余嘉元

(南京師范大學(xué)心理學(xué)院 南京 210097)

1 引 言

心理學(xué)認(rèn)為，組織氛圍是組織成員的一種心理體驗(yàn)，即員工對(duì)組織在創(chuàng)新、公平、支持、人際關(guān)系以及員工身份認(rèn)同等特性方面的感知。確切地說，它應(yīng)該被稱為“組織氛圍感知”，但由于該領(lǐng)域研究者的習(xí)慣原因，人們將其簡稱為“組織氛圍”。由于這是一種主觀感受，因此，即使是在同一個(gè)組織、在相同的組織文化和管理風(fēng)格中，由于各個(gè)員工的經(jīng)歷、文化水平、工作動(dòng)機(jī)等多方面的原因，他們所感受到的組織氛圍還是有差異的，由此形成了不同組織氛圍特點(diǎn)的員工群落。企業(yè)管理者有必要將這些員工群落區(qū)分出來，進(jìn)而考察各個(gè)群落員工的滿意度是否有差異，為制定有針對(duì)性的管理措施提供依據(jù)。

對(duì)組織氛圍的測量，可以從創(chuàng)新氛圍、公平氛圍、支持氛圍、人際關(guān)系氛圍、員工身份認(rèn)同氛圍等5 個(gè)維度進(jìn)行[1]。對(duì)滿意度的測量，從領(lǐng)導(dǎo)行為、管理措施、工作回報(bào)、工作協(xié)作、工作本身等 5 個(gè)方面進(jìn)行[2]。

在對(duì)員工的組織氛圍進(jìn)行聚類時(shí)，有多種聚類方法可以考慮，其中最常用的是 K-means 算法。該算法采用了兩階段循環(huán)結(jié)構(gòu)：第一階段是指定聚類的類別，即把各個(gè)數(shù)據(jù)劃分到相距最近聚類中心的那個(gè)類別中；第二階段是修改聚類中心。這兩個(gè)階段反復(fù)循環(huán)，直至不再有數(shù)據(jù)被重新分配。該算法的優(yōu)點(diǎn)是算法簡潔、計(jì)算速度快、資源消耗少。但也有若干明顯缺點(diǎn)：首先，它對(duì)初始聚類中心的選取和樣本的輸入順序非常敏感；其次，它比較容易發(fā)現(xiàn)球狀簇而較難發(fā)現(xiàn)其他形狀的簇，且對(duì)噪聲和孤立點(diǎn)比較敏感；再次，有時(shí)會(huì)收斂于局部極值點(diǎn)[3]。為了避免這些缺點(diǎn)，有學(xué)者提出采用量子遺傳算法來進(jìn)行聚類。

2 量子遺傳算法

2.1 量子遺傳算法簡介

量子遺傳算法是量子計(jì)算與遺傳算法相結(jié)合的一種概率進(jìn)化算法。遺傳算法是模擬生物進(jìn)化的優(yōu)勝劣汰規(guī)則，對(duì)染色體采用選擇、交叉和變異三種基本算子來搜索最優(yōu)個(gè)體。它能夠處理傳統(tǒng)優(yōu)化方法難以解決的復(fù)雜問題，因此得到了廣泛的應(yīng)用。但如果對(duì)這三種算子的使用不當(dāng)，則可能出現(xiàn)收斂速度慢，或者陷入局部極值的現(xiàn)象。

量子計(jì)算是采用量子態(tài)作為基本的信息單元，利用量子態(tài)的疊加、糾纏和干涉等特性來進(jìn)行并行計(jì)算，能夠極大地提高運(yùn)算的速度。在量子遺傳算法中，采用量子比特的幾率幅表示來進(jìn)行編碼，利用量子邏輯門來實(shí)現(xiàn)染色體的演化[4]。

在量子計(jì)算中，作為信息存儲(chǔ)單元的是一個(gè)雙態(tài)量子系統(tǒng)，稱為量子比特。量子比特的特點(diǎn)是它可以同時(shí)處于兩個(gè)量子態(tài)的疊加態(tài)中，即：

α 和 β 是兩個(gè)幅常數(shù)，滿足：

在量子遺傳算法中，染色體的演化通過量子門進(jìn)行。而最常用的是量子旋轉(zhuǎn)門，它的調(diào)整操作為：

其更新過程為：

通過旋轉(zhuǎn)量子門的作用產(chǎn)生新的種群，然后對(duì)其中的各個(gè)染色體進(jìn)行適應(yīng)度計(jì)算，記錄最優(yōu)個(gè)體和相應(yīng)的適應(yīng)度。上述過程迭代進(jìn)行，直至達(dá)到終止條件。

2.2 基于量子遺傳算法的聚類分析

聚類分析對(duì)識(shí)別數(shù)據(jù)的內(nèi)在結(jié)構(gòu)具有重要作用。它是將研究對(duì)象按照其空間距離劃分為若干個(gè)子集，一個(gè)好的聚類應(yīng)該使得各聚類中心的間距盡可能地大，而樣本與其中心間的距離盡可能地小，人們將此稱作聚類的緊湊性和分離性準(zhǔn)則[5]。設(shè)待分析的數(shù)據(jù)集 X 可以劃分為 N 個(gè)類別，Ci(i＝1,2,…,N)，它們的聚類中心為 Pi(i=1,2,…,N)，那么聚類問題的數(shù)學(xué)模型可以表示為：

