基于遺傳算法的虛擬企業(yè)風(fēng)險(xiǎn)評(píng)估管理

基于遺傳算法的虛擬企業(yè)風(fēng)險(xiǎn)評(píng)估管理基于遺傳算法的虛擬企業(yè)風(fēng)險(xiǎn)評(píng)估管理基于遺傳算法的虛擬企業(yè)風(fēng)險(xiǎn)評(píng)估管理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。但是,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。本文根據(jù)條件創(chuàng)建了虛擬企業(yè)的風(fēng)險(xiǎn)管理模型，并通過遺傳算法，對(duì)模型進(jìn)行分析，使企業(yè)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。關(guān)鍵詞：遺傳算法;虛擬企業(yè);風(fēng)險(xiǎn)管理

virtualenterpriseforriskmanagementBasedongeneticalgorithm首字母大寫Abstractgeneticalgorithmisasignificantprobabilityofrandomsearchalgorithm,whichprovidesacomplexsystemoptimizationproblemforthecommonframework.virtualenterprisesisanewmodeofproduction,whichisbasedonadynamicallianceofagilemanufacturing,andcreativelysummedupasakindof"virtualorganization"ofnewbusinessmodels.Asacanofhigh-quality,lowcost,rapidresponsetomarketdemandsolutions,virtualenterprisesareattractingmoreandmoreattentiontomybusiness.However,virtualenterpriseinhelpingenterpriseswillbeabletorespondflexibility,butalsoinevitablybringanewelementofrisk.Thisarticlecreatestheriskofvirtualenterprisemodelbasedontheconditionsandthroughgeneticalgorithms,themodelanalysisenterpriseresourcestobeoptimalintegration.Usingthebasicprinciplesofgeneticalgorithms,thestructuralproblemsofthebeginningofthepopulation,afterselection,crossoverandanewvariantoftheoptimalsolutionsetpopulation.ExperimentalresultsshowthatgeneticalgorithmforriskmanagingmodelfortheeffectisveryKeywords：geneticalgorithm;virtualenterprise;riskmanagement

目錄摘要 IAbstract II1緒論 11.1選題背景 11.11虛擬企業(yè) 11.12虛擬企業(yè)的發(fā)展 11.13虛擬企業(yè)產(chǎn)生的原因 11.14虛擬企業(yè)的特點(diǎn) 21.2國(guó)內(nèi)外關(guān)于虛擬企業(yè)風(fēng)險(xiǎn)管理的方法 31.21虛擬企業(yè)存在的經(jīng)濟(jì)學(xué)解釋 41.22虛擬企業(yè)風(fēng)險(xiǎn)管理方法的要點(diǎn) 41.3遺傳算法 51.31遺傳算法的產(chǎn)生 51.32遺傳算法的生物學(xué)背景 51.33基因（gene） 61.34復(fù)制（Repeoduction） 71.35搜索空間（SearchSpace） 71.36遺傳算法的步驟 71.37遺傳算法的特點(diǎn) 71.38遺傳算法在國(guó)內(nèi)外研究現(xiàn)狀 81.4本文工作 92風(fēng)險(xiǎn)規(guī)劃數(shù)學(xué)模型 102.1基于馬爾可夫過程的風(fēng)險(xiǎn)評(píng)價(jià)模型 102.2問題描述 152.3風(fēng)險(xiǎn)規(guī)劃模型 163遺傳算法對(duì)風(fēng)險(xiǎn)控制模型的求解 183.1算法特點(diǎn) 183.2設(shè)計(jì)要素 183.3程序流程 203.4應(yīng)用MATLAB軟件對(duì)本問題程序算法的設(shè)計(jì) 213.5仿真結(jié)果分析 233.5.1靜態(tài)結(jié)果分析 233.5.1動(dòng)態(tài)結(jié)果分析 25結(jié)論 27致謝 28參考文獻(xiàn) 29附錄 301緒論1.1選題背景1.1.1虛擬企業(yè)“虛擬”一詞產(chǎn)生于計(jì)算機(jī)產(chǎn)業(yè)。在電子計(jì)算機(jī)領(lǐng)域，虛擬指本身不是一個(gè)真正的物理存在，而是借用軟件實(shí)現(xiàn)的存在。它通過借用外部共同的信息網(wǎng)絡(luò)與通道，提高數(shù)據(jù)存儲(chǔ)數(shù)量、質(zhì)量與效率，制造出栩栩如生的圖象、聲音、文字等三維場(chǎng)景。虛擬技術(shù)移植到企業(yè)經(jīng)營(yíng)上，是指處于不同地域的人和物，可以通過信息技術(shù)連接起來，為一個(gè)共同目標(biāo)而合作。通過虛擬，一個(gè)企業(yè)不必再雇傭許多員工，組建固定的組織機(jī)構(gòu)，也不需要投入大量資金建造工廠購(gòu)置設(shè)備，只需少量技術(shù)人員和管理人員，就可以完成新產(chǎn)品的決策、研發(fā)、生產(chǎn)、銷售及會(huì)計(jì)核算等。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。虛擬體中的每個(gè)成員稱為虛擬企業(yè)。1.12虛擬企業(yè)的發(fā)展目前，虛擬企業(yè)仍處于發(fā)展的初級(jí)階段，盡管有關(guān)的組織和運(yùn)行模式已經(jīng)得到廣泛的運(yùn)用，但完全虛擬化的企業(yè)還處于設(shè)想階段。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。信息技術(shù)不斷發(fā)展的形勢(shì)下，虛擬化的環(huán)節(jié)將繼續(xù)增加，涉及的領(lǐng)域?qū)⒏鼜V泛。加強(qiáng)對(duì)虛擬企業(yè)生命周期的分析，特別是加強(qiáng)各階段風(fēng)險(xiǎn)的識(shí)別、防范與化解，就更為必要。1.13虛擬企業(yè)產(chǎn)生的原因1社會(huì)條件的變化。首先，全球經(jīng)濟(jì)一體化使得企業(yè)間市場(chǎng)競(jìng)爭(zhēng)激化，促使組織之間聯(lián)盟以弱化直接競(jìng)爭(zhēng)，同時(shí)經(jīng)濟(jì)全球化促使國(guó)際勞動(dòng)分工的越來越細(xì)化，企業(yè)間滲透越來越深，協(xié)作的要求也越來越緊迫。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。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)。2組織效果的變化。