基于生成对抗网络（GAN）和NSGA-2遗传算法的汉口滨江居住区采光优化研究

王孝鑫 李竞一

1 研究背景

武汉作为中国中部的特大型城市，在发展过程中出现了许多设计规划不够合理的居住区[1]，它们主要集中在武汉长江沿岸的滨江区。尤其是位于汉口滨江区的老旧小区具有独特历史风貌，城市更新不仅要提升使用者的舒适性，而且要保留这些居住区的城市风貌。

传统居住区设计多由建筑师主导，依赖个人经验进行前期设计[2]。工作内容主要包括场地设计、建筑设计，但这些常规的设计方式较少考虑周围城市形态肌理，可能造成当地既有城市肌理的破坏。此外，设计师也较少利用环境性能模拟开展前期优化设计工作[3]。居住区和其他建筑群的设计难点主要在于设计参数众多，且参数之间相互影响和制约。全面考虑所有设计参数十分困难，在设计初期也较为低效。因此，亟需一种更加全面且智能高效的设计方法优化前期设计。

当前人工智能技术具有学习效率高、数据处理能力强、擅长解决复杂问题等优点[4]，逐渐被国内外学者应用于城市与建筑的精细化分析与优化设计工作中。姚佳伟运用pix2pix技术进行了上海居住区的形态生成模拟[5]；Jinmo Rhee和Pedro Veloso通过WGAN技术对匹兹堡地区的建筑群进行了平面生成模拟[6]；刘跃中和斯托夫斯·卢迪提出运用生成对抗网络处理陌生数据的方法支持城市设计过程，结果表明，该方法可有效制定城市设计决策[7]。这些研究都取得了一定的成果，且生成的城市模型体现了对于周边城市肌理的考虑，说明通过人工智能技术进行城市生成设计具有一定可行性。

由于众多深度学习图像生成模型都是以随机算法为基础，因此难以确定模型最终生成图像的合理性。当前，结合优化算法与深度学习图像生成模型开展更加可控的研究成为了当下趋势。相关研究主要集中在基于深度学习算法建立的数值型预测模型上[8]，常规的研究思路是通过优化算法调整深度学习模型的输入值，从而使输出值逼近或达到优化算法的设定要求。但是由于图像生成型深度学习模型的输入端是像素矩阵，参数个数过多，无法通过优化算法进行取值探索。所以，相关研究主要采用生成型对抗网络（后文简称GAN）输出数据或图像，然后针对输出结果开展进一步优化处理。本研究希望将GAN与优化算法相结合，模拟生成城市形态，从而为区域采光优化提出建议。

2 研究思路

通过GAN学习汉口滨江区域居住区平面肌理，使其建立对居住区平面排布逻辑的理解。然后使用GAN的图像生成技术，通过较少的居住区平面信息以及已学习到的布局逻辑，进行居住区平面生成模拟。本次研究为了使得GAN与优化设计系统结合，采用了复合型GAN。复合型GAN分为两个学习模型：一个主要负责增益信息较少的原始居住区平面栅格图像，从而形成完整的居住区平面栅格图像；另一个负责将完整的居住区平面栅格图像转化成符合汉口滨江区域城市肌理的最终居住区平面图。由于第一个GAN模型输入端信息较少，因此可以同优化算法相结合，即优化算法驱动少量的设计变量，获得原始居住区平面栅格图，进而生成三维模型，并得到日照模拟的模拟值。之后，优化算法通过模拟值结果调整设计参数，完成逻辑闭环。最终用模拟值对照设计变量，得到日照表现优秀的居住区模型和相关指标信息，并进行数据分析。研究将会提供符合区域城市肌理且满足日照要求的汉口滨江区居住区设计策略指导意见，具体研究思路如图1所示。

3 生成对抗性网络

3.1 居住区图像生成

1 研究思路流程图

由于研究需要通过两个GAN模型进行图像生成，因此需要两个训练配对集，即借助三个图集开展两两配对。研究首先通过ArcGIS软件获取汉口滨江区城市模型，通过灰度设定将模型的高度变化转化成图像关系，将三维模型转译成二维图像（建筑信息灰度图）。由于优化计算输入参数个数有限，需要对二维图像进行信息简化。通过网格将图像栅格化，进而通过灰度设定将城市容积率转化成图像关系，得到灰度图（建筑信息栅格化灰度图），然后继续简化栅格图像，保留少数特征网格，删除居住区内其他网格，最终得到满足优化计算要求的简化栅格图像（建筑特征信息栅格化灰度图）。以上三种灰度图的形成过程如图2-5所示。

