臺灣博碩士論文加值系統

基因類神經（GANN）是一種最佳解的搜尋方式。在系統分析的領域中，主要是利用其具有全域（Global）搜尋的特性，在求解的過程中，可避免落入局部之最佳解（Local Optimum）。而傳統的倒傳遞類神經網路（BPNN）在系統的演算過程中，則需要透過一連串繁複的試誤法（trial and error），分別求出包括隱藏層單元數、資料筆數分割比例、轉換函數等操作因子之最佳組合，才可決定並建構出最佳化之類神經網路。且在最佳近似解的求解過程中，基因類神經之最佳解收斂趨勢較為平緩，可以避免在不同的參數設定下，得到差異性過大的極值點，因而降低模式之整體預測效能之穩定性。
一般求取模式之最佳化，通常會因為原始資料具變動性及隨機性等不確定性因素，而降低模式的預測準確性。因此，若是可以在模式進行運算前，利用前處理的方式，預先找出資料的規律性，以增加數列在學習訓練階段之學習效能，並且配合模式本身之演算特性，藉此改善模式之預測效果及準確性。
本研究分別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。根據本研究的結果顯示，利用累加生成改善資料的組成，確實可以提高模式預測的準確性。

Genetic Algorithm combined Neural Network (GANN) was one of the optimum solution search method. In the filed of systematic analysis, it have global search property to prevent to find out the local optimum. And that the traditional back-propagation method (BPNN) need to go through an complexity trial and error method to find out the network structure parameter, such as hidden layer neuron, data records split ratio and the transfer function during the solving process to find out and to build the optimum network. During the solving process, GANN could converge an smoothly solution tendency in order to prevent different parameter setting, might get an extreme value and to drop down the stability of the prediction efficiency.
Optimal model may drop down the prediction accuracy, because the original data might have variation and randomly uncertainly factor. if the optimal model could used to find out the data regularity by data pre-treatment method, to increase the learning efficiency, and accompany with the evolutionary algorithm property and will to improve the model prediction efficiency and accuracy.
In this research, we use the wastewater treatment construction cost data, base on the GANN and BPNN as our analysis tools, and try to use several pre-treatment method, such as accumulated gathering operating, AGO, and data sorting arrangement, to improve the original data variation tendency, and final result shows that the GANN use data pre-treatment AGO, could promote the model prediction accuracy.

中文摘要 i
英文摘要 ii
目錄 iii
表目錄 v
圖目錄 iv

一、緒論 1
1.1 研究緣起及動機 1
1.2 研究目的 2
1.3 研究架構流程 3
二、文獻回顧 .5
2.1 污水處理廠成本推估模式之相關研究 5
2.1.1 國內相關研究文獻 .5
2.1.2 國外相關研究文獻 8
2.2 類神經網路理論基礎之介紹 13
2.2.1 類神經網路之發展 14
2.2.2 倒傳遞類神經網路之架構 14
2.3 基因演算法理論基礎之介紹 21
2.3.1 基因演算和其他演算法結合之應用 32
2.3.2 基因演算法和其他演算法之優缺點比較 39
2.4 綜合比較 41
三、研究方法 43
3.1 資料收集及前處理 43
3.1.1 成本函數基期之調整 43
3.1.2 資料前處理 44
3.2 基因類神經網路模式分析流程 46
3.2.1 輸入層變數篩選分析 46
3.2.2 輸入變數間相關性考量 47
3.2.3 隱藏層單元數 49
3.2.4 輸出層分析 49
3.2.5 網路及學習預測效能評估 49
3.3 基因演算結合類神經網路之分析流程 51
四、結果與討論 53
4.1 基因類神經之演化計算結果 53
4.1.1 輸入變數之筆數分割 54
4.1.2 基因類神經網路之隱藏層單元數 54
4.1.3 基因類神經網路最佳化參數設定 55
4.2 數據資料累加前處理 59
4.3 數據資料排序前處理 64
4.4 綜合討論 69
五、結論與建議 71
5.1 結論 71
5.2 建議 72
參考文獻 73

