Niniejsza praca przedstawia powtarzalny schemat postępowania w celu optymalizacji układów wystaw immersyjnych poprzez połączenie adaptacyjnego symulowanego wyżarzania, doboru propozycji zależnego od etapu oraz kontroli ponownego nagrzewania. Wybrany układ został zaimplementowany w środowisku wystawy w rzeczywistości wirtualnej i oceniony przy użyciu metryk kosztów przestrzennych, logów behawioralnych uczestników oraz ocen wystawionych po doświadczeniu.
Artykuł badawczy
Optymalizacja projektowania imersyjnej przestrzeni wystawienniczej z wykorzystaniem adaptacyjnego symulowanego wyżarzania z ponownym nagrzewaniem oraz ewaluacji w rzeczywistości wirtualnej
W tym artykule
Podsumowanie
Streszczenie
Immersyjne przestrzenie wystawowe wymagają układów zapewniających efektywną cyrkulację, przejrzystą nawigację, zrównoważoną interakcję oraz komfortowe doświadczenie środowiskowe. Jednakże plany wystaw są często opracowywane poprzez manualne decyzje projektowe, co utrudnia jednoczesną ocenę długości trasy, dostępności wizualnej, ryzyka tłoku, komfortu środowiskowego oraz rozkładu węzłów interakcji. W niniejszym badaniu opracowano i oceniono przepływ optymalizacji projektu przestrzennego oparty na adaptacyjnym symulowanym wyżarzaniu z wyborem propozycji zależnym od etapu oraz kontrolą ponownego podgrzewania. Zbudowano immersyjną halę wystawową o wymiarach 36 m x 24 m, zawierającą sześć stref tematycznych, korytarze przejściowe, jeden obszar odpoczynku oraz wiele węzłów interakcji. Porównano trzy warianty układu: układ manualny, układ oparty na standardowym symulowanym wyżarzaniu oraz układ oparty na adaptacyjnym symulowanym wyżarzaniu z ponownym podgrzewaniem. Model optymalizacji minimalizował ważoną funkcję kosztu przestrzennego, która uwzględniała dystans marszu, dostępność wizualną, tłok, komfort środowiskowy i równowagę interakcji. Wybrane układy zaimplementowano w scenach wystawowych w rzeczywistości wirtualnej i oceniono za pomocą dzienników behawioralnych uczestników oraz ocen po doświadczeniu. Algorytm adaptacyjny uzyskał niższy końcowy koszt przestrzenny, wyższy procent poprawy oraz wymagał mniejszej liczby iteracji do osiągnięcia najlepszego rozwiązania niż standardowe symulowane wyżarzanie, przy niewielkim wzroście czasu obliczeń. Uczestnicy przypisani do układu adaptacyjnego zgłosili wyższą satysfakcję, silniejsze poczucie obecności, przejrzystszą nawigację, niższy odczuwalny tłok oraz mniejsze obciążenie poznawcze, a także pokonali trasę przy krótszym dystansie marszu, mniejszej liczbie wahań, dłuższym czasie przebywania w punktach oraz szerszym pokryciu mapy ciepła. Wyniki te potwierdzają przydatność tego przepływu pracy jako podejścia wspomagającego podejmowanie decyzji dla testowanego scenariusza wystawy; nie ustanawiają one jednak uniwersalnie optymalnego układu wystawy ani wyższości nad wszystkimi alternatywnymi metaheurystykami.
Wprowadzenie
Imersyjne przestrzenie wystawiennicze coraz częściej łączą projektowanie przestrzenne, media cyfrowe, interaktywne wyświetlacze i technologie wirtualnej rzeczywistości, aby tworzyć środowiska, w których zwiedzający nie tylko obserwują treści, ale poruszają się w nich, reagują na nie i interpretują wystawę jako doświadczenie przestrzenne. W takich ustawieniach jakość doświadczenia zależy nie tylko od bogactwa treści wizualnych lub interaktywnych, ale także od ciągłości trasy, widoczności, zagęszczenia ludzi, komfortu środowiskowego oraz rozmieszczenia możliwości interakcji. Projektowanie przestrzeni wystawienniczej wiąże się zatem z problemem wielozmiennym: układ musi efektywnie prowadzić zwiedzających, zachowując jednocześnie sekwencję narracyjną, otwartość percepcyjną i możliwości zaangażowania. Badania nad zachowaniem w muzeach i na wystawach od dawna wykazują, że doświadczenie zwiedzającego jest kształtowane przez organizację przestrzenną, strukturę obiegu i dostępność interpretacyjną, a nie wyłącznie przez treść eksponatów1.
Teoria konfiguracji przestrzennej stanowi przydatną podstawę do traktowania układu wystawy jako analizowalnego problemu projektowego. Z tej perspektywy przestrzeń nie jest pasywnym pojemnikiem dla obiektów; organizuje ona ruch, spotkania, widoczność i wybory. Konfiguracja architektoniczna może wpływać na to, jak ludzie poruszają się w środowisku oraz jak łatwo rozumieją relacje między przestrzeniami2. Analiza przestrzenna oparta na widoczności dodatkowo wspiera ten pogląd, wykazując, że pola widzenia i relacje linii wzroku można modelować jako mierzalne cechy poznania przestrzennego i nawigacji3. Koncepcje te są szczególnie istotne w przypadku wystaw immersyjnych, ponieważ zwiedzający muszą nieustannie integrować informacje wizualne, decyzje dotyczące trasy, sygnały interakcyjne i bodźce środowiskowe podczas przemieszczania się po wystawie.
Jednocześnie technologie imersyjne rozszerzyły możliwości projektowania i testowania środowisk wystawienniczych przed ich fizyczną realizacją. Interfejsy wirtualne i imersyjne pozwalają badaczom oraz projektantom badać, w jaki sposób użytkownicy postrzegają przestrzeń i zachowują się w kontrolowanych warunkach przestrzennych, co umożliwia porównywanie alternatywnych układów przy zachowaniu stałej treści i ustawień środowiskowych4. Przeglądy zastosowań imersyjnej rzeczywistości wirtualnej wskazują, że struktura przestrzenna, projekt interakcji oraz jasność zadań są istotnymi czynnikami determinującymi zaangażowanie użytkownika i jakość uczenia się5. Dowody z metaanaliz sugerują również, że poziom i rodzaj imersji mogą wpływać na poczucie obecności, jednak sama imersja nie gwarantuje lepszych rezultatów, jeśli środowisko jest źle zorganizowane lub trudne w nawigacji6.
Doświadczenia użytkownika w immersyjnej wystawie są ściśle powiązane z poczuciem obecności, obciążeniem poznawczym oraz komfortem fizycznym. Obecność odzwierciedla stopień, w jakim użytkownicy odczuwają siebie jako znajdujących się w środowisku zapośredniczonym, co czyni ją kluczowym rezultatem w ustawieniach wirtualnych i immersyjnych7. Jednak środowiska immersyjne mogą również generować obciążenie poznawcze, gdy nawigacja, interakcja lub informacje sensoryczne nie są odpowiednio skoordynowane8. Z tego powodu optymalizacja przestrzeni wystawienniczej nie powinna polegać jedynie na zwiększaniu gęstości interakcji lub stymulacji wizualnej. Powinna ona wspierać spójne doświadczenie przestrzenne, ograniczać zbędne decyzje dotyczące wyboru trasy i minimalizować możliwe do uniknięcia zmęczenie. Należy również monitorować chorobę symulatorową, ponieważ dyskomfort może wpływać zarówno na bezpieczeństwo ekspozycji na rzeczywistość wirtualną, jak i na interpretację wyników doświadczeń użytkownika9.
Pomimo tych wymagań, wiele układów wystaw wciąż jest opracowywanych w oparciu o doświadczenie projektantów, iteracyjne korekty ręczne lub obserwacje zwiedzających przeprowadzane post hoc. Podejścia te pozostają wartościowe, lecz utrudniają jednoczesną ocenę wielu ograniczeń dotyczących układu. Projektowanie przestrzenne wystaw immersyjnych można sformułować jako problem optymalizacji z ograniczeniami, który łącznie uwzględnia długość trasy, widoczność, zatłoczenie, komfort oraz rozkład interakcji. Symulowane wyżarzanie jest odpowiednie dla tego typu problemów, ponieważ pozwala na przeszukiwanie dużych, nieregularnych przestrzeni rozwiązań, dopuszczając jednocześnie kontrolowaną akceptację niepoprawiających rozwiązań pośrednich, co pomaga uniknąć optimów lokalnych10. Logika akceptacji w tej metodzie opiera się na regule Metropolisa11, podczas gdy bardziej ogólny schemat Metropolis-Hastings wprowadza stosunek gęstości propozycji ruchu w przód do ruchu wstecz w przypadku asymetrycznego jądra propozycji12. W niniejszej implementacji cztery warunkowe jądra propozycji są symetryczne; w związku z tym formalne wyprowadzenie wykazuje, że współczynnik Hastingsa wynosi jeden dla odwracalnych ruchów dopuszczalnych. Metoda ta jest zatem opisana jako adaptacyjne symulowane wyżarzanie z akceptacją Metropolisa i ponownym podgrzewaniem, a nie jako odrębny próbnik Metropolis-Hastings.
Adaptacyjne warianty symulowanego wyżarzania od dawna wykorzystują niejednorodny wybór sąsiedztwa, modyfikację harmonogramu chłodzenia, ponowne podgrzewanie, strategie restartu oraz hybrydowe komponenty wyszukiwania13,14. Niniejsza implementacja powinna zatem być interpretowana jako konfiguracja specyficzna dla danej aplikacji, a nie jako nowa prymitywna metaheurystyka. Jej wkładem jest jawne powiązanie zależnego od etapu harmonogramu propozycji czterech ruchów oraz ponownego podgrzewania z ograniczeniami wykonalności specyficznymi dla wystawy, przejrzystą wieloskładnikową funkcją kosztu przestrzennego oraz walidacją w rzeczywistości wirtualnej na poziomie uczestników15. Tak wąskie pozycjonowanie bezpośrednio odróżnia niniejszy przepływ pracy od twierdzeń o fundamentalnie nowej zasadzie optymalizacji. Oczekiwano, że zależny od etapu wybór propozycji przesunie wyszukiwanie z szerszej eksploracji sekwencji/ścieżek w stronę lokalnego ulepszania przestrzennego, podczas gdy ponowne podgrzewanie przywróci mobilność wyszukiwania po stagnacji. Przewidywano, że ta równowaga między eksploracją a eksploatacją zredukuje przedwczesne uwięzienie w minimach lokalnych i zwiększy prawdopodobieństwo osiągnięcia wykonalnego układu o niższym koszcie w ramach tego samego nominalnego budżetu iteracji.
Niniejsze badanie proponuje powtarzalny schemat pracy, który integruje adaptacyjne wyżarzanie symulowane, zależny od etapu wybór propozycji, kontrolę ponownego podgrzewania, wieloskładnikowy model kosztów przestrzennych oraz ocenę w rzeczywistości wirtualnej na poziomie uczestnika. Wkład metodologiczny jest zorientowany na zastosowania i koncentruje się na powtarzalności, a nie na postulowaniu fundamentalnie nowej zasady optymalizacji16. Metoda ta porównuje układ ręczny, standardowy układ oparty na wyżarzaniu symulowanym oraz układ oparty na adaptacyjnym wyżarzaniu symulowanym z ponownym podgrzewaniem w kontrolowanym środowisku wystawy w rzeczywistości wirtualnej. Badanie analizuje zarówno wyniki algorytmiczne, jak i wyniki na poziomie uczestnika, w tym końcowy koszt przestrzenny, procent poprawy, poczucie obecności, przejrzystość orientacji w przestrzeni, satysfakcję, obciążenie poznawcze, dystans spaceru, liczbę wahań, czas przebywania oraz pokrycie mapy ciepła. Główna hipoteza zakładała, że metoda adaptacyjna pozwoli osiągnąć niższy końcowy koszt przestrzenny niż standardowe wyżarzanie symulowane; na poziomie uczestnika oczekiwano, że odpowiadający temu układ poprawi ogólną satysfakcję oraz efektywność tras w stosunku do układów ręcznych i standardowego wyżarzania symulowanego. Takie ujęcie wpisuje się w szerszą logikę metod projektowania metaheurystycznego, w których obliczeniowe poszukiwanie wspomaga, a nie zastępuje ludzki osąd projektowy17.
Protokół
Protokół badania został przeanalizowany przez Uniwersytet Rolniczy w Henan i uznano, że jest on zwolniony z formalnej oceny etycznej w dniu 20 grudnia 2025 r. Organ oceniający nie wydał osobnego numeru zatwierdzenia etycznego ani numeru referencyjnego zwolnienia. Przed włączeniem do badania od wszystkich uczestników uzyskano pisemną świadomą zgodę.
Przygotowanie uczestników
Zrekrutowano dorosłych uczestników w wieku 18–60 lat z normalnym lub skorygowanym do normy wzrokiem. Wykluczono osoby zgłaszające ciężkie zaburzenia błędnika, niekontrolowaną epilepsję, poważne upośledzenie wzroku, niedawno przebyte poważne operacje lub wcześniejszy silny dyskomfort podczas ekspozycji na rzeczywistość wirtualną. Każdy uczestnik wypełnił formularz przesiewowy przed eksperymentem. Jako zmienne kontrolne odnotowano grupę wiekową, płeć, poziom wykształcenia, wcześniejsze doświadczenie z rzeczywistością wirtualną oraz częstotliwość odwiedzania muzeów lub wystaw.
Uczestników przydzielono do jednego z trzech wariantów układu za pomocą komputerowo generowanej listy randomizacyjnej: układu ręcznego, standardowego układu opartego na symulowanym wyżarzaniu lub adaptacyjnego układu symulowanego wyżarzania z ponownym podgrzewaniem. Zastosowano schemat badawczy międzygrupowy, aby uniknąć efektów uczenia się pomiędzy różnymi układami. Stosunek przydziału ustalono na 1:1:1, przydzielając po 60 uczestników do każdego wariantu, co dało łącznie 180 osób. Przed przydziałem odnotowano grupę wiekową, płeć, poziom wykształcenia, wcześniejsze doświadczenie w korzystaniu z wirtualnej rzeczywistości oraz częstotliwość odwiedzania muzeów/wystaw w celu opisowej oceny charakterystyki uczestników; zmienne te nie były wykorzystywane jako kryteria wykluczenia po randomizacji.
