 13.

(14) Do czynników stanowiących dodatkową argumentację skłaniającą do przeprowadzenia badań planowanych w tej rozprawie moŜna zaliczyć: ▪. dotychczasowy brak charakterystyki strukturalno – funkcjonalnej zaproponowanego rozwiązania wraz z określeniem właściwej metodologii projektowania takiego systemu,. ▪. zapotrzebowanie na narzędzia wspomagania decyzyjnego bazującego na rozwiązaniach niedeterministycznych do analizy źle ustrukturalizowanych danych,. ▪. brak porównania właściwości systemu wsparcia decyzyjnego, opartego na algorytmach mrowiskowych, z dotychczas stosowanymi, tradycyjnymi metodami wspomagania procesów analizy decyzyjnej,. ▪. wzrost znaczenia rozwiązań implementowanych w systemach inteligencji biznesowej, pozwalających otrzymywać wyniki optymalne lub bliskie optymalnym, przy jednoczesnym obniŜeniu kosztów czasowych ich otrzymywania,. ▪. róŜnice w uwarunkowaniu stosowania niedeterministycznych rozwiązań w systemach decyzyjnych wsparcia analitycznego procesów doboru pracowników, wdraŜanych głównie w krajach lepiej rozwiniętych gospodarczo od Polski, które zachęcają do przeprowadzenia wyprzedzających badań w tej dziedzinie z rozwaŜeniem realiów naszego kraju,. ▪. zachęcające wyniki badań równie złoŜonych (kombinatorycznych) problemów poszukiwania optimum w zakresie takim jak na przykład kompresja fraktalna, czy rozwiązanie problemu Los Altos Hills.. Przygotowanie koncepcji pracy oraz przeprowadzonych badań poprzedziły studia literatury polskiej oraz obcojęzycznej z zakresu obszarów i metod implementacji niedeterministycznych algorytmów rojowych, do których zalicza się algorytm mrówkowy, wraz z jego modyfikacją do postaci mrowiskowej. Studia te dotyczyły równieŜ charakterystyki i efektywności dostępnych i stosowanych obecnie na rynku pracy metod rekrutacji oraz selekcji pracowników zarówno w procesie doboru zewnętrznego jak i wewnętrznego dostępnych zasobów ludzkich.. 14.

(15) Na podstawie tych studiów ustalono, Ŝe do osiągnięcia sformułowanego wyŜej głównego celu rozprawy niezbędne jest zweryfikowanie następujących hipotez pomocniczych: 1. Zbudowany system pozwoli na uzyskiwanie rozwiązań co najmniej bliskich optymalnym mimo zastosowania nieustrukturalizowanych danych, 2. Budując system wspomagania decyzyjnego w oparciu o mrowiskowe procesy autokatalityczne moŜna wyeliminować osiąganie lokalnych i niezadowalających minimów, przyspieszając w ten sposób osiągnięcie optimum praktycznego zbliŜonego do minimum globalnego, 3. Zastosowane podejście pozwoli ocenić korzyści (lub wykaŜe wady) płynące z budowy systemu mrowiskowego wsparcia decyzyjnego w obszarze zarządzania doborem zasobów ludzkich, a takŜe pozwoli na ocenę tego podejścia w porównaniu z obecnie uŜytkowanymi na świecie systemami.. 15.

(16) 2. MROWISKOWE WSPOMAGANIE DECYZYJNE 2.1. Charakterystyka systemu mrówkowego Naturalna skłonność człowieka do nieustannego przejmowania nowych wyzwań i poszukiwania. nowych. wzorców. ukierunkowuje. nasze. wysiłki. w. kierunku. naśladownictwa procesów i systemów biologicznych. Wystarczy jedno spojrzenie na mistrza przetrwania, Naturę, która, aby utrzymać gatunek doskonali go poprzez rozwój, by się przekonać, Ŝe takie postępowanie moŜe prowadzić do zamierzonego celu. Przyroda oŜywiona, wykształcając niejednokrotnie doskonałe mechanizmy znajdowania optimum określonych funkcji kryterialnych i implementując je w formujących się spontanicznie systemach decyzyjnych, jakimi są poszczególne osobniki określonego gatunku oraz ich zbiorowości, dostarcza nam znakomitych wzorów. Dzięki temu moŜemy rozwiązywać wiele waŜnych i trudnych problemów technicznych metodą naśladownictwa. Mamy prawo przypuszczać, Ŝe są to dobre wzory, bo dzięki zastosowanym rozwiązaniom adaptacyjnym i optymalizacyjnym wiele gatunków potrafiło przetrwać nawet ponad 200 milionów lat mimo nieustannej modyfikacji czynników zewnętrznych, zarówno sprzyjających jak i niesprzyjających. Jednym z takich gatunków są właśnie mrówki. Owady te, mimo Ŝe posiadają niewielkie indywidualne zdolności kaŜdego osobnika rozpatrywanego oddzielnie, potrafią jednak ze sobą wydajnie współpracować, tworząc w ten sposób sprawne rozwiązania logistyczne. Od tych rozwiązań bowiem zaleŜy ich przetrwanie. W świecie rzeczywistym mrówki szukając poŜywienia poruszają się w sposób losowy, realizując równolegle postawione im zadanie. Gdy znajdą poŜywienie, w drodze powrotnej pozostawiają ślad chemiczny zbudowany z 2.5-dimetylopirazyny (feromonu znacznikowego), dzięki czemu pozostałe mrówki, wychodzące z mrowiska podąŜają do źródła poŜywienia po tym właśnie śladzie, obierając w ten sposób najkrótszą z moŜliwych tras, nieuŜywane zaś ścieŜki zanikają po pewnym czasie, gdyŜ ślad feromonowy szybko się ulatnia. Po wyczerpaniu się źródła pokarmowego i ulotnieniu się feromonowego „tunelu zapachowego” z wcześniej znalezionej ścieŜki, mrówki powracające „z niczym” do gniazda nie odkładają juŜ nowych jego porcji na trakt. W wyniku tego robotnice z gniazda nie wchodzą więcej na tą starą ścieŜkę, a szukają nowej, świeŜo oznaczonej. Ten autokatalityczny mechanizm dodatniego sprzęŜenia zwrotnego jest więc naturalnym algorytmem rozwiązywania wybranych problemów optymalizacyjnych, na 16.

