基于遺傳算法的虛擬企業(yè)風險管理

基于遺傳算法的虛擬企業(yè)風險治理摘要遺傳算法是一種基于概率意義的隨機搜索算法,它提供了一種求解復雜系統(tǒng)優(yōu)化問題的通用框架，虛擬企業(yè)是一種新的生產(chǎn)模式，它以動態(tài)聯(lián)盟為基礎的敏捷制造,并制造性地概括出一種稱為“虛擬組織”的新型企業(yè)模式。作為一種能夠高質(zhì)量、低成本、快速響應市場需求的解決方案,虛擬企業(yè)正越來越多地引起我國企業(yè)界的關注。然而,虛擬企業(yè)在關心企業(yè)獲得反應靈活性的同時,也不可幸免地帶來了新的風險因素。本文依照條件創(chuàng)建了虛擬企業(yè)的風險治理模型，并通過遺傳算法，對模型進行分析，使企業(yè)的資源得到最優(yōu)的整合。文章利用遺傳算法的差不多原理，構造了問題的解的初代種群，通過選擇，交叉和變異產(chǎn)生新的最優(yōu)解集種群。實驗結果表明，遺傳算法對風險治理模型求解的效果是特不理想的。關鍵詞：遺傳算法;虛擬企業(yè);風險治理

virtualenterpriseforriskmanagementBasedongeneticalgorithm首字母大寫Abstractgeneticalgorithmisasignificantprobabilityofrandomsearchalgorithm,whichprovidesacomplexsystemoptimizationproblemforthecommonframework.virtualenterprisesisanewmodeofproduction,whichisbasedonadynamicallianceofagilemanufacturing,andcreativelysummedupasakindof"virtualorganization"ofnewbusinessmodels.Asacanofhigh-quality,lowcost,rapidresponsetomarketdemandsolutions,virtualenterprisesareattractingmoreandmoreattentiontomybusiness.However,virtualenterpriseinhelpingenterpriseswillbeabletorespondflexibility,butalsoinevitablybringanewelementofrisk.Thisarticlecreatestheriskofvirtualenterprisemodelbasedontheconditionsandthroughgeneticalgorithms,themodelanalysisenterpriseresourcestobeoptimalintegration.Usingthebasicprinciplesofgeneticalgorithms,thestructuralproblemsofthebeginningofthepopulation,afterselection,crossoverandanewvariantoftheoptimalsolutionsetpopulation.ExperimentalresultsshowthatgeneticalgorithmforriskmanagingmodelfortheeffectisveryKeywords：geneticalgorithm;virtualenterprise;riskmanagement

目錄摘要 IAbstract II1緒論 11.1選題背景 11.11虛擬企業(yè) 11.12虛擬企業(yè)的進展 11.13虛擬企業(yè)產(chǎn)生的緣故 11.14虛擬企業(yè)的特點 21.2國內(nèi)外關于虛擬企業(yè)風險治理的方法 31.21虛擬企業(yè)存在的經(jīng)濟學解釋 41.22虛擬企業(yè)風險治理方法的要點 41.3遺傳算法 51.31遺傳算法的產(chǎn)生 51.32遺傳算法的生物學背景 51.33基因（gene） 61.34復制（Repeoduction） 71.35搜索空間（SearchSpace） 71.36遺傳算法的步驟 71.37遺傳算法的特點 71.38遺傳算法在國內(nèi)外研究現(xiàn)狀 81.4本文工作 92風險規(guī)劃數(shù)學模型 102.1基于馬爾可夫過程的風險評價模型 102.2問題描述 152.3風險規(guī)劃模型 163遺傳算法對風險操縱模型的求解 183.1算法特點 183.2設計要素 183.3程序流程 203.4應用MATLAB軟件對本問題程序算法的設計 213.5仿真結果分析 233.5.1靜態(tài)結果分析 233.5.1動態(tài)結果分析 25結論 27致謝 28參考文獻 29附錄 301緒論1.1選題背景1.1.1虛擬企業(yè)“虛擬”一詞產(chǎn)生于計算機產(chǎn)業(yè)。在電子計算機領域，虛擬指本身不是一個真正的物理存在，而是借用軟件實現(xiàn)的存在。它通過借用外部共同的信息網(wǎng)絡與通道，提高數(shù)據(jù)存儲數(shù)量、質(zhì)量與效率，制造出栩栩如生的圖象、聲音、文字等三維場景。虛擬技術移植到企業(yè)經(jīng)營上，是指處于不同地域的人和物，能夠通過信息技術連接起來，為一個共同目標而合作。通過虛擬，一個企業(yè)不必再雇傭許多職員，組建固定的組織機構，也不需要投入大量資金建筑工廠購置設備，只需少量技術人員和治理人員，就能夠完成新產(chǎn)品的決策、研發(fā)、生產(chǎn)、銷售及會計核算等。虛擬操作，確實是選擇合適的虛擬方式如托付、外包、兼并、購買、聯(lián)合、結盟、合資等，借用外部力量，對企業(yè)掌握或操縱的資源（人力、資本、信息、自然）重新進行整治組合，以達到能量的聚合裂變，形成新的功能或增強、完善原有功能，產(chǎn)生新的競爭優(yōu)勢，而不必增加成本（或花費專門少）和組建相應的組織機構、雇傭人員，超越了物理空間和組織制度限制而形成的低投入、高產(chǎn)出、技術互補、資源共享、風險分擔的動態(tài)有機整體——虛擬體。虛擬體中的每個成員稱為虛擬企業(yè)。1.12虛擬企業(yè)的進展目前，虛擬企業(yè)仍處于進展的初級時期，盡管有關的組織和運行模式差不多得到廣泛的運用，但完全虛擬化的企業(yè)還處于設想時期。價值最大化、增強企業(yè)核心競爭力的目標，推動企業(yè)在市場調(diào)查研究、產(chǎn)品設計開發(fā)以及銷售服務等環(huán)節(jié)上采取了虛擬化的運作方法。信息技術不斷進展的形勢下，虛擬化的環(huán)節(jié)將接著增加，涉及的領域?qū)⒏鼜V泛。加強對虛擬企業(yè)生命周期的分析，特不是加強各時期風險的識不、防范與化解，就更為必要。1.13虛擬企業(yè)產(chǎn)生的緣故1社會條件的變化。首先，全球經(jīng)濟一體化使得企業(yè)間市場競爭激化，促使組織之間聯(lián)盟以弱化直接競爭，同時經(jīng)濟全球化促使國際勞動分工的越來越細化，企業(yè)間滲透越來越深，協(xié)作的要求也越來越緊迫。