利用田口方法求解

階段最佳化的調整之後，實驗的最佳條件設為，A=10, B=15, C=9, D=10, E=2, F=6,

0.936

表 4-6 實驗的變異數分析表（β）

F-危險域 α=0.1 α=0.05 變源 平方和 自由度 均方和 F P-值

0.1 0.05 F-test P-test F-test P-test

貢獻度 (%) A 0.019 2 0.009 3.840 0.057 2.924 4.102 * * - - 13.633 B 0.007 2 0.003 1.500 0.269 2.924 4.102 - - - - 4.083 C 0.012 2 0.006 2.525 0.129 2.924 4.102 - - - - 8.2679 D 0.011 2 0.005 2.323 0.148 2.924 4.102 - - - - 7.443 E 0.009 2 0.004 1.890 0.201 2.924 4.102 - - - - 5.677 F** 0.003 2 0.001 0.621 0.556 2.924 4.102 - - - - 0.497 G 0.031 2 0.015 6.443 0.015 2.924 4.102 * * * * 24.259 H** 0.001 2 0.001 0.354 0.710 2.924 4.102 - - - - 0.5956

誤差 0.024 10 0.002 -

(合併誤差) 0.004 1.093

總合 0.121 26 0.004 64.458

*代表顯著，**代表合併誤差項

4.4 利用倒傳遞類神經網路結合啟發式演算法求解

接下來使用倒傳遞類神經網路來建立模式，將八個控制因子的水準值當成輸入 值，將其對應的 SN 比當成輸出值，因此我們可以得到 27 組樣本。在這 27 組樣本中，

隨機選取三個當成測試 （testing）樣本，剩下的 24 個當成訓練 （training） 樣本。

本研究利用 RMSE 來決定一個類神經網路的好壞，以 RMSE 越小越好。在選擇網路 時，我們希望訓練樣本與測試樣本的 RMSE 值，兩者同時小且趨於一致，也就訓練 樣本和測試樣本這兩者的 RMSE 要越接近越好。表 4-7 是以倒傳遞網路在不同網路架 構及參數設定下之訓練結果，在這些網路架構中，我們選取網路架構 8-5-2 作為本案 例的目標函數模式。

表 4-7 類神經網路訓練結果 網路架構 Training RMSE

(15000 epochs) satisfaction; λ )的值代入基因演算法中的配適函數，而每一個案例中的參數都會透過 運算成為介於 0 與 1 之間的標準值。例如，表 4-1 中的輸入參數值(x₁,x₂,x₃,...,x₈)

表 4-8 基因演算法的執行結果 (指數望想函數)

項目 數據資料

執行 30 次之最大 λ值 0.931 執行 30 次之最小 λ值 0.862

平均 λ 值 0.911

標準差 0.025

表 4-9 基因演算法的執行結果 (望想函數)

項目 數據資料

執行 30 次之最大 λ值 0.962 執行 30 次之最小 λ值 0.924

平均 λ 值 0.946

標準差 0.013

表 4-10 參數設定值

模擬退火法 初始溫度 100，停止溫度 1，一個溫度搜尋 500 次，冷卻因子α=0.98。

基因演算法 交配率 0.5，突變率 0.01，一代 100 個染色體，重複次數 2 萬次。

分散式搜尋法 參考集合一和二的個數皆為 10，更新次數 100，起始解 100 個。

表 4-11 四種方法求得各控制因子最佳值

A B C D E F G H

田口方法 10 15 9 10 2 6 25 3

模擬退火法(望想函數) 18 6.53 5.8 8 2.3 4.6 50.8 2 模擬退火法(指數望想函數) 21.5 7.2 6 8 2 6 53.5 2 基因演算法(望想函數) 15.4 8.9 5.6 8 2 5 42.6 1 基因演算法(指數望想函數) 16 11 6.4 9 2 5 46.2 1 分散式搜尋法(望想函數) 10.1 8 4.6 6 2 5 40.3 1 分散式搜尋法(指數望想函數) 12.7 9 6 8 2 4 45.8 1

