Interaktívne evolučné výpočty v dizajne - TUKE

TECHNICKÁ UNIVERZITA V KOŠICIACH 

FAKULTA ELEKTROTECHNIKY A INFORMATIKY 

KATEDRA KYBERNETIKY A UMELEJ INTELIGENCIE 

Interaktívne evolučné výpočty v dizajne 

MÁRIA VIRČÍKOVÁ 

Bakalárska práca 

2008

TECHNICKÁ UNIVERZITA V KOŠICIACH 

FAKULTA ELEKTROTECHNIKY A INFORMATIKY 

Katedra kybernetiky a umelej inteligencie 

Interaktívne evolučné výpočty v dizajne 

Vedúci bakalárskej práce: 

BAKALÁRSKA PRÁCA 

Mária Virčíková 

Košice 2008 

Prof. Ing. Peter Sinčák, PhD.

Analytický list 

Autor: Mária Virčíková 

Názov práce: Interaktívne evolučné výpočty v dizajne 

Jazyk práce: slovenský 

Typ práce: Bakalárska práca 

Počet strán: 68 

Akademický titul: Bakalár 

Univerzita: Technická univerzita v Košiciach 

Fakulta: Fakulta elektrotechniky a informatiky (FEI) 

Katedra: Katedra kybernetiky a umelej inteligencie (KKUI) 

Študijný odbor: Kybernetika 

Študijný program: Kybernetika 

Mesto: Košice 

Vedúci BP: Prof. Ing. Peter Sinčák, PhD. 

Konzultant BP: Prof. Ing. Peter Sinčák, PhD. 

Dátum odovzdania: 30. mája 2008 

Dátum obhajoby: 17. júna 2008 

Kľúčové slová: Evolučné výpočty, Genetické algoritmy, Genetické 

programovanie, Evolučný dizajn, Grafický dizajn, Interaktívne 

systémy 

Kategória; Konspekt: Výpočtová technika; Umelá inteligencia 

Citovanie práce: 

Názov práce v AJ: Interactive evolutionary computation in design 

Kľúčové slová v AJ: Evolutionary computation, Genetic algorithms, Genetic 

Programming, Evolutionary design, Graphic design, 

Interactive systems

Abstrakt v SJ 

V tejto bakalárskej práci sú opísané základy a hlavné vlastnosti interaktívnych 

evolučných výpočtov nasledované prehľadom ich výskumu a aplikácií. Táto technika 

optimalizuje systém na základe subjektívneho hodnotenia používateľom. Algoritmus je 

aplikovaný na systém grafického dizajnu a výsledky vykazujú, že po úprave môže byť 

používaný v niektorých reálnych aplikáciách. Bol použitý konkrétny typ genetického 

programovania nazývaný karteziánske genetické programovanie, v ktorom programy 

používajú štruktúru grafu reprezentovanú ako postupnosť celých čísel. Budúca práca 

bude zameraná na tvorbu adaptívneho, interaktívneho, užívateľsky prístupného 

programového systému a na jeho použitie v oblasti architektúry. 

Abstrakt v AJ 

In this bachelor thesis the definition, principles and basic features of Interactive 

Evolutionary Computation are described and followed by an overview of their research 

and applications. This technique optimizes systems based on subjective human 

evaluation. The algorithm is applied to a graphic design system and the results show that 

it can be used in some real-world applications. It has been used a particular form of 

Genetic Programming called Cartesian Genetic Programming (CGP) in which programs 

use the structure of a graph represented as a linear sequence of integers. Future work will 

be enhanced to make an adaptive, user-friendly interactive system and use it in field of 

architecture.

Na tejto strane bude vložené zadanie bakalárskej práce

Čestné vyhlásenie 

Bakalársku prácu som vypracovala samostatne s použitím uvedenej literatúry. 

V Košiciach, 30. mája 2008 ......................................... 

Podpis

Poďakovanie 

Ďakujem všetkým tým, ktorých múdre myšlienky v mojej práci prezentujem ako keby 

boli moje vlastné. 

Osobitne sa chcem poďakovať vedúcemu mojej práce, profesorovi Sinčákovi za 

jeho záujem o moju prácu. Veľmi pekne ďakujem aj docentovi Jánovi Bušovi za jeho 

cenné rady. Takisto ďakujem profesorovi Kmeťovi zo Stavebnej fakulty, ktorý mi 

poskytol odbornú literatúru, ktorá ovplyvnila moje ciele smerom k budúcej diplomovej 

práci. 

Ďakujem aj mojim spolužiakom, ktorých diskusie a rozhovory ma stále inšpirujú 

k novým nápadom, súvisiacich s touto prácou, alebo nie. V neposlednom rade moja 

vďaka patrí mojej mame, vďaka ktorej môžem študovať to, čo ma baví.

Predhovor 

Jorge Luis Borges 1 píše v poviedke Babylonská knižnica o Knižnici, ktorá pozostáva 

z neurčitého a nekonečného počtu kníh – zahŕňa knihy, ktoré kedy boli napísané a 

knihy, ktoré niekedy napísané budú. Ak má nejaká kniha jestvovať, stačí pripustiť 

možnosť jej jestvovania. Väčšina kníh obsahuje nezmysly a rozumné súvislosti sú 

takmer zázračné výnimky, no nachádzajú sa medzi nimi aj knihy, ktoré obsahujú všetku 

znalosť vesmíru. 

Borgesova Babylonská knižnica je hypotetická, abstraktná konštrukcia všetkých 

možných permutácií slov. Dnes sa model jeho Knižnice pomocou počítačov a vedy 

stáva dosiahnuteľným, keďže je možné napísať podobný program (samozrejme nemáme 

dostatočne veľké miesto na jeho uloženie), no Knižnica je dynamicky tvorená, keď 

užívateľ skúma jej potenciálne výsledky. Cestovateľ v takejto Knižnici zisťuje (ako 

Borges predpokladal), že nájsť jeho vysnívané riešenie je veľmi náročné, keďže väčšina 

„kníh“ je len nezrozumiteľný zhluk písmen. 

Ako by sa dalo uľahčiť cestovateľovi nájsť „majstrovský kus “ v nekonečnom 

priestore možností? Keby sme ohraničili Knižnicu tak do takej miery, aby stále 

poskytovala dostatok možností výberu, potom by stačilo len mať nástroj, ktorý by 

prehľadával priestor efektívne a takým spôsobom by sme našli niečo inšpirujúce. 

Jedným z nástrojov sú interaktívne evolučné výpočty. 

Za otca konceptu evolučných výpočtov sa pokladá Holland 2 , ktorý genetické 

algoritmy (jednu z podmnožín evolučných výpočtov) charakterizoval ako: 

„Počítačové programy, ktoré sa vyvíjajú (angl. evolve) spôsobmi, podobnými 

výberu v prírode, poskytujúc riešenia zložitých problémov aj vtedy, keď im ich 

tvorcovia dokonale nerozumejú.“ 

1 Jorge Luis Borges, poviedka Babylonská knižnica: Záhrada s chodníkmi, ktoré nás rozvetvujú, 1941 

2 John Holland v roku 1975 vydal knihu „Adaption in Natural and Artificial Systems“

Avšak Turing 3 , už takmer tridsať rokov pred Hollandom uvažuje: 

„Existuje genetické alebo evolučné prehľadávanie, v ktorom sa hľadá kombinácia 

génov, kde kritériom je hodnota prežitia.“ 

Turing nešpecifikoval ako viesť toto „genetické alebo evolučné prehľadávanie“ na 

riešenie problémov a hlavne nespomenul koncept populácie alebo rekombinácie, ale 

o dva roky neskôr uvádza 4 : 

“Nemôžeme očakávať, že nájdeme dobrého potomka na prvý pokus.“ 5 

Interaktívne evolučné výpočty takýmto spôsobom, inšpirujúc sa evolúciou 

v prírode, prehľadávajú priestor možných riešení a používateľ rozhoduje o vývoji 

„knižníc“ podobných Borgesovej, ktoré majú podobu obrázkov, hudobných kompozícií, 

architektonických a dizajnérskych produktov. 

Mojou ambíciou je zaujímavo popísať základné myšlienky evolučných výpočtov 

a použiť nadobudnuté teoretické poznatky v jednoduchej aplikácii pre grafický dizajn. 

Ako základ pri písaní tejto práce mi poslúžili práce najvýznamnejších osobností sveta 

v oblasti evolučných výpočtov. 

3 Alan Turing v roku 1948 v knihe „Intelligent Machinery“ 

4 v roku 1950 v článku „Computing Machinery and Intelligence“ 

5 Turing takisto načrtol prepojenie medzi procesom hľadania lepšieho riešenia (hovoriac o strojoch) 

a evolúciou pomocou identifikátorov ako dedičný materiál (štruktúra potomka), mutácie (zmeny 

potomka), prirodzená selekcia (posúdenie experimentátora).

Obsah 

Zoznam obrázkov ......................................................................................................... 11 

Zoznam symbolov a skratiek ....................................................................................... 13 

Slovník termínov........................................................................................................... 14 

Úvod ............................................................................................................................... 16 

Formulácia úlohy .......................................................................................................... 19 

1 Súčasný stav v oblasti interaktívnych evolučných výpočtov a ich aplikačný 

potenciál ................................................................................................................... 20 

1.1 Základné princípy evolučných výpočtov a genetické operátory ......................... 20 

1.2 Druhy evolučných výpočtov................................................................................ 22 

1.3 Kroky genetického algoritmu.............................................................................. 24 

1.4 Interaktívne evolučné výpočty ............................................................................ 25 

1.4.1 Dva priestory IEC ........................................................................................ 26 

1.4.2 KANSEI....................................................................................................... 27 

1.5 Súčasný výskum interaktívnych evolučných výpočtov....................................... 28 

1.6 Príklady aplikácií interaktívnych evolučných výpočtov ..................................... 30 

2 Využitie interaktívnych evolučných výpočtov v grafickom dizajne ................... 35 

2.1 Evolučný dizajn ................................................................................................... 35 

2.1.1 Evolúcia – nástroj na objavovanie dizajnérskych možností ........................ 35 

2.1.2 Oblasti evolučného dizajnu.......................................................................... 36 

2.1.3 Dokáže byť počítačový program kreatívny?................................................ 37 

2.1.4 Dawkinsove biomorfy.................................................................................. 38 

2.1.5 Porovnanie manuálneho návrhu a návrhu použitím evolučných 

výpočtov .............................................................................................................. 39 

2.2 Evolučné umenie ................................................................................................. 40 

2.2.1 Hlavné inšpirácie použitia evolučné výpočtov v grafickom dizajne ........... 41 

3 Návrh a realizácia programového systému pre interaktívny dizajn 

v oblasti grafiky....................................................................................................... 45 

3.1 Reprezentácia a model RGB ............................................................................... 45 

3.2 Karteziánske genetické programovanie............................................................... 47 

3.2.1 Výhody CGP................................................................................................ 47 

3.2.2 Genotyp........................................................................................................ 47

3.2.3 Genetický drift ............................................................................................. 48 

3.2.4 Výstupy........................................................................................................ 48 

3.3 Kroky výpočtu ..................................................................................................... 48 

3.3.1 Populácia...................................................................................................... 48 

3.3.2 Selekcia ........................................................................................................ 49 

3.3.3 Genetické operátory..................................................................................... 49 

3.4 Návrh užívateľského rozhrania............................................................................ 50 

4 Realizácia demonštračných experimentov na vyvíjanom systéme ..................... 51 

4.1 Ukážky obrazov................................................................................................... 51 

4.2 Neautonómna evolúcia – hodnotenie užívateľom ............................................... 52 

4.2.1 Ukážka kríženia ........................................................................................... 52 

4.2.2 Ukážka mutácie............................................................................................ 53 

4.3 Autonómna evolúcia – smerom k cieľovému obrazu.......................................... 54 

5 Teoretická analýza možností vyvíjaného systému pre jeho reálne 

nasadenie v praxi..................................................................................................... 55 

5.1 Možnosti vylepšenia programého systému ......................................................... 55 

5.1.1 Rozšírenie rozmanitosti obrazov.................................................................. 55 

5.1.2 Vylepšenie funkcie evolúcie smerom k cieľovému obrazu ........................ 55 

5.1.3 Zrýchlenie konvergencie algoritmu ............................................................. 55 

5.1.4 Schopnosť systému učiť sa estetické preferencie od užívateľa ................... 56 

5.1.5 Internetový prístup ....................................................................................... 56 

5.2 Oblasti na nasadenie systému v praxi.................................................................. 56 

5.2.1 Kompresia dát .............................................................................................. 56 

5.2.2 Trojrozmerná evolúcia ................................................................................. 57 

5.3 Teoretická analýza výsledkov ............................................................................. 58 

5.3.1 Miera mutácie .............................................................................................. 58 

5.3.2 Kríženie........................................................................................................ 58 

5.3.3 Rôznorodosť obrazov................................................................................... 59 

5.3.4 Zostávajúce problémy programového systému ........................................... 59 

Zhodnotenie a záver...................................................................................................... 60 

Zoznam použitej literatúry .......................................................................................... 62 

Prílohy............................................................................................................................ 68

FEI KKUI 

Zoznam obrázkov 

Obr. 1 Reprodukcia dvoch chromozómov a následná mutácia ich potomka................. 21 

Obr. 2 Príklad reprezentácie GP funkcie +(-(0,5),/(PI,*(a,b))) ................ 23 

Obr. 3 Znázornenie procesu IE systému inšpirovaného Takagim .................................. 25 

Obr. 4 Prístroj na počúvanie podľa Takagiho................................................................. 30 

Obr. 5 Face-it: Pagliariniho softvér kreslenia tvárí......................................................... 31 

Obr. 6 Evolúcia rôznych expresií tvárí ........................................................................... 31 

Obr. 6 Návrh áut inšpirovaný Takagim .......................................................................... 32 

Obr. 7 Aplikácia IEC v módnom dizajne ....................................................................... 33 

Obr. 8 Ukážka návrhu budovy DeLandom a Rayov systém Para-City .......................... 34 

Obr. 9 Prírodné variácie dizajnu a variácie dizajnu vytvorené Lionelom Deanom........ 35 

Obr. 10 EC a ED majú korene v Počítačovej Vede a Evolučnej Biológii podľa 

Bentleyho [3] .................................................................................................. 36 

Obr. 11 Rozdelenie ED do oblastí podľa Bentleyho [3]................................................. 37 

Obr. 12 Ukážka obyvateľov Biomorfickej Krajiny ........................................................ 38 

Obr. 13 Iteračný proces návrhu stola s množinou potencionálnych riešení ................... 39 

Obr. 14 Iteračný proces návrhu stola s jedným riešením................................................ 40 