2 汉口滨江区域建筑信息灰度图

3 小区建筑信息灰度图

4 小区建筑信息栅格化灰度图

5 小区建筑特征信息栅格化灰度图

3.2 基于机器学习的居住区数据分类

通过ArcGIS获得的汉口滨江居住区共385个，但因为部分居住区存在数据缺失问题，最终仅获得375个居住区的有效栅格化图像。

在图像栅格化过程中，由于网格的方向会在一定程度上影响图像生成的结果，因此为了能够更加全面地表现每个居住区的情况，研究选取了三种网格方向进行图像栅格化，最终获得了1 125组配对图像。各个居住区占地面积、容积率以及建筑密度等指标差异巨大，如果将全部居住区图像输入到GAN中，将会降低学习效率。所以，在建立GAN前需要对生成效果较好的几个图像聚类进行深度学习。研究选择两种不同的无监督机器学习算法——K-means聚类方法、DBSCAN方法[9]（图6,7），通过场地面积和容积率指标对1 125个配对集进行分类。研究设定聚类个数为6个，通过比较发现K-means聚类分析的分类效果较好，因此选取聚类1、2、3、4作为训练集，最终获得735套配对图像。

3.3 基于GAN的图像生成过程

研究选取GAN深度学习模型，作为生成城市图像的主要工具（图8,9）。GAN框架由生成器（G）和判别器（D）两部分组成。生成器的主要作用是通过条件变量（C）和噪声变量（Z）生成随机数据（Xp）；判别器的主要作用是通过真实的训练数据判别生成器生成随机数据的真实性，再反馈给生成器继续生成数据，如此运行以达到两者对抗的目的。通过对抗使得生成器的生成数据越来越真实，判别器的判别能力越来越强[10-11]。

4 优化计算方法

4.1 遗传算法

研究选取遗传算法（Genetic Algorithm）作为主要优化算法，这是一种特殊且高效的启发式算法[12]（图10）。遗传算法以生物进化机制中出现的各类现象作为搜索过程的指导思想，从最初的候选解中选取更符合优化需求且适应度高的解保留下来，形成新的近似候选解。如此逐代循环往复，直到解集收敛到极值或某个具体目标值。

遗传算法的特点有：1）串集搜索：不是从单个解开始，与传统的优化算法相比，不容易落入局部最优解的陷阱中；2）可并行评估：遗传算法的机制允许同时并行处理种群中的多个个体，并进行相应的个体评估，减少局部最优的风险；3）适用性高：由于遗传算法仅以适应度来评估种群个体，允许出现离散型数值的变量输入，而非一般的连续型变量，从而大大扩展了遗传算法在建筑领域上的应用；4）独立性强：遗传算法由于每代之间的评估与繁殖都是相对独立的，所以鲁棒性相对较高。

4.2 优化计算的各项设定

研究选取的优化算法为NSGA-2遗传算法（表1），具有效率高、鲁棒性强等特点[13-14]。研究选择汉口滨江区的红燕社区作为目标区域（图11），该社区具有以下问题：1）房屋老旧，有不少房屋已经是危楼，没有居民居住；2）缺乏整体规划设计，部分区域白天缺乏阳光，且有一定数量私自搭建的房屋；3）沿利济路和中山大道部分的建筑已经发展成小高层商住两用楼，居住区发展十分混乱。

研究希望对红燕社区进行整体改造设计。将红燕社区栅格化后，共产生47个网格块。选取其中10个特征网格，其中5个为高容积率网格，也就是高层建筑所在的网格，另5个为低容积率网格，也就是低层建筑或空地所在网格。用Excel对10个特征网格进行编号取值（表2），通过Rhino控制地块内建筑特征网格位置，最终形成不同的建筑特征栅格灰度图。当建筑特征信息栅格化灰度图发生变化后，GAN将会根据此图生成建筑信息灰度图（图12）。

由于红燕社区整体老旧，且内部日照分布十分不均衡，所以本次研究的优化指标为社区建筑的日照时间，分别对居住区建筑的夏季日照和冬季日照进行研究。设定6月22日（夏至日）的居住区建筑日照情况为夏季日照优化目标，设定12月22日（冬至日）的居住区建筑日照情况为冬季日照优化目标。为了更加全面地获取居住区建筑的日照情况，将建筑舒适日照面积比作为优化目标函数，夏季舒适日照面积比为Rs、冬季舒适日照面积比Rw，日照模拟情况如图13所示。其中Aall是建筑的整体表面积，单位为m2；As为夏至日当天日照时间在4～8h之间的建筑表面积，单位为m2；Aw为冬至日当天日照时间在4～8h之间的建筑表面积，单位为m2。

