任玉潔 吳維

摘 ?要： 為了提高漫畫(huà)藝術(shù)設(shè)計(jì)的逼真度及設(shè)計(jì)效率，將遺傳算法運(yùn)用于漫畫(huà)設(shè)計(jì)過(guò)程中。將動(dòng)漫中角色人物造型的組成元素作為遺傳算法種群的個(gè)體，將多個(gè)組成元素采用遺傳算法進(jìn)行數(shù)據(jù)訓(xùn)練，根據(jù)適應(yīng)度閾值不斷進(jìn)行選擇和交叉操作，并加入粒子群優(yōu)化策略，經(jīng)過(guò)多次迭代計(jì)算，得到漫畫(huà)的角色人物造型。經(jīng)過(guò)實(shí)驗(yàn)證明，相比于SGA算法和AGA算法，文中所提算法在漫畫(huà)設(shè)計(jì)效率方面優(yōu)勢(shì)明顯。

關(guān)鍵詞： 漫畫(huà)設(shè)計(jì); 角色造型; 遺傳算法; 適應(yīng)度; 粒子群優(yōu)化; 設(shè)計(jì)效率

中圖分類(lèi)號(hào)： TN911.1?34; TP393 ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）15?0120?03

Research and implementation of cartoon art design based on genetic algorithm

REN Yujie1， WU Wei1， 2

（1. Faculty of Innovation and Design， City University of Macau， Macau 999078， China;

2. He Xiangning College of Art and Design， Zhongkai University of Agriculture and Engineering， Guangzhou 510220， China）

Abstract： In order to improve the fidelity and design efficiency of cartoon art design， the genetic algorithm is applied to the process of cartoon design. The component elements of character modeling in animation are regarded as the individuals of genetic algorithm population， and trained with genetic algorithm. According to the fitness threshold， the continuous selection and cross?operation are carried out， and the particle swarm optimization strategy is added. After several times of iterative calculation， the character modeling of cartoon is obtained. The experimental results show that， in comparison with SGA algorithm and AGA algorithm， the proposed algorithm has obvious advantages in design efficiency of cartoon.

Keywords： cartoon design; character modeling; genetic algorithm; fitness; particle swarm optimization; design efficiency

0 ?引 ?言

群體智能算法是在群體生物的運(yùn)動(dòng)、覓食進(jìn)攻、繁衍等過(guò)程的模擬訓(xùn)練中構(gòu)造而來(lái)的，群體算法在多領(lǐng)域得到了學(xué)者的青睞，比如路徑優(yōu)化、數(shù)據(jù)聚類(lèi)、搜索優(yōu)化等都取得了較好的效果。在藝術(shù)設(shè)計(jì)方面，群體智能算法也表現(xiàn)出一定的優(yōu)勢(shì)，特別是漫畫(huà)設(shè)計(jì)方面[1?2]，漫畫(huà)因?yàn)槿宋镌煨蛷?fù)雜，角色多樣，在設(shè)計(jì)過(guò)程中繁雜，所以人工設(shè)計(jì)效率一般較低，急需智能算法做輔助設(shè)計(jì)。

遺傳算法在數(shù)據(jù)設(shè)計(jì)方面表現(xiàn)出良好的收斂性和較高的效率，將組成漫畫(huà)人物角色的元素采用該算法進(jìn)行模擬訓(xùn)練，最終得到漫畫(huà)人物角色造型，旨在提高漫畫(huà)藝術(shù)設(shè)計(jì)的效率。為了更好地完成漫畫(huà)角色造型的動(dòng)態(tài)展示，引入粒子群優(yōu)化。相比傳統(tǒng)的遺傳算法，經(jīng)過(guò)粒子群優(yōu)化的遺傳算法性能表現(xiàn)更好。

1 ?遺傳算法的漫畫(huà)設(shè)計(jì)

