【正文】 。每一個(gè)基因在染色體上都有其特定的位置，這個(gè)位置一般被稱(chēng)作位點(diǎn)7 / 49（Locus） 。德國(guó)Dortmund大學(xué)1993年末的一份研究報(bào)告表明，根據(jù)不完全統(tǒng)計(jì)，進(jìn)化算法已在16個(gè)大領(lǐng)域，250多個(gè)小領(lǐng)域中獲的了應(yīng)用。在實(shí)驗(yàn)中，一般應(yīng)對(duì)可行性域中的點(diǎn)進(jìn)行編碼，然后再可行域中的點(diǎn)進(jìn)行編碼，然后在可行性域中隨機(jī)挑選一些編碼組作為進(jìn)化起點(diǎn)的第一代編碼組，并計(jì)算每個(gè)解的目標(biāo)函數(shù)值，也就是編碼的適應(yīng)度。 遺傳算法 遺傳算法的產(chǎn)生20 世紀(jì) 60 年代中期，John Holland 在 和 等人工作的基礎(chǔ)上提出了位串編碼技術(shù)。2 充分運(yùn)用供應(yīng)鏈技術(shù)。企業(yè)存在于一個(gè)開(kāi)放的系統(tǒng)中，一方面和外界的利益相關(guān)者存在著千絲萬(wàn)縷的聯(lián)系，另一方面，企業(yè)自身的各部門(mén)和各層單位組成有機(jī)體，為了實(shí)現(xiàn)自身的競(jìng)爭(zhēng)優(yōu)勢(shì)，必須協(xié)調(diào)外部關(guān)系和內(nèi)部關(guān)系，付出交易費(fèi)用。它的特點(diǎn)是把復(fù)雜問(wèn)題中的各種因素通過(guò)劃分為相互聯(lián)系的有序?qū)? / 49次，使之條理化，根據(jù)對(duì)一定客觀現(xiàn)實(shí)的主觀判斷結(jié)構(gòu)（主要是兩兩比較）把專(zhuān)家意見(jiàn)和分析者的客觀判斷結(jié)果直接而有效地結(jié)合起來(lái)，將一層次元素兩兩比較的重要性進(jìn)行定量 描述。采用通用數(shù)據(jù)進(jìn)行信息交換，使所有參與聯(lián)盟的企業(yè)都能共享設(shè)計(jì)、生產(chǎn)以及營(yíng)銷(xiāo)的有關(guān)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(qiáng)的競(jìng)爭(zhēng)優(yōu)勢(shì)。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。最后， “雙贏”的經(jīng)營(yíng)理念代替了“零和博弈”為虛擬企業(yè)的發(fā)展奠定了文化基礎(chǔ)。虛擬體中的每個(gè)成員稱(chēng)為虛擬企業(yè)。風(fēng)險(xiǎn)管理II / 49virtual enterprise for risk management Based on geic algorithm 首字母 大寫(xiě)Abstractgeic algorithm is a significant probability of random search algorithm, which provides a plex system optimization problem for the mon framework. virtual enterprises is a new mode of production, which is based on a dynamic alliance of agile manufacturing, and creatively summed up as a kind of virtual anization of new business models. As a can of highquality, low cost, rapid response to market demand solutions, virtual enterprises are attracting more and more attention to my business. However, virtual enterprise in helping enterprises will be able