基于GA-BP算法的公职人员考核方法及系统与流程

本发明涉及属于计算机处理行政类数据领域。具体为基于ga-bp算法的公职人员考核方法及系统。

背景技术：

1、人员考核是以人员的职位职责和所承受的工作任务为基本依据，全面考核德、能、勤、绩、廉，重点考核工作实绩。传统的绩效考核方法，一般采用简单的、基于人工指标打分，汇总考察意见得分的方式，在考核过程中依赖经验认为决定考核指标、权重，但是由于人为评估具有主观性，考核结果依赖考核人员的判断和人际关系，有失公平性和准确性原则。

2、随着人工智能、深度学习等相关领域的发展，推动人员考核工作科学发展，提供了创新方法的指导。bp神经网络作为目前在国际范围内广泛应用的人工神经网络模型，通过自学习可以具备非线性映射能力，挖掘获取考核指标与考核结果间的映射关系，同时结合遗传算法择优处理数据，用遗传算法优化bp神经网络，建立基于改进遗传算法误差反向传播(以下简称ga-bp)考核模型，构建公务员考核方法，实现全面客观、科学公正的评价，更好地实现人员的准确评价，助力选拔任用。

技术实现思路

1、本发明为了解决背景技术中存在的问题，目的在于提供了基于ga-bp算法的公职人员考核方法及系统，采用bp神经网络提取考核指标与考核结果间的合理规则，探索其映射关系，由于神经网络训练受到网络权值和训练样本集的影响，可能导致训练结果陷入局部极值，因此依靠遗传算子择优处理数据，建立ga-bp算法，通过遗传算法全局寻优能力优化bp神经网络。

2、用于解决问题的方案

3、基于ga-bp算法的人员考核方法，所述方法包括：

4、对考核样本数据进行预处理，得到预处理后的考核样本数据；

5、基于预处理后的考核样本数据，构建人员考核指标体系；

6、利用构建的人员考核指标体系，构建ga-bp人员考核模型并训练；

7、对训练好的人员ga-bp考核模型输入指标数据，输出预测的考核结果。

8、进一步，收集真实考核数据样本，将考核数据进行清洗、加工和归一化处理，并对样本数据统一结构化格式，得到预处理后的样本数据。

9、进一步，所述构建ga-bp考核模型，具体包括：

10、利用构建的人员考核指标体系，搭建bp神经网络并确定bp神经网络的拓扑结构及初始化参数；

11、利用ga算法对初始参数编码、对种群初始化，构造适应度函数计算适应度值并存储；

12、判断是否满足结束条件；若满足第一结束条件，bp神经网络获取最优连接权值和阈值，建立ga-bp考核模型进行预测，计算误差后存储，并更新网络参数，然后判断是否完成训练，若没有完成训练，流程跳转至建立ga-bp人员考核模型进行预测，若完成训练，建立ga-bp人员考核模型进行预测后存储，然后判断是否满足第二结束条件，若满足，建立ga-bp人员考核模型，流程结束，若不满足，流程跳转至利用ga算法对初始参数编码、对种群初始化。

13、进一步，若不满足第一结束条件，获取最优个体即最优权值和阈值：

14、根据适应度大小进行种群选择、交叉、变异操作，不断产生新的种群即更优解，直至达到最大迭代次数或当前适应度达到预期；为确保获取全局最优解，形成适应度更高的新种群，在选择过程中挑选适应度高的个体，过滤排除适应度低的个体，通过将两个个体的染色体随机位置进行交叉或对单个个体的局部基因进行变异，通过不断产生新的个体和筛选，逐渐优化种群，选择最优个体，将其赋值给bp神经网络作为最优权值，建立基于遗传算法优化的bp网络模型，进行进一步训练。

