住区布局多目标自动寻优的模拟方法

袁 磊，李冰瑶

1)深圳大学建筑与城市规划学院，广东深圳518060；2)深圳市建筑环境优化设计研究重点实验室， 广东深圳 518060

随着数字技术的迅猛发展，建筑自动生成的研究呈现出迅速发展的趋势，越来越多的研究者致力于开发算力强大、操作简单的智能系统来辅助建筑设计，将设计的可能性最大化交给机器[1-2]．李飚等[3-5]探索了细胞自动机系统、遗传算法及多智能体系等方法在建筑生成中的应用，在此基础上完成了Cube1001、high FAR和KeySection等多个建筑设计生成工具的开发．

近年来，随着环境问题的日益突出，国内外许多学者将环境质量引入自动生成设计，利用数字技术解决建筑与环境资源矛盾共生关系[6]．孙澄等[7]基于神经网络技术探讨了基于自然采光和热性能下寒冷地区办公建筑形态设计策略；李涛等[8]基于能耗和成本目标利用遗传算法对武汉地区住宅中的部分参数进行优化设计；田志超等[9]关注集成技术的研究，利用EnergyPlus和Dakota集成技术实现对单体办公建筑热工性能的优化设计；KOINS等[10]以建筑能耗和采光质量为目标探讨了多目标遗传算法在建筑优化设计中的应用； MICKEY等[11]以降低能耗和提高住户舒适度为多目标，探索可持续建筑表皮优化设计．纵观整个生成设计的发展，建筑生成方法逐渐朝着性能化、多目标化的发展趋势前进，但基于环境性能的建筑形态生成方法的研究多集中在建筑单体或局部优化，缺少针对建筑群体布局的群体尺度的性能优化研究．为此，本研究基于多环境性能目标的建筑生成系统算法，提出了针对高层住区的基于模拟的多目标自动优化设计 (multi-objective optimizing design based on simulation, MOOD-S)，在具体地块条件下，利用MOOD-S自动生成了多性能目标优化的设计方案．

1 基于模拟的多目标优化设计方法

1.1 传统设计优化方法

传统建筑设计或城市设计工作流程中，性能评估(特别是借助计算机辅助模拟的性能评估)与相应的方案修改是两个相对独立的过程，需要经过设计-模拟检验-设计修改-重新模拟检验等反复过程实现. 在这种被动调整模式下，性能模拟与方案设计间存在模型转换及数据传递的障碍，造成了工作时间的浪费．同时，这一被动调整具有主观性和局限性，无法实现性能最优．此外，建筑设计或城市设计本身是综合考虑多种性能并进行优化的过程，需要寻求能够实现各种性能最优组合的解决方案，而现有的软件模拟基本都只针对单个性能目标，无法实现多目标的综合模拟．

1.2 基于模拟的多目标优化设计方法

MOOD-S主张在方案初始阶段引入建筑性能模块，配合计算机的智能优化算法，将参数建模、性能模拟与多目标优化集成在一个平台上，同时实现多个性能目标的性能模拟、数据集成及自动优化过程，避免了传统性能优化设计方法中设计方案反复调整与建模过程，将复杂的人为难以确定的多目标优化问题最大化交给计算机去处理，提高优化设计准确性与效率．

1.3 技术策略

MOOD-S的实现主要依靠优化平台的选择、多变量-多目标关联及多目标优化实现．

1.3.1 优化平台的选择

集成优化是指基于一个优化平台，将两种或者两种以上的性能模拟分析软件同时集成到整个优化流程中．Grasshopper(GH)是一个建筑类优化平台．对于方案初始设计尤其是概念设计阶段， GH参数化平台在可视性和互动设计功能方面具有优势．因此，本研究选取GH为平台实现参数化模型、性能模拟及多目标优化的集成．

1.3.2 多变量-多目标的关联

多变量-多目标的关联有3种方法：

1)已知设计目标与设计变量之间存在明确的数学表达，利用数学算法实现；

2)利用反向传输神经网络预测模型(back propagation，BP)技术建立以建筑形态设计参数(设计变量)为输入，以建筑性能的评价值为输出的神经网络预测模型；

