导读:本文包含了交互式决策算法论文开题报告文献综述及选题提纲参考文献，主要关键词:遗传算法,交互,群体决策,多用户
交互式决策算法论文文献综述
郭广颂,文振华,郝国生[1]（2018）在《基于群体决策的多用户协同交互式遗传算法》一文中研究指出采用交互式遗传算法求解大数据信息检索问题时,为实现偏好信息的提取和优化,单用户需完成较多数量的人-机交互操作,由此易产生用户疲劳、算法搜索效率低的难题。对此,该文在算法中引入多用户并行策略,通过群体决策优势,提高样本利用效率。首先,根据优化目标性质确定共性化协同或个性化协同类型,基于用户浏览行为计算用户相似度和个体相似度。然后,通过共享偏好相似用户的偏好相似个体预测个体区间适应值。基于个体表现型相似度聚类,提出大规模种群个体"区间数-区间数"适应值赋值策略。最后,依据子代种群个体与父代种群最优个体的相似性,推荐用户最佳评价个体。将所提方法应用于装饰性墙壁纸选型问题,并与已有典型方法比较。结果表明,所提方法在推荐个体质量、减轻用户疲劳、提高搜索效率等方面均具有优越性。(本文来源于《电子与信息学报》期刊2018年09期）
朱王晓嘉[2]（2016）在《领域驱动的人机交互式决策树模型及其算法研究》一文中研究指出数据挖掘是数据库中知识发现的一个重要步骤,传统数据挖掘是以数据对象作为研究基础的挖掘方法,注重算法的运行效率以及模型的准确率,是一种面向数据或者称为数据驱动的数据挖掘,其挖掘结果包含大量的冗余规则、无需挖掘就可以得到的知识甚至是一些违反常识的错误结论,存在很大的弊端。决策树是数据挖掘分类技术中的主要模型。针对决策树算法没有考虑挖掘结果使用者的偏好、相对应领域的知识约束、挖掘结果的可操作性等问题,应用DDDM(Domain Driven Data Mining)的思想,提出一种在构建决策树过程和结果评价标准中,融入用户兴趣度以及领域知识的人机交互式决策树模型,客观地评价挖掘结果在实践中的具体效益,交付可直接用于实际行动的决策支持。领域驱动的人机交互式决策树模型强调用户在数据挖掘过程中的参与度与主动性,改变传统决策树仅仅利用预先设置的算法,由机器自动搜索训练集中的隐含模式这种被动的挖掘策略,使以模式输出为主的数据挖掘系统发展成为实际问题解决方案输出的决策系统。本文的主要研究内容包括以下几个方面:1.根据传统数据挖掘局限于以数据和算法为中心,忽略了真实环境下各种领域知识对于挖掘过程的约束,分析这种旧挖掘模式的不足之处与自身缺陷。从理论水平、方法框架、模式架构等几个方面,综述近十年来领域驱动数据挖掘的发展历程和国内外专家学者的研究成果。2.设计转化属性值的代价矩阵和类别的效益矩阵来体现数据挖掘用户的兴趣度和所挖掘领域的知识约束。定义决策分枝的概念及其价值,并用该价值作为领域驱动决策树算法的属性选择度量。3.以经典决策树算法为基本框架,提出一种领域驱动的人机交互式决策树构造算法和评估有效分枝转移的决策推荐算法,让数据挖掘结果使用者可以直接得知最佳方案的实际效益,做出正确、合理、可操作的决策。4.基于上述理论研究,用德国电信旗下的T-Systems宽带客户数据集进行实验验证。根据用户的兴趣度和具体的商业利润,设置不同转化属性值的代价矩阵和类别的效益矩阵对同一测试数据集进行挖掘,分析对比挖掘结果的实际商业利益。实验结果表明领域驱动的人机交互式决策树模型在没有降低分类准确率的情况下,所挖掘的决策规则易于理解、实践性强、商业价值高。(本文来源于《云南财经大学》期刊2016-03-01）
鲁桂芳[3]（2016）在《基于交互式动态影响图的决策模型及算法分析》一文中研究指出交互式动态影响图(interactive dynamic influence diagrams)是不确定环境下多Agent(Mult-Agent)序贯决策(Sequential Decision)的图模型[1]。马尔可夫决策过程可以用来描述和处理大规模不确定性环境下的Agent决策问题。本文以马尔可夫决策过程的相关理论为基础,以众多研究者关注的Agent决策为核心,重点分析I-DIDs模型下的求解算法效率。(本文来源于《科技经济导刊》期刊2016年03期）
