1绪论

1.1引言

1.2交互式进化算法的研究现状

1.2.1 IEC的理论研究

1.2.2 IEC的应用研究

1.3交互式遗传算法研究的核心问题

1.3.1 IEC与适应值噪声

1.3.2 IEC与用户偏好获取模型

1.3.3 IEC的进化效率及用户疲劳问题

1.4本章小结

参考文献

2主要的多目标进化算法

2.1常见的多目标进化算法

2.1.1算法分类

2.1.2选择机制

2.2隐式积木块类型算法

2.2.1向量评估遗传算法（VEGA）

2.2.2多目标遗传算法（MOGA）

2.2.3小生境Pareto遗传算法（NPGA）

2.2.4非劣分类遗传算法（NSGA）

2.2.5孟德尔多目标简单遗传算法（MMOSGA）

2.2.6微遗传算法（micro-GA）

2.2.7 Pareto存档进化策略（PAES）

2.2.8强度Pareto进化算法（SPEA）

2.2.9 Pareto包络选择算法（PESA）

2.2.10多目标遗传局部搜索算法（MOGLSA）

2.3显式积木块类型算法

2.3.1多目标杂乱遗传算法（MOMGA）

2.3.2改进型多目标杂乱遗传算法（MOMGA-Ⅱ）

参考文献

3隐性目标决策问题的求解方法基础

3.1隐性目标决策问题的提出

3.2遗传算法概述

3.2.1遗传基本概念

3.2.2适应度函数

3.2.3编码与解码

3.2.4遗传算子与控制参数x

3.2.5基本遗传算法过程

3.3隐性目标决策问题的进化求解模型

3.3.1隐性目标决策问题的进化描述模型

3.3.2基于IEC的问题进化求解过程

3.4本章小结

参考文献

4交互式遗传算法进化个体适应值降噪策略

4.1方法的提出

4.2交互式遗传算法的噪声

4.2.1噪声来源

4.2.2认知度

4.2.3疲劳度

4.2.4噪声函数

4.3用于降噪的进化个体适应值调整

4.3.1算法思想

4.3.2适应值可信度

4.3.3N c和N f的确定

4.3.4进化个体适应值调整

4.3.5算法步骤

参考文献

5基于用户偏好的协同交互式遗传算法

5.1算法的提出

5.2基于用户偏好的协同交互式遗传算法

5.2.1算法思想

5.2.2用户偏好抽取

5.2.3用户偏好存储

5.2.4偏好相似用户寻找

5.2.5算法系统结构

5.2.6算法步骤

5.2.7性能比较

5.3本章小结

参考文献

6基于多种群的自适应分层交互式遗传算法

6.1算法的提出

6.2多种群自适应分层交互式遗传算法

6.2.1算法思想

6.2.2多种群交互式遗传算法模型和个体迁移、替换策略

6.2.3近亲交叉回避和自适应单点变异

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

6.2.5算法步骤

6.2.6性能对比

6.3本章小结

参考文献

7基于多智能体系统的协同进化交互式遗传算法

7.1模型的提出

7.2基于多智能体系统的协同进化交互式遗传算法模型

7.2.1交互式遗传算法单元

7.2.2协同进化单元

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

7.4多智能体及有关操作

7.5交互式多智能体进化算法

参考文献

8IEC理论在竞技体育技术动作优化中的应用

8.1引言

8.2抓举技术动作中的优化应用研究

8.2.1抓举动作的数学描述

8.2.2运动方程

8.2.3约束条件

8.2.4评价函数设计

8.2.5基于IEC的交互式遗传算法描述

8.3本章小结

参考文献