3)通过参数化模型与性能模拟软件的耦合，设计变量与性能目标的关联和寻优．

实际情况下，设计变量与设计目标之间的关系复杂，通常很难通过数学公式确定．BP技术需要大量数据来构建神经网络模型，数据的获取需要耗费大量时间，其结果的准确性也需要进行有效的验证[12]．而随着Ladybug、Honeybee、DIVA和Geco等基于GH平台的建筑环境性能分析插件日益丰富，第3种方法的优势逐渐增强，省去了以往需要在GH平台上自编程实现与性能模拟软件的耦合过程，基本上可以实现对上述所有建筑性能的模拟，本研究主要采取这种办法．

1.3.3 多目标优化实现途径

解决多目标问题通常是通过平衡各个目标之间的关系，将多目标优化转化为单目标优化来解决，可以得到唯一解，但这种做法很难客观地评价所有目标的优劣．本研究基于多目标进化算法(multi-objective evolutionary algorithm，MOEA)最终得到一系列折中的解集，即帕累托最优解集(Pareto optimal set)或非支配解(non-dominated set)，而不是唯一的全局最优解，设计师可以根据项目自身情况进行抉择判断． 研究具体采用GH平台的多目标遗传算法插件Octopus来驱动多目标的自动优化过程．

2 MOOD-S生成及优化系统

本研究选取高层住区作为研究对象．随着用地紧张，高层住区成为大中型城市主要居住区形态．在提高容积率的同时，各类环境问题日益突出，相互影响错综复杂．

研究中应用的MOOD-S系统，是基于高层住区日照、消防及景观视线等环境模拟，针对多环境目标进行寻优，自动生成多种合理的住区布局设计方案，并在成千上万的合理设计方案中自动寻找某个或多个设计目标的最优解集合．

2.1 MOOD-S系统构成

图1 MOOD-S系统构成Fig.1 MOOD-S structure diagram

MOOD-S主要由设计变量控制模块、布局模型生成模块、性能目标模块及设计优化模块4个部分组成(图1)．其中，设计变量控制模块包含决定住区布局形态的设计变量，如住宅平面形式、建筑层数及其控制范围等；布局模型生成模块是指由设计变量控制的参数化模型；性能目标模块中包含设计者或业主要优化的性能目标，如良好采光、视野及热环境等；设计优化模块是指实现设计变量自动调整优化的模型．

2.2 MOOD-S系统生成逻辑

MOOD-S系统采用智能网格优化法，在智能网格基础上进行智能筛点、智能布局和智能优化，生成逻辑如下：

1)场地模拟，建立场地及周边环境的模型，确定红线范围，对红线范围划分网格，并对网格日照条件进行模拟，每个网格点具有多个智能属性，如相对位置、日照时间和太阳辐射强度等；

2)智能排布，根据场地模拟生成的网格属性，自动选取性能优良的网格点排布智能单体，每个智能单体均包含自身受设计变量控制的智能属性；

3)整体评价，对智能排布生成的住区布局进行多性能目标的整体评价，并将评价结果反馈给方案；

4)多目标优化，通过Octopus自动调节设计变量，并对生成的多组方案进行多目标寻优，最终得到多性能目标组合最优解集合．

3 MOOD-S系统应用实践

MOOD-S系统是一个多变量对应多目标的街区尺度建筑布局生成及优化系统，设计者可以根据自己的需求进行设计变量及设计目标的选取与限定．

3.1 生成设计实验设置

研究应用MOOD-S系统设计4组生成实验，实验以住区布局要素为设计变量(表1)，以住区容积率、日照达标、日照条件均好性、总得热、景观均好性和内部庭院最大化等为寻优目标(表2)．这些目标涵盖了住区设计在物理环境性能方面的主要要求．实验1至实验4分别针对200 m×200 m的规则和复杂不规则地块，场地周边均包含已有建筑肌理(图2)，逐渐增加设计变量，选取2～3个性能目标进行不同组合的多目标寻优设计实验(条件设置见表2)．

3.1 生成设计实验设置

从实验1至实验4的运行结果来看(表3和图3)，无论双目标寻优(实验1和实验3)还是三目标寻优(实验2和实验4)，无论是规则地块(实验1和实验2)还是不规则地块(实验3和实验4)，寻优结果均呈现出明显的二维或三维的Pareto前沿．由此说明：

表1 实验1至实验4的设计变量1)

