مقالة منهجية

سير عمل قابل للتكرار بمساعدة الذكاء الاصطناعي لتطوير المفاهيم في تصميم فن المسرح وتحسين الإضاءة من خلال إطار عمل GSAD

DOI:

10.3791/70737

⸱

مايو 12, 2026

1Shanghai Minhang Polytechnic

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

هنا، يقدم المؤلفون بروتوكولا لتنفيذ إطار تصميم فن المسرح التوليدي (GSAD)، وهو سير عمل مدعوم بالذكاء الاصطناعي يدمج نماذج الانتشار، والشبكات العدائية التوليدية (GANs)، وتحسين عشائر الفيلة الذكية (IECO) لتوحيد الانتقال من السكربتات السردية إلى المفاهيم البصرية ثلاثية الأبعاد المحسنة.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الذكاء الاصطناعي (AI) يعيد تشكيل عمليات التصميم الإبداعي بشكل جذري من خلال تمكين الأفكار السريعة والتصور المتسق، خاصة في فن المسرح والسينغرافيا. ومع ذلك، لا تزال سير العمل الحالية تعتمد بشكل كبير على الرسم اليدوي والتفسير الذاتي، مما يحد من قابلية التوسع ويقلل من قابلية التكرار عبر فرق التصميم. تؤكد هذه الفجوة الحاجة إلى إطار عمل منظم لتصميم فن المسرح التوليدي (GSAD) بمساعدة الذكاء الاصطناعي يدمج التعلم العميق، والنمذجة التوليدية، وتقنيات التحسين لدعم تطوير المفاهيم المنهجي والمتكرر. الهدف الأساسي لإطار عمل GSAD هو دمج نماذج الانتشار لتوليد المفاهيم الأولية، والشبكات التوليدية المتنافسة (GANs) لتحسين النسيج والإضاءة، وتحسين عشيرة الفيلة الذكية (IECO) لتحسين تخطيط المسرح ووضع الإضاءة. تتضمن مجموعة بيانات تصميم فن المسرح، التي تضم 2500 صورة عالية الدقة، نصوص مسرحية مشروحة، ومخططات إضاءة، وتخطيطات ثلاثية الأبعاد لتسهيل التعلم متعدد الوسائط. يظهر التقييم التجريبي تحسينات كبيرة في المقاييس النوعية، بما في ذلك تحسين التوافق الدلالي بين محتوى السكريبت والمرئيات المولدة، وكفاءة تحسين تخطيط أكبر تتحقق من خلال التحليل المكاني المدفوع ب IECO. أدى تنفيذ الإطار في بيئة تعتمد على بايثون إلى دقة تنبؤية تبلغ 98.88٪، وعمليات عافية تبلغ 26.58 ميغا في الثانية (MFPOs)، وكمية معلمات تبلغ 1.08 م. يقدم إطار عمل GSAD سير عمل قابل للتوسع، قابل للتكرار، وتقنيا مدعوما بالذكاء الاصطناعي، يعزز الإنتاج الإبداعي، ويضمن الاتساق البصري، ويدعم تطوير المفاهيم بكفاءة في تصميم فن المسرح الحديث.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تصميم فن المسرح هو مجال متعدد التخصصات معقد يدمج بين السينغرافيا، والإضاءة، وتصميم الديكور، والسرد المكاني 1,2. تاريخيا، اعتمد تطوير مفاهيم المسرح على الابتكار البشري الذي تم التعبير عنه من خلال النماذج المادية، والرسومات المرسومة يدويا، ولوحات المزاج، وجلسات العصف الذهني المتكررة3،4. لقد تشكل هذا التطور بعمق من خلال التوتر بين الرؤية الفنية والقيود المادية لمساحة الأداء5. مع تزايد متطلبات الأداء بشكل متزايد، تجاوز الطلب على توليد المفاهيم الفعالة في الموارد، والغني بصريا، والسريع على سير العمل اليدوي التقليدي 6,7. ظهور الذكاء الاصطناعي التوليدي (GenAI) ونماذج اللغة الكبيرة (LLMs) يوفر مسارا تحويليا لتعزيز العملية الإبداعية، مما يسهل فكرة التصميم والابتكار المشترك في مجالات العمارة والترفيه8،9.

غالبا ما تواجه السينغرافيا التقليدية فجوة دلالية حيث تكافح المشاعر المجردة لنص المسرح لإيجاد مكافئ بصري دقيق دون تجربة وخطأ مكثفة 2,10. تسمح أدوات الذكاء الاصطناعي الحالية في الصناعات الإبداعية بالبحث المرن وإعادة تركيب الصور المرجعية، ومع ذلك تفتقر العديد منها إلى الصرامة الهيكلية المطلوبة للإنتاج المسرحي الاحترافي11,12. علاوة على ذلك، فإن الطبيعة الذاتية للتقييم الجمالي غالبا ما تجعل من الصعب مواءمة المخرجات المولدة آليا مع نية سردية محددة13. هذا التحول من سير العمل اليدوي المعتمد على الخبرة إلى التعاون القائم على البيانات بين الإنسان والذكاء الاصطناعي أصبح سمة مميزة لممارسة التصميم في القرن الحادي والعشرين14,15. يتطلب دمج هذه الأدوات الحاسوبية نوعا جديدا من البحث "القائم على الممارسة" الذي يجسر الفجوة بين تطوير الأدوات الرقمية والأداء الحي16. تؤكد الدراسات الحديثة أن أنظمة الذكاء الاصطناعي يمكن أن تسهل العصف الذهني والاستكشاف الواسع للبدائل، ومع ذلك يبقى الانتقال من التفكير ثنائي الأبعاد إلى تحقيق ثلاثي الأبعاد تحديا تقنيا.9.

