六页摘要范例-义守大学会计学系.DOCVIP

PAGE 2 PAGE 5 義守大學管理暨觀光餐旅學院101級畢業生專題競賽發表會 PAGE 1 應用基因演算法與模擬退火法於存貨模式之研究 洪國偉 潘旭純 劉欣俞 何明璋 義守大學工業管理學系 高雄市大樹區學城路一段一號 聯絡人： HYPERLINK mailto:kuluse@.tw kuluse@.tw 義守大學工業工程與管理學系畢業專題成果發表研討會 摘要 基因演算法和模擬退火法是最佳化的演算法則，本研究將藉由其搜尋最佳解的特性來進行延遲交貨或欠撥待補(backorder)存貨模式的探討，並藉由基因演算法與模擬退火法程式的撰寫，期能以較快的速度做出回應。 本研究將基因演算法中的母體大小、最大運算世代、基因交配率、突變率，以及模擬退火法中的起始溫度、冷卻率、終止溫度等可控因子各分為三水準，在此兩種演算法中，其各有81種和27種不同的排列組合情形，而每種組合用10組假設資料去模擬求解，並藉由變異數分析和SN比來進行探討比較，以此可求得使存貨相關總成本為最小時之基因演算法和模擬退火法的最佳建議參數。 而基因演算法的求解過程雖比模擬退火法來的複雜，但所求出的近似最佳解卻比模擬退火法的解理想；亦即基因演算法的求解績效比模擬退火法好。 關鍵字：延遲交貨或欠撥待補、基因演算法、模擬退火法、SN比。 緒論 基因演算法和模擬退火法是最佳化的演算法則，本研究將之應用於探討延遲交貨或欠撥待補(backorder)的存貨模式。此存貨模式所闡述的情形是商品在訂購週期中，若發生缺貨時，有些顧客願意等候補貨，但有部分顧客，因嫌等候時間較長而不願等候，且轉向其他商家購買，對原本的商家而言，即產生機會成本損失。而在此情況發生下，本研究期能求得使存貨相關總成本為最小時之基因演算法和模擬退火法的最佳參數設定，使得在需求變動的情況下能以較快的速度做出回應。 文獻探討 基因演算法 基因演算法（Genetic Algorithm，GA）最早是由Holland（Holland，1975）等人提出，最初被應用在人工智慧相關領域，後來因其求解功能強大且應用便利，所以逐漸被應用在機器學習、排程問題等領域。其與傳統的數值方法最大的不同之處，乃是透過編碼技術將可能解轉換成染色體，同時採用了大量的可能解直接在解空間中進行搜尋，配合其特有的搜尋運算子，在搜尋的過程中交換資訊，能夠避免在最佳化過程中陷入區域最佳解中，具有尋找全域最佳解的能力。（何信瑩[1]，2000） 基因演算法中的突變運算，可避免求解過程落入局部最佳解的陷阱和循環現象，且能比其他方法更有效地求得較佳品質的結果，故採行之以因應較大型的問題。（張明洲[3]，2000） 模擬退火法 模擬退火演算法(Simulated Annealing，SA)是一種解決最佳化問題的演化式演算法。最早是由Metropolis等人於1953年提出，由Kirkpatrick 等人（1983）用解組合最佳化問題及1985年由Cemym用它來解VLSI設計問題，才逐漸將這套演算法發揚光大，而近年來模擬退火演算法被視為是解決最佳化問題的通用技術。 模擬退火法在其反覆求解的過程中，不但接受較佳的鄰近解，同時在一定機率範圍內接受較差的鄰近解，因此具有跳脫局部極小而達到整體最小之能力。（羅吉發[4]，1995）模擬退火法的最大特徵在於它除了接受較優的解外，仍然給定一機率以接受較差的解。最初在T值較大時，它接受較多較差的解，隨著T值減少，接受較差解的機率也跟著降低，最後當T減為0，較差的解就不再被接受，這個特徵使得模擬退火法不同於鄰近搜尋法（neighbor search），具有跳出局部最佳解而達到全域最佳解的能力。（林長春[2]，1997） 研究方法 基因演算法 近年來，基因演算法成為一種非常熱門的最佳化機制，而其最主要的優點是穩定性高，而且在不需要額外領域知識的情況下就可以進行最佳化運算，如果配合領域知識，更可以加快其計算速度。 以下將說明本組在本研究中對於基因演算法的設計及其運算過程。 初始族群的產生 族群大小的增加可使母體間的異樣程度提高，使得陷入局部解的機率減少。本組在建立完基因演算法程式後，設定族群的大小為40、60、80，然後採用隨機的方式產生初始族群。以三水準進行測試，以找出最適合本研究系統程式的母體大小。 適應度函數的設計 本研究所採用的適應度函數即為所欲找尋的最小總存貨成本函數。 選擇與複製 基本上複製過程有兩種型態：輪盤式和競爭式選擇，兩者皆能達到複製過程中適者生存的要求，而在本研究中是採行輪盤式選擇的方式。在每一代的演化過程中，先依每個染色體的適應函數值的大小來分割輪盤上的位置，適應函數值越大則在輪盤上佔有的面積越大，每個染色體在輪盤上所佔有的面積比例也就代表其被挑選至交配池的機率。 交配與突變運算子 在進行交配的操作