(17) przykład odnajdowania dobrych dróg w grafach. Dlatego teŜ juŜ w 1991 roku doczekał się on implementacji w systemach informatycznych, dokonanej przez Marco Dorigo, Vittorio Maniezzo i Alberto Colorni [19, 25, 26, 27, 29]. Rozwiązanie to jest znane jako system mrówkowy rozwiązujący problem komiwojaŜera (tak zwany TSP od ang. Travelling Salesman Problem), a sam algorytm nazwano algorytmem mrówkowym. Ulepszona jego wersja, która zakłada modyfikację procesu nakładania śladu feromonowego, tak aby zminimalizować koszt obliczeń w wyniku eliminacji eksponent, nosi zaś nazwę systemu mrowiskowego. Koncepcję tworzenia takiego systemu wielokrotnie próbowano zastosować w zakresie odnajdywania rozwiązań róŜnych problemów optymalizacyjnych [13, 25, 27, 28, 29, 82]. Stwierdzono, Ŝe algorytmy mrówkowe i systemy mrowiskowe potrafią dostarczyć dobrych rozwiązań (często suboptymalnych, ale zadowalających z punktu widzenia praktyki) tam, gdzie algorytmy deterministyczne nie są w stanie sobie poradzić, poniewaŜ natrafiają one na barierę związaną ze znaczną złoŜonością obliczeniową. Ta nowa forma sztucznej inteligencji, nazywana w literaturze anglojęzycznej jako „swarm intelligence” (inteligencja roju), opiera się na kolektywnych zachowaniach prostych organizmów zoocenozy. Organizmy te tworzą samoorganizujące się systemy, które doskonale sprawdzają się równieŜ w przypadku nieprzewidzianej zmiany warunków. Podejście to stwarza więc nową płaszczyznę poszukiwania wystarczająco dobrych rozwiązań w dziedzinie problemów obliczeniowo trudnych klasy NP. Klasycznym i często analizowanym przykładem problemu decyzyjnego właśnie tej klasy, który stał się asumptem do testowania jakości algorytmów mrówkowych w zakresie likwidacji lokalnych minimów, jest charakteryzujące się wielomodalnością zadanie wskazania najkrótszego cyklu Hamiltona w grafie waŜonym o dowolnej liczbie węzłów. W problemie tym dany jest zbiór N wierzchołków oraz krawędzi, etykietowanych odległościami pomiędzy kaŜdą parą wierzchołków (i, j).. 17.

(18) Rysunek 1 - Graf pełny. Odległość ta w przypadku rozwaŜania wariantu symetrycznego, gdzie koszt przejścia z punktu i do punktu j jest taki sam, jak z punktu j do punktu i, jest odległością Euklidesową, dlatego teŜ długość dij kaŜdej krawędzi E(i, j) takiego grafu pełnego (N, E) wyznaczamy posługując się właśnie metryką euklidesową:. d ij = ( xi − x j ) 2 +( y i − y j ) 2. (1). Mając tak zdefiniowaną miarę odległości moŜemy obliczyć koszt jednokrotnego przejścia przez kaŜdy wierzchołek takiego grafu niezorientowanego. Minimalny koszt, czyli odnalezienie cyklu przejścia pomiędzy wszystkimi parami wierzchołków o najmniejszej sumarycznej wadze stanowi zaś zadanie problemu. Oznacza to więc taką permutację P, która dla danego zbioru wierzchołków N wyznaczy trasę zamkniętą o najmniejszej z moŜliwych długości. MoŜemy to zatem zapisać jako:. N. ∑d k =1. P ( k ), P ( k +1). ,. (2). gdzie P(N+1) odpowiada P(1). Wskazanie jednak takiego cyklu jest zadaniem bardzo trudnym i złoŜonym obliczeniowo, gdyŜ przy wzroście liczby wierzchołków czas potrzebny. na. jego. odnalezienie. rośnie. wykładniczo,. osiągając. w wariancie. pesymistycznym, przy pełnym przeszukaniu dostępnej przestrzeni rozwiązań nawet złoŜoność O(N!). Dla tego zadania nie znaleziono dotychczas algorytmu, dającego optymalne rozwiązanie, którego złoŜoność czasowa byłaby wielomianowa. Skupiono się. 18.

(19) więc. na. znajdowaniu. rozwiązań. moŜliwie. bliskich. optymalnemu,. rozwiązań. suboptymalnych. W ciągu ostatnich dziesięcioleci zdefiniowano ich bardzo wiele, z których najbardziej znane to: • algorytm zachłanny, • algorytm najbliŜszego sąsiada, • algorytm najbliŜszego wstawiania, • algorytm najdalszego wstawiania, • algorytm podwajanego najkrótszego drzewa rozpinającego, • algorytm oddzielania powłoki wypukłej, krzywej wypełniającej oraz • algorytmy Karmarkara-Karpa, Litkego, Christofidesa, czy Dijkstry. Stworzono równieŜ specjalną grupę algorytmów, szukającą lokalnych minimów poprawy trasy, wśród których wyróŜnić moŜna algorytm Lina-Kernighana, a takŜe algorytm 2-opt i 3-opt [74, 76, 77] . Zadanie to w końcu stało się takŜe celem do rozwiązania w dziedzinie zastosowań algorytmów heurystycznych, takich jak algorytmy genetyczne, czy symulowane wyŜarzanie. Mechanizm algorytmów genetycznych pozwala bowiem na wskazywanie rozwiązań quasi-optymalnych przy zastosowaniu populacji potencjalnych rozwiązań, podlegających jednoargumentowym i binarnym przekształceniom, z wykorzystaniem schematów selekcji, biorących pod uwagę dopasowanie osobników. Symulowane wyŜarzanie zaś, bazując na analogii do procesów termodynamicznych realizowane jest przez. losowe. zakłócanie. zmiennych. niezaleŜnych. połączone. z. gradientowym. przemieszczaniem w kierunku minimum funkcji kryterialnej, co pozwala na wybór najlepszych wartości argumentów tej funkcji i pomaga w unikaniu minimów lokalnych. Jednak zarówno wymienione wcześniej funkcyjne algorytmy aproksymacyjne, jak i algorytmy heurystyczne nigdy nie sprawdziły się w roli zastosowań uniwersalnych mechanizmów dla tego typu problemu. Pierwsze z nich bowiem rzadko kiedy dają w wyniku końcowym rozwiązania globalnie najlepsze, a drugie z kolei wymagają zarówno duŜej przestrzeni adresowej, jak i jawnie określonego warunku stopu. W kontekście tym postanowiono zatem sięgnąć po kolejną metaheurystykę w postaci zaimplementowanego, na bazie długotrwałych obserwacji i badań mermykologicznych, algorytmu mrówkowego. W algorytmie tym, w nawiązaniu do analogii wyznaczania trasy od mrowiska do źródła poŜywienia (wraz z trasą powrotną), mrówki wspólnie szukają rozwiązania w obszarze. 19.

