文摘
字体已经成为一个重要的资源使用的图形设计沟通。一些设计师选择创建自己的字体或自定义刻字,更好的适合每个设计项目。这就增加了对新奇事物的需求类型设计,因此需要良好的技术手段探索新的思维和方法在字体的设计。在这项工作中,我们继续我们的研究符号的自动演化(字形或字符)的设计。我们提出一个进化框架类型模板的自动生成基于健身功能由用户设计的。拟议的框架包括两个模块:进化系统,适应度函数的设计界面。第一个模块,进化系统,运营着一个遗传算法,用新奇的搜索机制,和健身分配方案。第二模块,适应度函数的设计接口,允许用户创建健身功能通过一个响应的图形界面,显示所需的值和权重的一组行为特性,基于机器学习方法和形态学特征。实验结果揭示了各种类型的模板和符号可以进化了框架和展示设计的健身功能影响的结果,它能够传达用户偏好表示。创建的创造性的可能性的结果探讨了框架使用一个进化设计项目模板。 This research demonstrates how Evolutionary Computation and Machine Learning may address challenges in type design and expand the tools for the creation of typefaces.
1。介绍
字体是必不可少的资源采用平面设计师(1),他总是愿意试验类型和探索新思路,工具和技术。然而,建立一个字体是一个艰难的过程,涉及几个符号的设计为不同的字符。域的类型设计,字形由字符在一个特定的设计,例如,一个字母,数字或标点符号。,以及增加对新型设计工作的需求,增加了需要很好的技术手段协助设计师创建一个字体。
虽然传统的计算设计工具是有效的精确设计任务在设计过程的后期阶段,他们无法提供足够的支持在最早的设计探索,基本概念阶段的设计过程。我们也考虑到大多数知名软件设计工具往往偏见和限制了设计师,他们习惯于工作和思考的这些工具提供的原语,他们诱导的工作流,边界,隐式或显式,他们建立。因此,设计项目的结果往往是,至少部分,由工具,导致视觉倾向。因此,我们认为,重要的是掌握和利用的工具,这些工具和挑战,通过修改它们适合的或者发明新的独特的创意和设计项目。
在这项工作中,我们探索的进化方法计算代的符号。这种方法旨在为设计师提供一个广泛的选择设计作为灵感的刺激,在看工作方式和促进新想法。我们不希望我们的方法与更传统的竞争类型设计方法,或更换设计师。我们的目标是开发一个工具,帮助设计师。
尽管存在一些进化型设计方法(2- - - - - -8)他们中的大多数依赖于用户评价,即。利用交互式进化计算(IEC)。虽然要求用户评估正在进化的设计使他们能够直接影响进化的过程中,这种方法将相当大的负担。这将导致用户疲劳,因此,搜索的效率低下的探索空间。此外,一些确定的进化方法需要预先存在的字体或骨骼,初始种子符号的绘制,或字母的识别部分。
在工作Evotype,我们已经结合进化计算(EC)和机器学习(ML)以自主方式,发展符号自动健身任务。我们开始与遗传算法(GA),不同种群的进化候选符号,每一个目标人物,有或没有迁移人口之间的符号(9,10]。虽然这些早期的方法已经能够进化与表现力和易读性符号,符号往往缺乏连贯性。换句话说,发展符号没有共同的视觉结构,由于这个原因,他们似乎没有一个字体的一部分。我们解决这个限制人口发展的一个个体,每一个能够表达所有的符号(11]。每个由一行组成的模板,可用于构建符号。这种方法提供了更多的连贯性最后的符号,因为它们的结构共享模板的元素。健身任务是自治,它能够引导进化对模板生产简单、清晰和连贯的符号。
在本文中,我们扩展我们的类型模板设计方法:(我)开发一个毫升的方法来评估发展模板产生的符号,结合卷积神经网络(CNN)和自组织映射(索姆)来评估他们的recognisability作为目标字符和现有字形相似,分别;(2)改变的基因表示每个模板,使贝塞尔曲线的编码,和这种方式提供更多的表现力模板;(3)采用一种方法类似于一个由(12,13),允许用户通过一个快速响应的用户界面设计健身功能,从而允许他们表达自己的设计意图元级别。user-designed健身功能是基于特性提出了模板,即行为特性,每个模板如何执行有关绘画符号为目标人物,和形态特征,与每个模板的结构和组件;(iv)基于之前的实验结果,随着进化过程的展开,模板被进化往往收敛到一个最优,导致视觉相似的模板。缺乏多样性问题不是新在艺术和设计领域,并已通过新颖的搜索算法来解决由几个作者在机器人14)、艺术(14,15)和游戏(14]。我们雇佣一个归档机制与混合比赛选择(16],使我们能够解决这个问题,促进进化的模板和多样性提供一种方式来总结了进化运行。
小说所描述的实验着重于验证方面的方法。我们首先评估适当的表示和ML-based健身组件通过执行实验模板的进化,紧凑,由线条与它们之间的连续性,产生可识别的符号和类似于现有的字体。然后我们测试用户界面通过执行和分析运行与用户定义的健身功能。实验结果的分析旨在两个核心方面的能力GA优化健康和发展的能力模板(i)捕获设计偏好表达的用户和(2)满足他们的期望。最后,我们评估的能力新奇搜索机制产生不同的模板在一个进化的运行和归档的充分性,生产的过程中,总结结果,然后呈现给用户。
总的来说,实验结果(见图1)显示该方法的充分性,演示EC和ML可能解决挑战型设计和扩展工具的优化设计过程。此外,他们也展示元级别交互式进化(12,13)允许用户意图和目标的表达,而用户的负担,以及新颖的搜索的多样性增加可行的解决方案。
