【正文】 濟(jì)時(shí)代“大而全的萬能組織”越來越顯現(xiàn)出規(guī)模不經(jīng)濟(jì)的特點(diǎn)。 價(jià)值最大化、增強(qiáng)企業(yè)核心競(jìng)爭(zhēng)力的目標(biāo) ， 推動(dòng)企業(yè)在市場(chǎng)調(diào)查研究、產(chǎn)品設(shè)計(jì)開發(fā)以及銷售服務(wù)等環(huán) 節(jié)上采取了虛擬化的運(yùn)作方法。 30 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 1 頁 1 緒論 選題背景 虛擬企業(yè) “虛擬” 一詞產(chǎn)生于計(jì)算 機(jī)產(chǎn)業(yè) 。 29 附 錄 10 基于馬爾可夫過程的風(fēng)險(xiǎn)評(píng)價(jià)模型 virtual enterprise。作為一種能夠高質(zhì)量、低成本、快速響應(yīng)市場(chǎng)需求的解決方案 , 虛擬企業(yè)正越來越多地引起我國(guó)企業(yè)界的關(guān)注。 關(guān)鍵詞： 遺傳算法 。 1 虛擬企業(yè)的特點(diǎn) 7 遺傳算法的步驟 18 算法特點(diǎn) 18 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 IV 頁 程序流程 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、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 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)遇只有通過科學(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)開始建立就可以利用會(huì)計(jì)師事務(wù)所等部門 ， 通過仔細(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，人們?cè)絹碓角宄匾庾R(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。搜索空間在求解問題時(shí)可能是完全已知的，但一般來說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 ： 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 8 頁 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)。 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 10 頁 2 風(fēng)險(xiǎn) 管理 模型 基于馬爾可夫過程的風(fēng)險(xiǎn) 管理 模型 馬爾可夫過程是一種比較常用的隨機(jī)過程，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)無關(guān)，即系統(tǒng)的無后效性。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，遺傳運(yùn)算 滿足停止準(zhǔn)則 產(chǎn)生初始種群 選擇 更新種群 計(jì)算適值 開 始 結(jié) 束 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 22 頁 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 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 24 頁 Popsize GN Pc Pm best rate 50 200 100% 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)過小會(huì)導(dǎo)致采樣點(diǎn)過少，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,6) == 5 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 32 頁 pro(1,6) = 。 else pro(1,4) = 。 end end if Chrom(i,3) == 8 pro(1,3) = 。 else pro(1,1) = 。2],[1,1]))。2],[1,1]))。5],[1,1]))。 PmaxF = 。并 在這次畢業(yè)設(shè)計(jì)中給予了我各方面的幫助和關(guān) 懷，才使我順利完成我大學(xué)生涯的最后一次大型作 業(yè)。因此，迫切需要對(duì)動(dòng)態(tài)風(fēng)險(xiǎn)的管理方法進(jìn)行研究。 