论文部分内容阅读
在现实决策中存在着一类重要而又难以求解的决策问题:隐性目标决策问题。其决策目标函数不能或者难以显性定义,而且此类问题中决策者的偏好也难以在一开始就完全定义清楚,而需要决策者在交互的问题求解过程中逐渐加以确认。而交互式遗传算法将传统的进化机制与人的智能评价相结合,可以有效地解决隐性目标决策问题。但是,人的疲劳问题是交互式遗传算法的核心问题,它严重制约了交互式遗传算法在复杂优化问题中的应用。为解决该问题,研究求解该类问题的新算法,并研究处理隐性目标决策问题的求解实例。本文从隐性目标决策问题的角度出发,主要的研究内容包括:(1)阐述了本文的研究对象—“隐性目标决策问题”,并分析了该类问题的特征和研究难点,研究讨论了隐性目标决策问题求解方法的要求,指出交互式进化计算(IEC)与径向基网络函数(RBF)是适合处理隐性目标决策问题的技术方法,基于交互式进化计算与径向基网络,建立处理隐性目标决策问题的求解过程框架。(2)交互式遗传算法(IGA)是IEC中研究最多的一个分支,阐述了交互式进化计算的概念,分析了交互式进化计算的核心问题;阐述了径向基网络函数(RBF)的结构,分析了径向基网络函数的逼近能力、学习以及泛化能力,研究了径向基网络函数的学习算法。(3)给出了一种基于交互式进化计算(IEC)与径向基函数网络(RBF)的求解隐性目标决策问题的算法,该算法依据用户少数次对进化个体的评价,采用径向基函数运算提取评价过的个体偏好特征,以机器代替人对个体适应值评价。该算法克服了交互式遗传算法种群规模小,全局搜索能力低,用户容易疲劳的缺点。(4)研究了隐性目标决策问题的一个具体实例—服装设计问题的原型设计。给出了服装设计的系统设计及其实现,分析了要素部分设计即服装设计编码及其求解思路,研究了基于IEC与RBF的服装设计系统的实现流程及更能模块,讨论了基于IEC与RBF方法的服装设计系统的功能实现。