基于遺傳算法的漫畫藝術設計研究與實現

任玉潔 吳維

摘 ?要： 為了提高漫畫藝術設計的逼真度及設計效率，將遺傳算法運用于漫畫設計過程中。將動漫中角色人物造型的組成元素作為遺傳算法種群的個體，將多個組成元素采用遺傳算法進行數據訓練，根據適應度閾值不斷進行選擇和交叉操作，并加入粒子群優化策略，經過多次迭代計算，得到漫畫的角色人物造型。經過實驗證明，相比于SGA算法和AGA算法，文中所提算法在漫畫設計效率方面優勢明顯。

關鍵詞： 漫畫設計; 角色造型; 遺傳算法; 適應度; 粒子群優化; 設計效率

中圖分類號： TN911.1?34; TP393 ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）15?0120?03

Research and implementation of cartoon art design based on genetic algorithm

REN Yujie1， WU Wei1， 2

（1. Faculty of Innovation and Design， City University of Macau， Macau 999078， China;

2. He Xiangning College of Art and Design， Zhongkai University of Agriculture and Engineering， Guangzhou 510220， China）

Abstract： In order to improve the fidelity and design efficiency of cartoon art design， the genetic algorithm is applied to the process of cartoon design. The component elements of character modeling in animation are regarded as the individuals of genetic algorithm population， and trained with genetic algorithm. According to the fitness threshold， the continuous selection and cross?operation are carried out， and the particle swarm optimization strategy is added. After several times of iterative calculation， the character modeling of cartoon is obtained. The experimental results show that， in comparison with SGA algorithm and AGA algorithm， the proposed algorithm has obvious advantages in design efficiency of cartoon.

Keywords： cartoon design; character modeling; genetic algorithm; fitness; particle swarm optimization; design efficiency

0 ?引 ?言

群體智能算法是在群體生物的運動、覓食進攻、繁衍等過程的模擬訓練中構造而來的，群體算法在多領域得到了學者的青睞，比如路徑優化、數據聚類、搜索優化等都取得了較好的效果。在藝術設計方面，群體智能算法也表現出一定的優勢，特別是漫畫設計方面[1?2]，漫畫因為人物造型復雜，角色多樣，在設計過程中繁雜，所以人工設計效率一般較低，急需智能算法做輔助設計。

遺傳算法在數據設計方面表現出良好的收斂性和較高的效率，將組成漫畫人物角色的元素采用該算法進行模擬訓練，最終得到漫畫人物角色造型，旨在提高漫畫藝術設計的效率。為了更好地完成漫畫角色造型的動態展示，引入粒子群優化。相比傳統的遺傳算法，經過粒子群優化的遺傳算法性能表現更好。

1 ?遺傳算法的漫畫設計

設漫畫設計的某個角色人數的組成元素總量為[N]，則[N]個組成元素單個的適應度為[fi]，那么，第[i]個元素被挑中進化的概率為：

根據人物角色動態變化的元素選擇需要，為了保證原漫畫人物角色元素在進行遺傳算法構造過程中，造型變化的整體性和完整性，防止出現漫畫人物角色的變化出現局部不協調的情況，選擇交叉操作的概率必須滿足：

經過遺傳算法將人物角色動態變化的元素進行選取迭代計算后，可以得到漫畫角色在某個時間段內元素的位置變化情況。而在位置變化訓練過程中，粒子群算法有獨特的優勢，在經過遺傳算法根據適應度選取漫畫人物角色元素后，將粒子群優化應用于漫畫設計過程中，以便能更好地完成人物角色造型的動態展示。

將漫畫人物角色的元素設為粒子群的粒子，設第[i]個粒子為[xi=（xi1，xi2，…，xiN）]，其飛行速度為[vi=（vi1，vi2，…，viN）]，在三維空間內分布的最優位置為[pi=（pi1，pi2，…，piN）]，群里所有粒子的分布最優位置為[pg=（pg1，pg2，…，pgN）]。那么人物角色元素在變化過程中，元素的速度和位置數學表示為[6]：

