基于實數(shù)編碼遺傳算法的版畫藝術設計方法研究

段世昌

摘 ?要： 在藝術領域中，計算機圖形處理技術的運用成為新的藝術創(chuàng)作手段和表現(xiàn)形式。為探討遺傳算法在藝術作品設計領域的應用，以便進行智能化的計算機輔助，提出通過實數(shù)編碼遺傳算法來實現(xiàn)版畫藝術的數(shù)字化設計。首先，對版畫的藝術設計過程和數(shù)碼版畫制作流程進行分析;然后，通過對版畫圖案的分析和概括，抽象出構成版畫所需的紋樣，利用實數(shù)編碼遺傳算法的交叉、變異操作生成豐富的紋樣基因庫;最后，以用戶滿意度為需求確定適應度函數(shù)并設計數(shù)碼版畫紋樣組裝方案流程。算法仿真結果驗證了提出方法的可行性和有效性。

關鍵詞： 版畫藝術; 實數(shù)編碼; 遺傳算法; 數(shù)碼版畫; 用戶滿意度; 紋樣

中圖分類號： TN911.73?34; TP393 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）13?0073?03

Research on engraving artwork design method based on

real number coding genetic algorithm

DUAN Shichang

（Anyang University， Anyang 455000， China）

Abstract： The application of computer graphics processing technology in art field becomes the new artistic creation means and expression pattern. In order to explore the application of genetic algorithm in the field of artwork design， and carry out the intelligent computer?aided operation， the digital design of engraving artworks is realized by means of real number coded genetic algorithm. The artistic design process of the engraving and the digital engraving production process are analyzed. The dermatoglyphic pattern needed by engraving composition is abstracted by means of analysis and summarization of the engraving pattern， and the crossover and mutation operations of the real number coding genetic algorithm are used to generate the gene pool with rich dermatoglyphic patterns. The fitness function is determined according to user satisfaction. The process of digital engraving pattern assembly scheme is designed. The feasibility and effectiveness of the proposed method are verified with algorithm simulation results.

Keywords： engraving artwork; real number coding; genetic algorithm; digital engraving; user satisfaction; dermatoglyphic pattern

0 ?引 ?言

傳統(tǒng)版畫藝術最早是以木刻版畫的形式在世界范圍廣泛流傳，也是我國國粹的精華。我國版畫最早用于佛教領域，后隨著多民族文化交流逐漸發(fā)展出各式各樣的版畫印刷術。19世紀70年代，版畫藝術慢慢的發(fā)展出新形態(tài)的藝術形勢——現(xiàn)代版畫。

隨著計算機輔助設計技術的飛速發(fā)展，在藝術領域中計算機圖形處理技術的運用，成為新的藝術創(chuàng)作手段和表現(xiàn)形式。通過將機器智能應用在藝術設計工作中，可以使得計算機與美術完美結合，設計出更加符合形象思維和邏輯思維的創(chuàng)新作品[1?3]。隨著人工智能技術概念的廣泛傳播，各種智能計算方法層出不窮，其中，起源于20世紀50年代的演化算法是目前較為熱門的機器學習算法[4]。演化算法是一類模擬自然界遺傳進化規(guī)律的仿生學算法，遺傳算法是其中的一個分支。隨著演化算法的不斷發(fā)展，通過遺傳算法進行產品創(chuàng)新設計已經成為一種重要的輔助設計手段，同時也成為近年來的研究熱點。文獻[5]應用標準遺傳算法構建產品造型細化設計系統(tǒng)，進一步實現(xiàn)原始設計方案的優(yōu)化。文獻[6]設計一種兼顧Pareto前沿平滑性和均勻性的遺傳算法初始解構造方法，有效解決了復雜工業(yè)產品優(yōu)化設計的計算密集問題，提升了產品的質量。

