第四章 模式構建與模擬分析
4.3 參數設定
表 4.1 實驗因子組合總表(續)
實驗編號 實驗因子組合
25 不分區儲存*最適封包批量*MLI 結合 PSO 26 不分區儲存*關聯訂單批量*MLI
27 不分區儲存*關聯訂單批量*MTLI 28 不分區儲存*關聯訂單批量*AS 29 不分區儲存*關聯訂單批量*PSO
30 不分區儲存*關聯訂單批量*MLI 結合 PSO 4.2.2 績效評估指標
本研究將探討之績效評估指標有下列幾項：
一、不同訂單批量電腦運算時間。
二、不同揀貨路徑規劃電腦運算時間。
三、總電腦運算時間：總電腦運算時間為不同訂單批量電腦運算時間與不同 揀貨路徑規劃電腦運算時間之總和。
四、總揀貨距離：總揀貨距離為每次模擬中，完成所有訂單之揀貨距離總和。
五、總揀貨旅行次數：每次模擬中，完成所有訂單所需檢取次數。
六、車輛滿載率：車輛滿載率為揀取總數量除以揀貨車容量。
七、揀貨時間。
八、分流時間：分流時間為卸貨時間、分類時間及檢查時間之總和。
九、總作業時間：總作業時間為揀貨時間與分流時間之總和。
口方法(Taguchi Method)進行實驗設計，透過直交表(Orthogonal Array, OA)規 劃實驗並使用信號雜音比(Signal-Noise Ratio, S/N)分析實驗數據，以找出穩健 適宜之參數水準組合。以下就各演算法參數設定說明之。
4.3.1 螞蟻理論參數設定
螞蟻理論須設定之參數中主包含有五個部分，分別為α、β、ρ、母體 數(Population)與迭代數(Iteration)，但因 Dorigo et al.【18】已於研究中建議α 與β之設定組合，因此本研究將α與β合併為一因子，依此本研究將考慮四 個因子，而每個因子依相關文獻各挑選出四水準，各因子與水準之設定如表 4.2 所示。
表 4.2 螞蟻理論因子與水準設定表 因子 水準
1 2 3 4
α、β (0.5, 5) (1, 1) (1, 2) (1, 5)
ρ 0.9 0.5 0.3 0.1
Population 10 15 20 25
Iteration 100 150 200 250
本實驗共有四個控制因子，各因子又具有四水準，在不考慮各因子間交 互作用下，所需自由度為 12，因此選用 L16直交表可滿足實驗所需之自由度。
本研究主要將螞蟻理論應用於規劃，因揀貨路徑距離以越短越好，於是在信 號雜音比的選用將採取望小之公式以進行計算實驗之績效，望小特性之公式 如公式(4.1)所示。
10 log n 1 y
2iN /
S
(4.1)n 為每一實驗組合下之重複次數。
yi為重複第 i 次實驗所得之數據。
實驗中所用 L16直交表與實驗數據如表 4.3 所示，並依公式(4.1)計算各實 驗之信號雜音比，隨後彙整成各因子之水準下的信號雜音比，如表 4.4 所示。
信號雜音比最大化時，期望損失將會最小，因此信號雜音比越大越佳，於是 可以從表 4.4 中得知各因子水準最佳組合，將各因子水準最佳組合與最佳設 定值彙整於表 4.5。
表 4.3 螞蟻理論參數設定之 L16直交表與 S/N 比之值 各因子之水準
實驗編號 α、β ρ Population Iteration 總揀貨距離 S/N 比率
1 1 1 1 1 106020 -100.508
2 1 2 2 2 106254.5 -100.527
3 1 3 3 3 105897 -100.498
4 1 4 4 4 106910 -100.580
5 2 1 2 3 104557.5 -100.387
6 2 2 1 4 107313 -100.613
7 2 3 4 1 105508.5 -100.466
8 2 4 3 2 107309.5 -100.613
9 3 1 3 4 105038 -100.427
10 3 2 4 3 106587.5 -100.554
11 3 3 1 2 108535 -100.711
12 3 4 2 1 105449.5 -100.461
13 4 1 4 2 105834 -100.493
14 4 2 3 1 106775.5 -100.569
15 4 3 2 4 107654 -100.641
16 4 4 1 3 107164.5 -100.601 表 4.4 螞蟻理論各參數因子水準之 S/N 比回應表
水準 實驗因子