Obr. 15 Ukážka práce Williama Lanthama .................................................................... 42 

Obr. 16 Simsova umelecká práca ................................................................................... 42 

Obr. 17 Simsove „kreatúry“............................................................................................ 42 

Obr. 18 Rookova umelecká práca................................................................................... 43 

Obr. 19 Unemiho SBART .............................................................................................. 43 

Obr. 20 Machadova umelecká práca............................................................................... 44 

Obr. 21 Hartova umelecká práca použitím GP............................................................... 44 

Obr. 22 Ashmorova umelecká práca použitím GP ......................................................... 44 

Obr. 23 Model RGB........................................................................................................ 46 

Obr. 24 Spôsob kríženia dvoch genotypov..................................................................... 49 

11

FEI KKUI 

Obr. 25 Obrazy s počtom uzlov 1................................................................................... 51 

Obr. 26 Obrazy s počtom uzlov 50................................................................................. 51 

Obr. 27 Obrazy s počtom uzlov 100............................................................................... 51 

Obr. 28 Vybratí rodičia na kríženie ................................................................................ 52 

Obr. 29 Potomstvo kríženia dvoch genotypov bez mutácie .......................................... 52 

Obr. 30 Potomstvo kríženia dvoch genotypov s nastavením miery mutácie na 10%..... 52 

Obr. 31 Rodič mutácie .................................................................................................... 53 

Obr. 32 Potomkovia mutácie s mierou 5% dvoch genotypov (bez kríženia) ................. 53 

Obr. 33 Potomkovia mutácie s mierou 50% dvoch genotypov (bez kríženia) .............. 53 

Obr. 34 Cieľové obrazy a ich vyvinuté podobizne ......................................................... 54 

Obr. 35 Graf vývoja evolúcie smerom k totožnosti s načítaným obrázkom.................. 54 

Obr. 36 EU v trojrozmernom priestore, autorom je Cristian René Paraná..................... 57 

Obr. 37 Zľava: systém šírenia difúzie, fraktály, celulárny automat ............................... 58 

12

FEI KKUI 

Zoznam symbolov a skratiek 

CGP Cartesian Genetic Programming –karteziánske genetické programovanie 

EC,EV Evolutionary Computation – evolučné výpočty 

ED Evolutionary Design – evolučný dizajn 

GA Genetic Algorithms – genetické algoritmy 

GP Genetic Programming – genetické programovanie 

GUI Graphical User Interface – grafické používateľské rozhranie 

IEC, IEV Interactive Evolutionary Computation - interaktívne evolučné výpočty 

IGA Interactive Genetic Algorithms – interaktívne genetické algoritmy 

Kb Kilobyte – kilobajt , 1 kilobajt = 1024 alebo 1000 bajtov 

LCF Learning Classifier Systems – učiace klasifikačné systémy 

NN Neural Network – neurónová sieť 

UI Umelá Inteligencia 

13

FEI KKUI 

Slovník termínov 

Adaptívny je prispôsobujúci sa podmienkam, daným okolnostiam 

Alela je dedičný základ znaku, jedna z viacerých alternatívnych foriem génu 

Algoritmus je súhrn matematických úkonov slúžiacich účelnému prevedeniu 

určitého výpočtu platného pre všetky podobné úlohy 

Biomorf z anglických slov „biological morphologies“ – biologické tvary/útvary – 

útvary, obrazce generované matematickými operáciami v komplexnej rovine, ktoré sa 

podobajú na primitívne formy života 

CAD systém (Computer-Aided Design) je používanie počítačovej technológie 

ako pomôcky pri navrhovaní produktu 

Darvinizmus (staré písanie darwinizmus) je odvetvie biológie, ktoré študuje 

zákonitosti historického vývoja organizmov, nazvané podľa Darwina. Princípy 

darvinizmu sú: organizmy v prírode sa vplyvom vonkajšieho prostredia menia 

(variabilita); niektoré organizmy v danom prostredí obstoja lepšie ako iné (prírodný 

výber) a vlastnosti, ktoré indivíduum získalo vo vývine, sa prenášajú na potomstvo 

(dedičnosť získaných vlastností) 

Deterministický systém je systém, ktorého správanie je jednoznačne určené jeho 

stavom a podnetmi 

Fenotyp je súbor pozorovateľných znakov a vlastností organizmu 

Fitness je jednoduchá heuristická funkcia, ktorá hovorí o vhodnosti konkrétneho 

chromozómu stať sa hľadaným riešením 

populácie 

Fixná dĺžka je pevná dĺžka, v danom kontexte pre všetky chromozómy danej 

Fraktál je objekt vybudovaný pomocou rekurzie, ktorého obsah (resp. objem) je 

konečný, pričom obvod (resp. povrch) je nekonečný 

Fuzzy logika je odbor matematiky odvodený z teórie fuzzy množín, v ktorom sa 

logické výroky ohodnocujú stupňom príslušnosti 

Fuzzy regulátor je znalostný systém pracujúci v reálnom čase, ktorý pri riadení 

modeluje spôsob ľudského uvažovania. 

14

FEI KKUI 

Má pravidlá v tvare produkčných pravidiel AK predpoklad POTOM záver, kde 

predpoklad aj záver sú fuzzy množiny jednotlivých zadefinovaných lingvistických 

premenných 

Gén je jednoduchá reprezentácia nejakej vlastnosti nášho problému. V mnohých 

prípadoch je gén 1bit 

Genotyp je celkový génový súbor organizmu 

Chromozóm je prípustné riešenie úlohy tvorené binárnym reťazcom 

Kognitívny je týkajúci sa poznania; založený na poznaní; slúžiaci na poznávanie, 

poznávací. Kognitívna veda je interdisciplinárny výskum, ktorý pretína umelú 

inteligenciu, psychológiu a neurovedu myslenia, uvažovania, pamäti, pozornosti, 

vnímania a motorickej kontroly 

Konvergovať je približovať sa k správnemu výsledku 

L-systémy (L alebo Lindenmayerove systémy - podľa zakladateľa Aristida 

Lindenmayera, 1968) sú formálne gramatiky - množina pravidiel a symbolov- 

najrozšírenejšie aplikované na modelovanie rastu rastlín 

Miera kríženia je pravdepodobnosť, že dva chromozómy si vymenia nejaké bity 

Miera mutácie je pravdepodobnosť, že gén v určitom mieste bude zmutovaný 

Neurónová sieť (NN) je masívne paralelný procesor, ktorý má sklon k 

uchovávaniu experimentálnych znalostí a ich ďalšieho využívania a napodobňuje 

ľudský mozog v dvoch aspektoch: poznatky sú zbierané v NN počas učenia a váhy 

medzineurónových spojení sú využívané na ukladanie znalostí 

Optimalizácia je proces výberu najlepšieho variantu z množstva možných javov 

Pixel (skratka z angl. picture element – obrazový prvok; po anglicky aj pel/PEL) je 

najmenšia jednotka digitálnej rastrovej (bitmapovej) grafiky. Predstavuje jeden svietiaci 

bod na monitore, respektíve jeden bod obrázku zadaný svojou farbou 

Populácia je konečná množina chromozómov 

Premapovanie je projekcia; zobrazenie 

Systém (z latinčiny system – spojiť, skombinovať) je účelovo definovaný celok 

komponentov, medzi ktorými existujú určité vzťahy, a ktoré sledujú nejaký cieľ 

15

FEI KKUI 

Úvod 

16 

Dizajn je základnou dušou ľudskej tvorby 

Steve Jobs 

Evolučné výpočty (ďalej EV, EC) sú biologicky inšpirované počítačovo orientované 

výpočtové prístupy, ktoré vychádzajú z Darwinovej teórie. Richard Dawkins na 

vysvetlenie tejto teórie navrhol scenár, podľa ktorého by sa život objavil niekde inde vo 

vesmíre, s rovnakými podmienkami. Chcel dokázať, že evolúcia nie je obmedzená len 

na biologické formy ako ich poznáme, s DNA ako ich základom, ale namiesto toho sa 

proces môže objaviť v akomkoľvek systéme, ktorý obsahuje informáciu a kde sú 

prítomné dedičnosť, selekcia a variabilita. 

Cieľom mojej bakalárskej práce bolo teoreticky analyzovať tieto výpočtové 

prístupy a následne sa pokúsiť navrhnúť podobný systém. Zamýšľam sa nad napísaním 

programu schopného tvoriť a vyvíjať abstraktné obrazy. Evolúcia bude vedená 

užívateľom, ktorý si vyberá, ktorý z ponúknutých obrazov preferuje. 

V prvej kapitole zhrniem základné definície, vlastnosti, genetické operátory 

a zložky evolučných výpočtov. Uvediem fundamentálne charakteristiky ich 

jednotlivých druhov, pričom sa zameriam na genetické algoritmy a genetické 

programovanie, ktorých výpočtové kroky rozoberiem v nasledujúcej podkapitole. 

Potom predstavím interaktivitu, ktorú niektorí vedci nazývajú ideológiou, iní 

technológiou a kde sa človek stáva tvorcom a systém plní funkciu prostriedku, ktorý mu 

to umožňuje. Následne ďalej rozviniem otázky súčasného výskumu, ktorých väčšina 

súvisí práve so spoluprácou človeka so systémom. Prvú kapitolu ukončím príkladmi 

aplikácií interaktívnych evolučných výpočtov. 

V druhej kapitole sa zameriam na využitie spomínanej techniky v oblasti dizajnu. 

Na úvod sa pokúsim zhrnúť hlavné myšlienky evolučného dizajnu a vyberiem, z môjho 

pohľadu, jeho najzaujímavejšie aplikácie. 

V tretej kapitole sa pokúsim navrhnúť jednoduchý programový systém, ktorý 

v posledných dvoch kapitolách analyzujem a porozmýšľam, akým spôsobom by musel 

byť upravený, aby sa dal reálne použiť v praxi.

FEI KKUI 

Moja bakalárska práca je založená na preštudovaní mnohých článkov a kníh 

svetovo najuznávanejších autorov v tejto oblasti. Úvod do teoretických základov je 

zväčša inšpirovaný prácou autorov, ktorí sú považovaní za zakladateľov a prvých 

výskumníkov evolučných výpočtov. Opis súčasného stavu je založený na aktuálnych 

výsledkoch výskumu autorov, ktorí sa vo veľkej miere zaslúžili o vývoj a pokroky 

v tejto oblasti umelej inteligencie. Dovolím si predstaviť niektorých z nich. 

Peter J. Bentley prednáša na univerzite v Londýne a jeho výskum zahŕňa okrem 

evolučných algoritmov aj umelé imúnne systémy, kolónne a iné zložité systémy, 

aplikované v rôznych oblastiach, vrátane dizajnu, riadenia, robotiky, nanotechnológie, 

bezpečnosti a umenia. Publikoval cez 160 vedeckých článkov a editoval veľmi úspešné 

knihy, napríklad „Evolutionary Design by Computers“, „Creative Evolutionary 

Systems“, „On Growth, Form and Computers“, a je autorom kníh ako „Digital 

Biology“, „The Book of Numbers“ a „The Undercover Scientist: The Science of 

Mishaps“. 

John A. Biles je profesorom na Rochester Institute of Technology v New Yorku 

a venuje sa hlavne počítačovej kompozícii hudby, je tvorcom GenJamu, genetického 

algoritmu, ktorý sa učí improvizovať jazz. Okrem toho sa zaoberá otázkami kreativity 

počítačových systémov. 

Richard Dawkins 6 , etnológ, evolučný biológ a populárny vedecký autor, prednáša 

na univerzite v Oxforde a je tvorcom Biomorfickej Krajiny. 

Lawrence J. Fogel patril medzi prvých bádateľov v oblasti evolučných výpočtov 

a analýze ľudských faktorov. Je považovaný za otca evolučného programovania. 

David E. Goldberg je profesor na univerzite v Illinois a vedie tu laboratórium 

genetických algoritmov (IlliGAL). Jeho kniha „Genetic Algorithms for Search, 

Optimization, and Machine Learning“ je jedna z najcitovanejších publikácií 

v počítačovej vede. 

Hideyuki Takagi je profesor na Kyushu univerzite a patrí medzi popredných 

súčasných vedcov zaoberajúcich sa interaktívnymi evolučnými výpočtami. 

6 Dawkins je známy svojimi názormi na náboženstvo, ktorých sa moja bakalárska práca netýka 

a zaoberám sa len jeho prácou ohľadom evolučných výpočtov. 

17

FEI KKUI 

David Augustus Hart študoval počítačovú grafiku a matematiku. Jeho úspešné 

digitálne obrazy ho viedli k práci v rôznych oblastiach od digitálneho umenia po 

medicínske obrazy, od video hier po animované filmy. 

John Holland bol expertom v počítačovom programovaní a pre IBM navrhoval 

prvú kalkulačku, popri výskume ktorej si všimol, že medzi biológiou a výpočtovou 

vedou existuje prepojenie. Jeho kniha „The Genetic Theory of Natural Selection“ 

vstúpila do dejín vedy, lebo evolúcia bola opísaná ako motor pre adaptáciu. Keďže jeho 

teória fungovala pre živé organizmy, prečo nie aj pre počítačové programy. Takto 

vznikla teória genetických algoritmov. 

John R. Koza je vedcom a prednášateľom na Stanfordskej univerzite a patrí medzi 

zakladateľov genetického programovania, techniky na optimalizáciu zložitých 

problémov. 

Ingo Rechenberg v 60-tych a 70-tych rokoch vyvinul množinu optimalizačných 

metód známych ako evolučné stratégie, ktoré úspešne aplikoval. 

Hans-Paul Schwefel prednáša na univerzite v Dortmunde a patrí medzi prvých 

vedcov v oblasti evolučných výpočtov, najmä evolučných stratégií. 

Karl Sims vedie GenArts, Inc. v Massachusetts a je tvorcom umelecko-vedeckých 

interaktívnych počítačových animácií ako sú napríklad Galápagos a Genetic Images. 

18

FEI KKUI 

Formulácia úlohy 

Úlohou tejto bakalárskej práce bolo: 

1) Analyzovať súčasný stav výskumu interaktívnych evolučných výpočtov a uviesť 

hlavné aplikačné oblasti s konkrétnymi príkladmi systémov. 

2) Detailnejšie analyzovať aplikačný potenciál IEC v dizajne. 

3) Navrhnúť a implementovať zvolený algoritmus na grafický dizajn. 

4) Vykonať experimenty. 

5) Pouvažovať nad použitím navrhnutého programu v praxi. 

Práca je rozdelená do piatich kapitol, v ktorých sú postupne realizované jednotlivé 

zadané úlohy. 

