结合用户的认知噪声与交互式遗传算法和梯形模糊数的产品颜色设计

文摘

产品颜色起着至关重要的作用在塑造品牌的风格和影响用户的购买决策。然而,用户的偏好对产品色彩设计方案可能会有所不同,由于他们的认知差异。尽管考虑到用户的感知产品的颜色已广泛由工业设计师,它不是有效的支持这个活动。为了给用户提供丰富的产品颜色解决方案以及体现用户的偏好到产品设计过程中,涉及用户交互式遗传算法(iga)是一种有效的方法找到最优的解决方案。然而,认知用户之间的差异和不确定性可能导致不同的理解与IGA进步。为了解决这个问题,本研究提出了一种先进的IGA结合用户的认知噪声包括认知阶段、中级阶段,和疲劳阶段。梯形模糊数用来表示不确定用户的评价。一个算法的目的是找到关键参数通过RGB值之间的相似度计算及其面积比例的两个个体用户的判断。提出了交互式产品色彩设计过程与一个普通的IGA进行实例进行比较。结果表明,(1)背景知识将大大影响用户的认知对产品颜色和(2)该方法有助于提高收敛速度和演化效率收敛从67.5%增加到82.5%,总体平均进化一代从18.15下降到15.825。 It is promising that the proposed method can help reduce users’ cognition noise, promote convergence, and improve evolution efficiency of interactive product color design.

1。介绍

作为一个视觉系统的重要组成部分,颜色可以引发复杂的审美感受和心理反应和影响人们的认知和情感1]。作为一个重要的营销传播工具,颜色丰富的视觉,象征和联想信息产品(2]。因为颜色是非常重要的在可视化外观的产品,操纵产品颜色已成为一个重要的方式引发消费者的情感体验,吸引消费者的注意力,和说服他们购买产品2,3]。正确选择产品颜色代码不仅可以视觉信息和沟通的一个品牌的定位也帮助建立产品风格和产生不同的感受4,5]。消费者的感受产品反映出他们的心理偏好,取决于自己内心的看法6]。在这种情况下,如何将消费者感知集成到产品色彩设计过程有效地成为一个成功的产品开发的关键问题。

产品色彩设计是指选择合适的颜色来传达所需的情感给消费者。由于产品生命周期的缩短和多样化的产品需求,成为企业的关键是实现快速创新,这使得计算机辅助技术和智能算法上升,被广泛用于适应消费者的期望。有几种方法来帮助和支持智能产品颜色设计,包括使用遗传算法(GA)算法设计五彩缤纷的颜色组合产品(7),采用粒子群优化(PSO)发现产品颜色解决方案,符合消费者的multiemotions [8),积分因子分析、模糊层次分析法和图像合成技术来分析消费者的主观认知对定制产品颜色设计(9),结合灰色理论和遗传算法搜索满足指定的颜色组合产品情感,取得了高度的颜色和谐(10)和开发计算机辅助色彩设计系统来获得优化的自然图像的颜色和他们转移到产品颜色设计(11]。反映设计者的主观经验,创建交互式遗传算法(IGA)建立一个创造性的和交互式进化系统,设计者可以参与和互动探索新颖的设计方案(12]。相关研究成果已成功应用于颜色设计的各个领域,如web页面(13),筒式高空作业平台(14)、衣服(15),汽车外观(16),和电子门锁(17]。