其次，信息技術的變革為虛擬企業(yè)的進展奠定了技術基礎，信息技術使企業(yè)能夠方便地跨越空間障礙，并有足夠的信息傳遞和處理能力，打破傳統(tǒng)的市場、研發(fā)、制造和治理的邊界，廣泛融合各項功能，使組織結構變得越來越敏捷、高效。最后，“雙贏”的經(jīng)營理念代替了“零和博弈”為虛擬企業(yè)的進展奠定了文化基礎。2組織效果的變化。隨著信息時代的到來，工業(yè)經(jīng)濟時代“大而全的萬能組織”越來越顯現(xiàn)出規(guī)模不經(jīng)濟的特點。市場需求越來越多變，新產(chǎn)品加速出現(xiàn)，產(chǎn)品壽命周期越來越短，這些都要求企業(yè)有能力迅速依照市場機會合成相應生產(chǎn)能力。與此同時，信息技術的進步使得企業(yè)外部交易成本低于內(nèi)部交易成本。這些都促使了企業(yè)進一步分化并加強核心功能而放棄其他功能，并借助電子網(wǎng)絡的手段，通過虛擬形式，集合各“真實公司”的核心能力和資源，在技術、資源、治理等方面形成競爭優(yōu)勢，通過分享市場機會，達到多方共贏。1.1.4虛擬企業(yè)的特點1企業(yè)邊界模糊虛擬企業(yè)是許多企業(yè)的臨時聯(lián)盟，它們具有自己的關鍵技術，通常圍繞某個核心企業(yè)或中間企業(yè)組織的關鍵技能聯(lián)成臨時網(wǎng)絡組織，以達到共享技術、分攤費用以及滿足市場需求的目的。這種動態(tài)聯(lián)盟表現(xiàn)出短暫和臨時的特點，某個目標一旦完成就會宣告解散，而為了新的機會又會重新組建新的聯(lián)盟。這種新型的企業(yè)組織模式打破了傳統(tǒng)的企業(yè)組織界限，使企業(yè)邊界變得模糊。2以發(fā)達的信息網(wǎng)絡為基礎在虛擬企業(yè)運行中，信息共享是關鍵?，F(xiàn)代信息技術和通訊手段使得溝通更為便利，采納通用數(shù)據(jù)進行信息交換，能夠使所有參與聯(lián)盟的企業(yè)都能共享設計、生產(chǎn)以及營銷的有關信息，從而協(xié)調(diào)步調(diào)，保證較好的合作，使虛擬企業(yè)集成出較強的競爭優(yōu)勢。3并行作業(yè)虛擬企業(yè)在完成某一項目或任務時，項目或任務按照并行工程的思想被分解為相對獨立的工作模塊，同時各個合作模塊能夠并行作業(yè)，項目或任務的主持者能夠利用先進的信息通訊手段在其間不斷地溝通與協(xié)調(diào)，從而保證各個工作模塊最終的互相銜接。如此既縮短了時刻，節(jié)約了成本，又促進了各參與企業(yè)有效配置自己的資源及虛擬企業(yè)整體資源的充分利用。4技術先進的企業(yè)網(wǎng)絡該企業(yè)網(wǎng)絡中的每個成員都要貢獻一定的資源，供大伙兒共享，而且那個企業(yè)網(wǎng)絡運行的集合競爭優(yōu)勢和競爭力水平大于各個參與者的競爭優(yōu)勢和競爭力水平的簡單相加，因此虛擬企業(yè)在產(chǎn)品或服務的技術開發(fā)上更容易形成強大的競爭優(yōu)勢，其開發(fā)的產(chǎn)品或服務在市場上處于領先地位。虛擬企業(yè)的整體競爭力水平大于各個參與者的競爭力水平的簡單相加。5信息共享虛擬企業(yè)是建立在當今發(fā)達的信息網(wǎng)絡基礎之上的企業(yè)合作虛擬企業(yè)的運行中信息共享是關鍵，而使用現(xiàn)代信息技術和通訊手段使得溝通更為便利。采納通用數(shù)據(jù)進行信息交換，使所有參與聯(lián)盟的企業(yè)都能共享設計、生產(chǎn)以及營銷的有關信息，從而能夠真正協(xié)調(diào)步調(diào)，保證合作各方能夠較好合作，使虛擬企業(yè)集成出較強的競爭優(yōu)勢。虛擬企業(yè)的上述特點，注定了虛擬企業(yè)具有較強的適應市場能力的柔性與靈捷性，各方優(yōu)勢資源集中更催生出極強的競爭優(yōu)勢與競爭力。1.2國內(nèi)外關于虛擬企業(yè)風險治理的方法1991年美國里海（Lehigh）大學學者Kenneth，Preiss等在《21世紀制造企業(yè)戰(zhàn)略》報告中提出了虛擬企業(yè)（VirtualEnterprise）這一概念。從此，作為企業(yè)組織創(chuàng)新形式——虛擬企業(yè)的學術研究拉開了帷幕。1992年，美國學者WilliamH.Davidow和MichaelS.Malone在其專著《虛擬公司》中認為，虛擬企業(yè)是由一些獨立的廠商、顧客、甚至同行的競爭對手通過信息技術聯(lián)成臨時的網(wǎng)絡組織，以達到共享技術、分攤費用以及滿足市場需求的目的，虛擬企業(yè)沒有中央辦公室，也沒有正式的組織圖，更不像傳統(tǒng)組織那樣具有多層次的組織結構。作為一種新的制度安排，虛擬企業(yè)已日見增多并受到國內(nèi)外企業(yè)界和學術界的關注，有關這一領域的研究，就目前來講，國內(nèi)和國外進展相當。針對虛擬企業(yè)風險阻礙因素多、直接量化評價較難的特點，現(xiàn)在一般用層次分析法（AHP）的理論及差不多應用步驟來作較為詳細的闡述；運用層次分析法對虛擬企業(yè)的備選方案的風險評價進行了實證分析，闡明層次分析法在多個指標、方案中選擇最佳的組合方案時是一種科學，可行的方法。層次分析法（AnalyticHierarchyProcess簡稱AHP）是美國運籌學家T.L.Saaty教授于70年代初期提出的，AHP是對定性問題進行定量分析的一種簡便、靈活而又有用的多準則決策方法。它的特點是把復雜問題中的各種因素通過劃分為相互聯(lián)系的有序?qū)哟危怪畻l理化，依照對一定客觀現(xiàn)實的主觀推斷結構（要緊是兩兩比較）把專家意見和分析者的客觀推斷結果直接而有效地結合起來，將一層次元素兩兩比較的重要性進行定量描述。而后，利用數(shù)學方法計算反映每一層次元素的相對重要性次序的權值，通過所有層次之間的總排序計算所有元素的相對權重并進行排序。該方法自1982年被介紹到我國以來，以其定性與定量相結合地處理各種決策因素的特點，以及其系統(tǒng)靈活簡潔的優(yōu)點，迅速地在我國社會經(jīng)濟各個領域內(nèi)，如能源系統(tǒng)分析、都市規(guī)劃、經(jīng)濟治理、科研評價等，得到了廣泛的重視和應用。應用層次分析法的注意事項。假如所選的要素不合理，其含義混淆不清，或要素間的關系不正確，都會降低ahp法的結果質(zhì)量，甚至導致ahp法決策失敗。為保證遞階層次結構的合理性，需把握以下原則，1分解簡化問題時把握要緊因素，不漏不多；2注意相比較元素之間的強度關系，相差太懸殊的要素不能在同一層次比較。1.2.1虛擬企業(yè)存在的經(jīng)濟學解釋虛擬企業(yè)是企業(yè)制度演變過程中的制度創(chuàng)新及組織形態(tài)創(chuàng)新。對虛擬企業(yè)的分析要從交易費用這一最基礎的制度經(jīng)濟分析工具入手。企業(yè)存在于一個開放的系統(tǒng)中，一方面和外界的利益相關者存在著千絲萬縷的聯(lián)系，另一方面，企業(yè)自身的各部門和各層單位組成有機體，為了實現(xiàn)自身的競爭優(yōu)勢，必須協(xié)調(diào)外部關系和內(nèi)部關系，付出交易費用。在企業(yè)之外的市場中，對外協(xié)調(diào)的交易費用要緊靠“看不見的手”——市場機制來調(diào)節(jié)，而企業(yè)內(nèi)部的協(xié)調(diào)是企業(yè)治理者通過“看得見的手”——企業(yè)的行政命令協(xié)調(diào)機制來完成的?？