معالج إطار تصميم فن المسرح التوليدي (GSAD) هذه النواقص من خلال إنشاء سير عمل قابل للتكرار بمساعدة الذكاء الاصطناعي17,18. ينبع مبرر هذا الإطار من الحاجة إلى أتمتة مكونات التصميم مع الحفاظ على النزاهة الفنية للسرد الأصلي. من خلال دمج أنظمة الذكاء الاصطناعي متعددة الوسائط، يمكن للمصممين التكرار بسرعة بصريا وشفهيا، مما يضمن أن تحسينات الإضاءة والخامات تتوافق دلاليا مع المحتوى الدرامي19. عنصر أساسي في هذا الابتكار هو استخدام خوارزمية تحسين عشائر الفيلة الذكية (IECO)، التي تستلهم من السلوك الاجتماعي لمجموعات الفيلة لتجاوز القيود المكانية المعقدة في تخطيط المسرح وتوزيع الإضاءة20,21. أثبتت هذه الفئة من الخوارزميات الميتاهيريستية فعاليتها بشكل خاص في حل مشاكل التصميم متعددة الأهداف حيث تفشل الطرق التقليدية القائمة على التدرج.

في سياق الأدبيات الأوسع، أظهرت أنظمة التصميم بمساعدة الحاسوب (CAD) المدعومة بالذكاء الاصطناعي بالفعل مكاسب كفاءة تصل إلى 20٪ في سير العمل المعماري22,23. على وجه التحديد، يسمح التصميم التوليدي المدفوع بالذكاء الاصطناعي باستكشاف طوبولوجيات مكانية غير قياسية يصعب تصورهايدويا. بينما نجحت الدراسات الحديثة خلال العامين الماضيين في استخدام الشبكات الشرطية (CGANs) لأتمتة توليد مخطط الطوابق ثنائي الأبعاد وتخطيطات المساحات المعمارية، لا يزال توسيع هذه المبادئ التوليدية ثنائية الأبعاد لتشمل المتطلبات المكانية المعقدة وثلاثية الأبعاد لإضاءة المسرح وتصميم الديكورات غير مستكشفة بشكل حاسم. ومع ذلك، غالبا ما تواجه نماذج التعلم العميق التقليدية، مثل الشبكات العصبية الالتفافية (CNNs)، صعوبة في التعامل مع التبعيات طويلة المدى المطلوبة لفهم ترتيبات المراحل ثلاثية الأبعاد المعقدة25,26. يتغلب إطار عمل GSAD على هذه القيود باستخدام محولات الرؤية (ViT) لاستخراج الميزات البصرية العالمية وتمثيلات المشفرات ثنائية الاتجاه من مشفرات المحولات (BERT) لالتقاط دلالات السرد27,28. نظرا لأن المحولات تلتقط السياق العالمي لمشهد التصميم بشكل أكثر فعالية من المرشحات المحلية، توفر هذه النماذج تمثيلا أكثر شمولية للعلاقات المكانية29. يضمن هذا الاستخراج المزدوج للميزات أن تصاميم المسرح الناتجة ليست فقط متسقة جماليا بل ذات صلة سردية أيضا.

مزايا نهج GSAD مقارنة بالتقنيات البديلة، مثل آلية الانتباه الالعميق الالتفاوي (DL-CBAM)، متعددة الجوانب30,31. بينما حسنت النماذج السابقة دقة التعرف على مجموعات بيانات كشف الحركة، غالبا ما كانت هذه النماذج السابقة تتطلب عبئا حسابيا أعلى وتفتقر إلى قدرات التحسين المكاني الموجودة في GSAD. بالمقابل، يحقق GSAD معدل دقة 98.88٪ مع الحفاظ على عدد معاملات يبلغ 1.08 م، مما يحقق توازنا مثاليا بين تعقيد النموذج والقدرة التنبؤية32,33. هذه الكفاءة ضرورية للأدوات الإبداعية في الوقت الحقيقي، كما يتضح من نجاح البنى المحمولة على نطاق واسع في مهام التصميم المتخصصة34. وهذا يجعل الإطار مناسبا جدا لمصممي المسرح المحترفين، ومبدعي الفن الرقمي، ومعلمي الهندسة المعمارية الذين يحتاجون إلى تصورات عالية الدقة وقابلة لإعادة الإنتاج35.

