### 做 Random search 與演化計算之比較：

1. Random search (uniform random 以及 Gaussian 直接隨機）
2. 完成測試流程
3. CMA-ES
4. Lora(等老師確認)
Gaussian
CMA-ES (之後再做)

### 設定 mean
- Gaussian 的 mean 設定為 sample 出的第一個
- 標準差(standard deviation, std) 我們自己設定

### 注意
- 在隨機實驗時要畫出 BSF_fitness(縱軸) 與 generation(另外做時間版本) 折線圖(anytime behavior)
- 紀錄 fitness evaluation 次數(同generation)
- 參數一致
- CMA-ES 演化計算中有些部分較耗時，矩陣分解，算反矩陣時
- 需要紀錄每個記錄時間
- 固定 Random seed
- 做至少30次

10月前跑完實驗

11月26日專題完成，11月20日內部完成

## 專題報告進度規劃

- 11月13日交第一版報告書以及海報，網站功能完成
-
- 10月30日交第一版報告書，之後依照報告書內容修改成海報
-
- 環境備份(不同電腦)

相似度函數比對實驗數據(找出來)

## 海報規劃

暫訂專題名稱：基因演算法最佳化圖像生成3D模型

海報要放ga Performance
不用摘要
不要框
海報放 輸入圖像 shape 最佳化產物

動機背景 研究方法 架構 實驗結果 結論
若有不錯結果放在最上方

## 網站/後端 功能規劃
- 繪圖函數(10/27)
- 資料集擴展至50筆
- 實做剪影相似度(繪圖函數後，理想10月27日)
- **實驗**實做 CMA-ES(11月開始)
- 網站主要功能(修BUG，11月6日)
- 網站首頁做原始與最佳化後的對比(原始圖像 -> Shap-E原始 ->(演化過程3D模型) 最佳化後3D模型)(11月6日)
- 網站風格優化(11月)
- 網站進階功能(11月)

## 繪圖函數
研究繪圖軟體或library
CSV 紀錄時間、fitness
讀多CSV檔(同一資料夾內)
x軸generation或時間
y軸fitness