一种模糊遗传机制的人机交互界面布局优化方法

杨绘锦

(山东外事职业大学，山东 乳山 264500)

0 引言

人机交互界面是人员与机器、装备等复杂系统的信息输出、控制输入交互的媒介。现代航天、核电、海洋工程等重大设施的监控系统需要进行海量信息的监视、控制，典型的如复杂工业系统集控室控制面板包含的显示、控制元件数量庞大，可达上千个，而且单个元件可能在多种任务工况存在耦合使用关系[1]。人机交互界面布局是人员信息识别和操作输入的重要影响要素，布局不合理能够直接影响人员监控作业绩效及系统运行安全性[2]。

国外较早就开始了人机交互界面布局优化问题研究，以CRAFT与CPABLE布局模型最为典型，主要思路是将使用次数多、使用顺序靠前的元件布置在可见和可达性高部位，适用于汽车、车床等元件数量少的简单交互界面布局问题[3-4]；Wang[5]等提出了元件排序启发式优化算法，考虑使用频率、重要程度因素，但其两种因素数据输入均采用主观判断确定，容易给布局优化结果带来不定性。近年来，智能优化算法逐步应用于人员参与的系统优化领域，如李苏[6]等将人机结合遗传优化算法用于家电产品布局优化研究，以提高产品可用性；Arakawa[7]等将粒子群算法应用于车间设备布局优化研究，以减少物料在工人手中的流转路径。这为人机交互界面布局优化问题提供了启发，范文[8]等针对载人潜水器控制台提出基于蚁群算法人机布局优化方法，但输入信息均采用层次分析主观分析确定，适用于有限空间设备布局优化问题，未考虑人员的其他使用工效数据。目前，还未出现能够融合于人机交互界面整体布局过程，同事考虑多条原则的布局优化模型研究。而且由于手工布局存在依赖于主观经验判断、无法同时兼顾多因素及布局效率低等问题，计算机辅助自动布局及优化成为一种必然趋势。

遗传优化机制适用于解决组合优化问题，本文将模糊遗传优化机制应用于人机交互界面布局优化设计，布局过程中考虑功能组划分、使用次序、使用频率、重要程度及空间相容性原则；运用模糊遗传优化机制对功能组内的布局元素排序进行整体优化计算。开发了人机交互界面辅助布局设计系统，结合动态人机交互仿真及肢体运动轨迹追踪进行人机交互界面布局优化虚拟验证。能够提高人机交互界面布局设计效率及科学性。

1 人机交互界面布局原则

人机交互界面通常由很多的显示仪表、操作器功能单元组成，将需要布置在界面上的单元称为布局元素。布局优化目的就是提高布局合理性、人员作业效率，布局原则包括：功能组分配、重要程度、使用次序、使用频率及相互间操作不干涉原则。人机交互界面布局需要综合考虑和合适使用这些布局原则。人机交互界面的整体布局方法流程及布局原则作用见图1所示。

图1 布局方法流程及布局原则应用Fig.1 Application of arrangement principles during arrangement process

（1）功能组分配原则：按任务、用途及类型对人机交互界面上布局元素进行分组：①将用于相同任务的布局元素分配为一组；②将用途相同、相近的布局元素分配为一组；③将相同类型的布局元素分配为一组。达到将任务、用途及类型相近的布局元素集中布置目的，可以提高操作效率、准确性，增强布局的条理性，同时降低整体布局复杂性。

（2）使用次序、使用频率、重要程度原则：使用次序、使用频率、重要程度原则主要用于确定组内布局元素排序关系。根据布局元素的使用次序进行布置，任务中首先使用的布局元素排在前面，使用次序上有直接关系的布局元素邻近排放，以缩短操作人员反应时间；使用频率高、重要程度高的布局元素排放在优势位置，易于接触、观测。

（3）相互不干涉原则：保证布局过程中不会产生元件位置干涉，同时要求布局元素间留有操作空间，避免产生误操作。在实际布局过程中，需要考虑布局区域大小、布局元素尺寸及布局元素间距合理。

2 基于模糊遗传机制的布局优化方法

基于模糊遗传机制的人机交互界面布局优化方法通过模拟自然界生物种群在繁衍迭代过程中的优胜劣汰进化过程，融合模糊遗传操作过程对布局种群个体的选择、交叉、变异操作产生新子代个体；优胜劣汰，逐代迭代，搜寻种群迭代进化形成的最优布局解个体[9]。

