演示文稿的交互進化方法＊

江蘇航運職業(yè)技術(shù)學(xué)院智能制造與信息學(xué)院 顧晴 周軍

直觀形象的多媒體數(shù)字教學(xué)資源可以顯著促進學(xué)習(xí)者知識和能力的提升，因此，高質(zhì)量的數(shù)字資源被學(xué)習(xí)者和教育工作者持續(xù)關(guān)注。演示文稿作為典型的數(shù)字教學(xué)資源，在課堂教學(xué)和課后自學(xué)中發(fā)揮著重要的作用。研究演示文稿自主進化方法，獲得豐富的、高質(zhì)量演示文稿，對于提高課堂教學(xué)知識傳授的效率以及課堂趣味性，具有十分重要的作用。利用遺傳算法搜索廣度的優(yōu)勢，設(shè)計了針對演示文稿進化的適應(yīng)度函數(shù)，構(gòu)建了演示文稿特征的基因表示。同時充分考慮了用戶的偏好介入，保證了最終方案與用戶概念設(shè)計的相容性。

教育是一個國家發(fā)展的基礎(chǔ)，高品質(zhì)的教育是提升全民素質(zhì)、實施科教興國、推動社會創(chuàng)新發(fā)展的重要前提。教學(xué)品質(zhì)的提升與教學(xué)資源的品質(zhì)關(guān)系密切，于是教學(xué)資源作為教學(xué)工具的價值逐漸被挖掘，圍繞不同類型資源的開發(fā)、整合、利用已經(jīng)成為教育領(lǐng)域的重要課題。因此，“教學(xué)資源”走進了相關(guān)學(xué)者的研究視野[1]，教學(xué)資源進化已逐步成為教育信息化研究的熱點。

教學(xué)演示文稿作為教育資源的重要組成，其品質(zhì)的高低對教、學(xué)質(zhì)量的提高具有重要影響。然而在我國各教育階段中教學(xué)演示文稿存在著普遍的共性問題，文稿呈現(xiàn)的質(zhì)量有待提升，呈現(xiàn)的豐富性有待提高。借助演示文稿的自主進化，能夠為該問題的快速解決提供有力的支撐，對于促進教育資源的優(yōu)化、促進教育水平的提升具有積極的推動作用[1]。

優(yōu)化問題是工程實踐中的常見問題，在機器學(xué)習(xí)中，很多算法的本質(zhì)也就是優(yōu)化問題。群智能算法是優(yōu)化算法中的一個重要分支，是一種比較成熟的，具有廣范圍適用性的全局性優(yōu)化方法，它的自組織、自適應(yīng)、自學(xué)習(xí)的性質(zhì)，亦可不受問題性質(zhì)的限定，有效解決使用傳統(tǒng)優(yōu)化算法不便解決的問題。

基于群智優(yōu)化算法的優(yōu)勢，以及遺傳算法在教學(xué)資源中已有的利用程度，本文研究了演示文稿自主進化方法，重點對演示文稿的自主配色方法進行了探索。利用遺傳算法搜索廣度的優(yōu)勢，設(shè)計了針對演示文稿進化的適應(yīng)度函數(shù)，構(gòu)建了演示文稿特征的基因表示，提出了借助適當(dāng)?shù)挠脩艚换崿F(xiàn)自主進化的新方法。

1 相關(guān)工作

1.1 教學(xué)演示文稿

教學(xué)演示文稿借助多媒體，提供了多角度、多層次、多變化的整體式演示效果，使籠統(tǒng)的講習(xí)有了更加直觀的“模擬實驗”，在一定程度上能夠減少教師板書時間的浪費，以前傳統(tǒng)的黑板形式的教學(xué)是無法與演示文稿的直觀便捷相比擬的。并且演示文稿可以獲得和分配更多的信息資源，增大對教學(xué)資源的控制范圍，擴大課堂的教學(xué)容量，調(diào)動學(xué)生在學(xué)習(xí)上的積極性，提升教學(xué)效率。在對演示文稿的優(yōu)化設(shè)計上，孫永麗等人[2]則通過視覺的特征，對怎樣合理的使用色彩配搭原則、怎樣在最佳視覺域呈現(xiàn)教學(xué)信息、怎樣在課堂中引起視覺注意等，提出了基本的優(yōu)化原則。高鷗[3]也提出如何使用線性結(jié)構(gòu)使演示文稿結(jié)構(gòu)更清晰。

