國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
85
第五章、 效能評估
5.1、 實驗目的
我們以電腦模擬的方式，評估 CBBAG 演算法搭配不同 profit density 計算方式之效能，
及不同效益遞減函數對於 CBBAG 演算法效能之影響，藉由一系列的實驗，測試各種模 型的特性，提供給 CCN 使用者根據實際狀況選擇最適當的跨基地台頻寬分配最佳化模 型。
5.2、 實驗設計
我們以 6 至 10 個斷訊基地台的小範圍災區以及 100 個斷訊基地台的大範圍災區為 模擬環境，分別在相同的網路拓樸及頻寬資源容量下，比較 CBBAG 演算法之三種版本 的效能：三種版本之差異在於挑選 path 時的比較基準(1)CBBAG-PP：Pure profit、
(2)CBBAG-M：Multiplicative profit density、(3)CBBAG-A：Additive profit density，每一 種災區規模各做 10 個獨立測試。
• 實驗一
在小規模案例下，我們評估 CBBAG-PP、CBBAG-M、CBBAG-A 之效能，並與最 佳解比較，效能評估指標為 original deviation、normalized deviation。
• 實驗二
在大規模案例下，我們評估 CBBAG-PP、CBBAG-M、CBBAG-A 之效能及效益遞 減函數l
1、
l
1 對於 CBBAG 演算法效能之影響，由於大規模案例無法在短時間內計算出
最佳解，因此放棄計算最佳解，而是採用 100 萬個解中的最佳解(準最佳解)與 CBBAG
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
86
演算法比較，效能評估指標為 original psuedo deviation、normalized pseudo deviation、
service coverage、coverage improvement、canonical profit、cost of coverage improvement、
unit cost of coverage improvement。
5.2.1、 實驗環境
我們以 Java 語言實作 CBBAG 演算法效能的評估，以亂數產生實驗的 Instance，評 估 CBBAG 演算法的效能。實驗用電腦軟硬體規格如下：
• 處理器：Pentium(R) Dual-Core CPU E6600 @3.06GHz 2.53GHz
• 記憶體：2.00 GB
• 系統類型：Win7 32bit
5.2.2、 效益遞減函數
效益遞減函數為隨著頻寬分配數量變化的救災效益，隨著頻寬分配數量越多，每單 位頻寬資源帶來的救災效益將會越來越低，我們假設了三個簡單的非線性效益遞減函數 (l
1、
l
1 、1)，使用於我們的實驗中。
5.3、 實驗一:小規模實驗
本節呈現並分析實驗結果，實驗一(a)、實驗一(b)、實驗一(c)除了效益遞減函數之外，
其餘參數皆相同。我們藉由實驗結果，分析比較 CBBAG 演算法搭配不同 profit density 計算方式的效能。
5.3.1、 實驗參數
‧
Parameter Range of values
Channel class Uniform(16、32)
Link capacity Uniform (32~90)
Initial profit 16k:Uniform(30~50)、32k: Uniform(50~100)
Attenuation function
l 1、
l
1 、1Forwarding tree size 6、8、10
Number of DS pairs 10、20、30
5.3.2、 評估指標
我們透過最佳解，評估 CBBAG-M、CBBAG-A 的效能。由於每個案例皆為獨立不 相關，故實驗結果用以下之評估指標進行評估：
original deviation：
original deviation = 1 −algorithm solution
opt. solution …...………..……..……...…………....(3)
normalized deviation：
normalized deviation =opt. solution−algorithm solution
opt. solution−worst solution ...(4)
5.3.3、 實驗結果
實驗一(a)：attenuation function = l 1
由圖 32、33 可以發現，不論以平均 original deviation 小者為優或平均 normalized deviation 小者為優，CBBAG 演算法採取 Additive profit density 的計算方式都明顯優 於其他兩者。圖 34、35、36、37、38、39 及表 17、18、19、20、21、22 為實驗一(a) 的實驗結果。
‧
圖 32、實驗一(a)：average original deviation 比較
圖 33、實驗一(a)：average normalized deviation 比較
0.00%
Original Deviation
Number of base stations
CBBAG-PP
Number of base stations
CBBAG-PP CBBAG-M CBBAG-A
‧
圖 34、實驗一(a)：original deviation 比較(6 nodes)
圖 35、實驗一(a)：normalized deviation 比較(6 nodes)
0.00%
Original Deviation
Case No.