本文的其余部分的结构如下。首先,我们提出框架概述。然后,我们进行实验框架,描述了实验装置和实验结果分析。最后,提出结论和未来工作的方向。
2。方法
类似于我们的以前的工作11],提出的方法是基于模板的想法能产生的每一个字母的字母表一致的方式。1876年,美国工程师约瑟夫·a·大卫了斑块Decoupee Universelle(见图2)。这个模板包括一个网格线,使建设的字母,数字,标点符号、口音等。17]。七段显示,发明了一种几十年之后,采用类似的方法是打开和关闭的PDU段的不同组合来代表数字和字母。
字体的设计通常涉及创建模块化的部件,然后由设计师结合起来就形成了不同的符号。通过仔细查看给定的字形字体,可以理解他们的解剖18),即符号之间的重用更小的部分。这种共享符号之间的部分是提供视觉一致性的基础。同样,构造一个模板的元素(如行)可以作为一个统一的网格,还提供了一致性与这些元素符号创建。
我们提出一个系统,采用遗传算法(GA)进化类型模板(见,例如,19关于气体的更多细节)。系统股份共同特征的作品呈现在11和使用feasible-unfeasible策略提出了16]。我们也使用存档保存进化个体基于相似准则(16,20.,21]。
摘要系统示意图如图3和表现如下。进化过程开始时的初始化种群与随机创建的模板。每个模板的健身计算根据适应度函数设计的用户。模板评估,新一代的模板创建使用一种精英主义策略,即一定数量的适当的模板进行改变。这一步对第一代没有影响。人口评估后,模板上面预设阈值被认为是可行的模板。比较可行的模板与模板存档和如果他们不同的从现有模板添加到文档中。测试停止标准来决定是否继续或停止进化。如果进化的继续,系统决定了基于可行的模板的数量是否新颖执行搜索,确定如何选为模板的父母。如果不进行查新,模板选择比赛根据他们的健康。 If novelty search is performed the tournament is based on the fitness and novelty of the individuals of the population and the individuals that are on the archive. Variation operators,即。交叉和变异,应用于模板选择作为父母产生后代模板。后代模板评估和新一代再次形成。整个进化过程是重复,直到满足停止准则。接下来的部分细节的一些机制系统。
2.1。表示
每个模板发展在于一个线段和贝塞尔曲线结合不同的厚度。因此,每个基因的基因型模板编码一个线段或曲线在二维空间。
我们实现了一个编码,使线段的表示和贝塞尔曲线。9-tuple中的每个基因由两个端点的坐标,两个控制点的角度,两个控制点的长度和厚度值。基因与角和/或控制点的长度设置为0表示直线。图4说明了不同属性编码在基因(X1, Y1, X2, Y2, A1, A2, L1、L2, T)。端点的位置与预设受制于一个正方形网格密度。同时,注意的行数可能不同于模板的模板。
映射机制,表示每个基因型的表现型由黑色线条画的编码在基因型在白色的画布。然而,映射过程模板的进化并不是直接的。我们需要一个映射为每个字符与模板我们想画。通过这种方式,我们开发了一种基于二进制映射机制面具定义如何使用给定的模板画一个给定的符号。当我们说如何我们的意思是这行。这种机制见图5。表示关心,stencil-based方法可能阻碍的进化过程中,由于遗传算法找到结构的行(模板),能画任何信件。可以说,我们正在处理一个压缩的问题,即压缩所有信件模板。尽管如此,我们相信这背后的“压缩”自然stencil-based方法可能促进生成的符号之间的一致性和统一。此外,它有助于理解符号的解剖学以及他们如何分享他们的组件/部件。同时,这种表示方法使我们能够使用一个进化模板来吸引更多的视觉元素除了字母,如标志或符号,这将是连贯和有相同的风格的字母编码模板。
2.2。变异
初始种群的随机创建模板。我们执行变异操作模板使用交叉和变异。交叉操作是由在两个模板之间的交换。交叉算子可以总结以下步骤:(i)选择一个随机的矩形区域的网格;(2)确定对父母行随机矩形区域内的中间点;和(3)交换那些父母之间的界线。这种交叉可能不对称随着基因数量的个人移动时从个人B可能不同于基因的数量从B A .这导致模板与不同数量的元素与他们的父母相比。
模板包含的突变基因的随机修改(线)的基因型和包括三个过程:删除,修改和插入。每个突变过程可以用预设概率独立发生。删除程序随机选择一条线,从模板中删除它。修改过程变化的一行或多行模板通过执行以下选项之一,每一个都有预设概率:(i)移动一个端点的最小网格中的翻译的八个可能的方向;(2)不同的角度的一个控制点;(3)不同的长度的一个控制点;或(iv)不同厚度值。最后,插入过程中插入一个新的随机生成的行到模板。删除和插入过程引起的行数的变化,使模板的演变与不同的大小。变异操作保存模板的有效性。 A stencil is considered valid if: (i) all its lines are different; (ii) all lines are located inside the limits of the grid; (iii) the number of lines remains within a preset range; (iv) no line has null length; and (v) no line contains another one.
