結(jié)合AHP及GA的多準(zhǔn)則決策支援系統(tǒng)模型個(gè)人行程規(guī)劃應(yīng)用解析

1、2002 年管理創(chuàng)新與新願(yuàn)景研討會(huì)I-27結(jié)合 AHP 及 GA 的多準(zhǔn)則決策支援系統(tǒng)模型：個(gè)人行程規(guī)劃應(yīng)用An Integrated Model Based on AHP and GA for supporting MCDM:An Application to Itinerary Planning許芳誠(chéng)、簡(jiǎn)宏陸 * 、廖暐朕、洪銘祥真理大學(xué)資訊管理系*住址：淡水鎮(zhèn)新民街 21號(hào) 3 樓*TEL ：2626-5307*Email ： ulgamma.tw摘要交談式遺傳演算法 (Interactive Genetic Algorithms ， IGA) 模式，能夠讓使用者邊尋邊選 、處理目 標(biāo)函

2、數(shù)未知及樣本數(shù)大的問(wèn)題。固然有這些優(yōu)勢(shì)的存在， IGA 卻因?yàn)轫毰c使用者作多次的互動(dòng)， 而造成使用者負(fù)擔(dān)。因此，本研究提出一個(gè)結(jié)合階層式分析法 (Analytic Hierarchy Process， AHP) 與 遺傳演算法 (Genetic Algorithms ，GA) 的 AHP_GA 模型，以階層式分析模組替代原本需要使用者 每一代和 GA 互動(dòng)並提供適應(yīng)值的過(guò)程，藉以減少與使用者互動(dòng)的次數(shù)，希望能讓改善原傳統(tǒng) IGA 的缺 點(diǎn)。為了證明本研究的 AHP_GA 模型能有效地改善傳統(tǒng) IGA 造成使用者的負(fù)擔(dān)，我們將會(huì)把 AHP_GA 模型與傳統(tǒng) IGA 模型套入一應(yīng)用個(gè)案中，進(jìn)行驗(yàn)證

3、並比較結(jié)果。關(guān)鍵詞：階層式分析法、交談式遺傳演算法、多準(zhǔn)則決策ABSTRACTfitnessThe IGA (Interactive Genetic Algorithms) model could support choice during search, and solve the problems with “ target functiounnknown ”and “ huge samples. A”lthough the IGA model has these superiorities, it must do lots of interactions with users, and

4、the users may suffer a heavy burden in the interactions. Therefore, we provide an AHP_GA model that integrates AHP (Analytic Hierarchy Process) and GA (Genetic Algorithms) to conquer the problem. In order to decrease the users burdemn,owdelutsoeleaanrnAHthPe usersfunction to replace the process that

5、 users need to interact with GA in every generation and assign fitness values. We expect it could provide superiority over traditional IGA. In order to verify the AHP_GA model superior to the traditional IGA, we will apply the AHP_GA model and traditional IGA model on a real case and compare them.Ke

6、ywords ： Analytic Hierarchy Process, Interactive Genetic Algorithms, Multiple Criteria Decision Making壹、 緒論遺傳演算法 (Genetic Algorithms ， GA)6 雖然可以在許多樣本數(shù)龐大的問(wèn)題中取得較佳解，但在面臨 最適函數(shù)( Fitness function )無(wú)法清楚被定義時(shí)，如：人在判斷藝術(shù)品美醜的主觀因素， GA 的應(yīng)用就受 到了限制。交談式遺傳演算法 (Interactive Genetic Algorithms ， IGA)11 的主要觀念就是延續(xù)原 GA 的基礎(chǔ)

7、觀念下，藉人與系統(tǒng)互動(dòng)取代原 GA 中的最適函數(shù)，使 IGA 不再受到 GA 應(yīng)用上的限制。但由於 IGA 需 要人與系統(tǒng)間多次的互動(dòng)，使得使用者承擔(dān)了很大的負(fù)擔(dān)。在過(guò)去的文獻(xiàn)中，許芳誠(chéng) 3 曾提出利用 IGA 運(yùn)用在行程規(guī)劃上。該系統(tǒng)運(yùn)用 GA 隨機(jī)產(chǎn)生六張行程 圖，並個(gè)別計(jì)算出六張行程圖的相關(guān)資訊(如時(shí)間、價(jià)錢、欲參加活動(dòng)中可以參加的活動(dòng)和不能參加的 活動(dòng)、到達(dá)與離開(kāi)每一景點(diǎn)的時(shí)間等) ，供使用者給定各行程適應(yīng)值(Fitness value )。因?yàn)?IGA 每一代都要使用者介入並綜合各種主、客觀準(zhǔn)則給定行程適應(yīng)值，無(wú)形間會(huì)造成使用者的負(fù)擔(dān)，而這樣的做法也 是較沒(méi)效率的。又在 IGA 的理

