27、人力资源智能系统:e-HRM的发展与员工感知研究

人力资源智能系统:e-HRM的发展与员工感知研究

1. 引言

随着科技的飞速发展,人力资源管理(HRM)领域发生了巨大的变革。各种人力资源智能系统应运而生,推动着HRM职能从传统的行政视角向组织的关键业务合作伙伴转变。本文将深入探讨e-HRM系统的相关内容,包括其与传统HRIS的区别、组织采用e-HRM的目标、研究方法以及不同行业员工对e-HRM系统的感知差异。

2. e-HRM系统概述

2.1 HRIS与e-HRM的区别

技术在HRM领域的应用已超越了单纯管理薪资系统和其他行政操作的范畴。自20世纪80年代初以来,人力资源信息系统(HRIS)中广泛应用了技术和自动化。然而,HRIS与e-HRM存在显著差异:
- HRIS :主要侧重于HR职能的自动化,其主要客户或用户是HR部门,而非其他职能部门的员工或经理。此外,HRIS不足以开发HR虚拟价值链,但长期以来,它有效地实现了各种HR系统的自动化,如薪资处理、员工请假和考勤管理。
- e-HRM :强调采用以网络或互联网为中心的系统和移动技术,极大地促进了HR部门、企业领导和员工之间的互动。以前面对面的互动现在越来越多地通过HR智能系统来实现。e-HRM被定义为“一个涵盖HRM与信息技术之间所有可能的集成机制和内容的统称,旨在为目标员工和管理层在组织内部和跨组织创造价值”。

2.2 组织采用e-HRM的目标

不同的HR领导者对e-HRM有着不同的目标:
- 侧重于行政方面的HR领导者 :为e-HRM设定交易或效率目标。

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值