2.3。评价
基于罗梅罗的工作等。22和以前的方法9,20.,23,24),我们采用一个自动健身分配方案来评估个体,即模板,这样自主引导进化过程。
每个模板包含的评价(i)行为的计算特性,有关绘画符号的模板执行目标人物,和(2)形态学特征,它的结构和组件。我们设想健身任务启用的任意组合功能的进化过程。此外,在结合功能,每个功能可以有或多或少的重要性(重量)相比其他特性。因此,适应度函数由加权产品: 与 , , ,在哪里的重量吗特性,所需的目标价值的特性我,是测量的值对应特性 。的进化过程的目的是最大化价值方程(1),其理论最优值对应于一个模板,同时匹配所有功能目标价值根据方程(2)。所有的功能和重量是正常的 域。因此,最大化或者最小化给定的功能在于将其目标的值设置为1或0,分别。
下面的内容将详细行为和模板的形态学特征。
2.3.1。行为
的一个先决条件提出的模板进化框架的能力产生清晰的符号,即。模板应该能够表达图像被认为是字符。框架评估这种能力通过测量特性基于符号,每个模板能够表达。表1概述这些特性,我们称之为行为特性。
每个模板为符号的表达需要几个步骤。如上所述,每个模板都有几行,可以激活画符号。首先,系统选择一个角色的模板已经产生符号。接下来,在线条组成模板,我们寻找更好的面具活跃线表达符号的选择角色。这样,每个面具商店最好的使用,或配置,在评价过程中发现的模板画一个给定的字符。
我们使用爬山算法来执行搜索的最佳配置模板被评估为每个目标人物。这种方式,进化过程包括一个嵌套为每个模板搜索最优配置。搜索开始停用所有的行,激活每一个步骤。在每一步,所有新生成的配置是评估作为目标字符字形,即。,如何表示字形匹配目标相似性和recognisability值。搜索停止时没有达到改善评价,保存最好的面具和评估价值产生的字形。重复这个过程对于所有目标人物。在一个典型的进化,同样被认为是所有目标人物,即进化的模板应该能够给他们画符号。然而,用户可以指定不同的重要性水平为目标字符。例如,这使得用户发展模板可以表达符号的字符的一个子集,或提高发展的某些符号模板的易读性。
Recognisability。我们用卷积神经网络(CNN)分类器计算多少字形被认可为一个给定的字符。cnn是一种深层神经网络(款),已经成功用于图像分类和识别任务(25,26]。CNN的主要特点是使用卷积和汇聚层,提供特征提取与降维在培训27]。每一层可以被视为一个滤波器特性提取和学习。
CNN的架构是基于Lenet5网络数字识别(28),但训练的多层次监督分类器26个拉丁字母的大写字母。我们的方法必须完成几项评估每一代的几个符号,因此所选择的网络计算能力和效率之间的权衡。分类器训练在32-by-32字体的像素表示,谷歌字体。除了字体,我们添加了一个负类,用随机生成的图像表示方法,不像任何字符,收益率共有27类。recognisability的价值功能的模板配置分类器的输出,指示其信心承认配置作为其目标字符的输入图像。输出1表示总自信而输出0表示相反。注意,使用的机器学习模型是基于数据和现成的体系结构以其继承的限制和利用(29日,30.]。此外,使用的模型不能够利用人类视觉系统的全部潜力。有鉴于此,这一特性是用来评估的易读性,recognisability和可读性的输入图像。
相似。自组织映射数组(索姆),一个为每一个目标人物,是用来计算相似的特性。耶鲁大学管理学院(31日,32)是最著名的无监督学习和聚类方法。SOM的架构由前馈神经网络,减少了信息,同时保留最重要的拓扑关系的数据元素。这使符号的视觉相似性的计算与现有的符号表达的每一个模板。
每个SOM 64个神经元,构造训练32-by-32像素图像的几个符号相应的目标人物。符号用于训练的人来自谷歌的字体字体平台。
计算相似度的特征模板配置(字形),它创建的图像表示SOM神经一样的大小,然后与目标人物SOM的每个神经元。在这个比较中,相似性的图像表示模板配置和SOM中的每个神经元计算使用均方根误差(RMSE),衡量多近或远,候选人字形是一个参考字形(神经元)像素的基础上。相似的价值特性考虑字形之间的距离所表达的SOM模板最相似的神经元,也称为最佳匹配单元,是由: 。
2.3.2。形态
除了行为特性,框架考虑一系列的其他功能相关的结构和组件模板。表2概述这些特性,我们所说的形态学特征。
通过调整形态学特征,一个能促进模板的进化表现出特定的结构特点。可能性是巨大的。例如,可以配置一个适应度函数奖励的形态学特征模板只有曲线,相交,或横向对称模板只有直线的连续性,或者模板长曲线相交。