1)□ 代表设置为常数(详细设置见表2)； ● 代表设置为变量

图2 实验场地条件Fig.2 The sites of experiments

实验编号目标个数寻优代数Pareto前沿解个数方案生成时间/s方案总数12100204．6600023100384．7600032100284．8600043100454．96000

1)实验设置的多性能目标之间确实存在某种程度的竞争关系，必须通过多目标寻优算法获得最优解集，传统单目标寻优不能很好地解决这一问题．

2)MOOD-S系统可以适应不同实验中的场地条件及目标、变量组合，具有一定的普适性和灵活性．此外，从实验运行情况看，生成速度的快慢并未受设计变量或寻优目标数量及地块形态的影响，而是受寻优参数(如种群规模和寻优代数)的影响．

图3 实验1至实验4 Pareto解空间分布Fig.3 The Pareto solutions of experiment 1 to 4

4 实验结果应用分析

上述实验的方法和结论，可以直接应用于规划设计的工程实践，通过自动寻优获得具体项目案例的优化设计解集．下面具体选取实验4的结果，对MOOD-S系统在实际案例中应用的可行性进行分析．

4.1 项目概况

实验4选取了深圳市福田区的真实项目基地(图2(b))．该项目用地面积4 935.2 m2，要求容积率≥4.5．基地西侧有公园景观及标志性建筑．基地周边包含已有住宅建筑，主要是东南侧的多层住宅及东北侧的高层住宅建筑．

4.2 变量及目标系统

利用MOOD-S系统进行优化设计旨在通过合理布局，在满足容积率情况下尽可能保证良好的采光和日照，尽可能让住户看到西侧良好景观；设计也应考虑地域性，深圳地区长年炎热，应尽量避免夏季过多太阳辐射．基于此，提出针对实验4地块的变量及目标系统(表4和表5)．为了结果表达方便，实验前进行了目标转化(表5)，目的是将寻优目标统一为数值越小越好，且由于容积率目标与降低夏季辐射目标具有趋同性，实验仅选取表5中的前3个作为寻优目标．

表4 实验4的变量组成

表5 实验4的目标系统

1)目标转换的目的：统一目标取向，使X、Y和Z值越小越好

4.3 实验结果

1)Pareto解分析．经过102代的寻优过程，种群个体由无序状态渐趋稳定，个体的3个方向上的目标值均努力朝着坐标原点的方向移动，以寻优达到均衡的状态(图3(d)和图4)．X轴(景观遮挡率)的变化范围是0.61～0.76；Y轴(日照不满足率)的变化范围是0.10～0.35；Z轴(容积率相对7的差值)变化范围是-0.89～2.29．3个目标变化幅度类似，但并未呈现明显的正负相关性，这也证明了多目标问题转化为单一目标解决方法存在的弊端．

2)各目标相互关系．将实验4寻优结果分解到3个不同的维度观察各目标间相互关系(图4)，从中可见，X与Y、X与Z没有明显的关系，即景观遮挡率与容积率及日照不满足率没有明显的线性关系；Y和Z的关系从图中可以看出，随着Y值增大，Z值呈趋向于0的趋势，两者呈现出明显的牵制关系，即降低容积率指标可以换取较好的采光日照水平．

3)设计方案的选择．Pareto解得到的是一组解，设计者或业主可根据自己的设计需求及侧重进行选择，如若业主希望获取更好的采光日照水平，在选择方案时可以在帕累托解中寻找Y轴最小解；若想获得良好的景观视野，就在Pareto解中寻找X轴的最小解．本研究从中挑选了4组有代表性的单目标最优解和均衡最优解(图5)，提取各方案目标值(表6)．从中可见，若想达到单个性能的最优解，必然会失去其他性能目标的质量，如方案1较方案4，日照水平提升了4 %，而容积率却降低了2.49．

图4 实验4寻优结果二维分析图Fig.4 Two-dimensional illustration of optimal results in experiment 4

图5 Pareto前沿部分方案解效果图Fig.5 Renderings of solutions in Pareto front

方 案日照满足率景观视线满足率容积率采光较优解0．900．334．71景观视线较优解0．860．395．82容积率较高解0．760．347．89综合性能较优解0．860．357．20

