圖 5.39、實驗二：Normalize Deviation of Time (50 nodes)
5.5、實驗總結
本論文根據[15]所提出之救災排程並參考較貼近實際狀況之因素提出演算法 DS-ACG 與 DS-UCB。由實驗結果可知，[15]所提出的演算法 DS-G 沒有考慮基地台間的相對距離，
使得總救災時間皆高於本論文所提出的 DS-ACG 與 DS-UCB，也因此 DS-G 的總救災效 益亦低於 DS-ACG 與 DS-UCB 相當多。
在實驗一的小規模實驗中，DS-UCB 的總救災效益平均 original deviation、平均 normalized deviation 表現皆優於第一個問題模型 CCNDS-AC 所提出的演算法 DS-ACG，
也略勝於 Genetic Algorithm，但 DS-UCB 與 Genetic Algorithm 所得的總救災效益差距並 不明顯，可見 Genetic Algorithm 運用基因演算的方式解決 CCNDS-UC 問題確實有其優 勢，在某些 Test Case 可以發現 DS-UCB 與 DS-ACG 的總救災效益相去不遠，這可能是
No rmali ze Dev iatio n of Ti me
Test Case
DS-UCB DS-ACG
Genetic Algorithm
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
121
發現，DS-UCB 較 DS-ACG 節省更多的時間，DS-UCB 的 normalized deviation of profit 平均皆在 2%左右，這意味著 DS-UCB 秉持著將鄰近的節點一併建構的特性，使得運載 交通工具及時間可以更加的節省，且能達到逼近於最佳解的總救災時間與總救災效益。
在實驗二大規模實驗中，Genetic Algorithm 由於需建構排程的基地台數量變多，需 基因運算演化的世代也隨之增加，但進行 10 萬次基因演算就需花費將近 1 小時的運算 成本，且其總救災效益表現不彰，Genetic Algorithm 的 original deviation (error) of profit 低於 pseudo optimal solution 約 52.9%，因此在大規模實驗中 Genetic Algorithm 無法好好 發揮其效能。演算法 DS-UCB 發揮其優勢，鄰近且救災效益高的節點一併建構，利用 Backtracking 進一步檢查周遭節點，使得總救災時間表現不錯，相較於 pseudo optimal solution，DS-UCB 的 original deviation of time 少約 19.4%，總救災效益有很好的表現，
DS-UCB 的 original deviation (error) of profit 相較於 pseudo optimal solution 高出約 16.7%，
因此 DS-UCB 是目前解決 CCNDS-UC 最好的啟發式演算法。DS-ACG 因受限於父節點 優先建構，使其所得之總救災效益較差，DS-ACG 的 original deviation (error) of profit 低 於 pseudo optimal solution 約 21.4%，但卻能比 DS-G 更逼近於 pseudo optimal solution。
實驗結果可證實本論文所提出的兩大模型 CCNDS-AC 與 CCNDS-UC 其演算法 DS-ACG 與 DS-UCB 對於 CCN 建構排程有相當的改善，而 CCNDS-UC 雖因捨棄了限制條件使得 可能的狀況複雜許多，卻使 CCNDS-UC 較 CCNDS-AC 考慮更多可能的排程讓整個建構 排程得到最大的救災效益。
由圖 5.40 與表 5.16 可看出，求得最佳解所需花費之時間呈現指數上升的趨勢，甚 至到了大型實驗竟然需要將近 3 個小時才得以求得最佳解，Genetic Algorithm 也因為演 化次數的增加導致運算時間大為增加，將近 1 小時才得以求初期基因演算解，而其他的 演算法均可在短時間內執行完畢。但救災行動受時間所逼迫，建構 CCN 之工作亦相當 緊急，在 CCN 規劃階段所花費的時間可以越短越好，才可盡快佈建好 CCN，提供救災 通訊，協助救災之進行。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
122
圖 5.40、Average Processing Time 表 5.16、各演算法平均執行時間(單位:秒)