基于粒子群优化算法的房屋布局优化

2017-09-15王勤宏

无线互联科技 2017年17期

王勤宏

摘要：随着社会经济建设进程的快速发展，人们的生活水平得到提高，现代化城市建设的进程促使房地产建筑项目数量增加，我国逐渐成为全世界建筑行业发展最迅速的发展中国家之一，同时也加剧了房地产市场竞争的激烈程度。而优化房屋结构设计，能增加企业效益，满足居民需求。文章将通过粒子群优化算法对房屋布局进行优化。

关键词：房屋结构；设计优化；粒子群优化算法

随着人们生活质量的不断提高，物质生活的不断丰富，人们对于住房的要求越来越高，这就会导致房屋建筑工程作业的难度不断提高。相对应的，对房屋内部的结构设计工作提出了更精致的要求，因此为了满足人们的要求，房屋建设行业必须对房屋结构设计进行不断的优化改革，从而使房屋建设行业与人们达到双赢的状态也同时达到提高企业市场适应力与竞争力的目的。

1 房屋布局的优化重要性

很多人会走入这样的一个误区，即房屋布局很简单或者不值得重视。但是，合理的房屋布局不仅能给房屋带来一定的舒适感，还能使房屋在类似房屋中脱颖而出，获得较高流量和良好的房屋排名。房屋布局不仅仅要从用户体验上、房屋美观上，还要从利于房屋格局优化的角度去考虑，我们最需要注意的一件事情就是重要页面的排版是有利于搜索引擎对我们的房屋内部进行抓取以及索引的，这些重要的布局可以提升优化的速度。房屋千篇一律的空间布局面，很难满足客户对室内格局设计的多样性与独特性需求，这样就激起了对房屋格局的创新和新鲜感的热情。同样的装饰手法，同样的材料选择、灯光配置、以及软包装的搭配，在不同的房间布局中会产生不同的房屋效果。故而在现代社会中，房屋布局的优化越来越有其存在的必要性。

2 房屋虚拟场景的构建

2.1 视点变换

在虚拟现实建模语言（Virtual Reality Modeling Language，VRML）构建的虚拟场景中的视点就是虚拟空间中提前预先定义的空间朝向和观察位置，浏览者可以通过这个位置和朝向来观察虚拟世界相应的场景。浏览者在对房屋进行浏览的时候，不仅要看房屋格局的整体，而且也要看房屋中一个家具的摆放位置，如果让浏览者在浏览器中一点点走动调整视点，将会给浏览者带来许多的不便，为了避免在低空探测系统（Low-Altitude Detection System，LADS）的虚拟世界中迷失方向，适当地设置视点和观察位置。例如在空间的设计中，应设置俯视图、正视图、侧视图以及全局视图的视点，为了使浏览者在浏览的过程中快速地切换观察方式，必要时可提供自动浏览的功能。在LADS系统的VRML虚拟世界中可以创建多个视点，供浏览者选择。

2.2 虚拟场景导航

导航就是在VRML虚拟空间中使用一个三维的虚拟造型来作为用户在虚拟空间中的替身并且用户能够使用这个替身在虚拟空间中行动，不但可以通过这个替身的视角和方向来观察虚拟空间，还可以通过该替身去和虚拟设备进行交互操作。设置该视点要使用Viewpoint节点，这个节点确定了一个VRML空间坐标系中的观察位置、观察朝向以及视野范围等参数，该节点既可看作独立的节点，也可看作其他组节点中的一个节点。

2.3 虚拟现场声音设定

为了模拟现实中的每一种声音，VRML通过各种声音节点将现实中的声音文件引入虚拟的世界中，在VRML有效的声音文件中有乐器数字接口（Musical Instrument Digital Interface，MIDI）文件、MPEG—1文件以及WAV文件。在VRML中添加声音的节点是利用osund节点来指定声音的播放形式，利用MovieTexeritt节点、AudoiClPi节点和MoveiTexture节点和sound节点创建声源。Sound节点用的url域的作用不仅是引入一个外部的声音文件，还要规定这个声音文件在VRML世界的播放参数。为了使整个VRML世界更逼真，更具有真实感，需要先录制一段使用家具时现场发出的声音，然后按照动作过程把声音进行剪裁处理、分段处理，最后通过与之相对应的声音节点在VRML空间不同的场合添加适合的声音。

3 粒子群优化算法

通过对生物群体的研究和观察发现，生物群体中个体间的合作和竞争等复杂性行为产生的群体智能，通常可以为某些特定的问题提供高效快捷的解决方案。Kennedy等受鸟群觅食行为的启发，在1995年提出粒子群优化算法。与进化算法相比，粒子群优化算法保留了基于种群的全局搜索策略，但其所采用的速度-位移搜索模型操作简单，避免了复杂的进化操作，在解决复杂非线性函数优化和电压稳定控制等实际问题中取得了成功的应用。现在我们也将其运用在房屋布局优化上。

粒子群优化算法采用以上公式进行单位迭代次数解的更新。

其中：a1和a2作为学习因子；p为惯性权重；rand（）为均匀分布在（0，1）之间的随机数。式中的速度vi=（vi1，vi2，…，vid）决定粒子在解空间内单位迭代次数的位移，它反映了粒子所代表的解xi=（xi1，xi2，…，xid）单位迭代次数的变化，如上式所示。每一次迭代，粒子通过两个极值更新其速度和位置。第一个极值是粒子从算法迭代初始到当前迭代搜索所生成的最优解，即Ni（个体极值）；第二个极值是粒子所在邻域内的最优解，即Mi（邻域极值）。粒子在解空间内不断跟踪个体极值和邻域极值进行搜索，直到满足迭代停止条件，即达到规定的迭代次数或满足规定的误差标准。

粒子群优化算法基本步骤如下：（1）首先随机初始化粒子种群中所有粒子的速度和位置；（2）根据适应度函数对粒子种群进行评价；（3）更新粒子的个体极值；（4）更新粒子的邻域极值；（5）根据式上式进行速度和位置的迭代；（6）重复步骤（2）—（5），直到满足算法停止迭代的条件。

4 基于粒子群优化算法的约束处理

布局优化问题包含大量复杂的非线性约束，约束处理对于布局优化解的质量有决定性的影響。本文提出了适合基于种群的粒子群算法（Particle Swarm Optimization，PSO）优化机理的约束处理方法，其主要特性包括：endprint

（1）在迭代过程中，用PF记录当前粒子是否曾经满足所有约束条件，即粒子通过记忆保留的历史约束状态；（2）用PF并结合粒子当前约束状态及带惩罚项的目标函数更新粒子种群的个体和邻域极值；（3）根据PF选择粒子的速度更新策略。

4.1 基于粒子群优化的约束处理步骤

（1）随机初始化粒子种群，并令每个粒子的PF = false，初始种群为随机产生。

（2）判断当前粒子是否违反约束。若不违反，则计算初始目标函数，并将该粒子的PF设置为 true；否则计算含惩罚项的目标函数。

（3）根据粒子记录的历史约束状态、目标函数以及当前约束状态，更新粒子种群的邻域极值和个体极值。具体过程如下：

If 当前粒子 PF = true Then

If 当前粒子优于个体极值 piand 当前粒子满足约束 Then

更新 Ni

If Ni優于邻域极值 Mi T hen