參數設定與績效驗證

4.2.2.1 模糊物料訂購總量績效驗證

透過本小節的計算主要決定在協同運輸量混和預測模型中的演化策略法，包含演化 代數的確定、演化策略突變率的選擇以及最後系統績效驗證。為決定這些變數，本計畫 透過演化策略演算法與模糊理論找出適合答案，根據文獻探討了解演化過程的終止條件 可由三種方式，本計畫中透過演化代數設置方式決定演化終止。

其次，突變率在演化策略中，決定避免發生區域解的機率，但當突變率過高時，同 時會使收斂不易，使得演化運算成本提高。反之，則子代中不易出現差異性，使得結果 容易落入區域最佳化中。因此本計畫中此階段首先針對演化代數選擇、演化策略突變率 選擇做計算找出最佳演化參數，接著再進行最後的系統績效。

Š 演化代數選擇

針對52 週資料中，1~10 週作成本分析提出最佳之演化代數，演化策略初始參數 設定如下：

1. 演化代數訓練週數：10 週(1~10) 2. 初始父代族群個數：20 個

103

3. 子代產生族群個數：30 個 4. 突變率：0.6

5. 演化策略：(E+S)策略法

6. 演化終止代數設定：10~500 代(以 10 代為間距共 50 組)

7. 路徑選擇策略設定為隨機PathStrategy = ，突發狀況處理能力設定為普通3 2

t ontrolLimi

ExceptionC = ， 而 貨 物 狀 況 保 全 良 好 能 力 業 設 定 為 普 通 2

lityLimit RepositAbi =

針對1~10 週資料進行 500 代演化訓練，檢視適應函數值之變化以找出較適合之演 化代數，實驗後演化代數各週績效收斂趨勢彙整於表 4-1 所示。

表 4-1 演化代數之績效收斂統計表

週數 適應函數值 演化代數 資料期間

第一週 525,000 335 2008/03/02~2008/03/08 第二週 440,000 290 2008/03/09~2008/03/15 第三週 501,000 370 2008/03/16~2008/03/22 第四週 480,000 365 2008/03/23~2008/03/29 第五週 395,000 190 2008/03/30~2008/04/05 第六週 415,000 255 2008/04/06~2008/04/12 第七週 465,000 250 2008/04/13~2008/04/19 第八週 495,000 245 2008/04/20~2008/04/26 第九週 380,000 110 2008/04/27~2008/05/03 第十週 345,000 135 2008/05/04~2008/05/10

從各週的演化收斂狀況可知，在110~200 代過後開始收斂，有些又須在 330 代後才 開始收斂，為能符合各種情境需求，決定演化代數為380 代來作為此終止條件，可以滿 足適應值函數收斂。

Š 演化突變率選擇

以資料中11~20 週(2008/5/11~2008/7/19)資料，透過成本分析找出最佳之演化突變

104

率，相關演化策略初始參數設定如下：

1. 演化代數訓練週數：10 週(11~20) 2. 初始父代族群個數：20 個

3. 子代產生族群個數：30 個

4. 突變率：0.15~0.95(共九種突變率組合) 5. 演化策略：(E+S)策略法

6. 演化終止代數設定：380 代(由前一測試決定之代數)

7. 路徑選擇策略設定為隨機PathStrategy=3，突發狀況處理能力設定為普通 2

t ontrolLimi

ExceptionC = ，而關於運輸品質管控的貨物狀況保全良好能力也設 定為普通RepositAbilityLimit= 2

11~20 週區間內突變率為 0.15~0.95，選出的最佳演化之突變率各週績效測試前五名 代表，各週實驗10 次之演化突變績效收斂趨勢如表 4-2 所示。

表 4-2 檢測突變率績效各週前五排名表

第十一週 第十二週 第十三週 第十四週 第十五週 第十六週 第十七週 第十八週 第十九週 第廿週

1 0.55 0.35 0.45 0.55 0.15 0.75 0.25 0.45 0.85 0.55 2 0.75 0.55 0.25 0.65 0.55 0.25 0.85 0.25 0.55 0.75 3 0.15 0.75 0.85 0.75 0.45 0.55 0.45 0.15 0.25 0.65 4 0.35 0.25 0.35 0.45 0.35 0.35 0.15 0.55 0.45 0.35 5 0.65 0.45 0.55 0.85 0.65 0.15 0.65 0.65 0.35 0.85 由測試彙整結果中發現，其突變率前五名中，以突變率0.55 在各週前五名上出現比 例最高，因此本階段對於模糊物料(新品與再製品)訂購總量模式(即運輸服務量計算)之 演化策略突變率參數設定為0.55。

Š 模糊物料訂購總量模式績效

依前二步驟決定演化代數與突變率後，本階段利用驗證結果與資料區間 21~28 週 (2008/7/20~2008/9/13)，計算在滿足需求與回收法令等相關限制條件下，對與訂購新物 料、再製物料與運輸服務品質中作取捨以達成採購策略管理總成本最小化的協同運籌運

