IEC算法及其在多目标优化中的应用2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

IEC算法及其在多目标优化中的应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

1绪论1

1.1引言1

1.2交互式进化算法的研究现状3

1.2.1 IEC的理论研究3

1.2.2 IEC的应用研究3

1.3交互式遗传算法研究的核心问题6

1.3.1 IEC与适应值噪声7

1.3.2 IEC与用户偏好获取模型10

1.3.3 IEC的进化效率及用户疲劳问题12

1.4本章小结13

参考文献14

2主要的多目标进化算法20

2.1常见的多目标进化算法20

2.1.1算法分类22

2.1.2选择机制23

2.2隐式积木块类型算法30

2.2.1向量评估遗传算法（VEGA）34

2.2.2多目标遗传算法（MOGA）35

2.2.3小生境Pareto遗传算法（NPGA）37

2.2.4非劣分类遗传算法（NSGA）40

2.2.5孟德尔多目标简单遗传算法（MMOSGA）42

2.2.6微遗传算法（micro-GA）43

2.2.7 Pareto存档进化策略（PAES）44

2.2.8强度Pareto进化算法（SPEA）48

2.2.9 Pareto包络选择算法（PESA）50

2.2.10多目标遗传局部搜索算法（MOGLSA）51

2.3显式积木块类型算法52

2.3.1多目标杂乱遗传算法（MOMGA）53

2.3.2改进型多目标杂乱遗传算法（MOMGA-Ⅱ）55

参考文献56

3隐性目标决策问题的求解方法基础58

3.1隐性目标决策问题的提出58

3.2遗传算法概述61

3.2.1遗传基本概念62

3.2.2适应度函数63

3.2.3编码与解码65

3.2.4遗传算子与控制参数x67

3.2.5基本遗传算法过程72

3.3隐性目标决策问题的进化求解模型74

3.3.1隐性目标决策问题的进化描述模型74

3.3.2基于IEC的问题进化求解过程79

3.4本章小结82

参考文献82

4交互式遗传算法进化个体适应值降噪策略85

4.1方法的提出85

4.2交互式遗传算法的噪声86

4.2.1噪声来源87

4.2.2认知度88

4.2.3疲劳度88

4.2.4噪声函数89

4.3用于降噪的进化个体适应值调整90

4.3.1算法思想90

4.3.2适应值可信度91

4.3.3N c和N f的确定91

4.3.4进化个体适应值调整94

4.3.5算法步骤94

参考文献96

5基于用户偏好的协同交互式遗传算法98

5.1算法的提出98

5.2基于用户偏好的协同交互式遗传算法99

5.2.1算法思想99

5.2.2用户偏好抽取100

5.2.3用户偏好存储102

5.2.4偏好相似用户寻找103

5.2.5算法系统结构103

5.2.6算法步骤104

5.2.7性能比较106

5.3本章小结106

参考文献106

6基于多种群的自适应分层交互式遗传算法109

6.1算法的提出109

6.2多种群自适应分层交互式遗传算法110

6.2.1算法思想111

6.2.2多种群交互式遗传算法模型和个体迁移、替换策略111

6.2.3近亲交叉回避和自适应单点变异113

6.2.4多种群交互式遗传算法分层条件和子搜索区域确定115

6.2.5算法步骤117

6.2.6性能对比119

6.3本章小结121

参考文献122

7基于多智能体系统的协同进化交互式遗传算法124

7.1模型的提出124

7.2基于多智能体系统的协同进化交互式遗传算法模型125

7.2.1交互式遗传算法单元126

7.2.2协同进化单元128

7.3面向智能体程序设计的协同进化交互式遗传算法描述131

7.4多智能体及有关操作137

7.5交互式多智能体进化算法140

参考文献143

8IEC理论在竞技体育技术动作优化中的应用145

8.1引言145

8.2抓举技术动作中的优化应用研究146

8.2.1抓举动作的数学描述146

8.2.2运动方程148

8.2.3约束条件150

8.2.4评价函数设计150

8.2.5基于IEC的交互式遗传算法描述151

8.3本章小结155

参考文献155