決策支持系統(tǒng)作業(yè)

1、精選優(yōu)質(zhì)文檔-傾情為你奉上精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)專心-專注-專業(yè)精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)決策支持系統(tǒng)導(dǎo)論期末作業(yè) 姓名： 學(xué)號(hào)：1、設(shè)某企業(yè)生產(chǎn)多種最終產(chǎn)品Y=(yi)，各種產(chǎn)品的單價(jià)為Pi，它們的投入產(chǎn)出直接消耗系數(shù)為A=(aij)，企業(yè)的資源（煤、電力、勞力）的約束方程為BXh（“”表示），其中，B=(bij)是資源消耗系數(shù)矩陣，X=(xi)是企業(yè)總產(chǎn)品向量，h是資源約束向量。為使企業(yè)凈產(chǎn)值最大，其目標(biāo)方程S=maxPiyi，試安排生產(chǎn)計(jì)劃（求總產(chǎn)品X和最終產(chǎn)品Y）。請(qǐng)?jiān)O(shè)計(jì)該企業(yè)的生產(chǎn)計(jì)劃決策支持系統(tǒng)，畫出DSS運(yùn)行結(jié)構(gòu)圖，并對(duì)總控程序、模型程序、數(shù)據(jù)

2、庫(kù)進(jìn)行結(jié)構(gòu)和功能說明。提示：該決策支持系統(tǒng)需要利用3個(gè)模型（投入產(chǎn)出模型、線性規(guī)劃模型和報(bào)表模型（打印投入產(chǎn)出表）和兩個(gè)數(shù)據(jù)庫(kù)（投入產(chǎn)出數(shù)據(jù)庫(kù)和線性規(guī)劃數(shù)據(jù)庫(kù)）。在DSS總控程序中要詳細(xì)說明何時(shí)調(diào)用哪個(gè)模型運(yùn)行，何時(shí)存取哪個(gè)數(shù)據(jù)庫(kù)中的數(shù)據(jù)，何時(shí)進(jìn)行數(shù)據(jù)計(jì)算。該DSS需要兩次調(diào)用投入產(chǎn)出模型：一次計(jì)算中間結(jié)果，一次計(jì)算最后結(jié)果。請(qǐng)注意，模型程序應(yīng)該是一個(gè)標(biāo)準(zhǔn)程序，在一定的參數(shù)控制下，可得到中間結(jié)果，也可得到最終結(jié)果。該模型程序既適合于該問題的DSS，也適合于其他問題的DSS,不能是一個(gè)專用的模型程序。（20分）模型投入產(chǎn)出模型投入：經(jīng)濟(jì)部門在進(jìn)行經(jīng)濟(jì)活動(dòng)時(shí)候的資源消耗；產(chǎn)出：經(jīng)濟(jì)部門在進(jìn)行經(jīng)濟(jì)活

3、動(dòng)時(shí)候的成果；投入產(chǎn)出模型表示的是各個(gè)經(jīng)濟(jì)部門之間的投入產(chǎn)出關(guān)系。根據(jù)公式可求得中間結(jié)果值X與最終產(chǎn)品值Y之間的關(guān)系：X=(I-A)-1Y2.線性規(guī)劃模型：根據(jù)約束方程BXh與目標(biāo)方程S=Piyimax，輸入?yún)?shù)為B、P、h,運(yùn)用模型中的數(shù)學(xué)公式求解問題，最后輸出Y即為最終結(jié)果。報(bào)表模型調(diào)用投入產(chǎn)出數(shù)據(jù)庫(kù)中的數(shù)據(jù)，根據(jù)投入產(chǎn)出模型的分析結(jié)果，得到投入產(chǎn)出表，并將其打印出來。不需要輸入?yún)?shù)，可以手動(dòng)調(diào)用，也可以用時(shí)間來觸發(fā)，生成表格。數(shù)據(jù)庫(kù)投入產(chǎn)出數(shù)據(jù)庫(kù) 首先對(duì)數(shù)據(jù)進(jìn)行初始化，存入投入產(chǎn)出相關(guān)的數(shù)據(jù)，包括最終產(chǎn)品Y=(yj),各種產(chǎn)品的單價(jià)Pi，它們的投入產(chǎn)出直接消耗系數(shù)A=(aij)，企業(yè)總產(chǎn)

4、品向量X=(xi)等用于投入產(chǎn)出表計(jì)算的重要數(shù)據(jù)，方便模型對(duì)數(shù)據(jù)的提取。數(shù)據(jù)庫(kù)本身可以對(duì)數(shù)據(jù)進(jìn)行維護(hù)，如自動(dòng)初始化，自動(dòng)更新等操作。字段名數(shù)據(jù)類型長(zhǎng)度是否可為空最終產(chǎn)品int8是int8是int8是int8是int8是產(chǎn)品單價(jià)float16是float16是float16是float16是float16是直接消耗系數(shù)float16是float16是float16是float16是float16是線性規(guī)劃數(shù)據(jù)庫(kù) 對(duì)數(shù)據(jù)進(jìn)行初始化，存儲(chǔ)的數(shù)據(jù)包括最終產(chǎn)品Y=(yj)，各種產(chǎn)品的單價(jià)為Pi，資源消耗系數(shù)矩陣B=(bij)，企業(yè)總產(chǎn)品向量X=(xi)企業(yè)的資源（煤、電力、勞力）的約束方程為BXh（“”