to respond flexibility, but also inevitably bring a new element of risk. This article creates the risk of virtual enterprise model based on the conditions and through geic algorithms, the model analysis enterprise resources to be optimal integration. Using the basic principles of geic algorithms , the structural problems of the beginning of the population, after selection, crossover and a new variant of the optimal solution set population. Experimental results show that geic algorithm for risk managing model for the effect is veryKey words：geic algorithm。I / 49基于遺傳算法的虛擬企業(yè)風(fēng)險(xiǎn)管理摘 要遺傳算法是一種基于概率意義的隨機(jī)搜索算法,它提供了一種求解復(fù)雜系統(tǒng)優(yōu)化問(wèn)題的通用框架，虛擬企業(yè)是一種新的生產(chǎn)模式，它以動(dòng)態(tài)聯(lián)盟為基礎(chǔ)的敏捷制造,并創(chuàng)造性地概括出一種稱(chēng)為“ 虛擬組織 ”的新型企業(yè)模式。虛擬企業(yè)。虛擬操作，就是選擇合適的虛擬方式如委托、外包、兼并、購(gòu)買(mǎi)、聯(lián)合、結(jié)盟、合資等，借用外部力量，對(duì)企業(yè)掌握或控制的資源（人力、資本、信息、自然）重新進(jìn)行整治組合，以達(dá)到能量的聚合裂變，形成新的功能或增強(qiáng)、完善原有功能，產(chǎn)生新的競(jìng)爭(zhēng)優(yōu)勢(shì)，而不必增加成本（或花費(fèi)很少）和組建相應(yīng)的組織機(jī)構(gòu)、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(shù)互補(bǔ)、資源共享、風(fēng)險(xiǎn)分擔(dān)的動(dòng)態(tài)有機(jī)整體——虛擬體。其次，信息技術(shù)的變革為虛擬企業(yè)的發(fā)展奠定了技術(shù)基礎(chǔ)，信息技術(shù)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(chǎng)、研發(fā)、制造和管理的邊界，廣泛融合各項(xiàng)功能，使組織結(jié)構(gòu)變得越來(lái)越敏捷、高效。這種動(dòng)態(tài)聯(lián)盟表現(xiàn)出短暫和臨時(shí)的特點(diǎn)，某個(gè)目標(biāo)一旦完成就會(huì)宣告解散，而為了新的機(jī)會(huì)又會(huì)重新組建新的聯(lián)盟。5 信息共享虛擬企業(yè)是建立在當(dāng)今發(fā)達(dá)的信息網(wǎng)絡(luò)基礎(chǔ)之上的企業(yè)合作虛擬企業(yè)的運(yùn)行中信息共享是關(guān)鍵，而使用現(xiàn)代信息技術(shù)和通訊手段使得溝通更為便利。層次分析法（Analytic Hierarchy Process簡(jiǎn)稱(chēng)AHP）是美國(guó)運(yùn)籌學(xué)家T. L. Saaty教授于70年代初期提出的，AHP是對(duì)定性問(wèn)題進(jìn)行定量分析的一種簡(jiǎn)便、靈活而又實(shí)用的多準(zhǔn)則決策方法。對(duì)虛擬企業(yè)的分析要從交易費(fèi)用這一最基礎(chǔ)的制度經(jīng)濟(jì)分析工具入手。