的结合形态和行为特征使模板匹配特定的视觉特征的进化同时确保象形文字的易读性。这种方式,用户可以探索不同的易读性之间的妥协和提供的方式生成的模板。
2.4。存档
类似的工作16),存档是用来评估我们的解决方案在进化过程中,防止算法搜索空间的搜索区域,已经访问了。档案应持有的模板集迄今发现的进化过程。归档文件的大小显示了算法可以生成多样化的模板。
健身后的存档进场作业。在这个阶段,候选人模板有其健身分配,并且它必须满足两个条件才能被添加到归档:(i)其健身必须大于或等于一个充足率门槛 ;(2)它需要超越不同阈值相比,那些已经属于存档。
这个过程是由计算平均候选人和一组再邻国之间的不同。当上述不同平均一个预定义的不同阈值, ,个人被添加到存档。在这种方法中,我们评估模板基于他们的表情符号,即。的形式,分析了模板图像的符号。在[16),一个图像的不同度量计算为: 在哪里是一个预定义的参数的数量最相似的图像与图像时需要考虑的和 是一个距离度量。距离度量衡量不同的两个图像。这项措施的应用有两个例外:(i)如果档案是空的第一个模板有一个健身上面添加;(2)如果条目的数量小于存档我们使用现有条目的数量,而不是 。
为了评估模板之间的相似性,我们求助于一个图像相似性度量应用于模板的行为,即对每个字母的图像输出配置。创建一个图像包含几个字母连接起来形成一个“横幅”图像,如图6。
旗帜是用来评估几个候选模板之间的相似性和存档的。我们使用一个相似性度量之间的RMSE像素。这已经超出了本文的范围,探讨几种不同指标。因为我们每一代处理相当数量的图像,我们采取RMSE快速计算。感兴趣的读者,我们建议咨询的作品(33,34关于相似和不同指标的更多细节。当一个模板被添加到存档,它被认为是一个可行的解决方案。
机制,选择可行的解决方案是很重要的形状演化将如何进行,根据获得的结果在一个给定的一代。我们介绍的新奇方法(16),定制选择机制可以切换健身类策略和混合机制,认为健身和新奇。如图3它可以切换健身和混合根据以下决策规则:如果这一代的许多可行的解决方案是低于一个阈值改变健身指导进化;或者如果这一代的许多可行的解决方案是一个阈值之上改变混合机制。在健身指导进化,锦标赛选择是基于候选人的健身价值的解决方案,在一个标准的进化算法(EA)。如果选择混合,需要计算每个选中的新奇的个体,并执行一个Pareto-based锦标赛选择、使用的新奇和健身选择个人作为两个不同的目标最大化。新奇的计算过程是受雷曼兄弟和斯坦利的工作(35),与一个小变化:最相似的图像被认为是组选择的个人和档案,而不是考虑整个人口和存档。在这个阶段,每个选中的个体都有一个健康和新奇的价值,有必要确定比赛的获胜者。这个过程是受多目标东亚峰会,即Pareto-based方法,基于他们的优势选择最好的个人或non-dominance相比其他个体。在这部作品中,混合比赛选择决定了非惯用的解决方案进行比较,在选择个人,健身和新奇。弱势个体的集合计算后,我们有了所谓的帕累托前沿。使用混合机制,世界杯冠军是由随机选择检索的解决方案之一帕累托。
2.5。实现
拟议的框架中实现两个模块:(i)的进化系统,(2)适应度函数的设计界面。第一个模块,进化系统,运营GA和健身任务计划自动引导它。第二模块,适应度函数的设计接口,允许用户调整参数健身任务和其他内部运作的第一个模块。图7显示了一个进化系统的截图(左)(右)和适应度函数设计接口。
适应度函数的设计接口与进化系统通过一个JSON文件。从技术上讲,可以手动调整的参数存储在单独文件,这种方式使用进化系统进化模板。然而,这将阻碍设计的健身功能和演化过程的配置。
一个典型的框架的使用可以启动如下。用户启动进化系统并选择设置参数的来源:(i)从一个设置文件或(ii)的适应度函数设计接口。当第一个源选择,用户进口设置文件存储在计算机中,如。之前,设置文件导出使用适应度函数设计接口。这种方法是有用的测试一系列的实验装置。当第二个源被选中时,进化系统激活它监听新模式参数来自适应度函数设计接口。在这种方法中,用户使用适应度函数设计界面调整的设置参数,直接发送到进化系统。例如,这使得用户修改健身功能在进化过程中。选择设置参数的来源之后,用户的位置进化模板。在接下来的部分,我们概述的一些关键功能的两个模块。
2.5.1。进化系统
进化系统模块提供了必要的手段发展,浏览、测试和出口类型模板。选择设置参数后,可以通过设置命令模板的演变随机种子和指示系统生成给定数量的后代。在进化过程中,可以浏览整个当前的模板,由降序排列垂直的健康。系统功能模式,使每个模板的元素使用不同的颜色,当预览整个模板或产生的符号。该模式的目的是想象的重用模板的元素之间的不同的符号。用户可以选择每个模板(i)测试它通过输入几句与产生的符号;(2)想象其功能,或测量,正在考虑的适应度函数;和(3)导出到文件,使进一步改进和利用外框架。