然而,认知失调通常是因为消费者没有系统的培训作为设计师做的颜色,这将导致消费者和设计师之间的不一致的看法9]。认知失调出现当认知之间存在差异和矛盾18),人们更喜欢一致性比不一致19]。设计在实践中往往是跨学科和团队成员可能有不同的知识和技能,在设计过程中如何减少认知失调成为一个挑战。戈埃尔提出的一种有效方式和Wiltgen20.)是采用类比作为一种机制减少认知失调在跨学科的设计团队。作为创新设计的推理过程,类比可以有助于减少个体差异,类似于知识共享的方法(21]。在工业设计领域,一个强大的方法是Kansei工程,它可以帮助设计师联系消费者的情绪反应来设计产品的属性(22- - - - - -24]。计算和智能解决IGA的有效方法,其中包括人类作为评价者的评价和选择,并得到健身价值在一个进化的过程,而不是经典遗传算法的适应度函数(25,26]。IGA有利于捕捉消费者的审美意向和认知用户的情感或偏好27),已广泛应用于各种产品的色彩设计,如摩托车(12)、汽车控制台(28,29日机器人),软件(30.]等。然而,用户的疲劳和认知失调是无处不在的,会逐渐出现iga的演化过程,它可以被定义为健身噪音,会影响性能的交互式进化计算(IEC) (31日]。前者可以造成很多重复的工作,繁琐的操作和视觉疲劳,而后者可能归因于用户的知识和经验差异。他们构成了iga的应用问题和障碍。要解决这些问题,许多研究人员研究和提出一些实用的方法,比如使用多级iga将人口划分为几个阶段,人口减少用户的认知负担(28),采用高斯隶属函数的模糊数描述来表达个人的健身(32),用人偏好代理模型来实现健康评估和信息提取的过程中,IEC (33- - - - - -35)等。

作为智能进化方法是基于用户的偏好和选择,每个人的健康演化过程是通过用户的主观评价,这可能会影响到用户的体验、认知差异或疲劳,导致无,评价(28]。换句话说,用户的健康总是混合噪声和不精确的演化过程,以及进化结果不能准确反映了消费者的偏好,最终影响到最终设计决策的准确性和有效性。尽管一些研究提出了解决这些问题的方法,这些问题不能完全消除的影响。它仍然是有趣的和值得进一步研究。

本研究提出了一种IGA的方法,认为认知噪音的影响,包括消费者的认知熟悉,和疲劳,采用梯形模糊数来表示用户的不确定性的判断,而不是精确值。为此,认知噪声模型是考虑三个阶段:提出的认知阶段,中间阶段,和疲劳阶段。通过考虑认知噪音和引入梯形模糊数,IGA的方法可以减少主观性的影响消费者的评价。验证该方法,IGA方法采用设计一个手持探测器。

本文的其余部分组织如下:部分2介绍了交互式产品色彩设计方法,包括认知噪声模型结合用户的认知熟悉和疲劳,解决算法通过相似性测量个人的颜色和梯形模糊数评价,和交互式产品色彩设计过程。然后,提供了一个数值例子来说明该方法的具体实现3。最后,我们总结和突出的贡献。

2。方法

IGA是一种优化方法,连接计算机系统和人类共同完成一项任务36]。这对人类和计算机之间的交互提供了一个框架,电脑使用气体来探索可能的解决方案和收敛它们适应目标和约束,和人类的评估和提供反馈对个体在搜索过程。因为个人的健身价值的特征计算用户的分配偏好等级而非数值计算,IGA是有效的解决问题,索引优化的隐性绩效不能直接计算一个函数(37]。因为用户参与IGA的过程,这是不可避免的,用户的认知对个人会变化和用户的疲劳会随着人口的需要。已经探讨了一些方法来减少用户的认知负担,缓解他们的疲劳,包括将交互式设计过程分成几个阶段来降低人口复杂的初始阶段(28),将基于案例的机器学习系统学习和预测用户的评估38),和训练人工神经网络自动定义一个迭代适应度函数(39]。这些研究提供了可行的方法来减少人类疲劳在某种程度上。作为人体疲劳不能完全消除,必须解决这个困境通过删除而不只是减少了对进化的影响产品颜色设计过程中通过适当的算法设计。为此,我们构建一个用户的认知噪声模型和开发交互式产品色彩设计的求解算法。

2.1。用户的认知噪声模型

IGA过程产品颜色设计,个人的健身价值可能会改变用户的认知水平,体现在两个方面。(1)IGA的初始阶段,用户可能不熟悉产品配色方案,和不容易获得精确的对个体的认知用户,导致评价结果携带更大的随机性。随着互动进化的发展,用户可以更清晰的认知对个体,和用户的认知是推进向更多的理解,可以作为一个稳定的评价标准。虽然有一定程度的随机性,随机噪声相对较小。根据上面的分析,我们可以描述这个问题如下:设置认知阈值N_c,也就是说,用户完全熟悉后的个人评价N_c产品配色方案。当个体的数量超过N_c,可以识别用户的评价,没有噪音。产品配色方案越简单,越小N_c,反之亦然。(2)后用户的认知越来越理解,当产品配色方案,评估的数量达到一定的阈值,用户可能会疲劳。在这个时候,给定的健身价值不能准确反映用户的偏好和配色方案的质量。疲劳阈值设置为N_f,也就是说,用户开始疲劳后评估N_f产品配色方案。

