碩 士 論 文 中 華 大 學

中 華 大 學 碩 士 論 文

題目：基因演算法應用於多重因子影響下服務 時間推估之研究：以美髮服務業為例 Multi-Factor Estimation of Beauty Solon Service Time using Genetic Algorthms

系 所 別：科 技 管 理 研 究 所 學號姓名：M09403006 楊 雅 玲 指導教授：許 良 僑 博 士

中華民國九十六年七月

基因演算法應用於多重因子影響下服務時間推估之 研究：以美髮服務業為例

學生：楊雅玲 指導教授：許良僑博士

摘 要

預估服務時間在許多服務業，例如提供預約服務之產業，是影響服務品 質的重要因素。於服務產業下許多服務系統之服務時間，均由多種影響因素 所決定服務時間。然而各項因素所造成之影響並非呈線性可加或遵循可預期 之模式，故導致推估預測服務時間之困難度增加，而預測之不準確性將大幅 降低服務系統之使用效率及增加顧客於服務系統中之等待時間，導致服務品 質下降。

本文以美髮服務業為研究案例，並針對實際服務時間數據資料做為期三 個月蒐集，並將數據資料分為二部份探討，其一為訓練資料，另一部份為驗 証。於推估時間模型上則以應用基因演算法並以 Excel 巨集程式撰寫來推導 此服務系統各項因素對服務時間影響之權重，進而建立一個服務時間預測之 模型。經實際測試資料之驗證，本模式在預測之準確度與以單獨考慮服務種 類之平均時間進行預測時間或憑服務人員經驗主觀判斷服務時間上均有顯著 改善，故顯示本研究之方法可實際運用於多重因素影響服務時間之系統。

關鍵詞：基因演算法、服務時間推估、多重因子、權重

i

Multi-Factor Estimation of Beauty Solon Service Time using Genetic Algorithms

Student : Ya-Ling Yang Advisor : Dr. Liang-Chyau Sheu

Abstract

Service time estimation has become increasingly important in a variety of service industries, particularly in those allowing reservations of service, which can greatly affect the service quality. The service time is usually determined by a number of factors, which are often unpredictable or non-linearly dependent of these factors. Such a situation has increased the difficulty in predicting the expected service time, resulting in system inefficiency because of increased customer waiting time, and the degradation of the service quality.

This paper, focusing on the beauty solon industry, proposes a prediction model based on the service times collected in three months for evaluating the factor weights in order to estimate the service time in a more accurate way for a reservation using genetic algorithms. The testing results show that significant improvements have obtained by using the proposed model in terms of the averaged service time and the human-intervened judgments. The proposed model can be applied in numerous service industries where multiple factors are of concerned.

Keywords: Genetic Algorithms、Service time Estimation、Multi-Factor、Weighted

ii

誌 謝

本研究能順利的完成，首先感謝我的指導教授許良僑教授，於碩班兩年 求學過程中，給予我許多細心的指導。在我最徬徨無助、陷入瓶頸時，教授 總是會耐心地從旁給我協助與鼓勵，讓我除了能夠完成論文之外，更無論在 知識、見聞與研究的方法上，獲益匪淺。同時也要感謝劉家盛學長、蔡翠芳 學姐，不厭其煩的教導我課業和處事上的態度，在此也感謝口試委員馬恆教 授與吳炎崑教授針對本論文給予寶貴的意見，使本論文順利的完成。

感謝好友黛萍、昇宏提供的演算法相關知識；也感謝有緣相聚的同學們，

因為有你們的存在，使我在研究的道路上並不孤單，讓我覺得學習是一種幸 福的事。因為你們的陪伴，才使我有幸擁有了這麼美好的兩年時光。

也要謝謝從旁支持我的男朋友義欽和家人的鼓勵，總是給予我最大的勇 氣，讓我去突破各種困難。因為你們的愛心，才能使我順利取得碩士學位。

雖然沒有說出口，但我知道你們總是默默的在我背後支持著我、為我擔憂、

替我加油，謝謝你們，有你們真好。

最後，這份榮耀與所有關心我與愛護我的人一齊來分享！

楊雅玲 謹識於中華科管所 中華民國 96 年 7 月 2 日

iii

目 錄

摘 要... i

Abstract ... ii

誌 謝... iii

目 錄... iv

圖目錄... vi

表目錄... vii

第一章 緒論... 1

1.1 研究背景與動機 ... 1

1.2 研究目的 ... 1

1.3 研究範疇 ... 2

1.4 研究流程與論文架構說明 ... 2

第二章 文獻探討... 5

2.1 國內外相關於多因子影響下預測模型之研究 ... 5

2.1.1 利用各技術方法預測相關研究 ... 5

2.1.2 各預測效能之探討 ... 7

2.2 基因演算法(GENETIC ALGORITHM) ... 9

2.2.1 基因演算法之演變 ... 9

2.2.2 基因演算法基本特性 ... 10

2.2.3 基因演算法之運算流程 ...11

2.3VBA介紹 ... 13

2.3.1 Excel VBA的開發環境 ... 14

2.3.2 Excel VBA之特性 ... 15

第三章 研究理論與方法... 19

3.1 基因演算法 ... 19

3.1.1 編碼 ... 19

3.1.2 產生初始族群 ... 21

3.1.3 設定適應度函數量 ... 21

iv

3.2 基因演算法之運算子 ... 21

3.2.1 複製 ... 21

3.2.2 交配 ... 22

3.2.3 突變 ... 23

3.2.4 終止條件 ... 23

3.3 演算法之流程 ... 24

第四章 實驗結果與分析... 25

4.1 資料蒐集內容 ... 25

4.2 資料分析 ... 25

4.3 基因演算法各項參數設定 ... 28

4.4 實證結果分析 ... 31

第五章 結論與未來展望... 36

5.1 結論 ... 36

5.2 未來研究方向 ... 37

參考文獻... 38

v

圖目錄

圖 1.1 顧客得知服務時間之服務流程... 2

圖 1.2 本文研究流程圖... 3

圖 2.1 基因演算法之演變... 9

圖 2.2 基因演算法運算流程圖... 12

圖 2.3 啟動Visual Basic編輯器 ... 14

圖 2.4 Visual Basic 編輯器視窗 ... 14

圖 3.1 遺傳演算法基本單元... 20

圖 3.2 浮點編碼表示法... 20

圖 3.3 二元編碼多點式交換... 22

圖 3.4 浮點編碼單點式交換... 23

圖 3.5 基因運算法則運算模式架構... 24

圖 4.1 影響因子之編碼方式... 28

圖 4.2 基因預測時間之誤差演化結果... 31

圖 4.3 經驗、平均時間、基因演算推估服務時間差異比較... 32

圖 4.4 項目 11 下各預測方法預估差異時間分析... 32

圖 4.5 項目 17 下各預測方法預估差異時間分析... 33

圖 4.6 項目 22 下各預測方法預估差異時間分析... 34

圖 4.7 項目 26 下各預測方法預估差異時間分析... 34

vi

vii

表目錄

表 2.1 預測相關文獻整理表... 6

表 2.2 預測方法優缺點比較表... 7

表 2.3 基因演算法之優缺點... 11

表 2.4 VB與VBA的差異比較表... 13

表 4.1 前 500 筆訓綀資料項目分類代碼及人數統計表... 26

表 4.2 影響服務因子之權重表示法... 27

表 4.3 平均服務項目時間類別表示法... 28

表 4.4 各項因子權重參數... 30

第一章 緒論

1.1 研究背景與動機

時間就是金錢，如何於有效期限內達到最高效益乃是各產業間著重之議 題。然而，時間等待現象無可避免也為日常生活中的一部份，無論於何種服 務系統中，都會有服務時間上等待之情形。在今日分秒必爭和講求“服務品質”

