【正文】 26 / 49 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 。并在本次設計中給予我物質上的支持，特別是精神上的支持。7],[1,1]))。2],[1,1]))。 else if Chrom(i,3) == 9 pro(1,3) = 。 else if Chrom(i,6) == 6 pro(1,6) = 。 else pro(1,9) = 。 end end end end if Chrom(i,12) == 1 pro(1,12) = 。 if (Tmax 58 amp。 if Pmut == 1 SelCh(:,1) = 3。 else pro1(1,1) = 。 else pro1(1,4) = 。 else if SelCh(j,7) == 9 pro1(1,7) = 。 end if SelCh(j,11) == 16 pro1(1,11) = 。 else pro1(1,13) = 。 else Psel(j,1) = *Px1。 else pro1(1,12) = 。 end if SelCh(j,10) == 5 pro1(1,10) = 。 else pro1(1,6) = 。 else pro1(1,3) = 。 else SelCh(:,13) = 2。1],[1,1]))。 T(1,5) = Chrom(i,1) + Chrom(i,2) + Chrom(i,4) + Chrom(i,8) + Chrom(i,12) + Chrom(i,13)。 else if Chrom(i,11) == 19 pro(1,11) = 。 else pro(1,8) = 。 else pro(1,5) = 。 else pro(1,2) = 。20],[1,1]))。10],[1,1]))。其次，非常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，使我懂得了如何去學習，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。每調整一次做 50 次實驗，得到的結果如表 所示：表 初 始 種 群 Popsize 對 達 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 初始種群的個體數(shù)過小會導致采樣點過少，從而嚴重影響算法的優(yōu)化性能。 對 于 不 滿 足約 束 條 件 的 個 體 將 其 適 值 乘 以 的 系 數(shù) ， 以 便 在 下 一 步 驟 （ 選 擇 ） 時 降 低 其 被遺傳運算選擇更新種群23 / 49選 擇 的 概 率 。Step2：判斷算法收斂準則是否滿足。該操作包括三個基本算子：選擇、交叉和變異。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。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]。和國外工作比較，一個顯著區(qū)別是，國內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。5 遺傳算法可以更加直接的應用。主要區(qū)別在于：1 自組織、自適應和自學習性（智能性） 。變異的意思是 DNA 上的某一些成分發(fā)生了一點點的變化。1980年以來，人們越來越清楚地意識到傳統(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發(fā)展的因素。從虛擬企業(yè)開始建立就可以利用會計師事務所等部門，通過仔細評估潛在成員企業(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。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。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。其次，信息技術的變革為虛擬企業(yè)的發(fā)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)、制造和管理的邊界，廣泛融合各項功能，使組織結構變得越來越敏捷、高效。虛擬企業(yè)。風險管理II / 49virtual enterprise for risk management Based on geic algorithm 首字母 大寫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。最后， “雙贏”的經(jīng)營理念代替了“零和博弈”為虛擬企業(yè)的發(fā)展奠定了文化基礎。采用通用數(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)調步調，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。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)調外部關系和內部關系，付出交易費用。 遺傳算法 遺傳算法的產(chǎn)生20 世紀 60 年代中期，John Holland 在 和 等人工作的基礎上提出了位串編碼技術。德國Dortmund大學1993年末的一份研究報告表明，根據(jù)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。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。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。6 遺傳算法對給定問題，可以產(chǎn)生許多的潛在解，最終選擇可以由使用者確定。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發(fā)展，幾乎已經(jīng)成為頑癥。一個具有 個不返回狀態(tài)和 個吸收狀態(tài)的馬爾可夫鏈可以表示為下列轉移矩陣：nm11 / 49 ()mnIRQP????????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)和吸收態(tài)之間的R關系； ： 階單位矩陣； ： 零矩陣。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。選擇算子就是從群體中選擇出優(yōu)秀個體，淘汰劣質個體的操作算子，目前使用較多的是按比例選擇和基于排名的選擇策略。如果滿足則輸出搜索結果，否則執(zhí)行以下步驟。4 選 擇 策 略 ： 采 用 “轉 輪 盤 ”法 ， 對 于 個 體 ， 計 算 其 適 應 值 為 ， 其 選 擇 概 率 為 ：i if ()??NPjiif1通 過 產(chǎn) 生 （ 0， 1） 的 隨 機 數(shù) ， 根 據(jù) 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 。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整進化代數(shù)：每調整一次做 50 次實驗，得到的結果如表 所示：表 進 化 代 數(shù) 對 達 優(yōu) 率 的 影 響GNPopsize PcPmbest rate50 200 100%25 / 4950 160 95%50 120 85%50 80 70%50 40 50% 從 此 表 可 以 清 楚 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。老師的教誨我牢記在心。Chrom(:,4) = crtrp(NIND, rep([4。Chrom(:,12) = crtrp(NIND, rep([1。 cost(1,2) = 。 cost(1,5) = 。 cost(1,8) = 。 cost(1,11) = 。 Tmax = max(T)。if PmutP Pmut = crtrp(1, rep([1。 end end end end end end end end37 / 49 end end end endend[X,Y] = size(SelCh)。 cost1(1,3) = 。 cost1(1,6) = 。 cost1(1,10) = 。 cost1(1,12) = 。 endend
。 cost1(1,13) = 。 cost1(1,10) = 。 cost1(1,7) = 。 cost1(1,4) = 。cost1(1,1) = 。 Pmut = round(Pmut)。 Px = min(pro)。 cost(1,11) = 。 cost(1,9) = 。 cost(1,6) = 。 cost(1,3) = 。Chrom(:,13) = crtrp(NIND, rep([1。Chrom(:,5) = crtrp(NIND, rep([5。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，和殷勤的教導才鍛煉出一個意志堅定，勤儉節(jié)約，知恩圖報的我。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整變異率：每調整一次做 50 次實驗，得到的結果如表 所示：表 變 異 率 對 達 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 變異率過底可能導致算法中個體的多樣性不足，從而使算法陷入局部最優(yōu)。 通 過 “轉 輪 盤 ”產(chǎn) 生 新 的 種 群 。Step4：進行遺傳運算。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。 算 法 特 點1 G