V prvej kapitole sa nachádza prehľad vlastností evolučných výpočtov, jednotlivé 

druhy so zameraním na genetické algoritmy a genetické programovanie, ich kroky 

nasledované opisom interaktivity a problémov súčasného výskumu. Na záver kapitoly 

sú uvedené príklady ich aplikácií. 

Keďže bakalárska práca sa zaoberá využitím EV v dizajne, druhá kapitola 

poskytuje okrem definície aj prehľad aplikácií dizajnu, kde sa využívajú EV. 

Tretia kapitola obsahuje návrh jednoduchého programového systému v oblasti 

grafiky, pričom výsledky a vykonané experimenty sú uvedené v štvrtej kapitole. 

Piata kapitola práce sa zaoberá analýzou možností navrhnutého systému pre jeho 

reálne nasadenie v praxi, pričom sa zameriava na oblasť konceptuálneho dizajnu. 

Tretia a štvrtá kapitola tvoria jadro predloženej bakalárskej práce. 

V záverečnej kapitole je uvedené zhrnutie dosiahnutých výsledkov a tiež 

podnety pre ďalšie zlepšenie navrhnutého systému. 

19

FEI KKUI 

Sme schopní veľkých vecí. A nepochybujem, že bytosti, 

ktoré nás budú nasledovať, budú schopné ešte väčších. 

Evolúcia sa s nami nezastavila...Evolúcia môže pokračovať do nekonečna. 

1 Súčasný stav v oblasti interaktívnych 

20 

Gene Roddenberry, La Costa, 1990 

evolučných výpočtov a ich aplikačný potenciál 

1.1 Základné princípy evolučných výpočtov a genetické 

operátory 

“Evolučné výpočty sú celé o hľadaní. Keď používame prehľadávací algoritmus 

v počítačovej vede a v umelej inteligencii, definujeme výpočtový problém v medziach 

prehľadávacieho priestoru, ktorý môže byť označený ako obrovská kolekcia 

potenciálnych riešení problému. Bežne používaný výraz v tomto kontexte je 

„optimalizácia“, čo jednoducho znamená nájdenie najlepšieho. Napríklad, ako 

prehľadávanie knižnice na nájdenie knihy, ktorá najlepšie spĺňa naše požiadavky“ [3]. 

Evolúcia je kontroverzný pojem, vnímaný v mnohých významoch. Niekedy 

takmer akákoľvek zmena je považovaná za podobu evolúcie a inokedy sa evolúciou 

nazýva len veľmi prísne ohraničený špecifický proces, ktorý má svoje miesto 

v genetických systémoch, respektíve v biologickej evolúcii. Na splnenie účelu mojej 

práce nemá zmysel ďalej uvažovať o týchto odlišných prístupoch. 

Na evolúciu sa v kontexte výpočtovej vedy možno pozerať dvojakým spôsobom: 

1) ako na cieľ, so snahou namodelovať a pochopiť ju a 

2) ako na nástroj, slúžiaci na riešenie úloh. 

Základné zložky EC sú [7]: 

1) prirodzený výber, selekcia: silnejší jedinci s vyššou pravdepodobnosťou prežitia 

vstupujú do reprodukčného procesu častejšie, kde schopnosť prežiť sa rovná funkcii 

vhodnosti, tzv. fitness;

FEI KKUI 

2) náhodný genetický drift: náhodné udalosti ovplyvňujú populáciu v čase (napr. 

mutácia genetického materiálu jedinca alebo smrť jedinca pred tým, ako vstúpi do 

reprodukčného procesu); 

3) reprodukčný proces: vznik nových jedincov populácie kombináciou 

genetického materiálu rodičovských jedincov. 

Genetické operátory sú: 

1) Reprodukcia: proces, pri ktorom sú indivíduá kopírované vzhľadom na 

funkciu vhodnosti (fitness). To znamená, že jedinec s vyššou hodnotou má vyššiu 

pravdepodobnosť prispieť jedným alebo viacerými potomkami v nasledujúcej generácii, 

podobne ako v prírode, kde prežíva silnejší jedinec. 

(2) Kríženie: proces, v ktorom novo-reprodukovaní jedinci sú náhodne spájaní 

a každý pár si parciálne vymení informáciu. 

(3) Mutácia: operácia, pri ktorej sa zmení hodnota niektorého génu na novú 

náhodnú prípustnú hodnotu. 

Obr. 1 Reprodukcia dvoch chromozómov a následná mutácia ich potomka 

EC pracuje s populáciou chromozómov, kde v každom z nich je zakódované určité 

riešenie problému, vlastnosť, čiže genotyp a vytvorí sa konkrétne riešenie, ktoré 

predstavuje fenotyp. Možné konkrétne hodnoty daného génu reprezentujú alely. Pre 

vývoj procesu je nevyhnutné, aby sa v nových genotypoch vyskytovali variácie alebo 

mutácie s istou frekvenciou výskytu. Evolúcia nie je explicitne formulovaná v EC, to 

znamená, že nie je napevno naprogramovaná, ale vzniká sekundárne počas behu 

algoritmu. 

21

FEI KKUI 

1.2 Druhy evolučných výpočtov 

22 

Tí, ktorí sú inšpirovaní iným modelom ako Prírodou, 

vládnucou všetkým pánom, márne sa snažia. 

Leonardo Da Vinci 

Evolučné výpočty, respektíve evolučné algoritmy (EA) je spoločné pomenovanie pre 

počítačové výpočtové systémy, ktoré riešia danú problematiku, a ktoré používajú 

výpočtové modely evolučných procesov ako kľúčové elementy pri ich návrhu a 

implementácii. 

Hlavné rozdiely medzi jednotlivými EC sú: 

1) v reprezentácii jedincov, 

2) v spôsobe ohodnotenia jedincov - výpočtu vhodnosti a 

3) v genetických operátoroch. 

Pojem evolučné výpočty zastrešuje techniky: 

(1) Genetické algoritmy (ďalej GA), ktoré v roku 1975 navrhol Holland [21] 

a opísal ako adaptívne správanie základných foriem života, neskôr Goldberg [14] ako 

nástroj na riešenie optimalizačných úloh a Beasley [2] ako adaptívne metódy, ktoré 

môžu byť využité na riešenie prehľadávacích a optimalizačných úloh. 

Hlavné ciele ich tvorcu, Hollanda, boli: (1) zhrnúť a vysvetliť adaptívne procesy 

prírodných systémov a (2) navrhnúť umelé systémy, ktoré si ponechávajú dôležité 

mechanizmy prírodných systémov. 

Najvýstižnejšia je definícia Kozu [29]: 

“Genetický algoritmus je pravdepodobnostný prehľadávací algoritmus (postup 

krokov), ktorý iteratívne transformuje množinu (nazvanú populácia) matematických 

objektov (typicky binárne znakové reťazce s fixnou dĺžkou), každý s príslušnou hodnotou 

funkcie vhodnosti, na novú populáciu objektov potomstva používajúc Darwinov princíp 

prírodného výberu a operátory, ktorých vzorom sú v prírode sa vyskytujúce genetické 

operácie, ako kríženie (pohlavná rekombinácia) a mutácia.“

FEI KKUI 

GA sa používajú s neurónovými sieťami a fuzzy logikou na riešenie zložitejších úloh. 

Ich veľký úspech podnietil výskumníkov tak, že si požičali ďalšie koncepty z prírody 

a aplikovali ich v počítačových vedách. GA umožňujú vyhľadávanie v obrovských 

priestoroch riešení. Používajú sa aj ako klasifikačné alebo triediace systémy a na 

nájdenie optimálneho vektora parametrov (váh) pre NN. 

(2) Genetické programovanie 7 , ktoré vychádza z GA, ale na rozdiel od týchto 

algoritmov je reprezentované pomocou štruktúrovaných stromov funkcií namiesto 

reťazcov bitov. Tie hierarchicky zobrazujú štruktúru genetického reťazca (informácie) a 

umožňujú jednoduché a rýchle spravovanie genetických programov (vzorcov). 

Koncové uzly v strome patria do koncovej (terminálnej) množiny, ktorá 

predstavuje množinu možných uzlov tvoriacich listy stromu, ostatné sú vetvy. 

Terminálna množina sa skladá z programových vstupov (premenných) a fixných čísel 

(môže to byť náhodné číslo) a neterminálna množina obsahuje funkcie a operátory. 

Obr. 2 Príklad reprezentácie GP funkcie +(-(0,5),/(PI,*(a,b))) 

Programový systém GP môže byť mutovaný vybraním náhodného uzla 

a zmenením jeho funkcie alebo hodnoty. Ďalšia možnosť je nahradiť jeho celý 

„podstrom“ náhodnými uzlami. Kríženie je implementované vybraním náhodného 

„podstromu“ každého rodiča a ich zámenou u potomka. Veľkosť stromu málokedy 

ostáva rovnaká po mutácii a krížení. 

Ďalšia odlišnosť oproti GA je, že reťazce sú dynamické (nezávislé od veľkosti 

reťazcov a populácie), čo predstavuje podstatnú výhodu. 

7 Samozrejme, viacerí autori majú rôzny názor, ktoré techniky pojem evolučné výpočty zastrešuje. 

Napríklad podľa Schwefela [46] sa genetické programovanie a učiace klasifikačné systémy oddialili od 

filozofie evolučných výpočtov. 

23

FEI KKUI 

(3) Evolučné programovanie, ktorému sa venovali najmä Lawrence Fogel [11] 

a David Fogel [10], a ktoré je možné stručne definovať ako techniku určenú na 

prehľadávanie priestoru, kde sa dôraz kladie na operátor mutácie a nezahŕňa sa 

rekombinácia (výber je pravdepodobnostný). 

(4) Evolučné stratégie, ktoré vyvinuli Rechenberg [43] a Schwefel [46] a sú 

definované ako algoritmy na numerickú optimalizáciu, kde je kladený dôraz na mutáciu 

a zároveň na rekombináciu (výber je deterministický). 

(5) Učiace klasifikačné systémy (Learning classifier systems), čo sú učiace 

vzory, v ktorých sa agent učí úlohu evolúciou populácií pravidiel a kde je prítomný 

genetický algoritmus. Konečná populácia klasifikátorov reprezentuje aktuálnu znalosť 

systému, kde GA zlepšuje aktuálne riešenie hľadaním lepších klasifikátorov [34] . 

Pojem „algoritmus (algorithm)“ sa neobjavil v slovníku Webster’s New World Dictionary ešte 

aniv roku 1957. Najpodobnejšie slovo, ktoré sa objavovalo v slovníkoch v tom čase bolo „algorism“, čo 

znamená proces v aritmetike používajúci arabské číslice. Pojem algoritmus sa objavuje ako výsledok 

pomýlenia si slova aritmetika (arithmetic) s menom perzského matematika 

Abu Jafar Mohammed ibn Musa al-Khowarizmi ... až pokiaľ tento pojem nadobudol dnešný 

1.3 Kroky genetického algoritmu 

význam presne definovanej procedúry na výpočet niečoho. 

Genetický algoritmus pozostáva vo všeobecnosti z nasledujúcich krokov: 

24 

George Markowsky [36] 

1) Náhodné generovanie počiatočnej populácie (v mnohých prípadoch sú už známe 

poznatky o riešení, ktoré sa použijú na usmernenie tohto generovania). 

2) Hodnotenie jedincov. 

3) Test splnenia podmienok (dosiahnutie požadovanej hodnoty fitness alebo 

stanoveného počtu generácií): 

a) ak sú ukončovacie podmienky splnené, dostávame riešenie 

b) ak nie, cyklus pokračuje ďalej selekciou (výberom) skupín chromozómov do 

ďalšej generácie. 

4) Kríženie a mutácia. 

5) Vznik novej generácie a skok na krok (2).

FEI KKUI 

"Žiadne návody na tvorenie krásy nemôžu byť nikdy zostrojené, 

ale analyzovaním môžeme zistiť príčiny rôznych dojmov, ich zdroje a pôvody, 

a tak zjednodušiť architektonickú tvorbu, keď sa dizajnér stáva vedomý povahy 

1.4 Interaktívne evolučné výpočty 

jeho vlastnej tvorby a faktorov ovládajúcich jeho výsledky.“ 

J.S. Sirén's (fínsky profesor architektúry, 1889 –1961) 

Existujú dva typy cieľových systémov používaných na systémovú optimalizáciu: 

1) sú to systémy, hodnotiace funkcie je možné vyjadriť numericky – alebo aspoň 

kvantitatívne a 

2) systémy, u ktorých je veľmi ťažké, niekedy nemožné, tieto optimalizačné parametre 

špecifikovať, vyjadriť, ako je napríklad ohodnotenie hudby a iných umeleckých diel. 

Kritériá pri takýchto systémoch sú subjektívne, to znamená, že sú závislé od 

konkrétneho posudzovateľa. Existuje množstvo oblastí, nielen umelecké a estetické, ale 

aj inžinierske a vzdelávacie, kde výstupy systému závisia od preferencií, zmyslov, 

emócií a porozumení človeka. V interaktívnych evolučných výpočtoch je funkcia 

vhodnosti nahradená ľudským užívateľom. 

Obr. 3 Znázornenie procesu IE systému inšpirovaného Takagim 

25

FEI KKUI 

Vo všeobecnosti sa používanie interaktívnych evolučných výpočtov začína 

dielom Richarda Dawkinsa a jeho konceptom Sebeckého génu. Viacerí vedci veria, 

že technológie, ktoré majú blízko k ľudom, ako je aj interaktívny evolučný výpočet 

(ďalej IEC) predstavujú nasledujúci krok vo výpočtových technológiách. 

Hideyuki Takagi [52] rozdeľuje definície IEC na: 

1) užšia definícia IEC: technológia, ktorá pomocou EC optimalizuje cieľový 

systém na základe subjektívnej hodnotiacej funkcie človeka, ktorou je funkcia 

vhodnosti pre výstupy daného systému a 

2) širšia definícia IEC: technológia, ktorá optimalizuje cieľový systém s 

použitím interaktívneho rozhrania medzi človekom a počítačom. 

Proces interaktívnej evolúcie je z istého pohľadu možné vykresliť ako 

1) systém, ktorý pripúšťa interaktívnu spoluprácu používateľa a počítača ako 

spôsob produkovania nových výstupov pomocou princípov evolúcie, aj ako 

krásu. 

2) systém, ktorý sa učí od používateľa „estetickosti“, ľudskej schopnosti vnímať 

Dnešný výskum IEC zahŕňa aj možnosť: 

3) systém, ktorý pomáha používateľovi s objavovaním kreativity. 

