1.1 引言

在管理决策领域有一类复杂的决策问题——不确定性隐形目标决策问题[1～3]，如汽车造型设计问题、旅游行程规划问题等，由于此类问题的 “决策目标 （最优化、最经济）难以完全以显示结构化、数量化表示”，“决策者偏好结构未知或不确定”，“问题决策方案数目大，具有NP难解性质”，因而使得此类决策异常复杂。[4]仅仅使用传统的决策方法与决策支持系统，很难对其进行求解。

近几年来，随着智能决策与人工智能技术的发展，一种具有人机交互机制的交互式进化计算 （Interactive Evolutionary Computation，IEC）[1]算法在解决此类不确定性隐形目标优化问题方面表现出较大的优势，引起了研究者的广泛关注。

IEC的研究始于1986 年 Dawkin 对基于 L-system的生物形态系统的研究[7]。IEC是一种适应值函数由人来评估完成的EC方法，包括交互式遗传算法 （IGA）、交互式遗传规划 （IGP）、交互式进化规划 （IEP）和交互式进化策略 （IES）4 种方法。从决策角度看，利用 IEC求解问题时，用户通过对决策方案 （解）的评估，其偏好信息得到自然的表达，而评估适应值的大小就反映出决策者对该决策方案 （解）偏爱的程度。IEC中的表现型、基因型和适应值之间的关系与决策问题中的方案、属性和准则之间的关系是相对应的，它以决策者内心的偏好函数为适应值函数，并根据决策者对 “可行方案”的偏好值 （准则）来引导 “属性” 值的重组，以进一步搜寻更适合的可行方案[2， 3]。

Takagi教授在其综述文章[1]中总结了已应用于实际生活中的IEC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、艺术教育以及写作教育等。

然而，目前IEC中的交互式控制研究者却面临着以下四个研究难点：①适应值具有噪声；②人的偏好随着评价而不断调整；③IEC要求在种群规模小、进化代数少的情况下使用，造成进化效率低下；④用户疲劳问题，它们造成了IEC优化性能低下，成为制约 IEC应用发展的瓶颈问题。

所以，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，是一项颇具挑战性的工作，具有重要的理论意义与应用价值。