دانلود ترجمه مقاله گزینش منابع انسانی با روش های مختلف منطق فازی

نتیجه گیری:
این مقاله تکنیک های مدل سازی سیستم استنتاجی فازی نوع ممدانی و سوگنو را هنگام تصمیم گیری گروهی در محیط فازی و نمایش فرایند روش ها با یک کاربرد تجربی ارائه می کند. بدین منظور، به عنوان تصمیم گیرندگان، دو مدیر ارشد (مدیر منابع انسانی و مدیر کارخانه) در یک سازمان تجاری که در فهرست 500 سازمان صنعتی بزرگ ترکیه قرار دارند، معیار تصمیم گیری و کاندیدها را با استفاده از متغیرهای زبانی برای پُست مدیر تعمیر و نگهداری از ماشین آلات مورد ارزیابی قرار دادند. این داده های شفاهی به اعداد فازی مثلثی برای مدل ممدانی تبدیل شد و توابع عضویت نوع مثلثی به منظور تشکیل هر دو نوع سیستم های استنتاج فازی نوع 1 سوگنو و ممدانی مورد استفاده قرار گرفت. بر اساس مدل ها، داوطلبان از بهترین تا بدترین با توجه به ضرایب نزدیکی محاسبه شده رتبه بندی شدند. مدل های تصمیم گیری فازی نوع سوگنو و ممدانی به ترتیب با استفاده از منطق فازی و جعبه ابزار ANFIS در نرم افزار MATLAB به دست آمد و کاربردهای آن ها بر فرایند از طریق Simulink/MATLAB محقق گردید. همه نتایج پیش بینی به دست آمده با جدول مطابق با عملکرد مدل سازی تکنیک های مورد استفاده مقایسه شد. این مطالعه نشان داد که برای تصمیم گیری دقیق تر و موثرتر در فرایند انتخاب منابع انسانی، مدل های منطق فازی مختلف به طور قابل توجهی به عنوان رویکرد تصمیم گیری گروهی چند معیاره فازی مناسب است. دو جنبه از این مطالعه که می تواند به منابع کمک کند، در نظر گرفته شد. اول، تا به امروز در منابع هیچ گونه تحقیقی در رابطه با پیش بینی مناسب ترین کاندید برای پُست مدیر تعمیر و نگهداری از ماشین آلات با استفاده از این دو روش و مقایسه نتایج آن ها صورت نگرفته است. بنابراین، این مطالعه به بررسی قابلیت کاربرد دو روش منطق فازی برای پیش بینی فرایند انتخاب ذکر شده در بالا پرداخته و مشخص می کند که کدام روش با مقایسه جداول قانون مفیدتر است. دوم، سیستم های خبره مانند منطق فازی می تواند بینش جدیدی در فرایند انتخاب منابع انسانی ارائه دهد که از اهمیت زیادی برای سازمان ها برخوردار بوده و می تواند بر عملکرد آینده این سازمان ها تاثیر بگذارد. تصمیمات موثرتری را می توان با استفاده از چنین تکنیک های مدل سازی فازی اتخاذ کرد.

Conclusion:
This paper presents mamdani and sugeno type fuzzy inference system modeling techniques being used while group decision making in the fuzzy environment and displays the methods process with an empirical application. For this purpose, as decision makers, two top managers (human resource manager and plant manager) in a business organization that is in the list of First 500 Big Industrial Organizations of Turkey has evaluated decision criteria and the candidates by using linguistic variables for the position of mechanical maintenance manager. These verbal data have been transformed into triangular fuzzy numbers for mamdani model and also triangular type membership functions have been used to constitute both mamdani and sugeno type-1 fuzzy inference systems. According to the models, the candidates have been ranked from the best to the worst with respect to the calculated closeness coefficients. Mamdani and sugeno type fuzzy decision making models have been obtained by using fuzzy logic and ANFIS toolboxes of MATLAB software respectively and their applications on process have been realized via Simulink/MATLAB. All obtained prediction results have been compared with table according to modeling performances of used techniques. This study shows that for deciding more accurately and effectively in the human resource selection process, various fuzzy logic models are considerably suitable as an approach of fuzzy multi-criteria group decision making. Two aspects of this study that can contribute to the literature have been considered. Firstly, in the literature to date there isn’t any investigation predicting the most ap- propriate candidate for the machine maintenance manager position by using these two methods and comparing the results of them. Therefore this study investigates the applicability of two fuzzy logic methods for predicting the aforementioned selection process and it defines which method is more useful with comparing rule tables. Secondly, expert systems such as fuzzy logic can bring a new insight to human resource selection process which has great importance for the organizations and also affects the future performance of them. More effective decisions can be available with such fuzzy modeling techniques.