IEC算法及其在多目标优化中的应用PDF电子书下载

1绪论 1

1.1引言 1

1.2交互式进化算法的研究现状 3

1.2.1 IEC的理论研究 3

1.2.2 IEC的应用研究 3

1.3交互式遗传算法研究的核心问题 6

1.3.1 IEC与适应值噪声 7

1.3.2 IEC与用户偏好获取模型 10

1.3.3 IEC的进化效率及用户疲劳问题 12

1.4本章小结 13

参考文献 14

2主要的多目标进化算法 20

2.1常见的多目标进化算法 20

2.1.1算法分类 22

2.1.2选择机制 23

2.2隐式积木块类型算法 30

2.2.1向量评估遗传算法（VEGA） 34

2.2.2多目标遗传算法（MOGA） 35

2.2.3小生境Pareto遗传算法（NPGA） 37

2.2.4非劣分类遗传算法（NSGA） 40

2.2.5孟德尔多目标简单遗传算法（MMOSGA） 42

2.2.6微遗传算法（micro-GA） 43

2.2.7 Pareto存档进化策略（PAES） 44

2.2.8强度Pareto进化算法（SPEA） 48

2.2.9 Pareto包络选择算法（PESA） 50

2.2.10多目标遗传局部搜索算法（MOGLSA） 51

2.3显式积木块类型算法 52

2.3.1多目标杂乱遗传算法（MOMGA） 53

2.3.2改进型多目标杂乱遗传算法（MOMGA-Ⅱ） 55

参考文献 56

3隐性目标决策问题的求解方法基础 58

3.1隐性目标决策问题的提出 58

3.2遗传算法概述 61

3.2.1遗传基本概念 62

3.2.2适应度函数 63

3.2.3编码与解码 65

3.2.4遗传算子与控制参数x 67

3.2.5基本遗传算法过程 72

3.3隐性目标决策问题的进化求解模型 74

3.3.1隐性目标决策问题的进化描述模型 74

3.3.2基于IEC的问题进化求解过程 79

3.4本章小结 82

参考文献 82

4交互式遗传算法进化个体适应值降噪策略 85

4.1方法的提出 85

4.2交互式遗传算法的噪声 86

4.2.1噪声来源 87

4.2.2认知度 88

4.2.3疲劳度 88

4.2.4噪声函数 89

4.3用于降噪的进化个体适应值调整 90

4.3.1算法思想 90

4.3.2适应值可信度 91

4.3.3N c和N f的确定 91

4.3.4进化个体适应值调整 94

4.3.5算法步骤 94

参考文献 96

5基于用户偏好的协同交互式遗传算法 98

5.1算法的提出 98

5.2基于用户偏好的协同交互式遗传算法 99

5.2.1算法思想 99

5.2.2用户偏好抽取 100

5.2.3用户偏好存储 102

5.2.4偏好相似用户寻找 103

5.2.5算法系统结构 103

5.2.6算法步骤 104

5.2.7性能比较 106

5.3本章小结 106

参考文献 106

6基于多种群的自适应分层交互式遗传算法 109

6.1算法的提出 109

6.2多种群自适应分层交互式遗传算法 110

6.2.1算法思想 111

6.2.2多种群交互式遗传算法模型和个体迁移、替换策略 111

6.2.3近亲交叉回避和自适应单点变异 113

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 115

6.2.5算法步骤 117

6.2.6性能对比 119

6.3本章小结 121

参考文献 122

7基于多智能体系统的协同进化交互式遗传算法 124

7.1模型的提出 124

7.2基于多智能体系统的协同进化交互式遗传算法模型 125

7.2.1交互式遗传算法单元 126

7.2.2协同进化单元 128

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 131

7.4多智能体及有关操作 137

7.5交互式多智能体进化算法 140

参考文献 143

8IEC理论在竞技体育技术动作优化中的应用 145

8.1引言 145

8.2抓举技术动作中的优化应用研究 146

8.2.1抓举动作的数学描述 146

8.2.2运动方程 148

8.2.3约束条件 150

8.2.4评价函数设计 150

8.2.5基于IEC的交互式遗传算法描述 151

8.3本章小结 155

参考文献 155