《IEC算法及其在多目标优化中的应用》总结了在实际生活中IEC已经应用的15个领域：图形图像处理、语音处理和韵律控制、音乐设计、网页设计、工业设计、人脸图像、虚拟现实、数据检索、知识获取和数据挖掘、控制和机器人、Internet领域、食品工程、地球物理科学、艺术教育和写作教育等并提出如何结合当前的人工智能等技术，来解决IEC的进化效率问题和用户的疲劳问题是项挑战性的工作，具有重要的理论意义与应用价值。

　　MOGA对种群中每一个个体的排序数是基于Pareto最优的概念对当前群体中优于该个体解的其他个体数目进行统计，并采用一种基于排序数的适应度赋值方式。另外，该算法采用自适应的小生境技术与受限杂交技术来提高种群多样性，防止解群的过早收敛。
　　MOGA采用的是基于排序的适应度赋值机制，排序方法是将群体中的每个成员与群体中支配该个体的所有其他个体的数目相关联。Pareto前端上所有个体的排序级别确定为1级，其余成员则将优于该个体的成员数目赋予为排序级别。MOGA的适应度计算方法同时考虑群体成员的级别和群体的平均适应度数值，其赋值过程是：先将群体进行个体级别排序，然后根据预先设定的函数对最高级别至最低级别的个体进行插值，最后让具有相同级别的个体拥有平均的适应度值。这种方法可以保证群体中相同级别的成员具有相等的分布频率，以适当的选择压力维持一个整体稳定的群体适应度。
　　另外，MOGA采用适应度共享方式，称之为拥挤操作算子和小生境操作算子，其中的重要参数是σshareо σshare是指小生境数目，必须小心设置，因为它对进化结果比较敏感。Fonseca和Fleming采用小生境方法是在表现型空间实施的，目的在于获得Pareto前端均匀分布的解点。
　　MOGA还采用约束配对方法，Goldberg最早提出采用约束配对是为了避免位于某一局部区域内成员的过度竞争。另外，决策者的目标和意图也可以嵌入到适应度函数中。由于决策者最终是从Pareto前端选择一个子集作为最后优化方案，因而预先确定Pareto前端的最感兴趣区域对解决优化问题很有价值。这种附加的偏好信息以问题领域信息形式出现，作为局部搜索操作算子插入到MOGA的算法过程中。一般来说，决策者偏好的信息可以采用效用函数来实现。效用函数的另一个作用是可以辅助决策者从最终的Pareto前端解点选择出自己认为满意的最佳方案。
　　MOGA采用格雷编码对染色体个体进行编码，使用两点置换交叉。在进化过程中所有找到的非劣解点存储在一个档案里。该档案可以用来确定如何在下一代中使用σshare值，并与MOGA的运行过程一起迭代更新，即将非劣解点不断地写入到该档案集合中，直至算法运行到满足停止准则为止。
　　MOGA的主要不足在于如果小生境数目信息是基于目标函数的，那么两个具有相同目标函数向量的不同个体无法在同一代种群中存在，这显然是人们不希望看到的，因为这样的两个解方案有可能恰恰就是决策者想要得到的结果。这种方法的优点是效率较高，而且易于实现。值得一提的是，Fonseca和Fleming从理论上解决了小生境大小规模的计算确定问题，在实际应用中意义和价值较大，本书后文将对此作进一步的深入介绍。
　　……

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