相關商品
商品簡介
目次
商品簡介
交互式遺傳算法將傳統的進化機制與用戶的智能評價相結合，可以有效地解決性能指標難以甚至無法用精確函數表示的優化問題。但是，用戶評價的不確定性和評價疲勞問題極大地影響了交互式遺傳算法的性能，嚴重制約了其在複雜優化問題中的應用。以解決這些問題為切入點，本書主要研究基於機器學習構建用戶認知代理模型的高性能交互式遺傳算法的關鍵技術和應用。本書共由4部分內容組成：（1）考慮用戶認知的不確定性，提出採用不確定數，包括區間數、模糊數和隨機變量表示進化個體適應值的交互式遺傳算法；（2）針對進化個體適應值為確定數和不確定數的情況，提出了基於監督學習機制，採用神經網絡和支持向量機等構造用戶認知模型的高性能交互式遺傳算法；（3）針對交互式遺傳算法中，難以獲得足夠量訓練樣本的不足，本書進一步研究利用半監督學習構造用戶認知代理模型的高效交互式遺傳算法。基於上述算法研究，將所提算法應用於服裝設計和太陽眼鏡設計問題中，驗證了相關算法的有效性。
目次
序
前言
第1章 交互式遺傳算法入門
1.1 進化優化算法
1.2 遺傳算法
1.2.1 遺傳算法的起源與發展
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 進化個體區間適應值交互式遺傳算法
2.1 算法的提出
2.2 區間數基礎知識
2.3 進化個體區間適應值
2.4 進化個體區間占優
2.5 算法步驟
2.6 在服裝進化設計系統中的應用
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 進化個體優劣比較
3.4 算法步驟
3.5 在服裝進化設計系統中的應用
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 基於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 個體優劣比較策略
4.4.1 模糊適應值轉化為區間數
4.4.2 隨機變量轉化為區間數
4.4.3 個體優劣比較
4.5 在服裝進化設計系統中的應用
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
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 基於神經網絡代理模型的區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 基於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 基於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 基於SVC和SVR的代理模型
7.3.1 訓練和測試數據的獲取
7.3.2 基於訓練數據的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 基於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 基於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 基於支持向量機的代理模型
8.4.1 基於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 融合半監督學習認知模型的大種群規模交互式遺傳算法
9.1 算法的提出
9.2 半監督學習算法概述
9.3 基於改進半監督算法的大種群規模交互式遺傳算法
9.3.1 訓練數據的獲取
9.3.2 基於改進半監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 基於半監督學習的變種群規模區間適應值交互式遺
傳算法
10.1 算法的提出
10.2 基於動態聚類策略和協同半監督學習的區間適應值代理模型構建
10.2.1 基於相似度閾值的進化種群聚類
10.2.2 基於協同訓練半監督學習的區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 種群規模動態確定策略
10.3.1 進化進程的分割
10.3.2 種群規模的變化
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 加權半監督學習變種群規模區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 基於加權協同半監督算法的區間適應值代理模型構建
11.3.1 進化個體區間適應值的評價可信度
11.3.2 基於評價可信度的加權協同半監督學習算法
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中的應用
11.6 本章小結
參考文獻．
前言
第1章 交互式遺傳算法入門
1.1 進化優化算法
1.2 遺傳算法
1.2.1 遺傳算法的起源與發展
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 進化個體區間適應值交互式遺傳算法
2.1 算法的提出
2.2 區間數基礎知識
2.3 進化個體區間適應值
2.4 進化個體區間占優
2.5 算法步驟
2.6 在服裝進化設計系統中的應用
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 進化個體優劣比較
3.4 算法步驟
3.5 在服裝進化設計系統中的應用
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 基於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 個體優劣比較策略
4.4.1 模糊適應值轉化為區間數
4.4.2 隨機變量轉化為區間數
4.4.3 個體優劣比較
4.5 在服裝進化設計系統中的應用
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
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 基於神經網絡代理模型的區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 基於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 基於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 基於SVC和SVR的代理模型
7.3.1 訓練和測試數據的獲取
7.3.2 基於訓練數據的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 基於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 基於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 基於支持向量機的代理模型
8.4.1 基於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 融合半監督學習認知模型的大種群規模交互式遺傳算法
9.1 算法的提出
9.2 半監督學習算法概述
9.3 基於改進半監督算法的大種群規模交互式遺傳算法
9.3.1 訓練數據的獲取
9.3.2 基於改進半監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 基於半監督學習的變種群規模區間適應值交互式遺
傳算法
10.1 算法的提出
10.2 基於動態聚類策略和協同半監督學習的區間適應值代理模型構建
10.2.1 基於相似度閾值的進化種群聚類
10.2.2 基於協同訓練半監督學習的區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 種群規模動態確定策略
10.3.1 進化進程的分割
10.3.2 種群規模的變化
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 加權半監督學習變種群規模區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 基於加權協同半監督算法的區間適應值代理模型構建
11.3.1 進化個體區間適應值的評價可信度
11.3.2 基於評價可信度的加權協同半監督學習算法
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中的應用
11.6 本章小結
參考文獻．
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。