Modified interactive genetic algorithm system for music gene-ration
Dynamic music generation is a mature field of digital audio processing and is commonly applied in interactive multimedia systems such as games, multimedia applications and adaptive audio systems. These systems produce musical accompaniment that adapts to changes in the environment, interaction conte...
Gespeichert in:
| Datum: | 2026 |
|---|---|
| Hauptverfasser: | , , , , , , |
| Format: | Artikel |
| Sprache: | Ukrainisch |
| Veröffentlicht: |
Інститут проблем реєстрації інформації НАН України
2026
|
| Schlagworte: | |
| Online Zugang: | https://drsp.ipri.kiev.ua/article/view/363158 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Data Recording, Storage & Processing |
| Завантажити файл: |  |
Institution
Data Recording, Storage & Processing| _version_ | 1868294449838161920 |
|---|---|
| author | Федорченко, Є. М. Олійник, А. О. Федорончак, Т. В. Степаненко, О. О. Чорнобук, М. О. Зайко, Т. А. Федорченко, Ю. В. |
| author_facet | Федорченко, Є. М. Олійник, А. О. Федорончак, Т. В. Степаненко, О. О. Чорнобук, М. О. Зайко, Т. А. Федорченко, Ю. В. |
| author_institution_txt_mv | [
{
"author": "Є. М. Федорченко",
"institution": "Національний університет «Запорізька політехніка» "
},
{
"author": "А. О. Олійник",
"institution": "Національний університет «Запорізька політехніка» "
},
{
"author": "Т. В. Федорончак",
"institution": "Національний університет «Запорізька політехніка» "
},
{
"author": "О. О. Степаненко",
"institution": "Національний університет «Запорізька політехніка» "
},
{
"author": "М. О. Чорнобук",
"institution": "Національний університет «Запорізька політехніка» "
},
{
"author": "Т. А. Зайко",
"institution": "Національний університет «Запорізька політехніка» "
},
{
"author": "Ю. В. Федорченко",
"institution": "Національний університет «Запорізька політехніка» "
}
] |
| author_sort | Федорченко, Є. М. |
| baseUrl_str | http://drsp.ipri.kiev.ua/oai |
| collection | OJS |
| datestamp_date | 2026-06-17T17:50:04Z |
| description | Dynamic music generation is a mature field of digital audio processing and is commonly applied in interactive multimedia systems such as games, multimedia applications and adaptive audio systems. These systems produce musical accompaniment that adapts to changes in the environment, interaction context or user attributes, which boosts audio diversity and enhances user experience. Artificial intelligence (AI)-driven music generation has seen rapid advancement in recent years. Current systems can generate instrumental and vocal music from textual descriptions or style information and can be perceptually high quality. Unfortunately, the systems are often not suitable for use due to high computational effort, resource demands and low compatibility for real-time deployment on user devices. This motivates a need for alternative approaches that can generate music locally or on the fly with reduced resource demands. Such an approach is interactive genetic algorithms, in which the fitness function is determined by the user. Rather than employing other optimization methods with well-defined objective functions, these systems use the user’s preference to drive evolution of musical content. They are particularly well suited for applications in music generation, where the quality of the output is subjective. Current evolutionary music systems show the relevance of such techniques. At the same time, there are still many systems suffer from user fatigue, lack of convergence and poor adaptability of evolutionary parameters. In this work, we present an adaptive interactive genetic algorithm for generating MIDI music. The approach is still computationally lightweight, and it records user feedback over the generations and estimates user engagement based on statistics calculated from the rating stream. Using this prediction, the system adaptively controls the probabilities of mutation and injection to alleviate user fatigue, hasten convergence and keep the user engaged during the generation process. The proposed method is lightweight, adaptive, and is designed to generate music in resource-limited environments in real time. Tabl.: 2. Fig.:4. Refs: 12 titles. |
| doi_str_mv | 10.35681/1560-9189.2026.28.2.363158 |
| first_indexed | 2026-06-18T01:00:32Z |
| format | Article |
| fulltext |
Технічні засоби отримання і обробки даних
60
DOI: https://doi.org/10.35681/1560-9189.2026.28.2.363158
УДК 004.89
Є. М. Федорченко, А. О. Олійник, Т. В. Федорончак,
О. О. Степаненко, М. О. Чорнобук, Т. А. Зайко, Ю. В. Федорченко
Національний університет «Запорізька політехніка»
вул. Жуковського, 64, 69063 Запоріжжя, Україна
Модифікована інтерактивна система
генетичних алгоритмів для генерації музики
Описано систему генерації музики на базі інтерактивного генетичного
алгоритму (IGA). Її головна особливість — вміння відстежувати, на-
скільки користувачеві цікаво працювати з програмою. Система ство-
рює монофонічні MIDI-треки, спираючись на відгуки. Щоб людина не
втомлювалася від нескінченного оцінювання, модель сама змінює час-
тоту мутацій залежно від рівня її залученості. Це дійсно працює: під
час тестів п'ятеро добровольців отримували приємні для них мелодії у
середньому всього за 4,6 ітерації. При цьому нове покоління варіантів
генерується практично миттєво — менш ніж за 1 мілісекунду. Прог-
рама має лаконічний інтерфейс на .NET MAUI та прямий експорт у
MIDI. Завдяки такій швидкості та гнучким налаштуванням, інстру-
мент добре підходить для генерації музики в реальному часі без зайвого
навантаження на користувача.