通過上述研究可以看出，遺傳算法在產品設計輔助方面具有一定的優(yōu)勢。因此，本文采用遺傳算法來解決數(shù)字版畫設計過程中的紋樣變形（變異操作）和組合（交叉操作）等問題。不同于文獻[5?6]采用的標準遺傳算法，本文利用實數(shù)編碼遺傳算法來描述版畫紋樣的輪廓曲線。此外，通過賦予不同權值的用戶滿意度評分來獲取迭代進化的適應度值，其中用戶分為普通用戶和專業(yè)用戶。實例應用結果證明了提出方法的適用性和創(chuàng)新性。

1 ?版畫的藝術形式

1.1 ?版畫的藝術設計介紹

早期版畫作為一門藝術具有比較強烈的民族文化或者宗教文化特色，如圖1所示的《金剛般若波羅密經》，主要利用石、木、金屬和絲網(wǎng)版材參與制版，包括凸版版畫、凹版版畫。不同于傳統(tǒng)版畫，數(shù)碼版畫的制作借助先進的計算機技術和圖像處理技術。

圖1 ?《金剛般若波羅密經》卷首圖

1.2 ?數(shù)碼版畫制作流程

首先對版畫的藝術設計過程進行分析，如圖2所示。版畫的藝術設計過程是通過夸張和變形的手法，將不規(guī)則的紋樣合理搭配，建立豐富形象的過程。

圖2 ?版畫的藝術設計過程

由上述版畫的藝術設計過程介紹可以看出，數(shù)碼版畫制作需要將多種實物掃描成圖像素材，并在電腦里進行制作，其流程如圖3所示（以木刻版畫為例）。整個過程可以分為三個部分：采集過程、制作過程和輸出過程。

圖3 ?計算機輔助的數(shù)碼版畫制作流程

2 ?基于遺傳算法的數(shù)碼版畫設計方法

遺傳算法是一種基于達爾文進化論的演化算法，它模擬了自然選擇、物競天擇和適者生存的現(xiàn)象，通過[N]代的遺傳、變異、交叉、復制，進化出問題的最優(yōu)解[7]。為了打破慣性思維，通過對版畫圖案的分析和概括，抽象出構成版畫所需的紋樣，利用實數(shù)編碼遺傳算法的交叉、變異操作生成豐富的紋樣基因庫。

2.1 ?基于實數(shù)編碼遺傳算法的紋樣生成

在圖像素材采集后，抽象出構成版畫所需的紋樣并通過二維平面產生紋樣的輪廓曲線，并令[Ocur=（ρi，γi，θi）， ?i=0，1，2，…，n]表示該輪廓曲線。本文采用實數(shù)編碼方式來表示該曲線[8]：

此外，為了滿足消費者的心理需求，以用戶滿意度為需求確定適應度函數(shù)并設計數(shù)碼版畫紋樣組裝方案流程。

2） 變異算子。設變異概率為[Pm]，當?shù)^程中隨時數(shù)[r∈[-1，1]]小于[Pm]時，在上、下半部兩條曲線上分別抽取[m（0

2.2 ?基于用戶滿意度的適應度函數(shù)確定

將用戶分為普通用戶[a]和專業(yè)用戶[b]，并分別對其設置不同的權值0.4和0.6，那么紋樣的造型特征得分為：

圖4 ?基于實數(shù)編碼遺傳算法的數(shù)碼版畫紋樣組裝方案流程

3 ?仿真驗證結果

3.1 ?實驗配置參數(shù)

本文以“自然風景木刻版畫設計”為實際案例進行具體仿真測試以便驗證提出算法的可行性。實驗PC主機的硬件配置為：Intel酷睿I5?8500四核CPU，主頻為3.0 GHz;4 GB內存;NVIDIA GTX 970顯卡（4 GB顯存）;300 GB硬盤。

遺傳算法的參數(shù)設置如下：群體大小為100，終止進化代數(shù)為150，交叉概率為0.4，變異概率[11]為0.002。

3.2 ?版畫設計結果

運用基于實數(shù)編碼遺傳算法的數(shù)碼版畫紋樣組裝方法得到了用戶滿意度最高的版畫設計結果，如圖5所示。

從圖5可以看出，提出的方法不僅能豐富設計人員的設計思路，而且能使設計過程實現(xiàn)智能化、自動化。此外，版畫設計的平均用戶滿意度能夠達到90%左右，較好地符合了大眾審美需求。

