台灣產業環境以代工產業為主，持續面臨成本上的壓力、供過於求、以及顧客對於品質要求嚴苛等挑戰。在製造相關產業中，品質與良率一直是製造業關注的指標。
本文所探討的問題為物料品質只能在最終製程站點，或者是經過一段製造程序後才能對允收條件進行品質檢測，由於在這種情況，對於物料品質掌控困難，本研究利用製程歷史資料推估不同供應商物料品質機率分配、不同製程處方影響品質之機率分配，並根據所推估之物料品質之後進行在投料選擇之決策最佳化，同時提供有在統計上具有信服力之根據進行物料品質評估結果來建立議價與合作策略，使製造商的成本降低。
針對求解的品質要求以及滿足現場即時決策的需求，本研究提出一個演算系統並融合最佳模擬預算分配法(Optimal Computing Budget Allocation, OCBA) 進行演算法的加速，並導入啟發式演算法，可有效降低所需運行的試驗次數與時間，使得本系統擁有在製造現場上線之能力，本研究提出之方法與過去文獻進行比較，本檢測方法擁有至少30%的參數推估誤差改善，在最佳化投料部分有22%的成本改善。

Taiwan's industrial environment gives the first place to foundry industries, and continue to face pressure on costs, oversupply and so on. In the manufacturing-related industries, quality and yield have been two of the indicators of core competence. In the case of raw material quality inspection can only be carried out after the manufacturing process, it is difficult to control the raw material quality in procurement process. The present study, uses historical data from different suppliers to investigate the quality of materials, which provides guideline for procurement optimization, and convincing force to bargain and cooperate with suppliers for cost reduction. The study presents a computational system embedded with simulation optimization of the Optimal Computing Budget Allocation and meta-heuristic algorithm, which can effectively reduce the number of trials given the stopping criteria of the running time and enhance its capability to capture the detailed characteristics of production line. The proposed model was compared with the previous literature, and the result shows that it has the better performance with at least 30% solution quality improvement and potentially 16.7% reduction of production cost.

摘要 i
Abstract ii
目錄 iv
圖目錄 vii
表目錄 ix
符號與名詞解釋 1
1. 緒論 3
1.1 研究背景與動機 3
1.2 研究目的與問題描述 4
1.3 研究流程 9
2. 文獻探討 10
2.1 兩階段模擬最佳化探討太陽能電池製造商在特定允收條件下之選商與訂單分配之研究 10
2.1.1第一階段模擬最佳化 12
2.1.2第二階段模擬最佳化 13
2.1.3與其他分配參數推估方法之差異 13
2.2 系統模擬 14
2.3 系統模擬與模擬最佳化 16
2.4 最佳模擬資源分配 17
2.5 啟發式演算法 18
2.6 文獻探討小結 19
3. 研究方法 21
3.1 模型分配假設及模型假設 22
3.1.1機率分配假設 22
3.1.2加法模型假設 23
3.2 推估製程處方影響機率分配 23
3.2.1離散化方案 24
製程處方影響機率分處方案產生邏輯虛擬碼 26
物料機率分處方案產生邏輯虛擬碼 26
3.2.2推估製程處方影響機率分配參數模擬程序 27
3.2.3推估物料機率分配參數模擬程序 28
3.3 最佳化投料比例 29
3.4 產品效益分析與議價策略 34
3.4.1一般物料期望價格 34
3.4.2標竿物料期望價格 35
4. 案例實證 36
4.1 案例背景與介紹 36
4.1.1 太陽能電池品質衡量 36
4.1.2資料型態 39
4.2 推估製程處方影響機率分配與物料機率分配 40
4.3 最佳化投料比例 43
4.4 產品效益分析與價格策略 45
4.4.1 製程處方最佳化與一般製程處方 45
4.4.2一般物料期望價格 47
4.4.3標竿物料期望價格 49
4.5 與現行做法比較 50
4.5.1 現行投料方法 51
4.5.2 與現行投料邏輯比較結果 52
5. 系統效能比較 55
5.1 配適誤差改善 56
5.2 最佳化投料比例改善 60
6. 結論與未來研究 65
6.1 結論與研究貢獻 65
6.2 未來研究與建議 68
6.2.1統計分配假設 68
6.2.2產能限制 69
6.2.3加法模型與乘法模型 70
6.2.4 潛在應用產業 71
參考文獻 72
附錄A 75
A.1 系統信度與效度 75
A.2本研究偏態可能原因 76
A.3推估參數流程之PCS與方案產生之關係討論 77