週 數 突

變 排 名 率

105

輸網絡配置。此階段研究中對於 21~28 週資料分別進行 20 次模擬並計算其平均採購與 運輸策略管理總成本，觀察各週模擬出的平均總成本是否為在模糊系統中之相對最低 點。

本計畫中將此階段產出運輸策略(3 種)挑選、突發狀況處理能力(3 種)與運輸服務品 質相關的貨物狀況保全良好能力(3 類)水準的變動，在加上法定回收率 α 的變動 (25%~45%，切分為 5 種情形)，如此規畫每週模擬情形包含 135 種組合，實驗證明研究 結果對於總管理成本上的績效優於其他結果組合。各週情形最佳的新物料運輸服務訂購 水準與最佳再製物料運輸服務水準、平均模擬採購策略管理總成本如下所示。

表 4-3各週次模擬成本與變動範圍表

日期 2008/7/20 2008/7/27 2008/8/3 2008/8/10

NP-TR-Q 407 315 418 397

RP-TR-Q 329 233 387 299

平均總成本 431,285 392,515 541,335 412,900 網絡配置 S1,S2,R1,R2,T1,T3 S1,S3,R2,T1,T2 S1,S2,S3,R1,R2,T2,T3 S2,S3,R2,T1,T3

日期 2008/8/17 2008/8/24 2008/8/31 2008/9/7

NP-TR-Q 278 305 422 428

RP-TR-Q 189 187 356 389

平均總成本 291,820 312,372 471,528 603,500 網絡配置 S2,S3,R1,T1,T2 S1,S2,R1,R2,T2,T3 S1,S2,R2,T1,T2,T3 S1,S2,S3,R1,R2,T2,T3

(NP-TR-Q：新物料運輸服務訂購水準，RP-TR-Q：最佳再製物料運輸服務水準)

針對各變動範圍產出結果作集群分析(cluster analysis)，研究中利用 K-means 分群法 為主要分析工具。藉由分群方式將相近的模擬結果分類，以確定研究中之各情境最佳的 新物料運輸服務訂購水準與最佳再製物料運輸服務水準組合落在個別情境下的最低成 本族群裡。表 4-4 為各週次下集群分析彙整結果，當中 K-means 分群法研究中將 K 値 設為15 個集群。

106

表 4-4 各週次平均總成本集群資訊

日期 2008/7/20 2008/7/27 2008/8/3 2008/8/10 平均總成本 431,285 392,515 541,335 412,900

所屬集群 9 9 11 9

日期 2008/8/17 2008/8/24 2008/8/31 2008/9/7 平均總成本 291,820 312,372 471,528 603,500

所屬集群 14 9 9 5

由表 4-4 中發現表 23、25 與 28 這三週裡，有些觀察值結果所得出結果成本波 動過大，使得分群範圍過廣。對於此類情形，事先提除不適任之觀察值可使分群後結果 可以更加精確。第 23 週中發現其觀察值個數落在每一集群中皆很平均，其原因推測由 於當週需求量可經由庫存零件與再生零件及可滿足不需額外採購新零件，每一運輸單位 成本皆相同狀況下，運輸策略和運輸服務品質因素，對成本較不造成影響，可知影響成 本結果來自法定回收率的比重是大的。而從表 4-4 中裡發現，各週情境的平均總成本結 果皆落在其所屬最低成本集群之中，因此可以推論利用模糊控制與演化策略演算法在針 對不確定的環境情形下，可提供協同狀況下運輸服務配置策略管理總成本一個有效的預 測結果。

當尋求到最低總成本時，此刻新物料供應商、再製物料供應商與運輸服務業者間的 協同關係已經確認，即是運輸網絡的配置已經達到最適(也就是需求的新品/再製品供應 量皆以滿足)。

4.2.2.2 多元迴歸參數分析

協同運輸服務訂單運算的主要方式是根據庫存量、新物料與再製物料、前置時間、

運輸在途量、路徑規劃策略與運輸服務品質等因素作為主要考量(參照 3-1 所示)。預測 模型中分析的因子越多，越能使得預測的準確性提升，但預測成本也會相對增加。因此 本模型中提出利用多元迴歸模型，進行預測因子的篩選工作，將相關性太高的因子剔除。

本章驗證時透過 Matlab 統計軟體進行多元迴歸模型分析，分析資料採用驗證資料 的 1~36 週資料(2008/3/2~2008/11/8)，依照測試資料與各預測參數，驗證之績效和關係

107

程度，其中主要以變異數膨脹因子(VIF)當作共線性分析參考資料，而通常 VIF 值應小 於10 為佳。相關的多元迴歸分析參數為(R²=0.971,Adjusted R²=0.967，預估標準差=0.2356 而統計量大於F 值的機率 Sig.=0.05)。

根據分析結果發現，前置時間變數Leadtime(t) 和訂單週期=OrderCycle (t) 的VIF 值大於10，因此後續預測模型中將此二因素刪去，再進行演化策略模型分析部分。