2.1 布局元素排序编码

通过生物种群染色体的结构方式对人机交互界面布局元素排序问题进行编码：布局元素的每一种排序方案代表种群中一个染色体个体，即排序问题的一个潜在解；种群代表排序问题解集。对排序个体进行编码描述：Eij表示人机交互界面布局元素 j在排序占据的位置为i。排序种群实例包含k个染色体个体，即k种排序方案；n=11,单个排序个体中含有11个基因，即11个布局元素；“个体(排序)1”中的基因“5”表示布局元素编号 j=5，在排序中占据第3个位置，i=3。具体见图2所示。

图2 人机交互界面的布局编码方法Fig.2 Encoding method for man-machine interactive interface

2.2 布局优化适应度值函数

依据布局优化目标构建基于理想点原理的适应度值函数，用于评价人机交互界面布局解的优劣。构建原则：（1）在操作中先使用到的布局元素应排在序列前面，与理想点位置距离短；（2）重要程度高、使用频率高的布局元素应排在序列前面，与理想点位置距离短。在布局元素排序最前位置设置理想“O”点，以此作为布局元素的排序参照点，见图3所示。人机交互界面布局优化适应度值函数：

图3 人机交互界面布局的理想点方法排序原理Fig.3 Sketch of ideal point method for man-machine interactive interface

式（1）中，dj为布局元素 j与理想点位置间距离；Frej为布局元素使用频率量化系数，Seqj为使用次序量化系数，Imj为重要程度量化系数；α, β, μ为布局原则比例系数。适应度函数F综合考虑了重要程度、使用频率、使用次序原则，能够用于评价种群排序个体优劣程度，作为判断选择、进化的依据。

通过排序系数方式量化布局元素的使用次序、使用频率、重要程度在布局中作用，作为布局优化的输入。布局元素的使用频率系数不应采用主观判断确定，而应该通过规程任务数据统计获取。由于布局元素可能在多条规程任务使用，因此设定布局元素 j在m条任务中使用频率系数Frej为：

其中，布局元素Ej在任务l中使用时， f( Ej)=1，Ej未被使用时 f ( Ej) = 0 ， l = 1 ,2… ,m 。Ej在规程任务中被使用次数越多，系数Frej就会越大。

布局元素的使用次序系数Seqj为：

其中，i表示布局元素Ej在使用次序中占据位置， i, j = 1 ,2… ,n 。布局元素Ej使用次序越靠前，系数Seqj就会越大。

布局元素的重要程度系数通过逐对比较的层次分析方法[10]获取，采用1-9级标度法构建逐对比较评判矩阵，布局元素Ej的重要程度系数Imj：

布局元素越重要，重要程度系数Imj越大。

2.3 模糊遗传操作方法

研究表明常见的简单遗传算法用于组合优化问题时，会存在种群多样性易遭破坏、易于过早收敛于局部最优解的问题[11]。结合模糊理论方法，对简单遗传算法的个体选择、基因变异操作方法进行改进。人机交互界面布局种群个体的选择过程模拟自然界的优胜劣汰过程，将优秀个体的基因复制到下一代。简单遗传算法常采用轮盘赌选择操作，种群中适应度值越高个体占越大选中几率。但由于轮盘赌属于随机选择操作过程，会出现适应度值高个体未能参与选择操作的问题，导致结果难以收敛到全局最优解。根据自然界小种群竞争现象，例如野牛群、狮群等，种群中最优个体之间为争夺统治位置而竞争激烈，而中等个体不会与最强个体发生直接竞争，只要中等个体能适应自然环境，可以进入下一代，不能适应环境的劣者会被直接淘汰。因此，提出动态模糊选择操作方法，其选择策略是：首先以一定的百分率p将种群中适应度值高的优秀个体群整体复制进入下一代， fp＞favg；（2）剩余个体采用动态模糊选择方法在每一代中的平均适应度值个体周围选择。即个体被选择概率 Ps为：

当p为设定阈值，在 0.01-0.2间选择。选中个体进入下一代种群用于交叉、变异操作，未被选中个体则淘汰。该选择操作方法的优点是：将优势个体以比例整体复制进下一代，避免了优势个体未参加选择过程，将平均适应度值周围的个体选择进入下一代，保证种群的多样性，避免陷入局部死循环。

人机交互界面布局变异操作方法：随机选取染色体个体中两对基因，互相交换其位置，形成全新的子代个体。简单遗传算法变异概率Pm通常很小一般取0.0001～0.1，产生新个体的效率较低。采用模糊变异操作方法，当人机交互界面布局种群的个体适应度值密级程度达到一定限制时，使用大变异概率bP进行一次变异操作，通过式（6）判断[12]。

