第五章 實例測試與分析
5.2 測試結果分析
測試結果分析將以「與金門縣車船處營運現況比較分析」與「擴充現有測試 資料分析」兩部分進行說明，其相關測試結果分述如下：
5.2.1 與金門縣車船處營運現況比較之分析
表5-1 為原 MDVSP 模式最佳解、變數固定演算法(採用三種求解策略進行求 解，採用策略一者為 H1、採用策略二者為 H2、採用策略三者為 H3，以下分別 稱之)啟發解與金門縣車船處營運現況值之比較結果彙整表，由表中可發現利用 變數固定演算法所產生的三個啟發解對於金門縣車船處現況之總成本改善率分 別可達 19.96%(H1)、20.37%(H2)與 20.10%(H3)，至於最佳解對於現況之總成本 改善率可達21.8％，而對於營運車輛的節省 H1、H2 與 H3 均可節省三輛(成本改 善率為 10.34%)，最佳解則可節省兩輛(成本改善率為 6.90%)，顯示原 MDVSP 模式最佳解與變數固定演算法啟發解均對於金門縣車船處營運現況具有良好的 改善品質；細究各項成本之改善率，可發現現況改善率最高者為最佳解在車輛空 駛成本上之表現，其改善率可達50.23%，而最佳解與變數固定演算法啟發解於車
表5-1 金門縣車船處營運現況比較結果彙整表
(19.96%)
26 7.15 98.61 2.35 69,473 28,240 893
b變數固定演算法
(
20.37%) 26 9.09 98.24 1.83 69,473 56,030 10,932
c變數固定演算法
運現況值
25,008 47,676 1,340 215 74,239 29 27.88
a
:
採用求解策略一進行求解(依據場站編號由最小號者依序選取，逐一增加至場站編號最大號者止)；b
:
採用求解策略二進行求解(依據場站編號由最大號者依序選取，逐一遞減至場站編號最小號者止)；c: 採用求解策略三進行求解(隨機產生場站求解之選擇順序，至所有場站均被求解完畢止)；
( ) : 圓括號內數字表示與金門縣車船處營運現況比較之成本節省率。
輛於場站內閒置成本與勤務中路線轉換成本等兩項成本改善率亦相當高，其成本改善百 分比均高達 40%以上(43.99%至 48.82%)，但三個啟發解均在車輛空駛成本上較現況值 為差，究其原因可能是啟發解在兼顧總成本最小之情形下，必須犧牲車輛空駛成本值以 換取較低的總成本值所導致。
在最佳解與變數固定演算法啟發解比較上，H1、H2、H3 與最佳解總成本之差距分 別僅為2.35% (H1)、1.83% (H2)與 2.18% (H3)，此結果顯示變數固定演算法中三種策略 啟發解之求解品質非常接近最佳解，而在電腦運算時間方面，可發現H1、H2 與 H3 所 耗費之電腦運算時間均非常短，分別為 7.15 秒(H1)、9.09 秒(H2)與 5.54 秒(H3)，且對 於最佳解的運算時間節省率上均高達 98%以上(98.61% (H1)、98.24% (H2)與 98.91%
(H3))，顯示本研究所提出變數固定演算法在求解 MDVSP 模式上不僅極具效率，且亦 可兼顧求解品質。
至於在H1、H2 與 H3 三者啟發解比較上，可以發現三個當中與最佳解最接近者為 H2(與最佳解之間距為 1.83%)，最差為 H1(與最佳解之間距為 2.35%)；又其電腦運算時 間最佳者為 H3(5.54 秒)，最差者則為 H2(9.09 秒)，但不論是在對於最佳解之平均間距 或平均時間節省率的表現上，基本上三者測試結果之差異並不大。
5.2.2 擴充現有測試資料之分析
為了測試本研究所提出變數固定演算法應用於中、大型問題之求解效率，此階段測 試將擴充金門縣車船處之現有班表資料，使之成為數個規模較大問題後分別進行求解。
其作法是先以金門縣車船處每日395 班次為基礎，然後以隨機產生之方式依序產生原班 次數目1.5 倍、2 倍、2.5 倍、3 倍、3.5 倍與 4 倍等六個問題情境(scenarios)，其班次數 目分別為593、790、988、1185、1383、與 1580，並逐一求解此六個問題情境之最佳解 與變數固定演算法之啟發解。表5-2 即為此六個問題情境之測試結果彙整表。
由表5-2 中可得知，當班次個數增加時，其網路規模亦將隨者班次個數之增加而增 大(如圖 5.1 所示)，且網路規模增大之趨勢是呈現指數型態方式增加；當班次個數超過 1,383 時，其 MDVSP 模式最佳解已無法求出(電腦呈現「記憶體不足」訊息)，但是變 數固定演算法卻可於短時間內求得啟發解，其啟發解對於最佳解之時間節省率均可達 98%以上，又在此六個問題情境中(包含現況 395 班次問題)，變數固定演算法之啟發解
表5-2 六個情境問題之測試結果彙整表
[98.92%] 511.51 69,473 69,473 69,473 208,419 26 26 26 27
593 100,298
[99.09%] 2,003.07 155,870 155,870 155,870 467,610 42 42 42 42
790 136,409
[99.05%] 4,907.12 275,747 275,747 275,747 827,245 59 59 59 61
988
172,372
(2.28%) 172,727
(2.49%) 171,574
(1.81%) 168,518 84.32
[99.19%] 120.12
[98.84%] 84.61
[99.18%]10,354.84 430,383 430,383 430,383 1,291,149 72 73 74 76
1185 201,732
[99.12%]17,861.77 619,361 619,361 619,361 1,858,083 88 89 88 92
1383 228,361
(—) 229,526
1580 265,115
(—) 266,186
69,473 155,870 275,747
430,383
619,361
843,164
1,100,637
208,419
467,610
827,245
1,291,149
1,858,083
2,529,492
3,301,910
0 500,000 1,000,000 1,500,000 2,000,000 2,500,000 3,000,000 3,500,000
395 593 790 988 1,185 1,383 1,580
班次個數
變數個數
SDVSP模式 MDVSP模式
圖5.1 班次個數與網路規模之變化趨勢圖
2.35 2.23
2.62
2.28 2.23
1.83
2.24
3.32
2.49 2.31
2.18
1.8
2.65
1.81
2.56
0 1 2 3 4 5 6 7 8 9
395 593 790 988 1185
班次個數
與最佳解間距(%)
H1 H2 H3
圖5.2 班次個數與最佳解間距之變化趨勢圖
與最佳解之間距範圍僅在 1.80%到 3.32%間(如圖 5.2 所示)，此結果顯示本研究所提出 變數固定演算法在處理較大型問題上，亦具有精確性及效率性。
至於在 H1、H2 與 H3 之啟發解比較上，可以發現三者對於最佳解之平均間距以 H3 表現最佳(H1(2.34%)、H2(2.44%)、 H3(2.20%))，而三者對於最佳解之平均時間節省 率亦以H3 表現最佳(H1(99.01%)、H2(98.61%)、 H3(99.07%))，但不論是在對於最佳解 之平均間距或平均時間節省率的表現上，基本上三者測試結果之差異並不大。