(20) optymalizacji dyskretnej, przechodząc z wierzchołka i do następnego, nieodwiedzonego jeszcze wierzchołka j, tworząc w ten sposób zbudowany z feromonowych śladów zamknięty graf celu. KaŜda z mrówek przechodząc po trasie generuje więc pojedyncze rozwiązanie. Mrówki wybierające krótsze drogi, szybciej osiągają punkt docelowy, co wpływa z kolei na wzrost intensywności śladu zapachowego na tych trasach, poniewaŜ wiąŜe się to z częstszym pojawianiem się na nich kolejnych mrówek. W kaŜdym kolejnym kroku pojedyncza mrówka decyduje o wyborze następnego punktu, korzystając z określonej reguły przejścia, analizującej zarówno odległość do następnych wierzchołków, jak i gęstość śladu feromonowego na łączących je krawędziach. Poszukiwanie najkrótszej trasy przebiega iteracyjnie, a cykle tworzenia zamkniętych tras powtarzane są załoŜoną ilość razy według następującego schematu: •. kaŜda mrówka umieszczana jest w losowo wybranym punkcie wierzchołkowym, skąd następnie. wybiera. kolejny. punkt,. do. którego. się. przemieszcza,. z prawdopodobieństwem P, będącym funkcją odległości do tego celu i wielkości śladu feromonowego, pozostawionego na krawędzi Eij, łączącej ją z tym punktem. Prawdopodobieństwo to w chwili t moŜemy zdefiniować przy pomocy następującego wzoru:.  [τ ij ]α ⋅ [η ij ] β  α β Pij (t) =  ∑ [τ ih ] [η ih ]  h∈Ω 0 , dla . , dla. j ∈Ω. ,. (3). j ∉Ω. gdzie poszczególne parametry oznaczają odpowiednio:. τij - natęŜenie śladu feromonowego, znajdującego się na krawędzi E(i, j), ηij - wartość lokalnej funkcji kryterium, związanego z widocznością punktu j z punktu i, ηij =. 1 , d ij. α - parametr pozwalający sterować względną waŜnością intensywności śladu τij, β - parametr pozwalający sterować względną waŜnością widoczności następnego punktu,. Ω - zbiór nie odwiedzonych dotychczas wierzchołków przez mrówkę.. 20.

(21) •. mrówka, która wyrusza z punktu i, a następnie osiąga punkt j, zawsze zostawia po sobie ślad feromonowy o natęŜeniu wejściowym τij, określonym wzorem:. τij =. 1 d ij. 2. ,. (4). generując w ten sposób oznakowanie krawędzi E(i, j), gdzie dij oznacza długość (koszt) krawędzi pomiędzy wierzchołkiem i a wierzchołkiem j. •. kaŜda mrówka posiada pamięć (w postaci listy ostatnich rozwiązań - listy TABU) zawierającą zbiór odwiedzonych punktów, w celu eliminacji moŜliwości powtórzenia wyboru odwiedzonego juŜ punktu w tej samej iteracji trasy. Pamięć ta zawsze czyszczona jest jednak na początku kaŜdego kolejnego cyklu przejścia.. •. podobnie jak ma to miejsce w naturze, gdzie intensywność feromonu po jakimś czasie maleje, aŜ do jego całkowitego zaniku, równieŜ w algorytmie mrówkowym w kaŜdej iteracji ilość feromonu pomniejszana jest o pewien współczynnik, dzięki czemu unika się zbyt wczesnej zbieŜności rozwiązania przed dostatecznym zbliŜeniem się do optymalnych wartości funkcji kryterialnej.. Jak wynika z przedstawionych powyŜej zaleŜności, w algorytmie mrówkowym istnieje moŜliwość sterowania parametrami α i β, stanowiącymi o względnej waŜności intensywności śladu i jego widoczności. Wartości parametru α nie mogą być jednak ani zbyt małe, ani zbyt duŜe w stosunku do parametru β, poniewaŜ w pierwszym przypadku algorytm zwróci rozwiązanie oparte na optymalizacji lokalnych funkcji, natomiast w drugim będzie istniała moŜliwość badania jedynie wąskiego obszaru przestrzeni rozwiązań, w którym na ogół znajduje się jedynie optimum lokalne. Dla α=0 będzie to więc algorytm zachłanny, w którym wybierane będą tylko najbliŜsze wierzchołki, poniewaŜ wpływ na decyzję mrówki będą miały tylko informacje o kosztach krawędzi, natomiast dla β=0 będzie to algorytm stagnacji, poniewaŜ wszystkie mrówki wybierając tą samą ścieŜkę, stworzą identyczne rozwiązanie. Tak skonstruowany algorytm zakłada więc proces definiowania tablic decyzyjnych mrówek przez determinanty w postaci szlaków feromonowych. oraz wartości. heurystycznych. To właśnie one pozwalają na konstruowanie przez kaŜdą mrówkę rozwiązań w postaci przejść opartych o sekwencję kolejnych stanów i skierowanie. 21.

(22) poszukiwań w najbardziej interesujące regiony przestrzeni rozwiązań dostępnych. Stochastyczny współczynnik przesunięcia oraz wspomniany mechanizm parowania feromonu zapobiegają nadmiernemu schematyzmowi wyboru najbardziej obiecującego, ale niekoniecznie dobrego rozwiązania, likwidując w ten sposób prawdopodobieństwo nadmiernego naśladownictwa i zastoju. Poziom stochastyczności zaś oraz częstość odświeŜania tunelu zapachowego wyznacza równowagę pomiędzy odkrywaniem nowych stanów przestrzeni rozwiązań, a eksploatacją juŜ nagromadzonej wiedzy. Wiedza ta, w postaci dostępnej listy TABU, a więc stanu wewnętrznego mrówki pozwala zarówno na bezpośrednie oszacowanie jakości znalezionego rozwiązania, jak teŜ wpływu kaŜdego wykonanego przesunięcia na jego jakość. Jak wykazały badania [25, 26, 27, 30, 82] opisany algorytm mrówkowy, przy dobrym doborze wartości parametrów składowych, charakteryzuje się nie tylko bardzo dobrą wydajnością, ale zwraca równieŜ najlepsze wyniki w dziedzinie rozwiązań dostępnych, w porównaniu z innymi rozwiązaniami metaheurystycznymi, takimi jak wspomniany wcześniej algorytm genetyczny, czy metoda symulowanego wyŜarzania. Ilustruje to tabela 2. Tabela 2 - Statystyczne porównanie sprawności mechanizmów metaheurystycznych w zadaniu poszukiwania rozwiązania dla problemu komiwojaŜera, z uwzględnieniem takich samych zbiorów wejściowych [26]. Wyznaczony iteracyjnie koszt oznacza tutaj poszukiwaną najmniejszą sumę wag wszystkich krawędzi grafu przejścia.. ALiczba wierzchołków. Algorytm mrówkowy (dla 20 mrówek). Algorytm genetyczny. Symulowane wyŜarzanie. Koszt. Liczba iteracji. Koszt. Liczba iteracji. Koszt. Liczba iteracji. 30. 420. 830. 421. 3200. 424. 24617. 50. 425. 1830. 428. 25000. 443. 68512. 75. 535. 3480. 545. 80000. 580. 173250. 100. 21282. 4820. 21761. 103000. N/A. N/A. Wykonana została takŜe implementacja porównawcza algorytmu mrówkowego, w której zbadano równieŜ warunki terminalne, z uwzględnieniem przypadków, kiedy całkowita liczba mrówek wchodzących w skład populacji odpowiadała liczbie wierzchołków, co moŜna zapisać jako:. 22.