1.2 進化算法

自Holland 教授在《自然界和人工系統(tǒng)的適應(yīng)性（Adaptation in Natural and Arti-ficial systems）》 中提出遺傳算法后，遺傳算法作為求解問題一類自組織與自適應(yīng)的人工智能技術(shù)，被廣泛研究和應(yīng)用。

交互式遺傳算法在傳統(tǒng)遺傳算法的基礎(chǔ)上繼承和發(fā)展。相比于傳統(tǒng)遺傳算法，交互式遺傳算法加入了與用戶的互動評價，將用戶的偏好與感知等隱性因素嵌入算法中，能夠得到更符合用戶感知的滿意解[4]。近年來，對復(fù)雜產(chǎn)品的概念設(shè)計，大量國內(nèi)外學(xué)者采用了交互式遺傳算法來解決[5]，在方案的評價過程中，采用交互式遺傳算法，根據(jù)用戶的評價直接取得了隱式機能指標問題的順應(yīng)值， 將用戶的偏好、經(jīng)驗、直覺等人類主管因素和知識融合在方案設(shè)計生成過程中， 實現(xiàn)了人機交互的緊密結(jié)合。

2 演示文稿進化算法設(shè)計

2.1 實驗設(shè)計對象的選取

交互式遺傳算法的研究重點是查找種群規(guī)模小、收斂性好的優(yōu)化方式，但是同樣，使用合適的應(yīng)用對象也是重中之重。如今演示文稿應(yīng)用領(lǐng)域越來越廣泛，尤其是在多媒體教學(xué)中，它的使用不僅讓教師節(jié)約了大量的時間，也讓學(xué)生對書本中的內(nèi)容有了更重點的把握。很多人不習(xí)慣使用演示文稿，認為它片段化的段落寫作不利于學(xué)生的思考，然而，這些抱怨的觀點主要還是落腳在了設(shè)計糟糕的演示文稿上，這些問題是不容忽視的。

2.2 編碼生成初始種群

恰當(dāng)?shù)木幋a方式，對問題解的效率有著直接的影響。二進制編碼為常見的編碼方式之一，所謂二進制編碼，即用一串0，1 符號組成的符號串進行編碼，操作簡單，便于進行遺傳算子的運算。

本實驗的初始種群的設(shè)計：

（1）將展示頁面的方案個數(shù)的行數(shù)定義為nRow，列數(shù)定義為nCol 計算得到種群規(guī)模nDesignsInGroup。

（2）定義整數(shù)nColor 為色彩數(shù)量，為初始種群中的每一個個體設(shè)置編號并以此修改nColor 種色彩，RGB 的取值范圍為[0,255]。

為種群中的每一個個體設(shè)置編號

在[0,255]的范圍內(nèi)隨機生成一種顏色

（3）提前將演示文稿中的對象進行分組，每一組中的對象為相同顏色，MyColor 為一組色彩對象，然后將每一組對象進行色彩分量定義為rr、gg、bb，分別表示紅色通道、綠色通道和藍色通道。

（4）存儲種群的編碼。

保存一種色彩

Next

將nColor 種色彩保存后存儲在designCode 中，形成一個色彩方案

（5）為方案得分賦初值。

從界面中獲取用戶輸入的初值（默認值=5 分）

Next

2.3 方案評價算法設(shè)計

在傳統(tǒng)遺傳算法中，使用適應(yīng)度函數(shù)來計算種群中每個個體在進化過程中接近于最優(yōu)解的優(yōu)良水平，也稱為所研究問題的目標函數(shù)，下一代得到的基因極大可能性的來自上一代適應(yīng)度值較高的個體基因。

