调查显示:IT类工作满意度跌至最低 仅4%

多项调查显示,IT行业的工作者满意度持续下降,主要原因包括经济不景气、企业结构调整及裁员等。据CorporateExecutiveBoard公司针对15万名职员(其中包括1万名IT职员)的调查显示,IT职员的工作积极性降至10年来最低水平。
多项调查显示,IT工作的满意度继续走低。经济低迷以及随之而来的结构重组、裁员以及大部分公司选择业务外包都构成了IT类工作满意度走低的原因。
鉴于此,随着满意度降低,许多IT工作者可能另谋它业。由Corporate Executive Board在其客户中(包括财富500强公司)作出的2009年中期工作满意度调查显示,对IT工作不满意的人数持续增加。Corporate Executive Board公司每个季度调查15万名职员,其中10000名为IT职员。

Corporate Executive Board最新调查显示,IT职员“努力进行高水平工作”——包括增加额外工作时间以解决问题,对公司程序优化提出建议,以及在公司运营中扮演关键角色的意愿降至了自Corporate Executive Board10年前发起调查以来的最低。

2007年,约有12%的IT工作者属于“高度专注工作者”,这个比值现在下降到了4%。

Corporate Executive Board信息技术实践部的监管董事加米·卡倍拉(Jaime Capella)说道:“这些都是比较挑剔的IT职员。他们也可能是第一批最有可能离开你公司的职员。”

同样,非盈利研究组织Conference Board Inc.5日表示,去年对5000美国家庭的调查显示,45%的屋主表示对现有工作表示满意,这比起1987年62%的比率下降不少。

来自医疗保险公司基础设施部副总裁迈克·汉根(Mike Hagan)说道:“在IT类职业,有许多处于压抑状态的不满。经济衰退让职员雇主摩擦降至了新低。一旦经济恢复或是稳定,这些不满的职员会跳槽到别的工作岗位。”

他接着说道:“要想留住雇员,IT经理必须增加和雇员的互动,让雇员了解公司前景。IT经理要能设立出带有目的性的岗位。”

“我猜,现在在苹果工作的职员其工作就带有目的性。这样,这些职员基本不可能跳槽。职员们要找的就是这种目的性。”

Dice公司首席营销官托马斯说道:“找到新工作的机会开始增加。比如在纽约,将近有6000个IT工作职位发布,一年前的这个时候是5600。”Dice公司在硅谷发布的工作岗位有3000个,一年前是2700个。

Dice8月份对360位职员作出的调查显示,超过三分之一人表示,一旦就业市场有所改观,就会考虑找新工作。

卡倍拉表示,职员很注重工作成效,希望在一个有动力的团队工作。并希望能和公司进行持续的,公开的交流。一旦职员发现公司并不诚实,职员会对此感到不满。

卡倍拉最后表示,如经理能足够坦率,经理们好的意愿通常能能抵消负面影响。

原文:[url]http://www.cnbeta.com/articles/101672.htm[/url]
【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分指标展开,从而定量验证PSO算法在提升SVM模型分能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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