5、表示）目標(biāo)方程S=Piyi 等線性規(guī)劃是需要的數(shù)據(jù)。字段名數(shù)據(jù)類型長(zhǎng)度是否可為空資源消耗系數(shù)float8是float8是float8是float8是float8是總產(chǎn)品int16是int16是int16是int16是int16是資源約束hfloat16是最終產(chǎn)品int8是int8是int8是int8是int8是產(chǎn)品單價(jià)float16是float16是float16是float16是float16是三、總控程序（1）根據(jù)系統(tǒng)提示選擇需要的服務(wù)，輸入提示要求的相關(guān)數(shù)據(jù)，保存到數(shù)據(jù)庫(kù)中。（2）調(diào)用投入產(chǎn)出模型，提取投入產(chǎn)出數(shù)據(jù)庫(kù)中A、Y 作為模型的輸入?yún)?shù)。調(diào)用模型內(nèi)部的公式解決問題，根據(jù)輸入?yún)?shù)判

6、斷需要輸出的是中間結(jié)果還是最終結(jié)果，將結(jié)果輸并存入投入產(chǎn)出數(shù)據(jù)庫(kù)中。（3）調(diào)用線性模型，提取線性規(guī)劃數(shù)據(jù)庫(kù)中的數(shù)據(jù)作為輸入?yún)?shù)，根據(jù)模型內(nèi)部公式進(jìn)行數(shù)據(jù)計(jì)算，既要符合約束條件，又要使得目標(biāo)函數(shù)值最大，最終得出Y 向量，將結(jié)果輸出并存入投入產(chǎn)出數(shù)據(jù)庫(kù)。（4）調(diào)用投入產(chǎn)出模型，提取投入產(chǎn)出數(shù)據(jù)庫(kù)中的A、Y 作為輸入?yún)?shù)。調(diào)用模型內(nèi)部公式計(jì)算出需要的結(jié)果X，根據(jù)輸入?yún)?shù)判斷需要的輸出結(jié)果，輸出結(jié)果，并存入投入產(chǎn)出數(shù)據(jù)庫(kù)。（5）調(diào)用報(bào)表模型，提取投入產(chǎn)出數(shù)據(jù)庫(kù)中的數(shù)據(jù)，得出投入產(chǎn)出表并打印。四、運(yùn)行結(jié)構(gòu)圖 教材中3.6節(jié)物資分配與調(diào)撥決策支持系統(tǒng)，詳細(xì)給出模型庫(kù)設(shè)計(jì)，包括主要模型、存儲(chǔ)形式說明，數(shù)據(jù)庫(kù)

7、設(shè)計(jì)，各接口說明（各模塊之間的調(diào)用順序、數(shù)據(jù)存取關(guān)系）。（30分）一、分析問題物資分配調(diào)撥問題是根據(jù)各單位提出對(duì)物資的需求申請(qǐng)，按倉(cāng)庫(kù)的庫(kù)存情況制定分配方案，再根據(jù)分配放案以及倉(cāng)庫(kù)和單位的距離制定物資運(yùn)輸方案。最后按照物資運(yùn)輸方案制定各倉(cāng)庫(kù)的發(fā)貨表和各單位的接收表，修改各倉(cāng)庫(kù)庫(kù)存數(shù)和各單位的物資數(shù)。物資申請(qǐng)和庫(kù)存的計(jì)劃匯總制定物資分配方案物資調(diào)撥預(yù)處理制定物資運(yùn)輸方案制定物資調(diào)撥方案打印報(bào)表該決策問題需要設(shè)計(jì)多個(gè)數(shù)據(jù)庫(kù)和多個(gè)模型共同求解?？偟奶幚砹鞒倘鐖D： 圖3 物資分配調(diào)撥流程圖具體方案通過上述分析可知該決策問題共涉及6個(gè)模型：匯總模型，預(yù)處理模型、分配模型、運(yùn)輸優(yōu)化模型、調(diào)撥模型、制表模型

