交互式演化的海報設計方法范文

本站小編為你精心準備了交互式演化的海報設計方法參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

【摘要】

典型的現代優化方法只能解決顯示優化問題，本文主要從隱式優化問題入手，利用交互式演化算法讓用戶參與目標個體評價的特點，計算出滿足用戶需求的最優個體，最后將此方法用在海報設計上，得出較好的結果。

【關鍵詞】

演化算法；交互式；目標個體

1交互式演化算法

遺傳演化算法是一類借鑒生物界“適者生存，優勝劣汰”遺傳機制的進化規律演化而來的隨機化搜索方法。算法模擬自然選擇和自然遺傳過程中發生的繁殖、交叉和基因突變現象并產生下一代的解。在每次迭代中，逐步淘汰適應度函數值低的解，保留適應度函數值高的解。重復此過程，直到滿足某種收斂指標為止，傳統的演化算法適合解決顯式優化問題。交互式演化算法是在基本的遺傳算法基礎上發展起來的一種新型的算法，是通過交互的手段，演化過程中通過用戶對個體適應度評估對適應度函數值進行自動計算的過程。交互式演化算法的優點在于用戶與機器相結合，共同解決遺傳操作中不能解決的問題，滿足用戶的個人偏好，得到用戶個體所滿意的最優解，交互式演化算法適合解決隱式優化問題。。

2算法設計

2.1適應度設計適應度函數在傳統的優化問題當中能夠衡量解的優劣，特別是對于顯示優化問題而言，用適應度函數性能指標來衡量適應度，然而，對于隱式優化問題而言，并不能用顯示的評價方法，更不能使用精確的數學模型，只能利用用戶憑借個人主觀意識對種群個體進行評價。適應度值的大小依托于用戶個體的個人偏好。這就需要在典型的優化方法中融入“人的偏好”才能得到最優化設計方案。在設計的過程中，每一代生成的新種群的偏好值不變，適應度最高的個體將直接保留到下一代。

2.2編碼本文將海報編碼設計為兩部分：Logo和Body，一個染色體表示一張海報，且用一個八位長度的二進制編碼串來表示一個染色體，在這八位編碼串中，前四位表示海報的Logo,后四位表示海報Body。在Logo的四位編碼中前二位表示海報風格，后二位表示顏色；在Body的四位編碼中，前二位表示海報風格，后二位表示顏色。由此，一張海報共有=256種樣式。按照此編碼方案，如一個染色體00000111，則Logo中的00表示風格，Logo00表示顏色，Body01表示風格，Body11表示顏色。

2.3交叉和變異本文采用了兩種交叉操作：單點交叉和兩點交叉。例如單點交叉中有2個染色體分別是00000111,01100101。經過單點交叉變異后，生成的兩個子代個體染色體分別為00000101，01100111，所代表的風格是：個體1中Logo是“古典”且顏色為紅色。Body是“絢爛”且顏色為藍色；個體2中Log“o現代”且顏色是綠色，Body是“靜怡”且顏色是紫色。通過單點交叉操作后，兩者海報風格生成了四種新的海報風格。

2.4變異變異的目的就是改善演化算法的局部搜索能力，維持群體的多樣性，防止出現早熟現象。具體做法是：若個體是由二進制編碼符號串所表示，將某一基因座上的原有基因值為0，則變異操作將該基因值變為1，反之，若原有基因值為1，則變異操作將其變為0。本文采用的的是隨機點變異。

2.5算法流程第1步：根據實際問題進行編碼，設置演化算法的各參數。第2步：隨機生成初始種群。第3步：解碼生成個體的表現型。第4步：用戶進行個體適應度的評價。第5步：判斷是否有用戶最滿意的個體，若有，算法結束，輸出最優個體。第6步：若沒有，判斷是否滿足停止條件，若沒有，進行演化操作后轉向第3步。

3實驗結果

系統先與用戶交互，列出6中風格的海報，用戶為每款海報打分，分值最高的即為自己喜歡風格的海報，系統按照此方法進行演化，最終得出用戶做喜歡的海報風格。海報編碼和評分如下列所示：海報序號為1染色體編碼為01110011用戶評分為78海報序號為2染色體編碼為00000101用戶評分為89海報序號為3染色體編碼為10011111用戶評分為80海報序號為4染色體編碼為01011100用戶評分為90海報序號為5染色體編碼為10100001用戶評分為67海報序號為6染色體編碼為11101001用戶評分為70對10名用戶進行實驗，結果如圖2所示，用戶對系統推薦海報的平均打分為82，表明用戶的滿意度較高。隨著用戶與系統進行交互時選擇的海報數量的增多，最后的評分也隨之越來越高，說明結果與用戶的需求越接近。

4總結

本文主要從隱式優化問題入手，在優化問題中加入了用戶的“個人偏好”，利用用戶參與目標個體評價的特點，得出滿足用戶個人偏好需求的最優個體，最后將此方法用在海報設計上，用戶根據自己的喜好對海報的風格進行打分，實驗結構表明，此方法有較好的效果。

【參考文獻】

［1］劉燕泉.論當代海報設計的藝術化趨向[D].蘇州:蘇州大學,2010.

［2］周勇,鞏敦衛,等.交互式遺傳算法基于NN的個體適應度分階段估計[J].控制與決策,2005,20(2).

［3］Shengxiang,Y.andL.Changhe,AClusteringParticleSwarmOptimizerforLocatingandTrackingMultipleOptimainDynamicEnvironments.EvolutionaryComputation,IEEETransactionson,2010,14(6)[Z].

［4］BBezirtzis,MLewis,andC.Christeson,InteractiveEvolutionforIndustrialDesign.Proceedingsofthe6thACMSIGCHIConferenceonCreativity&Cognition,2007:183-192[Z].

［5］YOgataandTOnisawa,InteractiveClothesDesignSupportSystem.LectureNotesinComputerScience,2008,vol.4985:657-665[Z].

［6］TNakajima,SHashimoto,K.Haruyama,etc,OfficeLayoutSupportSystemusingInteractiveGeneticAlgorithm.Proceedingsof2006IEEECongressonEvolutionaryComputation,Vancouver,BC,Canada,July16-21,2006:56-63[Z].

作者：李娟 單位：武漢工商學院信息工程學院