交互式遗传算法交叉方法来估计多峰偏好

文摘

我们应用交互式遗传算法(iGA)生成产品推荐。iga寻找一个最佳点基于用户的Kansei通过用户和机器之间的交互。然而,特别是在域的产品推荐,可能有无数的最佳点。因此,本研究的目的是开发一个新的iGA交叉方法,同时搜索多个最佳点为多个用户首选项。该方法估计的位置最优区域的聚类方法,然后搜索面积的最大值的概率模型。证实该方法的有效性,进行了两个实验。在第一个实验中,一个pseudouser运营一个实验系统,实现了提出了与传统方法和获得的解决方案进行评估使用一组pseudomultiple偏好。这个实验中,我们证明了,当有多个参数,该方法比传统的搜索更快和更多样化。第二个实验是一个主观的实验。实验表明,该方法能同时搜索更偏好当受试者多个偏好。

1。介绍

目前,在b2c电子商务、产品推荐是很重要的。在网上购物网站上销售的产品的数量正在增加。此外,为了提高销售,每个站点使用搜索技术或建议来展示自己的产品。因为用户直接输入搜索技术考虑,他们返回用户期望的产品。相比之下,因为产品推荐技术使用用户操作日志来分析他们的需求,他们显示的产品,用户不希望。目前,主要的推荐技术是基于内容的过滤1,2和协同过滤3- - - - - -5]。前推荐产品通过匹配用户的概要文件和操作日志功能的产品,而后者推荐产品的基础上,频率在同一时间购买。因此,我们的目标是在展示产品,符合个人Kansei模型。Kansei日本是一个术语,与人类特征,如感性知觉,情感或主观性。我们假设人类Kansei被建模为一个函数。函数的输入参数是对象或环境的因素的特性和输出参数是主观评价,如偏好或印象。这个内部模型在人类Kansei能够从一个用户的操作日志进行分析6]。因此,通过搜索这个函数的最大值点,我们可以找到匹配的对象的主观评估。这些搜索技术称为交互式进化计算(iec) [7]。交互式进化策略(iES) [8)和交互式遗传规划(显卡)9- - - - - -11)是两种类型的iEC技术。在这项研究中,我们关注交互式遗传算法(iga) [12- - - - - -14因为他们使用多个搜索点和问题的解决方案是编码相对容易。

iga是为了寻找一个最佳点。然而,在产品推荐的问题,可能会有多个最佳点有几乎相同的评估值。例如,几个用户的推荐系统t恤都可能喜欢蓝白相间的颜色,点缀和条纹图案。用户经常像两个以上产品中彼此遥远的产品参数空间。因此,如果我们应用iGA简单,我们将无法正确推断Kansei模型的用户。为了解决这个问题,我们开发了一个新的iGA交叉方法,同时搜索多个用户的偏好。这个方法包括两个阶段的评估最优区域的位置和搜索面积的最大值。前者是通过聚类的方法。除以高度重视解决方案由一个聚类方法,一些地区可以获得很高的评价。此外,通过搜索区域内的概率模型反映的分布高度重视解决方案,可以找到更高度评价解决方案。

节2,我们提供iga的概述。详细描述我们的方法讨论了部分3。节4,我们使用pseudouser比较方法的性能与传统的方法。最后,证实了该方法的有效性在主观实验部分5。

2。交互式遗传算法

2.1。大纲

基于气体iGA是一种优化方法,模拟进化(15]。最优对象由iga匹配用户的Kansei代替遗传算法的目标函数与用户的主观评价基于偏好或印象。因此,iga用于应用程序应该嵌入在评估Kansei信息,如时装设计(16,17),用户界面布局(18,19],助听器配件(20.,21]。

图1显示了推荐系统利用iga的概述。在此系统中,产品评估根据用户的喜好,喜欢或不喜欢,希望或unwants,等等。用户的系统分析评价日志并选择新产品展示,也是由用户评估。重复这个过程的评价和分析,显示进化向这些用户喜欢的产品。

