交互式进化计算在虚拟角色表情建模中的应用

阐述了一种将交互式进化计算应用于三维计算机动画影片中训练虚拟角色面部表情的方法。将模糊神经网络应用于虚拟角色面部表情的建模，并用遗传算法结合交互式进化计算训练模糊神经网络。实验结果表明，当该算法应用于训练虚拟角色面部表情这一问题时,能在保证精度的前提下快速收敛，并能避免陷入局部最优，从而使得不同的动画导演利用这个系统,能够生成符合自己要求的虚拟面部表情。     

几种改进遗传算法的性能比较

本文将标准遗传算法与分层策略和模拟退火思想相融合，设计出分层遗传算法、模拟退火遗传算法和模拟退火分层遗传算法三种改进的遗传算法。计算结果验证了算法的有效性和正确性。进一步算法性能分析证明了论文中所设计的改进的算法不仅能增强算法的全局收敛性，还能加快遗传进化速度。     

基于进化个体适应值灰度的自适应交互式遗传算法

为将交互式遗传算法成功应用于复杂优化问题,有必要提高交互式遗传算法的性能。提出基于进化个体适应值灰度的交互式遗传算法,该算法采用灰度衡量进化个体的适应值评价不确定性;通过适应值区间的分析,提取反映进化种群分布的信息;基于此,给出了进化个体的交叉和变异概率。将该算法应用于服装进化设计系统,结果表明该算法在每代可以获取更多的满意解。     

基于多种群的自适应免疫进化计算

将免疫思想同思维进化计算相结合，提出一种新的基于多种群的自适应免疫进化算法（IABM），算法定义了选择、记忆、克隆、超变异、抑制5种基本算子．试验结果表明该算法具有高效的收敛速度，并能收敛到全局最优点．与多种群遗传算法和思维进化计算相比，IABM收敛速度更快，收敛率更高．     

基于灰支持向量回归机预测适应值的交互式集合进化计算

个体适应值的高精度预测和高效的进化策略对于提高进化优化算法性能至关重要.针对现有大规模种群交互式进化计算个体适应值估计误差较大以及传统进化策略搜索效率较低的问题,提出一种基于灰支持向量回归机的个体适应值预测方法和大规模种群集合进化策略.建立基于灰支持向量回归机的适应值预测模型,给出4种集合进化个体比较测度,同时提出新的集合进化个体自适应交叉和变异概率.基于上述策略,采用NSGA-II范式设计一种交互式集合进化优化算法.将该算法应用于RGB颜色One-max优化问题,以表明所提出个体适应值预测方法和集合进化策略的有效性.     

包含交叉和变异操作的交互式遗传算法

传统交互式遗传算法在优化隐式性能指标时会使用户产生疲劳,影响优化质量与优化效率。为此,提出一种改进的交互式遗传算法。采用二元排序确定适应值评价的不确定度,根据评价序列的最大信息差异计算种群的收敛率,通过收敛率衡量种群进化状态,基于适应值不确定度和种群收敛率设计自适应交叉算子和变异算子,给出交叉概率和变异概率的计算公式,利用包含用户偏好信息的遗传策略引导进化,从而使进化结果更加客观。将该算法应用于服装进化设计系统,结果表明,与传统交互式遗传算法( T-IGA)相比,该算法可获取更多的满意解,提高了优化效率。     

基于交互式进化计算的虚拟表情建模

探讨如何训练虚拟人物表情这一新课题,提出了将TSK模糊神经网络应用于虚拟人物表情的建模研究,并用交互式进化计算对TSK模糊神经网络进行训练.实验结果表明,当该算法应用于虚拟人物表情建模时,比传统的进化计算具有更快的收敛速度,而且该算法融合了进化计算的全局优化和人的主观判断,使得表情输出更加符合用户的需要.从而使得不同的动画导演利用这个系统,能够根据自己的知识产生出符合自己要求的虚拟表情输出.     

基于免疫原理的差分进化

为了提高疫苗在复杂函数优化问题中的正确性和使用效率．提出一种新的疫苗形式及其提取方法．并给出了接种概率的自适应确定方法．将上述方法与差分进化相结合．得到一种新算法——免疫差分进化（IDE）．引入超变异算子来维持种群的多样性，防止早熟现象．实验结果表明，与标准的差分进化算法相比．新算法计算量小．收敛速度快，全局寻优能力强．     

区间适应值交互式遗传算法神经网络代理模型

为了解决交互式遗传算法的用户疲劳问题,提出区间适应值交互式遗传算法神经网络代理模型．首先,对用户已评价个体的基因型及其适应值进行采样以训练神经网络,使其逼近区间适应值的上下限;然后,利用神经网络代理模型,评价后续的部分进化个体,并不断更新训练数据和代理模型,以保证逼近精度;最后,对算法性能进行了定量分析,并将其应用于服装进化设计系统．分析结果表明,所提算法在减轻用户疲劳的前提下,具有更多找到满意解的机会．     

一种新的进化计算算法模型--种群竞争消亡算法

为克服进化计算自身的早熟收敛缺陷，受自然界和人类社会进化现象的启发，文中研究得到了一种新的进化计算算法模型——种群竞争消亡算法。本文将该模型应用于温室作物生长模型的参数优化，并将试验结果与基本进化计算相比较，结果说明种群竞争消亡算法在稳定性和收敛性上确实比基本进化计算优越。     

Interactive Evolutionary Multiobjective Search and Optimization of Set-Based Concepts

This paper deals with interactive concept-based multiobjective problems (IC-MOPs) and their solution by an evolutionary computation approach. The presented methodology is motivated by the need to support engineers during the conceptual design stage. IC-MOPs are based on a nontraditional concept-based approach to search and optimization. It involves conceptual solutions, which are represented by sets of particular solutions, with each concept having a one-to-many relation with the objective space. Such a set-based concept representation is most suitable for human–computer interaction. Here, a fundamental type of IC-MOPs, namely, the Pareto-directed one, is formally defined, and its solution is presented. Next, a new interactive concept-based multiobjective evolutionary algorithm is introduced, and measures to assess its resulting fronts are devised. Finally, the proposed approach and the suggested search algorithm are studied using both academic test functions and an engineering problem.      