扑梗–oaseR.H.）認為，交易費用是決定企業(yè)的存在、企業(yè)和市場邊界的唯一變數(shù)。例如，若企業(yè)不存在，雇主就不得不每天到勞動力市場購買勞動力，為此要花費專門多時刻、精力、勞力和物力，即付出更高的交易費用；假如雇主內(nèi)化了勞動力，使他們成為企業(yè)的雇員，就節(jié)約了外部交易費用。當節(jié)約的外部交易費用的邊際好處被內(nèi)部交易費用增加的邊際壞處抵銷時，再擴大規(guī)模就不經(jīng)濟了。因此，企業(yè)的合理邊界位和規(guī)模確實是企業(yè)內(nèi)部交易費用的增加恰好等于市場交易費用的節(jié)約。1.2.2虛擬企業(yè)風險治理方法的要點1識不有效市場機遇。市場需求是決定虛擬企業(yè)存在的基礎，要抓住市場機遇只有通過科學的市場調(diào)查，做到及時、客觀地收集信息資料，找到有效的即適合自己的市場機會，并對風險予以充分的可能，以更有效地把握市場機遇。2充分運用供應鏈技術。通過對訂單治理系統(tǒng)和庫存治理系統(tǒng)的有效運用，發(fā)揮虛擬企業(yè)動態(tài)聯(lián)合各種核心競爭力的作用，按照客戶要求，以最短的提早期為客戶提供中意的服務，并保證實時維護庫存帳務，最大限度降低庫存，加速資金周轉(zhuǎn)。同時，為企業(yè)治理人員正確決策提供依據(jù)。3建立信息溝通和協(xié)調(diào)模式。虛擬企業(yè)的運作效率與成員企業(yè)的信息溝通緊密相關，為了使成員企業(yè)能夠迅速地獲得和共享信息，迅速實現(xiàn)自我調(diào)整和相互配合，虛擬企業(yè)應當建立一套有效的信息溝通和協(xié)調(diào)模式。依照獨立性遞減、復雜性遞增、機會主義威脅遞減和官僚成本遞增的特點，能夠靈活選擇雙向調(diào)整、聯(lián)盟、自發(fā)性三邊規(guī)制和強制性三遍規(guī)制這四種不同模式。4建立和增加成員企業(yè)間信任。從虛擬企業(yè)開始建立就能夠利用會計師事務所等部門，通過認真評估潛在成員企業(yè)的核心能力、合作意愿和企業(yè)信譽等，全面考慮潛在伙伴的可信任信用等級，開始著手構建虛擬企業(yè)內(nèi)的信任關系；在企業(yè)運作過程中，提高行為的透明度、加強溝通，促進各成員企業(yè)之間相互學習，并在企業(yè)內(nèi)建立群體協(xié)商機制，以解決沖突；加深了解、力爭長期合作,以減少欺騙動機，增加合作利益。1.3遺傳算法1.3.1遺傳算法的產(chǎn)生20世紀60年代中期，JohnHolland在A.S.Fraser和H.J.Bremermann等人工作的基礎上提出了位串編碼技術。這種編碼既適用于變異操作，有適用于交叉操作，同時強調(diào)將交叉作為要緊的遺傳操作。隨后，Holland將算法用于自然和人工系統(tǒng)的適應行為的研究中，并于1975年出版了其開創(chuàng)性著作“AdaptationinNaturalandArtificialSystems”。以后，Holland等人將該算法加以推廣，應用到優(yōu)化及機器學習等問題中，并正式定名為遺傳算法。遺傳算法的通用編碼技術和簡單的有效的遺傳操作作為其廣泛，成早期功地應用奠定了基礎。Holland有關遺傳算法的許多概念一直沿用至今，他認為遺傳算法的本質(zhì)上是適應性算法，應用最多的是系統(tǒng)最優(yōu)化的研究。1.3.2遺傳算法的生物學背景遺傳算法是以達爾文自然進化論和孟德爾遺傳變異理論為基礎的求解復雜全局優(yōu)化問題的仿生型算法，它以適者生存、不適應者被淘汰為進化策略，對包含可能解的群體反復進行選擇、交叉、變異等遺傳學操作，從而使種群不斷進化，以搜索到最優(yōu)解或準最優(yōu)解，具有簡單有用、魯棒性強、本質(zhì)并行性等特點。遺傳算法包含如下差不多要素：1染色體編碼；2適應度函數(shù)設計；3遺傳操作設計，包括選擇、交叉、變異；4運行參數(shù)設定，包括設定初始群體規(guī)模、遺傳運算終止進化代數(shù)、交叉概率、變異概率。在實驗中，一般應對可行性域中的點進行編碼，然后再可行域中的點進行編碼，然后在可行性域中隨機選擇一些編碼組作為進化起點的第一代編碼組，并計算每個解的目標函數(shù)值，也確實是編碼的適應度。接著就象自然界一樣，利用選擇機制從編碼組中的隨機選擇編碼作為生殖過程前的編碼樣本。選擇機制應保證適應度較高的解能夠保留較多的樣本；而適應度較底的解則保留較少的樣本，甚至被淘汰。在接下去的生殖過程中，遺傳算法提供了交叉和變異兩種算子對選擇后的樣本進行交換。交叉算子交換隨機選擇的兩個編碼的某些位，變異算子則直接對一個編碼中的隨機選擇的某一位進行反轉(zhuǎn)。如此通過選擇和生殖就產(chǎn)生了下一代編碼組。重復上述選擇和生殖過程，直到結束條件得到滿足為止。1980年以來，人們越來越清晰地意識到傳統(tǒng)人工智能方法的局限性，而且隨著計算機速度的提高及并行計算機的普及，遺傳算法和進化計算對計算機速度的要求已不再是制約其進展的因素。德國Dortmund大學1993年末的一份研究報告表明，依照不完全統(tǒng)計，進化算法已在16個大領域，250多個小領域中獲的了應用。1.3.3基因（gene）所有的生物差不多上由細胞組成的。在每一個細胞中都有想同序列的染色體。染色體是一串DNA的片斷，它為整個有機體提供了一種復制模式。染色體是由基因組成的，或者講染色體確實是一塊塊的基因。每一個基因為一個特定的蛋白質(zhì)編碼?；蛘吒唵蔚闹v，每一個基因為生物體的某一特定特征編碼，比如講眼睛的顏色。所有可能的某一特定特征的屬性（比如，藍色，桔黃色等）被稱之為等位基因。每一個基因在染色體上都有其特定的位置，那個位置一般被稱作位點（Locus）。全部序列的基因物質(zhì)（或者全部的染色體）稱之為基因組（或染色體組）（Genome）?；蚪M上特定序列的基因被稱作基因型（Genotype）?；蛐秃秃筇斓谋憩F(xiàn)型兩者是有機體的顯性、生理和心理特征比如講眼睛的顏色、智力的基礎。1.3.4復制（Repeoduction）在復制中，首先發(fā)生的是交叉（Crossover）。來自于父代的基因按照一定的方式組成了新的基因。新的子代還可能發(fā)生變異（Mutation）。變異的意思是DNA上的某一些成分發(fā)生了一點點的變化。這些改變可能是由于在由父代到子代的基因復制中出現(xiàn)的誤差。1.3.5搜索空間（SearchSpace）在專門多情況下，我們解決一個問題確實是從一大堆的數(shù)據(jù)中查找一個解，而通常那個解差不多上混雜在數(shù)據(jù)中的。所有可行解（FeasibleSolution可行解確實是滿足了一定約束條件的解）組成的空間稱之為搜索空間（也能夠稱之為狀態(tài)空間）。搜索空間中的每一個點差不多上一個可行解。每一個可行解都能夠被它的函數(shù)值或者它的適應度所標記。問題的解確實是搜索空間中的一個點，因此我們確實是要從搜索空間中找到那個點。如此，求解問題就能夠轉(zhuǎn)化為在搜索空間中查找極值點（最大值或者最小值點）。搜索空間在求解問題時可能是完全已知的，但一般來講我們只明白一些孤立的點，然后我們逐漸地生成其它點。問題是，那個搜索過程可能專門復雜，我們甚至不明白該去哪里搜索或者該從是么地點開始搜索。