2.5.2。适应度函数的设计界面
适应度函数的设计接口的模块可以让一个设计适应度函数自动引导的进化类型模板。界面让用户通过使他/她通过规范表达偏好的属性,他/她打算观察进化模板。虽然接口的主要目的是健身的配置功能,它还使进化过程的几个参数的调整,如。人口规模、精英大小赛事规模、交叉率、变异率、网格尺寸、表型的大小,和其他参数与新奇的搜索方法,包括模板的最低健康被认为是可行的,最低不同添加到存档。
适应度函数的设计接口包含一个web页面有多个滑动条和按钮,使一个调整评估和高级的进化参数。可以说这个模块作为一个交互式参数化的主持人的第一个,进化系统,提取用户的内部运作框架。这种方法允许用户提交参数进化系统在任何时候,已经解释说,这种方式发展或改变他/她的整个世代的偏好。除了提交当前参数的进化系统,用户还可以导出参数文件和导入它们。实现这个模块的决定作为一个web页面相关的短期目标将框架转换为一个web应用程序。这将使任何人使用的框架。
基于两个级别的评估确定本节初,健身参数提出了可视化的界面被安排成两个组用不同的颜色区分。顶部的参数模板的行为有关,而底部组其形态有关。接口使用工具提示让用户理解接口的不同组件,如。与每个特性相关联的语义,以及它是如何计算。当用户将鼠标悬停于光标在一个组件,会出现一个工具提示显示信息。
对于每个参数,用户可以设置(i)的价值应该由进化的模板匹配和(2)的重量表明适应度函数中参数的重要性。唯一的例外是最后一个参数的行为,提出了一个数组的垂直滑动条来指定每个字符的相关性的发展模板应该能够绘制符号。改变一个参数导致的体重产生或多或少的影响相对于其他参数。为了使权重的调整更容易理解,我们采取了一种方法,用户表示每个重量加上或者减去单位重量。尽管如此,人们还可以将重量设置为特定的浮动值。例如,与一个3的重量会有一个参数重要性大于三倍重量的一个参数1。这种推理后,设置一个参数为0意味着它的重量将被忽略。这种方法的一个优点是它提供的精度用户当调整每个重量,与其他方法相比,使用,例如,滑块。每个参数的最终重量,考虑到其他的权重,显示在右边。这个信息帮助用户理解的总体影响适应度函数的每个参数。 Also, by only displaying the final weights greater than zero, we are able to visually highlight the parameters that are being considered.
3所示。实验
我们建议进行四个实验框架有不同的目标。在第一个实验中,我们研究的充足率混合适应度函数(相似性和recognisability)引导进化过程。在第二个实验中,我们分析健身功能的设计如何影响系统的结果如果,到什么程度,它能够传达用户的偏好。在第三个实验中,我们调查的影响科技查新在进化收敛和模板进化的多样性。在过去的实验中,我们探索的创造性的输出提供的可能性提出了框架使用一个进化设计项目模板。
在这项工作中,我们发展模板画的罗马字母的大写字母符号。基础实验参数列于表3。
3.1。实验我——天生的健身功能
在本节中,我们分析的能力发展与硬模板方法健身功能。在[11我们验证进化引擎通过执行实验,使用和天生的适应度函数诉诸RMSE字体为预定的目标。结果表明,进化算法能够进化模板,直观地表达连贯的符号。然而,在第一组实验中,最大化的进化算法生成的模板元素的数量和一些介绍几个缺口。在第二组实验中,我们重新定义适应度函数来控制和减少差距的元素数量。的方法能够生成简单的模板能够产生符号类似于使用较小的目标元素,促进重用模板的多个符号元素。全面观察是为了促进特定的行为我们要重新定义的适应度函数,这是一个明智的和费时的过程。
在实验的11]唯一用于指导健身行为特性是相似的特性。是基于基于像素之间的RMSE字形字体字形表达一个预定义的目标。为了促进解决方案的更大的灵活性,我们使用SOM的计算相似性特征。SOM组织,减少了实例空间。我们使用RMSE计算候选符号表达式的相似性与最近的SOM神经元的表达。SOM训练与几个字体提供不同的目标探索同时减少目标评估的数量。这允许更灵活的相似的评价。然而,有可能的方法探索不同SOM的激活神经元属于不同的符号。我们也介绍recognisability的概念,由CNN。使用CNN的想法评价概念的一部分recognisability是促进生成的模板保留现有的符号的可识别特征。