8、。其中匯總、預(yù)處理、調(diào)撥、制表模型都是數(shù)據(jù)處理模型，屬于管理業(yè)務(wù)工作。分配和運(yùn)輸優(yōu)化屬于數(shù)學(xué)模型。分配模型屬于平衡分配決策，它要達(dá)到的目標(biāo)是使物資分配盡量合理，該模型的計(jì)算公式是分配決策方法之一，也可以采用別的分配方法。運(yùn)輸模型屬于優(yōu)化決策，它使運(yùn)輸過程達(dá)到總噸公里數(shù)最小。該6個(gè)模型以程序形式出現(xiàn)，均放入模型庫(kù)中。該方案包括十個(gè)數(shù)據(jù)表（1）單位申請(qǐng)數(shù)據(jù)表；（2）倉(cāng)庫(kù)庫(kù)存數(shù)據(jù)表；（3）物資總申請(qǐng)數(shù)據(jù)表；（4）物資總庫(kù)存數(shù)據(jù)表；（5）物資分配數(shù)據(jù)表；（6）距離數(shù)據(jù)表；（7）物資調(diào)撥數(shù)據(jù)表；（8）倉(cāng)庫(kù)發(fā)貨數(shù)據(jù)表；（9）單位收貨數(shù)據(jù)表；（10）單位物資數(shù)據(jù)表。三、具體表設(shè)計(jì)（1）單位申請(qǐng)數(shù)據(jù)表名稱類型

9、長(zhǎng)度是否允許為空描述marketno(pk)char3否單位號(hào)goodsno(fk)char13否資源編號(hào)goodssumbigint10是申請(qǐng)數(shù)量（2）倉(cāng)庫(kù)庫(kù)存表 名稱類型長(zhǎng)度是否允許為空描述w_no(pk)char3否倉(cāng)庫(kù)號(hào)goodsno(fk)char13否資源號(hào)goodsnumbigint10是庫(kù)存量unitvarchar6否數(shù)量單位（3）物資分配數(shù)據(jù)表 名稱類型長(zhǎng)度是否允許為空描述marketno(pk)char3否單位號(hào)goodsno(fk)char13否資源編號(hào)goodssumbigint10是分配數(shù)量（4）距離數(shù)據(jù)表名稱類型長(zhǎng)度是否允許為空描述marketno(pk)char3

10、否單位號(hào)w_no(fk)char3否倉(cāng)庫(kù)號(hào)distancevarchar10否距離unitvarchar10否計(jì)量單位（5）物資調(diào)撥分配數(shù)據(jù)表名稱類型長(zhǎng)度是否允許為空描述marketno(pk)char3否單位號(hào)w_no(fk)char3否倉(cāng)庫(kù)號(hào)goodsno(fk)char13否資源號(hào)goodsnumbigint10否分配數(shù)量（6）單位收貨數(shù)據(jù)表名稱類型長(zhǎng)度是否允許為空描述marketno(pk)char3否單位號(hào)goodsno(fk)char13否資源編號(hào)goodssumbigint10是收物數(shù)量（7）倉(cāng)庫(kù)發(fā)貨數(shù)據(jù)表名稱類型長(zhǎng)度是否允許為空描述w_no(pk)char3否倉(cāng)庫(kù)號(hào)goodsn

11、o(fk)char13否資源編號(hào)goodssumbigint10是發(fā)物數(shù)量（8）物資總庫(kù)存數(shù)據(jù)表名稱類型長(zhǎng)度是否為空？描述W_no（pk）char3否倉(cāng)庫(kù)號(hào)Goodsno（pk）char13否物資號(hào)goodsnumbigint10是物資數(shù)量（9）物資分配數(shù)據(jù)表名稱類型長(zhǎng)度是否為空？描述Marketno（pk）char3否單位號(hào)Goodsno（pk）char13否物資號(hào)goodsnumbigint10是物資數(shù)量（10）單位物資數(shù)據(jù)表。名稱類型長(zhǎng)度是否允許為空描述marketno(pk)char3否單位號(hào)goodsno(fk)char13否資源號(hào)goodsnumbigint10是庫(kù)存量unitva

12、rchar6否數(shù)量單位四、各接口說明（各模塊之間的調(diào)用順序、數(shù)據(jù)存取關(guān)系）。4.1物資申請(qǐng)和庫(kù)存的計(jì)劃匯總1.各單位按自己的需求提出對(duì)各物資的申請(qǐng)申請(qǐng)數(shù)據(jù)庫(kù)為：Di=SQ(W1)，SQ(W2)， i=1,2,3 （1.1）其中Di表示第i各單位，SQ(Wj)表示申請(qǐng)物資Wj的需要數(shù)量。將各單位的申請(qǐng)數(shù)據(jù)庫(kù)匯總成各單位對(duì)物資的需求量，形成總申請(qǐng)數(shù)據(jù)庫(kù)。Wj= SQ(D1)，SQ(D2)， j=1,2，3 (1.2)其中SQ(Di)表示第i個(gè)單位對(duì)物資Wj的申請(qǐng)數(shù)量。該項(xiàng)數(shù)據(jù)處理需要編制程序，類似于數(shù)據(jù)庫(kù)的旋轉(zhuǎn)來完成。2.各倉(cāng)庫(kù)度物資的可供應(yīng)情況Ki=XY(W1)KD(W1)，XY(W2)KD(W

