基于灰关联-云模型的新型研发机构团队-科技人才双边匹配方法

1.本发明涉及人才匹配技术领域，具体为基于灰关联-云模型的新型研发机构团队-科技人才双边匹配方法。


背景技术：

2.新型研发机构t常年招聘电子信息科学与技术方向的科技人才，要求具备扎实的分子电子信息技术理论知识、在国外专业学术杂志上发表过相关论文、熟悉实验室相关技术实验流程、博士学位、有1-3年相关工作经验，提供年薪10-100万，工作地点在长三角，提供拥有2000-5000万元的实验室设备投入的工作条件，新型研发机构t今年3月份有4个团队提出招聘人才的计划，人事部门经过筛选、初试、实践等环节，最终确定录用6名科技人才，但是将这6名科技人才给哪个团队，就出现了双向匹配的问题，根据提出的新型研发机构团队和科技人才的双向评估指标体系，团队和人才都完成了评估。
3.因此，有必要提供基于灰关联-云模型的新型研发机构团队-科技人才双边匹配方法解决上述技术问题。


技术实现要素：

4.本发明的目的在于提供基于灰关联-云模型的新型研发机构团队-科技人才双边匹配方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：基于灰关联-云模型的新型研发机构团队-科技人才双边匹配方法，包括1、以区间灰数表征t-s评估值并基于灰关联-云模型方法集结；2、以云模型表征s-t评估值并基于灰关联-云模型方法集结；3、基于云模型的新型研发机构团队-科技人才双边匹配方法。
6.优选的，所述以区间灰数表征t-s评估值并基于灰关联-云模型方法集结，其步骤如下：
7.s1：以区间灰数表征t-s评估值
8.t-s评估值是指新型研发机构团队t对科技人才s基于t-s评估指标给出的评估具体数据，新型研发机构团队在对科技人才进行评估时，给出的是百分制分数，通常用符号来表示，既有下界又有上界的灰数称为区间灰数，记为a表示下界，表示上界，以区间灰数来表征t-s评估值，得到决策矩阵s评估值，得到决策矩阵i表示有m个科技人才，j表示有k个t-s评估指标，p表示有n个团队；
[0009][0010]
s2：基于最大值法将区间灰数评估值规范化
[0011]
最大值变换法既直观、方便，快速实现规范化要求，又保留了原有数据的特征，是目前多属性区间灰数最常用的变换方法之一，采用最大值变换法对t-s评估值进行规范化处理，最大值变换法使用初始评估值的和作为分子，将每个指标下的最大评估值作为分母，两者相除得到规范化的t-s评估值
[0012][0013]
定义1设区间灰数其产生的背景或论域为ω，定义为该区间灰数的核，在缺乏取值分布信息的情况下，若该区间灰数为连续灰数，则称
[0014][0015]
为该区间灰数的核，
[0016][0017]
为该区间灰数的步长，
[0018]
定义2设两个灰数定义
[0019][0020]
称为和之间的距离
[23]
，其中：表示两个区间灰数核的距离，表示两个区间灰数半区间长度间的距离；
[0021]
s3：基于灰色关联分析计算灰关联系数
[0022]
以最大值为参照点，由于参照点的存在，新型研发机构团队和科技人才更加在乎的是结果与理想方案的差距，而不是结果本身，某个指标下的评估值离最大值的距离越近，说明决策者在该项指标下的满意度越高，离最大值的距离越远，说明在该项指标下的满意度越低，基于灰色关联分析计算灰关联系数，得到t-s关联系数矩阵计算方法如下：
[0023]
定义1设系统样本序列矩阵为b＝[b
ij
]，最大值参照序列b

＝(b
i1
,b
i2
,
…
,b
in
)，对于ξ∈(0，1)，令
[0024][0025]
σ(b
ij
,b
ij
)为b
ij
与b
ij
之间的距离，用区间灰数距离公式计算，灰关联系数具有规范性，整体性，偶对对称性和接近性四个特征，规范性表示灰关联系数在0-1之间，即0《r
ij
≤1，表明系统中任何两个行为序列都不能严格无关联，整体性体现了环境对灰色关联比较的影响，环境不同，灰色关联度也随之变化，偶对对称性表明，当灰色关联因子集中只有两个序列时，满足对称性，接近性是对关联关系量化的约束；
[0026]
