互動演化式計算

一顧客的概念（Prahalad & Ramaswamy, 2004）。企業以低成本提供產品和服務給 單一顧客，於是消費者選擇增加，這種客製化只是配合公司的供應鏈，而不是迎 開發速度與效率。von Hippel（2005）的研究指出約 9.8%~37.8%的使用者在個人 產品使用上有開發和建置創新的能力，可見使用者是能夠進行產品客製的能力。

所以顧客應該被視為價值創造的夥伴，共創價值過程類似於自助（或稱

do-it-yourself, DIY）的概念（Tang & Meersman, 2012），同義於產銷者（prosumer），

也就是顧客在生產程序提供有價值的輸入（input）。

網際網路讓企業與顧客雙方進行更寬廣的活動，企業可以收集到更多有關於 消費者的資訊。顧客擁有產品開發者所需要的資訊，這類資訊又被稱為粘資訊

（sticky information），要區分出與顧客需求有關的資訊需要產品開發者與顧客多 次互動後才能得知，尤其要促成消費者消費驚艷的多樣化。問題的解決，必要的 資訊與問題解決能力都是不可或缺的（Jeppesen, 2005），當企業提供給顧客很多 元化的產品時，顧客是沒有能力在這樣的環境下制定最佳決策，這就是人類的有 限理性（Simon, 1957）。下一節將探討有限理性的限制下，互動演化式計算

（interactive evolutionary computation, IEC）技術的協助與相關的研究議題。

第三節 互動演化式計算

快速的資訊傳播速度與資訊過載的情況下，消費者可能無法清楚描述他們的 需求，也不能完美的預測他們自己的選擇，甚至不確切知道哪個產品或元件是他 們想要擁有的（von Hippel, 1986; Rosenberg, 1982; Riquelme, 2001; Mandl et al., 2011）。互動演化式計算繼承演化式計算的核心技術，改以人類取代適應函數

（fitness function），因此，互動演化式計算除了可以找到創新的方案外，還可以 回應使用者偏好的改變。

壹、演化式計算

演化式計算（Takagi, 2001）是自然界生物演化的人工智慧計算技術，包含 遺傳演算法、演化式策略（evolutionary strategy, ES）、遺傳程式規劃（genetic programming, GP）、演化式程式規劃（evolutionary programming, EP）。遺傳演算 法，它模擬達爾文的物競天擇學說，是一種適應性的方法，過去被用來在大的搜 尋空間裡找到最佳化方案的問題。遺傳演算法的搜尋方式是基於模仿演化（適者 生存）來進行，每次的演化都保留最佳方案集合，如同真實演化般，最佳方案集 合會進行交配（crossover）和突變（mutation），所以差的方案也會有出現在下一

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

17

代的存活機率。遺傳演算法的步驟為產生初始族群（population）、根據目標函數

（或稱適應函數）挑選個體，然後進行交配、突變，反覆操作直到找到最佳解（或 滿足停止條件為止）（見圖 2 與圖 3）。

圖 2 遺傳演算法循環

資料來源：Man、Tang 與 Kwong（2001）

圖 3 傳統的遺傳演算法結構 資料來源：Man 等人（2001）

要執行遺傳演算法之前有許多事情要完成，如編碼（coding）、染色體的結 構設計，至於演化參數（許芳誠，2000），如適應函數（fitness function）、族群 大小（population size）、代數（generations）、天擇（selection）、交配、突變、交 配率、突變率、結束規則等。

常見的天擇機制為輪盤法（roulette wheel）、均勻法（uniform）、競賽法

（tournament）與菁英法（elitism）。

輪盤法，在輪盤中為每一個染色體分配一個相對於適應值比率的角度大小

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

18

（見圖 4），然後任意的讓輪盤轉動（隨機產生一個 0 至 1 的機率值），當輪盤停 止後（判斷機率值的落點），來選擇選中的染色體來進行繁殖。圖 4 的染色體 B 佔據輪盤較大的角度，因此，它被選中的機率就比其它染色體高。

