交互工遗传算法中用户评估方法研究

交互式遗传算法是针对一些应用领域存在的适应度函数难以明确表达的问题,通过用户参与遗传操作过程,对进化个体进行评估以代替计算过程的一种改进方法。但交互式遗传算法存在的一个主要问题是当遗传操作的收敛速度慢时,用户需对大量个体进行评估,尤其是在个体间相似程度较高时,容易产生疲劳现象。针对这种问题,本文提出了两种方法来提高收剑性,缩短评估过程,从而最终解决用户疲劳问题。对人脸识别问题的实验结果表明本文算法可以有效的解决用户疲劳问题。     

交互式遗传算法中用户评估质量和收敛性能提高

交互式遗传算法主要是针对一些应用领域存在的适应度函数难以明确表达的问题,通过用户参与遗传操作过程,对进化个体进行评估以代替计算过程的一种改进方法。但交互式遗传算法存在的主要问题是:当遗传操作的收敛速度慢时,用户需对大量个体进行评估,尤其是在个体间相似程度较高时,容易产生疲劳现象。针对这种问题,本文提出三种方法来提高收敛性及评估过程的质量。在人脸图形上所做的实验结果表明,算法可以有效地缓解用户的疲劳问题。     

结合SVM的交互式遗传算法及其应用

交互式遗传算法在人机交互过程中．用户对每代的所有个体都要进行评估。针对个体数量较大．进化代数较多．用户容易疲劳这一问题。提出了一种改进算法。充分利用遗传初始阶段用户所选择的正例和反例信息．采用支持向量机构造分类器．在整个图像库中找出更多符合分类器的图像加入到遗传过程．以扩大遗传操作中好个体的个数．加速算法收敛．从而减轻用户疲劳；同时交互中不断扩大的样本集也使支持向量机分类器更加准确．从而建立比较完善的个性化的情感模型。本文将该算法应用于服装图像的个性化情感检索。实验结果表明．所提出的方法可以较好地减轻用户疲劳，检索出的图像较好地体现用户的个性化情感。     

分布协同交互式遗传算法及其在群体决策中的应用

针对交互式遗传算法单机实现模式存在的局限性,本文提出一种分布协同交互式遗传算法,并介绍了算法实现的关键技术.基于群体决策满意度和用户评价偏好,给出了共享个体数量确定方法和共享个体的选择方法.还提出了合理的评价平台和有效的决策评价指标以及隐含的信息交互方式等.为减轻用户疲劳,基于个体相似度,提出一种类适应度近似策略.最后基于服装的色彩设计问题,给出实验结果,以验证该算法的可行性.     

交互式遗传算法的噪声及降噪策略

在交互式遗传算法中, 人对进化个体的评价含有噪声. 如何降低噪声对评价的不利影响, 至今没有有效的方法. 这严重制约了交互式遗传算法在复杂优化问题中的广泛应用. 本文首先针对交互式遗传算法中人评价个体适应值的不确定性和漂移性, 分析交互式遗传算法噪声的来源, 定义认知评价度和疲劳评价度, 给出交互式遗传算法的3阶段噪声模型; 然后, 给出基于个体海明距离的认知评价度和疲劳评价度刻画以及基于适应值可信度的降噪策略; 最后, 通过在服装设计中的应用实例验证噪声模型的正确性和降噪策略的有效性.     

基于IGA的用户Agent模型与设计

个性化信息检索与获取是目前理论与应用研究的一个热点.其解用户疲劳、加快算法的收敛.本文以图形检索为应用背景,提出了基于交互式遗传算法的用户Agent模型.该软件Agent针对现有研究的不足,将用户个性化信息获取与个性化检索集成在一起,两者相辅相成.在获取用户个性化信息时,我们设计了一种结合归纳和统计的用户情感计算机制,通过对前几代操作的结果进行归纳、计算,得到用户的特异性偏好;在利用用户情感偏好实现检索时,我们设计了利用个体偏好的引导进化方法来指导交互式遗传算法的选择、变异等操作.实验验证该模型在人脸图形检索中确实达到了体现用户个性化,有效缓解用户疲劳的目的.     