s4：基于灰关联系数计算指标权重并集结出新决策矩阵
[0027]
设t-s主观指标权重为ω
1j
，t-s客观指标权重为ω
2j
，t-s综合指标权重为ω
3j
，基于灰关联系数计算客观指标权重
[0028][0029]
引入主观-客观权重参数θ，主观指标权重的权重为θ，客观指标权重的权重为1-θ，则综合指标权重
[0030]
ω
3j
＝θ*ω
1j
(1-θ)ω
2j
[0031]
将t-s灰关联系数矩阵c＝[c
ij
]按照综合指标权重ω
3j
进行集结，为了保持集结数据的规范性，且原来的关联系数信息不丢失，且要考虑综合指标权重，以1/max(ω
3j
)进行调节，得到新的t-s评估关联系数矩阵
[0032][0033]
s5：基于云模型的数据集结
[0034]
定义：设u是一个用精确数值表示的定量论域，c是u上的定性概念，若定量值x是定性概念c的一次随机实现，x对c的确定度μ
x
∈[0,1]是有稳定倾向的随机数；
[0035][0036]
则x在论域u上的分布称为云，x为云滴；
[0037]ex
是论域中的数学期望；en是熵，表示定性概念的不确定性，熵en越大，期望值的不确定性越高；he是熵的熵，表示熵的不确定性，通常体现在云的厚度上，超熵he越大，云越厚，云模型的三个数字特征
[0038]
第t个团队对第s个人才的云模型期望值为：
[0039]
[0040]
第t个团队对第s个人才的云模型期望值的熵为：
[0041][0042]
第t个团队对第s个人才的云模型期望值的超熵为：
[0043][0044]
通过云模型逆向云发生器，将决策矩阵d＝[]转化为ts云数据矩阵,
[0045][0046]
优选的，所述以云模型表征s-t评估值并基于灰关联-云模型方法集结，其步骤如下所示：
[0047]
s1:以云模型表征s-t评估值
[0048]
s-t评估值是指科技人才s对新型研发机构团队t基于s-t评估指标给出的评估具体数据，科技人才在对新型研发机构进行评估时，给出的新型研发机构团队在对科技人才进行评估时，给出的语言评估值，由于语言评估本身也具有一定的不确定性，因此运用云模型的标准云将语言评估值转换为云数据；
[0049]
基于黄金分割法将论域[0,1]划分为5个评估等级，建立s-t语言评估的云模型标尺，设0.618为相邻等级的云模型参数之间的倍数，且越接近论域[0,1]的中心区域，评估等级的熵和超熵越小，以论域[0,1]的重点0.500为中间评估等级，取其云模型参数e
x
＝0.500，he＝0.005，具体数值如表2：
[0050]
表2s-t语言评估的云模型转换标尺
[0051]
等级评估语言满意度转换标尺1级很差0-0.2(0.000，0.103，0.013)2级差0.2-0.4(0.309，0.064，0.008)3级一般0.4-0.6(0.500，0.039，0.005)4级好0.6-0.8(0.691，0.064，0.008)5级很好0.8-1.0(1.000，0.103，0.013)
[0052]
根据转换标尺，得到s-t期望值决策矩阵t期望值决策矩阵e
ij
是是转换后的云数，的期望值，i表示有m个人才，j表示有r个s-t评估指标,p表示有n个科技人才，
[0053]
[0054]
s2：基于灰色关联分析计算灰关联系数
[0055]
由于云数据的期望值符合规范化要求，因此初始评估值不需要再进行规范化处理，以初始评估值期望值的最大值为参照点，基于灰色关联分析计算灰关联系数，得到t-s关联系数矩阵计算方法如下，
[0056][0057]
为期望值与期望值的最大值之间的距离，某个指标下的评估值离最大值的距离越近，说明科技人才在该项指标下的满意度越高，离最大值的距离越远，说明科技人才在该项指标下的满意度越低；
[0058]
s3：基于灰关联系数计算指标权重并集结出新决策矩阵
[0059]
设s-t主观指标权重为ω
4j
，s-t客观指标权重为ω
5j
，s-t综合指标权重为ω
6j
，基于灰关联系数计算客观指标权重
[0060][0061]
引入主观-客观权重参数δ，主观指标权重的权重为δ，客观指标权重的权重为1-δ，则综合指标权重