Ключові слова: MIDI, генетичний алгоритм, генерація музики, машинне
навчання.
Вступ
Генерацію музики в реальному часі вже давно використовують в іграх та ін-
терактивних додатках. Замість статичних треків такі системи створюють аудіо, яке
безпосередньо підлаштовується під дії гравця або зміни в самому середовищі. Це
робить звукове оформлення унікальним для кожної сесії та допомагає глибше за-
нуритися в процес [1].
Методи штучного інтелекту здатні генерувати складні вокальні та інструмен-
тальні композиції за звичайним текстовим описом або заданим стилем. Проте ця
можливість має високу обчислювальну ціну. Сучасні генеративні моделі вимагають
спеціалізованої серверної інфраструктури. Їх практично неможливо запустити на
звичайному пристрої користувача для роботи в реальному часі. Щоб вирішити цю
проблему, необхідні альтернативні алгоритми. Вони мають формувати музичний
контент локально і оперативно, без критичного навантаження на систему [2].
© Є. М. Федорченко, А. О. Олійник, Т. В. Федорончак,
О. О. Степаненко, М. О. Чорнобук, Т. А. Зайко, Ю. В. Федорченко
https://doi.org/10.35681/1560-9189.2026.28.2.363158
Модифікована інтерактивна система генетичних алгоритмів для генерації музики
ISSN 1560-9189 Реєстрація, зберігання і обробка даних. 2026. Т. 28, № 2 61
Інтерактивні генетичні алгоритми (ІГА) вирішують цю проблему, використо-
вуючи оцінки користувача як функцію пристосованості. У класичних методах кри-
терій оптимізації задається математично, тоді як в ІГА генерація музичного мате-
ріалу керується безпосередньо суб’єктивною реакцією слухача. Це дозволяє ство-
рювати композиції на основі індивідуальних смаків, які складно або неможливо
описати традиційними метриками [3–5].
Еволюційні методи застосовуються для генерації музики, проте класичні ал-
горитми мають суттєві недоліки: вони сходяться повільно, а користувачі швидко
втомлюються від постійного оцінювання результатів. Вирішити цю проблему до-
зволяють адаптивні інтерактивні алгоритми. Вони динамічно коригують параметри
мутації та ін’єкції, безпосередньо реагуючи на поточні відгуки слухача. Це приско-
рює оптимізацію і допомагає зберігати інтерес людини до процесу генерації [5].
Аналіз літературних даних і постановка проблеми
У дослідженні [6] розглянуто GenJam — одну із перших систем, що застосо-
вує інтерактивний генетичний алгоритм для створення джазових соло. Програма
працює у трьох режимах. Під час навчання користувач оцінює випадково згенеро-
вані композиції, але еволюційний процес при цьому не запускається. Демонстра-
ційний режим відтворює найкращі зі збережених результатів. В еволюційному ж
режимі система безпосередньо використовує генетичні оператори, щоб динамічно
формувати нові популяції мелодій.
GenJam застосовує дворівневу схему генетичного кодування композицій. Му-
зичний матеріал ієрархічно поділяється на фрази та такти, які записуються у ви-
гляді бінарних хромосом фіксованої довжини. Такий метод дозволяє безпосередньо
поєднати ритм і висоту звуку. Наприклад, один такт розміру 4/4 кодується 32-біт-
ною хромосомою. Вона містить вісім послідовних позицій для восьмих нот, кожна
з яких описується 4-бітною подією: паузою (Rest), утриманням (Hold) або новою
нотою (New Note).
Попередня система має жорсткі обмеження: усі композиції генеруються з од-
наковим темпом (BPM) і базуються на заздалегідь визначених акордових послідо-
вностях.
Значно більшу гнучкість демонструє архітектура GP-Music [8]. Її основа —
деревоподібне подання музичних даних. Листя таких дерев містять базові елементи
(окремі ноти, псевдоакорди або паузи), тоді як внутрішні вузли відповідають за му-
зичні перетворення. У результаті кожен вузол формує локальну послідовність нот,
а корінь дерева об’єднує їх у фінальний трек. Така ієрархія дозволяє напряму та без
ускладнень застосовувати генетичні оператори мутації і кросоверу. Ще одна проб-
лема інтерактивних систем — швидка втома людини. Для її вирішення автори GP-
Music інтегрували просту нейромережу. Вона навчається на початкових відгуках
слухача, після чого починає самостійно оцінювати нові генерації. Це знімає ру-
тинне навантаження з користувача. Цей метод, відомий як сурогатна фітнес-функ-
ція (Surrogate Fitness Function), потребує значних обчислювальних ресурсів для
створення моделі, здатної достовірно імітувати оцінки користувача. Сама ж архіте-
ктура має суттєві обмеження, оскільки генерує виключно короткі монофонічні ме-
лодії. Більше того, усі ноти в таких композиціях отримують однакову тривалість.