在表4我们提出三个健身功能定义不同recognisability权重和相似之处。的大小和连续性的特征是维护实验(11]。在所有的实验中我们跟踪每个特性的响应值,构成最终的适应度函数进行分析的目的,即使权重设置0,即它不参与健身的计算。
在fitRec、进化过程主要是遵循recognisability特性,即。根据CNN激活每个模板的符号表达式。在图8,在左上角的情节我们可以观察到的行为使用进化算法fitRec适应度函数,表明我们能够引导进化和优化模板的健身。开始健身价值相对较低但快速收敛于高适应度值几代。如果我们分析的发展其他组件的值,我们可以观察到相似recognisability的发展不受影响。第一代中的大小功能往往迅速增加,这意味着从模板中删除元素。健身企稳时,大小功能增加,测试中表达最高的价值功能。这意味着在最后,它有更少的元素比其他健身功能。关于连续性,它沿着代持续上升。基于进化过程结束时的值,它似乎创建连接模板相比与其他健身的效果。
的fitSim函数使用相似特性来指导健身。如图8进化算法能够优化的适应度函数,尽管它没有达到最大的理论值。recognisability值增加的增加相似特征值。组件大小不断增加,这表明最好的模板往往沿着代删除元素。相比其他人,fitSim达到最多的元素所使用的模板。高值的连续性特征表明,它会创建一个模板连接。
的fitHybrid是一个适应度函数,结合相似和recognisability指导进化。表的值4表明,向recognisability更重了。这个想法是为了让模板能够产生表达和功能的字体,探索不同的表达之间的妥协和象形文字的易读性,同时保持一致性。再一次,我们可以引导进化过程和优化的适应度函数。在健身方面,可以观察到它保持一定的稳定程度的相似性,recognisability对健身增加。另外两个功能,大小和连续性,我们可以说我们得到良好的健身功能,即。,一个低数量的元素和连接模板。
在图9我们可以观察到生成的模板在第一个实验中使用的适应度函数。值得注意的是他们在视觉层面的区别。结果还应对分析健身组件。fitSim倾向于生成模板和连接元素。虽然SOM给了我们更大的灵活性(RMSE目标的方法11),在这种方法中生成模板,填充的空间目标SOM的神经元。的灵活性有权衡,一些符号生成的模板似乎专注于不同的SOM神经,导致不同的符号表达式。fitRec使用更少的元素,但使用元素更断开和分散。但是,我们看到一些随机特性生成的符号,可以视为利用分类器的引导进化。我们知道倾向的进化算法找到捷径,利用弱点健身任务计划,使用毫升方法(28- - - - - -30.]。在fitHybrid我们结合相似的recognisability防止方法指导进化认可但非典型符号。fitHybrid倾向于用少量的元素生成模板连接生成简单的符号,可区分的元素,展示可变性,同时保持一致性。总的来说,我们认为使用健身函数定义了这个实验我们仍然能够进化模板生成一致的符号。
在前面的实验中,我们使用一个更严格的评估基于目标字体(11]。的算法融合的结构表示字体,即模板画,显示的方法可以说是生成一个压缩表示字体。在本节中给出的实验中,我们观察到类似的行为。这个执行的想法表示足够的手头的任务。
结果表明,我们可以发展认可和清晰的字体,但这是不够的美学。执行更多的后代可能大大增加结果的美学,但不会导致我们的高质量的解决方案商业字体。这个事实让我们两个不同的假设不是互斥的类型设计。当一个设计师创建一个字体类型,它看起来不完全在其功能上的31日- - - - - -33]。视觉特性和ML的方法在使用中不能利用人类视觉系统的潜力来保证如果清晰的从机器的角度是人类和清晰的因素导致增加或减少的易读性、可读性和recognisability人力是相同的机器,反之亦然。假设这是如此,如果我们使用更复杂的可视化模型,训练承认其他类型的文物和,因此,受到人类的任务必须在每天可能有助于增强的结果。
根据总体结果与讨论,我们认为试验适应度函数设计半自动的方式可以是有益的。这条路是探索下一组实验。
3.2。实验二世——设计健身功能
在这个实验中,我们分析如何健身功能的影响的设计框架和的结果,如果到什么程度,他们能够传达特定的偏好。我们专注于形态学特征,因为这些可能会对视觉上的模板以及产生的符号。
使用的实验装置进行实验为基础,我们将其他功能添加到适应度函数。我们设计和测试4更多的健身功能。每一个由基准适应度函数(fitHybrid)加上一个,或两个,更多的形态学特性(s)。的功能添加到fitHybrid以及由此产生的适应度函数的名称,表中列出5。