隨著信息時(shí)代的到來，工業(yè)經(jīng)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)。市場(chǎng)需求越來越多變，新產(chǎn)品加速出現(xiàn)，產(chǎn)品壽命周期越來越短，這些都要求企業(yè)有能力迅速根據(jù)市場(chǎng)機(jī)會(huì)合成相應(yīng)生產(chǎn)能力。與此同時(shí)，信息技術(shù)的進(jìn)步使得企業(yè)外部交易成本低于內(nèi)部交易成本。這些都促使了企業(yè)進(jìn)一步分化并加強(qiáng)核心功能而放棄其他功能，并借助電子網(wǎng)絡(luò)的手段，通過虛擬形式，集合各“真實(shí)公司”的核心能力和資源，在技術(shù)、資源、管理等方面形成競(jìng)爭(zhēng)優(yōu)勢(shì)，通過分享市場(chǎng)機(jī)會(huì)，達(dá)到多方共贏。1.1.4虛擬企業(yè)的特點(diǎn)1企業(yè)邊界模糊虛擬企業(yè)是許多企業(yè)的臨時(shí)聯(lián)盟，它們具有自己的關(guān)鍵技術(shù)，通常圍繞某個(gè)核心企業(yè)或中間企業(yè)組織的關(guān)鍵技能聯(lián)成臨時(shí)網(wǎng)絡(luò)組織，以達(dá)到共享技術(shù)、分?jǐn)傎M(fèi)用以及滿足市場(chǎng)需求的目的。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。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。2以發(fā)達(dá)的信息網(wǎng)絡(luò)為基礎(chǔ)在虛擬企業(yè)運(yùn)行中，信息共享是關(guān)鍵。現(xiàn)代信息技術(shù)和通訊手段使得溝通更為便利，采用通用數(shù)據(jù)進(jìn)行信息交換，可以使所有參與聯(lián)盟的企業(yè)都能共享設(shè)計(jì)、生產(chǎn)以及營(yíng)銷的有關(guān)信息，從而協(xié)調(diào)步調(diào)，保證較好的合作，使虛擬企業(yè)集成出較強(qiáng)的競(jìng)爭(zhēng)優(yōu)勢(shì)。3并行作業(yè)虛擬企業(yè)在完成某一項(xiàng)目或任務(wù)時(shí)，項(xiàng)目或任務(wù)按照并行工程的思想被分解為相對(duì)獨(dú)立的工作模塊，并且各個(gè)合作模塊可以并行作業(yè)，項(xiàng)目或任務(wù)的主持者可以利用先進(jìn)的信息通訊手段在其間不斷地溝通與協(xié)調(diào)，從而保證各個(gè)工作模塊最終的互相銜接。這樣既縮短了時(shí)間，節(jié)約了成本，又促進(jìn)了各參與企業(yè)有效配置自己的資源及虛擬企業(yè)整體資源的充分利用。4技術(shù)先進(jìn)的企業(yè)網(wǎng)絡(luò)該企業(yè)網(wǎng)絡(luò)中的每個(gè)成員都要貢獻(xiàn)一定的資源，供大家共享，而且這個(gè)企業(yè)網(wǎng)絡(luò)運(yùn)行的集合競(jìng)爭(zhēng)優(yōu)勢(shì)和競(jìng)爭(zhēng)力水平大于各個(gè)參與者的競(jìng)爭(zhēng)優(yōu)勢(shì)和競(jìng)爭(zhēng)力水平的簡(jiǎn)單相加，因此虛擬企業(yè)在產(chǎn)品或服務(wù)的技術(shù)開發(fā)上更容易形成強(qiáng)大的競(jìng)爭(zhēng)優(yōu)勢(shì)，其開發(fā)的產(chǎn)品或服務(wù)在市場(chǎng)上處于領(lǐng)先地位。虛擬企業(yè)的整體競(jìng)爭(zhēng)力水平大于各個(gè)參與者的競(jìng)爭(zhēng)力水平的簡(jiǎn)單相加。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。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)。虛擬企業(yè)的上述特點(diǎn)，注定了虛擬企業(yè)具有較強(qiáng)的適應(yīng)市場(chǎng)能力的柔性與靈捷性，各方優(yōu)勢(shì)資源集中更催生出極強(qiáng)的競(jìng)爭(zhēng)優(yōu)勢(shì)與競(jìng)爭(zhēng)力。1.2國(guó)內(nèi)外關(guān)于虛擬企業(yè)風(fēng)險(xiǎn)管理的方法1991年美國(guó)里海（Lehigh）大學(xué)學(xué)者Kenneth，Preiss等在《21世紀(jì)制造企業(yè)戰(zhàn)略》報(bào)告中提出了虛擬企業(yè)（VirtualEnterprise）這一概念。從此，作為企業(yè)組織創(chuàng)新形式——虛擬企業(yè)的學(xué)術(shù)研究拉開了帷幕。1992年，美國(guó)學(xué)者WilliamH.Davidow和MichaelS.Malone在其專著《虛擬公司》中認(rèn)為，虛擬企業(yè)是由一些獨(dú)立的廠商、顧客、甚至同行的競(jìng)爭(zhēng)對(duì)手通過信息技術(shù)聯(lián)成臨時(shí)的網(wǎng)絡(luò)組織，以達(dá)到共享技術(shù)、分?jǐn)傎M(fèi)用以及滿足市場(chǎng)需求的目的，虛擬企業(yè)沒有中央辦公室，也沒有正式的組織圖，更不像傳統(tǒng)組織那樣具有多層次的組織結(jié)構(gòu)。作為一種新的制度安排，虛擬企業(yè)已日見增多并受到國(guó)內(nèi)外企業(yè)界和學(xué)術(shù)界的關(guān)注，有關(guān)這一領(lǐng)域的研究，就目前來說，國(guó)內(nèi)和國(guó)外進(jìn)展相當(dāng)。針對(duì)虛擬企業(yè)風(fēng)險(xiǎn)影響因素多、直接量化評(píng)價(jià)較難的特點(diǎn)，現(xiàn)在一般用層次分析法（AHP）的理論及基本應(yīng)用步驟來作較為詳細(xì)的闡述；運(yùn)用層次分析法對(duì)虛擬企業(yè)的備選方案的風(fēng)險(xiǎn)評(píng)價(jià)進(jìn)行了實(shí)證分析，闡明層次分析法在多個(gè)指標(biāo)、方案中選擇最佳的組合方案時(shí)是一種科學(xué)，可行的方法。層次分析法（AnalyticHierarchyProcess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。它的特點(diǎn)是把復(fù)雜問題中的各種因素通過劃分為相互聯(lián)系的有序?qū)哟?，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）把專家意見和分析者的客觀判斷結(jié)果直接而有效地結(jié)合起來，將一層次元素兩兩比較的重要性進(jìn)行定量描述。而后，利用數(shù)學(xué)方法計(jì)算反映每一層次元素的相對(duì)重要性次序的權(quán)值，通過所有層次之間的總排序計(jì)算所有元素的相對(duì)權(quán)重并進(jìn)行排序。該方法自1982年被介紹到我國(guó)以來，以其定性與定量相結(jié)合地處理各種決策因素的特點(diǎn)，以及其系統(tǒng)靈活簡(jiǎn)潔的優(yōu)點(diǎn)，迅速地在我國(guó)社會(huì)經(jīng)濟(jì)各個(gè)領(lǐng)域內(nèi)，如能源系統(tǒng)分析、城市規(guī)劃、經(jīng)濟(jì)管理、科研評(píng)價(jià)等，得到了廣泛的重視和應(yīng)用。應(yīng)用層次分析法的注意事項(xiàng)。如果所選的要素不合理，其含義混淆不清，或要素間的關(guān)系不正確，都會(huì)降低ahp法的結(jié)果質(zhì)量，甚至導(dǎo)致ahp法決策失敗。