锦标赛选择交互式遗传算法及其应用

基于两个体比较的交互式遗传算法(Interactive Genetic Algorithm based on paired comparison,PC-IGA)允许用户在每次评估过程中比较两个个体并从中选择一个优胜者,以代替传统的用户评分方式,从而减轻用户的精神压力.但是,PC-IGA中用户比较次数太多,加重了用户的生理疲劳.为此,本文提出一种新的用户评估方式--锦标赛选择,并给出锦标赛选择交互式遗传算法(Interactive Genetic Algorithm Based on Toumament Selection,TS-IGA)的关键技术和实现步骤.将该算法应用于服装色彩优化系统,研究了种群规模和子种群规模的选择对算法性能的影响.最后,将该算法与PC-IGA进行对比实验,结果表明本文提出的算法在选择合适的子种群规模的情况下,能有效减少用户的比较次数和算法收敛时间,从而减轻用户疲劳.     

基于多近似模型的交互式遗传算法

人的疲劳向题是交互式遗传算法的核心问题,它制约了交互式遗传算法在复杂优化问题中的应用.为了解决该问题,本文提出基于多近似模型的交互式遗传算法.该算法首先将搜索空间划分,然后利用传统交互式遗传算法得到的数据,在不同子空间生成不同的近似模型,最后采用该模型近似人对进化个体的评价,从而减少人评价的数量,有效解决人的疲劳问题.算法性能分析及在服装进化设计系统中的应用验证了其有效性.     

基于区间适应值交互式遗传算法的加权多输出高斯过程代理模型

融合了用户认知和智能评价的交互式遗传算法（Interactive genetic algorithm,IGA）是解决一类定性性能指标优化问题的有效方法,但是,评价不确定性和易疲劳性极大地限制了该算法解决实际问题的能力. 基于用户已评价信息,采用合适的机器学习方法,构建用户认知代理模型是解决上述问题的常用方法之一. 但是,现有研究成果均没有考虑用户评价不确定性对学习样本、代理模型的影响,以及模型拟合不确定性对基于适应值的进化操作有效性的影响. 针对上述问题,本文提出基于加权多输出高斯过程（Gaussian process,GP）代理模型的交互式遗传算法. 首先,在区间适应值评价模式下,提取学习样本的噪声特性,以确定相应学习样本对代理模型的影响度权重系数,构建两输出高斯过程代理模型;然后,利用代理模型提供的预测值及预测置信水平,给出一种新的个体适应值估计方法和个体选择方法;基于模型预测信息,实现模型更新管理. 将所提算法分别应用于含噪函数和服装设计问题中,所得结果表明本文算法可更好地拟合和跟踪用户认知,减小对进化搜索的误导,更快找到用户满意解.     

交互式遗传算法的机器代替用户方法

如何让无疲劳的计算机代替易疲劳的用户是交互式遗传算法研究的一个重要内容.本文首先研究了机器代替用户的3个基本内容,即,机器代替用户扮演环境角色,对个体进行评价;机器采样和代替用户的时机是进入偏好稳定阶段;机器寻优结果由样本和代替用户策略决定.其次,给出基于基因意义单元"适应值"估计的个体适应值估计方法.最后,通过比较实验验证了本文方法的有效性.     

一种基于距离测度的自适应遗传算法

为了提高基于距离测度的自适应遗传退火算法的收敛概率和收敛速度，提出了一种改进的算法，定义基于距离密集度和适应度的自适应变异概率，采用改进的算术交叉操作和模拟退火操作，并在群体趋于一致时保留最优个体，重新产生其他新个体。利用改进的距离测度实数编码遗传算法对带边界约束函数优化问题进行了仿真计算，结果表明该算法收敛概率较高，收敛速度快，是一种有效的算法。     