圖 4 染色體於輪盤的機率

均勻法，每個染色體被選擇到的機率都是一樣的。

競賽法，從族群裡隨機挑選二個染色體，然後將適應值較高的染色體送至交 配池中，重複的挑選、競賽，直到交配池中的染色體個數與族群大小相同。

菁英法，強迫在每一代的演化中保留適應值最高的染色體至下一代，避免沒 有被挑選到而消失，因為菁英法對於演化的績效有顯著的影響，因此，菁英法常 與其他天擇機制搭配使用。

常見的交配模式有單點（one-point）與雙點（two-point）兩種。單點交配是 從父代染色體選擇一個交配點，將父代染色體所選擇的交配點後的所有基因進行 對調（見圖 5）。雙點交配則是選擇二個交配點，選擇後，將父代染色體被二個 交配點包圍的基因進行對調（見圖 6）。

圖 5 單點交配

‧

（interactive genetic algorithms, IGA）一詞出現在 Dawkins 著作的書籍「盲眼的 鐘錶匠」（The Blind Watchmaker），其以人取代適應函數的作法讓此問題得到新 的解決方向。

貳、互動式遺傳演算法

學者 Caldwell 與 Johnston（1991）的指認嫌疑犯論文是實務問題的解決應用，

目擊者根據自己的記憶來判斷與引導電腦提供的影像是否正確，透過多次互動來

（Cho, 2002; Gong, Yao, & Yuan, 2009）、影像處理（Jaksa & Takagi, 2003）、心智 健康衡量（Takagi, Takahashi, & Aoki, 2004）、微電子系統設計（Kamalian, Zhang, Takagi, & Agogino, 2005）、助聽器調整（Takagi & Ohsaki, 2007）、人體工學椅子 設計（Brintrup, Ramsden, Takagi, & Tiwari, 2008）、回收廠設備佈置

（Garcia-Hernandez, Salas-Morera, & Arauzo-Azofra, 2012）、網頁佈置（Sorn &

Rimcharoen, 2013）等。互動式遺傳演算法在旅遊行程、時裝設計、網頁佈置的 應用研究，除了固有的偏好問題外，也隱含創意設計的概念。

參、互動演化式計算的研究議題

互動式遺傳演算法後被納入到互動演化式計算，之後被廣泛應用於多個領域，

也產生了許多值得研究的議題。互動式遺傳演算法與遺傳演算法最主要的差異在

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

20

於族群的大小，遺傳演算法的族群大小可以是成千上萬，但是互動式遺傳演算法 受限於電腦螢幕的大小，可能只有數十個，因此，在同樣的解答空間大小情況下，

遺傳演算法的搜尋次數與時間與互動式遺傳演算法相比較下可能差了上百倍，也 因此人類的疲勞問題在互動式遺傳演算法裡被視為主要的問題。為了解決疲勞問 題，相關的研究做法（Takagi, 2001）如使用低尺度的評量工具、預測解答的適 應值、改變個體出現的次序或改變介面的設計、在使用者評估時讓電腦能夠做點 其他需要計算的事情、降低人類的操作時間、結合其他機器學習（machine learning）

技術、讓使用者參與做點事、改善搜尋技術。

大量客製化一節裡提到消費者慢慢的不再滿足於單方面的接受產品，他（她）

們希望能參與設計，von Hippel（2005）的研究也指出近三成的使用者具有開發 產品與建置創新的能力。如果能將使用者的這項能力整合至互動演化式計算裡，

應該能對解答的搜尋與設計有幫助。

在這之前，Kosorukoff（2001）曾提出相似的概念，也就是以人為基遺傳演 算法（human based genetic algorithm, HBGA）。以人為基遺傳演算法將遺傳操作