علاوة على ذلك، يعالج دمج GAN لتحسين الخامات والإضاءة محدوديات نماذج الانتشار القياسية، التي قد تنتج أحيانا مخرجات "مسطحة أسلوبيا"36,37. من خلال استخدام مولد يعتمد على الأسلوب، يمكن للإطار تصنيع خامات عالية الدقة تظهر تنوعاوعمقا فنيا معا. من خلال استخدام التدريب الخصامي، يضمن إطار عمل GSAD تعزيز التفاصيل الفنية والواقعية البصرية إلى المعايير المهنية39. كما يخفف هذا النهج من المخاوف الأخلاقية المتعلقة بالمؤلف والتحيز من خلال توفير منصة تعاون قابلة للتحكم "مصمم في الحلقة"40,41. الهدف النهائي ليس استبدال الحدس البشري، بل توفير شريك تعاوني يوسع الوكالة الإبداعية للفنان42. مع توجه المجال نحو أداء أكثر غمرا ومتكاملا رقميا، ستزداد الحاجة إلى بروتوكولات تصميم قوية وأصلية تعتمد على الذكاء الاصطناعي43 فقط. يوفر البروتوكول التالي خارطة الطريق التقنية لتنفيذ إطار عمل GSAD، مما يضمن بقاء تصميم فن المسرح الحديث مبتكرا وقابلا للتكرار.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. البيئة الحاسوبية وجمع البيانات

  1. إعداد النظام (تأكد من تنفيذ جميع خطوات الحوسبة على محطة عمل تمتلك قدرات كافية لمعالج الرسوميات لمهام التعلم العميق).
    1. قم بإعداد بيئة برمجة بايثون على محطة عمل تحتوي على إمكانيات كافية لوحدة معالجة الرسومات لمحاكاة التعلم العميق لتكون الأساس لإطار عمل GSAD في الشكل 1.
    2. قم بتثبيت التبعيات اللازمة، وتحديدا تكوين بايثون (الإصدار 3.8 أو أعلى) وPyTorch (الإصدار 2.0.1 أو أعلى)، بالإضافة إلى المكتبات القياسية المطلوبة لمحاكاة التعلم العميق لضمان تنفيذ متسق.
    3. تكوين نظام إدارة الذاكرة للتعامل مع معالجة الصور عالية الدقة.
  2. جمع مجموعة البيانات
    1. يمكنك الوصول إلى "مجموعة بيانات تصميم فن المسرح" من مستودع كاجل للحصول على البيانات الخام.
      ملاحظة: تتكون الصور من مواد مرخصة علنا وتصاميم مفاهيمية أصلية للامتثال لمعايير حقوق النشر.
    2. حمل مجموعة البيانات التي تحتوي على 2,500 صورة JPG عالية الدقة والبيانات الوصفية المرتبطة بها.
    3. تحقق من بنية الملف، مع التأكد من احتوائه على 2500 صورة عالية الدقة مصنفة حسب أنواع المسرح وأنماط الأداء والخلفيات الثقافية المختلفة لمنع التحيز الأسلوبي.
    4. تطبيق قواعد توضيح البيانات الموحدة قبل التدريب. قم بتعيين عناصر النص الدلالي (مثل 'الإضاءة المزاجية') مباشرة إلى رموز ألوان سداسية محددة، ووضع تعليقات على معلمات الإضاءة باستخدام صناديق إحداثيات ثلاثية الأبعاد موحدة (x, y, z) لضمان رسم دلالي متسق بين البصر.

2. معالجة البيانات المسبقة

  1. تطبيع الصورة
    1. قم بإجراء تطبيع أدنى وأقصى على بيانات الصورة الخام لتحجيم جميع قيم الميزات بشكل موحد وتحسين استقرار البيانات.
    2. طبق المعادلة 1 لتحويل قيم الميزات الأصلية (M) إلى قيم موحدة (معيار M):
      figure-protocol-1(1)
      حيث يمثل معيار M القيمة المطبرة، وM هي القيمة الأصلية للميزة، وmin(M) وmax(M) هما القيم الدنيا والقصوى لمجموعة البيانات على التوالي.
    3. تأكد من أن جودة التقارب وتمثيل الميزات قد تحسنت من خلال مقارنة الصور الأصلية مع الصور المعالجة مسبقا، كما هو موضح في الشكل 2.
  2. التنظيف الدلالي للنص
    1. عالج النصوص النصية المرتبطة بتصاميم المسرح لإزالة "الضوضاء" التي قد تربك الذكاء الاصطناعي.
    2. تخلص من الأخطاء الإملائية، والرموز الزائدة، وعلامات الترقيم، وكلمات التوقف، والتنسيق غير المتناسق.
    3. توحيد حالة النص (الأحرف الصغيرة) لضمان الاتساق الدلالي13. راجع الجدول 1 لأمثلة على عملية التنظيف الدلالي.
  3. الترميز
    1. قسم النص المنظف إلى وحدات أصغر وسهلة الإدارة تسمى "الرموز" (كلمات أو حروف).
    2. تأكد من إزالة المكونات غير المرغوب فيها خلال هذه الخطوة لتسهيل التحليل المفاهيمي الدقيق بواسطة نماذج الذكاء الاصطناعي.