13、2)， i=1，2， （1.3）其中Ki表示第i個(gè)倉(cāng)庫(kù)；XY(Wj)， KD(Wj)分別表示該倉(cāng)庫(kù)中物資Wj的現(xiàn)有數(shù)量和最低儲(chǔ)備量；XY(Wj)KD(Wj)表示物質(zhì)Wj的可供量。各倉(cāng)庫(kù)的多物資的可供應(yīng)情況匯總成某一物資個(gè)倉(cāng)庫(kù)的可供量，形成總庫(kù)存數(shù)據(jù)庫(kù)。 Wj=XY(K1)KD(K1)，XY(K2)KD(K2)， （1.4）該項(xiàng)數(shù)據(jù)處理工作，要在數(shù)據(jù)庫(kù)中計(jì)算出可供量后，再進(jìn)行類似于數(shù)據(jù)庫(kù)旋轉(zhuǎn)來實(shí)現(xiàn)。該計(jì)劃匯總工作構(gòu)成數(shù)據(jù)處理模型，它與數(shù)據(jù)庫(kù)的關(guān)系如圖：?jiǎn)挝簧暾?qǐng)數(shù)據(jù)庫(kù)倉(cāng)庫(kù)庫(kù)存數(shù)據(jù)庫(kù)計(jì) 劃匯 總物資總申請(qǐng)數(shù)據(jù)庫(kù)物資總庫(kù)存數(shù)據(jù)庫(kù) 圖4 計(jì)劃匯總模型與數(shù)據(jù)庫(kù)的關(guān)系4.2制定物資的分配方案物資分配方案是利

14、用物資分配模型來完成的，該分配模型是通過一系列公式實(shí)現(xiàn)。比較分配情況對(duì)同一物資Wj計(jì)算總可供量S（各倉(cāng)庫(kù)可供量之和）與總申請(qǐng)量Q（各單位申請(qǐng)量之和）的大小。物資分配方法總可供量大于等于總申請(qǐng)量SQ完全滿足各單位的申請(qǐng)數(shù)量，即各單位的分配數(shù)量FB(Dj)等于他的申請(qǐng)量。FB(Dj)= SQ(Dj) （2.1）總可供量小于總申請(qǐng)量SQ這里有2種處理方法：按申請(qǐng)比例削減 FB(Dj)= SQ(Dj)*S/Q (2.2)按優(yōu)先類別分配各單位按需求物資的需求程度有一個(gè)優(yōu)先類別 該模型是一個(gè)數(shù)學(xué)模型。模型和數(shù)據(jù)庫(kù)之間的關(guān)系如圖：物資總申請(qǐng)數(shù)據(jù)庫(kù)物資總庫(kù)存數(shù)據(jù)庫(kù)物資分配模型物資分配數(shù)據(jù)庫(kù) 圖3 物資分配模型

15、與數(shù)據(jù)庫(kù)的關(guān)系 其中物資分配數(shù)據(jù)庫(kù)中每條記錄表示每種物資分配給各單位的具體數(shù)量。 4.3物資調(diào)撥預(yù)處理在制定物資分配方案中已經(jīng)確定了每種物資給各接收單位的分配數(shù)量。具體由哪個(gè)倉(cāng)庫(kù)調(diào)撥多少物資到哪個(gè)單位去，就有運(yùn)輸問題的線性規(guī)劃來解決。但決定哪幾個(gè)倉(cāng)庫(kù)，哪幾個(gè)接收單位之間實(shí)現(xiàn)調(diào)撥供應(yīng)是需要進(jìn)行預(yù)處理的。 每種物資的調(diào)運(yùn)中，參加調(diào)運(yùn)的倉(cāng)庫(kù)和接收單位都是不一樣的，是隨機(jī)出現(xiàn)的。參加調(diào)運(yùn)的倉(cāng)庫(kù)是由該倉(cāng)庫(kù)提供某物資的可供量是否大于零來決定。參加調(diào)用接收單位要看他接收某物資的分配數(shù)大于零來決定。每個(gè)倉(cāng)庫(kù)到所接收單位的路程，存入一個(gè)距離數(shù)據(jù)庫(kù)中。對(duì)每一種物資，由于參加調(diào)運(yùn)的倉(cāng)庫(kù)和單位不同，要形成參加調(diào)運(yùn)的實(shí)