‧
圖 36、實驗一(a)：original deviation 比較(8 nodes)
圖 37、實驗一(a)：normalized deviation 比較(8 nodes)
0.00%
Original Deviation
Case No.
‧
圖 38、實驗一(a)：original deviation 比較(10 nodes)
圖 39、實驗一(a)：normalized deviation 比較(10 nodes)
0.00%
Original Deviation
Case No.
‧
表 17、實驗一(a)：實驗結果(6 nodes、10 paths)
Case Profit
Optimum Worst CBBAG-PP CBBAG-M CBBAG-A 1 429.50 109.00 355.50 396.00 429.50 2 364.67 124.63 295.00 349.17 364.67 3 482.00 192.42 482.00 471.00 482.00 4 308.00 128.54 215.00 269.50 308.00 5 498.50 193.00 498.50 487.92 487.92 6 420.00 108.08 420.00 380.50 380.50 7 316.00 105.92 271.00 291.00 316.00 8 501.00 158.88 469.00 492.00 501.00 9 557.00 270.29 551.50 557.00 557.00 10 346.00 193.54 270.00 311.50 346.00
表 18、實驗一(a)：deviation 比較(6 nodes、10 paths)
Case CBBAG-PP CBBAG-M CBBAG-A
ND:Normalized Deviation、OD:Original Deviation
‧
表 19、實驗一(a)：實驗結果(8 nodes、20 paths)
Case Profit
Optimum Worst CBBAG-PP CBBAG-M CBBAG-A 1 610.00 280.00 554.50 558.33 595.50 2 556.00 198.63 464.50 486.38 556.00 3 528.79 248.33 420.00 508.29 528.79 4 599.00 171.00 470.00 546.83 599.00 5 540.17 314.67 540.00 515.50 526.83 6 510.50 210.67 404.50 458.17 510.50 7 611.83 253.25 494.50 581.79 611.83 8 569.00 154.00 515.00 544.50 569.00 9 580.00 273.25 560.00 484.67 530.00 10 649.88 334.88 633.50 613.50 649.88
表 20、實驗一(a)：deviation 比較(8 nodes、20 paths)
Case CBBAG-PP CBBAG-M CBBAG-A
ND:Normalized Deviation、OD:Original Deviation
‧
表 21、實驗一(a)：實驗結果(10 nodes、30 paths)
Case Profit
Optimum Worst CBBAG-PP CBBAG-M CBBAG-A 1 605.50 233.92 416.00 526.46 605.50 2 646.08 283.96 618.00 595.67 620.00 3 783.17 314.75 683.00 725.79 783.17 4 602.33 246.25 341.00 557.83 602.33 5 767.00 211.79 592.00 677.67 767.00 6 756.50 327.83 618.00 710.50 710.50 7 609.88 276.38 507.50 587.38 609.88 8 823.50 253.04 715.00 692.00 786.50 9 659.50 240.33 651.00 623.33 649.50 10 739.00 348.17 532.00 583.00 701.00
表 22、實驗一(a)：deviation 比較(10 nodes、30 paths)
Case CBBAG-PP CBBAG-M CBBAG-A
10 52.96% 28.01% 39.91% 21.11% 9.72% 5.14%
ND:Normalized Deviation、OD:Original Deviation
實驗一(b)：attenuation function =
l
1由圖 40、41 可以發現，不論以平均 original deviation 小者為優或平均 normalized deviation 小者為優，CBBAG 演算法採取 Additive profit density 的計算方式都明顯優 於其他兩者。圖 42、43、44、45、46、47 及表 23、24、25、26、27、28 為實驗一(b)
‧
圖 40、實驗一(b)：average original deviation 比較
圖 41、實驗一(b)：average normalized deviation 比較
0.00%
Original Deviation
Number of base stations
CBBAG-PP
Number of base stations
CBBAG-PP CBBAG-M CBBAG-A
‧
圖 42、實驗一(b)：original deviation 比較(6 nodes)
圖 43、實驗一(b)：normalized deviation 比較(6 nodes)
0.00%
Original Deviation
Case No.
