基本參數

• 災區數量變化：60、100、200個
• 實驗重複次數：30次（取平均值）
• 測試地圖：大同、中山、松山區

實驗環境

主要發現

1. 多點策略的優越性：
   • MSATabu6在各測試區域顯示最佳效能，200災區時可達：大同區83,635、中山區230,541、松山區146,909
   • 相較基本演算法SA，MSATabu6分別改善了6.4%(大同)、7.3%(中山)、9.7%(松山)
   • 策略數量(P)的增加對效能有穩定提升，從P=2到P=6的改善幅度分別為2.1%、3.5%、4.8%、5.9%、6.4%
   • 執行時間增加在可接受範圍內，以200災區為例，SA 46.09秒 vs MSATabu6 47.33秒
2. 雙重迴圈的穩定性：
   • DoubleLoopGMNSA在大同區200災區測試中達到85,031，較SA(89,359)改善4.8%
   • 執行時間增加約1.6倍(SA 46.09秒 vs DoubleLoopGMNSA 75.08秒)
   • 在各種規模問題中都展現穩定的改善效果，60災區改善2.0%、100災區改善3.2%、200災區改善4.8%
   • 特別適合運算資源有限或對執行時間有要求的場景
3. 災區規模的影響：
   • 所有算法的執行時間都隨災區數量增加而上升，以MSATabu6為例：60災區24.95秒、100災區30.66秒、200災區47.33秒
   • 改進算法在大規模問題中優勢更明顯，以大同區為例，MSATabu6在60災區改善4.3%，200災區改善6.4%
   • 解品質差異隨規模擴大而增加，200災區時基本SA與MSATabu6的差距達5,724單位
   • 基本算法在小規模問題中仍具競爭力，60災區時SA與MSATabu6差異僅5.3%
4. 地圖特性的影響：
   • 中山區路網最複雜，200災區時MSATabu6達230,541，較SA(248,590)改善7.3%
   • 松山區整體效能最佳，MSATabu6可達146,909，較SA(162,673)改善9.7%
   • 大同區表現中等，MSATabu6達83,635，較SA(89,359)改善6.4%
   • 改進算法在複雜路網中優勢更明顯，中山區改善幅度(7.3%)顯著高於大同區(6.4%)

算法效能比較

效能統計

* 平均改善率：相對於基本演算法的路徑長度減少百分比（以200個災區測試資料計算）
** 最佳改善率：在所有200個災區測試案例中的最大改善幅度
*** 時間成本增加：相對於基本演算法的平均執行時間倍數（以200個災區測試資料計算）

實驗結果以CSV格式輸出，包含以下欄位：

結論與建議

1. 演算法選擇建議

• 小規模問題(60個災區)：優先使用SA（執行快速，平均路徑48,466）或MSATabu4（改善8.0%，時間增加少）
• 中等規模(100個災區)：建議使用MSATabu6（松山區可達128,307）或DoubleLoopGMNSA（平衡效能與時間）
• 大規模問題(200個災區)：選擇MSATabu6，所有測試區域都達到最佳效能（改善6.4-9.7%）

2. 實作考量

• 複雜路網（如中山區）建議使用MSATabu6，改善效果最顯著(7.3%)
• 時間敏感場景可選用DoubleLoopGMNSA，以1.63倍時間成本換取4.8%改善
• 多點策略建議使用P=6配置，數據顯示提供最佳效能平衡
• 運算資源有限時可選用基本SA(小規模)或DoubleLoopGMN(大規模)

3. 未來改進方向

• 優化MSATabu的策略選擇機制，進一步提高效能
• 研究路網特徵與演算法效能的關係，建立自適應選擇模型
• 探索MSATabu與DoubleLoopGMN的混合策略
• 開發針對特定路網特徵的專用最佳化策略

效能視覺化

平均路徑長度比較 (大同區,災區數=200)
執行時間比較 (大同區,災區數=200)
各演算法在不同災區數量下的平均效能 (大同區)
圖表展示三個具代表性的演算法：
• SA：作為基準演算法，代表最基本的實作方案，用來評估改進效果的基準點
• MSSA6：代表多點策略的最佳表現，實驗結果顯示能提供4.7-5.7%的穩定改善
• DoubleLoopGMNSA：代表平衡方案，以1.6倍時間成本換取2.8%的效能改善
這三個演算法的選擇能夠：
• 展示基本實作到最佳改進的完整效能範圍
• 呈現不同改進策略的效果對比
• 提供實務應用時的選擇參考

完整實驗數據

選擇演算法
選擇地圖
選擇災區數

演算法	地圖	災區數	參數設定	平均距離	最佳解	最差解	執行時間(秒)