交互式遺傳算法在服裝設計領域的應用

陳奕帆 范行行 趙亞娟 李雪飛

摘要：隨著時代的發展，交互進化在工業設計領域的應用與日俱增。介紹了交互式遺傳算法的研究現狀、原理及特點。以西服為研究對象，描述了服裝交互進化設計的方法并對其進行實例展示，用戶可以根據自身的情感喜好，實現對不同風格款式的服裝進行選擇評分，并通過進化計算得到符合用戶內心期望的設計作品。

關鍵詞：交互式遺傳算法；服裝設計；個性化

中圖分類號：TP18文獻標志碼：A文章編號：1008-1739（2019）14-62-3

0引言

隨著科學與文明的進步，人類的思想逐漸沖破意識形態的禁錮，越來越多的人開始追求獨特的事物，這一改變在穿著方面尤為顯著。目前，傳統服裝行業創新度不高，消費者對個性化需求日益提高，服飾自主設計不斷受到研究者的關注。近年來，人們發現單向邏輯的方法對服裝設計仍有欠缺，進而追求非邏輯構建方法。交互式遺傳算法作為一種借鑒生物學遺傳機制的研究方法，僅僅是初顯頭角，就已經在服裝領域顯示出蓬勃的發展態勢和巨大的潛在市場。

1國內外研究現狀

交互式遺傳算法起源于1986年Dawkins[1]對生物形態系統的研究。2001年，日本學者Takagi[2]在交互式遺傳算法的理論和應用研究方面提出了許多行之有效的方法。隨后，Nandhini K在2016年提出了一種基于交互式遺傳算法的個性化總結[3]，這種方法被應用于教育領域，極大限度地提高了特征提取后重要句子的可讀性。此外，交互式遺傳算法在圖像檢索處理[4]和音樂創作[5]等領域也有應用。

國內關于交互式遺傳算法的研究起步較晚，但其發展速度很快。齊巖采[6]在2004年給出了一種變均分單元法對圖像進行分割，通過對圖像特征數據進行編碼生成的圖像候選圖集進行評價，得到用戶需求的圖像。為使建筑設計趨于完美，董峻巖于2015年將交互式遺傳算法成功應用于建筑設計[7]領域，有效促進了我國建筑行業的進一步發展。同樣，蔡美菊與朱佳棟都相繼將交互式遺傳算法應用于汽車造型設計[8]和產品配置設計[9]中。

2交互式遺傳算法

2.1交互式遺傳算法原理

交互式遺傳算法流程如圖1所示。步驟如下：①種群參數設置；②二進制編碼；③生成初始種群；④解碼，用戶評價進化個體；⑤判斷用戶是否有滿意個體，若是，輸出最優解，算法結束；若否，重新進行遺傳操作生成新種群，轉③。

2.2交互式遺傳算法特點

交互式遺傳算法在擁有遺傳算法的特點之外，還具備其自身特性。

①用戶的認知局限性：由于進化個體的適應值是用戶給予的，所以在算法執行過程中所選個體、所給分數都是自我主觀意識的，而每個人的偏好均有差異，不同的人可能對同一個體的評價結果相差甚遠。

②種群規模小且迭代次數少：對于用戶而言，每一代新生種群都需要進行適應值評估操作，頻繁的人機交互總得不到預期的結果，會造成用戶疲勞，所以要求算法種群規模小、迭代次數少。

③最優解不唯一：每個人喜好不同，所以產生的結果也不同。此外，用戶分2種人，一種明確內心需求，另一種對評價對象認知模糊不清。他們都有多種偏好傾向的可能，對最優解集內多個可行解都滿意。

3交互式遺傳算法在服裝設計領域的應用

3.1編碼規則

以男士西服作為一個個體，對其不同的部件進行二進制編碼，如圖2所示。將服裝分為領深、領嘴位置、駁領寬、領嘴開口深度、駁領角與翻折線的夾角、領嘴角度、領嘴上寬度、門襟寬度、腰身、胸袋和下擺11個件。前8個部件采用4位二進制編碼，后3個部件采用1位二進制編碼，將服裝參數化，得到一串對應該服裝的35位編碼。對其中的2個部件（領深、腰身）進行編碼展示，如表1和表2所示。

