交互式遗传算法将传统的进化机制与用户的智能评价相结合，可以有效地解决性能指标难以(甚至无法)用精确函数表示的一类复杂优化问题。但是，用户评价的不确定性和评价疲劳问题等极大地影响了交互式遗传算法的性能，严重制约了其在复杂优化问题中的应用。本书以解决这些问题为切人点，在遗传算法的框架体系下，主要研究体现用户评价不确定性以及基于机器学习构建用户认知模型的高级交互式遗传算法的关键技术和应用。
样章试读
目录
- 目录
第1章交互式遗传算法入门1
1.1进化优化算法1
1.2遗传算法2
1.2.1遗传算法的起源与发展3
1.2.2遗传算法的工作原理4
1.2.3遗传算法的研究现状4
1.3交互式遗传算法7
1.3.1交互式遗传算法的起源、发展、原理7
1.3.2交互式遗传算法的研究现状9
1.3.3交互式遗传算法存在的不足13
1.4本章小结14
参考文献14
第2章进化个体区间适应值交互式遗传算法19
2.1算法的提出19
2.2区间数基础知识20
2.3进化个体区间适应值21
2.4进化个体区间占优22
2.5算法步骤24
2.6在服装进化设计系统中的应用25
2.6.1服装设计问题25
2.6.2参数设置26
2.6.3结果与说明27
2.7本章小结29
参考文献29
第3章进化个体模糊适应值交互式遗传算法31
3.1算法的提出31
3.2模糊数32
3.3进化个体模糊适应值交互式遗传算法33
3.3.1进化个体模糊适应值33
3.3.2进化个体优劣比较34
3.4算法步骤38
3.5在服装进化设计系统中的应用38
3.5.1参数设置38
3.5.2交互界面39
3.5.3结果与分析40
3.6本章小结41
参考文献41
第4章进化个体模糊随机适应值交互式遗传算法43
4.1算法的提出43
4.2模糊随机不确定性的数学描述44
4.3基于模糊铺的随机不确定性参数的确定方法45
4.3.1模糊度和模糊煽45
4.3.2用户认知确定皮46
4.4个体优劣比较策略48
4.4.1模糊适应值转化为区间数49
4.4.2随机变量转化为区间数50
4.4.3个体优劣比较50
4.5在服装进化设计系统中的应用52
4.5.1参数设置52
4.5.2交互界面52
4.5.3结果与分析54
4.6本章小结57
参考文献58
第5章交互式遗传算法的自适应分区多代理模型59
5.1算法的提出59
5.2代理模型及其学习方法61
5.2.1多项式函数61
5.2.2阻F神经网络62
5.3训练数据与测试数据的获取63
5.4搜索空间的自适应分区64
5.4.1进化初期搜索空间的分割64
5.4.2搜索空间的自适应分割65
5.5代理模型的应用67
5.6算法步骤67
5.7在服装进化设计系统中的应用69
5.7.1参数设置69
5.7.2交互界面69
5.7.3结果与分析70
5.8本章小结73
参考文献73
第6章基于神经网络代理模型的区间适应值交互式遗传算法75
6.1算法的提出75
6.2进化个体区间适应值神经网络代理模型76
6.2.1训练数据的获取76
6.2.2代理模型的选择77
6.2.3基于代理模型的进化个体适应佳估计79
6.2.4代理模型的支新80
6.3算法步骤80
6.4性能分析82
6.5在服装进化设计系统中的应用83
6.5.1参数设置83
6.5.2交互界面83
6.5.3结果与分析85
6.6本章小结87
参考文献88
第7章基于支持向量机代理模型的模糊适应值交互式遗传算法89
7.1算法的提出89
7.2支持向量机的基本知识92
7.2.1最优分类面92
7.2.2支持向量分类机94
7.2.3支持向量回归机95
7.3基于SVC和SVR的代理模型96
7.3.1训练和测试数据的获取96
7.3.2基于训练数据的SVC和SVR数学模型98
7.3.3代理模型的应用100
7.3.4代理模型的更新101
7.4算法步骤101
7.5性能分析103
7.6在服装进化设计系统中的应用103
7.6.1参数设置103
7.6.2交互界面104
7.6.3结果与分析106
7.7本章小结108
参考文献108
第8章基于支持向量机代理模型的模糊随机适应值交互式遗传算法110
8.1算法的提出110
8.2有向模糊图的基本知识111
8.3基于有向模糊图的进化个体适应值精确化112
8.3.1进化种群有向模糊图的建立113
8.3.2个体精确适应值的获取114
8.4基于支持向量机的代理模型115
8.4.1基于模糊滴的训练数据获取116
8.4.2支持向量机代理模型117
8.4.3代理模型的应用117
8.4.4代理模型的更新118
8.5性能分析119
8.6在服装进化设计系统中的应用120
8.6.1参数设置120
8.6.2交互界面120
8.6.3结果与分析121
8.7本章小结125
参考文献126
第9章融合半监督学习认知模型的大种群规模交互式遗传算法127
9.1算法的提出127
9.2半监督学习算法概述129
9.3基于改进半监督算法的大种群规模交互式遗传算法131
9.3.1训练数据的获取132
9.3.2基于改进半监督学习的代理模型构造133
9.3.3代理模型的应用和更新135
9.3.4算法步骤136
9.4理论分析137
9.5在太阳眼镜镜片设计中的应用139
9.5.1太阳眼镜镜片设计问题139
9.5.2参数设置142
9.5.3实验结果与分析143
9.6本章小结145
参考文献146
第10章基于半监督学习的变种群规模区间适应值交互式遣传算法148
10.1算法的提出148
10.2基于动态聚类策略和协同半监督学习的区间适应值代理模型构建149
10.2.1基于相似皮阁值的进化种群聚类149
10.2.2基于协同训练半监督学习的区间适应位代理模型构建151
10.2.3相似皮闽值的确定方法152
10.3种群规模动态确定策略153
10.3.1进化进程的分割153
10.3.2种群规模的变化154
10.4性能分析155
10.5算法实现157
10.6在服装进化设计系统中的应用157
10.6.1实验设置157
10.6.2参数设置158
10.6.3实验结果与分析158
10.7本章小结167
参考文献68
第11章加权半监督学习变种群规模区间适应值交互式遗传算法169
11.1算法的提出169
11.2算法框架170
11.3基于加权协同半监督算法的区间适应值代理模型构建172
11.3.1进化个体区间适应值的评价可信度172
11.3.2基于评价可信度的加权协同半监督学习算法173
11.4代理模型的应用和更新175
11.4.1代理模型和用户的融合评价176
11.4.2代理模型的更新177
11.5实例验证178
11.5.1数值函数实验178
11.5.2在服装进化设计革统中的应用189
11.6本章小结195
参考文献195
京公网安备 11010102004214号