Dit is een oude revisie van het document!
Op zoek naar het mooiste gegenereerde kopje (met een genetisch algoritme)
In dit onderzoekspad worden de koffiekopjes parametrisch gegenereerd (dus ieder kopje is te representeren als een unieke verzameling getallen, ofwel parameters). Op die manier wordt met N parameters dus als het ware een N-dimensionale 'vormruimte' ('shape space') gecreeërd.
De gedachte achter het toepassen van een genetisch algoritme (GA) is om gebruikers te helpen door deze ruimte te navigeren, waarbij de gebruiker steeds twee (of eventueel meer) individuën gepresenteerd krijgt om uit te kiezen. Op basis van deze keuzes vindt de genetische selectie plaats.
Omdat het 'fitness'-criterium op deze manier inherent subjectief en mogelijk ook niet 'stabiel' is, zou het kunnen dat dit nooit leidt tot convergentie (ofwel, een kopje waar de gebruiker tevreden mee is).
Generatieve basis
De generatieve basis kan alles zijn dat in getallen is uit te drukken (of iets anders dat gebruikt kan worden als genetisch materiaal) en waaruit een model (mesh) gegenereerd kan worden. Dit is momenteel een verzameling van 12 parameters, maar kan ook anders worden vormgegeven (zie onder bij 'Shape grammar').
Gebruikersinterface [TODO]
Alternatieve mogelijkheden
(Parametrisch) shape grammar gebruiken als generatieve basis
Een andere manier om modellen te genereren, die meer vrijheid kan bieden en tegelijk wel specifiek kan blijven m.b.t. de vormruimte is het gebruik van zogenaamde shape grammars (zie shape-grammars voor meer informatie).
Implementatie van shape grammars (al dan niet generiek) is echter niet triviaal dus direct implementeren is niet of lastig te realiseren, tenzij het mogelijk zou zijn een bestaande te gebruiken (zie [Eloy2018] voor een overzicht van bestaande implementaties). Buiten Unity zou Grasshopper/Rhino eventueel een mogelijkheid kunnen zijn - zie deze Grasshopper-kopjestutorial op Skillshare.
Associatie van woorden met vormen (parameterische eigenschappen)
Een andere mogelijke manier om door de generatieve vormruimte te navigeren werd geopperd door Eduardo Castro e Costa. Je zou kunnen proberen met behulp van machine learning (ML) verbanden te leren tussen kwalitatieve omschrijvingen (e.g. slank, rond, hoekig) en combinaties van bepaalde parameterwaarden. Op die manier zou een gebruiker kunnen omschrijven wat hij/zij zoekt en zo tenminste al een eind in de goede richting gestuurd kunnen worden.