的社會中，各服務業者之間競爭日益激烈要如何提供顧客更完善之服務水準 及品質已是業者提升競爭力的問題重點，亦是學術上值得探討的問題。因此，

本論文針對服務產業中之“預估服務時間問題”加以探討，進而建立一個服務 時間預測之模型。預估服務時間之於提供預約服務之產業，例如：美髮沙龍 業、醫院預約掛號系統…等，是一個高度影響服務品質之因素，然許多服務 系統之服務時間，乃是由多種因素所決定，而各項因素對服務時間所造成之 影響並不一定呈線性可加或遵循某種可預期之數學模式，因此導致預測服務 時間之困難度增加。倘若無法合理地預估服務時間，則可能大幅降低服務系 統之使用效率並造成顧客於系統中之等待時間增加，因此導致服務品質下 降。反之，如能於服務系統中準確預估服務時間縮短等待時間的情況下，除 對於業者在規劃服務時間上更為有利之外，顧客亦更能明確得知何時應到達 服務系統，及服務總時間之長度，便無需於服務系統中長時間等待有形中提 高了經濟效益，無形中更讓服務品質大為提升，更進一步達到顧客滿意及顧 客忠誠度上揚，創造出更佳利潤。

傳統預約服務產業中，以實觀察服務系統之情況看來，對於時間預估上 往往賴以經驗法則來推估時間，也因此顧客反應於等待時間上並未縮減。因 此，建置可即時推估準確服務時間之系統模型是相當重要的。

1.2 研究目的

本研究主要目的是讓顧客於預約服務系統中可準確得知預估服務時間，

進而讓顧客於服務系統中，節省不必要的等待時間。藉由本系統來改善服務 系統之等待時間，以「預估時間差最小」為目標的時間推估模式，進而提升 服務品質外，更達到顧客滿意度提升，於業者之角度看待更可明確的規劃工 作時間，提升經濟效益。

1

1.3 研究範疇

本研究主要是針對服務系統中顧客所做服務項目時間推估之研究，並建 置一即時推估時間之系統模組，使得業者於工作時間安排上效益更佳，顧客 於服務系統中等待時間降低，本文以美髮沙龍業為個案研究對象，並採集店 家實際服務時間之完整資料，擬以基因演算法（Genetic Algorithms, GAs）推 導在服務系統中對服務時間具有影響的各項因素之權重，再依據各權重關係 之分配，進而建立一個服務時間預測之模型。於研究模組內所蒐集之實際服 務時間資料必需為三個月以上，如此所測得之時間結果才較為準確。基於服 務系統之實際服務時間之考量，對於研究變數(影響時間推估之多因子)和推 估時間模型設計有限定的範圍與限制。本研究定義之影響服務系統之服務時 間因子項目為年齡、髮質、髮量、髮長、設計師、設計師助理、服務項目。

顧客進入服務系統所得知的推估時間是經由通訊設備例如：電話、網路等向 服務專員提出預約服務，再由專人經研究模型所推估之時間來告知顧客所需 花費之時間，此一服務流程圖由圖 1.1 所示：

圖 1.1 顧客得知服務時間之服務流程

如圖 1.1 所示，為本研究各案服務之流程，在此流程中，顧客乃為預約 服務客戶，且每位顧客都需清楚提供自已所需之服務項目。此系統為實際服 務業之系統時間預估模型，經驗証可確實應用於美髮服務業之服務系統環境 使用。

1.4 研究流程與論文架構說明

首先確立研究背景動機與目的後，選定本文研究主題及研究界定範圍與 研究對象。收集國內外相關研究之文獻，並同時針對研究各案-美髮服務業之 服務系統進行專家訪談並蒐集維期三個月實際服務時間數據。回收三個月實 際服務時間數據資料後加以分類，接著以 Excel VBA 巨集與基因演算法所撰 寫之服務時間推估之程式技術進行系統和程式的設計，最後將研究結果與經

2

驗法則下所推估之時間以及平均法則下所推估之時間加以分析比較，以確立 本研究之可行性。研究流程圖如圖 1.2 所示

圖 1.2 本文研究流程圖

3

本論文章節說明如下：

論文主體主要分為五章節來論述，其詳細架構如下：第一章緒論主要是 說明研究背景、動機、目的及研究方向、個案研究對象、研究限制之整體規 劃；第二章文獻探討及回顧乃在列舉此領域中國內外於時間推估之研究文獻 以及 Excel VBA 巨集之介紹；第三章研究方法針對本研究之核心方法「基因 演算法」，做詳盡之介紹及描述本論文所提即時推估服務時間系統之架構與方 法；第四章實例驗證以呈現本文實例驗證所提系統之有效性及所設計之實驗 內容及其結果；於第五章結論中，提出論文最終實驗分析及未來研究方向加 以陳述。

4

第二章 文獻探討

於過去各大領域中、內外文獻中【1、8、4、10】，探討於多重因素影響 下的研究已極為普遍，例如利用統計迴歸分析模式、啟發式演算法（heuristics）

等方法來求得可行解。但針對服務時間預估（顧客停留於服務系統中之時間 預估）之研究則較少見，以下針對多因子下預測模型之研究來做探討。

2.1 國內外相關於多因子影響下預測模型之研究

近幾年來國內外文獻中針對提出預測模型上之研究極廣泛，於研究問題 當中各個影響因子之影響程度乃是預測模型中關鍵之考量因素，而利用各種 相關技術建置預測模型也是各研究領域上值得探討的問題。

2.1.1 利用各技術方法預測相關研究

廖佳彥【12】，參考實際門診情況，利用等候理論與電腦模擬技術，並結 合當前熱門的電子商務理念，可透過網路查得目前看診號次，並由系統自動 預估出預約掛號號次的看診時間。藉由本系統大幅改善門診等候時間，有效 縮短病人的等候時間。

Brahimi et al.【15】發展一個不同類到達率和離散服務時間分配的有限容 量多服務者等候模型。目的是利用這個模型去逼近多服務者等候時間相依在 不同類到達率和連續服務時間分配行為上。實驗結果顯示所產生的近似值將 符合大部份實際上的用途。

胡國岱【7】納入醫生和病人特性建構出倒傳遞網路，將醫生的基本資料、

病人看診時可能的情形，當成輸入變數，將病人的看診時間當作輸出變數，

由類神經網路預測出看診時間，再藉由等候理論設計出掛號預約系統，其病 人平均等候時間已縮短在 20 分鐘以內，且病人等候超過 40 分鐘的人數相對 的減少。

吳綉翎【5】結合 EVA 與傳統上經常使用之股價預測變數，並以倒傳遞 類神經網路(Backward Propogation Network；BPN)為研究模式，進而實證研究 EVA 對高科技公司股價之預測能力。

5

何佳祥【9】，利用基因類神經及倒傳遞類神經網路模式做為分析工具，

以污水廠之興建成本資料為基礎，並嘗試利用各種前處理的技巧，包括累加 生成、資料排序等方式，以改善原始資料的變動趨勢，藉此提升並改善模式 整體的預測效能。

楊金聲【11】，透過類神經網路與線性迴歸來探討 PCB 產業成本預測的 可行方法，以 ABC 成本制的原則，主要鎖定成本最高的六種成本分類「壓合 物料」、「防焊物料」、「金手指物料」、「鑽孔變動製造費用」、「成型變動製造 費用」與「測試變動製造費用」深入探討，結果發現類神經網路在預測的表 現上準確且穩定，而線性迴歸因為擁有能解釋變數的能力，有助於改善預估 準確性的資訊搜集。

蕭瑞民【14】根據現有的人力、設備及作業方式來蒐集資料，並以等候 網路做為分析工具，經數學方法規劃出模式，再以遺傳演算法求得最佳解。

最後找出在不同日期、不同時段和在人員設備、人員成本的限制下，等候時 間最小及藥局內部各工作站最佳藥師配置數，可做為醫院管理者的決策指 標。整理以上文獻如表 2.1 所示。