8、論上，是需經(jīng)歷大量的演化代數(shù)才能達(dá)到該方法論所提的較佳解。為了解決使用者與系統(tǒng)間大量的互動(dòng)次數(shù)，我們提出結(jié)合階層式分析法 (Analytic Hierarchy Process, AHP)10 和 GA 的模型 ，希望能延續(xù)傳統(tǒng) IGA 的理論基礎(chǔ)優(yōu)勢(shì) ，並試圖改善傳統(tǒng) IGA 低效率的互動(dòng)方式 。AHP 有處理多準(zhǔn)則 (Multiple Criteria) 的能力 10 ，而 IGA 有解決樣本數(shù)大 、使用者目標(biāo)函數(shù) 未知、邊尋邊選的特性3。AHP處理問(wèn)題時(shí)，有樣本數(shù)不可過(guò)大的限制 10，在這一點(diǎn)上 GA 可以彌補(bǔ) AHP 的限制。而在 IGA 觀念中會(huì)造成使用者負(fù)擔(dān)的互動(dòng)次數(shù)問(wèn)題，期望在A

9、HP 介入後，藉由AHP 取得最適函數(shù) ，以減少使用者負(fù)擔(dān)的問(wèn)題 。所以本研究在保留 IGA 互動(dòng)的前提下 ，結(jié)合 AHP 與 GA， 使此一新模型同時(shí)具有上述四個(gè)特性，適合解決多準(zhǔn)則、樣本數(shù)大 、使用者目標(biāo)函數(shù)未知 、邊尋邊選的問(wèn)題。為了證明本研究所提出的 AHP_GA 模型能有效地改善傳統(tǒng) IGA 方法論的缺失 ，我們將會(huì)把 AHP_GA 模型與傳統(tǒng) IGA 模型套入一個(gè)應(yīng)用個(gè)案中，進(jìn)行驗(yàn)證並比較其結(jié)果。貳、 文獻(xiàn)探討2.1 階層式分析法 (AHP)2.1.1 階層式分析法簡(jiǎn)介階層式分析法為 Thomas L Saaty所提岀的一套多屬性決策方法10，主要用在不確定情況下及具有多個(gè)評(píng)估準(zhǔn)則

10、的決策問(wèn)題上。透過(guò)一套選擇程序，評(píng)估各屬性的相對(duì)重要性，然後界定出各可行方案中 的最佳方案，而該有限個(gè)方案都為已知且離散的。譬如說(shuō)，我們要從數(shù)個(gè)方案中選擇一個(gè)滿足所有評(píng)估 標(biāo)準(zhǔn)的方案，實(shí)在是不容易，因?yàn)槊總€(gè)人會(huì)依照主觀喜好決定評(píng)估標(biāo)準(zhǔn)，而且各標(biāo)準(zhǔn)不只一個(gè)，在這之 間可能會(huì)有利害衝突存在，而造成欲解決問(wèn)題的一致性欠佳，使用AHP 則可解決這樣的難題。此外， AHP 還可以解決錯(cuò)綜複雜的問(wèn)題，並且不需設(shè)定任何限制條件。譬如說(shuō)，數(shù)量化模型最大的 缺點(diǎn)就是條件的限制，因?yàn)楹芏酂o(wú)法數(shù)量化的因素將會(huì)被犧牲掉，但AHP 就沒(méi)有這種顧慮，因?yàn)樗軐?wèn)題的內(nèi)在層次與聯(lián)繫判斷量化，並做岀解決問(wèn)題的優(yōu)劣排序。因此，