16、際距離矩陣，這就要對(duì)每個(gè)距離記錄進(jìn)行挑選，挑選后形成小的實(shí)際距離矩陣，再形成好實(shí)際調(diào)撥矩陣后，才可以進(jìn)行運(yùn)輸問題的線性規(guī)劃運(yùn)算，計(jì)算出有哪個(gè)倉(cāng)庫(kù)運(yùn)多少物資給某個(gè)接收單位。這個(gè)物資調(diào)運(yùn)預(yù)處理是一個(gè)數(shù)據(jù)處理模型，用數(shù)據(jù)庫(kù)中投影操作來完成。該模型完成了物資調(diào)用預(yù)處理后，接著就可以進(jìn)行物資運(yùn)輸調(diào)撥了，當(dāng)求出具體解后，由調(diào)撥方案的解回到原數(shù)據(jù)庫(kù)中的位置，由數(shù)據(jù)庫(kù)反投影操作來完成。該模型和數(shù)據(jù)庫(kù)之間的關(guān)系如圖：某物資實(shí)際距離矩陣物資分配數(shù)據(jù)庫(kù)距離數(shù)據(jù)庫(kù)物資調(diào)撥預(yù)處理模型 圖6 物資調(diào)撥預(yù)處理模型和數(shù)據(jù)庫(kù)的關(guān)系4.4制定物資運(yùn)輸方案 利用運(yùn)輸問題數(shù)學(xué)模型的具體求解方法，制定各物資的運(yùn)輸方案。該模型和數(shù)據(jù)庫(kù)之

17、間的關(guān)系：物資調(diào)撥數(shù)據(jù)庫(kù)物資分配數(shù)據(jù)庫(kù)實(shí)際距離矩陣運(yùn)輸問題模型 圖7 運(yùn)輸問題模型和數(shù)據(jù)庫(kù)的關(guān)系運(yùn)輸問題的計(jì)算機(jī)算法實(shí)現(xiàn)：物資調(diào)撥數(shù)據(jù)庫(kù)中每條記錄表示有各倉(cāng)庫(kù)運(yùn)給各單位的具體數(shù)量。從距離表中選出能夠提供A資源的倉(cāng)庫(kù)，若S=Q即庫(kù)存量=申請(qǐng)量，我們采用產(chǎn)銷不平衡的沃爾格運(yùn)輸方法；若S60，單位為分鐘）。訓(xùn)練集見表：實(shí)例 屬性目標(biāo)WillWaitOthersWCondWEndConsPriceRainResWEstX1YesNoNoSomeEXNoYes0-10YesX2YesNoNoFullCHNoNo30-60NoX3NoYesNoSomeCHNoNo0-10YesX4YesNoYesFull

18、CHYesNo10-30YesX5YesNoYesFullEXNoYes60NoX6NoYesNoSomeMIDYesYes0-10YesX7NoYesNoNoneCHYesNo0-10NoX8NoNoNoSomeMIDYesYes0-10YesX9NoYesYesFullCHYesNo60NoX10YesYesYesFullEXNoYes10-30NoX11NoNoNoNoneCHNoNo0-10NoX12YesYesYesFullCHNoNo30-60Yes要求：建立BP神經(jīng)網(wǎng)絡(luò)模型，并進(jìn)行容錯(cuò)性分析。（25分）解：通過對(duì)訓(xùn)練集進(jìn)行訓(xùn)練建立神經(jīng)網(wǎng)絡(luò)模型，首先對(duì)訓(xùn)練集輸入數(shù)字化，之后建立神經(jīng)

19、網(wǎng)絡(luò)，設(shè)置輸入輸出向量，網(wǎng)絡(luò)層數(shù)及網(wǎng)絡(luò)各層權(quán)值閾值。然后進(jìn)行訓(xùn)練得到神將網(wǎng)絡(luò)模型。最后進(jìn)行容錯(cuò)分析，可以訓(xùn)練原訓(xùn)練集的數(shù)據(jù)，分析網(wǎng)絡(luò)的準(zhǔn)確性，均方差的誤差值等，也可以對(duì)原訓(xùn)練集數(shù)據(jù)稍作修改，看是否會(huì)影響所作的決策。對(duì)訓(xùn)練集數(shù)據(jù)修改后如下表,用來進(jìn)行容錯(cuò)分析。實(shí)例 屬性目標(biāo)WillWaitOthersWCondWEndConsPriceRainResWEstX11000-1010.51X21001100-0.50X301001000.51X4101111001X51011-101-10X601000110.51X7010-11100.50X800000110.51X90111110-10X101

20、111-10100X11000-11000.50X12111-1100-0.511：等待 0：不等在MATLAB中運(yùn)行如下代碼P=1 0 0 0 -1 0 1 1; 1 0 0 -1 1 0 0 0;0 1 0 0 1 0 0 1; 1 0 1 -1 1 1 0 0.5;1 0 1 -1 -1 0 1 -1; 0 1 0 0 0 1 1 1;0 1 0 1 1 1 0 1; 0 0 0 0 0 1 1 1;0 1 1 -1 1 1 0 -1; 1 1 1 -1 -1 0 1 0.5;0 0 0 1 1 0 0 1; 1 1 1 -1 1 0 0 0; T=1 0 1 1 0 1 0 1 0 0