為保證遞階層次結(jié)構(gòu)的合理性，需把握以下原則，1分解簡(jiǎn)化問題時(shí)把握主要因素，不漏不多；2注意相比較元素之間的強(qiáng)度關(guān)系，相差太懸殊的要素不能在同一層次比較。1.2.1虛擬企業(yè)存在的經(jīng)濟(jì)學(xué)解釋虛擬企業(yè)是企業(yè)制度演變過程中的制度創(chuàng)新及組織形態(tài)創(chuàng)新。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。企業(yè)存在于一個(gè)開放的系統(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(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。在企業(yè)之外的市場(chǎng)中，對(duì)外協(xié)調(diào)的交易費(fèi)用主要靠“看不見的手”——市場(chǎng)機(jī)制來調(diào)節(jié)，而企業(yè)內(nèi)部的協(xié)調(diào)是企業(yè)管理者通過“看得見的手”——企業(yè)的行政命令協(xié)調(diào)機(jī)制來完成的?？扑梗–oaseR.H.）認(rèn)為，交易費(fèi)用是決定企業(yè)的存在、企業(yè)和市場(chǎng)邊界的唯一變數(shù)。例如，若企業(yè)不存在，雇主就不得不每天到勞動(dòng)力市場(chǎng)購(gòu)買勞動(dòng)力，為此要花費(fèi)很多時(shí)間、精力、勞力和物力，即付出更高的交易費(fèi)用；如果雇主內(nèi)化了勞動(dòng)力，使他們成為企業(yè)的雇員，就節(jié)省了外部交易費(fèi)用。當(dāng)節(jié)省的外部交易費(fèi)用的邊際好處被內(nèi)部交易費(fèi)用增加的邊際壞處抵銷時(shí)，再擴(kuò)大規(guī)模就不經(jīng)濟(jì)了。所以，企業(yè)的合理邊界位和規(guī)模就是企業(yè)內(nèi)部交易費(fèi)用的增加恰好等于市場(chǎng)交易費(fèi)用的節(jié)約。1.2.2虛擬企業(yè)風(fēng)險(xiǎn)管理方法的要點(diǎn)1識(shí)別有效市場(chǎng)機(jī)遇。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。2充分運(yùn)用供應(yīng)鏈技術(shù)。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，以最短的提前期為客戶提供滿意的服務(wù)，并保證實(shí)時(shí)維護(hù)庫(kù)存帳務(wù)，最大限度降低庫(kù)存，加速資金周轉(zhuǎn)。同時(shí)，為企業(yè)管理人員正確決策提供依據(jù)。3建立信息溝通和協(xié)調(diào)模式。虛擬企業(yè)的運(yùn)作效率與成員企業(yè)的信息溝通密切相關(guān)，為了使成員企業(yè)能夠迅速地獲得和共享信息，迅速實(shí)現(xiàn)自我調(diào)整和相互配合，虛擬企業(yè)應(yīng)當(dāng)建立一套有效的信息溝通和協(xié)調(diào)模式。根據(jù)獨(dú)立性遞減、復(fù)雜性遞增、機(jī)會(huì)主義威脅遞減和官僚成本遞增的特點(diǎn)，可以靈活選擇雙向調(diào)整、聯(lián)盟、自發(fā)性三邊規(guī)制和強(qiáng)制性三遍規(guī)制這四種不同模式。4建立和增加成員企業(yè)間信任。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。1.3遺傳算法1.3.1遺傳算法的產(chǎn)生20世紀(jì)60年代中期，JohnHolland在A.S.Fraser和H.J.Bremermann等人工作的基礎(chǔ)上提出了位串編碼技術(shù)。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。隨后，Holland將算法用于自然和人工系統(tǒng)的適應(yīng)行為的研究中，并于1975年出版了其開創(chuàng)性著作“AdaptationinNaturalandArtificialSystems”。以后，Holland等人將該算法加以推廣，應(yīng)用到優(yōu)化及機(jī)器學(xué)習(xí)等問題中，并正式定名為遺傳算法。遺傳算法的通用編碼技術(shù)和簡(jiǎn)單的有效的遺傳操作作為其廣泛，成早期功地應(yīng)用奠定了基礎(chǔ)。Holland有關(guān)遺傳算法的許多概念一直沿用至今，他認(rèn)為遺傳算法的本質(zhì)上是適應(yīng)性算法，應(yīng)用最多的是系統(tǒng)最優(yōu)化的研究。1.3.2遺傳算法的生物學(xué)背景遺傳算法是以達(dá)爾文自然進(jìn)化論和孟德爾遺傳變異理論為基礎(chǔ)的求解復(fù)雜全局優(yōu)化問題的仿生型算法，它以適者生存、不適應(yīng)者被淘汰為進(jìn)化策略，對(duì)包含可能解的群體反復(fù)進(jìn)行選擇、交叉、變異等遺傳學(xué)操作，從而使種群不斷進(jìn)化，以搜索到最優(yōu)解或準(zhǔn)最優(yōu)解，具有簡(jiǎn)單實(shí)用、魯棒性強(qiáng)、本質(zhì)并行性等特點(diǎn)。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。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。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。選擇機(jī)制應(yīng)保證適應(yīng)度較高的解能夠保留較多的樣本；而適應(yīng)度較底的解則保留較少的樣本，甚至被淘汰。在接下去的繁殖過程中，遺傳算法提供了交叉和變異兩種算子對(duì)挑選后的樣本進(jìn)行交換。交叉算子交換隨機(jī)挑選的兩個(gè)編碼的某些位，變異算子則直接對(duì)一個(gè)編碼中的隨機(jī)挑選的某一位進(jìn)行反轉(zhuǎn)。這樣通過選擇和繁殖就產(chǎn)生了下一代編碼組。重復(fù)上述選擇和繁殖過程，直到結(jié)束條件得到滿足為止。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。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。1.3.3基因（gene）所有的生物都是由細(xì)胞組成的。在每一個(gè)細(xì)胞中都有想同序列的染色體。染色體是一串DNA的片斷，它為整個(gè)有機(jī)體提供了一種復(fù)制模式。染色體是由基因組成的，或者說染色體就是一塊塊的基因。每一個(gè)基因?yàn)橐粋€(gè)特定的蛋白質(zhì)編碼。或者更簡(jiǎn)單的說，每一個(gè)基因?yàn)樯矬w的某一特定特征編碼，比如說眼睛的顏色。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。每一個(gè)基因在染色體上都有其特定的位置，這個(gè)位置一般被稱作位點(diǎn)（Locus）。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）?；蚪M上特定序列的基因被稱作基因型（Genotype）?；蛐秃秃筇斓谋憩F(xiàn)型兩者是有機(jī)體的顯性、生理和心理特征比如說眼睛的顏色、智力的基礎(chǔ)。1.3.4復(fù)制（Repeoduction）在復(fù)制中，首先發(fā)生的是交叉（Crossover）。來自于父代的基因按照一定的方式組成了新的基因。新的子代還可能發(fā)生變異（Mutation）。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。