4.5 確認實驗與比較

田口方法與三種啟發式演算法所求得各控制因子最佳值如表 4-11。將所得到的最 佳值實際在教學大樓內做確認實驗，每一個方法重複作二十次實驗，將這二十次實驗 所得接收訊號強度之最大值、最小值，平均值及變異數列於表 4-12。由表 4-12 可以 明顯的看出四個方法變異數彼此差距不大，但在品質特性上，傳統田口方法比其他三 個演算法顯著較差，其確認實驗最大值幾乎是其他三種方法的最小值。確認實驗顯示 本研究的方法確實比傳統田口方法更為有效。

表 4-12 確認實驗數據

最小值 最大值 平均值 變異數

田口方法 80 88 84.67 4.23

模擬退火法(望想函數) 85 94 91.76 4.86 模擬退火法(指數望想函數) 82 94 91.02 5.01 基因演算法(望想函數) 88 96 93.54 4.64 基因演算法(指數望想函數) 86 94 92.69 4.66 分散式搜尋法(望想函數) 89 96 93.59 4.49 分散式搜尋法(指數望想函數) 89 96 92.76 4.51

本實驗針對室內無線區域網路傳輸品質之估測系統，結合類神經網路的架構與啟

發式演算法的技巧，利用演算法對於所量測的數據不斷地學習、訓練與測試之後，比 較四種方法確認實驗的接收訊號強度，證明本研究所提的方法，並不需要複雜計算和 嚴謹的假設，對於實務應用上有很大的實用性。未來即使要估測不同隔間、擺設的大 樓，皆能以此估測系統為基礎，只要量測的數據準確且數目足夠，再經由輸入變數的 決定，與類神經網路中各層神經元的調整，及不同網路架構、演算法的修正，本系統 即可對其他室內無線網路的通訊品質做出正確的估測。

雖然過去有些學者利用各種訊號產生器的模擬方式來評估無線網路系統，但在實 際應用上，很難克服符合統計基本假設和實驗設備限制這兩個問題。本研究所應用的 混合演算法利用兩個階段，在第一階段利用類神經網路建立控制因子和 SN 比的函數 模式，可以將控制因子之間的交互作用完整的表現出來；在第二階段利用啟發式搜尋 法來降低區域網路工程師判斷上的難度，不但可以找出比田口方法更具效果的解，並 可減少網路規劃所耗費的時間。

第五章 結論與建議

5.1 結論

本研究應用混合演算法來處理多重品質特性的田口動態離散性問題，由實際案例 可以看出其成效。經本研究比較之後，三種啟發式演算法中以模擬退火法成效較差，

但模擬退火法在其使用上比其他兩者更簡單，使用時僅需注意鄰域的選法。且由於模 擬退火法可以接受比目前解更差的新解，藉此避免區域最佳解情況，故有學者認為只 要溫度搜尋次數 M 和起始溫度 T 夠大，模擬退火法有能力找到全區域最佳解。

基因演算法和分散式搜尋法效用是差不多的，但在使用的意義有顯著不同。基因 演算法是屬於用固定步驟方式處理任何問題，使用基因演算法搜尋最佳解時，比較不 容易陷入局部最佳解，對於使用者而言較方便。另外，在使用基因演算法的程序中，

由於是對編碼後的字串來做運算，只要對問題做合適的編碼都可以使用，因此基因演 算法可以適用於不同領域的最佳化問題。其缺點是使用者無法將對問題所了解的工程 知識，和基因演算法作結合。分散式搜尋法屬於問題導向，在每一個步驟都可以加入 使用者自己想法，幫助求解過程的品質更好。利用分散式搜尋法求解時，使用者定義 的方式可以和工程知識作結合。但相對上，使用分散式搜尋法比其他兩者要複雜。

本研究應用之混合演算法具有以下優點：

一、整合田口方法與倒傳遞類神經網路的方法，利用製程資料進行模擬，不但可以找 出重要的製程參數，更可以依據不同的客戶需求決定出個別的製程參數值。

二、本研究所應用的混合演算法，求得的最佳解皆屬於連續型數值，比田口方法只能 獲取間斷型參數值為佳。

三、本研究所應用的方法都能夠有效的處理多重品質特性問題，求出重要的製程參數 以及獲得最佳化的參數組合。

四、對於只具備一般統計知識訓練的工程師而言，本研究所應用的方法不僅容易應 用，對於使用的數據也無需任何的假設條件，具有高度的可行性。

由於方法論在想法上有本質的差異，所以使用者可以依自己對問題及方法了解程 度，從中選一。但不論是哪一種演算法，都可以比傳統田口方法得到更好的答案。本 研究運用倒傳遞類神經網路架構與啟發式演算法兩個階段結合的混合演算法，並不需 要複雜計算和嚴謹的假設，對於實務應用上有很大的實用性。加上使用者只須具備田 口方法知識、會使用類神經網路及套裝軟體，即可進行分析，對於採用上有很大的方