[0062]
ω
6j
＝δ*ω
4j
(1-δ)ω
5j
[0063]
将t-s灰关联系数矩阵按照综合指标权重ω
6j
进行集结，为了保持集结数据的规范性，且原来的关联系数信息不丢失，且要考虑综合指标权重，以1/max(ω
6j
)进行调节，得到新的t-s评估关联系数矩阵
[0064][0065]
s4：基于云模型的数据集结
[0066]
第s个人才对第t个团队的云模型期望值为：
[0067][0068]
第s个人才对第t个团队的云模型期望值的熵为：
[0069]
[0070]
第s个人才对第t个团队的云模型期望值的超熵为：
[0071][0072]
通过云模型逆向云发生器，将决策矩阵转化为st云数，矩阵,
[0073][0074]
优选的，所述基于云模型的新型研发机构团队-科技人才双边匹配方法，其步骤如下所示：
[0075]
s1：双边匹配理论
[0076]
设μ:p∪q
→
q∪p为一一映射，若满足μ(pi)＝qj∈q且μ(qj)＝pi∈qμ(qj)＝pi∈p，则称μ为双向匹配，μ(pi)＝qj表示pi与qj在μ中匹配，μ(qj)＝qj表示qj在μ中未匹配；
[0077]
对于现实生活中的双边匹配决策问题，形成合理有效的双边匹配方案是所有主体的共同需求，构建双边匹配模型并提出求解算法是最为关键的一步，序信息和语言信息；
[0078]
s2：云模型的组合
[0079]
s1中已经对不同形式的不确定初始评估值进了集结，得到了两组云模型表征的评估值，每个评估值都有3个数字特征，ts矩阵为新型研发机构团队t对科技人才s的评估值，ts矩阵为科技人才s对新型研发机构团队t的评估值；
[0080]
当云数据进行组合集成时，3个数字特征均需要进行组合运算，方法如下：
[0081]
定义：设hi＝(exi,eni,hei)(i＝1,2,
…
n)为一组云，对应的权重向量ρ＝(ρ1,ρn,
…
ρn)满足则n个云的集结仍然是一朵云，其云加权算术平均算子cwaa为
[0082][0083]
期望值是云数据3个数字特征中最重要的特征，它的大小决定了最终新型研发机构或科技人才是否满意的标志；由于新型研发机构团队和科技人才存在一定的重要程度，引入重要程度参数ρ来表示新型研发机构团队的匹配主导权；新型研发机构团队比科技人才在匹配中占据更多的主导权，则ρ》0.5，如果科技人才在匹配中占更多的主导权，则ρ《0.5；如果团队和人才重要程度一样，则ρ＝0.5，按照主导权参数ρ将期望值和进行集结，得到组合期望值ex
ts
；
[0084][0085]
根据云集成公式和团队-人才主导权组合公式，得到双方满意度的组合云数据矩阵w＝[ex
ts
,en
ts
,he
ts
]；
[0086]
s3：基于组合云数据矩阵w构建双边匹配模型
[0087]
组合期望值ex
ts
越大越好，如果组合期望值达到最大，就认为第t个团队和第s个人才可以匹配；评估值的熵en表示期望值的不确定性，希望评估值越接近期望值越好，因此不确定性越小越好，则组合的熵en越小越好；
[0088]
基于双边匹配理论和云数据矩阵w建立双边匹配模型m-1：
[0089][0090][0091]
m-1模型的目标是将期望值最大、熵最小的双目标转化为单目标，约束条件分别为：权重向量π
ts
只能是0或1；每个科技人才必须匹配到新型研发机构团队，而且只能匹配1个团队；每个团队必须匹配到科技人才，可以匹配多个科技人才；
[0092]
定理1m-1模型必有最优解；
[0093]
根据最优存在定理，任意可行域有界的单目标规划一定可以在其可行域上达到最优，m-1模型为单目标规划问题且模型的可行域存在并有界，因此m-1模型必有最优解，m-1可用linggo软件求解，解出的π
ts
＝1就表示第t个新型研发机构团队和第s个科技人才匹配成功；
[0094]
与现有技术相比，本发明的有益效果是：
[0095]