3. استخراج الميزات (إطار عمل GSAD)

  1. استخراج الميزات البصرية باستخدام محول الرؤية (ViT)
    1. قم بتهيئة هندسة ViT كما هو موضح في الشكل 3 لمعالجة صور فن المسرح ثلاثية الأبعاد.
    2. تضمين الباتش: قسم صورة الإدخال إلى رقع بحجم ثابت (كلمات بصرية) لتقليل الأبعاد.
    3. قم ببناء الرموز البصرية (u) وإضافة التضمينات الموقعية (u') باستخدام المعادلات 2 و3 و4:
      figure-protocol-2(2)
      figure-protocol-3 (3)
      figure-protocol-4 (4)
      حيث figure-protocol-5 يمثل رمز الرقعة المسقط، وk هو رقعة الصورة المدخلة المسطحة، وwc هو مصفوفة وزن الإسقاط الخطي، وu هو تسلسل الرقعة غير المرفوفة، وهو التضمين الموضعي المضاف للاحتفاظ بالمعلومات المكانية، وdk هو رمز التصنيف المضاف.
      ملاحظة: راجع الجدول 2 لوصف مفصل لمتغيرات ViT مثل حجم الرقعة (O) وبعد الإسقاط (d).
    4. مشفر المحولات: تغذية الرموز المعالجة إلى مشفر المحولات. استخدم آليات التركيز الذاتي لتحديد الارتباطات بين بقع الصور المختلفة (مثل الإضاءة مقابل الخلفية).
    5. تطبيق دوال التطبيع والتفعيل باستخدام المعادلات من 5 إلى 8 لتوليد خريطة الميزات النهائية:
      figure-protocol-6(5)
      figure-protocol-7(6)
      figure-protocol-8(7)
      figure-protocol-9(8)
      حيث u' هو تسلسل الرموز المطبع، يمثل RL أوزان الانتباه الذاتي المستمدة من مفاتيح SC R وL (مع عامل تحجيم SC)، وw هو مخرج الانتباه المحسوب باستخدام قيم U، والخطي (w) وGeLU (w) يمثلان التحويلات داخل شبكة التغذية الأمامية.
    6. تصور خريطة ميزة الإخراج، التي تبرز عناصر التصميم الرئيسية وتقلل الضوضاء، كما هو موضح في الشكل 4.
  2. استخراج الميزات النصية باستخدام BERT
    1. تهيئة نموذج BERT (تمثيلات المشفرات ثنائية الاتجاه من المحولات) لمعالجة سكريبتات المرحلة.
    2. حول سكريبتات اللغة الطبيعية إلى متجهات مستمرة باستخدام تضمين الكلمات لالتقاط المعاني الدلالية. راجع الجدول 3 لبناء استخراج الميزات.
    3. اجمع بين تضمين الرموز وتضمينات المقاطع والتضمينات الموقعية كمدخلات للمشفر.
    4. نفذ خطوات وحدة ترميز المحول (انتباه متعدد الرأس، إضافة & نورم، تغذية للأمام) كما هو موضح في الشكل 5 لإنشاء تسلسلات رموز سياقية.
    5. قم بربط تسلسلات الرموز المخرجة السياقية (من BERT) مع خرائط الميزات البصرية (من ViT). قم بتغذية هذه البيانات متعددة الوسائط المدمجة كمتجه إدخال شرطي مباشر إلى وحدة تحسين GAN في الخطوة 4.
  3. توليد المفاهيم الأولي
    1. أدخل الميزات النصية المستخرجة (من BERT) والميزات البصرية (من ViT) في نموذج الانتشار.
    2. توليد تصاميم مراحل مفاهيمية ثنائية الأبعاد أولية بناء على الميزات متعددة الوسائط المتكاملة.
    3. مرر هذه المفاهيم ثنائية الأبعاد الأولية كمدخلات أساسية إلى شبكة الخصم التوليدية (GAN) في الخطوة 4 لمزيد من تحسين النسيج والإضاءة.

