一個(gè)應(yīng)用於網(wǎng)際網(wǎng)路餐廳菜色組合決策之即時(shí)多準(zhǔn)則決策支援系統(tǒng)

1、一個(gè)應(yīng)用於網(wǎng)際網(wǎng)路餐廳菜色組合決策之即時(shí)多準(zhǔn)則決策支援系統(tǒng)：以聯(lián)合分析為基礎(chǔ)之NEW-IGA模型應(yīng)用A Real Time MCDSS for Supporting INTERNET Repast Decision Making: An Application of a New IGA model Based on Conjoint Analysis許芳誠、劉懿增、高寧潔*真理大學(xué)資訊管理學(xué)系臺北縣淡水鎮(zhèn)真理街32號*TEL：(02)2368-6257*E-MAIL：aj0317摘要網(wǎng)際網(wǎng)路餐廳若能提供消費(fèi)者自行搭配菜色組合，將可像A般，獲得Web所帶來的策略優(yōu)勢。本研究所定義的餐廳菜色組合問

2、題基本上屬於決策者的目標(biāo)函數(shù)未知，決策者的偏好隨著決策分析進(jìn)行而改變的多準(zhǔn)則決策問題。另一方面，在網(wǎng)際網(wǎng)路需即時(shí)回應(yīng)的壓力下，解決網(wǎng)際網(wǎng)路餐廳菜色組合問題也存在回應(yīng)時(shí)間不能太長的限制。過去的文獻(xiàn)顯示，交談式遺傳演算法(Interactive Genetic Algorithms; IGA)適合用於解決此類問題，但以IGA為基礎(chǔ)的模型在互動過程中會造成使用者很大的負(fù)擔(dān)。為此，本研究提出一個(gè)結(jié)合聯(lián)合分析(conjoint analysis)與GA的NEW_IGA模型，以聯(lián)合分析模組替代原本需要決策者逐代和GA的交談並提供適應(yīng)值的程序，藉以減少使用者的負(fù)擔(dān)。為驗(yàn)證NEW_IGA模型的優(yōu)異性，本研究將

3、以實(shí)驗(yàn)方式比較NEW_IGA與傳統(tǒng)IGA的績效。關(guān)鍵詞：多準(zhǔn)則決策、交談式遺傳演算法、聯(lián)合分析ABSTRACTDecision-making is a very complex process. To accurately modeling the process, methodologies of multiple criteria decision-making (MCDM) are emerging. Take the Interactive Genetic Algorithms (IGA) model for example. After reviewing literatures,

4、we find that the main problem of the IGA is the user may endure a heavy physical and psychological burden to assign fitness repetitively, and the problem is still unresolved apparently. In this paper, we propose a New-IGA model based on conjoint analysis and GA to conquer the problem IGA have met. T

5、o verify the superiority of the NEW-IGA model over the traditional IGA, we design a laboratory experiment on a Chinese repast case to compare the performance between them.Keywords：multiple criteria decision-making, interactive genetic algorithms, conjoint analysis壹、 緒論網(wǎng)際網(wǎng)路除了帶來電子商務(wù)的快速發(fā)展外，F(xiàn)enny (2001)

6、更進(jìn)一步指出：像eb這樣的技術(shù)正提供企業(yè)史無前例的機(jī)會，讓企業(yè)經(jīng)營者重新思考如何建立策略性的企業(yè)模型、企業(yè)程序與企業(yè)間的關(guān)係。換言之，企業(yè)除了享受網(wǎng)路低成本及簡便的利益外，更應(yīng)思考如何獲得像A般的策略優(yōu)勢?，F(xiàn)有的網(wǎng)路商店基本上提供消費(fèi)者一個(gè)方便的購物環(huán)境，網(wǎng)站通常提供目錄分類功能，消費(fèi)者藉由逐一瀏覽網(wǎng)頁，尋找適合的商品。一般而言，消費(fèi)者購買像手機(jī)類的商品時(shí)，由於商品的價(jià)格、品牌、包裝、功能等等屬性所組合出的手機(jī)種類相當(dāng)多，逐一瀏覽網(wǎng)頁將造成使用者很大的負(fù)擔(dān)。因此，有些網(wǎng)路商店開始嘗試提供消費(fèi)者更佳的服務(wù)。最常見的一種做法是讓消費(fèi)者輸入他們對商品各屬性水準(zhǔn)的需求條件，然後藉由條件比對找出滿足消費(fèi)

7、者需求的商品。例如手機(jī)王網(wǎng)站曾經(jīng)提供的量身定造手機(jī)時(shí)，消費(fèi)者只要在他們提供的輸入介面中選擇價(jià)格範(fàn)圍、品牌、簡配或全配、是否有中文輸入、是否內(nèi)建來電震動、是否有WAP功能等屬性水準(zhǔn)，手機(jī)王便會幫忙找出符合消費(fèi)者需求的手機(jī)；或例如在CarP ( 的tire shop買輪胎時(shí)，消費(fèi)者只要選擇欲購買輪胎的 “cross section,” “aspect ratio,” “ rim size,” “one or more tire type,” “one or more brands,” “one or more speed ratings.”等等屬性水準(zhǔn)，CarP便會幫忙找出符合消費(fèi)者需求的輪胎。上

