| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-23页 |
| 1 绪论 | 第23-32页 |
| ·研究目标 | 第23-25页 |
| ·研究内容 | 第25-26页 |
| ·研究方法 | 第26-28页 |
| ·成果及意义 | 第28-29页 |
| ·本文结构 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 2 交互式遗传算法综述 | 第32-44页 |
| ·遗传算法 | 第32-35页 |
| ·遗传算法的起源与发展 | 第32-33页 |
| ·遗传算法的工作原理 | 第33-34页 |
| ·遗传算法的研究现状 | 第34-35页 |
| ·交互式遗传算法 | 第35-43页 |
| ·交互式遗传算法的起源与发展 | 第36页 |
| ·交互式遗传算法的工作原理 | 第36-38页 |
| ·交互式遗传算法的研究现状 | 第38-42页 |
| ·交互式遗传算法存在的不足 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 3 交互式遗传算法的自适应分区多代理模型 | 第44-61页 |
| ·算法的提出 | 第44-46页 |
| ·代理模型及其学习方法 | 第46-49页 |
| ·多项式函数 | 第47-48页 |
| ·RBF 神经网络 | 第48-49页 |
| ·训练数据与测试数据的获取 | 第49-50页 |
| ·搜索空间的自适应分区 | 第50-54页 |
| ·进化初期搜索空间的分割 | 第50-52页 |
| ·搜索空间的自适应分割 | 第52-54页 |
| ·代理模型的应用 | 第54页 |
| ·算法步骤 | 第54-55页 |
| ·在服装进化设计系统中的应用 | 第55-60页 |
| ·实验背景 | 第55-56页 |
| ·参数设置 | 第56-57页 |
| ·交互界面 | 第57页 |
| ·结果与分析 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 4 基于有向图的交互式遗传算法进化知识提取与应用 | 第61-75页 |
| ·算法的提出 | 第61-63页 |
| ·联赛评价策略与进化个体有向图 | 第63-65页 |
| ·联赛评价策略 | 第63-64页 |
| ·进化个体有向图 | 第64-65页 |
| ·基于有向图的知识提取与应用 | 第65-68页 |
| ·优势个体识别 | 第65-67页 |
| ·建筑块构造 | 第67页 |
| ·基于建筑块的新个体的生成 | 第67-68页 |
| ·算法步骤 | 第68-69页 |
| ·在服装进化设计系统中的应用 | 第69-73页 |
| ·实验背景 | 第69页 |
| ·参数设置 | 第69-70页 |
| ·交互界面 | 第70-71页 |
| ·结果与分析 | 第71-73页 |
| ·本章小结 | 第73-75页 |
| 5 进化个体区间适应值交互式遗传算法的神经网络代理模型 | 第75-95页 |
| ·算法的提出 | 第76-77页 |
| ·进化个体区间适应值交互式遗传算法 | 第77-82页 |
| ·进化个体区间适应值 | 第78页 |
| ·基于区间占优概率的进化个体优劣比较 | 第78-82页 |
| ·进化个体区间适应值神经网络代理模型 | 第82-87页 |
| ·训练数据的获取 | 第83页 |
| ·代理模型的选择 | 第83-85页 |
| ·基于代理模型的进化个体适应值估计 | 第85-87页 |
| ·代理模型的更新 | 第87页 |
| ·算法步骤 | 第87-88页 |
| ·算法性能分析 | 第88-89页 |
| ·在服装进化设计系统中的应用 | 第89-93页 |
| ·参数设置 | 第90页 |
| ·交互界面 | 第90-92页 |
| ·结果与分析 | 第92-93页 |
| ·本章小结 | 第93-95页 |
| 6 进化个体模糊适应值交互式遗传算法 | 第95-108页 |
| ·算法的提出 | 第95-96页 |
| ·模糊数 | 第96-98页 |
| ·进化个体模糊适应值交互式遗传算法 | 第98-104页 |
| ·进化个体模糊适应值 | 第98-100页 |
| ·进化个体优劣比较 | 第100-104页 |
| ·算法步骤 | 第104页 |
| ·在服装进化设计系统中的应用 | 第104-107页 |
| ·参数设置 | 第104-105页 |
| ·交互界面 | 第105页 |
| ·结果与分析 | 第105-107页 |
| ·本章小结 | 第107-108页 |
| 7 进化个体模糊适应值交互式遗传算法的支持向量机代理模型 | 第108-132页 |
| ·算法的提出 | 第109-111页 |
| ·支持向量机的基本知识 | 第111-116页 |
| ·最优分类面 | 第111-113页 |
| ·支持向量分类机 | 第113-115页 |
| ·支持向量回归机 | 第115-116页 |
| ·基于SVC 和SVR 的代理模型 | 第116-124页 |
| ·训练和测试数据的获取 | 第116-120页 |
| ·基于训练数据的SVC 和SVR 数学模型 | 第120-122页 |
| ·代理模型的应用 | 第122-123页 |
| ·代理模型的更新 | 第123-124页 |
| ·算法步骤 | 第124-125页 |
| ·算法性能分析 | 第125-126页 |
| ·在服装进化设计系统中的应用 | 第126-130页 |
| ·参数设置 | 第126页 |
| ·交互界面 | 第126-128页 |
| ·结果与分析 | 第128-130页 |
| ·本章小结 | 第130-132页 |
| 8 进化个体模糊随机适应值交互式遗传算法 | 第132-147页 |
| ·算法的提出 | 第132-133页 |
| ·模糊随机不确定性的数学描述 | 第133-135页 |
| ·模糊不确定性的表示 | 第134页 |
| ·随机不确定性的表示 | 第134-135页 |
| ·基于模糊熵的随机不确定性参数的确定方法 | 第135-136页 |
| ·个体优劣比较策略 | 第136-141页 |
| ·模糊适应值转化为区间数 | 第137-138页 |
| ·随机变量转化为区间数 | 第138页 |
| ·个体优劣比较 | 第138-141页 |
| ·在服装进化设计系统中的应用 | 第141-145页 |
| ·参数设置 | 第141页 |
| ·交互界面 | 第141-142页 |
| ·结果与分析 | 第142-145页 |
| ·本章小结 | 第145-147页 |
| 9 进化个体模糊随机适应值交互式遗传算法的支持向量机代理模型 | 第147-165页 |
| ·算法的提出 | 第147-148页 |
| ·有向模糊图的基本知识 | 第148-149页 |
| ·基于有向模糊图的进化个体精确适应值 | 第149-154页 |
| ·进化种群有向模糊图的建立 | 第150-152页 |
| ·个体精确适应值的获取 | 第152-154页 |
| ·基于支持向量机的代理模型 | 第154-157页 |
| ·基于模糊熵的训练数据获取 | 第154-155页 |
| ·支持向量机代理模型 | 第155-156页 |
| ·代理模型的应用 | 第156-157页 |
| ·代理模型的更新 | 第157页 |
| ·算法性能分析 | 第157-158页 |
| ·在服装进化设计系统中的应用 | 第158-160页 |
| ·参数设置 | 第159页 |
| ·交互界面 | 第159-160页 |
| ·结果与分析 | 第160-163页 |
| ·本章小结 | 第163-165页 |
| 10 结论 | 第165-169页 |
| ·本文所做的工作 | 第165-167页 |
| ·需要进一步研究的问题 | 第167-169页 |
| 参考文献 | 第169-179页 |
| 作者简历 | 第179-182页 |
| 学位论文数据集 | 第182页 |