本實驗的這個模塊設(shè)定為10 分制。默認等分設(shè)置為中值5 分，用戶只需對最有興趣和最無興趣的個體進行評分，其他直接采用默認中值。

（1）選擇需要進行評價的方案（相同好感度的個體可以同時進行多選操作），在得分框內(nèi)輸入分數(shù)值。

For i = 1 To 選擇的方案個數(shù)

得到被選方案的數(shù)字編號

寫分數(shù)值

（2）運行程序，彈出對話框，展示所有方案分值。

Dim 顯示得分As 字符串

For i = 0 To 最后一個方案的地址

將每一個方案的得分賦給顯示得分的字符串

MsgBox 顯示得分

這個得分值，即可稱為遺傳算法中的適應(yīng)度，是在進行遺傳操作中的評價指標。

2.4 種群換代算法設(shè)計

遺傳包括選擇、交叉和變異3 種操作。

2.4.1 選擇操作

通過適應(yīng)度對群落中的個體實現(xiàn)選擇操作，選擇優(yōu)質(zhì)個體而放棄不是優(yōu)勢的個體，體現(xiàn)了適者生存、優(yōu)勝劣汰的進化機制，提高了全局收斂性和計算效率。

本實驗也采用了輪盤賭選擇法，在輪盤上劃分區(qū)域，得分越高的占有的區(qū)域越大，被選中的幾率越高。

按照得分高低，使用輪盤賭選擇法得出父本和母本。

（1）給定0-1 之間的一個隨機數(shù)，和一個概率密度數(shù)組，返回隨機數(shù)組的序號。

（2）累積數(shù)組的和，作為輪盤中的格子數(shù)。

For i = 0 To 總格子數(shù)

累加得分

Next

（3）數(shù)組中的變量數(shù)相當(dāng)于下注人數(shù)。

（4）數(shù)組中的每個變量值相等于下注格子數(shù)。

（5）計算得分累計值，累加比例值，直至超出骰子所擲數(shù)值，保存返回值，終止。

For i = 0 To 總個字數(shù)

累加比例值

If 比例值超出骰子所擲數(shù)值

保存返回值

退出

End If

Next

2.4.2 交叉操作和淘汰操作

交叉算子是指對兩個交叉體的部分結(jié)構(gòu)按某種方式相互交換，從而形成兩個新的個體，有利于整個種群的穩(wěn)定發(fā)展，朝著最優(yōu)解的方向進化。

本實驗對輪盤賭方法選擇出的父本和母本進行交叉，重新構(gòu)建子代編碼，生成對應(yīng)組數(shù)據(jù)。

（1）交叉。隨機從父本或母本中選擇色彩，保存新子代。

For j = 0 To 最后一個色彩地址

If 隨機數(shù)＜= 0.5 Then

從母本中取色彩

Else

從父本中取色彩

End If

Next

保存新生成的子代

（2）淘汰。

For i = 0 To 舊種群最后一個方案的地址

If 方案分值 ＞ 淘汰分值 Then

將此方案加入新的種群中

End If

Next

2.4.3 變異操作

在遺傳算法的進化過程中，根據(jù)變異幾率參數(shù)使用其他基因值來取代編碼串中個體的某些基因值，主要是擔(dān)保群體特定程度上的多樣性，整個群落中的每個個體都有均等機會經(jīng)歷變異。

根據(jù)輸入的變異概率，隨機挑選符合變異概率的數(shù)據(jù)實行變異操作。本實驗利用變異算子的局部隨機搜索能力加速向最優(yōu)解收斂。設(shè)定的默認變異率為0.03，表示有3%的方案進行變異。變異概率取值較小，使得接近最優(yōu)解的方案不會因變異而遭到破壞。變化比例設(shè)置為20%，如果過高，則RGB 值會因為過大的變化導(dǎo)致降低方案的收斂速度；如果過低，則RGB 值也因為比例調(diào)整太小同樣降低收斂速度。