11、AHP 具有決策過(guò)程時(shí)間短，所需參考資訊量卻很少之優(yōu)點(diǎn)，所以特別適用於不確定性情況，以及有多個(gè)評(píng)估標(biāo)準(zhǔn)的決策問(wèn)題。2.1.2 階層式分析法之優(yōu)點(diǎn)AHP之優(yōu)點(diǎn)在於解決問(wèn)題時(shí)，系統(tǒng)所認(rèn)定的要件(Entities)組成幾個(gè)互斥集合(Disjoint Sets)而形成上下隸屬 (Dominated) 的層級(jí)關(guān)係 1 ，並可藉由一致性檢定，篩選有效問(wèn)卷以控制結(jié)果的可信度； 其模式操作較簡(jiǎn)單，無(wú)繁複的運(yùn)算；可處理的問(wèn)題規(guī)模較大，考慮之層面及準(zhǔn)則較完備，更能掌握實(shí)際 問(wèn)題狀況。因此 AHP 較一般方法更具邏輯基礎(chǔ)，同時(shí)是以數(shù)量的方式處理，可提供決策者較明確之參考資訊，目前使用相當(dāng)普遍。以下列舉 AHP 具有

12、之優(yōu)點(diǎn)：層級(jí)結(jié)構(gòu)具有穩(wěn)定 (Stable) 及彈性 (Flexible) 的好處。就穩(wěn)定性而言， 是指結(jié)構(gòu)中的改變， 可控制掌握， 不致產(chǎn)生重大的變動(dòng)；就彈性而言，則是可依需要在原有的結(jié)構(gòu)中作一些影響因素的增添變化，這些性 質(zhì)有助於我們?cè)谡J(rèn)定層級(jí)結(jié)構(gòu)的過(guò)程中，得以做逐步地修正或擴(kuò)充。由於層級(jí)結(jié)構(gòu)中，各層級(jí)影響因素的優(yōu)先程度，乃是逐層分別衡量比較產(chǎn)生的，所以我們可以很清 楚地觀察出上層影響因素間優(yōu)勢(shì)結(jié)構(gòu)的變化，對(duì)下一層影響因素發(fā)生的衝擊影響力，在研究問(wèn)題系統(tǒng)結(jié) 構(gòu)變化的衝擊影響上，此點(diǎn)是極為重要的。2.1.3 階層式分析法之限制雖然 AHP 可解決一致性的問(wèn)題以及增加解決問(wèn)題的效率 ，以減少使用

13、者等待的時(shí)間 ，但是因?yàn)?AHP 量化的基礎(chǔ)是建立在受訪者主觀判斷上，容易受極端值的影響，且當(dāng)階層與元素較多時(shí)，受訪者容易失 去理性，影響方案的評(píng)選。故 AHP 較適宜在處理元素量不大的決策問(wèn)題上。劉信宏於 2000 年5提出，雖然 AHP 方法已被廣泛的應(yīng)用，但仍有面臨到對(duì)於專家的人數(shù)及其人選 為一個(gè)主要的限制，乃因人數(shù)過(guò)多或人選認(rèn)定標(biāo)準(zhǔn)有所偏差時(shí)，將會(huì)影響分析結(jié)果的一致性。張春龍?jiān)?2000年4提出，在用以 AHP 解決問(wèn)題時(shí)，若選擇要素超過(guò)一定的階層要素時(shí)(理論上以 九個(gè)為上限) ，則容易面臨到一致性準(zhǔn)確度降低的問(wèn)題。2.2 遺傳演算法 (Genetic Algorithms ， GA)

14、2.2.1 遺傳演算法簡(jiǎn)介遺傳演算法源自於達(dá)爾文在 1859 年出書物種原始的演化思想，他提出物競(jìng)天擇之理論，說(shuō) 明自然界的生物是以適者生存、不適者淘汰的演化定律，指出適合目前生存環(huán)境的物種擁有較大的 適應(yīng)力生存下來(lái)，相對(duì)的，較不適合此一環(huán)境的物種將面臨被淘汰的自然規(guī)律，這就是天擇 。在經(jīng)過(guò) 天擇後的生物繼續(xù)繁衍，使得子代遺傳上一代適合環(huán)境的特徵，得以在環(huán)境中生存，如此代代演化下去， 整個(gè)物種就會(huì)朝著更能適應(yīng)環(huán)境的演化方向走下去。雖然達(dá)爾文最早提出適者生存、不適者淘汰的觀念，但將這種觀念推用到人工智慧系統(tǒng)的重要開(kāi)創(chuàng)者是John Holla nd。他為了做好學(xué)習(xí)機(jī)器的研究及獲得一個(gè)良好的學(xué)習(xí)算法