‧
圖 44、實驗一(b)：original deviation 比較(8 nodes)
圖 45、實驗一(b)：normalized deviation 比較(8 nodes)
0.00%
Original Deviation
Case No.
‧
圖 46、實驗一(b)：original deviation 比較(10 nodes)
圖 47、實驗一(b)：normalized deviation 比較(10 nodes)
0.00%
Original Deviation
Case No.
‧
表 23、實驗一(b)：實驗結果(6 nodes、10 paths)
Case Profit
Optimum Worst CBBAG-PP CBBAG-M CBBAG-A 1 470.61 125.15 362.33 437.56 470.61 2 395.59 162.86 295.00 395.59 395.59 3 523.61 230.25 519.69 523.61 523.61 4 299.30 169.95 215.00 262.78 298.60 5 539.72 223.96 518.59 539.72 539.72 6 421.76 142.32 421.76 397.69 397.69 7 316.00 143.81 271.00 298.87 316.00 8 544.60 215.71 484.30 544.60 544.60 9 601.91 343.19 586.09 571.68 600.49 10 375.08 252.45 280.77 362.45 375.08
表 24、實驗一(b)：deviation 比較(6 nodes、10 paths)
Case CBBAG-PP CBBAG-M CBBAG-A
ND:Normalized Deviation、OD:Original Deviation
‧
表 25、實驗一(b)：實驗結果(8 nodes、20 paths)
Case Profit
Optimum Worst CBBAG-PP CBBAG-M CBBAG-A 1 652.84 344.54 575.00 625.80 652.84 2 587.87 265.26 476.72 525.49 561.53 3 570.15 327.29 432.01 570.15 570.15 4 637.11 226.71 470.00 557.72 637.11 5 588.71 387.80 540.00 555.71 588.71 6 559.17 242.07 422.52 532.13 559.17 7 653.01 313.31 522.47 637.65 653.01 8 590.27 167.46 515.00 590.27 590.27 9 589.53 335.46 560.00 502.17 555.22 10 705.93 395.92 649.20 705.93 705.93
表 26、實驗一(b)：deviation 比較(8 nodes、20 paths)
Case CBBAG-PP CBBAG-M CBBAG-A
ND:Normalized Deviation、OD:Original Deviation
‧
表 27、實驗一(b)：實驗結果(10 nodes、30 paths)
Case Profit
Optimum Worst CBBAG-PP CBBAG-M CBBAG-A 1 629.53 295.50 416.00 591.46 629.53 2 708.36 360.51 648.65 705.28 700.60 3 845.68 384.44 686.57 819.97 845.68 4 640.32 290.57 341.00 617.24 640.32 5 792.49 267.24 618.92 689.53 792.49 6 765.17 374.71 618.00 765.17 765.17 7 660.86 345.40 526.35 630.15 660.86 8 799.97 322.38 715.00 757.84 765.49 9 703.82 285.65 660.94 636.93 695.47 10 767.90 414.78 532.00 647.82 707.98
表 28、實驗一(b)：deviation 比較(10 nodes、30 paths)
Case CBBAG-PP CBBAG-M CBBAG-A
10 66.80% 30.72% 34.01% 15.64% 16.97% 7.80%
ND:Normalized Deviation、OD:Original Deviation
實驗一(c)：attenuation function = 1
由圖 48、49 可以發現，不論以平均 original deviation 小者為優或平均 normalized deviation 小者為優，CBBAG 演算法採取 Additive profit density 的計算方式都略優於 CBBAG 演算法採取 Multiplicative profit density 的計算方式。圖 50、51、52、53、54、
55 及表 29、30、31、32、33、34 為實驗一(c)的實驗結果。
‧
圖 48、實驗一(c)：average original deviation 比較
圖 49、實驗一(c)：average normalized deviation 比較
0.00%
Original Deviation
Number of base stations
CBBAG-PP
Number of base stations
CBBAG-PP CBBAG-M CBBAG-A
‧
圖 50、實驗一(c)：original deviation 比較(6 nodes)
圖 51、實驗一(c)：normalized deviation 比較(6 nodes)
0.00%
Original Deviation
Case No.