1.4.1 Dva priestory IEC 

IEC je optimalizačný nástroj, ktorý využíva kooperáciu človeka a počítača, to znamená, 

že v časti cyklu (2) hodnotenie jedincov (viď kapitolu 1.3) je subjektívne hodnotenie 

získané od človeka (funkcia vhodnosti) ako hodnotenie vzdialenosti medzi vlastnou 

predstavou a výstupom optimalizačného procesu v psychologickom priestore. Na druhej 

strane IEC pracuje v priestore parametrov a dochádza k premapovaniu medzi týmito 

priestormi. IEC hľadá v priestore parametrov globálne optimum (jedná sa skôr o oblasť, 

ako konkrétny bod priestoru prehľadávania). 

Bentley [3] povedal: „Je plodné pozorovať genetický algoritmus ako používa 

dva separované priestory: prehľadávací priestor a priestor riešení. Prehľadávací priestor 

je teraz priestor kódovaných riešení úlohy a priestor riešení je priestor aktuálnych 

riešení. Kódované riešenia alebo genotypy musia byť zobrazené na aktuálne riešenia 

alebo fenotypy, predtým ako môže byť hodnotená vhodnosť.“ 

26

FEI KKUI 

1.4.2 KANSEI 

„Umelec je nádoba emócií, ktoré prichádzajú zo všetkých možných miest: 

z oblohy, zo zeme, z útržka papieru, z nestálosti tvaru... „ 

27 

Pablo Picasso, španielsky maliar 

Ľudia majú okrem tradičných znalostí aj množinu vlastností ako sú emócie, intuícia, 

preferencie, pocity, vnemy a rôzne iné psychologické funkcie, ktoré dostali 

pomenovanie KANSEI (z japonského slova 感性工学 kansei kougaku: zmyslové 

inžinierstvo). 

KANSEI je ... 8 

subjektívny efekt, ktorý sa nedá opísať len slovne 

kognitívny koncept, ovplyvnený znalosťou, skúsenosťami a vlastnosťami 

jednotlivca 

vzájomná interakcia medzi intuíciou a intelektuálnou aktivitou 

citlivosť vnímania aspektov ako je krása 

tvorba obrazov 

Hodnotiaca funkcia v IEC začleňuje subjektívne ohodnotenie, čiže KANSEI, do 

optimalizačného systému. 

V prípade dizajnu, dizajnér má vo svojej mysli určitú predstavu, pocit, obraz. 

K uspokojeniu dizajnéra dochádza, keď finálny produkt splnil tento obraz. V umení 

a dizajne, KANSEI je jeden z najdôležitejších elementov, pretože jeho výstupom je 

kreativita. Je dokázané, že správanie človeka pri tvorení diela nie je založené na logike, 

ale na KANSEI. 

8 Lee, Harada, Stappershttp, Pleasure with Products: Design based on Kansei 

http://studiolab.io.tudelft.nl/static/gems/publications/00Lee_PW 

PPlea.pdf

FEI KKUI 

Slovo KANSEI je interpretované rôzne, a nie je používané len v súvislosti 

s dizajnom. Protikladom je slovo CHISEI, ktoré znamená inteligenciu, správanie 

založené na logickom podklade. KANSEI a CHISEI majú rovnakú silu pri ľudskom 

konaní. Väčšina dizajnérov sa doteraz zameriavala na CHISEI, z dôvodu, že KANSEI 

bol považovaný za celkom subjektívny fenomén, keďže každý jednotlivec vníma 

skutočnosti rozdielne. Masová výroba nebrala do úvahy individuálne preferencie 

a pocity, čo je príčina, prečo dizajn nevnímal KANSEI. Súčasným trendom je, že 

funkčné požiadavky sú riešené CHISEIom, čiže logickou znalosťou technológie, ale 

splnenie emocionálnych potrieb, vrátane krásy, upriamuje pozornosť na KANSEI. 

28 

Tri miliardy rokov evolúcie nemohli byť nesprávne. 

Je to najsilnejší algoritmus, aký existuje. 

Dr. David E. Goldberg, profesor University of Illinois 

1.5 Súčasný výskum interaktívnych evolučných výpočtov 

Inžiniersky prístup pri návrhu softvéru vedie k takému prístupu, kde vnútorná štruktúra 

programu je navrhnutá tak, aby bola čo najviac prístupná užívateľovi, čím sa paradoxne 

celý softvér stáva menej prístupným, pretože tým sa komplikuje užívateľské rozhranie. 

Napríklad, namiesto toho, aby sme manipulovali so vzhľadom obrázku, nastavujeme 

jeho parametre. Často sa používa opačný prístup, kde všetky parametre sú užívateľovi 

skryté a on sa sústredí len na zlepšovanie/dosiahnutie želaného výstupu. 

Dnešný výskum interaktívnych evolučných výpočtov je zameraný práve na ich 

spriatelenie sa s človekom a na uľahčenie ich vzájomnej spolupráce. 

Z pohľadu hľadania spôsobov ako zlepšiť výkon optimalizácie IGA je výskum 

zameraný hlavne na riešenie týchto problémov: 

(1) Redukovanie únavy používateľa (user´s fatigue) 

V momente, keď ľudský operátor prichádza do kontaktu s vytrvalým počítačovým 

systémom a hodnotí jedincov EC, proces IEC nemôže pokračovať vo veľkom množstve 

generácií.

FEI KKUI 

a) Systém sa učí proces užívateľových subjektívnych hodnotení a sčasti alebo 

celkom nahrádza užívateľov v ich hodnotení, v niektorých alebo všetkých hodnotených 

vhodností jedincov v primeranom čase tak, aby sa redukoval čas strávený užívateľmi pri 

hodnotení jedincov. 

Biles [5] zaviedol neurónové siete, ktoré sa učia subjektívne hodnotenia človeka 

a nahrádzajú užívateľov v ohodnocovaní fitness jedincov. Zhou [61] hodnotil funkcie 

vhodnosti pomocou NN v IGA. V rôznych fázach sú zavedené rôzne NN na učenie 

hodnotení užívateľov a potom NN nahradzuje užívateľa v tomto procese. Hao [17] 

predstavil koncept génových častí a hodnotil celkovú vhodnosť hodnotením 

jednotlivých vhodností génových častí. Yanamoto [59] vypočítaval vzdialenosti medzi 

hodnotenými jedincami a inými jedincami, ktoré boli predtým ohodnotené 

používateľmi. 

Alternatívou alebo doplňujúcou metódou na minimalizovanie užívateľskej 

únavy je aj b) zrýchlenie konvergencie EC (zlepšenie schopnosti lokálneho 

prehľadávania). 

Ohsaki a Takagi [38] publikovali metódu, ktorá spočíva v aproximácii 

prehľadávanej plochy použitím konvexnej krivky. V niektorých prípadoch postačuje aj 

možnosť vývoja EC technológie, ktorá prehľadáva a konverguje s malou populáciou. 

Lee a Cho [33] priamo manipuloval s najlepším jedincom, keď sa populácie vyvinuli do 

určitej fázy. Autori aplikovali hierarchiu v populácii. 

Dôležitý je aj c) návrh programového rozhrania tak, aby bolo jednoduché 

a atraktívne pre používateľa. 

Druhým problémom je: 

(2) zabezpečiť rozmanitosť populácie na zlepšenie schopnosti algoritmu bádania 

Známe sú napríklad tieto metódy na riešenie tohto problému : 

• Implementácia IGA s multipopuláciou 

Rozmanitosť populácií môže byť zvýšená migráciou jedincov populáciami. 

Existujú dva druhy: 1. implementácia založená na jednom počítači a 2. založená na 

sieťach. Druhá možnosť je vhodnejšia, keďže znamená, že rôzni užívatelia môžu 

pracovať simultánne. Algoritmy môžu byť umiestnené v rôznych PC ako klienti 

a migrácia jedincov populáciami môže byť umiestnená na serveri. 

• Aplikácia zrelých adaptívnych genetických operátorov na IGA 

29

FEI KKUI 

hlasových dojmov, ako sú pokoj, hnev, radosť, atď [45]. 

30 

Cieľom je mať stroje schopné správať sa tak, 

že v prípade, že by sa takto správali ľudia, 

tak by bolo usudzované, že používajú inteligenciu. 

Arthur Samuel (1901 – 1990), 

jeden z prvých vedcov v oblasti UI a tvorca inteligentného šachu 

1.6 Príklady aplikácií interaktívnych evolučných výpočtov 

Keďže spektrum aplikácií IEC je obrovské, stručne zhrniem aplikácie do týchto oblastí: 

(1) Skvalitnenie medicínskych obrázkov: Lekári používajú tieto systémy na 

jednoduchšie a korektné určovanie chorých častí tela. Poli [41] aplikoval GP na návrh 

filtrov, ktoré zaostrujú obraz magnetickej rezonancie a kardiografických obrazov, kde 

GP tvorí matematické rovnice opisujúce filtre vzhľadom na vizuálnu odlišnosť. Mutoh 

[38] generoval postupnosti obrazových filtrov. 

(2) Prístroj na počúvanie: Aj keď digitálne počúvacie prístroje majú vyšší 

potenciál ako konvenčné analógové, problém je v rozšírení prístrojov medzi viacerých 

používateľov, keďže iba používateľ sám môže ohodnotiť kvalitu zvuku. Ohsaki 

a Takagi [38] navrhli systém, ktorý automaticky nastaví parametre prispôsobujúce sa 

vnímaniu konkrétneho používateľa. 

Obr. 4 Prístroj na počúvanie podľa Takagiho 

(3) Spracovanie reči: Použitie IEC (GA) na návrh FIR filtra (z angl. Finite 

Impulse Response – digitálny filter bez spätnej väzby) dokázalo zlepšiť kvalitu 

skreslenej reči. Známa je aj aplikácia IEC na modifikáciu parametrov reči na zmenu

FEI KKUI 

(4) Kuriyama [31] zostrojil systém na podporu učenia písania rozprávok pre 

deti, kde je zobrazených 24 obrázkov a deti si vyberajú dva štvorobrázkové súbory 

postupností, čím príbeh pokračuje. 

(5) Známe sú aj roboty založené na neurónovej sieti (ďalej NN), kde vstupom je 

informácia robotického senzora a výstupom hodnoty riadenia pohybu a IEC je použitý 

na výber lepších pohybov. 

(6) Pagliarini [40] navrhol rôzne hry, vrátane hry umelého prežitia, maľovaných 

grafov založených na evolúcii NN a kreslenia tvárí. 

Obr. 5 Face-it: Pagliariniho softvér kreslenia tvárí 

Softvér kreslenia tvárí sa využíva aj v iných oblastiach, napríklad v 

kriminalistike a v mentálnej terapii, keď talianski terapeuti začali používať Pagliariniho 

softvér na učenie mentálne postihnutých detí rozoznávanie výrazov tváre. 

Podobný systém, ale v trojrozmernej podobe navrhli Heimbrecht a Trogemann 

[20]. Jedná sa o systém, ktorý vyjadruje rôzne pocity a výrazy tváre. 

Obr. 6 Evolúcia rôznych expresií tvárí 

31

FEI KKUI 

(7) Hudba: V hudbe sa IEC používa predovšetkým na tvorbu melódií a rytmov. 

Biles [5] vyvinul GenJam, systém na simuláciu učenia improvizácie jazzu, kde 

človek hodnotí počutú melódiu. Podobne Horowitz [22] generoval rytmické sekvencie 

a Jacob implementoval pohyblivé variácie, používajúc tzv. „počítačové ucho” založené 

na chromozómoch na konštrukciu hudobných fráz. Moroniho Vox Populi je systém na 

kompozíciu hudby v reálnom čase, kde hudobná fitness sa skladá z melodickej, 

harmonickej a fitness hlasového rozpätia. 

(8) Virtuálna realita (ďalej VR): IEC vyriešil problém determinovania faktoru 

určujúceho VR, napríklad ako je kontrola ruky zápasiaceho robota. Fuzzy regulátor sa 

prispôsobuje ľudskému vnímaniu VR [26]. 

(9) Priemyselný dizajn a návrh výrobkov: Väčšinou sa jedná o produkt CAD 

systémov, čiže optimalizovanie parametrov ako je dĺžka, uhol, farba a podobne. 

Príklady aplikácií sú: návrh tvaru konkrétneho oblúku priehrady, nosných mostov, 

oblečenia, stolov (použitím primitívnych reprezentácií tvarov stoly spĺňajú rôzne 

kritériá ako veľkosť, rozloženie hmoty a stabilitu), návrh schém, ako je napríklad GUI, 

užívateľské rozhranie programového systému. Cho [23] aplikoval GA na napodobenie 

ľudského faktoru na návrh výrobkov. 

Obr. 6 Návrh áut inšpirovaný Takagim 

(10) Módny dizajn: Autori Gong, Hao, Zhou a Sun [15] aplikovali IGA 

v módnom dizajne. Navrhli IGA s multipopulačnou adaptívnou hierarchiou. Ženskú 

módu rozdelili na tri časti: hornú časť, dolnú časť a rukávy. Každá z nich je zakódovaná 

32

FEI KKUI 

štvorbitovým binárnym reťazcom, kde prvé dva bity reprezentujú štýl a ostatné dva 

farbu. 

Keďže pravdepodobnosť mutácie je veľmi nízka a k mutácii dochádza len 

v jedincoch s veľmi nízkou hodnotou funkcie vhodnosti, operátor mutácie má veľmi 

malý vplyv na únavu užívateľa tohto systému. Takisto, mutácia jedincov s nízkou 

hodnotou fitness pomáha zrýchľovať konvergenciu algoritmu a tým sa zmenšuje počet 

generácií. Po nastavení pokusných parametrov, užívatelia začínajú experimentovať. 

Systém zobrazuje najlepších jedincov po každom ich ohodnotení, kde jedinec 

s najvyššou hodnotou fitness vystrieda jedinca s najnižšou hodnotou fitness. 

Obr. 7 Aplikácia IEC v módnom dizajne 

(11) Návrh rámov okuliarov: Yanagisawa a Fukuda [58] použili IEC na návrh 

rámu okuliarov, kde zákazník hodnotí niekoľko vzorov navrhnutých ich systémom na 

dosiahnutie harmónie okuliarov s tvárou zákazníka. 

(12) Geológia: Wijns [57] modeloval geologické procesy bez numerických 

kritérií, kde expert hodnotí sekvenciu geologických modelov. 

(13) Výber dát z databázy: Databáza môže byť dolovaná reverzným 

mapovaním zo psychologického priestoru užívateľa do fyzického priestoru. EC 

vyhľadáva obrázky alebo hudbu v priestore čŕt, človek ich hodnotí v psychologickom 

priestore. Kitamoto [28] použil NN spolu s GA na inverzné mapovanie týchto dvoch 

priestorov. 