2.2。算法

天然气使用因素如自然选择的进化和世代交替来找到一个最佳的对象。这些进化因素建模为GA算子,即选择、交叉和变异。iga不同气体在解决这些运营商使用的评估值是由用户提供的评级。图2显示了一个流程图描绘iga的优化过程。选择算子提取解决方案高度评价为下一代的父母解决方案。交叉算子模拟一代交替,从选定的父母产生后代。最后,变异算子随机变化的部分染色体代表一个解决方案以防止解收敛于局部最优点。

表示解决方案不同的评价和其他GA操作。评估被称为表型的表达,这是一组数字代表解决方案的特性,如颜色、长度和形状。这种形式的用户评估解决方案。其他表示被称为基因型,这是一个编码形式的表型适应GA操作符。因为生成的后代被表示为基因型,基因型和表型之间的编码和解码需要大约线性对人类Kansei。在我们的方法中,我们使用实数编码气体(22- - - - - -24因为解决方案可以使用几乎相同的表型和基因型的表述。以下,解决方案的代表将被称为设计变量进行描述性的。

2.3。iGA的多峰偏好

传统的iGA是有效的在寻找一个最佳景观包含一个或多个峰值。景观是一个目标函数和可视化设计变量之间的关系和评价范围值的山脉。它表达的特点和复杂性问题。在这项研究中,使用用户的偏好的景观作为评估值被定义为一个Kansei景观。域的产品推荐,偏好包括购买动机,品味,等等。因此,可能会有多个不同的设计变量的最优解决方案。此外,用户往往更喜欢那些不同的解决方案,特别是在产品推荐。在这种情况下,Kansei景观有多个偏好山峰的高度几乎是相同的,如图3。我们定义这是一个多通道Kansei景观。我们认为如果我们同时搜索多个峰,我们将获得正确的多通道Kansei景观和显示解决方案,满足用户的偏好。

在先前的研究中,伊藤等。25]试图推断出峰的位置通过集群解决方案与高值在一个特定的一代。虽然这种聚类方法估计了山峰,它不能搜索峰值的最大值。在本文中,我们将扩展这个方法和获得最大值峰的推断和搜索每一代。

3所示。该方法

搜索多个最佳点在多通道Kansei景观,我们需要推断峰值的位置,然后寻找每个峰的最大值。我们提出一个新的交叉方法包括两个步骤。在第一步中,我们集群解决方案的高值。每个集群的位置被认为是最高的偏好。在第二步中,我们产生新的后代使用多维正态分布由每个集群成员。给出了两个步骤的详细描述如下。

3.1。聚类方法推断多个峰值

在第一步中,我们分类父解决方案选择使用遗传算法的选择算子。因为我们不知道峰解决所属,我们使用一个聚类方法,将解决方案根据他们两两距离在设计变量空间。图4显示了示例集群的结果时将我们的方法应用于t恤。每个数据点代表一个解决方案,每个集群是一个候选人峰值的位置。

集群的数量在这个方法非常重要,因为它代表用户的偏好峰的数量。然而,事先是未知的。因此,我们可以利用聚类方法,确定最优数量的集群(26,27自动)。另外,我们可以使用精度指标聚类结果,统计数据(如差距28,29日)和轮廓统计(30.,31日]。可以使用这些指标如下。我们递归地应用聚类方法等-medoids和——(32通过使用数量可变的集群)。当指数的值是最大(或最小),集群的数量被认为是最佳的。节4我们使用,我们提供了一个实验-medoids聚类方法和轮廓统计的方法确定集群的数量。

3.2。使用主成分分析寻找峰值最大值

搜索最大的外推值山峰,我们构造一个基于解决方案和后代的概率模型从每个集群。为了产生后代,维持他们的解决方案和设计变量的相关性,我们应用主成分分析(PCA) (33)每个集群方法(34,35]。