事實上，有專門多查找合適解（注意：不一定是最優(yōu)解）的方法，比如講爬山法（HillClimbing）禁止接近法(TabuSearch),模擬退火算法(SimulatedAnnealing)以及遺傳算法等等.用遺傳算法求解出來的解一般被認為是一個比較好的解,因為我們沒有方法證明它是最優(yōu)解.1.3.6遺傳算法的步驟遺傳算法與傳統(tǒng)的搜索算法不同，它以適應度函數(shù)為依據(jù)，通過對種群中的所有個體實施遺傳操作，實現(xiàn)群體內(nèi)個體結構重組的迭代過程搜索法。選擇、雜交、變異構成遺傳算法的3個要緊遺傳操作。參數(shù)編碼、初始群體的設定適應度函數(shù)設計、操縱參數(shù)設定等要素組成遺傳算法的核心內(nèi)容。其要緊步驟是編碼→初始種群的生成→適應度評估檢測→選擇→雜交→變異。1.3.7遺傳算法的特點傳統(tǒng)的優(yōu)化方法要緊有三種：枚舉法、啟發(fā)式算法和搜索算法。遺傳算法不同于傳統(tǒng)的搜索和優(yōu)化方法。要緊區(qū)不在于：1自組織、自適應和自學習性（智能性）。應用遺傳算法求解問題時，在編碼方案、適應度函數(shù)及遺傳算子確定后，算法將利用進化過程中獲得的信息自行組織搜索。由于基于自然的選擇策略“適者生存、不適者被淘汰”。因而適應度大的個體具有較高的生存概率。通常適應度大的個體具有更適應環(huán)境的基因結構，再通過基因重組和基因突變等遺傳操作，就可能產(chǎn)生更適應環(huán)境的后代。進化算法的這種自組織、自適應特征，使它同時具有能依照環(huán)境變化來自動發(fā)覺環(huán)境的特性和規(guī)律的能力。自然選擇消除了算法設計過程中的一個最大障礙，即需要事先描述問題的全部特點，并要講明針對問題的不同特點算法應采取的措施。因此，利用遺傳算法，我們能夠解決那些復雜的非結構化問題。2遺傳算法的本質(zhì)并行性。遺傳算法按并行方式搜索一個種群數(shù)目的點，而不是單點。它的并行性表現(xiàn)在兩個方面，一是遺傳算法是內(nèi)在并行的（inherentparallelism）,即遺傳算法本身特不適合大規(guī)模并行，最簡單的并行方式是讓幾百甚至數(shù)千臺計算機各自進行獨立種群的演化計算,運行過程中甚至不進行任何通信（獨立的種群之間若有少量的通信一般會帶來更好的結果)，等到運算結束時才通信比較，選取最佳個體。這種并行處理方式對并行系統(tǒng)結構沒有什么限制和要求，能夠講，遺傳算法適合在目前所有的并行機或分布式系統(tǒng)上進行并行處理，而且對并行效率沒有太大阻礙。二是遺傳算法的內(nèi)含并行性（implicitparallelism）。由于遺傳算法采納種群的方式組織搜索，因而可同時搜索解空間內(nèi)的多個區(qū)域，并相互交流信息。3遺傳算法不需要求導或其他輔助知識，而只需要阻礙搜索方向的目標函數(shù)和相應的適應度函數(shù)。4遺傳算法強調(diào)概率轉(zhuǎn)換規(guī)則，而不是確定的轉(zhuǎn)換規(guī)則。5遺傳算法能夠更加直接的應用。6遺傳算法對給定問題，能夠產(chǎn)生許多的潛在解，最終選擇能夠由使用者確定。在某些專門情況下，如多目標優(yōu)化問題不止一個解存在，有一組pareto最優(yōu)解。這種遺傳算法關于確認可替代解集而言是特不合適的。1.3.8遺傳算法在國內(nèi)外研究現(xiàn)狀近年來，GA在商業(yè)應用方面取得一系列重要成果?；蛟S這也是它受到學術界之外的企業(yè)界、政府部門以及更廣泛的社會階層普遍重視的緣故。GA的商業(yè)應用五花八門，覆蓋面甚廣，Coldborg在Comm.ACM上的一篇專論較為詳細地介紹了美國近年來的一些成果。例如，通用電器的計算機輔助設計系統(tǒng)Engeneous，這是一個混合系統(tǒng)（hybridsystem），采納了GA以及其他傳統(tǒng)的優(yōu)化技術做為尋優(yōu)手段。Engeneous已成功地應用于汽輪機設計，并改善了新的波音777發(fā)動機的性能。美國新墨西哥州州立大學心理學系開發(fā)了一個所謂的Faceprint系統(tǒng)，可依照目擊者的印象通過計算機生成嫌疑犯的面貌。計算機在屏幕上顯示出20種面孔，目擊者按十分制給這些面孔評分。在這基礎上，GA按通常的選擇、交換和突變算子生成新的面孔。Faceprint的效果專門好，已申報專利。同一個州的一家企業(yè)——預測公司（PredictionCompany）則首先開發(fā)了一組用于金融交易的時刻序列預測和交易工具，其中GA起了重要作用：據(jù)講，這一系統(tǒng)實際運行效果專門好，能夠達到最好的交易員的水平，引起銀行界的關注。GA在軍事上的應用也有報道：如用于紅外線圖象目標判不的休斯遺傳程序系統(tǒng)（Hughesgeneticprogrammingsystem），效果專門好，以至預備把它固化成硬件。就GA本身的研究而言，應該講，我國起步較晚，近幾年才陸續(xù)看到一些介紹性的文章、不多于兩三部的專著以及初步的研究報告。和國外工作比較，一個顯著區(qū)不是，國內(nèi)工作多只停留在論文這一層次，幾乎沒有看到具體實際應用，與研究成果商品化的差距就更遠。理論研究與實際應用不夠緊密，阻礙了我國高新技術的迅速進展，幾乎差不多成為頑癥。因此，在我國進展GA，當前應該特不重視它的應用和推廣普及。學術界要主動和企業(yè)界連手開發(fā)GA的應用，要重視引進或自行研制類似于Splicer的程序設計環(huán)境，使GA的應用更加方便和快捷。國家組建的工程研究中心應該在這方面發(fā)揮更大的作用。工科數(shù)學教育也應有所調(diào)整，以適應高新技術進展的需要。1.4本文工作本文采納馬爾可夫方法，對虛擬企業(yè)中的風險治理問題進行了初步的研究，在本文中利用馬爾可夫?qū)ιa(chǎn)的整個過程進行動態(tài)跟蹤以達到對風險的動態(tài)操縱。在下面的章節(jié)中，依照馬爾可夫理論提出了馬爾可夫的動態(tài)風險治理模型；并深入討論了遺傳算法在此問題中的應用。2風險治理模型2.1基于馬爾可夫過程的風險治理模型馬爾可夫過程是一種比較常用的隨機過程，它描述的是如此的情形：一個系統(tǒng)具有有限個狀態(tài)，系統(tǒng)在下一時刻的狀態(tài)取決于系統(tǒng)現(xiàn)在所處的狀態(tài)，而與往常的狀態(tài)無關，即系統(tǒng)的無后效性。系統(tǒng)由一種狀態(tài)轉(zhuǎn)移至另一種狀態(tài)的過程稱為馬爾可夫過程。馬爾可夫鏈分析是利用狀態(tài)間的狀態(tài)轉(zhuǎn)移概率來反映系統(tǒng)狀態(tài)的動態(tài)變化，表示從第狀態(tài)通過一步轉(zhuǎn)移到第狀態(tài)的概率，。以狀態(tài)轉(zhuǎn)移概率為元素的矩陣稱為馬爾可夫鏈的一步狀態(tài)轉(zhuǎn)移概率矩陣，簡稱轉(zhuǎn)移矩陣，記為，其每行元素之和為1。 假如馬爾可夫鏈上的兩狀態(tài)能夠相互轉(zhuǎn)移，則稱兩狀態(tài)是連通的。假如狀態(tài)空間中的任意兩狀態(tài)差不多上連通的，則稱此狀態(tài)空間是連通狀態(tài)空間。依照連通的概念，馬爾可夫的狀態(tài)空間能夠分為不返回狀態(tài)（過渡態(tài)）和汲取態(tài)。