(23) m = N,. (5). gdzie N oznacza liczbę wierzchołków grafu, natomiast m – całkowitą liczbę mrówek, zdefiniowaną w postaci: N. m=. ∑ b (t ) , i =1. (6). i. dla bi (t) będącego liczbą mrówek dla wierzchołka i, w chwili t, a takŜe implementacja, kiedy liczba ta była niezaleŜna od ilości zdefiniowanych punktów. Przeprowadzono eksperymenty a następnie analizę zamieszczonych w tabeli 3 wyników, która wykazała, Ŝe zbyt duŜa liczba mrówek nie wpływa na podniesie jakości osiąganego rozwiązania, powodując czasami nawet jej pogorszenie. Na jakość tą mają jednak wpływ inne czynniki, na przykład sposób aktualizacji śladu feromonowego. Dlatego teŜ to właśnie kryterium stało się asumptem do wyodrębnienia w tej pracy trzech odmian algorytmu mrówkowego. Są nimi:. •. algorytm gęstościowy (ang. Ant-density),. •. algorytm ilościowy z feromonem uśrednionym (ang. Ant-quantity) oraz. •. algorytm cykliczny (ang. Ant-cycle).. W pierwszym z nich kaŜda mrówka podczas budowania swojej trasy zostawia stałą ilość feromonu, w drugim ilość ta jest odwrotnie proporcjonalna do długości wybranej krawędzi, natomiast w trzecim feromon nakładany jest dopiero po zbudowaniu przez mrówkę całej drogi rozwiązania.. Tabela 3 - Porównanie jakości uzyskiwanego rozwiązania problemu TSP przy zastosowaniu algorytmu mrówkowego z uwzględnieniem zmiennej liczby mrówek dla 50 wierzchołków w zakresie 2500 iteracji [82].. 10. Wartość Najlepszego rozwiązania 1.828. 20. 1.805. 1.906. 0.056. 956. 30. 1.822. 1.906. 0.054. 371. Liczba mrówek. Średnia wartość. Standardowe odchylenie. Minimalna liczba iteracji. 1.903. 0.060. 1556. 23.

(24) 2.2. Algorytm mrówkowy z lokacją stałej wartości śladu feromonowego W gęstościowej odmianie algorytmu mrówkowego (z lokacją stałej wartości feromonu) informacyjny ślad zapachowy reprezentujący atrakcyjność danej trasy, pozostawiany jest przez kaŜdą mrówkę zgodnie z regułą stosowaną dla wszystkich przebytych krawędzi. Regułę tą moŜemy zapisać: τij(t + 1) = (1 − ρ ) ⋅ τ ij ( t ) + ∆ τ ij ( t , t + 1 ) ,. (7). gdzie:. ρ - oznacza współczynnik wyparowywania feromonu i reprezentuje on wartości zbioru (0; 1], (1 - ρ) – oznacza pozostałość śladu reprezentującego atrakcyjność krawędzi E(i, j) ,. ∆τij (t, t +1) – jest natęŜeniem feromonu pozostawionego na krawędzi E(i, j) w czasie pomiędzy chwilą t, a t + 1. Wielkość tą zatem dla wszystkich mrówek danej iteracji moŜna przedstawić następująco:. m. ∑ ∆τ k =1. k ij. (t , t + 1) ,. (8). Wartość współczynnika parowania feromonu w chwili t = 0, a więc w momencie inicjalizacji początkowej algorytmu, powinna być ustalona na bardzo małą wartość vmin, róŜną od 0, ale jednakową dla kaŜdej krawędzi grafu. Implementacja algorytmu dla róŜnych typów problemów [8, 9, 10, 22, 23, 25, 26, 27, 28, 29, 40, 82] wskazuje, Ŝe powinna ona oscylować blisko wartości 10-6. Prowadzone badania wykazały równieŜ, Ŝe współczynnik ten (w przypadku progowej wartości maksymalnej vmax) nie powinien przekroczyć wartości 1, ze względu na moŜliwość wystąpienia nadmiernej depozycji znacznika,. stymulowanej. przez. proces. autokatalizy,. któremu. podlega. system. implementujący taki algorytm. Jedną ze sprawdzonych doświadczalnie [29] metod wyznaczania charakteryzowanej wartości współczynnika ρ jest ustalenie wartości limitowych vmin oraz vmax zgodnie ze wzorami:. vmax =. 1 1 ⋅ , 1 − ρ f (op ). 24. (9).

(25) gdzie: f(opt) - jest kosztem przejścia najlepszej trasy,. vmin =. v max ⋅ (1 − N p b ) (a − 1) ⋅. N. pb. ,. (10). gdzie: pb – oznacza prawdopodobieństwo wybrania najlepszego rozwiązania po zbiegnięciu się algorytmu, zaś a – średnią ilość wierzchołków spośród których mrówka musi wybierać następny punkt docelowy.. W opisywanym modelu algorytmu ilość pozostawianego śladu feromonowego pomiędzy chwilą t, a chwilą t+1 na przebytej przez kaŜdą mrówkę krawędzi E(i, j) jest niezaleŜna od długości tej krawędzi (dij) i ma stałą wartość Q, co moŜna zapisać:. Q, w przypadku przemieszczenia mrówki k z i do j ∆τijk (t, t +1) =  0, w przeciwnym przypadku ,. (11). Prezentowane rozwiązanie wymusza jednak - jak wykazały eksperymenty [9] - zawsze zaleŜność m > N, co oznacza, Ŝe liczba mrówek (oznaczona symbolem m) nie moŜe być mniejsza, ani nawet równa liczbie N wierzchołków grafu rozwiązywanego problemu. Zbyt mała ich liczba bowiem wiąŜe się z brakiem zadowalającego wyniku. Dowodem na to są równieŜ zawarte w tabeli 4 wyniki doświadczenia, pokazującego brak moŜliwości uzyskania rozwiązania dla problemu TSP, reprezentowanego przez 16-wierzchołkowy graf pełny, dla kolonii złoŜonej tylko z 16 mrówek. Tabela 4 –. ZaleŜność liczby cykli od ilości mrówek w zaimplementowanym algorytmie gęstościowym dla 16- wierzchołkowego grafu pełnego [19].. Liczba mrówek. Ilość cykli rozwiązania. 32. brak rozwiązania nawet dla bardzo duŜej liczby 1437. 64. 618. 16. 25.

(26) W uzupełnieniu tych rozwaŜań niŜej przedstawiono opracowany na podstawie literatury algorytm mrówkowy gęstościowy z feromonem stałym zapisany w pseudokodzie,. Algorytm 1 – Algorytm mrówkowy gęstościowy ze stałą ilością śladu feromonowego Ustaw t=0 /* licznik wartości dyskretnej w postaci czasu */ Dla kaŜdej krawędzi E(i, j) zainicjalizuj wartość natęŜenia śladu feromonowego τij (t) Ustaw wartość s=1 /* wartość oznaczająca numer cyklu */ Dla wartości początkowej i=1 do wartości N /*liczba miast */ wykonuj { Umieść bi(t) mrówek na wierzchołku i Dla wartości początkowej k=1 do wartości bi (t) wykonuj tabuk (s) = i }. Powtarzaj dopóki lista tabu nie zostanie wypełniona { Ustaw s=s+1 Dla wartości początkowej i=1 do wartości N wykonuj { Dla wartości początkowej k=1 do wartości bi (t) wykonuj { Wybierz następny wierzchołek j wyliczony z prawdopodobieństwem:.  [τ ij ]α ⋅ [η ij ] β  α β Pij (t) =  ∑ [τ ih ] [η ih ]  h∈Ω 0 , dla . , dla. j ∈Ω. ,. j ∉Ω. Dokonaj przemieszczenia mrówki k do wierzchołka j /* powyŜsza instrukcja tworzy nową wartość bj(t+1) */ } Dopisz wierzchołek j do listy tabu mrówki Ustaw τij (t, t +1) = ∆τij (t, t +1) + Q /* Q – jest wartością stałą */ } 26.

