综合實驗( C OMPREHENSIVE STUDY )

從 4.1 節的引導實驗中，我們可以得到 V49 為此階段實驗的基礎，我們將以 此來與標竿演算法進行全情境績效的比較。另外在4.1.2 節更新解產生器 1 模組 的比較內，明顯可看出 C1(Taguchi methods)的有無對實驗結果有相當程度的影 響，我們期待對C1(Taguchi methods)做更進一步的研究，因此希望將 C1 產生的 解數目在更新解產生器部分的比例與以提高，因此我們將更新解產生器內 consensus operator 與 Taguchi methods 解數目比例分成兩種，而形成兩種 version：

V49 (9：1) 與 V73 (8：2)。因此在综合實驗部份包含的 version 種類整理如表 4.5 所示，另外我們將以V49 與 V73 來和 V0 進行综合實驗，我們得到了表 4.6 的數 據結果。

表4.5 演算法組合

Version 實驗組合

V0 A2+D1

V49 A2 + B2 & B4 & B6 + C1 + D1 ( B與C比例9：1) V73 A2 + B2 & B4 & B6 + C1 + D1 ( B與C比例8：2)

表4.6 Comprehensive study 數據結果

V0 V49 V73 V0 V49 V73 V0 V49 V73

2500 20.75 22.95 23.99 29.84 33.01 32.9 28.71 31 32.95

5000 16.65 17.77 16.87 23.72 24.16 24.35 23.62 23.74 24.73

10000 14.72 14.58 14.55 21.43 21.31 21.39 19.68 19.48 19.52

V0 V49 V73 V0 V49 V73 V0 V49 V73

7500 3.6 4.17 3.86 13.65 14.15 13.92 25.06 27.17 25.85

15000 1.92 2.2 2.07 10.43 10.87 10.58 17.74 19.84 18.14

30000 1.58 1.5 1.51 9.52 9.59 9.68 16.45 16.44 16.42

V0 V49 V73 V0 V49 V73 V0 V49 V73

15000 4.04 6.51 6.64 4.85 7.25 7.18 8.82 10.06 9.76

30000 2.3 3.03 3.85 3.65 4.51 3.98 7.55 7.94 8.03

60000 1.91 2.08 2.12 3.12 3.25 3.17 6.71 6.87 7.01

V0 V49 V73 V0 V49 V73 V0 V49 V73

37500 3.86 5.45 6.08 2.64 3.38 3.76 3.98 7.16 5.05

75000 2.89 3.35 3.44 1.89 2.22 2.38 3.06 3.95 3.53

150000 2.42 2.79 2.64 1.57 1.82 1.76 2.63 2.85 2.92

percentag e deviation

n = 50

m = 2 m = 5 m = 8

percentag e deviation

n = 20

m = 2 m = 5 m = 8

percentag e deviation

n = 10

m = 2 m = 5 m = 8

percentag e deviation

n = 5

m = 2 m = 5 m = 8

4.2.1 實驗結果與分析

從實驗數據我們可以得到兩種結果：在小情境問題中(n = 5，n = 10)，V49 和V73 表現都較 V0 佳(除了 n = 10，m = 5)，而 V49 與 V73 之間的績效倒是互 有勝負，而且沒有很明顯的差異。至於在大情境問題當中(n = 20，n = 50)，V0 則一面倒的優於其他兩個version。

對此現象，我們進行以下討論與分析：在小情境問題中，可能 consensus operator 與 Taguchi methods 世代循環的概念較適用於在小問題，以致能產生較佳 的解品質。而且由數據可以看出，V49 和 73 在前兩個解限制數量的表現皆優於 V0，但在最終解限制條件下，大問題皆表現較差，可以推論可能由於大情境問 題的解空間過於龐大，始得在演算法後段要產生極佳解品質時，consensus operator 與 Taguchi methods 產生解品質收斂速度不及標竿演算法，因此造成了在 大情境問題中其績效皆無法勝過標竿演算法。

4.2.2 與其他過去文獻比較結果

在本節將 Ying & Lin (2006)內其比較的對象擷取出來，其採用方法是塔布搜 尋法(Tabu search)(Oguz et al., 2004)，然後與 V49 和 V73 進行績效的比較，得到 了表4.7 如下。

從實驗結果可以看的出來，在 12 個情境當中，V49 與 V73 贏了 10 個情境，

輸掉的2 個情境為(n = 5，m = 2)、(n = 50，m = 2)。

表4.7 過去文獻比較數據結果

Tabu V49 V73 Tabu V49 V73 Tabu V49 V73

績效 11.42 14.58 14.55 38.98 21.31 21.39 38.49 19.48 19.52

Tabu V49 V73 Tabu V49 V73 Tabu V49 V73

績效 3 1.5 1.51 29.42 9.59 9.68 46.53 16.44 16.42

Tabu V49 V73 Tabu V49 V73 Tabu V49 V73

績效 2.88 2.08 2.12 24.4 3.25 3.17 42.47 6.87 7.01

Tabu V49 V73 Tabu V49 V73 Tabu V49 V73

績效 2.23 2.79 2.64 10.51 1.82 1.76 21.04 2.85 2.92

Average percentage

deviation

n = 5

m = 2 m = 5 m = 8

Average percentage

deviation

n = 10

m = 2 m = 5 m = 8

Average percentage

deviation

n = 20

m = 2 m = 5 m = 8

Average percentage

deviation

n = 50

m = 2 m = 5 m = 8

4.2.3 研究架構的改善方向

在經過一連串引導與综合試驗之後，我們從結果可以對本架構提出進一步提 出可能的研究方向：

(1)初始解產生器

在利用螞蟻演算法產生新解過程中，或許可以考慮將原本世代循環中利用最 佳解更新參數改成由最佳的多個解同時進行參數更新，概念來自共識因子中採用 多數人意見的優點。

(2)更新解產生器

在共識因子部份，由於共識矩陣的品質好壞代表了產生新解的發展性，因此 我們在抽取用以產生共識矩陣的解時，除了考慮解的品質外，也可以進一步對解 的差異化進行統整性的考量，或許可以進一步提升共識矩陣的效率。

而在田口方法，我們可以嘗試將直交表產生的解來作為後續修正器解的選 擇，以避免浪費了其中可能有好解的可能性。

(3)更新解修正器

對於交換排序的方法可以做多方嘗試，像是區段性的交換或者交換的數量增 加，都是可以考慮的方向。