這些改變可能是由于在由父代到子代的基因復(fù)制中出現(xiàn)的誤差。1.3.5搜索空間（SearchSpace）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。所有可行解（FeasibleSolution可行解就是滿足了一定約束條件的解）組成的空間稱之為搜索空間（也可以稱之為狀態(tài)空間）。搜索空間中的每一個(gè)點(diǎn)都是一個(gè)可行解。每一個(gè)可行解都可以被它的函數(shù)值或者它的適應(yīng)度所標(biāo)記。問題的解就是搜索空間中的一個(gè)點(diǎn)，于是我們就是要從搜索空間中找到這個(gè)點(diǎn)。這樣，求解問題就可以轉(zhuǎn)化為在搜索空間中尋找極值點(diǎn)（最大值或者最小值點(diǎn)）。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)。問題是，這個(gè)搜索過程可能很復(fù)雜，我們甚至不知道該去哪里搜索或者該從是么地方開始搜索。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（HillClimbing）禁止接近法(TabuSearch),模擬退火算法(SimulatedAnnealing)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.1.3.6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。選擇、雜交、變異構(gòu)成遺傳算法的3個(gè)主要遺傳操作。參數(shù)編碼、初始群體的設(shè)定適應(yīng)度函數(shù)設(shè)計(jì)、控制參數(shù)設(shè)定等要素組成遺傳算法的核心內(nèi)容。其主要步驟是編碼→初始種群的生成→適應(yīng)度評(píng)估檢測(cè)→選擇→雜交→變異。1.3.7遺傳算法的特點(diǎn)傳統(tǒng)的優(yōu)化方法主要有三種：枚舉法、啟發(fā)式算法和搜索算法。遺傳算法不同于傳統(tǒng)的搜索和優(yōu)化方法。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）。應(yīng)用遺傳算法求解問題時(shí)，在編碼方案、適應(yīng)度函數(shù)及遺傳算子確定后，算法將利用進(jìn)化過程中獲得的信息自行組織搜索。由于基于自然的選擇策略“適者生存、不適者被淘汰”。因而適應(yīng)度大的個(gè)體具有較高的生存概率。通常適應(yīng)度大的個(gè)體具有更適應(yīng)環(huán)境的基因結(jié)構(gòu)，再通過基因重組和基因突變等遺傳操作，就可能產(chǎn)生更適應(yīng)環(huán)境的后代。進(jìn)化算法的這種自組織、自適應(yīng)特征，使它同時(shí)具有能根據(jù)環(huán)境變化來自動(dòng)發(fā)現(xiàn)環(huán)境的特性和規(guī)律的能力。自然選擇消除了算法設(shè)計(jì)過程中的一個(gè)最大障礙，即需要事先描述問題的全部特點(diǎn)，并要說明針對(duì)問題的不同特點(diǎn)算法應(yīng)采取的措施。因此，利用遺傳算法，我們可以解決那些復(fù)雜的非結(jié)構(gòu)化問題。2遺傳算法的本質(zhì)并行性。遺傳算法按并行方式搜索一個(gè)種群數(shù)目的點(diǎn)，而不是單點(diǎn)。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（inherentparallelism）,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。這種并行處理方式對(duì)并行系統(tǒng)結(jié)構(gòu)沒有什么限制和要求，可以說，遺傳算法適合在目前所有的并行機(jī)或分布式系統(tǒng)上進(jìn)行并行處理，而且對(duì)并行效率沒有太大影響。二是遺傳算法的內(nèi)含并行性（implicitparallelism）。由于遺傳算法采用種群的方式組織搜索，因而可同時(shí)搜索解空間內(nèi)的多個(gè)區(qū)域，并相互交流信息。3遺傳算法不需要求導(dǎo)或其他輔助知識(shí)，而只需要影響搜索方向的目標(biāo)函數(shù)和相應(yīng)的適應(yīng)度函數(shù)。4遺傳算法強(qiáng)調(diào)概率轉(zhuǎn)換規(guī)則，而不是確定的轉(zhuǎn)換規(guī)則。5遺傳算法可以更加直接的應(yīng)用。6遺傳算法對(duì)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。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。這種遺傳算法對(duì)于確認(rèn)可替代解集而言是特別合適的。1.3.8遺傳算法在國(guó)內(nèi)外研究現(xiàn)狀近年來，GA在商業(yè)應(yīng)用方面取得一系列重要成果?；蛟S這也是它受到學(xué)術(shù)界之外的企業(yè)界、政府部門以及更廣泛的社會(huì)階層普遍重視的原因。GA的商業(yè)應(yīng)用五花八門，覆蓋面甚廣，Coldborg在Comm.ACM上的一篇專論較為詳細(xì)地介紹了美國(guó)近年來的一些成果。例如，通用電器的計(jì)算機(jī)輔助設(shè)計(jì)系統(tǒng)Engeneous，這是一個(gè)混合系統(tǒng)（hybridsystem），采用了GA以及其他傳統(tǒng)的優(yōu)化技術(shù)做為尋優(yōu)手段。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。美國(guó)新墨西哥州州立大學(xué)心理學(xué)系開發(fā)了一個(gè)所謂的Faceprint系統(tǒng)，可根據(jù)目擊者的印象通過計(jì)算機(jī)生成嫌疑犯的面貌。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。在這基礎(chǔ)上，GA按通常的選擇、交換和突變算子生成新的面孔。Faceprint的效果很好，已申報(bào)專利。同一個(gè)州的一家企業(yè)——預(yù)測(cè)公司（PredictionCompany）則首先開發(fā)了一組用于金融交易的時(shí)間序列預(yù)測(cè)和交易工具，其中GA起了重要作用：據(jù)說，這一系統(tǒng)實(shí)際運(yùn)行效果很好，可以達(dá)到最好的交易員的水平，引起銀行界的關(guān)注。GA在軍事上的應(yīng)用也有報(bào)道：如用于紅外線圖象目標(biāo)判別的休斯遺傳程序系統(tǒng)（Hughesgeneticprogrammingsystem），效果很好，以至準(zhǔn)備把它固化成硬件。就GA本身的研究而言，應(yīng)該說，我國(guó)起步較晚，近幾年才陸續(xù)看到一些介紹性的文章、不多于兩三部的專著以及初步的研究報(bào)告。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)。理論研究與實(shí)際應(yīng)用不夠緊密，阻礙了我國(guó)高新技術(shù)的迅速發(fā)展，幾乎已經(jīng)成為頑癥。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。學(xué)術(shù)界要主動(dòng)和企業(yè)界連手開發(fā)GA的應(yīng)用，要重視引進(jìn)或自行研制類似于Splicer的程序設(shè)計(jì)環(huán)境，使GA的應(yīng)用更加方便和快捷。國(guó)家組建的工程研究中心應(yīng)該在這方面發(fā)揮更大的作用。