基于集群智能行为模拟与空间句法分析的城市公园优化设计研究

马 婕

成玉宁*

作为城市公共空间的重要组成部分，城市公园在提升城市生态效益的同时，为居民提供了相对集中的游憩活动空间，可有效缓解居民的精神压力，对公众的身心健康大有裨益。然而随着中国城市化水平的不断提高、城市人口密度逐渐增加，公园绿地资源却日渐紧缺。因此，在高密度城市环境中，集约化利用有限的资源、为居民提供高品质活动空间成为当前风景园林规划设计所关注的问题。

合理的公园设计有助于引导居民休憩、交流、康体等活动的开展，促进使用者积极参与空间体验，因而使用者的行为模式与活动参与情况始终是风景园林设计过程中需要思考的重要内容，也是后期实际使用过程中检验设计合理与否及绿地资源与景观配置是否得到高效利用的因素之一。当规划设计意图与使用行为二者取得较好耦合关系时，说明使用者能够对场地及设置其中的要素进行积极有效的利用；反之，则可能带来场地利用效率低、景观资源消极利用等问题。为了有效避免景观资源闲置，改变传统设计模式中被动应对环境行为，转向积极主动地引导与干预行为，可以借助数字技术，在风景园林规划设计方案阶段进行行为预测模拟与分析，从而做出具有预见性与前瞻性的形态优化设计[1]。

1 行为模拟相关研究

使用者行为规律与景观环境特征的关联性一直是设计实践与学术研究领域关注的热点。但由于个体行为活动具有自主性、不确定性等特征，给行为规律的分析研究带来一定难度。尤其是随着设计场地尺度的扩大，景观系统的复杂性不断增加，对复杂环境下大量个体行为规律的模拟更具挑战性。

图1 个体行为活动轨迹模拟示意

图2 优化思路

环境行为学作为研究外部环境与使用者行为活动的基础学科，深入探讨了环境对使用者空间认知与行为规律的影响。在该理论框架下，学者分别对景观环境的空间构型、视觉感知、色彩、休憩设施等设计要素进行定性与定量分析[2-4]，并以调研的方式对使用者行为规律进行总结；还有研究从空间舒适度、微气候视角探讨人群行为活动[5]。从过往研究中不难发现，在研究对象和尺度的选择上，往往针对小尺度局部节点空间分析使用者行为模式，极少从全局层面探讨大尺度景观环境对行为活动的引导机制。

针对宏观视角下环境与行为活动关系的研究，雷金纳德·戈列奇(Reginald Golledge)等从城市地理学、社会学及城市规划学等多学科视角阐述了不同时期、不同范围的人群决策与选择行为，为探讨大尺度空间人群活动特征奠定基础[6]。其中，重力模型、离散选择模型等在景观行为预测方面得到了一定应用。与此同时，空间句法理论从形态结构视角分析人群活动[7]，将人群行为活动与网络整合度等进行关联研究，实现对行为活动的预判[8]。但以上2种研究范式仅从宏观层面大致描述了人群行为活动，却无法体现个体对环境感知、个体行为差异及行为轨迹等内容。

近来随着数字技术的发展，元胞自动机、多智能体等相关算法的引入为模拟微观视角下个体行为差异和行为决策提供了技术支持。相比传统预测模型的静态分析，通过算法迭代可实现对个体行为随时间不断演化过程的动态模拟，进而总结出相应的行为规律。目前，已有研究基于多智能体行为模拟技术在建筑内部路径选择[9]、紧急疏散[10]及大型展会管理[11]中进行探索。此类研究大多需要提前设定目的地，针对强目的型行为展开模拟。

城市公园中使用者行为可分为强目的型、弱目的型与无目的型行为3类。其中，强目的型行为指具有相对固定时间和场地的行为活动，如跳舞、下棋等，从入园到目的地，个体常选择相对较短的路径，指向性较强。而弱目的型与无目的型行为可看作不受时空限制的漫游行为，指向性较弱，行为发生更依赖于个体对公园组织结构的认知。因此，将行为模拟与公园空间组织形态做关联分析，可以探讨行为活动规律及其形成原因，发现因空间组织不够合理而造成被使用者“遗忘”的某些区域，进而为公园空间组织优化设计提供依据。

故本文引入集群智能概念，拟从微观视角模拟行为个体对公园空间的认知过程，及其随模拟时间推移而逐渐形成相对固定的行为活动轨迹，找出与设计意图不符之处。并进一步对公园空间组织形态进行空间句法分析，将整体形态分析与微观行为模拟相结合，探讨景观空间组织形态与个体行为之间的对应关系。最后对公园形态做出相应优化调整，并再次结合微观行为模拟进行验证，重启使用过程中被“遗忘”的区域。以此在方案阶段了解使用行为与规划设计意图是否吻合，及时优化方案，从而降低景观资源闲置的可能性，提高公园利用效率。

