Doi: 10. 1016/j advengsoft

---

Supporting creative design in a visual evolutionary

computing environment

Hong Liu

a,

*, Mingxi Tang

b

, John Hamilton Frazer

b

a

School of Information Management, Shandong Normal University, Jinan City 250014, People’s Republic of China

b

Design Technology Research Center, School of Design, The Hong Kong Polytechnic University, Hong Kong, People’s Republic of China

Received 30 October 2002; revised 27 February 2004; accepted 30 March 2004

Abstract

In product design, sketches and images are strong devices for stimulating creativity. This paper presents a novel visual evolutionary

computing environment to provide support for creative design. The 2D sketches and 3D images can be generated by combination of

evolutionary computing technology and visualization technology in this environment. A tree-based genetic algorithm is illustrated by a

reading lamp design example, which uses genetic algorithm with binary mathematical expression tree to form 2D sketches and programming

using Visual Cþ þ 6.0 and ACIS to generate 3D images. It shows that the approach is able to generate some creative solutions and

demonstrates the potential of computational approach in creative design.

q

2004 Elsevier Ltd. All rights reserved.

Keywords: Creative design; Generic algorithm; Mathematical expression tree; Visualization

1. Introduction

The quality of the product heavily lies in its design

[1]

. In

today’s highly competitive market place, the strategy of

developing a product is transformed from product-push type

to market-pull model. Facing the intense changes in the

market, a well-designed product should not only satisfy

consumers’ physical requirements but also satisfy their

psychological needs. Design must exhibit performance, not

only in quality and productivity, but also in novel and good-

looking externality

[2,3]

. This requires that designers and

engineers use various kinds of design knowledge and tools

for supporting their creative design

[4]

.

This paper presents a new way of using evolutionary

computing technology and visualization technology to

support creative design. Our goal is to give more

opportunities to designers to be creative by unleashing the

creative potential with computational environment. The

approach to support creative design is to develop compu-

tational tools that can generate useful sketches and images

for simulating the ‘mind’s eye’ of designers in the creative

design process.

The remainder of this paper is organized as follows.

Section 2 analyses the support of media and environment for

creative design. Section 3 summarizes related work while

Section 4 introduces tree-based generic algorithm. In

Section 5, a reading lamp design example is presented for

showing how to use the generic algorithm and mathematical

expressions to generate 2D sketch shapes and 3D images.

Section 6 summarizes the paper and gives an outlook for the

future work.

2. The support of media and environment

for creative design

2.1. Creativity in design

Engineering design may be defined as a process of

establishing requirements based on human needs, trans-

forming them into performance specification and functions,

which are then mapped and converted (subject to con-

straints) into design solution (using creativity, scientific

principles and technical knowledge) that can be economi-

cally manufactured and produced. From the viewpoint of

0965-9978/$ - see front matter q 2004 Elsevier Ltd. All rights reserved.

doi:10.1016/j.advengsoft.2004.03.006

Advances in Engineering Software 35 (2004) 261–271

www.elsevier.com/locate/advengsoft

* Corresponding author. Tel.: þ 86-531-6180513; fax: þ 86-531-

6180514.

E-mail address: [e-mail] (H. Liu).

---

cognitive science, design activity is a special problem

solving activity. The product information usually is

imprecise, uncertain and incomplete. Therefore, it is hard

to solve design problem by general problem solving

methods.

Humans have a clear and unequivocal capacity to

design. They appear to have the capacity to design at

various levels, partly depending on need and depending

on the designer. Gero classified design into (1) routine

design, (2) non-routine design. Non-routine design is

classified into innovative design and creative design

[5]

.

Since, the early years of design automation, a number of

computer-based design tools, methods, and methodologies

have been developed to support problem solving and

facilitate other work in routine design. At the same time,

non-routine design has not been given due attention, and

it is still poorly automated and provided with little

information support.

Creativity plays a central role in non-routine design. It is

associated with a cognitive process that generates a design

solution, which is novel or unusual and satisfies certain

requirements. There are many definitions of creativity. In

the present study, we have adopted one, based on

commonly held beliefs about creativity; creativity is the

process that leads to the creation of products that are novel

and valuable

[6]

.