在馬爾可夫鏈中假如有的狀態(tài)一旦進入就不能離開，則此狀態(tài)稱為汲取態(tài)。在馬爾可夫鏈中，假如有的狀態(tài)不屬于汲取態(tài)，則稱之為不返回狀態(tài)[5]。一個具有個不返回狀態(tài)和個汲取狀態(tài)的馬爾可夫鏈能夠表示為下列轉(zhuǎn)移矩陣： (2.5)其中：表示系統(tǒng)的不返回狀態(tài)之間的關系；表示不返回狀態(tài)和汲取態(tài)之間的關系；：階單位矩陣；：零矩陣。易知，矩陣，其中（對所有的）且，（）[5]。依據(jù)馬爾可夫過程的差不多原理，對虛擬企業(yè)風險進行評價。首先分析整個過程可能出現(xiàn)的風險因素，忽略次要因素。并依據(jù)風險因素的阻礙把整個生產(chǎn)過程分成若干個狀態(tài)，用馬爾可夫來追蹤整個生產(chǎn)過程的進展情況?，F(xiàn)以兩時期為例對模型進行描述。假設整個生產(chǎn)過程分成兩個時期，預備和運行時期。預備時期有一個狀態(tài)，運行時期存在多種狀態(tài)，最后整個生產(chǎn)達到成功狀態(tài)。馬爾可夫鏈狀態(tài)空間狀態(tài)轉(zhuǎn)移矩陣 （2.5）引入?yún)?shù)表示從狀態(tài)進入汲取態(tài)的概率，表示從狀態(tài)進入過渡態(tài)的概率，則必有（2.6）（2.7）在此基礎上進一步分析如下：（1）汲取矩陣的第一行的兩個元素分不表示完工概率和失敗率。（2）生產(chǎn)平均成本：表示狀態(tài)占有成本矢量;:的向量元素，表示狀態(tài)內(nèi)占有的成本 2.2問題描述項目的各個工序有不同的完工時刻，對應的完工成本和完工概率就不同，從而項目的完工時刻、完工成本和完工概率也不同。決策者依照自身的實際情況選擇適合自己的措施。本文所研究的問題確實是要在投入成本和用戶工期要求一定的條件下，使項目的各工序最小完工概率最大。依據(jù)馬爾可夫過程的差不多原理，得到各工序的轉(zhuǎn)移矩陣：1編制任務打算書(2.6)2技術設計(2.7)3機械裝配設計(2.8)4電器裝配設計(2.9)5原材料及外購件購買(2.10)6機械裝配工藝規(guī)程(2.11)7零件設計(2.12)8電器裝配工藝規(guī)程(2.13)9制定材料定額(2.14)10零件加工(2.15)11機械裝配(2.16)12電器裝配(2.17)13調(diào)試現(xiàn)有某聯(lián)盟生產(chǎn)一種車，其工序流程如表2.1：表2.1各工序風險規(guī)劃結果A工序名稱各工序?qū)臅r刻完工概率完工成本（元）B技術任務書20.397235930.7257325.5C技術設計80.4896308490.59133045100.7023006D機械裝配設計80.4672218090.56882140100.682100E電器裝配設計40.452854550.67525F原材料及外購件購買50.4356456160.58068443270.745084303G機械裝配工藝規(guī)程50.42108060.5688105670.73921032H零件設計80.475217290.5782132100.6922090I電器裝配工藝規(guī)程10.2522420.7208J制定材料定額20.3836557.530.7131523.75K零件加工50.475589760.63852L機械裝配160.46234128.8170.5084061.1180.5553993.4190.6053925.7200.65583858M電器裝配10.2522420.7208N調(diào)試10.2531020.72702.3風險治理模型上例中的風險治理模型如下：(2.1)(2.2)(2.3)其中：：工序的完工時刻：工序完工時刻為時對應的完工概率：工序完工時刻為時對應的成本：關鍵工序集合：工序數(shù)目：規(guī)定的項目完工時刻：規(guī)定的項目完工成本3遺傳算法對風險治理模型的求解生物進化論的觀點認為：生物不但遺傳而且有變異，這種變異是因為染色體不但復制而且有交叉及基因突變，假如這種變異更適應環(huán)境，那么這種產(chǎn)生變異的個體會繁衍下去，反之則被環(huán)境所淘汰，這確實是適者生存，不適者被淘汰的自然法則。遺傳算法（geneticalgorithms）簡稱GA確實是J.Holland于1975年受生物進化論的啟發(fā)而提出的。它是建立在自然選擇和遺傳變異基礎上的迭代自適應概率性搜索算法。它將問題的求解表示成“染色體”的適應生存過程，染色體是字符串編碼，每一編碼字符串為一候選解，這種染色體有多個，即有一群候選解。通過“染色體”群的一代一代不斷變化，包括復制、交叉、和變異等操作，最終收斂到“最適應環(huán)境”的個體，從而求得問題的最優(yōu)解或中意解。3.1算法特點1GA對問題參數(shù)編碼稱“染色體”后進行操作，而不是針對參數(shù)本身，這使得GA不受函數(shù)約束條件的限制，如連續(xù)性、可導性等。2GA的搜索過程是從問題解的一個集合開始的，而不是從單個個體開始的，具有隱含并行搜索特性，從而大大減小了陷入局部微小的可能。3GA使用的遺傳操作均是隨機操作，同時GA依照個體的適應值信息進行搜索，無需其他信息，如導數(shù)信息等。4GA具有全局搜索能力，最善于搜索復雜問題和非線性問題[6]。3.2設計要素1確定問題的編碼方案：確實是將問題的解用一種編碼來表示，從而將問題的狀態(tài)空間與GA的碼空間相對應，這在專門大程度上依靠于問題的性質(zhì)，并將阻礙遺傳操作的設計。由于GA不是直接在解空間上進行搜索，而是在一定編碼機制對應的碼空間上進行的，因此編碼的選擇是阻礙算法性能與效率的重要因素。編碼方法有專門多種：順序編碼，自然數(shù)編碼，實數(shù)編碼，二進制編碼。2確定適應值函數(shù)：用于對個體進行評價，也是優(yōu)化過程進展的依據(jù)。GA進化過程中差不多不用如導數(shù)一類的外部信息，而僅用目標函數(shù)即適應值函數(shù)為依據(jù)。適應值函數(shù)能夠由專門多方法得出，能夠直接利用目標函數(shù)，也能夠通過目標函數(shù)的變換來定義。關于極大值問題，能夠直接利用目標函數(shù)作為適應值函數(shù)。關于目標函數(shù)求微小值問題，能夠采納倒數(shù)的方式或用一個極大值減去目標函數(shù)值。3算子的設計：這部分是GA的核心，即實現(xiàn)優(yōu)勝劣態(tài)的進化過程的主體。該操作包括三個差不多算子：選擇、交叉和變異。選擇算子確實是從群體中選擇出優(yōu)秀個體，淘汰劣質(zhì)個體的操作算子，目前使用較多的是按比例選擇和基于排名的選擇策略。前者以正比于個體適應值的概率來選擇相應個體，后者則基于個體在種群中的排名來選擇相應的個體。交叉算子作用于組合出新的個體，在解空間中進行有效搜索，同時降低對有效模式的破壞概率。常用的有單點交叉和多點交叉，其中單點交叉確實是隨機地在兩個父串上選擇一個交叉點，然后交換這兩個串的對應的子串。變異算子是為了保持群體中的個體的多樣性而在產(chǎn)生后代的過程中使用的操作算子。4算法參數(shù)的選?。阂o包括種群數(shù)目、交叉與變異概率、進化代數(shù)、種群數(shù)目是阻礙算法優(yōu)化性能和效率的因素之一。