工科數(shù)學(xué)教育也應(yīng)有所調(diào)整，以適應(yīng)高新技術(shù)發(fā)展的需要。1.4本文工作本文采用馬爾可夫方法，對(duì)虛擬企業(yè)中的風(fēng)險(xiǎn)管理問題進(jìn)行了初步的研究，在本文中利用馬爾可夫?qū)ιa(chǎn)的整個(gè)過程進(jìn)行動(dòng)態(tài)跟蹤以達(dá)到對(duì)風(fēng)險(xiǎn)的動(dòng)態(tài)控制。在下面的章節(jié)中，根據(jù)馬爾可夫理論提出了馬爾可夫的動(dòng)態(tài)風(fēng)險(xiǎn)管理模型；并深入討論了遺傳算法在此問題中的應(yīng)用。2風(fēng)險(xiǎn)管理模型2.1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。系統(tǒng)由一種狀態(tài)轉(zhuǎn)移至另一種狀態(tài)的過程稱為馬爾可夫過程。馬爾可夫鏈分析是利用狀態(tài)間的狀態(tài)轉(zhuǎn)移概率來反映系統(tǒng)狀態(tài)的動(dòng)態(tài)變化，表示從第狀態(tài)經(jīng)過一步轉(zhuǎn)移到第狀態(tài)的概率，。以狀態(tài)轉(zhuǎn)移概率為元素的矩陣稱為馬爾可夫鏈的一步狀態(tài)轉(zhuǎn)移概率矩陣，簡(jiǎn)稱轉(zhuǎn)移矩陣，記為，其每行元素之和為1。如果馬爾可夫鏈上的兩狀態(tài)可以相互轉(zhuǎn)移，則稱兩狀態(tài)是連通的。如果狀態(tài)空間中的任意兩狀態(tài)都是連通的，則稱此狀態(tài)空間是連通狀態(tài)空間。根據(jù)連通的概念，馬爾可夫的狀態(tài)空間可以分為不返回狀態(tài)（過渡態(tài)）和吸收態(tài)。在馬爾可夫鏈中如果有的狀態(tài)一旦進(jìn)入就不能離開，則此狀態(tài)稱為吸收態(tài)。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]。一個(gè)具有個(gè)不返回狀態(tài)和個(gè)吸收狀態(tài)的馬爾可夫鏈可以表示為下列轉(zhuǎn)移矩陣： (2.5)其中：表示系統(tǒng)的不返回狀態(tài)之間的關(guān)系；表示不返回狀態(tài)和吸收態(tài)之間的關(guān)系；：階單位矩陣；：零矩陣。易知，矩陣，其中（對(duì)所有的）且，（）[5]。依據(jù)馬爾可夫過程的基本原理，對(duì)虛擬企業(yè)風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)。首先分析整個(gè)過程可能出現(xiàn)的風(fēng)險(xiǎn)因素，忽略次要因素。并依據(jù)風(fēng)險(xiǎn)因素的影響把整個(gè)生產(chǎn)過程分成若干個(gè)狀態(tài)，用馬爾可夫來追蹤整個(gè)生產(chǎn)過程的發(fā)展情況。現(xiàn)以兩階段為例對(duì)模型進(jìn)行描述。假設(shè)整個(gè)生產(chǎn)過程分成兩個(gè)階段，準(zhǔn)備和運(yùn)行階段。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)。馬爾可夫鏈狀態(tài)空間狀態(tài)轉(zhuǎn)移矩陣 （2.5）引入?yún)?shù)表示從狀態(tài)進(jìn)入吸收態(tài)的概率，表示從狀態(tài)進(jìn)入過渡態(tài)的概率，則必有（2.6）（2.7）在此基礎(chǔ)上進(jìn)一步分析如下：（1）吸收矩陣的第一行的兩個(gè)元素分別表示完工概率和失敗率。（2）生產(chǎn)平均成本：表示狀態(tài)占有成本矢量;:的向量元素，表示狀態(tài)內(nèi)占有的成本2.2問題描述項(xiàng)目的各個(gè)工序有不同的完工時(shí)間，對(duì)應(yīng)的完工成本和完工概率就不同，從而項(xiàng)目的完工時(shí)間、完工成本和完工概率也不同。決策者根據(jù)自身的實(shí)際情況選擇適合自己的措施。本文所研究的問題就是要在投入成本和用戶工期要求一定的條件下，使項(xiàng)目的各工序最小完工概率最大。依據(jù)馬爾可夫過程的基本原理，得到各工序的轉(zhuǎn)移矩陣：1編制任務(wù)計(jì)劃書(2.6)2技術(shù)設(shè)計(jì)(2.7)3機(jī)械裝配設(shè)計(jì)(2.8)4電器裝配設(shè)計(jì)(2.9)5原材料及外購(gòu)件購(gòu)買(2.10)6機(jī)械裝配工藝規(guī)程(2.11)7零件設(shè)計(jì)(2.12)8電器裝配工藝規(guī)程(2.13)9制定材料定額(2.14)10零件加工(2.15)11機(jī)械裝配(2.16)12電器裝配(2.17)13調(diào)試現(xiàn)有某聯(lián)盟生產(chǎn)一種車，其工序流程如表2.1：表2.1各工序風(fēng)險(xiǎn)規(guī)劃結(jié)果A工序名稱各工序?qū)?yīng)的時(shí)間完工概率完工成本（元）B技術(shù)任務(wù)書20.397235930.7257325.5C技術(shù)設(shè)計(jì)80.4896308490.59133045100.7023006D機(jī)械裝配設(shè)計(jì)80.4672218090.56882140100.682100E電器裝配設(shè)計(jì)40.452854550.67525F原材料及外購(gòu)件購(gòu)買50.4356456160.58068443270.745084303G機(jī)械裝配工藝規(guī)程50.42108060.5688105670.73921032H零件設(shè)計(jì)80.475217290.5782132100.6922090I電器裝配工藝規(guī)程10.2522420.7208J制定材料定額20.3836557.530.7131523.75K零件加工50.475589760.63852L機(jī)械裝配160.46234128.8170.5084061.1180.5553993.4190.6053925.7200.65583858M電器裝配10.2522420.7208N調(diào)試10.2531020.72702.3風(fēng)險(xiǎn)管理模型上例中的風(fēng)險(xiǎn)管理模型如下：(2.1)(2.2)(2.3)其中：：工序的完工時(shí)間：工序完工時(shí)間為時(shí)對(duì)應(yīng)的完工概率：工序完工時(shí)間為時(shí)對(duì)應(yīng)的成本：關(guān)鍵工序集合：工序數(shù)目：規(guī)定的項(xiàng)目完工時(shí)間：規(guī)定的項(xiàng)目完工成本3遺傳算法對(duì)風(fēng)險(xiǎn)管理模型的求解生物進(jìn)化論的觀點(diǎn)認(rèn)為：生物不但遺傳而且有變異，這種變異是因?yàn)槿旧w不但復(fù)制而且有交叉及基因突變，如果這種變異更適應(yīng)環(huán)境，那么這種產(chǎn)生變異的個(gè)體會(huì)繁衍下去，反之則被環(huán)境所淘汰，這就是適者生存，不適者被淘汰的自然法則。遺傳算法（geneticalgorithms）簡(jiǎn)稱GA就是J.Holland于1975年受生物進(jìn)化論的啟發(fā)而提出的。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。它將問題的求解表示成“染色體”的適應(yīng)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(gè)，即有一群候選解。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。