Creativity is not a result of a one-shot affair but an

outcome of continuous efforts of discovering and evalua-

ting alternatives. In iteratively discovering and evaluating

alternatives, a creative individual seeks a balance between

usefulness and innovativeness that is necessary for a

product to be creative. The product must be novel so that it

is not a part of existing well-known solutions. On the other

hand, if the product is not useful, or of little value, it cannot

be regarded as creative. Following orderly rules leads to a

design product that is useful, but not necessarily novel. To

transcend the tradition, one needs to take a chaotic

approach by breaking rules, which, however, has less

chance to produce a useful product.

Creativity is a human trait that is not easily converted

into a computational tool. It is not realistic to simulate

creativity by computational tools, but it is possible to

stimulate designer by altering the underlying environment.

Rather than to realize the creative design by computer,

computer supported design system should be used to help

designers to catch sudden inspiration. Thus, creativity could

be enhanced by stimulating designers and by allowing them

to explore innovative designs more easily.

2.2. Creative idea emerges in a special environment

Creativity can occur in a variety of situations, going from

artistic situations to situations of technological innovation.

However, it is true that sudden inspiration is often

stimulated via special media in a special environment.

Most of researchers in the field of creativity agree that

designers who are engaged in creative design tasks use

external resources extensively

[7 – 9]

. Such external

resources include a variety of physical and logical

information, for instance, reading books, browsing photo-

graphic images, talking to other people, listening to music,

looking at the sea or taking a walk in the mountains.

Sketches and other forms of external representations

produced in the course of design are also a type of external

resources that designers depend on

[10]

. When designers

discover a new or previously hidden association between a

certain piece of information and what they want to design,

the moment of creative brainwave emerges. Designers then

apply the association to their design and produce a creative

design.

The particular useful information of activating creativity

is visual images. Industrial designers, for instance, often

have ‘image albums’ that hold a large number of visual

images that they have accumulated over the years. In the

early phase of the design process, the designer browses the

album to find images that help them generate new ideas.

One story was introduced by Kumiyo Nakakoji

[11]

. While

designing a chair, one designer browsed image in his image

album seeking for some that would be useful for his design.

Although, he did not have a clear goal in mind while

browsing, he was vaguely thinking of objects that have the

same functionality as a chair. When he saw a picture of

flower, the image clicked—the moment of creative insight.

The round bowl-like shape of a chair emerged from his

mind.

When he was browsing images in his image album, he

already had a vague understanding about his design: such as

seat-able, comfortable, nice-looking and the typical shape of

a chair, although he has no clear idea about his design. As

Fig. 1

indicates, the picture of a flower makes this

association between round bowl-like shape and ambiguous

adumbration in his mind. This process depends on the

designer’s ability to discover this association but is

stimulated by the image.

In product design, visual expression, especially in the

form of sketching, is a key activity in the process of

originating new product ideas. In the early conceptual stage

of the design process, it is typical for an engineer or

architect to use various relatively unstructured forms of

pictorial representation such as sketches. As the design

develops, other more structured forms of pictorial rep-

resentations, such as plans or sections, become a part of the

process. The use of these forms of pictorial representation

has long been considered to relate to creativity and

innovation in design. Empirical evidence regarding these

beliefs is, however, relatively sparse. This applies to both

the general question of the role that pictorial representation

plays, and the more specific issue of the cognitive

processes involved in using such pictorial representations

and how they might lead to creative and innovative

problem solving.

H. Liu et al. / Advances in Engineering Software 35 (2004) 261–271

262

---

Larkin and Simon

[12]

argued that expert reasoning used

two forms of representations of a problem. One was

sentential or conceptual representation of physical knowl-

edge while the other was imaginal representations in the

mind’s eye

[13]

that could then be externally represented in

the form of diagrams. Larkin and Simon suggest that such

visual forms of representation lead to a more computation-

ally efficient search for information relevant to solving

problems because of the 2D, spatial structures of diagrams.

That is, the diagrams allow the direct discovery of relevant

spatial information for the solution of the problem.

While the research on the relationship between imagin-

ation and perception was primarily concerned with the

question of the functional equivalence between the two,

imagination has been seen as essential part of creative

problem solving. Imagination as such was not seen as

essential to creativity but rather the insights that appeared to

be supported by reinterpretations of images—that is,

creativity was associated with the emergence of new ways

of seeing images and this occurred in the mind’s eye.