Є. М. Федорченко, А. О. Олійник, Т. В. Федорончак,
О. О. Степаненко, М. О. Чорнобук, Т. А. Зайко, Ю. В. Федорченко
62
Через це алгоритм не здатен формувати складні ритмічні малюнки, притаманні по-
вноцінній музиці.
Альтернативний підхід наведено в дослідженні [7], автори якого розробили
систему DarwinTunes. Замість сурогатної моделі вони застосували масовий збір да-
них: алгоритм агрегував відгуки понад 6000 слухачів. Саме ці усереднені оцінки
працювали як фітнес-функція для інтерактивного генетичного алгоритму. Еволю-
ційний процес оперував популяцією деревоподібних цифрових геномів. Кожен та-
кий геном діяв як локальна програма, що генерувала короткий восьмисекундний
музичний цикл.
Для технічного представлення подібних композицій зазвичай використову-
ють музичний цифровий інтерфейс (MIDI). Запроваджений у 1983 році, цей стан-
дарт досі уніфікує зв'язок між електронним обладнанням від різних виробників. По
суті, MIDI створює рівень абстракції: він не передає сам звук, а лише цифрові ко-
манди, відокремлюючи керування від безпосередніх аналогових чи цифрових про-
цесів генерації аудіо.
Формат Standard MIDI File (SMF) забезпечує компактне збереження музичних
даних. Замість запису безпосереднього аудіосигналу він фіксує послідовності дис-
кретних подій, які програмні або апаратні інструменти потім перетворюють на
звук. Структурно такий файл містить заголовок із глобальними налаштуваннями
(зокрема темпом) і один або кілька треків. Події всередині треку впорядковані хро-
нологічно. Кожна з них отримує часову мітку відносно попередньої, що дозволяє
максимально точно позиціонувати ноти у часі.
Основою керування є події Note On та Note Off, які позначають початок і кі-
нець звучання. Кожну ноту визначають чіткі числові характеристики: канал (0–15),
висота (0–127) та інтенсивність (0–127). Цих параметрів цілком достатньо, щоб по-
вністю описати ритмічну та звуковисотну структуру мелодії [9].
Ми обрали формат MIDI за основу нашої системи передусім через його прос-
тоту та універсальність. Оскільки розроблений алгоритм генерує базові монофоні-
чні композиції і не потребує динамічної зміни гучності, формальний опис музичної
послідовності s можна суттєво спростити та звести до такого вигляду:
𝑠 = (𝐵𝑃𝑀, {𝑒1, 𝑒2, . . . , 𝑒𝑁}), (1)
𝑒𝑖 = (𝑝𝑖, 𝑑𝑖) або 𝑒𝑖 = (∅, 𝑑𝑖), (2)
𝑝𝑖 ∈ 𝑃, 𝑑𝑖 ∈ 𝐷, (3)
де P — множина дозволених значень висоти ноти; D — множина дозволених зна-
чень довжини ноти.
Тоді формально задача розробки системи генерації музики зводиться до зна-
ходження такої функції M:
𝑆𝑛+1 = 𝑀(𝑆𝑛, 𝑌𝑛), (4)
𝑌𝑛 = {𝑦1, 𝑦2, . . . , 𝑦𝑥}, (5)
𝑆𝑛 = {𝑠1, 𝑠2, . . . , 𝑠𝑥}, (6)
𝑠 ∈ 𝑇, (7)
Модифікована інтерактивна система генетичних алгоритмів для генерації музики
ISSN 1560-9189 Реєстрація, зберігання і обробка даних. 2026. Т. 28, № 2 63
де 𝑦𝑖 — оцінка користувача для i-ї композиції n-го покоління; 𝑦𝑖 ∈ [0,1]; x — розмір
покоління. 𝑆𝑁 — n-не покоління; T — множина всіх можливих музичних компози-
цій з урахуванням обмежень системи.
Найскладнішим викликом під час розробки системи є знаходження такої фу-
нкції M, що здатна швидко генерувати композиції, які отримають високу оцінку від
користувача.
Розробка модифікованого генетичного алгоритму
На базі модифікованого інтерактивного генетичного алгоритму розроблено
систему, що генерує та відтворює короткі MIDI-композиції. Після того як алгоритм
формує нове покоління 𝑆𝑛, користувач оцінює кожну з мелодій за 10-бальною шка-
лою. Отримані бали 𝑌𝑛 безпосередньо слугують фітнес-функцією для подальшої
еволюції.