2 自下而上——集群智能与行为模拟

2.1 集群智能概念

集群智能(Swarm Intelligence)指大量智能体通过相互协作而实现的相对复杂的智能行为[12]。作为多智能体研究的重要分支，集群智能源于生物学家对自然界群体生物系统和行为规律的探索分析，如蚁群、蜂群、鸟群等。智能体模型被认为是目前模拟仿真领域之中最接近人类行为方式的模型，通过观察发现，大量个体经过一段时间的空间探索和行为互动后能形成对外界环境的整体认知，逐渐产生具有明显规律特征的行为轨迹。克雷格·雷诺兹(Graig Reynolds)认为城市是动态的适应系统，且贯穿着“集群智慧”，秩序出现与大量个体密切相关。设计者采用算法系统模拟复杂现象，使行为活动因素和空间形态产生互动，这对空间优化具有较大的潜力[13]。

集群智能又可视作自学习过程，经历个体对空间环境的感知、个体行为记忆及与周围个体的交流互动等做出决策。随时间推移，个体经验不断积累，促使其对整体空间环境的认知更深刻，从而形成相对固定的行为模式与运动轨迹，这与人的漫游行为有明显相似之处。

2.2 微观个体行为特征

面对陌生的城市公园绿地时，个体很难迅速形成对空间环境的整体认知。在最初一段时间内，个体基于外部环境的引导展开空间探索，行为往往具有一定随机性特征。随着探索经验的累积，个体对外界环境的认知也逐步加深，能够对外部环境进行整体把握，渐渐形成具有一定行为规律的活动轨迹。然而，随着公园尺度不断扩大，个体对环境的探索与认知难度也持续上升。此时，个体行为发生的另一个重要因素将对环境认知起关键作用，即学习行为。

在群体中，个体行为易受到周围其他个体行为的影响，具有较为突出的从众性。尤其当面对陌生环境时，个体往往会以观察和学习群体行为的方式做出行为决策。在此机制下，历经一段时间，处于同一环境中的大量个体充分互动，形成对外部环境从陌生到熟悉，再到达成某种共识的认知过程，从而形成具有一定规律性的群体行为轨迹。又因这种具有规律性的行为轨迹能够揭示出使用人群在公园中的整体使用状态，所以通过对群体行为轨迹的记录与演示能直观展现公园中潜在的行为方式，为进一步完善方案提供依据。

图3 原方案设计形态

2.3 集群智能算法——微粒群算法

运用集群智能模拟微观个体行为活动轨迹离不开计算机算法的支持，目前该领域具有代表性的算法包括蚁群算法、微粒群算法与人工蜂群算法。其中，微粒群算法因收敛速度快，具有较好的寻优特性，所以应用与发展较快[14]，这也是本研究所采用的算法。微粒群算法源于对鸟类捕食行为的模拟[15]，每个粒子通过储存和记录自身行为轨迹，积累空间经验。在此基础上，经自身经验与其他同伴经验的互动交流，使其具有进一步探索与认知空间环境的动能。在此过程中，每个粒子都具备自主能动性，经过一段时间的模拟形成相对稳定的群体行动规律。本研究基于该算法，通过Grasshopper架构相关程序，以实现景观方案阶段行为模拟研究，将每个行为人视作一个粒子，设置相应的粒子参数以模拟和记录人在环境中的活动轨迹，直至形成一定行为规律(图1)。

3 自上而下——空间句法理论与行为规律

3.1 空间句法与行为分析

空间句法作为测量空间组织特征的重要理论和量化方法，在公园路径组织形态与行为研究中应用广泛。研究表明，基于空间句法理论及其分析方法，可从空间组织层面探讨使用者行为与公园之间的对应关系。如个体行为活动与道路系统的拓扑形态之间存在密切关联，通过分析整合度、连接度等指标数据，能够探讨与某些固定行为活动相适宜的空间组织特征。

比尔·希利尔(Bill Hillier)等在实证研究中发现，在出行过程中游人虽试图选择最短路径，但事实上他们对路径长度的认知大多基于几何、拓扑视角。相对于路径长度，游人对路径转折更加敏感，即在路径选择过程中，游人偏向选择路径稍远但方向变化幅度较小的路径，而较少会选择路径长度较短但方向变换幅度较大且频次较多的路径。空间句法理论将该现象解释为结构层面的拓扑深度问题——随着道路转折幅度和频次的增加，行人视线可达性不断降低，路径拓扑深度却不断加深，降低了行人的选择意愿。