表 2.1 預測相關文獻整理表

研究者 研究問題 研究方法

Brahimi et al. 推估服務時間等候模型 系統模擬法

廖佳彥 看診時間預估 等候理論和電腦模擬系

統 古國岱 於等侯時間最小限制下

看診時間預估 類神經網路

吳綉翎 股價之預測 倒傳遞類神經網路

何佳祥 成本之預測 基因類神經網路和倒傳

遞類神經網路

楊金聲 成本之預測 線性迴歸與類神經網路

蕭瑞民 決策指標推估 遺傳演算法

6

2.1.2 各預測效能之探討

從過去之研究可以發現，一般最常被應用來預測時間的方法有多因子線 性迴歸（Multiple-Factor Linear Regression, MFLR）、生產模擬（Production Simulation）、非線性分析法、倒傳遞網路（Back Propagation Networks, BPN）…

等。其中 MFLR 法最簡單、預測速度最快、也被最廣泛地應用，但其缺點為 準確性不佳；生產模擬法為準確性最高的方法，故常作為評估其他方法之準 確性的標竿，其缺點為效率差；BPN 則兼顧了準確性與效率兩方面之表現，

但在搜尋最佳值域時可能會有所困境。傳統上雖然有不少方法可以用來預估 服務時間，然而這些方法均有一些嚴格的適用條件與環境假設，因此不盡然 適用於每一種產業狀況。上述各方法之優、缺點如表 2.2 所示。

表 2.2 預測方法優缺點比較表

方法 優、缺點

多因子線性迴歸 優：簡易、廣泛運用、預測速度快。

缺：準確度不高。

生產模擬 優：準確性高。

缺：效率差。

倒傳遞類神經網路 優：準確性及效率較佳。

缺：最佳值域搜尋恐出現窘境。

一般實務在面對時間預估的問題上，通常都會遭遇到諸如：沒有歷史數 據可供參考、變因太多無法掌控、以及許多變因與耗費時間並非呈現線性影 響關係等困擾，以致於時間估計不準確因而造成顧客常時間等待或系統閒置 等情況。過去的學者專家與文獻針對預估時間等相關問題曾經提出一些模式 與作法，本篇根據這些作法與觀念加以整理歸納並且說明如下：

一、憑藉直覺或經驗來預估時間

實務上，這是一種常被運用的作法。當顧客進入服務系統時，有經 驗的服務人員就會依據其本身的直覺或經驗直接預估服務時間。此種根 據個人主觀意識直覺或經驗來預估時間，雖然不需要額外的輔助器材工 具以及耗費時間精力來蒐集數據資料，但是預估時間的準確性卻會高度 受到預估者心態、經驗、能力與直覺判斷影響，因此風險性很高。

7

二、運用數理解析方法來預估時間

數理解析方法是以作業研究領域中的等候線理論（Queuing Theory）

或動態規劃（Dynamic Programming）為理論基礎工具，透過數學解析的 手法來進行算式推導，藉以獲取服務時間預估值的運算通式。由於任一 服務系統下之複雜性與多樣性等因素的交互影響，造成服務時間的估算 相當困難，其中最主要的因素之一在於各影響項目之間的交互作用，使 得作業時間的特性更加難以掌握，也意味著其數學模式無法被建立。

三、運用統計迴歸方法來預估時間

此種作法是以統計學之多因子線性迴歸（Linear Regression）理論作 為立論的基礎，將過去所蒐集的歷史數據資料進行相關的統計分析，藉 以獲取服務時間與各項變因的線性迴歸預測方程式。通常只考慮到實際 的發生的時間，因此所預估之模式的適用性以及準確性會受到挑戰與質 疑。

四、運用類神經網路（Neural Network）模式方法來預估時間

此種作法是將過去的歷史數據資料以及環境條件加以分析，根據分 析所得的變因與特性構建符合這些特性狀況之類神經網路模式，再透過 重複性教導與學習的機制來調整模式中之各項參數。由於目前的服務環 境日漸龐大且複雜，如果僅使用同一研究方法往往無法充分掌握服務系 統的特性，而造成研究上的缺失。

五、運用生產系統模擬模式方法來預估時間

此種作法是依據事先觀察實際服務系統環境條件行為並透過蒐集相 關數據資料予以分析後，藉由系統模擬工具構建服務系統模擬模式。此 方法在應用至一些大型而複雜的系統中進行系統行為特性的評估已廣泛 被採用，唯運用此方法來進行本文所探討的服務業服務時間推估，顯然 無法滿足效率上的要求。

在人工智慧領域中的基因演算法，已被認為適合用來處理複雜、無任何 限制條件的問題， 特別在投資組合預測、旅行推銷員問題（Traveling Salesman

8

Problems, TSP）、生產排程、運輸問題、資料庫查詢最佳化等問題的研究上已 有相當多的成果。因此本研究試圖利用基因演算法的特性，在服務時間預估 之領域建立一預估之模型。

2.2 基因演算法(Genetic Algorithm)

基因演算法為 J. H. Holland 在 1975 年所提出的演算法則，其理論基礎是 依根據 1859 年達爾文（Robert Darwin）書中的進化論『物競天擇，適者生存』

之演化及淘汰觀念而來。其基本核心精神乃以一個群體(population)架構，經 由複製（Reproduction）、交配（Crossover）以及突變（Mutation）等篩選與 演化演算步驟來產生更適合環境的子代基因。

2.2.1 基因演算法之演變

基因演算法自 1975 年至今，陸續有學者針對原始程構提出不同之演算架 構及流程，根據 1975 至 2000 年的基因演算法之演變過程整理【21】如圖 2. 1 所示。

基因演算法

1975 年 至今(2007 年)

簡易式 菁英政策式 混合式改良式

圖 2.1 基因演算法之演變 一、簡易基因演算法(Simple Genetic Algorithms)

簡易演算法之初始母群體由二進位的字串組成，即所有的問題以二 進位字串表示，其流程架構依序為演化止條件、複製、交配、突變等在 利用利用基因運算子而產生新的子代。

9

二、改良式的基因演算法(Components Improvement of Genetic Algorithms) 此演算法的架構乃是針對問題的特性用浮點式編碼(Coding)方式替 代二進位數值法來表達問題的方式。

三、菁英政策(Elitism Strategy)的基因演算法

此法演算流程採菁英保存政策，於每一世代群體中保留最優之個體 進行演化在經由交配、突變的運算過程篩選保留每一世代中適合度較佳 的染色體。

四、混合式基因演算法(Memetic Algorithms)

此法採群體多點同步的搜尋法，收斂性(找尋最佳解域)較慢，傳統基 因演算法都是利用基因突變的方式來突破局部最佳解，而最近的演算流 程則是使用基因演算法與局部搜尋法交叉，以期望快速得到最佳解【13】。 2.2.2 基因演算法基本特性

GA 為不考慮目標函數特性之廣義型最佳法則。基因演算法於開始產生 初始解時，就以針對問題特性產生多組可行解，再把這些解以基因的型態表 示之，進而以多點平行搜尋方式以尋找最佳解。在藉由各解之間的競爭，較 差解將會自然淘汰而優良解將被複製保留並予以基因重組，再透過交配及突 變的機制，以產生新的可行解及為較佳的下一代。因此，基因演算法是以母 體對母體的方式搜尋多組不同的可行解，再利用其在求解空間中全域搜尋的 特性，以避免陷入局部最佳解，並向問題的全域最佳解逼近。Knodala 與 Wal

【23】提到基因演算法之優點如下：

一、基因演算法為適應函數，只需將問題轉換成基因的形態，即可作最佳解 的 逼近運算。

二、基因演算法是將問題的各項變數編碼成染色體形式的字串或數值之後，

於連續或非連續之問題上直接於染色體上進行演化求解。

三、基因演算法運用電腦多點平行搜尋能力，以同時搜尋出多個最佳點，以 產生一整族群的解。

10

四、基因演算法採用機率之搜尋法則，於求解空間中較易得到全域最佳解。

學者 Chang【16】於研究中指出基因演算法具有以下優缺點，如表 2.3 所示：

表 2.3 基因演算法之優缺點

基因編碼

基因演算法是將問題參數轉換予以編，編 碼目的在於表達某種特定資訊，且於求解 過程中針對各串列單元予以運，因此可以 跳脫搜尋空間的限制。

多點同步搜尋 基因演算法於搜尋空間中採用多點運作 方式，乃在於避免陷入區域最佳解。

機率式搜尋

基因演算法的搜尋過程採隨機搜尋的方 式，此方式符合各種不同類型最佳化的問 題。

優

點

使用適應度函數

基因演算法在運作過程中，只利用適應度 函數作為判斷的依據，可免除許多繁雜的 計算流程。

運算元設計問題

根據不同的問題需採用不同的運算子，以 提高搜尋效率，若隨意使用運算子，搜尋 速度將受影響。

缺 點

無記憶功能

基因演算法中並無記憶功能，因此重複搜 尋相同的點，也會加以計算而增加系統運 作的時間。

資料來源：【16、12】

2.2.3 基因演算法之運算流程

基因演算法是目標函數最佳化搜尋的方法，是依據達爾文所提出的「演 化論」之演化法則而來。所謂演化是指個體(Individual)經由三個運算子，複 製、交配及突變產生新的個體。在經由篩選是依據個體適應度(Fitness Value) 的高低，保留較適合環境的個體，淘汰劣者。

