CN107463309A - 用于墙壁纸设计的熵极大准则交互式进化优化方法 - Google Patents
用于墙壁纸设计的熵极大准则交互式进化优化方法 Download PDFInfo
- Publication number
- CN107463309A CN107463309A CN201710720580.5A CN201710720580A CN107463309A CN 107463309 A CN107463309 A CN 107463309A CN 201710720580 A CN201710720580 A CN 201710720580A CN 107463309 A CN107463309 A CN 107463309A
- Authority
- CN
- China
- Prior art keywords
- individual
- evaluation
- wall paper
- user
- interactive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000013461 design Methods 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims description 26
- 230000000694 effects Effects 0.000 claims description 6
- 108700028369 Alleles Proteins 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 241000219477 Bougainvillea glabra Species 0.000 claims description 3
- 238000007792 addition Methods 0.000 claims description 3
- 229910002056 binary alloy Inorganic materials 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000033764 rhythmic process Effects 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 abstract description 5
- 230000009977 dual effect Effects 0.000 abstract description 3
- 230000000717 retained effect Effects 0.000 abstract description 3
- 206010016256 fatigue Diseases 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 230000007474 system interaction Effects 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04842—Selection of displayed objects or displayed text elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公布了一种用于墙壁纸设计的熵极大准则交互式进化优化方法,其具体步骤如下:进化开始前,系统为用户提供设计环境,随机生成初始进化种群;通过交互界面,人对个体进行“满意”/“不满意”的二元评价,系统记录个体评价时间;系统根据评价耗时和满意集/不满意集个体数目,采用熵极大准则估计用户个体适应值;根据种群基因意义单元呈现的频次,构建精英基因个体用于个体保留;采用轮赌法完成个体选择。本发明设计人员只需按偏好对个体进行“满意”/“不满意”的粗略评价,系统在后台自动实现对个体适应值的估计,实现非用户赋个体适应值,有效降低了设计人员的操作负担。
Description
技术领域
本发明属于智能计算领域,特别是涉及一种用于墙壁纸设计的熵极大准则交互式进化优化方法,可用于引导用户进行墙壁纸方案的选型。
背景技术
装饰性墙壁纸做为应用相当广泛的室内装饰材料,其产品设计是印刷包装工程中的重要内容。选择合理的墙壁纸能烘托出不同的氛围,通过恰当的色彩运用,和谐搭配家具色调,可以营造出不同的装饰风格。由于装饰性墙壁纸色彩丰富,花系繁多,艺术性较强,优化选型难度较大,无法采用定量的目标函数衡量评价方案,而基于交互式进化优化方法可以帮助用户在海量壁纸样品中找到满意的壁纸图案。