21、 0 1; pause;運(yùn)行結(jié)果 net=newff(minmax(P),3,1,tansig,purelin,traingdm)Warning: NEWFF used in an obsolete way. In nntobsu at 18 In newff at 105 See help for NEWFF to update calls to the new argument list. net = Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: 1; 1 inputConnect:

22、1; 0 layerConnect: 0 0; 1 0 outputConnect: 0 1 numOutputs: 1 (read-only) numInputDelays: 0 (read-only) numLayerDelays: 0 (read-only) subobject structures: inputs: 1x1 cell of inputs layers: 2x1 cell of layers outputs: 1x2 cell containing 1 output biases: 2x1 cell containing 2 biases inputWeights: 2x

23、1 cell containing 1 input weight layerWeights: 2x2 cell containing 1 layer weight functions: adaptFcn: trains divideFcn: (none) gradientFcn: calcgrad initFcn: initlay performFcn: mse trainFcn: traingdm parameters: adaptParam: .passes divideParam: (none) gradientParam: (none) initParam: (none) perfor

24、mParam: (none) trainParam: .epochs, .goal, .lr, .max_fail, .mc, .min_grad, .show, .time weight and bias values: IW: 2x1 cell containing 1 input weight matrix LW: 2x2 cell containing 1 layer weight matrix b: 2x1 cell containing 2 bias vectors other: userdata: (user information) inputWeights=net.IW1,1

25、inputWeights = 0.9333 1.2258 -0.6569 0.6893 0.6779 -1.0620 0.8665 -0.6884 1.6281 0.5310 0.1881 -0.6869 -0.0293 -0.3139 1.8436 0.7004 -1.0904 -1.1765 1.3374 0.6878 0.4389 1.2153 0.4553 0.6343 inputbias=net.b1inputbias = -2.2595 -1.9384 -1.9766 layerWeights=net.LW2,1layerWeights = 0.3575 0.5155 0.4863

26、 layerbias=net.b2layerbias = -0.2155 pause; net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 1000; net.trainParam.goal = 1e-3; pause; net,tr=train(net,P,T);TRAINGDM-calcgrad, Epoch 0/1000, MSE 1.84616/0.001, Gradient 4.0328/1e-010TRAINGDM-calcgrad,

27、 Epoch 50/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 100/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 150/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 200/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 250/1000, MSE 0./0.001, Gr

28、adient 0./1e-010TRAINGDM-calcgrad, Epoch 300/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 350/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 400/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 450/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgra

29、d, Epoch 500/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 550/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 600/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 650/1000, MSE 0.04611/0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 700/1000, MSE 0./0

30、.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 750/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 800/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 850/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 900/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM

31、-calcgrad, Epoch 950/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM-calcgrad, Epoch 1000/1000, MSE 0./0.001, Gradient 0./1e-010TRAINGDM, Maximum epoch reached, performance goal was not met. pause A = sim(net,P)A = Columns 1 through 11 0.7708 0.0446 1.0086 1.0508 -0.0921 1.1178 0.0647 0.9401 -0.0444

32、0.2307 -0.0433 Column 12 0.9434 E = T - AE = Columns 1 through 11 0.2292 -0.0446 -0.0086 -0.0508 0.0921 -0.1178 -0.0647 0.0599 0.0444 -0.2307 0.0433 Column 12 0.0566 MSE=mse(E)MSE = 0.0123 test=1 0 1 0 -1 0 1 0; 1 0 0 -1 1 0 1 0;0 1 0 1 1 0 0 1; 1 0 1 -1 0 1 0 0.5;1 1 1 -1 -1 0 1 -1; 0 1 1 0 1 1 1 1

33、;0 1 0 1 1 0 0 1; 0 0 0 0 0 1 0 1;1 1 1 0 1 1 0 -1; 1 1 1 -1 -1 0 1 0.5;0 1 0 1 1 0 0 1; 1 1 1 0 1 0 0 0; A1 = sim(net,test)A1 = Columns 1 through 11 0.6638 1.1255 0.8135 1.0079 0.1281 1.1872 0.8135 -0.0810 0.6832 0.2307 0.8135 Column 12 1.5866 E1 = T - A1E1 = Columns 1 through 11 0.3362 -1.1255 0.1

34、865 -0.0079 -0.1281 -0.1872 -0.8135 1.0810 -0.6832 -0.2307 -0.8135 Column 12 -0.5866 MSE=mse(E1)MSE = 0.4018 pause echo off得到如下的曲線圖：對(duì)運(yùn)行結(jié)果進(jìn)行容錯(cuò)性分析：實(shí)例 輸入輸出WillWait（1）輸出WillWait（0）結(jié)果OthsWConWEnConPriceRaiResWEstX11100-101 10.96331.2952等（1）X21011100 -10.01830.5994不一定X30101100 11.01121.9679等（1）X41001110 0