改进的遗传算法在医学图像中的应用

针对标准的遗传算法（ GA）在优化Otsu法求取图像阈值时出现收敛速度慢、易早熟等问题,提出了一种改进的GA用于图像分割。该算法根据种群不同的进化代数和个体适应度的大小,动态地调整精英选择策略和遗传算子,从而提高了算法的收敛速度、得到了范围稳定的图像分割阈值,且保持了种群多样性。将该算法应用于医学图像分割,实验结果表明：该算法可以对医学图像进行分割且效果明显。     

基于逐维策略的布谷鸟搜索增强算法

布谷鸟搜索算法迭代运用Lévy Flights随机走动和Biased随机走动发现新个体的各维信息。当个体所有维信息生成后,算法将这些信息合成为个体并评价。在这种情况下,由于个体各维之间存在相互干扰,一些部分维进化的个体可能被放弃,从而影响算法的收敛速度以及求精能力。提出的布谷鸟搜索增强算法采用逐维评价策略接收一些部分进化的个体,可进一步增强算法的收敛速度和求精能力。在算法中,逐维评价策略作为局部搜索技术镶嵌在两个随机走动部件之后,并随机选择一些个体进行逐维更新后进行评价。实验结果说明逐维评价策略总体上能够有效且较好地改善算法的求解性能和收敛速度。     

基于遗传算法的灰色神经网络优化算法

针对BP 神经网络算法通常具有收敛速度慢且容易陷入局部极小值的缺点,在对国内空调订单市场进行分析和研究的基础上,提出一种用遗传算法优化灰色神经网络模型参数的方法,该方法利用灰色模型( Grey Model,GM) 弱化数据的随机性以及神经网络的高度非线性,对空调订单建立了一种非线性预测模型,并采用遗传算法对其进行优化,从而提高了预测的精度并加快了收敛程度。仿真结果表明该算法能较好的解决空调订单预测的问题并可推广到同类预测中。     

求解最小生成树的一种小生境遗传禁忌算法

针对最小生成树问题,提出了一种小生境遗传禁忌算法。算法中使用Prfer数对生成树进行编码。在选择交叉之前使用小生境技术,使得被选中交叉的个体之间的适应值的距离大于一定的阈值,从而保证了个体的多样性。遗传变异算子使用禁忌搜索算法,提高了遗传算法的局部搜索能力,加快了算法的收敛速度。模拟实验结果证明该算法是有效的。     

遗传算法中选择交叉策略的改进

提出一种改进的遗传算法,为排序选择压力引入自适应调节机制,确保选择压力随种群性状的改变而动态调整,采用新的竞争择优交叉策略提高种群中个体的平均性能。选取典型测试函数进行仿真,结果表明该算法在寻优精度和收敛速度上较原有算法均有较大提高,收敛概率达90%以上。     

基于任务的数据交换平台

上下级单位以及同级单位之间的数据交换日渐频繁,这些单位采用的数据库多种多样,数据定义在语义、内容上存在冲突,需要交换的数据格式并不固定,随着业务的变化而变化。该文设计并实现了一个基于任务的数据交换系统,以端到端交换模型为基础,使其可以支持多种数据库之间数据交换和并发的数据交换任务,并通过配置满足交换内容变化的需求。     

改进遗传算法在自动组卷中的应用研究

为了避免遗传算法在自动组卷中存在的未成熟收敛和收敛速度慢等弱点,根据群体适应值的分布特点,采用了基于小生境的改进自适应遗传算法。该算法采用模拟小生境法选择算子进行种群选取,并对交叉算子和变异算子进行了优化,实现了交叉和变异概率的非线性自适应调整。改进后的算法明显提高了组卷的成功率和收敛速度,取得了满意的组卷效果。     

带基向量种群的改进差分进化算法

在基向量随机选择中,差分进化算法的收敛速度较慢。为此,提出一种改进的差分进化算法。从当前种群中选择一定数量个体组成基向量种群,在进行变异操作时,从该基向量种群中选择个体作为基向量。使用标准测试函数对算法进行验证,结果表明,该算法能缩小基向量选择范围,减少迭代次数。