理學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/3

學院概況

理學院設有數學系、物理學系、化學系、生命科學系、地球科學系、資訊工程學系6個系(均含學士、碩士及博士課程),及科學教育研究所、環境教育研究所、光電科技研究所及海洋環境科技就所4個獨立研究所,另設有生物多樣性國際研究生博士學位學程。全學院專任教師約180人,陣容十分堅強,無論師資、學術長現、社會貢獻與影響力均居全國之首。

特色

理學院位在國立臺灣師範大學分部校區內,座落於臺北市公館,佔地約10公頃,是個小而美的校園,內含國際會議廳、圖書館、實驗室、天文臺等完善設施。

理學院創院已逾六十年,在此堅固基礎上,理學院不僅在基礎科學上有豐碩的表現,更在臺灣許多研究中獨占鰲頭,曾孕育出五位中研院院士。近年來,更致力於跨領域研究,並在應用科技上加強與業界合作,院內教師每年均取得多項專利,所開發之商品廣泛應用於醫、藥、化妝品、食品加工業、農業、環保、資訊、教育產業及日常生活中。

在科學教育研究上,臺灣師大理學院之排名更高居世界第一,此外更有獨步全臺的科學教育中心,該中心就中學科學課程、科學教與學等方面從事研究與推廣服務;是全國人力最充足,設備最完善,具有良好服務品質的中心。

