前言
1 绪论
　1.1 引言
　1.2 交互式进化算法的研究现状
　　1.2.1 IEC的理论研究
　　1.2.2 IEC的应用研究
　1.3 交互式遗传算法研究的核心问题
　　1.3.1 IEC与适应值噪声
　　1.3.2 IEC与用户偏好获取模型
　　1.3.3 IEC的进化效率及用户疲劳问题
　1.4 本章小结
　　参考文献
2 主要的多目标进化算法
　2.1 常见的多目标进化算法
　　2.1.1 算法分类
　　2.1.2 选择机制
　2.2 隐式积木块类型算法
　　2.2.1 向量评估遗传算法(VEGA)
　　2.2.2 多目标遗传算法(MOGA)
　　2.2.3 小生境Peto遗传算法(NPGA)
　　2.2.4 非劣分类遗传算法(NSGA)
　　2.2.5 孟德尔多目标简单遗传算法(MMOSGA)
　　2.2.6 微遗传算法(micro—GA)
　　2.2.7 P￡Lret0存档进化策略(PikES)
　　2.2.8 强度Paret0进化算法(sPEA)
　　2.2.9 Peto包络选择算法(SESA)
　　2.2.10 多目标遗传局部搜索算法(MOGLSA)
　2.3 显式积木块类型算法
　　2.3.1 多目标杂乱遗传算法(MOMGA)
　　2.3.2 改进型多目标杂乱遗传算法(MOMGAⅡ)
　　参考文献
3 隐性目标决策问题的求解方法基础
　3.1 隐性目标决策问题的提出
　3.2 遗传算法概述
　　3.2.1 遗传基本概念
　　3.2.2 适应度函数
　　3.2.3 编码与解码
　　3.2.4 遗传算子与控制参数工
　　3.2.5 基本遗传算法过程
　3.3 隐性目标决策问题的进化求解模型
　　3.3.1 隐性目标决策问题的进化描述模型
　　3.3.2 基于IEC的问题进化求解过程
　3.4 本章小结
　　参考文献
4 交互式遗传算法进化个体适应值降噪策略
　4.1 方法的提出
　4.2 交互式遗传算法的噪声
　　4.2.1 噪声来源
　　4.2.2 认知度
　　4.2.3 疲劳度
　　4.2.4 噪声函数
　4.3 用于降噪的进化个体适应值调整
　　4.3.1 算法思想
　　4.3.2 适应值可信度
　　4.3.3 M和M的确定
　　4.3.4 进化个体适应值调整
　　4.3.5 算法步骤
　　参考文献
5 基于用户偏好的协同交互式遗传算法
　5.1 算法的提出
　5.2 基于用户偏好的协同交互式遗传算法
　　5.2.1 算法思想
　　5.2.2 用户偏好抽取
　　5.2.3 用户偏好存储
　　5.2.4 偏好相似用户寻找
　　5.2.5 算法系统结构
　　5.2.6 算法步骤
　　5.2.7 性能比较
　5.3 本章小结
　　参考文献
6 基于多种群的自适应分层交互式遗传算法
　6.1 算法的提出
　6.2 多种群自适应分层交互式遗传算法
　　6.2.1 算法思想
　　6.2.2 多种群交互式遗传算法模型和个体迁移、替换策略
　　6.2.3 近亲交叉回避和自适应单点变异
　　6.2.4 多种群交互式遗传算法分层条件和子搜索区域确定
　　6.2.5 算法步骤
　　6.2.6 性能对比
　6.3 本章小结
　　参考文献
7 基于多智能体系统的协同进化交互式遗传算法
　7.1 模型的提出
　7.2 基于多智能体系统的协同进化交互式遗传算法模型
　　7.2.1 交互式遗传算法单元
　　7.2.2 协同进化单元
　7.3 面向智能体程序设计的协同进化交互式遗传算法描述
　7.4 多智能体及有关操作
　7.5 交互式多智能体进化算法
　　参考文献
8 IEC理论在竞技体育技术动作优化中的应用
　8.1 引言
　8.2 抓举技术动作中的优化应用研究
　　8.2.1 抓举动作的数学描述
　　8.2.2 运动方程
　　8.2.3 约束条件
　　8.2.4 评价函数设计
　　8.2.5 基于IEc的交互式遗传算法描述
　8.3 本章小结
参考文献