電腦與資訊學科

本研究提出有關數橋謎題遊戲的程式實作辦法，我們已知數橋被證明是個NP-complete問題。我們研製出了數種解題條件與窮舉策略在演算法上的實現，並且比較了這幾種解決辦法的相對效率，再者也提出了數個NP問題的解決策略。本研究發現在進行窮舉的時候以取最小頂點值期望效率最高(表示該程式能有相對多，相對快的執行結果)。

「使用給定的多個矩形密鋪一個格狀平面(2D rectangle tiling problem)」為一NP-complete問題，目前多項式時間只能求出盡可能覆蓋最大面積的近似解。本研究所創的階梯演算法透過改變動態規劃所紀錄的狀態，使狀態數大幅減少，進而改善求準確解的時間複雜度，當然也成功證明此演算法的正確性，並且此演算法也能處理環狀及有權重的類似問題，如RTILE PROBLEM、DRTILE PROBLEM。隨後，寫了一個互動展示品直覺地呈現此演算法的意義。並以階梯演算法成功將7/3-approximation algorithm (Krzysztof Lorys and Katarzyna E. Paluch,2000 [4]) 與11/5-approximation algorithm (Piotr Berman et al,2001[7])進行比較與分析。

本研究以稠密式深度預測為基礎，進行環繞掃描３Ｄ還原建模。在這項研究中，我們擇手機作為唯一的外部數據提供設備。首先用手機同時錄影和記錄角度變化、位移數據後，我們同步各數據的時間點，並計算每一幀影像的位置，接著將拍攝的影像輸入深度預測模型轉換成深度圖並將其儲存為點雲，最後利用三維旋轉和平移矩陣將點雲轉回正確的位置以進行疊合。我們開發的３Ｄ還原建模系統能夠輸入影像、特定時間點的位置和角度變化來建立３Ｄ模型。此系統可以解決結構光掃描儀需要額外標記點的劣勢，且在機動性上較傳統的點對點雷射掃描儀更方便。我們希望可以在未來將這套系統集成為一個手機應用程式，方便使用者在手機上進行相關操作。

目的：在台灣，胰臟癌雖非癌症發生數最高，但85%為末期，五年存活率小於5%，有癌王之稱。如何早期偵測胰臟癌風險，一直是醫療上的重大議題。本研究運用時間矩陣搭配深度學習進行大量變數之胰臟癌風險偵測。 方法：健保資料庫收集國人疾病、用藥等結構化資料，可藉此反映每人健康狀態。將三年內診斷與藥物碼轉為時間矩陣，以卷積神經網路訓練，訓練組與測試組比例為9:1。 結果：共計案例組1095名及對照組10950名，訓練後測試組表現之AUROC(area under the receiver operating characteristiccurve)為0.937，六十歲以上及以下AUROC分別為0.846及0.897。 結論：結論：能將診斷、藥物、時間轉成矩陣，是以疾病軌跡預測胰臟癌風險，且能找到新特徵，未來搭配健康存摺，為低成本、快速、大量的胰臟癌數位快篩。

本研究旨在透過自行撰寫程式，探討人群如何盡快脫離狹小空間，主要模擬個體所受的各種吸引力與排斥力、設立衝突處理規則，分析疏散效率並比較優劣。經過測試得知減少鑽空行為、排斥人群、略為排斥牆壁或障礙、不失自身判斷追隨他人足跡，有利整體疏散。另外，若人群出現移動模式異於他人的少數者，將不利整體疏散，但少數者人數不多下，愛好爭搶、鑽入空隙、較不排斥人群有助其個體疏散。 無論是否將疏散場域外廣場人群移動納入考慮，角落出口疏散效率皆較邊上優，且出口個數呈邊際效益遞減。但廣場中人群若步行六步內便停下休息，將導致邊上廣場入口堵塞。最後，逃離疏散場域後即往廣場邊界者，疏散效率表現相當於在廣場步行十步便佇足休息。