通常，種群太小則不能提供足夠的采樣點，以致算法性能專門差，甚至得不到問題的可行解；種群太大時盡管可增加優(yōu)化信息以阻止早熟收斂的發(fā)生，但會增加計算量，從而使收斂時刻太長。交叉概率用于操縱交叉操作的頻率。概率太大時，種群中串的更新專門快，進而會使適應值高的個體專門快被破壞掉；概率太小時。交叉操作專門少進行，從而會使搜索停滯不前。變異概率是加大種群多樣性的重要因素。概率太小可不能產(chǎn)生新個體，概率太大則使GA成為隨機搜索。5算法終止標準：假如沒有人為的操縱，算法的進化過程將永無止境的進行下去，而事實上可能進化到當前的結果差不多是最優(yōu)或進化差不多停止而并沒有得到最優(yōu)解，因此算法設計中一個重要的問題確實是確定算法的終止標準。只是，目前還沒有一種推斷性能專門好，適應范圍專門廣的操縱標準，因此，一般的GA程序都使用由用戶操縱的最大進化代數(shù)來操縱算法的進程[7]。3.3程序流程遺傳算法的要緊步驟可描述如下：Step1：隨機產(chǎn)生初始種群，并評價每個個體的適應值。Step2：推斷算法收斂準則是否滿足。假如滿足則輸出搜索結果，否則執(zhí)行以下步驟。Step3：依照適應值大小以一定的方式進行選擇。Step4：進行遺傳運算。復制、交叉、變異。產(chǎn)生新種群。Step5：重復Step2到Step4，直到滿足終止條件。程序流程圖見圖3.1開始開始產(chǎn)生初始種群產(chǎn)生初始種群滿足停止準則滿足停止準則結束 Yes結束 No計算適值計算適值選擇選擇遺傳運算遺傳運算更新種群更新種群圖3.1程序流程圖3.4應用MATLAB軟件對本問題程序算法的設計1編碼設計：本問題采納自然數(shù)編碼方式（包括0）。例如：（2，8，10，5，5，7，10，2，2，6，20，2，2），13個數(shù)字依次對應13個工序，每個位置上的數(shù)字對應該工序的完工時刻選擇。如上例中帶下劃線的2代表第1個工序的完工時刻選擇2天。每個染色體代表一個解決方案。2初始種群的產(chǎn)生：依照每道工序的不同完工時刻隨機產(chǎn)生一個初始種群。由于本問題中個工序的完工時刻存在不同個數(shù)種選擇（不滿足矩陣的原則），因此MATLAB的遺傳算法模板中的隨機產(chǎn)生自然數(shù)編碼初始種群的函數(shù)不適用于本問題。為了能夠隨機產(chǎn)生初始種群，本設計中依照MATLAB矩陣賦值的特點逐列隨機產(chǎn)生初始種群的矩陣。3計算適值：在本問題中，是以13道工序中最小完工概率的最大值作為目標函數(shù)，考慮到遺傳算法本身確實是按照最大值排序的特點，因此就以本問題的目標函數(shù)作為適應值函數(shù)。適應值函數(shù)如下： (3.1)本設計中，在計算個體的適值的同時，也推斷個體是否滿足約束條件。關于不滿足約束條件的個體將其適值乘以0.001的系數(shù)，以便在下一步驟（選擇）時降低其被選擇的概率。4選擇策略：采納“轉(zhuǎn)輪盤”法，關于個體，計算其適應值為，其選擇概率為：(3.2)通過產(chǎn)生（0，1）的隨機數(shù)，依照其大小從大到小按照給定的交叉率確定被選中要進行交叉的個體。5交叉運算：采納單點交叉。通過“轉(zhuǎn)輪盤”產(chǎn)生新的種群。利用產(chǎn)生隨機數(shù)的方法，選擇父親和母親，然后再隨機產(chǎn)生一個斷點，進行交叉。6變異：本文采納的方法將經(jīng)上一步交叉后的個體隨機取一位變異。由于本問題采納自然數(shù)編碼方式，而MATLAB的遺傳算法模板中的變異函數(shù)只能做二進制編碼的變異，因此本設計中設計了一種全新的可進行十進制編碼變異的方法。7更新種群：經(jīng)交叉和變異之后的個體可能不滿足成本和時刻約束，將不滿足約束的個體的適值乘以0.001的系數(shù)。然后按個體適值的大小與初始種群進行比對重新產(chǎn)生新的種群。8終止準則：進化代數(shù)達到規(guī)定數(shù)目時即終止。另外本設計還嘗試運用模擬退火算法中保留最優(yōu)解的方法。將初始種群的最好的個體保留到一組矩陣中，然后使其與第一代進化后的最好個體進行比較，把兩者中較好的個體重新保留到原矩陣組中。再將其與第三代進化后的最好的個體進行比較，把二者中較好的再重新保留到原矩陣組中。按此方法進行下去，在算法結束時將得到算法中出現(xiàn)過的最優(yōu)解。經(jīng)之后的試驗表明，這種方法能夠有效地抑制遺傳算法中隨機交叉和變異可能產(chǎn)生的退化對算法最后結果的阻礙。3.5仿真結果分析通過多次實驗，并借助MATLAB軟件的繪圖功能繪出算法的動態(tài)優(yōu)化曲線，借此調(diào)整算法的四個參數(shù)（初始種群的個體數(shù)目、進化代數(shù)、交叉率和變異率）得到本問題的近似最優(yōu)解為：完工概率：0.5866完工時刻：57天完工成本：19513.95元工序組合：3-9-9-5-7-6-9-2-3-6-19-2-23.5.1靜態(tài)結果分析1在進化代數(shù)、交叉率和變異率不變的情況下調(diào)整初始種群Pop-size的個體數(shù)對達優(yōu)率（bestrate）的阻礙。每調(diào)整一次做50次實驗，得到的結果如表3.1所示：表3.1初始種群Pop-size對達優(yōu)率的阻礙Pop-sizebestrate502000.70.1100%402000.70.195%302000.70.180%202000.70.155%102000.70.135%從此表能夠清晰地看出初始種群的個體數(shù)過小會導致采樣點過少，從而嚴峻阻礙算法的優(yōu)化性能。2在初始種群的個體數(shù)、交叉率和變異率不變的情況下調(diào)整進化代數(shù)：每調(diào)整一次做50次實驗，得到的結果如表3.2所示：表3.2進化代數(shù)對達優(yōu)率的阻礙Pop-sizebestrate502000.70.1100%501600.70.195%501200.70.185%50800.70.170%50400.70.150%從此表能夠清晰地看出進化代數(shù)過少可能導致算法的不完全進化，從而使近似最優(yōu)解的出現(xiàn)概率降低。3在初始種群的個體數(shù)、進化代數(shù)和變異率不變的情況下調(diào)整交叉率：每調(diào)整一次做50次實驗，得到的結果如表3.3所示：表3.3交叉率對達優(yōu)率的阻礙Pop-sizebestrate502000.70.1100%502000.60.198%502000.50.189%502000.40.180%502000.30.165%從此表能夠清晰地看出交叉率過低可能導致算法的停滯不前，從而使算法產(chǎn)生不完全進化。3在初始種群的個體數(shù)、進化代數(shù)和交叉率不變的情況下調(diào)整變異率：每調(diào)整一次做50次實驗，得到的結果如表3.4所示：表3.4變異率對達優(yōu)率的阻礙Pop-sizebestrate502000.70.1100%502000.70.0698%502000.70.0293%502000.70.00588%502000.70.00180%從此表能夠清晰地看出變異率過底可能導致算法中個體的多樣性不足，從而使算法陷入局部最優(yōu)。3.5.1動態(tài)結果分析1只要選擇合適的初始種群的個體數(shù)目、進化代數(shù)、交叉率和變異率，算法就會跳出困擾傳統(tǒng)優(yōu)化算法的局部最優(yōu)問題，達到全局優(yōu)化的目的。