α、β ρ Population Iteration 1 -100.528 -100.454 -100.608 -100.501 2 -100.520 -100.566 -100.504 -100.586 3 -100.538 -100.579 -100.527 -100.51 4 -100.576 -100.564 -100.523 -100.565
表 4.5 各因子水準最佳組合與最佳設定值
實驗因子
α、β ρ Population Iteration
最佳因子水準組合 2 1 2 1
最佳因子水準設定 (1,1) 0.9 15 100
4.3.2 粒子群最佳化演算法參數設定
粒子群最佳化演算法須設定之參數中主包含有五個部分，分別為慣性權 重 (w) 、 學 習因 子 (c1, c2) 、 最 大 速 度 (Vmax) 、 母 體 數 (Population) 與 迭 代 數 (Iteration)，依此本研究將考慮五個因子，而每個因子依相關文獻各挑選出四 水準，各因子與水準之設定如表 4.6 所示。
表 4.6 粒子群最佳化演算法因子與水準設定表 因子 水準
1 2 3 4
w 0.9 1 1.1 1.2
c1, c2 (1, 1) (1, 2) (2, 1) (2, 2)
Vmax 0.1 0.2 0.3 0.4
Population 10 15 20 25
Iteration 100 150 200 250
本實驗共有五個控制因子，各因子又具有四水準，在不考慮各因子間交 互作用下，所需自由度為 15，因此選用 L16直交表可滿足實驗所需之自由度。
本研究主要將粒子群最佳化演算法應用於規劃，因揀貨路徑距離以越短越 好，於是在信號雜音比的選用將採取望小之公式以進行計算實驗之績效，望 小特性之公式如公式(4.1)所示。
實驗中所用 L16直交表與實驗數據如表 4.7 所示，並依公式(4.1)計算各實 驗之信號雜音比，隨後彙整成各因子之水準下的信號雜音比，如表 4.8 所示。
信號雜音比最大化時，期望損失將會最小，因此信號雜音比越大越佳，於是 可以從表 4.8 中得知各因子水準最佳組合，將各因子水準最佳組合與最佳設 定值彙整於表 4.9。
表 4.7 粒子群最佳化演算法參數設定之 L16直交表與 S/N 比之值 各因子之水準
實驗編號
w c1,c2 Vmax Population Iteration
總揀貨距離 S/N 比率
1 1 1 1 1 1 135828 -102.660
2 1 2 2 2 2 131244 -102.362
3 1 3 3 3 3 123091.5 -101.805
4 1 4 4 4 4 122706 -101.777
5 2 1 2 3 4 125979 -102.006
6 2 2 1 4 3 131045.5 -102.348 7 2 3 4 1 2 134424.5 -102.570 8 2 4 3 2 1 131021.5 -102.347 9 3 1 3 4 2 129191.5 -102.225
10 3 2 4 3 1 136248 -102.687
11 3 3 1 2 4 128769.5 -102.196
12 3 4 2 1 3 134956 -102.604
13 4 1 4 2 3 144831.5 -103.217
14 4 2 3 1 4 143487 -103.136
15 4 3 2 4 1 125196.5 -101.952 16 4 4 1 3 2 128894.5 -102.205 表 4.8 粒子群最佳化演算法各參數因子水準之 S/N 比回應表
水準 實驗因子
w c1, c2 Vmax Population Iteration 1 -102.151 -102.527 -102.352 -102.742 -102.411 2 -102.318 -102.633 -102.231 -102.530 -102.340 3 -102.428 -102.131 -102.378 -102.175 -102.494 4 -102.628 -102.233 -102.563 -102.076 -102.279
表 4.9 各因子水準最佳組合與最佳設定值
實驗因子
w c1, c2 Vmax Population Iteration
最佳因子水準組合 1 3 2 4 4
最佳因子水準設定 0.9 (2, 1) 0.2 25 250 本研究進行模擬實驗時，於螞蟻理論與粒子群最佳化演算法之參數設定 值，將使用上述實驗中所找出之最佳參數組合，分別如表 4.5 與表 4.9 所示，
以期在最佳參數設定下，兩巨集啟發式演算法能有最佳之求解品質與效率。