Przygotowanie modelu przestrzeni wystawowej
Zbudowano prostokątną imersyjną halę wystawową o wymiarach 36 m x 24 m i wysokości sufitu 4,5 m. Całkowita powierzchnia użytkowa podłogi została ustalona na 864 m2. Jedno wejście i jedno wyjście umieszczono po przeciwnych krótkich bokach hali. Szerokość zarówno wejścia, jak i wyjścia ustalono na 3,0 m i utrzymano na stałym poziomie we wszystkich wariantach układu.
Hala wystawowa została podzielona na sześć tematycznych stref wystawienniczych, dwa korytarze przejściowe, jedną strefę odpoczynku oraz jedną główną trasę dla zwiedzających. Dopuszczalna powierzchnia każdej strefy tematycznej została ustalona na 80–130 m2, a powierzchnia przeznaczona na strefę odpoczynku na 40 m2. Dopuszczalna szerokość głównego ciągu komunikacyjnego została ustalona na 1,8–3,5 m. W każdym układzie umieszczono od ośmiu do dwunastu węzłów interakcji. Każdy węzeł interakcji zdefiniowano jako punkt, w którym uczestnicy mogli się zatrzymać, aktywować treści cyfrowe, obejrzeć eksponat lub zmienić kierunek.
Plan piętra został zdiskretyzowany na komórki siatki o wymiarach 0,5 m x 0,5 m. Siatka ta posłużyła do analizy widoczności, sprawdzania ciągłości tras, obliczania zasięgu mapy ciepła oraz szacowania lokalnej gęstości. Każda strefa tematyczna została reprezentowana przez współrzędne jej środka, wielobok graniczący, powierzchnię oraz pozycję w sekwencji trasy. Każdy węzeł interakcji został reprezentowany przez jego współrzędne, przypisaną strefę, promień wyzwalania oraz obszar wolnej przestrzeni.
Konfigurację przestrzenną potraktowano jako główną zmienną projektową, ponieważ układ wystawy, widoczność i struktura tras wpływają na ruch zwiedzających, orientację w przestrzeni oraz poznanie przestrzenne18. Cały proces, od konstrukcji modelu przestrzennego po optymalizację układu, implementację wirtualnej sceny, testy z udziałem uczestników i analizę statystyczną, przedstawiono na Rysunku 1.
Parametry układu i ograniczenia wykonalności
Do wszystkich wariantów układu zastosowano te same ograniczenia wykonalności. Po pierwsze, wszystkie strefy tematyczne musiały znajdować się w obrębie obszaru o wymiarach 36 m x 24 m. Po drugie, strefy tematyczne nie mogły na siebie nachodzić. Po trzecie, główna trasa dla zwiedzających musiała łączyć wejście, sześć stref tematycznych, strefę odpoczynku oraz wyjście w sposób ciągły. Po czwarte, węzły interakcji nie mogły blokować głównej ścieżki. Po piąte, każdy węzeł interakcji musiał zachowywać promień wolnej przestrzeni wynoszący co najmniej 1,2 m. Po szóste, przewidywana lokalna gęstość na głównej trasie nie mogła przekraczać 1,50 osób/m2. Po siódme, końcowa trasa nie mogła zawierać ślepych zaułków ani rozłączonych ścieżek pomocniczych.
W trzech wariantach układu zastosowano tę samą skalę sceny, reguły wyznaczania tras, cele środowiskowe oraz ustawienia interakcji. Przed uruchomieniem algorytmów optymalizacyjnych odnotowano wymiary hali, parametry stref funkcjonalnych, zakres szerokości ścieżek, ustawienia węzłów interakcji, progi wykonalności, ustawienia rzeczywistości wirtualnej, wagi funkcji celu, parametry algorytmu oraz definicje wyników. Parametry te określiły powtarzalne granice protokołu i zostały podsumowane w Tabeli 1.
Funkcja kosztu przestrzennego
Każdy z projektów układu został oceniony za pomocą ważonej funkcji kosztu przestrzennego:
gdzie F(x) to całkowity koszt przestrzenny układu x. Cdistance(x) to koszt odległości w marszu, Cvisibility(x) to koszt dostępności wizualnej, Ccrowding(x) to koszt zatłoczenia, Ccomfort(x) to kara za komfort środowiskowy, a Cinteraction(x) to kara za brak równowagi interakcji. Niższa wartość F(x) wskazuje na korzystniejszy układ.
Koszt dystansu spacerowego obliczono jako:
gdzie Lx to całkowita długość trasy układu x w metrach. Jako referencyjna maksymalna długość trasy przyjęto 120 m.
Koszt dostępności wizualnej obliczono według wzoru:
gdzie Vx to front strefy tematycznej widoczny z głównego szlaku, a Vtotal to całkowita długość frontu wszystkich stref tematycznych. Promienie linii widoczności emitowano co 0,5 m wzdłuż trasy zwiedzających. Przegrody wystawowe, ściany i granice stref traktowano jako obiekty zasłaniające.
Koszt zatłoczenia obliczono jako:
Ccrowding(x) = min(Dmax / 1.50, 1)
gdzie Dmax to maksymalna przewidywana gęstość lokalna w osób/m2. Dla głównej trasy zastosowano górny próg gęstości wynoszący 1,50 osób/m2.
Karę za komfort środowiskowy obliczono następująco:
Karę za natężenie oświetlenia określono jako:
Karę za ciśnienie akustyczne określono jako:
Kary za emisję dwutlenku węgla określono jako:
Karę temperaturową określono jako:
Kary za brak równowagi oddziaływań obliczono według wzoru:
gdzie sk to odległość trasy między dwoma sąsiednimi węzłami interakcji. Niższa wartość wskazuje na bardziej równomierny rozkład możliwości interakcji wzdłuż trasy zwiedzania.
Komfort środowiskowy został uwzględniony, ponieważ oświetlenie, dźwięk, jakość powietrza i temperatura wpływają na zmęczenie, komfort oraz chęć pozostania w przestrzeniach wystawowych.19Zakresy środowiskowe stanowią cele kontrolne protokołu, a nie uniwersalne limity regulacyjne. Pasmo natężenia oświetlenia 300–500 lx jest zgodne z aktualnymi chińskimi wytycznymi dotyczącymi oświetlenia budynków i muzeów; cel w odniesieniu do dwutlenku węgla wynoszący <Wartość 900 ppm jest celowo bardziej konserwatywna niż limit średniej dziennej wynoszący 1 000 ppm określony w normie GB/T 18883-202220,21; 22–25 °C zakres temperatur mieści się w powszechnie akceptowanych warunkach komfortu termicznego dla osób o niskiej aktywności fizycznej22; a natomiast przedział 45–60 dB(A) jest wykorzystywany jako kontrolowane pasmo dźwięku otoczenia, a nie jako ustawowy limit hałasu wewnątrz pomieszczeń23,24.
Wagi funkcji celu wybrano jako wyraźne, specyficzne dla scenariusza priorytety projektowe, a nie jako uniwersalne współczynniki lub szacunki preferencji dopasowane do wyników uczestników. Odległość spaceru oraz zatłoczenie otrzymały wagę 0,25, ponieważ efektywność trasy i kontrola kongestii zostały potraktowane jako dwa główne ograniczenia operacyjne; dostępność wizualna otrzymała wartość 0,20, ponieważ widoczność wpływa na orientację i ekspozycję eksponatów; komfort środowiskowy oraz interakcja otrzymały po 0,15, aby te czynniki wpływały na proces poszukiwania, nie dominując nad terminami związanymi z cyrkulacją. Ponieważ priorytety wystaw mogą różnić się w zależności od kontekstu, protokół testuje odporność lokalnych wag poprzez indywidualną perturbację każdej wagi o ±10% i proporcjonalną renormalizację pozostałych wag, tak aby suma całkowita wynosiła 1,00. Wynikowe współczynniki należy zatem interpretować jako specyficzne dla protokołu ustawienia projektowe, które mogą zostać ponownie skalibrowane dla wystaw artystycznych, historycznych, naukowych lub komercyjnych.
Ręczne generowanie układu
Układ ręczny został stworzony jako warunek bazowy. Sześć stref tematycznych rozmieszczono w konwencjonalnej sekwencji narracyjnej od wejścia do wyjścia. Strefa odpoczynku została umieszczona w pobliżu środkowej sekcji trasy. Początkowa szerokość głównego przejścia została ustawiona na 2.2 m. Węzły interakcji rozmieszczono w pobliżu wejścia do każdej strefy tematycznej oraz w głównych punktach zwrotnych trasy. Układ ręczny sprawdzono pod kątem wszystkich ograniczeń wykonalności. Granice stref korygowano wyłącznie w przypadku naruszenia ograniczeń. Po uzyskaniu wykonalności układu zarejestrowano całkowitą długość trasy, współczynnik widoczności witryn, maksymalną gęstość lokalną, karę za komfort środowiskowy, współczynnik odstępów interakcji oraz całkowity koszt przestrzenny.
Standardowe symulowane wyżarzanie
Jako stan początkowy wykorzystano dopuszczalny układ ręczny. Temperaturę początkową ustawiono na 100, współczynnik chłodzenia na 0,95, maksymalną liczbę iteracji na 1 500, a próg stagnacji na 200 iteracji. Algorytm uruchomiono z 30 niezależnymi ziarnami liczb pseudolosowych. Wartości te były ustawieniami protokołu operacyjnego służącymi do zdefiniowania dopasowanego budżetu obliczeniowego; nie były one przedstawione jako uniwersalne stałe wywodzące się z literatury ani optima dostrojone do wyników. Wartość T₀ = 100 umożliwiała szeroką eksplorację w początkowej fazie, α = 0,95 zapewniało stopniowe chłodzenie, 1 500 iteracji zapewniało każdemu uruchomieniu taki sam górny budżet poszukiwań, a próg stagnacji wynoszący 200 iteracji zapobiegał przedłużaniu procesu po braku poprawy. Te same ustawienia temperatury i maksymalnej liczby iteracji zastosowano w metodzie adaptacyjnej, aby różnice można było przypisać do harmonogramu propozycji i ponownego nagrzewania, a nie do większego nominalnego budżetu poszukiwań.
W każdej iteracji generowano jeden sąsiedni układ poprzez zastosowanie jednego ruchu: przesunięcie jednej strefy tematycznej o 0.5–2.0 m, zamianę pozycji sekwencyjnych dwóch stref tematycznych, dostosowanie jednego odcinka ścieżki o 0.1–0.3 m lub przesunięcie jednego węzła interakcji o 0.5–1.5 m. Proponowany układ był natychmiast odrzucany, jeśli naruszał jakiekolwiek ograniczenie wykonalności.
Jeśli proponowany układ był wykonalny i charakteryzował się niższym kosztem przestrzennym, zostawał zaakceptowany. Jeśli koszt przestrzenny był wyższy, akceptacja następowała zgodnie z równaniem prawdopodobieństwa:
gdzie ΔF oznacza wzrost kosztu przestrzennego, a T to aktualna temperatura. Temperaturę po każdej iteracji aktualizowano za pomocą:
Tnew = 0,95Told
Każdy przebieg zatrzymywano po osiągnięciu maksymalnej liczby iteracji lub w momencie, gdy najlepszy koszt przestrzenny nie ulegał poprawie przez 200 kolejnych iteracji. Metodę symulowanego wyżarzania uznano za odpowiednią do tego zadania, ponieważ optymalizacja układu wystawy jest kombinatorycznym problemem przestrzennym, którego nie można rozwiązać efektywnie za pomocą przeszukiwania wyczerpującego.
Standardowe symulowane wyżarzanie zostało wykorzystane jako główny algorytmiczny punkt odniesienia, ponieważ posiadało ten sam sposób kodowania układu, reguły dopuszczalności, funkcję celu, inicjalizację, harmonogram temperatury oraz budżet obliczeniowy, co warunek adaptacyjny. Standardowe symulowane wyżarzanie było jedynym numerycznym komparatorem metaheurystycznym w niniejszym badaniu i w związku z tym pełniło funkcję dopasowanej bazy porównawczej typu ablacyjnego dla dodanego harmonogramowania propozycji oraz ponownego nagrzewania na poziomie przepływu pracy. Algorytmy genetyczne, optymalizacja rojem cząstek, optymalizacja kolonii mrówek oraz optymalizatory oparte na uczeniu nie były częścią eksperymentu; w związku z czym twierdzenia dotyczące wydajności ograniczono do dopasowanej bazy standardowego SA. Dla każdego uruchomienia zapisano ziarno liczb losowych, początkowy koszt przestrzenny, końcowy koszt przestrzenny, procent poprawy, liczbę iteracji do najlepszego rozwiązania, czas wykonania, współczynnik akceptacji oraz status dopuszczalności. Procent poprawy obliczono za pomocą równania:
Adaptacyjne symulowane wyżarzanie z ponownym nagrzewaniem
Zastosowano ten sam układ początkowy, ograniczenia wykonalności, temperaturę początkową, współczynnik chłodzenia, maksymalną liczbę iteracji oraz 30 losowych ziarn (seeds) co w standardowym warunku symulowanego wyżarzania. Algorytm adaptacyjny różnił się jedynie prawdopodobieństwem klas ruchów zależnym od etapu oraz regułą ponownego nagrzewania, zachowując standardową regułę akceptacji Metropolis dla wykonalnych układów kandydacyjnych. Zdefiniowano cztery klasy proponowanych ruchów: lokalne przemieszczenie (L), zamianę sekwencji stref (S), regulację szerokości ścieżki (W) oraz relokację węzła interakcji (N). Przez pierwsze 40% iteracji prawdopodobieństwa klas ruchów ustawiono na pL = 0.20, pS = 0.35, pW = 0.30 oraz pN = 0.15. W ciągu ostatnich 60% ustawiono je na pL = 0.35, pS = 0.15, pW = 0.20 oraz pN = 0.30. Ta zmiana częstotliwości klas ruchów przesunęła proces poszukiwania z szerokiej eksploracji sekwencji/ścieżek w stronę lokalnego doprecyzowania przestrzennego i dostosowania węzłów interakcji.
