基于遗传算法的虚拟企业风险管理毕业设计论文(编辑修改稿)

基于遗传算法的虚拟企业风险管理毕业设计论文(编辑修改稿)内容摘要：

现型两者是有机体的显性、生理和心理特征比如说眼睛的颜色、智力的基础。 辽宁 科技大学 本科生 毕业设计 (论文 ) 第 7 页 复制（ Repeoduction） 在复制中，首先发生的是交叉（ Crossover）。 来自于父代的基因按照一定的方式组成了新的基因。 新的子代还可能发生变异 （ Mutation）。 变异的意思是 DNA 上的某一些成分发生了一点点的变化。 这些改变可能是由于在由父代到子代的基因复制中出现的误差。 搜索空间 （ Search Space） 在很多情况下 ，我们解决一个问题就是从一大堆的数据中寻找一个解，而通常这个解都是混杂在数据中的。 所有可行解 （ Feasible Solution 可行解就是满足了一定约束条件的解）组成的空间称之为搜索空间（也可以称之为状态空间）。 搜索空间中的每一个点都是一个可 行解。 每一个可行解都可以被它的函数值或者它的适应度所标记。 问题的解就是搜索 空间中的一个点，于是我们就是要从搜索空间中找到这个点。 这样，求解问题就可以转化为在搜索空间中寻找极值点（最大值或者最小值点）。 搜索空间在求解问题时可能是完全已知的，但一般来说我们只知道一些孤立的点，然后我们逐渐地生成其它点。 问题是，这个搜索过程可能很复 杂，我们甚至不知道该去哪里搜索或者该从是么地方开始搜索。 事实上，有很多寻找合适解（注意：不一定是最优解）的方法，比如说爬山法（ Hill Climbing）禁止接近法 (Tabu Search),模拟退火算法(Simulated Annealing)以及遗传算 法等等 .用遗传算法求解出来的解一般被认为是一个比较好的解 ,因为我们没有办法证明它是最优解 . 遗传算法的步骤 遗传算法与传统的搜索算法不同，它以适应度函数为依据，通过对种群中的所有个体实施遗传操作，实现群体内个体结构重组的迭代过程搜索法。 选择、杂交、变异构成遗传算法的 3个主要遗传操作。 参数编码、初始群体 的设定适应度函数设计、控制参数设定等要素组成遗传算法的核心内容。 其主要步骤是编码→初始种群的生成→适应度评估检测→选择→杂交→变异。 遗传算法的特点 传统的优化方法主要有三种 ： 枚举法、启 发式算法和搜索算法。 遗传算法不同于传统的搜索和优化方法。 主要区别在于 ： 辽宁 科技大学 本科生 毕业设计 (论文 ) 第 8 页 1 自组织、自适应和自学习性 （ 智能性 ）。 应用遗传算法求解问题时 ， 在编码方案、适应度函数及遗传算子确定后 ，算法将利用进化过程中获得的信息自行组织搜索。 由于基于自然的选择策略“适者生存、 不适者被淘汰 ”。 因而适应度大的个体具有较高的生存概率。 通常适应度大的个体具有更适应环境的基因结构 ， 再通过基因重组和基因突变等遗传操作 ，就可能产生更适应环境的后代。 进化算法的这种自组织、自适应特征 ， 使它同时具有能根据环境变化来自动发现环境的特性和规律的能力。 自 然选择消除了算法设计过程中的一个最大障碍 ， 即需要事先描述问题的全部特点 ，并要说明针对问题的不同特点算法应采取的措施。 因此 ， 利用遗传算法 ， 我们可以解决那些复杂的非结构化问 题。 2 遗传算法的本质并行性。 遗传算法按并行方式搜索一个种群数目的点 ，而不是单点。 它的并行性表现在两个方面 ， 一是遗传算法是内在并行的 （ inherent parallelism） ,即遗传算法本身非常适合大规模并行， 最简单的并行方式是让几百甚至数千台计算机各自进行独立种群的演化计算 , 运行过程中甚至不进行任何通信 （ 独立的种群之间若有少量的通信 一般会带来更好的结果 )， 等到运算结束时才通信比较 ， 选取最佳个体。 