33

FEI KKUI 

(14) Získavanie znalostí: Terano [53] aplikoval IEC na získavanie znalostí z 

dotazníkov pri hodnotení produktov spotrebiteľmi. Venturini [56] tiež použil IEC v 

dataminingu. Tabuchi [49] využil dáta poškodenej ocele a každú množinu dát opísal 

parametrami. Použitím GP získal na výstupe typ poškodenia. 

(15) Architektúra: Garza a Maher [12] použili IEC na návrh pôdorysov budov 

a na evolúciu budov v nejakom štýle, ktorý bol predtým matematicky popísaný. 

Navrhujú sa rôzne špecifické budovy ako čínske pagody, tradičné bosnianske domy. 

DeLanda [8] tiež navrhuje budovy použitím genetického algoritmu. Zaujímavá je aj 

práca študenta Somnatha Raya [42], ktorý navrhol Para-City, systém, ktorý využíva 

genetický algoritmus na dizajn mrakodrapov. 

Obr. 8 Ukážka návrhu budovy DeLandom a Rayov systém Para-City 

V druhej kapitole sa bližšie venujem oblasti grafického dizajnu. 

34

FEI KKUI 

Keď prvý krát vyviniete novú bytosť umelou selekciou v počítačovom modeli, 

máte pocit, že je to kreatívny proces. Takže to tak skutočne je. 

Ale čo naozaj robíte, je nájdenie bytosti, ktorá, v matematickom zmysle, 

už sedí na jej vlastnom mieste v genetickom priestore v Biomorfickej Krajine. 

35 

Kevin Kelly [27], 1995 

2 Využitie interaktívnych evolučných výpočtov 

v grafickom dizajne 

2.1 Evolučný dizajn 

2.1.1 Evolúcia – nástroj na objavovanie dizajnérskych možností 

V prírode je dizajn prítomný viac ako 4 miliardy rokov. Evolúcia je proces objavovania 

dizajnérskych možností. Gény sú nositeľmi zakódovaných informácií o dizajne alebo 

o spôsobe konštrukcie dizajnu. Príroda objavuje dizajnérske možnosti tvorením variácií, 

ktoré sú založené na úspešných dizajnoch. Počítačový evolučný dizajn je založený na 

podobnom princípe, kde neželané tvary sú eliminované užívateľom. 

Obr. 9 Prírodné variácie dizajnu a variácie dizajnu vytvorené Lionelom Deanom 

Schopnosť modelovať a implementovať procesy dizajnu ako uvažujúce systémy, 

používajúc metódy umelej inteligencie, vytvorila nové rozhrania do štúdia teórie 

dizajnu a jej metodológie. Dizajnéri používajú evolúciu na optimalizáciu tvarov rôznych 

predmetov, umelci generujú evolučnou cestou esteticky príťažlivé formy, architekti 

vyvíjajú nové dizajny budov.

FEI KKUI 

2.1.2 Oblasti evolučného dizajnu 

Dizajn sa skladá z troch základných aktivít: predstava, prezentovanie a 

testovanie. Dizajn sa odlišuje od fantázie práve existenciou a aplikáciou testov, ktoré 

definujú ohraničenia a ktoré dizajn musí uspokojiť. 

Obr. 10 EC a ED majú korene v Počítačovej Vede a Evolučnej Biológii podľa Bentleyho [3] 

Umelá Inteligencia (ďalej UI) ponúka bohatú sadu konceptov na modelovanie 

dizajnu, ktoré môžeme rozdeliť na tri pohľady [19]: 

1) UI poskytuje štruktúru, v ktorej sú skúmané nápady, 

2) ponúka schému modelovania ľudského navrhovania a 

3) poskytuje vývoj nástrojov pre dizajnérov. 

Rozšírenie tretieho pohľadu spočíva v tom, že tieto nástroje ukazujú spôsoby na 

automatizáciu určitých procesov v dizajne. 

Bentley [3] rozdelil oblasti evolučného dizajnu (ďalej ED) do oblastí, ktoré sa 

líšia hlavne v spôsobe reprezentácie problému a vo vytváraní počiatočnej populácie: 

1) optimalizácia už existujúceho dizajnu, 

2) generovanie nového dizajnu z náhodnej počiatočnej populácie –kreatívny ED, 

3) evolučné generovanie umeleckých diel a 

4) vývoj umelých foriem života. 

Bentley tiež spomína prípady, ktoré nepatria ani do jednej kategórie, ale do 

viacerých a nazýva ich prekrývajúce: 

1) integrálny evolučný dizajn, 

2) estetický evolučný dizajn, 

36

FEI KKUI 

3) evolučný dizajn založený na umelom živote a 

4) estetický evolučný umelý život. 

Obr. 11 Rozdelenie ED do oblastí podľa Bentleyho [3] 

2.1.3 Dokáže byť počítačový program kreatívny? 

Mnoho vedcov a umelcov sa snaží navrhnúť mechanizmy, ktoré by preukázali kreatívne 

vlastnosti. Kreativita je jednou z najmenej pochopených aspektov inteligencie a je často 

videná ako intuitívna, a nie ako racionálna. Záujem o jej vzkriesenie je, okrem umelej 

inteligencie a kognitívnej vedy, aj v psychológii, filozofii, počítačovej vede, logike, 

matematike, sociológii, architektúre a dizajne. Kreativita implikuje inovatívny výstup: 

„Kreatívita znamená všeobecný zmysel pre originalitu a inovatívnosť [60]“ 

Kreativita je tvorba neobyčajných, nových kombinácií starých nápadov, kde 

prekvapenie spôsobené kreatívnym nápadom je odmena za nepravdepodobnosť 

kombinácie. 

Otázka znie: je vôbec možné napísať počítačový program, schopný produkovať 

kreatívny dizajn, respektíve program, ktorý podporí kreativitu dizajnéra? A do budúcna: 

mohli by nám počítače pomôcť pri pochopení ľudskej kreativity? 

37

FEI KKUI 

2.1.4 Dawkinsove biomorfy 

Už Dawkins, bádateľ istého druhu Borgesovej knižnice, sa pri navrhovaní biomorfov 

snažil poukázať na silu evolúcie, ktorá využíva spoluprácu mutácie a selekcie a kde 

vhodnosť jedinca definuje pozorovateľ na základe vizuálneho vnemu novo- 

vygenerovaných tvarov objektov. Sám hovorí, že takto netvorí, ale objavuje nové 

bytosti. Všetky možné riešenia vytvárajú genetický priestor a umelá evolúcia je nástroj 

na jeho prehľadávanie. 

Kelly [27] o ňom povedal: „Dawkins napísal Biomorfickú Krajinu ako náučný 

program na ilustráciu, ako navrhované veci môžu byť kreatívne bez dizajnéra. Chcel 

vizuálne demonštrovať, že pokiaľ náhodná selekcia a bezcieľne putovanie by nikdy 

nevyprodukovali súvislý dizajn, hromadná selekcia by to dokázala.“ 

Pôvodne Dawkins napísal program na evolúciu štruktúr podobných stromom, ale 

na jeho prekvapenie sa začal rozvíjať podivuhodne všestranný svet rozličných motívov. 

Objavil oblasti, kde sa genotyp prekódoval na tvory podobné hmyzu, od chrobákov po 

motýle a od škorpiónov k žabám. 

Dawkins svoje pocity opísal neskôr: 

„Takmer som mal horúčku od vzrušenia. Nemôžem vyjadriť moje nadšenie, ktoré 

som cítil z bádania krajiny, ktorú som ja vytvoril. Nič v mojej kariére biológa, nič počas 

dvadsiatich rokov programovania a nič v mojich najdivokejších snoch, ma nepripravilo 

na to, čo sa v skutočnosti práve objavovalo na obrazovke.“ 

Obr. 12 Ukážka obyvateľov Biomorfickej Krajiny 

38

FEI KKUI 

2.1.5 Porovnanie manuálneho návrhu a návrhu použitím evolučných 

výpočtov 

Jeden z nových prístupov, ktorý uľahčuje tvorbu dvojrozmerných obrazov a 

trojrozmerných geometrických modelov sú IEC, ktoré podporujú užívateľovu 

vynaliezavosť a inšpirujú ho generovaním nových tvarov. 

Dnes sa EC v oblasti dizajnu používajú na: 

1) generovanie nových potencionálnych dizajnérskych riešení alebo ako 

2) úplne samostatný systém, keďže sú schopné kreatívne vyvíjať určité objekty. 

Evolučné výpočty prehľadávaním poskytujú riešenia úloh. To znamená, že 

namiesto zvažovania jedného riešenia v danom čase, evolučný prístup berie do úvahy 

veľkú množinu, populáciu, mierne meniace sa riešenia a následne cez proces mutácie 

a reprodukcie sú tvorené nové generácie, ktoré sú hodnotené až po nájdenie dobrých 

riešení. 

Tento proces by som názorne ukázala na jednoduchom príklade evolúcie 

nábytku. Na začiatku nastavíme množinu ohraničení, rôznych parametrov, ktoré 

evolučný algoritmus môže meniť. Tieto ohraničenia v prípade návrhu nábytku môžu 

byť napríklad hrúbka dosiek, dĺžka vrchnej časti stolu, dĺžka nôh a ich umiestnenie. 

V druhom kroku je generovaná náhodná populácia jedincov. To znamená, že 

definované parametre, náhodné hodnoty v medziach ohraničení sú nahradené a tieto 

zoznamy hodnôt sú uložené do pamäti. 

Obr. 13 Iteračný proces návrhu stola s množinou potencionálnych riešení 

Z každej generácie sú vybraní najlepší jedinci (v tomto prípade vzhľadom 

k estetickému výberu) na reprodukciu a mutáciu. 

39

FEI KKUI 

Najjednoduchšie návrhy spočívajú v prispôsobovaní jednej premennej v čase 

(viď príklad stola), kde jedno riešenie je dosiahnuté po viacerých krokoch. Samozrejme, 

v tomto prípade, vzhľadom na jednoduchosť výpočtového procesu, nemá význam 

použiť evolučné výpočty. 

Obr. 14 Iteračný proces návrhu stola s jedným riešením 

Sila evolúcie spočíva v jej schopnosti vysporiadať sa s obrovským množstvom 

rôznych premenných paralelne. Porovnaním týchto dvoch prípadov, evolučný prístup je 

oveľa automatickejší, pretože organizačný proces môže byť ponechaný algoritmu. 

Ďalší problém u manuálneho návrhu je, že výstup uviazne v lokálnom optime riešení, 

ktoré sa zdá byť najlepším, pretože pozmenením premenných jedným alebo druhým 

smerom sa stáva riešenie horším. Napriek tomu môžu existovať riešenia lepšie ako 

lokálne optimum, ale štruktúru by bolo potrebné zmeniť, avšak pri uviaznutí v lokálnom 

optime je veľmi ťažko predpokladať, že existuje niečo lepšie. 

2.2 Evolučné umenie 

Evolučné umenie... 

je predstavivosť produkovaná procesom simulovanej evolúcie vo vnútri 

počítača, vedená umelcovou selekciou estetickej fitness 9 

dovoľuje umelcom generovať zložitú počítačovú umeleckú prácu bez toho, aby 

sa museli ponoriť do aktuálneho používaného programovania 10 

je bližšie genetickému inžinierstvu ako maľovaniu. 11 

9 Steven Rooke: Aesthetic Selection: The Evolutionary Art of Steven Rooke, 1996 

10 Andrew Rowbottom: http://www.netlink.co.uk/~snaffle/form/evolutio.html 

40

FEI KKUI 

Podľa Bentleyho [3] je evolučné umenie (ďalej EU) komerčne najúspešnejší typ 

evolučného dizajnu. EU prezentuje efektívny spôsob tvorenia atraktívneho umenia, 

ktoré má veľmi odlišné štýly, ale väčšinou nezáleží na funkčnosti. V systéme EU 

evolúcia pracuje skôr ako generátor tvarov než ako optimalizátor, poskytovaním 

rozmanitých foriem. Výsledkom je, že dizajnér má možnosť skúmať viaceré alternatívy 

návrhov. 

Jedna z aplikácií EU je, že užívateľ je vedený procesom k novým, zaujímavým 

obrázkom bez toho, aby mal vopred definovaný iný špecifický cieľ, ako je nájsť 

zaujímavé alebo pekné tvary. 

Pokiaľ riešenie alebo aplikácia je hľadaná pre nejaký špecifický problém alebo 

úlohu, existuje niekoľko rozdielnych obmedzení (fyzické, materiálne, priestorové...). 

Tieto obmedzenia sa môžu zakódovať do hodnotenia funkcie vhodnosti a parametrov 

evolučného systému a teda všetky návrhy, všetky generované nápady už do určitej 

miery spĺňajú základné požiadavky úlohy. V evolučnom umení väčšinou žiadne 

obmedzenia nie sú. Neexistuje univerzálne riešenie. 

Dôležitý rozdiel medzi systémami evolučného umenia je v reprezentáciách 

fenotypov. Rozmanitosť alternatívnych reprezentácií je obrovská – od fraktálov po 

rekurzívne pravidlá. 

Podobne sa IEC využíva aj v simuláciách fotografií, kde svetelné podmienky ako 

napríklad umiestnenie a typ svetelného zdroja, intenzita svetla a farby spôsobujú odlišné 

dojmy. 

2.2.1 Hlavné inšpirácie použitia evolučných výpočtov v grafickom dizajne 

Jedna z prvých rozšírených aplikácií IEC bola práve tvorba obrázkov, ktorá je hlavnou 

náplňou mojej bakalárskej práce. Uvediem niektoré zaujímavé programové systémy, 

ktorými som sa inšpirovala. 

Biomorfická Krajina sa považuje za prvý praktický príklad používania 

evolučných výpočtov na generovanie tvarov, a aj keď jej pôvodný účel bol len 

ilustrovať teoretické princípy progresívnej selekcie, stala sa vzorom pre generáciu 

umelcov – vedcov, ako je napríklad William Lantham [32] . 

11 Jeffrey Ventrella: http://www.jeffreyventrella.com/ 

41

FEI KKUI 

Obr. 15 Ukážka práce Williama Lanthama 

Pravdepodobne najznámejšia technika interaktívnej evolúcie obrázkov bola 

uvedená Karlom Simsom v článku „Artificial Evolution for Computer Graphics”. Sims 

[48] použil symbolické funkcie a jednoducho hodnotil funkcie v každom pixeli na 

transformáciu genotypov do obrázkových fenotypov. 

