[26]
2-23
表 2-14 事故成本生命價值 (元/天)
2.6 演化式支持向量機推論模式
傳統上營建管理決策的缺點主要分為(1)依賴人員專業知識(2)主觀 認定上的誤差(3)試誤法。在依賴人員專業知識方面：營建管理領域的 問題具有複雜、不確定與隨環境變動的特性，因此，在解決相關問題 時多依賴該領域專家經驗與知識進行決策。然而這些屬於專家的經驗 與知識會隨著專家記憶淡忘與離職或退休而失去，因此如何傳遞有用 的專業知識非常困難(Ko, C. H.,1999)。在主觀認定上的誤差方面：解決 營建管理問題多是依賴專家決策，然而專家主要依賴直覺與主觀上的 判斷，將影響決策的有效性(Fukahori, K.等 2000)。試誤法方面：營建 管理者以試誤方法學習決策過程中的經驗，但是在營建工程領域，太 多模擬兩可的變數以及決策錯誤的花費太大。也因為在決策資訊收集 的困難和決策必須快速下達的原因造成決策上的困難。
為了改善上述傳統營建管理決策之缺點，相關文獻中以人工智慧 模擬人類決策行為來解決營建管理問題的方法陸續被提出。學者吳育 偉等(2007)提出一最佳化決策模式「演化式支持向量機推論模式」
(ESIM) [32]，此模式透過過去案例與經驗學習，歸納出專家決策過程與 分析邏輯，輔助決策者進行決策，以提昇營建管理決策的有效性。支 持向量機（Support Vector Machine，SVM）為結合統計學 VC 維度理論
（Vapnik – Chervonenks Dimension）與結構風險最小化原理（Structure Risk Minimization Theory）所發展之一種機械學習演算法，SVM 在 Vapnik 等人提出後發展迅速，目前已成功的應用在決策輔助及預測 中。然而此模式必須先決定其參數的數值，才能使模式的結果最佳化。
但目前很少研究針對如何將 SVM 的參數最佳化的議題進行研究。故 此 研 究 目 的 在 於 提 出 一 新 的 模 式- 演 化 式 支 持 向 量 機 推 論 模 式 (ESIM)，此模式融合 SVM 與快速混雜基因演算法（Fast Messy GA），
模式中SVM 用於歸納輸入變數與輸出變數間複雜的關係；而快速混雜 基因演算法搜尋 SVM 所需的最佳參數（C 與 γ），藉此提高 SVM 的 預測準確度。以下將就ESIM 與相關理論作進一步介紹。
2.6.1 演 化 式 支 持 向 量 機 推 論 模 式 (Evolutionary Support Vector Machine Inference Model-ESIM)
學者吳育偉等為了提高支持向量機的預測準確度，針對模式中參
SVM training model
Average accuracy (fitness function)
fmGA parameters search Training data set
Termination
1.Default C, gamma：C與gamma值可能依案例與問題特性而有不同設 定，根據Thorsten Joachims建議其預設值C與gamma可分別設定為1及 1/M，其中M為變數個數。
2.Training data set：首先在預測模式之前，必須先尋找影響因素，並且 建立影響因子集合（influence patternsTraining data set）作為預測的輸 入變數。
3.SVM training model：在此步驟中，使用者預先收集營建管理課題之 歷史案例，並以案例影響因子作為輸入因子，案例決策作為輸出。將 此輸入與輸出數值作為訓練案例，輸入SVM中進行模式的初始訓 練，SVM將以預設之C與gamma值作為模式中第一次訓練設定值。
4.Average accuracy：此步驟將根據目標函數之倒數作為適應函式，其 值越大表示此模式架構越佳。
5.Termination criteria：此流程將持續運作，直到符合某些條件，如達到 符合的適存度或數世代演算中適存度無明顯增加(表示已達收斂)。
6.fmGA parameters search：此步驟中，快速混雜基因演算法將尋找下一 世代中較適合之參數值。
7.Optimized parameters：根據上述最佳化演算，可留下最佳之基因組 合。將基因解碼為支持向量機模式之C與gamma值，即可求得最佳之 推論模式。
2.6.2 ESIM應用
ESIM 應用程序為本計畫之 ESIM 應用程序，以下針對 ESIM 推論 系統建構程序作進一步說明，如圖2.4。