高級交互式遺傳算法理論與應(yīng)用

序
前言
第1章　交互式遺傳算法入門
　1.1　進化優(yōu)化算法
　1.2　遺傳算法
　　1.2.1　遺傳算法的起源與發(fā)展
　　1.2.2　遺傳算法的工作原理
　　1.2.3　遺傳算法的研究現(xiàn)狀
　1.3　交互式遺傳算法
　　1.3.1　交互式遺傳算法的起源、發(fā)展、原理
　　1.3.2　交互式遺傳算法的研究現(xiàn)狀
　　1.3.3　交互式遺傳算法存在的不足
　1.4　本章小結(jié)
　參考文獻
第2章　進化個體區(qū)間適應(yīng)值交互式遺傳算法
　2.1　算法的提出
　2.2　區(qū)間數(shù)基礎(chǔ)知識
　2.3　進化個體區(qū)間適應(yīng)值
　2.4　進化個體區(qū)間占優(yōu)
　2.5　算法步驟
　2.6　在服裝進化設(shè)計系統(tǒng)中的應(yīng)用
　　2.6.1　服裝設(shè)計問題
　　2.6.2　參數(shù)設(shè)置
　　2.6.3　結(jié)果與說明
　2.7　本章小結(jié)
　參考文獻
第3章　進化個體模糊適應(yīng)值交互式遺傳算法
　3.1　算法的提出
　3.2　模糊數(shù)
　3.3　進化個體模糊適應(yīng)值交互式遺傳算法
　　3.3.1　進化個體模糊適應(yīng)值
　　3.3.2　進化個體優(yōu)劣比較
　3.4　算法步驟
　3.5　在服裝進化設(shè)計系統(tǒng)中的應(yīng)用
　　3.5.1　參數(shù)設(shè)置
　　3.5.2　交互界面
　　3.5.3　結(jié)果與分析
　3.6　本章小結(jié)
　參考文獻
第4章　進化個體模糊隨機適應(yīng)值交互式遺傳算法
　4.1　算法的提出
　4.2　模糊隨機不確定性的數(shù)學(xué)描述
　4.3　基于模糊熵的隨機不確定性參數(shù)的確定方法
　　4.3.1　模糊度和模糊熵
　　4.3.2　用戶認知確定度
　4.4　個體優(yōu)劣比較策略
　　4.4.1　模糊適應(yīng)值轉(zhuǎn)化為區(qū)間數(shù)
　　4.4.2　隨機變量轉(zhuǎn)化為區(qū)間數(shù)
　　4.4.3　個體優(yōu)劣比較
　4.5　在服裝進化設(shè)計系統(tǒng)中的應(yīng)用
　　4.5.1　參數(shù)設(shè)置
　　4.5.2　交互界面
　　4.5.3　結(jié)果與分析
　4.6　本章小結(jié)
　參考文獻
第5章　交互式遺傳算法的自適應(yīng)分區(qū)多代理模型
　5.1　算法的提出
　5.2　代理模型及其學(xué)習(xí)方法
　　5.2.1　多項式函數(shù)
　　5.2.2　RBF神經(jīng)網(wǎng)絡(luò)
　5.3　訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的獲取
　5.4　搜索空間的自適應(yīng)分區(qū)
　　5.4.1　進化初期搜索空間的分割
　　5.4.2　搜索空間的自適應(yīng)分割
　5.5　代理模型的應(yīng)用
　5.6　算法步驟
　5.7　在服裝進化設(shè)計系統(tǒng)中的應(yīng)用
　　5.7.1　參數(shù)設(shè)置
　　5.7.2　交互界面
　　5.7.3　結(jié)果與分析
　5.8　本章小結(jié)
　參考文獻
第6章　基于神經(jīng)網(wǎng)絡(luò)代理模型的區(qū)間適應(yīng)值交互式遺傳算法
　6.1　算法的提出
　6.2　進化個體區(qū)間適應(yīng)值神經(jīng)網(wǎng)絡(luò)代理模型
　　6.2.1　訓(xùn)練數(shù)據(jù)的獲取
　　6.2.2　代理模型的選擇
　　6.2.3　基于代理模型的進化個體適應(yīng)值估計
　　6.2.4　代理模型的更新
　6.3　算法步驟
　6.4　性能分析
　6.5　在服裝進化設(shè)計系統(tǒng)中的應(yīng)用
　　6.5.1　參數(shù)設(shè)置
　　6.5.2　交互界面
　　6.5.3　結(jié)果與分析
　6.6　本章小結(jié)
　參考文獻
第7章　基于支持向量機代理模型的模糊適應(yīng)值交互式遺傳算法
　7.1　算法的提出
　7.2　支持向量機的基本知識
　　7.2.1　最優(yōu)分類面
　　7.2.2　支持向量分類機