假设评估过程达到一代t和我+ 1产品配色方案评估,评估个人的数量可以被描绘成N_e= (t−1)?N+我,在那里N代表了每一代的个体数量。当N_e<N_c关于产品配色方案,用户的认知是成正比的N_e。这意味着当评估个人的数量增加,用户的熟悉程度将在很大程度上改善。当N_e≥N_f≥N_c,即使用户已经熟悉的个人,他们会感到疲劳,因此,疲劳噪声会影响进化的过程。为便于加工,本研究假设N_f≥N_c。

基于上述分析,用户的认知噪声模型如下: 在哪里k₁和k₂监管因素在不同的评价过程;σ代表了噪声强度和 ;和是标准正态分布的噪声。很明显从方程(1)的价值可以限制在0 - 1通过合理选择参数。认知的曲线随噪声强度评估个体(图的数量1)。

根据不同的使用场景,每个阶段的认知噪声模型的构成也不同。当用户熟悉目标产品和彩色图像,他们可能会跳过认知阶段;如果产品配色方案的数量很小,没有太多的评价,优化方案可以获得那么疲劳阶段就不会来了。

2.2。一个算法为解决用户的认知噪声模型

解决用户的认知噪声模型的关键是确定识别阈值N_c和疲劳阈值N_f。的基础,这是用户的认知和偏好之间的一致性,这意味着类似的产品颜色将得到类似的判断。如果条件满足,用户在中间阶段;否则,他们在认知阶段或疲劳阶段。

一个人X可以编码如下: 在哪里米代表分区号的产品色彩设计;n颜色的数量;和r_我, ,和b_我表示颜色的RGB参数在0 - 255的范围内。一般来说,产品的颜色数量小于3,而产品表单组件的数量超过3。因此,在色彩设计过程中,不超过三种颜色是随机选择和分配给产品表单组件。

考虑到每一种颜色的面积比例,两个人的相似之处X_我和X_j可以计算 在哪里 , ,和代表标准偏差的r, ,和b分别;同样的,我们的价值和 ; 产品组件的颜色区域吗k;和TA的总面积是产品配色方案。

由于用户的感知对产品色彩设计方案是情感和不能用精确值表示,有必要利用模糊数代替精确值。三角和trapezoidal-shaped模糊数,有界区间[0,1],是使用最广泛的代表不确定性,梯形比三角(一般40]。因为他们提供了一个直观的方法来捕捉用户的模糊的评价,我们选择梯形模糊数来表示用户的个人偏好。

梯形模糊数 ,成员函数可以写成: 在哪里和 是模糊数的支持 模态区间。排名设计方案,去模糊化梯形模糊数的价值需要通过使用 (41]。

使用级标注,这是通常用于收集受访者感知的评级项目(6),用户的偏好IGA的彩色图像可以描述4-tuple。每个Kansei属性包括7集的语义条件,和相应的模糊数表示在表1。

假设有问彩色图像指标评估。每一个指标的权重,为代表( ),计算AHP方法(42]。我们的偏好设置X_我由用户 和 ,然后产品配色方案的综合评价xx_我在一代t可以计算如下:

因此,两个评估之间的相似度的计算如下:

两个相似的产品配色方案,如果用户的两种评估的相似性高,认知被认为是噪音小,用户在中间阶段;如果用户的两个评估的相似性较低,认知被认为是噪音大,用户在认知阶段或疲劳阶段。为以前的K( )个别的产品X_j,如果(δ代表了认知差异阈值, )能够满足,那么在中间阶段,用户(K_马克斯是最大的K符合公式 )。当确认用户在中间阶段,如果前面K个别的产品X_j满足公式( ),然后用户疲劳阶段(K_马克斯是最大的K符合公式 )。否则,用户在认知阶段。

2.3。交互式产品色彩设计过程

交互式产品色彩设计的目的是让用户交互设计和评估个人的健身进化通过交互式遗传算法以满足用户所需的目标。这一过程包括三个部分:设计适应度函数,建立遗传和变异机制,规划算法的实现过程。