‧
圖 52、實驗一(c)：original deviation 比較(8 nodes)
圖 53、實驗一(c)：normalized deviation 比較(8 nodes)
0.00%
Original Deviation
Case No.
‧
圖 54、實驗一(c)：original deviation 比較(10 nodes)
圖 55、實驗一(c)：normalized deviation 比較(10 nodes)
0.00%
Original Deviation
Case No.
‧
表 29、實驗一(c)：實驗結果(6 nodes、10 paths)
Case Profit
Optimum Worst CBBAG-PP CBBAG-M CBBAG-A 1 659.00 157.00 463.00 659.00 659.00 2 472.00 253.00 372.00 472.00 472.00 3 598.00 321.00 573.00 598.00 598.00 4 353.00 215.00 215.00 353.00 353.00 5 658.00 285.00 628.00 658.00 658.00 6 465.00 226.00 455.00 465.00 465.00 7 330.00 236.00 271.00 330.00 330.00 8 670.00 372.00 536.00 670.00 670.00 9 671.00 516.00 596.00 665.00 665.00 10 546.00 296.00 296.00 546.00 546.00
表 30、實驗一(c)：deviation 比較(6 nodes、10 paths)
Case CBBAG-PP CBBAG-M CBBAG-A
ND:Normalized Deviation、OD:Original Deviation
‧
表 31、實驗一(c)：實驗結果(8 nodes、20 paths)
Case Profit
Optimum Worst CBBAG-PP CBBAG-M CBBAG-A 1 821.00 490.00 604.00 821.00 821.00 2 715.00 438.00 525.00 715.00 715.00 3 710.00 449.00 449.00 710.00 710.00 4 779.00 367.00 478.00 779.00 779.00 5 748.00 532.00 544.00 748.00 748.00 6 670.00 304.00 454.00 670.00 670.00 7 758.00 446.00 550.00 758.00 758.00 8 668.00 194.00 668.00 668.00 668.00 9 754.00 480.00 589.00 714.00 714.00 10 941.00 530.00 701.00 941.00 941.00
表 32、實驗一(c)：deviation 比較(8 nodes、20 paths)
Case CBBAG-PP CBBAG-M CBBAG-A
ND:Normalized Deviation、OD:Original Deviation
‧
表 33、實驗一(c)：實驗結果(10 nodes、30 paths)
Case Profit
Optimum Worst CBBAG-PP CBBAG-M CBBAG-A 1 826.00 416.00 416.00 826.00 826.00 2 932.00 549.00 746.00 932.00 932.00 3 1034.00 538.00 710.00 1034.00 1034.00 4 727.00 341.00 341.00 709.00 727.00 5 872.00 397.00 657.00 854.00 872.00 6 863.00 458.00 618.00 863.00 863.00 7 815.00 501.00 553.00 815.00 815.00 8 943.00 490.00 733.00 927.00 927.00 9 803.00 375.00 747.00 777.00 777.00 10 820.00 532.00 532.00 759.00 759.00
表 34、實驗一(c)：deviation 比較(10 nodes、30 paths)
Case CBBAG-PP CBBAG-M CBBAG-A
10 100.00% 35.12% 21.18% 7.44% 21.18% 7.44%
ND:Normalized Deviation、OD:Original Deviation
5.4、 實驗二:大規模實驗
本節呈現並分析實驗結果，實驗二(a)、實驗二(b)、實驗二(c)、實驗二(d)除了效益遞 減函數之外，其餘參數皆相同。我們藉由實驗二(a)、實驗二(b)、實驗二(c)結果，分析 比較 CBBAG 演算法搭配不同 profit density 計算方式的效能。實驗二(d)則藉由實驗結果，
分析比較不同效益遞減函數搭配 CBBAG 演算法對效能之影響。
‧
Parameter Range of values
Channel class Uniform(16、32)
Link capacity Uniform (32~90)
Initial profit 16k:Uniform(40~49)、32k: Uniform(100~109)
Attenuation function
l 1、
l
1 、1Forwarding tree size 100
Number of DS pairs 1000
5.4.2、 評估指標
由於實驗二大規模案例無法在短時間內計算出最佳解，因此放棄計算最佳解，而是 採用 100 萬個解中的最佳解與最差解，稱為準最佳解(pseudo optimum solution)與準最差 解(pseudo worst solution)，來評估 CBBAG-M、CBBAG-A 在大規模案例時的效能。此外 我們透過 unit cost of coverage improvement，來評估 CBBAG 演算法搭配效益遞減函數
l 1、
l
1 對效能之影響，以分析比較分散 coverage 對於總救災效益之影響。由於每個案例皆
為獨立不相關，故實驗結果用以下之評估指標進行評估：
original pseudo deviation：
original pseudo deviation = algorithm solution
pseudo opt. solution− 1…...(5)
normalized pseudo deviation：
normalized pseudo deviation =
‧
(algorithm solution−pseudo opti. solution)
(max(pseudo opti. solution, algorithm solution)−pseudo worst solution………...(6)
service coverage：coverage of path of algorithm
coverage improvement：
coverage improvement = service coverage of the algo.