1.Grefenstette JJ, 1986 “Optimization of control parameters for genetic algorithms.” IEEE Trans., on Systems Man and Cybernetics, SMC-16: p122~p128.
2.A. Blanco, M. Delgado, M. C. Pegalajar,1999, ”A genetic algorithm to obtain the optimal recurrent neural network”, International Journal of Approximate Reasoning, p67~p69.
3.Jun Han, Claudio Moraga, Stefan Sinne , 1994 , ” Optimization of feedforward Neural Network”, Engng Applic. Artif. Intell., Vol. 9, No.2, pp 109-119.
4.D.T. Pham , D. Karaboga , 1999, “Training Elman and Jordan networks for system identification using genetic algorithm” , Artificial Intelligence Engineering, 13, , p107-p117.
5.Randall S. Sexton, Robert E. Dorsey, John D. Johnson., 1999, “Optimization of neural networks：A comparative analysis of the genetic algorithm and simulated annealing”, European Journal of Operational Research, 114 , p589~p601.
6.Jiro Kamiura, Tomoyuki, Hiroyasu, 2001, “Multi-Objective Genetic Algorithm with Distributed Environment Scheme”, Ministry of Education , Culture , Sports, Science, and Technology , Department of Knowledge Engineering of Doshisha University in Japan.
7.A. Hunter, K.-S. Chiu, 2000, "Genetic Algorithm Design of Neural Network and Fuzzy Logic Controllers," Springer's Soft Computing journal, Vol 4, Issue 3, pp. 186-192.
8.Chen, C. L., Kaber, D. B. and Dempsey, P. G. ,2000, “A new approach to applying feedforward neural networks to the prediction of musculoskeletal disorder risk,”Applied Ergonomics, vol.31, pp.269-282.
9.D. E. Golderg., 1989, “Genetic Algorithms in search, optimization and machine learning”, Addison-Wesly.
10.Klemetson, S.L., and Grenney, W.J., 1985, "Dynamic optimization of regional wastewater treatment systems", Journal of the Water Pollution Control Federation, Vol. 57, No. 2, 128.
11.Melo J. J. d., and Camara A. S., 1994, "Models for the optimization of regional wastewater treatment systems", European J. of Operational Res., Vol. 73, pp. 1-16.
12.Gugenheim, E., 1979, "Design of regional wastewater treatment systems:", Master's Thesis, MIT, Cambridge, MA.
13.Graves, G.W., Hatfield, G.B., and Whinston, A.B., 1972, "Mathematical programming for regional water quality management", Water Resources Research, Vol. 8, No. 2, pp.273-280.
14.Deininger, R.A. and Su, S.Y., 1973, "Modeling regional waste water treatment systems", Water Research, Vol. 7, No. 4, pp. 633-640.
15.Whitlatch, Jr., E.E., and ReVelle, C.S., 1976, "Designing regionalized waste water treatment systems", Water Resources Research, Vol. 12, No. 4, pp. 581-585.
16.Brill, Jr., E.D. and Nakamura, M., 1978, "A branch and bound method for use in planning regional wastewater treatment systems", Water Resources Research, Vol. 14, No. 1, pp. 109-115.
17.Jarvis, J. J., Rardin, R. L., Unger, V. E., Moore, R. W., and Schimpeler, C. C., 1978, “Optimal design of regional wastewater treatment systems：A fixed charge network flow model”, Operations Research, vol.26, No.4, pp.538-550.
18.Pingry, D.e., and Shaftel, T.L., 1979, "Integrated water management with reuse: A programming approach", Water Resources Research, Vol. 15, No. 1, pp. 8-25.
19.Huang W. H., 1981, "Technical report-operation and maintenance costs for municipal wastewater facilities", EPA/430/9-81-004, September.
20.Huang W. H., 1980, " Construction costs for municipal wastewater treatment plants: 1973~1978", EPA1430/9-80/003, April.
21.Yoslov S., 1992, "Cost estimating techniques for pilot plants", Transactions of the American Association of cost engineers, pp. A7.1-A7.2.
22.Okitsugu F., 1990, "Preliminary optimal design model for wastewater treatment plant", J. Environ. Eng., Vol. 116, No. 1, pp. 201~210, February.
23.Chang N. B., Chen Y. L. and Chen H. W., 1997, " A fuzzy regression analysis for the construction cost estimation of wastewater treatment plants (I) Theoretical development", J. Environ. Sci. Health, A32(4), pp. 885-899.
24.Dennis, D. T., 1995, "Optimization, modeling, and automation of wastewater trearment facilities", Water Environment Research, Vol. 67, No. 4, pp.499-502, June.
25.行政院，2003，水與綠建設計畫污水下水道建設，挑戰2008國家發展重點計畫，p236~p238。
26.何承嶧，2001，台灣地區公共下水道污水處理廠成本函數之分析研究，中興大學，碩士論文。
27.崔天佑，1998，用迴歸模式及類神經網路模式於廢水處理廠成本函數之研究，雲林科技大學，碩士論文。
28.張乙森，1999，應用迴歸模式及類神經網路模式於廢水處理廠成本函數評估之比較研究，雲林科技大學，碩士論文。
29.張蘭生，1995，環境經濟學，科技圖書出版社，台北。
30.陳建中，2002，都會水環境污染控制系統之最佳化操作策略分析，成功大學，博士論文。
31.蘇木春，2002，機器學習類神經網路、模糊系統以及基因演算法則，全華科技出版社，台北。
32.葉怡成，1998，應用類神經網路，儒林圖書出版社，台北。
33.何信瑩，2002，”Solving Optimization problems Using Genetic Algorithm”，逢甲資訊。
34.楊雅媛，2002，迴歸分析與類神經網路預測能力之比較，政治大學，碩士論文。
35.黃東森，2000，基因演算法在下水道維修管理上的應用，朝陽大學，碩士論文。
36.吳乙鴻，2000，應用類神經遺傳演算法建立電腦輔助設計模式應用之研究成大工設，碩士論文。
37.童慶彬，2002，啟發式遺傳演算法與水資源管理的應用，台大生物環境系統工程系永續發展研究室，上課講義，http://140.112.76.49。
38.萬騰州，歐陽嶠暉，廖述良，1989，"污水處理廠設計最佳化之初步研究"，中國土木水利工程學會第二屆環境規劃與管理研討會論文集，頁203~215。
39.萬騰州，1991，"都市污處理系統之研究(下)：生物處理系統最佳化設計與相對風險度之研究探討"，國立中央大學，博士論文。
40.駱尚廉，蕭代基，黃燕如，賴孚權，1989，"工業區污水處理廠成本函數與排放費率分析"，中國土木水利工程學會第二屆環境與規劃管理研討會論文集，頁151-169。
41.黃正義，1994， “工業區污水處理廠新建及營運操作維護單位成本研究分析”，經濟部工業區開發管理基金保管運用委員會委託計畫。
42.李公哲，1980，"台灣地區污水系統工建造成本模式之研究"，台灣省水污染防治所委託計畫。
43.高全興，1997，"類神經網路於空氣品質短期預測之研究"，國立雲林技術學院，碩士論文。