2.3.1。适应度函数

根据综合评价计算公式(5),考虑到用户的认知噪音,适应度函数可以描述如下:

公式(7)表明,当用户在中间阶段,他们对产品设计方案的评估可以准确地反映他们的认知,和健身价值等于用户的评估价值。否则,个人的健身价值应该减去噪音从认知用户的评估价值。

2.3.2。交叉和变异

由于梯形模糊数是用来描述用户的偏好,选择标准应该依照他们组与语义方面。在这里,我们假设的个人综合评价等于或超过高Kansei偏好选择进入下一代,而下面的人将被淘汰。父母个人选择在消除个人的水平评估和通过交叉和变异后代的数量。

要有n消除个人和每个优先级别的数量n(MH),n(米),n(毫升),n(l),n(六世),分别 。让他们的降序排列n₁>n₂>n₃>n₄>n₅,每个个体被选中的概率作为父个体偏好水平可以计算如下: , , , ,和 。

交叉操作,随机选择颜色从家长个人所需的目标产品的颜色。突变是通过扩展实现的R, G, B值的产品色彩设计个人一组突变率20%每个维度的RGB颜色空间。超过0 - 255以外的改变颜色值将被忽略。图2展示了交叉和变异如何实现。

2.3.3。交互式产品色彩设计过程

交互式产品色彩设计的详细流程介绍如下:(1)通过指定的值k₁,k₂,σ,δ和基因操作参数,最初的产品配色方案生成人口(2)个人的偏好是由用户根据产品彩色图像的评价指标(3)颜色值相似性计算和评估每个个体的相似性,分别按照公式(3)和(6)(4)计算每个个体的健身价值根据公式(7)并保存个人,其评估价值等于或超过指定满足阈值(5)判断进化一代移动外设置限制。如果这是真的,然后完成;否则,进入下一步(6)满意的个人判断量超过设定的值。如果这是真的,然后完成;否则进入下一步(7)执行交叉和变异产生下一代的种群。然后,转到第2步

该方法的总体框架如图3。

3所示。案例研究

手持探测器的色彩设计为例来验证该方法的有效性。利用平面设计软件的VBA macroeditor,交互式产品颜色设计模块是由结合用户的认知噪音和IGA,如图4。有6为每一代产品配色方案,和一个级标签部署规模评价指标是时尚和技术。在每一代的进化操作,3个颜色是随机生成并分配给5个产品组件。为了更好地分析用户的产品配色方案的感知,我们使用两台电脑实现的实验。一个是用于运行IGA模块快速生成产品配色方案。另一个就是KeyShot工作站软件,实时三维渲染软件,安装给用户更好的视觉感知迅速创造3 d图片不超过30秒。3 d配置和渲染图所示5。层次分析法,通过比较这两个指标,设定的重量是0.4和0.6。令人满意的解决方案需要的总数是6。通过用户调查,个人的评价等于或超过高Kansei偏好将保存为满意的解决方案。这意味着健身应该大于或等于0.8根据公式(5)。提出了交叉和变异概率是0.5 - -0.9和0.01 - -0.1。在这里,我们将0.7和0.08,分别。给出了最大进化一代20。集k₁=k₂= 0.5,σ= 0.05。20个学生主修工业设计(半男半女,表示为DM和DF)和其他20名学生专业(半男半女,表示为厘米和CF)随机聚集参与者参加实验。比较该方法(由NIGA)与传统的IGA,人口规模参数的交叉概率、变异概率,并终止进化一代数量,分别设置为6,0.7,0.08和20,计算结果如表所示2和3。