市場(chǎng)需求是決定虛擬企業(yè)存在的基礎(chǔ)，要抓住市場(chǎng)機(jī)遇只5 / 49有通過(guò)科學(xué)的市場(chǎng)調(diào)查，做到及時(shí)、客觀地收集信息資料，找到有效的即適合自己的市場(chǎng)機(jī)會(huì)，并對(duì)風(fēng)險(xiǎn)予以充分的估計(jì)，以更有效地把握市場(chǎng)機(jī)遇。從虛擬企業(yè)開(kāi)始建立就可以利用會(huì)計(jì)師事務(wù)所等部門(mén)，通過(guò)仔細(xì)評(píng)估潛在成員企業(yè)的核心能力、合作意愿和企業(yè)信譽(yù)等，全面考慮潛在伙伴的可信任信用等級(jí)，開(kāi)始著手構(gòu)建虛擬企業(yè)內(nèi)的信任關(guān)系；在企業(yè)運(yùn)作過(guò)程中，提高行為的透明度、加強(qiáng)溝通，促進(jìn)各成員企業(yè)之間相互學(xué)習(xí)，并在企業(yè)內(nèi)建立群體協(xié)商機(jī)制，以解決沖突；加深了解、力爭(zhēng)長(zhǎng)期合作, 以減少欺騙動(dòng)機(jī)，增加合作利益。遺傳算法包含如下基本要素： 1 染色體編碼；2 適應(yīng)度函數(shù)設(shè)計(jì)；3 遺傳操作設(shè)計(jì)，包括選擇、交叉、變異；4 運(yùn)行參數(shù)設(shè)定，包括設(shè)定初始群體規(guī)模、遺傳運(yùn)算終止進(jìn)化代數(shù)、交叉概率、變異概率。1980年以來(lái)，人們?cè)絹?lái)越清楚地意識(shí)到傳統(tǒng)人工智能方法的局限性，而且隨著計(jì)算機(jī)速度的提高及并行計(jì)算機(jī)的普及，遺傳算法和進(jìn)化計(jì)算對(duì)計(jì)算機(jī)速度的要求已不再是制約其發(fā)展的因素。所有可能的某一特定特征的屬性（比如，藍(lán)色，桔黃色等）被稱(chēng)之為等位基因。變異的意思是 DNA 上的某一些成分發(fā)生了一點(diǎn)點(diǎn)的變化。搜索空間在求解問(wèn)題時(shí)可能是完全已知的，但一般來(lái)說(shuō)我們只知道一些孤立的點(diǎn)，然后我們逐漸地生成其它點(diǎn)。主要區(qū)別在于：1 自組織、自適應(yīng)和自學(xué)習(xí)性（智能性） 。2 遺傳算法的本質(zhì)并行性。5 遺傳算法可以更加直接的應(yīng)用。Engeneous已成功地應(yīng)用于汽輪機(jī)設(shè)計(jì)，并改善了新的波音777發(fā)動(dòng)機(jī)的性能。和國(guó)外工作比較，一個(gè)顯著區(qū)別是，國(guó)內(nèi)工作多只停留在論文這一層次，幾乎沒(méi)有看到具體實(shí)際應(yīng)用，與研究成果商品化的差距就更遠(yuǎn)。2 風(fēng)險(xiǎn)管理模型 基于馬爾可夫過(guò)程的風(fēng)險(xiǎn)管理模型馬 爾 可 夫 過(guò) 程 是 一 種 比 較 常 用 的 隨 機(jī) 過(guò) 程 ， 它 描 述 的 是 這 樣 的 情 形 ： 一 個(gè) 系 統(tǒng)具 有 有 限 個(gè) 狀 態(tài) ， 系 統(tǒng) 在 下 一 時(shí) 刻 的 狀 態(tài) 取 決 于 系 統(tǒng) 現(xiàn) 在 所 處 的 狀 態(tài) ， 而 與 以 前 的狀 態(tài) 無(wú) 關(guān) ， 即 系 統(tǒng) 的 無(wú) 后 效 性 。在馬爾可夫鏈中，如果有的狀態(tài)不屬于吸收態(tài)，則稱(chēng)之為不返回狀態(tài) [5]。準(zhǔn)備階段有一個(gè)狀態(tài)，運(yùn)行階段存在多種狀態(tài)，最后整個(gè)生產(chǎn)達(dá)到成功狀態(tài)。它是建立在自然選擇和遺傳變異基礎(chǔ)上的迭代自適應(yīng)概率性搜索算法。由于 GA 不是直接在解空間上進(jìn)行搜索，而是在一定編碼機(jī)制對(duì)應(yīng)的碼空間上進(jìn)行的，因此編碼的選擇是影響算法性能與效率的重要因素。該操作包括三個(gè)基本算子：選擇、交叉和變異。交叉概率用于控制交叉操作的頻率。Step2：判斷算法收斂準(zhǔn)則是否滿足。 