More Related Content Similar to การแก้ปัญหาในงานก่อสร้างด้วยวิธีเชิงพันธุกรรมแบบหลายวัตถุประสงค์ Similar to การแก้ปัญหาในงานก่อสร้างด้วยวิธีเชิงพันธุกรรมแบบหลายวัตถุประสงค์ (20) การแก้ปัญหาในงานก่อสร้างด้วยวิธีเชิงพันธุกรรมแบบหลายวัตถุประสงค์1. การแกปญหาในงานกอสรางดวยวิธีเชิงพันธุกรรมแบบหลายวัตถุประสงค
A MULTI-OBJECTIVE PARADIGM IN GAs APPLICATION
FOR CONSTRUCTION SOLUTION
กุลเดช สินธวณรงค
ผูชวยศาสตราจารย คณะวิศวกรรมศาสตร มหาวิทยาลัยเทคโนโลยีพระจอมเกลาพระนครเหนือ
คงศักดิ์ แสงกาศนีย
คณะวิศวกรรมศาสตร มหาวิทยาลัยเทคโนโลยีมหานคร
บทคัดยอ
งานวิจัยนี้เปนการเสนอแนวคิดการวิเคราะหเพื่อหาคาที่เหมาะสมโดยพิจารณาวัตถุประสงค พรอมกันหลายวัตถุประสงค
(Multi-Objective) อยางไรก็ตามวิธีดังกลาวตองใชขอมูลจํานวนมาก จึงตองอาศัยการเพิ่มจํานวนขอมูลจากขอมูลตนแบบโดยใชวิธีเชิง
พันธุกรรม (Genetic Algorithms : GAs) แลวนําไปวิเคราะหเพื่อสรางแบบจําลองสําหรับใชงาน เพื่อชวยในการตัดสินใจ ซึ่งในงานวิจัย
นี้ไดนําเสนอตัวอยางของการสรางแบบจําลองเพื่อใชในการวิเคราะหขอมูลสําหรับการตัดสินใจในการเลือกซอมบํารุงทางหลวงโดย
พิจารณาถึงอายุการใชงานของถนน ปริมาณพื้นที่ความเสียหายและปริมาณการจราจร เมื่อนําแบบจําลองที่ไดไปเปรียบเทียบกับขอมูล
ตนแบบพบวาใหผลคอนขางแมนยํา แตยังคงมีความออนไหวของแบบจําลองที่สรางขึ้น หากมีการพัฒนาตอไปก็นาจะเปนวิธีหนึ่งที่
สามารถนําไปประยุกตเพื่อใชในการตัดสินใจของปญหาอื่น ๆ ที่คลายคลึงกันตอไป
ABSTRACT
This research proposes a method to achieve appropriate optimum values by considering multi-objectives for several
solutions. In order to achieve such tasks on similar solutioning characters, a large amount of data are required. Thus, Genetic
Algorithms was introduced to produce more data usually limited in similar respect. These data were as a result utilized in a building
in order that it was tested to investigated if the method should help making complex and multicriterion decisions. According to
samples used in this research the study also demonstrated how to develop an approach that helps selecting which highway routes to
receive priority in maintenances, based on three prior-objectives namely Useful Life, Area of Damage and Traffic Volume. The
resulted model has moderate accuracy when compared with the original data however there were some discrepancies because of the
sensitivity of the designed model. Further developments if to be conducted should also be able to help making decision in relation to
similar problems.