3.2遺傳操作

交叉變異是遺傳操作中最重要的部分，它決定了算法的局部檢索能力，維持了種群的多樣性，有效防止個體在逼近最優解過程中過早收斂的現象。遺傳操作中，交叉變異概率是需要密切關注的問題，概率設置過大，會導致算法的最優解空間被破壞；概率設置過小，則會降低算法的搜索性能。通常交叉概率的建議取值范圍是0.4～1，變異概率的取值范圍一般為0～0.1。本文采用雙點交叉，如圖3所示。

3.3算法終止并給出滿意解

如果用戶得到預想解，則終止算法，輸出符合用戶內心期待的最優設計。反之，算法重新進行交叉變異，用戶繼續進行適應值評估，找到滿意結果為止。

4實例驗證

以Visual Studio 2017為平臺搭載用戶界面，借助交互式遺傳算法找出最優設計，展示過程分為款式選擇評分和進化結果展示2個步驟。

4.1款式選擇評分

用戶界面如圖4所示，用戶可對6款不同的衣服進行選擇，完成選擇之后，可以對所選服裝進行青睞評分，根據喜好程度的不同，給予每款服裝1～6的差別評分，評分的高低會影響最終服裝的設計風格。

4.2進化結果展示

評分之后，系統會依據用戶所選擇的不同風格款式，評分高低不同，進化計算得出最優解，即最優方案展示，其結果如圖5所示。

5結束語

隨著經濟水平的提高和科學技術的發展，人們對個性化商品和定制技術需求愈加迫切，交互式進化設計逐漸走進了人們的視野，其獨特的算法機制充分滿足了服裝自主設計。這種非純粹邏輯理論的設計方法是一個自下而上的過程，在交互設計過程中，試解設計要求的初始種群，通過遺傳操作大規模進化衍生后代，對整個設計可行域進行檢索，獲得符合用戶偏好的最優解。但基于算法特性，最終產物組合形式種類繁多，傳統模式在收斂速度、用戶評估方面存在缺陷，因此算法需要引薦邏輯方法，即加入適當的引導和約束，才能有效結合交互式遺傳算法，推動服裝產業營銷升級，提高服裝行業競爭力和產品附加價值。

參考文獻

[1] Taylor L R，Dawkins R. The Blind Watchmaker[J]. J Anim Ecol，1989，58（3）：1115.

[2] Takagi H. Interactive Evolutionary Computation： Fusion of the Capabilities of EC Optimization and Human Evaluation[J]. Proceedings of the IEEE， 2001， 89（9）：1275-1296.

[3] Nandhini K， Balasundaram S R. Improving Readability through Individualized Summary Extraction， Using Interactive Genetic Algorithm[J]. Applied Artificial Intelligence， 2016， 30（7）：635-661.

[4] Madhavi K V， Tamilkodi R， Sudha K J. An Innovative Method for Retrieving Relevant Images by Getting the Top-ranked Images First Using Interactive Genetic Algorithm[J]. Procedia Computer Science，2016，79（3）：254-261.

[5] Wilson A D. Perceptually-motivated Generation of Electric Guitar Timbres Using an Interactive Genetic Algorithm[C]// Proceedings of the 3rd Workshop on Intelligent Music Production （WIMP 2017）， At Salford， UK，2017.

[6]齊巖，盧德唐.交互式遺傳算法在基于內容的圖像檢索中的應用[J].中國圖象圖形學報，2004，9（1）：46-55.

[7]董峻巖，李克超.基于交互式遺傳算法的建筑物外觀設計探討[J].科技展望，2015，25（34）：147.

[8]蔡美菊，梁昌勇.基于用戶偏好模型的交互式遺傳算法[J].小型微型計算機系統，2016， 37（4）：758-762.

[9]朱佳棟，蘇少輝，陳昌，等.面向產品配置設計的改進交互式遺傳算法[J].中國機械工程，2018，29（20）：2474-2478.