Optimizarea schemei de aranjare a tastelor pe o tastatură utilizând algoritmi genetici

Abstract

Cercetarea de master abordează optimizarea layout-urilor de tastatură prin aplicarea algoritmilor genetici și simularea directă a procesului de tastare. Aranjamentul QWERTY, adoptat universal din secolul al XIX-lea, a fost proiectat pentru mașinile de scris mecanice, sub constrângeri tehnologice specifice epocii, în special evitarea blocării tijelor metalice. Progresul tehnologic permite astăzi explorarea sistematică a alternativelor prin metode computaționale, fără limitările hardware care au influențat designul original. Primul capitol analizează tastatura ca sistem complex, descompus în dimensiunea fizică, reprezentată de forma tastaturii și poziționarea tastelor, și dimensiunea logică, reprezentată de aranjamentul caracterelor. Evoluția este urmărită de la telegraful din anii 1830 până la tastaturile ergonomice moderne. Se estimează existența a peste 1000 de aranjamente alternative, incluzând layout uri consacrate precum Dvorak și Colemak, precum și variante moderne generate prin metode computaționale, implementabile prin firmware-uri open-source precum QMK și ZMK. Al doilea capitol prezintă fundamentele algoritmilor genetici aplicați problemelor de optimizare combinatorială. Reprezentarea prin permutare permite modelarea directă a layout-urilor de tastatură ca secvențe de taste. Sunt descriși operatori genetici specifici, precum crossover-ul ordonat, parțial mapat, ciclic și bazat pe margini, alături de strategii de selecție, menținere a diversității populației și gestionare a constrângerilor ergonomice prin funcții de penalizare ajustabile. Capitolul trei descrie metodologia cercetării, incluzând definirea aranjamentelor logice, maparea caracterelor pe poziții fizice, modelul fizic al tastaturii și implementarea algoritmului genetic. Modelul matematic de evaluare cuantifică procesul de tastare prin gruparea apăsărilor consecutive, estimarea timpului de mișcare pe baza Legii lui Fitts și calculul timpului de apăsare cu penalizări ajustabile pentru secvențe incomode. Funcția de fitness este de minimizare și permite personalizare prin coeficienți configurabili pentru utilizatori cu mobilitate inegală sau limitări ale anumitor degete. Capitolul patru prezintă implementarea practică realizată în Python, cu funcția de fitness reimplementată în C# pentru performanță și distribuirea sarcinilor prin RabbitMQ. Rezultatele arată că layout-urile generate algoritmic depășesc QWERTY cu 20%, iar Dvorak și Colemak cu aproximativ 7%. Diferențele reduse față de Colemak indică aplicabilitate în scenarii de personalizare, mai degrabă decât înlocuire generală. Concluzia este că algoritmii genetici reprezintă o metodă viabilă pentru optimizarea layout-urilor de tastatură, cu limitări precum dependența de corpusuri statice, modelul fizic simplificat și validarea exclusiv prin simulare. Direcțiile viitoare includ testarea cu utilizatori reali, modele biomecanice avansate care să integreze oboseala musculară, explorarea altor metode de optimizare și dezvoltarea de sisteme adaptive personalizate.

This master’s research investigates keyboard layout optimization using genetic algorithms and direct simulation of the typing process. The QWERTY layout, adopted since the nineteenth century, was designed for mechanical typewriters under technological constraints intended to prevent type-bar jamming. Modern computational methods now enable systematic exploration of alternative layouts without the hardware limitations that shaped the original design. The first chapter examines the keyboard as a complex system with a physical dimension, defined by key placement and keyboard shape, and a logical dimension, defined by character arrangement. Its evolution is traced from the telegraph of the 1830s to contemporary ergonomic keyboards. Over 1,000 alternative layouts are estimated to exist online, including established designs such as Dvorak and Colemak, as well as layouts generated through computational optimization and deployable via open source firmware such as QMK and ZMK. The second chapter presents genetic algorithms for combinatorial optimization. A permutation based representation models keyboard layouts directly as key sequences. Specialized genetic operators are described, including ordered, partially mapped, cyclic, and edge-based crossover, along with selection strategies, population diversity mechanisms, and adjustable penalty functions for ergonomic constraints. The third chapter outlines the research methodology, covering layout definition, character-to-key mapping, the keyboard’s physical model, and genetic algorithm implementation. The evaluation model quantifies typing by grouping consecutive keystrokes, estimating movement time using Fitts’ Law, and computing key press time with penalties for uncomfortable sequences. The fitness function is formulated as a minimization problem and supports personalization through configurable coefficients for users with uneven mobility or finger limitations. The fourth chapter describes the implementation in Python, with the fitness function reimplemented in C# for performance and workload distribution handled via RabbitMQ. Results show that generated layouts outperform QWERTY by 20%, Dvorak by 7%, and Colemak by 7.8%. The limited gains over Colemak suggest applicability mainly for personalized or domain-specific optimization. The research concludes that genetic algorithms provide a viable approach to keyboard layout optimization, with limitations including reliance on static text corpora, a simplified physical model, and simulation-only validation. Future work includes user studies, advanced biomechanical models incorporating muscular fatigue, alternative optimization methods, and adaptive personalized systems.