3.1算法特點(diǎn)1GA對(duì)問題參數(shù)編碼稱“染色體”后進(jìn)行操作，而不是針對(duì)參數(shù)本身，這使得GA不受函數(shù)約束條件的限制，如連續(xù)性、可導(dǎo)性等。2GA的搜索過程是從問題解的一個(gè)集合開始的，而不是從單個(gè)個(gè)體開始的，具有隱含并行搜索特性，從而大大減小了陷入局部極小的可能。3GA使用的遺傳操作均是隨機(jī)操作，同時(shí)GA根據(jù)個(gè)體的適應(yīng)值信息進(jìn)行搜索，無需其他信息，如導(dǎo)數(shù)信息等。4GA具有全局搜索能力，最善于搜索復(fù)雜問題和非線性問題[6]。3.2設(shè)計(jì)要素1確定問題的編碼方案：就是將問題的解用一種編碼來表示，從而將問題的狀態(tài)空間與GA的碼空間相對(duì)應(yīng)，這在很大程度上依賴于問題的性質(zhì)，并將影響遺傳操作的設(shè)計(jì)。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。編碼方法有很多種：順序編碼，自然數(shù)編碼，實(shí)數(shù)編碼，二進(jìn)制編碼。2確定適應(yīng)值函數(shù)：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)。GA進(jìn)化過程中基本不用如導(dǎo)數(shù)一類的外部信息，而僅用目標(biāo)函數(shù)即適應(yīng)值函數(shù)為依據(jù)。適應(yīng)值函數(shù)可以由很多方法得出，可以直接利用目標(biāo)函數(shù)，也可以通過目標(biāo)函數(shù)的變換來定義。對(duì)于極大值問題，可以直接利用目標(biāo)函數(shù)作為適應(yīng)值函數(shù)。對(duì)于目標(biāo)函數(shù)求極小值問題，可以采用倒數(shù)的方式或用一個(gè)極大值減去目標(biāo)函數(shù)值。3算子的設(shè)計(jì)：這部分是GA的核心，即實(shí)現(xiàn)優(yōu)勝劣態(tài)的進(jìn)化過程的主體。該操作包括三個(gè)基本算子：選擇、交叉和變異。選擇算子就是從群體中選擇出優(yōu)秀個(gè)體，淘汰劣質(zhì)個(gè)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。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。交叉算子作用于組合出新的個(gè)體，在解空間中進(jìn)行有效搜索，同時(shí)降低對(duì)有效模式的破壞概率。常用的有單點(diǎn)交叉和多點(diǎn)交叉，其中單點(diǎn)交叉就是隨機(jī)地在兩個(gè)父串上選擇一個(gè)交叉點(diǎn)，然后交換這兩個(gè)串的對(duì)應(yīng)的子串。變異算子是為了保持群體中的個(gè)體的多樣性而在產(chǎn)生后代的過程中使用的操作算子。4算法參數(shù)的選?。褐饕ǚN群數(shù)目、交叉與變異概率、進(jìn)化代數(shù)、種群數(shù)目是影響算法優(yōu)化性能和效率的因素之一。通常，種群太小則不能提供足夠的采樣點(diǎn)，以致算法性能很差，甚至得不到問題的可行解；種群太大時(shí)盡管可增加優(yōu)化信息以阻止早熟收斂的發(fā)生，但會(huì)增加計(jì)算量，從而使收斂時(shí)間太長(zhǎng)。交叉概率用于控制交叉操作的頻率。概率太大時(shí)，種群中串的更新很快，進(jìn)而會(huì)使適應(yīng)值高的個(gè)體很快被破壞掉；概率太小時(shí)。交叉操作很少進(jìn)行，從而會(huì)使搜索停滯不前。變異概率是加大種群多樣性的重要因素。概率太小不會(huì)產(chǎn)生新個(gè)體，概率太大則使GA成為隨機(jī)搜索。5算法終止標(biāo)準(zhǔn)：如果沒有人為的控制，算法的進(jìn)化過程將永無止境的進(jìn)行下去，而事實(shí)上可能進(jìn)化到當(dāng)前的結(jié)果已經(jīng)是最優(yōu)或進(jìn)化已經(jīng)停止而并沒有得到最優(yōu)解，所以算法設(shè)計(jì)中一個(gè)重要的問題就是確定算法的終止標(biāo)準(zhǔn)。不過，目前還沒有一種判斷性能很好，適應(yīng)范圍很廣的控制標(biāo)準(zhǔn)，所以，一般的GA程序都使用由用戶控制的最大進(jìn)化代數(shù)來控制算法的進(jìn)程[7]。3.3程序流程遺傳算法的主要步驟可描述如下：Step1：隨機(jī)產(chǎn)生初始種群，并評(píng)價(jià)每個(gè)個(gè)體的適應(yīng)值。Step2：判斷算法收斂準(zhǔn)則是否滿足。如果滿足則輸出搜索結(jié)果，否則執(zhí)行以下步驟。Step3：根據(jù)適應(yīng)值大小以一定的方式進(jìn)行選擇。Step4：進(jìn)行遺傳運(yùn)算。復(fù)制、交叉、變異。產(chǎn)生新種群。Step5：重復(fù)Step2到Step4，直到滿足終止條件。程序流程圖見圖3.1開始開始產(chǎn)生初始種群產(chǎn)生初始種群滿足停止準(zhǔn)則滿足停止準(zhǔn)則結(jié)束 Yes結(jié)束 No計(jì)算適值計(jì)算適值選擇選擇遺傳運(yùn)算遺傳運(yùn)算更新種群更新種群圖3.1程序流程圖3.4應(yīng)用MATLAB軟件對(duì)本問題程序算法的設(shè)計(jì)1編碼設(shè)計(jì)：本問題采用自然數(shù)編碼方式（包括0）。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。如上例中帶下劃線的2代表第1個(gè)工序的完工時(shí)間選擇2天。每個(gè)染色體代表一個(gè)解決方案。2初始種群的產(chǎn)生：根據(jù)每道工序的不同完工時(shí)間隨機(jī)產(chǎn)生一個(gè)初始種群。由于本問題中個(gè)工序的完工時(shí)間存在不同個(gè)數(shù)種選擇（不滿足矩陣的原則），所以MATLAB的遺傳算法模板中的隨機(jī)產(chǎn)生自然數(shù)編碼初始種群的函數(shù)不適用于本問題。為了能夠隨機(jī)產(chǎn)生初始種群，本設(shè)計(jì)中根據(jù)MATLAB矩陣賦值的特點(diǎn)逐列隨機(jī)產(chǎn)生初始種群的矩陣。3計(jì)算適值：在本問題中，是以13道工序中最小完工概率的最大值作為目標(biāo)函數(shù)，考慮到遺傳算法本身就是按照最大值排序的特點(diǎn)，所以就以本問題的目標(biāo)函數(shù)作為適應(yīng)值函數(shù)。適應(yīng)值函數(shù)如下： (3.1)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0.001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，計(jì)算其適應(yīng)值為，其選擇概率為：(3.2)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，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0.001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。3.5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：0.5866完工時(shí)間：57天完工成本：19513.95元工序組合：3-9-9-5-7-6-9-2-3-6-19-2-23.5.1靜態(tài)結(jié)果分析1在進(jìn)化代數(shù)、交叉率和變異率不變的情況下調(diào)整初始種群Pop-size的個(gè)體數(shù)對(duì)達(dá)優(yōu)率（bestrate）的影響。