基因演算法運算流程中之名詞說明如下：

基因(Gene)：最小單位個體。

染色體(Chromosome)：各基因組成之集合為染色體。

11

適應度函數：產生適合度的函數。

複製：將個體複製，以產生新子代族群的遺傳運作。

交配：兩兩個體基因互換，以產生下一代個體之遺傳運作。

突變：乃一個體之基因做隨機改變的遺傳運作。

基因演算法運算流程如下圖 2.2 所示，分成以下五個步驟【18、19】：

Step1. 隨機產生初始族群，並進行編碼。

Step2. 經適應度函數評估篩選。

Step3. 依據適應度選出合適個體。

Step4. 篩選出之個體進行交配、突變。

Step5. 回到 Step2，進行下一代演化運算。

圖 2.2 基因演算法運算流程圖

12

2.3 VBA 介紹

VBA(Visual Basic for Application)乃是微軟(Microsoft)公司將 VB (Visual Basic)轉而應用於 Office 系列軟體上，其最主要是為了讓程試設計者可以將 相關控制指令，新增到 Office 軟體的各個物件，以建立控制項，使這些物件 具有控制能力，以便執行特殊工作。針對 VB 與 VBA 的差異比較，如表 2.4 所列：

表 2.4 VB 與 VBA 的差異比較表

比較項目 VB VBA

產品定位 開發獨立應用程式的工具 語言。

進 行 專 案 (Project) 開 發 時，乃為提高生產力的描 述式語言。

工作環境

提 供 單 一 文 件 模 式

(Single Document Interface) 與 多 文 件 模 式

(Multiple Document Interface) 兩 種 工 作 環

境，單一文件模式環境之 特色是同一時間只可開啟 一文件。

僅提供 MDI 操作環境，每 個應用程式都有獨立的編 輯器，在 MDI 工作模式 下，主程式和 VB 編輯器 間可以快速切換，對設計 跨應用程式的解決方案特 別有幫助。

程式碼保全功能

無 提 供 程 式 碼 之 保 全 功 能，只要有原始程式碼就 可以直接修改，編譯成其 他檔案。

提供原始程式碼之保全功 能，其專案屬性可以開啟 VBA 巨集之密碼設定，提 供保密軟體的安全。

檔案型態

VB 可依不同類型，將專 案編譯成 EXE、DLL、OCX 等型態。

VBA 則是隨應用程式的 不同，儲存成各種 Office 文件或範本型態。

檔案儲存方式

專案內包含多個獨立檔，

每個程式檔案都是獨立檔 案，開啟專案時檔案都必 須存在不能遺漏。

專案內各程式檔均匯集為 一文件檔案，因此不會有 專案內檔案遺漏的狀況發 生。

輔助工具 不 提 供 巨 集 錄 製 器 的 功 能。

有 提 供 巨 集 錄 製 器 的 功 能，可以將操作步驟翻譯 成 VBA 程式語言，供初學 者修改，是非常方便的學 習輔助工具。

資料來源：【26】

13

2.3.1 Excel VBA 的開發環境

Excel VBA 乃是以 Visual Basic 程式語言為基礎，提供在 Excel 環境中進 行應用程式開發的能力。在 Excel 環境中「Visual Basic 編輯器」提供了一個 建立 VBA 程式、偵錯程式碼的錯誤，以及執行程式碼的整合開發環境。其 操作方式：1.開啟微軟 Office 應用之 Excel。2.於「工具」功能表列下選擇「巨 集」，再點選「Visual Basic 編輯器」。以進入 Excel 中的 Visual Basic 編輯器，

如圖 2.3 所示：

圖 2.3 啟動 Visual Basic 編輯器

Visual Basic 編輯器的開發環境，包括專案視窗、屬性視窗與程式碼視窗 等三個主要部份，如圖 2.4 所示：

圖 2.4 Visual Basic 編輯器視窗

14

一、專案視窗：

Excel VBA 將整個檔案視為一個專案，所撰寫之程式都以專案的型 式來管理。專案視窗中包含了專案中的所有元素，包括應用程式物件、

表單、模組、物件類別等等。當開啟一份 Excel 文件，它的基本元素會有 四個物件：即 Sheet1、Sheet2、Sheet3 三個工作表與 Excel 本身之活頁簿，

而模組則是存放整個專案所共用的 VBA 程式碼的地方。

二、屬性視窗：

屬性視窗是專門用來設定物件與表單的屬性值，以定義其外觀與功 能等性質。不同的物件，會有不同的屬性值，例如：將屬性視窗 Sheet3 物件的 Visible 屬性值設定為「0」則 Sheet3 工作表就會被隱藏起來。在 Visual Basic 編輯器中可以自行定義介面給使用者使用，此介面稱之為表 單。屬性視窗可用在設計表單時，對表單進行一些初始化的設定，當程 式開始執行後，大部份的屬性值，仍可透過程式碼加以修改。

三、程式碼視窗：

程式碼視窗是用來撰寫 VBA 程式碼的視窗，此外錄製好的巨集程式 碼也會被存放在這裡，以利程式偵錯及修改。在此視窗中包含了兩個主 要部份，一為物件清單，一為程序及事件清單。在 Excel 裡常見的物件有 活頁簿、工作表、儲存格、功能表、按鈕、對話方塊…等。相同的物件 也 可 以 集 合 成 一 個 物 件 集 如 活 頁 簿 集 (Workbooks) 、 工 作 表 集 (Worksheets)、儲存格集(Cells)等，以便在撰寫程式中更容易使用及擴大 其使用範圍。所謂的「程序」是指至少有一組 VBA 的陳述式來完成一項 我們想要執行的工作【9】。

2.3.2 Excel VBA 之特性

Excel 是最先具有 VBA 功能的應用軟體，作為執行巨集指令用途【5】。 至今日為止 VBA 已存在於 Office 應用軟體中。以下即針對 Excel VBA 的特 性加以說明：

15

一、是免費的客製化工具

VBA 是內含在應用軟體中的免費開發工具，除了微軟的 Office 軟體 之外，還有很多軟體也是隨軟體免費附贈 VBA 的，如 Windows 版本的 AutoCAD。幾乎在 Excel 上所有功能表的動作或是螢幕上的物件，都可 以使用 VBA 表達出來，因此程式設計師可以很容易的使用 VBA 將 Excel 的許多工作自動化。

二、屬於高階語言，學習容易且學習時間短

VBA 語法與物件都和標準的 VB 相容，因此對於熟悉 VB 的使用者 來說，想要更進一步的控制 Excel 試算表當中某些儲存格的內容，或是將 Excel 圖表自動依照自己的想法編排，是一件相當容易的事。而且巨集錄 製器可以將操作步驟翻譯成 VBA 語言供初學者修改，是非常方便的學習 輔助工具。

三、是微軟 Office 應用軟體的核心溝通語言

VBA 以 VB 語言作為基礎，提供在應用軟體環境中進行應用程式開 發的能力。微軟在其 Office 系列產品中，將 VB 程式語言與巨集功能結 合，透過內嵌在 Office 家族任一產品上的 VBA 開發工具，能將日常重複 的動作自動地完成，並從 MS Office 97 版開始，除了本身是一個可執行 的應用軟體外，也搖身一變，變成了一個以 VB 語言為主，並使用 ActiveX 物件的程式開發工具。