KEYWORD : MULTI-OBJECTIVE GENETIC ALGORITHMS , MOGAs , GENETIC ALGORITHMS , GAs
บทนํา
หากพิจารณาถึงการจัดสรรงบประมาณสําหรับการ
ซอมแซมผิวการจราจรจะพบวาปญหาอยางหนึ่งที่พบบอยคือ
ปญหางบประมาณที่มีจํากัด โดยทั่วไปการวิเคราะหหาคาที่
เหมาะสมของการเลือกการซอมแซมผิวถนนก็อาจจะเลือกซอม
เฉพาะถนนสายที่มีอายุการใฃงานมากที่สุดหรือเกิดความเสียหาย
สูงสุดกอน ซึ่งการวิเคราะหลักษณะนี้เปนการวิเคราะหโดย
พิจารณาเพียงตัวแปรใดตัวแปรหนึ่งเทานั้น หากมีการนําเอาตัว
2. แปรอื่นๆที่มีผลกระทบตอความสัมพันธระหวางตัวแปร 2 ตัวมา
พิจารณารวมดวย ยอมใหผลการวิเคราะหที่ใกลเคียงความจริง
มากขึ้น แตในบางครั้งการวิเคราะหหาคาที่เหมาะสมของปญหา
จะตองใชขอมูลจํานวนมาก ซึ่งการเก็บขอมูลตาง ๆ จํานวนมาก
จะตองอาศัยเวลามากดวยเชนกัน ดังนั้นจึงมีการนําวิธีเชิง
พันธุกรรม (Genetic Algorithms : GAs) มาใชในการสรางขอมูล
ใหมเพิ่มขึ้นจากขอมูลตนแบบ งานวิจัยนี้ไดเสนอการแนวคิดการ
วิเคราะหเพื่อหาคาที่เหมาะสมโดยพิจารณาวัตถุประสงคตาง ๆ
พรอมกันหลายตัว (Multi-Objective) และอาศัยการเพิ่มจํานวน
ขอมูลจากขอมูลตนแบบดวยวิธีเชิงพันธุกรรม (Genetic
Algorithms : GAs) นําไปสรางแบบจําลองสําหรับใชวิเคราะห
เพื่อชวยในการตัดสินใจตอไป
ระเบียบวิธี
ในงานวิจัยชิ้นนี้เปนการนําเสนอวิธีการทาง Multi-
Objective Genetic Algorithms (MOGAs) ในการแกปญหา โดย
อาศัยวิธีเชิงพันธุกรรม (GAs) เพื่อโดยสรางขอมูลใหมากขึ้น
สําหรับนําไปวิเคราะหเพื่อหาคาที่ดีที่สุด โดยพิจารณาตัวแปร
รวมกัน 3 ตัวแปร ซึ่งขอมูลตางๆ ที่นํามาวิเคราะหจะเปนขอมูลที่
นํามาจากรายงานความเสียหายของถนนสายตางๆ เพื่อขอ
งบประมาณในการซอมบํารุงทางประจําปของกระทรวงคมนาคม
ประจําป 2545 โดยมีการพิจารณานําขอมูลจากรายงานมาใชงาน
3 อยางคือ อายุการใชงานของถนน ปริมาณพื้นที่ความเสียหาย
ของถนนและปริมาณการจราจรของถนนแตละสาย โดยนําขอมูล
มาหาความสัมพันธกอนเขาสูวิธีเชิงพันธุกรรมเพื่อเพิ่มจํานวน
ขอมูลใหมากขึ้น หลังจากนั้นนําขอมูลทั้งหมดไปคัดเลือกคาที่
มากที่สุดเพื่อสรางแบบจําลองสําหรับนําไปใชงานตอไป
ขั้นตอนวิธีเชิงพันธุกรรม (Genetic Algorithm : GAs)
ขั้นตอนวิธีเชิงพันธุกรรมถูกพัฒนาโดย ฮอลแลนด
(Holland, 1975) มีรากฐานมาจากทฤษฎีการวิวัฒนาการของ
ชารล ดารวิน (Charles Darwin) ขั้นตอนวิธีเชิงพันธุกรรมเปน
เทคนิคการหาคาที่เหมาะสมที่สุดอีกวิธีหนึ่ง เพื่อความเขาใจงาย
ขึ้นสมมุตวามียีน (Gene) อยู 2 ลักษณะคือ 0 และ 1 จับตอกันเปน
สายยาวเรียงตอกันเปนโครโมโซม ตามที่แสดงไวในรูปที่ 1
Chromosome 1 1101100100110110
Chromosome 2 1101111000011110
รูปที่ 1 Chromosome 1 และ Chromosome 2