每調(diào)整一次做50次實(shí)驗(yàn)，得到的結(jié)果如表3.1所示：表3.1初始種群Pop-size對(duì)達(dá)優(yōu)率的影響Pop-sizebestrate502000.70.1100%402000.70.195%302000.70.180%202000.70.155%102000.70.135%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3.2所示：表3.2進(jìn)化代數(shù)對(duì)達(dá)優(yōu)率的影響Pop-sizebestrate502000.70.1100%501600.70.195%501200.70.185%50800.70.170%50400.70.150%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3.3所示：表3.3交叉率對(duì)達(dá)優(yōu)率的影響Pop-sizebestrate502000.70.1100%502000.60.198%502000.50.189%502000.40.180%502000.30.165%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3.4所示：表3.4變異率對(duì)達(dá)優(yōu)率的影響Pop-sizebestrate502000.70.1100%502000.70.0698%502000.70.0293%502000.70.00588%502000.70.00180%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)。3.5.1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3.2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)。圖3.2算法動(dòng)態(tài)優(yōu)化過程圖結(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。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)橛辛怂麄儾凰紕诳啵鸵笄诘慕虒?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。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，2003[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，2002-1[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，2003[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)，2001,15(2):117-122.[6]MehrdadDianati,InsopSong,andMarkTreiber．AnIntroductiontoGeneticAlgorithmsandEvolutionStrategies［M］．1,2,3200Univ.Ave.West,UniversityofWaterloo[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，2000-6[8]姚東王愛民．MATLAB命令大全[M]．北京：人民郵電出版社，2000-6[9]張志勇．精通MATLAB6.5版[M]．北京：北京航空航天大學(xué)出版社，2003附錄NIND=20;MAXGEN=200;GGAP=0.9;PmaxF=0.00000;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);fori=1:MifChrom(i,1)==2pro(1,1)=0.3972;cost(1,1)=359.00;elsepro(1,1)=0.7257;cost(1,1)=325.50;endifChrom(i,2)==8pro(1,2)=0.4896;cost(1,2)=3084.00;elseifChrom(i,2)==9pro(1,2)=0.5913;cost(1,2)=3045.00;elsepro(1,2)=0.702;cost(1,2)=3006.00;endendifChrom(i,3)==8pro(1,3)=0.4672;cost(1,3)=2180.00;elseifChrom(i,3)==9pro(1,3)=0.5688;cost(1,3)=2140.00;elsepro(1,3)=0.68;cost(1,3)=2100.00;endendifChrom(i,4)==4pro(1,4)=0.4528;cost(1,4)=545.00;elsepro(1,4)=0.67;cost(1,4)=525.00;endifChrom(i,5)==5pro(1,5)=0.4356;cost(1,5)=4561.00;elseifChrom(i,5)==6pro(1,5)=0.58068;cost(1,5)=4432.00;elsepro(1,5)=0.74508;cost(1,5)=4303.00;endendifChrom(i,6)==5pro(1,6)=0.42;cost(1,6)=1080.00;elseifChrom(i,6)==6pro(1,6)=0.5688;cost(1,6)=1056.00;elsepro(1,6)=0.7392;cost(1,6)=1032.00;endendifChrom(i,7)==8pro(1,7)=0.475;cost(1,7)=2172.00;elseifChrom(i,7)==9pro(1,7)=0.578;cost(1,7)=2131.00;elsepro(1,7)=0.692;cost(1,7)=2090.00;endendifChrom(i,8)==1pro(1,8)=0.25;cost(1,8)=224.00;elsepro(1,8)=0.7;cost(1,8)=208.00;endifChrom(i,9)==2pro(1,9)=0.3836;cost(1,9)=557.50;elsepro(1,9)=0.7131;cost(1,9)=523.75;endifChrom(i,10)==5pro(1,10)=0.4755;cost(1,10)=897.00;elsepro(1,10)=0.63;cost(1,10)=852.00;endifChrom(i,11)==16pro(1,11)=0.4623;cost(1,11)=4128.80;elseifChrom(i,11)==17pro(1,11)=0.508;cost(1,11)=4061.10;elseifChrom(i,11)==18pro(1,11)=0.555;cost(1,11)=3993.40;elseifChrom(i,11)==19pro(1,11)=0.605;cost(1,11)=3925.70;elsepro(1,11)=0.6558;cost(1,11)=3858.00;endendendendifChrom(i,12)==1pro(1,12)=0.25;cost(1,12)=224.00;elsepro(1,12)=0.7;cost(1,12)=208.00;endifChrom(i,13)==1pro(1,13)=0.25;cost(1,13)=310.00;elsepro(1,13)=0.7;cost(1,13)=270.00;endT(1,1)=Chrom(i,1)+Chrom(i,2)+Chrom(i,3)+Chrom(i,7)+Chrom(i,10)+Chrom(i,11)+Chrom(i,13);T(1,2)=Chrom(i,1)+Chrom(i,2)+Chrom(i,3)+Chrom(i,6)+Chrom(i,9)+Chrom(i,10)+Chrom(i,11)+Chrom(i,13);T(1,3)=Chrom(i,1)+Chrom(i,2