In this paper, we do not pay attention to analyze the

ability of association and inspiration of human being in

design. The purpose of our discussion is to illuminate that

the visual representation and environment can indeed push

designers generate new ideas and stimulate their design

inspiration for creative design.

3. Related works

Genetic algorithms are highly parallel mathematical

algorithms that transform populations of individual math-

ematical objects (typically fixed length binary character

strings) into new populations using operations patterned

after (1) natural genetic operations such as sexual

recombination (crossover) and (2) fitness proportionate

reproduction (Darwinian survival of the fittest). Genetic

algorithms begin with an initial population of individuals

(typically randomly generated) and then iteratively (1)

evaluate the individuals in the population for fitness with

respect to the problem environment and (2) perform genetic

operations on various individuals in the population to

produce a new population

[14]

.

John Holland presented the pioneering formulation of

genetic algorithms and described how the evolutionary

process in nature can be applied to artificial systems using

the genetic algorithm operating on fixed length character

strings in Adaptation in Natural and Artificial Systems

[15]

.

In this work, Holland demonstrated that a wide variety of

different problems in adaptive systems (including problems

from economics, game theory, pattern recognition, optim-

ization, and artificial intelligence) are susceptible to

reformation in genetic terms so that they can potentially

be solved by the highly parallel mathematical ‘genetic

Fig. 1. The use of visual images in a creative design process.

Fig. 2. The hierarchical structure of a product tree.

H. Liu et al. / Advances in Engineering Software 35 (2004) 261–271

263

---

algorithm’ that simulates Darwinian evolutionary processes

and

naturally

occurring

genetic

operations

on

chromosomes.

Genetic algorithm has shown a great potential to work

out several real-world problems in the point of optimization,

but it is still quite far from realizing a system of matching

the human performance, especially in creative applications

such as architecture, art, music, and design. The optimi-

zation of existing designs is relatively common, with the

creation of artistic images and artificial life growing rapidly.

However, the creation of new designs seems to be a less

common subject for research, with little literature in

existence

[16]

.

Some of the work was performed by Professor John

Frazer, who spent many years developing evolutionary

architecture systems with his students. He showed how

evolution could generate many surprising and inspirational

architectural forms, and how novel and useful structures

could be evolved

[17 – 19]

. In Australia, the work of

Professor John Gero and colleagues also investigated the

use of evolution to generate new architectural forms. This

work concentrates on the use of evolution of new floor plans

for buildings, showing over many years of research how

explorative evolution can create novel floor plans that

satisfy many fuzzy constraints and objectives

[20]

. They

even show how evolution can learn to create buildings in the

style of well-known architects. Professor Celestino Soddu

of Italy uses evolution to generate castles and 3D Picasso

sculptures

[21]

.

However, the development of evolutionary design tools

is still at its early stage. So far, many genetic algorithms

have been used and tested only in design problem solution

with small scope. The research and development of design

support tools using evolutionary computing technology are

still in process and have huge potential for the development

of new design technology.

4. Tree-based genetic algorithm

Solving a given problem with genetic algorithm starts

with specifying a representation of the candidate solutions.

Such candidate solutions are seen as phenotypes that can

have very complex structures. The expression of standard

generic algorithm has solved many problems successfully.

However, when applying genetic algorithms to highly

complex applications, some problems do arise. The most

common is fixed length character strings present difficulties

for some problems. For example, mathematical expressions

may be arbitrary size and take a variety of forms. Thus, it

would not be logical to code them as fixed length binary

strings.

John Koza, leader in genetic programming, pointed out

“Representation is a key issue in genetic algorithm work

because genetic algorithms directly manipulate the coded

representation of the problem and because the represen-

tation scheme can severely limit the window by which the

system observes its world. Fixed length character strings

present difficulties for some problems—particularly pro-

blems where the desired solution is hierarchical and where

the size and shape of the solution is unknown in advance.

…The structure of the individual mathematical objects that

are manipulated by the genetic algorithm can be more

complex than the fixed length character strings”

[22]

.

The application of a tree representation (and required

genetic operators) for using genetic algorithms to generate

programs was first described in 1985 by Cramer

[23]

. Based

on Cramer’s work, Koza

[24]

extended the framework by

relaxing the fixed length character string restriction. This

results in genetic programming, which allows flexible

presentation of solutions as hierarchies of different func-

tions in tree-like structures.

