.png){kind=icon}
返回
Evaluating Visualization Techniques for Binary Populations in High-Dimensional Evolutionary Search
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2026.3671826.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交互式进化计算（IEC）的有效性从根本上依赖于算法能力与人类直觉的协同作用。然而，对于编码为高维二进制向量的复杂组合问题（如最大团问题），种群状态的视觉化仍然是一个关键瓶颈。传统的降维或直接绘图技术往往无法在不引发过度认知负荷的情况下传达拓扑细节。本文提出一项实证研究，评估了五种可视化技术的人感知效度：两种基线方法（二进制热图和MDS散点图）以及三种新型实验性隐喻（CNN生成图像、基于图符的草图和随机粒子）。通过受控用户研究，我们量化了人类在人类参与式系统中四种关键认知操作的表现：相似性感知、短期视觉记忆、循环检测和进化趋势分析。结果表明，全局感知与局部精度之间存在根本性权衡。尽管MDS散点图在监控宏观进化趋势方面效率最高（尽管在准确性方面与其他方法相当），但在局部检查任务中表现显著不足。相反，所提出的生成性隐喻（特别是草图和CNN）在感知相似性、保持短期记忆和检测周期性异常方面展现出更高的准确性。因此，我们倡导采用协同视图，结合空间投影进行全局引导，并利用生成性隐喻进行精确的局部干预。
Keyword:
Evolutionary computation
human-in-the-loop
information visualization
high-dimensional data
interactive optimization
visual perception
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
Visual Analysis Scenarios for Understanding Evolutionary Computational Techniques’ Behavior.png)
Information
InformationIF0
PREAI
分享收藏Interactive multi-objective particle swarm optimisation using decision space interaction基于决策空间交互的多目标粒子群优化
OAAI
OAAI分享收藏
查看更多内容