李少鹏,于兰峰,王平平,韩伟[4]（2015）在《基于交互式决策算法的桁架式门机结构系统动态优化设计》一文中研究指出提出了一种基于交互式决策算法的桁架式门机结构系统动态优化设计方法。通过模态分析及谐响应分析确定影响结构动态性能的关键模态固有频率。将结构总质量、杆件静强度、结构静刚度以及关键固有频率作为目标,对结构设计参数进行灵敏度分析,筛选出对桁架门机结构性能影响较大的设计参数。以结构总质量为最终优化目标,同时以固有频率、结构静强度、静刚度、满意度等作为约束条件。利用交互式决策算法结合有限元分析软件对桁架式门机结构进行优化计算,实现了决策者与系统模型之间信息的反复交换,使优化结果不断向决策者要求靠近。通过此种动态优化方法,不仅使结构质量减少10.9%,还提升了5.98%的结构动态性能,节约了制造成本。(本文来源于《机械强度》期刊2015年02期）
蔡美菊[5]（2015）在《交互式遗传算法及其在隐性目标决策问题中的应用研究》一文中研究指出隐性目标决策问题是指决策目标无法或很难显式化、结构化表征的一类复杂最优化问题,广泛存在于现实生活的方方面面,例如服装设计问题、旅游行程规划问题与汽车造型设计问题等等,故研究支持隐性目标决策问题求解的决策方法具有重大理论意义及实用价值。隐性目标决策问题除了“决策目标模糊难言,无法显式化表达”之外,还具备“决策者偏好随交互决策过程动态调整”及“问题决策空间大、可行解方案多”的特征,导致传统的最优化决策方法不能直接用以求解,其求解过程需借助具有交互机制的决策方式来开展。交互式遗传算法(IGA)正是一种具有人机交互决策机制的智能决策方法,它基于人的主观评价来给定个体适应度值,在传统遗传算法(GA)中融入交互式进化思想,充分发挥了人的主观能动性及智能信息处理能力,是一类适合求解隐性目标决策问题的决策方法,可作为其求解方法基础。然而,传统IGA存在着收敛效率低、用户易疲劳与种群多样性缺失等问题,很大程度上限制了算法的进一步应用与推广本文在对国内外IGA及GA研究概况及基本操作分析总结的基础上,构建了基于IGA的隐性目标决策问题求解模型,并针对现有IGA研究的不足之处,从以下叁个方面对IGA进行了深入研究与探讨：结合用户偏好的交互式遗传算法研究、结合共享机制小生境技术的交互式遗传算法研究以及多用户参与的交互式遗传算法研究,提出了多种面向隐性目标决策问题求解的改进IGA方法,并且以汽车前脸造型设计这一典型的隐性目标决策问题作为应用实例,构建起辅助算法求解的智能决策支持系统,验证了所提算法的有效性。完成的主要研究内容总结如下：(1)针对限制IGA性能的用户疲劳问题,设计了一种基于用户偏好模型的交互式遗传算法。该方法从进化个体整体及部分评价两方面结合入手,摸索用户认知规律以构建用户偏好模型,并根据算法交互过程中获取的用户较偏爱个体评价信息,提取出进化个体各构成部分的适应值,综合考虑各构成部分的权重及构成部分组合对用户整体偏好的影响,设计出进化个体适应度值估算公式,作为用户疲劳时机器替代人工的依据。汽车前脸造型设计仿真实验结果表明,该算法能大大降低迭代次数及用户评价次数,从而有效减轻了用户疲劳。(2)针对限制IGA性能的求解效率低的问题,构建了一种基于用户局部偏好的交互式遗传算法。首先讨论了用户局部偏好固定／剔除操作的实现,然后描述了改进的交叉变异算子,之后对算法流程及性能进行分析,最后将算法应用于汽车前脸造型设计仿真实验,结果显示了该算法能有效加快收敛速度并提高寻得最优造型个体的成功率。