目前,已经公布的应用交互式进化优化方法进行产品外观设计策略大致分为两种类型。其一是全部个体适应值赋值策略:如针对易观察的视觉优化对象, 2012年出版的《高级交互式遗传算法理论与应用》一书中,按评价方式将适应值赋值形式分为精确赋值方法、离散赋值方法、区间赋值方法、模糊赋值方法等。上述个体适应值赋值方法,扩展了用户评价个体适应值的能力,但上述方法对用户评价过程的疲劳问题考虑不够,为获得区间适应值和模糊适应值,用户仍需增加操作量;其二是对部分个体适应值赋值:如2012年出版的期刊《Applied Soft Computing》第12期“Interactive genetic algorithms with largepopulation and semi-supervised learning”将已评价个体作为聚类中心,其他个体依基因型与聚类中心的距离远近估计适应值、2013年出版的期刊《控制理论与应用》第5期“新的基于相似度估计个体适应值的交互式遗传算法”根据个体与上代最优个体相似度估计个体适应值、2014年出版的期刊《Neurocomputing》第4期“Interactive evolutionaryalgorithms with decision-maker’s preferences for solving interval multi-objective optimization problems”根据决策者偏好估计区间多目标优化问题中的个体适应值。这类方法的优化效率得到提高,但估计误差仍然存在,这说明,发明新的个体适应值估计方法是非常必要的。
经查阅相关文献,目前还不存在应用交互式进化优化方法于墙壁纸设计的策略报道。如能开发出相关的高效设计系统,不仅会对墙壁纸产品的设计带来推动价值,对其他产品设计也将具有重大启发意义。
发明内容
本发明所要解决的技术问题是:克服现有非用户赋适应值技术的不足,提供一种减少设计人员负担、增强算法搜索能力且提高进化优化质量的用于墙壁纸设计的熵极大准则交互式进化优化方法。
本发明的技术方案是:
一般来说,人对不同的物品敏感程度不同,对自己十分满意或者十分不满意的物品比较敏感,也就是说人能比较容易识别自己最喜欢和最不喜欢的那些物品。类推到交互式遗传算法中,对用户越偏爱的个体,用户识别所用的时间越短,个体的适应值应该越大;同样的,对用户越不满意的个体,用户识别所用的时间越短,个体适应值应该越小。基于此,采用二选一的进化个体评价方式,记录用户评价个体满意或者不满意的时间,通过熵极大准则计算,可以获得从时间空间到适应值空间的映射,由此可以获得进化个体适应值而无需用户直接赋适应值,从而达到减轻用户疲劳的目的。特别地,本发明设计的适应值计算方法,在保证进化优化效果的前提下,对用户评价顺序没有要求。
一种用于墙壁纸设计的熵极大准则交互式进化优化方法,采用熵极大准则的非用户赋适应值估计策略的交互式遗传算法作为优化算法,该优化算法的系统由参数设置窗口、进化界面和结果保存窗口等翻页式结构构成,为增强壁纸效果显著程度,进化主页背景设置为白色,同时设置客厅、餐厅、卧室、书房、儿童房和过道等六个按钮供用户选择,实时交互时,系统首先进行初始化,设置进化优化的进化代为0,随机选出6个样本作为初始样本,在每个样本下方有“满意”和“不满意”的单选按钮,用户通过选择单选按钮对个体评价;评价结束后,点击“下一代”按钮,系统进化出新种群,用于第2代进化优化,用户继续评价直至找到满意个体;同时,交互界面还显示“进化代数”、“评价互异个体数”、进化耗时辅助信息,其中进化耗时可以计量出每个个体评价所需时间,系统在后台依此进行适应值计算,同时可以让用户知道操作时间并掌握工作节奏;基于算法的特点,评价过程中用户可以不遵循界面提供的个体顺序进行评价,系统还可以等待用户做其他事情,均不影响进化结果,
(1)计算满意集Ss(t)和不满意集Su(t)的分界值
式中,Ss(t)中个体适应值分布区间为Su(t)中个体适应值分布区间为且适应值在和内均按均匀分布,其中
(2)计算个体xi(t)的评价满意度Hi:
式中,T(xi(t))为个体xi(t)被放入的Ss(t)或Su(t)的时间;
(3)计算个体xi(t)的适应值f(xi(t)):
最优个体保留策略是:
为第t代的精英基因个体的第i个精英等位基因意义单元;根据最优个体保留策略,的基因型为做为最优个体保留至下一代。
墙壁纸个体编码方法是:墙壁纸的外观主要由颜色和花系风格构成,所以编码由两部分构成:第一部分是墙壁纸颜色编码,壁纸颜色通过RGB取色得到的颜色叠加构成,RGB颜色中每种颜色分量的十进制取值范围为0-255,用8 位二进制数表示,其中前8位表示红色,中间8位表示绿色,最后8位表示蓝色,每个颜色分量对应的二进制取值范围为00000000-11111111,颜色总编码为 24位二进制数;第二部分是墙壁纸花系风格编码,各花系风格系列墙壁纸图案在[0,1023]整数段内分段取整数值,然后将整数值转化为10位二进制编码,这样组合构成的个体染色体长度为34,总的搜索空间包含28×28×28×210个候选解。
本发明的优点和积极效果是:
1、本发明用户采用“满意”和“不满意”二元评价机制,相比数值操作负担极小,且对个体评价顺序没有要求,符合用户评价习惯,减轻了操作疲劳;
2、本发明采用熵极大准则估计个体适应值,适应值估计精度高,人-机交互能力强,应用于墙壁纸设计问题获得良好的优化效果。
附图说明
图1为本发明的总体流程图;
图2为本发明的系统交互界面图。
具体实施方式
参照附图,对本发明实施做以下进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种用于墙壁纸设计的熵极大准则交互式进化优化方法流程如图1所示。
该方法的步骤如下:
步骤1.本系统包括参数设置界面、交互界面和结果输出界面等。系统交互界面如图2所示。系统运行时,用户首先设置系统参数,然后进入交互界面后点击“初始化”按钮,系统初始化并运行载入模块和处理模块,生成6个样本,用户通过样本下方按钮对个体进行“满意”或“不满意”的二元评价。其墙壁纸样本个体编码方法是:
墙壁纸的外观主要由颜色和花系风格构成,所以编码由两部分构成:第一部分是墙壁纸颜色编码,壁纸颜色通过RGB取色得到的颜色叠加构成,RGB颜色中每种颜色分量的十进制取值范围为0-255,用8位二进制数表示,其中前8位表示红色,中间8位表示绿色,最后8位表示蓝色,每个颜色分量对应的二进制取值范围为00000000-11111111,颜色总编码为24位二进制数;第二部分是墙壁纸花系风格编码,各花系风格系列墙壁纸图案在[0,1023]整数段内分段取整数值,然后将整数值转化为10位二进制编码,这样组合构成的个体染色体长度为 34,总的搜索空间包含28×28×28×210个候选解。
步骤2.记录个体的评价耗时和满意集内个体数目,计算满意集Ss(t)和不满意集Su(t)的分界值
式中,Ss(t)中个体适应值分布区间为Su(t)中个体适应值分布区间为且适应值在和内均按均匀分布,其中
步骤3.设个体xi(t)被放入的Ss(t)或Su(t)的时间为T(xi(t)),即T(xi(t))为个体xi(t)被评价的时间。从生理特征看,评价时间包含很多反映偏好的因素,它主要由用户对交互界面中个体的关注时间构成,其中主要是反映偏好的眼部活动时间,包括用户对交互界面特定区域的注视时间、对该区域的眼球转移次数以及注视该区域时瞳孔直径变化等。可以看到,评价时间越长,眼部活动越频繁,用户对该个体的关注度就越高。所以,可将T(xi(t))与集合中最长个体评价时间的比值作为个体xi(t)的满意度Hi:
步骤4.根据熵极大准则原理,个体xi(t)适应值的计算公式如下:
求解上式可得:
式中ε是防止分母为0预先设置的小的正常数。
步骤5.若个体xj(t)由二进制码构成,则xj(t)∈{0,1}l,l为编码长度。代表xj(t)的第i个属性的基因意义单元记为li为该基因意义单元长度。记第t代Ui的第jk个等位基因意义单元为令为基因意义单元元素在当前种群中出现的次数,定义
为第t代的精英基因个体的第i个精英等位基因意义单元。根据最优个体保留策略,的基因型为做为最优个体保留至下一代。
本发明与目前算法的比较
目前已有的应用于产品设计的算法主要有传统交互式遗传算法(TraditionalInteractive Genetic Algorithm,T-IGA)和离散适应值交互式遗传算法(InteractiveGenetic Algorithm with discrete fitness,IGA-DF)。本发明从最优解适应值、算法进化代数和优化耗时等三个方面衡量方法性能。选择10位用户,不受时间与进化代数的限制,分别用上述3种算法各运行3次,总计90人次进化优化。将每次进化结果中最满意样本的适应值做为该次进化的最优解适应值(若进化失败,认为该次进化最优解分值为0);然后统计进化代数和算法的优化耗时,将3种算法分别两两做双样本均值分析,分析结果如下表所示。
从表中可以看出:本发明平均耗时264s,所需的进化代数也最少,所以平均每代进化的耗时最少,用户最不易疲劳。本发明的耗时比T-IGA要少近一半, t检验结果差异显著(p<0.05)。相比之下,IGA-DF由于采用分级评价,操作界面较简单,所以耗时比T-IGA显著减少(p<0.05),但由于个体适应值比较粗糙,所需要的进化代数仍较多。T-IGA的用户需要思考个体的精确适应值,当进化个体比较接近的时候,或者很多个体与目标个体相差比较大的情况下,用户往往难以赋予它们精确的适应值,这会导致耗时增加。
进化代数的差异主要由算法性能决定,本发明的适应值赋值方法符合用户的认知,适应值评价准确,通过构建保留精英基因个体,算法收敛性得到提高。从数值上看,本发明进化代数比T-IGA少近1/3,基本在10个进化代内即可完成优化,明显减轻用户疲劳。IGA-DF的进化代数较多主要因为过于粗糙的进化个体适应值有碍种群的正常进化,导致种群收敛速度过慢,且进化代数与T-IGA 相比差异并不显著。
从满意度指标看,由于本发明的适应值最客观,保留的精英个体基因最为完善,所以在3种算法中本发明的满意度分值最高,t检验结果显示差异是显著的。IGA-DF由于不能精细评价适应值,搜索信息过程中获得信息不足,所以在满意度指标上与T-IGA差异并不显著。
综合来看,无论是用户评价耗时、进化代数,还是用户满意度,与其他2 种方法相比,本发明都体现出显著的优势。
Claims (3)
1.一种用于墙壁纸设计的熵极大准则交互式进化优化方法,其特征是:采用熵极大准则的非用户赋适应值估计策略的交互式遗传算法作为优化算法,该优化算法的系统由参数设置窗口、进化界面和结果保存窗口等翻页式结构构成,为增强壁纸效果显著程度,进化主页背景设置为白色,同时设置客厅、餐厅、卧室、书房、儿童房和过道等六个按钮供用户选择,实时交互时,系统首先进行初始化,设置进化优化的进化代为0,随机选出6个样本作为初始样本,在每个样本下方有“满意”和“不满意”的单选按钮,用户通过选择单选按钮对个体评价;评价结束后,点击“下一代”按钮,系统进化出新种群,用于第2代进化优化,用户继续评价直至找到满意个体;同时,交互界面还显示“进化代数”、“评价互异个体数”、进化耗时辅助信息,其中进化耗时可以计量出每个个体评价所需时间,系统在后台依此进行适应值计算,同时可以让用户知道操作时间并掌握工作节奏;基于算法的特点,评价过程中用户可以不遵循界面提供的个体顺序进行评价,系统还可以等待用户做其他事情,均不影响进化结果,