以下显示的细节过程。起初,后代的数量在每个集群必须设置这样的后代总数等于人口规模。我们决定后代的数量在每个集群的基础上,集群成员的比例大小之和。随后,以下过程应用于每个集群。图5显示了过程产生的后代在多维正态分布由主成分分析。(1)属于集群解决方案由一个表示矩阵当设计变量的数量和一个集群的父母。通过并行的翻译,我们得到一个矩阵是设计变量与零均值的条目。(2)我们使用计算一个variance-covariance矩阵。(3)我们应用主成分分析,得到矩阵的特征值和特征向量。的旋转矩阵由排名列按照降序排列的特征向量的特征值的绝对值。(4)用旋转矩阵和翻译后的父母矩阵,我们父解映射到一个空间维度相关的: (5)多维正态分布构造而成我们使用这个概率分布生成儿童解决方案。然而,如果使用原始分布,孩子们解决方案空间的原点附近收敛。要解决这个问题,我们把每个维度的方差的分布参数并生成后代在更广泛的空间。在后面的实验中,参数设置为1.4。(6)乘以通过的逆矩阵,从基空间矩阵映射吗到原始的空间: (7)的平均向量添加到每个后代吗人口,包括到下一个。(8)我们回到步骤1,直到这些操作对所有集群是重复的。

4所示。Pseudouser实验

前一个实验和一个真正的用户,确认我们的方法可以搜索多个峰值,提高解决方案在一个高峰,一个实验的设计就被执行。我们开发了一个实验系统,模拟一个产品推荐系统和比较的有效性和传统的交叉方法。系统由一个优化模块和一个伪效用模块。伪效用是一个软件有几个pseudo-Kansei景观和评估解决方案代表一个真正的用户。我们使用的原因就在于用户没有评价人类的波动。因此,这是适当的行为来确认算法。

4.1。实验系统

图6显示了实验系统的流动。我们实施的常规方法是混合交叉(24]。在试验中,我们使用一个可用的两个交叉的方法,而其他运营商(初始化、选择和突变)是相同的。评价模块的实现细节,选择模块,该方法和传统方法如下所述。

以下4.4.1。评估模块

在这个实验中,评估者并不是一个真正的用户软件。软件评估者可以使大量的评估和结果的再现性是保证。我们称之为伪效用。的就有一些pseudo-Kansei景观评价。人们认为Kansei景观不崎岖的山脉的序列,但叠加的温柔的山脉几乎一样高。因此,高斯函数的总和是适合模拟Kansei景观。

我们用12 pseudo-Kansei风景。在细节,他们的组合2,4,6,维度和2、4、6和8的峰值。图7显示了二维的例子pseudo-Kansei风景2或4峰值。所有的高斯函数的高度设置为7。每个景观差异需要不同,避免一些山峰组合到一个高峰。他们决心让10%解决方案1000个随机样本超过5.5评估值的初步实验。

使用这些风景,就评估6解决方案好解决方案。

4.1.2。选择模块

表1显示了使用共享参数。人口和一代尺寸大小有限,没有负担一个真正的用户,如果用户操作系统(7]。

选择添加解决方案评估方法一样好到选择存档和提取所需数量的父母从归档解决方案。在这个实验中,我们将选择大小设置为13,这是人口规模的一半。在第一代,随机初始化是重复,直到归档文件的大小超过了选择大小。从第二代开始,选择方法提取解决方案的更新,直到解决方案的数量大于选择大小。

4.1.3。该方法模块

在这个实验中,我们使用了-medoids聚类方法和计算轮廓统计数据来确定集群的数量。轮廓统计指标聚类结果的准确性提供了一个。为每个数据点,我们计算距离的意思是所有数据点属于同一个集群和最近的集群。接下来,我们通过计算获得轮廓数据的聚类结果的均值,它被定义为

这个值越高,更精确的聚类结果。在这个实验中,集群中使用的数量从2到8 -medoids方法多样。集群的数量最大化的轮廓采用统计试验。

4.1.4。常规方法模块

传统的系统使用的混合交叉算子产生后代。图8说明了该方法的程序。最初,两种解决方案都是随机从母公司中提取的解决方案。2解决方案在每个设计变量的距离计算。接下来,距离向外扩展时间和一个超级长方体构造基于距离。最后,后代是随机产生的超长方体。在这个实验中,被设置为。