W iteracji t pełna gęstość propozycji była wyrażona jako q(x′|x,t) = pm(t)qm(x′|x), gdzie m ∈ {L,S,W,N} reprezentowało wybraną klasę ruchu, a pm(t) oznaczało prawdopodobieństwo specyficzne dla danej fazy. W przypadku przemieszczenia lokalnego jednorodnie wybrano jedną z sześciu stref tematycznych, kierunek przemieszczenia wylosowano jednorodnie z przedziału [0,2π), a wartość przemieszczenia wylosowano jednorodnie z przedziału [0,5,2,0] m; zatem qL było proporcjonalne do (1/6)(1/2π)(1/1,5). Dla zamiany sekwencji stref jednorodnie wybrano jedną z 15 nieuporządkowanych par stref, co dało qS = 1/15. W przypadku korekty szerokości ścieżki jednorodnie wybrano jeden z J regulowanych segmentów ścieżki, a zmianę ze znakiem wylosowano jednorodnie z przedziału [−0,3,−0,1] ∪ [0,1,0,3] m, co dało qW = (1/J)(1/0,4). Dla relokacji węzła interakcji jednorodnie wybrano jeden z K aktualnych węzłów interakcji, kierunek wylosowano jednorodnie z przedziału [0,2π), a wartość przemieszczenia wylosowano jednorodnie z przedziału [0,5,1,5] m, co dało qN proporcjonalne do (1/K)(1/2π)(1/1,0). Propozycje naruszające ograniczenia były odrzucane i stanowiły przejście do stanu własnego.
W niniejszej implementacji, dla każdego odwracalnego i wykonalnego ruchu, warunkowe jądro propozycji było symetryczne: qm(x′|x) = qm(x|x′). Ponieważ w danej iteracji to samo prawdopodobieństwo klasy ruchów specyficzne dla fazy pm(t) stosowano do przejścia w przód i w tył, q(x|x′,t)/q(x′|x,t) = 1. Prawdopodobieństwo akceptacji zostaje zatem zredukowane do standardowej reguły Metropolisa dla symulowanego wyżarzania, A(x→x′) = min{1, exp[−(C(x′)−C(x))/T]}. Nie zastosowano niebanalnej korekty Hastingsa; metoda ta jest zatem określana jako adaptacyjne symulowane wyżarzanie z ponownym nagrzewaniem, a nie jako próbnik Metropolisa-Hastingsa25.
Ponowne podgrzewanie (reheating) stosowano w sytuacjach, gdy najlepszy koszt przestrzenny nie ulegał poprawie przez 150 kolejnych iteracji, w ten sposób celowo interweniując przed zatrzymaniem z powodu stagnacji po 200 iteracjach, stosowanym w standardowym symulowanym wyżarzaniu. Aktualna temperatura była zwiększana o 10%, a na każde uruchomienie dopuszczano do 3 zdarzeń ponownego podgrzewania. Przechowywano te same zmienne wydajności algorytmu, co w warunkach standardowego symulowanego wyżarzania. Eksperyment oceniał połączoną konfigurację harmonogramu propozycji zależnego od etapu oraz ponownego podgrzewania, w związku z czym nie szacowano niezależnego wkładu przyczynowego każdego z tych komponentów. Krok po kroku przedstawiono pseudokod dla dokładnej sekwencji propozycji, wykonalności, akceptacji Metropolisa, aktualizacji temperatury, ponownego podgrzewania oraz zapisu wyników w Pliku uzupełniającym 3.
Tpodgrzana = 1,10Tbieżąca
Układy końcowe
Dla każdego wariantu wybrano jeden końcowy układ. W przypadku wariantu manualnego zastosowano wykonalny układ opracowany ręcznie. W standardowych warunkach symulowanego wyżarzania wybrano próbę z najniższym końcowym kosztem przestrzennym spośród 30 uruchomień. Dla wariantu adaptacyjnego symulowanego wyżarzania z ponownym nagrzewaniem wybrano wykonalną próbę z najniższym końcowym kosztem przestrzennym spośród 30 uruchomień. Przed eksportem wybranych układów przeprowadzono końcową weryfikację wykonalności, aby potwierdzić, że wszystkie strefy znajdują się wewnątrz granicy, strefy nie nakładają się na siebie, trasa jest ciągła, wejście i wyjście pozostały bez zmian, odstęp między węzłami interakcji wynosi co najmniej 1.2 m, maksymalna gęstość pozostaje poniżej 1.50 osób/m2, a wszystkie strefy tematyczne są dostępne z głównej trasy.
Wirtualne sceny wystawy
Trzy wirtualne sceny wystawy zostały stworzone w środowisku Unity 2022.3.22f1 LTS (Unity Technologies) przy użyciu XR Interaction Toolkit 2.5.4. Sceny prezentowano za pomocą gogli Meta Quest 2 (Meta Platforms) z wykorzystaniem śledzenia głowy i kontrolerów w sześciu stopniach swobody. Treść wystawy, styl wizualny, modele obiektów, styl oznakowania, zasoby oświetlenia, dźwięki otoczenia, mechanizm interakcji oraz instrukcje nawigacji pozostały identyczne we wszystkich trzech scenach. Zmieniały się jedynie układ przestrzenny, sekwencja trasy, szerokość ścieżek oraz rozmieszczenie węzłów interakcji.
Wysokość wirtualnej kamery ustawiono na 1,65 m, a prędkość chodzenia na 1,2 m/s. Funkcję teleportacji wyłączono. Zastosowano ten sam wyzwalacz startowy przy wejściu oraz ten sam wyzwalacz ukończenia przy wyjściu. Promień wyzwalacza węzła interakcji ustawiono na 1,0 m. Odnotowano, czy każdy węzeł interakcji został odwiedzony.
W każdej scenie wykorzystano te same sześć treści tematycznych. Każdy temat przypisano do odpowiadającej mu strefy, niezależnie od warunków układu. Wysokość ścian, styl ścianek działowych, rozmiar wyświetlaczy multimedialnych, gęstość tekstu oraz skala eksponatów pozostały stałe. Środowiska wirtualnej rzeczywistości uznano za odpowiednie dla tego protokołu, ponieważ umożliwiły one zbadanie obecności przestrzennej, przejrzystości trasy oraz doświadczeń zwiedzających w kontrolowanych warunkach układu26.
Sprzęt, oprogramowanie, narzędzia do monitorowania środowiska, pliki kwestionariuszy/książki kodów oraz zasoby analityczne niezbędne do odtworzenia protokołu zostały wymienione w Tabeli Materiałów i uporządkowane jako Pliki Uzupełniające 1–3. Zasoby badawcze z zarejestrowanymi identyfikatorami zasobów badawczych (RRID) zostały wymienione według RRID w Tabeli Materiałów.
Sesja uczestnika
Badanie przeprowadzano z jednym uczestnikiem naraz. Przed rozpoczęciem sesji uczestnik siedział w spoczynku przez 2 min. Dopasowano wyświetlacz montowany na głowie oraz dostrojono odległość między źrenicami dla zapewnienia komfortu uczestnika. Udostępniono 2-minutową scenę ćwiczebną, która nie stanowiła części ekspozycji. Scena ćwiczebna służyła wyłącznie zapoznaniu uczestnika z ruchem i interakcją.
Ponieważ testy przeprowadzano z jednym uczestnikiem jednocześnie, tłok w protokole reprezentowano za pomocą szacunków gęstości opartych na modelu, a nie poprzez rzeczywisty, jednoczesny ruch grupy. W związku z tym współobecność wielu użytkowników, unikanie kontaktów interpersonalnych oraz dynamiczne interakcje tłumu nie zostały bezpośrednio zasymulowane i były brane pod uwagę podczas interpretacji wyników związanych z tłumem.
Po etapie ćwiczeń rozpoczęto przypisaną scenę wystawy. Uczestnik otrzymał instrukcję, aby wejść na wystawę, podążać naturalnie wyznaczoną trasą, wchodzić w interakcje z oznaczonymi węzłami i opuścić wystawę po przejściu przez wszystkie sześć stref tematycznych. Dodatkowe wskazówki dotyczące trasy przekazywano tylko wtedy, gdy uczestnik nie mógł posunąć się naprzód przez więcej niż 30 s. Czas ukończenia, czas przebywania, przebyty dystans, liczba zawahań, odwiedziny w węzłach interakcji oraz współrzędne trajektorii były rejestrowane automatycznie.
Sesja zakończyła się, gdy uczestnik dotarł do wyzwalacza wyjścia. Gogle VR zostały zdjęte, a uczestnikowi pozwolono na 3 min odpoczynku. Bezpośrednio po okresie odpoczynku uczestnik wypełnił kwestionariusz po doświadczeniu.
Wyniki behawioralne, środowiskowe i ankietowe
Czas ukończenia zdefiniowano jako czas od aktywacji wyzwalacza wejścia do aktywacji wyzwalacza wyjścia. Czas przebywania zdefiniowano jako całkowity czas spędzony w strefach tematycznych i obszarach węzłów interakcji. Dystans spaceru zdefiniowano jako skumulowaną długość ścieżki na podstawie współrzędnych trajektorii. Liczbę zawahań zdefiniowano jako liczbę przerw dłuższych niż 3 s poza obszarami węzłów interakcji. Zakres mapy ciepła obliczono za pomocą:
Średnie natężenie oświetlenia rejestrowano za pomocą luksometru Testo 540 (Testo SE & Co. KGaA), poziom ciśnienia akustycznego za pomocą miernika poziomu dźwięku klasy 2 Testo 816-1 (Testo SE & Co. KGaA), stężenie dwutlenku węgla za pomocą urządzenia pomiarowego CO₂ Testo 535 (Testo SE & Co. KGaA), a temperaturę otoczenia za pomocą termohigrometru Testo 605i (Testo SE & Co. KGaA). W trzech wariantach scen użyto tych samych punktów monitoringu. Natężenie oświetlenia rejestrowano w lx, poziom ciśnienia akustycznego w dB(A), stężenie dwutlenku węgla w ppm, a temperaturę w °C.
Domeny obecności oraz obecności przestrzennej mierzono przy użyciu 7-punktowej struktury punktacji określonej w protokole badania. Konstrukty te interpretowano w odniesieniu do zwalidowanego modelu Presence Questionnaire (PQ) Witmera i Singera oraz modelu Igroup Presence Questionnaire (IPQ) Schuberta i wsp.27. Zmienne badania raportowano jako 7-punktowe wyniki na poziomie domeny, a nie jako standardowe całkowite wyniki PQ lub IPQ. W przypadku choroby symulatorowej zastosowano model objawów Simulator Sickness Questionnaire wraz z uprzednio określoną zmienną podsumowującą badanie w zakresie 0–30; wyższe wartości oznaczały większy dyskomfort. To podsumowanie badania (0–30) raportowano oddzielnie od standardowego ważonego wyniku całkowitej nasilenia SSQ (SSQ Total Severity), zgodnie z rozróżnieniem między konwencjami pomiaru choroby symulatorowej a raportowaniem cybertoksyczności (cybersickness)28. Jakość interakcji, przejrzystość orientacji przestrzennej, komfort wizualny, komfort akustyczny, komfort termiczny, odczuwane zatłoczenie, obciążenie poznawcze oraz ogólna satysfakcja były mierzone przy użyciu specyficznych dla badania, wielopunktowych, 7-punktowych skal ocen. Supplementary File 2 zawiera dokumentację źródła konstruktu, zakres punktowy oraz konwencję raportowania dla każdej domeny.
Wyniki badania
Głównym wynikiem algorytmicznym był końcowy koszt przestrzenny. Głównym wynikiem dotyczącym doświadczeń odwiedzających była ogólna satysfakcja. Wtórne wyniki algorytmiczne określono jako procent poprawy, liczbę iteracji do osiągnięcia najlepszego rozwiązania, czas wykonania oraz wskaźnik akceptacji. Wtórne wyniki dotyczące doświadczeń odwiedzających określono jako poczucie obecności, obecność przestrzenną, jakość interakcji, przejrzystość orientacji w przestrzeni, komfort wizualny, komfort akustyczny, komfort termiczny, postrzegane zatłoczenie, obciążenie poznawcze, chorobę symulatorową, czas ukończenia, czas przebywania, dystans spacerowy, liczbę wahań oraz pokrycie mapy ciepła. Czas ukończenia i dystans spacerowy posłużyły do oceny wydajności trasy. Liczba wahań i przejrzystość orientacji w przestrzeni posłużyły do oceny jakości nawigacji. Poczucie obecności, obecność przestrzenna, jakość interakcji i czas przebywania posłużyły do oceny immersyjnego zaangażowania. Postrzegane zatłoczenie, obciążenie poznawcze, oceny komfortu i choroba symulatorowa posłużyły do oceny obciążenia doświadczalnego.
Czyszczenie danych i kontrola jakości
Przed analizą sprawdzono wszystkie rekordy uczestników. Potwierdzono, że każdy rekord posiadał jeden identyfikator uczestnika, jedną etykietę warunku, kompletne dzienniki behawioralne i wyniki kwestionariuszy oraz nie posiadał zduplikowanych identyfikatorów. Oceny obecności, obecności przestrzennej oraz doświadczeń specyficznych dla badania ograniczono do zdefiniowanych zakresów od 1 do 7. Zmienną podsumowującą chorobę symulatorową ograniczono do wcześniej określonego zakresu 0–30. Sprawdzono plik kwestionariusza/kodowy, aby potwierdzić, że dokumentuje on źródło konstruktu, zakres odpowiedzi, konstrukcję domeny oraz definicje wyników pochodnych zastosowanych w analizie.
Z zapisu uczestnika wykluczono sesje, które nie zostały ukończone, czas ich trwania był krótszy niż 3 min lub dłuższy niż 25 min, pokrycie mapy ciepła wynosiło mniej niż 10%, dziennik trajektorii był niepełny lub błędny technicznie, dystans spaceru wynosił mniej niż 20 m w połączeniu z niepełnym/błędnym zapisem trajektorii lub uczestnik poprosił o przedwczesne zakończenie badania. Nie zastosowano górnego limitu dystansu spaceru; dystans spaceru zachowano jako ciągły wynik badania w całym jego prawidłowym zakresie obserwacji. Uruchomienie algorytmu wykluczano z wyboru układu, jeśli naruszało ono jakiekolwiek ograniczenie wykonalności. W celu zapewnienia powtarzalności zachowano ziarna liczb losowych, pliki układów, wyniki algorytmów, pliki kwestionariuszy/książki kodów oraz skrypty analizy. Zachowanie ziarna liczby losowej było konieczne, ponieważ wyniki optymalizacji stochastycznej mogą różnić się w zależności od inicjalizacji i zachowania propozycji29.