設(shè)漫畫(huà)設(shè)計(jì)的某個(gè)角色人數(shù)的組成元素總量為[N]，則[N]個(gè)組成元素單個(gè)的適應(yīng)度為[fi]，那么，第[i]個(gè)元素被挑中進(jìn)化的概率為：

根據(jù)人物角色動(dòng)態(tài)變化的元素選擇需要，為了保證原漫畫(huà)人物角色元素在進(jìn)行遺傳算法構(gòu)造過(guò)程中，造型變化的整體性和完整性，防止出現(xiàn)漫畫(huà)人物角色的變化出現(xiàn)局部不協(xié)調(diào)的情況，選擇交叉操作的概率必須滿足：

經(jīng)過(guò)遺傳算法將人物角色動(dòng)態(tài)變化的元素進(jìn)行選取迭代計(jì)算后，可以得到漫畫(huà)角色在某個(gè)時(shí)間段內(nèi)元素的位置變化情況。而在位置變化訓(xùn)練過(guò)程中，粒子群算法有獨(dú)特的優(yōu)勢(shì)，在經(jīng)過(guò)遺傳算法根據(jù)適應(yīng)度選取漫畫(huà)人物角色元素后，將粒子群優(yōu)化應(yīng)用于漫畫(huà)設(shè)計(jì)過(guò)程中，以便能更好地完成人物角色造型的動(dòng)態(tài)展示。

將漫畫(huà)人物角色的元素設(shè)為粒子群的粒子，設(shè)第[i]個(gè)粒子為[xi=（xi1，xi2，…，xiN）]，其飛行速度為[vi=（vi1，vi2，…，viN）]，在三維空間內(nèi)分布的最優(yōu)位置為[pi=（pi1，pi2，…，piN）]，群里所有粒子的分布最優(yōu)位置為[pg=（pg1，pg2，…，pgN）]。那么人物角色元素在變化過(guò)程中，元素的速度和位置數(shù)學(xué)表示為[6]：

2 ?實(shí)例仿真

為了驗(yàn)證經(jīng)過(guò)粒子群優(yōu)化的遺傳算法在漫畫(huà)藝術(shù)設(shè)計(jì)中的性能，采用Matlab進(jìn)行實(shí)例仿真。

設(shè)某個(gè)人物角色的組成元素個(gè)數(shù)為40個(gè)，遺傳算法進(jìn)化代數(shù)為100，目標(biāo)是人物角色按Shubert函數(shù)來(lái)執(zhí)行運(yùn)動(dòng)變化。在仿真過(guò)程中，將標(biāo)準(zhǔn)遺傳算法（SGA）和自適應(yīng)遺傳算法（AGA）與經(jīng)過(guò)粒子群優(yōu)化的遺傳算法進(jìn)行性能對(duì)比[7?8]，計(jì)算三種算法得到的人物角色造型動(dòng)態(tài)變化的最優(yōu)解，如圖1所示。

圖1 ?三種算法尋優(yōu)結(jié)果

從圖1可以看出，隨著遺傳算法進(jìn)化代數(shù)的增多，適應(yīng)度值不斷減小，當(dāng)進(jìn)化代數(shù)不斷增加，適應(yīng)度值最后減小至穩(wěn)定值，算法收斂，得到算法最優(yōu)解。對(duì)比而言，SGA算法在進(jìn)化代數(shù)達(dá)到70次左右，算法才收斂;AGA算法在進(jìn)化代數(shù)大約為47時(shí)，算法收斂;而本文算法在進(jìn)化代數(shù)為15時(shí)完成了收斂，在收斂性方面本文算法優(yōu)勢(shì)明顯，提高了漫畫(huà)設(shè)計(jì)的效率。