A natural representation of genetic programming is that

of parse trees of formal logical expressions describing a

model or procedure. Crossover and mutation operators are

adapted so that they work on trees (with varying sizes). In

this paper, tree-like presentation presented in genetic

programming is adopted and extended.

Definition 1.

A binary expression tree is a finite set of nodes

that either is empty or consists of a root and two disjoint

binary trees called the left sub-tree and the right sub-tree.

Fig. 3. A crossover operation.

Fig. 4. A mutation operation.

H. Liu et al. / Advances in Engineering Software 35 (2004) 261–271

264

---

Each node of the tree is either a terminal node (operand) or a

primitive functional node (operator). Operands can be either

variables or constants. Operator set includes standard

operators (þ , 2 ,*,/,^), basic mathematic functions (such

as sqrt ( ), exp( ), log( )), triangle functions (such as sin( ),

cos( ), tan( ), asin( ), acos( ), atan( )), hyperbolic functions

(such as sinh( ), consh( ), tanh( ), asinh( ), acosh( ), atanh( ))

and so on.

Here, we use the expression of mathematic functions in

MATLAB.

Definition 2.

Feature F

i

is a tri-tuples ðF

i

ID

; t

i

; v

i

Þ

; where

F

i

ID is the name of feature F

i

; t

i

is the type and v

i

is the

value of feature F

i

. In which, value is broad sense and can be

number, character string, array, function, expression, file

and so on.

Definition 3.

Feature vector FV is defined as a vector

FV ¼, F

1

; F

2

; …; F

n

.

; where F

i

is a feature.

Definition 4.

Feature tree FT is defined as FT ¼ ðD

; RÞ;

where D ¼ {FV

i

} £ domain ðFV

i

Þ £ (NIL), FV

i

is a

feature vector and is a node on the feature tree, R ¼ {fri}

is a set of relations and constraints among the nodes of the

feature tree.

Definition 5.

Product tree PT is defined as PT ¼ (PD,PR),

where PD ¼ {FT

i

} £ domain ðFT

i

Þ £ {NIL}, FT

i

is a

feature tree and is a node on the product tree, PR ¼ {pri}

is a set of relations and constraints among the nodes of the

product tree.

From the above definition, we can discover that the

expression of a product can be divided into two layers (see

Fig. 2

) and a multi-branch tree is formed.

Genetic operations include crossover, mutation and

selection. According to the above definition, the operations

are described here. All of these operations take the tree as

their operating object.

Fig. 5. A hierarchical structure of a reading lamp.

Fig. 6. An example of the curve with three axis points and 19 curve points.

H. Liu et al. / Advances in Engineering Software 35 (2004) 261–271

265

---

(1) Crossover. The primary reproductive operation is the

crossover operation. The purpose of this is to create

two new trees that contain genetic information about

the problem solution inherited from two successful

parents. A crossover node is randomly selected in

each parent tree. The sub-tree below this node in the

first parent tree is then swapped with the sub-tree

below the crossover node in the other parent, thus

creating two new offspring. A crossover operation is

shown as

Fig. 3

.

(2) Mutation. The mutation operation is used to enhance

the diversity of trees in the new generation thus

opening up new areas of ‘solution space’. It works by

selecting a random node in a single parent and

removing the sub-tree below it. A randomly generated

sub-tree then replaces the removed sub-tree. A

mutation operation is shown as

Fig. 4

.

(3) Selection. For general design, we can get the

requirement from designer and transfer it into

objective function. Then, the fitness value can be

gained by calculating the similar degree between the

objective and individual by a formula. However, for

creative design, it has no standards to form an

objective function. It is hard to calculate the fitness

values by a formula. In our system, we use the method

of interaction with designer to get fitness values. The

range of fitness values is from 1 to 1. After an

evolutionary procedure, the fitness values appointed

by designer are recorded in the knowledge base for

reuse. Next time, when the same situation appears, the

system will access them from the knowledge base.

Many explorative systems use human input to help guide

evolution. Artists and designers can completely take over

the role of fitness function

[25,26]

. Because evolution is

guided by human selectors, the evolutionary algorithm does

not have to be complex. Evolution is used more as a

continuous novelty generator, not as an optimizer. This

method gives the designer the authority to select their

favorite designs and thus guide system to be evolved toward

the promising designs. Artificial selection can be a useful

means for dealing with ill-defined selection criteria,

particularly user-centered concerns.

