我們假設在狀況 3 中資源充足，並且需要決定從第一組空間資料 133 (m=133) 處預定地 中挑出多少處設置巡邏箱 (n=?) 才能具有最大效益。圖 20 是由狀況 2 之圖 17 繼續改善後的結 果，最後選出 52 (n=52) 處設置地點，與起初狀況 1 或 2 警力不足時的配置比起來明顯均勻，
而且值得注意的是被挑中的巡邏箱未必愈多愈好，因為這個資源配置問題與其他資源配置問題 不太一樣，設置過多巡邏箱是一種資源浪費，設置太少又有前面配置不足時的安全漏洞，所以 當配置恰到好處時 (目標函數值最大) 才可有最佳結果，這與當初目標函數是否選用得宜有很
圖 19 台中市立人派出所轄區執行結果，C(A)=65.18，執行時間=404 秒 (較大圖例代表選中該預定地設置巡邏箱)
圖 20 一般道路執行結果，C(A)=129.20，執行時間=465 秒 (較大圖例代表選中該預定地設置巡邏箱)
362 管理與系統
大關係。圖中所有選定之巡邏箱不論是之前選定還是本次新增的巡邏箱，都是相距約 300 公尺 (再加路寬總和)，非常符合決策者需求，而且不會造成太大異動成本。
同樣地，第二組空間資料 (m=133) 在狀況 3 也需要決定合適的巡邏箱數目 (n=?)，圖 21 是由狀況 2 之圖 18 繼續改善後的結果，RAP 演算法最後選出 59 (n=59) 處巡邏箱設置地點，
比起警力不足時的配置 (圖 18) 明顯均勻，不會有巡邏箱相距太近，也不會有巡邏箱相距太遠 而產生治安死角。此外，與圖 20 相較，同樣大小的區域卻需要設置較多的巡邏箱，理由是中 間百米幹道兩側需要擺放較多的巡邏箱，致使整體資源配置需要比圖 20 所用的巡邏箱還多。
圖 22 是從狀況 2 之台中市立人派出所轄區配置結果 (圖 19) 繼續改善而得，最後從 159 (m=159) 處預定地選出 30 (n=30) 處巡邏箱設置地點，代表該地區需要設置這個數量的巡邏 箱，超過這個數目是一種資源浪費，低於這個數目又有安全漏洞，這個數字可以爲該派出所配 置巡邏箱資源時提供合適建議。圖中所有選定之巡邏箱不論是之前選定還是本次新增的巡邏 箱，距離加上所跨越的路寬總和大都為 300 公尺，由此也可以看出當資源充裕時所得的配置結 果自然可達整體最大效益。
圖 21 橫貫道路執行結果，C(A)=143.31，執行時間=460 秒 (較大圖例代表選中該預定地設置巡邏箱)
圖 22 台中市立人派出所轄區執行結果，C(A)=73.14，執行時間=678 秒 (較大圖例代表選中該預定地設置巡邏箱)
圖 23 顯示資源數目(n)對於台中市立人派出所巡邏箱配置整體效益 C(A)的影響，此圖不但 有利讀者觀察本研究如何設定合適的n 參數，也同時反應漸增資源到了某程度應該適可而止。
圖中曲線反應了在一開始資源不足 (n 較小) 時其整體效益不是很好，但陸續漸增資源後 (n 漸 增)效益曲線逐漸遞增，增加到某一程度時整體效益到達最高，若再繼續增加資源 C(A)不增反 降。此現象說明使用者配置資源時應該適可而止，不可恣意增加資源，否則整體效益未見改善 又形成資源浪費。值得留意的是，在資源充足時的狀況 3 (圖 22) 中，RAP 演算法不需要任何 人工介入，即可自動決定合適的資源數目 (n=30) 並達到最大效益，充分顯示出 RAP 演算法可 以同時兼顧成本效益與方便性。