【導(dǎo)讀】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(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。虛擬企業(yè)在幫助企業(yè)獲得反應(yīng)靈活性的同時(shí),也不可避免地帶來了新的風(fēng)險(xiǎn)因素。的資源得到最優(yōu)的整合。文章利用遺傳算法的基本原理，構(gòu)造了問題的解的初代種群，經(jīng)過選擇，交叉和變異產(chǎn)生新的最優(yōu)解集種群。實(shí)驗(yàn)結(jié)果表明，遺傳算法對(duì)風(fēng)險(xiǎn)管理模。型求解的效果是非常理想的。虛擬企業(yè)的發(fā)展························1

　　

【正文】 數(shù)如下： )(m a x{m in ii tbF IT ? },2,1 Ni ?? () 本設(shè)計(jì)中，在計(jì)算個(gè)體的適值的同時(shí)，也判斷個(gè)體是否滿足約束條件。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。 4 選擇策略： 采用“轉(zhuǎn)輪盤”法，對(duì)于個(gè)體 i ，計(jì)算其適應(yīng)值為 if ，其選擇概率為： ??? NPj jiiffP1 () 通過產(chǎn)生 （ 0， 1） 的隨機(jī)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(jìn)行交叉的個(gè)體。 5 交叉運(yùn)算： 采用單點(diǎn)交叉。通過“轉(zhuǎn)輪盤”產(chǎn)生新 的種群。利用產(chǎn)生隨機(jī)數(shù)的方法，選擇父親和母親，然后再隨機(jī)產(chǎn)生一個(gè)斷點(diǎn)，進(jìn)行交叉。 6 變異： 本文采用的方法將經(jīng)上一步交叉后的個(gè)體隨機(jī)取一位變異。由于本問題采用自然數(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(jìn)制編碼的變異， 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 23 頁 所以本設(shè)計(jì)中設(shè)計(jì)了一種全新的可進(jìn)行十進(jìn)制編碼變異的方法。 7 更新種群： 經(jīng)交叉和變異之后的個(gè)體可能不滿足成本和時(shí)間約束，將不滿足約束的個(gè)體的適值乘以 的系數(shù)。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。 8 終止準(zhǔn)則： 進(jìn)化代數(shù)達(dá)到規(guī)定數(shù)目時(shí)即終止。 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。將初始種群的最好的個(gè)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(gè)體進(jìn)行比較，把兩者中較好的個(gè)體重新保留到原矩陣組中。再將其與第三代進(jìn)化后的最好的個(gè)體進(jìn)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(jìn)行下去，在算法結(jié)束時(shí)將得到算法中出現(xiàn)過的最優(yōu)解。經(jīng)之后的試驗(yàn)表明，這種方法可以有效地抑制遺傳算法中隨機(jī)交叉和變異可能產(chǎn)生的退化對(duì)算法最后結(jié)果的影響。 仿真結(jié)果分析 通過多次實(shí)驗(yàn)，并借助 MATLAB 軟件的繪圖功能繪出算法的動(dòng)態(tài)優(yōu)化曲 線，借此調(diào)整算法的四個(gè)參數(shù)（初始種群的個(gè)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(shí)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) GN 、交叉率 Pc 和變異率 Pm不變的情況下調(diào)整初始種群 Popsize 的個(gè)體數(shù)對(duì)達(dá)優(yōu)率（ best rate）的 影響。 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。 2 在初始種群的個(gè)體數(shù)、交叉率和變異率不變的情況下調(diào)整進(jìn)化代數(shù)： 每調(diào)整一次做 50 次實(shí)驗(yàn)，得到的結(jié)果如表 所示： 表 進(jìn)化代數(shù) GN 對(duì)達(dá)優(yōu)率的影響 Popsize GN Pc Pm best rate 50 200 100% 50 160 95% 50 120 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。 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。 3 在初始種群的個(gè)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(shí)驗(yàn)，得到的結(jié)果如表 所示： 表 變異率 Pm 對(duì)達(dá)優(yōu)率的影響 Popsize GN Pc Pm best rate 50 200 100% 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(gè)體的多樣性不足，從而使算法陷入局部最優(yōu)。 動(dòng)態(tài)結(jié)果分析 1 只要選擇合適的 初始種群的個(gè)體數(shù)目、進(jìn)化代數(shù)、交叉率和變異率，算法就會(huì)跳出困擾傳統(tǒng)優(yōu)化算法的局部最優(yōu)問題，達(dá)到全局優(yōu)化的目的。圖 為借助MATLAB 軟件繪圖功能繪制的四次成功實(shí)驗(yàn)的算法動(dòng)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)。 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 26 頁 圖 算法動(dòng)態(tài)優(yōu)化過程圖 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 27 頁 結(jié)論 虛擬企業(yè)面臨的風(fēng)險(xiǎn)更加復(fù)雜，更加具有隨機(jī)性。