(1)计算满意集Ss(t)和不满意集Su(t)的分界值fs:
式中,Ss(t)中个体适应值分布区间为Su(t)中个体适应值分布区间为且适应值在和内均按均匀分布,其中
(2)计算个体xi(t)的评价满意度Hi:
式中,T(xi(t))为个体xi(t)被放入的Ss(t)或Su(t)的时间;
(3)计算个体xi(t)的适应值f(xi(t)):
。
2.根据权利要求1所述的用于墙壁纸设计的熵极大准则交互式进化优化方法,其特征是:最优个体保留策略是:
为第t代的精英基因个体的第i个精英等位基因意义单元;根据最优个体保留策略,的基因型为 做为最优个体保留至下一代。
3.根据权利要求1所述的用于墙壁纸设计的熵极大准则交互式进化优化方法,其特征是:墙壁纸个体编码方法是:墙壁纸的外观主要由颜色和花系风格构成,所以编码由两部分构成:第一部分是墙壁纸颜色编码,壁纸颜色通过RGB取色得到的颜色叠加构成,RGB颜色中每种颜色分量的十进制取值范围为0-255,用8位二进制数表示,其中前8位表示红色,中间8位表示绿色,最后8位表示蓝色,每个颜色分量对应的二进制取值范围为00000000-11111111,颜色总编码为24位二进制数;第二部分是墙壁纸花系风格编码,各花系风格系列墙壁纸图案在[0,1023]整数段内分段取整数值,然后将整数值转化为10位二进制编码,这样组合构成的个体染色体长度为34,总的搜索空间包含28×28×28×210个候选解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710720580.5A CN107463309B (zh) | 2017-08-21 | 2017-08-21 | 用于墙壁纸设计的熵极大准则交互式进化优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710720580.5A CN107463309B (zh) | 2017-08-21 | 2017-08-21 | 用于墙壁纸设计的熵极大准则交互式进化优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107463309A true CN107463309A (zh) | 2017-12-12 |
CN107463309B CN107463309B (zh) | 2020-12-25 |
Family
ID=60550274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710720580.5A Expired - Fee Related CN107463309B (zh) | 2017-08-21 | 2017-08-21 | 用于墙壁纸设计的熵极大准则交互式进化优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463309B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101105817A (zh) * | 2006-07-12 | 2008-01-16 | 猫王国际开发有限公司 | 服装辅助设计系统及方法 |
CN102163249A (zh) * | 2011-04-12 | 2011-08-24 | 中国矿业大学 | 用于窗帘设计的交互式进化优化方法 |
CN103984721A (zh) * | 2014-05-13 | 2014-08-13 | 中国矿业大学 | 基于交互式进化优化的图书个性化搜索方法 |
CN104408281A (zh) * | 2014-10-14 | 2015-03-11 | 郑州航空工业管理学院 | 一种用于便携式酒壶设计的混杂型交互式进化优化方法 |
US20150089459A1 (en) * | 2012-05-04 | 2015-03-26 | Asml Netherlands B.V. | Design rule and lithographic process co-optimization |
-
2017
- 2017-08-21 CN CN201710720580.5A patent/CN107463309B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101105817A (zh) * | 2006-07-12 | 2008-01-16 | 猫王国际开发有限公司 | 服装辅助设计系统及方法 |
CN102163249A (zh) * | 2011-04-12 | 2011-08-24 | 中国矿业大学 | 用于窗帘设计的交互式进化优化方法 |