(3)针对IGA种群多样性维持问题,通过共享机制小生境技术的概述,引入小生境熵来度量种群多样性,并基于此构建起基于改进共享机制的小生境交互式遗传算法。该算法中,设计了共享机制小生境半径的自适应选择策略、适应度值估算方法及交叉、变异操作的自适应确定方案,用户仅需从每代种群中选择一个作为当代最优个体,无需给出具体适应度值,有效降低了其评价疲劳。汽车前脸造型设计系统仿真实验结果也验证了算法在保持高效寻优性能的同时,能够有效维持种群多样性。(4)针对多人参与的隐性目标群决策问题,描述了其智能决策过程,并提出一种基于单种群协同的新型多用户交互式遗传算法。该算法重点探讨了多用户权重的自适应设置、群体适应度值的计算方式、交叉变异概率的自适应调整、算法收敛条件选取问题以及局域网络平台的搭建。仍以汽车前脸造型设计问题为例进行了仿真实验,实验数据表明了该算法在寻优效率及结果群体满意度方面优越性,也体现出其在种群多样性维持及控制方面的有效性。(5)为辅助IGA方法的系统实现,提出了基于IGA的智能决策支持系统结构模型,即支持隐性目标决策问题求解的一般概念模型,并针对模型中六个组成部分进行了展述。将汽车前脸造型设计问题作为隐性目标决策问题应用实例,开发了基于IGA的汽车前脸造型设计系统,重点分析了汽车前脸造型设计编码问题,并讨论了基于IGA的汽车前脸造型设计系统的实现流程及系统功能。(本文来源于《合肥工业大学》期刊2015-04-01）
闫海涛,成凯,赵二飞[6]（2011）在《基于交互式决策算法的轮式起重机变幅机构铰点优化》一文中研究指出以变幅液压缸、转台、吊臂受力最小,起升高度最大为目标建立轮式起重机变幅机构3铰点的数学模型。采用交互式决策算法进行优化计算,引入满意度和总体协调度的概念,避免了目标权重系数人为确定的任意性,并可实现决策者与系统模型之间信息的反复交换,使优化结果不断地向决策者的要求靠近,进而从一系列局部最优解中选出相对最优解。经过优化,改善了变幅机构的受力性能,为以后变幅机构的设计改进提供了依据。(本文来源于《起重运输机械》期刊2011年08期）
郑微波[7]（2010）在《一种基于交互式遗传算法的图书经费分配群决策模型》一文中研究指出提出一种基于交互式遗传算法的大学图书馆藏书建设中图书采购经费分配群决策系统模型,通过人工智能技术把定性决策与定量决策结合起来,解决文献经费分配决策中优化目标非定量化、难以较高效率获得专家群体意见共识的问题。模拟实验反映出该模型能以较高效率达成专家群体意见共识。(本文来源于《图书情报工作》期刊2010年19期）
孙晓燕,王煦法,巩敦卫[8]（2007）在《分布协同交互式遗传算法及其在群体决策中的应用》一文中研究指出针对交互式遗传算法单机实现模式存在的局限性,本文提出一种分布协同交互式遗传算法,并介绍了算法实现的关键技术.基于群体决策满意度和用户评价偏好,给出了共享个体数量确定方法和共享个体的选择方法.还提出了合理的评价平台和有效的决策评价指标以及隐含的信息交互方式等.为减轻用户疲劳,基于个体相似度,提出一种类适应度近似策略.最后基于服装的色彩设计问题,给出实验结果,以验证该算法的可行性.(本文来源于《信息与控制》期刊2007年05期）
王惠文[9]（2003）在《一类多准则决策问题的区间线性规划交互式算法》一文中研究指出对于决策方案中的决策指标值为区间数的多准则决策问题提出了一种区间线性规划交互式算法(本文来源于《中国科学技术大学学报》期刊2003年06期）
何建敏,曹文彬[10]（2002）在《交互式群组决策问题的一种Pareto最优求解算法》一文中研究指出随着企业电子商务的实现 ,交互式群组决策问题已经演变成MAS中多Agent决策和谈判问题 ,需要有新的群组决策方法。本文给出了不完全信息下交互式群组决策问题的一种基于梯度的Pareto最优求解算法 ,并给出了它的数学描述和算例 ,结果表明 ,这一方法适宜求解电子商务环境下的多Agent决策和谈判问题。(本文来源于《管理工程学报》期刊2002年03期）