Wydajność algorytmu
Przeanalizowano 30 standardowych uruchomień metody symulowanego wyżarzania oraz 30 uruchomień adaptacyjnego symulowanego wyżarzania z ponownym podgrzewaniem. Początkowy koszt przestrzenny, końcowy koszt przestrzenny, procent poprawy, liczbę iteracji do uzyskania najlepszego rozwiązania, czas wykonania oraz współczynnik akceptacji podsumowano jako średnią ± odchylenie standardowe (SD), a dla średnich grupowych i różnic między algorytmami podano 95% przedziały ufności.
Normalność rozkładu oceniano za pomocą wykresów kwantyl-kwantyl (Q-Q) oraz testu Shapiro-Wilka. Jednorodność wariancji oceniano za pomocą testu Levene'a. Dwie warunki algorytmiczne porównywano za pomocą testów t dla próbek niezależnych, gdy spełnione zostały założenia. W przypadku niespełnienia założeń stosowano testy U Manna-Whitneya. Raportowano dwustronne wartości p, 95% przedziały ufności oraz wielkości efektu. Wskaźnik d Cohena obliczano za pomocą równania
gdzie:
Do porównań nieparametrycznych wykorzystano korelację rangową biseryjną. Analizę czułości przeprowadzono poprzez indywidualną zmianę wag każdej funkcji celu o ±10% oraz proporcjonalną renormalizację pozostałych czterech wag w taki sposób, aby suma całkowita wynosiła 1,00. Końcowy koszt przestrzenny oraz procent poprawy przeliczono dla każdego alternatywnego wektora wag. Porównanie algorytmiczne uznano za stabilne, gdy metoda adaptacyjnego wyżarzania symulowanego z warunkiem ponownego podgrzewania utrzymywała niższy końcowy koszt przestrzenny we wszystkich alternatywnych ustawieniach wag.
Analiza wyników uczestników
Wyniki uczestników w trzech warunkach układu analizowano przy użyciu oprogramowania IBM SPSS Statistics 27.0 (IBM Corp.). Zmienne ciągłe przedstawiono jako średnia ± SD, a zmienne kategoryczne jako liczebność i wartości procentowe. Normalność rozkładu oceniano za pomocą wykresów Q-Q oraz testu Shapiro-Wilka. Jednorodność wariancji oceniano za pomocą testu Levene'a. W przypadku wyników o rozkładzie normalnym i akceptowalnej jednorodności wariancji zastosowano jednoczynnikową analizę wariancji (ANOVA). W sytuacjach naruszenia założenia o jednorodności wariancji zastosowano test ANOVA Welcha. Do analizy wyników o rozkładzie nienormalnym wykorzystano testy Kruskala-Wallisa.
Przeprowadzono porównania parowe pomiędzy układem ręcznym, standardowym układem symulowanego wyżarzania oraz adaptacyjnym układem symulowanego wyżarzania z ponownym podgrzewaniem. Trzy porównania parowe w obrębie każdego wyniku skorygowano metodą Holma. Przedziały ufności 95% raportowano wraz ze skorygowanymi wartościami p. Dla standardowej analizy ANOVA raportowano eta-kwadrat, dla analizy ANOVA Welcha omega-kwadrat, dla testów Kruskala-Wallisa epsilon-kwadrat, a dla porównań parowych standaryzowane różnice średnich. Jako uzupełniającą analizę odporności obliczono parowe kontrasty Welcha na podstawie średnich grupowych, SD oraz n = 60 na grupę. Obliczono stopnie swobody Welcha, dwustronne wartości p, wartości p skorygowane metodą Holma, 95% CI dla różnic średnich oraz wskaźnik Hedges g. Ta dodatkowa analiza wykorzystywała statystyki na poziomie grup i została przedstawiona w Tabeli uzupełniającej 1.
Zrandomizowane porównanie trzech grup w stosunku 1:1:1 potraktowano jako analizę główną. Przed przydziałem do grup odnotowano wiek, płeć, poziom wykształcenia, wcześniejsze doświadczenia z rzeczywistością wirtualną oraz częstotliwość odwiedzania muzeów/wystaw, aby scharakteryzować próbę i zidentyfikować ewentualne wyraźne dysproporcje. Badanie nie zostało zaprojektowane ani zaplanowane pod kątem testów interakcji w podgrupach i nie uwzględniono w nim żadnego wcześniej określonego modelu moderatorów; cechy te potraktowano zatem jako zmienne kontekstowe, a nie udowodnione moderatory. Losowy przydział zapewnił kontrolę cech wyjściowych na poziomie projektu, natomiast pozostały wpływ wcześniejszej znajomości VR został wyraźnie wskazany jako ograniczenie badania. Wartość eta-kwadrat obliczono za pomocą
Wartość epsilon-kwadrat dla testów Kruskala-Wallisa obliczono jako:
gdzie H to statystyka testu Kruskala-Wallisa, k to liczba grup, a n to całkowita wielkość próby.
W interpretacji priorytetowo potraktowano ogólną satysfakcję, poczucie obecności, przejrzystość orientacji w przestrzeni, postrzegane zatłoczenie, obciążenie poznawcze, czas ukończenia, dystans spaceru, liczbę zawahań oraz pokrycie mapy ciepła, ponieważ zmienne te bezpośrednio odzwierciedlały efektywność przestrzenną i immersyjne doświadczenie zwiedzających.
Wyniki
Przepływ uczestników i kompletność danych
W eksperymencie z wystawą immersyjną wzięło udział łącznie 180 uczestników, którzy zostali uwzględnieni w końcowej analizie. Trzy warunki układu były zbalansowane: 60 uczestników przypisano do układu ręcznego, 60 do standardnego układu symulowanego wyżarzania oraz 60 do adaptacyjnego układu symulowanego wyżarzania z ponownym nagrzewaniem. Po kontroli jakości danych nie wykluczono żadnego rekordu uczestnika. Wszystkie logi behawioralne i wyniki kwestionariuszy po doświadczeniu były kompletne. Pomiary środowiskowe zarejestrowano jako kontrole eksperymentalne, a nie wyniki uczestników; w trzech warunkach sceny zastosowano te same pozycje monitorowania i określone wcześniej zakresy docelowe, a zmienne te nie zostały włączone do inferencyjnej analizy międzywarunkowej.
Do końcowej analizy włączono 180 zapisów sesji uczestników oraz 60 uruchomień algorytmu z dwóch warunków optymalizacji. Układ ręczny posłużył jako niezoptymalizowana linia bazowa. Warunki standardowego symulowanego wyżarzania oraz adaptacyjnego symulowanego wyżarzania z ponownym podgrzewaniem obejmowały po 30 niezależnych uruchomień optymalizacji. Główne wyniki algorytmiczne, behawioralne i kwestionariuszowe podsumowano w Tabeli 2.
Niezawodność kwestionariusza i rozkład wyników
Przed porównaniem warunków układu sprawdzono spójność wewnętrzną domen wielodomienowego kwestionariusza. Domeny kwestionariusza wykazały akceptowalną lub dobrą niezawodność, przy wartościach alfa Cronbacha w zakresie od 0,78 do 0,91. Obecność, obecność przestrzenna, jakość interakcji, przejrzystość orientacji przestrzennej, oceny związane z komfortem, obciążenie poznawcze oraz ogólna satysfakcja spełniły z góry określony próg niezawodności wynoszący 0,70.
Przed porównaniem grup przeanalizowano również rozkłady wyników. W przypadku głównego parametru doświadczenia odwiedzających nie zaobserwowano istotnego efektu sufitowego ani efektu podłogowego. Ogólna satysfakcja, poczucie obecności, przejrzystość orientacji w przestrzeni oraz obciążenie poznawcze wykazały wystarczającą zmienność w trzech warunkach układu. Wyniki dotyczące choroby symulatorowej były prawostronnie skośne, co jest spodziewane przy krótkotrwałej ekspozycji na rzeczywistość wirtualną, i zostały zatem zinterpretowane wraz z weryfikacją rozkładów oraz nieparametrycznymi testami czułości.
Wydajność algorytmu
Algorytm adaptacyjnego symulowanego wyżarzania z ponownym podgrzewaniem (Adaptive SA-R) uzyskał niższy końcowy koszt przestrzenny niż standardowe symulowane wyżarzanie. Średni końcowy koszt przestrzenny wyniósł 0,475 ± 0,019 (95% CI, 0,468–0,482) dla standardowego symulowanego wyżarzania oraz 0,424 ± 0,016 (95% CI, 0,418–0,430) dla Adaptive SA-R. Średnia różnica między algorytmami (Adaptive − Standard) wyniosła −0,051 (95% CI, −0,060 do −0,042), przy Welch t = 11,25, p < 0,001 oraz d Cohena = 2,90.
Procent poprawy był wyższy w warunkach zastosowania algorytmu adaptacyjnego: 24,91% ± 3,22% dla standardowego symulowanego wyżarzania oraz 32,54% ± 3,29% dla Adaptive SA-R, co stanowi średnią różnicę na poziomie +7,63 punktu procentowego (95% CI, 5,95–9,31; Welch t = 9,07; p < 0,001; d = 2,34). Adaptive SA-R osiągnął najlepsze rozwiązanie w 722,20 ± 90,19 iteracjach w porównaniu do 925,47 ± 86,38 dla standardowego symulowanego wyżarzania, co daje różnicę wynoszącą −203,27 iteracji (95% CI, −248,91 do −157,63; Welch t = 8,92; p < 0,001; d = 2,30).
Czas wykonania był nieco dłuższy w przypadku Adaptive SA-R. Średni czas wykonania wzrósł z 47.83 ± 9.42 s do 55.86 ± 9.49 s, co stanowi średni wzrost o 8.03 s (95% CI, 3.14–12.92; Welch t = 3.29; p = 0.002; d = 0.85), odpowiadający względnemu wzrostowi o 16.8%. Wskaźnik akceptacji wzrósł z 0.294 ± 0.045 do 0.372 ± 0.054, co oznacza średnią różnicę +0.078 (95% CI, 0.052–0.104; Welch t = 6.08; p < 0.001; d = 1.57). W zamian średni końcowy koszt przestrzenny był o 10.7% niższy, a liczba iteracji do najlepszego rozwiązania była o 22.0% niższa. Interpretuje się to jako niewielki koszt obliczeniowy w obrębie testowanej wielkości problemu, a nie jako dowód na uniwersalną przewagę obliczeniową.
Krzywe zbieżności wykazały, że algorytm adaptowanego symulowanego wyżarzania z ponownym podgrzewaniem szybciej redukował koszt przestrzenny w początkowej fazie poszukiwań i utrzymywał niższą trajektorię kosztu w późniejszych iteracjach. W niezależnych uruchomieniach algorytm adaptacyjny wykazał liczbowo niższą zmienność końcowego kosztu przestrzennego; ta różnica opisowa nie była poddana oddzielnemu formalnemu testowi wariancji. Wyniki wydajności algorytmu, w tym końcowy koszt przestrzenny, procent poprawy, liczbę iteracji do najlepszego rozwiązania, czas wykonania, współczynnik akceptacji oraz reprezentatywne krzywe zbieżności, przedstawiono na Rysunku 2.
Wyniki doświadczeń odwiedzających
Ogólne zadowolenie różniło się w zależności od trzech warunków układu. Uczestnicy w warunku układu ręcznego zgłosili średnią wynoszącą 3,59 ± 0,45 (95% CI, 3,47–3,71), w warunku standardowego układu symulowanego wyżarzania średnią 3,96 ± 0,44 (95% CI, 3,85–4,07), a w warunku adaptacyjnego symulowanego wyżarzania z ponownym nagrzewaniem średnią 4,37 ± 0,31 (95% CI, 4,29–4,45). Efekt międzywarunkowy był duży. Ogólne zadowolenie nie było komponentem funkcji kosztu przestrzennego, a zatem nie jest bezpośrednio optymalizowane przez algorytm.
Obecność oraz obecność przestrzenna wykazały ten sam wzorzec. Obecność wzrosła z 3,77 ± 0,56 w warunkach układu ręcznego do 3,99 ± 0,55 w warunkach standardowego symulowanego wyżarzania oraz do 4,28 ± 0,42 w warunkach adaptacyjnego symulowanego wyżarzania z ponownym nagrzewaniem. Obecność przestrzenna wzrosła z 3,75 ± 0,64 do 3,96 ± 0,63 oraz 4,27 ± 0,47 w tych samych trzech warunkach.
Jakość interakcji oraz przejrzystość orientacji w przestrzeni uległy również poprawie w przypadku zoptymalizowanych układów. Jakość interakcji wzrosła z 3,74 ± 0,56 w warunkach układu manualnego do 4,00 ± 0,57 w warunkach standardowego symulowanego wyżarzania oraz do 4,24 ± 0,57 w warunkach adaptacyjnego symulowanego wyżarzania z ponownym nagrzewaniem. Przejrzystość orientacji w przestrzeni wzrosła odpowiednio z 3,61 ± 0,58 do 3,90 ± 0,57 oraz 4,17 ± 0,48.
Zoptymalizowane układy zmniejszyły wskaźniki negatywnych doświadczeń. Odczuwalne zatłoczenie spadło z 3,01 ± 0,49 w wariancie układu ręcznego do 2,75 ± 0,55 w wariancie standardowego symulowanego wyżarzania oraz 2,56 ± 0,45 w wariancie adaptacyjnego symulowanego wyżarzania z ponownym podgrzewaniem. Obciążenie poznawcze zmniejszyło się z 3,21 ± 0,48 do 2,87 ± 0,52 oraz 2,73 ± 0,44. Choroba symulatorowa była najniższa w wariancie układu adaptacyjnego, spadając z 2,52 ± 0,55 w wariancie układu ręcznego do 2,44 ± 0,58 w wariancie standardowego symulowanego wyżarzania i 2,12 ± 0,56 w wariancie adaptacyjnego symulowanego wyżarzania z ponownym podgrzewaniem.
Oceny dotyczące komfortu wykazały spójną, lecz bardziej umiarkowaną poprawę. Komfort wizualny wzrósł z 3,67 ± 0,44 w wariancie układu manualnego do 3,87 ± 0,44 w wariancie standardowego symulowanego wyżarzania oraz do 4,07 ± 0,45 w wariancie adaptacyjnego symulowanego wyżarzania z ponownym nagrzewaniem. Komfort akustyczny wzrósł z 3,64 ± 0,52 do 3,75 ± 0,42 oraz 3,97 ± 0,44. Komfort termiczny wzrósł z 3,69 ± 0,46 do 3,79 ± 0,32 oraz 3,94 ± 0,44. Główne wyniki dotyczące doświadczeń odwiedzających oraz zachowań przedstawiono na Rysunku 3.