(27) Dla kaŜdej krawędzi E(i, j) wylicz τij ( t +1) zgodnie z odpowiednią regułą. }. Zapamiętaj najkrótszą trasę JeŜeli (t > liczby wszystkich cykli) lub (wszystkie mrówki poszły tą samą drogą) Wypisz najlepsze rozwiązanie i zatrzymaj proces. W przeciwnym przypadku { Wyczyść listę tabu Ustaw s=1 Dla wartości początkowej i=1 do wartości N wykonuj Dla wartości początkowej k=1 do wartości bi (t) wykonuj tabuk (s) = i Ustaw t = t+1 Dla kaŜdej krawędzi E(i, j) ustaw ∆τij (t, t +1) } }. W przedstawionym algorytmie mrówkowym (w przeciwieństwie do rozwiązania generowanego przez Przyrodę!) mrówki nie rozpoczynają iteracyjnego cyklu Ŝycia z tego samego punktu wejściowego (mrowiska), ale podlegając introdukcji, co oznacza, Ŝe są one losowo rozmieszczane na roŜnych wierzchołkach grafu. KaŜde przemieszczenie mrówki z punktu i do punktu j, na krawędzi E(i, j), zainicjalizowanej progową wartością vmin feromonu znacznikowego, odbywa się zgodnie z prawdopodobieństwem opisanym funkcją (10). Ruch ten jest więc determinowany zarówno przez informację o atrakcyjności danej ścieŜki (w przypadku wybrania jej równieŜ przez inne mrówki), jak teŜ przez zmienną, niosącą. informację. o. najbliŜej. połoŜonych. wierzchołkach. celu. (tych. jeszcze. nieodwiedzonych). Podjęta decyzja wiąŜe się zawsze z aktualizacją pamięci mrówki (listy TABU), czyszczonej na początku kaŜdego cyklu przejścia oraz z procesem aktualizacji natęŜenia śladu feromonowego na krawędzi przemieszczenia E(i, j), zgodnie ze wzorem (7). 27.

(28) Wracając do punktu startowego mrówka kończy swój cykl decyzyjny i rozpoczyna nowy, jeŜeli nie nastąpił warunek stopu, warunek, który jest zaleŜny od załoŜonej i inkrementowanej liczby cykli lub od przejścia wszystkich mrówek tą samą trasą. Dopiero wtedy, gdy będzie on spełniony, nastąpi wyświetlenie najlepszego odnalezionego rozwiązania.. 2.3. Algorytm mrówkowy z lokacją uśrednionej wartości śladu feromonowego Modyfikacją algorytmu mrówkowego z rozkładem stałym feromonu, która premiuje dodatkowo krótkie krawędzie, jest algorytm ilościowy. W rozwiązaniu tym wzrost natęŜenia znacznikowego na krawędzi E(i, j) (gdy następuje przemieszczenie mrówki z wierzchołka i do wierzchołka j) jest odwrotnie proporcjonalny do długości tej krawędzi:. Q  , w przypadku przemieszczenia mrówki k z i do j ∆τij (t, t +1) =  d ij 0, w przeciwnym przypadku,  k. 12). Aktualizacja śladu atrakcyjności krawędzi następuje tutaj równieŜ w kaŜdym kroku mrówki zgodnie ze wzorem (7). Podobnie teŜ jak w przypadku poprzedniej odmiany algorytmu mrówkowego podejście to wymaga dobrania zarówno odpowiedniej ilości mrówek jak i ich cykli. Pierwszy z tych parametrów powinien bowiem zawsze przekraczać liczbę wierzchołków grafu przejścia, drugi z nich natomiast maleje wraz ze wzrostem liczby wątków. Ponadto jak wykazały eksperymenty [9] taka modyfikacja zwraca zawsze znacznie gorsze wyniki niŜ algorytm gęstościowy, dlatego teŜ rzadko kiedy bywa implementowana. Dla porządku jednak zaprezentowano niŜej ten algorytm w postaci formalnej.. Algorytm 2 – Algorytm mrówkowy ilościowy ze średnią ilością śladu feromonowego Ustaw t=0 /* licznik wartości dyskretnej w postaci czasu */ Dla kaŜdej krawędzi E(i, j) zainicjalizuj wartość natęŜenia śladu feromonowego τi (t) Ustaw wartość s=1 /* wartość oznaczająca numer cyklu */ 28.

(29) Dla wartości początkowej i=1 do wartości N /*liczba miast */ wykonuj { Umieść bi(t) mrówek na wierzchołku i Dla wartości początkowej k=1 do wartości bi (t) wykonuj tabuk (s) = i }. Powtarzaj dopóki lista tabu nie zostanie wypełniona { Ustaw s=s+1 Dla wartości początkowej i=1 do wartości N wykonuj { Dla wartości początkowej k=1 do wartości bi (t) wykonuj { Wybierz następny wierzchołek j wyliczony z prawdopodobieństwem Pij(t) Dokonaj przemieszczenia mrówki k do wierzchołka j /* powyŜsza instrukcja tworzy nową wartość bj(t+1) */ } Dopisz wierzchołek j do listy tabu mrówki Ustaw τij (t, t +1) = ∆τij (t, t +1) + Q/dij /* Q – jest wartością stałą, natomiast dij oznacza długością krawędzi E(i, j) */ } Dla kaŜdej krawędzi E(i, j) wylicz τij ( t +1) zgodnie z odpowiednią regułą. } Zapamiętaj najkrótszą trasę JeŜeli (t > liczby wszystkich cykli) lub (wszystkie mrówki poszły tą samą drogą) Wypisz najlepsze rozwiązanie i zatrzymaj proces. W przeciwnym przypadku { Wyczyść listę tabu Ustaw s=1 Dla wartości początkowej i=1 do wartości N wykonuj Dla wartości początkowej k=1 do wartości bi (t) wykonuj 29.