本发明的方法大大提高匹配的效率和效果，避免出现团队意愿高、人才意愿低或者人才意愿高、团队意愿低的情况，从而使团队和人才都不会将时间浪费在无效率的追踪和谈判上，新型研发机构团队应关注市场动态，关注科技人才的发展情况，深入调研科技人才对新型研发机构团队的评估值及关联关系，对于关联度较低的人才，要寻找做得不够好或者与其他团队差距较大的根本原因，从而使科技人才创造更多的科技产出，还可以适时调整科技政策，以降低成本，科技人才也要及时关注团队对自己的评估情况，从而在团队中取长补短，创造更多科技成果，实现自我价值。
附图说明
[0096]
图1为科技人才s1的评估值与最大值的关联系数结构示意图；
[0097]
图2为科技人才s2的评估值与最大值的关联系数结构示意图；
[0098]
图3为科技人才s3的评估值与最大值的关联系数结构示意图；
[0099]
图4为科技人才s4的评估值与最大值的关联系数结构示意图；
[0100]
图5为科技人才s5的评估值与最大值的关联系数构示意图；
[0101]
图6为科技人才s6的评估值与最大值的关联系数结构示意图；
[0102]
图7为科技人才评估的主观-客观-综合指标权重结构示意图；
[0103]
图8为新型研发机构团队t对科技人才s1评估的云模型结构示意图；
[0104]
图9为新型研发机构团队t对科技人才s2评估的云模型结构示意图；
[0105]
图10为新型研发机构团队t对科技人才s3评估的云模型结构示意图；
[0106]
图11为新型研发机构团队t对科技人才s4评估的云模型结构示意图；
[0107]
图12为新型研发机构团队t对科技人才s5评估的云模型结构示意图；
[0108]
图13为新型研发机构团队t对科技人才s6评估的云模型结构示意图；
[0109]
图14为科技人才s1对新型研发机构团队t1-t4的评估值与最大值的关联系数结构示意图；
[0110]
图15为科技人才s2对新型研发机构团队t1-t4的评估值与最大值的关联系数结构示意图；
[0111]
图16为科技人才s3对新型研发机构团队t1-t4的评估值与最大值的关联系数结构示意图；
[0112]
图17为科技人才s4对新型研发机构团队t1-t4的评估值与最大值的关联系数结构示意图；
[0113]
图18为科技人才s5对新型研发机构团队t1-t4的评估值与最大值的关联系数结构示意图；
[0114]
图19为科技人才s61对新型研发机构团队t1-t4的评估值与最大值的关联系数结构示意图；
[0115]
图20为科技人才评估的主观-客观-综合指标权重结构示意图；
[0116]
图21为科技人才s1对新型研发机构团队t评估的云模型结构示意图；
[0117]
图22为科技人才s2对新型研发机构团队t评估的云模型结构示意图；
[0118]
图23为科技人才s3对新型研发机构团队t评估的云模型结构示意图；
[0119]
图24为科技人才s4对新型研发机构团队t评估的云模型结构示意图；
[0120]
图25为科技人才s5对新型研发机构团队t评估的云模型结构示意图；
[0121]
图26为科技人才s6对新型研发机构团队t评估的云模型结构示意图。
具体实施方式
[0122]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
[0123]
实施例1
[0124]
(1)收集评估数据，并用区间灰数表征初始评估值：
[0125]
收集到新型研发机构t1-t4团队对6位科技人才基于10个评估指标的评估区间值，如表1-表6所示，新型研发机构t里有22个科技团队，其中有4个团队专业相近，每个团队派出3名专家对科技人才在各指标下进行评估，4个团队各12名专家分别填写了百分制下的评估值，用区间灰数表征新型研发机构团队对科技人才的评估值，表示该指标下评估值的不确定性。
[0126]
表1新型研发机构团队t1-t4对科技人才s1的评估值
[0127][0128]
表2新型研发机构团队t1-t4对科技人才s2的评估值
[0129][0130]
表3新型研发机构团队t1-t4对科技人才s3的评估值
[0131][0132]
表4新型研发机构团队t1-t4对科技人才s4的评估值
[0133][0134]
表5新型研发机构团队t1-t4对科技人才s5的评估值
[0135][0136]
表6新型研发机构团队t1-t4对科技人才s6的评估值
[0137][0138]