4.2。指标

了该方法的有效性评估从两个观点。(1)该方法可以搜索多个山峰景观。(2)该方法可以提高搜索在每个峰。

该方法的目的是估计多个峰值的位置在一个景观。然而,它也需要寻找每个峰的最大价值。因此,我们使用以下两个指标评价方法。

方差。后代的数量的总和差异产生的峰值和后代的数量应该生成所有的高峰。

改进。一个人口的评估值的均值。

方差是用来量化的性能均匀地寻找所有的山峰。如果该方法有效地工作,希望每一个峰是由相同数量的候选人搜索解决方案。这个理想数量的后代在每个峰值计算由以下方程

索引的峰值Kansei景观用。的峰面积代表一个地区的高峰。图9显示了示例的山峰。峰是由超曲面提取领域。我们定义一个字段的峰值作为连续超曲面上方的景观的一部分。在这个实验中,超曲面的高度设置为5.5。这个值决定的总面积的山峰是大约10%的整个表面区域。

因为地区的所有山峰pseudo-Kansei景观都是平等的,所有的理想数量的后代大约是相同的。搜索结果的方差被总计评估之间的差异产生的后代数量和理想的每一代的后代数量。这个值是表示由以下方程,计算变量在(5)代表峰的数量:

证实了搜索的性能评估的价值改进产生的数量。

4.3。结果

图10显示的结果方差。每个图表显示了代际的变化在每个pseudo-Kansei景观。列代表维度和行代表的数量峰值。如果越小,该方法优越方差。该方法(固体蓝线)是统计上更好。然而,倾向于上升,后者在许多情况下,一代又一代的一半。

图11显示的结果改进。图在图的位置10类似于图吗11。因为改进代表评估值的均值,更高质量的结果有较大的值。代意味着该方法的在统计学上优于传统的方法。

4.4。讨论

在方差评估,几乎在下半年增加。这是由伪效用的评价。就静态评估的解决方案在评估值的降序排列。如果解决方案属于集群的数量高于别人,集群中产生更多的后代。因此,搜索区域往往最终收敛于一个。从实用的角度来看,真正的用户没有这种趋势,因为他们不严格评估基于评估值的降序排列。此外,如果用户希望不同的观点,他们将评估属于多个山峰的高度的解决方案。因此,这不是一个问题。

在相同的趋势改进。下半年的一代,传统方法的结果是该方法的类似。预计这种行为,因为混合交叉方法结果为一个峰强收敛的解决方案。然而,该方法进步更快,寻找多个峰值。

总结,该方法是合适的,尤其是在初代。

5。主观实验

为了验证该方法的有效性在一个真正的用户,我们进行了主观实验。这个实验使用了相同的实验系统在部分4,除了评估阶段。评估者不是一个伪效用,但一个真正的用户。八个20多岁的男性和4女性参加了这个实验。我们创建了三个应用程序进行优化和实验参与者评估界面。此外,虽然Kansei景观就,Kansei景观的人不是。我们进行了初步实验,获得近似风景的受试者参与试验。

首先,我们描述了应用程序开发和执行的初步实验提取近似风景的参与者。获得的近似风景也验证参与者多个偏好。接下来,我们描述了iGA实验系统中使用主观实验。结果证明该方法是有效的对人类。

5.1。应用程序

实验申请偏好评价是家具的设计模式。特别是,我们使用三种模式:虚线,蔓藤花纹和格子。每个模式都被视为一个单一的应用程序。此外,当实验参与者的一个应用程序操作,他们选择的家具设计从窗帘、沙发套、床罩。我们使用这个应用程序域,因为我们相信评估不会波动。

解决方案的例子在图所示12和设计变量如表所示2。设计变量的数量是2的所有应用程序。在虚线的应用模式中,我们选择颜色和大小的点的设计变量。阿拉伯式花纹和格子模式,我们选择两种颜色作为设计变量。格纹图案,除了白两种颜色是参数化使用色调,饱和度,亮度(HSB)颜色空间(36]。饱和度和亮度值保持不变,只有色调值是参数化的。因为度表达的色调值,最大值和最小的色调值是相同的。点模式,我们不同的点的半径的比值在相邻的点之间的距离。点的数量保持不变。

