基于遗传算法的漫画艺术设计研究与实现

任玉洁 吴维

摘  要： 为了提高漫画艺术设计的逼真度及设计效率，将遗传算法运用于漫画设计过程中。将动漫中角色人物造型的组成元素作为遗传算法种群的个体，将多个组成元素采用遗传算法进行数据训练，根据适应度阈值不断进行选择和交叉操作，并加入粒子群优化策略，经过多次迭代计算，得到漫画的角色人物造型。经过实验证明，相比于SGA算法和AGA算法，文中所提算法在漫画设计效率方面优势明显。

关键词： 漫画设计; 角色造型; 遗传算法; 适应度; 粒子群优化; 设计效率

中图分类号： TN911.1?34; TP393                    文献标识码： A                   文章编号： 1004?373X（2019）15?0120?03

Research and implementation of cartoon art design based on genetic algorithm

REN Yujie1， WU Wei1， 2

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

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

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

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

0  引  言

群体智能算法是在群体生物的运动、觅食进攻、繁衍等过程的模拟训练中构造而来的，群体算法在多领域得到了学者的青睐，比如路径优化、数据聚类、搜索优化等都取得了较好的效果。在艺术设计方面，群体智能算法也表现出一定的优势，特别是漫画设计方面[1?2]，漫画因为人物造型复杂，角色多样，在设计过程中繁杂，所以人工设计效率一般较低，急需智能算法做辅助设计。

遗传算法在数据设计方面表现出良好的收敛性和较高的效率，将组成漫画人物角色的元素采用该算法进行模拟训练，最终得到漫画人物角色造型，旨在提高漫画艺术设计的效率。为了更好地完成漫画角色造型的动态展示，引入粒子群优化。相比传统的遗传算法，经过粒子群优化的遗传算法性能表现更好。

1  遗传算法的漫画设计

设漫画设计的某个角色人数的组成元素总量为[N]，则[N]个组成元素单个的适应度为[fi]，那么，第[i]個元素被挑中进化的概率为：

根据人物角色动态变化的元素选择需要，为了保证原漫画人物角色元素在进行遗传算法构造过程中，造型变化的整体性和完整性，防止出现漫画人物角色的变化出现局部不协调的情况，选择交叉操作的概率必须满足：

经过遗传算法将人物角色动态变化的元素进行选取迭代计算后，可以得到漫画角色在某个时间段内元素的位置变化情况。而在位置变化训练过程中，粒子群算法有独特的优势，在经过遗传算法根据适应度选取漫画人物角色元素后，将粒子群优化应用于漫画设计过程中，以便能更好地完成人物角色造型的动态展示。

将漫画人物角色的元素设为粒子群的粒子，设第[i]个粒子为[xi=（xi1，xi2，…，xiN）]，其飞行速度为[vi=（vi1，vi2，…，viN）]，在三维空间内分布的最优位置为[pi=（pi1，pi2，…，piN）]，群里所有粒子的分布最优位置为[pg=（pg1，pg2，…，pgN）]。那么人物角色元素在变化过程中，元素的速度和位置数学表示为[6]：

2  实例仿真

为了验证经过粒子群优化的遗传算法在漫画艺术设计中的性能，采用Matlab进行实例仿真。

设某个人物角色的组成元素个数为40个，遗传算法进化代数为100，目标是人物角色按Shubert函数来执行运动变化。在仿真过程中，将标准遗传算法（SGA）和自适应遗传算法（AGA）与经过粒子群优化的遗传算法进行性能对比[7?8]，计算三种算法得到的人物角色造型动态变化的最优解，如图1所示。

图1  三种算法寻优结果

从图1可以看出，随着遗传算法进化代数的增多，适应度值不断减小，当进化代数不断增加，适应度值最后减小至稳定值，算法收敛，得到算法最优解。对比而言，SGA算法在进化代数达到70次左右，算法才收敛;AGA算法在进化代数大约为47时，算法收敛;而本文算法在进化代数为15时完成了收敛，在收敛性方面本文算法优势明显，提高了漫画设计的效率。

但是从图1也可看出，SGA，AGA和本文算法分别在进化代数区间为[12，51]，[10，47]，[8，15]时看似达到了最优解，但这个最优解是局部最优解。虽然三种算法都有这个缺点，但是相比SGA和AGA算法，本文算法陷入局部最优的区间最小，进化代数仅为7次便可以从局部最优变为全局最优。

下面将对算法的稳定性进行性能仿真，分别采用三种算法求解1 000次目标人物角色元素运动最优解，查看其收敛性，仿真统计结果如表1所示。

表1  收敛性能

在收敛性方面，本文算法表现最好，AGA算法次之，SGA算法较差，所以本文算法求解最优解的效率更好。而在1 000次求解最优解的过程中，三种算法完成度都在90%以上，SGA和AGA算法分别为912次和937次，性能相差不大，本文算法达到993次，完成度接近总量。

3  结  语

本文采用改进的遗传算法对漫画艺术设计进行动态变化显示，可以较好地完成漫画人物角色造型的动态展示，并有效地提高了算法的执行效率。

参考文献

[1] 刘晶晶，李迎杰，刘超慧.改进的人工鱼群算法在群体动画设计中的应用[J].电子世界，2017（8）：95?96.

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

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

[3] 王悦.遗传算法在函数优化中的应用研究[J].电子设计工程，2016，24（10）：74?76.

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

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

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

[6] 李雅琼.基于粒子群算法的遗传算法优化研究[J].兰州文理学院学报（自然科学版），2017（1）：55?60.

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

[7] 刘建文，丁洁玉，潘坤，等.基于个体相似度的改进自适应遗传算法研究[J].青岛大学学报（工程技术版），2016，31（1）：16?19.

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

[8] 杨新武，杨丽军.基于交叉模型的改进遗传算法[J].控制与决策，2016，31（10）：1837?1844.

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