运用演化式机率提高IGA演化绩效.doc

運用演化式機率提高IGA演化績效: 字型設計之研究 卓聖威 真理大學資訊管理學系 許瑋玲 真理大學資訊管理學系 摘要 IGA是一種普遍被應用在創意設計的方法。本研究將利用IGA去做創意字型的設計，作為研究的基本架構。IGA的創意評估來自於使用者的評分，也就是使用者去決定適應值。傳統的IGA會遭遇一些問題，(1)傳統IGA收斂緩慢，將會讓使用者產生疲勞。(2)傳統IGA無法涵蓋所有的解答空間，所以傳統的IGA找出的解答往往只是讓使用者滿意的解答，而不是最佳解。本研究將針對IGA的適應值去做預測機制的研究，利用預測機制加速IGA的收斂，改善傳統IGA遭遇的問題。 類神經網路(NN)是一種常用於預測機制的方式，利用模擬人類神經網路去不斷的學習訓練，將所建立的訓練機制用於預測上面。本研究則採用演化式機率(ALP)作為預測機制，ALP則是利用預測機率以及漸進式學習模型的概念，將N個問題與解答配對作為學習的條件，當出現第N+1個問題，漸進式學習模型便會根據先前學習的結果，產生答案N+1的機率分佈。 本研究將探討ALP-IGA與傳統IGA的比較，會把ALP-IGA與傳統IGA去做比較，去證實加入ALP預測機制的IGA可以有效解決傳統IGA收斂緩慢的問題。 關鍵字: 互動式遺傳演算法(IGA)，演化式機率(ALP)，類神經網路(NN) 壹、研究動機與研究問題 互動式遺傳演算法(IGA)在過去的研究中已被大量用於許多目標函數待搜尋的複雜多準則決策問題上，IGA利用了遺傳演算法搜尋解答的能力，以及使用人的主觀評估去定義出多準則問題的目標函數。 因此IGA較適合應用於目標函數未被明確定義或是屬於主觀評估問題價值的決策上，而IGA在過去的幾十年中，實例應用則被廣泛的應用於藝術設計及商品設計的問題上。 首先我們必須瞭解IGA為何會被廣泛的應用於藝術設計或是商品設計。IGA是藉由與人互動的方式扮演所謂目標函數，人們藉由自己主觀意識去評定自己所謂的喜愛而定出心目中的標準。令一方面IGA透由GA全域找尋解答的能力，搭配人們所給定的目標函數去找尋出答案。 人的主觀意識往往來自於每個人對事情的認知不同，所以對於設計的創意來源也有所不同。IGA藉由與人們之間的互動搭配GA全域搜尋的能力，解決創意設計需求的問題。在文獻探討的過程中，我們將會發現IGA的重點不外乎是在1.如何藉由人去評估目標函數2.提升目標函數的準確度3.藉由GA演化出解答。 本研究將從知識學習的角度，去提升目標函數的準確度，探討利用演化式機率(ALP)為基礎的學習目標函數的IGA是否能較傳統的IGA更為有效。 IGA雖然已經被運用於許多領域，但其方法上仍存在一些問題。本研究認為傳統IGA存在兩個主要的問題[4,5,6,7]： 一、傳統IGA收斂緩慢的問題 傳統IGA由於需要人的參與評估每一代的個體，人會因為演化代數過多或是需要的評分個數太多而產生負擔過重、疲勞等問題。一旦人們覺得負擔過重，就可能會對評分胡亂做答，甚至產生不作答的情形。這樣的話由人所決定的目標函數就會發生誤差，而無法找到人們真正的偏好。為了減低人們的疲勞，就必須在極少的族群以及極短代數的條件下找出最佳解。 而傳統IGA很難在很短的代數之內減少評分的個數找出最佳解，要找出最佳解往往又得去增加演化的代數，但卻又會造成疲勞的問題。所以爲了提高IGA的實用性，我們有必要針對傳統IGA進行方法的改善，以提高傳統IGA演化績效，加速IGA的收斂。 二、傳統IGA的解答空間不一定涵蓋人們的目標 所以人們透過IGA系統進行設計時，不管怎樣去進行演化，都很難去找出完全滿意的答案。 傳統的IGA對於評分個體仍是亂數決定而來，這樣的做法不一定所抽取的為所想要的。亂數的抽取是無序的，而為了使其從無序轉換為有序的，必須突破一個臨界點；也就是說為了偏離隨機，必須加入預測的模式，做為突破的臨界點，使其具有偏離隨機的性質。[12] 為了解決傳統IGA的問題，本研究導入了預測的機制，對於IGA的Fitness值加速收斂速度。經由預測的機制搭配IGA去從事字體設計的工作。 類神經網路是一個廣泛被應用的預測機制，而本研究根據Solomonoff[21,22,23]的研究，將導入另一種的預測機制----演化式機率(Algorithmic Probability，ALP)，藉由預測機制去做漸進式的學習，以發展出一套漸進式機器學習模型搭配IGA去從事字體設計工作。 預測可以加速IGA的收斂，提升IGA目標函數的準確度。類神經與ALP都可用來做學習的預測。 類神經網路根據學習法則，透由訓練以調整連結練加權值的方式完成學習目標的收斂，利用所學習而成的學習目標與實際值所造成的誤差去倒傳遞再一次學習，直到學習達到可接