5.2。初步的实验

5.2.1。实验的程序

前iGA实验,获得所需的指标评估该方法,我们提取近似风景的参与者。景观是由抽样近似的设计变量空间上面提到的应用程序。此外,通过验证,用户有多个参数,我们确认需要方法。

每个设计变量分为均匀的网格和网格点作为采样点。参与者评价采样点对应的解决方案。因为网格大小为每个应用程序,我们评估100解决方案。我们估计的近似景观通过线性插值的评估值。之前的实验中,参与者被要求考虑购买房间被翻新的结构模式和每个织物来评估他们有多喜欢。试验的三个应用程序的顺序是参与者之间的平衡。

5.2.2。实验系统

图13显示了评价接口用于实验。100解决方案显示的顺序是随机的。在每个解决方案,有七个单选按钮。参与者评估他们有多喜欢每个解决方案通过选择适当的按钮。

5.2.3。结果

在图14,我们现在的例子近似风景。图(14日)显示了multiple-peak景观和图的例子14 (b)显示了典型的单峰景观。在这些数据中,轴的设计变量的应用程序。评为高度优先的区域颜色红色和黄色的那些至少作为首选。

12参与者评估3应用程序。因此,总共36 Kansei风景了。

5.2.4。讨论

我们检查了如果参与者多个偏好根据以下流程。

首先,为了计算峰的数量,我们确定为每个近似Kansei景观领域的高峰。具体来说,对于每一个风景,我们绘制直方图的评估值的解决方案。接下来,我们设定一个阈值选择评估值的25%。一个连续区域的评估值高于阈值被定义为一个字段的高峰。图15介绍了景观形象由着色白图所有领域(14日)除了峰值。

接下来,我们计算每个景观的山峰。图16显示的频率图峰的数量。水平轴峰值的数量,纵轴是景观的数量有一个特定数量的峰值。我们证实27的36个风景有多个峰值。因此,因为Kansei风景有多个峰值在许多情况下,我们需要寻找一种新的方法。

5.3。实验来验证该方法的有效性

在本节中,我们验证我们的方法搜索解决方案是否在人类多通道Kansei风景比常规方法更有效。我们使用相同的指标就实验评价方法的性能。

5.3.1。实验的程序

参与者的实验系统,应用两个可用的方法为每个应用程序之一。总共6个试验进行。试验了平衡的顺序如下所述。参与者被分成2组。每个小组的成员第一次操作实现该方法的系统模块,然后实现常规方法的系统模块。此外,在每一组中,应用程序的顺序是随机的。

参与者被要求评价织物的模式中使用的家具一样的初步实验。

5.3.2。实验系统

在这个实验中,我们使用相同的系统中使用的一个伪效用试验。我们使用相同的实验参数的伪效用实验因为部分中给出的结果4.3表明,该方法在二维景观的搜索性能足够优越的传统方法。

我们取代了伪效用实验模块的界面如图17,这是由参与者。参与者给了25个解决方案通过点击显示他们的最爱。点击一个图像时,框架的颜色改为红色。评级所有解决方案后,参与者点击下一页按钮位于底部的接口和25个新解决方案显示出来。每个序列25的解决方案被称为一个页面。参与者持续评估解决方案,直到一个弹出窗口显示通知他们,试验结束。

5.3.3。结果

接下来,我们目前的实验结果对2节中规定的指标4.2。

首先,我们检查的指标方差,用于确定该方法可以搜索多个山峰Kansei景观。在图18,我们的意思的风景与相同数量的峰值。生成的程序用于计算理想数量的后代是一样的4.2。对于每个近似景观,我们获得理想产生后代的数量根据领域的峰值。在图18,横轴代表代和纵轴的意思。我们不存在景观的结果包含一个峰值或超过5山峰,因为为单峰风景,是没有意义的,然而,对景观有超过5个山峰,我们没有足够数量的样品如图16所示。