结 语

本研究以多目标整体寻优为目标，通过模拟软件与寻优软件的相互协同，解决了多个设计目标之间的博弈问题，采用MOOD-S方法改变了以往设计过程中设计与性能模拟相互脱节的问题，在大幅提高设计生成效率的同时，在内在逻辑层面解决了设计调整过程趋向性能优化的核心问题．指出MOOD-S住区布局自动优化生成系统分为两个阶段：第1阶段以强制性的性能指标为核心进行模拟，并生成最大范围的可行解集；第2阶段加入各相关利益方关注的不同性能参数和弹性规划指标，在对这些性能指标进行模拟的基础上开展方案解集的寻优．这种方法可配合不同设计决策过程，提供逐步深化、细化的各种方案解集，对实践中的多种情境都具有较强的适应性．

引文：袁 磊，李冰瑶．住区布局多目标自动寻优的模拟方法[J]. 深圳大学学报理工版，2018，35(1)：78-84.

/

[1] 翟炳博，徐卫国．数字技术辅助绿色建筑方案设计[J]．城市建筑，2015，12(31)：114-117．

ZHAI Bingbo，XU Weiguo．Research on green building design in proposal phase aided by digital technology[J]．Urbanism and Architecture，2015，12(31)：114-117．(in Chinese)

[2] 吉国华．参数化图解与性能化设计[J]．时代建筑，2016，33(5)：44-47．

JI Guohua． Parametric diagram and performative design[J]．Time Architecture，2016，33(5)：44-47．(in Chinese)

[3] 李 飚．建筑生成设计[M]．南京：东南大学出版社，2012．

LI Biao．Architectural generative design[M]．Nanjing：Southeast University Press，2012．(in Chinese)

[4] 徐卫国．参数化设计与算法生形[J]．城市环境设计，2011，8(6)：110-111．

XU Weiguo．Parametric design and algorithm generating[J]．Urban Space Design，2011，8(6)：110-111．(in Chinese)

[5] 李 飚，钱敬平．HighFAR建筑设计生成方法探索[J]．新建筑，2011，29(3)：99-103．

LI Biao，QIAN Jingping．Exploration of generative method based on MAS for architectural design: high FAR[J]．New Architecture，2011，29(3)：99-103．(in Chinese)

[6] 苏剑鸣，梅小妹．基于功能与环境关系的生成式计算机辅助建筑设计方法研究[J]．南方建筑，2011，31(1)：84-89．

SU Jianming，MEI Xiaomei．Research on a generative method of CAAD based on the evaluation of relationship between function and environment[J]．South Architecture，2011，31(1)：84-89．(in Chinese)

[7] 孙 澄，韩昀松．光热性能考虑下的严寒地区办公建筑形态节能设计研究[J]．建筑学报，2016，63(3)：38-42．

SUN Cheng，HAN Yunsong．A study on energy-saving design of office building forms in the severe cold region regarding daylighting and thermal performance[J]．Architectural Journal，2016，63(3)：38-42．(in Chinese)

[8] 李 涛，林尧林，杨 薇．基于遗传算法的绿色建筑优化设计[J]．建筑节能，2016，44(6)：53-57．

LI Tao，LIN Yaolin，YANG Wei．Green building design optimization based on genetic algorithm approach[J]．Building Energy Efficiency，2016，44(6)：53-57．(in Chinese)

[9] 田志超，陈文强，石 刑，等．集成Energyplus和Dakata优化建筑能耗的的方法及案例分析[J]．建筑技术开发， 2016，43(6)：73-75．

TIAN Zhichao，CHEN Wenqiang，SHI Xing，et al．Method and case analysis of integrated Energyplus and Dakota optimization of building energy consumption[J]．Building Technique Development，2016，43(6)：73-75．(in Chinese)

[10] KOINS K，GAMAS A，KENSEK K． Passive performance and building form：an optimization frame work for early-stage design support[J]．Solar Energy，2016，125(2)：161-179．

[11] MICKEY H， THOMAS S， MARTIN R．Sustainable building envelope design by considering energy cost and occupant satisfaction[J]．Energy for Sustainable Develop-ment，2016，31(4)：118-129．

[12] 喻 伟，王 迪，李百战．居住建筑室内热环境低能耗营造多目标设计方法[J]．土木建筑与环境工程，2016，38(4)：13-19．

YU Wei，WANG Di，LI Baizhan．Multi-objective design method of improving the indoor thermal environment with low energy consumption in residential building[J]．Journal of Civil Architectural and Environmental Engineering，2016，38(4)：13-19．(in Chinese)