第四章 電腦模擬驗證
4.2 模擬結果分析
4.2.1 加工時間小於配送時間
本小節分析加工時間介於 50 至 100 分鐘，小於配送時間範圍之情況。將三次的 隨機試驗結果取其平均，藉以探討由基因演算法與 W-SPT 所得結果之差異以及基因 演算法在不同機台數及訂單數之求解時間，結果如表 4.1 所示。
表 4.1 加工時間小於配送時間結果分析表
機台數 訂單數 10 20 40 80 120
改善率 15.16% 16.86% 26.36% 33.15% 33.45%
2 求解時(秒) 9.73 118.19 352.15 913.70 1805.01
改善率 17.46% 28.23% 33.82% 34.81%
4 求解時(秒) 126.03 367.12 932.29 1831.96
改善率 32.54% 36.15% 39.44%
8 求解時(秒) 411.13 987.73 1879.43
整體改善率 15.16% 17.16% 29.04% 34.37% 35.9%
整體求解時間(秒) 9.73 122.11 376.8 944 1838.3
基因演算法於本小節之改善率及求解時間分析如下：
一、在改善率部分：
當機台數固定時，雖然小量訂單之改善率皆大概只在 16%左右；但當訂
單數為中量時，改善率卻增加至 26%以上，甚至高達 36%左右；而當訂單數
0
126.92 372.15 935.40 1829.78
改善率 32.63% 34.34% 29.59%
8 求解時(秒) 415.88 986.36 1855.84
整體求解時間(秒) 9.57 120.7 380.29 936.85 1937.13
0 500 1000 1500 2000 2500
10 20 40 80 120
訂單數
求解時間
2台機台 4台機台 8台機台 overall
圖 4.5 加工時間近於配送時間之改善率圖 (單位:秒)
4.2.3 加工時間大於配送時間
本案例分析加工時間介於 800 到 1000 分鐘之小於配送時間範圍之情況，將三次 的隨機試驗結果取其平均，探討由基因演算法與 W_SPT 所得結果之差異，以及基 因演算法在不同機台數及訂單數之求解時間，結果如表 4.3 所示。
表 4.3 加工時間大於配送時間結果分析表
機台數 訂單數 10 20 40 80 120 改善率 17.40% 15.28% 25.38% 32.15% 31.75%
2 求解時間(秒)
9.05 112.92 434.38 948.71 1910.36 改善率 19.67% 24.88% 28.68% 28.49%
4 求解時間(秒)
122.19 447.95 962.77 2002.90 改善率 24.08% 34.32% 29.89%
8 求解時間(秒)
468.58 1091.52 2082.43
整體改善率 17.40% 17.48% 24.78% 31.71% 30.04%
整體求解時間(秒) 10.05 117.56 450.30 1001.00 2018.56
基因演算法於本小節之改善率及求解時間討論如下：
一、在改善率部分：
在機台相同時，隨著訂單的增加改善率並未如前兩問題有大幅度的改 善，如圖 4.6 所示。如從小量訂單 16%左右的改善率提升至中量訂單之 24%
至 31%左右，甚至高達 34%左右，改善效果非常顯著。而當訂單數為 120 筆 的大量訂單時，雖然其改善率比中量訂單之改善率微微下滑，但改善效果依 然相當不錯。而在訂單固定時，改善率則與前兩問題相似，也都隨著機台之 增加而穩定且小幅度的成長。
二、在求解時間部分：
由圖 4.7 可清楚發現，此問題之求解時間依然與前兩問題相同，皆會隨 著訂單數之增加而大幅度地成長，且成長之空間也都與前兩問題相似。
0%
5%
10%
15%
20%
25%
30%
35%
40%
10 20 40 80 120
訂 單 數
改善率
2台 機 台 4台 機 台 8台 機 台 overall
圖 4.6 加工時間大於配送時間之改善率圖
0 500 1000 1500 2000 2500
10 20 40 80 120
訂單數
求解時間
2台機台 4台機台 8台機台 overall
圖 4.7 加工時間大於配送時間之改善率圖 (單位:秒)
4.3 總結
依本研究 4.2 節中三種模擬驗證的結果可將基因演算法之改善率及求解 時間結果如下：
一、在改善率部份