这种并行处理方式对并行系统结构没有什么限制和要求 ， 可以说 ， 遗传算法适合在目前所有的并行机或分布式系统上进行并行处理 ，而且对并行效率没有太大影响。 二是遗传算法的内含并行性 （ implicit parallelism）。 由于遗传算法采用种群的方式组织搜索 ， 因而可同时搜索解空间内的多个区域 ，并相互交流信息。 3 遗传算法不需要求导或其他辅助知识 ， 而只需要影响搜索方向的目标函数和相应的适应度函数。 4 遗传算法强调概率转换规则 ， 而不是确定的转换规则。 5 遗传算法可以更加直接的应用。 6 遗传算法对给定问题 ， 可以产生许多的潜在解 ， 最终选择可以 由使用者确定。 在某些特殊情况下 ， 如多目标优化问题不止一个解存在 ， 有一组 pareto最优解。 这种遗传算法对于确认可替代解集而言是特别合适的。 遗传算法在国内外研究现状 近年来 ， GA在商业应用方面取得一系列重要成果。 或许这也是它受到学术界之外的企业界、政府部门以及更广泛的社会阶层普遍重视的原因。 GA的商业应用五花八门 ， 辽宁 科技大学 本科生 毕业设计 (论文 ) 第 9 页 覆盖面甚广 ， Coldb在 成果。 例如 ， 通用电器的计算机辅助设计系统 Engeneous， 这是一个混合系统 （ hyb rid system）， 采用了 GA以及其他传统的优化技术做为寻优手段。 Engeneous已成功地应用于汽轮机设计 ， 并改善了新的波音 777发动机的性能。 美国新墨西哥州州立大学心理学系开发了一个所谓的 Faceprint系统 ， 可根据目击者的印象通过计算机生成嫌疑犯的面貌。 计算机在屏幕上显示出 20种面孔 ，目击者按十分制给这些面孔评分。 在这基础上 ， GA按通常的选择、交换和突变算子生成新的面孔。 Faceprint的效果很好 ， 已申报专利。 同一个州的一家企业 —— 预测公司 （ Prediction Company） 则首先开发了一组用于金融交易的时间序列预测和交易工具 ， 其中 GA 起了重要作用 ： 据说 ， 这一系统实际运行效果很好 ， 可以达到最好的交易员的水平 ， 引起银行界的关注。 GA在军事上的应用也有报道 ：如用于红外线图象目标判别的休斯遗传程序系统 （ Hughes geic programming system）， 效果很好 ， 以至准备把它固化成硬件。 就 GA本身的研究而言 ， 应该说 ， 我国起步较晚 ， 近几年才 陆续看到一些介绍性的文章、不多于两三部的专著以及初步的研 究报告。 和国外工作比较 ， 一个显著区别是 ，国内工作多只停留在论文这一层次 ， 几乎没有看到具体实际应用 ，与研究成果商品化的差距就更远。 理论研究与实际应用不够紧密 ， 阻碍了我国高新技术的迅速发展 ，几乎已经成为顽症。 因此 ， 在我国发展 GA，当前应该特别重视它的应用和推广普及。 学术界要主动和企业界连手开发 GA的应用 ， 要重视引进或自行研制类似于 Splicer的程序设计环境 ， 使 GA的应用更加方便和快捷。 国家组建的工程研究中心应该在这方面发挥更大的作用。 工科数学教育也应有所调整 ， 以适应高新技术发展的需要。 本文工作 本文 采用马尔可夫方法， 对虚拟企业中的风险 管理 问题进行了初 步的研究， 在本文中利用马尔可夫对生产的整个过程进行动态跟踪以达到对风险的动态控制。 在 下面的章节中，根据马尔可夫理论提出了马尔可夫的动态风险 管理 模型； 并深入讨论了遗传算法在此问题中的应用。 辽宁 科技大学 本科生 毕业设计 (论文 ) 第 10 页 2 风险 管理 模型 基于马尔可夫过程的风险 管理 模型 马尔可夫过程是一种比较常用的随机过程，它描述的是这样的情形：一个系统具有有限个状态，系统在下一时刻的状态取决于系统现在所处的状态，而与以前的状态无关，即系统的无后效性。 