四、可快速建立及佈署解決方案

對於系統開發人員而言，VBA 除了可強化各應用軟體之功能外，亦 可製作以 Office 為基礎的應用系統，不必以其他程式語言從頭 Coding。

經由 VBA 技術將 Word、Excel、PowerPoint、Access…等 Office 成員，視 為一個提供服務的元件，再搭配 COM Add-in Designer、Code Librarian 及 Error Handler，即可建立跨多重 Office 應用程式運作之新附加元件(增益 集)，充分地將企業既有的企業營運攸關軟體(Line of Business, LOB)結 合，建立比以往更快速、更容易的解決方案【26】。

16

五、運用生產系統模擬模式方法來預估時間

VBA 伴隨在 Excel 的檔案中，只能在 Excel 中啟動不能獨立執行，

也不能將 VBA 程式碼編譯成執行檔，但就目前 Excel 軟體的盛行與高普 及率而言，檔案的可攜性與便利性，遠勝於此遺憾，無論身在何處，只 要有 Excel 軟體就能執行，大幅地提昇使用者工作效率及效益。

六、巨集病毒(Macro Virus)帶來隱憂

微軟在其 Office 系列產品中將 VB 程式語言與巨集功能結合，透過 VBA 開發工具，將日常重複的動作自動地完成，原意是貼心地讓使用者 更方便，一但被誤用來隱藏可怕的巨集文件病毒，後果將不堪設想。巨 集病毒主要是利用軟體本身所提供的巨集功能來設計病毒，所以凡是具 有寫巨集能力的軟體都有巨集病毒存在的可能，在台灣最著名的例子就 是 Taiwan NO.1 Word 巨集病毒。還好微軟鑒於巨集病毒太過氾濫，從 MS Office 2000 版以後，加入了數位憑證的認證制度，透過隨機產生的私 密金鑰，把數位憑證簽在 VBA 的程式碼上以有效保護軟體安全【9】。

本研究應用 Excel VBA 結合基因演算法建構一服務時間推估之模型系 統，正是基於：

一、操作簡易，結果迅速

使用 Excel 工作表，其資料輸入與資訊輸出資訊均一目了然，不僅操 作簡易，而且可迅速獲得計算結果(推估時間)，使得顧客於時間掌握上更 詳細，也縮短顧客於服務系統等待之時間，提升客戶滿意度。

二、程式可隨身攜帶，隨時執行

VBA 程式是內含在 Excel 檔案中，可隨身攜帶，無論身在何處，只 要有 Excel 軟體，就能執行服務時間推估之模型，也可大幅地提昇使用者 工作效率及效益。

17

三、節省系統開發時程及成本

一般企業 e 化資訊模組系統的開發時間過長，不僅耗時且作業流程 隴長，相對於所投入的時間及成本都一筆高費用之開銷。若採用 Excel VBA 乃無需從頭設計，就可輕易完成所需之模組，並可依不同的需求隨 時調整設計。

18

第三章 研究理論與方法

由於服務時間推估受多因子影響而其複雜度為 NP-Complete 問題，故在 過去所見之研究方法常以迴歸分析、統計分析檢定、類神經網路等諸類方法 解出最佳解，但於處理規模較大之問題時，所需耗費之時間和效率都不盡理 想；不僅如此，於複雜問題之限制條件下，要建立數學模式更為困難。

而基因演算法為 1975 年由 Holland 所提【22】的演算法則，之後經由 De Jong 及 Goldberg 等人陸續研究【17、20】。其理論基礎是依據達爾文書 中的進化論『物競天擇，適者生存』之演化及淘汰觀念而來。其基本核心精 神乃以一個群體(Population)架構，經由複製（Reproduction）、交配（Crossover）

以及突變（Mutation）等篩選與演化演算步驟來產生更適合環境的子代基因。

基因演算法不但架構容易建立，且具有廣泛及有效率搜尋之特性，且能 將限制條件轉化為適應度（即目標函數），不會落入無解之窘境。也有部份學 者【17、24】利用基因演算法應於時間預測上，因此，本研究試以基因演算 法運算模式建構一服務時間預估之模型，期能準確預估服務時間以提升服務 品質。

3.1 基因演算法

基因演算法為 1975 提出的演算法則，其理論基礎是依據達爾文「進化論」

觀念而來。其基本演化架構是經由複製、交配及突變來篩選更適合環境的子 代基因。

3.1.1 編碼

GA 的演算過程中要求得最佳解，首先須將問題所有變數編成二進位字 元碼，而每個字元（Character）碼就相當於演化論中的各個基因；之後在將 各字元組成一條字串（String），每一條字串就代表為一組解，亦即為演化論 中的染色體（Chromosome）。多條染色體形成不同的組合則稱為個體，經個 體所形成之集合，則統稱為族群（Population）。各基本單元間的關係如圖 3.1 所示。

19

圖 3.1 遺傳演算法基本單元

染色體之編碼方式乃是求解的重要關鍵，若選擇合適編碼方式可提高搜 尋效率。一般而言，編碼方式主要可分為二元數值、實數、及符號等表示法，

不同的編碼方式的交配和突變方法皆不盡相同。通常數值之編碼為 0 及 1 來 表示，相對而言解碼也需以 0 和 1 之數值解碼，而符號型編碼則直接以字母 或符號表示，且每一基因皆由不同字母代表，如英文單字的排列組合，也不 是由 0 和 1 數字所組成故不用另外編碼，因此也不用做解碼的動作，故執行 速度上較快。

根據文獻【11】，只要非二位編碼的方式皆統稱為浮點數編碼。乃指將所 有的輸入值由亂數產生後，當作一染色體。每個浮點數代表染色體中的基因 直接在染色體字串中進行編碼和解碼的動作，節省編碼和解碼一來一往的時 間，增快收斂的速度。

本研究問題中為了增加搜尋率，且考慮到多重因子之項目數的特性以搜 尋效率最佳原則下選擇浮點數編碼法則，並將所有原始輸入值以亂數法產生 基因演算法則下之各個染色體，例如：一長度為 6 之染色體可表示為 W1、

W2、W3、W4、W5、W6 的形式，其中 W1 到 W6 分別代表各個影響因子之 項目名稱，如下圖 3.2 所示。

圖 3.2 浮點編碼表示法

20

3.1.2 產生初始族群

設定編碼方式完成後，於執行演算法前必需先產生第一代族群。一般而 言，第一代族群稱之為初始族群，通常是由隨機方式或是配合問題特性及目 標的啟發式方式來產生。

本研究初始族群最主要目的為訓綀各個影響因子的權重值，且採以原始 問題之歷史數據以隨機方式求解，而各族群也會隨演化世代增加而增加，因 此本研究族群大小不為定數，且族群內各染色體均為可行解。

3.1.3 設定適應度函數量

適應度函數是評估求解好壞的指標，通常會依據問題需求定義一個適應 函數來評估染色體的適應程度，適應函數值越大代表該染色體被選取機率越 大，反之則代表該染色體較容易被自然淘汰。本研究也依據於多因子影響下 預測時間準確度為其篩選標準。準確度愈高，淘汰機率小，反之。

3.2 基因演算法之運算子

標準基因演算法運算模式過程中，除了上述主體架構外，主要乃是經由 三個運算子複製、交配、突變，交互篩選，並於每一世代中提升最佳解之品 質，最後依終止條件的情況下，找出最佳解。

3.2.1 複製

複製的作用在於保留較優良的染色體，而淘汰較差的染色體。透過適應 度函數判斷各組染色體的優劣，若適應度函數值較高者，則其被保留下來產 生新子代的機率將隨之增加；反之，適應度較低之染色體保留下來交配新子 代之機率較小，但不為完全沒有，乃因適應度低之染色體可能帶有某些有用 的相關資訊。當確定所有染色體的優劣之後，便透過複製將較好的染色體予 以保留。在大部分研究中所使用的複製方式有菁英選取法以及輪盤式選擇法。