同时，该现象也揭示出游人在路径选择与决策时往往具有一定的惯性特征。当面对道路交叉口进行路径选择时，游人往往更倾向于保持原有路径方向，或选择相对平缓的路径方向。而对于具有转折的路径方向，游人则表现出一定的排斥心理，且转折幅度越大，排斥程度越高。因此，设计人员可从拓扑深度和行为惯性角度出发，对道路形态进行具有针对性的修正。为了将大量人流引入某活动节点区域，可以采取控制通向该节点的路径转角幅度，减少该区域拓扑深度的方法实现；而在营造相对安静的节点空间时，适度增加通向该区域路径的转角幅度和频次，增加其拓扑深度，从而降低人流量。

3.2 集群智能与空间句法分析的互补性

集群智能侧重于从微观层面揭示个体对外界环境的感知过程，以及大量行为个体在外界环境中的运动规律，体现出一种自下而上的预测和研究视角。然而，模拟结果是一种宏观表象，却无法阐释原因。空间句法理论则恰恰相反，更关注宏观层面的定量分析，能够从自上而下的视角解释景观组织结构与个体行为发生之间的关联性，但又无法描述微观行为所涌现出的宏观规律。因此，为了进一步解释集群行为模拟结果并实现方案优化，可以借助空间句法理论及其分析方法对行为模拟结果做出进一步分析说明。

3.3 优化思路与方法

在场地中设定权重等级不同的景观节点后，设计者通过路径的设置将节点空间组织联系，进而形成一个完整的景观系统。合理的路径结构能够更好地组织人流分布，并将人流引入不同权重等级的节点中。在公园规划设计中常常遵循的逻辑是可达性较高、权重较高或期望有高参与度的节点需要引入更多人流；而权

图4 原方案行为模拟动态过程

4 案例研究

4.1 案例概况

基地位于南京南部新城红花机场东侧，沿外秦淮河右岸，由顺天大道至苜蓿园大街，双麒路与宁杭高速围合而成，占地约41hm2，建成后将成为服务于新城居民的重要城市公园绿地。场地腹地开阔，是一个相对独立的空间单元。因受场地外界环境的限制，出入口位置只能设置在场地西边顺天大道一侧，致使整个场地空间进深相对较大，从而给人流引导与场地的高效利用带来一定难度。在设计过程中要解决的核心问题是如何在相对封闭的大尺度场地中集约利用景观资源、重较低或较为静谧的节点，则对应相对较少的人流，从而在营造多样化景观空间的同时，通过合理的人流分配提高景观利用的集约化水平，降低景观设施闲置的概率。

采用微观视角的集群智能行为模拟，可以明晰设计方案中人流动态分布情况。在模拟过程中，设计者通过观察人流分布是否达到预期设想对方案优化做出初步判断。针对不符合设计意图或参与度过低甚至无行为发生的节点空间，所采取的优化基本原则是尽量降低修改调整的幅度，在保持原有设计形态和形式美感的前提下，对局部路径进行相应调整。具体如下(图2)：

1)根据集群智能模拟结果观察人流分布状态，找出不符合设计预期和参与度较低的场地区域，即待优化区域；

2)观察待优化区域在场地中的空间位置关系，选取与其邻近的人流相对密集区域作为拟引导人流区域；

3)分析拟引导人流区域与待优化区域间的路径连接方式，采用空间句法计算二者之间的拓扑深度；

4)改善区域间的路径连接形态，降低人流从密集区到稀疏区的拓扑深度，增加行人选择通往待优化区域的可能性，继而提升待优化区域的人流密度；

5)对调整后方案进行再次模拟，对比调整前后方案，验证优化结果。合理有效组织空间，满足不同人群的行为需求。

针对该场地特征，原方案(图3)主要通过2条主环路进行架构，并在其间串联排布了17个权重不同的景观节点。为了高效利用场地、融入丰富的活动内容，原方案在场地东侧和南侧，即距离主入口较远的区域设置了相对密集且权重较高的景观节点，并在此基础上进一步完善主环路与各节点之间的路径体系，试图对人流进行有效引导，从而营造高效、集约又不失人性化的城市公园。在进行模拟与分析前，需完成的基础工作包括：1)提取道路、节点等可供游人活动的场地；2)根据设计意图为节点权重赋值；3)绘制空间轴线图，用于空间句法计算；4)构建集群智能模拟模型。

4.2 参数设置

微粒群算法中需要设置与调控的参数主要包括粒子发生器、运行环境、粒子速度、防碰撞参数、吸引点等。其中，粒子发生器即公园出入口，根据入口等级设置人群进入速度；运行环境代表供人群活动的场地；粒子速度为人群在公园中的行走速度，此次模拟将游憩速度设定为0.6m/s；设置防碰撞参数，为避免人群活动过程中发生碰撞而做出有效避让；吸引点则代表景观节点，需对每个节点权重进行赋值。