For i = 0 To 最后一個方案的地址

產(chǎn)生隨機值

If 隨機值 ＜ 變異概率 Then

For j = 0 To 最后一個色彩地址

依次修改方案的3 種色彩

RGB 三個值以20%的變化比例逐個修改

重新形成修改后的方案編碼

MsgBox ″種群換代成功！″

2.4.4 解碼

重新創(chuàng)建新頁面，對新生成的種群進行解碼操作，通過頁面展示給用戶新的種群方案，同時所有得分回歸初始化的中值5 分。用戶重復(fù)以上操作，直到獲得通過計算機優(yōu)化和用戶偏好選擇的最佳方案。

（1）增加新頁面，將原始對象粘貼至新頁面。

Dim 新頁面 As Page

設(shè)置新頁面長度

設(shè)置新頁面寬度

圖形參考點設(shè)置為圖形中心

新頁面.ActiveLayer.拷貝復(fù)制

Dim 循環(huán)變量i、j、k

For i = 1 To 行數(shù)

For j = 1 To 列數(shù)

Set 原始物體 = 新頁面.Shapes(k)

原始物體的橫坐標位置

原始物體的縱坐標位置

Next

Next

（2）依次修改nColors 種色彩，給當(dāng)前頁面方案上色。

For j = 1 To nColors

從保存的色彩編碼中取出色彩數(shù)據(jù)rr、gg、bb

新對象.Fill.UniformColor.RGBAssign rr, gg, bb

Next

（3）修改初始得分。

For i = 0 To 最后一個方案的地址

給每一個方案賦初始得分

Next

3 原型系統(tǒng)實驗研究

3.1 實驗運行環(huán)境

實驗在Windows10 系統(tǒng)下運行，初始種群方案在限定范圍內(nèi)隨機生成，設(shè)置默認交叉率為0.5，默認變異率為0.03，默認種群規(guī)模數(shù)量為12 個。

3.2 模型的流程設(shè)計（如圖1 所示）

圖1 流程設(shè)計Fig.1 Process design

3.3 實驗詳解

為了直觀、方便地讓用戶操作整個模型流程，本系統(tǒng)設(shè)計了一個交互式操作界面，打開操作界面后按照界面流程直接進行操作。

本實驗根據(jù)用戶存在疲勞性的特點，默認限定用戶進行評價超過20 代就結(jié)束程序。種群換代操作結(jié)束后，需要通過展示新種群按鈕，才能向用戶展示出新種群方案。

3.3.1 獲取設(shè)計對象

如圖2 所示給出了4 個演示文稿示例對象以供選擇，通過配色上的操作詳細演示整個過程。由于配色對象必須是群組對象，所以4 個演示文稿頁面中的所有對象，均已提前根據(jù)色彩分配的需要，如圖3 所示劃分成了不同的分組，每個分組里的對象至少有2 個，相同分組在操作過程中會被賦予同一種顏色。

圖2 供選擇演示文稿示例Fig.2 Sample presentation for selection

圖3 演示文稿對象劃分Fig.3 Presentation object partition

選擇第一排第二個演示文稿，獲取對象數(shù)量后，得到對象數(shù)為3，即需要進行配色的對象數(shù)量為3。

3.3.2 建立初始種群

這個功能，只有在第一步獲取了編碼組數(shù)后才變得有意義，點擊后，通過用戶可以手動修改的行列數(shù)，生成相應(yīng)數(shù)量的初始種群。考慮到用戶的疲勞性，設(shè)定量一般在10-20 之間的小規(guī)模選擇區(qū)域。

點擊建立按鈕后，通過代碼創(chuàng)建出一個新的頁面，將之前選擇的演示文稿示例復(fù)制12 個，整齊排列在新頁面，并且根據(jù)對象分組的情況，在編碼范圍內(nèi)，隨機生成12 個配色方案，形成初始種群如圖4 所示。用數(shù)字1-12 從第一排開始從右往左為每一個方案編號，以便于之后的選擇評分，所有編號順序格式如圖5 所示。