การสลับสายพันธุ (Crossover) จะเปนกระบวนการหนึ่ง
มีการแลกเปลี่ยนยีนระหวางสมาชิกรุนพอกับสมาชิกรุนแม
หลังจากนั้นจะทําใหเกิดเปนสมาชิกรุนลูก (Offspring
Individuals) ขึ้นมา 2 ตัว ซึ่งสมาชิกรุนลูกจะถูกนําไปเปนสมาชิก
ของรุนถัดไป ตามที่ไดแสดงรูปที่ 2
Parent 1 11011 | 00100110110
Parent 2 11011 | 11000011110
Offspring 1 11011 | 11000011110
Offspring 2 11011 | 00100110110
รูปที่ 2 การสลับสายพันธุ
การกลายพันธุ (Mutation) จะเปนกระบวนการถัดไปอีก
กระบวนการหนึ่งในการสรางสมาชิกรุนลูก ตามที่ไดแสดงไวใน
รูปที่ 3 โดยจะไดลักษณะรุนลูกที่แตกตางไปจากเดิมเชนกัน หาก
พิจารณาถึงขั้นตอนการสรางประชากรสามารถเขียนขั้นตอน
ตางๆ ไดเปนแผนภูมิตามที่ไดแสดงไวในรูปที่ 4
Original Offspring 1 1101100100110110
Original Offspring 2 1101111000011110
Mutated Offspring 1 1101100100110100
Mutated Offspring 2 1100111000011110
รูปที่ 3 การกลายพันธุ (ตําแหนงตัวเลขที่แรเงา)
รูปที่ 4 กระบวนการสรางประชากรรุนใหมจากประชากรตนแบบ
กลุมประชากรดั้งเดิม (Initial Population)
การเลือกประชากรตนแบบ (Selection)
การจับคูระหวางประชากรตนแบบ (Selection)
การสลับตําแหนงของรหัสพันธุกรรม (Crossover)
การเปลี่ยนรูปของรหัสพันธุกรรม (Mutation)
ประชากรรุนใหม (New Population)
การสืบทอดสายพันธุ (Continue Population)
3. การรวบรวมขอมูลและการดําเนินการ
ขอมูลตางๆ ที่รวบรวมไดแก อายุการใชงาน/ระยะเวลา
การใชงานของถนน, ปริมาณพื้นที่ความเสียหายของถนนและ
ปริมาณการจราจรของถนนแตละสาย ซึ่งไดจําแนกความเสียหาย
ของพื้นผิวเปน 2 ลักษณะคือ ความเสียหายแบบลึก (Deep Patch)
และความเสียหายพื้นผิว (Skin Patch) โดยนําขอมูลไปวิเคราะห
โดยใชโปรแกรมสําเร็จรูป Curve Expert เพื่อหาความสัมพันธ
ของตัวแปรดังกลาวไดดังนี้
1.ความสัมพันธระหวางอายุการใชงานและความ
เสียหายของพื้นผิวถนนแบบ Deep Patch ดังรูปที่ 5
S =1010.85020259
r =0.09569235
อายุการใชงาน (ป)
พื้นที่ความเสียหายแบบลึก(DeepPatch)(ตร.ม.)
0 2 4 6 8 10 12 14
0
2000
4000
6000
รูปที่ 5 อายุการใชงานและความเสียหายแบบ Deep Patch
2.ความสัมพันธระหวางอายุการใชงานและความ
เสียหายของพื้นผิวถนนแบบ Skin Patch ดังรูปที่ 6
S =1267.16748124
r =0.16855066
อายุการใชงาน (ป)
พื้นที่ความเสียหายแบบผิว(SkinPatch)(ตร.ม.)
0 2 4 6 8 10 12 14
0
2000
4000
6000
รูปที่ 6 อายุการใชงานและความเสียหายแบบ Skin Patch
3. ความสัมพันธระหวางปริมาณการจราจรตอวันและ
ความเสียหายของพื้นผิวถนนแบบ Deep Patch ดังรูปที่ 7
S =281.22941932
r =0.24343774
ปริมาณการจราจร (คัน/วัน)
พื้นที่ความเสียหายแบบลึก(DeepPatch)(ตร.ม.)
