Spelling suggestions: "subject:"interactive genetic algorithm"" "subject:"nteractive genetic algorithm""
1 |
Evolving digital 3D models using interactive genetic algorithmSundberg, Simon January 2021 (has links)
The search space of digital 3D models designs is vast and can be hard to navigate. In this study, a system that evolves digital 3D models using an interactive genetic algorithm (IGA) was constructed in order to aid this process. The goal of the study was to investigate how such a system can be constructed in order to aid the design space exploration of digital 3D models. The system is integrated with the 3D creation suite Blender and uses its Python API to programmatically edit models and generate images of the results, which are displayed on a web page where users can rate the results to evolve the model. The proposed system exposes all settings for the genetic algorithm, which includes population size, mutation rate, crossover algorithm, selection algorithm and more. Furthermore, the settings can be modified throughout the evolutionary process as well as the ability to rewind the algorithm and go back to previous generations in order to give more control in the progression of the algorithm. The script based nature of the proposed system is powerful but not practical for people without programming experience. For widespread adoption of IGAs as an exploratory design aid tool, it would help if the IGA is directly integrated into the design software being used in order to make it easier to use and reduce user fatigue.
|
2 |
VizAssist : un assistant utilisateur pour le choix et le paramétrage des méthodes de fouille visuelle de données / VizAssist : a user assistant for the selection and parameterization of the visual data mining methodsGuettala, Abdelheq Et-Tahir 05 September 2013 (has links)
Nous nous intéressons dans cette thèse au problème de l’automatisation du processus de choix et de paramétrage des visualisations en fouille visuelle de données. Pour résoudre ce problème, nous avons développé un assistant utilisateur "VizAssist" dont l’objectif principal est de guider les utilisateurs (experts ou novices) durant le processus d’exploration et d’analyse de leur ensemble de données. Nous illustrons, l’approche sur laquelle s’appuie VizAssit pour guider les utilisateurs dans le choix et le paramétrage des visualisations. VizAssist propose un processus en deux étapes. La première étape consiste à recueillir les objectifs annoncés par l’utilisateur ainsi que la description de son jeu de données à visualiser, pour lui proposer un sous ensemble de visualisations candidates pour le représenter. Dans cette phase, VizAssist suggère différents appariements entre la base de données à visualiser et les visualisations qu’il gère. La seconde étape permet d’affiner les différents paramétrages suggérés par le système. Dans cette phase, VizAssist utilise un algorithme génétique interactif qui a pour apport de permettre aux utilisateurs d’évaluer et d’ajuster visuellement ces paramétrages. Nous présentons enfin les résultats de l’évaluation utilisateur que nous avons réalisé ainsi que les apports de notre outil à accomplir quelques tâches de fouille de données. / In this thesis, we deal with the problem of automating the process of choosing an appropriate visualization and its parameters in the context of visual data mining. To solve this problem, we developed a user assistant "VizAssist" which mainly assist users (experts and novices) during the process of exploration and analysis of their dataset. We illustrate the approach used by VizAssit to help users in the visualization selection and parameterization process. VizAssist proposes a process based on two steps. In the first step, VizAssist collects the user’s objectives and the description of his dataset, and then proposes a subset of candidate visualizations to represent them. In this step, VizAssist suggests a different mapping between the database for representation and the set of visualizations it manages. The second step allows user to adjust the different mappings suggested by the system. In this step, VizAssist uses an interactive genetic algorithm to allow users to visually evaluate and adjust such mappings. We present finally the results that we have obtained during the user evaluation that we performed and the contributions of our tool to accomplish some tasks of data mining.
|
3 |
対話型最適化を用いたユーザの感性モデルの抽出に関する研究 / タイワガタ サイテキカ オ モチイタ ユーザ ノ カンセイ モデル ノ チュウシュツ ニカンスル ケンキュウ田中 美里, Misato Tanaka 22 March 2014 (has links)
本論文では人間の感性のモデルを関数と仮定し,最適化手法によってその感性の最適点を求めることで情報推薦を行うフレームワークについて研究を行った.論文中では,人間の感性に基づく関数の特性について明らかにし,人間の多様な感性への対応できる最適化アルゴリズムを開発した.また,感性に基づく探索に適した設計変数空間の半自動生成手法を開発し,脳機能情報を用いた感性のモデル化について検討した. / 博士(工学) / Doctor of Philosophy in Engineering / 同志社大学 / Doshisha University
|
Page generated in 0.0831 seconds