15、，因此建立岀一個(gè)包含許多候選條件的群體，進(jìn)而進(jìn)行繁殖演化，此研究想法起源於遺傳演化，於是Holland 將此研究領(lǐng)域命名為遺傳演算法 9。一直到 1975 年 Holland 岀版了 Adaptation in Natural and Artificial Systems ，遺傳演算法 的名稱才逐漸被人所知。2.2.2 遺傳演算法之優(yōu)點(diǎn)經(jīng)由資料的匯總之後 ，我們可得岀在與傳統(tǒng)的優(yōu)化算法相比下 ，遺傳演算法可歸納岀其優(yōu)點(diǎn)的表現(xiàn)：【1】在與傳統(tǒng)的優(yōu)化算法相比下，遺傳演算法主要有三個(gè)不同之處10 ：(1) 遺傳演算法是以參數(shù)集合之編碼進(jìn)行運(yùn)算而不是參數(shù)本身。(2) 遺傳演算法的蒐集不是以單個(gè)點(diǎn)，而是

16、以一個(gè)點(diǎn)的群體開(kāi)始蒐集。(3) 遺傳演算法利用適應(yīng)值的資訊，而不需要其它輔助資訊(如：梯度 )。【2】遺傳演算法本身的優(yōu)越性：(1)它在搜索過(guò)程中不容易陷入局部最優(yōu)化，即使在所定義的適應(yīng)函數(shù)是不連續(xù)的，非規(guī)則的或有噪 音的情況下，它也能以很大的概率找到整體的最佳解。錢明淦於19986 提岀以基因演算法為基礎(chǔ)的啟發(fā)式解法，以求解一多資源組態(tài)與資源限制下專案排程的問(wèn)題，說(shuō)明了基因演算法具有不易陷入局部最佳 化之困境，且可趨向於問(wèn)題整體的收斂。（2）由於它固有的並行性，遺傳算法非常適用於大規(guī)模的並行計(jì)算機(jī)。2.2.3 遺傳演算法之限制 遺傳演算法的優(yōu)點(diǎn)於能夠解決大範(fàn)圍的樣本數(shù)搜尋，對(duì)於定量問(wèn)題解決亦

17、是如此。但是對(duì)於定性問(wèn) 題數(shù)量化的不易及常因?yàn)樘缡諗慷^不易得到最佳解，這兩點(diǎn)為遺傳演算法在面臨問(wèn)題時(shí)的限制。面 臨這樣的問(wèn)題，可採(cǎi)取交談式遺傳演算法（ IGA ），以解決其限制性。2.3 交談式遺傳演算法2.3.1 交談式遺傳演算法簡(jiǎn)介1991 年， Coldwell and Johnston 提出了交談式遺傳演算法（ IGA ）。事實(shí)上， IGA 是從 GA 的觀念發(fā) 展出來(lái)的，目的就是為了解決 GA 所面臨的關(guān)鍵問(wèn)題，也就是最適函數(shù)的訂定。主要概念就是由決策者 來(lái)扮演傳統(tǒng) GA 中最適函數(shù)的取得，其餘部分和傳統(tǒng) GA 並沒(méi)有什麼不同，而這概念，卻可以使 GA 不 僅解決定量的問(wèn)題，同時(shí)

18、也能解決定性的問(wèn)題。如此一來(lái)，使得 GA 的應(yīng)用領(lǐng)域變得更為寬廣。2.3.2 交談式遺傳演算法之優(yōu)點(diǎn)IGA 最大的優(yōu)勢(shì)就在由決策者扮演最適函數(shù)的角色，使定義最適函數(shù)不再有偏頗，無(wú)須擔(dān)心最適函 數(shù)是否不準(zhǔn)確，只須留意使用者決策前後是否有想法上的出入，這也就是一致性判斷的用意。所以在這 觀念下，理論上是可以達(dá)到最佳解的求得，無(wú)論屬性是定性或定量， 在使用 IGA 處理時(shí)， 都是不成問(wèn)題。 這是許多演算法所望塵莫及的。2.3.3 交談式遺傳演算法之限制由於 IGA 每一代的演化都需要決策者的參與，面對(duì)數(shù)十代，甚至數(shù)百代的演化，使用者需對(duì)每一代 族群中的所有染色體進(jìn)行評(píng)估，並給定適應(yīng)值，對(duì)使用者而言毋

