3. 時窗限制下單一共用財調配問題及遺傳演算求解法
4.3 範例測試及效能分析
4.3.1 單車共用系統的 TWTRP 範例測試與效能分析
測試一：調配數量段使用不同交配法的效能比較
本研究提出四種不同的調配數量段交配法，本測試分別以四種交配法求解，比 較未滿足量改善百分比
P X
。測試時以 Ubike262A 為案例，在H
段都使用泛用 型的位置為基交配法 (Position Based Crossover) 及交換突變法 (Swap Mutation)。分別測試四種不同的調配數量段交配法，比較未滿足量求解結果及CPU 耗費時間。
本測試的遺傳演算參數設定如表4-4 所示。求解時的染色體數均設為 100，交 配率是0.8，突變率是 0.1。演算停止條件是演化代次上限 1000 代次。以四種不同 的
Q
段交配法測試 Ubike262A 標竿問題各 30 次後，比較未滿足量平均值和 CPU 耗費平均時間，結果列於表4-5。表 4-4 調配數量段不同交配法效能比較測試使用的遺傳演算參數設定
標竿問題 Ubike262A
染色體數 100
交配率 0.8
突變率 0.1
迭代次數上限 1000
doi:10.6342/NTU201701607
Ubike262A Unfulfilled Amount (Without Action
U
0 1145)CPU time (sec) Average Reduction
(%)
Best Reduction (%)
P X
Without Action SVD FBMS TES LVD
Unfulfilled Amount
Ubike262A H Segment : PBX crossover
doi:10.6342/NTU201701607
49
交配突變法的求解效能和品質。
以 Ubike262A 為案例 ， 以本研究提出 的啟 發式交配及突變 法 ， 下文稱 Imminence 法、貪婪式經驗法，以下稱為 Greedy 法、及泛用型的位置為基交配 (PBX) 及交換突變法 (Swap Mutation)，以下稱為 Canonical 法，比較未滿足量求解的成效 及 CPU 平均耗費時間，並將結果列在表 4-7。二種遺傳法的參數設置如表 4-6 所 示。
表 4-6 卡車途程段不同交配法效能比較測試時使用的演算法參數設定
求解方法 Imminence 法 Canonical 法
染色體數 100 100
交配率 0.8 0.8
突變率 0.1 0.1
迭代次數上限 1000 1000
H 段交配方式
Imminence Position BasedH 段突變方式
Imminence SwapQ 段交配方式
LVD LVDQ 段突變方式
Random Assignment Random Assignment本研究認為在時窗限制下若能對急迫性高的站點優先調配則能減少較多的未 滿足量，然而急迫性高的站點彼此間可能相距遙遠，因此若能同時考量距離及急迫 性，本研究所提出的啟發式交配法應能達到不錯的成效。事實上，根據表4-7 的數 據顯示本研究所提出的急迫性及距離考量的交配及突變法在 Ubike262A 的範例中 明顯優於其餘兩者。貪婪式經驗法則是一次性求解法所需的時間遠較演化式的遺 傳演算短。二個遺傳演算測試因Imminence 法的解會逐步建構，運算耗用時間相較 Canonical 法高達 7 倍。圖 4-11 將表 4-7 三種不同做法的未滿足量求算結果以直方 圖展示。
doi:10.6342/NTU201701607
50
表 4-7 Ubike262A 卡車途程段不同演算法未滿足量比較
Method
Unfulfilled Amount
0 1145
U
CPU time (sec) Average Reduction
(%)
Best Reduction (%)
P X
用Random Assignment 突變法。求解時設母體的染色體數是100、交配率 0.8、和突變率 0.1 進行演化。演算停
Without Action Greedy Canonical Imminence
Unfulfilled Amount
Ubike262A Solving Result
doi:10.6342/NTU201701607
51
高。表4-8 中未派車時的未滿足量是 M 段的最大 A 段次之 N 段最小，然而三個時 段的改善量百分比卻相反。因為在站點單車初始數相同下，急迫性過高會使未派車 時的未滿足量
U 較高，雖然
0U 高者派車後降低的未滿足量較
0U 低者的高，但降
0 低差距較分母 U
0 差距小，因此派車後未滿足量的改善百分比小。表4-8 中 M 段 和N 段派車後減少的未滿足量相差 74.11 然而他們的U 卻相差 459.15，因此 N 段
0 的改善百分比較高。表4-8 的數據顯示三個問題的
p