US20150089459A1 (en) * | 2012-05-04 | 2015-03-26 | Asml Netherlands B.V. | Design rule and lithographic process co-optimization |
CN103984721A (zh) * | 2014-05-13 | 2014-08-13 | 中国矿业大学 | 基于交互式进化优化的图书个性化搜索方法 |
CN104408281A (zh) * | 2014-10-14 | 2015-03-11 | 郑州航空工业管理学院 | 一种用于便携式酒壶设计的混杂型交互式进化优化方法 |
Non-Patent Citations (4)
Title |
---|
DUN-WEI GONG ETAL.: "Evolutionary algorithms for optimization problems with uncertainties and hybrid indices", 《INFORMATION SCIENCES》 * |
孙晓燕 等: "基于区间适应值交互式遗传算法的加权多输出高斯过程代理模型", 《自动化学报》 * |
郭广颂: "基于改进交互式遗传算法的烤漆门智能选型系统", 《木材加工机械》 * |
黄永青 等: "交互式蚁群遗传算法", 《小型微型计算机系统》 * |
Also Published As
Publication number | Publication date |
---|---|
CN107463309B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020187756A5 (zh) | ||
US20230153889A1 (en) | Product recommendation device and method based on image database analysis | |
Maulik et al. | Integrating clustering and supervised learning for categorical data analysis | |
CN108052765A (zh) | 基于人格印象的配色方案自动生成方法及装置 | |
CN101477560A (zh) | 基于方案数据库的服饰搭配系统及方法 | |
CN103984721B (zh) | 基于交互式进化优化的图书个性化搜索方法 | |
CN102163249B (zh) | 用于窗帘设计的交互式进化优化方法 | |
CN112256739B (zh) | 一种基于多臂赌博机的动态流大数据中数据项筛选方法 | |
CN111061959B (zh) | 一种基于开发者特征的群智化软件任务推荐方法 | |
Gong et al. | Interactive genetic algorithms with multi-population adaptive hierarchy and their application in fashion design | |
CN104408281B (zh) | 一种用于便携式酒壶设计的混杂型交互式进化优化方法 | |
CN106780501A (zh) | 基于改进人工蜂群算法的图像分割方法 | |
CN111986779A (zh) | 一种结合多目标线性规划与遗传算法的菜谱推荐方法 | |
CN117172832B (zh) | 基于机器学习的胶原蛋白肽保健品智能推荐方法 | |
CN111241372B (zh) | 根据用户偏好学习预测颜色和谐程度的方法 | |
CN101739680A (zh) | 基于人工内分泌免疫系统的医学体数据分割方法 | |
CN109460474A (zh) | 用户偏好趋势挖掘方法 | |
CN109933716A (zh) | 一种基于客户行为习惯偏好的个性化酒店智能推荐算法 | |
CN107463309A (zh) | 用于墙壁纸设计的熵极大准则交互式进化优化方法 | |
CN111126467B (zh) | 一种基于多目标正余弦算法的遥感影像空谱聚类方法 | |
Cai | User preference adaptive fitness of interactive genetic algorithm based ceramic disk pattern generation method | |
CN108182288A (zh) | 一种基于人工免疫的推荐方法 | |
CN108508149A (zh) | 一种基于污染源溯源的药效提升空气检测系统 | |
CN110739045B (zh) | 个性化食谱设计的交互式进化优化方法 | |
Subbotin et al. | The Regression Tree Model Building Based on a Cluster-Regression Approximation for Data-Driven Medicine. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201225 |
|
CF01 | Termination of patent right due to non-payment of annual fee |