臺灣博碩士論文加值系統

本研究所發展之蜂鳥演算法(Hybride artificial bee colony and particle swarm optimization , HBP)係結合蜂群演算法(Artificaial bee colony, ABC)與鳥群演算法(Particle swarm optimization, PSO)的理論基礎，而將個體分為蜂群與鳥群兩個子群，透過兩個子群能相互遷移及交換資訊的特色，不斷地維持兩個子群的尋優能力，以使蜂鳥演算法能搜尋到比蜂群演算法或鳥群演算法更優異的最佳解。
本研究使用常見的23 個標竿函數來進行蜂鳥演算法之理論性測試，透過收斂速率最小值、平均值、子群個體數及運算時間的分析結果，以驗證蜂鳥演算法優於蜂群演算法與鳥群演算法。另外以醫院建築空間配置為例，驗證蜂鳥演算法之實用性，結果顯示蜂鳥演算法可提供較個別蜂群演算法與鳥群演算法更為穩定之數據，與相關文獻比較，本研究所發展之蜂鳥演算法確實具有提供更優異之空間配置組合的能力。

This study hybridizes particle swarm optimization (PSO) and artificial bee colony (ABC) to develop approaches which is more applicable than ABC and PSO.
To hybride of ABC and PSO(HBP) approaches, agents including PSO particles and ABC bees are categorized into two sub-swarms by their species. Sequentially, agents in a sub-swarm are allowed to migrate to the other sub-swarm based on the
sub-swarm fitness. And then, the PSO sub-swarm is permitted to learn from the global information, which involves the best position of the ABCsub-swarm.
Twenty-three benchmark functions are employed to compare performance of HBP approaches against single ABC and PSO approaches. A practical hospital facility layout problem is investigated to validate the practicality of the HBP approaches.
Results reveal the designed HBP approaches have dynamical sub-population sizes,superior performance to single ABC and PSO approaches, improvidences on a referenced hospital layout, and high practicality without judging performance of ABC and PSO on problems.

中文摘要 .......................................................................................................... II
ABSTRACT .................................................................................................... III
誌 謝 ............................................................................................................. IV
目 錄 ............................................................................................................... 6
圖目錄 ............................................................................................................. 8
表目錄 ........................................................................................................... 12
第一章緒論 ................................................................................................... 13
1.1 研究動機........................................................................................ 13
1.2 研究目的........................................................................................ 13
1.3 研究方法........................................................................................ 14
1.4 研究架構與流程 ........................................................................... 14
第二章 文獻回顧 ......................................................................................... 16
2.1 最佳化方法之沿革 ....................................................................... 16
2.2 蜂群演算法(Artificial bee colony, ABC) ...................................... 17
2.2.1 蜂群演算法理論基礎......................................................... 19
2.2.2 蜂群演算法參數設定......................................................... 21
2.2.3 蜂群演算法運算流程......................................................... 22
2.2.4 蜂群演算法相關研究與應用 ............................................ 23
2.3 鳥群演算法(Particle Swarm Optimization, PSO) ......................... 24
2.3.1 鳥群演算法理論基礎......................................................... 25
2.3.2 鳥群演算法參數設定......................................................... 29
2.3.3 鳥群演算法運算流程......................................................... 30
2.3.4 鳥群演算法相關研究與應用 ............................................ 32
第三章 蜂鳥演算法( Hybride artificial bee colony and particle swarm
optimization, HBP)的開發 ........................................................................... 34
7
3.1 蜂鳥演算法開發的理論基礎 ....................................................... 34
3.2 蜂鳥演算法參數設定 ................................................................... 35
3.2.1 族群個體數限制 ................................................................. 35
3.2.2 蜂鳥演算法方法設計......................................................... 36
3.3 蜂鳥演算法運算流程 ................................................................... 40
第四章 蜂鳥演算法之理論驗證-23 個標竿函數 ...................................... 42
4.1 前言................................................................................................ 42
4.2 23 個標竿函數 .............................................................................. 42
4.2.1 標竿函數測試數據說明..................................................... 59
4.2.2 標竿函數之計算時間......................................................... 60
4.2.3 標竿函數之平均數............................................................. 61
4.2.4 標竿函數之最小值............................................................. 65
4.2.5 標竿函數之個體數............................................................. 68
4.2.6 標竿函數圖形分析............................................................. 72
4.2.7 標竿函數群體數圖形分析 ................................................ 85
4.3 標竿函數測試結果 ..................................................................... 103
第五章 蜂鳥演算法之實務測試-建築空間機能配置 ............................. 104
5.1 前言.............................................................................................. 104
5.2 建築空間機能配置案例介紹 ..................................................... 104
5.2.1 範例演算說明 ................................................................... 105
5.3 建築空間機能配置結果 ............................................................. 114
5.4 最佳建築空間機能配置方案的決策 ......................................... 115
第六章 結論與建議 ................................................................................... 130
6.1 結論.............................................................................................. 130
6.2 建議.............................................................................................. 131
參考文獻 ..................................................................................................... 136