于是，聚類分析的實(shí)質(zhì)就是對(duì)下述函數(shù) F 求取最小值。

由上述可得，聚類問題就轉(zhuǎn)化為優(yōu)化問題，即要尋找一組聚類中心 Pi，使得 F 為最小。量子遺傳算法是一種很好的尋優(yōu)算法，能夠用來解決這個(gè)優(yōu)化問題。

3 運(yùn)用量子遺傳算法對(duì)員工組織氛圍進(jìn)行聚類

3.1 員工組織氛圍的聚類分析

運(yùn)用組織氛圍量表和滿意度問卷對(duì)某企業(yè)的 254名員工進(jìn)行數(shù)據(jù)采集。其中刪除個(gè)人信息不全的員工，保留下 236 名員工的數(shù)據(jù)做聚類分析。在運(yùn)用量子遺傳算法進(jìn)行聚類時(shí)，組織氛圍的 5 個(gè)維度作為聚類分析的變量。由于組織氛圍是一種主觀感受，通過與員工的訪談，發(fā)現(xiàn)企業(yè)中存在著對(duì)組織氛圍的感受為“較好、一般、較差”這三種人員，因此在聚類時(shí)把類別數(shù)目確定為 3。

在運(yùn)用量子遺傳算法時(shí)，首先進(jìn)行參數(shù)設(shè)置，設(shè)定種群規(guī)模為 20，交叉概率為 0.95，變異概率為 0.05。然后對(duì) Pi(i=1,2,…, N)個(gè)聚類中心進(jìn)行編碼，設(shè)聚類中心由一個(gè) n 維向量表示，采用 10 位量子比特位對(duì)聚類中心的每一維的數(shù)值進(jìn)行編碼，因此染色體的長度為 10×n×N。進(jìn)行適應(yīng)度函數(shù)設(shè)計(jì)，最優(yōu)的聚類中心應(yīng)當(dāng)使上述 F 值最小，為了防止出現(xiàn)分母為 0 的情況，對(duì)其進(jìn)行修改，令適應(yīng)度函數(shù)為：

在進(jìn)化過程中采取了最優(yōu)保留的機(jī)制，將保留的最優(yōu)個(gè)體參與量子門的更新，并根據(jù)演化進(jìn)程，動(dòng)態(tài)地調(diào)整量子門的旋轉(zhuǎn)角度，即在運(yùn)行初期采用較大的旋轉(zhuǎn)角，隨著演化代數(shù)的增加而逐漸減小旋轉(zhuǎn)角。經(jīng)過量子遺傳算法對(duì)組織氛圍的聚類分析，得到該企業(yè)中各類員工的人數(shù)分別為：A 類 40 人，B 類134 人，C 類 62 人，他們占總?cè)藬?shù)的比例分別為0.17，0.57 和 0.26。

3.2 不同類別員工的組織氛圍的比較

對(duì)各類員工的組織氛圍分?jǐn)?shù)進(jìn)行比較，如表 1所示。

表1 各類員工組織氛圍的比較

由此可見，這 3 類員工的組織氛圍得分具有顯著差異。A 類員工的組織氛圍得分最高，C 類員工的組織氛圍得分最低。

3.3 不同類別員工滿意度的比較

對(duì)各類員工的滿意度分?jǐn)?shù)進(jìn)行比較，如表 2 所示。

表2 各類員工滿意度的比較

由此可見，這 3 類員工的滿意度具有顯著差異。A 類員工的滿意度最高，C 類員工的滿意度最低。

4 結(jié)論和討論

(1)根據(jù)上述對(duì)各類員工的組織氛圍和滿意度的比較可以看出，不同類型的員工間存在顯著差異，這說明量子遺傳算法的聚類是可行的。

(2)在該企業(yè)中有 62 人(占總?cè)藬?shù)的 26%)對(duì)組織氛圍感到較差，滿意度較低，也就是說，大約有四分之一的員工對(duì)企業(yè)不太滿意。這顯然會(huì)影響他們對(duì)工作的積極性和對(duì)企業(yè)的忠誠度，應(yīng)該引起企業(yè)領(lǐng)導(dǎo)者高度重視。

(3)本研究在進(jìn)行量子遺傳算法聚類時(shí)，參數(shù)的設(shè)置參考了相關(guān)的文獻(xiàn)，但沒有進(jìn)行優(yōu)化和比較，這是需要改進(jìn)的。

(4)在進(jìn)行聚類時(shí)，根據(jù)訪談的結(jié)果確定將員工分為 3 類，具有一定的主觀性，故并不是最佳的選擇，還可以做進(jìn)一步的研究。

[1]謝荷鋒. 組織氛圍對(duì)企業(yè)員工間非正式知識(shí)分享行為的激勵(lì)研究 [J]. 研究與發(fā)展管理, 2007, 19(2): 92-98.

[2]盧嘉, 時(shí)堪, 楊繼峰. 工作滿意度的評(píng)價(jià)結(jié)構(gòu)和方法 [J]. 中國人力資源開發(fā), 2001(1): 15-16.

[3]陳平生. K-means 和 ISODATA 聚類算法的比較 [J]. 江西理工大學(xué)學(xué)報(bào), 2012, 33(1): 78-82.

[4]梁昌勇, 柏樺, 蔡美菊. 量子遺傳算法研究進(jìn)展 [J]. 計(jì)算機(jī)應(yīng)用研究, 2012, 29(7): 2401-2405.

[5]查全民, 汪榮貴, 何畏. 基于量子遺傳聚類的入侵檢測方法 [J].計(jì)算機(jī)應(yīng)用研究, 2010, 27(1): 240-246.