2 ?實例仿真

為了驗證經過粒子群優化的遺傳算法在漫畫藝術設計中的性能，采用Matlab進行實例仿真。

設某個人物角色的組成元素個數為40個，遺傳算法進化代數為100，目標是人物角色按Shubert函數來執行運動變化。在仿真過程中，將標準遺傳算法（SGA）和自適應遺傳算法（AGA）與經過粒子群優化的遺傳算法進行性能對比[7?8]，計算三種算法得到的人物角色造型動態變化的最優解，如圖1所示。

圖1 ?三種算法尋優結果

從圖1可以看出，隨著遺傳算法進化代數的增多，適應度值不斷減小，當進化代數不斷增加，適應度值最后減小至穩定值，算法收斂，得到算法最優解。對比而言，SGA算法在進化代數達到70次左右，算法才收斂;AGA算法在進化代數大約為47時，算法收斂;而本文算法在進化代數為15時完成了收斂，在收斂性方面本文算法優勢明顯，提高了漫畫設計的效率。

但是從圖1也可看出，SGA，AGA和本文算法分別在進化代數區間為[12，51]，[10，47]，[8，15]時看似達到了最優解，但這個最優解是局部最優解。雖然三種算法都有這個缺點，但是相比SGA和AGA算法，本文算法陷入局部最優的區間最小，進化代數僅為7次便可以從局部最優變為全局最優。

下面將對算法的穩定性進行性能仿真，分別采用三種算法求解1 000次目標人物角色元素運動最優解，查看其收斂性，仿真統計結果如表1所示。

表1 ?收斂性能

在收斂性方面，本文算法表現最好，AGA算法次之，SGA算法較差，所以本文算法求解最優解的效率更好。而在1 000次求解最優解的過程中，三種算法完成度都在90%以上，SGA和AGA算法分別為912次和937次，性能相差不大，本文算法達到993次，完成度接近總量。

3 ?結 ?語

本文采用改進的遺傳算法對漫畫藝術設計進行動態變化顯示，可以較好地完成漫畫人物角色造型的動態展示，并有效地提高了算法的執行效率。

參考文獻

[1] 劉晶晶，李迎杰，劉超慧.改進的人工魚群算法在群體動畫設計中的應用[J].電子世界，2017（8）：95?96.

LIU Jingjing， LI Yingjie， LIU Chaohui. Application of improved artificial fish swarm algorithm in group animation design [J]. Electronic world， 2017（8）： 95?96.

[2] LIANG X. Interactive cartoon?style motion generation of avatar [J]. Computer?aided design and applications， 2016， 14（2）： 170?179.

[3] 王悅.遺傳算法在函數優化中的應用研究[J].電子設計工程，2016，24（10）：74?76.

WANG Yue. Application of genetic algorithms in function optimization [J]. Electronic design engineering， 2016， 24（10）： 74?76.

[4] AR Y， BOSTANCI E. A genetic algorithm solution to the collaborative filtering problem [J]. Expert systems with applications， 2016， 61： 122?128.

[5] ENDER S， AHMET C. An evolutionary genetic algorithm for optimization of distributed database queries [C]// 2009 24th International Symposium on Computer and Information Sciences. Guzelyurt： IEEE， 2018： 717?725.

[6] 李雅瓊.基于粒子群算法的遺傳算法優化研究[J].蘭州文理學院學報（自然科學版），2017（1）：55?60.

LI Yaqiong. Genetic algorithm optimization based on particle swarm optimization [J]. Journal of Lanzhou University of Arts and Sciences （Natural science edition）， 2017（1）： 55?60.

[7] 劉建文，丁潔玉，潘坤，等.基于個體相似度的改進自適應遺傳算法研究[J].青島大學學報（工程技術版），2016，31（1）：16?19.

LIU Jianwen， DING Jieyu， PAN Kun， et al. Research on improved adaptive genetic algorithm based on individual similarity [J]. Journal of Qingdao University （Engineering edition）， 2016， 31（1）： 16?19.

[8] 楊新武，楊麗軍.基于交叉模型的改進遺傳算法[J].控制與決策，2016，31（10）：1837?1844.

YANG Xinwu， YANG Lijun. Improved genetic algorithm based on cross model [J]. Control and decision， 2016， 31（10）： 1837?1844.