交互式决策算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
数据挖掘是数据库中知识发现的一个重要步骤,传统数据挖掘是以数据对象作为研究基础的挖掘方法,注重算法的运行效率以及模型的准确率,是一种面向数据或者称为数据驱动的数据挖掘,其挖掘结果包含大量的冗余规则、无需挖掘就可以得到的知识甚至是一些违反常识的错误结论,存在很大的弊端。决策树是数据挖掘分类技术中的主要模型。针对决策树算法没有考虑挖掘结果使用者的偏好、相对应领域的知识约束、挖掘结果的可操作性等问题,应用DDDM(Domain Driven Data Mining)的思想,提出一种在构建决策树过程和结果评价标准中,融入用户兴趣度以及领域知识的人机交互式决策树模型,客观地评价挖掘结果在实践中的具体效益,交付可直接用于实际行动的决策支持。领域驱动的人机交互式决策树模型强调用户在数据挖掘过程中的参与度与主动性,改变传统决策树仅仅利用预先设置的算法,由机器自动搜索训练集中的隐含模式这种被动的挖掘策略,使以模式输出为主的数据挖掘系统发展成为实际问题解决方案输出的决策系统。本文的主要研究内容包括以下几个方面:1.根据传统数据挖掘局限于以数据和算法为中心,忽略了真实环境下各种领域知识对于挖掘过程的约束,分析这种旧挖掘模式的不足之处与自身缺陷。从理论水平、方法框架、模式架构等几个方面,综述近十年来领域驱动数据挖掘的发展历程和国内外专家学者的研究成果。2.设计转化属性值的代价矩阵和类别的效益矩阵来体现数据挖掘用户的兴趣度和所挖掘领域的知识约束。定义决策分枝的概念及其价值,并用该价值作为领域驱动决策树算法的属性选择度量。3.以经典决策树算法为基本框架,提出一种领域驱动的人机交互式决策树构造算法和评估有效分枝转移的决策推荐算法,让数据挖掘结果使用者可以直接得知最佳方案的实际效益,做出正确、合理、可操作的决策。4.基于上述理论研究,用德国电信旗下的T-Systems宽带客户数据集进行实验验证。根据用户的兴趣度和具体的商业利润,设置不同转化属性值的代价矩阵和类别的效益矩阵对同一测试数据集进行挖掘,分析对比挖掘结果的实际商业利益。实验结果表明领域驱动的人机交互式决策树模型在没有降低分类准确率的情况下,所挖掘的决策规则易于理解、实践性强、商业价值高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
交互式决策算法论文参考文献
[1].郭广颂,文振华,郝国生.基于群体决策的多用户协同交互式遗传算法[J].电子与信息学报.2018
[2].朱王晓嘉.领域驱动的人机交互式决策树模型及其算法研究[D].云南财经大学.2016
[3].鲁桂芳.基于交互式动态影响图的决策模型及算法分析[J].科技经济导刊.2016
[4].李少鹏,于兰峰,王平平,韩伟.基于交互式决策算法的桁架式门机结构系统动态优化设计[J].机械强度.2015
[5].蔡美菊.交互式遗传算法及其在隐性目标决策问题中的应用研究[D].合肥工业大学.2015
[6].闫海涛,成凯,赵二飞.基于交互式决策算法的轮式起重机变幅机构铰点优化[J].起重运输机械.2011
[7].郑微波.一种基于交互式遗传算法的图书经费分配群决策模型[J].图书情报工作.2010
[8].孙晓燕,王煦法,巩敦卫.分布协同交互式遗传算法及其在群体决策中的应用[J].信息与控制.2007
[9].王惠文.一类多准则决策问题的区间线性规划交互式算法[J].中国科学技术大学学报.2003
[10].何建敏,曹文彬.交互式群组决策问题的一种Pareto最优求解算法[J].管理工程学报.2002