高級交互式遺傳算法理論與應用

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狀
　　1.3.3　交互式遺傳算法存在的不足
　1.4　本章小結
　參考文獻
第2章　進化個體區(qū)間適應值交互式遺傳算法
　2.1　算法的提出
　2.2　區(qū)間數基礎知識
　2.3　進化個體區(qū)間適應值
　2.4　進化個體區(qū)間占優(yōu)
　2.5　算法步驟
　2.6　在服裝進化設計系統(tǒng)中的應用
　　2.6.1　服裝設計問題
　　2.6.2　參數設置
　　2.6.3　結果與說明
　2.7　本章小結
　參考文獻
第3章　進化個體模糊適應值交互式遺傳算法
　3.1　算法的提出
　3.2　模糊數
　3.3　進化個體模糊適應值交互式遺傳算法
　　3.3.1　進化個體模糊適應值
　　3.3.2　進化個體優(yōu)劣比較
　3.4　算法步驟
　3.5　在服裝進化設計系統(tǒng)中的應用
　　3.5.1　參數設置
　　3.5.2　交互界面
　　3.5.3　結果與分析
　3.6　本章小結
　參考文獻
第4章　進化個體模糊隨機適應值交互式遺傳算法
　4.1　算法的提出
　4.2　模糊隨機不確定性的數學描述
　4.3　基于模糊熵的隨機不確定性參數的確定方法
　　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　模糊適應值轉化為區(qū)間數
　　4.4.2　隨機變量轉化為區(qū)間數
　　4.4.3　個體優(yōu)劣比較
　4.5　在服裝進化設計系統(tǒng)中的應用
　　4.5.1　參數設置
　　4.5.2　交互界面
　　4.5.3　結果與分析
　4.6　本章小結
　參考文獻
第5章　交互式遺傳算法的自適應分區(qū)多代理模型
　5.1　算法的提出
　5.2　代理模型及其學習方法
　　5.2.1　多項式函數
　　5.2.2　RBF神經網絡
　5.3　訓練數據與測試數據的獲取
　5.4　搜索空間的自適應分區(qū)
　　5.4.1　進化初期搜索空間的分割
　　5.4.2　搜索空間的自適應分割
　5.5　代理模型的應用
　5.6　算法步驟
　5.7　在服裝進化設計系統(tǒng)中的應用
　　5.7.1　參數設置
　　5.7.2　交互界面
　　5.7.3　結果與分析
　5.8　本章小結
　參考文獻
第6章　基于神經網絡代理模型的區(qū)間適應值交互式遺傳算法
　6.1　算法的提出
　6.2　進化個體區(qū)間適應值神經網絡代理模型
　　6.2.1　訓練數據的獲取
　　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　在服裝進化設計系統(tǒng)中的應用
　　6.5.1　參數設置
　　6.5.2　交互界面
　　6.5.3　結果與分析
　6.6　本章小結
　參考文獻
第7章　基于支持向量機代理模型的模糊適應值交互式遺傳算法
　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　訓練和測試數據的獲取
　　7.3.2　基于訓練數據的SVC和SVR數學模型
　　7.3.3　代理模型的應用
　　7.3.4　代理模型的更新
　7.4　算法步驟
　7.5　性能分析
　7.6　在服裝進化設計系統(tǒng)中的應用
　　7.6.1　參數設置
　　7.6.2　交互界面
　　7.6.3　結果與分析
　7.7　本章小結
　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　基于模糊熵的訓練數據獲取
　　8.4.2　支持向量機代理模型
　　8.4.3　代理模型的應用
　　8.4.4　代理模型的更新
　8.5　性能分析
　8.6　在服裝進化設計系統(tǒng)中的應用
　　8.6.1　參數設置
　　8.6.2　交互界面
　　8.6.3　結果與分析
　8.7　本章小結
　參考文獻
第9章　融合半監(jiān)督學習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)督學習算法概述
　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　訓練數據的獲取
　　9.3.2　基于改進半監(jiān)督學習的代理模型構造
　　9.3.3　代理模型的應用和更新
　　9.3.4　算法步驟
　9.4　理論分析
　9.5　在太陽眼鏡鏡片設計中的應用
　　9.5.1　太陽眼鏡鏡片設計問題
　　9.5.2　參數設置
　　9.5.3　實驗結果與分析
　9.6　本章小結
　參考文獻
第10章　基于半監(jiān)督學習的變種群規(guī)模區(qū)間適應值交互式遺
　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)督學習的區(qū)間適應值代理模型構建
　　10.2.1　基于相似度閾值的進化種群聚類
　　10.2.2　基于協(xié)同訓練半監(jiān)督學習的區(qū)間適應值代理模型構建
　　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
　10.6　在服裝進化設計系統(tǒng)中的應用
　　10.6.1　實驗設置
　　10.6.2　參數設置
　　10.6.3　實驗結果與分析
　10.7　本章小結
　參考文獻
第11章　加權半監(jiān)督學習變種群規(guī)模區(qū)間適應值交互式遺傳算法
　11.1　算法的提出
　11.2　算法框架
　11.3　基于加權協(xié)同半監(jiān)督算法的區(qū)間適應值代理模型構建
　　11.3.1　進化個體區(qū)間適應值的評價可信度
　　11.3.2　基于評價可信度的加權協(xié)同半監(jiān)督學習算法
　11.4　代理模型的應用和更新
　　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　數值函數實驗
　　11.5.2　在服裝進化設計系統(tǒng)中的應用
　11.6　本章小結
參考文獻