(1)機台方面： 由於本研究在生產排程方面是採用非等效平行機台，訂單在各 機台上加工時間皆不相等，因此當機台數較小時，會因機台數的限制而使得 訂單必須在有限機台下協調加工順序；反之，當機台數增加時，訂單於機台 加工之協調空間增加，使得基因演算法搜尋之最佳解有更加進步改善的效 用，因此在此三部份的模擬驗證中，當訂單數固定時，隨著機台數的增加基 因演算法之改善率亦增加，且平均每增加兩台機器，改善率也都增加 2%到 5%。
(2)、訂單方面：在三部份的模擬驗證中，當機台數相同時，改善率也隨著訂 單數的增加而呈現大幅度成長，最高甚至高達 36%，如圖 4.8 所示。此改善
率隨著訂單數增加之原因一方面可看出本研究所設計之基因演算法的效果，
時間上，並不因訂單之加工時間與配送時間之間的大小關係而有所影響，因 此本研究所設計之演算法相當有穩定性。且本研究在後續也測試了 160 筆的 訂單數，其求解之結果以高達將近 3.5 小時，基於時間成本之考量，本研究 則只探討至 120 筆之訂單數。此結果皆顯示求解時間隨著訂單數的增加而大 幅度地成長，而此現象也符合 NP-HARD 問題會隨著訂單數增加而使求解時 間程指數成長的特性。
0 500 1000 1500 2000 2500
10 20 40 80 120
訂 單 數
求解時間 50-100
200-500 800-1000
圖 4.9 三種模擬之求解時間比較圖
此三種不同模擬驗證對於基因演算法在尋求最適解之演化過程之差異 也是一個值得探討的議題。由於基因演算法之演化過程繁複，故只以第三次 試驗中 80 筆訂單數、8 台機台數尋優之情形為例，結果如圖 4.10 所示。三種 模擬驗證在尋優過程中第一次大幅度改善皆在 400 次的演化世代左右，而後 雖然改善速率較為緩慢但卻未陷入局部最佳解，此現象說明了本研究所設計 之演算法其所得之結果確實是全域最適解。
排程資料比較圖
0 1000000 2000000 3000000 4000000 5000000 6000000
1 471 941 1411 1881 2351 2821 3291 3761 4231 4701 世代
最佳解
50-100 200-500 800-100
圖 4.10 三種模擬之尋優過程圖
第五章 結論與未來展望
5.1 研究結論
放眼當今產業，供應鏈已邁向整合之趨勢發展，而傳統將上、下游分開 的供應鏈已不適用於現今產業之營運模式，因此必須有效率地重新規劃適合 現今產業營運之供應鏈整合模式。本研究著重於整合供應鏈中生產排程與物 流配送兩階段之最小總成本，利用基因演算法可快速尋優的特性，建構出一 套適合整合供應鏈中生產排程與物流配送兩階段模式，且此模式應用在模擬 之三種不同的案例上皆有相當不錯的成果。
根據本論文模式建立之過程，與其他整合供應鏈兩階段之研究相比較，
可歸納出本論文的貢獻如下：
1、 在求解方面：本研究針對整合供應鏈兩階段問題而設計之基因演算 法，無論在求解時間以及改善率上皆有非常顯著的效果，且不受所輸 入之資料不同而有所影響，有相當的穩定度，因此本研究所設計之演 算法非常適用在此類之問題上。
2、 在成本方面：有效控管成本是所有企業在從事生產活動最關切的議題 之一。供應鏈整合的擬定除了須滿足顧客需求，配合廠商本身資源外，
最重要的是能提升效率且降低訂單之完工成本，因此本研究考量總成 本之最小化，使企業能以最低之成本完成整合供應鏈之規劃。
3、 在學術方面：由於整合供應鏈之生產排程與物流配送兩階段並最小化 其總成本問題，是一個全新的研究領域，相關之中外文獻中尚未見到 使用演算法求解此問題，故本研究可供往後發展其他目標函數或整合 供應鏈中不同階段的相關研究之用。
4、 在實務方面：雖然本研究並非針對某特定企業，但由於現今產業競爭 日趨激烈，且消費者要求的服務水準逐漸提升，整合生產排程與物流
配送兩階段的型式已是現今產業界之經營模式，且此現象將持續增 加，故本研究結果可供企業參考。
5.2 建議及未來研究
本研究對後續研究有以下三點建議：
1、過去研究供應鏈之文獻，由於資料取得困難，因此大多使用電腦模擬之資 料以驗證所提方法之有效性。本研究未來可針對特定產業之真實資料加以 驗證，以提升本研究方法之真實性。
2、由於整合供應鏈是一個全新的研究領域，在建構模式時會有諸多的假設條 件，因此未來之研究可將部份之假設條件移除，如加入整備時間、卸貨時 間或時窗限制等條件。
3、在任何問題中，基因演算法中的參數如交配率或突變率之設定並非為一特 定值，大多皆只是可接受之適用值，故未來可探討基因演算法中參數之較 佳設定值，以增加求解之效率。
參考文獻
[1] 王生德，「以巨集啟發式方法求解時窗限制回程取貨車輛路線問題(VRPBTW)之 研究」，中華大學，科技管理研究所，碩士論文，民國93年。
[2] 陳正雄，「塔布搜尋法在塑化業排程之應用-以 BOPP FILM 為例」，元智大學，
