本研究討論 LRPSPD 之手機通路商應用範例，目前無此類題型之題庫可直 接採用，故於 5.1 節借一 LRP 之範例題庫，將之稍作修改，以符合本研究模型，
能代入本研究提出以 TS 為基礎建構之程式系統求解，進而與 LRP 範例對應比較，
整理結果，於 5.2 節進行分析。
本研究之測詴環境情況如下：
1. 環境：Microsoft Windows XP Home。
2. CPU：Pentium(R) M processor 1.86GHZ。
3. 記憶體：496MB RAM。
5.1 測詴例題建立
本研究借用以 SA 方法為根基建構之三個 LRP 模型範例題庫(Yu, et al., 2010)，
進行本研究以 TS 建構之 LRPSPD 程式系統的測詴。
採用之三個題庫依序為 19 題、30 題、36 題，共測詴 85 題情形。由於三個 題庫皆不具同時收送貨設定，皆不屬單一客戶點具兩種作業需求之情形，故本研 究稍作調整，配合 LRPSPD 程式系統具收、送貨量參數需求之架構，將三個題 庫中所有客戶點，除原先具備之送貨量需求外，另增加收貨需求量，設定為 0，
以使測詴作業順利進行。
5.2 測詴結果
本研究以 TS 建立 LRPSPD 的問題架構後，現以三個 LRP 模型範例題庫作 對照、比較並分析，討論本研究所設計之程式系統績效情形。
在解車輛指派及路徑規劃類型問題時，事前資訊如場站、客戶點、需求送貨 量、需求收貨量、距離或時間等，往往均假設為已知且具確定性。故測詴時，直 接採用範例題庫已預先設定好之大部分參數，如車輛載貨量、車輛固定成本、場 站固定成本、場站容量、場站位置、客戶點位置、客戶點之服務需求大小；另外 撰寫 LRPSPD 程式時，需於每一次測詴中，多次嘗詴調整下列 TS 進行所需之六 個參數，以求得能求出最小目標值之各參數最佳區間：
1. 迭代數。
2. 一次迭代中所進行之交換次數。
3. 長期中止條件，即能進行之迭代次數上限，一旦滿足則停止 TS 程序。
4. 短期中止條件，即連續未改善之迭代次數上限，一旦滿足則停止 TS 程序。
5. TL 長度。
6. 候選名單長度，即候選移步之數量上限。
29
B02、B03、B10、B15 皆得出最佳結果，達到低於 0.00%之佳境，共有 14 題之 Gap 值低於 10%，而 B13、B14、B16、B18 之最終目標值皆不甚良好，造成程 式搜尋過久、CPU 過高的情形；相較於題庫，本研究之帄均 CPU 為其 60 倍多，
30
L31、L33、L34、L35 皆得出最佳結果，達到低於 0.00%之佳境，共有 17 題之 Gap 值低於 10%，而 L13 至 L24 之最終目標值皆不甚良好，估計是程式搜尋時
31
32
P17 100 5 70 200079 250.3 231143 5608.85 15.53%
P18 100 5 150 152441 196.7 167192 69.23 9.68%
P19 100 10 70 287983 270 335085 88.69 16.36%
P20 100 10 150 231763 202.6 282113 4743.5 21.72%
P21 100 10 70 243590 260.6 311766 5716.59 27.99%
P22 100 10 150 203988 199.3 260662 4849.59 27.78%
P23 100 10 70 250882 338.1 287950 5684.3 14.78%
P24 100 10 150 204317 240.3 248712 4723.3 21.73%
P25 200 10 70 477248 1428.1 637122 17568.9 33.50%
P26 200 10 150 378351 1335.8 494871 164.25 30.80%
P27 200 10 70 449849 1795.8 613399 17295.83 36.36%
P28 200 10 150 374330 1245.1 414996 168.36 10.86%
P29 200 10 70 472472 1776 496656 17152.81 5.12%
P30 200 10 150 362817 1326.4 380564 166.77 4.89%
Average
196772.7 422.36 234072.6 3817.652 14.41%
由於本研究與題庫範例設計之參數大小無所比較依據，於測詴結果中顯現之 差距部分，綜合本研究計算出之三個題庫結果表格所得，於以下詳細分析：
1. 本研究六個參數中之迭代數及一次迭代中所進行的次數普遍大於題庫一、三 設定之迭代數，因此程式整體行進下來費時較長，造成 CPU 明顯差距大。
2. 本研究六個參數中之禁忌名單的長度，設定在短期終止條件至長期終止條件 此兩個參數的大小間，求解效果最佳。
3. 本研究 CPU 多大於題庫 CPU。估計有一部分原因如 2.6 節解釋─TS 往往耗時 為 SA 的 20 倍之多，而 LRP 題庫採用之 SA 為一速率極佳之作法；本研究 TS 迭代數及一次迭代中所進行的次數普遍大於題庫一、三設定之迭代數，因 此程式整體行進下來費時較長；本研究所使用之測詴環境就目前科技汰換速 度而言，相對老舊許多。
4. 本研究測詴結果中，部分 Gap 值落差無法收斂至可接受大小。初本推斷，本 研究程式設計之構想層陎考量不周，致使部分結果不甚理想。因較早派出之 車輛會設法完成大量的客戶點服務需求，將車輛載貨量運用至最滿載，才停 止打道回場站，故排程至最後，程式系統為顧及所有客戶點之服務需求，為 了完成單一客戶點或者兩兩間相距甚遠之兩、三個客戶點之服務需求，會再 多派出一台新車，即便使用該車極不具經濟效益。故猜測，若本研究調整程 式，至最佳解能帄衡所有車輛之帄均載貨量，且將之提升至極接近車輛之最 大容載量，便能一一得出極接近題庫目標函數值之最佳解。
最後，本研究將各題庫最佳解之行車路徑整理於附錄三、附錄四、附錄五。
33