在理學院紮實、多元的研究基礎下,學生可依其性向、興趣做出寬廣之選擇,無論對其未來進入學術研究領域、教育界或工業界工作,均是絕佳選擇。

Browse

Search Results

Now showing 1 - 5 of 5
  • Item
    具動態變數分群與繁衍機制的大規模多目標演化演算法
    (2025) 周承霖; Chou, Cheng-Lin
    大規模多目標最佳化問題 (large-scale multi-objective optimization problems, LSMOPs) 因其高維決策空間給傳統演化算子帶來「維度災難」,難以兼顧收斂速度與解集多樣性。為此,本文在 LVIDE 框架上提出一種動態切換變數分群的演化演算法 LVIDE-DGR。首先,我們量化每個變數對多目標問題的重要性,並生成全域重要性分群 (importance based variable grouping, IVG) 與目標專屬分群 (objective-based IVG, OIVG),同時引入線性分群 (linear grouping, LG)。演算法依設定週期在 LG 與 IVG/OIVG 之間動態切換,前期側重IVG、後期轉向各目標 OIVG,以聚焦不同搜尋階段所需的子空間。其次,我們設計了以上下界點作為導引的雙階段 VIDE 子代生成機制,在子空間內精細推進收斂;並以低機率插入差分演化 (differential evolution, DE) 運算子以補充全維度多樣性。演化過程還包括按目標拆分子族群並定期跨群交流,使算法在提速收斂的同時保持均勻的柏拉圖前緣覆蓋。實驗結果證明,本演算法在LSMOP 的 9 個測試問題中有 8 個問題勝過 5 個近期的大規模多目標演化演算法。
  • Item
    以多目標演化演算法結合資源分配機制求解動態電力調度之成本與污染最佳化問題
    (2025) 李茂廷; Lee, Mao-Ting
    在當前能源需求快速增長的背景下,動態電力調度之成本與污染最佳化問題成為電力系統最佳化的重要挑戰。該問題涉及在多時段內,滿足用電需求的同時,最小化燃料成本與污染物排放,並考量各種系統限制(如發電機輸出範圍、負載平衡及電力升降限制)。由於動態電力調度之成本與污染最佳化問題的多目標性、高維度與非線性特性,傳統方法難以有效解決該問題。本研究提出一種動態資源分配機制的多目標演化演算法,用以求解動態電力調度之成本與污染最佳化問題。該方法改進了傳統演算法在資源分配效率與解的多樣性上的不足,透過外部解集合引導搜尋方向,並運用比例動態調整決策機制處理不可行解。實驗中,透過多組公開測試數據進行比較,結果顯示本論文之方法和二十六個既有方法相比,展現優秀的求解能力。
  • Item
    以類神經網路強化大規模多目標演化演算法之子代生成機制
    (2025) 翁勝紘; Wung, Sheng-Hong
    演化演算法踏入多目標最佳化問題多年,在這領域擁有豐富且效果卓越的演算法,但隨著最佳化問題的決策空間維度上升,演化演算法在求解大規模多目標問題時,會因收斂速度低下而難以發揮效果。為此,大規模多目標演化演算法的研究在近年發展熱絡,研究者使用各種不同方法幫助演化演算法能更快更好的處理高維度問題,提升收斂速度並維持解的分布。類神經網路方法是其中一種有效技術,透過學習機制有效生成高品質子代,讓族群快速收斂,解決收斂速度不足的問題。此種方法起始時收斂快速,但演化到一定程度族群並不能持續蒐集出優秀的訓練資料,為了訓練資料的問題,本論文提出 large scale multi-objective evolutionary algorithm with neural network enhanced offspring generation (LSMOEA-NEO), 用抽樣生解策略生成新資料集,幫助訓練資料蒐集,也運用模型拆分方法讓模型規模變小,能更快的訓練好模型;為了避免使用訓練不佳的模型進行生解,加入對模型使用的時機控制,使LSMOEA-NEO 能夠與現有新穎大規模多目標演化演算法比較中取得更好的結果。在本論文實驗中,測試資料 LSMOP 的 9 個問題中有 6 個問題贏過其他大規模多目標演化演算法。
  • Item
    以NSGA-III演化演算法求解雙目標汙染車輛路由問題
    (2023) 陳柏宇; Chen, Bo-Yu
    隨著工業蓬勃發展,溫室氣體排放量逐年成長。根據行政院統計,我國 2019 年的運輸排放占二氧化碳排放的 14.17%,故本研究從運輸方面下手,透過最佳化運送路徑,可以有效的減少油耗量,進而改善環境問題。本文的研究題目為雙目標汙染車輛路由問題,是由具時間窗的車輛路由問題所延伸;兩個目標為油耗量和時間。根據研究,車速越快的時候,所消耗的油量亦愈高,因此縮短時間與減少油耗量兩個目標存在衝突。本研究使用多目標演算法,能夠在一定的時間內,求得所需要的解集合。使用 NSGA-III 演算法,透過設立參考點的方式維持族群的多樣性。為了在一開始獲得較好的族群,使用最近鄰點法結合節省法的方式去建立良好的初始解。以動態規劃解碼生成路徑,配合改良的交配機制使得子代容易將優良的基因繼承下去。考慮到解空間過大的問題,本研究使用區域搜尋來探勘較優秀的解。為了避免多樣性下降,會移除表現較不好的重複個體。相較於過去的實驗結果,本研究能夠在計算成本與過去研究近似的情況下,得出更全面的柏拉圖凌越解集合。
  • Item
    以多目標演化演算法求解雙目標汙染車輛路由問題
    (2019) 吳政遠; Wu, Cheng-Yuan
    本論文使用多目標演化演算法NSGAIII求解雙目標汙染車輛路由問題 (Pollution Routing Problem),此問題為車輛路由問題 (Vehicle Routing Prolbem) 的延伸。雙目標汙染車輛路由問題中物流車有最大容量 (capacity) 限制;客戶與倉庫都有最早開始服務時間 (ready time) 與最晚服務時間 (due time),物流車必須在這段時間內抵達,此為時間限制。我們希望同時最小化總油耗量與最小化總花費時間,但速度在一定速度後越快變得越耗油,想要降低耗油會拉長花費時間,兩者無法同時下降。然而,我們可以求出非凌越解 (non-dominated solution),這些解在目標空間中形成柏拉圖前緣 (Pareto front),本論文的目標是求得接近此問題之真實解的柏拉圖前緣。 我們使用最近鄰點法 (Nearest Neighborhood, NN) 初始化方式來使初始解具備一定品質。多目標路線建構來提前使解具有多目標特性與更具多樣性。探討多種速度對於汙染車輛路由問題的影響性。使用NEH與2-Opt搜尋法的來增強最小化總行駛距離來接近真實解之柏拉圖前緣。 本論文提出的演算法在使解族群更具有多目標特性有較佳的效果。