0 200 400 600 800 1000 1200
0
500
1000
1500
2000
รูปที่ 7 ปริมาณการจราจรตอวันและความเสียหายแบบ Deep Patch
4. ความสัมพันธระหวางปริมาณการจราจรตอวันและ
ความเสียหายของพื้นผิวถนนแบบ Skin Patch ดังรูปที่ 8
S =1114.86716543
r =0.49674020
ปริมาณการจราจร (คัน/วัน)
พื้นที่ความเสียหายแบบผิว(SkinPatch)(ตร.ม.)
0 200 400 600 800 1000 1200 1400
0
500
1000
1500
2000
2500
3000
3500
รูปที่ 8 ปริมาณการจราจรตอวันและความเสียหาย Skin Patch
5. ความสัมพันธระหวางอายุการใชงานและปริมาณ
การจราจรของความเสียหายแบบ Deep Patch ดังรูปที่ 9
S =603.02719258
r =0.32806462
ระยะเวลาในการใชงาน (ป)
ปริมาณการจราจรDeepPatch(คัน/วัน)
0 2 4 7 9 11 13
0
513
1027
1540
2053
2567
3080
รูปที่ 9 อายุการใชงานและปริมาณการจราจรของความเสียหายแบบ
Deep Patch
6. ความสัมพันธระหวางอายุการใชงานและปริมาณ
การจราจรของความเสียหายแบบ Skin Patch ดังรูปที่ 10
4. S =547.88774148
r =0.24957211
อายุการใชงาน (ป)
ปริมาณการจราจร(คัน/วัน)
0 2 4 6 8 10 12 14
0
200
400
600
800
1000
1200
1400
รูปที่ 10 อายุการใชงานและปริมาณการจราจรของความเสียหายแบบ
Skin Patch
ขั้นตอนกระบวนการเชิงพันธุกรรม (GAs)
หลังจากที่ไดความสัมพันธแตละชุดแลว จึงเขาสูกระบวน
การวิธีเชิงพันธุกรรมเพื่อสรางจํานวนขอมูลเพิ่มทีละความ
สัมพันธ จนพบวาไมมีการเปลี่ยนแปลง ซึ่งแสดงไดดังนี้
1. GAs ของความสัมพันธของอายุการใชงานและพื้นที่
ความเสียหายแบบ Deep Patch ซึ่งไดสรางจํานวนขอมูลเพิ่มขึ้น
9 ครั้ง ไดผลแสดงดังรูปที่ 11
Gas ระหวางอายุการใชงานและพื้นที่ความเสียหายแบบ Deep Patch : รุนที่ 9
0
100
200
300
400
500
600
700
800
900
1000
0 2 4 6 8 10 12 14
อายุการใชงาน (ป)
พื้นที่ความเสียหาย(ตร.ม.)
รูปที่ 11 GAs ของอายุการใชงานและพื้นที่ความเสียหายแบบ Deep Patch
2.GAs ของความสัมพันธของอายุการใชงานและ
ปริมาณการจราจร Deep Patch ซึ่งไดสรางจํานวนขอมูลเพิ่มขึ้น
6 ครั้ง ไดผลแสดงดังรูปที่ 12
GAs ระหวางอายุการใชงานและปริมาณการจราจรของ Deep Patch : รุนที่ 6
0
500
1000
1500
2000
2500
3000
3500
4000
0 2 4 6 8 10 12 14
อายุการใชงาน (ป)
ปริมาณการจราจร(คัน/วัน)
รูปที่ 12 GAs ของอายุการใชงานและปริมาณการจราจรแบบ Deep Patch
3. GAs ของความสัมพันธของปริมาณการจราจรนและ
พื้นที่ความเสียหายแบบ Deep Patch ซึ่งไดสรางจํานวนขอมูล
เพิ่มขึ้น 7 ครั้ง ไดผลแสดงดังรูปที่ 13
GAs ระหวางปริมาณการจราจรและพื้นที่ความเสียหายแบบ Deep Patch : รุนที่ 7
0
1000
2000
3000
4000
0 100 200 300 400 500 600 700 800 900 1000
ปริมาณการจราจร(คัน/วัน)
พื้นที่ความเสียหาย(ตร.ม.)
