【正文】 0 85%50 80 70%50 40 50% 從 此 表 可 以 清 楚 地 看 出 進(jìn)化代數(shù)過少可能導(dǎo)致算法的不完全進(jìn)化，從而使近似最優(yōu)解的出現(xiàn)概率降低。 圖 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 可 以 清楚 地 看 出 遺 傳 算 法 在 優(yōu) 化 過 程 中 跳 出 了 局 部 最 優(yōu) 。然而，現(xiàn)實生活中，生產(chǎn)是變化的特別是虛擬企業(yè)面臨的環(huán)境復(fù)雜，風(fēng)險處于變動之中。29 / 49致 謝在畢業(yè)設(shè)計的過程中，我的導(dǎo)師姜冠杰老師給了我很大的關(guān)懷，盡可能地為我創(chuàng)造了一個良好的科研和學(xué)習(xí)的榜樣。老師的教誨我牢記在心。我將以實際行動來報答他們，不會辜負(fù)他們對我的期望。 GGAP = 。Chrom(:,2) = crtrp(NIND, rep([8。Chrom(:,4) = crtrp(NIND, rep([4。Chrom(:,6) = crtrp(NIND, rep([5。Chrom(:,8) = crtrp(NIND, rep([1。Chrom(:,10) = crtrp(NIND, rep([5。Chrom(:,12) = crtrp(NIND, rep([1。Chrom = round(Chrom)。cost(1,1) = 。 cost(1,2) = 。 cost(1,2) = 。 cost(1,3) = 。 cost(1,4) = 。 cost(1,5) = 。 cost(1,5) = 。 cost(1,6) = 。 cost(1,7) = 。 cost(1,7) = 。 cost(1,8) = 。 cost(1,9) = 。 cost(1,10) = 。 cost(1,11) = 。 cost(1,11) = 。 cost(1,12) = 。 cost(1,13) = 。 T(1,2) = Chrom(i,1) + Chrom(i,2) + Chrom(i,3) + Chrom(i,6) + Chrom(i,9) + 35 / 49Chrom(i,10) + Chrom(i,11) + Chrom(i,13)。 Tmax = max(T)。 C ) P(i,1) = Px。SelCh = select(39。xovsp39。if PmutP Pmut = crtrp(1, rep([1。 else if Pmut == 2 SelCh(:,2) = 9。 else if Pmut == 6 SelCh(:,6) = 6。 else if Pmut == 10 SelCh(:,10) = 6。 end end end end end end end end37 / 49 end end end endend[X,Y] = size(SelCh)。 cost1(1,1) = 。 cost1(1,2) = 。 cost1(1,3) = 。 cost1(1,3) = 。 cost1(1,4) = 。 cost1(1,5) = 。 cost1(1,6) = 。 cost1(1,6) = 。 cost1(1,7) = 。 cost1(1,8) = 。 cost1(1,9) = 。 cost1(1,10) = 。 cost1(1,11) = 。 cost1(1,11) = 。 cost1(1,11) = 。 cost1(1,12) = 。 cost1(1,13) = 。 T1(1,4) = SelCh(j,1) + SelCh(j,2) + SelCh(j,5) + SelCh(j,12) + SelCh(j,13)。 Px1 = min(pro1)。 endend
。 C1 ) Psel(j,1) = Px1。 Tmax1 = max(T1)。 T1(1,2) = SelCh(j,1) + SelCh(j,2) + SelCh(j,3) + SelCh(j,6) + SelCh(j,9) + SelCh(j,10) + SelCh(j,11) + SelCh(j,13)。 cost1(1,13) = 。 cost1(1,12) = 。 cost1(1,11) = 。 cost1(1,11) = 。 cost1(1,10) = 。 cost1(1,9) = 。 cost1(1,8) = 。 cost1(1,7) = 。 cost1(1,7) = 。 cost1(1,6) = 。 cost1(1,5) = 。 cost1(1,5) = 。 cost1(1,4) = 。 cost1(1,3) = 。 cost1(1,2) = 。 cost1(1,2) = 。cost1(1,1) = 。 