Wyniki behawioralne
Dane dotyczące trajektorii behawioralnej potwierdziły wyniki kwestionariusza. Czas ukończenia zadania uległ skróceniu w trzech analizowanych wariantach układu. Uczestnicy w warunkach układu ręcznego potrzebowali 19.11 ± 2.63 min na obejście wystawy, w porównaniu do 17.42 ± 2.77 min w warunkach standardowego symulowanego wyżarzania oraz 14.93 ± 2.32 min w warunkach adaptacyjnego symulowanego wyżarzania z ponownym nagrzewaniem.
Podobny spadek odnotowano w przypadku dystansu marszu. Średni dystans marszu wynosił 234,88 ± 24,34 m w warunkach układu ręcznego, 217,95 ± 24,33 m w warunkach standardowego symulowanego wyżarzania oraz 201,86 ± 23,47 m w warunkach adaptacyjnego symulowanego wyżarzania z ponownym podgrzewaniem. Liczba wahań również uległa zmniejszeniu: z 7,10 ± 1,80 w warunkach układu ręcznego do 5,51 ± 1,79 w warunkach standardowego symulowanego wyżarzania oraz 4,07 ± 1,99 w warunkach adaptacyjnego symulowanego wyżarzania z ponownym podgrzewaniem.
Czas przebywania oraz obszar pokrycia mapy ciepła wzrosły przy zoptymalizowanych układach. Czas przebywania zwiększył się z 11.17 ± 2.03 min w warunkach układu ręcznego do 12.24 ± 2.04 min w warunkach standardowego wyżarzania symulowanego oraz do 13.39 ± 2.28 min w warunkach adaptacyjnego wyżarzania symulowanego z ponownym podgrzewaniem. Obszar pokrycia mapy ciepła wzrósł odpowiednio z 66.18% ± 9.40% do 74.14% ± 7.93% i 84.40% ± 9.47%.
Wyniki te wskazują, że adaptacyjny układ nie ograniczył się jedynie do skrócenia trasy. Zredukował on nieefektywne ruchy oraz wahania, jednocześnie zwiększając czas przebywania w danym miejscu i zasięg przestrzenny.
Układ przestrzenny i rozkład trajektorii
Zoptymalizowane układy wykazały widoczne różnice w organizacji tras i pokryciu przestrzennym. W porównaniu z układem ręcznym, standardowy układ opracowany metodą symulowanego wyżarzania ograniczył niepotrzebne zwroty na trasie i poprawił ciągłość między strefami tematycznymi. Adaptacyjne symulowane wyżarzanie z ponownym podgrzewaniem pozwoliło dodatkowo uzyskać bardziej zrównoważony rozkład stref wystawienniczych i węzłów interakcji, przy mniejszej liczbie lokalnych punktów zatorów wzdłuż głównej trasy.
Mapy ciepła trajektorii wykazały, że uczestnicy w warunkach układu adaptacyjnego pokryli większą część hali wystawowej, zachowując jednocześnie krótsze dystanse spaceru i rzadsze przypadki wahania. W warunkach układu ręcznego trajektorie były bardziej skoncentrowane wokół kilku punktów zwrotnych i stref przejścia. W standardowych warunkach symulowanego wyżarzania rozkład trajektorii stał się bardziej ciągły, ale nadal wykazywał kilka lokalnych obszarów powtarzającego się ruchu. Przy adaptacyjnym symulowanym wyżarzaniu z ponownym podgrzewaniem wzorzec trajektorii był szerszy i bardziej równomiernie rozłożony w przestrzeni wystawowej. Układy przestrzenne oraz mapy ciepła trajektorii odwiedzających przedstawiono na Rysunku 4.
Porównanie statystyczne wyników uczestników
Porównania grup wykazały wyraźne różnice między warunkami w odniesieniu do głównych i najważniejszych wtórnych punktów końcowych. Ogólna satysfakcja różniła się znacząco w zależności od warunków, przy czym najwyższy wynik odnotowano w warunku adaptacyjnego symulowanego wyżarzania z ponownym nagrzewaniem. Pokrycie mapy ciepła, czas ukończenia, liczba zawahań, dystans spaceru, przejrzystość orientacji w przestrzeni oraz poczucie obecności również wykazały silne efekty międzywarunkowe.
Największe efekty zaobserwowano w odniesieniu do pokrycia mapy ciepła, ogólnej satysfakcji, liczby wahań oraz czasu ukończenia zadania. Pokrycie mapy ciepła wykazało silny efekt międzywarunkowy, przy η2 = 0.413. Ogólna satysfakcja również wykazała silny efekt, przy η2 = 0.386. Liczba wahań oraz czas ukończenia wykazały silne efekty, odpowiednio przy η2 = 0.311 i η2 = 0.311. Dystans pokonania wykazał efekt od umiarkowanego do silnego, przy η2 = 0.242.
Analizy wrażliwości parzystej potwierdziły główne porównania trzech grup. W stosunku do standardowego wyżarzania symulowanego (simulated annealing), Adaptive SA-R zwiększyło ogólną satysfakcję o 0,41 punktu (95% CI, 0,272–0,548; p skorygowane metodą Holma < 0,001; Hedges g = 1,07), poczucie obecności o 0,29 (95% CI, 0,113–0,467; p skorygowane = 0,003; g = 0,59) oraz przejrzystość orientacji przestrzennej o 0,27 (95% CI, 0,079–0,461; p skorygowane = 0,012; g = 0,51). Skróciło ono czas ukończenia zadania o 2,49 min (95% CI, −3,414 do −1,566; p skorygowane < 0,001; g = −0,97), dystans marszu o 16,09 m (95% CI, −24,733 do −7,448; p skorygowane < 0,001; g = −0,67) oraz liczbę wahań o 1,44 (95% CI, −2,124 do −0,756; p skorygowane < 0,001; g = −0,76), jednocześnie zwiększając pokrycie mapy ciepła o 10,26 punktu procentowego (95% CI, 7,101–13,419; p skorygowane < 0,001; g = 1,17). Postrzegane zatłoczenie było niższe o 0,19 punktu (95% CI, −0,372 do −0,008; p skorygowane = 0,041; g = −0,38), a zbiorcze podsumowanie badania choroby symulatorowej w skali 0–30 było niższe o 0,32 punktu (95% CI, −0,526 do −0,114; p skorygowane = 0,005; g = −0,56). Pełne wyniki trzech kontrastów dla wszystkich efektów u uczestników przedstawiono w Tabeli uzupełniającej 1.
Założenia dotyczące rozkładu i wariancji oceniono za pomocą wykresów Q-Q, testów Shapiro-Wilka oraz testów Levene'a przed wyborem określonych wcześniej testów parametrycznych lub ich odpornych alternatyw. W przypadku wyników, które wyraźnie odbiegały od rozkładu normalnego, zastosowano nieparametryczne testy czułości. Porównania parowe skorygowano metodą Holma, a 95% przedziały ufności podano dla średnich głównych grup, algorytmicznych różnic między grupami, słupków błędów na rysunkach oraz uzupełniających kontrastów parowych statystyk podsumowujących. Nie wywnioskowano żadnych efektów podgrup ani moderatorów z kowariancji kontekstowych, ponieważ analizy te nie zostały określone wcześniej ani nie posiadały odpowiedniej mocy statystycznej.
Kilka wyników na poziomie uczestnika zapewnia konwergentną walidację wykraczającą poza zmienne bezpośrednio minimalizowane przez funkcję kosztu przestrzennego. Ogólna satysfakcja, poczucie obecności, obciążenie poznawcze, choroba symulatorowa, czas przebywania oraz pokrycie mapy cieplnej nie są jawnymi składnikami funkcji celu. Różnice między układami w tych obszarach rozszerzają zatem ewaluację poza prostą reinterpretację długości trasy lub kar za zagęszczenie, choć pozostają one mierzone w ramach tego samego kontrolowanego eksperymentu w rzeczywistości wirtualnej i nie powinny być interpretowane jako w pełni niezależna walidacja w świecie rzeczywistym.
Analiza czułości
W analizie czułości każdą wagę funkcji celu zmieniano indywidualnie o ±10%, a pozostałe wagi renormalizowano proporcjonalnie, aby utrzymać całkowitą wagę na poziomie 1,00. Przy alternatywnych ustawieniach wag, adaptacyjne symulowane wyżarzanie z warunkiem ponownego podgrzewania wykazało najniższy średni końcowy koszt przestrzenny. Kierunek porównania pozostał niezmienny dla końcowego kosztu przestrzennego, procentu poprawy oraz liczby iteracji do uzyskania najlepszego rozwiązania. Wyniki te potwierdzają lokalną odporność na umiarkowane perturbacje wag, lecz nie dowodzą, że ten sam wektor wag jest odpowiedni dla innych rodzajów wystaw.
Analiza stabilności wskazuje, że algorytm adaptacyjny nie był zależny wyłącznie od jednej nominalnej konfiguracji wag. Wzorzec doświadczeń odwiedzających był również zgodny z wynikami algorytmicznymi: układ o najniższym koszcie przestrzennym wykazał najwyższą satysfakcję, silniejsze poczucie obecności, bardziej przejrzystą nawigację oraz szerszy zakres pokrycia mapy ciepła.
Implementacja opiera się na parametrach, a nie na sztywnym przypisaniu do jednego planu piętra: granice hali, rozdzielczość siatki, liczba i dopuszczalna powierzchnia stref, zakres szerokości ścieżek, maksymalna gęstość, liczba węzłów interakcji, cele środowiskowe oraz wagi celów są zewnętrznymi wartościami konfiguracyjnymi. Dane wejściowe te można zastąpić bez zmiany logiki wyszukiwania dla propozycji/akceptacji/ponownego ogrzewania, co zapewnia przenaszalność strukturalną na inne zakodowane układy. Jest to właściwość architektury oprogramowania, a nie empiryczny dowód generalizacji; wydajność została wykazana wyłącznie dla obecnego scenariusza pojedynczego piętra o prostokątnym kształcie o wymiarach 36 m x 24 m.
Podsumowanie wyników
W przetestowanym scenariuszu wystawy jednopiętrowej o wymiarach 36 m x 24 m, metoda adaptacyjnego wyżarzania symulowanego z ponownym podgrzewaniem wygenerowała najniższy koszt przestrzenny, najwyższy procent poprawy oraz najkorzystniejszy profil doświadczeń uczestników spośród trzech ocenianych wariantów układu. W porównaniu z układem ręcznym, układ adaptacyjny zapewnił wyższy poziom satysfakcji, silniejsze poczucie obecności, łatwiejszą orientację w przestrzeni, mniejszy tłok i mniejsze obciążenie poznawcze, a także krótszy czas ukończenia i dystans spaceru, mniej zdarzeń związanych z wahaniem, dłuższy czas przebywania oraz szerszy zasięg mapy ciepła. Wyniki te opisują wydajność w ramach określonej funkcji celu i warunków eksperymentalnych i nie powinny być interpretowane jako dowód na uniwersalnie optymalny układ wystawy. W porównaniu ze standardowym wyżarzaniem symulowanym, algorytm adaptacyjny wykazał wyższą wydajność optymalizacji i lepsze wyniki na poziomie uczestników, mimo niewielkiego zwiększenia czasu wykonania. Połączone wyniki algorytmiczne, behawioralne, kwestionariuszowe oraz analizy trajektorii na mapach ciepła potwierdzają proponowany przepływ pracy optymalizacji układu dla projektowania środowiskowego immersyjnych przestrzeni wystawienniczych.
Dostępność danych
Materiały danych źródłowych powiązane z niniejszym badaniem są dostępne w serwisie Figshare: Zhang, Guangping; Hui, Xianghui; Wang, Hanye (2026). Optimizing Immersive Exhibition Space Design Using Adaptive Simulated Annealing with Reheating and Virtual Reality Evaluation. figshare. Dataset. https://doi.org/10.6084/m9.figshare.33313611.v1
Rysunek 1: Schemat optymalizacji układu imersyjnej przestrzeni wystawienniczej i ewaluacji w rzeczywistości wirtualnej.Schemat obejmuje konstrukcję modelu przestrzeni wystawienniczej, zdefiniowanie zmiennych układu i ograniczeń wykonalności, ręczne generowanie układu, standardową optymalizację metodą symulowanego wyżarzania, optymalizację metodą adaptacyjnego symulowanego wyżarzania z ponownym nagrzewaniem, wybór końcowego układu, konstrukcję wirtualnej sceny, testy z udziałem uczestników, zbieranie danych behawioralnych i kwestionariuszowych oraz analizę statystyczną. Rysunek podsumowuje pełną sekwencję metodologiczną wykorzystaną do powiązania optymalizacji projektu przestrzennego z oceną doświadczenia imersyjnego. Na rysunku nie zastosowano podziału na panele ani oznaczeń statystycznych. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 2: Wydajność algorytmu standardowego symulowanego wyżarzania oraz adaptacyjnego symulowanego wyżarzania z ponownym podgrzewaniem. (A) Końcowy koszt przestrzenny w niezależnych przebiegach optymalizacji. (B) Procentowa poprawa od początkowego do końcowego kosztu przestrzennego. (C) Liczba iteracji wymaganych do osiągnięcia najlepszego rozwiązania. (D) Czas wykonania w sekundach. (E) Współczynnik akceptacji podczas procesu wyszukiwania. (F) Reprezentatywne krzywe zbieżności pokazujące koszt przestrzenny w kolejnych iteracjach. Standard SA oznacza standardowe symulowane wyżarzanie; Adaptive SA-R oznacza adaptacyjne symulowane wyżarzanie z ponownym podgrzewaniem. Panele A–E obejmują n = 30 niezależnych przebiegów optymalizacji dla każdego wariantu algorytmu. Środkowe znaczniki/słupki reprezentują średnie grupowe, a słupki błędów reprezentują 95% przedziały ufności średniej; poszczególne punkty rozproszenia dla każdego przebiegu nie zostały wyświetlone. Porównania wnioskowania między algorytmami przedstawiono w Tabeli 2 wraz z dokładnymi wartościami p i wielkościami efektu d Cohena. Panel F przedstawia reprezentatywne trajektorie zbieżności i ma charakter opisowy, a nie stanowi dodatkowego testu wnioskowania. Skróty: CI = przedział ufności; SA = symulowane wyżarzanie; SA-R = symulowane wyżarzanie z ponownym podgrzewaniem. Aby zobaczyć powiększoną wersję tej ryciny, kliknij tutaj.
