基因演算法（Genetic Algorithm）是一套根據生物演化過程的概念所建立的一種 演算法，其核心理念是仿效生物的選擇、交配、遺傳、突變等觀念建構計算模式 搜尋問題的最佳解，主要應用在解決各種領域中計算空間大、複雜度高、尋求全 域最佳解的難題（Holland, 1992）。依據核心理念，基因演算法將欲求解的問題 經過編碼的方式產生染色體，初始染色體（chromosome）母體等同於在族群中 競爭欲存活的生物，而演算法中的適應函數（fitness function）等同扮演天擇的 角色，使適合生存環境的母體留下來繁衍後代，不適生存的母體淘汰，後代的繁 衍可經由母體交配（crossover）以及一定機率的突變（mutation）來產生下一代，
模擬自然界演化特性以找尋最佳解。以上基因演算法的各項步驟往往因為探討的 內容及需求取向而有不同的設定方式，因此若能掌握基因演算法核心理念的各項 步驟所呈現出來的特性，將有助於本研究解決參數最佳化問題。
14
綜合基因演算法的各項核心步驟來看，其具有搜尋空間、適應函數等等幾種 和傳統演算法不同的特性，就是這些特性使得基因演算法具有下列幾種別於傳統 的優點（Back et al., 1993; Goldberg, 1989）：
(1) 基因演算法是將欲搜尋的參數先進行編碼再運算，而並非使用參數本身，
因此不需受限於過去演算法對於搜尋空間的限制，例如過去求解最佳化 演算法通常侷限在問題的目標函數、限制函數必須為連續或可微分函數 才能進行，使基因演算法不受額外的限制。
(2) 基因演算法擅長解決搜尋全域最佳解的問題，相較於過去的攀登演算法
（Hill-climbing algorithm）容易受初始值影響最後收斂在局部最佳解，基 因演算法同時對解集合進行平行搜尋使之避免陷入局部最佳解。
(3) 基因演算法不需要複雜的數學運算，只需要靠適應函數來篩選解集合，
例如傳統的梯度演算法需要根據其目標函數的導數來決定搜尋方向，基 因演算法只需要適應函數值即可進行搜尋，跳脫傳統的數學式限制，降 低處理問題的難度。
根據基因演算法幾項優於傳統的特性，其被廣泛使用在工程（模糊系統、類 神經網路）、物理（液晶及雷射技術）以及文化娛樂（動畫及視覺圖形）等領域，
解決排程順序、訊息重組、參數優選等問題（Haupt et al., 1998; Man et al., 1999;
Deepa & Sivanandam, 2007）。例如使用基因演算法來解決複雜的多項次函式，以 求達整體最佳參數解避免陷入數學函式中常見的局部最佳參數解（Michalewicz, 1992）；以及應用基因演算法調整設計自動模糊系統的歸屬函數（membership function）和模糊規則（Lee & Takagi, 2002）。目前對於使用基因演算法的研究皆 顯示出，基因演算法於工程領域的應用相當具有效率也有不錯的效果，同時也是 具有公信力被廣泛使用的求解最佳化演算法。
基於上述所列各項研究對於基因演算法所需，以及基因演算法所呈現的各項 優點，本研究在模型的進行中也有幾點問題是極需使用基因演算法所解決。對於
15
本研究所使用各項參數來說，必須要將參數分割至小數點四位以下來尋求更為細 緻的解集合提供更為有用的資訊，此作法搭配所使用的六項參數以及所使用的龐 大資料量，複雜度將隨著參數的增加呈現指數成長，此外參數的細微變動將會造 成結果的大幅變動容易造成解集合品質不一。因此若能使用基因演算法處理龐大 資料量並且對解集合進行平行搜尋，一條染色體能夠得出一組參數解的做法，對 於本研究不僅能得出各項參數對於最佳解的分佈，相較於類神經網路的搜尋方式 也是更有效率的做法。此外基因演算法適當的於染色體中加入突變基因的做法也 將有助於本研究跳脫局部最佳解，避免基因過於相近而無法突破。
本研究建構觀察遞移性的模型使用各項參數建構網路資料以此來計算風險 的遞移並且將結果與真實資料進行比對驗證，各項參數搭配計算均代表了不同實 質上的意義，有鑑於基因演算法對於本研究能夠提供的幫助，在本研究中將使用 基因演算法幫助本研究進行各項參數的最佳化搜尋以求解符合真實情況的最佳 解集合。
16
3 三、研究資料
在本文中流行風險指標使用流行病為案例研究，以台灣交通通勤旅運資料建構人 口流動網路，模擬因人口流動而產生的流行病風險遞移動態。為達到風險指標對 於案例研究的進行，研究所需資料含有用來建構人口流動網路的台灣各長短程交 通旅運資料，以及與實驗結果比對的真實流行病病例資料。因此本節將從上述研 究所需資料來源、收集到的研究資料內容、以及研究資料如何進行處理轉換來建 構本論文所需人口流動旅運網路開始進行討論。