臺灣博碩士論文加值系統

人類疲勞問題來自於使用者無法評估大量IGA染色體，以及無法長時間與IGA互動而不產生疲勞。如何在不引起使用者疲勞的條件下，在有限的演化代數內從小量族群中找出令使用者滿意的解答，是目前IGA最重要的研究方向之ㄧ。由Takagi（2001）的調查報告中得知，解決疲勞問題的策略大致可歸納為三點：第一、減輕評估過程產生的疲勞，第二、藉由加速演算法加快IGA收斂，第三，預測適應值。本研究以預測適應值為出發點，提出一套以演算式機率為基礎的漸近式學習系統，包含以演算式機率為基礎的互動式遺傳演算法及以NSGA-II為搜尋工具的學習模式。藉由學習使用者給予IGA的適應值，找出使用者可能的偏好，進而加快使用者找到滿意的解答。為驗證漸進式學習系統的效能，本研究將漸進式學習系統與產品設計問題的個案研究進行結合，並與傳統IGA比較兩者在演化效率及效果上的表現。將實驗數據以統計分析工具進行無母數檢定，檢定結果顯示出本研究所提出的漸進式學習系統無論在演化效率或效果上，均優於傳統IGA。本研究並從實驗數據中選取出三筆資料，將每筆資料中ALP-based IGA的每一代在不同評估策略下的演算式機率化為圖形，以表現演算式機率的移動狀態。

Human fatigue problem is due to the user which can not evaluate large amount of IGA chromosome, and can not interact with IGA for a long time without fatigue. How to find out the solutions that satisfy the user in limited generation and small population without human fatigue is one of the most important researches. In the survey that Takagi proposed, three kinds of alternatives have been proposed to address the human fatigue problem. First, easing the way of evaluation. Second, accelerating convergence of IGA via speedup algorithms. Third, fitness prediction. This paper focus fitness prediction, we propose an incremental learning system base on Algorithmic Probability, including ALP-based IGA and learning module regard NSGA-II as searching tool. By learning the fitness that the user offered IGA, it can find out the user’s potential preference, and make the users find the satisfactory solution more quickly. For verifying the performance of incremental learning system, we combine incremental learning system with a case study of the product design problem. Compare efficiency and effectiveness with the conventional IGA. We use Non-parameter test for experimental data by statistical tool The results of test show that incremental learning system performed significantly better than the conventional IGA on efficiency and effectiveness. We also select three of experimental data and show ALP moving statement by graph.

目錄
目錄 I
表目錄 IV
圖目錄 V
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機 2
第三節 研究目的 4
第四節 論文架構 5
第二章 文獻探討 6
第一節 疲勞問題與適應值預測 6
第二節 演算式機率（Algorithmic Probability） 7
一、歸納式推論(inductive inference) 8
二、演算式機率 9
三、漸進式機器學習(incremental machine learning) 10
第三節 NSGA-II（Non-Dominated Sorting Genetic Algorithm II） 13
一、柏拉圖最佳解（Pareto-optimal Solutions） 14
二、密度估計（Density Estimation） 16
三、層級與密度之比較 17
四、演化流程 18
第三章 研究方法 20
第一節 產品設計 20
第二節 以演算式機率為基礎的漸進式學習系統 21
一、ALP-Based IGA 21
二、以NSGA-II為搜尋基礎的學習模式 22
第三節 個案研究 29
一、個案說明 30
二、傳統IGA及ALP-based IGA 30
三、NSGA-II 32
四、研究架構與假說 34
五、實驗設計 35
第四章 實驗結果與分析 39
第一節 實驗結果檢定 39
第二節 演算式機率的移動 42
第五章 結論、貢獻與未來研究 45
第一節 結論 45
第二節 研究貢獻 45
第三節 未來研究 46
參考文獻 48
中文部份 48
英文部份 48
































表目錄
表3.1 敏感度分析之IGA參數表 31
表3.2 使用者評估策略 33
表3.3 NSGA-II參數表 34
表4.1 效率敘述統計表 40
表4.2 效率檢定統計結果 40
表4.3 效果敘述統計表 41
表4.4 效果檢定統計結果 41





