景观与2和3的结果峰表明,该方法获得的小值,这表明该方法寻找更多的山峰。就像前面提到的5.2。4,2或3的风景山峰大约一半的风景。因此该方法是高效的大约一半的情况下考虑。相比之下,传统的方法优越的景观与4的山峰。这种行为的原因是稍后讨论。

其次,我们考虑的指标改进,用于确定该方法寻找峰值的最大值。在图19,我们的意思是评估值在每一代的情况下景观有一个峰值或多个峰值。解决方案的评估值估计的近似的风景。水平轴代表了一代又一代的数量,纵轴是评估值的均值。

在图(19日)单峰风景,搜索结果显示,传统的方法实现更高的平均值。相比之下,在图19 (b)多通道风景的搜索结果显示,提出的和传统的方法实现大约相同的评估值。这些结果表明,传统方法正确搜索单峰风景。此外,当用户有多峰偏好,这两种方法都达到几乎相同的性能。

5.3.4。讨论

对于包含4山峰的风景,传统的方法实现更高方差值。这种行为是由于复杂的景观的形状由多个山峰的存在引起的。图20.显示的搜索日志4-peak景观。图的坐标轴20.代表着阿拉伯式花纹模式的设计变量。在这个图中,我们现在只的山峰的近似景观。绘制的点代表的解决方案,被选为父母。特别是,在图20(一个),显示了该方法的搜索日志,相同的点绘制风格属于同一集群的对应解决方案。

尽管中央峰图20.似乎由两座山峰,它实际上是视为一个峰值,面积大。因此,理想的后代的数量也变得很大。传统的方法使用多个解决方案和搜索正确的这个峰值的一半。后代的数量之间的差异的传统方法和理想的后代的数量是很小的。

相比之下,该方法认为中央两个人峰值和峰值搜索他们使用两个集群。因此,解决方案的数量很小,属于一个集群的负面影响搜索的性能。结果,该方法的区别后代的数量和理想的后代数量大的搜索性能方法看起来比传统的方法。然而,这种行为该方法的目的是找到用户的多个引用通过搜索多个峰值。事实上,该方法是找到2连接边缘的地区,我们认为这是没有问题。

接下来,我们检查结果显示常规方法的评估值增加更快。数据21和22搜索日志的例子多通道和单峰风景。蓝色的圆大致表示每个方法的搜索范围。多通道的景观,该方法分别使用不同的集群和搜查了两座山峰和有效。

另一方面,在图22,传统的方法往往聚集在解决方案。然而,该方法使用太多的集群来搜索。这种趋势也在讨论方差。虽然同意提出的目标方法,搜索范围基于可怜的每个集群成员的狭窄和搜索性能变得有限。讨论的问题是伪效用实验(部分4.4)。要解决这个问题,有必要更换交叉方法与传统方法或设置集群是小于的数量的基础上确定轮廓统计时发现一个用户有一个单峰Kansei景观。

6。结论

在这项研究中,我们开发了多峰偏好的搜索方法。具体来说,我们应用iGA在产品推荐使用Kansei景观和获得最优解。获得的最大的高峰值Kansei风景,需要估计的位置偏好高峰和搜索在每个峰值效率。因此,我们提出了一个新颖的交叉方法。我们的方法推断峰值的位置的集群解决方案,评估价值和高产生的后代通过构建一个多维正态分布,占设计变量之间的相关性。

我们证实了该方法的效率进行伪效用实验和课题实验。在这些实验中,我们比较了该方法与传统方法的基础上,两个指标。第一个指标,方差,通过计算实数之间的差异产生的后代在每个峰值和理想数量的后代。使用这个指标,我们检查了我们的方法是否能识别更多的山峰。验证每个峰值搜索的准确性,我们定义第二个指标改进测量评估值的增加。

就实验中,我们调查的行为方法通过不同维度的数量和山峰。降低维度,该方法比常规方法执行统计指标。在这个主题的实验中,该方法有更高的方差和改进两种方法的搜索时大约是相同的多通道的风景。因此,它是证明该方法寻找多个峰值时表现得更好。因为多通道景观构成75%的风景,我们可以说该方法适合产品推荐几乎多峰偏好。