service coverage of the algo. without profit attenuated− 1....(7)
canonical profit：canonical profit = ijk
A
cost of coverage improvement：
cost of coverage improvement = 1 −
canonical profit of the algo.
canonical profit of the algo. without profit attenuated…...(9)
unit cost of coverage improvement：
unit cost of coverage improvement =cost of coverage improvement
coverage improvement ………...(10)
5.4.3、 實驗結果
實驗二(a)：attenuation function = l 1
由圖 56、57 可以發現，不論以平均 original pseudo deviation 大者為優或平均 normalized pseudo deviation 大者為優，CBBAG 演算法採取 Additive profit density 的計算方式都明 顯優於其他兩者。圖 58、59 及表 36、37 為實驗二(a)的實驗結果。
‧
圖 56、實驗二(a)：average original pseudo deviation 比較
圖 57、實驗二(a)：average normalized pseudo deviation 比較
0.00%
Original Pseudo Deviation
Number of base stations
CBBAG-PP
Normalized Pseudo Deviation
Number of base stations
CBBAG-PP CBBAG-M CBBAG-A
‧
圖 58、實驗二(a)：original pseudo deviation 比較
圖 59、實驗二(a)：normalized pseudo deviation 比較
-20.00%
Original Pseudo Deviation
Case No.
Normalized Pseudo Deviation
Case No.
CBBAG-PP CBBAG-M CBBAG-A
‧
Pseudo Optimum Pseudo Worst CBBAG-PP CBBAG-M CBBAG-A
1 3075.17 1417.96 3091.50 3115.29 3745.67
2 3616.21 2060.38 4125.00 4409.54 4901.67
3 3310.25 2214.96 3542.00 3774.42 4412.83
4 3200.00 1870.29 3677.00 3969.29 4584.21
5 3111.96 1522.96 3311.00 3678.29 4164.79
6 3094.92 1979.46 3445.50 3497.17 4226.88
7 3274.13 1925.83 3885.00 4211.17 4652.63
8 3377.33 2171.50 3870.50 3916.25 4419.00
9 3126.33 1928.92 3340.50 3524.71 4214.33
10 3083.50 1720.00 3258.50 3648.04 4339.17
表 37、實驗二(a)：實驗結果(二)
Case CBBAG-PP CBBAG-M CBBAG-A
ND OD S N ND OD S N ND OD S N
1 0.98% 0.53% 45 3263.00 2.36% 1.30% 48 4742.00 28.81% 21.80% 69 4596.00 2 24.64% 14.07% 60 4344.00 33.77% 21.94% 63 6151.00 45.24% 35.55% 77 5949.00 3 17.46% 7.00% 52 3646.00 29.76% 14.02% 59 5421.00 50.17% 33.31% 78 5257.00 4 26.40% 14.91% 51 3924.00 36.65% 24.04% 55 5729.00 51.00% 43.26% 70 5726.00 5 11.13% 6.40% 46 3448.00 26.28% 18.20% 55 5082.00 39.85% 33.83% 66 4966.00 6 23.91% 11.33% 49 3768.00 26.50% 13.00% 50 5483.00 50.37% 36.57% 69 5370.00 7 31.18% 18.66% 59 3996.00 41.00% 28.62% 63 5834.00 50.55% 42.10% 72 5722.00 8 29.03% 14.60% 55 4077.00 30.89% 15.96% 58 5127.00 46.35% 30.84% 72 5350.00 9 15.17% 6.85% 51 3578.00 24.96% 12.74% 58 5285.00 47.61% 34.80% 73 5143.00 10 11.37% 5.68% 50 3258.50 29.28% 18.31% 58 5190.00 47.94% 40.72% 71 5057.00 ND:Normalized Pseudo Deviation、OD:Original Pseudo Deviation、S:Service Coverage、C:Canonical Profit
實驗二(b)：attenuation function =
l