3 在初始種群的個(gè)體數(shù)、進(jìn)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(shí)驗(yàn)，得到的結(jié)果如表 所示： 表 交叉率 Pc 對(duì)達(dá)優(yōu)率的影響 Popsize GN Pc Pm best rate 50 200 100% 50 200 98% 50 200 89% 50 200 80% 50 200 65% 從此表可以清楚地看出 交叉率過低可能導(dǎo)致算法的停滯不前，從而使算法產(chǎn)生不 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 25 頁 完全進(jìn)化。 另外本設(shè)計(jì)還嘗試運(yùn)用模擬退火算法中保留最優(yōu)解的方法。 5 交叉運(yùn)算： 采用單點(diǎn)交叉。每個(gè)染色體代表一個(gè)解決方案。 Step3：根據(jù)適應(yīng)值大小以一定的方式進(jìn)行選擇。交叉操作很少進(jìn)行，從而會(huì)使搜索停滯不前。前者以正比于個(gè)體適應(yīng)值的概率來選擇相應(yīng)個(gè)體，后者則基于個(gè)體在種群中的排名來選擇相 應(yīng)的個(gè)體。 2 確定適應(yīng)值函數(shù)： 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 19 頁 用于對(duì)個(gè)體進(jìn)行評(píng)價(jià)，也是優(yōu)化過程發(fā)展的依據(jù)。通過“染色體”群的一代一代不斷變化，包括復(fù)制、交叉、和 變異等操作，最終收斂到“最適應(yīng)環(huán)境”的個(gè)體，從而求得問題的最優(yōu)解或滿意解。 （ 2） 生產(chǎn)平均成本 C ：表示狀態(tài)占有成本矢量 。易知，矩陣 ? ?nnijqQ ??，其中 10 ?? ijq （對(duì)所有的 ji, ）且 11 ???ni ijq，（ nj ??1 ） [5]。 馬爾可夫鏈分析是利用狀態(tài)間的狀態(tài)轉(zhuǎn)移概率 ijp 來反映系統(tǒng)狀態(tài)的動(dòng)態(tài)變化， ijp 表示從第 i 狀態(tài)經(jīng)過一步轉(zhuǎn)移到第 j 狀態(tài)的概率， ? ?njip ij ,2,1,10 ???? 。 因此 ， 在我國(guó)發(fā)展 GA，當(dāng)前應(yīng)該特別重視它的應(yīng)用和推廣普及。計(jì)算機(jī)在屏幕上顯示出 20種面孔 ，目擊者按十分制給這些面孔評(píng)分。 在某些特殊情況下 ， 如多目標(biāo)優(yōu)化問題不止一個(gè)解存在 ， 有一組 pareto最優(yōu)解。 它的并行性表現(xiàn)在兩個(gè)方面 ， 一是遺傳算法是內(nèi)在并行的 （ inherent parallelism） ,即遺傳算法本身非常適合大規(guī)模并行， 最簡(jiǎn)單的并行方式是讓幾百甚至數(shù)千臺(tái)計(jì)算機(jī)各自進(jìn)行獨(dú)立種群的演化計(jì)算 , 運(yùn)行過程中甚至不進(jìn)行任何通信 （ 獨(dú)立的種群之間若有少量的通信 一般會(huì)帶來更好的結(jié)果 )， 等到運(yùn)算結(jié)束時(shí)才通信比較 ， 選取最佳個(gè)體。由于基于自然的選擇策略“適者生存、 不適者被淘汰 ”。事實(shí)上，有很多尋找合適解（注意：不一定是最優(yōu)解）的方法，比如說爬山法（ Hill Climbing）禁止接近法 (Tabu Search),模擬退火算法(Simulated Annealing)以及遺傳算 法等等 .用遺傳算法求解出來的解一般被認(rèn)為是一個(gè)比較好的解 ,因?yàn)槲覀儧]有辦法證明它是最優(yōu)解 . 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(yīng)度函數(shù)為依據(jù)，通過對(duì)種群中的所有個(gè)體實(shí)施遺傳操作，實(shí)現(xiàn)群體內(nèi)個(gè)體結(jié)構(gòu)重組的迭代過程搜索法。 搜索空間 （ Search Space） 在很多情況下 ，我們解決一個(gè)問題就是從一大堆的數(shù)據(jù)中尋找一個(gè)解，而通常這個(gè)解都是混雜在數(shù)據(jù)中的。 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） 。 基因 （ gene） 所有的生物都是由細(xì)胞組成的。 接著就象自然界一樣，利用選擇機(jī)制從編碼組中的隨機(jī)挑選編碼作為繁殖過 程前的編碼樣本。這種編碼既適用于變異操作， 有適用于交叉操作 ， 并且強(qiáng)調(diào)將交叉作為主要的遺傳操作。 通過對(duì)訂單管理系統(tǒng)和庫(kù)存管理系統(tǒng)的有效運(yùn)用 ， 發(fā)揮虛擬企業(yè)動(dòng)態(tài)聯(lián)合各種核心競(jìng)爭(zhēng)力的作用 ， 按照客戶要求 ， 以最短的提前期為