在未来的工作中,我们将研究制约集群成员的数量来提高搜索性能在高维空间中。此外,在单峰风景,该方法倾向于将解决方案划分为太多的集群。要解决这个问题,我们将考虑切换到传统的方法在单峰风景或控制集群的数量。

引用

1. f·里奇,l . Rokach b Shapira, p·b·坎特推荐系统手册施普林格,2011年。
2. m . j . Pazzani和d . Billsus“基于内容的推荐系统,”自适应网络,第341 - 325页,2007年。视图:谷歌学术搜索
3. x苏和t . m . Khoshgoftaar“协同过滤技术的一项调查,”人工智能的发展文章ID 421425卷,2009年,19页,2009。视图:出版商的网站|谷歌学术搜索
4. g·林登、b·史密斯和j .纽约“Amazon.com建议:item-to-item协作过滤,”IEEE网络计算,7卷,不。1,第80 - 76页,2003。视图:出版商的网站|谷歌学术搜索
5. b·萨瓦尔g . Karypis j . Konstan, j . Reidl“基于项目的协同过滤推荐算法,”学报第十届国际会议在万维网上,第295 - 285页,2001年。视图:谷歌学术搜索
6. m .田中,t·博康m .杨爱瑾y佐佐木,m .主管Yoshimi和h . Yokouchi”Kansei元数据的提取和使用交互式遗传算法,”学报》9日世界大会在结构和多学科优化(WCSMO9 11),505年,页2011。视图:谷歌学术搜索
7. h .高木涉“交互式进化计算:融合电子商务功能的优化和人力评估,”IEEE学报》,卷89,不。9日,第1296 - 1275页,2001年。视图:出版商的网站|谷歌学术搜索
8. m . Herdy“进化策略与主观的选择,”从第四Nature-PPSN并行解决问题,h·m·沃伊特w . Ebeling Rechenberg,和惠普Schwefel, Eds。卷,1141在计算机科学的课堂讲稿页22-31 Springer,柏林,德国,1996年。视图:谷歌学术搜索
9. t . Unemi“SBArt4-Breeding抽象动画在实时,”《IEEE国会进化计算(WCCI-IEEE CEC的10)。IEEE,巴塞罗那,西班牙,2010年7月。视图:出版商的网站|谷歌学术搜索
10. k·西姆斯,“计算机图形学中,人工进化”电脑Graphics-ACM SIGGRAPH,25卷,不。4、319 - 328年,1991页。视图:谷歌学术搜索
11. j . Koza和r波里,“遗传编程”搜索方法、e·k·伯克和g·肯德尔Eds。,pp. 127–164, Springer, New York, NY, USA, 2005.视图:谷歌学术搜索
12. D.-W。锣,j .元,X.-Y。太阳”,与个人的模糊健身交互式遗传算法”,电脑在人类行为,27卷,不。5,1482 - 1492年,2011页。视图:出版商的网站|谷歌学术搜索
13. d .锣”交互式遗传算法与个人健身不是由人类,”通用计算机科学杂志》上,15卷,不。13日,2464 - 2480年,2009页。视图:谷歌学术搜索
14. x太阳、d .锣和w·张,“交互式遗传算法与庞大的人口和semi-supervised学习,”应用软计算,12卷,不。9日,第3013 - 3004页,2012年。视图:谷歌学术搜索
15. d·e·戈德堡遗传算法在搜索、优化和机器学习,addison - wesley专业,1989年。
16. H.-S。金和S.-B。秋,“交互式遗传算法应用于时装设计”,人工智能技术的工程应用,13卷,不。6,635 - 644年,2000页。视图:出版商的网站|谷歌学术搜索
17. S.-B。曹”,对创造性与交互式遗传算法,进化系统”应用智能,16卷,不。2、129 - 138年,2002页。视图:出版商的网站|谷歌学术搜索
18. j . c,一个美国j·路易斯,a . Shankar和s . m . Dascalu“用户界面设计的交互式遗传算法,”《IEEE国会进化计算(CEC ' 07)2007年9月,页1366 - 1373。视图:出版商的网站|谷歌学术搜索