菁英選取法由 Kenneth De Jong（1975）所提出。此方法乃是透過適應度 函數的評估，由父代染色體與子代染色體中，篩選出適應度較高的染色體予 以保留，此法可避免好的基因組合因機率問題而沒被選中，影響子代的品質。

21

許多研究者發現此法能有效的提升基因演算法的績效，故本篇研究也採用此 法則以期待能尋找到較目更佳的染色體；輪盤複製法，則是屬於隨機複製的 方法，由父代與子代染色體中隨機選擇欲保留的染色體，來產生下一世代的 染色體。

3.2.2 交配

乃是針對複製後的母體，提供染色體基因一個交換的機制，以達成不同 染色體間的基因可以透過一些邏輯模式進行交換、增大搜尋空間的目的。交 換運算須藉由兩種方法結合，才能有效地使母代染色體間彼此交換基因，亦 即染色體間的資訊交換。一為配對法則，另一為組合法則。過去研究中提出 的交配運算類型有單點交配、兩點交配或多點交配等多種交配方法。其中單 點交配，為在染色體中選擇一位置作為交配點，其交配點後基因互換，以完 成交配運算；雙點交配或多點交配，即在染色體中選出兩個或多個交配點後，

再透過固定的交配方式對兩父代染色體中的基因進行交配運算。下圖 3.3 及 圖 3.4 分別說明二元編碼及非浮點編碼下單點交換之情況，二元編碼則以兩 點式交換法則為例。

圖 3.3 二元編碼多點式交換

22

圖 3.4 浮點編碼單點式交換

本篇研究乃是考慮於時間預測值差異最小情況下採用隨機配對法則。乃 指隨機選取 2 個母代染色體，彼此交換基因配對，染色體可重複配對，增加 搜尋最佳解之機率。

3.2.3 突變

一般而言，突變機率很小，倘若突變機率過高，將會造成有用的資訊基 因遺失。突變運算功能保留了於演化的過程中族群之多樣性，也使得突變運 算元可跳脫區域解更加接近全域最佳解之一重要步驟。國外學者【25】針對 基因演算法則下，突變機率做探討，發現各問題下突變率圴需要經過相當反 覆測驗而得知。因此本研究採以多次測驗之結果以 0.2 設定為本篇的突變率。

所以，突變最終目的在於尋找基因組合之多樣性，以求取較有效率之最佳解。

3.2.4 終止條件

基因演算法於演化過程相當於迴圈運作，因此必須設立執行終止之判定 標準來決定演化運算是否繼續進行。可作為終止條件的標準一般而言可以 是：最大運算時間成本、演化世代數收斂、出現最佳解…等方法。

本研究設定終止條件為最佳解之滿意度，一但所產生之數值逼近最佳解 時，則停止演算。即在執行就需有些標準依據，不論演化情況如何，當達到 預設目標值時，即可停止演算法運算。

23

3.3 演算法之流程

本文乃以基因演算法為基礎，找尋問題之最佳解，並將其運用於多因子 影響下服務時間推估的問題以建立時間預測之模式，並以預測時間差異最小 為最終目標，期能找出優於其他預測法則之結果，綜合上述小節所述之步驟，

如下圖 3.5 表示。

圖 3.5 基因運算法則運算模式架構

24

第四章 實驗結果與分析

本章以三大重點加以描述，第一部份為測試數據的產生；第二部份以基 因演算法參數設定加以探討；第三部份則是以本研究之基因演算法所得之結 果與實際平均服務時間及經驗法測預測時間所得之結果分析比較。

本研究目的是以某連鎖美髮服務業為案例，利用基因演算法求取所有項 目因子權重值，並經由權重參數值和平均服務時間來訓綀預估服務時間以建 立一服務時間推估系統，來進行預測的結果驗證。希望藉此模型的建立，供 業者參考，以改善顧客等侯時間問題，來達到服務品質及顧客滿意度提升，

使利潤增加。

4.1 資料蒐集內容

本研究樣本資料係取自於國內某連鎖美髮服務機構，以預約顧客為樣 本，取樣其間為 95 年 9 月 1 日至 95 年 11 月 30 日。本研究是經由專家訪談 之方式得知影響因素多重因子的項目名稱，再經設計問卷之方式，針對實際 預約之顧客進行為期 3 個月之資料收集，得知完整之資料。經回收之資料分 析，實際發放卷數為 1200 份，回收數為 1169 份。針對影響服務時間因子之 項目經由專家訪談方式以採用決對相關之七大因子，依序為性別、年齡、髮 質、髮量、設計師、設計師助理、服務項目。本研究採樣 1000 筆為研究案例 數據，並以前 500 筆實際資訊做為權重值數據之訓綀預估服務時間用，後 500 筆用以驗證預估模型。

本研究中基因演算法部份，係採用 Excel VBA 程式所撰寫而成。根據實 際服務資料及研究所需，預測出較佳服務時間。

4.2 資料分析

針對實際蒐集之資料加以分類，如下表 4.1 所示為前 500 筆訓綀資料項 目分類代碼及人數統計表。本研究將蒐集資料再利用基因演算法技術，對所 選取樣本數之項目因子做權重參數值，並經由權重參數值和平均服務時間來 訓綀預估服務時間以建立一服務時間推估系統，來進行預測的結果驗證。

25

表 4.1 前 500 筆訓綀資料項目分類代碼及人數統計表 項目 項目類別 編號 人數

男 1 361

性別 女 2 139

0-10 歲 1 5 11-20 歲 2 111 21-30 歲 3 246 31-40 歲 4 83 41-50 歲 5 42 年齡

50 歲以上 6 13 毛燥 1 125

軟 2 203 髮質

硬 3 172 少 1 154 多 2 214 髮量

適中 3 132 1 號 1 52 2 號 2 58 3 號 3 69 4 號 4 37 5 號 5 46 6 號 6 54 7 號 7 44 8 號 8 45 9 號 9 58 設計師

10 號 10 37 1 號 1 147 2 號 2 175 設計師助理

3 號 3 178

26

研究中影響因子權重以大寫英文字母符號「Wi」、「Wij」，前者為影響服 務時間因子之項目權重，後者為影響服務時間因子之項目類別權重，而平均 服務項目時間權重以「Ti」表示（乃某 i 項服務總平均服務時間）。本研究限 定權重值介於 0.45 至 0.55 之間。本研究有關美髮業服務時間預估下影響因子 為六項(性別、年齡、髮質、髮量、設計師、設計師助理)，平均服務項目時 間類別為 28 項(洗、剪、染、護等等)。

以下為各項影響服務時間因子之項目權重表示法，如表 4.2 所示；平均 服務項目時間類別，如表 4.3 所示。

表 4.2 影響服務因子之權重表示法

項目 權重 項目類別 權重

男 W 1,1

性別 W 1 女 W 1,2

0-10 歲 W 2,1

11-20 歲 W 2,2

21-30 歲 W 2,3

31-40 歲 W 2,4

41-50 歲 W 2,5

年齡 W 2

50 歲以上 W 2,6

毛燥 W 3,1

軟 W 3,2

髮質 W 3

硬 W 3,3

少 W 4,1

多 W 4,2

髮量 W 4

適中 W 4,3

1 號 W 5,1

2 號 W 5,2

3 號 W 5,3

4 號 W 5,4

5 號 W 5,5

6 號 W 5,6

7 號 W 5,7

8 號 W 5,8

9 號 W 5,9

設計師 W 5

10 號 W 5,10

1 號 W 6,1

2 號 W 6,2

設計師助理 W 6

3 號 W 6,3

27

表 4.3 平均服務項目時間類別表示法

服務項目 時間 服務項目 時間

染髮(片染) T 1 燙捲(梯型燙) T 16

染髮(挑染) T 2 燙捲(陶瓷燙) T 17

洗髮(一般洗) T 3 燙捲(無重力燙) T 18

洗髮(精油洗) T 4 燙捲(磁波燙) T 19

造型(吹髮) T 5 燙捲(銀波燙) T 20

造型(抓髮) T 6 燙捲髮(喇叭燙) T 21

造型(盤髮) T 7 護髮(一般護) T 22

燙直(一般燙) T 8 護髮(精油護) T 23

燙直(空氣燙) T 9 剪髮(無層次) T 24

燙直(無重力燙) T 10 剪髮(多重層次) T 25

燙直(離子燙) T 11 剪髮(均一長度) T 26

燙捲(spa 燙) T 12 剪髮(低層次) T 27

燙捲(一般燙) T 13 剪髮(高層次) T 28

燙捲(空氣燙) T 14 剪髮(中層次) T 29

燙捲(芭比燙) T 15 燙捲(梯型燙) T 16

4.3 基因演算法各項參數設定

在執行基因演算法之前，必須先設定一些參數，而各參數之設定也會應 個各案例不同有所修正，經由前述之基因演算法說明，本研究之模式設計如 下：

一、編碼方式

本研究採用浮點式編碼，並以美髮服務業中可能影響服務時間之六 個因子（性別、年齡、髮質、髮量、設計師、設計師助理）及平均服務 項目時間（28 項）為變數，進行基因演算法之運算。圖 4.1 為影響因子 之編碼方式。

