CC BY
27
ОПТИМИЗАЦИЯ ПОЛЬЗОВАТЕЛЬСКОГО ИНТЕРФЕЙСА ВЕБ-СТРАНИЦЫ С ИСПОЛЬЗОВАНИЕМ ВДОХНОВЛЕННОГО
ПРИРОДОЙ БАКТЕРИАЛЬНОГО АЛГОРИТМА 1 2 Пирогов А.А. , Радченко А.И. Email: Pirogov664@scientifictext.ru
1 Пирогов Александр Андреевич - магистр,
2Радченко Алексей Иванович - магистр, факультет информатики и систем управления, Московский государственный технический университет им. Н.Э. Баумана,
г. Москва
Аннотация: от степени удобства использования интерфейса напрямую зависит посещаемость веб-страницы. Инспирированные природой алгоритмы имеют неоспоримые преимущества в сравнении с классическими алгоритмами оптимизации при решении задач высокой размерности, таких, например, как оптимизация веб -интерфейсов по критерию удобства их использования. В статье предложен новый способ оптимизации интерфейса веб-страницы, основанный на вдохновленных природой алгоритмах. В качестве такого алгоритма был выбран бактериальный алгоритм. Проведенные эксперименты выявили достоинства указанного алгоритма, а также показали перспективность работ в данном направлении. Ключевые слова: генетический алгоритм, бактериальный алгоритм, оптимизация интерфейса веб-страниц; удобство использования интерфейсов; тепловые карты интерфейса.
WEB PAGE INTERFACE OPTIMIZATION USING NATURE
INSPIRED BACTERIAL ALGORITHMS 12 Pirogov А.А.1, Radchenko A.I.2
1Pirogov Alexander Andreevich - Magister;
2Radchenko Alexey Ivanovich - Magister, FACULTY OF INFORMATICS AND CONTROL SYSTEMS, MOSCOW STATE TECHNICAL UNIVERSITY N.E. BAUMAN, MOSCOW
Abstract: the attendance of a web page directly depends on the ease of use of the interface. The algorithms inspired by nature have indisputable advantages in comparison with classical optimization algorithms when solving problems of high dimensionality, such as, for example, optimization of web interfaces by the criterion of ease of use. The article proposes a new way to optimize the interface of a web page, based on algorithms inspired by nature. A bacterial algorithm was chosen as such an algorithm. The experiments revealed the advantages of this algorithm, and also showed the promise of work in this direction. Keywords: genetic algorithm, bacterial algorithm, web page interface optimization; interface usability; thermal interface cards.
УДК 004.021:004.514
При первом посещении Интернет-ресурса с непривычным для пользователя интерфейсом, человек, не желая тратить время и разбираться в структуре сайта, вынужден перейти на другой источник, в поисках более привычного интерфейса. Это становится причиной снижения аудитории сайта, падение в рейтингах поисковых систем и как следствие - потеря дохода для компании, которая поддерживает этот Интернет-ресурс.
В последние годы значительно выросла популярность применения вдохновленных природой алгоритмов. Рассмотренные в рамках задачи по оптимизации
пользовательского интерфейса генетический алгоритм и алгоритм искусственной пчелиной колонии показали перспективу применения алгоритмов, вдохновленных природой при оптимизации пользовательского интерфейса [1].
Бактериальный алгоритм, является одним из наименее изученных на сегодняшний день методов оптимизации, возможности которого еще не до конца исследованы. [2] Данный алгоритм отлично показал себя в работе при задаче параметрической оптимизации. Так же имеется большое количество модификаций алгоритма бактериального поиска. Об этом свидетельствует статья в которой улучшенный модификационный алгоритм бактериального поиска показал высокую эффективность в решении задач оптимального размещения и калибровки распределенной генерации [4].
Среди публикаций, доступных авторам настоящей статьи, не нашлось упоминаний о применении этого алгоритма к оптимизации дизайна интерфейсов.
Любой веб-интерфейс можно представить в виде DOM-модели (от англ. Document Object Model - объектная модель документа) для отображения информации о его структуре. Метод тепловых карт интерфейса используется для определения глубины вложенности элемента в дереве. Значение «теплоты» в центре каждого элемента интерфейса вычислялось с учетом максимальной глубины DOM-дерева по формуле (1): central = depth + (6 - max_depth) (1) где central - значение «теплоты» в центре элемента; depth - глубина расположения элемента в дереве; 6 - максимальное значение глубины для карты из семи цветов; max_depth - максимальная глубина исходного дерева элементов.
Для вычисления разницы между оптимизируемым пользовательским веб-интерфейсом и эталонным используется фитнесс-функция на основе метрики Минковского 2-го порядка по формуле (2):
fitness
\
i=n,]=m
X (Хч+Уч)2' (2)
1 = 1,7 = 1
где fitness - значение фитнесс-функции; n, m - соответственно ширина и высота изображения в пикселах; xij , yij - значение цвета пиксела с индексами i по горизонтали и j по вертикали соответственно на первой, второй тепловой карте.
Бактериальный алгоритм реализован на применении трех механизмов: хемотаксиса, репродукции, ликвидации-рассеивания [3]. Бактерии перемещаются в пространстве поиска при помощи жгутиков, которые могу вращаться в двух направлениях. Для движения вперед все жгутики должны вращаться в одном направлении. Такое движение бактерии называется плаванием (swim). При вращении жгутиков в разных направлениях бактерия начинает беспорядочно кувыркаться на месте, что приводит к выбору нового случайного положения в пространстве поиска. Целью движения является поиск наиболее благоприятных условий для их существования (много пищи и отсутствие ядовитых веществ). Такой способ движения в микробиологии называется хемотаксисом.