For clarity, we will present the performing procedure of

the generic algorithm together with a design example in

Section 5.

Fig. 7. Fitting a mathematical expression to curve points.

Fig. 8. Two parent trees with one crossover node.

H. Liu et al. / Advances in Engineering Software 35 (2004) 261–271

266

---

5. A reading lamp figuration design example

A reading lamp design example is presented in this

section for showing how to use tree-based generic algorithm

to generate 2D sketches and 3D images in design process.

Fig. 5

shows a hierarchical structure of a reading lamp

based on the functional components, which can be classified

as:

† Lamp cover

† Light

† Lamp holder

† Bottom

A tree-based genetic algorithm is used on two layers: the

first is on the feature layer, and the second is on the

component layer. At the feature layer, the execution of

genetic algorithm is going to generate some new component

shapes while at the second layer the generated outcome will

be some afresh combinations of the components.

Here, we take lamp holder generation as an example for

showing the execution of the genetic algorithm on feature

layer.

Step 1. Initialize the population of chromosomes. The

populations are generated by randomly selecting nodes in

the set of operands and the set of operators to form a

mathematical expression. We use the stack to check whether

such a mathematical expression has properly balanced

parentheses. Then, using parsing algorithm, the mathemat-

ical expression is read as a string of characters and the

binary mathematical expression tree is constructed accord-

ing to the rules of operator precedence.

For extracting the features of successful design from

outside, we also generate some chromosomes from

the product design database and build mathematical

expression trees by the following approach.

(a) Create a scanned image file. An image can be brought

into the computer using a scanner or a digital camera

and is saved as a JPEG image file. Scanners can offer a

more satisfying resolution, which will be important if

the digitized data must be very accurate. Digital

cameras may also be used, although accuracy will be

degraded.

(b) Open a scanned image file. Selecting Open command

from the menu and shows the scanned image on the

screen. The color of the scanned image will be filtered.

Fig. 9. The results of a crossover operation.

Fig. 10. The lamp holders correspond to generated curves in

Fig. 9

.

H. Liu et al. / Advances in Engineering Software 35 (2004) 261–271

267

---

(c) Create two or three axis points. The program uses axis

points to define the coordinates of the scanned images.

If the scanned image has the same scale in both the

horizontal and vertical directions, then, only two axis

points are needed. Once the axis points are defined, the

status bar automatically shows the graph coordinates of

the cursor as it is moved around. In addition, grid lines

can then be shown.

(d) Create points for the curve. There may be one, two or

more curves in a worksheet. Selected curve is

described using at least two points (see

Fig. 6

).

(e) Fit a mathematical expression to curve points. Choose

a mathematical expression template, edit the equation

and adjust the equation coefficients to improve the

fitness through the points (see

Fig. 7

).

(f)

Use parsing algorithm, the mathematical expression is

read and a binary mathematical expression tree is cons-

tructed according to the rules of operator precedence.

Step 2. Get the fitness for each individual of the

population via interaction with designer. The population

with high fitness will be shown in 3D form first. Designers

can change the fitness value after they see the 3D images.

Step 3. Form a new population according to each

individual’s fitness.

Step 4. Perform crossover and mutation operations on the

population.

Fig. 8

shows two binary mathematical expression trees.

Their mathematical expressions are (1.2þ sin(8x))x^2cos(x)

and x(1 2 x)(1.5 þ (cos(8x)), respectively.

Fig. 11. One parent tree and a sub-tree.

Fig. 12. The result of a mutation operation.

H. Liu et al. / Advances in Engineering Software 35 (2004) 261–271

268

---

(1) Crossover operation. A crossover node is randomly

selected in each parent tree. The sub-tree below this

node on one parent tree is then swapped with the sub-

tree below the crossover node on the other parent, thus

generating two new offspring. If the new tree cannot

pass the syntax check or its mathematical expression

cannot form a normal curve, it will die.

Taking the two trees in

Fig. 8

as parent, after the

crossover operations by nodes ‘A’, we get a pair of

children (see

Fig. 9

).