Obr. 16 Simsova umelecká práca 

Sims bol prvý, kto použil genetické programovanie na evolúciu 2D umenia 

a inšpiroval mnohé súčasné systémy evolučného umenia. Jeho najznámejšia práca bola 

umelecká inštalácia nazvaná „Genetic Images“, ktorá zobrazovala 16 obrázkov 

a verejnosť si vybrala najobľúbenejší. Najestetickejšie obrazy takýmto spôsobom 

„prežili“ a boli mutované, čím vznikla nasledujúca generácia. Každý obraz je 

reprezentovaný jedným stromom, kde výstup je farba pixela. Sims použil veľmi bohatú 

množinu funkcií. 

Obr. 17 Simsove „kreatúry“ 

42

FEI KKUI 

V genetickom programovaní sú funkcie reprezentované stromovou štruktúrou, 

s premennými a konštantami v listových uzloch. Tieto stromovo štruktúrované 

genotypy začínajú slabo a v čase vyvíjajú zložitosť, naproti nim genetické algoritmy 

definujú genotypy s fixnou dĺžkou a lineárnou štruktúrou. 

Sims spolu s Foleym [lit]sa zaoberali tvorením scén a animácií, kde EC úzko 

súvisia s L-systémami. 

Steven Rooke 12 začlenil do jeho množiny riešení fraktály, čím vznikli 

prekvapujúce obrazy vyvíjajúce sa pomocou kríženia a mutácie. Výstup programu je 

interpretovaný funkciou, ktorá mapuje skalárne hodnoty RGB vektorov. Typická 

populácia obsahuje 150 jedincov a tieto sú na začiatku zložené z „dobrých“ (ktoré 

predtým dosiahli vysokú hodnotu vhodnosti) a z náhodných jedincov. Neexistuje tu 

limit veľkosti reprezentácie (okrem pamäti počítača), takže môžu byť vyvinuté veľmi 

zložité stromy 

Obr. 18 Rookova umelecká práca 

Unemiho SBART [54] zobrazuje 20 obrázkov, z ktorých si človek vyberá 

najlepšie ako rodičov (akýkoľvek počet) a následne je generovaná ďalšia množina 20 

obrázkov. 

Obr. 19 Unemiho SBART 

12 Aesthetic Selection: The Evolutionary Art of Steven Rooke, IEEE Computer grapahics and 

applications, Vol. 16, no. 1, s. 4-5, 1996 

43

FEI KKUI 

Penousal Machado [35] vyvinul programový systém EU nazvaný NEvAr 

(Neural Evolutionary Art). Narozdiel od Simsa, použil GP s množinou veľmi 

jednoduchých funkcií. Používanie len jednoduchých funkcií robí prehľadávací priestor 

„otvorenejším“, ale na druhej strane sa zvyšuje čas potrebný na dosiahnutie „dobrých“ 

obrázkov. Počiatočný cieľ NEvAr-u bolo použiť neurónovú sieť na učenie sa, ktoré 

obrázky sa užívateľovi páčili (čo nebolo veľmi úspešné). Rola NN v evolučnom procese 

sa pozmenila na „filter“ niektorých obrazov, ktoré nezodpovedajú estetickým princípom 

užívateľa. 

Obr. 20 Machadova umelecká práca 

Hart [17] zaviedol rôzne praktické zlepšenia interaktívnej dvojrozmernej evolúcie 

obrázkov, z ktorých niektoré sú použiteľné aj v iných GP problémoch. 

Obr. 21 Hartova umelecká práca použitím GP 

Pri tvorbe systému som vychádzala z práce Laurenca Ashmora [1], ktorý použil 

karteziánske GP (definované v kapitole 0). 

Obr. 22 Ashmorova umelecká práca použitím GP 

44

FEI KKUI 

Pochopili sme, že by sme nemali dizajn vnímať ako imitáciu vedy; ani s ním nezaobchádzať ako s 

45 

mysterióznym, neopísateľným umením. 

Uznávame, že dizajn má svoju vlastnú jednoznačnú intelektuálnu kultúru. 

Nigel Cross 

3 Návrh a realizácia programového systému pre 

interaktívny dizajn v oblasti grafiky 

Snažila som sa navrhnúť jednoduchý programový systém grafického dizajnu, kde by 

som uplatnila získané poznatky z oblasti interaktívnej evolúcie. 

Za najväčší úspech návrhu systému považujem, že som sa pokúsila o zavedenie 

takej funkcie do programu, ktorá by reprezentovala typ automatickej selekcie, resp. 

hodnotenia vhodnosti. Systém načíta akýkoľvek externý obraz a automatická evolúcia 

smeruje k jeho podobnosti. Problém je v meraní vzdialenosti medzi zadaným, želaným 

obrázkom a tým, ktorý je aktuálne k dispozícii. Cieľový obrázok je veľmi ťažké 

dosiahnuť, pretože sa nenachádza v prehľadávacom priestore, takže vyhľadávaním sa 

dostane obraz, ktorý je mu najpodobnejší zo všetkých ostatných, predtým 

vygenerovaných obrazov. Samozrejme, dva obrazy, ktoré sa ľudskému oku môžu zdať 

podobné, z „počítačového pohľadu“ sú úplné iné a naopak. Záleží na metóde, ktorá sa 

na porovnávanie obrazov použije. 

3.1 Reprezentácia a model RGB 

Vo všetkých evolučných algoritmoch tvorí ich reprezentácia kľúčový faktor. Má 

obrovský vplyv na úspech algoritmu a môže predpisovať prehľadávací priestor. 

Jednotlivý typ reprezentácie je vhodný na určité problémy. Výber zlej reprezentácie 

často vedie k zlým výsledkom. 

Počítačový obraz sa skladá zo série pixelov, každý pixel z binárneho reťazca, 

ktorý reprezentuje jeho farbu alebo hodnotu. Pole, tvorené reťazcami sa nazýva 

rastrovacie dáta. V prípade čiernobielych obrazov hodnota každého prvku v poli 

determinuje jas pixela. U farebných obrazov je potrebné uviesť spôsob, akým sa 

hodnota pixela zobrazuje na konkrétnu špecifickú farbu. Tento opis zobrazovania sa

FEI KKUI 

nazýva model. Jeden z najpoužívanejších je model RGB, ktorý sa skladá z opisu troch 

primárnych farieb -, červenej, zelenej a modrej. Všetky farby sa dajú zložiť z týchto 

troch, takže to je vhodný spôsob ukladania farby. 

Obr. 23 Model RGB 

RGB je štandardný model farieb a veľmi predvídavý, pretože používa základné 

farby na presné vymedzenie hodnôt pixela v priestore farieb. Použitím RGB 

reprezentácie farieb má každý kanál rovnaký vplyv na obraz. Akýkoľvek farebný odtieň 

je zložený z rôznych sýtostí troch farieb, ktoré sú pre tento systém základné. Tieto tri 

základné farby sú rovnocenné, a preto najlepší matematický model RGB je tzv. RGB 

kocka. 

RGB je aditívny model, kedy výsledná farba je určená hodnotami jednotlivých 

zložiek. Znamená to teda, že ak všetky tri farebné zložky nadobúdajú hodnotu nula, 

výsledná farba je čierna, ak všetky tri farebné zložky sú stopercentné, výsledná farba je 

biela. 

Graf má dva vstupy, súradnice x a y pixela v obrázku a tri výstupy: RGB 

(červená, zelená, modrá) jednotlivého pixela. Program reprezentovaný chromozómom 

mapuje každú súradnicu na špecifickú farbu, špecifikovanú hodnotami RGB. Zmenou 

funkcií a spojení uzlov sa menia hodnoty farieb každého pixela, čím sa mení obraz. 

Posledné tri čísla v chromozóme sú výstupné ukazovatele na červenú, zelenú a modrú 

farbu. 

Každá pozícia pixela má rovnakú rovnicu, ktorá definuje jej mapovanie farieb, 

takže bude existovať súvislosť medzi jednotlivými pixelami. Počet uzlov 

v chromozóme súvisí so zložitosťou obrazu. Čím vyšší je počet uzlov, tým viac funkcií 

môže byť v rovnici, ktorá definuje obraz, použitých. Samozrejme, zvýšením počtu 

uzlov narastá aj prehľadávací priestor. Aj keď dlhé chromozómy sú schopné 

produkovať komplikovanejšie a zaujímavejšie obrazy, užívateľ by musel stráviť viac 

času evolúciou v prípade dlhých chromozómov. 

46

FEI KKUI 

3.2 Karteziánske genetické programovanie 

Karteziánske GP (ďalej CGP) je taká forma GP, kde je program reprezentovaný 

orientovaným grafom indexovaných uzlov. 

CGP bolo po prvýkrát publikované Millerom a Thomsonom [36]. V porovnaní 

so štandardným GP je program zakódovaný ako lineárny reťazec celých čísel, ktoré 

reprezentujú orientovaný graf. Zaujímavá vlastnosť CGP je, že populácia reťazcov má 

fixnú dĺžku aj keď ich odpovedajúce grafy sú premenlivej dĺžky v závislosti od počtu 

použitých génov. 

3.2.1 Výhody CGP 

3.2.2 Genotyp 

a. Výkonnejšie programové kódovanie používajúc grafy ako tradičné GP so 

stromovými reprezentáciami. 

b. Jednoduchá grafová reprezentácia mapovaná ako lineárny reťazec celých 

čísiel. 

c. Menej komplikovaná rekombinácia. 

Genotyp je zoznam celých čísel (integer), ktoré determinujú spojenia a funkčnosť uzlov. 

Môžu byť mutované a krížené a takýmto spôsobom vznikajú nové orientované grafy. 

Genotyp je fixnej dĺžky, ale graf ním opísaný nie je (preto, lebo nie všetky uzly 

v genotype sú vyjadrené). Môže obsahovať uzly, ktoré nie sú spojené s výstupnými 

uzlami a preto nie sú vyjadrené vo fenotype, čo sa nazýva uzlová redundancia. 

Podobne sa vyskytuje aj funkčná a vstupová redundancia. Funkčná redundancia sa 

vyskytuje, keď množina uzlov implementuje zložitejšie funkcie, ktoré by mohli byť 

implementované s menším počtom uzlov. Vstupová redundancia je na miestach, kde 

niektoré vstupy uzlov nie sú používané funkciou uzla. Táto redundancia poskytuje CGP 

nestrannosť porovnaním so štandardným GP a preto sa CGP a obyčajné GP odlišujú 

v správaní. Prítomnosť zobrazovania genotypu na fenotyp dovoľuje rozličným 

genotypom mapovať ten istý fenotyp. 

47

FEI KKUI 

3.2.3 Genetický drift 

Genetický drift je zmena nevyjadrených génov alebo uzlov v genotype, ktorá môže 

viesť k neskoršiemu zlepšeniu vo funkcii vhodnosti po ich vyjadrení. S danou mierou 

mutácie by nebolo možné dospieť k potomstvu, ktoré by malo lepšiu fitness. Keď dôjde 

ku genetickému driftu, následné potomstvo by malo mať schopnosť vytvoriť lepšieho 

jedinca, umožnením úteku z lokálneho minima. 

3.2.4 Výstupy 

V štandardnom GP má program len jeden výstup (môže to byť samozrejme vektor 

hodnôt). V CGP je možné mať toľko výstupov, koľko je potrebné. Tieto výstupné 

hodnoty sa môžu deliť o uzly, takže funkčne súvisia spolu oveľa viac ako výstupy 

viacerých separovaných GP stromov. 

Konkrétne v uvedenom programovom systéme výstupy primárne reprezentujú 

červený, zelený a modrý „kanál“. Množstvo predošlých programov evolučného umenia 

malo jeden výstup, ktorý bol mapovaný na farby prostredníctvom tabuľky (napríklad 

Rooke). Je oveľa jednoduchšie pracovať s tromi výstupmi, jedným pre každý kanál 

farby (tri kanály použil Ashomore). 

3.3 Kroky výpočtu 

1) Inicializácia náhodnej populácie chromozómov 

2) Selekcia najlepších jedincov z populácie 

3) Nahradenie všetkých ostatných jedincov mutovanými a kríženými jedincami 

z najlepších, vybraní jedinci prejdú do ďalšej generácie bez zmeny 

4) Ak sa dosiahne uspokojujúce riešenie – koniec, inak skok na krok 2) 

3.3.1 Populácia 

Veľkosť populácie je veľmi dôležitá, pretože všetky jedince musia byť zobrazené v tom 

istom čase. Keby bola populácia príliš veľká, obrazy by museli byť „zrazené“, čím by 

mohlo dôjsť k strate dôležitých detailov. Naopak, malá populácia by spôsobila, že 

48

FEI KKUI 

obrazce by neboli dostatočne odlišné, pestré a generovali by sa populácie s rovnakými 

rodičmi. 

3.3.2 Selekcia 

V programe sa používa stratégia nahradením, čo znamená, že užívateľ si vyberá 

obľúbené obrazy, ktoré sa dostávajú do ďalšej generácie. Keď sa nevyberie žiadny 

obraz, predpokladá sa, že ani jeden nie je dostatočne dobrý a je nahradený ďalšou 

generáciou. Najvýhodnejšie je, keď užívateľ označí niekoľko rôznych obrazov, ktoré sa 

mu páčia a tieto chromozómy ostávajú v populácii, ostatné budú nahradené. 

3.3.3 Genetické operátory 

Kríženie 

Kríženie sa málokedy používa pri evolúcii grafov, pretože často vedie k deštrukcii, ale 

v prípade evolučného umenia funkcia vhodnosti nie je pevne definovaná a celý proces 

je „prieskumnejší“. Kríženie spočíva v produkcii potomka z dvoch rodičovských 

genotypov. 

Genotypy rôznych dĺžok sú krížené tak, že potomok má rovnaký počet uzlov 

ako dlhší rodič. Miesto kríženia je vybrané z kratšieho genotypu a uzly pred týmto 

miestom sú skopírované do potomka. Uzly po tomto mieste sú zobraté z dlhšieho 

genotypu. 

Mutácia 

Obr. 24 Spôsob kríženia dvoch genotypov 

Rozhodovanie sa, v ktorom bode dôjde k mutácii, je zabezpečené výberom náhodného 

miesta v chromozóme a miera mutácie špecifikuje počet týchto miest. 

Niektoré funkcie majú hodnoty od 0 do 255, iné od 0 do 50. Špecifické kanály 

farieb sa môžu uzamknúť (napríklad uzamkneme červenú farbu – červený kanál sa 

ďalej meniť nebude), čím je užívateľovi poskytnutá väčšia kontrola nad zmenami 

49

FEI KKUI 

v procese. Keď je vybraný kanál na uzavretie, potom všetky uzly, definujúce rovnicu 

toho kanála musia ostať statické. 