表1 NSGA-2 遗传算法设定

表2 红燕社区建筑特征网格编号取值范围

6 K-means 聚类分析结果

7 DBSCAN 聚类分析结果

8 生成对抗性网络原理图

9 图像生成整体流程

10 遗传算法的计算流程

11 红燕社区整体情况

12 红燕社区建筑特征栅格灰度图生成方法

13 优化过程中居住区夏季日照和冬季日照计算情况

4.3 整体优化结果

由于GAN具有一定随机性，因此建筑模型的优化过程差异性很大，这使得每次生成的区域建筑密度与容积率差异也较大，造成生成的模型之间可比性较差。因此设定优化约束条件：1）建筑密度取值应在0.3～0.6；2）建筑容积率取值应在2.0～4.0。通过1 200次优化计算后，研究获得了668次满足约束条件的设计参数组合计算（图14-17）。

5 结果讨论

5.1 优秀解集的筛选

由于668组设计参数组合过多，对于总结各个参数取值范围不利，因此需要对满足约束条件的设计参数组合进行筛选。选取夏季舒适日照面积比Rs和冬季舒适日照面积比Rw最高的50个优化案例（Top50）所对应的参数组合进行分析，研究发现Top50案例的建筑密度和容积率取值较为集中（图18-21），建筑密度范围在0.30～0.40之间，平均值为0.335；容积率取值范围在2.03～3.18之间，平均值为2.54。红燕社区的建筑密度为0.43，容积率为2.30，说明降低建筑密度及提升容积率可以提升居住区的Rs和Rw值。

14 冬季日照优化过程（1 200 次）

15 冬季日照优化过程（668 次）

16 夏季日照优化过程（1 200 次）

17 夏季日照优化过程（668 次）

18 Top50 案例建筑密度情况

19 Top50 案例容积率情况

20 Top50 案例冬季日照情况

21 Top50 案例夏季日照情况

5.2 优秀解集的指标取值分析

通过K-means聚类分别分析5个高层特征网格的编号和5个空地特征网格（图22）。如表3，4所示，研究设定聚类个数为3，聚类2占整体个案的26.4%，聚类3占整体个案的55.2%，高层特征网格编号聚类取值为7和42，空地特征网格编号聚类取值为32和22。

表3 最终聚类中心

22 高层特征网格编号位置和空地特征网格编号位置（亮灰色为高层，黑色为空地）

表4 每个聚类中的个案数量

5.3 研究结论

通过聚类分析发现高层特征网格编号和空地特征网格编号取值具有一定规律性。高层特征网格都集中在场地西北和东北角，这样可以保证高层建筑不会遮挡场地内部建筑。同时，空地特征网格都集中在场地南部和中间部分，这样可以保证阳光进入场地内部。

6 研究不足与展望

本研究结合遗传算法与GAN，以武汉汉口滨江居住区为例进行整体布局优化研究。基于建筑平面栅格化及特征信息提取获得了大量图像配对集，通过对图像配对集的研究简化了建筑特征信息，使得优化算法可以介入图像生成过程，由此生成的建筑模型更加适应和遵循当地的城市肌理，最终可以通过控制少量特征网格位置获得整体区域的三维模型。

由于GAN的图像生成具有一定随机性，使得特征网格栅格灰度图最终转化成三维建筑模型时丢失了部分信息，降低了优化算法的效率。同时，由于研究结果以建筑信息灰度图的像素为基础，因此GAN最终生成的三维建筑模型与真实的建筑存在一定差距。未来希望继续深化整个生成程序，通过加入设计师的设计逻辑，生成更加合理的建筑三维模型。

致谢:本研究来源于2021 年由同济大学建筑与城市规划学院主办的DigitalFUTURES——“设计中的环境智能”工作营，感谢DigitalFUTURES 平台给予的学习和交流机会，感谢姚佳伟、黄辰宇、殷明刚、张耿嘉在研究过程中的辛勤指导，感谢组员李帅杰、郑仲意、廉志远的支持和帮助。

图表来源

表1-4 作者自绘

1-22 作者自绘