1由圖 60、61 可以發現，不論以平均 original pseudo deviation 大者為優或平均 normalized pseudo deviation 大者為優，CBBAG 演算法採取 Additive profit density 的計算方式都明 顯優於其他兩者。圖 62、63 及表 38、39 為實驗二(b)的實驗結果。
‧
圖 60、實驗二(b)：average original pseudo deviation 比較
圖 61、實驗二(b)：average normalized pseudo deviation 比較
0.00%
Original Pseudo Deviation
Number of base stations
CBBAG-PP
Normalized Pseudo Deviation
Number of base stations
CBBAG-PP CBBAG-M CBBAG-A
‧
圖 62、實驗二(b)：original pseudo deviation 比較
圖 63、實驗二(b)：normalized pseudo deviation 比較
-20.00%
Original Pseudo Deviation
Case No.
Normalized Pseudo Deviation
Case No.
CBBAG-PP CBBAG-M CBBAG-A
‧
Pseudo Optimum Pseudo Worst CBBAG-PP CBBAG-M CBBAG-A
1 3214.14 1695.79 3162.54 3621.46 3956.72
2 3792.27 2528.15 4229.72 4925.77 5263.58
3 3468.27 2699.59 3598.03 4347.39 4566.58
4 3343.00 2279.33 3854.01 4489.51 4921.53
5 3199.33 1875.13 3369.40 4145.29 4486.91
6 3287.32 2403.57 3579.08 3992.21 4479.87
7 3451.01 2336.74 3876.21 4720.80 4884.23
8 3531.20 2605.34 3919.78 4412.28 4651.78
9 3319.71 2321.90 3428.29 3992.29 4505.22
10 3174.21 2062.74 3304.27 4061.88 4460.65
表 39、實驗二(b)：實驗結果(二)
Case CBBAG-PP CBBAG-M CBBAG-A
ND OD S N ND OD S N ND OD S N
1 -3.40% -1.61% 45 3263.00 21.15% 12.67% 47 4743.00 32.84% 23.10% 55 4805.00 2 25.71% 11.54% 59 4387.00 47.28% 29.89% 63 6141.00 53.79% 38.80% 70 6157.00 3 14.44% 3.74% 52 3690.00 53.35% 25.35% 58 5472.00 58.83% 31.67% 69 5346.00 4 32.45% 15.29% 51 4011.00 51.87% 34.30% 55 5758.00 59.74% 47.22% 64 5869.00 5 11.38% 5.32% 46 3464.00 41.67% 29.57% 55 5142.00 49.30% 40.25% 63 5056.00 6 24.82% 8.88% 49 3768.00 44.37% 21.44% 49 5475.00 57.44% 36.28% 62 5478.00 7 27.62% 12.32% 56 3996.00 53.26% 36.79% 62 5803.00 56.26% 41.53% 66 5837.00 8 29.56% 11.00% 52 4092.00 48.76% 24.95% 58 5122.00 54.76% 31.73% 66 5431.00 9 9.81% 3.27% 51 3597.00 40.26% 20.26% 56 5387.00 54.30% 35.71% 68 5364.00 10 10.48% 4.10% 50 3369.00 44.40% 27.97% 54 5168.00 53.65% 40.53% 65 5240.00 ND:Normalized Pseudo Deviation、OD:Original Pseudo Deviation、S:Service Coverage、C:Canonical Profit
實驗二(c)：attenuation function = 1
由圖 64、65 可以發現，不論以平均 original pseudo deviation 大者為優或平均 normalized pseudo deviation 大者為優，CBBAG 演算法採取 Additive profit density 的計算方式略優 於 CBBAG 演算法採取 Multiplicative profit density 的計算方式者。圖 66、67 及表 40、
41 為實驗二(c)的實驗結果。
‧
圖 64、實驗二(c)：average original pseudo deviation 比較
圖 65、實驗二(c)：average normalized pseudo deviation 比較
0.00%
Original Pseudo Deviation
Number of base stations
CBBAG-PP
Normalized Pseudo Deviation
Number of base stations
CBBAG-PP CBBAG-M CBBAG-A
‧
圖 66、實驗二(c)：original pseudo deviation 比較
圖 67、實驗二(c)：normalized pseudo deviation 比較
-20.00%
Original Pseudo Deviation
Case No.