　　7.2.3　支持向量回歸機
　7.3　基于SVC和SVR的代理模型
　　7.3.1　訓(xùn)練和測試數(shù)據(jù)的獲取
　　7.3.2　基于訓(xùn)練數(shù)據(jù)的SVC和SVR數(shù)學(xué)模型
　　7.3.3　代理模型的應(yīng)用
　　7.3.4　代理模型的更新
　7.4　算法步驟
　7.5　性能分析
　7.6　在服裝進化設(shè)計系統(tǒng)中的應(yīng)用
　　7.6.1　參數(shù)設(shè)置
　　7.6.2　交互界面
　　7.6.3　結(jié)果與分析
　7.7　本章小結(jié)
　參考文獻
第8章　基于支持向量機代理模型的模糊隨機適應(yīng)值交互式遺
　傳算法
　8.1　算法的提出
　8.2　有向模糊圖的基本知識
　8.3　基于有向模糊圖的進化個體適應(yīng)值精確化
　　8.3.1　進化種群有向模糊圖的建立
　　8.3.2　個體精確適應(yīng)值的獲取
　8.4　基于支持向量機的代理模型
　　8.4.1　基于模糊熵的訓(xùn)練數(shù)據(jù)獲取
　　8.4.2　支持向量機代理模型
　　8.4.3　代理模型的應(yīng)用
　　8.4.4　代理模型的更新
　8.5　性能分析
　8.6　在服裝進化設(shè)計系統(tǒng)中的應(yīng)用
　　8.6.1　參數(shù)設(shè)置
　　8.6.2　交互界面
　　8.6.3　結(jié)果與分析
　8.7　本章小結(jié)
　參考文獻
第9章　融合半監(jiān)督學(xué)習(xí)認知模型的大種群規(guī)模交互式遺傳算法
　9.1　算法的提出
　9.2　半監(jiān)督學(xué)習(xí)算法概述
　9.3　基于改進半監(jiān)督算法的大種群規(guī)模交互式遺傳算法
　　9.3.1　訓(xùn)練數(shù)據(jù)的獲取
　　9.3.2　基于改進半監(jiān)督學(xué)習(xí)的代理模型構(gòu)造
　　9.3.3　代理模型的應(yīng)用和更新
　　9.3.4　算法步驟
　9.4　理論分析
　9.5　在太陽眼鏡鏡片設(shè)計中的應(yīng)用
　　9.5.1　太陽眼鏡鏡片設(shè)計問題
　　9.5.2　參數(shù)設(shè)置
　　9.5.3　實驗結(jié)果與分析
　9.6　本章小結(jié)
　參考文獻
第10章　基于半監(jiān)督學(xué)習(xí)的變種群規(guī)模區(qū)間適應(yīng)值交互式遺
　傳算法
　10.1　算法的提出
　10.2　基于動態(tài)聚類策略和協(xié)同半監(jiān)督學(xué)習(xí)的區(qū)間適應(yīng)值代理模型構(gòu)建
　　10.2.1　基于相似度閾值的進化種群聚類
　　10.2.2　基于協(xié)同訓(xùn)練半監(jiān)督學(xué)習(xí)的區(qū)間適應(yīng)值代理模型構(gòu)建
　　10.2.3　相似度閡值的確定方法
　10.3　種群規(guī)模動態(tài)確定策略
　　10.3.1　進化進程的分割
　　10.3.2　種群規(guī)模的變化
　10.4　性能分析
　10.5　算法實現(xiàn)
　10.6　在服裝進化設(shè)計系統(tǒng)中的應(yīng)用
　　10.6.1　實驗設(shè)置
　　10.6.2　參數(shù)設(shè)置
　　10.6.3　實驗結(jié)果與分析
　10.7　本章小結(jié)
　參考文獻
第11章　加權(quán)半監(jiān)督學(xué)習(xí)變種群規(guī)模區(qū)間適應(yīng)值交互式遺傳算法
　11.1　算法的提出
　11.2　算法框架
　11.3　基于加權(quán)協(xié)同半監(jiān)督算法的區(qū)間適應(yīng)值代理模型構(gòu)建
　　11.3.1　進化個體區(qū)間適應(yīng)值的評價可信度
　　11.3.2　基于評價可信度的加權(quán)協(xié)同半監(jiān)督學(xué)習(xí)算法
　11.4　代理模型的應(yīng)用和更新
　　11.4.1　代理模型和用戶的融合評價
　　11.4.2　代理模型的更新
　11.5　實例驗證
　　11.5.1　數(shù)值函數(shù)實驗
　　11.5.2　在服裝進化設(shè)計系統(tǒng)中的應(yīng)用
　11.6　本章小結(jié)
參考文獻