从实验结果表2的评价可以看出,82.5%的用户参与该方法融合,而在普通IGA过程中,有30%的参与者主修工业设计和35%的参与者来自其他专业没有发现所需的6个令人满意的解决方案。收敛速度从67.5%上升到82.5%,这表明该方法可以提高收敛的交互式产品颜色设计。如表所示2,认知阈值表明学生主修工业设计更加熟悉产品彩色图像指标的均值N_c是2.5),他们可以快速输入评估过程和产品配色方案和图像指标之间建立映射。而来自其他专业的学生需要经过一定的过程来消化产品的彩色图像,噪声和认知相对比其他学生(的均值N_c是5.2)。这表明知识背景对用户的感知有显著影响产品的彩色图像。的疲劳性能阈值,只有2工业设计参与者没有进入疲劳期(为便于计算,收敛后的数量评估个人进化过程被认为是疲劳阈值,96年),和所有其他的参与者有疲劳。平均疲劳阈值是90.275。进行进一步的验证,参与者被问及他们是否真的感到疲劳实验结束后。调查显示92.1%的人感到困惑和无法判断图像指标准确的配色方案。

从平均世代的比较见表3相比之下,一个普通的IGA,一代又一代的平均NIGA工业设计学生减少1.8 1.5(男性和女性)。然而,它有一个显著的影响来自其他专业的学生,与男性和女性都减少3代,这意味着该方法扮演着积极的角色在用户没有或小的产品色彩设计知识。与提高进化效率的结果,总体平均进化一代从18.15下降到15.825。

总之,作为一个互动的过程,涉及用户产品色彩设计,这是不可避免的,用户的感知对产品配色方案将受到他们的背景知识,而认知噪声在不同阶段将直接影响产品颜色设计的有效性。与此同时,传统使用的精确值IGA不能代表用户的偏好的不确定性。因此,整合用户的认知与IGA产品色彩设计过程和梯形模糊数将有利于模拟用户的感知对产品颜色在现实世界中客观、科学的方法,进一步提高普通IGA的进化收敛速度和效率。

4所示。结论

为用户提供多个产品配色方案将有助于确定用户的偏好和降低产品开发的风险。由于认知用户存在的差异和不确定性,很难确定哪些产品用户更喜欢颜色。更有效地协助工业设计师对产品色彩设计和体现用户的感知对产品颜色更准确地说,部署交互式遗传算法结合用户的认知噪声,提出噪声模型,该模型由三个阶段组成:认知阶段,中间阶段,和疲劳阶段。梯形模糊数,一个算法的目的是找到关键参数通过RGB值的两个人之间的相似性计算和用户的评估。交互式产品色彩设计过程提出了与传统的IGA。通过比较实例通过收集40用户参与实验过程,结果表明,(1)背景知识将大大影响用户的认知关于产品颜色;(2)该方法有助于提高收敛速度和演化效率收敛从67.5%增加到82.5%,总体平均进化一代从18.15下降到15.825。

这项研究使以下贡献:(1)用梯形模糊数来描述用户的偏好使得IGA的申请过程更加实用和容易操作。(2)将用户的主观认知差异纳入IGA过程将有助于改善传统的IGA的进化收敛速度和效率。(3)该方法可以有效地协助工业设计师在产品颜色设计。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金(批准号51805043),促进创新人才项目中国陕西(2019号kjxx - 059),和基础研究基金为中央大学、冠心病(批准号300102259202)。我们感激他们的支持。我们还要感谢Pei-yao程博士提供建议。