圖 4.1 影響因子之編碼方式

28

二、產生初始族群

初始解乃為第一代染色體，也就是指其為初始解所有之集合。本研 究所提供之染色體樣本數為 500、基因長度為 27（係指六個項目因子和 項目因子類別之個數）。

三 、適應度函數

因本研究期望使預估時間與實際服務時間誤差值為最小，故以下式 定義適應度函數：

(

)

1 ( 0.5)

( ) (4.1)

n m

j ij i i

i W T T

Fit x

n

= ∏= + × −

=

∑

其中：

x代表進行評估之此代基因群體

代表群體樣本數，以本研究而言為 500

代表影響服務時間因子個數（服務種類本身除外），以本研究而言為 6

代表第 i 個樣本之第 j 個因子的權重 n

m

*

W

Ti

代表第 i 個樣本所屬的服務種類的平均服務時間

代表第 i 個樣本的實際服務時間（蒐集所得之資料）

四、複製

本文採以菁英選取法之方式複製，且以隨機方式產生出各項目因子 之權重參數，如下表 4.4 為個項因子權重參數。

T

29

表 4.4 各項因子權重參數

項目 編號 權重值

1 0.4909 0.4909 0.4909 0.4909 性別 2 0.4672 0.5163 0.5358 0.5480

1 0.5128 0.5128 0.5128 0.4746 2 0.5191 0.5038 0.5428 0.5191 3 0.4982 0.4982 0.5401 0.4982 4 0.5087 0.5087 0.5087 0.5087 5 0.5180 0.4781 0.5128 0.4511 年齡

6 0.4935 0.4571 0.5171 0.4935 1 0.5018 0.5018 0.5018 0.4952 2 0.4509 0.4509 0.4509 0.4509 髮質

3 0.5164 0.5462 0.5164 0.5164 1 0.5260 0.5260 0.5260 0.5260 2 0.4677 0.4677 0.4677 0.5215 3 0.5059 0.5059 0.5059 0.5059 4 0.5210 0.5210 0.5210 0.5210 5 0.4675 0.5488 0.4675 0.4675 6 0.4825 0.4825 0.4825 0.4825 7 0.5230 0.5230 0.5230 0.5230 8 0.5307 0.5307 0.5307 0.4707 9 0.5127 0.5127 0.5127 0.5127 設計師

10 0.4725 0.5238 0.4725 0.5238 1 0.4563 0.4563 0.4563 0.4563 2 0.5328 0.4839 0.5328 0.5328 髮量

3 0.5062 0.4592 0.5062 0.4592 1 0.4947 0.4731 0.4731 0.4947 2 0.5460 0.5460 0.4664 0.5460 設計師助理

3 0.4984 0.4984 0.4984 0.4984

五、交配

本研究於多次測試下採 0.3 為最佳交配率，且以多點式交換法則以隨 機選取交換點之方式進行交換。

六、突變

本研究於多次實驗設定 0.2 為最佳交配率，且採多點式突變交換法，

並將訓綀資料 500 筆為樣本配對。

30

七、終止條件

本研究設訂之終止條件為此群體之演化已趨於穩定（即收斂），上述 之適合度函數在此狀態下必須穩定地落於給訂之門檻值範圍內。以本文 所展示之數據，在演化至 15,3534 代時已可判定收斂。

4.4 實證結果分析

本研究實際依據基因演算法之強大搜尋運算能力架構，經由複製、交配 及突變等機制，尋求一個全區域的最佳解或近似最佳解。經由一段時間演算 法之驗證下，跑出各變數之演化情況，將其目前以預測誤差的演化良好情況 以曲線圖呈現出預估服務時間和實際服務時間的準確度較其它預測法佳。基 因預測時間誤差的部份演化結果如下圖 4.2 所示：

圖 4.2 基因預測時間之誤差演化結果

經由研究設計內容進行實證演算後，得知基因演算法於多重因子影響下 求取所有項目因子權重值，並經由權重參數值和平均服務時間去訓練預估服 務時間之模式預測值，另與實際發生服務時間相比，可以發現運用本研究之 模式進行服務時間推估，相較於其它預測時間與實際差異時間之差異均為最 小。本小節內容中也將針對實際預約之顧客服務時間利用經驗法則或單純以 服務時間平均數進行預估之預測方式和利用基因演算法預估之方式加以分析 比較，經由實際驗證情況下得知以下結果，如下圖 4.3 所示。本文也針對各

31

項目時間預測結果加以探討，列舉四種項目結果表示之。

圖 4.3 經驗、平均時間、基因演算推估服務時間差異比較

一、本研究於後五百筆驗證研究中，列舉項目 11 為範本，說明以經驗法則或 單純以服務時間平均數進行預估之預測方式和利用基因演算法預估之方 式比較圖。項目 11 乃是指服務項目中之燙髮-離子燙單項服務項目時間，

於驗證資料中有 22 筆相同服務項目且均於多因素影響下之預測時間，其 各預估時間法則比較如下圖 4.4 所示。

0 20 40 60 80 100 120 140 160 180 200 220 240

21 48 49 53 60 106 127 184 188 247 267 268 385 403 413 460 469 470 471 473 480 492 資料序號

時 間

實際服務時間 基因演算法預估之時間 經驗法則 (分)

(筆)

圖 4.4 項目 11 下各預測方法預估差異時間分析

32

二、第二列舉範本為項目 17，說明以經驗法則或單純以服務時間平均數進行 預估之預測方式和利用基因演算法預估之方式比較圖。項目 17 乃是指服 務項目中之燙捲髮-陶瓷燙單項服務項目時間，於驗證資料中有 7 筆相同 服務項目且均於多因素影響下之預測時間，其各預估時間法則比較如下 圖 4.5 所示。

0 20 40 60 80 100 120 140 160 180 200

32 123 215 217 266 331 458

資料序號 時

間

實際服務時間 基因演算法預估之時間 經驗法則 (分)

(筆)

圖 4.5 項目 17 下各預測方法預估差異時間分析

三、列舉項目 22 為範本，說明以經驗法則或單純以服務時間平均數進行預估 之預測方式和利用基因演算法預估方式比較圖。項目 22 乃是指服務項目 中之護髮-一般護髮單項服務項目時間，於驗證資料中有 14 筆相同服務 項目且均於多因素影響下之預測時間，其各預估時間法則比較如下圖 4.6 所示。

33

0 10 20 30 40 50 60 70 80 90 100

5 43 70 115 143 187 216 256 265 306 311 405 463 491

資料序號 時

間

實際服務時間 基因演算法預估之時間 經驗法則 (分)

(筆)

圖 4.6 項目 22 下各預測方法預估差異時間分析

四、最後列舉項目 26 為範本，說明以經驗法則或單純以服務時間平均數進行 預估之預測方式和利用基因演算法預估之方式比較圖。項目 26 乃是指服 務項目中之剪髮-均一長度剪髮單項服務項目時間，於驗證資料中有 43 筆相同服務項目且均於多因素影響下之預測時間，其各預估時間法則比 較如下圖 4.7 所示。