圖4 初始種群Fig.4 Initial population

圖5 編號順序Fig.5 Numbering sequence

3.3.3 用戶進行評價

用戶可以選擇一個方案，然后手動輸入得分值，確定后顯示出最新得分，則修改完成。也可以選擇多個對于用戶來講偏好度相同的方案同時進行評分，沒有選擇的方案直接按照默認值進行評分，每個方案的得分值，即為當(dāng)前方案的適應(yīng)度。重復(fù)操作，顯示出的第一代最終得分框如圖6 所示。

圖6 第1 代最終得分Fig.6 Final score of the first generation

3.3.4 種群換代

評價完成之后，種群換代按鈕被成功激活。

如圖7 所示，淘汰框的分值被設(shè)定為7.5 分，評價得分在7.5 分以下的方案將被淘汰，只留下高分群體，有利于算法的快速收斂。低分方案在淘汰之前，還有機會通過變異留下后代，變異率設(shè)置為0.03，點擊種群換代按鈕后，跳出提示框，種群換代成功。

圖7 種群換代成功Fig.7 Successful population replacement

3.3.5 展示新種群

種群換代提示成功后，并不會立馬展示出新種群，需要通過展示新種群按鈕，點擊后創(chuàng)建出一個新界面，實現(xiàn)新產(chǎn)生方案的展示，這個過程即為“解碼”。第一次操作后，展示出的新種群如圖8 所示。

圖8 第2 代種群Fig.8 The 2nd generation population

3.3.6 重復(fù)操作、尋找最優(yōu)

重復(fù)實現(xiàn)選擇、評分、種群換代操作，直到算法不停收斂。算法終止條件一般有兩種： （1）用戶找到最符合偏好的個體；（2）用戶疲勞，放棄尋優(yōu)。這樣既能考慮人的疲勞因素，又能方便地記錄找到最合適演示文稿經(jīng)過的進化代數(shù)。進化到第18 代，如圖9 所示，可以看到所有配色基本趨向于一個色調(diào)。

圖9 第18 代種群Fig.9 The 18th generation population

仔細觀察后發(fā)現(xiàn)很多方案配色十分接近，基本可以結(jié)束整個進化過程，從中直接選擇出用戶偏好的最優(yōu)選項。

3.4 實驗結(jié)果分析

在本次系統(tǒng)實驗過程中，手動選定了設(shè)計對象，并且根據(jù)需要建立了規(guī)模為12 的初始種群，用戶根據(jù)偏好及實際需要對種群中的某些方案進行評分，系統(tǒng)根據(jù)用戶輸入的變異幾率等自動進行遺傳操作，形成新種群。對新種群解碼后，向用戶展示出新種群的表現(xiàn)型，再重復(fù)進行用戶評分、系統(tǒng)遺傳操作。由于交互式遺傳算法優(yōu)化結(jié)果的不確定性，其最優(yōu)解是從一個區(qū)域到一個優(yōu)化區(qū)域，當(dāng)實驗到達第18 代時，基本收斂完成，獲得了最優(yōu)解集。本次實驗聯(lián)合了人工選擇和機器智能相結(jié)合的方法，以較少的代數(shù)盡快實現(xiàn)算法的收斂。

4 結(jié)論

本文研究對象為演示文稿。通過對交互式遺傳算法的介紹，以及在演示文稿配色中應(yīng)用交互式遺傳算法進化求解的過程，對演示文稿的交互進化機制進行了研究。針對用戶在對演示文稿評價的過程中，對隨機產(chǎn)生的配色有一個認知的過程，而且用戶評價是屬于難以使用顯性函數(shù)表達的問題，本模型采用交互式遺傳算法來對用戶的評價進行分析進化，對使用交互式遺傳算法的實現(xiàn)進行了論述并建立了演示文稿配色設(shè)計模型。