[1] Karaboga, D., “An Idea Based on Honey Bee Swarm for Numerical
Optimization,” Technical Report-TR06 ,2005
[2] Karaboga, D., “A comparative study of Artificial Bee Colony algorithm,”
Applied Mathematics Computation 214.108-132, 2009
[3] Karaboga, D., “An Idea Based on Honey Bee Swarm for Numerical
Optimization,” Technical Report-TR06,2005
[4] Y. Shi,R. C. Eberhart,”Parameter Selection in Particle Swarm Optimization”,V.
W. Porto, N. Saravanan, D. Waagen, and A.e.Eiben(eds), Lecture Notes in
Computer Science, 1447, Evolutionary Programming VII, Springer , Berlin,
pp.591-600,1998.
[5] R.C. Eberhart,J. Kennedy, ”Particle Swarm Optimization”, Proceedings of
IEEE Internatioanl Conference on Neural Networks, IV, pp.1942-1948, 1995.
[6] R.C. Eberhart,J. Kennedy,”A New Optimizer Using Particle Swarm
Theory”,Proceedings of the Sixth International Symposium on Micro Machine
and Human Science, IEEE Service Center, Piscataway, NJ, Nagoya,
Japan,pp..9-43,1995
[7] 李維平，黃郁授，戴彰廷，「自適應慣性種改良粒子群演算法之研究」，中原
大學資訊管理所。
[8] 郭信川，張建仁，劉清祥，「粒子群演算法於最佳化問題之研究」，第一屆台
灣作業研究學會學速研討會暨2004年科技與管理學術研討會，419~432頁，
民國九十三年。
[9] Liu. Y, Qin. Z, Shi. Z, & Lu. J,”Center Particle Swarm optimization”.
Neurocomputing,70(4-6),672-679,2007.
[10] Y.Shi and R.C. Eberhart,”A Modified Particle Swarm Optimizer”,proceedings of
the IEEE International Conference on Evolutionary Computation,pp. 69-73,1998
[11] Y. Shi and R.C. Eberhart, ”Empirical Study Study of Particle Swarm
Optimizer”,Proceedings of the 1999 Conference on Evolutionary Computation,
Vol. 3,pp. 1945-1950,1999.
[12] E. K. P. Chong and S. H. Zak, “An Inroduction to Optimization”,Third Edition,
137
Canada, 1996.
[13] J.Riget and J.S. Vesterstroem,”A Diversity-guided Particle Swarm Optimizer –
the ARPSO”,Technical Report No.2002.02 Department of Computer
Science,University of Aarhus, EVALife,2002.
[14] I-Cheng Yeh,”Architectural layout optimization using annealed neural
network”,Automation in Construction 531-539, 2006
[15] Li-Chuan Lien,” Particle Bee Algorithm for Construction Site Layout
Optimization”, National Taiwan University of Science and Technology
Department of Construction Engineering,2011
[16] 葉怡成等，｢自我學習神經網路於多目標建築機能配置最適化之研究｣，設計
學報，第7卷第3期。
[17] Li-Chuan Lien，”A hybird AI-based particle bee algorithm for facility layout
optimization”,Engineering with Computers(2012)28:57-69
[18] 蕭芳智，｢應用階層式粒子群方法於模糊決策樹之研究｣，元智大學，工業工
程管理研究所，民國九十四年。
[19] 洪冠豪，｢改良式粒子群優化演算法於桁架結構最佳化設計之應用｣，國立交
通大學，土木工程學系碩士班，民國九十九年。
[20] Basturk, B. and Karaboga, D., “An Artificial Bee Colony (ABC) Algorithm for
Numeric Function Optimization,” IEEE Swarm Intelligence Symposium 2006,
Indianapolis, Indiana, USA (2006).
[21] 張鈞彥，｢運用全域最佳訊息與活化策略改良人工蜂群演算法｣，中原大學，
資訊管理研究所碩士班，民國九十九年
[22] 蔡宛庭，｢運用多樣性策略改良人工蜂群演算法｣，中原大學，資訊管理研究
所碩士班，民國九十九年
[23] 李元傑，｢以群中心策略改良人工蜂群演算法｣，中原大學，資訊管理研究所
碩士班，民國九十九年
[24] 黃少村，｢二次跳躍改良人工蜂群演算法｣，中原大學，資訊管理研究所碩士
班，民國九十九年
[25] 葉思緯，｢應用粒子群最佳演算法於多目標存貨分類之研究｣，元智大學，工
業工程與管理學系碩士，民國九十二年。
138
[26] 邱彥勳，｢生物演算法於船舶自航器設計之研究｣，國立高雄海洋科技大學，
輪機工程研究所碩士班，民國九十三年。
[27] 陳柏村，｢質群演算法於組合型時間成本最佳化問題之研究｣，淡江大學，土
木工程學系碩士班，民國九十四年。
[28] 胡欣昌，｢粒子群聚最佳化演算法估測合成行滑動模式控制器參數設定交流
感應伺服馬達之應用，國立高雄海洋科技大學，輪機工程研究所碩士班，民
國九十四年。
[29] 黃家榮，｢應用演化式動態粒子群最佳化法於資料分群｣，輔仁大學，資訊工
程學系碩士班，民國九十七年。
[30] 洪冠豪，｢改良式粒子群優化演算法於桁架結構最佳化之應用｣，國立交通大
學土木工程學系，民國九十九年。
[31] 曾譯民，｢基於粒子群聚最佳化於Lucas-Kanade光留法參數估計問題之研究｣，
義守大學，資訊工程學系碩士班，民國九十九年。
[32] 吳振胤，｢基於粒子群聚最佳化之多變數系統極點安置設計｣，國立高雄海洋
科技大學，輪機工程研究所，民國九十九年。
[33] Eberhart, R. C., and Shi, Y. (2001). Particle swarm optimization:
developments, applications and resources. Proc. Congress on Evolutionary
Computation 2001, Seoul, Korea. Piscataway, NJ: IEEE Service Center. (in
press)
[34] H.C. Tsai, "Predicting Strengths of Concrete-type Specimens Using Hybrid
Multilayer Perceptrons with Center-Unified Particle Swarm Optimization",
Expert Systems With Applications, 37, 1104-1112.
[35] 林柏勳等｢最佳化方法於工程上之應用｣，中興工程季刊，第103期，2009年