Rysunek 3: Wyniki dotyczące doświadczeń odwiedzających i zachowań w trzech wariantach układu. (A) Ogólna satysfakcja. (B) Poczucie obecności. (C) Przejrzystość nawigacji. (D) Postrzegany tłok. (E) Obciążenie poznawcze. (F) Czas ukończenia. (G) Dystans spaceru. (H) Liczba wahań. (I) Pokrycie mapy ciepła. Grupy to układ manualny, Standard SA (standardowe wyżarzanie symulowane) oraz Adaptive SA-R (adaptacyjne wyżarzanie symulowane z ponownym podgrzewaniem), przy n = 60 uczestników w każdej grupie. Czarne znaczniki reprezentują średnie grupowe, a pionowe słupki błędów reprezentują 95% przedziały ufności średniej; nie wyświetlono rozproszenia danych na poziomie poszczególnych uczestników. Wyniki w trzech grupach porównano z wykorzystaniem uprzednio określonego modelu ANOVA/robust alternative opisanego w protokole; dokładne wartości p oraz wielkości efektu podano w Tabeli 2. Skróty: CI = przedział ufności; ANOVA = analiza wariancji; SA = wyżarzanie symulowane; SA-R = wyżarzanie symulowane z ponownym podgrzewaniem. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 4: Układy przestrzenne i mapy ciepła trajektorii zwiedzających dla trzech wariantów układu. (A) Ręczny układ wystawy. (B) Standardowy układ oparty na symulowanym wyżarzaniu. (C) Układ oparty na adaptacyjnym symulowanym wyżarzaniu z ponownym nagrzewaniem. (D) Mapa ciepła trajektorii zwiedzających w wariancie układu ręcznego. (E) Mapa ciepła trajektorii zwiedzających w wariancie standardowego symulowanego wyżarzania. (F) Mapa ciepła trajektorii zwiedzających dla adaptacyjnego symulowanego wyżarzania z ponownym nagrzewaniem. Symbole schematyczne oznaczają wejście, wyjście, strefy tematyczne, strefę odpoczynku, węzły interakcji oraz główną trasę, zgodnie z dołączoną legendą. Skala gęstości w panelach D–F obejmuje zakres od niskiej do wysokiej gęstości trajektorii, a każda mapa ciepła trajektorii podsumowuje n = 60 sesji uczestników w odpowiednim wariancie. Panele A–C przedstawiają schematy układów, a panele D–F są opisowymi wizualizacjami trajektorii; na tym rysunku nie zastosowano słupków błędów ani oznaczeń istotności. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.
| Kategoria parametrów | Parametr | Wartość / Ustawienie | Rola w protokole |
| Przestrzeń wystawiennicza | Wielkość komory | 36 m × 24 m | Stała granica przestrzenna |
| Przestrzeń wystawiennicza | Całkowita powierzchnia użytkowa | 864 m² | Obszar modelu bazowego |
| Przestrzeń wystawiennicza | Wysokość sufitu | 4,5 m | Parametr wirtualnej sceny |
| Punkty dostępowe | Szerokość wejścia | 3,0 m | Stały punkt dostępu |
| Punkty dostępu | Szerokość wyjścia | 3,0 m | Stały punkt dostępowy |
| Strefowanie funkcjonalne | Liczba stref tematycznych | 6 | Główne obiekty układu |
| Strefowanie funkcjonalne | Zakres obszaru strefy tematycznej | 80–130 m² | Ograniczenie wykonalności |
| Strefowanie funkcjonalne | Korytarze przejściowe | 2 | Elementy połączeń tras |
| Strefowanie funkcjonalne | Strefa odpoczynku | 40 m² | Stała przestrzeń funkcyjna |
| Krążenie | Szerokość głównego kanału | 1,8–3,5 m | Zmienna optymalizacyjna |
| Krążenie | Wstępna ręczna szerokość ścieżki | 2,2 m | Ustawienie układu bazowego |
| Krążenie | Maksymalna długość trasy referencyjnej | 120 m | Wartość normalizacji dla kosztu dystansu pieszego |
| Interakcja | Węzły oddziaływań | 8–12 | Zmienna optymalizacyjna |
| Interakcja | Promień aktywacji węzła interakcji | 1,0 m | Ustawienie interakcji w rzeczywistości wirtualnej |
| Interakcja | Promień wolnej przestrzeni węzła interakcji | ≥1,2 m | Ograniczenie wykonalności |
| Analiza przestrzenna | Wielkość siatki | 0,5 m × 0,5 m | Widoczność, mapa ciepła i obliczanie gęstości |
| Analiza widoczności | Przedział promieni w linii widoczności | 0,5 m | Obliczenia dostępności wizualnej |
| Przepełnienie molekularne | Lokalny próg gęstości | ≤1,50 osób/m² | Ograniczenie wykonalności i referencja kosztów zatłoczenia |
| Komfort środowiskowy | Docelowe natężenie oświetlenia | 300–500 lx | Komponent kary za dyskomfort środowiskowy |
| Komfort środowiskowy | Docelowy poziom ciśnienia akustycznego | 45–60 dB(A) | Składnik kary za dyskomfort środowiskowy |
| Komfort środowiskowy | Docelowy poziom dwutlenku węgla | <900 ppm | Komponent kary za komfort środowiskowy |
| Komfort środowiskowy | Temperatura docelowa | 22–25 °C | Składnik kary za komfort środowiskowy |
| Funkcja celu | Waga kosztu odległości w marszu | 0.25 | Komponent efektywności trasy |
| Funkcja celu | Waga kosztu dostępności wizualnej | 0.2 | Komponent dostępności wizualnej |
| Funkcja celu | Waga kosztu zatłoczenia | 0.25 | Komponent kontroli zagęszczenia |
| Funkcja celu | Waga kary za komfort środowiskowy | 0.15 | Komponent komfortu środowiskowego |
| Funkcja celu | Waga kary za balans interakcji | 0.15 | Komponent rozkładu oddziaływań |
| Standardowe wyżarzanie symulowane | Temperatura początkowa | 100 | Temperatura początkowa poszukiwania |
| Standardowe wyżarzanie symulowane | Współczynnik chłodzenia | 0.95 | Zasada obniżania temperatury |
| Standardowe symulowane wyżarzanie | Maksymalna liczba iteracji | 1500 | Reguła zatrzymania |
| Standardowe symulowane wyżarzanie | Próg stagnacji | 200 iteracji | Zasada wczesnego zatrzymania |
| Standardowe wyżarzanie symulowane | Propozycje zmian w układzie projektu | Przesunięcie strefy; zamiana sekwencji stref; regulacja szerokości ścieżki; przesunięcie węzła interakcji | Generowanie rozwiązań sąsiednich |
| Standardowe symulowane wyżarzanie | Zakres ruchu w strefie | 0,5–2,0 m | Ustawienia przesuwania propozycji |
| Standardowe symulowane wyżarzanie | Zakres regulacji szerokości ścieżki | 0,1–0,3 m | Ustawienie propozycją ruchu |
| Standardowe wyżarzanie symulowane | Zakres ruchu węzła oddziaływań | 0,5–1,5 m | Ustawienie ruchu propozycji |
| Adaptacyjny SA-R | Zakres iteracji pierwszego etapu | Pierwsze 40% iteracji | Faza globalnej eksploracji |
| Adaptacyjny SA-R | Prawdopodobieństwa przejścia wniosków w pierwszym etapie | Lokalne przemieszczenie 0,20; zamiana sekwencji stref 0,35; korekta szerokości ścieżki 0,30; relokacja węzła interakcji 0,15 | Adaptacyjny rozkład propozycji |
| Adaptacyjny SA-R | Zakres iteracji drugiego etapu | Ostatnie 60% iteracji | Faza lokalnego ulepszania |
| Adaptacyjny SA-R | Prawdopodobieństwa wniosków w drugiej etapie | Lokalne przemieszczenie 0,35; zamiana sekwencji stref 0,15; korekta szerokości ścieżki 0,20; relokacja węzła interakcji 0,30 | Adaptacyjny rozkład propozycji |
| Adaptacyjny SA-R | Próg ponownego podgrzewania | 150 iteracji bez poprawy | Kontrola przedwczesnej zbieżności |
| Adaptacyjny SA-R | Wielkość ponownego podgrzewania | 10% wzrost aktualnej temperatury | Adaptacyjna reguła ponownego nagrzewania |
| Adaptacyjny SA-R | Maksymalna liczba cykli ponownego podgrzewania | 3 na jeden przebieg | Zasada stabilności wyszukiwania |
| Ocena algorytmu | Niezależne ziarna liczb losowych | 30 na warunek algorytmiczny | Szacowanie wydajności algorytmu |
| Scena rzeczywistości wirtualnej | Wysokość kamery | 1,65 m | Przybliżona wysokość oczu w pozycji stojącej |
| Scena rzeczywistości wirtualnej | Prędkość chodu | 1,2 m/s | Znormalizowane ustawienia nawigacji |
| Scena w rzeczywistości wirtualnej | Teleportacja | Wyłączony | Standaryzowany zapis trajektorii |
| Sesja uczestnika | Czas trwania sceny ćwiczeniowej | 2 min | Zapoznanie przed sceną testową |
| Sesja uczestnika | Odpoczynek w pozycji siedzącej przed sesją | 2 min | Przygotowanie linii bazowej |
| Sesja uczestnika | Odpoczynek po sesji | 3 min | Odpoczynek przed wypełnieniem kwestionariusza |
| Sesja uczestnika | Próg wsparcia prowadzenia | >30 s brak możliwości kontynuowania | Zestandaryzowana zasada udzielania pomocy |
| Projekt badania | Warunki układu | 3 | Układ ręczny; standardowy układ wyżarzania symulowanego; układ adaptacyjnego wyżarzania symulowanego z ponownym podgrzewaniem |
| Koncepcja badania | Liczba uczestników w każdej grupie/warunku | 60 | Alokacja międzyosobnicza |
| Projekt badania | Łączna liczba uczestników | 180 | Pełna próba badawcza |
| Główny wynik algorytmiczny | Końcowy koszt przestrzenny | Ciągły | Główny wynik optymalizacji |
| Główny wynik doświadczeń odwiedzających | Ogólna satysfakcja | skala 1–7 | Główny wynik raportowany przez uczestnika |
| Wtórne wyniki algorytmiczne | Procent poprawy; liczba iteracji do najlepszego rozwiązania; czas wykonania; współczynnik akceptacji | Ciągły | Ocena wydajności algorytmu |
| Wtórne wyniki doświadczeń odwiedzających | Obecność; obecność przestrzenna; jakość interakcji; przejrzystość nawigacji; komfort wizualny; komfort akustyczny; komfort termiczny; postrzegane zatłoczenie; obciążenie poznawcze; choroba symulatorowa | Ciągły | Ocena doświadczenia |
| Wtórne punkty końcowe behawioralne | Czas wykonania; czas przebywania; dystans marszu; liczba wahań; pokrycie mapy cieplnej | Ciągły | Ocena trajektorii i zachowania podczas przemieszczania się po trasie |
| Zasada wykluczania | Czas wykonania | <3 min lub >25 min | Kryterium wykluczenia rekordów uczestników |
| Reguła wykluczenia | Dystans marszu | Brak górnej granicy; zapisy <Wartość 20 m uznano za nieważną wyłącznie w przypadku powiązania z niepełną lub nieważną trajektorią. | Zasada integralności danych |
| Zasada wykluczania | Zakres mapy ciepła | <10% | Kryterium wykluczania rekordów uczestników |
| Kontrola wielokrotnych porównań | Korekta porównań wielokrotnych (parzystych) | metoda Holma | Kontrola błędu typu I |
| Analiza wrażliwości | Zmiana wag funkcji celu | ±10%, całkowita masa utrzymana na poziomie 1,00 | Kontrola stabilności |
Tabela 1: Zmienne projektowania przestrzennego, parametry optymalizacji, ograniczenia wykonalności i definicje wyników.Tabela ta podsumowuje stałe parametry przestrzeni wystawienniczej, zmienne elementy projektowe, ograniczenia wykonalności, ustawienia i uzasadnienia funkcji celu, standardowe parametry symulowanego wyżarzania, ustawienia adaptacyjnego symulowanego wyżarzania z ponownym podgrzewaniem, parametry sceny w rzeczywistości wirtualnej, procedury sesji z uczestnikami, reguły wykluczania w celu zachowania integralności danych oraz główne i drugorzędne wyniki wykorzystane w protokole. SA = symulowane wyżarzanie; SA-R = adaptacyjne symulowane wyżarzanie z ponownym podgrzewaniem; VR = rzeczywistość wirtualna.
| Kategoria | Wynik | Układ ręczny | Standardowe SA | Adaptacyjne SA-R | Test statystyczny / różnica średnich | wartość p | Wielkość efektu |
| Wyniki wydajności algorytmu | Końcowy koszt przestrzenny | — | 0.475 ± 0.019 (95% CI, 0.468–0.482) | 0.424 ± 0.016 (95% CI, 0.418–0.430) | Welch t = 11.25; różnica średnich = −0.051 (95% CI, −0.060 do −0.042) | <0.001 | Cohen’s d = 2.90 |
| Procent poprawy (%) | — | 24.91 ± 3.22 (95% CI, 23.708–26.112) | 32.54 ± 3.29 (95% CI, 31.311–33.769) | Welch t = 9.07; różnica średnich = +7.63 (95% CI, 5.95 do 9.31) | <0.001 | Cohen’s d = 2.34 | |
| Iteracje do najlepszego rozwiązania | — | 925.47 ± 86.38 (95% CI, 893.215–957.725) | 722.20 ± 90.19 (95% CI, 688.523–755.877) | Welch t = 8.92; różnica średnich = −203.27 (95% CI, −248.91 do −157.63) | <0.001 | Cohen’s d = 2.30 | |
| Czas wykonania (s) | — | 47.83 ± 9.42 (95% CI, 44.313–51.347) | 55.86 ± 9.49 (95% CI, 52.316–59.404) | Welch t = 3.29; różnica średnich = +8.03 (95% CI, 3.14 do 12.92) | 0.002 | Cohen’s d = 0.85 | |
| Wskaźnik akceptacji | — | 0.294 ± 0.045 (95% CI, 0.277–0.311) | 0.372 ± 0.054 (95% CI, 0.352–0.392) | Welch t = 6.08; różnica średnich = +0.078 (95% CI, 0.052 do 0.104) | <0.001 | Cohen’s d = 1.57 | |
| Wyniki doświadczeń odwiedzających | Poczucie obecności | 3.77 ± 0.56 (95% CI, 3.625–3.915) | 3.99 ± 0.55 (95% CI, 3.848–4.132) | 4.28 ± 0.42 (95% CI, 4.172–4.388) | ANOVA F = 14.86 | <0.001 | η² = 0.144 |
| Obecność przestrzenna | 3.75 ± 0.64 (95% CI, 3.585–3.915) | 3.96 ± 0.63 (95% CI, 3.797–4.123) | 4.27 ± 0.47 (95% CI, 4.149–4.391) | ANOVA F = 11.99 | <0.001 | η² = 0.119 | |
| Jakość interakcji | 3.74 ± 0.56 (95% CI, 3.595–3.885) | 4.00 ± 0.57 (95% CI, 3.853–4.147) | 4.24 ± 0.57 (95% CI, 4.093–4.387) | ANOVA F = 11.68 | <0.001 | η² = 0.117 | |
| Przejrzystość nawigacji | 3.61 ± 0.58 (95% CI, 3.460–3.760) | 3.90 ± 0.57 (95% CI, 3.753–4.047) | 4.17 ± 0.48 (95% CI, 4.046–4.294) | ANOVA F = 15.83 | <0.001 | η² = 0.152 | |
| Komfort wizualny | 3.67 ± 0.44 (95% CI, 3.556–3.784) | 3.87 ± 0.44 (95% CI, 3.756–3.984) | 4.07 ± 0.45 (95% CI, 3.954–4.186) | ANOVA F = 12.21 | <0.001 | η² = 0.121 | |
| Komfort akustyczny | 3.64 ± 0.52 (95% CI, 3.506–3.774) | 3.75 ± 0.42 (95% CI, 3.642–3.858) | 3.97 ± 0.44 (95% CI, 3.856–4.084) | ANOVA F = 7.94 | <0.001 | η² = 0.082 | |
| Komfort termiczny | 3.69 ± 0.46 (95% CI, 3.571–3.809) | 3.79 ± 0.32 (95% CI, 3.707–3.873) | 3.94 ± 0.44 (95% CI, 3.826–4.054) | ANOVA F = 5.61 | 0.004 | η² = 0.060 | |
| Odczuwany tłok | 3.01 ± 0.49 (95% CI, 2.883–3.137) | 2.75 ± 0.55 (95% CI, 2.608–2.892) | 2.56 ± 0.45 (95% CI, 2.444–2.676) | ANOVA F = 12.33 | <0.001 | η² = 0.122 | |
| Obciążenie poznawcze | 3.21 ± 0.48 (95% CI, 3.086–3.334) | 2.87 ± 0.52 (95% CI, 2.736–3.004) | 2.73 ± 0.44 (95% CI, 2.616–2.844) | ANOVA F = 15.79 | <0.001 | η² = 0.151 | |
| Ogólna satysfakcja | 3.59 ± 0.45 (95% CI, 3.474–3.706) | 3.96 ± 0.44 (95% CI, 3.846–4.074) | 4.37 ± 0.31 (95% CI, 4.290–4.450) | ANOVA F = 55.67 | <0.001 | η² = 0.386 | |
| Choroba symulatorowa | 2.52 ± 0.55 (95% CI, 2.378–2.662) | 2.44 ± 0.58 (95% CI, 2.290–2.590) | 2.12 ± 0.56 (95% CI, 1.975–2.265) | ANOVA F = 8.47 | <0.001 | η² = 0.087 | |
| Wyniki trajektorii behawioralnej | Czas ukończenia (min) | 19.11 ± 2.63 (95% CI, 18.431–19.789) | 17.42 ± 2.77 (95% CI, 16.704–18.136) | 14.93 ± 2.32 (95% CI, 14.331–15.529) | ANOVA F = 39.85 | <0.001 | η² = 0.311 |
| Czas przebywania (min) | 11.17 ± 2.03 (95% CI, 10.646–11.694) | 12.24 ± 2.04 (95% CI, 11.713–12.767) | 13.39 ± 2.28 (95% CI, 12.801–13.979) | ANOVA F = 16.46 | <0.001 | η² = 0.157 | |
| Dystans spaceru (m) | 234.88 ± 24.34 (95% CI, 228.592–241.168) | 217.95 ± 24.33 (95% CI, 211.665–224.235) | 201.86 ± 23.47 (95% CI, 195.797–207.923) | ANOVA F = 28.28 | <0.001 | η² = 0.242 | |
| Liczba wahań | 7.10 ± 1.80 (95% CI, 6.635–7.565) | 5.51 ± 1.79 (95% CI, 5.048–5.972) | 4.07 ± 1.99 (95% CI, 3.556–4.584) | ANOVA F = 39.74 | <0.001 | η² = 0.310 | |
| Pokrycie mapy ciepła (%) | 66.18 ± 9.40 (95% CI, 63.752–68.608) | 74.14 ± 7.93 (95% CI, 72.091–76.189) | 84.40 ± 9.47 (95% CI, 81.954–86.846) | ANOVA F = 62.33 | <0.001 | η² = 0.413 |
Tabela 2: Wyniki na poziomie algorytmicznym i uczestnikowskim dla trzech wariantów układu. Tabela ta przedstawia wyniki wydajności algorytmu, wyniki doświadczeń odwiedzających oraz wyniki trajektorii behawioralnych dla układu Manual, Standard SA (standardowe wyżarzanie symulowane) oraz Adaptive SA-R (adaptacyjne wyżarzanie symulowane z ponownym podgrzewaniem). Porównania wydajności algorytmów oparto na n = 30 niezależnych uruchomieniach optymalizacji dla każdego wariantu algorytmicznego. Porównania na poziomie uczestników oparto na n = 60 uczestnikach dla każdego wariantu układu. Wartości podano jako średnia ± SD wraz z 95% przedziałami ufności dla średniej. W przypadku wyników algorytmów kolumna Test statystyczny zawiera również średnią różnicę między algorytmami oraz odpowiadający jej 95% CI. Kolumny wartość p oraz Wielkość efektu zawierają odpowiednie wyniki wnioskowania. Szczegółowe parami kontrasty czułości uczestników przedstawiono w Tabeli uzupełniającej S1. SD = odchylenie standardowe; CI = przedział ufności; ANOVA = analiza wariancji; SA = wyżarzanie symulowane; SA-R = adaptacyjne wyżarzanie symulowane z ponownym podgrzewaniem; η2 = eta-kwadrat; d = d Cohena.
Plik uzupełniający 1. Zasoby sprzętowe, programowe i monitorowania środowiskowego. Zasoby sprzętowe, programowe i monitorowania środowiskowego są wykorzystywane do optymalizacji przestrzennej oraz eksperymentów z rzeczywistością wirtualną. Kliknij tutaj, aby pobrać ten plik.
Plik uzupełniający 2. Przesiew uczestników oraz struktura kwestionariusza/książki kodowej. Kryteria kwalifikacji uczestników oraz informacje dotyczące kwestionariusza/książki kodowej, w tym domeny badania, zakresy punktacji i konwencje raportowania stosowane dla wyników uczestników. Kliknij tutaj, aby pobrać ten plik.
Plik uzupełniający 3. Pseudokod adaptacyjnego SA-R i zasoby analityczne. Pseudokod dla przepływu pracy adaptacyjnego SA-R, obejmujący cztery jądra propozycji, wraz z zależnościami oprogramowania, definicjami zmiennych i opisami plików źródłowych rycin. Aby pobrać ten plik, kliknij tutaj.
Tabela uzupełniająca 1. Parowe porównania czułości wyników uczestników. Parowe porównania czułości obliczono z wykorzystaniem średnich grupowych, odchyleń standardowych i wielkości próby. Kliknij tutaj, aby pobrać ten plik.
Dyskusja
W niniejszym badaniu oceniono powtarzalny proces projektowania układu wystawy, który łączy ważony model kosztów przestrzennych, adaptacyjne hartowanie symulowane z ponownym nagrzewaniem oraz testy z udziałem uczestników w rzeczywistości wirtualnej. W ramach zdefiniowanego scenariusza o wymiarach 36 m x 24 m, adaptacyjny układ pozwolił na osiągnięcie niższych kosztów przestrzennych niż standardowe hartowanie symulowane i wiązał się z wyższą satysfakcją, silniejszym poczuciem obecności, wyraźniejszą orientacją w przestrzeni, krótszymi trasami, mniejszą liczbą wahań oraz szerszym zakresem pokrycia przestrzennego. Termin „zoptymalizowany” jest tutaj użyty w ograniczonym sensie matematycznym, oznaczającym uzyskanie niższej wartości określonej funkcji kosztu przy zadanych ograniczeniach; nie implikuje on, że układ jest globalnie optymalny pod kątem jakości estetycznej, reakcji emocjonalnej, sekwencji narracyjnej czy każdego możliwego celu wystawy. Konfiguracja przestrzenna może kształtować ruch, widoczność i dostępność poznawczą30,31, jednak jakość projektu pozostaje wielokryterialną oceną skoncentrowaną na człowieku.
Wyniki uczestników stanowią przydatną, choć wciąż ograniczoną warstwę walidacji, ponieważ kilka parametrów nie było bezpośrednimi składnikami funkcji celu. Ogólna satysfakcja, poczucie obecności, obciążenie poznawcze, choroba symulatorowa, czas przebywania oraz pokrycie mapy ciepła zostały zmierzone po wygenerowaniu układu, a nie minimalizowane w trakcie procesu wyszukiwania. Ich kierunek sugeruje zatem, że układ o niższym koszcie nie był jedynie matematycznym artefaktem redukcji dystansu do przejścia32. Jednocześnie walidacja została przeprowadzona w środowisku wirtualnym dla pojedynczego użytkownika. Poprzednia znajomość rzeczywistości wirtualnej może wpływać na komfort nawigacji i wydajność, a choć została ona odnotowana jako zmienna kontekstowa, obecne badanie nie miało wystarczającej mocy statystycznej, aby oszacować efekty specyficzne dla podgrup lub efekty interakcji. Wyniki należy zatem interpretować jako zrandomizowane porównania między układami, a nie jako dowód na to, że czynniki demograficzne lub związane z doświadczeniem nie mają wpływu33,34.
Porównanie algorytmiczne należy również interpretować w sposób konserwatywny. Formalne wyprowadzenie czterech jąder propozycji wykazuje, że warunkowe gęstości propozycji bezpośredniej i odwrotnej są symetryczne dla odwracalnych ruchów dopuszczalnych; w konsekwencji stosunek Hastingsa wynosi 1, a zaimplementowana reguła akceptacji jest standardową regułą Metropolis w ramach symulowanego wyżarzania. Wkładem nie jest zatem nowy algorytm Metropolisa-Hastingsa, lecz specyficzna dla danej dziedziny konfiguracja wyboru ruchów zależnego od etapu, ponownego podgrzewania, jawnych ograniczeń dopuszczalności oraz walidacji w powtarzalnym środowisku wirtualnym. Standardowe symulowane wyżarzanie stanowi kontrolowany punkt odniesienia, ponieważ dzieli ono to samo kodowanie, funkcję celu, ograniczenia, inicjalizację, harmonogram chłodzenia oraz nominalny budżet uruchomień. Niniejszy eksperyment nie obejmował numerycznych uruchomień referencyjnych dla GA, PSO, ACO ani metod opartych na uczeniu; zatem twierdzenia są ograniczone do dopasowanej linii bazowej standardowego SA. Połączona konfiguracja nie izoluje również oddzielnych efektów harmonogramowania propozycji i ponownego podgrzewania.
Praktyczny kompromis był korzystny dla przetestowanego rozmiaru problemu, jednak nie należy go generalizować bez dodatkowych testów wydajności. W porównaniu do standardowego wyżarzania symulowanego, czas wykonania wzrósł o 16,8%, podczas gdy końcowy koszt przestrzenny był niższy o 10,7%, a liczba iteracji do uzyskania najlepszego rozwiązania była niższa o 22,0%. Sugeruje to, że dodana kontrola adaptacyjna była obliczeniowo przystępna w obecnym modelu jednopiętrowym. Wagi funkcji celu pozostały również kierunkowo odporne na perturbacje rzędu ±10%, jednak wagi te były celowo dobrane do konkretnego scenariusza: priorytet nadano efektywności trasy i zatłoczeniu, kosztem komfortu środowiskowego i równowagi interakcji. Wystawy artystyczne, historyczne, naukowe lub komercyjne mogą zasadnie stosować inne priorytety, w tym nieliniową cyrkulację i przejścia narracyjne, które funkcja kosztu skoncentrowana na efektywności trasy w przeciwnym razie by penalizowała. Optymalizacja powinna zatem być wykorzystywana jako warstwa wspierająca podejmowanie decyzji, która czyni kompromisy jawnymi, a nie jako zamiennik oceny kuratorskiej lub architektonicznej35.
Kilka ograniczeń definiuje zakres obecnych wniosków. Po pierwsze, walidacja została przeprowadzona w jednej prostokątnej, jednopiętrowej wirtualnej wystawie z udziałem jednego uczestnika w danym czasie; nie przetestowano większych hal, nieregularnych geometrii, komunikacji wielopiętrowej, jednoczesnego ruchu grup, unikania interakcji interpersonalnych, dynamicznego zatłoczenia, zmęczenia fizycznego oraz rozproszeń środowiskowych występujących w świecie rzeczywistym. Po drugie, zestaw porównawczy nie obejmował reprezentatywnych optymalizatorów ewolucyjnych, opartych na inteligencji roju lub uczeniu maszynowym, a żaden eksperyment z ablacją komponentów nie oddzielił efektów prawdopodobieństw propozycji zależnych od etapu od efektów reheatingu. Po trzecie, oceny uczestników pozostają częściowo subiektywne, a wcześniejsze doświadczenie w rzeczywistości wirtualnej może wpływać na nawigację i komfort nawet przy randomizowanej alokacji; badanie nie zostało zaprojektowane pod kątem analizy podgrup lub moderatorów. Po czwarte, choć satysfakcja, poczucie obecności, obciążenie poznawcze, choroba symulatorowa, czas przebywania i pokrycie mapy ciepła nie są jawnymi parametrami kosztu przestrzennego, w badaniu nie zebrano niezależnych punktów końcowych dotyczących uwagi, reakcji emocjonalnej, efektywności uczenia się lub pamięci długotrwałej. Po piąte, funkcja kosztu przestrzennego nie może bezpośrednio reprezentować wymiarów jakościowych, takich jak reakcja emocjonalna, narracja kuratorska, zaskoczenie, nadawanie znaczeń czy pamięć długotrwała. Po szóste, krótka ekspozycja na rzeczywistość wirtualną może prowadzić do niedoszacowania dyskomfortu, który pojawia się podczas dłuższych sesji36,37. Ograniczenia te oznaczają, że opracowany framework należy traktować jako powtarzalny dowód koncepcji przepływu pracy (proof-of-workflow) dla testowanego scenariusza, a nie jako ogólnie zwalidowany optymalizator dla wszystkich środowisk wystawienniczych.