19、寧是一個(gè)相當(dāng)大的負(fù)擔(dān)，如何降低使用 者的負(fù)擔(dān)一直是 IGA 應(yīng)用上的一個(gè)待解決問(wèn)題。許方誠(chéng)在 2000 年發(fā)表的論文 3中提到， IGA 若要達(dá)到實(shí)用的階段，目前有兩個(gè)必須克服的問(wèn)題： （1）如何改善染色體的評(píng)估手續(xù)，使得以降低每一代使用者花費(fèi)在評(píng)估染色體的時(shí)間。（2）如何讓演化結(jié)果維持在可接受水準(zhǔn)的前提下，降低收斂的代數(shù)。參、 AHP_GA 模型3.1 AHP 結(jié)合 GA 的演算法流程圖AHP_GA 的演算法如下所示，而它的流程圖如圖3.1。其中的元素編碼 （表 3.1） 是為了構(gòu)成染色體，好方便在 GA 中做運(yùn)算上的使用。在表3.2 AHP問(wèn)卷調(diào)查表中所提的元素排列組合後的屬性a、B、丫，

20、舉例來(lái)說(shuō)，在行程規(guī)劃上它可以是，時(shí)間、價(jià)錢、可參加的活動(dòng)數(shù)等等。而在演算法中所提的演化結(jié)果未達(dá)收斂，是指在演化結(jié)果呈現(xiàn)穩(wěn)定、不再輕易變化的狀態(tài)。在這演算法流程中，系統(tǒng)會(huì)要求使用者填寫 AHP 的屬性問(wèn)卷，之後，系統(tǒng)會(huì)評(píng)估問(wèn)卷一致性後並自 重執(zhí)行，將該 AHP 計(jì)算的結(jié)果導(dǎo)入 GA（ 導(dǎo)入方法如圖 3.2），經(jīng)過(guò) GA 不斷地演化之後會(huì)得出一個(gè)系統(tǒng)認(rèn) 定最佳的建議元素組合方案。如使用者不滿意該方案，可重填A(yù)HP 問(wèn)卷，再重複上述動(dòng)作，交由系統(tǒng)處理，達(dá)到邊尋邊選的觀念，直到出來(lái)的元素組合方案是接近使用者所想要的為止。AHP_GA （）使用者輸入組成方案的元素，及元素相關(guān)資訊將使用者輸入的元素編碼

21、（如表 3.1）Do2002年管理創(chuàng)新與新願(yuàn)景研討會(huì)1-33使用者填寫元素間排列組合的AHP屬性比對(duì)問(wèn)卷（如表3.2）if （C.R.vO.1 &C.l.vO.1）計(jì)算各階層的權(quán)重else要求使用者重新填寫AHP屬性比對(duì)問(wèn)卷GA從元素間排列組合的方案隨機(jī)挑選n筆資料While （演化結(jié)果未達(dá)收斂）系統(tǒng)個(gè)別計(jì)算出這n筆資料的總權(quán)重值（此值作為GA的適應(yīng)值）把這n筆資料總權(quán)重值高的留下進(jìn)行元素排列組合之方案間的交配及突變運(yùn)算產(chǎn)生新一代內(nèi)含有n筆資料系統(tǒng)將新的元素排列組合之方案展示給使用者參考 While （使用者滿意為止）()圖3.1AHP GA演算法流程兀素名稱ABCDEFGHIJ染色體基因 型

22、00011001000000100101101011010001100011011011001001元素編號(hào)341521201213229表3.1兀素編碼表屬性偏好重要尚可一樣尚可重要元素排列組合後的屬性aV元素排列組合後的屬性元素排列組合後的屬性V元素排列組合後的屬性Y元素排列組合後的屬性YV元素排列組合後的屬性a表3.2 AHP問(wèn)卷調(diào)查表/0,4*0,7 + 0.2*0.5 + -+0.2*0.1 邁憊值（、總權(quán)重分?jǐn)?shù)）、0.4*0.1/0.2*0.5 + *- + 0.2:fc0.6 =0.4+ 0.2*0.4 + -+02*03=適應(yīng)值（總罐重分囊片GA毎一代所要求出來(lái)的N佃適廳值遽握

