更新时间：2023-08-14 19:18:14
封面
版权信息
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Pareto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 Pareto存档进化策略（PAES）
2.2.8 强度Pareto进化算法（SPEA）
2.2.9 Pareto包络选择算法（PESA）
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（MOMGA-Ⅱ）
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x
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
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 Nc和Nf的确定
4.3.4 进化个体适应值调整
4.3.5 算法步骤
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
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
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
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