4. تحسين النسيج والإضاءة باستخدام GAN

  1. إعداد شبكة الخصم التوليدية (GAN)
    1. قم ببناء وحدة تحسين GSAD التي تتكون من مولد (H) ومميز (C) كما هو موضح في الشكل 6.
    2. قم بتكوين المميز لتمييز الصور المسرحية الحقيقية والصور المولدة، وقم بتكوين المولد لإنشاء خامات وإضاءة واقعية.
  2. التدريب والتحسين
    1. حدد دالة الهدف للGAN الشرطي (CGAN) باستخدام المعادلة 9 لإدخال متغيرات الشرط (y) لتحسين الاستقرار:
      figure-protocol-10 (9)
      حيث يمثل x شرط تصميم مرحلة الإدخال، y هو الصورة المستهدفة الحقيقية، z يمثل متجه الضوضاء العشوائية، G هو المولد، وD هو المميز.
    2. لتحسين الصورة في الإضاءة المنخفضة، طبق المعادلة 10 لتحسين مخرج الصورة المحسنة بالضوء (H منخفض):
      figure-protocol-11 (10)
      حيث تمثل U(C, H) دالة القيمة الهدفية، وH هي شبكة المولد، وC هي شبكة المميز (الناقدة)، وw تمثل البيانات الحقيقية المأخوذة من بيانات توزيع O، وy هو شرط الإدخال، وz هو المتغير الضوضاء الشرطي، وqha يمثل الصور الحقيقية عالية الجودة للمرحلة، وHLow يمثل خرج المولد من مدخلات الإضاءة المنخفضة.
    3. تطبيق التضمين التكيفي على تحويل الميزة باستخدام المعادلة 11:
      figure-protocol-12 (11)
      حيث يمثل hEi(w) خريطة الميزة في الطبقة i، يشير AM إلى دالة التضمين التكيفي مع المعلمات المتعلمة α i و βi، figure-protocol-13 وهو وزن الطبقة، و هو الانحياز.
    4. تنفيذ اتصالات تخطي وتجميع طبقات في الشبكة التوليدية باستخدام المعادلتين 12 و13 للحفاظ على التفاصيل المكانية:
      figure-protocol-14(12)
      figure-protocol-15 (13)
      حيث Skip(w) تشير إلى الميزات المحفوظة عبر اتصالات التخطي من الكتل الالتفافية hE، وHjw تمثل خريطة الميزات المخرجة بعد أقصى تجميع في مراحل المشفر (0 < j ≤ 3).
  3. إعادة بناء الصورة
    1. قم بإجراء أخذ عينات وربط في مرحلة فك التشفير باستخدام المعادلتين 14 و15:
      figure-protocol-16(14)
      figure-protocol-17 (15)
      حيث يمثل up(w) الميزات المأخوذة من العينات المتصاعدة مع اتصالات التخطي المقابلة، وv°Hj-1(w) يرمز إلى المدخل المدمج لمراحل فك التشفير (4 < j ≤7)، وhout(w) هو الصورة النهائية المنقحة للمرحلة التي تولد بواسطة دالة تفعيل السيجمويد، باستخدام أوزان الطبقة النهائية X8 والتحيز a8.
    2. توليد الصورة النهائية المنقحة باستخدام دالة تفعيل السيجمويد في المعادلة 16:
      figure-protocol-18(16)
    3. اتبع إجراء التدريب التكراري الموضح في الخوارزمية 1 (الشيفرة الزائفة لتحسين إضاءة GAN-Ness)
    4. .

الخوارزمية 1: شفرة زائفة لتحسين إضاءة نسيج GAN
الإدخال: صورة فن المسرح في الإضاءة المنخفضة H(منخفض)، عدد تكرارات التدريب N، حجم الدفعة B
المخرج: صورة محسنة ب H
1: تهيئة المولد باستخدام المعاملات H
2: تهيئة المميز باستخدام المعاملات C
3: معدلات التعلم figure-protocol-19
4: متغير شرطي z (اختياري ل GAN)
5: معلمات التعديل التكيفي αi و βi
6: تخطي قائمة الاتصالات تخطي (w)
7: للتكرار = 1 إلى F قم
تدريب المميز
8: أخذ عينة من مجموعة من الصور الحقيقية figure-protocol-20
9: أخذ عينات من مجموعة من الصور الضوضائية/العشوائية في الإضاءة المنخفضة
10: إذا كان CGAN، أضف المتغير الشرطي z إلى المدخلات
توليد صور مزيفة
حساب فقدان المميز
تحديث معلمات المميز
تدريب المولدات
توليد صور مزيفة
خسارة مولد الحساب
تحديث معلمات المولد
بالنسبة ل j = 1 إلى 3 قم ب

figure-protocol-21

figure-protocol-22

نهاية ل
11: الالتفاف عنق الزجاجة
12: فك الترميز/رفع العينات
ل j = 5 إلى 7 قم ب

figure-protocol-23

نهاية ل
13: طبقة الإخراج

figure-protocol-24

14: نهاية ل
15: عودة H و C معززة

5. تحسين تخطيط المراحل (IECO)