尽管许多不同组合的特性可以被测试,我们选择一些我们认为可以更明显的进化模板。贝塞尔曲线线是一个迭代的编码以来这个框架(比较我们之前的工作11]),我们也关注这个实验特性相关。
我们设计了每一个适应度函数来设置框架发展模板与特定的视觉特征:(我)fitCurves——模板完全由曲线;(2)fitNoCurves——没有曲线的模板;(3)fitSymCurves——模板与一半的元素被对称的曲线;(iv)fitUniformLength——模板也有一半的元素是曲线,和所有行应该有三分之二的网格大小的长度。
图10总结了实验的结果。/适应度函数,我们想象的发展每个特性的评价和现在的一个典型的模板使用适应度函数进化。一般来说,基于不同的适应度函数,运行结果表明:(1)不同的健身功能导致不同的模板;(2)不同运行相同的适应度函数收敛于不同的模板,从而提供不同模板;和(3)四个健身功能设计能够引导进化对模板与功能相匹配的偏好背后,有时以令人惊讶的方式。
框架经常发现有趣的方式来匹配健身功能,产生不寻常的符号或多或少的功能。另一方面,有时,框架生成模板,从字体设计的角度来看,可能是由于其新颖性和美学,但不最大化适应度函数的所有功能。然而,结果显示方法的有效性在探索可能性与所表达的偏好是一致的用户设计了适应度函数。看着每一个模板,和他们的符号,在图10,你会发现他们展示视觉属性与功能添加到每一个适应度函数。例如,模板与进化而来fitCurves几乎是仅由曲线(只使用一个线段);另一方面,模板与进化而来fitNoCurves几乎是仅由线段(只使用三条曲线);的模板进化fitSymCurves除了使用相同数量的曲线的线段,大多数使用的曲线是对称的(只有一个曲线不对称);和模板进化fitUniformLength有相同的平衡曲线和线段的之前的模板所有元素或多或少相同的长度,大约三分之二的大小网格模板。
总的来说,进化能够优化所有功能前提下被测试的行为特性,即相似性和recognisability符号。这应该是相关的实质性区别使用的高权重的行为特性和低重量用于形态学特征。
3.3。实验三,新奇的搜索机制
在这个实验中,我们评估的能力新奇搜索机制产生不同的模板在一个进化的运行和归档的充分性,生产过程中,总结的结果呈现给用户。我们保存的实验装置fitHybrid我从实验和使用参数表6使用新奇的机制。
对于这个实验,我们执行一个运行以下设置:新奇的事物——使用新颖的搜索机制;没有新鲜感——不使用新奇的搜索、健身指导的方法。存档是用于运行分析新颖性的影响机制。
在健身方面,在这两种情况下我们有类似实验中观察到的行为,它优化了适应度函数。然而,值得注意的是之间的差异两个设置沿着一代又一代的健身价值。50代我们第一项设置归档,即至少一个个体,超过价值。几代后,混合的新奇设置进入比赛,我们可以观察到它迅速增加到一定程度,甚至超过了健身指导的观察值在同一时期,几代人。在 ,一代的没有新鲜感设置超过最大值,并继续增加几代直到稳定为止。我们可以观察到的新奇的事物设置它继续缓慢增加到最后一代。如果我们观察图11归档文件的大小,我们可以清楚地看到新奇的设置将更多的实例添加到存档,建议添加一个多样性的进化过程。
图12显示了存档和适者模板样本中发现没有新鲜感和新奇的事物设置。我们开始通过分析适者模板(左上角和右上角图的图像12),观察它们是不同的从对方这表明使用新奇影响进化过程的最终结果。向档案的分析,我们显示在左边没有新鲜感设置只会增加三个模板存档,表明没有发现任何模板的参数化定义的行为比我们观察的三个不同的人物12。模板中有一些不同但有些信件仍然非常相似,例如,“我”、“J”、“l”和“Z”。我们可以看到,档案模板的字母与适当的模板的信件有一些相似之处。在新奇的设置,分析归档文件中的值的大小,我们可以看到很多不同的模板添加到存档。由于大量新奇的条目设置存档我们使用一个过滤器使用RMSE选择档案上的十大最不同的实例。我们显然有一些多样性之间最不同的条目。其中一些包含清晰的字母与字母的混合物,从主观的角度来看不像相应的字母(例如图12右边6日,9日,10日行)。总的来说,我们可以看到,进化过程探讨了搜索空间的一个更大的区域相比的没有新鲜感设置。注意,因为我们只执行一个单独的运行,我们可以说是可能创造更多的多样性和生成一个更加多样化的归档解决方案相比,传统的健身指导解决方案(没有新鲜感)。权衡很难调整的额外的参数化,它的成本可能会在以后收敛。除了额外的微调,遭受同样的问题的调谐电路的功能,因为用户只是一个旁观者在这个过程一旦进化过程。
3.4。实验四世——应用进化模板