Fig. 10

shows generated lamp holders in 3D form

correspond to generated curves in

Fig. 9

.

(2) Mutation operation. The mutation operation works

by selecting a random node in a single parent

and removing the sub-tree below it. A randomly

generated sub-tree then replaces the removed sub-tree.

The offspring will die if it cannot pass the syntax check

or it cannot form a normal curve.

One parent tree and a sub-tree are shown in

Fig. 11

. After a mutation operation, a generated

child sketch is shown as the right side in

Fig. 12

.

Step 5. If the procedure is not stopped by the designer, go

to step 2.

This process of selection and crossover, with infrequent

mutation, continues for several generations until it is

stopped by the designers. Then the amending design will

be done by designers with human wisdom.

Fig. 13. A reading lamp tree with one crossover point ‘A’.

Fig. 14. A crossover operation on a cover shape feature.

H. Liu et al. / Advances in Engineering Software 35 (2004) 261–271

269

---

Next phase, the similar operations are performed on

product tree. Here, we only show a crossover operation of

the second phase.

Fig. 13

is a reading lamp product tree. After a crossover

operation on node A (two parent use the same crossover

point-cover shape feature), we get the outcome in

Fig. 14

.

When crossover operations happened on different

feature nodes, children will change their related features

(shape, size or color). Generally, these operations cannot

produce surprised result because they are the recombina-

tion of existing components and are constrained by many

factors.

The mutation operator works by selecting a random

node in a single parent and removing the sub-tree below

it. In general, a new sub-tree will be gotten from outside-

other design group or a public component base

[27]

and

then it replaces the removed sub-tree.

Designers embellish the generated images by using

computer operations, such as rotating, rending, lighting,

coloring and so on. Then, we can get some reading lamp

images as shown in

Fig. 15

.

6. Conclusions

With this insight into enabling creativity by evolution,

we create a framework for explorative supporting creative

design by evolutionary computing technology. For only a

part of generated mathematical expressions can be

expressed by curves and generate useful shapes, generated

shapes in this system are relative simple and limited.

Although looking simple, the framework employs a

feasible and useful approach in a visual evolutionary

computing environment. This environment is used to

stimulate the imagination of designers and activate their

‘eye in mind’. It will give the designers concrete help for

extending their design spaces.

The work described in this paper is a part of the

continuing project done by the Design Technology

Research Centre (DTRC) in the School of Design at the

Hong Kong Polytechnic University

[28]

. There is still much

work to be done before the full potential power of the

system can be realized. Our current work is the development

of an integrated computer-aided design environment.

Evolutionary computation, artificial intelligence, integrated

and interactive system techniques, and virtual reality are

employed for the implementation of this environment.

Acknowledgements

This project is funded by the Research Fellow Matching

Fund Scheme 2001 (No. G.YY.34, No. G.YY.35) of the

Hong Kong Polytechnic University, and supported by

National Natural Science Foundation of China (No.

69975010 and No. 60374054) and Natural Science Foun-

dation of Shandong Province (No. Y2003G01).

Fig. 15. Some generated reading lamps.

H. Liu et al. / Advances in Engineering Software 35 (2004) 261–271

270

---

References

[1] Magrab EB. Integrated product and process design and development,

the product realization process. Boca Raton: CRC Press; 1997.

[2] Roy R, Riedel J. Design and innovation in successful product

competition. Technovation 1997;17(10):537 – 48.

[3] McMeekin A, Green K, Tomlinson M, Walsh V, Innovation by

demand: an interdisciplinary approach to the study of demand and its

role in innovation, Manchester: Manchester University Press; 2002.

[4] Walsh V, Roy R, Bruce M, Potter S. Winning by design: technology,

product design and international competitiveness. Oxford: Blackwell;

1992.

[5] Gero JS. Computational models of innovative and creative design

processes. Technol Forecast Social Change 2000;64(2 – 3):183– 96.

[6] Akin O

¨ , Akin C. On the process of creativity in puzzles, inventions,

and designs. Autom Constr 1998;7(2– 3):123– 38.

[7] Dartnall T, editor. Artificial intelligence and creativity. Dordrecht:

Kluwer Academic Publisher; 1994.

[8] Gero JS, Maher ML, editors. Creativity and knowledge-based creative

design. Hillsdale, NJ: Lawrence Erlbaum Associations Inc.; 1993.