鐵路時刻表排點至今為止仍十分仰賴人工作業，且排班優劣對於乘客服務品質有顯著影響。本研究採用元啟發式最佳化演算法及模擬器進行旅客列車鐵路時刻表排點，旨在找出一份針對旅客需求、提升旅客運輸成功率且降低旅途時間的時刻表。我們提出一種班表編碼機制，可依此產生班表草稿。我們研發的模擬器可將班表草稿轉換為合法無衝突之班表。最後，透過登山演算法及基因演算法來搜尋班表草稿，並以模擬器評估優劣，我們實現了一個自動化排班系統。我們也以不同的乘客測資針對於不同演算法進行比較，並試圖找出表現最好的演算法。實驗結果指出我們的模擬器能有效率產生無衝突時刻表，且所提出之演算法操作相較現行班表可提升運輸成功率和降低旅途時間。

本研究旨在利用深度學習實作改變字體風格的模型，試圖讓生活中處處可見的文字變得活潑、生動，並省去許多設計字體所需的時間、精力。我們利用了風格矩陣、對抗式生成網絡(GAN)等概念設計了3種模型，並在實際運行後進行分析與比較。 VGG模型運用了卷積神經網絡的概念，擷取特徵以生成風格矩陣並將其進行字體風格轉換。Bicycle-GAN模型結合了Conditional GAN和VAE的優點，能夠生成多樣風格的字體。Zi2Zi模型則是在pix2pix的方法改進部分缺點，能讓生成的字體更逼真，且具有顯著的成效。 經過多次的嘗試和失敗經驗，我們發現VGG、Bicycle-GAN、Zi2Zi，3種模型在字體風格轉換上具有相當的潛力，在經過適當的後處理之後，能夠在耗費少量時間和樣本的情況下，生成實際套用在電腦中的個人化字體。

民眾在生活採買與準備食材中，經常面臨一些問題，例如：忘記冰箱食品而導致重複購買與浪費、食品放置過期…等。因此我們提出一個可以解決上述問題的系統，藉由影像辨識來判斷食品品項與移動軌跡，藉此建立冰箱內部的食品清單，並且可透過冰箱觸控螢幕與手機APP，查看與設定清單內容。針對無法辨識的食品，系統可以學習訓練建立影像辨識模型，並針對現有的食品類別進行增量訓練，提高辨識食品的準確率。藉由本研究所提出的系統，可以學習與辨識各項冰箱食品、設定過期提醒通知，與冰箱異常偵測，協助使用者有效且便利地管理冰箱雜物、掌握冰箱的狀態。

本研究利用影像風格轉換模型作為資料增強的方法，將原始資料集中的影像轉換成不同風格，以增加訓練資料的多樣性。為了驗證使用此方法的有效性，本研究進行了兩個領域的實驗，分別是：(1)物件辨識模型在不同天氣時間的街景圖上的表現，(2)胃腸癌中的腫瘤檢測模型在不同染色結果的組織圖上的表現。結果證實使用風格轉換模型生成的影像訓練的模型的準確率在某些情況下有顯著的提升。此方法的優點在於能夠快速產生多樣風格的資料，由於是對影像的風格做轉換，影像的內容沒有改變，因此能夠沿用原有的標籤，同時節省了蒐集及為新影像標籤的人力及時間。

現在的超商取貨機制存在著很大的時間成本，一次取貨要是花費數分鐘在找貨，那長久下來會造成大量時間的消耗，因此為了提高領或效率，我們設計了一台裝置來減少取貨的過程之中，因人為造成的時間耗損，並降低領錯貨物的可能性。 而我們也可以依據存放貨物種類及應用方式而改造，製作出適合不同物品的存取裝置，像是用於書籍的存放，讓使用者可以自行借閱或歸還，藉由改造裝置，普及於各種類型貨物的存放，為我們的生活增加便利性。 除了擴大使用方式，增添提領貨物的提示，為貨物增設設定，關於提升整體實用性的部分也有待我們進行更進一步的探討。