混合演算法

(geometric mean)，可得到該組因子水準組合的綜合判斷指標 D，其公式如下所示：

(

)

算法無論在求解的品質或效率上常常比單一演算法為佳(Yamada 與 Nakano, 1996;

Balas 與 Vazacopoulos, 1998; Kolonko, 1999; Pezzella 與 Merelli, 2000; Chang 與 Lo, 2001;

Wang 與 Zheng, 2001; Murovec 與 Suhel, 2004)。

2.7.1 結合類神經網路與分散式搜尋法

學者運用類神經網與分散式搜尋法的技術來求取參數的最佳設計。亦即，使用類 神經網路學習田口實驗的結果，模擬系統輸入輸出之間的關係，以突破田口方法在非 線性上的限制；再使用分散式搜尋法求取參數的最佳設計，並本提供一個二階段的求 解程序並以積體電路焊線製程為例進行最佳化參數設計 (鄒文杰，民 91) 。

2.7.2 結合類神經網路與基因演算法

Kumar 與 Smuda(1994)將傳遞類神經網路模式中隱藏層的連結關係以基因演算 法的 Simple GA 表示之，並將 0 與 1 代表各層有無連結，目的在求取連結架構的最佳 值，以新的判斷值衡量其所呈現出的誤差程度。Ichimura、Oeda 和 Yoshida(2001)，

提到以基因演算法與類神經網路的結合方式。假設整個類神經網路的架構，是由基因 演算法搜尋倒傳遞類神經網路模式架構的每個世代(generation)而來。即把類神經的每 個參數，以基因演算法搜尋可能的最佳解再去架構倒傳遞類神經網路模式，則連結的 權重與學習速率則被倒傳遞類神經模式所限定，其方法可以很穩健的架構傳遞類神經 網路模式。但對傳遞類神經模式的參數因子，需定其區域值以找最佳解。Chelouch 與 Siarry(2003)也發展出一個兩階段的混合演算法來求解全域最佳解。周立德(民 83) 結合類神經網路及基因演算法應用於非同步傳送模式網路之研究。先利用類神經網路 預估每一可能之控制參數組未來的服務品質， 再由基因演算法選取最適當的一組參 數用以動態地調整控制真實網路。詹緒林(民 86)也結合類神經網路與基因演算法，利 用具自我學習能力之類神經網路使電腦自動的編寫音樂的和弦，再利用基因演算法選 取適當的和聲基礎，完成電腦輔助和聲編寫系統。姜台林(民 90)提出三種整合式智慧 型方法，整合類神經網路、基因演算法及模糊理論，以解決田口方法靜態特性只能獲 取間斷型參數的問題，並以台灣三家半導體廠商的實際操作結果說明方法的可行性。

涂育瑋(民 91) 基於品質工程中，以直交表配置之實驗數據轉換為訊號雜音比，來尋 求最適組合之設計參數與水準的技法上，仍有藉助主觀決策的缺撼，於是提出結合類 神經網路與基因演算法則，於最適產品特徵之參數水準值的求取。最後，並將所求得 之參數水準值，導入實際產品特徵，建構一結合類神經網路與基因演算法則之最適化

搜尋平台。張家瑲(民 91)嘗試結合類神經網路與基因演算法，藉由基因演算法預先搜 尋類神經網路訓練的初始權重值，再由類神經網路訓練以求取系統的估測反應，並根 據所定義的誤差指數，透過基因演算法進行反覆的選擇與複製、交配、突變等演算過 程，直到搜索出最符合系統的初始權重值。

2.7.3 結合類神經網路與模擬退火法

林正鄰(民 82)提出以類神經網路作為製程輸出入的關係經驗模式，而以模擬退火 為實驗設計法，規劃建立模式所需之資訊的蒐集。這種最佳化的經驗模式建立程序，

應用於具有多個局部最佳解的函數時，可以成功地求得整體最小值；應用於函數在陡 峭峽谷的區域，能夠如梯度法般很快地找到谷底，而在目標函數為平坦之谷底區，又 能比梯度法更有效率地找到最佳值。因此可利用類神經網路建立最適化變數，設計出 具有穩健性的控制參數，證明以模擬退火與類神經網路結合之實驗設計法在製程最佳 化的應用極具潛力。江欽源(民 83) 改進林正鄰(民 82)提出來的實驗設計法，用統計 上 F-test 的方法來決定遞回式類神經網路結構中隱藏層神經元的數目，找到一個適 當的神經元數目，可避免學習時訓練不足或是過度訓練(over-training)的現象，改進以 往使用過多神經元的缺點，故加快了學習的速度。改進後的實驗設計法，具有廣泛搜 尋的能力，作為搜尋實驗點的方法，可以避免傳統用最陡梯度搜尋法被陷在局部極值 的缺點。由於倒傳遞類神經網路面臨不同的問題時，所需的參數與架構也有所不同，

常要讓使用者進行類似「試誤」的動作，林欣志(民 95)提出使用模擬退火法尋找倒傳 遞類神經網路中的架構、參數並進行屬性篩選，挑選出對於預測正確率有助益之屬 性。證實過去的研究只考慮參數與架構調整的做法，若同時考慮屬性篩選時，在大部 分的資料集測試正確率皆提高，除了可以有效找到良好的網路架構與參數，並可以找 出有幫助的屬性，提高分類正確率。