基于进化个体模糊适应值估计的交互式遗传算法

采用大规模种群进化优化策略,根据用户评价时间和单一数值适应值估计个体模糊适应值;根据个体表现型属性和参照个体模糊适应值宽度计算个体表现型相似度;利用个体表现型相似度对种群聚类并估计未评价个体的模糊适应值;基于个体模糊适应值和表现型相似性构造个体选择适应值,实现个体相似性选择.将所提出方法应用于室内挂钟进化设计,并与已有典型方法进行比较.结果表明,所提出方法在提高优化质量、减轻用户疲劳、提高搜索效率等方面均具有优越性.     

新的基于相似度估计个体适应值的交互式遗传算法

该方法根据组成个体各基因意义单元值出现的频率,计算基因意义单元的权值,并基于此得到个体的相似度;根据个体与上代最优个体的相似度,选择需要由用户进行评价的个体;基于当代所有己评价个体的信息,估计未评价个体的适应值.将所提方法应用于窗帘进化设计系统,并与已有典型方法比较.结果表明,所提方法在减轻用户疲劳和提高搜索性能等方面均具有优越性.     

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敛性,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.     

基于适应值模糊灰模型的交互式进化计算

针对交互式进化计算过程的评价不确定性问题,对个体适应值预测方法进行了研究。对于个体精确数适应值类型,提出基于模糊灰模型FGM(1,1)预测模糊适应值的方法,降低噪声对适应值的影响。首先,确定了用户满意度与适应值噪声强度的函数关系,构建了噪声强度衡量指标;然后,建立模糊适应值支集宽度约束下的最小噪声强度线性规划,求取模糊适应值预测参数;最后,通过模糊灰模型时间响应序列输出模糊适应值。采用NSGA-II范式实现进化计算,并设计了新的个体序值比较方法和拥挤测度计算公式。将所提方法应用于烤漆门外观选型问题, 并与已有典型方法比较。结果表明, 所提方法在推荐个体质量、减轻用户疲劳、提高搜索效率等方面均有优越性。     

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．

     

基于半监督学习的变种群规模区间适应值交互式遗传算法

为了减轻用户疲劳并增强算法的搜索性能,本文在变种群规模交互式遗传算法的基础上引入协同训练半监督学习方法,提出基于半监督学习的变种群规模区间适应值交互式遗传算法.根据对大规模种群的聚类结果,给出标记样本和未标记样本的获取方法;结合半监督协同学习器逼近误差的改变,提出高可信度未标记样本的选择策略;采用半监督协同学习机制训练两个径向基函数(RBF)神经网络,构造精度高泛化能力强的代理模型;在进化过程中,利用代理模型估计大种群规模进化个体适应值,并根据估计偏差更新代理模型.算法的理论分析及其在服装进化设计系统中的应用结果说明了算法的有效性.     

混合性能指标优化问题的大种群规模进化算法

混合性能指标优化问题可结合传统遗传算法和交互式遗传算法求解, 而种群规模和人机评价任务分配是影响算法性能的关键. 针对该问题, 本文提出一种新的进化优化算法. 首先, 采用大规模种群, 扩大搜索范围, 以增强算法的探索能力; 然后, 根据计算机和用户完成任务耗时的比值, 确定每代用户评价的个体数, 以提高计算机的使用效率; 接着, 采用K–均值聚类方法和基于相似度的估计策略, 以减轻用户疲劳; 最后, 采用Pareto占优比较不同个体的优劣, 使得最优解有较好的显式性能指标值和隐式性能指标值. 将本文算法应用于室内布局这一混合性能指标优化问题, 结果验证了所提算法的有效性.     

改进的IGA在建筑造型创新设计中的应用

交互式遗传算法(IGA)通过人机交互以用户对个体的评估代替传统的适应度函数,在艺术设计等偏向于人类主观感受的领域具有很高的应用价值和广泛的现实意义.文中针对IGA中人的疲劳问题,提出了将根据配对个体之间的相似度值自适应地确定交叉率的方法引入IGA由通过这种方法,可以提高遗传寻优计算的效率,加快IGA的收敛速度,有效缓解用户疲劳.将该方法应用于建筑造型的创新设计中,证明该方法的巨大潜力.     

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．