  1. تهيئة IECO
    1. تهيئة خوارزمية تحسين عشيرة الفيلة الذكية (IECO) لتحسين الترتيب المكاني لعناصر المسرح.
    2. حدد عدد "الفيلة" (التي تمثل حلول التصميم المحتملة) والعشائر المرتبطة بها. راجع الشكل 7 لمخطط تدفق IECO.
  2. الحركة والتطور
    1. احسب الحركة المستقلة لكل فيل لاستكشاف فضاء التصميم باستخدام المعادلتين 17 و18:
      figure-protocol-25 (17)
      figure-protocol-26 (18)
      حيث figure-protocol-27 تمثل زيادة الحركة المحسوبة باستخدام عامل توزيع عشوائي r محدود بين حجم خطوة أدنى (figure-protocol-28) وأقصى (figure-protocol-29) حجم، و figure-protocol-30 هو الموقع المكاني المستقل المحدث للفيل.
    2. قلل نطاق الحركة مع مرور الوقت باستخدام المعادلة 19 لتسهيل التقارب مع تحسن الحل.
    3. تحديث الأم الكبرى: تحديث موقف زعيم العشيرة (الأم العشيرة) نحو أفضل حل عالمي باستخدام المعادلة 20:
      figure-protocol-31 (19)
      حيث figure-protocol-32 يمثل الموقع المحدث حديثا للرئيسة الأم، figure-protocol-33 هو موقع التيار المرجح، هو figure-protocol-34 أفضل حل تخطيطي عالمي تم العثور عليه حتى الآن، ويعمل β كعامل مقياس يتحكم في تأثير أفضل حل.
    4. تحديث الفيل الذكر: تحديث مواقع الذكور بالنسبة لمركز العشيرة باستخدام المعادلتين 21 و22:
      figure-protocol-35 (20)
      figure-protocol-36 (21)
      حيث figure-protocol-37 تمثل الموقع المحدث للذكر الفيل، figure-protocol-38 هو موقعه المرجعي الحالي، وXCenterjs يشير إلى الموقع المركزي لعشيرة العائلة المحسوب من جميع الذكور، وMd هو إجمالي عدد الذكور في العشيرة، وr و p احتمالات توزيع عشوائي توجه الحركة نحو مركز العشيرة.
  3. استبدال السكان
    1. حساب مركز العشيرة: أولا، قيم ملاءمة حلول التخطيط. ثم نحسب الموقع المركزي (figure-protocol-39) لكل عشيرة عائلية باستخدام المعادلة 22، حيث Mf هو عدد أفراد العائلة:
      figure-protocol-40 (22)
    2. استبدال الفيلة البالغة: لتحسين سرعة التقارب، استبدل "الفيلة البالغة" (الحلول) الأقل جودة بأخرى أفضل مولدة من مركز العشيرة. طبق المعادلة 23 لحساب الموضع الجديد (figure-protocol-41):
      figure-protocol-42(23)
      حيث figure-protocol-43 تمثل الموقع المركزي للأفيال البالغة، وMf هو عدد أفراد العائلة البالغين، figure-protocol-44 ويشير إلى موقع الاستبدال المحسوب حديثا لفيل بالغ أدنى، figure-protocol-45 ويشير إلى الموقع المرجعي الذي يتم استبداله، وويمثل figure-protocol-46 و figure-protocol-47 المواقع المتفوقة داخل العشيرة المستخدمة لتوجيه عملية الاستبدال لتسريع التقارب.
      (ملاحظة: هنا، figure-protocol-48 وتمثيل figure-protocol-49 المواقع المتوسطة الوزن المستخدمة لتوجيه البديل.)
    3. استبدال الأفيال الصغيرة: لمنع الكفاءة المحلية والحفاظ على التنوع، استبدل أضعف "الأفيال الصغيرة" (figure-protocol-50). قم بتحديث مواقع هذه العناصر باستخدام المعادلة 24:
      figure-protocol-51 (24)
      حيث figure-protocol-52 تشير إلى الموقع الحالي لأضعف فيل صغير، و figure-protocol-53 هو موقعه الجديد المولد. يتم دفع هذا الاستبدال بواسطة عامل عشوائي r وأعضاء العشيرة المتفوقين لمنع عملية التحسين من الوقوع في التوازن الأمثل المحلي وللحفاظ على التنوع المكاني.
    4. إنهاء العقد: ادمج العشائر المحدثة، وأعد حساب اللياقة، وكرر حلقة التحسين حتى يتم استيفاء معايير الإنهاء كما هو موضح في الخوارزمية 2.

الخوارزمية 2: الشيفرة الزائفة ل IECO لتحسين تخطيط المسرح ووضع الإضاءة
الإدخال: حجم السكان M:، أقصى تكرارات Xكحد أقصى:
المخرج: تخطيط المسرح الأمثل وتوزيع الإضاءة
تهيئة عشائر الفيلة بمواقع عشوائية (تخطيط المرحلة + معلمات الإضاءة)
تقييم لياقة كل فيل
بالنسبة ل t = 1 إلى Xكحد أقصى:
لكل عشيرة:
تحديد الأم (أفضل فيل)، والفيلة الذكور، وحركة الاستقلالية عن الفيل الصغير
لكل فيل:
زيادة حركة الحساب ΔXmax
تحديث الموقف المستقل figure-protocol-54
تقليل نطاق الحركة عبر التكرارات
تحديث الأم

figure-protocol-55

لكل أم رئيسية:
تحديث الموقف نحو أفضل النتائج العالمية
تحديث عن الفيل الذكر

figure-protocol-56

figure-protocol-57

لكل ذكر فيل
احسب مركز العشيرة وحدث الموقع نحو المركز مع استبدال البالغين

figure-protocol-58

figure-protocol-59

احسب مركز العشيرة للبالغين
استبدال البالغين الأقل ب Superior of Small Elephant Replacement

figure-protocol-60

استبدال أضعف الأفيال الصغيرة للحفاظ على التنوع
دمج العشائر المحدثة، وإعادة حساب لياقة جميع الفيلة، وتحديث أفضل حل عالمي
استرجع أفضل تصميم وتنسيق إضاءة عالمي

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

قدم الإعداد التجريبي وسير العمل التحليلي، كما هو موضح في الأشكال 1 إلى 7 والجداول من 1 إلى 3، أساسا قويا لمعالجة البيانات المسبقة في إطار عمل GSAD، واستخراج الميزات، وتحسين التخطيط.