รูปที่ 13 GAs ของปริมาณการจราจรนและพื้นที่ความเสียหายแบบ Deep
Patch
4. GAs ของความสัมพันธของอายุการใชงานและพื้นที่
ความเสียหายแบบ Skin Patch ซึ่งไดสรางจํานวนขอมูลเพิ่มขึ้น
5 ครั้ง ไดผลแสดงดังรูปที่ 14
GAs ระหวางอายุการใชงานและพื้นที่ความเสียหายแบบ Skin Patch : รุนที่ 5
0
1000
2000
3000
4000
5000
6000
7000
8000
0 2 4 6 8 10 12 14
อายุการใชงาน (ป)
พื้นที่ความเสียหาย(ตร.ม.)
รูปที่ 14 GAs ของอายุการใชงานและพื้นที่ความเสียหายแบบ Skin Patch
5. GAs ของความสัมพันธของอายุการใชงานและ
ปริมาณการจราจรแบบ Skin Patch ซึ่งไดสรางจํานวนขอมูล
เพิ่มขึ้น 8 ครั้ง ไดผลแสดงดังรูปที่ 15
GAs ระหวางอายุการใชงานและปริมาณการจราจรของ Skin Patch : รุนที่ 8
0
100
200
300
400
500
600
700
800
900
1000
0 2 4 6 8 10 12
อายุการใชงาน(ป)
ปริมาณการจราจร(คัน/วัน)
รูปที่ 15 GAs ของอายุการใชงานและปริมาณการจราจรแบบ Skin Patch
5. 6. GAs ของความสัมพันธของปริมาณการจราจรและ
พื้นที่ความเสียหายแบบ Skin Patch ซึ่งไดสรางจํานวนขอมูล
เพิ่มขึ้น 10 ครั้งไดผลแสดงดังรูปที่ 16
GAs ระหวางปริมาณการจราจรและพื้นที่ความเสียหายแบบ Skin Patch : รุนที่ 10
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
0 200 400 600 800 1000 1200 1400
ปริมาณการจราจร(คัน/วัน)
พื้นที่ความเสียหาย(ตร.ม.)
รูปที่ 16 GAs ของปริมาณการจราจรและพื้นที่ความเสียหายแบบ Skin
Patch
เมื่อเสร็จกระบวนการวิธีเชิงพันธุกรรมแลว จึงนําขอมูล
ของแตละความสัมพันธมาจัดกลุมคือแบบ Deep Patch และแบบ
Skin Patch โดยในแตละกลุมจะมีความสัมพันธของตัวแปรทั้ง 3
ตัวแปร โดยนํามาหาคาที่มากที่สุดของแตละชุด เพื่อนําคาเหลาที่
ไดไปสรางแบบจําลอง ซึ่งแสดงไดดังตารางดังนี้
1. ขอมูลของกลุมขอมูลแบบ Deep Patch
อายุการใชงาน
(ป)
พื้นที่ความเสียหาย
แบบ Deep Patch (ตร.ม.)
ปริมาณการจราจร
(คัน/วัน)
4 453.43 932.15
5 544.24 1,165.19
6 694.92 1,440.53
7 833.99 1,697.40
8 540.54 1,938.80
9 524.21 2,718.88
10 524.21 2,721.15
11 455.73 2,723.42
2. ขอมูลของกลุมขอมูลแบบ Skin Patch
อายุการใชงาน
(ป)
พื้นที่ความเสียหาย
แบบ Skin Patch (ตร.ม.)