圖目錄
圖1.1 以Niche-GA為學習基礎的ALP-Based IGA系統架構圖 3
圖2.1 演算式機率 10
圖2.2 漸進式機器學習 12
圖2.3 dominated與Non-dominated示意圖 15
圖2.4 Density Estimation示意圖 16
圖2.5 NSGA-II演化流程圖 19
圖3.1 漸進式學習系統架構圖 24
圖3.2 預測函數與NSGA-II染色體 25
圖3.3 預測誤差示意圖 26
圖3.4 柏拉圖前緣線示意圖 27
圖3.5 以T分配計算演算式機率 28
圖3.6 以ALP計算精英預測函數 28
圖3.7 飲料瓶的五種外觀特徵屬性 30
圖3.8 飲料瓶個案IGA編碼 31
圖3.9 染色體基因型─飲料瓶表現型對應方式 31
圖3.10 NSGA-II染色體編碼 32
圖3.11 研究架構 34
圖3.12 飲料瓶所有屬性水準 36
圖3.13 IGA系統介面 36
圖3.14 ALP-based IGA系統介面 37
圖3.15 ALP-based IGA問卷 38
圖3.16 ALP-based IGA問卷 38
圖4.1 效率原始資料 39
圖4.2 效果原始資料 40
圖4.3 演算式機率移動資料一 43
圖4.4 演算式機率移動資料二 43
圖4.4 演算式機率移動資料三 44

參考文獻
中文部份
1.許芳誠（2000），智慧型多準則決策支援研究：以交談式遺傳演算法為基礎的模型，國立中央大學資訊管理學系博士論文。
2.黃松熙（2004），建構支援顧客創意的新產品設計模型：以價值焦點思考法為基礎，真理大學碩士論文。
3.洪銘祥（2005），運用多種策略解決互動式遺傳演算法之負擔問題，真理大學碩士論文。
英文部份
1.Biles J. A., P. G. Anderson and L. W. Loggi (1996), Neural Network Fitness Functions for a Musical IGA, International ICSC Symposium on Intelligent Industrial Automation and Soft Computing.
2.Branke J. and K. Deb (2004), Integrating User Preferences into Evolutionary Multi-Objective Optimization, KanGAL Report Number 2004004
3.Deb K., Amrit Pratap, Sameer Agarwal and T. Meyarivan (2000), A Fast and Elitist Multi-Objective Genetic Algorithm-NSGA-II, KanGAL Report Number 2000001
4.Deb K. (1999), Multi-objective genetic algorithms: Problem difficulties and construction of test problems, Evolutionary Computation Journal, 7(3), pp. 205-230.
5.Goldberg D.E. and J. Richardson (1987), Genetic Algorithms with Sharing for Multimodal Function Optimization, Proc. 2nd Inter. Conf. Genetic Algorithms, pp.41-49.
6.Gan J. and K. Warwick (1999), A Genetic Algorithm with Dynamic Niche Clustering for Multimodal Function Optimization, Proc. Int. Conference on Artificial Neural Nets and Genetic Algorithms.
7.Johanson B. and R. Poli (1998), GP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness Raters, Genetic Programming 1998: Proceedings of the Third Annual Conference, pp. 181-186.
8.Lee J.-Y. and S.-B. Cho (1999), Sparse fitness evaluation for reducing user burden in interactive genetic algorithm, Proc. Of FUZZ-IEEE’99, pp. ΙΙ-998-ΙΙ1003.
9.Wang L.-H. and J.-D. Liao (2005), A Comparison of Three Fitness Prediction Strategies for Interactive Genetic Algorithms, 8th Joint Conference on Information Sciences.
10.Wang L.-H. (2006), A Comparison of Three Fitness Prediction Strategies for Interactive Genetic Algorithms, accepted by Journal of Information Science and Engineering.
11.Wang L.-H., M.-Y. Sung and C.-F. Hong (2006), Interactive Evolutionary Computation Framework and the On-chance Operator for Product Design, EvoWorkshops2006
12.Li M. and P. Vitányi (1997), An Introduction to Kolmogorov Complexity and Its Applications, New York: Springer-Verlag, pp. 502–505.
13.Solomonoff R.J. (1964), A Formal Theory of Inductive Inference, Part I, Information and Control, Part I: Vol 7, No. 1, pp. 1-22.
14.Solomonoff R.J. (1986), The Application of Algorithmic Probability to Problems in Artificial Intelligence, Uncertainty in Artificial Intelligence, pp. 473-491, Elsevier Science Publishers B.V..
15.Solomonoff R.J. (1999), Two Kinds of Probabilistic Induction, The Computer Journal, vol. 42, pp. 256-259.
16.Solomonoff R.J. (2003), Progress in incremental machine learning, TR-IDSIA-16-03 revision 2.0.
17.Kohli R. and R. Krishnamurti (1987), A heuristic approach to product design, Management Science, vol. 33 , pp.1523-1533.
18.Takagi H. (2001), Interactive Evolutionary Computation: Fusion of the Capacities of EC Optimization and Human Evaluation, Proceedings of the IEEE, vol. 89, pp. 1275-1296.