A broad and narrow approach to interactive evolutionary design—An aircraft design example

While interactive evolutionary computation (IEC) is starting to penetrate a larger scientific community, only few researchers have applied IEC to the design of complicated artifacts like machines or transportation systems. The present paper introduces a specific approach to interactive evolutionary computation that breaches the two historical categories of user-defined fitness and selection in each generation (narrow) and occasional user-intervention of an automated evolutionary process to correct the fitness function used for (multi-objective) optimization (broad). To highlight the approach, a real world aircraft design problem is employed that demonstrates the relevance and importance of both features for an effective design process.     

Multi—Agent协同进化算法研究

与传统优化方法相比,进化计算具有内在的并行性和自组织、自适应、自学习等智能特征,它在许多领域显示出巨大优势并取得一定成功。研究Multi—Agent协同进化算法,集成现有算法中的几种优势策略,利用混合策略的思想结合具体问题设计算法,并以实例说明该算法的有效性。     

基于Prüfer数编码的演化计算方法研究——多阶段物流网络优化问题研究

运用演化计算求解多阶段物流网络优化问题的关键是其编码问题。论文运用Prüfer数对其进行编码,针对Syarif等人方法中的不足,提出了一种改进的Prüfer数解码方法,避免了不可行解的产生,提高了解码的效率。在此基础上,一种新的基于Prüfer数编码的演化计算方法被提出,通过算例分析,该方法的可行性和有效性得到了充分的证明。     

基于粒子群算法的非线性方程组求解

将非线性方程组的求解问题转化为无约束极大极小优化问题，并应用一种新的进化计算（EC）方法——粒子群算法（PSO）求解此优化问题。数值实验的结果验证了该方法的可行性和有效性。     

Providing an appropriate search space to solve the fatigue problem in interactive evolutionary computation

The user fatigue problem in interactive evolutionary computation (IEC) is a complex and interesting issue. If the IEC search space is created from the experience or knowledge of domain experts rather than from users values, it causes two potential problems which lead to fatigue problems in IEC: 1) inefficiency and 2) boredom. Therefore, we propose a customer values-based IEC model, solving the fatigue problem by avoiding the potential problems. A case study involving the design of mineral water bottles was used to verify the anti-fatigue capability of the users when using the proposed model. For comparison with the traditional domain knowledge-based model, we built two IEC systems, a customer values-based system and a traditional system, and conducted a user burden test and a system efficiency test over a two-week period. The results of both tests show that our proposed system performed better than the traditional system in designing mineral water bottles. Fang-Cheng Hsu, Ph.D.: He received his M.S. degree from Tamkang University, Taiwan, in 1985 and Ph.D. degree from Department of Information Management, National Central University, Taiwan, in 2000. He is an associate professor of Information Management at Aletheia University in Taiwan. Prior to this, he was on the faculty at Tamsui Oxford College. His current research interests include interactive evolutionary computation and evolutionary computation-based decision support systems. Peter Huang: He received his B.A. degree from Department of Information Management, Aletheia University, Taiwan, in 1997, and M.B.A. degree from Graduate Institute of Management Science, Aletheia University, Taiwan, in 2003. He is on staff at Information Technology Total Services and is a part-time lecturer at Aletheia University. His current research interests are decision analysis and interactive evolutionary computation.     

机器人路径规划的多目标二次优化方法

基于多目标进化算法的机器人路径规划问题存在求解速度慢的不足,为提高求解效率,提出了一种多目标二次优化方法(MOQO)。在MOQO方法中首先引入二次优化的思想,通过离线的全局优化为在线的局部优化提供一个次优的初始解集,以更有效利用全局优化过程的先验信息和进化信息,从而加速后期的局部优化操作;其次,在MOQO方法中还提出了一种改进的多目标进化算法PPMOEA,以进一步提高优化求解的实时性能。最终的机器人路径规划仿真实验测试了MOQO方法对进化求解操作的加速效果,证明了方法的有效性和可行性。     

Pareto-MEC算法及其收敛性分析

介绍了一种新的多目标进化算法——Pareto-MEC。将基本MEC和Pareto思想结合起来处理多目标问题。提出了局部Pareto最优解集与局部Pareto最优态集概念，并利用概率论的基本理论证明了趋同过程产生的序列强收敛于局部Pareto最优态集。数值试验验证了Pareto-MEC算法的有效性。     

进化规划算法的时间复杂度分析

进化规划算法是求解连续优化问题的一类进化算法,是进化计算的一个重要分支.在进化规划算法的理论研究上,已有学者证明了其收敛性.然而,进化规划算法的时间复杂度分析是进化计算领域一大难题,目前相关的研究成果很少.基于吸收态Markov过程模型,以期望收敛时间作为研究进化规划算法时间复杂度的指标,提出了进化规划算法期望收敛时间的估算方法,并以此作为算法时间复杂度分析的理论依据.最后分析了Gauss变异进化规划算法的期望收敛时间,作为提出理论的应用举例.