IEC算法及其在多目标优化中的应用

前言

1 绪论

1.1 引言

1.2 交互式进化算法的研究现状

1.2.1 IEC的理论研究

1.2.2 IEC的应用研究

1.3 交互式遗传算法研究的核心问题

1.3.1 IEC与适应值噪声

1.3.2 IEC与用户偏好获取模型

1.3.3 IEC的进化效率及用户疲劳问题

1.4 本章小结

参考文献

2 主要的多目标进化算法

2.1 常见的多目标进化算法

2.1.1 算法分类

2.1.2 选择机制

2.2 隐式积木块类型算法

2.2.1 向量评估遗传算法（VEGA）

2.2.2 多目标遗传算法（MOGA）

2.2.3 小生境Peto遗传算法（NPGA）

2.2.4 非劣分类遗传算法（NSGA）

2.2.5 孟德尔多目标简单遗传算法（MMOSGA）

2.2.6 微遗传算法（micro—GA）

2.2.7 P￡Lret0存档进化策略（PikES）

2.2.8 强度Paret0进化算法（sPEA）

2.2.9 Peto包络选择算法（SESA）

2.2.10 多目标遗传局部搜索算法（MOGLSA）

2.3 显式积木块类型算法

2.3.1 多目标杂乱遗传算法（MOMGA）

2.3.2 改进型多目标杂乱遗传算法（MOMGAⅡ）

参考文献

3 隐性目标决策问题的求解方法基础

3.1 隐性目标决策问题的提出

3.2 遗传算法概述

3.2.1 遗传基本概念

3.2.2 适应度函数

3.2.3 编码与解码

3.2.4 遗传算子与控制参数工

3.2.5 基本遗传算法过程

3.3 隐性目标决策问题的进化求解模型

3.3.1 隐性目标决策问题的进化描述模型

3.3.2 基于IEC的问题进化求解过程

3.4 本章小结

参考文献

4 交互式遗传算法进化个体适应值降噪策略

4.1 方法的提出

4.2 交互式遗传算法的噪声

4.2.1 噪声来源

4.2.2 认知度

4.2.3 疲劳度

4.2.4 噪声函数

4.3 用于降噪的进化个体适应值调整

4.3.1 算法思想

4.3.2 适应值可信度

4.3.3 M和M的确定

4.3.4 进化个体适应值调整

4.3.5 算法步骤

参考文献

5 基于用户偏好的协同交互式遗传算法

5.1 算法的提出

5.2 基于用户偏好的协同交互式遗传算法

5.2.1 算法思想

5.2.2 用户偏好抽取

5.2.3 用户偏好存储

5.2.4 偏好相似用户寻找

5.2.5 算法系统结构

5.2.6 算法步骤

5.2.7 性能比较

5.3 本章小结

参考文献

6 基于多种群的自适应分层交互式遗传算法

6.1 算法的提出

6.2 多种群自适应分层交互式遗传算法

6.2.1 算法思想

6.2.2 多种群交互式遗传算法模型和个体迁移、替换策略

6.2.3 近亲交叉回避和自适应单点变异

6.2.4 多种群交互式遗传算法分层条件和子搜索区域确定

6.2.5 算法步骤

6.2.6 性能对比

6.3 本章小结

参考文献

7 基于多智能体系统的协同进化交互式遗传算法

7.1 模型的提出

7.2 基于多智能体系统的协同进化交互式遗传算法模型

7.2.1 交互式遗传算法单元

7.2.2 协同进化单元

7.3 面向智能体程序设计的协同进化交互式遗传算法描述

7.4 多智能体及有关操作

7.5 交互式多智能体进化算法

参考文献

8 IEC理论在竞技体育技术动作优化中的应用

8.1 引言

8.2 抓举技术动作中的优化应用研究

8.2.1 抓举动作的数学描述

8.2.2 运动方程

8.2.3 约束条件

8.2.4 评价函数设计

8.2.5 基于IEc的交互式遗传算法描述

8.3 本章小结

参考文献

《IEC算法及其在多目标优化中的应用》总结了在实际生活中IEC已经应用的15个领域：图形图像处理、语音处理和韵律控制、音乐设计、网页设计、工业设计、人脸图像、虚拟现实、数据检索、知识获取和数据挖掘、控制和机器人、Internet领域、食品工程、地球物理科学、艺术教育和写作教育等并提出如何结合当前的人工智能等技术，来解决IEC的进化效率问题和用户的疲劳问题是项挑战性的工作，具有重要的理论意义与应用价值。