因而如何有效地管理和控制虛擬企業(yè)的風(fēng)險(xiǎn)是關(guān)系到虛擬企業(yè)能否成功運(yùn)行的關(guān)鍵 環(huán)節(jié)。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。然而，現(xiàn)實(shí)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(xiǎn)處于變動(dòng)之中。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。 本文通過對(duì)虛擬企業(yè)的特點(diǎn)和風(fēng)險(xiǎn)的分析，根據(jù)虛擬企業(yè)按項(xiàng)目組織生產(chǎn)的特點(diǎn)，基于馬爾可夫過程的單工序風(fēng)險(xiǎn)評(píng)價(jià)模型，結(jié)合網(wǎng)絡(luò)分析技術(shù)提出了風(fēng)險(xiǎn) 管理模型， 并進(jìn)行了仿真分析，仿真結(jié)果表明了遺傳算法對(duì)風(fēng)險(xiǎn) 管理 模型的求解效果是好的。 本文只是對(duì)遺傳算法求解風(fēng)險(xiǎn) 管理 模型作了初步研究，未來還可進(jìn)一步考慮不同 指標(biāo)下的風(fēng)險(xiǎn) 管理 模型及算法的研究等。 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 28 頁 致 謝 在畢業(yè)設(shè)計(jì)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(gè)良好的科研和學(xué)習(xí)的榜樣。她嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、敏銳的學(xué)術(shù)眼光、淵博的知識(shí)和一絲不茍的工作作風(fēng)給我留下了深刻的印象，使我受益匪淺，同時(shí)也是我將來工作和生活中學(xué)習(xí)的榜樣。在此向?qū)煴硎局孕牡母兄x和崇高的敬意。 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。老師的教誨我 牢記在心。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)。 再者還要感謝的是為我辛勤勞作一輩子的父母 ，就因?yàn)橛辛怂麄儾凰紕诳?，和殷勤的教?dǎo)才鍛煉出一個(gè)意志堅(jiān)定，勤儉節(jié)約，知 恩圖報(bào)的我。并在本次設(shè)計(jì)中給予我物質(zhì)上的支持，特 別是精神上的支持。我將以實(shí)際行動(dòng)來報(bào)答他 們，不會(huì)辜負(fù)他們對(duì)我的期望 。 最后，對(duì)參加本文評(píng)閱和答辯的各位老師致以誠(chéng)摯的謝意。 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 29 頁 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(yíng)模式 [M]．北京：科學(xué)出版社， 20xx [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， 20xx1 [3] 邱菀華．現(xiàn)代項(xiàng)目風(fēng)險(xiǎn)管理方法與實(shí)踐 [M]．北京：科學(xué)出版社， 20xx [4] 盧有杰 盧家儀．項(xiàng)目風(fēng)險(xiǎn)管理 [M]．北京：清華大學(xué)出版社， 1998 [5] 楊培國(guó) .工程承包分析的 Markov 方法 [J].上海工程技術(shù)大學(xué)學(xué)報(bào)， 20xx,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． 20xx [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， 20xx6 [8] 姚東 王愛民． MATLAB 命令大全 [M]．北京：人民郵電出版社， 20xx6 [9] 張志勇．精通 MATLAB 版 [M]．北京：北京航空航天大學(xué)出版社， 20xx 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 30 頁 附 錄 NIND = 20。 MAXGEN = 200。 GGAP = 。 PmaxF = 。 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)。 for i = 1:M if Chrom(i,1) == 2 pro(1,1) = 。cost(1,1) = 。 else pro(1,1) = 。 cost(1,1) = 。 end if Chrom(i,2) == 8 遼寧 科技大學(xué) 本科生 畢業(yè)設(shè)計(jì) (論文 ) 第 31 頁 pro(1,2) = 。 cost(1,2) = 。 else if Chrom(i,2) == 9 pro(1,2) = 。 cost(1,2) = 。 else pro(1,2) = 。 cost(1,2) = 。 end end if Chrom(i,3) == 8 pro(1,3) = 。 cost(1,3) = 。 else if Chrom(i,3) == 9 pro(1,3) = 。 cost(1,3) = 。 else pro(1,3) = 。 cost(1,3) = 。 end end if Chrom(i,4) == 4 pro(1,4) = 。 cost(1,4) = 。 else pro(1,4) = 。 cost(1,4) = 。 end if Chrom(i,5) == 5 pro(1,5) = 。 cost(1,5) = 。 else if Chrom(i,5) == 6 pro(1,5) = 。 cost(1,5) = 。 else pro(1,5) = 。 cost(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) = 。 cost(1,6) = 。 else if Chrom(i,6) == 6 pro(1,6) = 。 cost(1,6) = 。 else pro(1,6) = 。 cost(1,6) = 。