[9] Hill W, Stead L, Rosenstein M, Furnas G. Recommending and

evaluating choices in a virtual community of use, human factors in

computing systems. CHI ’95 Conference Proceedings (Denver, CO),

New York: ACM; 1995. p. 194 – 201.

[10] Won PH. The comparison between visual thinking using computer

and conventional media in the concept generation stages of design.

Autom Constr 2001;10(3):319 – 25.

[11] Kumiyo N, Yasuhiro Y, Masao O. Computational support for

collective creativity. Knowledge-Based Syst 2000;13(7– 8):451– 8.

[12] Larkin JH, Simon HA. Why a diagram is (sometimes) worth 10000

words. Cognit Sci 1987;11:65– 79.

[13] Kosslyn SM, Koenig O. Wet mind: the new cognitive neuroscience.

New York: The Free Press; 1992.

[14] Koza JR. Genetically breeding populations of computer programs to

solve problems in artificial intelligence. In: Proceedings of the Second

International Conference on Tools for AI, Herndon, Virginia,

November 6 – 9, 1990, Los Alamitos, CA: IEEE Computer Society

Press; 1991. p. 819 – 27.

[15] Holland JH, Adaptation in natural and artificial systems, Ann Arbor,

MI: University of Michigan Press; 1975.

[16] Bentley PJ. Generic evolutionary design of solid objects using a

genetic algorithm. PhD Thesis, Division of computing and control

systems. Department of Engineering, University of Huddersfield;

1996.

[17] Frazer JH. An evolutionary architecture. London: Architectural

Association Publications; 1995.

[18] Frazer JH, Frazer JM, Liu XY, Tang MX, Janssen P. Generative and

evolutionary techniques for building envelope design. In: Proceedings

of Generative Art 2002, Fifth International Conference GA2002,

Milan, December 2002;3.1 – 3.15.

[19] Liu H, Tang MX, Frazer JH. Supporting evolution in a multi-agent

cooperative design environment. J Adv Eng Software 2002;33(6):

319 – 28.

[20] Gero JS, Kazakov V. An exploration-based evolutionary model of

generative design process. Microcomput Civ Eng 1996;11:209 – 16.

[21] Soddu C. Recreating the city’s identity with a morphogenetic urban

design. 17th International Conference on Making Cities Livable,

Freiburn-im-Bresgau, Germany; 1995. p. 5 – 9.

[22] Koza JR. Evolution and co-evolution of computer programs to control

independent-acting agents. In: Meyer J-A, Wilson SW, editors. From

Animals to Animats: Proceedings of the First International Con-

ference on Simulation of Adaptive Behavior, Paris, September 24 – 28,

1990. Cambridge, MA: The MIT Press; 1991. p. 366 – 75.

[23] Cramer NL. A representation for the adaptive generation of simple

sequential programs. In: Proceedings of an International Conference

on Genetic Algorithms and their Applications, Carnegie-Mellon

University; 1985. p. 183 – 7.

[24] Koza JR. Genetic programming: on the programming of computers by

means of natural evolution. Cambridge, MA: MIT Press; 1992.

[25] Kim HS, Cho SB. Application of interactive genetic algorithm to

fashion design. Eng Applic Artif Intell 2000;13(6):635 – 44.

[26] Todd L. The mutation and growth of art by computers. In: Bentley PJ,

editor. Evolutionary design by computers. San Francisco, CA:

Morgan Kaufman Publishers Inc.; 1999.

[27] Bentley PJ. Aspects of evolutionary design by computers. In: Roy R,

Furuhashi T, Chawdhry PK, editors. Advances in Soft Computing.

London, UK: Springer; 1999. p. 99 – 118.

[28] Liu H, Tang MX, Frazer JH. Supporting learning in a shared design

environment. J Adv Eng Software 2001;32(4):285 – 93.

H. Liu et al. / Advances in Engineering Software 35 (2004) 261–271

271

---

Document Outline

• Supporting creative design in a visual evolutionary computing environment
  • Introduction
  • The support of media and environment for creative design
    • Creativity in design
    • Creative idea emerges in a special environment
  • Related works
  • Tree-based genetic algorithm
  • A reading lamp figuration design example
  • Conclusions
  • Acknowledgements
  • References