Бактериальный алгоритм представлен в следующем виде:
1) Пусть Xi (j,k,l) - вектор текущего положения i-й бактерии на j-м шаге хемотаксиса, k-м шаге репродукции и l-м шаге цикла «ликвидация рассеивание», где i - порядковый номер бактерии, i = 1 ,s (s - количество бактерий).
2) Изменение положения бактерии Xi определяется формулой (3):
Xi(j + 1. к, 0 = ХМ, к, 0 + Сг(/) ■ ТА'0) , л - (3)
л/дГ(/)Д;(/)
где Xi(j + l,k,V) - новый вектор положения i-й бактерии на j-м шаге хемотаксиса, k-м шаге репродукции и l-м шаге цикла «ликвидация рассеивание», Д i (j) - текущий
направляющий вектор шага хемотаксиса i-й бактерии, Ci(j) - текущее значение данного шага.
3) После того, как будет выполнено заданное число циклов движения, производится отбор лучших бактерий и их деление. Для этого все бактерии упорядочиваются по возрастанию функции качества, усредненной по всему времени их жизни. Худшая часть всех бактерий удаляется.
4) После завершения нескольких итераций цикла воспроизведения выполняется перенос (рассеяние) бактерий. Для этого каждая бактерия с некоторой небольшой вероятностью переносится в случайную точку пространства решений [3].
Бактериальный алгоритм реализован для последовательного приближения дизайна тестируемого интерфейса к эталонному. Фитнесс-функция для данного алгоритма вычислялась по формуле (2).
Описание бактериального алгоритма для приближения интерфейса к эталону:
Шаг 1. Построить тепловые карты для эталонного и тестируемого интерфейсов.
Шаг 2. Вычислить значение фитнесс-функции для тестируемого и эталонного интерфейсов по формуле (2). Нулевое значении фитнесс-функции показывает достижение результата оптимизации, необходимо выйти из алгоритма.
Шаг 3. Элементам тестируемого интерфейса поставить в соответствие подвижных бактерий, векторы перемещения которых задать по формуле (3).
Шаг 4. Переместить элементы тестируемого интерфейса в соответствии с векторами, заданными на предыдущем шаге и вычислить фитнесс-функцию полученного интерфейса по формуле (2). Нулевое значении фитнесс-функции показывает достижение результата оптимизации, необходимо выйти из алгоритма. Если значение фитнесс-функции уменьшилось в сравнении с предыдущим значением на прошлой итерации, то поместить области бактерий на соответствующие позиции.
Шаг 5. Задать новые векторы перемещения подвижных бактерий в соответствии с бактериальным алгоритмом, перейти к шагу 4 и проделать заданное число итераций.
Результатом работы алгоритма будет положение бактерий с минимальным значением фитнесс-функции, что позволит получить наиболее приближенный к эталону вариант интерфейса.
При проведении эксперимента за основу бралась DOM-модель интерфейса. Для эксперимента по оптимизации интерфейса с помощью бактериального алгоритма были выбраны два интерфейса, представленные на рисунках 1 и 2.
Рис. 1. Тепловая карта тестируемого Рис. 2. Тепловая карта
интерфейса эталонного интерфейса
Загружался эталонный интерфейс и тестовый. Задача оптимизации была в приближении тестового интерфейса к эталонному. Было проведено 20 экспериментов, на основе которых был зафиксирован результат работы бактериального алгоритма.
На рисунке 3 приведена зависимость количества итераций, которых потребовалось для оптимизации интерфейса с помощью бактериального алгоритма.
100
s
=г 80
л а а>
t: 60
Б 40 а>
I 20
о
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Номер эксперимента
БА
Рис. 3. Количество итераций при оптимизации интерфейса
Бактериальный алгоритм из 20 экспериментов в 80% случаев смог точно приблизить тестируемый интерфейс к эталонному. Также показал стабильный результат по среднему количеству итераций. По сравнению с ранее используемыми генетическим алгоритмом и алгоритмом искусственной пчелиной колонии показал наиболее быструю оптимизацию пользовательского интерфейса. Данный алгоритм проявлял себя в других задачах в различных модификациях, что говорит о дальнейших перспективах применения модификаций данного алгоритма на этой задаче оптимизации. Также возможна отличная от описанной постановка задачи оптимизации, при которой, например, возможны изменения размеров элементов интерфейса или изменение глубины вложенности окон интерфейса.
0
Список литературы /References
1. Сакулин С.А., Алфимцев А.Н., Соловьев Д.В., Соколов Д.А. Оптимизация интерфейсов веб-страниц с использованием инспирированных природой алгоритмов // Вестник компьютерных и информационных технологий, 2018. T. 165. № 3. С. 3-10.
2. Korani W. Bacterial Foraging Oriented by Particle Swarm Optimization Strategy for PID Tuning // GECCO'08, July, 2008. Pp. 1823-1826.
3. Карпенко А.П. Популяционные алгоритмы глобальной поисковой оптимизации. Обзор новых и малоизвестных алгоритмов // Приложение к журналу «Информационные технологии» 2012. № 7. С. 4-6.
4. Devi S., Geethanjali MApplication of modified bacterial foraging optimization algorithm for optimal placement and sizing of distributed generation //Expert Systems with Applications, 2014. Т. 41. № 6. С. 2772-2781.