例 如 ：（ 2， 8， 10， 5， 5， 7， 10， 2， 2， 6， 20， 2， 2） ， 13 個(gè) 數(shù) 字 依 次 對(duì) 應(yīng) 13 個(gè) 工 序 ，每 個(gè) 位 置 上 的 數(shù) 字 對(duì) 應(yīng) 該 工 序 的 完 工 時(shí) 間 選 擇 。 對(duì) 于 不 滿 足約 束 條 件 的 個(gè) 體 將 其 適 值 乘 以 的 系 數(shù) ， 以 便 在 下 一 步 驟 （ 選 擇 ） 時(shí) 降 低 其 被遺傳運(yùn)算選擇更新種群23 / 49選 擇 的 概 率 。 然 后 按 個(gè) 體 適 值 的 大 小 與 初 始 種 群 進(jìn) 行 比 對(duì) 重 新 產(chǎn) 生 新 的種 群 。每調(diào)整一次做 50 次實(shí)驗(yàn)，得到的結(jié)果如表 所示：表 初 始 種 群 Popsize 對(duì) 達(dá) 優(yōu) 率 的 影 響Popsize GNPcPmbest rate50 200 100%40 200 95%30 200 80%20 200 55%10 200 35% 從 此 表 可 以 清 楚 地 看 出 初始種群的個(gè)體數(shù)過(guò)小會(huì)導(dǎo)致采樣點(diǎn)過(guò)少，從而嚴(yán)重影響算法的優(yōu)化性能。傳統(tǒng)的風(fēng)險(xiǎn)管理方法側(cè)重于靜態(tài)研究，假定生產(chǎn)過(guò)程忠出現(xiàn)的風(fēng)險(xiǎn)因素是靜態(tài)的，然后制定措施去控制。其次，非常感謝學(xué)院的所有老師和院領(lǐng)導(dǎo)，大學(xué)四年來(lái)是他們培養(yǎng)了我，塑造了我，使我懂得了如何去學(xué)習(xí)，如何學(xué)好習(xí)，使我在任何情況下都能夠做好每件事，處理好每一個(gè)問(wèn)題。 MAXGEN = 200。10],[1,1]))。10],[1,1]))。20],[1,1]))。for i = 1:M if Chrom(i,1) == 2 pro(1,1) = 。 else pro(1,2) = 。 end end if Chrom(i,4) == 4 pro(1,4) = 。 else pro(1,5) = 。 end end if Chrom(i,7) == 8 pro(1,7) = 。 else pro(1,8) = 。 else34 / 49 pro(1,10) = 。 else if Chrom(i,11) == 19 pro(1,11) = 。 end if Chrom(i,13) == 1 pro(1,13) = 。 T(1,5) = Chrom(i,1) + Chrom(i,2) + Chrom(i,4) + Chrom(i,8) + Chrom(i,12) + Chrom(i,13)。while gen MAXGEN,FitnV = ranking(ObjV)。1],[1,1]))。 else if Pmut == 5 SelCh(:,5) = 7。 else SelCh(:,13) = 2。 else if SelCh(j,2) == 9 pro1(1,2) = 。 else pro1(1,3) = 。 else if SelCh(j,5) == 6 pro1(1,5) = 。 else pro1(1,6) = 。 end end if SelCh(j,8) == 139 / 49 pro1(1,8) = 。 end if SelCh(j,10) == 5 pro1(1,10) = 。 else if SelCh(j,11) == 18 pro1(1,11) = 。 else pro1(1,12) = 。 T1(1,3) = SelCh(j,1) + SelCh(j,2) + SelCh(j,5) + SelCh(j,10) + SelCh(j,11) + SelCh(j,13)。 else Psel(j,1) = *Px1。 C1 = sum(cost1)。 else pro1(1,13) = 。 else pro1(1,11) = 。 end if SelCh(j,11) == 16 pro1(1,11) = 。 end if SelCh(j,9) == 2 pro1(1,9) = 。 else if SelCh(j,7) ==