图5 待优化区域(A区、B区)

图6 拟引导人流区域

图7 优化区域及拓扑深度计算

图8 优化方案行为模拟结果

4.3 模拟结果

集群智能模拟了大量个体行为从无序到有序的过程，经过一段时间才能形成相对稳定的行为规律，体现出个体对环境的认知发展过程。本研究分别记录了模拟过程的6个阶段，依次为初始状态、模拟15min后状态、30min状态、1h、4h及8h后状态(图4)。在模拟系统中，绿色部分代表方案中提供的活动空间，包括道路、广场等硬质场地；蓝色线条则记录了个体行为活动轨迹。通过动态模拟过程可发现，起初智能体的活动范围相对较大，呈现出行为个体在最初阶段对空间环境的摸索和认知状态。随着模拟时间的推移，个体对环境认知随之加深，活动范围逐渐集中，形成了相对稳定的活动轨迹。

模拟结果显示场地中人流分布总体较理想，绝大部分景观节点均有相对稳定的行为轨迹记录，行为发生情况基本符合设计预期。但也存在局部空间缺乏行为活动参与的现象，场地中A、B 2个区域设置有较高权重的景观节点，却少有行为发生，成为整个场地的闲置区域；相反一些权重较低的节点区域参与热度却较高。由此说明原方案中道路系统存在一定不足，需要进行局部优化调整以改善当前的人流分布状态，增加A、B区参与度的同时疏散节点权重较低区域的人流(图5)。

4.4 方案优化调整

根据上文所述优化策略，首先分析待优化区域的空间区位及周边环境人流分布情况，选取邻近的人流密集区作为拟引导人流区域。其次，调整拟引导人流区域和待优化区域之间的道路形态，实现对人流运动的有效引导。根据A、B区的空间区位和周边情况，分别选取相应的拟引导人流区域(图6)。

对于A区而言，虽然该区域到主入口直线距离很近，且设置了较高权重的景观节点，但人流从主入口进入后，并未较好地被引入该区域，致使大量人流顺应道路向南运动。与此同时，从主入口到A区，人流需要经过多次转折和绕行后才能到达，随着转折次数的增加，拓扑深度也不断加深，造成从主入口到A区虽直线距离很近，但可达性相对较弱的局面。因此，针对A区的优化调整步骤为：首先，根据人流方向修改入口区域的路径形态，对主入口进入的人流进行有效疏解和引导；其次，简化主入口和A区之间的连接方式，降低拓扑深度，从而增加A区人流密度，如图7所示，A区拓扑深度从7降到3。

B区距离主入口相对较远，可从环形主路上将一部分人流引导至该区域。首先，以局部修正的方式，在主入口和该区域之间构建更为便捷的连接路径；其次，减小主环路与该区连接路径的转角幅度，降低从主环路进入该区域的拓扑深度，增加游人选择该路径的概率，如图7中B区拓扑深度从5降到3。

基于以上优化策略，进一步对道路线型和局部细节做调整，使修改后路径形态与原始方案总体形态相协调。最终得到总体优化方案，并再次使用集群智能模拟验证修改方案的使用情况。为了提高模拟的精确性和稳定性，同样以8h模拟图(图8)与原方案模拟结果进行比对，发现修改后方案较原始方案的人流分布与使用情况更理想，与设计意图更为吻合。不仅增加了A、B区的参与度，而且使人流在整个场地中的分布更加流畅，提升了整个场地的空间使用效率。

5 结语

与传统设计方法更多依赖设计者主观经验判断不同，数字景观技术通过对设计要素的数字化转译、模拟和预测场地中即将发生的行为，可有效辅助设计人员进行公园人性化设计。本文通过集群智能算法模拟群体行为活动轨迹，反馈设计方案中存在的问题，并结合空间句法分析，进一步从方案整体形态视角解读模拟结果，为方案优化提供依据。而后经过方案调整、再次模拟，逐步获取理想的优化方案，有助于设计人员更为高效地探索方案设计最优解，提高设计方案的合理性。

基于本文研究，未来还可从以下方面做进一步探索：首先，在集群智能行为模拟中对个体加入更多限定条件，使模型中的行为个体更贴近使用者实际行为状态；其次，除了将模拟结果与空间句法分析相结合外，还可尝试更多元化、系统化的分析解读，为设计优化提供更具针对性的建议措施，提升方案优化效率；最后，探讨在城市防灾期间(如防疫)，城市公园绿地转换为临时避难或救治场地，兼顾日常居民游憩和特殊时期防灾功能进行行为模拟。

注：文中图片均由作者绘制。