引用

1. a . w . y . Ng和a . h . s . Chan“颜色联想设计师和其他领域中常见的警告和操作的概念,“应用人体工程学卷。70年,15岁至25岁2018页。视图:出版商的网站|谷歌学术搜索
2. m . Babolhavaeji m . a . Vakilian和a . Slambolchi”产品颜色在消费者行为的角色,”先进的社会人文和管理,卷2,不。1、9 - 15,2015页。视图:谷歌学术搜索
3. n Na和周宏儒。Suk,“白色的情感特点产品色彩设计的应用程序,“国际期刊的设计,8卷,不。2、61 - 70年,2014页。视图:谷歌学术搜索
4. l·b·瓦克斯纳”的程度与mood-tones相关颜色(色调),“应用心理学杂志,38卷,不。6,432 - 435年,1954页。视图:出版商的网站|谷歌学术搜索
5. l . i Labrecque和g·r·米尔恩”令人兴奋的红色和蓝色:主管色彩营销的重要性,”学院的营销科学》杂志上,40卷,不。5,711 - 727年,2012页。视图:出版商的网站|谷歌学术搜索
6. J.-R。周”,Kansei评价方法技术的基础上计算的话,“先进的工程信息,30卷,不。1、1 - 15,2016页。视图:出版商的网站|谷歌学术搜索
7. H.-C。蔡,彭译葶。挂,F.-K。挂”,与人工智能计算机辅助产品颜色设计”,计算机辅助设计和应用,4卷,不。1 - 4、557 - 564年,2007页。视图:出版商的网站|谷歌学术搜索
8. d, d .魏,y Chih-Chieh“基于multi-emotion产品颜色设计,”机械科学与技术杂志》上,27卷,不。7,2079 - 2084年,2013页。视图:出版商的网站|谷歌学术搜索
9. M.-Y。妈,彭译葶。陈,F.-G。吴”,一个设计决策支持模型定制产品的颜色组合,”计算机在工业领域,卷。58岁的没有。6,504 - 518年,2007页。视图:出版商的网站|谷歌学术搜索
10. H.-C。蔡,J.-R。周”,自动设计支持和图像评估双色产品的使用色彩协会和色彩和谐量表和遗传算法,”计算机辅助设计,39卷,不。9日,第828 - 818页,2007年。视图:出版商的网站|谷歌学术搜索
11. S.-W。萧C.-J。蔡”,将一个图像的自然颜色转换为产品设计:计算机辅助色彩设计系统基于模糊模式识别、”色彩研究与应用,40卷,不。6,612 - 625年,2015页。视图:出版商的网站|谷歌学术搜索
12. S.-W。萧,张炳扬。许,K.-W。唐”,咨询和产品颜色仿真系统规划基于交互式遗传算法,”色彩研究与应用,38卷,不。5,375 - 390年,2013页。视图:出版商的网站|谷歌学术搜索
13. 顾z和j·卢”,数据驱动网页色彩设计”计算机辅助设计卷。77年,46-59,2016页。视图:出版商的网站|谷歌学术搜索
14. m .丁w .盾,“Multi-working模式产品色彩规划使用进化算法和群体智慧,”计算和理论纳米科学杂志》上,10卷,不。12日,第2911 - 2906页,2013年。视图:出版商的网站|谷歌学术搜索
15. z吴、t·林和m .李“计算机辅助着色方法虚拟代理基于人格的印象,色彩和谐,和设计师偏好,“国际工业工效学杂志》上卷,68年,第336 - 327页,2018年。视图:出版商的网站|谷歌学术搜索
16. Satake, j . h .鑫t天明(et al .,“情感评价的比较研究在亚洲汽车外观颜色,”有机涂料的进展,卷72,不。3、528 - 540年,2011页。视图:出版商的网站|谷歌学术搜索
17. H.-C。蔡,S.-W。萧,F.-K。挂”,一个基于图像评价方法参数的产品形式和色彩设计时,“计算机辅助设计,38卷,不。2、157 - 171年,2006页。视图:出版商的网站|谷歌学术搜索
18. b . Bolia、美国Jha和m . k . Jha“认知失调:研究消费者的购买行为在金融产品的背景下,“创新研发的国际期刊,5卷,不。3、148 - 153年,2016页。视图:谷歌学术搜索
19. f·海德,“态度和认知组织”,《华尔街日报》的心理学,21卷,不。1,第112 - 107页,1946。视图:出版商的网站|谷歌学术搜索
20. a·k·高尔和b . Wiltgen”类比的作用在解决认知失调在协作跨学科的设计中,”22日国际研讨会论文集,2014年ICCBRl . Lamontagne大肠广场,Eds。,pp. 185–199, Cork, Ireland, September 2014.视图:谷歌学术搜索
21. b·t·克里斯坦森和l . j .球,“创造性类比使用在异构设计团队:无处不在的角色背景领域知识,”设计研究,46卷,38-58,2016页。视图:出版商的网站|谷歌学术搜索
22. m . Nagamachi“Kansei工程:一个新的符合人体工程学的面向消费者的产品开发、技术”国际工业工效学杂志》上,15卷,不。1,3-11,1995页。视图:出版商的网站|谷歌学术搜索