圖3.2為借助MATLAB軟件繪圖功能繪制的四次成功實驗的算法動態(tài)優(yōu)化過程圖，從圖中能夠清晰地看出遺傳算法在優(yōu)化過程中跳出了局部最優(yōu)。圖3.2算法動態(tài)優(yōu)化過程圖結論虛擬企業(yè)面臨的風險更加復雜，更加具有隨機性。因而如何有效地治理和操縱虛擬企業(yè)的風險是關系到虛擬企業(yè)能否成功運行的關鍵環(huán)節(jié)。傳統(tǒng)的風險治理方法側重于靜態(tài)研究，假定生產(chǎn)過程忠出現(xiàn)的風險因素是靜態(tài)的，然后制定措施去操縱。然而，現(xiàn)實生活中，生產(chǎn)是變化的特不是虛擬企業(yè)面臨的環(huán)境復雜，風險處于變動之中。因此，迫切需要對動態(tài)風險的治理方法進行研究。本文通過對虛擬企業(yè)的特點和風險的分析，依照虛擬企業(yè)按項目組織生產(chǎn)的特點，基于馬爾可夫過程的單工序風險評價模型，結合網(wǎng)絡分析技術提出了風險治理模型，并進行了仿真分析，仿真結果表明了遺傳算法對風險治理模型的求解效果是好的。本文只是對遺傳算法求解風險治理模型作了初步研究，以后還可進一步考慮不同指標下的風險治理模型及算法的研究等。致謝在畢業(yè)設計的過程中，我的導師姜冠杰老師給了我專門大的關懷，盡可能地為我制造了一個良好的科研和學習的榜樣。她嚴謹?shù)闹螌W態(tài)度、敏銳的學術眼光、淵博的知識和一絲不茍的工作作風給我留下了深刻的印象，使我受益匪淺，同時也是我今后工作和生活中學習的榜樣。在此向?qū)煴硎局孕牡母兄x和崇高的敬意。其次，特不感謝學院的所有老師和院領導，大學四年來是他們培養(yǎng)了我，塑造了我，使我明白得了如何去學習，如何學好習，使我在任何情況下都能夠做好每件事，處理好每一個問題。老師的教誨我牢記在心。并在這次畢業(yè)設計中給予了我各方面的關心和關懷，才使我順利完成我大學生涯的最后一次大型作業(yè)。再者還要感謝的是為我辛勤勞作一輩子的父母，就因為有了他們不思勞累，和殷勤的教導才鍛煉出一個意志堅決，勤儉節(jié)約，知恩圖報的我。并在本次設計中給予我物質(zhì)上的支持，特不是精神上的支持。我將以實際行動來報答他們，可不能辜負他們對我的期望。最后，對參加本文評閱和答辯的各位老師致以誠摯的謝意。參考文獻[1]張旭梅黃河劉飛．敏捷虛擬企業(yè)：21世紀領先企業(yè)的經(jīng)營模式[M]．北京：科學出版社，2003[2]陳劍馮蔚東．虛擬企業(yè)構建與治理[M]．北京：清華大學出版社，2002-1[3]邱菀華．現(xiàn)代項目風險治理方法與實踐[M]．北京：科學出版社，2003[4]盧有杰盧家儀．項目風險治理[M]．北京：清華大學出版社，1998[5]楊培國.工程承包分析的Markov方法[J].上海工程技術大學學報，2001,15(2):117-122.[6]MehrdadDianati,InsopSong,andMarkTreiber．AnIntroductiontoGeneticAlgorithmsandEvolutionStrategies［M］．1,2,3200Univ.Ave.West,UniversityofWaterloo[7]劉勇康立山陳毓屏．非數(shù)值并行算法——遺傳算法[M]．北京：科學出版社，2000-6[8]姚東王愛民．MATLAB命令大全[M]．北京：人民郵電出版社，2000-6[9]張志勇．精通MATLAB6.5版[M]．北京：北京航空航天大學出版社，2003附錄NIND=20;MAXGEN=200;GGAP=0.9;PmaxF=0.00000;Chrom(:,1)=crtrp(NIND,rep([2;3],[1,1]));Chrom(:,2)=crtrp(NIND,rep([8;10],[1,1]));Chrom(:,3)=crtrp(NIND,rep([8;10],[1,1]));Chrom(:,4)=crtrp(NIND,rep([4;5],[1,1]));Chrom(:,5)=crtrp(NIND,rep([5;7],[1,1]));Chrom(:,6)=crtrp(NIND,rep([5;7],[1,1]));Chrom(:,7)=crtrp(NIND,rep([8;10],[1,1]));Chrom(:,8)=crtrp(NIND,rep([1;2],[1,1]));Chrom(:,9)=crtrp(NIND,rep([2;3],[1,1]));Chrom(:,10)=crtrp(NIND,rep([5;6],[1,1]));Chrom(:,11)=crtrp(NIND,rep([16;20],[1,1]));Chrom(:,12)=crtrp(NIND,rep([1;2],[1,1]));Chrom(:,13)=crtrp(NIND,rep([1;2],[1,1]));Chrom=round(Chrom);gen=0;[M,N]=size(Chrom);fori=1:MifChrom(i,1)==2pro(1,1)=0.3972;cost(1,1)=359.00;elsepro(1,1)=0.7257;cost(1,1)=325.50;endifChrom(i,2)==8pro(1,2)=0.4896;cost(1,2)=3084.00;elseifChrom(i,2)==9pro(1,2)=0.5913;cost(1,2)=3045.00;elsepro(1,2)=0.702;cost(1,2)=3006.00;endendifChrom(i,3)==8pro(1,3)=0.4672;cost(1,3)=2180.00;elseifChrom(i,3)==9pro(1,3)=0.5688;cost(1,3)=2140.00;elsepro(1,3)=0.68;cost(1,3)=2100.00;endendifChrom(i,4)==4pro(1,4)=0.4528;cost(1,4)=545.00;elsepro(1,4)=0.67;cost(1,4)=525.00;endifChrom(i,5)==5pro(1,5)=0.4356;cost(1,5)=4561.00;elseifChrom(i,5)==6pro(1,5)=0.58068;cost(1,5)=4432.00;elsepro(1,5)=0.74508;cost(1,5)=4303.00;endendifChrom(i,6)==5pro(1,6)=0.42;cost(1,6)=1080.00;elseifChrom(i,6)==6pro(1,6)=0.5688;cost(1,6)=1056.00;elsepro(1,6)=0.7392;cost(1,6)=1032.00;endendifChrom(i,7)==8pro(1,7)=0.475;cost(1,7)=2172.00;elseifChrom(i,7)==9pro(1,7)=0.578;cost(1,7)=2131.00;elsepro(1,7)=0.692;cost(1,7)=2090.00;endendifChrom(i,8)==1pro(1,8)=0.25;cost(1,8)=224.00;elsepro(1,8)=0.7;cost(1,8)=208.00;endifChrom(i,9)==