人才评价是高校选拔人才和岗位调整的重要依据,对高校资源整合和人才队伍建设有着重要的意义。目前广泛使用的BP神经网络和支持向量机等浅层机器学习算法构建的评价模型未能充分挖掘评价指标与评价结果的本质规律,评价精度不够高,难以满足高校实际工作要求。针对该问题,本文提出了一种基于深度置信网络的高校人才评价模型,并针对深度置信网络(DBN)在训练过程中因随机初始化权值易陷入局部最优的问题,引入和声搜索算法对DBN模型进行优化,从而进一步提高模型的性能。论文主要研究工作如下:(1)针对基本和声搜索算法(HS)在寻优过程中存在收敛较慢、后期局部搜索能力不足的问题,提出了一种全局自适应调整的和声搜索算法(GAAHS)。该算法借鉴粒子群优化算法的精英学习策略,充分利用和声记忆库中的最优和声信息,提高算法的学习效率。同时,提出一种和声自适应调整策略,将和声记忆库中最优或最差和声与新和声之差作为自适应调整的步长,提高算法在后期的局部搜索能力,使算法收敛到更接近最优解。为了验证所提算法的有效性,采用4个标准测试函数进行仿真实验。实验结果表明,与基本和声搜索算法和两种经典的改进和声搜索算法(GHS、SGHS)相比,GAAHS算法的结果更接近最优解,并且算法收敛速度更快。(2)针对DBN的权值随机初始化问题,将GAAHS算法引入到DBN中,提出了GAAHS-DBN模型。该模型中以重构误差函数作为GAAHS算法的适应度函数为DBN寻找一组较优的初始权值和偏置,再结合对比分歧(CD)算法进行训练。为验证GAAHS算法优化DBN的有效性,通过在MNIST数据集上与DBN进行实验对比分析,实验结果表明优化后的DBN在收敛速度和精度上都有一定程度提升。(3)建立了基于GAAHS-DBN的高校人才评价模型。通过对高校人才的工作进行分析,结合文献调研法和专家访谈法构建评价指标体系。然后对指标数据进行采集和预处理,并通过实验的方式确定网络模型的参数,建立基于GAAHS-DBN的人才评价模型。为了验证GAAHS-DBN评价模型的优越性,将该模型与广泛使用的BP神经网络和支持向量机(SVM)评价模型以及传统DBN评价模型进行对比。实验结果表明,本文提出的GAAHS-DBN评价模型与上述三种模型相比,在准确率上分别提高了16.4%、7.3%和3.6%,评价结果更接近于真实结果,可以更好地为高校人事部门制定人才选拔、绩效考核、资源分配等决策提供依据。