Normalized Pseudo Deviation
Case No.
CBBAG-PP CBBAG-M CBBAG-A
‧
Pseudo Optimum Pseudo Worst CBBAG-PP CBBAG-M CBBAG-A
1 3713.00 2302.00 3396.00 4749.00 4811.00
2 4247.00 3558.00 4485.00 6159.00 6273.00
3 3862.00 3698.00 3809.00 5492.00 5621.00
4 3794.00 3053.00 4120.00 5876.00 5982.00
5 3431.00 2666.00 3556.00 5152.00 5160.00
6 3858.00 3405.00 4034.00 5496.00 5554.00
7 3748.00 3236.00 3997.00 5854.00 5854.00
8 3932.00 3546.00 4144.00 5572.00 5563.00
9 4076.00 3138.00 4085.00 5472.00 5530.00
10 3571.00 2779.00 3477.00 5200.00 5305.00
表 41、實驗二(c)：實驗結果(二)
Case CBBAG-PP CBBAG-M CBBAG-A
ND OD S N ND OD S N ND OD S N
1 -22.47% -8.54% 44 3396.00 42.34% 27.90% 44 4749.00 43.76% 29.57% 45 4811.00 2 25.67% 5.60% 57 4485.00 73.51% 45.02% 59 6159.00 74.62% 47.70% 62 6273.00 3 -32.32% -1.37% 50 3809.00 90.86% 42.21% 53 5492.00 91.47% 45.55% 53 5621.00 4 30.55% 8.59% 45 4120.00 73.75% 54.88% 47 5876.00 74.70% 57.67% 47 5982.00 5 14.04% 3.64% 45 3556.00 69.23% 50.16% 53 5152.00 69.33% 50.39% 52 5160.00 6 27.98% 4.56% 48 4034.00 78.34% 42.46% 45 5496.00 78.92% 43.96% 47 5554.00 7 32.72% 6.64% 53 3997.00 80.44% 56.19% 58 5854.00 80.44% 56.19% 58 5854.00 8 35.45% 5.39% 51 4144.00 80.95% 41.71% 50 5572.00 80.86% 41.48% 53 5563.00 9 0.95% 0.22% 50 4085.00 59.81% 34.25% 48 5472.00 60.79% 35.67% 50 5530.00 10 -11.87% -2.63% 49 3477.00 67.29% 45.62% 47 5200.00 68.65% 48.56% 47 5305.00 ND:Normalized Pseudo Deviation、OD:Original Pseudo Deviation、S:Service Coverage、C:Canonical Profit
實驗二(d)：我們以 unit cost of coverage improvement 綜合比較效益遞減函數(
l 1、
l
1 )，unit cost of coverage improvement 小者為優。
由圖 68 可以發現，不論是 CBBAG-PP、CBBAG-M、CBBAG-A，搭配效益遞減函數 為
l
1 的 unit cost of coverage improvement 都優於搭配效益遞減函數為 l
1的 unit cost of
‧
coverage improvement。圖 69、70、71 及表 42、43 為實驗二(d)的結果。
圖 68、實驗二(d)：average unit cost of coverage improvement 比較
圖 69、實驗二(d)：unit cost of coverage improvement 比較(CBBAG-PP)
0.000%
CBBAG-PP CBBAG-M CBBAG-A
Unit Cost of Coverage Improvement
Algorithm-Profit Density
1 / l
Unit Cost of Coverage Improvement
Case No.