15、进一步，所述搭建bp神经网络，具体包括：

16、所述bp神经网络模型拓扑结构采用三层网络结构，包含输入层、输出层和隐含层，网络拓扑结构初始为12-5-4；

17、其中输入层的神经元个数n＝12，即对应指标体系个数；输出层的神经元个数t＝4，即对应四个考核等级；所述隐含层节点按照经验公式进行确认，公式如下：

18、

19、其中a为调节参数，范围为[1,10]，令a＝1，对网络参数进行初始化。

20、进一步，所述种群初始化，包括：

21、根据bp神经网络中初始权值、阈值，基于实数编码将其转化为遗传算法中的染色体的编码，长度计算公式为：

22、l＝n*m+m*t+m+t；

23、其中l为编码长度，n为输入层的神经元个数，m为隐含层神经元个数，t为输出层神经元个数；

24、将bp神经网络的训练误差作为适应函数，计算每个种群的适应度数值f，其值为预测值与输出值之间的误差绝对值和，计算公式如下：

25、

26、其中n为网络输出节点数，yαi为bp神经网络第i个节点的预测输出，yβi为bp神经网络第i个节点的真实输出值。

27、进一步，所述ga-bp人员考核模型训练，具体包括：

28、获取最优参数后，在保证全局搜索后，bp网络进行局部搜索不断优化模型，直至达到收敛条件，误差小于设定阈值；

29、所述模型中，输入层的输入为n个考核指标特征，输入层节点为n，输出层为四个考核等级，节点为t；根据经验公式，将隐含层节点设置为m，计算公式如下：

30、

31、其中a为调节参数，范围为[1,10]，令a＝1；

32、构建的bp神经网络模型从输入层到隐藏层，计算隐含层某个节点m1的输入值为：

33、

34、其中ni为第i个节点的输入信息，wi1为输入层第i个节点对隐藏层节点m1的权值，b1为隐藏层的阈值；

35、输入层到隐藏层的激活函数设置为relu，则隐藏层输出变量公式为：

36、output-m1＝relu(input-m1)；

37、从隐藏层到输出层，计算输出层某个节点t1的输入值为：

38、

39、其中ti为第i个节点的输入信息，wi1为隐藏层第i个节点对输出层节点m1的权值，b2为输出层的阈值；

40、隐藏层到输出层的激活函数设置为softmax，则输出层输出变量公式为：

41、output-m1＝relu(input-t1)；

42、不断训练迭代过程，直至最终bp神经网络模型的预测值与实际值差的绝对值小于阈值，损失函数公式如下：

43、

44、其中total表示训练次数，output表示模型预测结果，real表示实际结果；

45、在训练过程中，每100次使用验证集数据对训练好的模型进行优化调参，防止模型过拟合，调整隐藏层神经元节点个数。

46、进一步，对训练好的人员ga-bp考核模型进行验证，评估模型的泛化能力，采用准确率进行评估，包含各个类型的准确率及全准确率，具体公式如下：

47、

48、其中total-acc为全准确率，n-right表示模型正确预测输入指标对应考核结果的数量，n-total表示预测数据总数；

49、各类别准确率为模型正确预测为该类别的数量与该类别数量总数的比例；以等级“好”为例进行说明，计算公式如下：

50、

51、其中a-acc表示考核等级为“好”的准确率，n-aright表示模型正确预测输入指标对应考核结果为“好”的数量，n-atotal表示预测数据中考核结果为“好”的数量。

52、基于ga-bp算法的人员考核系统，所述系统包括：

53、预处理模块：用于对考核样本数据进行预处理，得到预处理后的考核样本数据；

54、第一构建模块，用于基于预处理后的考核样本数据，构建人员考核指标体系；

55、第二构建模块，用于利用构建的人员考核指标体系，构建ga-bp人员考核模型并训练；

56、预测模块，用于对训练好的人员ga-bp考核模型输入指标数据，输出预测的考核结果。

57、一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述中任一项所述的方法。

58、有益效果：

59、上述技术方案的有益效果在于：

60、对于传统的纸质考核方法，采用基于ga-bp算法的考核模型构建公务员考核方法进行考核，减少了主观因素的因素，实现全面客观、科学公正的评价，更好地实现公务员的准确评价，助力选拔任用。