23. m . Nagamachi“Kansei工程作为产品开发、强大的面向消费者的技术”应用人体工程学,33卷,不。3、289 - 294年,2002页。视图:出版商的网站|谷歌学术搜索
24. m . Nagamachi“Kansei工程和Kansei评价”国际百科全书的人体工程学和人为因素,艾德。w . Karwowski CRC出版社,2006年美国佛罗里达州波卡拉顿。视图:谷歌学术搜索
25. e . Poirson肯尼迪。Petiot,大肠Aliouat、l . Boivin和d·布卢门撒尔“交互式遗传算法在迭代的收敛性的研究应用到汽车仪表板设计用户的测试,”《国际会议在2010年机械工程IDMME集成设计和制造,页1 - 10,波尔多,法国,2010年10月。视图:谷歌学术搜索
26. G.-S。郝,M.-H。Lim Y.-S。Ong h·黄和G.-G。王”,主导景观在进化算法及其应用”,软计算,23卷,不。11日,第3570 - 3563页,2018年。视图:出版商的网站|谷歌学术搜索
27. 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
28. r .窦,c .宗庆后,g .南”协作产品定制,多级交互式遗传算法”以知识为基础的系统卷。92年,43-54,2016页。视图:出版商的网站|谷歌学术搜索
29. r .窦、c .宗庆后和m .李“交互式遗传算法和区间运算基于犹豫及其应用来实现客户协同产品配置设计,“应用软计算,38卷,第394 - 384页,2016年。视图:出版商的网站|谷歌学术搜索
30. 工程学系。崔S.-B。汉族,黄永发。金,“交互式遗传算法设计的软件机器人使用同源染色体表示,“IFAC诉讼卷第41卷。。2、9151 - 9155年,2008页。视图:出版商的网站|谷歌学术搜索
31. G.-S。,“交互式进化计算与健身噪声及其收敛健壮性”软件学报,18卷,不。9日,第2193 - 2183页,2007年。视图:出版商的网站|谷歌学术搜索
32. 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
33. 太阳x y . Chen, d .锣和x姚明,“DPM-IEDA:双概率模型辅助交互分布估计算法对个性化搜索,“IEEE访问7卷,第41016 - 41006页,2019年。视图:出版商的网站|谷歌学术搜索
34. x y . Chen太阳,d .锣,y, j . Choi和s . Klasky“个性化搜索启发快速交互分布估计算法及其应用,”IEEE进化计算,21卷,不。4、588 - 600年,2017页。视图:出版商的网站|谷歌学术搜索
35. l·鲍太阳x, y . Chen g .男人,和h . Shao,“限制玻耳兹曼machine-assisted分布估计算法复杂的问题,”复杂性ID 2609014条,卷。2018年,13页,2018。视图:出版商的网站|谷歌学术搜索
36. m . Babbar-Sebens b s明斯克,“交互式遗传算法与混合主动交互多标准地下水监测设计,“应用软计算,12卷,不。1,第195 - 182页,2012。视图:出版商的网站|谷歌学术搜索
37. j . Madar j . Abonyi, f . Szeifert“交互式进化计算过程工程,”计算机与化学工程卷,29号7,1591 - 1597年,2005页。视图:出版商的网站|谷歌学术搜索
38. a . t . Machwe和i . c . Parmee”,减少用户交互式进化设计系统中疲劳使用集群和案例推理,”工程优化第41卷。。9日,第887 - 871页,2009年。视图:出版商的网站|谷歌学术搜索
39. p . Machado j·罗梅罗,b . Manaris”计算实验美学:迭代方法进化艺术风格变化”人工进化的艺术:一个手册在进化的艺术和音乐、j·罗梅罗和p . Machado Eds。,pp. 381–415, Springer, Berlin, Germany, 2008.视图:谷歌学术搜索
40. m·布鲁内利和j . Mezei”不同的模糊数排序方法如何?数值研究。”国际期刊的近似推理,54卷,不。5,627 - 639年,2013页。视图:出版商的网站|谷歌学术搜索
41. 学术界。程和y林”,评价最好的主战坦克与语言评价标准,运用模糊决策理论”欧洲运筹学杂志》上,卷142,不。1,第186 - 174页,2002。视图:出版商的网站|谷歌学术搜索
42. t . l . Saaty层次分析法:规划、优先级设置麦格劳-希尔国际图书有限公司,纽约,纽约,美国,1980年。

版权

版权©2019 Yan-pu杨和兴田。这是一个开放的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。