便性。

5.2 建議

本研究所應用之混合演算法結合倒傳遞類神經網路架構結合啟發式演算法，未來 建議可針對啟發式演算法做修正，以符合不同品質特性的問題。

在案例中，本研究以「接收訊號強度」做為品質特性，未來根據不同的需求可考 慮以連線品質(link quality)、訊框錯誤率(frame error rate; FER)或傳輸速率(packets per second or throughput)等不同的傳輸品質指標，取代本實驗中的「接收訊號強度」做為 品質特性。另外在評估系統的輸入變數方面，可考慮再加入不同的筆記型電腦或是 PDA、WAP 手機等同時進行預估。利用倒傳遞類神經網路易建立系統模型之能力，

整合所有的傳輸品質之參考指數，可更完整的整合估測系統，為網路規劃者帶來更多 的參考數值，設計出更佳的無線區域網路系統。

參考文獻

一、中文部份

[1] 李善誠，「以混合式螞蟻族群最佳化解決無線通訊頻道指定問題」，國立暨南國際 大學資訊管理學系，碩士論文，民國 94 年。

[2] 林正鄰，「模擬退火與類神經網路在製程最適化之應用」，國立清華大學化學工程 研究所，博士論文，民國 82 年。

[3] 林欣志，「模擬退火法應用於倒傳遞類神經網路之參數調整與屬性篩選」，華梵大 學資訊管理學系，碩士論文，民國 95 年。

[4] 洪饒峰，「田口方法動態系統多品質特性之應用研究」，中原大學工業工程研究 所，碩士論文，民國 85 年。

[5] 周立德，「類神經網路與基因演算法應用於非同步傳送模式網路之研究」，國立台 灣科技大學工程技術研究所，博士論文，民國 83 年。

[6] 周柏宏，「多目標超模式法解參數設計問題之研究—以半導體封裝印字製程為 例」，國立成功大學製造工程研究所，碩士論文，民國92年。

[7] 姜台林，「整合智慧型最佳化參數設計之研究」，國立交通大學工業工程與管理學 系，博士論文，民國 90 年。

[8] 涂育瑋，「應用類神經網路模式與基因演算法則於品質設計之研究」，國立成功大 學工業設計學系，碩士論文，民國 91 年。

[9] 陳士偉，「備用零件存貨管理之研究」，國立台北科技大學商業自動化與管理研 究所，碩士論文，民國 93 年。

[10] 陳文江，「高速無線區域網路的發展與標準制定的近況」，電腦與通訊，第七十 九期，3~8 頁，民國 88 年。

[11] 陳明宏，「多種品質特性在動態系統中之研究」，中原大學工業工程研究所，碩 士論文，民國 83 年。

[12] 章俊彥，「階層式室內定位系統與其服務」，國立中央大學資訊工程研究所，碩 士論文，民國 93 年。

[13] 彭佳芸，「智慧城市 台北未來『無線』」，台視全球資訊網，民國 95 年。

(http://www.ttv.com.tw/news/html/095/06/0950629/095062990606018.htm)

[14] 黃國凌，「螞蟻/塔布混合演算法求解零工型排程問題」，國立台灣科技大學工業 管理系，碩士論文，民國 92 年。

[15] 黃寶賢，「應用物件導向技術及智慧型計算建構半導體製程之最佳化品質控制系 統—以化學機械研磨為例」，大葉大學工業工程學系，碩士論文，民國 91 年。

[16] 張旭華，「運用柔性演算法求解最佳參數設計」，國立交通大學工業工程與管理

[16] 張旭華，「運用柔性演算法求解最佳參數設計」，國立交通大學工業工程與管理