35、0.98260.5656等（1）X51111-101 -2-0.05600.2541不等（0）X60110001 10.9926-0.4782不一定X7011-1010 10.0111-0.9876不等（0）X80110011 11.0085-0.9217不一定X90000110 -20.00010.8146不一定X101100101 00.07990.1198不等(0)X11111-1100 1-0.0092-0.9840不等(0)X121100000 -10.99591.0300等（1）編制旅行商路徑優(yōu)化問題的遺傳算法程序，并計(jì)算一個(gè)實(shí)例。（25分） 一、旅行商問題概述旅行商問題(Trav

36、eling Saleman Problem,TSP)又譯為旅行推銷員問題、貨郎擔(dān)問題,簡(jiǎn)稱為TSP 問題,是最基本的路線問題,該問題是在尋求單一旅行者由起點(diǎn)出發(fā),通過所有給定的需求點(diǎn)之后,最后再回到原點(diǎn)的最小路徑成本。TSP 問題最簡(jiǎn)單的求解方法是枚舉法。它的解是多維的、多局部極值的、趨于無窮大的復(fù)雜解的空間,搜索空間是n 個(gè)點(diǎn)的所有排列的集合,大小為n-1。可以采用遺傳算法來搜索解空間,群體搜索易于進(jìn)行并行化處理,它并不是盲目窮舉,而是啟發(fā)式搜索,由于采用了遺傳、變異、突變,豐富了種群的基因,優(yōu)化了解空間。遺傳算法是建立在最優(yōu)解與較優(yōu)解的差別小的基礎(chǔ)上的,也可以說是建立在父母漂亮,小孩很有可

37、能也漂亮的理論基礎(chǔ)上的。遺傳算法得出的很有可能是局部最優(yōu)解,而不是全局最優(yōu)解。（百度）二、遺傳算法（GA）遺傳算法（Genetic Algorithm）是模擬生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理的生物進(jìn)化過程的計(jì)算模型，是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法，它最初由美國(guó)Michigan大學(xué)J.Holland教授于1975年首先提出來的，并出版了頗有影響的專著Adaptation in Natural and Artificial Systems，GA這個(gè)名稱才逐漸為人所知，J.Holland教授所提出的GA通常為簡(jiǎn)單遺傳算法（SGA）。三、問題描述假設(shè)有一個(gè)旅行商人要拜訪n個(gè)城市，他必須選擇

38、所要走的路徑，路徑的限制是每個(gè)城市只能拜訪一次，而且最后要回到原來出發(fā)的城市。路徑的選擇目標(biāo)是要求得的路徑路程為所有路徑之中的最小值。TSP問題是一個(gè)組合優(yōu)化問題。該問題可以被證明具有NPC計(jì)算復(fù)雜性。因此，任何能使該問題的求解得以簡(jiǎn)化的方法，都將受到高度的評(píng)價(jià)和關(guān)注。 四、問題分析 TSP問題就是尋找一條最短的遍歷n 個(gè)城市的最短路徑, 即搜索自然子集W= 1 ,2 , , n ( W的元素表示對(duì)n 個(gè)城市的編號(hào)) 的一個(gè)排列( W) = V1 , V2 , , Vn , 使len = d ( Vi , Vi+1) + d ( V1 , Vn)取最小值, 式中的d ( Vi , Vi+1)

39、表示城市Vi 到城市Vi + 1的距離. 遺傳算法是具有“生成+檢測(cè)”的迭代過程的搜索算法。它的基本處理流程如圖1所示。由此流程圖可見，遺傳算法是一種群體型操作，該操作以群體中的所有個(gè)體為對(duì)象。選擇（Selection）、交叉（Crossover）和變異（Mutation）是遺傳算法的3個(gè)主要操作算子，它們構(gòu)成了所謂的遺傳操作（genetic operation），使遺傳算法具有了其它傳統(tǒng)方法所沒有的特性。遺傳算子包含如下6個(gè)基本因素：參數(shù)編碼：由于遺傳算法不能直接處理解空間的解數(shù)據(jù)，因此必須通過編碼將它們表示成遺傳空間的基因型串結(jié)構(gòu)數(shù)據(jù)。生成初始群體：由于遺傳算法的群體型操作需要，所以必須為

40、遺傳操作準(zhǔn)備一個(gè)由若干初始解組成的初始群體。初始群體的每個(gè)個(gè)體都是通過隨機(jī)方法產(chǎn)生。適應(yīng)度評(píng)估檢測(cè)：遺傳算法在搜索進(jìn)化過程中一般不需要其他外部信息，僅用適應(yīng)度（fitness）值來評(píng)估個(gè)體或解的優(yōu)劣，并作為以后遺傳操作的依據(jù)。選擇（selection）：選擇或復(fù)制操作是為了從當(dāng)前群體中選出優(yōu)良的個(gè)體， 使它們有機(jī)會(huì)作為父代為下一代繁殖子孫。個(gè)體適應(yīng)度越高，其被選擇的機(jī)會(huì)就越多。此處采用與適用度成比例的概率方法進(jìn)行選擇。具體地說，就是首先計(jì)算群體中所有個(gè)體適應(yīng)度的總和（），再計(jì)算每個(gè)個(gè)體的適應(yīng)度所占的比例（），并以此作為相應(yīng)的選擇概率。交叉操作：交叉操作是遺傳算法中最主要的遺傳操作。簡(jiǎn)單的交叉（