（天擇、交配、突變）以外包（outsourcing）給人處理（見圖 7），然而，當遭遇 使用者偏重天擇機制時，會讓整個遺傳循環極度不平衡。因為天擇、交配與突變 的交互使用，才能創造多樣性的方案（Goldberg, 2002），因此加入計算模組來平 衡整個演化機制。

圖 7 以人為基遺傳演算法 資料來源：Kosorukoff（2001）

一篇以色彩為實驗例子的論文，比較了互動式遺傳演算法與以人為基的遺傳 演算法（Cheng & Kosorukoff, 2004），實驗結果指出，以人為基的遺傳演算法其 以人為自主的選擇操作優於互動式遺傳演算法。

肆、互動演算式計算近年研究

有別於傳統互動演化式計算，超互動演化式計算（hyperinteractive

evolutionary computation, HIEC）增加使用者的參與度，允許使用者自行操作交 配、複製（duplicate）、刪除、隨機、突變的機制（Bush & Sayama, 2011）。Koga、

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

21

Inoue 與 Fukumoto（2013）所提的音樂創作系統也讓使用者參與，系統先呈現音 樂，然後讓使用者決定是否修正。若使用者決定修正，需要對修正後的音樂進行 評估，評估後再決定是否滿意，若不滿意，則進行遺傳機制，如此反覆操作，直 到完成音樂創作。

Tanaka 等人（2010）的研究在於取得重要設計變數空間維度（縮小搜尋空 間），他們比較了互動遺傳演算法與 Amazon 的推薦結果，研究結果指出互動遺 傳演算法能產生與 Amazon 相似的推薦，而且能產生更貼近受測者需求的推薦。

Takagi（2012）從感知觀點來探討互動演化式計算，感知有四個層次（見圖 8），sensory、perceptual、cognitive 與感知（kansei）。感知是人類擁有對輸入的 主觀價值的掌控能力與功能，互動演化式計算可以收集人類對輸入的主觀價值，

藉由不同的方法與學習機制（見圖 9、圖 10）可以解讀人類的感知機制，例如類 神經網路、模糊（fuzzy）或是統計方法。

圖 8 在不同心理層次的體認 資料來源：Takagi（2012）

圖 9 互動演化式計算使用者的評分 資料來源：Takagi（2012）

‧

Sun、Yang、Gong 與 Li（2012）從群體智慧（collective intelligence）觀點來 操作互動演化式計算，他們收集其他使用者的資料後，利用 k-means 判別使用者 的群集，利用群集裡的資訊來產生方案，降低使用者無先備知識與疲勞的問題。

Sumi、Oinuma、Arakawa 與 Harashima（2012）著重處理互動演化式計算的 初始族群設計，作法上要求多位使用者先操作此系統，然後取得相當數量的資料 後，將此資料進行 k-means 集群，當新使用者操作此系統時，可提供各群集內較 優秀的方案。

Jung 等人（2013）則以眼睛注視影像的時間長度與次數取代使用者評估分 數，降低使用者疲勞的問題，並提出互動演化式規劃（interactive evolutionary programming, IEP）服裝推薦系統。研究結果指出系統能更精準估計使用者的偏

Geyer-Schulz 等人（2000）設計一個資訊產品推薦系統，名為 myVU，解決 使用者適應函數評比的瓶頸問題與群集異質問題。myVU 觀察顧客的瀏覽行為，

‧

Kim 與 Ahn（2012）結合內容過濾與互動演化式計算的音樂推薦系統，在互 動演化式計算部分只使用截斷式（truncation）天擇與 BLX-交配機制。研究結 果指出系統優於傳統內容過濾，另外對於資料稀疏問題亦有減緩作用。

Kant 與 Bharadwaj（2013）結合 reclusive、互動遺傳演化法，以 MovieLens 設計一個系統。前處理階段，以項目特徵與高斯（Gaussian）計算項目與項目之

Kant 與 Bharadwaj（2013）結合 reclusive、互動遺傳演化法，以 MovieLens 設計一個系統。前處理階段，以項目特徵與高斯（Gaussian）計算項目與項目之