Preto sa pri výbere miesta mutácie musí skontrolovať, či toto miesto netvorí časť 

žiadneho uzamknutého uzla. V prípade, ak sú uzamknuté všetky kanály, tak sa mutujú 

len nadmerné uzly a výstup sa nemení. 

3.4 Návrh užívateľského rozhrania 

Keďže užívateľ veľkou mierou ovplyvňuje evolučný proces, návrh užívateľského 

rozhrania je jedna z najdôležitejších častí návrhu softvéru. 

Vhodnosť jednotlivého obrazu je relatívna vzhľadom na ostatné obrazy z tej 

populácie, takže je dôležité, aby užívateľ videl všetky jedince populácie naraz. Tým je 

zabezpečené to, že môže porovnávať obrazy medzi sebou. 

Užívateľ môže označiť alebo spätne deselektovať obrazy jednoduchým 

kliknutím na obraz. Toto je jedna z najoverenejších metód selekcie. Iná zvažovaná 

možnosť bola umiestniť bodovacie okienka, čiže škálovacie miery pod každý obraz, kde 

by užívateľ hodnotil každý obraz zvlášť priraďovaním hodnotení, známkovaním, 

napríklad od 1 po 5. Vo viacerých publikáciách sa tento spôsob hodnotenia v prípade 

evolučného umenia neodporúča. 

50

FEI KKUI 

Ak nenájdeme nič vznešené, aspoň by sme mali nájsť niečo nové 

51 

Voltaire, Candide 

4 Realizácia demonštračných experimentov na 

vyvíjanom systéme 

4.1 Ukážky obrazov 

V programe sa nastavuje počet uzlov, podľa ktorého závisí zložitosť konkrétneho 

jedinca. Obrazy s malým počtom uzlov sú jednoduché, s vyšším zložitejšie. 

Obr. 25 Obrazy s počtom uzlov 1 

Obr. 26 Obrazy s počtom uzlov 50 

Obr. 27 Obrazy s počtom uzlov 100

FEI KKUI 

4.2 Neautonómna evolúcia – hodnotenie užívateľom 

4.2.1 Ukážka kríženia 

Obr. 28 Vybratí rodičia na kríženie 

Obr. 29 Potomstvo kríženia dvoch genotypov bez mutácie 

Obr. 30 Potomstvo kríženia dvoch genotypov s nastavením miery mutácie na 10% 

52

FEI KKUI 

4.2.2 Ukážka mutácie 

Obr. 31 Rodičia mutácie 

Obr. 32 Potomkovia mutácie s mierou 5% dvoch genotypov (bez kríženia) 

Obr. 33 Potomkovia mutácia s mierou 50% dvoch genotypov (bez kríženia) 

53

FEI KKUI 

4.3 Autonómna evolúcia – smerom k cieľovému obrazu 

Príklady evolúcie smerom k načítanému cieľovému obrazu: Tieto výsledky boli 

dosiahnuté po 1000 generáciách evolúcie. Graf pod obrazmi reprezentuje proces 

evolúcie smerom k podobnosti prvých 40tich generácií. 

Obr. 34 Cieľové obrazy a ich vyvinuté podobizne 13 

Obr. 35 Graf vývoja evolúcie smerom k totožnosti s načítaným obrázkom 

13 Ako cieľové obrazy boli použité umelecké diela akademickej maliarky Jany Semianovej 

54

FEI KKUI 

Dobrá ilúzia nie je nič zlé, pokiaľ nikto netvrdí, že je to realita. 

5 Teoretická analýza možností vyvíjaného 

systému pre jeho reálne nasadenie v praxi 

5.1 Možnosti vylepšenia programového systému 

5.1.1 Rozšírenie rozmanitosti obrazov 

55 

Howard Pattee 

Existuje množstvo spôsobov, pomocou ktorých by prehľadávací priestor bol lepší 

a pestrejší, čo ovplyvňuje počet a typ funkcií v genotype. Mohlo by byť pridaných viac 

funkcií, čím by sa rozšíril prehľadávací priestor a vzrástla by rozmanitosť možných 

obrazov. Najzaujímavejšia možnosť by bola zahrnutie fraktálnych rovníc do množiny 

funkcií. 

5.1.2 Vylepšenie funkcie evolúcie smerom k cieľovému obrazu 

Proces evolúcie smerom k načítanému externému obrazu by sa mohol zlepšiť viacerými 

metódami. Rozlišnosť dvoch obrazov je veľmi komplikované ohodnotiť. Sú známe 

rôzne techniky analýzy obrazov. Takisto by pomohlo detekovanie dôležitých objektov 

alebo častí obrazu, ktoré by mohol vyznačiť užívateľ. Súčasné riešenie sa zameriava na 

dosiahnutie rovnakej farby alebo pozadia ako má cieľový obraz. Keby som použila 

techniky rozpoznávania objektov, získaná napodobnenina by sa viac priblížila 

cieľovému obrazu. 

5.1.3 Zrýchlenie konvergencie algoritmu 

Jedno z riešení, ktoré by zrýchlilo konvergenciu algoritmu by bolo zavedenie viacerých 

populácií, kde každá z nich by mala vlastnú funkciu vhodnosti zameranú na určitú 

vlastnosť alebo časť obrazu. Po nezávislých evolúciách týchto populácií by sa vybrali 

najlepšie jedince z každej populácie a skombinovali by sa s cieľom produkovať 

konečný výsledok.

FEI KKUI 

5.1.4 Schopnosť systému učiť sa estetické preferencie od užívateľa 

Schopnosť systému učiť sa estetické preferencie od užívateľa je veľmi diskutovaná 

téma. Keby bol program schopný pozorovaním a učením sa vyvíjať dostatočne 

komplexné pravidlá, podľa ktorých konkrétny užívateľ postupuje vo vyberaní 

a hodnotení jedincov, potom by sa program mohol vyvíjať samostatne. To by prispelo 

k zrýchleniu celého procesu evolúcie a mohli by sa použiť obrovské populácie. 

Metóda koevolúcie (angl. co-evolution) spočíva v tom, že keď užívateľ 

ohodnocuje jedincov, tak sa súčasne vyvíja aj funkcia vhodnosti, čo sa môže dosiahnuť 

zavedením učiacej sa neurónovej siete alebo druhého CGP, ktorého výstupy by boli 

funkcie vhodnosti závislé od charakteristických čŕt rôznych obrazov. 

Keby systém dospel do štádia, že by sám vyvíjal nových jedincov, vynorili by sa 

otázky typu: Je počítač kreatívny? Alebo len nasleduje pravidlá naučené od človeka, 

ktorý bol kreatívny? Možno by nám práve taký systém mohol pomôcť pochopiť, čo robí 

niektoré obrazy „krajšími“ ako druhé. 

5.1.5 Internetový prístup 

Zaujímavé a nenáročné vylepšenie navrhnutého systému by bolo jeho sprístupnenie na 

internete, kde by sa do evolúcie mohli zapojiť viacerí užívatelia. Systém by bežal na 

serveri, kde by sa zhromažďovali informácie o hodnotách funkcií vhodnosti a najlepší 

jedinci by sa ukladali do „knižnice“, ktorá by sa následne používala ďalej na načítanie 

počiatočných populácií budúcej evolúcie obrazov. 

5.2 Oblasti na nasadenie systému v praxi 

Existuje mnoho smerov, ktoré by tento projekt mohol ďalej nasledovať. Evolučné 

umenie tvorí súčasť mnohých aktuálnych výskumov, hlavne v oblasti skúmania 

prepojenia ľudskej a počítačovej kreativity. 

5.2.1 Kompresia dát 

Jedna z možností použitia myšlienky „evolúcie smerom k cieľovému obrazu“ je 

kompresia dát. Výsledný obraz môže byť uložený ako reťazec celých čísel. Napríklad, 

ak obraz obsahuje 32bitov/pixel, jeho veľkosť je 256KB. Najdlhší genotyp má veľkosť 

83 čísel, takže veľkosť genotypu je 83 násobené 32, čo je približne 0.7KB. To znamená 

56

FEI KKUI 

kompresiu 365 ku jednej. Aj keď sa výsledky len veľmi málo podobajú originálnemu 

obrazu, môže to byť neskôr vylepšené rôznymi metódami (viď kapitola 5.1.2). 

5.2.2 Trojrozmerná evolúcia 

Pridanie ďalšej osi, z - súradnice do CGP by znamenalo pridanie novej dimenzie 

obrazom, čo by znamenalo vytvorenie akejsi trojrozmernej vyplnenej kocky. Takéto 

„sochy“ by boli veľmi zaujímavé. 

Obr. 36 EU v trojrozmernom priestore, autorom je Cristian René Paraná 14 

14 Umelec, ktorý tvorí obrazy interaktívnym genetickým algoritmom: 

http://runnerfrog.blogspot.com/ 

57

FEI KKUI 

Keby vstupy prišli zo susedných pixelov, systém by bol veľmi podobný 

celulárnym automatom alebo systému šírenia difúzie. Myšlienka kombinácie 

evolučného umenia a celulárneho automatu vedie smerom k „Alive Art“, čiže „Živého 

umeniu“, typu umeleckého systému, ktorý by bol schopný sa konštantne meniť 

a reagovať na isté podnety. 

Obr. 37 Zľava: systém šírenia difúzie, fraktály, celulárny automat 

5.3 Teoretická analýza výsledkov 

5.3.1 Miera mutácie 

Výhodou je, že počiatočné populácie môžu byť jednoducho predefinované pomocou 

nástrojov mutácie a kríženia, napríklad jedinci sa radikálne zmenia nastavením miery 

mutácie na vysokú hodnotu. Hoci len mutácia v genotype v malej miere môže spôsobiť 

obrovské zmeny vo fenotype. 

Najlepšie výsledky boli dosiahnuté, keď miera mutácie bola veľmi nízka (do 5 

percent v generácii), pričom malá miera mutácie znamená, že existuje malá šanca, že 

fenotyp bude zmenený. 

V boji proti strate rozmanitosti prispievajú aj nástroje kríženia a mutácie, nad 

ktorými má užívateľ kontrolu, čiže sám ovplyvňuje do akej miery budú chromozómy 

ďalšej generácie odlišné. 

5.3.2 Kríženie 

Kríženie môže vstúpiť do procesu, alebo nie, čo závisí od užívateľa. Kríženie je veľmi 

nápomocné v priebehu prvých 500 generácií, ale viac škodiace ako nápomocné 

v neskorších generáciách, pretože najlepšie chromozómy sa časom stávajú veľmi 

podobnými. Keď sa potomok stáva najlepším jedincom, existuje veľká 

pravdepodobnosť, že jeho genotyp pochádza z jedinca, ktorý bol v predchádzajúcej 

58

FEI KKUI 

generácii najlepší, takže sa budú veľmi málo odlišovať a kríženie má v tomto prípade 

minimálny efekt. 

5.3.3 Rôznorodosť obrazov 

Vďaka použitiu CGP je systém schopný produkovať obrovské množstvo rôznych 

obrazov. V mnohých podobných systémoch reprezentácia limituje rozmanitosť 

jedincov. Program, ktorý používa štandardné GP, by teoreticky mohol vytvoriť rovnakí 

jedinci pri zavedení rovnakej množiny funkcií, ale väčšina týchto programov 1) najprv 

vytvorí čiernobiele obrazy, ktoré sú potom mapované na farby používajúc tabuľku 

(takto dochádza k rôznym obmedzeniam), 2) používa vektor, ktorý obsahuje tri farebné 

hodnoty (limitujúc funkcie a vzťahy medzi výstupnými hodnotami), alebo 3) používa tri 

separované GP pre každú farbu (čím sa strácajú všetky existujúce súvislosti medzi 

výstupmi). 

5.3.4 Zostávajúce problémy programového systému 

V niektorých prípadoch sa vyskytnú príliš dlhé genotypy v chromozóme, a objaví sa 

chybové hlásenie java.lang.OutOfMemoryError. Vtedy má program problém 

s generovaním nových generácií a ukladaním chromozómov. 

Java ako programovací jazyk na evolúciu nie je asi veľmi vhodný, myslím si, že 

iný jazyk by bol rýchlejší. Do odovzdania práce sa mi nepodarilo nájsť spôsob, ako 

dostať .exe zo zdrojového kódu. 

59

FEI KKUI 

Zhodnotenie a záver 

60 

„Viete, vesmír je jediná vec 

dostatočne obrovská na chod neprekonateľnej hry života. 

Jediný problém s vesmírom ako s platformou je, 

že v nej beží program niekoho iného." 

Ken Karakotsios, autor SimLife 

Mojim cieľom v tejto práci bolo analyzovať zaujímavú oblasť použitia interaktívnych 

evolučných výpočtov akou je evolučný dizajn, konkrétne evolučné umenie. 

V bakalárskej práci som sa snažila splniť všetky zadané úlohy, ktoré sú 

vypracované nasledovne: 

Široký teoretický základ evolučných výpočtov, interaktivity, evolučného dizajnu 

a umenia, na ktorom som stavala riešenie bakalárskej práce. Následne som navrhla svoj 

vlastný systém, na ktorom som robila experimenty. 

Evolučné výpočty sa používajú v rôznych štádiách dizajnu, ako program 

generujúci podoby dizajnu, ako procesor a ako výstup. V konceptuálnom plánovaní 

poskytuje nové, nečakané nápady. V analýze dizajnu sa evolúcia používa na 

optimalizáciu a na hľadanie rozličných možností s cieľom splnenia cieľového nápadu. 

Výstupom sú produkty tvorené na prispôsobenie sa individuálnym používateľom. 

Evolučný dizajn sa rozvíja vo všetkých jeho stránkach, či už z pohľadu umelcov 

alebo vedcov. Samozrejme je naivné sa domnievať, že proces evolučného dizajnu 

nahradí všetky aplikácie kreatívneho dizajnu. 

Táto bakalárska práca obsahuje analýzu a návrh systému evolučného dizajnu, 

ktorý je primárne navrhnutý na uplatnenie nadobudnutých teoretických poznatkov. 

Bližší popis funkcií a používateľská príručku softvéru sú uvedená v prílohe. Je náročné 

navrhnúť systém, ktorý by úspešne zaviedol evolúciu prostredníctvom počítača, ktorý 

by bol používaný v reálnych praktických situáciách a jeho účelom by nebolo len 

demonštrovať možnosti tohto prístupu. 