ปริมาณการจราจร
(คัน/วัน)
3 556.80395 359.6438538
4 619.35195 479.5251384
5 658.61821 599.406423
6 673.60273 664.298223
7 807.3396 708.011683
8 633.72655 732.546803
9 577.86585 734.903583
10 500.72341 715.082023
การสรางแบบจําลอง
เพื่อใหแบบจําลองสามารถเขาใจงายและนําไปใชงาน
ไดอยางเหมาะสม การเลือกรูปแบบในการแสดงของงานวิจัยชิ้น
นี้ขอเลือกการนําแสดงแบบจําลองในรูปเสนตรง โดยมีแกน 3
แกน แสดงคาตาง ๆ และมีเสนตรงลากผานคาตาง ๆ ที่ไดจากการ
Maximize แลวดังนี้
1. แบบจําลอง Deep Patch
Deep Patch
0
500
1000
1500
2000
2500
3000
ปริมาณ
อายุการใชงาน 4 ป 4 453.4332944 932.14924 4
อายุการใชงาน 5 ป 5 544.2427028 1165.18655 5
อายุการใชงาน 6 ป 6 694.9206459 1440.52974 6
อายุการใชงาน 7 ป 7 833.9861469 1697.401544 7
อายุการใชงาน 8 ป 8 540.5405456 1938.80196 8
อายุการใชงาน 9 ป 9 524.2121054 2718.884718 9
อายุการใชงาน 10 ป 10 524.2121054 2721.153063 10
อายุการใชงาน 11 ป 11 455.7289214 2723.421407 11
อายุการใชงาน (ป)
พื้นที่ความเสียหายแบบ Deep
Patch (ตร.ม.)
ปริมาณการจราจร (คัน/วัน) อายุการใชงาน (ป)
2. แบบจําลอง Skin Patch
Skin Patch
0
100
200
300
400
500
600
700
800
900
ปริมาณ
อายุการใชงาน 3 ป 3 556.80395 359.6438538 3
อายุการใชงาน 4 ป 4 619.35195 479.5251384 4
อายุการใชงาน 5 ป 5 658.61821 599.406423 5
อายุการใชงาน 6 ป 6 673.60273 664.298223 6
อายุการใชงาน 7 ป 7 807.3396 708.011683 7
อายุการใชงาน 8 ป 8 633.72655 732.546803 8
อายุการใชงาน 9 ป 9 577.86585 734.903583 9
อายุการใชงาน 10 ป 10 500.72341 715.082023 10
อายุการใชงาน (ป)
พื้นที่ความเสียหายแบบ Deep
Patch (ตร.ม.)
ปริมาณการจราจร (คัน/วัน) อายุการใชงาน (ป)
ผลการทดสอบแบบจําลอง
ในการตรวจสอบความถูกตองของแบบจําลอง โดยใช
ขอมูลเริ่มแรกที่เปนตนแบบโดยพิจารณาคาเปรียบเทียบกับคาที่
ปรากฏในแบบจําลองของแตละกลุม หากผลของการตรวจสอบ
พบวามีขอมูลที่มีคามากกวาแบบจําลองที่สรางขึ้น นั่นหมายถึงวา
ขอมูลของถนนชุดนั้นมีสภาพทางกายภาพเสียหายมากกวาหรือ
6. เทากับพื้นที่ความเสียหายของแบบจําลอง และมีปริมาณการ
จราจรที่มากกวาหรือเทากับปริมาณการจราจรของแบบจําลอง
ยอมแสดงใหเห็นวาเสนทางสายนั้น ๆ มีสภาพที่สมควรไดรับ
การพิจารณาเลือกเพื่อในการซอมบํารุงทางกอน ผลของการ
เปรียบเทียบของตัวอยางในงานวิจัยไดผลดังนี้
1. จํานวนขอมูลของเสนทางที่มีความเสียหายแบบ
Deep Patch มีจํานวนที่สมควรไดรับการซอมแซม 24 เสนทาง
2. จํานวนขอมูลของเสนทางที่มีความเสียหายแบบ Skin
Patch มีจํานวนที่สมควรไดรับการซอมแซม 32 เสนทาง
เพื่อเปนการทดสอบความแมนยําจากแบบจําลองที่ได
สรางขึ้น ไดมีการเพิ่มคา Maximize ของแบบจําลองขึ้นครั้งละ 5
% สูงสุดที่ 20 % และลดคา Maximize ของแบบจําลองลงครั้งละ
5 % ต่ําสุดที่ -20 % แลวเปรียบเทียบกับขอมูลชุดเดิมกอนนําเขาสู
กระบวนการวิธีเชิงพันธุกรรม พบวามีขอมูลเขาขายเปลี่ยนแปลง
ไปดังนี้
1. ผลการทดสอบความแมนยําของแบบจําลอง Deep Patch
Deep Patch
เพิ่มคาออนไหว
ขอมูลที่เขาขายตาม
แบบจําลอง
จํานวนขอมูลที่เขา
ขายเพิ่มขึ้น % ที่ถูกตองเพิ่มขึ้น
ขอมูลชุดตนแบบ 24 - -
ขอมูลชุดทดสอบ
ลดคาออนไหว 5 % 24 - 0%
ลดคาออนไหว 10 % 23 -1 -4%
ลดคาออนไหว 15 % 27 3 13%
ลดคาออนไหว 20 % 29 5 21%
เพิ่มคาออนไหว 5 % 24 - 0%
เพิ่มคาออนไหว 10 % 27 3 13%
เพิ่มคาออนไหว 15 % 25 1 4%
เพิ่มคาออนไหว 20 % 23 -1 -4%
2. ผลการทดสอบความแมนยําของแบบจําลอง Skin Patch
Skin Path
เพิ่มคาออนไหว
ขอมูลที่เขาขายตาม
แบบจําลอง
จํานวนขอมูลที่เขา
ขายเพิ่มขึ้น % ที่ถูกตองเพิ่มขึ้น
ขอมูลชุดตนแบบ 32 - -
ขอมูลชุดทดสอบ
ลดคาออนไหว 5 % 33 1 3%
ลดคาออนไหว 10 % 34 2 6%
ลดคาออนไหว 15 % 34 2 6%
ลดคาออนไหว 20 % 45 13 41%
เพิ่มคาออนไหว 5 % 32 - 0%
เพิ่มคาออนไหว 10 % 32 - 0%
เพิ่มคาออนไหว 15 % 32 - 0%
เพิ่มคาออนไหว 20 % 32 - 0%
สรุป
จากงานวิจัยฉบับนี้แสดงใหเห็นวาการสรางแบบจําลอง
ของขอมูลตัวอยางขางตนนั้นยังมีแมนยําอยูระดับหนึ่ง หากเพิ่ม
วัตถุประสงคอื่นเขามาพิจารณารวมดวย ก็นาจะใหแบบจําลองที่
มีคาความแมนยํามากขึ้น
การวิเคราะหหาคาที่เหมาะสมดวยวิธีเชิงพันธุกรรม
แบบหลายวัตถประสงคนี้เปนอีกแนวทางหนึ่งที่นาสนใจและ
สามารถนํามาพัฒนา เพื่อประยุกตสําหรับการแกปญหาอื่นๆ ได
ตอไป
เอกสารอางอิง
1. Sou-Sen Leu and Chung-Huei Yang , “GA-Based Multicriteria
Optimal Model for Construction Schedule “ , Journal of
Computering in Civil Engineering , 420-427 ,
November/December , 1999
2. T. F. Fwa , T.W. Chan and K. Z. Hoque ,2000. Multiobjective
Optimization for Pavement Maintenance Programming . Journal
of Transportation Engineering , 367-374
3. Mitsuo Gen and Runwei Cheng , 2000 . Genetic Algorithms and
Engineering Optimizaation . U.S.A. , A Wiley Interscience
Publication
4. Kalyanmoy Deb , 2000 , Multi-Objective Genetic Algorithms :
Problem Difficulties and Construction of Test Problems , India ,
Indian Institute of Technology Kanpur
5. cs.felk.cvut.cz/~xobitko/ga/main.html , June/July , 2001
6. cs.qub.ac.uk/~M.Sullivan/ga/ga1.html , June/July , 2001
7. myweb.iea.com/~nli/products/genetic_algorithms/generator.htm ,
June/July , 2001
8. www.aridolan.com/ga/gaa/gaa.html , November , 2001
9. www.geneticprogramming.com/ , January , 2002
10. www.glue.umd.edu/~azarm/optimum_notes/multi/multi_intro.html ,
January , 2002
11. www.cs.qub.ac.uk/~M.Sullivan/ga/ga1.html , January , 2002
12. www.ifs.tuwien.ac.at/~aschatt/info/ga/genetic.html , January ,
2002