ديناميكيات تدريب النماذج والتقارب
أسفر التقييم التجريبي لإطار عمل GSAD عن بيانات كمية ونوعية مهمة حول فعاليته في تصميم فن المسرح. تمت مراقبة ديناميكيات التعلم في النموذج على مدى 50 عصرا، كما هو ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المساهمة الأساسية لهذه الدراسة هي تطوير سير عمل قابل لإعادة الإنتاج بمساعدة الذكاء الاصطناعي يحدد تصور تصميم فن المسرح 2,10. من خلال التركيز على إطار GSAD، يقدم المؤلفون منهجية منظمة تتغلب على قيود التفكير اليدوي والتفسير الذاتي الشائعة في السينغرافيا التقليدية. خطوة حاسمة ضمن البروتوكول هي دمج GANs لتحسين القوام والإضاءة، حيث يضمن أن الرسومات المولدة تلبي الواقعية عالية الجودة المطلوبة للإنتاج المسرحيالاحترافي<...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلفون ليس لديهم ما يكشفون عنه.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يرغب المؤلف في التعبير عن امتنانه العميق لزملاء معهد شنغهاي مينهانغ للتقنية على الملاحظات العميقة والمساعدة الفنية خلال تطوير وتنفيذ إطار عمل GSAD. نشكر المجتمع مفتوح المصدر بشكل خاص على توفير الأدوات الحاسوبية الأساسية ومجموعات البيانات العامة التي سهلت تدريب والتحقق من صحة نماذج الذكاء الاصطناعي متعددة الوسائط المستخدمة في هذا البروتوكول. وأقدر أيضا الزملاء الذين قدموا اقتراحات بناءة حول المسودات الأولية لهذا العمل. لم تحصل هذه الأبحاث على أي منح محددة من وكالات تمويل في القطاعات العامة أو التجارية أو غير الربحية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
بيرت (تمثيلات الترميز ثنائي الاتجاه من المحولات)محولات الوجه العناقالمصدر المفتوح
لغة البرمجة بايثونمؤسسة بايثون للبرمجياتالإصدار 3.8 أو أعلى
إطار عمل التعلم العميق PyTorchلينكس فاونديشن / الذكاء الاصطناعي الميتاالإصدار 2.0.1 أو أعلى
مجموعة بيانات تصميم فن المسرحمستودع كاجلمتاح للجمهور
تنفيذ محول الرؤية (ViT)نماذج صور PyTorch (timm)المصدر المفتوح
محطة العمل مع قدرات وحدة معالجة الرسومياتغير متاح (الأجهزة القياسية)لا يوجد

