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.     

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．

     

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.     

基于个体适应值灰模型的交互式遗传算法

为将交互式遗传算法应用于复杂的优化问题中,提出一种基于进化个体适应值灰模型预测的交互式遗传算法,为每代适应值序列建立灰模型,以衡量个体适应值评价的不确定性,通过对灰模型的灰预测,提取进化个体评价的可信度,在此基础上,给出进化个体适应值修正公式,将该算法应用于服装进化设计系统中。实验结果表明,该算法在每代都能获取更多的满意解。     

自适应分区多代理模型交互式遗传算法

为提高交互式遗传算法的性能.提出一种自适应分区多代理模型交互式遗传算法.该算法基于关键维分割进化初期的搜索空间,同时基于进化进程、逼近精度以及用户评价敏感度,自适应地分割进化中后期的搜索空间.在子空间上,采用多类代理模型学习用户对进化个体评价,并用于评价后续进化的部分或全部个体.将该算法应用于服装进化设计系统,实验结果表明,算法在种群多样性、减轻用户疲劳及用户对优化结果满意度等方面均具有优越性.     

自适应分区多代理模型交互式遗传算法

为提高交互式遗传算法的性能,提出一种自适应分区多代理模型交互式遗传算法&.该算法基于关键维分割进化初期的搜索空间,同时基于进化进程,逼近精度以及用户评价敏感度,自适应地分割进化中后期的搜索空间.在子空间上,采用多类代理模型学习用户对进化个体评价,并用于评价后续进化的部分或全部个体.将该算法应用于服装进化设计系统,实验结果表明,算法在种群多样性,减轻用户疲劳及用户对优化结果满意度等方面均具有优越性.

     

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。     

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。     

一种靶场电磁环境复杂度评估方法

针对电磁环境越来越复杂的问题,提出了一种基于前馈BP神经网络算法的电磁环境复杂度评估方法。首先建立了靶场电磁环境模型,分析了电磁环境复杂度的评估指标,为定量评估提供理论依据;然后分析了BP神经网络关键参数的选取方法,通过靶场实例验证了神经网络的功能;最后将新方法与传统评估方法进行了对比研究。结果表明了新方法优于传统方法,能够实时、快速、自适应地实现电磁环境的定性和定量分级,拓展了传统方法的应用范围,对研究真实的战场电磁环境问题具有实用价值。     

交互式遗传的3维场景扩展

目的 实现良好的用户体验是3维游戏场景设计的重要目的之一。目前3维场景设计通常多由美术设计师进行创作而非建筑设计及景观规划领域人员,场景空间组织方式没有充分考虑到用户体验,同时由于大型3维场景的制作周期过长,设计效率普遍较低。上述现象直接导致游戏用户在3维游戏场景中交互的体验感较差,但是该问题一直以来没有较好的方法予以解决,也没有引起相关领域研究者的重视。本文提出一种基于交互式遗传的多手段协同操作方法,其目的为实现更加高效、合理的批量生成大型场景单元,并改善空间组织方式,以获得良好的游戏用户体验感。方法 本文方法主要通过特征聚类、蚁群算法空间布局优化及交互式遗传算法评价的方式来解决交互性差的问题。通过自学习方式进行场景建筑布局及立面层次进行特征聚类,并通过基于包围盒的蚁群优化算法进行场景组织的布局优化,最后结合交互式遗传算法引入用户评价来获得特征适应值评估从而得到新扩展的场景,该方法实现了重构场景的良好用户体验性及空间组织方式的合理性。结果 对小型场景进行扩展和对单体建筑的布局进行重构,该方法所得到的新的场景具有良好的空间组织结构,基于用户评价通过交互式遗传算法以用户喜好的评价驱动进化,扩展后的场景反映了真实用户的主观感受并取得较为令人满意的效果,提高了用户体验的友好性。结论 提出一种基于交互式遗传算法的场景重构方法,通过选择特定场景样本进行算法的实现,结果表明该方法具有可行性,并实现了较好的效果。本文方法对于游戏场景设计、文物古迹复原及系统仿真领域具有现实意义和研究价值。     