4.2.2.3 演化策略模型 4.2.2.3.1 參數設定

根據上階段之多元迴歸模型之參數分析將前置時間變數和訂單週期兩因素剔除，實 驗上即將模型中此二變數的參數值設為極小值(0.0001)，降低其影響。而在未來的模型 訓練裡，個別的參數值將自我調整出結果，下表(表 4-5)為演化策略各變數初始基因參 數值。

表 4-5演化模型第一期個參數值初始設定值

β0 β1 β2 β3 β4 β5

-0.1243 1.015 0.409 0.0251 0.0001 -0.02413

β6 β7 β8 β9 β10

0.0001 0.3012 0.03203 1.007 -0.01513 演化模型參數設定：

1. 演化代數訓練週數：8 週 (37~44 週，資料日期從 2008/11/9~2009/1/3) 2. 預測週數：8 週 (45~52 週，資料日期從 2009/1/4~ 2009/2/28)

3. 初始父代族群個數：20 個 4. 子代產生族群個數：30 個

5. 突變率：0.15~0.95(共九種突變率組合) 6. 演化策略：(E+S)策略法

7. 演化終止代數設定：350 代 8. 適應函數加權比重：a=0.7, b=0.3

9. 路徑選擇策略設定為隨機PathStrate gy = ，突發狀況處理能力設定為普通3

108

2 t ontrolLimi

ExceptionC = ， 而 貨 物 狀 況 保 全 良 好 能 力 業 設 定 為 普 通 2

lityLimit RepositAbi =

在此階段因為模型中的預測因子，經過多元迴歸分析調整後，需對於演化代數與突 變率依循 4.2.2.1 節所列的方法，再行計算此狀況下的演化代數與突變率。利用 37~44 週資料做前測實驗，觀察其演化代數對於適應函數收歛之影響效果，從圖 4-8 中清楚發 現當演化到達至240 代左右時變動呈現遲緩狀態，一直至 420 適應值皆變動不明顯，再 參考第一次的驗證結果為350 代，因此最佳演化代數取平均值選擇為 300 代。

495000 500000 505000 510000 515000 520000 525000 530000 535000

1 16 31 46 61 76 91 106 121 136 151 166 181 196 211 226 241 256 271 286 301 316 331 346 361 376 391 406 421 436

適應值

演化代數

圖 4-8 演化訓練最佳代數圖

而突變率因素，檢視表 4-6 中發現當突變率為 0.55 時，其平均絕對百分比誤差 (MAPE)與平均平方誤差(MSE)與平均絕對偏差(MAD)這三項指標呈現出的績效皆優於 其他突變率，故於演化策略模型績效評估時，選用此值作為突變率參數值。

表 4-6演化訓練突變率前測實驗

突變率 MAD MSE MAPE 績效排名

0.15 283.73 614368.39 27.39 9

0.25 162.83 442557.83 25.74 2

0.35 187.79 592875.14 26.58 8

0.45 183.34 499895.47 26.02 6

0.55 160.33 438311.56 17.35 1

109

突變率 MAD MSE MAPE 績效排名

0.65 166.59 449012.23 25.82 3

0.75 175.44 481887.92 25.88 4

0.85 176.54 497899.71 25.92 5

0.95 186.47 552094.62 26.51 7

4.2.2.3.2 績效檢視

依前一章節計算所得的演化代數(300 代)與突變率(0.55)為參數設定，於績效檢視 中，比較本計畫模型一(多元迴歸模型與模糊運輸服務訂購總量模式)、本計畫模型二(多 元回歸模型、模糊運輸服務訂購總量模式與演化策略訓練法)以及一般多元回歸模型與 時間序列之指數平滑法做檢視，各模型八週(2009/1/4~ 2009/2/28)平均績效比較如表 4-7 所示。

表 4-7實驗績效比較表

模型名稱 MAD MSE MAPE Rank

指數平滑 1776.08 8077531.13 0.561 4 一般多元回歸 1191.53 1897253.95 0.422 3 研究模型一 639.76 771425.61 0.353 2 研究模型二 493.73 682174.53 0.315 1

從計算結果可知，本計畫所提出之運輸服務訂單模型預測結果，相對於時間序列之 指數平滑法與線性多元迴歸預測，或是混和模型(如模型一)的平均績效結果皆優於前述 方法。

由此可以推論，因為運輸服務訂單資料需求變動性大，使得透過如時間序列等單一 預測所求之值，往往無法反映其他因子所帶來的影響。透過混和型的預測模式，可以透 過互補的效果解決預測方法反應性過慢的缺點，降低預測失準所造成的損失。

110

4.2.2.4 敏感度分析

經過本計畫協同運輸規劃模型分析發現，供應運輸服務量與法定回收率對協同運輸 網絡配置上，具有關鍵性的影響。因此本節針對此二項參數進行敏感度分析，以進一步 了解當重要參數改變時有何變化。

經過本計畫協同運輸規劃模型分析發現，供應運輸服務量與法定回收率對協同運輸 網絡配置上，具有關鍵性的影響。因此本節針對此二項參數進行敏感度分析，以進一步 了解當重要參數改變時有何變化。

在文檔中 完整運籌下企業回收決策與協同運輸規劃模式之研究 (頁 111-121)