1.4 選擇臨近解演算法策略實驗
1.4.1 實驗概述
本實驗針對SA演算法的實施不同策略組合進行效能比較，實驗環境如下：
- 地圖模型: DatongModel
- 基本參數設定: T0=250, Tf=20, Beta=0.93, Nummax=100, Itermax=300
- 比較基準: 2OptDirectionHalf策略
1.4.2 策略說明
| 策略 | 說明(採用演算法與機率) |
|---|---|
| 2OptDirectionHalf | 基準策略：2-Opt(0.5)，節線方向交換(0.5) |
| Strategy1 | 2-Opt(0.5)，節線方向交換(0.5) |
| Strategy2 | GMN(0.4)，2-Opt(0.3)，節線方向交換(0.3) |
| Strategy3 | 2-Opt(0.4)，GMN(0.3)，節線方向交換(0.3) |
| Strategy4 | 節線方向交換(0.4)，GMN(0.3)，2-Opt(0.3) |
| Strategy5 | GMN(0.6)，2-Opt(0.2)，節線方向交換(0.2) |
| Strategy6 | 2-Opt(0.6)，GMN(0.2)，節線方向交換(0.2) |
| Strategy7 | 節線方向交換(0.6)，GMN(0.2)，2-Opt(0.2) |
| Strategy8 | GMN(0.8)，2-Opt(0.1)，節線方向交換(0.1) |
| Strategy9 | GMN(0.1)，2-Opt(0.45)，節線方向交換(0.45) |
1.4.3 實驗結果分析
| 策略 | 平均距離 | 最佳解 | 最差解 | 執行時間(秒) |
|---|---|---|---|---|
| 2OptDirectionHalf | 58812.20 | 49562.00 | 67040.00 | 0.98 |
| Strategy1 | 58987.97 | 50396.00 | 66983.00 | 0.98 |
| Strategy2 | 48189.03 | 43325.00 | 54892.00 | 1.37 |
| Strategy3 | 49146.73 | 41244.00 | 54541.00 | 1.16 |
| Strategy4 | 49290.77 | 42203.00 | 55396.00 | 1.40 |
| Strategy5 | 49215.23 | 42543.00 | 55662.00 | 1.55 |
| Strategy6 | 51088.53 | 44744.00 | 56860.00 | 0.79 |
| Strategy7 | 49309.43 | 42125.00 | 54778.00 | 1.64 |
| Strategy8 | 48963.77 | 42819.00 | 55449.00 | 1.72 |
| Strategy9 | 49593.00 | 40770.00 | 56271.00 | 1.12 |
結果分析
最佳效能策略
Strategy2 (GMN主導) 展現出最佳的整體效能：
- 最低平均距離：48189.03
- 較穩定的解品質：最佳解與最差解的差距較小
- 合理的執行時間：1.37秒
關鍵發現
- GMN策略的比重增加能顯著改善解的品質
- 平衡使用三種策略比單一策略主導效果更好
- 執行時間與解的品質並非完全正相關
策略綜合比較
1.4.4 圖表分析
平均距離比較
執行時間比較
最佳解比較
最差解比較