23、判用AHP州呆蒔的題權(quán)茫裁段也就是G蠱輕西曲駅的適應(yīng)值圖3.2AHP導(dǎo)入GA的模型肆、個(gè)案說(shuō)明近幾年，因?yàn)閲?guó)民所得逐步的提昇，加上週休二日的影響，使得越來(lái)越多人更重視假日休閒活動(dòng)。 對(duì)於逛街這個(gè)活動(dòng)，如果我們能夠事先取得相關(guān)店家、行程等資訊，那我們就能先規(guī)劃自己時(shí)間排程， 減少不必要的時(shí)間浪費(fèi)，以增加時(shí)間安排的效率，而且更能針對(duì)個(gè)人的偏好來(lái)選擇店家，使得這趟行程 對(duì)自己得到最大的收益。本研究個(gè)案將以臺(tái)北西門町為例，因西門町歷史淵源深厚為臺(tái)灣最知名，且最多變化的流行商圈之 一，可提供給各族群消費(fèi)者不同的需求。在這個(gè)議題中，產(chǎn)生了幾個(gè)需要被解決的問(wèn)題。其中有，因?yàn)?行程多樣化產(chǎn)生的多準(zhǔn)則；再加上近

24、來(lái)自我行銷概念的盛行，消費(fèi)者的消費(fèi)意識(shí)抬頭，建立一個(gè)可以 讓使用者隨時(shí)做一對(duì)一交談的系統(tǒng)，構(gòu)成了使用者目標(biāo)函數(shù)未知的問(wèn)題；而於行程規(guī)劃上，點(diǎn)與點(diǎn) 間大量的排列組合，造成了樣本數(shù)大的問(wèn)題；況且，使用者的偏好通常不會(huì)在第一次就馬上被確認(rèn)，所以需要有邊尋邊選的概念，才能適當(dāng)?shù)亟鉀Q偏好異動(dòng)的問(wèn)題。由於以上四個(gè)特性，在本研究所提 岀的AHP_GA新模型理論，是可以套用的。所以我們將此議題導(dǎo)入AHP_GA模型與傳統(tǒng)IGA模型，並比較兩者的實(shí)驗(yàn)結(jié)果，進(jìn)行驗(yàn)證AHP_GA模型是否有改善傳統(tǒng) IGA模型的缺失。本研究個(gè)案中將會(huì)提供的地理資訊皆為實(shí)地訪察後所得的真實(shí)資料。由於西門町的主要道路目前都 規(guī)劃成行人專用

25、道，因此本研究個(gè)案以步行為主要的交通工具。4.1行程規(guī)劃模型因應(yīng)本個(gè)案需求，我們提岀行程規(guī)劃模型，其系統(tǒng)架構(gòu)如圖4.1。模型中除了使用者之外，尚有三個(gè)主要模組：（1）地理資訊模組，（2）互動(dòng)式介面模組，及（3）AHP_GA為基礎(chǔ)之行程規(guī)劃模組。圖4.1行程規(guī)劃模型4.1.1地理資訊模組在我們提出的模型中，內(nèi)含一地理資訊資料庫(kù)，提供以下多種類型的基本資訊。1. 時(shí)間資訊（Temporal information）:例如，隨便兩參訪點(diǎn)的距離花費(fèi)時(shí)間（traffic time），參加活動(dòng)所需時(shí)間。2. 一般資訊（General information）:例如，各店家的簡(jiǎn)介，參訪點(diǎn)及活動(dòng)的圖片。3.

26、空間資訊（Spatial information）：例如，任意參訪點(diǎn)的座標(biāo)，參訪點(diǎn)的活動(dòng)資訊。4.1.2互動(dòng)式介面模組此模型主要是以地圖介面為主，主要功能有四：一是讓使用者作AHP問(wèn)卷填表（如表4.1、4.2），二是提供使用者瀏覽景點(diǎn)資訊及相關(guān)活動(dòng)資訊，三是讓使用者經(jīng)由此介面選岀自己想要參訪的景點(diǎn)，四是 配合行程規(guī)劃輸出結(jié)果，提供使用者參考。透過(guò)本模組，使用者除了可根據(jù)自己的偏好，點(diǎn)選自己所感興趣的店家，並經(jīng)由地理資訊模組 取得店家簡(jiǎn)介及店家當(dāng)期活動(dòng)資訊。使用者透過(guò)地理資訊模組瀏覽相關(guān)資訊時(shí)，我們也可以要求使用者輸入相關(guān)需求，以定義他的 行程需求。使用者所輸入的資料包括：1. 起點(diǎn)及終點(diǎn)。2.