2pro(1,9)=0.3836;cost(1,9)=557.50;elsepro(1,9)=0.7131;cost(1,9)=523.75;endifChrom(i,10)==5pro(1,10)=0.4755;cost(1,10)=897.00;elsepro(1,10)=0.63;cost(1,10)=852.00;endifChrom(i,11)==16pro(1,11)=0.4623;cost(1,11)=4128.80;elseifChrom(i,11)==17pro(1,11)=0.508;cost(1,11)=4061.10;elseifChrom(i,11)==18pro(1,11)=0.555;cost(1,11)=3993.40;elseifChrom(i,11)==19pro(1,11)=0.605;cost(1,11)=3925.70;elsepro(1,11)=0.6558;cost(1,11)=3858.00;endendendendifChrom(i,12)==1pro(1,12)=0.25;cost(1,12)=224.00;elsepro(1,12)=0.7;cost(1,12)=208.00;endifChrom(i,13)==1pro(1,13)=0.25;cost(1,13)=310.00;elsepro(1,13)=0.7;cost(1,13)=270.00;endT(1,1)=Chrom(i,1)+Chrom(i,2)+Chrom(i,3)+Chrom(i,7)+Chrom(i,10)+Chrom(i,11)+Chrom(i,13);T(1,2)=Chrom(i,1)+Chrom(i,2)+Chrom(i,3)+Chrom(i,6)+Chrom(i,9)+Chrom(i,10)+Chrom(i,11)+Chrom(i,13);T(1,3)=Chrom(i,1)+Chrom(i,2)+Chrom(i,5)+Chrom(i,10)+Chrom(i,11)+Chrom(i,13);T(1,4)=Chrom(i,1)+Chrom(i,2)+Chrom(i,5)+Chrom(i,12)+Chrom(i,13);T(1,5)=Chrom(i,1)+Chrom(i,2)+Chrom(i,4)+Chrom(i,8)+Chrom(i,12)+Chrom(i,13);Tmax=max(T);C=sum(cost);Px=min(pro);if(Tmax<58&C<19600.00)P(i,1)=Px;elseP(i,1)=0.01*Px;endendObjV=1./P;whilegen<MAXGEN,FitnV=ranking(ObjV);SelCh=select('sus',Chrom,FitnV,GGAP);[8]SelCh=recombin('xovsp',SelCh,0.7);PmutP=crtrp(1,rep([0;1],[1,1]));ifPmutP<0.4000Pmut=crtrp(1,rep([1;13],[1,1]));Pmut=round(Pmut);ifPmut==1SelCh(:,1)=3;elseifPmut==2SelCh(:,2)=9;elseifPmut==3SelCh(:,3)=9;elseifPmut==4SelCh(:,4)=5;elseifPmut==5SelCh(:,5)=7;elseifPmut==6SelCh(:,6)=6;elseifPmut==7SelCh(:,7)=9;elseifPmut==8SelCh(:,8)=2;elseifPmut==9SelCh(:,9)=3;elseifPmut==10SelCh(:,10)=6;elseifPmut==11SelCh(:,11)=19;elseifPmut==12SelCh(:,12)=2;elseSelCh(:,13)=2;endendendendendendendendendendendendend[X,Y]=size(SelCh);forj=1:XifSelCh(j,1)==2pro1(1,1)=0.3972;cost1(1,1)=359.00;elsepro1(1,1)=0.7257;cost1(1,1)=325.50;endifSelCh(j,2)==8pro1(1,2)=0.4896;cost1(1,2)=3084.00;elseifSelCh(j,2)==9pro1(1,2)=0.5913;cost1(1,2)=3045.00;elsepro1(1,2)=0.702;cost1(1,2)=3006.00;endendifSelCh(j,3)==8pro1(1,3)=0.4672;cost1(1,3)=2180.00;elseifSelCh(j,3)==9pro1(1,3)=0.5688;cost1(1,3)=2140.00;elsepro1(1,3)=0.68;cost1(1,3)=2100.00;endendifSelCh(j,4)==4pro1(1,4)=0.4528;cost1(1,4)=545.00;elsepro1(1,4)=0.67;cost1(1,4)=525.00;endifSelCh(j,5)==5pro1(1,5)=0.4356;cost1(1,5)=4561.00;elseifSelCh(j,5)==6pro1(1,5)=0.58068;cost1(1,5)=4432.00;elsepro1(1,5)=0.74508;cost1(1,5)=4303.00;endendifSelCh(j,6)==5pro1(1,6)=0.42;cost1(1,6)=1080.00;elseifSelCh(j,6)==6pro1(1,6)=0.5688;cost1(1,6)=1056.00;elsepro1(1,6)=0.7392;cost1(1,6)=1032.00;endendifSelCh(j,7)==8pro1(1,7)=0.475;cost1(1,7)=2172.00;elseifSelCh(j,7)==9pro1(1,7)=0.578;cost1(1,7)=2131.00;elsepro1(1,7)=0.692;cost1(1,7)=2090.00;endendifSelCh(j,8)==1pro1(1,8)=0.25;cost1(1,8)=224.00;elsepro1(1,8)=0.7;cost1(1,8)=208.00;endifSelCh(j,9)==2pro1(1,9)=0.3836;cost1(1,9)=557.50;elsepro1(1,9)=0.7131;cost1(1,9)=523.75;endifSelCh(j,10)==5pro1(1,10)=0.4755;cost1(1,10)=897.00;elsepro1(1,10)=0.63;cost1(1,10)=852.00;endifSelCh(j,11)==16pro1(1,11)=0.4623;cost1(1,11)=4128.80;elseifSelCh(j,11)==17pro1(1,11)=0.508;cost1(1,11)=4061.10;elseifSelCh(j,11)==18pro1(1,11)=0.555;cost1(1,11)=3993.40;elseifSelCh(j,11)==19pro1(1,11)=0.605;cost1(1,11)=3925.70;elsepro1(1,11)=0.6558;cost1(1