在最后的实验中,模板发展应用提出了框架在实际设计项目:交互式安装集成在一个永久展览致力于葡萄牙文学,使博物馆的游客来生成自己的肖像的信件。
创建图像使用文本是一种传统的设计任务,只不过是新的。图纸和文本的过程可以追溯到与插图手稿从几百年前由手写的字。快进到1890年代末,打字机艺术成为一种艺术形式,是第一个已知的打字机艺术品记录,一只蝴蝶的形象由植物史黛丝1898年(36]。之后,在1966年,贝尔实验室,肯尼斯•诺尔顿和利昂·哈蒙创建图像感知# 1“研究”,已知最早的一个例子可能ASCII艺术和第一个电脑裸体。创建图像,伟达公关和哈蒙扫描照片和指定的印刷符号的二进制数字半色调密度(37]。
交互式安装采用生成过程基于ASCII艺术创造肖像。它动态地改变每个字母的排版重量呈现不同深浅的灰色和这样描述一个输入图像。
黑暗的输入图像的映射成字母和许多权重最好使用字体来完成,所以一个连续范围可以印刷地呈现深浅的灰色。我们相信模板提出了框架发展的可以在这里发挥了作用,因为通过使用模板,可以得出每个字母需要尽可能多的厚度值。换句话说,一个连续范围的厚度值可以用来给身体画像的字母,这样使不同深浅的代表。
的视频http://cdv.dei.uc.pt/2018/complexity/evotype.mov顺序显示与框架的交互设计指导健身功能进化的运行和发展一系列的模板。在选择的模板框架存档,他们测试了发电机的肖像以评估输入图像(i)在多大程度上仍可识别的排版肖像和(2)输入文本依然清晰。图13显示了一个使用的模板创建的肖像。
详细描述的计算系统,生成排版肖像已经超出了本文的范围。然而,值得总结的主要步骤每个排版肖像的一代:(i)输入图像转换为灰度;(2)计算每个像素的亮度值;(3)输入文本是由从左至右,从上到下在一个矩形区域正比于输入图像;为每个字形(iv),其边界内像素位置的平均亮度计算;和每个字形(v)的排版重量设置成反比的平均亮度计算,即。,一个字形输入图像的定位在一个黑暗的区域会比一个字形厚定位在一个较轻的地区。
生成肖像的系统,可以在不同的级别上进行配置,如。之间的文本行数、领先、空间符号,符号的宽度、最小和最大厚度的符号。这些参数的调整使一代的排版画像不同的视觉特征。例如,增加文本的行数提供了更详细的肖像;减少的主要和/或符号之间的空间使肖像视觉密度;增加的最小和最大厚度的区别符号提供了更多与肖像。此外,系统出口向量图形生成的肖像。通过这种方式,一个可以打印一张明信片或他/她自己的海报排版肖像。
图14显示了典型的排版肖像中创建这个实验。可以想象的动画版本排版肖像http://cdv.dei.uc.pt/2018/complexity/portrait.mov。获得的结果表明,模板能够保持易读性和视觉一致性在他们的符号,而他们的厚度不同,这是很重要的一个类型设计的观点。
新模板的自动进化使一代的独特的排版肖像。这揭示了潜在的进化为开放式设计项目模板,使得按需生成独特的字体。
这个实验,提出了在排版会议(38),展示了应用程序的结果提出了框架在实际设计项目中,即在排版肖像的一代。
4所示。结论
进化框架类型模板的自动生成。我们进行了一系列的实验来探索和评估这个框架。总的来说,实验结果表明提出的充足率框架发展模板(i)产生清晰而连贯的符号和(2)是一致的偏好表达的用户使用适应度函数设计接口。结果表明,自动引导的方法健身功能基于ML倾向于优化的适应度函数。这些结果也表明了,适应度函数的优化不同的目标将导致清晰和可辨认的字体,但不一定美学。这种行为是由于差异如何毫升技术和人类感知输入。因此,尽管易读性和recognisability基本标准发展的符号,其他视觉方面应该考虑在评估以提高他们的审美情趣。
这项工作证明EC和ML如何通知当代设计实践。结果是一个框架,打算提供替代设计作为灵感的刺激,在看工作方式和促进新想法创建自定义字体和字体。这是有用的,特别是,当总是会有设计师愿意尝试创建字体和追求新的排版形式表达式。
未来的工作将集中在:(i)实现自适应机制的科技查新和归档机制;(2)创建一个归档文件接口允许用户更改归档机制在进化运行期间的行为;(3)允许用户保存和发展模板插入到进化过程;和(iv)实现框架的web应用程序,这种方式使任何尝试的进化类型模板。
数据可用性
实验结果数据用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
资金
第一作者是由Fundacao对位Ciencia e Tecnologia (FCT)、葡萄牙(SFRH / BD / 105506/2014)。我们也想表达我们的感激之情,NVIDIA提供我们一个泰坦Xp GPU支持研究。