但是從圖1也可看出，SGA，AGA和本文算法分別在進(jìn)化代數(shù)區(qū)間為[12，51]，[10，47]，[8，15]時(shí)看似達(dá)到了最優(yōu)解，但這個(gè)最優(yōu)解是局部最優(yōu)解。雖然三種算法都有這個(gè)缺點(diǎn)，但是相比SGA和AGA算法，本文算法陷入局部最優(yōu)的區(qū)間最小，進(jìn)化代數(shù)僅為7次便可以從局部最優(yōu)變?yōu)槿肿顑?yōu)。

下面將對(duì)算法的穩(wěn)定性進(jìn)行性能仿真，分別采用三種算法求解1 000次目標(biāo)人物角色元素運(yùn)動(dòng)最優(yōu)解，查看其收斂性，仿真統(tǒng)計(jì)結(jié)果如表1所示。

表1 ?收斂性能

在收斂性方面，本文算法表現(xiàn)最好，AGA算法次之，SGA算法較差，所以本文算法求解最優(yōu)解的效率更好。而在1 000次求解最優(yōu)解的過(guò)程中，三種算法完成度都在90%以上，SGA和AGA算法分別為912次和937次，性能相差不大，本文算法達(dá)到993次，完成度接近總量。

3 ?結(jié) ?語(yǔ)

本文采用改進(jìn)的遺傳算法對(duì)漫畫(huà)藝術(shù)設(shè)計(jì)進(jìn)行動(dòng)態(tài)變化顯示，可以較好地完成漫畫(huà)人物角色造型的動(dòng)態(tài)展示，并有效地提高了算法的執(zhí)行效率。

參考文獻(xiàn)

[1] 劉晶晶，李迎杰，劉超慧.改進(jìn)的人工魚(yú)群算法在群體動(dòng)畫(huà)設(shè)計(jì)中的應(yīng)用[J].電子世界，2017（8）：95?96.

LIU Jingjing， LI Yingjie， LIU Chaohui. Application of improved artificial fish swarm algorithm in group animation design [J]. Electronic world， 2017（8）： 95?96.

[2] LIANG X. Interactive cartoon?style motion generation of avatar [J]. Computer?aided design and applications， 2016， 14（2）： 170?179.

[3] 王悅.遺傳算法在函數(shù)優(yōu)化中的應(yīng)用研究[J].電子設(shè)計(jì)工程，2016，24（10）：74?76.

WANG Yue. Application of genetic algorithms in function optimization [J]. Electronic design engineering， 2016， 24（10）： 74?76.

[4] AR Y， BOSTANCI E. A genetic algorithm solution to the collaborative filtering problem [J]. Expert systems with applications， 2016， 61： 122?128.

[5] ENDER S， AHMET C. An evolutionary genetic algorithm for optimization of distributed database queries [C]// 2009 24th International Symposium on Computer and Information Sciences. Guzelyurt： IEEE， 2018： 717?725.

[6] 李雅瓊.基于粒子群算法的遺傳算法優(yōu)化研究[J].蘭州文理學(xué)院學(xué)報(bào)（自然科學(xué)版），2017（1）：55?60.

LI Yaqiong. Genetic algorithm optimization based on particle swarm optimization [J]. Journal of Lanzhou University of Arts and Sciences （Natural science edition）， 2017（1）： 55?60.

[7] 劉建文，丁潔玉，潘坤，等.基于個(gè)體相似度的改進(jìn)自適應(yīng)遺傳算法研究[J].青島大學(xué)學(xué)報(bào)（工程技術(shù)版），2016，31（1）：16?19.

LIU Jianwen， DING Jieyu， PAN Kun， et al. Research on improved adaptive genetic algorithm based on individual similarity [J]. Journal of Qingdao University （Engineering edition）， 2016， 31（1）： 16?19.

[8] 楊新武，楊麗軍.基于交叉模型的改進(jìn)遺傳算法[J].控制與決策，2016，31（10）：1837?1844.

YANG Xinwu， YANG Lijun. Improved genetic algorithm based on cross model [J]. Control and decision， 2016， 31（10）： 1837?1844.