植生工程植材選用決策支援系統 指導：錢滄海 授課：林俐玲 學生：楊孟叡

摘要

前言

研究方法 資料處理 系統分析 模式建立 整合應用

資料儲存格式XML 可延伸標記語言XML(eXtensible Markup Language)是目前最熱門的網際網路技術，它是由W3C(World Wide Web Consortium)所推薦的標準。因其為網際網路量身訂製的特性、邏輯結構的嚴謹性及具驗證功能，儼然成為資訊交換格式的主流。

XML的特性( 新世紀的網路語言XML,許博堯)

原始資料處理 本系統之原始資料儲存格式，必須是容易被解析，產生方便，常用於網路交換，並且有良好的規格制定以及能夠包含空間資訊及詮釋資料。所以採取XML做為原始資料儲存的格式。另外，將量化後的資料存入MySQL資料庫以加速系統運算速度。

植種原始資料

植種資料分類 主動因子 被動因子 名稱 耐陰 抗風 生長速率 功能 需水量 適合溫度 日照需求 土壤質地 pH適合度 生長海拔 地力 中文名稱 學名

植種資料量化處理

決策支援系統 (Decision Support Systems,DSS) DSS的架構，其組成單元包括對話管理系統(dialog management)子系統、資料管理(data management)子系統與模式管理(model management)子系統三個單元(Sprague and Carlson,1982)。現行的DSS架構除了保留原有的單元外，另外增加了知識管理(knowledge management)系統，利用人工智慧的技術將專家的知識融入，使得系統能夠提供更精確的判斷與解答，有效幫助人類決策。

DSS(續) 資料管理子系統 (Data management subsystem) 此系統提供資料的儲存、刪除、使用及新增等功能，並確保資料的完整性、不一致性及減少重複性。

DSS(續) 模式管理子系統 (Model management subsystem) DSS主要透過模式來進行分析，提供多樣化的選擇，包含一些程序(procedure)或演算法(algorithm)，以因應不同決策者的考量。

DSS(續) 知識管理子系統 (Knowledge management subsystem) 發展專家系統的關鍵是表達和運用專家的知識，即來自人類專家的經驗，並已被證明對解決相關領域內的典型問題是非常有用的。所以此系統負責的即是將專家的知識經驗做有效的管理與應用，以協助系統解釋、預測、診斷、設計、規畫、控制等複雜的問題。

DSS(續) 使用者介面(User Interface) 使用者介面(UI)是DSS與使用者直接溝通的單元，又稱做對話單元。不論是資料的輸入或者利用模式分功能，都必須透過UI來達成，對於使用者來說UI就是整個DSS，因此若設計得不夠友善(friendly)、不易使用，將限制了整個DSS系統的實用性。

本研究DSS 以JAVA為核心程式撰寫語言 以JSP做為交談介面 利用AHP建立專家知識庫。 利用GA將原始資料透過專家給訂的標準排序。 最後得出結果讓使用者參考

AHP層級分析法 層級分析法(analytic hierarchy process, AHP)於1971 年由Thomas Saaty 所提出。AHP具有決策過程時間短，所需參考資訊量卻很少之優點，所以特別適用於不確定性情況，以及有多個評估標準的決策問題(許芳誠、簡宏陸等,2002)。

AHP架構圖

AHP層級分析法(續) 影響要素分析 到底有什麼因素影響的問題本身，常用的有群體腦力激盪法(Brainstorming)或德菲法(Delphi method)或KJ 法，經過專家學者的討論和分析之後，對於要評估的問題，提出會影響問題的要素及權重。 本研究採用林信輝,2004,植生綠化植物應用性之調查評估所建立的 植生選用原則表當作指標參考。

AHP層級分析法(續) 將問題建立層級式的架構

本研究AHP層次架構

AHP層級分析法(續) 評估尺度 建立完層級結構後，就可以開始評估層機要素，因為每一層級內的任意兩個要素要以上一層的要素當作評估準則來判斷這兩個要素對上一層要素的重要性。那要如何才能評估上面的情況，就要靠以下介紹的評估尺度來衡量。

AHP層級分析法(續)