19. Banerjee j . c,一个a, s . j .路易和s . m . Dascalu“文档设计与互动进化,”智能互动多媒体系统和服务的新方向,卷2,页309 - 310,施普林格,柏林,德国,2009年。视图:谷歌学术搜索
20. p .罗格朗,c . Bourgeois-Republique诉凯旋歌et al .,“交互式进化为耳蜗植入设备配件,”遗传编程和可发展的机器,8卷,不。4、319 - 354年,2007页。视图:出版商的网站|谷歌学术搜索
21. 高木涉和h . m . Ohsaki“交互式进化计算的助听器选配、”IEEE进化计算,11卷,不。3、414 - 427年,2007页。视图:出版商的网站|谷歌学术搜索
22. f . Herrera, m . Lozano, a . m .桑切斯”混合实数编码遗传算法的交叉算子:实验研究中,“软计算,9卷,不。4、280 - 298年,2005页。视图:出版商的网站|谷歌学术搜索
23. k .深,m . Thakur”,一个新的实数编码遗传算法交叉算子,”应用数学和计算,卷188,不。1,第911 - 895页,2007。视图:出版商的网站|谷歌学术搜索
24. l . j . Eshelman和j·d·谢弗,”实数编码遗传算法和interval-schemata。”遗传算法的基础,2卷,第202 - 187页,1993年。视图:谷歌学术搜索
25. f .伊藤,t·博康m .杨爱瑾,h . Yokouchi”讨论的后代一代交互式遗传算法方法考虑的多峰偏好,”学报》第七届国际会议上模拟进化和学习卷,5361年,第359 - 349页,2008年。视图:谷歌学术搜索
26. m·e·j·纽曼和m . Girvan“发现和评估网络社区结构,”物理评论E,卷69,不。2篇文章ID 026113页1 - 15,2004。视图:出版商的网站|谷歌学术搜索
27. 即Derenyi、g . Palla和t . Vicsek“小团体渗流在随机网络,”物理评论快报,卷94,不。16日,ID 160202条,2005年。视图:出版商的网站|谷歌学术搜索
28. r . Tibshirani g·沃尔特,t . Hastie”估计集群的数量统计,数据集通过缺口”英国皇家统计学会杂志》上,卷63,不。2、411 - 423年,2001页。视图:谷歌学术搜索
29. j . Handl j·诺尔斯,“多目标集群自动确定集群的数量,“技术。众议员compsysbio - 2004 - 02年,曼彻斯特理工,曼彻斯特,英国2004年。视图:谷歌学术搜索
30. p . j . Rousseeuw”剪影:图形援助的解释和验证聚类分析,“计算和应用数学杂志》上卷。20日,53 - 65年,1987页。视图:谷歌学术搜索
31. a . Hotho a Maedche,无助,“基于本体的文本文档聚类”,Kunstliche Intelligenz4卷,1-13,2002页。视图:谷歌学术搜索
32. t . Kanungo d·m·山:美国内塔尼亚胡,c, d . Piatko r·西尔弗曼和a . y .吴“k -均值聚类算法:一种有效的分析和实现,”IEEE模式分析与机器智能,24卷,不。7,881 - 892年,2002页。视图:出版商的网站|谷歌学术搜索
33. i t . Jolliffe主成分分析施普林格,第二版,2002年版。
34. t·博康m .杨爱瑾Sano m . h . Shimosaka s Tsutsui和j .唐“分布概率模型遗传算法,”遗传和进化Computation-GECCO卷,2723在计算机科学的课堂讲稿施普林格,页1015 - 1028年,2003年。视图:谷歌学术搜索
35. 高桥和h .北城,“交叉算子对实数编码遗传算法使用独立分量分析,”美国国会在进化计算1卷,第649 - 643页,2001年5月。视图:谷歌学术搜索
36. m·d·仙童颜色外观模型Wiley-IS & T,奇切斯特,英国,第二版,2005年版。

版权

版权©2013也陆陆续续田中等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。