基因演算法(Genetic algorithms, GAs)由 Holland 於 1975 年提出，是基於「物 競天擇」及「遺傳法則」構建而成的尋優理論。而「物競天擇」的操作方式則是 模仿遺傳學複製、交配及突變等三大法則，故稱之為基因演算法或遺傳演算法。
近年來，許多研究運用基因演算法的尋優特性，進而對研究樣本進行分割或 分群，使樣本可藉由基因演算法之特性獲得符合目標式之最佳化結果，以下內容 分就基因演算法之分群及路段分割應用進行文獻整理。
2.2.1 分群
謝欣宏(2002)利用基因演算法進行鐵路司機員排班規劃，此篇研究對象為高 雄機務段司機員排班作業，在考慮薪資、合理的工作、休息時間、以及行車作業 規定等因素下，其內容可以分為排班與輪班兩個階段。在排班方面，將問題分為 (1)可行工作班產生與(2)工作班選擇，共兩個子問題處理。前者以網路產生啟發 式方法來排除限制條件並產生合法的工作班組合，再藉由參數控制的方式從所有 的工作班組合當中篩選出績效較佳的可行工作班集合；後者則視為一集合涵蓋問 題，從可行工作班集合中選擇能涵蓋所有乘務的工作班解集合，基於多目標決策 的需要，此步驟以基因演算法為主。在輪班方面，定義為改良式的推銷員旅行問 題，在工作班均需執行過一遍的概念下，求取總週期最小等目標，這個階段也是 以基因演算法來求解。
此篇研究有以下幾點結論：(1)對於實務問題，最佳化方法因模式表達方式 的限制，所得到的結論可能不全然是決策者心中的理想結果。(2)基因演算法配 合啟發式方法能考慮多個決策指標，並在短時間內能得到許多不錯的解，較能反 映實務需要。(3)研究結果證明可用基因演算等啟發式方法來代替傳統人工作業 方式，並能得到不錯效果。
徐皓庭(2004)建立多物料多分公司之最佳存貨模型，以求解使總成本(包含訂 購、倉儲、配送及購買等四項成本)最低之各種物料最佳訂購比例，以及各種物 料的訂購與倉儲方式。基於訂購及倉儲兩個層面，作者研擬四種存貨策略，分別 為「獨立訂購分散倉儲」、「獨立訂購集中倉儲」、「聯合訂購分散倉儲」，以及「聯
25
合訂購集中倉儲」四種方式，並推導此四種方式下總成本最低時之各項物料訂購 量，及進行四種存貨方式之比較分析與成本相關參數之敏感度分析。之後，利用 分群方式將物料予以分群之後，就各群採取適用之存貨方式。分群方式主要有兩 種，一為傳統統計分群方式，另一為基因演算法分群方式。
以簡例驗證之研究結果發現，若統一利用同一存貨方式，採用「聯合訂購集 中倉儲」的情況下，在訂購、倉儲及運送成本方面最低；而「聯合訂購分散倉儲」
則在購買成本上最低。若採取分群方式，統計分群的方式與不予分群的方式相差 39,776,908 元，差異為 0.68%。基因分群與不予分群方式相差 41,091,964 元，差 異為 0.71%。故利用基因分群的方式可較統計分群方式容易研擬出最佳之存貨策 略。
陳俊孙(2007)欲藉由推理邏輯規則(If-then logic rules)為一普遍運用之專家系 統，基因演算法(genetic algorithms, GAs)之學習功能，可利用樣本學習方式，自 動產生最佳邏輯規則組成，以淬取鑑定委員之推理邏輯規則，以提升鑑定經驗之 傳承與鑑定原理之探究助益。作者以 89∼91 年兩車碰撞事故案例，共計 538 件、
1076 位當事人作為研究對象，透過卡方檢定共評選出 12 個關鍵鑑定變數，以作 為潛在之狀態變數，控制變數則設定為鑑定責任。研究結果發現，道路型態、超 速、飲酒及路權則為多數規則所參引，顯示此四項變數為鑑定之重要參考變數。
蔡佩珊(2007)利用螞蟻演算法及基因演算法進行分群演算之建構與驗證。由 於統計分群是基於相似性的概念，但卻經常因問題複雜程度擴大而產生求解效率 不佳的情況且分群效果較無法求得保證。基因分群雖有優良的搜尋最佳分群數。