(30) tabuk (s) = i Ustaw t = t+1 Dla kaŜdej krawędzi E(i, j) ustaw ∆τij (t, t +1) } }. 2.4. Algorytm mrówkowy z feromonem cyklicznym W odróŜnieniu od dwóch poprzednich algorytmów aktualizacja drogi zapachowej w przypadku algorytmu cyklicznego nie odbywa się w kaŜdym kolejnym ruchu przejścia, ale dopiero wtedy, gdy wszystkie mrówki skonstruują swoją trasę. Proces uaktualnienia ścieŜki w kaŜdym cyklu ma więc złoŜoność O(m*N2), a cały algorytm O(s*m*N2), gdzie s reprezentuje całkowitą liczbę cykli, m – sumaryczną liczbę wątków, a N – liczbę wierzchołków grafu. Aktualizacja ta jest więc zgodna ze wzorem: τij(t + N) = ρ ⋅ τ ij ( t ) + ∆ τ ij ( t , t + N ) ,. (13). gdzie: ρ - oznacza współczynnik wyparowywania feromonu i reprezentuje on wartości zbioru (0; 1], ∆τij (t, t + N) – jest natęŜeniem feromonu pozostawionego na krawędzi E(i, j) po skonstruowaniu całej trasy cyklu w procesie przejścia N – wierzchołków. Wielkość tą zatem dla wszystkich mrówek danej iteracji moŜna przedstawić następująco:. ∆τijk (t + N) =. m. ∑ ∆τ k =1. k ij. (t , t + N ),. (14). Graf przestrzeni stanów jest więc generowany na podstawie wartości heurystycznych, uaktualnianych cyklicznie zgodnie z funkcją:. 30.

(31) Q  , w przypadku wyboru przez mrówkę k E (i, j ) ∆τij (t, t +1) =  Lk 0, w przeciwnym przypadku ,  k. (15). gdzie: Lk – oznacza długość znalezionej drogi przez mrówkę wykonującą przemieszczenie w cyklu, w którym następuje aktualizacja tablicy decyzyjnej, Q – jest stałą wartością zbioru {1; 100; 10000} i nie ma ona większego wpływu na jakość uzyskiwanych rezultatów.. Przeprowadzone doświadczenia [9, 27] wykazały, Ŝe zastosowanie opisanego algorytmu daje znacznie lepsze rezultaty niŜ zastosowanie algorytmu z gęstościowym i ilościowym sposobem oznaczenia konstruowanej trasy. Ponadto dowiodły one jednoznacznie, Ŝe zarówno mała liczba mrówek jak teŜ i liczba ich cykli nie wpływa na brak moŜliwości uzyskania rozwiązania, co wpływa znacznie na złoŜoność obliczeniową algorytmu, a tym samym przyspiesza uzyskanie lepszych rezultatów. Ustalone w wielu próbach i pokazane w tabeli 5 najlepsze dla tego algorytmu współczynniki sterowania to:. α=1, β=5 oraz ρ=0.5. Tabela 5 –. Porównanie rezultatów uzyskanych w wyniku implementacji róŜnych postaci algorytmu mrówkowego dla problemu TSP, przy załoŜeniu istnienia zbioru wejściowego obejmującego 30 wierzchołkowy graf pełny, początkowe wartości współczynnika α=1, β=1, ρ=0.5 oraz Q=100, dla 30 mrówek z maksymalną liczbą cykli równą 5000 [9].. algorytm gęstościowy. Najlepsze ustawienia parametrów α=1, β=5, ρ=0.99. Średnia wartość wyniku 426.740. algorytm ilościowy. α=1, β=5, ρ=0.99. 427.315. 426.255. algorytm cykliczny. α=1, β=5, ρ=0.5. 424.250. 423.741. Sposób uaktualniania śladu feromonowego. Najlepszy rezultat 424.635. Algorytm 3 – Algorytm mrówkowy z uaktualnieniem cyklicznym Ustaw t=0 /* licznik wartości dyskretnej w postaci czasu */ Dla kaŜdej krawędzi E(i, j) zainicjalizuj wartość natęŜenia śladu feromonowego τi (t). 31.

(32) Ustaw wartość s=1 /* wartość oznaczająca numer cyklu */. Dla wartości początkowej i=1 do wartości N /*liczba miast */ wykonuj { Umieść bi(t) mrówek na wierzchołku i Dla wartości początkowej k=1 do wartości bi (t) wykonuj tabuk (s) = i }. Powtarzaj dopóki lista tabu nie zostanie wypełniona { Ustaw s=s+1 Dla wartości początkowej i=1 do wartości N wykonuj { Dla wartości początkowej k=1 do wartości bi (t) wykonuj { Wybierz następny wierzchołek j wyliczony z prawdopodobieństwem Pij(t) Dokonaj przemieszczenia mrówki k do wierzchołka j } Dopisz wierzchołek j do listy tabu mrówki. } Dla kaŜdej krawędzi E(i, j) wylicz τij ( t + N) zgodnie z odpowiednią regułą. } Ustaw ∆τijk (t + N) =. m. ∑ ∆τ k =1. k ij. (t , t + N ),. Zapamiętaj najkrótszą trasę JeŜeli (t > liczby ustalonych cykli) lub (wszystkie mrówki poszły tą samą drogą) Wypisz najlepsze rozwiązanie i zatrzymaj proces. W przeciwnym przypadku { Wyczyść listę tabu Ustaw s= 1. 32.

(33) Dla wartości początkowej i=1 do wartości N wykonuj Dla wartości początkowej k=1 do wartości bi (t) wykonuj tabuk (s) = i Ustaw t = t + N Dla kaŜdej krawędzi E(i, j) ustaw ∆τij (t, t + N) } }. 2.5. Modyfikacje algorytmu mrówkowego do postaci mrowiskowej ZłoŜoność obliczeniowa algorytmu z uaktualnianiem cyklicznym jest rzędu O(s*m*N2), w związku z tym sprawia, Ŝe algorytm ten jest niestety efektywny tylko dla problemów z przestrzenią stanów o niewielkich rozmiarach. W przypadku duŜej liczby punktów przejścia naleŜy go więc zmodyfikować do postaci ulepszonej, reprezentującej system mrowiskowy. Jego idea oparta jest na dwustopniowej fazie procesu modyfikacji feromonowej ścieŜki selekcji trasy. ŚcieŜka ta bowiem powinna być uaktualniana teraz zarówno lokalnie, po wykonaniu przez kaŜdą mrówkę jednego z N kroków, jak teŜ globalnie, po wykonaniu przez wszystkie mrówki całego cyklu przemieszczenia. Aktualizacji śladu moŜe dokonać tym razem jednak tylko ta mrówka, która znalazła najkrótszą drogę. W kaŜdym kroku wybiera ona następny wierzchołek celu na podstawie dostępnej listy węzłów kandydujących. Są nimi najbliŜsze nieodwiedzone jeszcze punkty. Podczas swojej wędrówki mrówka podejmuje decyzję o wyborze wierzchołka j zgodnie z regułą: arg max {τ ir (t ) ⋅[η ir ] β }, gdy q ≤ q 0 r ∈Ω  j=  ,  S, w przeciwnym przypadku . (16). gdzie:. τij - natęŜenie śladu feromonowego, znajdującego się na krawędzi E(i, j) w chwili t,. 33.