排序方式與改善百分比的一致，而卻與未派車 時的未滿足量相反。觀察求解的結果顯示系統的急迫性小，多數站點的未滿足量低，在時窗限制下卡車到站後只需調配少量單車，即可提升 p ，因此繞行距離較長，能 服務較多的站點使
p
較高。在此情況下系統急迫性小的p
值高，急迫性大的p
值小，然而平均未滿足減少量卻恰好相反。
表 4-8 系統急迫性與未滿足量改善百分比關係測試結果
Unfulfilled Amount
BenchmarkE
WithoutAction
U
0Average Reduction Reduction (%)
P X
p
Tool Relocation Count Average Ubike262M* 0.0034 1186.00 918.68 267.32 22.54 5.58 301.07 Ubike262A* 0.0035 1145.00 884.85 260.15 22.72 5.96 290.43 Ubike262N* 0.0028 726.85 533.54 193.21 26.60 6.79 276.21測試四：三個都市三個時段求解結果比較
為了察看三個都市不同時段的求解結果有無明顯差距，本研究將三個都市三 個時段的求解結果列於表4-9。所有測試範例都使用本研究提出的啟發式交配及突 變法執行 H 段的交配及突變，LVD 和 Random Assignment 分別進行 Q 段交配和突 變。求解時母體的染色體數是100、交配率 0.8、和突變率 0.1 進行演化。演算停止 條件是演化代次上限 1000 代次。各問題都測試求解 30 次後，各成效指標取平均 值列於表4-9。
doi:10.6342/NTU201701607
52
對於單車數持續減少的站點，若初始單車數少，會加重未滿足量的提高；相反 地，對於單車數持續增加的站點，若站點初始單車數太多，未滿足量易攀高。因此 最適的初始單車配置方式是單車增加的站點初始單車數設為0，而減少者的設為滿 載。在Ubike372 的範例中，若將 M 段的初始單車數設成和 A 段的(所有站點初始 單車數都設為站點容量的一半)相同，則 M 段未派車時的未滿足量是 6020 較原本 的6413 小；相反地若將 A 段的初始單車數設成和 M 段的相同，則 A 段未派車時 的未滿足量是1306.8 較原本的 1076.2 大。故推測 A 段的初始單車數配置較 M 段 的有利。因此表4-9 中 Ubike372M 與 Ubike372A 的急迫性差距不大，但未派車的 未滿足量及派車後的未滿足量都是M 段的較大。除此之外，表 4-9 中的九個案例 改善量百分比測試結果以CityBike217M 的最小 CityBike217N 的最大。進一步探究 原因是CityBike217N 的急迫性在九個範例中最小，而 CityBike217M 的最高，且急 迫性是0 的站點數僅有 17 個。
doi:10.6342/NTU201701607
53
表 4-9 三個都市三個時段求解結果
Problem
E
Without Action Unfulfilled Amount AverageUnfulfilled Amount Reduction Average
(%)
Routing length Average (km)
Tool Relocation Count Average
Ubike262M 0.0034 1186.00 918.68 22.54 29.42 301.07
Ubike262A 0.0035 1145.00 884.85 22.72 31.35 290.43
Ubike262N 0.0028 726.85 534.05 26.53 32.95 276.21
Ubike372M 0.0055 6413.00 5909.31 7.85 26.17 304.25
Ubike372A 0.0052 1076.20 922.42 14.29 15.90 131.80
Ubike372N 0.0040 2481.00 2243.87 9.56 33.13 276.87
CityBike217M 0.0097 3642.00 3413.35 6.28 37.62 248.63
CityBike217A 0.0034 1697.00 1470.38 13.35 34.55 269.30
CityBike217N 0.0020 193.00 106.20 45.00 45.12 199.20
doi:10.6342/NTU201701607
Ubike262M、Ubike262A、及 Ubike262N 範例，在條件都不變的情況下測試卡車容 量由14 改為 32，比較改善量的變化。Routing Length Average (km)
37.32 24.56 29.36 25.29 32.95 25.17
Tool Relocation Count Average
286.67 331.53 298.87 323.73 276.21 325.90