資訊工程學系
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/60
本系前身「資訊教育學系」成立於民國七十四年，首先招收大學部學生，民國九十年成立資訊工程研究所碩士班，而後於民國九十五年進行系、所調整合併為「資訊工程學系」；並於九十六年成立博士班。本系目前每年約招收大學部四十餘人，碩士班六十餘人，博士班約五人，截至民國一百零四年十一月止，總計現有大學部一百九十多人，碩士班一百二十多人，博士班二十三人，合計學生人數約為三百三十多位。
News
Browse
4 results
Search Results
Item 以基因演算法求解在雲端環境下具時間限制之工作流排程成本最佳化問題(2021) 吳培弘; Wu, Pei-Hong雲端運算是一種新興的分散式運算系統，特色是可以透過付費租借的方式 取得大量的運算資源，並且可以隨時調整運算資源規模，隨著需求增減以控制 成本，擁有很高的使用彈性與可擴充性。雲端環境的工作流排程問題中，使用 者除了考慮如何讓工作流在期限內完成之外，在預算有限的情況下也須考量如 何最小化總租借成本。本研究求解考慮期限的工作流排程問題，並以最小化總 租借成本為目標。工作流排程問題包含同一台機器上的任務要如何安排執行順序和要將任務 指派到哪一台機器，同時具有任務排列和機器配置兩個子問題。本論文提出的 解決方法為基因演算法配合經驗法則。基因演算法解決任務排列子問題，使用 向上等級初始化族群，讓產生初始排列時更有方向性;並對虛擬機新增規則之 省略機率進行自適應控制。經驗法則解決機器配置子問題，依照給定規則決定 使用的運算資源數量與類型，減少演算法的搜尋空間;新增虛擬機時考慮各種 類型的性價比，並且在新增虛擬機的規則中加入隨機性，緩解經驗法則可能誤 判所帶來的負面效果。實驗結果顯示與文獻中演算法相比能帶來較好的效果。Item 以強化突變機制之基因演算法求解多目標彈性零工式工廠排程問題(2013) 陳弘奇如何有效分配資源以及提高生產效率、降低生產成本，是製造業一直以來想要達到的目標，這就是為何十幾年來生產排程問題可以如此的熱門。排程問題大部分都屬於組合最佳化問題，零工式工廠排程問題（Job-shop Scheduling Problem, JSP）便是其一。由於此類問題的複雜度很高，通常難以求得最佳解。彈性零工式工廠排程問題（Flexible Job-shop Scheduling Problem, FJSP）則為零工式工廠排程問題的延伸，主要透過分配製程的作業機台（路由問題），以及變換製程在機台上的順序（排序問題）來最小化最大完工時間（makespan）、機台總工作量（total workload）和最大機台工作量（maximum workload）。 本論文所提出的演算法主體為基因演算法（Genetic Algorithm, GA），搭配交換關鍵製程以及重新插入關鍵製程來做突變，並且強化插入關鍵製程的方式。而為了求得在多個目標上的最佳化，本論文採用柏拉圖分級法（Pareto ranking）當作選擇機制，目的在於找到柏拉圖最佳解（Pareto optimal solutions）。 實驗的問題為 BR data 的十個測試問題。本論文提出的演算法在非凌越解（non-dominated solutions）個數較多的問題中能大幅度更新目前的已知非凌越解。Item 以混合演化式演算法求解多目標且具時窗限制之車輛路由問題(2011) 許巍懷車輛路由問題旨在尋求車輛與客戶之間最佳分配與移動路線，在已知客戶需求 (如運送量和服務時窗限制) 和車輛容量的情況下，由派車站發車前往服務客戶，最後返回派車站。車輛路由問題在實務上已有廣泛應用，如物品宅配、校車動線、計程車載客、銀行運鈔車補給、郵務信件遞送等等。 本論文以具時窗限制之車輛路由問題為主題，其求解目標為最小化車輛數和總行駛距離，由柏拉圖最佳化觀點求解，提出一混合基因演算法和禁忌搜尋的求解方法。初始解經由禁忌搜尋將目標專於車輛數目最小化，再由基因演算法以多目標進行最佳化。並以改良式的交配和突變策略增加解的品質；在演化一定代數後由禁忌搜尋法對族群中非凌越解集進行深度搜尋以最小化行駛距離。 測試問題集是Solomon建立的6大類共56個問題。本研究以多目標求解問題，對於文獻所提出的67個近似最佳解集合更新了34個，另外有2大類的問題可以達到車輛數與總距離的最佳解。Item 基因演算法結合二階段最佳化演算法解決集合涵蓋問題之研究(2005) 張書維; Shu-Wei Chang最佳化問題中有一廣為周知的問題為集合涵蓋問題(SCP)，因其可作為許多資源選擇問題的模型，因此在現實生活中有許多重要的應用。由於集合涵蓋問題為一NP-hard問題，而基因演算法也常被使用來求解此類問題，且可獲得不錯的結果。本論文設計一混合式基因演算法(TGA)，其結合二階段最佳化演算法（TPOA）與基因演算法（GA）來求解集合涵蓋問題。TGA使用TPOA來產生GA之初始族群，能夠盡可能產生一些好的基因於族群中，並保證其在族群中有一定的數量，以提高這些好的基因在早期於族群中之存活率，期望這些好的基因能夠提供GA快速的收斂，以及提高尋找最佳解的機會。由實驗結果顯示，TGA可較使用亂數產生族群之Beasly和Chu所提出的GA (BeCh GA)能在短時間內得到較佳的解，而在長時間中兩者則是差不多的。因此TGA提供一增加GA初始族群之多變性與強化性之系統化架構，可以有效的讓GA在短時間內獲得一近似最佳解，而不減少GA尋找最佳解的機會。