现实世界中大量的应用问题可看成优化问题来解决,演化算法一直是解决此类问题的有效方法之一。对于显式目标优化问题,演化算法表现出极大的优势,不要求目标函数满足连续、可微、凸等限制条件。然而,对于隐式目标优化问题,传统的演化算法显得有些力不从心。实际上,现实世界中有很多问题都可以看成是隐式目标优化问题。例如,艺术创作、CAD设计、图像检索等等。这类问题的优化目标一般取决于用户的艺术修养、偏好、经验、直觉等各种主观因素,很难被量化,表示成函数作为优化目标几乎不太可能。交互式演化算法是解决隐式目标优化问题的主要方法,引起了国内外学者的广泛关注。然而,在“狭义”的范畴,交互式演化算法中用户只充当了适应值函数的功能,用户干预的潜力无法得到有效释放。对于更加“广义”的范畴,即人为干预作用于演化算法的多个方面,近年来才得到学者们的关注。如何在交互式演化算法中融入更多人为干预因素,提高算法求解效率的同时又能极大限度的减轻用户疲劳,这是非常有意义的研究课题。本文将“广义”的交互式演化算法及其相关技术定义为“人机协同演化计算(User-system Cooperative Evolutionary Computation, USCEC)"。基于差分演化算法实现了USCEC系统框架,允许用户在种群、个体和基因三个层次进行干预。USCEC摒弃了适应值赋值交互方式,使用成对比较选择和基因直接编辑两种人机交互方式,引入多种工作模式,并能自由切换,从而有效利用人和算法各自的优势。本文的主要研究工作有以下几个方面：(1)提出了两种减少编辑特征数目的方法,分别为基于区间熵和基于辨别因子的可编辑特征提取方法。基于区间熵的可编辑特征的提取主要分析用户满意解中的特征分布情况,而基于辨别因子的方法则需要同时分析满意解和不满意解。实验结果表明,在高维特征向量上,采用辨别因子的编辑特征提取方法效果要好于基于区间熵的方法,能在保证算法效率的同时减少可编辑特征的数目,减轻用户疲劳。(2)提出了一种局部搜索策略,基于SVM建立了能区分满意解和非满意解的决策超平面,通过评价积累的样本不断调整此超平面的位置,从候选解集中选择离超平面距离最远的若干个体作为精英,并在人为操作下用于劣质解的替换。实验表明此方法能减少基因编辑的次数。换言之,就是解的评价操作代替了解的编辑操作,从而减轻用户由于过多的编辑行为产生的疲劳。(3)提出了一种基于透镜成像原理的反学习策略,在USCEC系统评价交互界面上增加了一个反向解窗口,为每个演化个体提供了一次接近最优目标区域的机会。此方法通过引入“搜索半径”和“缩放因子”两个参数,实现了算法在搜索区域广度和深度上的一种平衡,可以看成是当前种群在用户的作用下与反向种群之间的“较量”。实验表明,该方法加速了算法的收敛,能在较少的迭代次数内找到满意解。(4)为进一步减轻USCEC中的用户疲劳问题,本文构造了用户评价代理模型,在一定程度上代替用户评价。由于USCEC使用了成对比较选择的评价交互方式,代理模型被设计成比较器。本文使用有向图表示用户偏好信息,并基于极限学习机建立分类器模型,使用改进的粒子群算法优化极限学习机的相关参数。实验表明,相对于传统的基于神经网络的模型,本文提出的代理模型能获得较好的精度,并且通过与反向学习策略的结合,在少量的迭代次数下就能获得较多的样本用于训练模型。本文的研究成果分别在人脸卡通图像设计和基于内容的图像检索问题中得到了验证。研究结果表明,本文的研究成果为交互式演化计算提供了新型的人机交互方式,拓展了人为干预在交互式演化算法中的作用范围,提高交互式演化算法的性能的同时有效控制了用户疲劳程度,为其在更加复杂的领域应用提供了支持。