else if Pmut == 12 SelCh(:,12) = 2。 else if Pmut == 8 SelCh(:,8) = 2。 else if Pmut == 4 SelCh(:,4) = 5。 Pmut = round(Pmut)。PmutP = crtrp(1, rep([0。, Chrom, FitnV, GGAP)。 endendObjV = 1./P。 Px = min(pro)。 T(1,4) = Chrom(i,1) + Chrom(i,2) + Chrom(i,5) + Chrom(i,12) + Chrom(i,13)。 cost(1,13) = 。 cost(1,12) = 。 cost(1,11) = 。 cost(1,11) = 。 cost(1,11) = 。 cost(1,10) = 。 cost(1,9) = 。 cost(1,8) = 。 cost(1,7) = 。 cost(1,6) = 。 cost(1,6) = 。 cost(1,5) = 。 cost(1,4) = 。 cost(1,3) = 。 cost(1,3) = 。 cost(1,2) = 。 cost(1,1) = 。 [M,N] = size(Chrom)。Chrom(:,13) = crtrp(NIND, rep([1。Chrom(:,11) = crtrp(NIND, rep([16。Chrom(:,9) = crtrp(NIND, rep([2。Chrom(:,7) = crtrp(NIND, rep([8。Chrom(:,5) = crtrp(NIND, rep([5。Chrom(:,3) = crtrp(NIND, rep([8。Chrom(:,1) = crtrp(NIND, rep([2。30 / 49參 考 文 獻(xiàn)[1] 張旭梅 黃河 劉飛．敏捷虛擬企業(yè)：21 世紀(jì)領(lǐng)先企業(yè)的經(jīng)營模式[M] ．北京：科學(xué)出版社，2022[2] 陳劍 馮蔚東．虛擬企業(yè)構(gòu)建與管理[M]．北京：清華大學(xué)出版社，20221[3] 邱菀華．現(xiàn)代項目風(fēng)險管理方法與實踐[M]．北京：科學(xué)出版社，2022[4] 盧有杰 盧家儀．項目風(fēng)險管理[M]．北京：清華大學(xué)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(shù)大學(xué)學(xué)報，2022,15 (2):117122.[6] Mehrdad Dianati, Insop Song, and Mark Treiber． An Introduction to Geic Algorithms and　Evolution Strategies［M］ ．1,2,3200 Univ. Ave. West, University of Waterloo, Ontario, N2L 3G1, Canada．2022[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(xué)出版社，20226[8] 姚東 王愛民． MATLAB 命令大全[M]．北京：人民郵電出版社，20226[9] 張志勇．精通 MATLAB 版[M]．北京：北京航空航天大學(xué)出版社，202231 / 49附 錄NIND = 20。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苦，和殷勤的教導(dǎo)才鍛煉出一個意志堅定，勤儉節(jié)約，知恩圖報的我。在此向?qū)煴硎局孕牡母兄x和崇高的敬意。本文通過對虛擬企業(yè)的特點和風(fēng)險的分析，根據(jù)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(fēng)險評價模型，結(jié)合網(wǎng)絡(luò)分析技術(shù)提出了風(fēng)險管理模型，28 / 49并進(jìn)行了仿真分析，仿真結(jié)果表明了遺傳算法對風(fēng)險管理模型的求解效果是好的。因而如何有效地管理和控制虛擬企業(yè)的風(fēng)險是關(guān)系到虛擬企業(yè)能否成功運行的關(guān)鍵環(huán)節(jié)。3 在初始種群的個體數(shù)、進(jìn)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(jié)果如表 所示：表 變 異 率 對 達(dá) 優(yōu) 率 的 影 響PmPopsize GNcPmbest rate50 200 100%50 200 98%50 200 93%50 200 88%50 200 80%從 此 表 可 以 清 楚 地 看 出 變異率過底可能導(dǎo)致算法中個體的多樣性不足，從而使算法陷入局部最優(yōu)。