)+Chrom(i,5)+Chrom(i,10)+Chrom(i,11)+Chrom(i,13);T(1,4)=Chrom(i,1)+Chrom(i,2)+Chrom(i,5)+Chrom(i,12)+Chrom(i,13);T(1,5)=Chrom(i,1)+Chrom(i,2)+Chrom(i,4)+Chrom(i,8)+Chrom(i,12)+Chrom(i,13);Tmax=max(T);C=sum(cost);Px=min(pro);if(Tmax<58&C<19600.00)P(i,1)=Px;elseP(i,1)=0.01*Px;endendObjV=1./P;whilegen<MAXGEN,FitnV=ranking(ObjV);SelCh=select('sus',Chrom,FitnV,GGAP);[8]SelCh=recombin('xovsp',SelCh,0.7);PmutP=crtrp(1,rep([0;1],[1,1]));ifPmutP<0.4000Pmut=crtrp(1,rep([1;13],[1,1]));Pmut=round(Pmut);ifPmut==1SelCh(:,1)=3;elseifPmut==2SelCh(:,2)=9;elseifPmut==3SelCh(:,3)=9;elseifPmut==4SelCh(:,4)=5;elseifPmut==5SelCh(:,5)=7;elseifPmut==6SelCh(:,6)=6;elseifPmut==7SelCh(:,7)=9;elseifPmut==8SelCh(:,8)=2;elseifPmut==9SelCh(:,9)=3;elseifPmut==10SelCh(:,10)=6;elseifPmut==11SelCh(:,11)=19;elseifPmut==12SelCh(:,12)=2;elseSelCh(:,13)=2;endendendendendendendendendendendendend[X,Y]=size(SelCh);forj=1:XifSelCh(j,1)==2pro1(1,1)=0.3972;cost1(1,1)=359.00;elsepro1(1,1)=0.7257;cost1(1,1)=325.50;endifSelCh(j,2)==8pro1(1,2)=0.4896;cost1(1,2)=3084.00;elseifSelCh(j,2)==9pro1(1,2)=0.5913;cost1(1,2)=3045.00;elsepro1(1,2)=0.702;cost1(1,2)=3006.00;endendifSelCh(j,3)==8pro1(1,3)=0.4672;cost1(1,3)=2180.00;elseifSelCh(j,3)==9pro1(1,3)=0.5688;cost1(1,3)=2140.00;elsepro1(1,3)=0.68;cost1(1,3)=2100.00;endendifSelCh(j,4)==4pro1(1,4)=0.4528;cost1(1,4)=545.00;elsepro1(1,4)=0.67;cost1(1,4)=525.00;endifSelCh(j,5)==5pro1(1,5)=0.4356;cost1(1,5)=4561.00;elseifSelCh(j,5)==6pro1(1,5)=0.58068;cost1(1,5)=4432.00;elsepro1(1,5)=0.74508;cost1(1,5)=4303.00;endendifSelCh(j,6)==5pro1(1,6)=0.42;cost1(1,6)=1080.00;elseifSelCh(j,6)==6pro1(1,6)=0.5688;cost1(1,6)=1056.00;elsepro1(1,6)=0.7392;cost1(1,6)=1032.00;endendifSelCh(j,7)==8pro1(1,7)=0.475;cost1(1,7)=2172.00;elseifSelCh(j,7)==9pro1(1,7)=0.578;cost1(1,7)=2131.00;elsepro1(1,7)=0.692;cost1(1,7)=2090.00;endendifSelCh(j,8)==1pro1(1,8)=0.25;cost1(1,8)=224.00;elsepro1(1,8)=0.7;cost1(1,8)=208.00;endifSelCh(j,9)==2pro1(1,9)=0.3836;cost1(1,9)=557.50;elsepro1(1,9)=0.7131;cost1(1,9)=523.75;endifSelCh(j,10)==5pro1(1,10)=0.4755;cost1(1,10)=897.00;elsepro1(1,10)=0.63;cost1(1,10)=852.00;endifSelCh(j,11)==16pro1(1,11)=0.4623;cost1(1,11)=4128.80;elseifSelCh(j,11)==17pro1(1,11)=0.508;cost1(1,11)=4061.10;elseifSelCh(j,11)==18pro1(1,11)=0.555;cost1(1,11)=3993.40;elseifSelCh(j,11)==19pro1(1,11)=0.605;cost1(1,11)=3925.70;elsepro1(1,11)=0.6558;cost1(1,11)=3858.00;endendendendifSelCh(j,12)==1pro1(1,12)=0.25;cost1(1,12)=224.00;elsepro1(1,12)=0.7;cost1(1,12)=208.00;endifSelCh(j,13)==1pro1(1,13)=0.25;cost1(1,13)=310.00;elsepro1(1,13)=0.7;cost1(1,13)=270.00;endT1(1,1)=SelCh(j,1)+SelCh(j,2)+SelCh(j,3)+SelCh(j,7)+SelCh(j,10)+SelCh(j,11)+SelCh(j,13);T1(1,2)=SelCh(j,1)+SelCh(j,2)+SelCh(j,3)+SelCh(j,6)+SelCh(j,9)+SelCh(j,10)+SelCh(j,11)+SelCh(j,13);T1(1,3)=SelCh(j,1)+SelCh(j,2)+SelCh(j,5)+SelCh(j,10)+SelCh(j,11)+SelCh(j,13);T1(1,4)=SelCh(j,1)+SelCh(j,2)+SelCh(j,5)+SelCh(j,12)+SelCh(j,13);T1(1,5)=SelCh(j,1)+SelCh(j,2)+SelCh(j,4)+SelCh(j,8)+SelCh(j,12)+SelCh(j,13);Tmax1=max(T1);C1=sum(cost1);Px1=min(pro1);if(Tmax1<58&C1<19600.00)Psel(j,1)=Px1;elsePsel(j,1)=0.01*Px1;endendObjVSel=1./Psel;[ChromObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel);[H,L]=size(Chrom);fori=1:HifChrom(i,1)==2ppp(1,1)=0.3972;ccc(1,1)=359.00;elseppp(1,1)=0.7257;ccc(1,1)=325.50;endifChrom(i,2)==8ppp(1,2)=0.4896;ccc(1,2)=3084.00;elseifChrom(i,2)==9ppp(1,2)=0.5913;ccc(1,2)=3045.00;elseppp(1,2)=0.702;ccc(1,2)=3006.00;endendifChrom(i,3)==8ppp(1,3)=0.4672;ccc(1,3)=2180.00;elseifChrom(i,3)==9ppp(1,3)=0.5688;ccc(1,3)=2140.00;elseppp(1,3)=0.68;