从上表的数据并不能看出新型研发机构团队t对科技人才s的评估总体情况、优劣比较以及拟匹配特征，因此需要通过一定的方法进行转换和集结，让数据的信息能够反映评估对象的特征；
[0139]
(2)评估数据规范化及灰关联系数计算；
[0140]
基于所有评估值第j个指标下的的最大值进行规范化处理，得到规范矩阵，然后基于灰色关联分析公式计算各评估值与最大评估序列的关联系数，关联系数越大，说明新型研发机构团队t对科技人才s在该指标下满意度越高，t-s的关联系数如图1-图6所示；
[0141]
从图1可以看出：团队t1对人才s1前5个指标评分较高，后5个指标评分较低；团队t2对人才s1评分保持平稳，最后2个指标下评分较高，认为s1的科技能力较强；团队t3比较关注人才s1是名校毕业且科技洞察能力强；团队t4认为人才s1比较自立自强；
[0142]
从图2看出：团队t1对人才s2评分较低；团队t2关注人才s2的创新成果和交叉学科的背景；团队t3认为人才s2创新成果较多，且毕业于名校；团队t4认为人才s2报效祖国意愿强烈，且能够自制自律；
[0143]
从图3可以看出：团队t1认为人才s3报效祖国意愿强烈，创新成果丰硕，更加看重其毕业于名校；团队t2对人才s2的整体评分偏低，尤其认为s2不能自立自强；团队t3关注人才s3自觉和自信从事科技工作；团队t4认为人才s3科技合作较多；
[0144]
从图4可以看出：团队t1认为人才s4科技知识丰富，科技能力较强；团队t2对人才s4的整体评分偏低；团队t3关注人才s4整体评分也偏低，尤其认为其科技合作能力较低；团队t4对人才s4评分较高，认为s4创业成果较多，具有交叉学科背景，同时能够做到自制自律；
[0145]
从图5可以看出：团队t1认为人才s5自觉自信；团队t2也认为人才s5自觉自信，但是科技合作能力有待加强；团队t3认为人才s5创新成果较多，且毕业于名校；团队t4对人才s5评分较高，认为s5科技合作能力强，具有交叉学科背景，同时能够做到自立自强；
[0146]
从图6可以看出：团队t1认为人才s6创业成果多，且比较自制自律；团队t2也认为人才s6创业成果多；团队t3认为人才s6报效祖国意愿强烈；团队t4认为人才s6自觉自信，毕业于名校，且自立自强；
[0147]
(3)基于关联系数计算指标权重；
[0148]
征求了12位专家的意见，得到指标的主观权重，基于关联系数的和的占比得到了指标的客观权重，引入参数调节参数，得到综合指标权重，如图7所示；
[0149]
从图7可以看出：t-s主观权重更偏向创新成果和创业成果，对报效祖国、自觉自信、名校毕业和科技合作给予较低的权重，而t-s客观权重差距不大，偏向报效祖国、自觉自信、创新成果、名校毕业等，t-s综合权重介于主观权重和客观权重之间，更加合理；
[0150]
实施例2
[0151]
与实施例1不同的是：基于云模型计算新型研发机构团队t对科技人才s评估的云数据；
[0152]
表8新型研发机构团队t对科技人才s评估的云数据
[0153]
云数据s1(ex,en,he)s2(ex,en,he)s3(ex,en,he)t1-s0.5676,0.1710,0.07110.3894,0.0822,0.04730.4690,0.1630,0.0199t2-s0.4816,0.0932,0.04870.4030,0.0993,0.03270.3856,0.0902,0.0237t3-s0.5294,0.1347,0.02960.4156,0.0910,0.05530.4107,0.0591,0.0243t4-s0.4381,0.0838,0.04820.3926,0.1195,0.04750.3966,0.0677,0.0220云数据s4(ex,en,he)s5(ex,en,he)s6(ex,en,he)t1-s0.4612,0.1018,0.03460.3912,0.0634,0.01280.3994,0.0787,0.0316t2-s0.4007,0.0743,0.03250.3964,0.0734,0.03060.4161,0.0450,0.0316t3-s0.4038,0.0746,0.02580.4028,0.0711,0.03950.4379,0.1001,0.0386t4-s0.5570,0.1597,0.02500.6199,0.1454,0.03920.4502,0.1056,0.0183