其中，m为人机交互界面布局种群中个体适应度值的密集程度。依据进化集中程度m选用不同变异操作概率 Pb=f( m1, f ′(m1, m2) ,m2)：

在人机交互界面布局模糊变异操作过程中，不同的种群密集程度选用的变异概率不同。在种群适应度值比较集中时，选用较大的变异概率实施变异操作，为种群繁衍注入活力，保证种群多样性及拓展局部随机搜索能力。

3 人机交互动态仿真及轨迹追踪

人机交互界面布局虚拟验证系统基于Delmia人机仿真平台构建，以VB6.0作为开发环境。布局优化后人机交互界面应能提高总体运动效率、减少运动距离[13]，主要从任务时间、肢体活动距离、身体转动角度方面进行虚拟验证。动态追踪人体模型运行轨迹原理：（1）构建人机交互虚拟场景，在虚拟环境开发人机交互过程动态模拟模型[14]；（2）驱动人体模型按次序动态连贯的执行操作任务，以Δt为时间间隔捕捉和实时记录人体肢体相对坐标及角度，则肢体运动距离D，身体转动角度 Ux, Vy, Wz分别为：

其中，T为人机动态仿真任务总时间，xΔt=图4为人机交互动态仿真人体模型右手操作运动轨迹追踪与统计实例。

图4 人机交互动态仿真运动轨迹追踪Fig.4 Tracking motion path for human body dynamic motion

4 布局优化及虚拟验证实例

结合 UGOpen API用户函数接口和 Visual Basic 6.0开发了基于NX平台的人机交互界面辅助布局优化系统。辅助布局优化系统根据输入的人机交互界面分组、布局元素任务使用数据、重要程度数据，自动优化计算布局元素排序；调用布局元素三维模型库，在三维空间输出直观的优化布局方案结果。具体优化工作流程见图5所示。

图5 辅助布局优化系统工作流程Fig.5 Flow chart of computer aided arrangement system

以某功能区内11个布局元素为例。图6为辅助布局优化系统输入布局元素在多条规程任务的使用数据及重要程度逐对比较矩阵数据。

图6 优化系统布局元素数据输入Fig.6 Input datas of man-machine interactive interface optimization system

采用式（2）-（4）对各条原则相关数据进行自动计算，获得11个布局元素的使用次序、使用频率及重要程度排序系数向量 S eq, F re,Im

人机交互界面布局种群进化参数：初始规模k = 200，进化代数g=50，种群规模容量为3000，p= 0.02，pc=0.6，α:β:μ= 0 .5:0.3:0.2。分别运行排序优化程序10次，选择获得最佳适应度值的一次作为最终结果。图7采用改进的模糊遗传机制与简单遗传机制优化结果收敛曲线的对比，表1为两种方法的具体优化结果。

图7 两种优化机制的优化结果趋势曲线图Fig.7 Trend graph of two genetic optimization method result

表1 两种方法优化机制的排序优化结果对比Tab.1 Result comparison of two genetic optimization method

通过比较可知，改进的遗传优化机制在最佳适应度值、平均适应度值、达到最佳个体迭代代数、未收敛概率方面有较大提高。说明提出的改进的模糊遗传优化机制能够提高优化算法的搜索效率，避免陷入局部最优解问题。最终布局排序优化结果为[1,3,5,9,7,6,4,8,2,10,11]。

对布局优化结果进行人机动态仿真虚拟验证。根据布局优化结果在虚拟验证平台构建盘台布局三维模型，构建三维人体模型；选择典型操作任务驱动人体模型动态执行操作任务过程；选择人体模型的身体重心坐标、右手坐标进行追踪，取Δt=0.1秒实时捕捉人体模型肢体相对坐标数据。对运动轨迹坐标数据进行统计和分析，表 2为人机交互界面原布局方案和优化方案各项指标统计数据的比较。

表2 运动轨迹统计数据的比较Tab.2 Statistic datas comparison of tracking motion paths

表2中数据说明优化后方案在操作时间、身体重心及手部移动距离方面均具备较大的提高比率，优化方法具备较大优势，能够减少人体肢体运动量。

5 结论

对人机交互界面布局优化及验证方法展开研究。布局优化方法综合了多条布局原则，并结合理想点方式构建人机交互界面布局优化适应度函数。模糊遗传优化机制被应用于人机交互界面整体布局优化，采用整数排列对布局优化问题进行准确、完整编码；构造模糊寻优进化选择、变异操作方法，能够拓展排序解搜索空间深度和广度，保证布局排序寻优算法收敛性。人机交互界面布局虚拟验证方法能够实现肢体运动轨迹数据追踪与统计，以定量地对布局优化结果进行验证。该方法能够对复杂系统人机交互界面进行布局优化，能够提高布局设计效率、科学性，在工程设计领域具有应用意义。