1 / l 1 / sqrt l
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
121
圖 70、實驗二(d)：unit cost of coverage improvement 比較(CBBAG-M)
圖 71、實驗二(d)：unit cost of coverage improvement 比較(CBBAG-A)
0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
60.00%
1 2 3 4 5 6 7 8 9 10
Unit Cost of Coverage Improvement
Case No.
1 / l 1 / sqrt l
0.00%
5.00%
10.00%
15.00%
20.00%
25.00%
1 2 3 4 5 6 7 8 9 10
Unit Cost of Coverage Improvement
Case No.
1 / l 1 / sqrt l
‧
Attenuation Function = l
3 4.00% 4.28% 106.98% 11.32% 1.29% 11.42% 47.17% 6.48% 13.73%
4 13.33% 4.76% 35.68% 17.02% 2.50% 14.70% 48.94% 4.28% 8.75%
5 2.22% 3.04% 136.67% 3.77% 1.36% 36.01% 26.92% 3.76% 13.96%
6 2.08% 6.59% 316.51% 11.11% 0.24% 2.13% 46.81% 3.31% 7.08%
7 11.32% 0.03% 0.22% 8.62% 0.34% 3.96% 24.14% 2.25% 9.34%
8 7.84% 1.62% 20.61% 16.00% 7.99% 49.91% 35.85% 3.83% 10.68%
9 2.00% 12.41% 620.56% 20.83% 3.42% 16.40% 46.00% 7.00% 15.21%
10 2.04% 6.28% 307.92% 23.40% 0.19% 0.82% 51.06% 4.67% 9.15%
I:Coverage Improvement、C:Cost of Coverage Improvement、U:Unit Cost of Coverage Improvement
表 43、實驗二(d)：實驗結果(二)
Attenuation Function =
l
4 13.33% 2.65% 19.84% 17.02% 2.01% 11.80% 36.17% 1.89% 5.22%
5 2.22% 2.59% 116.42% 3.77% 0.19% 5.14% 21.15% 2.02% 9.53%
6 2.08% 6.59% 316.51% 8.89% 0.38% 4.30% 31.91% 1.37% 4.29%
7 5.66% 0.03% 0.44% 6.90% 0.87% 12.63% 13.79% 0.29% 2.11%
8 1.96% 1.25% 64.00% 16.00% 8.08% 50.48% 24.53% 2.37% 9.67%
9 2.00% 11.95% 597.31% 16.67% 1.55% 9.32% 36.00% 3.00% 8.34%
10 2.04% 3.11% 152.20% 14.89% 0.62% 4.13% 38.30% 1.23% 3.20%
I:Coverage Improvement、C:Cost of Coverage Improvement、U:Unit Cost of Coverage Improvement
‧
若以平均 original deviation、平均 normalized deviation、平均 original pseudo deviationc 和平均 normalized pseudo deviation 比較 CBBAG-M、CBBAG-A 之影響，發現不論是何 種效益遞減函數
l 1、
l
1 、1 搭配 CBBAG 演算法採取 Additive profit density 的計算方式
都比 CBBAG 演算法採取 Multiplicative profit density 的計算方式表現較好。故 CBBAG 演算法採取 Additive profit density 的計算方式，所得到的解會較佳。
若以 unit cost of coverage improvement 比較效益遞減函數 l 1、
l
1 之影響，發現不論
是 CBBAG-PP、CBBAG-M、CBBAG-A 搭配效益遞減函數
l
1 的 unit cost of coverage
improvement 都比搭配效益遞減函數 l
1的 unit cost of coverage improvement 來的較佳。故
CBBAG 演算法搭配效益遞減函數
l
1 ，所得到的 unit cost of coverage improvement 會較
佳。
此外 Multiplicative、Additive profit density 的計算方式在設計時就有考量到分散 coverage，因此 CBBAG-M、CBBAG-A 的 unit cost of coverage improvement 比起 CBBAG-PP 的 unit cost of coverage improvement 較佳。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
124