(34) ηij - wartość lokalnej funkcji kryterium, związanego z widocznością punktu j z punktu i, ηij =. 1 , gdzie dij to odległość pomiędzy punktami i oraz j d ij. β - parametr pozwalający sterować względną waŜnością widoczności następnego punktu,. Ω - zbiór nie odwiedzonych dotychczas wierzchołków przez mrówkę. S – wierzchołek wylosowany z prawdopodobieństwem:.  τ ij (t ) ⋅ [η ij ] β  β Pij (t) =  ∑ [τ ih ] ⋅ [η ih ]  h∈Ω 0 , dla . j ∈Ω. , dla. ,. (17). j ∉Ω. W powyŜszej regule przejścia generowana jest liczba losowa q z zakresu [0;1], która następnie porównywana jest z zadanym parametrem algorytmu q0. JeŜeli q jest wartością mniejszą lub równą q0, to w takim przypadku decyzja mrówki związana jest z wyborem najlepszej dostępnej krawędzi, w przeciwnym zaś razie następuje zawsze losowanie krawędzi. Dlatego teŜ moŜemy mówić tutaj o decyzyjności algorytmu opartej na wyborze kolejnego punktu grafu przejścia, dokonywanym w procesie eksploatacji lub eksploracji. Tak więc tablica decyzyjna mrówek w kolejnym węźle jest tworzona zarówno na podstawie lokalnych wartości szlaku feromonowego, jak i na podstawie lokalnych wartości heurystycznych z prawdopodobieństwem określonym wzorem (17). Lokalna aktualizacja związana. śladu. jest. jednak. nie. tylko. z. jego. wzmacnianiem,. ale. równieŜ. z odparowywaniem, co moŜemy zapisać jako: τij(t + 1) = (1 − ρ ) ⋅ τ ij ( t ) + ρ ⋅ τ 0 ,. (18). gdzie:. ρ - oznacza współczynnik wyparowywania feromonu i reprezentuje on wartości zbioru (0; 1],. τ0 – jest inicjalnym natęŜeniem feromonu na krawędziach grafu Po wykonaniu przez wszystkie mrówki pełnego cyklu przejścia grafu następuje z kolei globalne parowanie feromonu na wszystkich krawędziach grafu, a następnie 34.

(35) uaktualnienie śladu atrakcyjności. Jest on jednak nakładany tylko i wyłącznie na krawędzie naleŜące do najlepszej znalezionej dotychczas trasy i odbywa się to na podstawie zaleŜności funkcyjnej, którą moŜna zobrazować:. τij(t + 1) = (1 − ρ ) ⋅ τ ij ( t ) + ρ ⋅. 1 , L+. (19). gdzie: L+ - odpowiada najkrótszej znalezionej przez wszystkie mrówki trasie w danym cyklu generowania rozwiązania. Taka aktualizacja drogi stanowi podstawę do wykonania kolejnych cykli, których liczba, tak samo jak w. przypadku algorytmu ilościowego, gęstościowego czy cyklicznego,. zawsze jest jednym z parametrów algorytmu i powinna być ona dobierana na bazie ścieŜki eksperymentalnej. Algorytm inicjalizowany jest minimalną wartością feromonu oznaczoną jako τ0 i ustalaną eksperymentalnie, ale tylko w cyklu wejścia, poniewaŜ po rozpoczęciu kolejnego wartością tą staje się juŜ ślad feromonowy ustalony na wyjściu poprzedniego cyklu. Jak wykazują badania własne jest to proces iteracyjny, bazujący na heurystycznej metodzie zwracania rozwiązań polioptymalnych, ale zadawalających, a czasy osiągane w wyniku implementacji tego algorytmu są znacznie lepsze niŜ w przypadku implementacji innych algorytmów mrówkowych, niezaleŜnie od rozmiaru zadanego problemu.. Algorytm 4 – Algorytm systemu mrowiskowego Dla kaŜdej krawędzi E(i, j) wykonuj. τij (0)= τ0 Dla k=0 do wartości m wykonuj T+= najkrótsza znaleziona trasa L+= długość znalezionej trasy. 35.

(36) Dla t=1 do wartości tmax wykonuj { Dla k=1 do wartości m wykonuj { JeŜeli istnieje nieodwiedzony wierzchołek j, naleŜący do listy punktów kandydujących, to { Wylosuj wartość parametru ρ ze zbioru (0;1> Wybierz następny wierzchołek j z listy wierzchołków kandydujących, na podstawie zaleŜności: arg max {τ ir (t ) ⋅[η ir ] β }, gdy q ≤ q 0 r ∈Ω  j=   S, w przeciwnym przypadku  na podstawie prawdopodobieństwa określonego funkcją (17) } w przeciwnym przypadku Wybierz najbliŜszy punkt z listy. Aktualizuj ścieŜkę feromonową na krawędzi przejścia mrówki k zgodnie ze wzorem:. τij(t) = (1 − ρ ) ⋅ τ ij ( t ) + ρ ⋅ τ 0 , }. Dla k=1 do wartości m wykonuj Oblicz długość Lk(t) drogi Tk znalezionej przez mrówkę k. JeŜeli została znaleziona trasa krótsza niŜ kaŜda wcześniejsza, to Aktualizuj T+ oraz L+ Dla kaŜdej krawędzi E(i, j) naleŜącej do T+ wykonuj Wykonaj aktualizację śladu całej przestrzeni stanów, zgodnie ze wzorem:. τij(t) = (1 − ρ ) ⋅ τ ij ( t ) + ρ ⋅ ∆ τ ij ( t ) dla ∆τij (t) = ⋅. Dla kaŜdej krawędzi E(i, j) wykonuj. 36. 1 , L+.

(37) τij(t + 1) = τij(t) } Wypisz najkrótszą znalezioną trasę T+. 37.

(38) 3. METODY REKRUTACJI I SELEKCJI PRACOWNIKÓW 3.1. Zewnętrzne i wewnętrzne uwarunkowania procesu rekrutacji i selekcji Sukces kaŜdego przedsiębiorstwa jest uzaleŜniony przede wszystkim od jego potencjału społecznego, stanowiącego kapitał intelektualny. To on jest najwaŜniejszym czynnikiem wytwórczym firmy, prowadzącym do osiągnięcia poŜądanej przewagi konkurencyjnej. Dlatego teŜ rozwaŜając jego rolę w gospodarce, moŜna zauwaŜyć, Ŝe w kaŜdym przedsiębiorstwie nieustannie zachodzi potrzeba wypracowywania stałego i efektywnego modelu zarządzania zasobami ludzkimi. W modelu tym najwaŜniejszym czynnikiem jest proces selekcji i rekrutacji kadry, a jego podstawowym celem wybranie właściwej osoby na określone stanowisko. Wydaje się to logiczne i proste, tymczasem mamy do czynienia z procesem bardzo złoŜonym, który nawet przy uŜyciu najlepiej sprawdzających się dotąd narzędzi i metod oceny, bez uwzględnienia szybko zmieniających się uwarunkowań zarówno tych zewnętrznych jak i wewnętrznych, niesie ze sobą takie same prawdopodobieństwo podjęcia dobrych jak i złych decyzji. Przeprowadzone badania [21, 42] dowodzą bowiem, Ŝe większość firm, niezaleŜnie od rynku, wciąŜ stosuje te same metody i modele oceny kandydatów, uznając je za najlepsze, a ich współczynnik trafności kształtuje się na poziomie prawdopodobieństwa wynoszącym co najwyŜej 0.6. Takie podejście oznacza więc, Ŝe z duŜym prawdopodobieństwem moŜemy niewłaściwie dokonać obsady takŜe kluczowego stanowiska, od którego moŜe zaleŜeć przecieŜ sukces całej organizacji. Korygowanie nieprzemyślanych lub błędnych decyzji z reguły zajmuje duŜo czasu i okazuje się zbyt kosztowne. Dlatego teŜ, tylko właściwy i trafny wybór moŜe przynieść efekty nawet dalece przewyŜszające oczekiwania stron. Pozyskiwanie pracowników nie powinno więc odbywać się metodą prób i błędów, lecz stanowić spójny system działań ukierunkowanych na osiągnięcie głównego celu. Aby tego dokonać, naleŜy dobrać jednak odpowiednie instrumenty oraz metody oceny procesu selekcji, a takŜe uwzględnić wszystkie determinanty procesu rekrutacji. Do najwaŜniejszych z nich moŜemy zaliczyć [55] czynniki związane ze zmianami organizacyjnymi, charakteru pracy, umów o pracę, zmianami społecznymi, prawnymi, marketingowymi oraz technologicznymi. Analiza badań firmy BEA Systems, przeprowadzonych pod koniec 2007 roku na kilkunastu respondentach złoŜonych z krajów takich jak: Belgia, Hiszpania, Holandia, Dania, Finlandia, Francja, Niemcy, Norwegia, Polska, Szwecja, Wielka Brytania oraz. 38.