工業工程與管理學院，碩士論文，民國 89 年。
[3] 陳宏源，「應用基因演算法於營建作業流程模擬-多目標資源最佳化之研究」，朝 陽科技大學，營建工程系，碩士論文，民國 91 年。
[4] 徐烈昭，「應用塔布搜尋法於非等效平行機台之研究－以 PCB 鑽孔作業為例」，
元智大學，工業工程與管理學院，碩士論文，民國 90 年。
[5] 蕭陳鴻，「基因演算法於非等效平行機台排程之應用」，元智大學，工業工程與 管理學院，碩士論文，民國 90 年。
[6]Anagnostopoulos, G. C. and Rabadi, G., “A Simulated Annealing Algorithm for the Unrelated Parallel Machine Scheduling Problem,” The Fifth Bi-annual World Automation Congress (WAC), the Eighth International Symposium on
Manufacturing and Applications 3, Florida, Orlando, June 9-13, 2002.
[7]Aziziglu, M. and Kirca, O., ”Trandness Minimization on Parallel Machines,”
International Journal of Production Economics.55, 163-168, 1998.
[8]Barbarosoglu, G. and Ozgur, D., “A Tabu Search Algorithm for Vehicle Routing Problem ,” Computer and Operation Research 26:2, 25-71, 1999.
[9]Barrie, M. and Ayechew, M. A., “A Genetic Algorithm for the Vehicle Routing Problem,” Computers &Operation Research 30: 787-800, 2003.
[10]Badeau, P., Guertin, F., Gendreau, M., Potvin, J. Y. and Taillard, E.,“A Parallel Tabu Serach Heuristic for the Vehicle Routing Problem with Time Windows,”
Transportation Research 5:2, 109-122, 1997.
[11]Blanton, J. L. and Wainwright, R. L., “ Multiple Vehicle Routing with and Capacity Constraints using Genetic Algorithms,”Proceeding of the Fifth International Conference on Genetic Algorithms, 452-459, Los Altas , CA, 1993.
[12]Brandao, J. and Mercer, A., “A Tabu Search Algorithm for the Multi-Trip Vehicle Routing and Scheduling Problem,” European Journal of Operational Research 100, 180-191, 1997.
Considerations,” Journal of Scheduling 4, 3-24, 2001.
[14] Duhamel, C., Potvin, J. V. and Rousseau, J. M., “A Tabu Search Heuristic for the Vehicle Routing Problem with Backhauls and Time Windows,”Transportation Science 31:1, 49-59, 1997.
[15] Figielska, E.,” Preemptive Scheduling with Changeovers: Using Column Generation Technique and Genetic Algorithm,” Computers & Industrial Engineering Volume:
37, Issue: 1-2, October, pp. 81-84, 1999.
