系統動力學透過模型的建立與模擬來解決動態性複雜的問題。傳統的建模過程是由專家的經驗與反覆的試誤來建構模型。陳耀宗的研究則將系統動力模型(System Dynamic Models, SDM)轉換為類神精網路(Artificial Neural Network, ANN)的結構，以訓練資料來幫助網路的學習，實證了其有效性與使用性。本文則在SDM-PRN轉換法中引入基因演算法(Genetic Algorithms, GAs)的概念，以演化的方式來幫助PRN的學習，藉由GAs以補足ANN在學習上的問題與限制。實驗結果發現GAs的確可以學習出與ANN一樣或是近似的結果，但是所使用的資料與訓練的循環都能大幅減少；並且使用GAs的方法可以學習出更多的可能解，提供建模者參考資訊。

The study of system dynamics starts from model construction and simulation to understand and solve dynamical complicated problems. Traditionally approaches of modeling process depend on an expert’s experiences and the trial & error procedure.
Chen’s research proposes a transformation method that could map a System Dynamics Model (SDM) to a specially designed Partial Recurrent Network (PRN). Thus he could use the neural network training algorithm to assist model construction and policy design.
In this paper, we will introduce a Genetic Algorithm (GA) in the model building process, which encodes a PRN into a string and uses an evolution process to select a best solution. The algorithm not only improves the PRN training, but also generates more candidate models for consideration. Thus, it enhances the SDM-PRN transformation’s usability.

目 錄
摘 要 I
Abstract II
目 錄 III
表目錄 IV
第一章　緒論 1
1.1 研究背景 1
1.2 研究動機 1
1.3 研究目的 2
1.4 論文架構 3
第二章　文獻探討 4
2.1 系統動力學 4
2.2 類神經網路 8
2.3 基因演算法 12
2.4 演化式類神經網路 19
第三章　以基因演算法輔助SDM的建構 23
3.1 SDM-PRN模型轉換法 23
3.2 模型轉換範例與說明 28
3.3 PRN之訓練 33
3.4 以基因演算法學習PRN 34
第四章　實驗結果與分析 37
4.1 實驗說明 37
4.2 銷售員模型實驗結果 38
4.3 一階訂貨模型實驗結果 41
4.4 二階訂貨模型實驗結果 43
4.5 企業模型實驗結果 47
4.6 小結 53
第五章　結論與未來研究方向 55
附錄 58
中文部分： 61
英文部分： 61

參考文獻
中文部分：