螞蟻分群在求解過程中最困難的為決定分群的群數。因此，作者嘗試透過基因演 算法之選擇、交換、突變的特性先決定出最佳的分群數，並決定螞蟻貣始位置，
再透過螞蟻理論求解出最佳的分群結果。經過此篇研究之多方面之測試及分析後，
可以確定 GACA 適用於 p-Median 問題及容量限制問題上，如此 GACA 應亦適用 於求解銷售員旅行問題、時窗限制問題…等，並了解 GACA 之應用範圍確實相 當廣泛。
2.2.2 路段分割
李志華(2003)對於以地震為主之天然災害重要救災功能之路網與運輸系統，
進行緊急救援工作效率之改善。有效率地使用有限之工程資源協助路網緊急搶修
26
工作將是首要評估指標。受制於時間以及資源品質與數量，緊急救援管理者必頇 決定一最適排程計畫提出時間與空間規劃以指派工程資源處理路網搶修作業。作 者為有效解決此一組合最佳化問題，遂選以基因演算法為架構乃提出兩子模式加 以解決相關問題。首先，以模糊數定義方式加以考慮搶修處理時間之模糊性。於 演算法設計上整合模糊數排序方法於執行流程中，期許產製一實務可行以資排程 決策。其二，以有限資源排程問題角度，採取共生式進化演算法架構為求解演算 法機制，有效考慮多重專案與多單位工程資源之路網搶修排程問題。此研究各以 設計範例以測試所提演算法之合理性，經由數值結果顯示求解效果良好，此一演 算法確實可資路網搶修排程規劃。
賴孙軒(2005)欲建立一個不確定環境下之多目標救災路徑與交通管制整合 模式。由於大規模災害剛發生時，由於電力、通訊及道路系統之破壞，災區道路 損壞程度之判斷資訊具有相當之不確定性，但救災決策者又不能等資訊蒐集齊全 後，再進行救援之決策。故作者建立一個不確定環境下之多目標救災路徑與交通 管制整合模式。包括三個子模式與三項目標。其中，第一個子模式是非災民災後 交通量指派預測模式，因災害發生後，用路人會因應道路損壞程度資訊與發佈之 交通管制路徑，而改變原先的路徑選擇行為。而這些正常旅次之改變，也對道路 形成負荷，進而影響衝擊救災與交管路段之選擇，因此有必要在規劃救災路徑予 以一併考量。第二個子模式是交通管制模式，其以路段為管制單元，而在規劃路 網上選擇部份路段實施交通管制，管制非救援車輛之使用。其求解方法係利用遺 傳演算法(genetic algorithms)，以 0-1 編碼方式選擇管制路段。第三個子模式則是 救援車輛最短路徑模式，其在給定之路徑連接模糊可靠度要求水準下，求解最短 之救災路徑。至於三項目標則分別為救災路徑旅行時間最小化、交通管制警力最 少化，以及非災民干擾程度最小化。模式測試方面，作者透過 50 節點與 85 條節 線之假設路網，並以三種情境(實施交管、實施部分交管、實施全線交管)進行求 解。
求解結果顯示在不實施交通管制措施時，其最短路徑成本為 110.5 分鐘；實 施全線交管，其最短路徑成本為 49.1 分鐘，但所需交管警力為 26 位，非災民干 擾程度為 432 車小時；實施交通管制措施，其最短路徑成本為 49.5 分鐘，但所 需交管警力為 18 位，非災民干擾程度為 419 車小時。三種情境中，以本研究模 式所求解之實施部分交管情境所得到之目標函數值為最佳。在實例應用與驗證方
27
28
三、 研究方法
本研究之研究方法包括：文獻彙析法、頻次迴歸方法(卜瓦松迴歸模式及負 二項迴歸模式)，並藉由上述兩項方法推估事故頻次模式，但由於本研究之研究 重點在於建立「事故空間最佳分段模式」，故目標函數將嘗試兩類：(1)事故件數 分佈之自我相關係數最小化，(2)同一路段內之所有解釋變數值同質性最大化，
並計畫利用基因演算法求解最佳化問題。完成空間分割後，將利用分割後之樣本，
重新推估事故頻次模式，進而對模式進行比較與分析。故主要研究方法除前述兩 種方法外，應另外再增加一項基因演算法。
故本研究之主要研究方法包括文獻彙析法、事故頻次模式(卜瓦松迴歸模式 及負二項迴歸模式)、路段分割演算法(基因演算法)等三項方法。分述如下：