05.13.10 Управление в социальных и экономических системах (технические науки)
-
Многокритериальный анализ альтернатив в решении задач по управлению человеческими ресурсами
05.13.10 Управление в социальных и экономических системах (технические науки)
Краткое описаниеЧеловеческие ресурсы в последнее время стали обоснованно приобретать все большую значимость. На сегодняшний день они, наряду с материальными, интеллектуально-информационными и финансовыми ресурсами, влияют на эффективность функционирования предприятий и организаций. Грамотная оценка человеческих ресурсов, четкое понимание способов взаимодействия с персоналом и развития кадрового потенциала – основа эффективной работы как кадровых отделов, так и организаций в целом. Сложность оценки человеческих ресурсов и кадрового потенциала обуславливает необходимость разработки инструментария, использование которого позволит упростить ее и обеспечить получение максимально четких рекомендаций и помощи в рамках принятия управленческих решений. Перспективным направлением реализации обозначенного инструментарий может стать разработка системы поддержки принятия решений, в рамках которой помимо прочего будет иметься возможность многокритериального анализа альтернатив. В связи с тем, что методов многокритериального анализа альтернатив, предназначенных сугубо для оценки человеческих ресурсов, не имеется, необходимо провести их тщательный анализ, основной целью которого является выявление наиболее подходящей базы для дальнейшей адаптации и развития. После проведения предварительных исследований, в качестве наиболее перспективных для решения поставленной задачи авторами были выбраны методы TOPSIS, MAUT, AHP и ELECTRE
-
05.13.10 Управление в социальных и экономических системах (технические науки)
Краткое описаниеВ статье рассматриваются современные подходы к осуществлению миграции виртуальных машин между различными платформами виртуализации. Дана сравнительная характеристика инструментов осуществления миграции виртуальных нагрузок. Сделаны выводы о целесообразности применения различных подходов в зависимости от стоящей перед миграцией задачи и имеющихся ресурсов. Представлена авторская методика миграции виртуальных машин с платформы виртуализации VMware vSphere на платформу виртуализации Microsoft Hyper-V, позволяющая повысить скорость и надежность процесса миграции и существенно сэкономить на операционных издержках предприятия
-
05.13.10 Управление в социальных и экономических системах (технические науки)
Краткое описаниеВ работе рассмотрены наиболее используемые методы и средства извлечения знаний с учетом оценки качества моделей в системах поддержки принятия решений. В научном и практическом плане исследованы возможности совместного эффективного использования экспертных систем, интеллектуального анализа данных (ИАД) и машинного логического вывода (МЛВ), что обеспечивает более глубокую обработку данных, учитывая существенные отличия баз данных (БД) и баз знаний (БЗ). БД является единицей информации несвязанной друг с другом сведениями, в то время как БЗ – не только связаны между собой, но и с понятиями окружающего мира, что дает возможность решать сложные многокритериальные задачи в различных предметных областях. В настоящее время все возрастающее внимание уделяется неройсетевым технологиям, обладающие способностью моделирования нелинейных процессов, работе с зашумленными данными, а также способностью к обучению и самообучению, извлекая из поступающей информации существенные особенности. В тоже время интеграция нейросетевых технологий и моделей искусственного интеллекта в единую гибридную систему вместе с методами логического вывода в виде иерархической последовательности структуры правил «Если-то» значительно улучшает понимание изучаемого процесса и качества представления получаемого результата. Тем не менее эти методы и средства извлечения знаний являются недостаточными если не использовать механизм нечеткого лингвистического вывода. Базовой характеристикой нечетких множеств является функция принадлежности, которая представляет собой обобщенную характеристику обычного множества. Для задания этой функции используются три типа форм – треугольная, трапецеидальная и гауссового типа и две основных процедуры – фазификация и дефазификация, что и рассмотрено на примере метода Мамдани. Наряду с изложенным наиболее перспективным направлением в этой области является алгоритм адаптивного усиления AdaBoost, где ограничение усиления за счет фильтрации состоит в применении подвыборки, контур которой есть обычный контур пакетного обучения, допускающий повторное использование данных обучения. Это и обеспечивает возможность работы со слабыми моделями, а в условиях гибридизации обуславливает повышение эффективности, усиливает классификаторы, объединенные в «комитет». Каждая следующая совокупность классификаторов строится по объектам неверно классифицированных предыдущими совокупностями. AdaBoost чувствителен к шуму в данных и выбросам и менее подвержен переобучению, что позволяет значительно уменьшить количество примеров и получать более качественный вывод в СППР