圖5 ?版畫設計示例

4 ?結 ?語

本文提出一種基于實數(shù)編碼遺傳算法的版畫紋樣自動輔助設計方法。該方法采用實數(shù)編碼方式表示版畫紋樣曲線。主要通過變異操作實現(xiàn)紋樣的形變，從而產生大量新的樣本源;通過交叉操作實現(xiàn)紋樣的組裝，利用變異概率擴大樣本組合的空間。版畫設計實例結果驗證了該算法的可行性。但是實際設計場景中遺傳算法的參數(shù)設置對性能影響較大，且容易出現(xiàn)局部最優(yōu)現(xiàn)象，因此，后續(xù)將對如何解決這兩個問題開展進一步研究。

參考文獻

[1] HIRAOKA Y， MURAKAMI T， YAMAMOTO K， et al. Method of computer?aided fault tree analysis for high?reliable and safety design [J]. IEEE transactions on reliability， 2016， 65（2）： 687?703.

[2] FLURY S， SCHMIDT S Z， PEUTZFELDT A， et al. Dentin bond strength of two resin?ceramic computer?aided design/computer?aided manufacturing （CAD/CAM） materials and five cements after six months storage [J]. Dental materials journal， 2016， 35（5）： 728?735.

[3] TRUONG A H， ZINGG D W， HAIMES R. Surface mesh movement algorithm for computer aided design based aerodynamic shape optimization [J]. AIAA journal， 2016， 54（2）： 1?15.

[4] CHEN L， SASS L. Generative computer?aided design： multi?modality large?scale direct physical production [J]. Computer?aided design and applications， 2016， 14（1）： 83?94.

[5] 蘇建寧，陳肖，張書濤，等.基于進化算法的產品造型創(chuàng)新設計方法研究[J].工程設計學報，2016，23（2）：136?142.

SU Jianning， CHEN Xiao， ZHANG Shutao， et al. Research on innovative design method of product modeling based on evolutionary algorithm [J]. Journal of engineering design， 2016， 23（2）： 136?142.

[6] 馮國奇，崔東亮，張亞軍，等.樣本視角下面向復雜產品多目標優(yōu)化設計的混合人工神經網(wǎng)絡：遺傳算法技術[J].計算機集成制造系統(tǒng)，2016，22（6）：1403?1414.

FENG Guoqi， CUI Dongliang， ZHANG Yajun， et al. Hybrid artificial neural network?genetic algorithm technology for multi?objective optimization design of complex products under sample perspective [J]. Journal of computer integrated manufacturing systems， 2016， 22（6）： 1403?1414.

[7] BHARATHI C， REKHA D， VIJAYAKUMAR V. Genetic algorithm based demand side management for smart grid [J]. Wireless personal communications， 2017， 93（2）： 481?502.

[8] KALAYCI C B， POLAT O， GUPTA S M. A hybrid genetic algorithm for sequence?dependent disassembly line balancing problem [J]. Annals of operations research， 2016， 242（2）： 321?354.

[9] BHARATHI C， REKHA D， VIJAYAKUMAR V. Genetic Algorithm Based Demand Side Management for Smart Grid [J]. Wireless Personal Communications， 2017， 93（2）： 481?502.

[10] FRIEDRICH T， K?TZING T， KREJCA M， et al. The Compact Genetic Algorithm is Efficient under Extreme Gaussian Noise [J]. IEEE Transactions on Evolutionary Computation， 2017， 21（3）： 477?490.

[11] YU Z， CUI H， SUN X. Genetic?algorithm?optimized wideband on?chip polarization rotator with an ultrasmall footprint [J]. Optics Letters， 2017， 42（16）： 3093.