24 / 49 仿 真 結(jié) 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(jìn) 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：完工時間：57 天完工成本： 元工序組合：39957692361922 靜態(tài)結(jié)果分析1 在進(jìn)化代數(shù) 、交叉率 和變異率 不變的情況下調(diào)整初始種群 Popsize 的GNPcm個體數(shù)對達(dá)優(yōu)率（best rate ）的影響。 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(jìn) 化 后 的 最 好 個 體 進(jìn) 行 比 較 ， 把 兩 者中 較 好 的 個 體 重 新 保 留 到 原 矩 陣 組 中 。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 間 約 束 ， 將 不 滿 足 約 束 的 個 體 的適 值 乘 以 的 系 數(shù) 。 通 過 “轉(zhuǎn) 輪 盤 ”產(chǎn) 生 新 的 種 群 。 適 應(yīng) 值 函 數(shù) 如 下 ： ())(max{initbFIT?},21N??本 設(shè) 計 中 ， 在 計 算 個 體 的 適 值 的 同 時 ， 也 判 斷 個 體 是 否 滿 足 約 束 條 件 。2 初 始 種 群 的 產(chǎn) 生 ：根據(jù)每道工序的不同完工時間隨機產(chǎn)生一個初始種群。程序流程圖見圖 21 / 49YesNo滿足停止準(zhǔn)則產(chǎn)生初始種群計算適值開 始結(jié) 束22 / 49圖 程序流程圖 應(yīng) 用 MATLAB 軟 件 對 本 問 題 程 序 算 法 的 設(shè) 計1 編 碼 設(shè) 計 ：本 問 題 采 用 自 然 數(shù) 編 碼 方 式 （ 包 括 0） 。Step4：進(jìn)行遺傳運算。 程 序 流 程遺傳算法的主要步驟可描述如下：Step1： 隨機產(chǎn)生初始種群，并評價每個個體的適應(yīng)值。變異概率是加大種群多樣性的重要因素。通常，種群太小則不能提供足夠的采樣點，以致算法性能很差，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，從而使收斂時間太長。交叉算子作用于組合出新的個體，在解空間中進(jìn)行有效搜索，同時降低對有效模式的破壞概率。3 算子的設(shè)計：這部分是 GA 的核心，即實現(xiàn)優(yōu)勝劣態(tài)的進(jìn)化過程的主體。GA 進(jìn)化過程中基本不用如導(dǎo)數(shù)一類的外部信息，而僅用目標(biāo)函數(shù)即適應(yīng)值函數(shù)為依據(jù)。 設(shè) 計 要 素1 確定問題的編碼方案：就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(yīng)，這在很大程度上依賴于問題的性質(zhì)，并將影響遺傳操作的設(shè)計。 算 法 特 點1 GA 對問題參數(shù)編碼稱“染色體”后進(jìn)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(dǎo)性等。遺傳算法（geic algorithms）簡稱 GA 就是 于 1975 年受生物進(jìn)化論的啟發(fā)而提出的。 : 的向量元素，表示狀態(tài)C??ixff內(nèi)占有的成本ix ???????????????32121, npxffxBfC?? 問題描述項目的各個工序有不同的完工時間，對應(yīng)的完工成本和完工概率就不同，從而項目的完工時間、完工成本和完工概率也不同。假設(shè)整個生產(chǎn)過程分成兩個階段，準(zhǔn)備和運行階段。10??ijqji,1???ijqnj?依據(jù)馬爾可夫過程的基本原理，對虛擬企業(yè)風(fēng)險進(jìn)行評價。在馬爾可夫鏈中如果有的狀態(tài)一旦進(jìn)入就不能離開，則此狀態(tài)稱為吸收態(tài)。以ijpi j ??njiij ,21,0???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ij陣，記為 ，其每行元素之和為 1。在下面的章節(jié)中，根據(jù)馬爾可夫理論提出了馬爾可夫的動態(tài)風(fēng)險