Do budúcna plánujem rozšírenie funkcií, ktoré systém ponúka svojim 

užívateľom a skonkretizovať aplikačnú oblasť. Rozmýšľala som o oblasti architektúry

FEI KKUI 

alebo stavebníctva. Po konzultácii s profesorom Kmeťom zo Stavebnej fakulty TUKE 

som sa inšpirovala jeho návrhom striech a iných konštrukcií. To by znamenalo okrem 

návrhu estetickej stránky začlenenie aj iných, technických kritérií, ktoré by som 

konzultovala s expertom. Systém by okrem hľadania nových dizajnérskych nápadov 

musel spĺňať aj kritériá a obmedzenia, ktoré by sa zadefinovali do funkcie vhodnosti. 

Takisto by som si želala, aby sa navrhnutý systém dokázal prispôsobovať 

konkrétnemu užívateľovi a učiť sa od neho jeho subjektívne hodnotenia. 

Za hlavný prínos tejto práce by som označila sumarizáciu najznámejších prác 

svetových osobností v oblasti evolučných výpočtov, interaktívnych systémov 

a kreatívneho počítačového dizajnu, doplnenú o vlastné myšlienky. 

61

FEI KKUI 

Zoznam použitej literatúry 

[1] ASHMORE, L.: An Investigation Into Evolutionary Art, in: EvoMusArt, 2004. 

http://www.emoware.org/evolutionary_art.asp 

[2] BEASLEY, David: An Overview of Genetic Algorithms, Part 1: Fundamentals, 

1993. 

http://www.idi.ntnu.no/emner/it3704/lectures/papers/Beasley93GA.pdf 

[3] BENTLEY, P.: Evolutionary Design by Computers, 1999. 

http://www.cs.ucl.ac.uk/staff/P.Bentley/evdes.html 

[4] BENTLEY, P. J. – WAKEFIELD, J. P.: The table: An illustration of evolutionary 

design using genetic algorithms, in Proceedings 1st IEE/IEEE Conf. Genetic 

Algorithms Eng. Syst.: Innovations Appl, s. 412-418, 1995. 

[5] BILES, J. – ANDERSON, J. – LOGGI, L.: Neural network fitness functions for a 

musical IGA, in: International ICSC Symposium on Intelligent Industrial 

Automation and Soft Computing, s. 39-44, 1996. 

http://www.it.rit.edu/~jab/SOCO96/SOCO.html 

[6] COPPIN, B.: Artificial intelligence illuminated, Jones and Bartlett Publishers, 

Kapitola 14: Genetic Algorithms (od strany 414), ISBN 0-7637-3230-3, 2004. 

[7] CSONTÓ, J. – PALKO , M.: Umelý život. Elfa, ISBN 80-89066-59-3, 2006. 

[8] DELANDA, M.: Deleuze and the Use of the Genetic Algorithm in Architecture, 

2000. 

http://www.a-aarhus.dk/~v/tekster/Genetic.rtf 

[9] DiPAOLA, S. – GABORA, L.: Incorporating Characteristics of Human Creativity 

into an Evolutionary Art Algorithm, GECCO, 2007. 

www.vub.ac.be/CLEA/liane/papers/gecco07.pdf 

[10] FOGEL, D. B.: Evolutionary Computation: Toward a New Philosophy of Machine 

Intelligence, Piscataway, New Jersey, U.S.A. IEEE, ISBN 0-7803-5379-X, 2000. 

[11] FOGEL, L. J. – OWENS, A. J. – WALSH, M. J. : Artificial Intelligence through 

Simulated Evolution, John Wiley & Sons, New York, 1966. 

[12] GARZA DE SILVA, E.G. – MAHER, M. L.: Evolving Design Layout Cases to 

Satisfy Feng Shui Constraints, eds. J. Gu and S. Wei, in: Proceedings of the Fourth 

Conference on Computer-Aided Design, 1999. 

62

FEI KKUI 

[13] GERO, J. S. – LOU MAHER, M.: Modeling Creativity and Knowledge-Based 

Creative Design, Lawrence Erlbaum Associates, ISBN 0805811532, 1993. 

[14] GOLDBERG, D. E.: Genetic Algorithms in Search, Optimization, and Machine 

Learning, Addison-Wesley, Reading, MA, 1989. 

[15] GONG, D. W. – HAO, G. S. – ZHOU, Y. – SUN, X. Y: Interactive genetic 

algorithms with multi-population adaptive hierarchy and their application in 

fashion design, in: Applied Mathematics and Computation, Vol 185, Issue 2, 15 

February 2007, Special Issue on Intelligent Computing Theory and Methodology, s. 

1098-1108, 2007. 

[16] GREEN, W S. – JORDAN P. W.: Pleasure with Products: Beyond Usability,: 

Design Based on Kansei, Kansei engineering, University of Tsukuba, CRC Press, 

ISBN 0415237041, 2002. 

[17] HAO, G. D. – SHI, Y.: Search space partition based autonomous genetic 

algorithms and theirs application, in: Proceedings of the 17th Symposium on China 

Automation Institute East China Region Automation, s. 75 – 78, 2004. 

[18] HART, D.: Toward Greater Artistic Control for Interactive Evolution of Images 

and Animation, in: EvoMusArt, 2007. 

http://www.dahart.com/research.html 

[19] HEATH T.: Social Aspects of Creativity and their Impact on Creativity Modeling, 

in: J. S. Gero & M. L. Maher (Eds.), Modeling creativity and knowledge based 

creative design, Broadway, NJ: Lawrence Erlbaum Associates, s. 9 – 24, 1993. 

[20] HEIMBRECHT, F. – TROGEMANN, G.: Modeling facial expressions by 

interactive evolution, in: Proceedings of the International Multimedia Modeling 

Conference ´99, Modeling Multimedia Information Systems, s.351 – 366, World 

Scientific, 1999. 

[21] HOLLAND, J. H. : Adaptation in natural and artifcial systems, The University of 

Michigan Press, Ann Arbor, MI, 1975. 

[22] HOROWITZ, D. : Generating rhythms with genetic algorithms, in: International 

Computer Music Conf. (ICMC'94), Aarhus, Denmark, s. 142-143 ,1994. 

[23] CHO, S. B.: Towards creative evolutionary systems with interactive genetic 

algorithm. In Applied Intelligence, vol. 16, no. 2., s. 129–138, 2002. 

63

FEI KKUI 

[24] ISHINO, Y. – TERANO, T.: Marketing data analysis using inductive learning and 

genetical algorithms with interactive and automated-phases, in: IEEE International 

Conference on Evolutionary Computation, Vol. 2, Issue 29. s. 771 – 776, 1995. 

[25] JOHNSON, C. G. – CARDALDA, J. R.: Genetic Algorithms in Visual Art and 

Music, in: Leonardo, 35(2), s. 175–184, 2002. 

[26] KAMOHARA, S. H. – TAKAGI, H. – TAKEDA, T.: Control rule acquisition for 

an arm wrestling robot, in: IEEE International Conference on System, Man, 

Cybernetics (SMC'97), Orlando, FL, USA, s. 4227 – 4231, 1997. 

[27] KELLY, K.: Out of Control: The New Biology of Machines, Social Systems, & the 

Economic World, Kapitola 14: In the library of form, 2003. 

http://www.kk.org/outofcontrol/contents.php 

[28] KITAMOTO, A. – TAKAGI, M.: Interactive image browsing using pipeline-type 

genetic algorithm, in: Workshop on Interactive Evolutionary Computation, 

Fukuoka, Japan, s. 31-36, 1998. 

[29] KOZA, J. – BENNETT, F. – ANDRE, D. – KEANE, M.: Genetic Programming 

III: Darwinian Invention and Problem Solving, Morgan Kaufmann, ISBN-10: 

1558605436, 1999. 

[30] KOZA, J.: Genetic Programming: On the Programming of Computers by Means of 

Natural Selection, MIT Press, 1992. 

[31] KURIYAMA, K. – TERANO, T. – NUMANO, M.: Authoring support by 

interactive genetic algorithm and case base retrieval, in: Asia Fuzzy System 

Symposium, Masan, Korea, 1998. 

[32] LATHAM, W.: internetová stránka umelca. 

http://www.doc.gold.ac.uk/~mas01whl/ 

[33] LEE, J. Y. – CHO, S. B: Interactive genetic algorithm for content-based image 

retreival, in: Asia Fuzzy System Symposium, Masan, Korea, 1998. 

[34] LUCA, L.: Learning Classifier Systems: A Reinforcement Learning Perspective, 

Edited by Larry Bull, Tim Kovacs, Springer, ISBN 3540250735 , s. 267, 2005. 

[35] MACHADO, P. – CARDOSO, A.: Computing aesthetics, in: Oliveira, F. (Ed.), 

Procs. XIVth Brazilian Symposium on Artificial Intelligence SBIA'98, Porto 

Alegre, Brazil, LNAI Series, s. 219-229, 1998. 

64

FEI KKUI 

[36] MARKOWSKY, G.: Introduction To Algorithmic Information Theory, in: Journal 

of Universal Computer Science, vol. 2, no. 5, Springer, s. 245 – 269, 1996. 

[37] MILLER, J. F. – THOMSON, P.: Cartesian genetic programming, in: Proceeding 

of the Third European Conference on Genetic Programming, s.121 – 132, 2000. 

[38] MUTOH, T. – KOMAGATA, N. – UEDA, K.: An experimental study for 

automatically generating image filter sequence by using simulated breeding, in: 

Workshop on Interactive Evolutionary Computation, Fukuoka, Japan, s. 7 – 12, 

1998. 

[39] OHSAKI, M. – TAKAGI, H.: Application of interactive evolutionary computation 

to optimal tuning of digital hearing aids, in: International Conference on Soft 

Computing (IIZUKA'98), Iizuka, Fukuoka, Japan, World Scientific, 1998. 

[40] PAGLIARINI, L. – LUND, H. H. – MIGLINO, O. – PARISI, D.: Artificial life: A 

new way to build educational and therapeutic games, in: ALIFE V, MIT Press, s. 

152 – 156, 1996. 

[41] POLI, R. – CAGNONI, S.: Genetic programming with user-driven selection: 

Experiments on the evolution of algorithms for image enhancement, in: 2nd Annual 

Conference on Genetic Programming, s. 269 – 277, 1997. 

[42] RAY, S.: Para-City: http://architecture.myninjaplease.com/?m=20070212 

[43] RECHENBERG, I.: Evolutionsstrategie '94, Frommann, Holzboog, Stuttgart, 1994. 

[44] REINHARD, E. – STARK, M. – SHIRLEY, P. – FERWERDA, J.: Photographic 

Tone Reproduction for Images, in: Proceedings of SIGGRAPH, s. 267–276, 2002. 

[45] SATO, Y.: Voice conversation using evolutionary computation, in: Intelligent 

Manufacturing of Materials '97, s. 342 – 348, 1997. 

[46] SCHWEFEL, H. P.: Evolution and Optimum Seeking, John Wiley & Sons, New 

York, 1995. 

[47] SCHWEFEL, H. P. – KENT, A. – WILLIAMS, J. G – HALL, C. M.: Parallel 

problem solving from nature, in Encyclopedia of Computer Science and 

Technology, Marcel Dekker, New York, vol. 37, s. 225-246, 1997. 

[48] SIMS, K.: Artificial evolution for computer graphics, in: Proceedings of the 18th 

annual conference on Computer graphics and interactive techniques, s 319-328, 

1991. 

http://www.karlsims.com/papers/siggraph91.html 

65

FEI KKUI 

[49] TABUCHI, M. – TAURA, T.: Methodology for interactive knowledge acquisition 

between genetic learning engine and human, Japan Society for Artificial 

Intelligence, 11, 4, s. 600 – 607, 1996. 

[50] TAKAGI, H. – OHYA, K.: Discrete fitness values for improving the human 

interface in an interactive GA, in: IEEE 3rd International Conference on 

Evolutionary Computation (ICEC'96), Nagoya, Aichi, Japan, s. 109 – 112, 1996. 

[51] TAKAGI, H.: System Optimization Without Numerical Target, in: Biennial 

Conference of the North American Fuzzy Information Processing Society 

(NAFIPS'96), Berkeley, CA, USA, s. 351 – 354, 1996. 

[52] TAKAGI, H.: Interactive GA for system optimization: Problems and solution, in: 

4th European Congress on Intelligent Techniques and Soft Computing (EUFIT'96), 

Aachen, Germany, s. 1440 – 1444, 1996. 

[53] TERANO, T. – ISHINO, Y: Knowledge acquisition from questionnaire data using 

simulated breeding and inductive learning methods, in: Expert Systems With 

Applications, s. 507 – 518, 1996. 

[54] UNEMI, T.: Genetic Algorithms and Computer Graphic Art, in: Japan Society for 

Artificial Intelligence, s. 518 – 523, 1994. 

[55] VENTRELLA, J.: Disney meets Darwin-the evolution of funny animated figures, 

in: Computer Animation '95, Geneva, Switzerland, IEEE Computer Society Press, 

s. 35 – 43, 1995. 

[56] VENTURINI, G. – SLIMANE, M. – MORIN, F. – de BEAUVILLE, J. P. A: On 

using interactive genetic algorithms for knowledge discovery in databases, in: 7th 

International Conference on Genetic Algorithm (ICGA'97), Morgan Kaufmann 

Publisher,s. 696 – 703, 1997. 

[57] WIJNS, CH. – BOSCHETTI, F. –MORESI, L.: Inverse Modelling in Geology by 

Interactive Evolutionary Computation, 2003. 

http://www.per.marine.csiro.au/staff/Fabio.Boschetti/papers/JSG_inv 

ersion1.pdf 

[58] YANAGISAWA, H. – FUKUA, S.: Interactive Design Support System by 

Customer Evaluation and Genetic Evolution: Application to Eye Glass Frame Book 

Series, in: Lecture Notes in Computer Science, Springer Berlin/Heidelberg, 

Knowledge-Based Intelligent Information and Engineering Systems, s. 481 – 487, 

2003. 

66

FEI KKUI 

[59] YANAMOTO, M. – HASHIYAMA, T. – OKUMA, S.: Reducing computational 

time on evolution under the real environment using fitness estimation, in: 

Proceedings of the 26th Annual Conference of the IEEE on Industrial Electronics 

Society, s. 2497–2500, 2000. 

[60] ZEISEL, J. : Inquiry by Design: Tools for Environmental-Behavior Research, Cole 

Publishing Company, 1981. 

[61] ZHOU, Y. – GONG, D.: Phase estimations of individuals’ fitness based on neural 

networks in interactive genetic algorithms, in: Control and Decision, s. 234–236, 

2005. 

67

FEI KKUI 

Prílohy 

Príloha A: CD médium – bakalárska práca v elektronickej podobe, prílohy v 

elektronickej podobe. 

Príloha B: Používateľská príručka 

Príloha C: Systémová príručka 

68

Interaktívne evolučné výpočty v dizajne - TUKE

Create successful ePaper yourself

Delete template?

Save as template?