[0154]
表格中的云数据没有直观的感受，将基于权重的关联系数输入matlab进行云模型的模拟，得到新型研发机构团队t对科技人才s评估的云模型图，如图9-图14所示；
[0155]
从图8可以看出：团队t1-t4对科技人才s1的评估期望值均在0.5附近，团队t3的评估云滴凝聚抱合程度更高；
[0156]
从图9可以看出：团队t1-t4对科技人才s2的评估期望值均小于0.5，团队t2的评估云滴凝聚抱合程度更高；
[0157]
从图10可以看出：团队t1-t4对科技人才s3的评估期望值均在0.4附近，团队t1的评估云滴凝聚抱合程度更高；
[0158]
从图11可以看出：团队t1-t3对科技人才s4的评估期望值均没有超过0.5，团队t4对科技人才s3的评估期望值超过0.5，团队t4的评估云滴凝聚抱合程度更高；
[0159]
从图12可以看出：团队t1-t3对科技人才s5的评估期望值均在0.4附近，团队t4对科技人才s3的评估期望值超过0.5，团队t1的评估云滴凝聚抱合程度更高；
[0160]
从图13可以看出：团队t1-t4对科技人才s5的评估期望值均在0.4附近，团队t4的评估云滴凝聚抱合程度更高；
[0161]
实施例3
[0162]
分析科技人才对新型研发机构团队的评估情况
[0163]
(1)收集评估数据，并用标准云形式表征初始评估值；
[0164]
表9科技人才s1对新型研发机构团队t1-t4的评估值
[0165][0166]
表10科技人才s2对新型研发机构团队t1-t4的评估值
[0167][0168]
表11科技人才s3对新型研发机构团队t1-t4的评估值
[0169][0170]
表12科技人才s4对新型研发机构团队t1-t4的评估值
[0171][0172]
表13科技人才s5对新型研发机构团队t1-t4的评估值
[0173][0174]
表14科技人才s6对新型研发机构团队t1-t4的评估值
[0175][0176]
将表9-表14的语言评估值按照标准云找到期望值，见表15所示；
[0177]
表15科技人才s1-s6对新型研发机构团队t1-t4的评估值
[0178][0179]
从上表的数据并不能看出科技人才s对新型研发机构团队t的评估总体情况、优劣比较以及拟匹配特征，因此需要通过一定的方法进行转换和集结，让数据的信息能够反映评估对象的特征；
[0180]
(2)找到最大值序列，计算评估值与最大值的灰关联系数；
[0181]
从图14可以看出：人才s1对团队t1的人才梯队和人才待遇很满意；对团队t2的人才培训和人才激励很满意，对其人才梯队和人才待遇不满意；对团队t3的人才待遇很满意，对其人才梯队不满意；对团队t4的评分相对较低；
[0182]
从图15可以看出：人才s2对团队t1的人才待遇很满意，对其人才激励很不满意；对团队t2的人才梯队很满意，对其人才待遇很不满意；对团队t3的人才培训和人才待遇很满意；对团队t4的人才待遇很满意；
[0183]
从图16可以看出：人才s3对团队t1的人才培训和人才待遇很满意，对人才梯队很不满意；对团队t2的人才梯队很满意；对团队t3的人才待遇和人才激励很满意；对团队t4的评分相对较低；
[0184]
从图17可以看出：人才s4对团队t1的人才待遇很满意；对团队t2的各项指标都不满意；对团队t3的人才培训、人才梯队、人才激励很满意，对其人才待遇不满意；对团队t4的人才培训很满意，但是对其他指标很不满意；
[0185]
从图18可以看出：人才s5对团队t1的人才待遇很满意；对团队t2的人才培训很满意，对其其他指标不满意；对团队t3的人才培训和人才激励很满意，对其人才梯队很不满意；对团队t4的人才培训很满意，对其他指标不满意；
[0186]
从图19可以看出：人才s6对团队t1的人才待遇很满意；对团队t2的人才培训和人才梯队很满意；对团队t3的各项指标评分都不高；对团队t4的人才培训和人才激励很满意，对其人才梯队和人才待遇不满意；