AHP層級分析法(續) 特徵值與特徵向量

AHP層級分析法(續) 一致性的檢定 數學上常常有算出結果之後，然後再驗算答案對不對的情況，而AHP法也是有類似的情況，在我們計算出特徵向量完之後，我們就要去檢驗這個結果是否合理，那就是一致性的檢驗。

AHP層級分析法(續) 決策者判斷先後的一致性可以用C.I.來衡量 根據Dak Ridge National Laboratory 與Wharton School 進行的研究，從評估尺度所產生的正倒值矩陣，在不同數下，產生不同的C.I.值，稱隨機指標(Random Index，R.I.)，其值隨矩陣階數之加而增加 若C.R. ≤ 0.1，根據Saaty教授的解釋這個方案或是決策就是具有一致性的。

AHP層級分析法(續) 在通過整體一致性檢定之後，就可以把所計算出的特徵向量做排序，然後就可以決定整體權重的先後順序。 最後把權重值帶入GA中當作最適函數的各項因子係數。

AHP架構圖

GA基因演算法 生物的進化是一個奇妙的演化過程，透過遺傳、淘汰、突變等，產生適應環境變化的優良物種。1975年，由美國Michigan大學John H. Holland 在Adaptation in Natural and Artifical Systems一書中提出了基因演算法(Genetic Algorithm，簡稱GA)。

GA架構圖

GA基因演算法(續) 藉由模擬生物演化的過程，GA主要包含三個基本操作：(資料探勘原理與技術/張云濤，龔玲編著,2007) 選擇(複製) 選擇運算元會從一個舊群體(父代)中選出合適的個體， 而產生新群體(後代)的過程。 交叉(重組) 交叉運算會選擇兩個不同個體的染色體中部分的基因進行交換，行程新個體。該運算元會去確定和擴充解的空間，是一個隨機化的重組運算元。在很大的程度上，GA的性能取決於所使用的交換運算元的性能。 變異(突變) 變異云算元對某些個體的某些基因進行變異。在一般的二進位編碼方式下，變異的操作就是簡單的將基因值取NOT。

GA基因演算法(續) 此外，在執行運算之前，還要決定染色體的編碼方式、適應函數以及族群大小、代數等參數。

GA基因演算法(續) 編碼方式(Encoding) 就基因演算法來說，設計編碼方式可說是最重要的第一步，它要能適當的描述出問題的內容與結構，另一方面也要考慮如何讓基因演算法在上面運算。如果沒有兼顧這兩方面的話，可能會造成演算法的效率低落。一般而言，編碼方式以二位進(Binary)為主，此外整數(Integer)編碼、實數(Real)編碼和文字(Alphabet)編碼都是可以考慮的方式。

GA基因演算法(續) 適應函數(Fitness function) 適應函數是用來評估每一個子代的績效好壞，進而引導下個族群的答案趨勢，因此也是相當重要的。在設計上必須考量問題本身的需求與特性，可能需要讓答案最大化或是最小化。

GA基因演算法(續) 參數設定 為了讓基因演算法達到最佳化，調整演算法中的參數是必要的方法。族群大小(Population Size)是其中一個重要的參數，它控制了基因演算法每一代中，同時產生的答案，如果將其設的比較大，則可以涵蓋到較大的搜尋空間，也比較不容易陷入區域最佳解，不過也會花費比較多的時間在每一代的計算上。如果設的比較小的話，雖然計算花費的時間會比較短，不過答案的品質可能會比較差，也容易陷入區域最佳解。

GA基因演算法(續)

GA架構圖

參考文獻 Holland, J. H., Adaptation in Natural and Artificial Systems, Ann Arbor: The University of Michigan Press, 1975. Goldberg,D.E., 1989. Genetic algorithms in search, optimization, and machine learning, Addison-Wesley, Reading, MA   Adeli ,1995,H. and Hung, S., 1995. Machine learning: neural networks, genetic algorithms, and fuzzy systems, Wiley, New York. Thomas Saaty,『The Analytic Hierarchy Process for decisions in a complex world』,1999 http://www.xml.org Brian E. Travis, “XML and SOAP Programming for BizTalk Servers”, Microsoft。