27、 行程開(kāi)始的時(shí)間。3. 想?yún)⒓拥幕顒?dòng)。4. 每個(gè)活動(dòng)準(zhǔn)備花費(fèi)的時(shí)間。當(dāng)使用者完成上述要求資料後，所有欲參訪的景點(diǎn)在地圖介面上將呈現(xiàn)明顯的標(biāo)記。4.1.3 AHP_GA為基礎(chǔ)之行程規(guī)劃模組AHP_GA的演算法如下所示，而它的流程圖如圖4.2。其中所提到的使用者輸入的點(diǎn)編碼 （如表4.3），是為了構(gòu)成染色體，好方便在 GA中做運(yùn)算上的使用。而在演算法中所提的演化結(jié)果未達(dá)收斂，是指在演化結(jié)果呈現(xiàn)穩(wěn)定、不再輕易變化的狀態(tài)。在這演算法流程中，系統(tǒng)會(huì)要求使用者填寫AHP的屬性問(wèn)卷，之後，系統(tǒng)會(huì)評(píng)估問(wèn)卷一致性後並自重執(zhí)行，將該 AHP計(jì)算的結(jié)果導(dǎo)入 GA（導(dǎo)入方法如圖3.2），經(jīng)過(guò)GA不斷地演化之後會(huì)得岀一

28、個(gè)系統(tǒng)認(rèn) 定最佳的建議行程。如使用者不滿意該方案，可重填A(yù)HP問(wèn)卷，再重複上述動(dòng)作，交由系統(tǒng)處理，達(dá)到邊尋邊選的觀念，直到出來(lái)的建議行程是接近使用者所想要的為止。AHP_GA ()將使用者輸入的點(diǎn)編碼（如表4.3）Do使用者填寫行程規(guī)劃的 AHP屬性比對(duì)問(wèn)卷if （C.R.vO.1 &C丄0.1）計(jì)算各階層的權(quán)重（如表4.4）else要求使用者重新填寫AHP屬性比對(duì)問(wèn)卷GA從行程規(guī)劃的方案隨機(jī)挑選n筆行程資料While （演化結(jié)果未達(dá)收斂）系統(tǒng)個(gè)別計(jì)算岀這n筆行程資料的總權(quán)重值（此值作為GA的適應(yīng)值）（如圖4.3）把這n筆資料總權(quán)重值高的行程留下進(jìn)行行程間的交配及突變運(yùn)算產(chǎn)生新一代內(nèi)含有n筆行

29、程系統(tǒng)將新的行程展示給使用者參考 While （使用者滿意為止）圖4.2AHP GA系統(tǒng)模型流程4.2個(gè)案演練小陸要到西門町去旅遊，而他是從南部上來(lái)的遊客，對(duì)西門町一點(diǎn)也不了解。可是他又想把西門町 玩得夠徹底，不希望敗興而歸。此時(shí)他就可以利用此一系統(tǒng)（如圖4.1 ）來(lái)解決他的問(wèn)題。首先他會(huì)先在地理模組上選擇他所要的點(diǎn)（國(guó)賓戲院、鴨肉扁、烏龍?jiān)?、賽門甜不辣、九五樂(lè)府、阿宗麵線、木吉他、萬(wàn)年、淘兒、玫瑰唱片行）。選完點(diǎn)之後，系統(tǒng)將他所選的點(diǎn)編碼，如表4.3。系統(tǒng)將點(diǎn)編碼完後，他會(huì)被要求填寫AHP的屬性問(wèn)卷調(diào)查，如表4.1、表4.2、圖4.4 （其中圖4.4是此一個(gè)案屬性的階層示意圖，表4.1、表4

30、.2的屬性分別為該圖的第一階、第二階元素），此時(shí)系統(tǒng)會(huì)先判斷他所填的內(nèi)容是否有達(dá)到一致性，如果沒(méi)有的話系統(tǒng)會(huì)要求他重作AHP填表的動(dòng)作。如果有，則將計(jì)算所填問(wèn)卷，計(jì)算結(jié)果如表4.4。之後，所有的動(dòng)作都是由系統(tǒng)自動(dòng)執(zhí)行了。此時(shí)系統(tǒng)會(huì)把AHP計(jì)算的結(jié)果導(dǎo)入GA（導(dǎo)入方法如圖4.5）經(jīng)過(guò)GA不斷地演化之後會(huì)得出一個(gè)系統(tǒng)認(rèn)定最佳的建議行程。如果小陸不喜歡這一條行程的話，那 他就重填A(yù)HP問(wèn)卷，再交由系統(tǒng)去處理，達(dá)到邊尋邊選的觀念，直到出來(lái)的行程是接近他所想要的為止。偏好屬性水準(zhǔn)、重要尚可一樣尚可重要/時(shí)間丁V價(jià)錢價(jià)錢V附加功能附加功能V時(shí)間表4.1 AHP問(wèn)卷格式屬性水準(zhǔn)偏好-. .重要尚可一樣尚可重