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。     

基于改进遗传算法的RBF神经网络结构优化研究

针对RBF神经网络隐含层节点数过多导致网络结构复杂的问题,提出了一种基于改进遗传算法(IGA)的RBF神经网络优化算法。利用IGA优化基于正交最小二乘法的RBF神经网络结构,通过对隐含层输出矩阵的列向量进行全局寻优,从而设计出结构更优的基于IGA的RBF神经网络(IGA-RBF)。将IGA-RBF神经网络的学习算法应用于电子元器件贮存环境温湿度预测模型,与基于正交最小二乘法的RBF神经网络进行比较的结果表明:IGA-RBF神经网络设计出来的网络训练步数减少了44步,隐含层节点数减少了34个,且预测模型得到的温湿度误差较小,拟合精度大于0.95,具有更高的预测精度。     

可视化交互式遗传算法及其在图像感性检索中的应用

提出了一种可视化IGA模型，结合GA在n维空间上快速搜索的优点和人类在2维空间上把握数据整体分布的能力，采用可视化的方法使用户主动参与搜索过程以加快遗传算法的收敛速度，从而减轻用户疲劳．采用主元分析的方法将n维空间中的个体向量映射到2维空间．并显示出来，用户可以在这个2维空间中选择一个好的个体加入遗传过程．以此来加速算法的收敛．实验证明可视化IGA较一般的IGA有更快的收敛速度，对减轻用户疲劳有很好的作用．该模型用于图像的感性检索，取得了较好的检索结果。     

软件风险评估量化分析研究

为解决软件风险评估完全凭借专家经验产生的主观性和模糊性问题,提出了基于进化神经网络模型的软件风险定量评估方法.通过研究软件风险评估过程,提出了软件风险评估指标体系模型,同时运用模糊理论将风险因素量化以此作为进化神经网络的输入值.将改进的粒子群算法(PSO)、BP神经网络相结合,构建了基于改进BP神经网络的进化神经网络模型.对提出的模型和改进的算法进行模拟仿真实验,实验结果表明了该方法对软件风险评估量化分析的可行性.     

RS-IPSO-BPNN模型在建筑工程估价中的应用

针对一般建筑工程估价问题的复杂性,融合粗糙集理论、粒子群算法和神经网络算法的优势,提出了一种新的建筑工程估价模型--基于粗糙集理论、改进粒子群算法和神经网络算法集成的建筑工程估价模型。利用粗糙集理论对影响建筑工程造价的因素进行约简,优化BP神经网络的输入变量;利用一种带收缩因子的改进粒子群算法优化BP神经网络初始权重和阈值。该方法有效地增强了BP算法对非线性问题的处理能力,同时提高了BP算法的收敛速度和搜索全局最优值的能力。选取湖南某市工程案例进行实证分析。研究结果表明,新的算法模型能够以工程特征为依托,科学客观地评估建筑工程造价,具有较高的实际应用价值。     

基于IIGA-BP神经网络的钢材销售预测模型

为克服传统BP神经网络(BP Neural Network,BPNN)在销售预测中,预测精度低、收敛速度慢的缺点.提出了一种基于改进免疫遗传算法(Improved Immune Genetic Algorithm,IIGA)优化BP神经网络的销售预测模型.改进的免疫遗传算法提出了新的种群初始化方式、抗体浓度的调节机制及自适应交叉算子、变异算子的设计方法,有效的提高了IIGA的收敛能力和寻优能力.并用IIGA优化BPNN的初始权值和阈值,改善网络参数的随机性导致BPNN输出不稳定和易陷入局部极值的缺点.以某钢铁企业的历史销售数据为例进行实证研究,利用Matlab分别构建BP、IGA-BP和IIGA-BP神经网络预测模型进行仿真对比分析.实验证明,IIGA-BP神经网络预测模型较BP神经网络预测模型预测精度提高了23.82％,较IGA-BP神经网络预测模型预测精度提高了22.02％.IIGA-BP神经网络模型对钢材销售预测的泛化性能更好,预测效果更稳定误差基本保持在[0.25,0.25]之间,预测精度大幅度提高,为企业销售预测提供了一种较为有效的方法.