管理故事:乡愿与小人

      唐朝,某一年大丰收,一天唐德宗打猎到一个农民赵光奇的家问他们快不快乐,结果赵光奇向他哭诉陈情,政府不诚不信,说不多立名目课税,却继续收差役代金,说是征粮,却一文钱不给。德宗听得不甚唏嘘,当场就把这家人的税负免了。听起来,德宗十分宽大听得下民间抱怨,但实际上他在位期间,三度丢掉首都长安,安史之乱后唐朝国力大伤,但被德宗一折腾,自此一蹶不振,直到亡国。为什么?因为德宗的表现是乡愿,税是国家大法,应该一体适用,免了这家,再其他家呢?他不思索建立制度使人民休生养息,如果是苛税伤民,就该减所有人的某些税,如果是官吏贪贿,在国税之外多辟财源,他就该好好整顿吏治。德宗只顾做好人,表演亲民秀,却破坏国法,国家治理因而紊乱。

 

  孔子说:“乡愿,德之贼也。”乡愿没有原则,不讲法律秩序,只是一味做好人,自己看到的,接触到的人都一味示好,大家都说他好人,都想接近他,但整体的法律制度却会荡然无存,也没有公平公正可言,结果必是使一家人笑,却使一街人哭(受那“一家人” 欺凌,却又挨不近乡愿身边的人只有哭)。企业领导经常只看到有关系的身边之人,对他有同情心,所以不忍,在乎与他的关系,所以矫情徇私,但这是妇人之仁,绝对会破坏公司内的公平,久之,其他人不平则鸣,公司和谐也将荡然无存。为了维持秩序与原则,该切断关系时要能够壮士断腕,一味的表现恩慈,是乡愿,在管理整个企业的人际和谐上,是有害的。

 

  公元前五二七年,楚国的楚平王要为自己的儿子娶一门媳妇,选中的姑娘在秦国,于是就派出一名叫费无忌的大夫前去迎娶。费无忌看到姑娘长得极其漂亮,眼睛一转,就开始在半途上动脑筋了。他认为如此漂亮的姑娘应该献给正当权的楚平王。尽管太子娶亲的事已经国人皆知,尽管迎娶的车队已经逼近国都,尽管楚宫里的仪式已经准备妥当,费无忌还是骑了一匹快马抢先直奔王宫,对楚平王描述了秦国姑娘的美丽,说反正太子此刻与这位姑娘尚未见面,大王何不先娶了她,以后再为太子找一门好的呢。楚平王好色,被费无忌说动了心,但又觉得事关国家社稷的形象和承传,必须小心从事,就重重拜托费无忌一手操办。三下两下,这位原想来做太子夫人的姑娘,转眼成了太子的姨娘。说到这里,让我们先停一下,读者试着去想像这个故事会如何发展?君王无礼,小人幸进,结局不容乐观,但历史的发展有时比小说还残忍,这便是一例。

 

  费无忌办成了这件事,楚平王越来越宠信他了,但静心一想,这件事上受伤害最深的是太子,而太子是迟早会掌大权的,那今后的日子怎么过呢?他开始在楚王耳边递送小语:“那件事情之后,太子对我恨之入骨,那倒罢了,我个人也算不得什么,问题是他对大王您也怨恨起来,万望大王戒备。太子已握兵权,外有诸侯支持,内有他的老师伍奢帮着谋划,说不定那一天要兵变呢!”楚平王本来就觉得自己对儿子做了亏心事,儿子一定会有所动作,现在听费无忌一说,心想果不出所料,立即下令杀死太子的老师伍奢和其长子伍尚,进而又要捕杀太子,太子和伍奢的次子伍子胥只得逃离楚国。后来伍子胥引来吴国兵马,发誓要为父兄报仇,一再率吴兵伐楚,最后灭了楚国,并对楚平王鞭尸。倒霉的是楚国人民,死伤无数。小人幸进,竟使国家涂炭,民不聊生,令人惊心。

 

  乡愿与小人不一定是坏人,但一定做人没有原则,做事玩乎法律制度。前者与人为善,不择手段,后者投主所好,亦不择手段。宇文家三兄弟以奸佞取得隋炀帝的信任,并主掌羽林军,最后又杀了炀帝,是隋朝亡国主兕之一。其中三弟宇文士及在隋亡后降于唐太宗。一日,太宗在御园中看到一个树很美,为之赞叹,士及在侧,赶快发挥其佞臣本色,作诗颂词歌颂其树,太宗不高兴的说:“我一直听说身旁有奸臣,今日果然看见一个。”自此,士及学魏徵,竟成知名谏臣。上有所好,下必从之,士及跟隋炀帝就是佞臣,跟唐太宗就是谏臣,小人投主之所好,可以为善,亦可以为恶。

 

  乡愿可能有善心,小人不一定有恶念,但往往把是非模糊了,原则不见了,黑白都变成了灰色,对企业内的信任破坏却极大。如之前专栏所述,中国式管理是礼法并治的,礼就是不成文的原则,法就是成文的原则,重法守礼是中国组织治理的首要之道。但乡愿与小人一搅和,有关系则没关系,什么都被允许,于是法律制度颓坏,礼治秩序荡然,公司之内什么原则都不受尊重,人们心中少了那把尺,行为少了制度的约束,最终将很难形成共识,只剩下尔虞我诈,拉党结派,以权相辄,信任将受到彻底破坏。所以说要想在公司内防止乡愿与小人的崛起,公司领导人及整个决策核心精英都要重法守礼,以带动全公司员工守法守礼的文化,阻绝小人幸进之路。

遗传算法优化BP神经网络(GABP)是一种结合了遗传算法(GA)和BP神经网络的优化预测方法。BP神经网络是一种多层前馈神经网络,常用于模式识别和预测问题,但其容易陷入局部最优。而遗传算法是一种模拟自然选择和遗传机制的全局优化方法,能够有效避免局部最优 。GABP算法通过遗传算法优化BP神经网络的权重和阈值,从而提高网络的学习效率和预测精度 。 种群:遗传算法中个体的集合,每个个体代表一种可能的解决方案。 编码:将解决方案转化为适合遗传操作的形式,如二进制编码。 适应度函数:用于评估个体解的质量,通常目标函数相反,目标函数值越小,适应度越高。 选择:根据适应度保留优秀个体,常见方法有轮盘赌选择、锦标赛选择等。 交叉:两个父代个体交换部分基因生成子代。 变异:随机改变个体的部分基因,增加种群多样性。 终止条件:当迭代次数或适应度阈值达到预设值时停止算法 。 初始化种群:随机生成一组神经网络参数(权重和阈值)作为初始种群 。 计算适应度:使用神经网络模型进行训练和预测,根据预测误差计算适应度 。 选择操作:根据适应度选择优秀个体 。 交叉操作:对选择的个体进行交叉,生成新的子代个体 。 变异操作:对子代进行随机变异 。 替换操作:用新生成的子代替换掉一部分旧种群 。 重复步骤2-6,直到满足终止条件 。 适应度函数通常以预测误差为基础,误差越小,适应度越高。常用的误差指标包括均方根误差(RMSE)或平均绝对误差(MAE)等 。 GABP代码中包含了适应度函数的定义、种群的生成、选择、交叉、变异以及训练过程。代码注释详尽,便于理解每个步骤的作用 。 GABP算法适用于多种领域,如时间序列预测、经济预测、工程问题的优化等。它特别适合解决多峰优化问题,能够有效提高预测的准确性和稳定性 。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值