系统由一种状态转移至另一种状态的过程称为 马尔可夫过程。 马尔可夫链分析是利用状态间的状态转移概率 ijp 来反映系统状态的动态变化， ijp 表示从第 i 状态经过一步转移到第 j 状态的概率，  njip ij ,2,1,10 。 以状态转移概率 ijp 为元素的矩阵称为马尔可夫链的一步状态转移概率矩阵，简称转移矩阵，记为 P ，其每行元素之和为 1。 nnnnnnpppppppppP212222111211 如果马尔可夫链上的两状态可以相互转移，则称两状态是连通的。 如果状态空间中的任意两状态都是连通的，则称此状态空间是连通状态空间。 根据连通的概念，马尔可夫的状态空间可以分为不返回状态（过渡态）和吸收态。 在马尔可夫链中如果有的状态一旦进入就不能离开，则此状态称为吸收态。 在马尔可夫链中，如果有的状态不属于吸收态，则称之为不返回状态 [5]。 一个具有 n 个不返回状态和 m 个吸收状态的马尔可夫链可以表示为下列转移矩阵： mn nmIRQP  () 其中： Q 表示系统的不返回状态之间的关系； R 表示不返回状态和吸收态之间的关系； I ： m 阶单位矩阵；  ： nm 零矩阵。 易知，矩阵  nnijqQ ，其中 10  ijq （对所有的 ji, ）且 11 ni ijq，（ nj 1 ） [5]。 辽宁 科技大学 本科生 毕业设计 (论文 ) 第 11 页 依据马尔可夫过程的基本原理，对虚拟企业风险进行评价。 首先分析整个过程可能出现的风险因素，忽略次要因素。 并依据风险因素的影响把整个生产过程分成若干个状态， 用马尔可夫来追踪整个生产过程的发展情况。 现以两阶段为例对模型进行描述。 假设整个生产过程分成两个阶段，准备和运行阶段。 准备阶段有一个状态，运行阶段存在多种状态，最后整个生产达到成功状态。 马尔可夫 链状态空间    nxxxS , 21  状态转移矩阵 1000000010000000000000000000000000000,21,2,41,4,31,3,21,23321124321124321nnnnnnnnnnnnnnnnnrrrrrrrrppppxxxxxxxIRQPxxxxxxx （ ） 引入参数 ijr 表示从状态 ix 进入吸收态 jx 的概率， ip 表示从状态 ix 进入过渡态 lx 的概率，则必有 10,10,1121    ilijnnj ijnl il prrp  133211100000100000100000101   nppppQIF （ ）  RFB 2,21,24241323122211211,21,241,431,321,132100100000100000100000101nnnnnnnnnnnnmbbbbbbbbbbrrrrrrrrpppp （ ） 在此基础上进一步分析如下： 辽宁 科技大学 本科生 毕业设计 (论文 ) 第 12 页 （ 1） 吸收矩阵 B 的第一行的两个元素 1211,bb 分别表示完工概率和失败率。 （ 2） 生产平均成本 C ：表示状态占有成本矢量。  ixf : f 的向量元素， 表示 状态 ix内占有的成本       3212211,nnpppxfxfxfBfC 问题描述 项目的各个工序有不同的完工时间，对应的完工成本和完工概率就不同，从而项目的完工时间、完工成本和完工概率也不同。 决策者根据自身的实际情况选择适合自己的措施。 本文所研究的问题就是要在投入成本和用户工期要求一定的条件下，使项目的各工序最小完工概率最大。 依据马尔可夫过程的基本原理，得到 各工序的转移矩阵： 1 编制任务计划书 10000000100000ttttttttttttP。