工研院產業經濟與趨勢研究中心，2010，太陽能光電產業與市場趨勢。
拓墣產業研究所，2011，全球太陽能產業未來商機探討，拓墣科技股份有限公司，台北。
林書弘，2013，兩階段模擬最佳化探討太陽能電池製造商在特定允收條件下之選商與訂單分配之研究 ，國立成功大學，碩士論文。
黃堯弘，2012，電泳沉積輔助線鋸切割於矽基板加工之永續性分析之研究，國立台灣科技大學，碩士論文。
國家發展委員會，2013，台灣經濟發展歷程與策略。
鼎新電腦，民102，太陽能產業鏈，Available：http://www.dsc.com.tw/wb001838/E/E7-1.html Accessed by 2016.3.20
Amoako-Gyampah, K., ＆ Meredith, J. R. (1989). The operations management research agenda: an update. Journal of Operations Management, 8(3), 250-262.
Azzalini, A. (2005). The Skew‐normal Distribution and Related Multivariate Families*. Scandinavian Journal of Statistics, 32(2), 159-188.
Bai, Q. (2010). Analysis of particle swarm optimization algorithm. Computer and information science, 3(1), 180.
Banks, J., Carson, J. S., Nelson, B. L., ＆ Nicol, D. M. (2010). Discrete-event system simulation.
Barton, R. R., ＆ Meckesheimer, M. (2006). Metamodel-based simulation optimization. Handbooks in operations research and management science, 13, 535-574.
Branke, J., Chick, S. E., ＆ Schmidt, C. (2007). Selecting a selection procedure. Management Science, 53(12), 1916-1932.
Chen, C. H., Dai, L., ＆ Yücesan, E. (1997, December). New development of optimal computing budget allocation for discrete event simulation. In Proceedings of the 29th conference on Winter simulation (pp. 334-341). IEEE Computer Society.
Chen, C. H. (2011). Stochastic simulation optimization: an optimal computing budget allocation (Vol. 1). World scientific.
Hassan, R., Cohanim, B., De Weck, O., ＆ Venter, G. (2005). A comparison of particle swarm optimization and the genetic algorithm. In Proceedings of the 1st AIAA multidisciplinary design optimization specialist conference (pp. 18-21).
Hong, L. J., ＆ Nelson, B. L. (2009). A brief introduction to optimization via simulation. Paper presented at the Winter Simulation Conference.
Hosking, J. R. M., ＆ Wallis, J. R. (2005). Regional frequency analysis: an approach based on L-moments: Cambridge University Press.
Kellner, M. I., Madachy, R. J., ＆ Raffo, D. M. (1999). Software process simulation modeling: why? what? how? Journal of Systems and Software, 46(2), 91-105.
Kelton, W. D., Sadowski, R. P., ＆ Swets, N. B. (2010). Simulation with Arena (5th ed.). Boston: McGraw-Hill Higher Education.
Kennedy, J. (2011). Particle swarm optimization Encyclopedia of machine learning (pp. 760-766): Springer.
Lin, S.-H., Lee, C.-Y., Yang, T., ＆ Lu, J.-C. (2013). Two-phase simulation-optimization for vendor selection and order allocation in a solar cell manufacturer. Paper presented at the 2013 e-Manufacturing ＆ Design Collaboration Symposium (eMDC).
Lee, C.-Y., ＆ Chien, C.-F. (2014). Stochastic programming for vendor portfolio selection and order allocation under delivery uncertainty. OR spectrum, 36(3), 761-797.
Nadarajah, S. (2005). A generalized normal distribution. Journal of Applied Statistics, 32(7), 685-694.
Pan, H., Wang, L., ＆ Liu, B. (2006). Particle swarm optimization for function optimization in noisy environment. Applied Mathematics and Computation, 181(2), 908-919.
Yang, X.-S. (2011). Review of meta-heuristics and generalized evolutionary walk algorithm. International Journal of Bio-Inspired Computation, 3(2), 77-84.