在工业生产、工程技术、经济和社会等许多领域,都存在大量的隐式性能指标优化问题,即其性能指标难以甚至无法用明确定义的函数描述,对于这样的问题,传统的智能优化方法将难以奏效。交互式遗传算法将传统的进化机制与用户的智能评价相结合,可以有效地解决隐式性能指标优化问题。但是,用户的疲劳和评价的不确定性问题极大地影响了交互式遗传算法的性能,严重制约了其在复杂优化问题中的应用。为解决这些问题,本论文主要研究进化个体不确定适应值交互式遗传算法的理论与关键技术。首先,在不考虑用户评价不确定性的情况下,研究交互式遗传算法的适应值估计理论,以减轻用户疲劳,并为后续研究奠定基础。提出了搜索空间自适应分割的多代理模型算法,自适应地分割搜索空间,在各子空间上构造不同的代理模型,代替用户估计进化个体适应值,有效减轻了用户疲劳;提出了基于有向图的进化知识提取和应用策略,给出了基于子种群有向图的进化个体适应值估计方法、优势个体识别和应用方法,加快了算法的收敛速度,减轻了用户疲劳。然后,研究用户评价的不确定性,给出了进化个体适应值采用2类不确定数表示的方法。针对用户认知的模糊性,采用高斯型隶属函数刻画的模糊数表示进化个体适应值,给出了基于模糊截集的进化个体优劣比较策略,有效反映了用户评价的不确定性;在此基础上,进一步考虑评价过程中的随机不确定性,采用服从正态分布的随机变量表示该类不确定性,提出了模糊随机适应值交互式遗传算法,给出了基于模糊截集和随机变量置信水平的进化个体优劣比较策略,以及基于模糊熵的随机变量分布参数和新的截集水平的确定方法,该方法同时有效地反映了用户的认知不确定性和评价过程中的随机不确定性,较好地保持了种群多样性。最后,研究了3类进化个体不确定适应值表示情况下,用户认知代理模型的构造方法。基于区间适应值交互式遗传算法的研究成果,提出了区间适应值神经网络代理模型构造方法,采用两个RBF网络分别逼近区间适应值的上限和下限;针对模糊适应值交互式遗传算法,提出了基于支持向量分类机和回归机的代理模型构造方法,给出了基于最优个体模糊熵的训练数据选择方法,以及代理模型的应用策略;针对模糊随机适应值交互式遗传算法,提出了基于有向模糊图和支持向量回归机的代理模型构造方法,采用有向模糊图存储进化知识,将模糊随机适应值转化为精确适应值,再利用该精确适应值构造支持向量机代理模型。从理论上分析了上述3类算法的性能,基于代理模型的适应值估计有效减轻了用户疲劳,增强了进化个体不确定适应值交互式遗传算法的搜索性能。研究成果在服装进化设计系统中得到了成功应用,结果表明,本文的研究成果有效地表示了用户评价的不确定性,减轻了用户疲劳,提高了交互式遗传算法的性能,为其在复杂领域的应用提供了技术保障。