隐式目标优化问题的目标函数难以用具体数学函数表达,只能以用户主观需求为优化目标,但用户主观需求很容易受到自身和外界环境等因素的影响,致使优化目标函数难以量化。在实际应用中存在很多这一问题,例如产品造型设计、图像分类、推荐系统等。交互式遗传算法(Interactive Genetic Algorithm,IGA)是求解隐式目标优化问题有效方法之一,受到国内外学者的广泛关注。IGA算法运行过程涉及频繁的人机交互,导致用户疲劳和算法效率低。因此,本论文针对这两个问题展开研究。本论文的主要研究如下:(1)提出基于评价偏差修正机制的交互式遗传算法。首先依据用户认知规律,将用户评价过程分为三个阶段:在第一阶段,由于用户对目标个体认知不够明确,对进化个体适应值的评价存在较大偏差,提出一种评价偏差修正模型,以减少评价偏差;第二阶段用户不断熟悉要评价的目标个体,为用户挑选有代表性的进化个体,从而减少用户评价的数量;第三阶段用户进入疲劳状态,让算法代替用户对进化个体进行适应值的估算,进一步减轻用户评价负担。最后将该算法与传统的交互式遗传算法进行对比实验,结果表明本文提出的算法能够有效提高用户评价准确性,减少用户评价时间,减轻用户疲劳。(2)提出一种基于样本扩增极限学习机代理模型的交互式遗传算法。首先,该模型基于部分已评价的个体,通过样本扩增的方法提高训练集样本的数量;然后,该模型基于扩增后的训练集样本进行训练,并代替用户完成个体评价任务;最后,为验证该模型的有效性,将样本扩增极限学习机、传统极限学习机、支持向量机和加权极限学习机等代理模型结合交互式遗传算法,并应用于地毯设计系统,进行对比实验。实验结果表明,基于样本扩增极限学习机的代理模型能够有效的减少用户评价次数、评价时间,并提高交互式遗传算法的搜索性能,减轻用户疲劳。