[0187]
(3)基于关联系数计算指标权重；
[0188]
征求了部分科技人才的意见，得到指标的主观权重ω
4j
，基于关联系数的和的占比得到了指标的客观权重ω
5j
，引入参数调节参数φ＝0.5，得到综合指标权重ω
6j
，如图21所示；
[0189]
从图20可以看出：主观权重更偏向人才待遇，对人才待遇给予较低的权重，而客观
权重差距不大，偏向人才培训和人才待遇，综合权重介于主观权重和客观权重之间，更加合理；
[0190]
(4)基于云模型计算科技人才s对新型研发机构团队t评估的云数据；
[0191]
表8科技人才s对新型研发机构团队t评估的云数据
[0192]
s-t评估s1(ex,en,he)s2(ex,en,he)s3(ex,en,he)s-t10.5868,0.2982,0.11820.6415,0.3576,0.01640.5747,0.4414,0.1608s-t20.4931,0.2429,0.10190.4308,0.1369,0.06000.5145,0.1656,0.0615s-t30.4806,0.3255,0.12800.5330,0.0800,0.04740.5838,0.2608,0.1590s-t40.3734,0.0706,0.01560.5781,0.2644,0.12640.4298,0.2094,0.0717s-t评估s4(ex,en,he)s5(ex,en,he)s6(ex,en,he)s-t10.5263,0.3116,0.14810.5263,0.3116,0.14810.5736,0.2672,0.1209s-t20.3055,0.0446,0.01570.4516,0.2666,0.11680.5695,0.2281,0.1106s-t30.6080,0.1799,0.06440.5586,0.2385,0.11880.4055,0.1050,0.0236s-t40.4108,0.2775,0.11630.5889,0.2955,0.12610.5092,0.2228,0.1225
[0193]
从图21可以看出：科技人才s1对团队t1的评估期望值超过0.5，对团队t2、t3、t4的评估期望值均没有超过0.5，对团队t2的评估云滴凝聚抱合程度更高；
[0194]
从图22可以看出：科技人才s2对团队t1、t3、t4的评估期望值均超过0.5，对团队t2的评估期望值小于0.5，对团队t3的评估云滴凝聚抱合程度更高；
[0195]
从图23可以看出：科技人才s3对团队t1、t2、t3的评估期望值均超过0.5，对团队t2的评估期望值小于0.5，对团队t2的评估云滴凝聚抱合程度更高；
[0196]
从图24可以看出：科技人才s4对团队t1、t3的评估期望值超过0.5，对团队t2、t4的评估期望值小于0.5，对团队t3的评估云滴凝聚抱合程度更高；
[0197]
从图25可以看出：科技人才s5对团队t1、t3、t4的评估期望值超过0.5，对团队t2的评估期望值小于0.5，他们的评估云滴凝聚抱合程度差不多，都比较离散；
[0198]
从图26可以看出：科技人才s5对团队t1、t2的评估期望值超过0.5，对团队t4的评估期望值在0.5附近，对团队t3的评估期望值小于0.5，对团队t3的评估云滴凝聚抱合程度更高；
[0199]
实施例4
[0200]
(1)基于云数据和m-1模型进行团队和人才的双边匹配
[0201]
由于新型研发机构团队和科技人才同等重要，因此团队和人才的重要程度权重参数ρ＝0.5，代入云集结公式，得到整体评估满意度的云数据，如下表所示；
[0202][0203]
将上表数据代入m-1模型，用linggo软件进行双边匹配求解，最终得到匹配结果为[t1,s1]、[t2,s6]、[t3,s2]、[t3,s3]、[t3,s4]、[t4,s5]。该匹配的整体评估满意度为
2.5855，且该匹配为稳定匹配。
[0204]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。