測試結果與分析

演算法經過台北捷運淡水－新店線測試後，六個方案所得之測試結果如 表 4.5 所示，並且與具有豐富實務經驗專家之排班作業績效進行比較，最後 結果顯示衝突數皆為零，班距差之和最小為方案三的 PACO-4 與方案六的 GPACO-4 皆為 3100 秒，六個方案的求解結果差距在 300 秒左右，顯示演算 法之穩定度並且與預期判斷接近。由求解時間分析可知，使用兩台電腦平行 處理的運算時間約為單機處理時間的二分之ㄧ，使用四台電腦平行處理的求 解時間與使用單機求解時間相比僅需約四分之ㄧ的時間，受通訊時間的影響 相當少，表示平行蟻群演算法亦具有良好之求解效率，並且相較於專家所排 定之列車班表所需時間，本研究方法顯然較具有效率。

表4.5 測試方案結果彙整表

求解結果 方法

方案 貪婪法 螞蟻 平行

衝突數 班距差之和

求解 時間 (秒)

1 ACO

9

2 PACO-2

9 9

9 9

4 GACO

9 9

5 GPACO-2

9 9 9

6 GPACO-4

9 9 9

專家排班

- - -

-

求解結果之列車運行圖以GPACO-4 為例，如圖 4.4 所示，由上往下之橫 線代表淡水站、主線與北投機廠支線合併點、主線與新店機廠支線合併點、

新店機廠，圖中斜線代表列車運行軌跡。

圖4.4 GPACO-4 產製之淡水－新店線列車運行圖(部分)

由求解結果中發現，GPACO-4 演算法所產製結果之班距相當穩定，如圖 4.5 所示，上行班距與下行班距皆與理想班距差異不大，班距變動較明顯在尖 離峰轉換時段，其班距與理想班距最大差距僅80 秒，全天班距差之和為 3100 秒，顯示出 GPACO 所產製之列車班表具有高度的穩定性，並且能提高搜尋 速度達3.76 倍。

0 100 200 300 400 500 600 700 800 900 1000

1 11 21 31 41 51 61 71 81 91 101 111 121 131

班次編號

班距

下行 上行 理想

圖4.5 GPACO-4 演算法之班距與理想班距比較圖

為評估平行蟻群演算法應用於捷運系統列車排程所求得班表之優劣性，

本研究參考蘇昭銘【15】等人之研究採取班距符合比例、班距變動幅度與尖 離峰班距標準差等三項評估指標，評估指標定義如下：

一、班距符合率：該指標為不超過符合列車運行計畫中班距上限值之列車數 與總列車數之比值，其可衡量班表符合規定之比例，該值越大越佳，最 高為100%。

二、班距變動幅度：所謂班距變動幅度乃營運時間內最長班距與最短班距之 差值，可衡量個別班距之優劣，避免極端班距之產生，該值越小越佳。

三、班距標準差：班距標準差可用以衡量不同時段內所有列車班距之穩定 性，該值越小表示班距之穩定性越佳。

針對貪婪結合平行螞蟻演算法等六項方案並且與專家所排定之班表加以 評估比較，結果如表4.5 所示，由該結果可知：

一、在班距符合比例部分，六個方案班距符合比例皆超過98%，以 GPACO-4 與PACO-4 所得之 98.89%為最佳，顯示演算法所求得組合品質良好。

二、在班距變動幅度部分，六個方案之班距變動幅度在 200~230 秒間，以 GPACO-4 與 PACO-4 所得之 200 秒，顯示班表的高穩定度。

三、在班距標準差分為尖峰與離鋒兩部分，在尖峰班距標準差的部分以ACO 的26.15 秒為最佳；在離峰班距標準差的部分以 GPACO-4 的 11.12 秒為 最佳；綜觀尖離峰班距標準差則以GPACO-4 為最佳。

四、六項方案所產製之結果，在各項指標的比較上，皆優於專家所排定之列 車班表，顯見本研究方法能產製出品質相當良好之列車班表。

表4.5 班表評估指標比較表

1 2 3 4 5 6 方案

指標 ACO PACO-2 PACO-4 GACO GPACO-2 GPACO-4

專家排班

班距符合比例 98.52% 98.15% 98.89% 98.52% 98.15% 98.89% 87.6%

班距變動幅度 220 秒 230 秒 200 秒 220 秒 220 秒 200 秒 345 秒 尖峰班距標準差 26.15 秒 27.39 秒 26.42 秒 26.22 秒 26.38 秒 26.36 秒 42.8 秒 離峰班距標準差 14.92 秒 13.61 秒 12.12 秒 14.93 秒 14.59 秒 11.12 秒 178.9 秒