1.1 研究動機與背景
現實世界中眾多的問題最終仍歸結為最佳化問題，最佳化問題存在於 各個領域，對於其求解的方式，過去已有不少經典的演算法被提，對於某 些特定的問題上確實能得到較好的結果。但這些傳統的方法對於目標函式 有很大的限制，如連續、可微等。因此傳統方法對於問題的依賴性較強，
以一個二元數學函式為例，一般需要用到目標函式一階或二階偏微分才可 推導出來，而實際問題所遇到的目標函式往往更加複雜，有的甚至難以用 數學公式表達出，因此，光是利用數值方法很難求得最佳解。
近年來快速發展的演化計算，為一種借鑑於達爾文進化論[1]而模擬出 的一套隨機演算法，舉凡觀察自然、生物、與生命現象為手段，得到設計 可應用於搜尋 (Search)、設計 (Design)、與最佳化 (Optimization)等各類問 題之演算方法，皆屬於演化計算的研究領域。演化計算著眼於從一群(種族) 潛在解(個體)中尋找問題的最佳解，透過在當前的潛在解之間反覆地進行如 篩選、重組、突變等遺傳操作，來對於最佳解所在的位置逐步逼近。演化 計算在於應用問題方面，至今已成功的運用在許多不同領域的最佳化問題 上，如藥物設計、生物資訊、演化硬體、工業設計、電路設計、資料探勘、
財經分析等。
演化策略(Evolution Strategy, ES)為演化計算的其中一個重要分支，其歷 史可回溯至 1960 年代，德國柏林大學 Schwefel 與 Rechenberg 兩位研究學 者為了解決工程上所遇到的最佳化問題進而發展出的一套最佳化演算法。
在演化策略中，個體以一個實數向量來表示，最佳化的過程主要以突變的 機制來進行，因此突變機制在ES 中扮演著極為重要的角色，一個設計良好 的突變機制將對於搜尋效能有決定性的影響，在ES 的研究範疇裡，大部分 的研究皆著重於突變機制下做探討與並加以改良以增進其效能。
另一方面，近年來興起的粒子演算法(Particle Swarm Optimization, PSO)，由 Kennedy 和 Eberhart 於 1995 所提出，與 ES 同為實數參數最佳化 的方法，然其搜尋上的行為卻迥然不同，PSO 的概念源自群體行為理論，
啟發自觀察鳥群或魚群移動時，能透過個體間特別的訊息傳遞方式，使整 個群體朝預期會有較佳解的方向而去，為模仿此類生物行為反應來尋求完 成群體最大利益的方法。
經由對 ES 與 PSO 兩者的搜尋行為上做研究與探討，本論文的主要研 究動機，著眼於對傳統ES 的突變行為做改良，緣起於觀察出 ES 中在突變 機制上的行為與限制，也就是突變行為以亂數決定所造成的不穩定性。故 在本論文中，試圖擷取PSO 中群體間相互合作的群體智能，以此為「概念」
來對於偏向隨機搜尋的ES 進行搜尋方向上的引導，賦予 ES 中個體突變的 行為參照群體智能所獲得的資訊，進而達到更有具系統化的突變能力。
1.2 研究目標
本論文的主要目的為擷取 PSO 中群體智能的搜尋概念，將其在搜尋行 為上的優點與傳統ES 做概念層次上的結合，而非只是計算層次的結合。我 們將重點著重在傳統ES 上的突變機制並加以修改，發展一個利用個體間交 互參照的訊息與群體於搜尋空間中所分布的行為與結構，使得ES 在演化的 效能上能以更直接有效的方式達到最佳化的結果，並且設法降低在突變的 行為上以亂數決定所造成的不穩定性。
在我們的研究目標中，首先將提出一個結合 PSO 的搜尋概念，發展出 的一個在突變方向上具有引導性質的突變機制，我們將此稱作為引導式突 變，接著將引導式突變與ES 中原有的搜尋架構做整合，進而提出一套新的 最 佳 化 演 算 法 ， 稱 之 為 粒 子 引 導 式 演 化 策 略 (Particle Swarm Guided Evolution Strategy, PSGES)，最後以一系列公正的測試函式來評量所提 PSGES 的效能，並以傳統 ES 與其他進階演算法做比較，分析與探討本文 所提的方法之效能與表現。
1.3 論文架構
本論文總共分成六個章節，其結構如下：
z 第一章為前言，此部份包含研究動機與背景、研究目標以及論文架構、
說明本研究的重要性以及本研究所要達成的目標。
z 第二章為背景知識與文獻探討，此部份將對於與本研究有直接相關的背 景知識作說明，其中包括ES 與 PSO，並敘述近年來的相關研究。
z 第三章為本研究所提的PSGES 之方法論，包含所提方法的想法起源，
與傳統方法的差異以及對於所提的方法之詳細論述。
z 第四章為實驗結果與效能分析，此部份包含所要作為衡量標準的測試函 式、所提方法的實驗結果，並與其他方法的比較以及效能上分析與討論。
z 第五章為本論文之結論以及未來工作。