Для кодування композицій система використовує геном із трьох типів пара-
метрів: якісних (гама, тоніка), кількісних (темп) і секвенційних (гармонічна й рит-
мічна послідовності, типи арпеджіо в тактах). На відміну від системи GenJam, та-
кого набору даних достатньо для створення різножанрової музики. Архітектура та-
кож передбачає безпосереднє налаштування генерації: дослідник може вручну за-
давати межі для кількісних і можливі стани для дискретних змінних.
Система має наступний робочий цикл.
1. Згенерувати початкову популяцію 𝑆1 випадкових музичних композицій
(осіб). Значення x (розмір покоління) встановлено у 5 емпіричним шляхом
2. Продемонструвати користувачу поточну популяцію. Отримати значення
оцінки 𝑦𝑖 для кожної особи 𝑠𝑖 від користувача.
3. Оцінити зацікавленість користувача 𝛿
4. Згенерувати нову популяцію з x осіб. Кожна з осіб популяції 𝑆𝑁 буде наща-
дком двох осіб з попередньої популяції 𝑆𝑁−1 з вірогідністю 1 − 𝛼 або результатом
ін’єкції з вірогідністю 𝛼
5. Провести мутації в новій популяції 𝑆𝑁. Вірогідність мутації кожного гену
— 𝛽
6. Повернутися до кроку 2
Під час схрещування нащадок отримує унікальну комбінацію ознак. Форму-
вання кожного гена відбувається незалежно, а механізм успадкування спирається
на тип параметра. Для кількісних характеристик алгоритм обчислює випадкове чис-
ло в діапазоні між показниками батьків. Натомість дискретні параметри напряму
переймають один із батьківських станів. Секвенційні ж гени утворюються шляхом
випадкового злиття відповідних батьківських послідовностей. Самі особини для
розмноження відбираються за таким принципом:
𝑃(𝑖) =
𝑦𝑖
∑ 𝑦𝑗
𝑛−1
𝑗=0
, (8)
де 𝑃(𝑖) — вірогідність вибору i-ї особи у якості батьківської, 𝑦𝑖 – i-та оцінка, отри-
мана від користувача, 𝑦𝑖 ∈ [0,1].
Модифікована система адаптує ймовірність ін’єкцій та мутацій відповідно до
рівня зацікавленості користувача. Цей механізм необхідний для генерації музики,
Є. М. Федорченко, А. О. Олійник, Т. В. Федорончак,
О. О. Степаненко, М. О. Чорнобук, Т. А. Зайко, Ю. В. Федорченко
64
оскільки в цій предметній області неможливо формально виміряти якість резуль-
тату. На основі оцінок слухача алгоритм безпосередньо керує інтенсивністю гене-
тичних змін: зі зростанням інтересу до процесу пропорційно підвищується і різно-
манітність створюваних композицій.
Параметр 𝛿 приймає значення від 0 до 1 та розраховується наступним чином:
𝛿 =
𝜎
0.5
∗ 𝑟max, (9)
𝑟max = max (𝑟1, 𝑟2, … 𝑟𝑁), (10)
де 𝑟𝑖 — i-та оцінка, отримана від користувача, в діапазоні 0–1; 𝜎 — середнє квадра-
тичне відхилення значень r.
Вірогідність ін’єкції розраховується наступним чином:
𝛼 = 𝛼min + (𝛼max − 𝛼min) ∗ (1 − 𝛿), (11)
𝛼max — максимальна та 𝛼min — мінімальна вірогідності ін’єкції, що задаються як
параметри системи.
Вірогідність мутації розраховується подібним чином:
𝛽 = 𝛽min + (𝛽max − 𝛽min) ∗ (1 − 𝛿), (12)
де 𝛽𝑚ax — максимальна та 𝛽min — мінімальна вірогідності мутації, що задаються
як параметри системи.
Кросинговер реалізовано наступним чином:
— для якісних генів:
𝑔𝑘
(𝑐ℎ𝑖𝑙𝑑)
= {
𝑔𝑘
(𝑝𝑎𝑟𝑒𝑛𝑡1)
𝑔𝑘
(𝑝𝑎𝑟𝑒𝑛𝑡2)
;
(
(13)
— для кількісних генів:
𝑔𝑘
(𝑐ℎ𝑖𝑙𝑑)
= 𝑔𝑘
(𝑝𝑎𝑟𝑒𝑛𝑡1)
+ (𝑔𝑘
(𝑝𝑎𝑟𝑒𝑛𝑡2)
− 𝑔𝑘
(𝑝𝑎𝑟𝑒𝑛𝑡1)
) ∗ 𝑈(0,1); (14)
— для секвенційних генів:
𝐿𝑐ℎ𝑖𝑙𝑑 = 𝑈(min(𝐿1, 𝐿2), max(𝐿1, 𝐿2)), (15)
𝑔𝑘,𝑖
(𝑐ℎ𝑖𝑙𝑑)
= {
𝑔𝑘,𝑖
(𝑝𝑎𝑟𝑒𝑛𝑡1)
, якщо 𝑖 ≤ 𝐿1 і (𝑈(0, 1) < 0.5 або 𝑖 > 𝐿2
𝑔𝑘,𝑖
(𝑝𝑎𝑟𝑒𝑛𝑡2)
, якщо 𝑖 ≤ 𝐿2 і (𝑈(0, 1) < 0.5 або 𝑖 > 𝐿1,
(16)
де 𝑔𝑘 — значення гену k для згенерованої особи; 𝑔𝑘
(𝑝𝑎𝑟𝑒𝑛𝑡1)
та 𝑔𝑘
(𝑝𝑎𝑟𝑒𝑛𝑡2)
— зна-
чення гену k для першої і другої батьківської осіб відповідно; 𝑈(𝑥, 𝑦) — це випад-
кова величина з рівномірним розподілом на інтервалі [x, y]; 𝐿𝑐ℎ𝑖𝑙𝑑 — довжина зге-
нерованого секвенційного гену; 𝐿1, 𝐿2 — довжини цього гену для першої та другої
батьківської особи відповідно; 𝑔𝑘,𝑖 — i-й елемент k-го секвенційного гену.
Цей метод кросинговеру враховує специфіку кожного типу генів. Наприклад,
темп (BPM) нащадка отримує значення в діапазоні між показниками батьків. Вод-
Модифікована інтерактивна система генетичних алгоритмів для генерації музики
ISSN 1560-9189 Реєстрація, зберігання і обробка даних. 2026. Т. 28, № 2 65
ночас гармонічна послідовність створюється шляхом безпосереднього злиття бать-
ківських акордів.
Розроблене програмне забезпечення
Інтерфейс користувача реалізовано на базі кросплатформної бібліотеки .NET
MAUI, що забезпечує роботу системи на операційних системах Windows та macOS
[10].
Користувач може багаторазово та в довільному порядку прослуховувати й
оцінювати композиції поточного покоління. Будь-який згенерований трек можна
зберегти у форматі .mid. Розрахований рівень зацікавленості відображається на
спеціальному індикаторі в нижній частині вікна. Крім того, для подальшого аналізу
передбачено експорт загальної статистики, яка містить усі виставлені оцінки для
кожного з поколінь.
Експерименти
Для тестування системи ми залучили п’ятьох добровольців. Їхнім завданням
було взаємодіяти з алгоритмом, аж поки він не згенерує суб’єктивно приємну ком-
позицію.
На рис.1 зображено приклад мелодії з першого покоління, яка отримала най-
нижчу оцінку. Вона звучить як хаотичний набір нот і повністю позбавлена музич-
ної привабливості. Натомість рис. 2 демонструє результат уже п’ятої ітерації — цей
трек користувач оцінив максимальним балом. Перша композиція містить неприро-
дні переходи до шістнадцятих нот та невиправданих пауз. Їй бракує гармонійного
розвитку, а в середині треку виникають монотонні повторення однієї ноти. Нато-
мість друга мелодія демонструє чіткий гармонійний малюнок із чергуванням висо-
тних підйомів та спадів. Алгоритм більше не генерує хаотичних коротких звуків чи
механічного дублювання. На їхньому місці з’являються базові, але дієві прийоми
створення музичної напруги та її розв'язання. Завдяки такій структурній цілісності
цей варіант звучить значно природніше.
Рис. 1. Приклад суб’єктивно непривабливої композиції
Рис. 2. Приклад суб’єктивно більш привабливої композиції
На рис. 3 відображено динаміку максимальних оцінок у кожному поколінні,
отриманих під час тестування за участю п’ятьох добровольців.
Як видно з результатів, головним недоліком алгоритму залишається певна не-
передбачуваність генерації. Попри це, модель здатна швидко сходитися до вдалого
Є. М. Федорченко, А. О. Олійник, Т. В. Федорончак,
О. О. Степаненко, М. О. Чорнобук, Т. А. Зайко, Ю. В. Федорченко
66
рішення: найдовший пошук прийнятної композиції зайняв у користувачів 9 ітера-
цій, тоді як середній показник становить лише 4,6 ітерації.
Рис. 3. Результати взаємодії 5 користувачів з системою
Тестування розробленої програмної системи проводилося на комп’ютері з
операційною системою Windows 11, обладнаною центральний процессором Intel
I7-12650H. У табл. 1 та на рис. 4 наведено результати тестування упродовж 10 по-
колінь. За результатами тестів встановлено, що середній час для генерації наступ-
ного покоління на даному комп’ютері складає менше 1 мілісекунди, що вказує на
високу швидкодію системи та невелику витрати ресурсів. Час, що витрачається на
генерацію наступного покоління, є непомітним для реальних користувачів системи.
Таблиця 1. Результати тестування швидкодії системи
Номер покоління Витрачений час, мілісекунди
1 2,3868
2 0,3068
3 0,1194
4 0,119
5 0,0923
6 0,0747
7 0,0646
8 0,1081
9 0,0931
10 0,1471
Модифікована інтерактивна система генетичних алгоритмів для генерації музики
ISSN 1560-9189 Реєстрація, зберігання і обробка даних. 2026. Т. 28, № 2 67
Рис. 4. Результати взаємодії 5 користувачів з системою
Обговорення результатів
У табл. 2 наведено порівняння розробленої системи з розглянутими вище ана-
логами.
Таблиця 2. Порівняння розробленої системи з аналогами
Система Тип
музики
Спосіб
кодування ком-
позицій
Сурогатна
фітнес-
функція
Динамічне від-
слідковування
зацікавленості
користувача
Лише моно-
фонічна
музика
Запропонована
система
Довільні
композиції
Складний геном,
гени трьох типів
Ні Так Так
GenJam [6] Джазові
соло
Дворівнева ієра-
рхія, обмежена
кількість 4-біт-
них подій на такт
Ні Ні Так
GP-Music [8] Компактні
композиції,
лише одна-
кова дов-
жина нот
Деревоподібна
багаторівнева
структура Так Ні Так
DarwinTunes
[7]
Компактні
зациклені
композиції
Деревоподібна
багаторівнева
структура
Ні Ні Так
Дана версія алгоритму створює лише монофонічні мелодії. Проте такого фо-
рмату достатньо для фонового звуку в іграх, освітніх програмах чи арт-інсталяціях.
Водночас система має технічні переваги, що вирізняють її з-поміж існуючих рі-
шень.
Динамічне відстеження зацікавленості допомагає подолати втому користу-
вача — критичну проблему інтерактивних генетичних алгоритмів. Алгоритм пос-
Є. М. Федорченко, А. О. Олійник, Т. В. Федорончак,
О. О. Степаненко, М. О. Чорнобук, Т. А. Зайко, Ю. В. Федорченко
68
тійно коригує ймовірність мутацій та ін'єкцій, що скорочує кількість зайвих ітера-
цій. Це дає змогу отримати потрібний результат за меншу кількість кроків. Такий
підхід є ефективною альтернативою сурогатним фітнес-функціям, оскільки він не
потребує значних обчислювальних потужностей і легше підлаштовується під інди-
відуальні вподобання різних людей.
Обчислювальна ефективність моделі робить її практичною для застосування
в режимі реального часу. Тести підтверджують, що нові покоління можуть бути
створені менш ніж за одну мілісекунду, навіть на дешевому обладнанні. Таким чи-
ном, система може використовуватися з програмним забезпеченням, де продукти-
вність є критично важливою, без необхідності хмарної обробки або дорогого обла-
днання. Наприклад, у відеоіграх або інтерактивних виставах у реальному часі.
Користувач може самостійно задавати темп, гаму та гармонійні послідовнос-
ті. Це дозволяє створювати музику в межах обраного жанру. На відміну від GenJam
чи DarwinTunes, де музична форма має жорсткі рамки, запропонований підхід за-
лишає вибір основних параметрів за людиною.
Хоча обрана структура геному обмежує вихідні дані монофонією, система
працює швидко та адаптується до вподобань користувача для запобігання його
втомі. Поєднання низької ресурсомісткості та інтерактивного контролю робить мо-
дель придатною для застосування в системах генерації музики в реальному часі.
Висновки
У межах дослідження проаналізовано наявні підходи та системи генерації му-
зики за допомогою генетичних алгоритмів. Окрему увагу приділено рішенням на
базі інтерактивних методів, а також використанню сурогатних фітнес-функцій для
керування еволюційним процесом.
Було запропоновано систему, що генерує музику за допомогою модифікова-
ного інтерактивного генетичного алгоритму, а також використовує динамічне від-
слідковування зацікавленості користувачів. Запропонована система також відріз-
няється від аналогів здатністю генерувати музику в різних стилях, а також більш
тонкими налаштуваннями, що доступні користувачам.
Подальший розвиток системи передбачає впровадження сурогатної фітнес-
функції за аналогією з підходом GP-Music [8].
1. Hutchings P.E., McCormack J. Adaptive music composition for games. IEEE Transactions on
Games. 2020. Vol. 12, No. 3. P. 270–280. URL: https://research.monash.edu/en/publications/adaptive-
music-composition-for-games/ (Last accesses: 08.04.2026).
2. Biles J.A. GenJam: A genetic algorithm for generating jazz solos. International Conference on
Mathematics and Computing. 1994. URL: https://www.researchgate.net/publication/2342018_GenJam_
A_Genetic_Algorithm_for_Generating_Jazz_Solos (Last accesses: 06.04.2026).
3. Biles J.A. Interactive GenJam: Integrating real-time performance with a genetic algorithm. URL:
https://www.academia.edu/52228995/Interactive_GenJam_Integrating_real_time_performance_with_a_
genetic_algorithm (Last accesses: 08.04.2026).
4. Biles J.A. A tentative taxonomy for genetic algorithm music and art systems. URL:
https://genjam.org/wp-content/uploads/2019/07/bilesgecco2000.pdf (Last accesses: 08.04.2026).
5. Evolution of music by public choice. PLoS One. URL: https://pmc.ncbi.nlm.nih.gov/
articles/PMC3409751/ (Last accesses: 08.04.2026).
https://research.monash.edu/
https://www.researchgate.net/publication/2342018_GenJam_
https://www.academia.edu/52228995/Interactive_GenJam_Integrating_r
https://pmc.ncbi.nlm.nih.gov/
Модифікована інтерактивна система генетичних алгоритмів для генерації музики
ISSN 1560-9189 Реєстрація, зберігання і обробка даних. 2026. Т. 28, № 2 69
6. MacCallum R.M., Mauch M., Burt A., and Leroi A.M. Evolution of music by public choice.
Proc. Nat. Acad. Sci. Jun. 2012. Vol. 109, No. 30. P. 12081–12086. doi:10.1073/pnas.1203182109
7. Johanson B., and Poli R. GP-Music: An interactive genetic programming system for music
generation with automated fitness raters. In Genetic Program. 1998: Proc. Third Annu. Conf. San Francisco:
Morgan Kaufmann, 1998. P. 181–186.
8. Midi. MIDI. Accessed: Aug. 12, 2025. Available: https://midi.org/
9. .NET Multi-platform App UI documentation — .NET MAUI. Microsoft Learn. Accessed: Aug.
12, 2025. Available: https://learn.microsoft.com/en-us/dotnet/maui
10. Afifie N.A et al. Evaluation Method of Mesh Protocol over ESP32 and ESP8266. Baghdad Sci.
J. Dec. 2021. Vol. 18, No. 4(Suppl.). P. 1397. doi:10.21123/bsj.2021.18.4(suppl.).1397.
11. Fedorchenko I., Oliinyk A., Stepanenko A., Zaiko T., Shylo S., and Svyrydenko A. Development
of the modified methods to train a neural network to solve the task on recognition of road users. Eastern-
Eur. J. Enterprise Technol. Apr. 2019. Vol. 2, No. 9(98). P. 46–55. Accessed: Aug. 20, 2025.
doi:10.15587/1729-4061.2019.164789.
12. I. Fedorchenko, M. F. Yusof, A. Oliinyk, M. Chornobuk, M. Khokhlov, and J. A. J. Alsayaydeh.
Detection of fungal diseases of plants from leaf images based on neural network technologies. Int. J. Elect.
Comput. Eng. (IJECE). Oct. 2024. Vol. 14, No. 5. P. 5866. doi:10.11591/ijece.v14i5.pp5866-5873.
Надійшла до редакції 12.04.2026
Прийнята до друку 19.05.2026
Опублікована 17.06.2026
https://doi.org/10.1073/pnas.1203182109
https://midi.org/
https://learn.microsoft.com/en-us/dotnet/maui
|
| id | drspiprikievua-article-363158 |
| institution | Data Recording, Storage & Processing |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-06-18T01:00:32Z |
| publishDate | 2026 |
| publisher | Інститут проблем реєстрації інформації НАН України |
| record_format | ojs |
| resource_txt_mv | drspiprikievua/87/731780485d43621ac41477b2b1b9c587.pdf |
| spelling | drspiprikievua-article-3631582026-06-17T17:50:04Z Modified interactive genetic algorithm system for music gene-ration Модифікована інтерактивна система генетичних алгоритмів для генерації музики Федорченко, Є. М. Олійник, А. О. Федорончак, Т. В. Степаненко, О. О. Чорнобук, М. О. Зайко, Т. А. Федорченко, Ю. В. MIDI, генетичний алгоритм, генерація музики, машинне навчання MIDI, genetic algorithm, music generation, machine learning Dynamic music generation is a mature field of digital audio processing and is commonly applied in interactive multimedia systems such as games, multimedia applications and adaptive audio systems. These systems produce musical accompaniment that adapts to changes in the environment, interaction context or user attributes, which boosts audio diversity and enhances user experience. Artificial intelligence (AI)-driven music generation has seen rapid advancement in recent years. Current systems can generate instrumental and vocal music from textual descriptions or style information and can be perceptually high quality. Unfortunately, the systems are often not suitable for use due to high computational effort, resource demands and low compatibility for real-time deployment on user devices. This motivates a need for alternative approaches that can generate music locally or on the fly with reduced resource demands. Such an approach is interactive genetic algorithms, in which the fitness function is determined by the user. Rather than employing other optimization methods with well-defined objective functions, these systems use the user’s preference to drive evolution of musical content. They are particularly well suited for applications in music generation, where the quality of the output is subjective. Current evolutionary music systems show the relevance of such techniques. At the same time, there are still many systems suffer from user fatigue, lack of convergence and poor adaptability of evolutionary parameters. In this work, we present an adaptive interactive genetic algorithm for generating MIDI music. The approach is still computationally lightweight, and it records user feedback over the generations and estimates user engagement based on statistics calculated from the rating stream. Using this prediction, the system adaptively controls the probabilities of mutation and injection to alleviate user fatigue, hasten convergence and keep the user engaged during the generation process. The proposed method is lightweight, adaptive, and is designed to generate music in resource-limited environments in real time. Tabl.: 2. Fig.:4. Refs: 12 titles. Описано систему генерації музики на базі інтерактивного генетичного алгоритму (IGA). Її головна особливість — вміння відстежувати, наскільки користувачеві цікаво працювати з програмою. Система створює монофонічні MIDI-треки, спираючись на відгуки. Щоб людина не втомлювалася від нескінченного оцінювання, модель сама змінює частоту мутацій залежно від рівня її залученості. Це дійсно працює: під час тестів п'ятеро добровольців отримували приємні для них мелодії у середньому всього за 4,6 ітерації. При цьому нове покоління варіантів генерується практично миттєво — менш ніж за 1 мілісекунду. Програма має лаконічний інтерфейс на .NET MAUI та прямий експорт у MIDI. Завдяки такій швидкості та гнучким налаштуванням, інструмент добре підходить для генерації музики в реальному часі без зайвого навантаження на користувача. Інститут проблем реєстрації інформації НАН України 2026-06-17 Article Article application/pdf https://drsp.ipri.kiev.ua/article/view/363158 10.35681/1560-9189.2026.28.2.363158 Data Recording, Storage & Processing; Vol. 28 No. 2 (2026); 60-69 Регистрация, хранение и обработка данных; Том 28 № 2 (2026); 60-69 Реєстрація, зберігання і обробка даних; Том 28 № 2 (2026); 60-69 1560-9189 uk https://drsp.ipri.kiev.ua/article/view/363158/350527 Авторське право (c) 2026 Реєстрація, зберігання і обробка даних |
| spellingShingle | MIDI genetic algorithm music generation machine learning Федорченко, Є. М. Олійник, А. О. Федорончак, Т. В. Степаненко, О. О. Чорнобук, М. О. Зайко, Т. А. Федорченко, Ю. В. Modified interactive genetic algorithm system for music gene-ration |
| title | Modified interactive genetic algorithm system for music gene-ration |
| title_alt | Модифікована інтерактивна система генетичних алгоритмів для генерації музики |
| title_full | Modified interactive genetic algorithm system for music gene-ration |
| title_fullStr | Modified interactive genetic algorithm system for music gene-ration |
| title_full_unstemmed | Modified interactive genetic algorithm system for music gene-ration |
| title_short | Modified interactive genetic algorithm system for music gene-ration |
| title_sort | modified interactive genetic algorithm system for music gene-ration |
| topic | MIDI genetic algorithm music generation machine learning |
| topic_facet | MIDI генетичний алгоритм генерація музики машинне навчання MIDI genetic algorithm music generation machine learning |
| url | https://drsp.ipri.kiev.ua/article/view/363158 |
| work_keys_str_mv | AT fedorčenkoêm modifiedinteractivegeneticalgorithmsystemformusicgeneration AT olíjnikao modifiedinteractivegeneticalgorithmsystemformusicgeneration AT fedorončaktv modifiedinteractivegeneticalgorithmsystemformusicgeneration AT stepanenkooo modifiedinteractivegeneticalgorithmsystemformusicgeneration AT čornobukmo modifiedinteractivegeneticalgorithmsystemformusicgeneration AT zajkota modifiedinteractivegeneticalgorithmsystemformusicgeneration AT fedorčenkoûv modifiedinteractivegeneticalgorithmsystemformusicgeneration AT fedorčenkoêm modifíkovanaínteraktivnasistemagenetičnihalgoritmívdlâgeneracíímuziki AT olíjnikao modifíkovanaínteraktivnasistemagenetičnihalgoritmívdlâgeneracíímuziki AT fedorončaktv modifíkovanaínteraktivnasistemagenetičnihalgoritmívdlâgeneracíímuziki AT stepanenkooo modifíkovanaínteraktivnasistemagenetičnihalgoritmívdlâgeneracíímuziki AT čornobukmo modifíkovanaínteraktivnasistemagenetičnihalgoritmívdlâgeneracíímuziki AT zajkota modifíkovanaínteraktivnasistemagenetičnihalgoritmívdlâgeneracíímuziki AT fedorčenkoûv modifíkovanaínteraktivnasistemagenetičnihalgoritmívdlâgeneracíímuziki |