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Masters, P. The history and theory of environmental scenography. Theatre Perform Des. 5 (3-4), 317-319 (2019).
  2. Lotker, S., Gough, R. On scenography: editorial. Perform Res. 18 (3), 3-6 (2013).
  3. Goldschmidt, G. The dialectics of sketching. Creat Res J. 4 (2), 123-143 (1991).
  4. Tversky, B. What do sketches say about thinking. , (2002).
  5. Baugh, C. . Theatre, performance and technology: the development and transformation of scenography. , (2013).
  6. Müller, M., Montag, C. Disentangling the link between creativity and technology use: individual differences in smartphone and social media (over)use. J Creat. 34 (2), 100081 (2024).
  7. Amankwah-Amoah, J., Abdalla, S., Mogaji, E., Elbanna, A., Dwivedi, Y. K. The impending disruption of creative industries by generative AI: opportunities, challenges, and research agenda. Int J Inf Manage. 79, 102759 (2024).
  8. Zhang, H., Zhang, R. Generative artificial intelligence (AI) in built environment design and planning: a state-of-the-art review. Prog Eng Sci. 2 (1), 100040 (2025).
  9. Cetinic, E., She, J. Understanding and creating art with AI: review and outlook. ACM Trans Multimed Comput Commun Appl. 18 (2), 66 (2022).
  10. Aronson, A., Palmer, S., McKinney, J., Benedetto, S. A. D. . The history and theory of environmental scenography. , (2018).
  11. Anantrasirichai, N., Bull, D. Artificial intelligence in the creative industries: a review. Artif Intell Rev. 55 (1), 589-656 (2022).
  12. Corvello, V. Generative AI and the future of innovation management: a human-centered perspective and an agenda for future research. J Open Innov Technol Mark Complex. 11 (1), 100456 (2025).
  13. Mazzone, M., Elgammal, A. Art, creativity, and the potential of artificial intelligence. Arts. 8 (1), 26 (2019).
  14. Kadenhe, N., Al Musleh, M., Lompot, A. Human-AI co-design and co-creation: a review of emerging approaches, challenges, and future directions. Proc AAAI Symp Ser. 6 (1), 265-270 (2025).
  15. Santoso, B., Wijayanti, R. Human-AI collaboration in creative industries: workflows in media production and community-driven platforms. Trans Artif Intell Mach Learn Cogn Syst. 9 (11), 11-26 (2024).
  16. Candy, L., Edmonds, E. Practice-based research in the creative arts: foundations and futures from the front line. Leonardo. 51 (1), 63-69 (2018).
  17. Peckham, O., Raines, J., Bulsink, E., Goudswaard, M., Gopsill, J., Barton, D., et al. Artificial intelligence in generative design: a structured review of trends and opportunities in techniques and applications. Designs. 9 (4), 79 (2025).
  18. Hegab, H., Khanna, N., Monib, N., Salem, A. Design for sustainable additive manufacturing: a review. Sustain Mater Technol. 35, e00576 (2023).
  19. Reed, S., Akata, Z., Yan, X., Logeswaran, L., Schiele, B., Lee, H., et al. Generative adversarial text-to-image synthesis. , 1060-1069 (2016).
  20. Wang, G. G., Deb, S., Coelho, L. D. S. Elephant herding optimization. , 1-5 (2015).
  21. Strumberger, I., Beko, M., Tuba, M., Minovic, M., Bacanin, N. . Elephant herding optimization algorithm for wireless sensor network localization problem. , (2018).
  22. Ploennigs, J., Berger, M. AI art in architecture. AI Civ Eng. 2 (1), 8 (2023).
  23. Zhang, L., Pan, Y., Wu, X., Skibniewski, M. J. . Artificial intelligence in construction engineering and management. , (2021).
  24. Chaillou, S. . Artificial intelligence and architecture: from research to practice. , (2022).
  25. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., et al. Attention is all you need. , 6000-6010 (2017).
  26. Li, Y., Xu, W. A deep learning-based framework for intelligent modeling: from architectural sketch to 3D model. Front Archit Res. 14 (6), 1567-1584 (2025).
  27. Dosovitskiy, A. An image is worth 16×16 words: transformers for image recognition at scale. arxiv. , (2020).
  28. Devlin, J., Chang, M. W., Lee, K., Toutanova, K. BERT: pre-training of deep bidirectional transformers for language understanding. , (2019).
  29. Han, K., Wang, Y., Chen, H., Chen, X., Guo, J., et al. A survey on vision transformer. IEEE Trans Pattern Anal Mach Intell. 45 (1), 87-110 (2022).
  30. Woo, S., Park, J., Lee, J. Y., Kweon, I. S. CBAM: convolutional block attention module. , (2018).
  31. Qi, X., Zhi, M. A review of attention mechanisms in computer vision. , (2023).
  32. Howard, A., Sandler, M., Chen, B., Wang, W., Chen, L. C., et al. Searching for MobileNetV3. , (2019).
  33. Mehta, S., Rastegari, M. MobileViT: light-weight, general-purpose, and mobile-friendly vision transformer. arxiv. , (2021).
  34. Tan, M., Le, Q. EfficientNet: rethinking model scaling for convolutional neural networks. , (2019).
  35. Liao, W. J., Tang, C. H. Teaching strategies and practices that facilitate the development of design concepts in architectural engineering education. SAGE Open. 13 (3), 21582440231196376 (2023).
  36. Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., et al. Generative adversarial nets. , 2672-2680 (2014).
  37. Dhariwal, P., Nichol, A. Diffusion models beat GANs on image synthesis. , (2021).
  38. Karras, T., Laine, S., Aila, T. A style-based generator architecture for generative adversarial networks. , (2019).
  39. Isola, P., Zhu, J. Y., Zhou, T., Efros, A. A. Image-to-image translation with conditional adversarial networks. , (2017).
  40. Amershi, S., Weld, D., Vorvoreanu, M., Fourney, A., Nushi, B., et al. Guidelines for human-AI interaction. , 3 (2019).
  41. Xiao, Y., Lin, X., Ji, T., Qiao, J., Ma, B., Gong, H. AI-assisted design: intelligent generation of Dong paper-cut patterns. Electronics. 14 (9), 1804 (2025).
  42. Runco, M. A. . Creativity: research, development, and practice. , (2023).
  43. Plate, D., Hutson, J. Composition pedagogy as AI-native coding: from design kit to scholarly framework. World J Arts. 2 (11), 1-10 (2025).
  44. Karras, T., Laine, S., Aila, T. A style-based generator architecture for generative adversarial networks. , 4396-4405 (2019).
  45. Berryman, J. Creativity and style in GAN and AI art: some art-historical reflections. Philos Technol. 37 (2), 61 (2024).
  46. Yan, S., Wu, C., Zhang, Y. Generative design for architectural spatial layouts: a review of technical approaches. J Asian Archit Build Eng. , 1-21 (2025).
  47. Deng, Y., Zhai, Q. Integrating deep learning in art and design: computational techniques for enhancing creative expression. Int J Adv Comput Sci Appl. 16 (2), 175-183 (2025).
  48. Mirjalili, S. The ant lion optimizer. Adv Eng Softw. 83, 80-98 (2015).
  49. Lian, Q. Optimization of image recognition technology for dance theatre creation and evaluation of its effectiveness. J Comb Math Comb Comput. 127, 1653-1665 (2025).
  50. Avila, C., Ilbay, D., Rivera, D. Human-AI teaming in structural analysis: a model context protocol approach for explainable and accurate generative AI. Buildings. 15 (17), 3190 (2025).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة