"更愿意从零开始解决问题"：探索人机协作优化碎片收集问题

文献标题

“Rather Solve the Problem from Scratch”: Gamesploring Human-Machine Collaboration for Optimizing the Debris Collection Problem

文献信息

• 主题领域: 人机协作、优化问题、游戏化实验
• 关键词: 人机协作、人机互动优化、游戏化实验、严肃游戏、灾后垃圾清理问题、可视化优化、操作研究

研究背景与问题

• 发现的挑战: 优化关键基础设施网络中的操作是减少破坏性事件影响的关键，但仅靠传统的计算机算法（黑箱求解器）可能不足以解决许多复杂问题。因此，需要将人类的视觉能力和算法的高效计算结合，探索这种人机协作的潜力。
• 重要性:
  • 灾后垃圾收集是社会面临的一项复杂挑战，涉及将多承包商分配至多个道路段以清理垃圾的多目标优化问题。
  • 为实际应用设计有效的优化过程对于降低灾害恢复成本、提高效率极为重要。
• 研究动机与相关工作:
  • 在传统优化方法中，人类常被排除在外，但近年来“人在回路优化”（Human-in-the-loop Optimization）的理念逐渐兴起。
  • 通过游戏化实验研究人类在优化问题中的作用尚属新领域；本文专注于基于严肃游戏研究人机协作，以启发新的方式来设计决策支持工具。

解决方案

• 提出的解决方案:
  • 开发了一款名为“Debris”的数字游戏，让玩家解决模拟曼哈顿灾区中的垃圾清理问题。
  • 玩家可以选择从零开始构建解决方案或者基于初始算法建议优化解决方案。
  • 引入一种新的互动优化方法，结合人类的视觉能力与算法协作。
• 创新之处:
  • 游戏化实验首次探索从零开始解决优化问题与从算法的初始解决方案开始的优劣比较。
  • 提出“Gamesploring”术语，从游戏角度探索人机协作。
  • 研究人机协作在视觉方面的优越性：人类能够直观理解地图并合理分配承包商。
• 实施步骤与技术:
  • 游戏设计: 使用Unity游戏引擎和MATLAB开发游戏界面与优化算法模块。
  • 布局将道路段分配给承包商，并通过实时的算法优化与人类交互。
  • 玩家可通过色块“刷涂”来指定承包商，也可接受Deborah算法的建议。
  • 可视化的热图和交互工具帮助玩家更直观地理解问题和诊断优化节点。

研究成果

• 具体成果:
  • 玩家解决方案在视觉优化目标上远超算法；在时间、利润目标上接近或者优于单独的算法解决方案。
  • 数据揭示人类在视觉任务中具有显著优势，能独立胜任视觉目标优化。
  • 玩家平均用时10-18分钟即可完成问题，而相比之下算法需要50分钟迭代运算。
• 优势比较:
  • 人机协作产生了更均衡的解决方案，在解决多目标优化问题时表现优越。
  • 游戏化设计增强了用户参与感，使复杂问题成为一种可视化、互动性强的有吸引力体验。
• 实验结果与局限:
  • 玩家更倾向于从零开始解决问题，对算法初始解决方案的接受度较低（尤其是视觉混乱的方案）。
  • 数据显示与垃圾分布和玩家背景相关的个体差异。
  • 仍需进一步研究如何传达算法的作用以增强协作效果。
• 未来方向:
  • 探讨如何基于人类表现更好地设计协作算法，优化算法关注目标的分工与人类视觉偏好。
  • 扩展游戏研究，探讨不同地图结构、任务分布的人机协作模式。
  • 进一步探索游戏化在真实世界决策支持系统中的可能应用。