31、要時(shí)間4小時(shí)以下V時(shí)間4小時(shí)至7小時(shí)時(shí)間4小時(shí)至7小 時(shí)V時(shí)間7小時(shí)以上時(shí)間7小時(shí)以上V時(shí)間4小時(shí)以下價(jià)錢1000元以下V價(jià)錢1000元至3000元價(jià)錢1000元至3000 元V價(jià)錢3000元以上價(jià)錢3000元以上V價(jià)錢1000元以下浪漫街道V攤販街道攤販街道V拍貼街道拍貼街道V浪漫街道表4.2 AHP問(wèn)卷格式景點(diǎn)名稱國(guó)賓 戲院鴨肉 扁烏龍 院賽門 甜不 辣九五 樂(lè)府阿宗 麵線木吉他萬(wàn)年淘兒玫瑰 唱片 行染色體基因00011001000000100101101011010001100011011011001001甫錢崎間附加甜輔咼中低BC-AG舘蔽方素的屬注木率，價(jià)錢時(shí)間附加功能0.2600.

32、1050.633表4.3行程規(guī)劃的編碼組成方案的屬性水準(zhǔn)代表的意義，是例如在方案一中，為價(jià)錢高、時(shí)間 C、 附加功能C的屬性水準(zhǔn)；在方案二中，為價(jià)錢低、時(shí)間 C、附加功能A的 屬性水準(zhǔn)，依此類推型景點(diǎn)編號(hào)341521201213229圖4.4此個(gè)案構(gòu)成的屬性階層樹使用者調(diào)查後的屬性權(quán)重價(jià)錢1000元以下10003000元3000元以上屬性水準(zhǔn)低中高權(quán)重分?jǐn)?shù)0.6340.2600.106時(shí)間四小時(shí)以下四小時(shí)七小時(shí)以上屬性水準(zhǔn)ABC權(quán)重分?jǐn)?shù)0.1060.2600.634附加功能ABC屬性浪漫街道攤販街道拍貼街道權(quán)重分?jǐn)?shù)0.4290.4290.142表4.4各階層權(quán)重值2002 年管理創(chuàng)新與新願(yuàn)景研

33、討會(huì)I-350.260*0:14+0.10*0 十 0.63+ 0 42Q = 002Si9160 x0.260 0.10； r 0.634 +0.633*0.429 -0.40500,260 *a Z6O + . 10 *Q. 1 oei + 0,63xD. J42 - n,lS79撫個(gè)盤中3丸舟*優(yōu)所貝罷出起陀6個(gè)適密衛(wèi)莫一咂申親，用AHP4#一礙算鮒樓f追證利用AHP所耒捋的漣罐重甘箍矩軌是C1A裡.面所詢眄通應(yīng)蛙圖4.5AHP導(dǎo)入GA的模型伍、討論與結(jié)論本研究所提岀的 AHP_GA模型最大的特色就是修正了，傳統(tǒng)IGA在互動(dòng)時(shí)所造成的困擾點(diǎn)。也就是使用者每一代都要介入，綜合主、客觀因素，並給其適應(yīng)值。而本研究利用AHP_GA的新模型來(lái)解決此困擾，其綜合此兩個(gè)方法論的優(yōu)點(diǎn)，除了延續(xù)原IGA擅長(zhǎng)解決樣本數(shù)大、使用者目標(biāo)函數(shù)未知邊尋邊選的問(wèn)題外，也加入了AHP處理多準(zhǔn)則問(wèn)題的優(yōu)勢(shì)。而此類的模型理論應(yīng)可應(yīng)用在許多的排程類問(wèn)題，並產(chǎn)生效益，例如此個(gè)案中所提的旅遊行程規(guī)劃、或是工廠