دانلود ترجمه مقاله راه حلی برای مساله تخصیص منابع انسانی در مورد مدیریت هتل

1. مقدمه 2. مساله تخصیص منابع انسانی دوهدفه با محدودیت های اولویتی و مهارتی 3. الگوریتم ژنتیک چندمرحله ای پارتو 4. مطالعه موردی در بخش هتلداری ژاپن 5. نتیجه گیری

چکیده – هدف این مقاله، تخصیص بهینه منابع انسانی روی وظایف و به موازات آن به حداقل رسانی هزینه روزانه منابع انسانی و انعطاف پذیری در بهره گیری از منابع انسانی می باشد. این مساله تخصیص منابع انسانی (hRAP) دارای دو نوع محدودیت خاص می باشد، یعنی اولویت عملیاتی و محدودیت های مهارتی در کنار محدودیت های متداول. به منظور بررسی اهداف چندگانه و محدودیت های خاص، در ابتدا، این hRAP را در قالب یک مساله شبکه ای طراحی کرده و سپس یک الگوریتم ژنتیک مبتنی بر تصمیم چندمرحله ای پارتو (P-mdGA) را برای حل آن ارائه داده ایم. در طول فرآیند تکاملی P-mdGA، یک روش ارزیابی پارتو با عنوان رویکرد تابع تناسب مستقل از مقیاس مبتنی بر پارتو تعمیم یافته به منظور ارزیابی راه حل ها مورد استفاده قرار گرفته است. علاوه بر این، به منظور بهبود عملکرد P-mdGA، ما از یک کنترلر منطق فازی برای پارامترهای ژنتیکی تنظیم شده استفاده کرده ایم. نهایتاً، به منظور نشان دادن کاربردپذیری و ارزیابی عملکرد روش پیشنهادی، P-mdGA برای حل یک مطالعه موردی در یک هتل مورد استفاده قرار گرفته شده که در آن مدیران معمولاً نیازمند پشتیبانی خودکار مفیدی برای تخصیص موثر کارکنان هتل در وظایف هتل هستند.

The purpose of this study is to optimally allocate the human resources to tasks while minimizing the total daily human resource costs and smoothing the human resource usage. This human resource allocation problem (hRAP) has two kinds of special constraints, i.e. operational precedence and skill constraints in addition to the ordinary constraints. To deal with the multiple objectives and the special constraints, first we designed this hRAP as a network problem and then proposed a Pareto multistage decision-based genetic algorithm (P-mdGA) to solve it. During the evolutionary process of P-mdGA, a Pareto evaluation procedure called generalized Pareto-based scale-independent fitness function approach was used to evaluate the solutions. Additionally, in order to improve the performance of P-mdGA, we used fuzzy logic controller for fine-tuning genetic parameters. Finally, in order to demonstrate the applicability and to evaluate the performance of the proposed approach, P-mdGA was applied to solve a case study in a hotel, where the managers usually need helpful automatic support for effectively allocating hotel staff to hotel tasks.