0 10 20 30 40 50 60 70 80 90 100

82 85 152 153 154 171 177 179 192 206 211 225 227 229 236 248 250 251 253 278 294 295 313 315 316 317 318 333 349 361 370 393 397 414 419 427 439 441 474 484 485 489 資料序號

時 間

實際服務時間 基因演算法預估之時間 經驗法則 (分)

(筆)

圖 4.7 項目 26 下各預測方法預估差異時間分析

34

除了上述驗證結果，本研究為了評估演算法在求解此問題之成效，並評 估其改善的效益，將以下列方式作為基因演算法與平均時間預測法( )及經 驗預測法則( )下之績效相對改善的評估。

N1

N2

1 2

1 2

(N N ) *100% (4.2) N N

= 或 推估差異解 基因推估解−

相對改善率 或 推估差異解

表 4.5 基因演算法預估差異時間與各預估時間法則之相對改善率 基因演算預估 平均時間預估 相對改善率(%)

6.050 7.332 0.1748 基因演算預估 經驗法則預估 相對改善率(%)

6.050 8.984 0.3265

由表 4.5 中可得知利用基因演算法求得的最終解相對於利用平均時間預 測法及經驗預測法則的最終解均有所改善，其改善率分別為 0.1748%、

0.3265%。由此可知，透過本研究提出之應用基因演算法於多因子影響下服 務時間推估之模式可有效地推估出相較於其它預測法則之較佳最終解。且於 基因法則下求解時間準確度明顯改善許多。

35

第五章 結論與未來展望

5.1 結論

由於服務系統中服務時間預估之問題受多因子因素影響下所產生之影響 非線性可加，於預測之困難度極高，亦屬於 NP-hard 問題。因此，近年來預 測時間之研究已傾向利用啟發式方法於短時間內求近似最佳解，來解決各式 複雜的預測問題。本研究於服務系統之多因子影響下服務時間推估之研究- 美髮服務業為研究個案為對象，利用基因演算法建置一服務時間推估模式與 單獨考慮服務種類之平均時間進行預測或憑服務人員經驗主觀判斷均有顯著 改善，顯示本研究之方法可實際運用於多重因素影響服務時間之系統。此外，

經過個案實際數據測試，本研究己提出演算法上的參數設定，可提供做為未 來使用者使用基因演算法之建議。

本研究所提出以基因演算法，應用於服務時間推估問題上有不錯改善的 效果，而其結論歸納如下：

一、本研究為多因子影響下服務時間推估之問題，經由建置之模型已利用基 因演算法基本運算模式及適應度函數篩選、訓練出權重值以求取最佳 解，經測試驗證後，與其他傳統預測法相比下有明顯改善之預測結果。

二、於基因演算法中基本運算模式下，適應度函數下權重值之設定界於 0.45~0.55 間來探討，發現訓綀值所求得的解較佳。

三、於個案測試驗證了本研究之基因演算法所求得之時間預估的結果，相對 於單獨考慮服務種類之平均時間進行預測或憑服務人員經驗主觀判斷均 有顯著改善。

36

5.2 未來研究方向

由以上的結論顯示基因演算法應用於多因子影響下服務時間推估預測是 具有前瞻性的，於未來還有一些方向可做深入研究，歸納如下：

一、於基因演算法之基本模組下運算中之初始群體起始解可再加入其它法則 或其他啟發式演算法使基因演算法能更的效的解決規模更大的問題。

二、在多因子影響下時間推估問題，可針對各因子間相互影響之關系加以探 討，期能於於服務系統當中有效提高準確度。

三、本研究之基因演算法可再考慮不同的基因運算元，如交配、突變方式等，

以提昇求解績效與效率。

四、後續研究上，可針對各產業進行測試，以期更符合實務之需求。

37

參考文獻

1. 王皓正(2001)，「應用遺傳演算法於長期潮汐預報之研究」，交通大學土木 工程研究所碩士論文。

2. 何佳祥(2002)，「應用基因演算法優化類神經網路於污水廠興建成本預估 之研究」，雲林科技大學環境與安全工程研究所碩士論文。

3. 吳綉翎(2002)，「以經濟附加價值(EVA)預測高科技公司之股價-類神經網 路模式」，高雄第一科技大學資訊管理研究所碩士論文。

4. 林重賢(2001)，「手術時間預測模式建立」，台灣大學醫療機構管理研究所 碩士論文。

5. 洪士吉（1998），「VBA 巨集程式範例」，旗標公司。

6. 許志鈞（2003），「企業財務危機預警模式－基因演算法、倒傳遞網路與遞 迴網路之應用」，台北大學企業管理研究所碩士論文。

7. 胡國岱(1996)，「醫院門診掛號時間之研究」，中正大學企業管理學系碩士 論文。

8. 邱千恕（2003），「以基因演算法估算現金卡風險變數兩層權重參數之研 究」，台北大學統計學系碩士論文。

9. 彭垂星 (2003)，「應用 Excel VBA 建構 DRAM 成品測試廠短期生產排程 之研究」，中華大學科技管理研究所碩士論文。

10. 黃錦鍾(2004)，「製造週期時間預估之研究—以齒輪刀具製造廠為例」，清 雲科技機械工程研究所碩士論文。

11. 楊金聲(2004)，「利用類神經網路與線性迴歸進行成本預測之研究-以印刷 電路板產業為例」，中原大學資訊管理研究所碩士論文。

12. 廖佳彥(2005)，「最佳就診時間即時預估與查詢系統之設計 」，國立嘉義 大學生物機電工程學系碩士論文。

13. 賴郁玲(2005), 「以基因演算法求解最少延遲工作數下總延遲時間最小化 之單機排程問題」，南台科技大學工業管理研究所碩士論文。

14. 蕭瑞民(2000),「以等候網路求解醫院藥局人力調配最佳化之研究」，成功 大學工業管理研究所碩士論文。

15. Brahimi, M. and Worthington, D. J. (1991), “The Finite Capacity Multi-Server Queue With Inhomogeneous Arrival Rate and Discrete Service Time Distribution – And Its Application to Continuous Service Time Problems, ”

38

39

European Journal of Operational Research, Vol. 50, No. 3,pp.310-324.

16. Cheng, T.C.E. and Wang, G. (2000), “Single Machine Scheduling with Learning Effect Considerations,” Annals of Operation Research, Vol. 98,No.

1 ,pp. 273-290.

17. Jong, De. and Kenneth, A. (1987), “Using Genetic Algorithms to Search Program Spaces,” Proceedings 2nd International Conference on Genetic Algorithms and their Applications, pp.210-216.

18. French, S. (1982),“Sequencing and Scheduling: An Introduction to the Mathematics of the Job-shop,” John Wiley & Sons, New York.

19. Funda, S. and Ulusoy, G. (1999), “Parallel Machine Scheduling with Earliness and Tardiness Penalties,” Computers & Operations. Research, Vol. 26,No. 8, pp. 773-787.

20. Goldberg, D. E. (1989), “Genetic Algorithms in Search”, Optimization, and Machine Learning,Addison-Wesley,

21. Haupt, R.L. (1995), “An Introduction to Genetic Algorithms for Electromagnetics,” IEEE Antennas and Propagation Magazine, Vol. 37,No. 2, pp. 7 -15.

22. Holland, J. (1975), “Adaptation in Natural and Artificial Systems,”

University of Michigan Press.

23. Knosala, R. and Wal, T. (2001), “A production scheduling problem using genetic algorithm,” Journal of Materials Processing Technology, Vol. 109,No.

3, pp. 90-95.

24. Packard, N. H. (1990) , “A genetic learning algorithm for the analysis of complex data.” complex systems, Vol. 4, No 5, pp. 543--572.

25. Srinivas, M. and Lalit, M.P. (1994), “Genetic Algorithms: A Survey,” IEEE computer, Vol. 27,No. 2,pp.18-20.

26. http://www.microsoft.com/taiwan/