疲勞問題(fatigue problem)一直是互動式演化計算( interactive evolutionary computation， IEe)領域中重要的研究問題之一。本文以解決IEe疲勞問題常見的適應值 預測(fitness prediction)策略為出發點，提出一套以演算式機率( algorit恤ic probabili臥ALP)為基礎的IEe系統(ALP-IEe) 0 ALP-IEe以多目標遺傳演算法(multi-objective genetic algorit恤，MOGA)實作ALP理論，作為系統的學習模組。當ALP-IEe 與受測者(respondent)互動時，學習模組便會以受測者的評估結果做為訓練資料，並習得受測者的效用函數，以進行適應值預測。透過產品設計問題的應用研究，本文比較了(1)ALP-IEe與傳統IEe的效率與效果; (2) ALP-IEe與IEe常見的適應值預測方 法一類神經網路(neural network， NN)學習模組的效率與效果。統計檢定顯示ALPIEe在效率與效果上，均優於傳統IEe 0換句話說， ALP-IEe在不犧牲效果的情況下， 可以提升IEe運行效率，降低疲勞問題發生的可能性。另外，ALP-IEe在產品組合的 個案上，其預測誤差的表現，也較NN為佳。