41、即一點(diǎn)交叉）可分兩步進(jìn)行：首先對(duì)種群中個(gè)體進(jìn)行隨機(jī)配對(duì);其次，在配對(duì)個(gè)體中隨機(jī)設(shè)定交叉處，配對(duì)個(gè)體彼此交換部分信息。（6） 變異：變異操作是按位（bit）進(jìn)行的，即把某一位的內(nèi)容進(jìn)行變異。變異操作同樣也是隨機(jī)進(jìn)行的。一般而言，變異概率都取得較小。變異操作是十分微妙的遺傳操作，它需要和交叉操作配合使用，目的是挖掘群體中個(gè)體的多樣性，克服有可能限于局部解的弊病。這6個(gè)要素構(gòu)成了遺傳算法的核心內(nèi)容，其流程如圖1所示。圖1 遺傳算法的基本流程遺傳算法解題的基本步驟如下：Step1：參數(shù)設(shè)置及種群初始化；Step2：對(duì)不可行解進(jìn)行貪婪修復(fù)；Step3：適應(yīng)度評(píng)價(jià)；Step4：輪盤賭選擇；Step5：交叉

42、；Step6：變異；Step7：對(duì)不可行解進(jìn)行貪婪修復(fù)；Step8：適應(yīng)度評(píng)價(jià)；Step9：終止條件判斷，若未達(dá)到終止條件，則轉(zhuǎn)到Step4；Step10：輸出結(jié)果。五、運(yùn)行結(jié)果初始種群中的一個(gè)隨機(jī)值:Rlength = 8.1881e+004Rlength = 2.8217e+004迭代次數(shù)c 400迭代后結(jié)果Rlength = 2.8217e+00436個(gè)城市坐標(biāo)隨機(jī)化結(jié)果 遺傳算法求解結(jié)果六、結(jié)果分析由遺傳算法對(duì)以上求解可以看出，用遺傳算法來求解TSP問題是可行的。用遺傳算法求解時(shí)，增加迭代次數(shù)，可以得到更加優(yōu)良的結(jié)果，但是會(huì)需要更長(zhǎng)的時(shí)間，即一個(gè)優(yōu)良的結(jié)果往往是以時(shí)間為代價(jià)的，這種情況

43、要依據(jù)具體問題具體分析，平衡兩者在問題求解時(shí)的比重。另外，對(duì)選擇算法進(jìn)行優(yōu)化，會(huì)提高遺傳算法的性能，這些都需要在實(shí)踐中不斷積累和廣泛涉獵優(yōu)良算法。最后，遺傳算法得到的未必是最優(yōu)解，我們可以根據(jù)需要進(jìn)行多次求解，從而比較得出符合要求的結(jié)果。七、程序源代碼a=1304 2312;3639 1315;4177 2364;3712 1399;3488 1535;3326 1556;. 3238 1229;4196 1044;4312 790;2864 570;1927 1970;2562 1756;. 2788 1491;2381 1676;1332 695;3715 1678;3918 2179;4

44、061 2370;. 3780 2212;3676 2578;1537 2838;2745 2931;3429 1908;3507 2376;. 2788 1491;2381 1676;1332 695;3715 1678;3918 2179;4061 2370;. 3780 2212;3676 2578;1537 2838;2745 2931;3429 1908;3507 2376;. ;%a：假定的36個(gè)城市的坐標(biāo) n=100;%n：種群個(gè)數(shù)C=200;%C：停止代數(shù)m=2;%m：適配值淘汰加速指數(shù),不宜太大Pc=0.9;%Pc：交叉概率Pm=0.2;%Pm： 變異概率D=distance(a);%生成距離矩陣R,Rlength=GeneTSP(D,a,n,C,m,Pc,Pm);function R,Rlength=GeneTSP(D,a,n,C,m,Pc,Pm) N,NN=size(D); %(31*31) farm=zeros(n,N); %存儲(chǔ)種群 %隨機(jī)生成初始種群，隨機(jī)產(chǎn)生從1到N的N個(gè)初始值，例如, RANDPERM(6) ,可能結(jié)果為：2 4 5 6 1 3. for i=1:n farm(i,:)=randperm(N); end R=farm(1,:); %一個(gè)隨機(jī)解(個(gè)體) scatter(a(:,1),a(:,2