(39) Włochy, wykazuje, Ŝe podstawowym stymulatorem zmian organizacyjnych w większości firm jest konkurencja, ze strony globalnych przedsiębiorstw, które wykorzystując przewagę w postaci korzyści skali, taniej siły roboczej czy innowacyjnych technologii, osiągają w ten sposób zarówno moŜliwość obniŜenia kosztów jak i zwiększenia elastyczności procesu produkcji. To sprawia, Ŝe mniejsze podmioty gospodarcze, coraz częściej są zmuszone, aby: . koncentrować się na głównym przedmiocie swojej działalności, a pozostałe zadania zlecać innym firmom, w ramach usług outsourcingowych,. . opierać organizację firmy nie na jej działach, ale przede wszystkim na najwaŜniejszych procesach,. . upraszczać w efekcie finalnym strukturę swojej organizacji, a co za tym idzie zmniejszać równieŜ liczbę jej pracowników.. Taki proces prowadzi do szybkiej restrukturyzacji firmy, która, chcąc utrzymać swoją konkurencyjność musi kilkukrotnie zwiększyć produktywność, jednocześnie znacznie zmniejszając liczbę pracowników. Następstwem tego są zmiany charakteru samej pracy. Praca ta jest wtedy bowiem ukierunkowywana nie tylko na tworzenie wielofunkcyjnych zespołów, czy coraz częstsze przypisywanie ról do procesów zamiast funkcji, ale takŜe na wzrost wymagań w stosunku do kaŜdego zatrudnionego pracownika, który powinien być wysoce efektywny i dzięki temu przynosić firmie wymierne korzyści. Wymienioną efektywność zwiększa równieŜ odpowiednie dopasowanie wiedzy, umiejętności i stylu pracy poszczególnych osób do konkretnych zadań i warunków. Czynnik ten nie pozostaje jednak bez wpływu na proces rekrutacji i selekcji zarówno z perspektywy kandydata jak i pracodawcy. Ten drugi będzie szukać wtedy bowiem głównie osób, które potrafią wykonywać zadania sprawnie i szybko przyniosą firmie odpowiedni poziom dochodów, oferując w zamian pomoc w podnoszeniu i rozwijaniu kwalifikacji oraz godziwe wynagrodzenie. Jest to tak zwany „kontrakt psychologiczny”, który coraz częściej znajdując właśnie odzwierciedlenie w umowach o pracę, zmienia się z czasem i staje się mniej korzystny dla pracownika, będącego krytycznym ogniwem przedsiębiorstwa. Wobec sytuacji zwrotu od kapitału ku wiedzy, a więc równieŜ ku człowiekowi, stary „kontrakt psychologiczny”, w oparciu o który pracownik ofiarował dotąd swoją lojalność i zaangaŜowanie, w zamian za bezpieczeństwo pracy, musi w czasach obecnych zostać odrzucony. Zastępuje go zaś, co obrazuje tabela 6, kontrakt oparty przede wszystkim 39.

(40) o realizację celów organizacji, z uwzględnieniem optymalizacji ludzkich działań. Odbywa się to jednak kosztem zgody na pracę w godzinach nadliczbowych, częstego poszerzania zakresu obowiązków pracownika oraz pełnej akceptacji zmian i niejasnych sytuacji, jakie zachodzą w firmie. Tabela 6 –. Rok. Porównanie starego i nowego „kontraktu psychologicznego” [41].. Zobowiązania pracownika. Zobowiązania pracodawcy. 1975. lojalność (zobowiązanie do pozostania w firmie) podporządkowanie się wymaganiom zaangaŜowanie (gotowość do wykonywania dodatkowych zadań) rzetelność. 2005. praca w godzinach nadliczbowych zwiększony zakres obowiązków szerszy zakres umiejętności akceptacja zmian i niejasnych sytuacji. bezpieczeństwo zatrudnienia perspektywa awansu szkolenia pomoc w przypadku wystąpienia problemów. wysoka płaca nagrody za wydajność praca. Jednym z głównych faktorów wpływu na proces doboru kadry, którego równieŜ nie moŜna pominąć jest czynnik zmian struktury społecznej. Jest to czynnik silnie związany z systemem wartości i postaw pracowników, ich motywacji oraz stosunku do pracy, niezwykle waŜny w dobie, kiedy w kaŜdym przedsiębiorstwie nieustannie zwiększa się liczba kobiet oraz pracowników mniejszości narodowej. Przedsiębiorstwa we własnym zakresie muszą zaakceptować więc fakt, Ŝe wśród kandydatów na pracowników będzie coraz więcej osób, których poglądy, wartości, pochodzenie i przekonania będą wielokrotnie inne od dotychczas uznawanych za powszechne i zgodnych z obowiązującą normą. Ma to z kolei znaczący wpływ na sposób doboru metod rekrutacji, które powinny gwarantować, Ŝe kryteria doboru nie będą dotyczyły czynników takich jak płeć lub wiek, ale wyłącznie kompetencji kandydatów. Równość traktowania kobiet i męŜczyzn, mniejszości narodowych oraz niepełnosprawnych, a takŜe inne postanowienia dotyczące niedyskryminacji coraz częściej wynikają takŜe z powszechnie obowiązujących przepisów, orzeczeń arbitraŜowych lub zbiorowych układów prawa pracy. Dlatego teŜ działające nierzadko w róŜnych krajach świata przedsiębiorstwa muszą brać uwagę nie tylko regionalne zróŜnicowanie tradycji, systemów edukacji i zatrudnienia, ale równieŜ zróŜnicowanie przepisów prawnych. Wbrew pozorom nie zawsze jest to jednak łatwe 40.