[16] Garcia, J. M. and Lozano, S., “Production and Delivery Scheduling Problem with Time Windows,”Computers & Industrial Engineering 48 :733-742, 2005.
[17] Glass, C., Potts, C. and Shade, P., ”Unrelated Parallel Machine Scheduling Using Local Search,” Mathematical and Computational Modelling, 20(2):41-52, 1994.
[18] Gendreau, M., Hertz, A. and Laporte, G., “A Tabu Search Heuristic for the Vehicle Routing Problem,” Manegement Science 40: 12 76-90, 1994.
[19] Goldberg, D. E., Genetic Algorithms in Search, Optimization and Machine Learning, Reading, MA：Addison-Wesley, 1989.
[20]Goldberg, D. and R. Alleles, “Loci and the Traveling Salesman Problem,”
Proceedings of the International Conference on Genetic Algorithms and Their Applications, Pittsburgh, Pennsylvania, 154-159, 1985.
[21] Hall, L. A. and Shmoys, D. B., “Jackson’s Rule for Single-Machine Scheduling : Making A Good Heuristic Better,” Mathematics of Operations Research, 17:22-35, 1992.
[22]Hall, N.G. and Potts, C.N., “Supply Chain Scheduling : Batching and Delivery,”
Operation Research,.51:4, 566-584, 2003.
[23] Holland, J. H., “Adaptation in Natural and Artificial Systems,” Ann Arbor, MI： The University of Michigan Press, 1975.
[24] Holland, J. H., “Genetic Algorithms,” Scientific American.267, 66-72, July, 1992.
[25] Hwang, Heung-Suk., ”An Integrated Distribution Routing Model in
Multi-Supply Center System,” International Journal of Production Economics 98, pp.136–142, 2005.
[26] John J. G., ” Optimization of Control Parameters for Genetic Algorithms.” IEEE Transactions on Systems, Man and Cybernetics, SMC--16(1):122--128, 1986.
[27] Johnson, S. M., “Optimal Two-and Three-Stage Production Schedules with Setup Times Include,” Naval Research Logistics Quarterly, 1:61-68, 1954.
[28] Jong , D., “Analysis of Behavior of A Class of A Genetic Adaptive Systems,” Ph. D.
Dissertation, The University of Michigan Press, 1975.
[29] Kise, H., ” An Automated Two-Machine Flowshop Scheduling Problem with Infinite Buffer,” Journal of the Operations Research Society of Japan, 34:354-361, 1991.
[30] Lee, Y. H. and Pinedo, M., ” Scheduling Jobs on Parallel Machines with
Sequence-Dependent Setup Times,” European Journal of Operational Research.100, 464-474, 1997.
[31] Malmborg, C. J., “A Genetic Algorithm for Service Level Based Vehicle Routing Scheduling,” European Journal of Operation Research, 93, 121-134, 1996.
[32] Maggu, P. L. and Das, G., “ 2 x n Sequencing Problem with Transportation Times of Jobs,”Pure and Applied Mathematika Sciences 12:1-6, 1980.
[33]Maggu, P. L., Das, G. and Kumar, R., “Equivalent Job-for-Job Block in 2 x n Sequencing Problem with Transportation Times,” Journal of the OP Society of Japan, 24:136-146, 1981.
[34] Osman, I. H., “Metastrategy Simulated Annealing and Tabu Search Algorithms for the Vehicle Routing Problem ,”Operations Research 41, 421-51, 1993.
[35] Park, Y. et al.,” Scheduling Jobs on Parallel Machines Applying Neural Network and Heuristic Rules,”Computers and Industrial Engineering38,189-202, 2000.
[36] Potts, C. N., ”Analysis of a Linear Programming Heuristic for Scheduling Unrelated Parallel Machines,”Discrete Applied Mathematics, 155-164, 1985.
[37] Potts, C. N., ”Analysis of a Heuristics for One Machine Sequencing with Release Dates and Delivery times,” Operations Research 28:1436-1441, 1980.
[38] Potvin, J. Y., Duhamel, C. and Guertin, F., ”A Genetic Algorithm for Vehicle
[38] Potvin, J. Y., Duhamel, C. and Guertin, F., ”A Genetic Algorithm for Vehicle