W przyszłych badaniach należy przetestować ten model w większych, nieregularnych i wielopoziomowych przestrzeniach; uwzględnić symulacje tłumów z wieloma użytkownikami oraz walidację fizyczną lub w rzeczywistości mieszanej; wprowadzić obiektywne punkty końcowe dla uwagi, reakcji emocjonalnej, uczenia się i pamięci odroczonej; a także przeprowadzić ablacje poszczególnych komponentów w zakresie harmonogramowania propozycji zależnych od etapu oraz ponownego podgrzewania. Konkurencyjność algorytmiczną należy przetestować przy zachowaniu tych samych budżetów obliczeniowych w porównaniu z reprezentatywnymi alternatywami, takimi jak NSGA-II38, optymalizacja rojem cząstek39 oraz system mrowiskowy/optymalizacja kolonii mrówek40, z transparentnym raportowaniem dostrajania parametrów specyficznych dla każdej metody. Wykorzystanie preferencji specyficznych dla wystawy mogłoby również pozwolić na ponowną kalibrację wag celów, gdy sekwencja narracyjna, dostępność, skuteczność edukacyjna, zaangażowanie emocjonalne lub cele dotyczące czasu przebywania różnią się od obecnego scenariusza. Rozszerzenia te pozwoliłyby ocenić skalowalność, przenaszalność i konkurencyjność algorytmiczną bez zakładania, że jedna stała funkcja kosztu definiuje najlepsze doświadczenie z wystawy.
Oświadczenia
Autorzy deklarują brak konkurencyjnych interesów finansowych.
Podziękowania
Autorzy dziękują uczestnikom, którzy wzięli udział w ocenie wystawy w rzeczywistości wirtualnej. Autorzy wyrażają również wdzięczność Szkole Sztuki i Projektowania oraz Kolegium Nauk o Informacji i Zarządzaniu na Uniwersytecie Rolniczym w Henan za wsparcie w opracowaniu i ocenie procesu projektowania immersyjnej przestrzeni wystawienniczej. Badanie nie otrzymało zewnętrznego finansowania. Praca została sfinansowana z własnych środków autorów oraz przy wykorzystaniu rutynowych zaplecza instytucjonalnego Uniwersytetu Rolniczego w Henan.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Oprogramowanie do modelowania 3D | Blender Foundation | N/A | Blender 4.0.2; używany do konstruowania geometrii przestrzeni wystawienniczej, stref tematycznych, ścianek działowych i zasobów przestrzennych. RRID:SCR_008606 |
| Skrypty analityczne | Własne skrypty badawcze | N/A | Wersja 1.0; używane do analizy statystycznej, analizy wrażliwości, obliczeń przedziałów ufności oraz przygotowania danych do wykresów. |
| Monitor dwutlenku węgla | Testo SE & Co. KGaA | testo 535; 0563 0535 | Cyfrowy miernik CO2; zakres pomiarowy 0–10 000 ppm; używany jako kontrolna weryfikacja protokołu stężenia dwutlenku węgla w ramach zdefiniowanego celu środowiskowego. |
| Stacja robocza | Dell Technologies | Precision 3660 Tower | 32 GB RAM; używana do renderowania scen wirtualnych, symulacji układu, wykonywania algorytmów oraz rejestrowania sesji uczestników. |
| Skrypty do generowania wykresów | Własne skrypty badawcze | N/A | Wersja 1.0; używane do generowania wykresów wydajności algorytmu, wykresów wyników odwiedzających oraz map ciepła trajektorii. |
| Silnik gier / platforma VR | Unity Technologies | N/A | Unity 2022.3.22f1 LTS; używany do budowania i uruchamiania wirtualnych scen wystawienniczych. |
| Gogle VR (HMD) | Meta Platforms, Inc. | Meta Quest 2 (128 GB) | HMD standalone 6-DoF; 1832 × 1920 pikseli na oko; częstotliwość odświeżania sesji 90 Hz; używane do wyświetlania immersyjnej sceny rzeczywistości wirtualnej i śledzenia ruchu uczestnika. |
| Luksometr | Testo SE & Co. KGaA | testo 540; 0560 0540 | Cyfrowy luksometr; zakres pomiarowy 0–99 999 lx; używany jako kontrolna weryfikacja protokołu natężenia oświetlenia w ramach zdefiniowanego celu środowiskowego. |
| NumPy | NumPy Developers | N/A | Wersja 1.26.4; używany do operacji na tablicach liczbowych i przygotowania danych. RRID:SCR_008633 |
| Skrypt optymalizacyjny | Własny skrypt badawczy | N/A | Python 3.11, wersja 1.0; implementuje Standard SA oraz Adaptive Simulated Annealing with Reheating (Adaptive SA-R), w tym zależny od etapu wybór propozycji, akceptację Metropolis i ponowne ogrzewanie. |
| pandas | pandas development team | N/A | Wersja 2.1.4; używany do czyszczenia zbiorów danych, tabulacji i przygotowania danych do wykresów. RRID:SCR_018214 |
| Kwestionariusz przesiewowy uczestnika | Własny formularz badawczy | N/A | Wersja 1.0; używany do rejestracji kwalifikowalności, zmiennych demograficznych, wcześniejszego doświadczenia z rzeczywistością wirtualną oraz częstotliwości odwiedzania muzeów/wystaw. |
| Kwestionariusz oceny po doświadczeniu | Własny formularz badawczy | N/A | Wersja 1.0; 7-stopniowe skale odpowiedzi; używany do oceny jakości interakcji, przejrzystości orientacji w przestrzeni, komfortu wizualnego/akustycznego/termicznego, odczuwanego zatłoczenia, obciążenia poznawczego i ogólnej satysfakcji. |
| Formularz oceny obecności i obecności przestrzennej | Własny formularz badawczy | N/A | Wersja 1.0; specyficzne dla badania 7-stopniowe wyniki domenowe interpretowane w odniesieniu do ram PQ/IPQ; nie raportowano standardowych całkowitych wyników PQ lub IPQ. |
| Język programowania Python | Python Software Foundation | N/A | Wersja 3.11; używany do wykonywania algorytmów, obliczania funkcji kosztu, przetwarzania danych i analizy wrażliwości. RRID:SCR_008394 |
| SciPy | SciPy community | N/A | Wersja 1.11.4; używany do testów statystycznych i pomocniczych analiz liczbowych. RRID:SCR_008058 |
| Formularz oceny choroby symulatorowej | Własny formularz badawczy | N/A | Wersja 1.0; wstępnie określone podsumowanie badania 0–30 w oparciu o zestaw objawów SSQ; odrębne od standardowego ważonego wyniku całkowitego nasilenia SSQ. |
| Sonometr | Testo SE & Co. KGaA | testo 816-1; 0563 8170 | IEC 61672-1 Klasa 2; 30–130 dB; ważenie częstotliwości A/C; używany jako kontrolna weryfikacja protokołu poziomu ciśnienia akustycznego w ramach zdefiniowanego celu środowiskowego. |
| Oprogramowanie arkuszowe | Microsoft | N/A | Microsoft Excel 2021; używany do organizacji zbiorów danych, przygotowania książki kodów i pomocniczych plików arkuszy. RRID:SCR_016137 |
| Oprogramowanie statystyczne | IBM | N/A | IBM SPSS Statistics 27.0; używany do ANOVA, testów Welcha, weryfikacji założeń i pomocniczej weryfikacji statystycznej. RRID:SCR_002865 |
| Monitor temperatury | Testo SE & Co. KGaA | testo 605i; 0560 2605 03 | Termohigrometr; zakres temperatury −20 do +60 °C; rozdzielczość 0,1 °C; używany jako kontrolna weryfikacja protokołu temperatury otoczenia w ramach zdefiniowanego celu środowiskowego. |
| Pakiet integracji VR | Unity Technologies | N/A | XR Interaction Toolkit 2.5.4; używany do interakcji VR, sterowania ruchem, zdarzeń wyzwalających i rejestrowania trajektorii. |
| UWAGA: W badaniu nie wykorzystano zasobów biologicznych. RRID podano dla odpowiednich zasobów badawczych. |
Bibliografia
- Falk JH, Dierking LD. The museum experience revisited. Left Coast Press; Walnut Creek, CA; 2013.
- Hillier B, Hanson J. The social logic of space. Cambridge University Press; Cambridge; 1984.
- Turner A, Doxa M, O'Sullivan D, Penn A. From isovists to visibility graphs: a methodology for the analysis of architectural space. Environ Plan B Plan Des. 2001;28:103-21.
- Kuliga SF, Thrash T, Dalton RC, Hölscher C. Virtual reality as an empirical research tool: exploring user experience in a real building and a corresponding virtual model. Comput Environ Urban Syst. 2015;54:363-75.
- Radianti J, et al. A systematic review of immersive virtual reality applications for higher education: design elements, lessons learned, and research agenda. Comput Educ. 2020;147:103778.
- Cummings JJ, Bailenson JN. How immersive is enough? A meta-analysis of the effect of immersive technology on user presence. Media Psychol. 2016;19:272-309.
- Witmer BG, Singer MJ. Measuring presence in virtual environments: a presence questionnaire. Presence-Teleop Virt. 1998;7:225-40.
- Makransky G, Petersen GB. The Cognitive Affective Model of Immersive Learning: a theoretical research-based model of learning in immersive virtual reality. Educ Psychol Rev. 2021;33:937-58.
- Kennedy RS, Lane NE, Berbaum KS, Lilienthal MG. Simulator Sickness Questionnaire: an enhanced method for quantifying simulator sickness. Int J Aviat Psychol. 1993;3:203-20.
- Kirkpatrick S, Gelatt CD Jr, Vecchi MP. Optimization by simulated annealing. Science. 1983;220:671-80.
- Metropolis N, et al. Equation of state calculations by fast computing machines. J Chem Phys. 1953;21:1087-92.
- Hastings WK. Monte Carlo sampling methods using Markov chains and their applications. Biometrika. 1970;57:97-109.
- Aarts EHL, Korst JHM. Simulated annealing and Boltzmann machines: a stochastic approach to combinatorial optimization and neural computing. John Wiley & Sons; Chichester; 1989.
- Van Laarhoven PJM, Aarts EHL. Simulated annealing: theory and applications. D. Reidel Publishing Company; Dordrecht; 1987.
- Bertsimas D, Tsitsiklis J. Simulated annealing. Stat Sci. 1993;8:10-5.
- Talbi EG. Metaheuristics: from design to implementation. John Wiley & Sons; Hoboken, NJ; 2009.
- Sörensen K. Metaheuristics: the metaphor exposed. Int Trans Oper Res. 2015;22:3-18.
- Hillier B. Space is the machine: a configurational theory of architecture. Cambridge University Press; Cambridge; 1996.
- Lolli F, et al. Post-Occupancy Evaluation's (POE) applications for improving indoor environment quality (IEQ). Toxics. 2022;10:626.
- Ministry of Housing and Urban-Rural Development of the People's Republic of China, State Administration for Market Regulation. GB/T 50034-2024 Standard for lighting design of buildings. Beijing; 2024.
- State Administration for Market Regulation, Standardization Administration of China. GB/T 23863-2024 Specification for lighting design of museum. Beijing; 2024.
- State Administration for Market Regulation, Standardization Administration of China. GB/T 18883-2022 Standards for indoor air quality. Beijing; 2022.
- Ministry of Housing and Urban-Rural Development of the People's Republic of China, General Administration of Quality Supervision, Inspection and Quarantine. GB/T 50785-2012 Evaluation standard for indoor thermal environment in civil buildings. Beijing; 2012.
- Ministry of Environmental Protection of the People's Republic of China, General Administration of Quality Supervision, Inspection and Quarantine. GB 3096-2008 Environmental quality standard for noise. Beijing; 2008.
- Chib S, Greenberg E. Understanding the Metropolis-Hastings algorithm. Am Stat. 1995;49:327-35.
- Slater M, Sanchez-Vives MV. Enhancing our lives with immersive virtual reality. Front Robot AI. 2016;3:74.
- Schubert T, Friedmann F, Regenbrecht H. The experience of presence: factor analytic insights. Presence-Teleop Virt. 2001;10:266-81.
- Stanney KM, Kennedy RS, Drexler JM. Cybersickness is not simulator sickness. Proc Hum Factors Ergon Soc Annu Meet. 1997;41:1138-42.
- Blum C, Roli A. Metaheuristics in combinatorial optimization: overview and conceptual comparison. ACM Comput Surv. 2003;35:268-308.
- Benedikt ML. To take hold of space: isovists and isovist fields. Environ Plan B Plan Des. 1979;6:47-65.
- Penn A. Space syntax and spatial cognition: or why the axial line? Environ Behav. 2003;35:30-65.
- Sherman WR, Craig AB. Understanding virtual reality: interface, application, and design. Morgan Kaufmann; San Francisco, CA; 2003.
- Slater M. Place illusion and plausibility can lead to realistic behaviour in immersive virtual environments. Philos Trans R Soc Lond B Biol Sci. 2009;364:3549-57.
- Sweller J. Cognitive load during problem solving: effects on learning. Cogn Sci. 1988;12:257-85.
- Heydarian A, Carneiro JP, Gerber D, Becerik-Gerber B. Immersive virtual environments versus physical built environments: a benchmarking study for building design and user-built environment explorations. Autom Constr. 2015;54:116-26.
- Rebenitsch L, Owen C. Review on cybersickness in applications and visual displays. Virtual Real. 2016;20:101-25.
- Clay V, König P, König SU. Eye tracking in virtual reality. J Eye Mov Res. 2019;12:3.
- Deb K, Pratap A, Agarwal S, Meyarivan T. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans Evol Comput. 2002;6:182-97.
- Kennedy J, Eberhart RC. Particle Swarm Optimization. Proc IEEE Int Conf Neural Netw. 4, 1942-1948.
- Dorigo M, Maniezzo V, Colorni A. Ant system: optimization by a colony of cooperating agents. IEEE Trans Syst Man Cybern B Cybern. 1996;26:29-41.