8、述條件式搜尋的最大問題是：大多數(shù)的消費(fèi)者認(rèn)真的填寫完心儀的所有屬性水準(zhǔn)後，常常因?yàn)槠渲械膸醉?xiàng)條件未能完全符合而沒有找到使用者想要的商品。例如，在CarP 的tire shop中消費(fèi)者選擇 “cross section = 275,” “aspect ratio = 70,” “ rim size = 17,” “one or more tire type = High performance,” “one or more brands = Goodyear or Yokohama,” “one or more speed ratings = H-130MPH or V-149 MPH or Y

9、-186 MPH.”後，因?yàn)橄到y(tǒng)無法找到完全符合的輪胎，因此出現(xiàn) “No matches were found. Try your search again”。我們曾經(jīng)進(jìn)行小規(guī)模實(shí)驗(yàn)，32位有駕駛經(jīng)驗(yàn)的受測者運(yùn)用tire shop尋找自己偏好的輪胎，初步實(shí)驗(yàn)結(jié)果顯示：在5分鐘之內(nèi)未能找到符合偏好輪胎的比例高達(dá)87%(28/32)。實(shí)驗(yàn)完成後，受測者回答放棄使用該項(xiàng)條件式搜尋的比例也高達(dá)70%(22/32)。本研究所關(guān)心的餐廳菜色組合問題係針對：消費(fèi)者進(jìn)入一家餐廳消費(fèi)時(shí)，不希望直接由店家提供的幾組特定菜色組合中選擇其一，而是希望從餐廳所提供的基本菜色自行組合出滿足自己偏好的一桌菜。因此網(wǎng)路餐廳的

10、經(jīng)營者將面臨如上所述的問題。我們相信，若能發(fā)展出一個(gè)可以解決這類問題的系統(tǒng)，將可像A般，獲得Web所帶來的策略優(yōu)勢。我們發(fā)現(xiàn)，不論是提供逐一瀏覽網(wǎng)頁或條件式搜尋的網(wǎng)路商店，都隱含二個(gè)假設(shè)：(1) 消費(fèi)者已充分了解自己的偏好，(2) 網(wǎng)路商店所提供的商品可以滿足各式各樣消費(fèi)者的需求。但事實(shí)上，有些時(shí)候消費(fèi)者面對一些複雜屬性的商品時(shí)，並不全然了解自己的偏好，因此若能提供消費(fèi)者對同類型商品進(jìn)行功能或價(jià)格等多屬性評比，將可更滿足消費(fèi)者的需求；另一方面，商品製造商在未能充分掌握所有消費(fèi)者偏好資訊的情形下，基於成本或市場區(qū)隔等考量，無法提供所有可能的商品組合供消費(fèi)者選擇，導(dǎo)致造成顧客流失的遺憾。對於解決此

11、類決策者偏好未知的多準(zhǔn)則決策問題，已有學(xué)者提出IGA-based模型可求得使用者滿意解。但I(xiàn)GA模型要求決策者需逐代參與演化，造成使用者極大的負(fù)擔(dān)。為此，本研究提出一個(gè)以聯(lián)合分析為基礎(chǔ)的NEW-IGA模型，期望在保有傳統(tǒng)IGA模型的本質(zhì)下，得以降低使用者負(fù)擔(dān)，並使決策者的偏好能夠更準(zhǔn)確度的被分析出來。為了展示本研究模型的可行性，我們提出二個(gè)研究問題，並將以實(shí)驗(yàn)方式驗(yàn)證NEW-IGA模型與傳統(tǒng)IGA模型的差異性。貳、 文獻(xiàn)探討2.1 研究背景多年來學(xué)界關(guān)於多準(zhǔn)則決策方面的研究已有豐碩的成果，但從文獻(xiàn)中不難發(fā)現(xiàn)一些屬於決策者的目標(biāo)函數(shù)未知和決策者的偏好隨著決策分析進(jìn)行而改變的目標(biāo)函數(shù)未知的多準(zhǔn)則決

12、策問題，還有進(jìn)一步發(fā)展的空間。此外，對於一些不存在的解析法或尚未發(fā)現(xiàn)解析法求解的問題，通常需要運(yùn)用資訊科技配合演算法解決。但Cook(1971)提出的NP-complete理論，證實(shí)了運(yùn)用資訊科技演算法求解時(shí)，面對巨大的搜尋空間，確實(shí)存在時(shí)間的限制。為了方便說明，對於找不出多項(xiàng)時(shí)間可完成的演算法的決策問題，本研究將之稱為複雜的決策問題。另一方面，互動式的網(wǎng)路商店在即時(shí)回應(yīng)的壓力下，也存在時(shí)間的限制。為了方便說明，對於找不出在一特定時(shí)間時(shí)間可完成的演算法的決策問題，本研究將之稱為即時(shí)的決策問題。過去學(xué)界對多準(zhǔn)則決策問題，依決策程序之不同，大致分成三大類(Hwang and Masud, 1979

13、; Horn, 1997)：(1)先決策後搜尋(Decision making before search)，(2)先搜尋後決策(Search before decision making)，和(3)邊搜尋邊決策(Decision making during search)。我們發(fā)現(xiàn)上述所謂的搜尋相當(dāng)於Simon三階段決策模型中設(shè)計(jì)階段的一個(gè)主要活動，主要涉及的作業(yè)是產(chǎn)生方案(generate alternatives)；而所謂的決策則相當(dāng)於選擇活動。為了便於討論，我們將這該三類多目標(biāo)最佳化法改以Simon(1960)的詞彙描述為：(1)先選後尋(choice before search)，(

14、2)先尋後選(search before choice) 和(3)邊尋邊選(choice during search)。其中，傳統(tǒng)多目標(biāo)最佳化法便是典型的先選後尋法。也就是說先選擇好確定的一些目標(biāo)，再據(jù)以找出柏拉圖最佳解集合。另一種方法是，先透過所有可量化準(zhǔn)則的目標(biāo)，找出一組候選解(最好是柏拉圖最佳解)。之後，決策者再根據(jù)自己的主觀準(zhǔn)則，從中做出最後選擇。上述作法便是先執(zhí)行搜尋程序再進(jìn)行選擇程序，這種作法最大的缺失是搜尋時(shí)已先將一些準(zhǔn)則排除在外，可能不當(dāng)?shù)販p少了搜尋空間的複雜度，導(dǎo)致不利真正柏拉圖最佳解的產(chǎn)生(Cohon, 1985)。顯然這兩種策略都不利於解決目標(biāo)函數(shù)未知的決策問題。邊尋邊選

15、策略是整合搜尋與選擇的一種策略，理論上可以兼顧上述二類方法的優(yōu)點(diǎn)，又可避免他們的缺失。邊尋邊選使決策者得以在互動式的最佳化程序中表達(dá)其偏好。在每次最佳化步驟後，會產(chǎn)生一些必須斟酌的方案，決策者再據(jù)此提供更進(jìn)一步的偏好資訊以便導(dǎo)引下一次的搜尋。因此本研究認(rèn)為具備邊尋邊選機(jī)制的模型應(yīng)可支援目標(biāo)函數(shù)未知的多準(zhǔn)則決策問題。雖然邊尋邊選機(jī)制可支援目標(biāo)函數(shù)未知的多準(zhǔn)則決策問題，但適合支援本研究問題的模型，尚須克服複雜或即時(shí)的決策問題。根據(jù)過去的學(xué)術(shù)研究中，遺傳演算法(genetic algorithms, GA)已成為解決複雜問題的有效工具，而且本質(zhì)上可以克服演算法非多項(xiàng)時(shí)間可完成的限制。而新近的互動式遺

16、傳演算法(interactive genetic algorithms, IGA)除了具備傳統(tǒng)GA的優(yōu)點(diǎn)外，還具備與決策者互動的機(jī)制。陳稼興與許芳誠(2001)曾提出一個(gè)以IGA為基礎(chǔ)的多準(zhǔn)則決策模型，可以解決消費(fèi)者偏好未知及消費(fèi)者偏好隨著決策分析進(jìn)行而改變的多準(zhǔn)則決策模型，但由於傳統(tǒng)IGA，需由決策者逐代給予適應(yīng)值，面對數(shù)十代甚至數(shù)百代的演化，對決策者心理與生理均是相當(dāng)大的負(fù)擔(dān)。而聯(lián)合分析已在多項(xiàng)研究中顯示可以經(jīng)由與決策者的互動，推估出決策者的偏好函數(shù)，而且有很高的準(zhǔn)確度。許芳誠等(2001)曾利用聯(lián)合分析於喜餅網(wǎng)路商店，幫助消費(fèi)者找到滿足其偏好的商品，但限於網(wǎng)路須即時(shí)回應(yīng)的限制，喜餅的屬性

17、及屬性水準(zhǔn)的數(shù)量也受到限制。因此，本研究發(fā)展出一個(gè)結(jié)合聯(lián)合分析與GA的New-IGA模型，希望透過聯(lián)合分析顯示出決策者的內(nèi)隱偏好，而後將此內(nèi)隱偏好轉(zhuǎn)換為適應(yīng)函數(shù)，然後提供GA得以在廣大的解答空間中即時(shí)地找出滿足決策者偏好的滿意解(satisfying solutions)。在我們提出的模型中，若決策者對GA找出的解答不滿意時(shí)，可以再一次與聯(lián)合分析模組互動，找出更精確的適應(yīng)函數(shù)供GA再次尋找滿意解，直至找到可以接受的滿意解為止。我們所提出的以聯(lián)合分析為基礎(chǔ)的New-IGA模型，理論上可滿足邊尋邊選的決策程序，預(yù)期也可以有效降低決策者的負(fù)擔(dān)。為檢驗(yàn)本研究模型的優(yōu)越性，在整個(gè)實(shí)驗(yàn)中，本研究將透過餐宴

18、決策問題，運(yùn)用本研究所提出的New-IGA模型與傳統(tǒng)IGA進(jìn)行比較分析。2.2 交談式遺傳演算法IGA的概念最先於1991年被提出，當(dāng)時(shí)應(yīng)用於嫌犯臉譜之辨識，並得到相當(dāng)好的成果(Goldberg, 1994)。之後，IGA陸續(xù)被應(yīng)用於音樂、美術(shù)、造型、服裝設(shè)計(jì)等等藝術(shù)領(lǐng)域中。在IGA研究上的二個(gè)主要議題是：如何擴(kuò)展IGA的應(yīng)用領(lǐng)域及如何降低使用者的負(fù)擔(dān)，有效的改善使用者給定適應(yīng)值的手續(xù)，使他們花費(fèi)在評估染色體的心力與時(shí)間得以降低。(許芳誠，2000；陳稼興，許芳誠，2001)。IGA以決策者內(nèi)隱的偏好函數(shù)為適應(yīng)函數(shù)，並藉決策者對可行方案的偏好值引導(dǎo)屬性值的重組，搜尋更適合的可行方案。其形式基本

19、上隱含人類的心智模式，同時(shí)也滿足邊尋邊選的精神，符合解決目標(biāo)函數(shù)未知的複雜多準(zhǔn)則決策問題的需求。IGA的主要概念是希望在GA的基礎(chǔ)下，以人扮演傳統(tǒng)GA適應(yīng)函數(shù)的角色。除了以人的評估替代傳統(tǒng)GA中的適應(yīng)函數(shù)外，IGA和傳統(tǒng)GA並無不同。儘管只有些微的改變，但I(xiàn)GA卻發(fā)展出可結(jié)合GA的全域搜尋能力(global search ability)及人類的評估力的特色，使得有些不容易發(fā)展出合適的評估函數(shù)當(dāng)做GA的適應(yīng)函數(shù)(例如，有些問題的評估除了涉及一些客觀因素，例如：成本、時(shí)間等，還涉及人的主觀評估，例如，最像、最舒適、最恰當(dāng)、最有吸引力等)的問題，都可以應(yīng)用IGA解決，也使得GA的應(yīng)用領(lǐng)域得以更寬廣

20、。IGA的基本程序如下：IGA ( ) 隨機(jī)設(shè)定初始染色體族群顯現(xiàn)各染色體的表現(xiàn)型，並由決策者指定各染色體的適應(yīng)值while (尚未有夠好的染色體適應(yīng)值)選擇存活的種子染色體進(jìn)行該些染色體間的交配以及突變產(chǎn)生下一代族群顯現(xiàn)各染色體的表現(xiàn)型，並由決策者指定各染色體的適應(yīng)值 由於IGA每一代的演化都需要人的參與，面對數(shù)十代，甚至數(shù)百代的演化，使用者需對每一代族群中的所有染色體進(jìn)行評估，並給定適應(yīng)值，對使用者而言勿寧是一個(gè)相當(dāng)大的負(fù)擔(dān)。如何降低使用者的負(fù)擔(dān)一直是IGA應(yīng)用上的一個(gè)待解決問題。換言之，如何提供較佳的適應(yīng)值給定法，減少系統(tǒng)整體執(zhí)行時(shí)間的耗費(fèi)，但又不影響系統(tǒng)執(zhí)行結(jié)果，對研究者而言將是一大考

21、驗(yàn)。2.3 聯(lián)合分析聯(lián)合分析最早由Luce and Tukey (1964) 所提出，原來稱之為聯(lián)合衡量，主要應(yīng)用於心理學(xué)領(lǐng)域之衡量方法。1971年始由Green and Rao引進(jìn)行銷學(xué)領(lǐng)域，成為行銷研究中衡量消費(fèi)者態(tài)度的重要方法，1978年Green and DeSarbo將之改稱為聯(lián)合分析，之後聯(lián)合分析即用以專指應(yīng)用於行銷領(lǐng)域中的聯(lián)合衡量方法。聯(lián)合分析是在已知受測者對某一受測體集合(a set of stimuli)之整體評估結(jié)果的情形下，經(jīng)由分解法(decompositional approach)去估計(jì)其偏好結(jié)構(gòu)的一種分析方法。目的在將受測者對受測體的整體偏好加以分解，俾能從受測者對

22、受測體的整體評估結(jié)果推求出其偏好效用。適用於衡量受測者的心理判斷，如知覺和偏好(黃俊英，2000)。屬性及屬性水準(zhǔn)模組主要是決定商品的屬性及各屬性水準(zhǔn)。早期的聯(lián)合分析應(yīng)用研究中，由於產(chǎn)品數(shù)量較少，因此屬性和屬性的水準(zhǔn)大都由文獻(xiàn)中便可確立。然而，隨著市場競爭激烈，產(chǎn)品的屬性及屬性水準(zhǔn)也愈趨多樣化，相對的屬性設(shè)計(jì)便愈來愈複雜。當(dāng)屬性及屬性水準(zhǔn)確定後，聯(lián)合分析便可藉由一個(gè)和使用者的互動程序推估出使用者的偏好函數(shù)，然後藉此函數(shù)計(jì)算出所有可能商品組合的偏好度分?jǐn)?shù)，並指定偏好度分?jǐn)?shù)最高的商品為推薦商品。但當(dāng)聯(lián)合分析面臨本研究計(jì)劃擬支援的複雜多準(zhǔn)則決策問題，也就是產(chǎn)品的屬性及屬性水準(zhǔn)相當(dāng)多，導(dǎo)致產(chǎn)品的組合極

23、為巨大時(shí)，想找出偏好度分?jǐn)?shù)最高的商品便成為一個(gè)NP-complete 問題，此時(shí)傳統(tǒng)的聯(lián)合分析將變成不可行。參、 NEW_IGA模型在2.2小節(jié)我們看到，IGA在面對使用者偏好未知時(shí)，必須讓使用者與GA進(jìn)行頻繁的互動，導(dǎo)致使用者體力與精神的沉重負(fù)擔(dān)。雖然已有一些研究試圖降低人和GA互動的負(fù)擔(dān)，而所有這類研究的主要思考邏輯都建立在如何提供一個(gè)好的適應(yīng)值給定方法上。此外，傳統(tǒng)用於行銷研究的聯(lián)合分析法，面對使用者偏好未知時(shí)，雖然可藉由與消費(fèi)者的特定互動程序，取得個(gè)別消費(fèi)者的偏好資訊，並藉以估算該消費(fèi)者的偏好函數(shù)(相較於IGA-based模型，同樣是面對自己的偏好函數(shù)不明確，透過聯(lián)合分析的特定程序，消

24、費(fèi)者的偏好效用函數(shù)卻可以很輕鬆的推估出來)，但當(dāng)產(chǎn)品的屬性及屬性水準(zhǔn)太多時(shí)，即使有了推估出來的偏好函數(shù)，卻又面臨無法在有效時(shí)間內(nèi)找出最高偏好度商品的困難。3.1 系統(tǒng)模組本研究計(jì)劃希望將聯(lián)合分析法中的偏好分析概念導(dǎo)入GA模型中，並提出一個(gè)結(jié)合聯(lián)合分析與GA的全新IGA-based模型，期望在保有傳統(tǒng)IGA-based模型的優(yōu)點(diǎn)下，可以更減低人和GA互動所承受的負(fù)擔(dān)。我們初步的概念是在人和GA之間加入一個(gè)以聯(lián)合分析為基礎(chǔ)的偏好分析模組。在這樣的架構(gòu)下，使用者可以先和偏好分析模組進(jìn)行互動，偏好分析模組則分析出使用者的偏好函數(shù)作為GA的適應(yīng)函數(shù)，然後GA根據(jù)該適應(yīng)函數(shù)演化出一些最佳染色體(最佳解)。

25、若使用者可以從中找出滿意解，則結(jié)束；否則使用者需再一次和偏好分析模組進(jìn)行互動，並分析出更能代表使用者的偏好函數(shù)作為GA的新適應(yīng)函數(shù)，然後GA根據(jù)新的適應(yīng)函數(shù)演化出一些新的最佳染色體供使用者挑選。上述程序可以一再重複，直到使用者可以從中找出滿意解為止。本研究計(jì)劃所擬的新IGA基本演算程序如下：NEW_IGA ( )利用直交表列出一些具代表性商品，將該些商品以圖片呈現(xiàn)於網(wǎng)路介面上，消費(fèi)者依自己的偏好排出他對該些商品偏好順序，聯(lián)合分析模組依據(jù)該些商品的排名，估算出消費(fèi)者的偏好函數(shù)，以估算出的偏好函數(shù)作為適應(yīng)函數(shù)，並以GA找出偏好度較高的一些商品作為推薦商品while (消費(fèi)者不滿意所推薦的商品)利用

26、直交表列出一些具代表性商品，將該些商品以圖片呈現(xiàn)於網(wǎng)路介面上，消費(fèi)者依自己的偏好排出對該些商品的偏好順序，聯(lián)合分析模組依據(jù)該些商品的排名，估算出消費(fèi)者的偏好函數(shù)，以估算出的偏好函數(shù)為適應(yīng)函數(shù)，並以GA找出偏好度較高的一些商品作為推薦商品我們可以很容易看出，上述的NEW_IGA( )演算程序確實(shí)可提供邊尋邊選的機(jī)制，符合解決本研究所關(guān)心的目標(biāo)函數(shù)未知的複雜多準(zhǔn)則決策問題。本研究所提之以聯(lián)合分析為基礎(chǔ)的New-IGA模型系統(tǒng)架構(gòu)如圖3.1，系統(tǒng)由四個(gè)模組構(gòu)成：(1)與決策者互動的互動式介面模組，(2)儲存各屬性水準(zhǔn)值和相關(guān)資料的資料庫管理模組，(3)估算決策者偏好函數(shù)的聯(lián)合分析運(yùn)算模組，以及(4)

27、演算屬性重組和推算出適應(yīng)值高的產(chǎn)品給決策者的GA運(yùn)算模組所組成。圖3.1 NEW-IGA系統(tǒng)模組架構(gòu)首先，資料庫管理模組儲存各屬性及水準(zhǔn)相關(guān)資料、評選方案以及直交排列後的受測方案。系統(tǒng)運(yùn)作之初，由互動式介面模組展示資料庫管理模組受測方案，並針對這些受測體給予圖片或文字加以描述，好讓決策者針對這些受測體加以排名。而後，聯(lián)合分析運(yùn)算模組藉由這些名次，將各屬性水準(zhǔn)的成分效用值及權(quán)重計(jì)算出來並推估決策者的偏好函數(shù)。再者，GA運(yùn)算模組藉由此偏好函數(shù)做為其適應(yīng)函數(shù)，根據(jù)此適應(yīng)函數(shù)，對染色體進(jìn)行選擇、交配、和突變等運(yùn)算，並演化出適應(yīng)值高的商品組合。最後，將這些商品組合供決策者評估，假使決策者不甚滿意，系統(tǒng)會

28、重新運(yùn)作，直到產(chǎn)生決策者滿意的產(chǎn)品組合為止。本系統(tǒng)除了滿足邊尋邊選的機(jī)制外，藉由聯(lián)合分析更可估算出決策者的偏好函數(shù)，並促使決策者在整個(gè)運(yùn)作中，且經(jīng)由邊尋邊選的機(jī)制，可望逐漸清楚本身的目標(biāo)。此外，GA的強(qiáng)大搜尋能力，可以在解答空間極大的問題中，搜尋出使用者的滿意解，為使用者提供決策方案。3.2案例1. 設(shè)定屬性水準(zhǔn)：將海鮮餐廳內(nèi)的所有菜色，依照開放性問卷中受測者過去的經(jīng)驗(yàn)，以及一般海鮮餐館的桌宴菜色分配，將桌菜組合歸類為九個(gè)屬性，且每個(gè)屬性給予四個(gè)水準(zhǔn)，如表3-1。表3-1 屬性及水準(zhǔn)拼盤冷盤米飯湯品魚類蝦蟹類貝參類甜點(diǎn)水果1珍珠拼盤龍蝦沙拉紅蟳米糕魚頭味噌清蒸石斑荷葉蒸蝦九孔起士燒椰汁雪花糕百

29、花生果2九孔拼盤沙拉美鮑角壽司船八寶燉魚翅紅甘刺身車蝦焗起士烏參悶虎掌雪茸蓮子湯錦繡鮮果3鮑魚雙拼沙拉海鮮捲荷葉鰻米糕鯛首沙鍋味噌糖醋鰻魚北海道長腳蟹蠔油烏參燴干貝義大利奶酪花式水果4龍蝦三拼沙拉羅香蝦錦繡壽司船蛤蜊湯泰式檸檬清蒸魚芙蓉旭蟹蒜泥蒸九孔百合紅豆沙翠綠鮮甜水果2. 決定供受測者評選排名之方案：在9個(gè)屬性、4個(gè)水準(zhǔn)的前提下，將會產(chǎn)生26多萬種桌菜組合，利用直交表的運(yùn)算模式，決定出32個(gè)備選之方案，如表3-2。(礙於篇幅僅展示部分受測方案)表3-2 備選方案拼盤冷盤米飯湯品魚類蝦蟹類貝參類甜點(diǎn)水果1龍蝦三拼沙拉海鮮捲錦繡壽司龍船蛤利湯泰式檸檬清蒸魚芙蓉旭蟹蒜泥蒸九孔百合紅豆沙翠綠鮮甜冰

30、果2珍珠拼盤沙拉羅香蝦錦繡壽司龍船鯛首砂鍋味增糖醋鰻魚荷葉蒸蝦蠔油烏參燴干貝椰汁雪花糕花式水果3九孔拼盤沙拉美鮑角紅蟳米糕蛤利湯泰式檸檬清蒸魚車蝦焗起士蒜泥蒸九孔雪茸蓮子湯翠綠鮮甜冰果.32.3. 決定給予使用者排名的受測體：若將直交表運(yùn)算後產(chǎn)生的32個(gè)備選方案，直接由使用者排名，勢必造成使用者不小的負(fù)擔(dān)，本研究初步提出下列3種受測體選取方式，期望能在降低使用者負(fù)擔(dān)的情形下，仍保有偏好的準(zhǔn)確度。(1) 隨機(jī)抽樣法：由直交表產(chǎn)生的32個(gè)評選方案中，由電腦隨機(jī)抽取10個(gè)方案作為受測體，再由受測者排名。優(yōu)點(diǎn)：是在3個(gè)初步構(gòu)想中，使用者負(fù)擔(dān)最少者。缺點(diǎn)：因?yàn)槭怯呻娔X隨機(jī)抽樣出10個(gè)受測體，屬性水準(zhǔn)可能

31、無法完整呈現(xiàn)，因此，對於使用者偏好的估算準(zhǔn)確度無法預(yù)期。(2) 分堆抽樣法：由電腦隨機(jī)將32個(gè)方案分成4組，每組中各含有8個(gè)評選方案，受測者須從每組方案中挑選最喜好的兩個(gè)方案，而後將每組的2個(gè)方案合成一組，此組內(nèi)含受測者選出的8個(gè)方案，即為受測體，再由受測者對這8個(gè)受測體依序排名。優(yōu)點(diǎn)：可減少使用者的排名次數(shù)，且降低使用者面對過多受測體時(shí)無從排名的困擾，相較於電腦隨機(jī)抽取的方案更能表現(xiàn)使用者的偏好度。缺點(diǎn)：相較於上述之隨機(jī)抽樣法，使用者仍需耗費(fèi)不少的精神及時(shí)間負(fù)擔(dān)，且由於未將32個(gè)受測方案都做排名，很可能會導(dǎo)致偏好權(quán)重值不正確的結(jié)果，此外，由於選擇偏好度高的方案，則決策者的偏好喜惡可能無法明顯

32、表現(xiàn)。(3) 分堆法：先由電腦隨機(jī)將32個(gè)方案分成4組，每組中各含有8個(gè)受測方案，受測者須將每組方案依照偏好程度排名，而後將各組的第1、2名合成一組，再由使用者將4組的1、2名，依偏好程度排序18名，同理，將各組的3、4名依序排名916，各組5、6排序1724名，各組7、8名，排序?yàn)?532名，如此可將32個(gè)評選方案皆視為受測體。優(yōu)點(diǎn)：因?yàn)樵镜脑u選方案即是由直交表公平抽樣後產(chǎn)生的，若可將這32個(gè)評選方案皆視為受測體供使用者排名，則表示每個(gè)屬性中的四個(gè)水準(zhǔn)皆平均出現(xiàn)於此32個(gè)受測體中，對於受測者的偏好權(quán)重值是在此3種初步架構(gòu)中最能正確估算者。缺點(diǎn)：使用者需經(jīng)過8次的排名才能將32個(gè)評選方案依序

33、排名，在本研究提供的3種初步構(gòu)想中，是造成使用者負(fù)擔(dān)最大者。4. 展示受測體決策者進(jìn)入互動式介面模組，系統(tǒng)在資料庫管理模組將受測體取出來，由互動式介面模組展示出來，供決策者排名。5. 計(jì)算偏好函數(shù)根據(jù)決策者所排名次，運(yùn)用聯(lián)合分析運(yùn)算模組，計(jì)算出各屬性及水準(zhǔn)的權(quán)重與效用值，以及決策者的偏好函數(shù)。6. 演化出較佳決策方案將偏好函數(shù)作為適應(yīng)函數(shù)，代入GA運(yùn)算模組中，經(jīng)由選擇、交配、以及突變，演化出較佳的決策方案。7. 展示演化結(jié)果將演化出的決策方案以圖片及文字告知決策者，並詢問決策者是否滿意。假使決策者不滿意，則系統(tǒng)會自動回溯至第四步驟，如此重覆直到?jīng)Q策者滿意為止。3.3 案例示範(fàn)步驟1.擬定個(gè)案範(fàn)

34、例：4個(gè)屬性，3個(gè)水準(zhǔn)，共有81種組合方式並將其編碼，如表3-3。表 3-3 範(fàn)例的屬性與水準(zhǔn)屬性魚類編碼蝦蟹類編碼貝參類編碼湯品編碼1清蒸石斑0荷葉蒸蝦0九孔起士燒0魚頭味噌02紅甘刺身1車蝦焗起士1烏參悶虎掌1八寶燉魚翅13糖醋鰻魚2北海道長腳蟹2蠔油烏參燴干貝2鯛首砂鍋味噌2步驟2. 利用直交表產(chǎn)生9個(gè)受測體給予受測者排名，由於受測體總數(shù)不多，因此採用一次全部給予決策者排名，如表3-4。表3-4 九個(gè)受測體排名名次魚類蝦蟹類貝參類湯品9清蒸石斑荷葉蒸蝦烏參悶虎掌魚頭味噌2紅甘刺身車蝦焗起士蠔油烏參燴干貝八寶燉魚翅3糖醋鰻魚北海道長腳蟹九孔起士燒鯛首砂鍋味噌1清蒸石斑車蝦焗起士九孔起士燒八

35、寶燉魚翅8紅甘刺身北海道長腳蟹烏參悶虎掌鯛首砂鍋味噌6糖醋鰻魚荷葉蒸蝦蠔油烏參燴干貝魚頭味噌4清蒸石斑北海道長腳蟹蠔油烏參燴干貝鯛首砂鍋味噌5紅甘刺身荷葉蒸蝦九孔起士燒魚頭味噌7糖醋鰻魚車蝦焗起士烏參悶虎掌八寶燉魚翅 步驟3.將9個(gè)受測體的排名先後視為各水準(zhǔn)的得分?jǐn)?shù)，例如排名1者得分?jǐn)?shù)為9，排名2者得分?jǐn)?shù)為8，第三名得分7，以此類推。利用聯(lián)合分析運(yùn)算出每個(gè)屬性中各水準(zhǔn)的水準(zhǔn)效用值，如表3-5。 (1)表3-5 成分效用值屬性水準(zhǔn)分?jǐn)?shù)效用值魚類清蒸石斑160.36紅甘刺身150.33糖醋鰻魚140.31蝦蟹類荷葉蒸蝦100.22車蝦焗起士200.44北海道長腳蟹150.33貝參類九孔起士燒210

36、.47烏參悶虎掌60.13蠔油烏參燴干貝180.4湯品魚頭味噌100.22八寶燉魚翅200.44鯛首砂鍋味噌150.33步驟4.計(jì)算每個(gè)屬性的權(quán)重值，如表3-6。表3-6 屬性的權(quán)重值屬性水準(zhǔn)分?jǐn)?shù)效用值U高U低U距權(quán)重%魚類清蒸石斑160.360.360.050.06紅甘刺身150.33糖醋鰻魚140.310.31蝦蟹類荷葉蒸蝦100.220.220.27車蝦焗起士200.440.440.22北海道長腳蟹150.33貝參類九孔起士燒210.470.470.340.41烏參悶虎掌60.130.13蠔油烏參燴干貝180.4湯品魚頭味噌100.220.220.27八寶燉魚翅200.440.440.2

37、2鯛首砂鍋味噌150.33步驟5.GA運(yùn)算：1. 電腦隨機(jī)選出GA運(yùn)算中第一代的父代，假設(shè)六個(gè)父代，如表3-7。2. 利用轉(zhuǎn)輪法做選擇，接著在每一基因的後三個(gè)碼做crossover，及隨機(jī)選一基因中的一碼做 mutation等運(yùn)算，產(chǎn)生子代。假設(shè)GA演化十代，如表3-8。表3-7 第一代的父代名次genesrate1清蒸石斑車蝦焗起士九孔起士燒八寶燉魚翅010120%2紅甘刺身車蝦焗起士蠔油烏參燴干貝八寶燉魚翅112119%3糖醋鰻魚北海道長腳蟹九孔起士燒鯛首砂鍋味噌220217%4清蒸石斑北海道長腳蟹蠔油烏參燴干貝鯛首砂鍋味噌022216%5紅甘刺身荷葉蒸蝦九孔起士燒魚頭味噌100015%6

38、糖醋鰻魚車蝦焗起士烏參悶虎掌八寶燉魚翅211114%表3-8 GA運(yùn)算後的子代123456第一代012111012222020211112000第二代100021012202000002020121第三代200012021101200002022000第四代100021012202100021011000第五代200011012000120222022101第六代220220002101110120002202第七代210112022101100020002202第八代200011011101220222022000第九代210110002101120220002202第十代220211012

39、0001101200022023. GA演化後的決策方案 (最後一代的子代)，如表3-9。 表3-9 GA演化後的決策方案1清蒸石斑荷葉蒸蝦烏參悶虎掌八寶燉魚翅2清蒸石斑車蝦焗起士蠔油烏參燴干貝鯛首砂鍋味噌3紅甘刺身北海道長腳蟹蠔油烏參燴干貝鯛首砂鍋味噌4紅甘刺身北海道長腳蟹蠔油烏參燴干貝八寶燉魚翅5糖醋鰻魚車蝦焗起士九孔起士燒鯛首砂鍋味噌6糖醋鰻魚車蝦焗起士九孔起士燒八寶燉魚翅以表3-9的結(jié)果給決策者評估，假若決策者不滿意，則回溯至步驟二，請決策者再做一次排名，直到?jīng)Q策者滿意為止。肆、 討論與結(jié)論對於實(shí)驗(yàn)設(shè)計(jì)中，決定給予使用者排名的受測體展示方式，初步提出了3個(gè)方案，也針對各個(gè)方案預(yù)估其所產(chǎn)

40、生優(yōu)缺點(diǎn)，後續(xù)會將此三種方案具體施行，以求得確實(shí)的結(jié)果，加以記錄並比較此三種方案對此個(gè)案在時(shí)間效率及使用者偏好準(zhǔn)確度上的差異。除此之外，雖說GA已可解決非多項(xiàng)時(shí)間可完成的演算法，但是，由於本研究案例屬性水準(zhǔn)數(shù)頗多，是否能在即時(shí)得到GA收斂的決策方案，仍是一個(gè)未知數(shù)。而且，此收斂之決策方案是否為最好，與GA中所使用的參數(shù)設(shè)定也有很大的關(guān)係，因此為希望留下好的子代，在GA的參數(shù)設(shè)定上也成為本研究一個(gè)很重要的關(guān)鍵。因此，根據(jù)本研究架構(gòu)，我們會進(jìn)一步地將餐宴分析個(gè)案引入NEW-IGA模型及傳統(tǒng)IGA-based模型，抽選受測者，實(shí)際操作此二架構(gòu)，並記錄其使用狀況、完成時(shí)間、以及使用結(jié)果，分析比較NEW

41、-IGA模型與傳統(tǒng)IGA-based模型的差異，驗(yàn)證是否NEW-IGA模型的演化效率及演化效果均優(yōu)於傳統(tǒng)IGA-based模型。理論上，本研究所提的NEW_IGA-based多準(zhǔn)則決策支援模型，可滿足解決目標(biāo)函數(shù)未知的複雜多準(zhǔn)則決策問題的概念本質(zhì)。若研究結(jié)果顯示相對於傳統(tǒng)的IGA-based模型有顯著的優(yōu)越性，則不論對聯(lián)合分析或IGA理論都可以開啟新的視野。本研究的模型期望可以運(yùn)用聯(lián)合分析計(jì)算成分效用值的方式，估算出較符合使用者心中的偏好函數(shù)，希望藉此降低使用者不滿意的機(jī)率。更針對無法在多項(xiàng)時(shí)間內(nèi)完成的複雜多準(zhǔn)則決策問題，利用GA強(qiáng)大的搜尋能力，解決NP-complete的問題。此外，本研究模

42、型提供邊尋邊選的機(jī)制，冀望產(chǎn)生較佳的決策方案，提供決策者參考。從實(shí)務(wù)應(yīng)用的角度，若實(shí)驗(yàn)顯示NEW-IGA模型較傳統(tǒng)IGA-based模型有顯者的優(yōu)越性，則未來經(jīng)營電子商務(wù)B2C的廠商以及網(wǎng)際網(wǎng)路商店，可將本研究所提模型建立在其網(wǎng)站上，相信可以更有效的幫助消費(fèi)者從眾多類似商品中，選擇一個(gè)最滿足其偏好的商品。預(yù)期這樣的系統(tǒng)將可成為一個(gè)策略性系統(tǒng)，為廠商帶來競爭優(yōu)勢。參考文獻(xiàn) 1 黃俊英，多變量分析，臺北:翰蘆圖書出板有限公司，2000。 2 許芳誠，智慧型多準(zhǔn)則決策支援之研究：以交談式遺傳演算法為基礎(chǔ)的模型，國立中央大學(xué)博士論文，2000。 3 許芳誠，吳靜芬，劉佳怡，張桂綺，劉盈秀，以聯(lián)合分析為基礎(chǔ)之策略性網(wǎng)路行銷系統(tǒng)模型網(wǎng)路喜餅商店個(gè)案研究，第七屆資管研究暨實(shí)務(wù)研討會，2001。 4 陳稼興，許芳誠，以交談式遺傳演算法為基礎(chǔ)的多準(zhǔn)則決策支援模型：旅遊行程規(guī)劃個(gè)案 研究，管理學(xué)報(bào)，第十八卷，第四期，2001，頁639-665。 5 Cohon, J. L., “Multicriteria Programming: Brief R