基于辐射分布的室内照明设计优化研究

汪丽珍

（江西索普信实业有限公司，江西 上饶 335500）

随着社会发展和科技进步，室内照明设计在人们的日常生活和工作中扮演着越来越重要的角色。优良的室内照明设计不仅能提升照明效率，还可以增强人们的视觉舒适度，进而提高工作效率。传统的室内照明设计方法往往基于经验不断试错，效率低下且难以满足不同的设计目标。在这样的背景下，基于辐射分布的照明设计策略逐渐受到人们的重视。这种设计策略主要通过光源的光谱分布优化，减少眩光，提高光照均匀性，实现提高照明质量和视觉舒适度的目标。

结合机器学习和多目标优化技术，优化基于辐射分布的室内照明设计。首先，通过光学仿真软件对室内空间的光照情况进行模拟，以获取详尽的光照数据。然后，利用机器学习算法，通过训练模型准确预测不同照明参数和目标之间的关系。最后，运用多目标优化技术，如遗传算法，对照明设计进行优化，以获得最佳的照明方案。将辐射分布优化与机器学习和多目标优化相结合，实现高效、舒适、节能的室内照明设计，为实现智能化室内照明设计提供可行的方法和技术支持。

1 室内照明设计基础

1.1 照明设计因素

现有照明设计方案在满足人们对照明的需求方面发挥着重要作用。这些方案从多个角度出发，旨在创造舒适、高效、环保且富有艺术感的照明环境。首先，光照强度与分布是照明设计的核心要素[1]。设计方案通常会针对不同的空间和功能需求，采用不同的光照强度和分布方式，以避免眩光和照明死角，同时确保足够的照度。其次，色温与显色指数也是照明设计中需要考虑的重要因素。不同的色温能创造或温暖或清新的照明氛围，而显色指数则影响物体颜色的再现程度[2]。另外，布局与空间利用也是照明设计的重要方面。合理的布局能提高空间利用率，同时营造舒适的空间氛围。能耗与环保也是照明设计中需要考虑的因素[3]。现代照明设计越来越注重高效节能和环保，包括选择高效节能的照明设备、合理控制照明的使用时间和强度、采用环保材料等。

1.2 基于辐射分布的照明设计

室内照明的辐射分布指的是照明光源的光线在室内空间和表面的分布情况，也可以理解为照明光源向四周发射的光线在空间中形成的投射范围和强度分布[4]。在辐射分布与照明设计关系方面，光谱分布是影响照明质量和视觉舒适度的关键因素之一。不同的光谱分布可以产生不同的照明效果，从而影响人的视觉效果和感受。此外，空间分布和时间分布也是影响照明质量的重要因素。不合理的空间分布导致照明不均匀，而过亮或过暗的区域都会影响人的视觉舒适度。时间分布则与照明的动态调节有关，不同的时间分布可以产生不同的照明效果，从而影响人的视觉舒适度和工作效率。因此，基于辐射分布的室内照明设计优化是一个具有重要意义的研究方向。

2 基于辐射分布的室内照明设计优化方案

2.1 优化目标

研究目标是提供一种基于辐射分布的室内照明设计方法。在家庭室内照明设计中，眩光值和均匀度是重要的目标和约束条件，这是因为它们直接影响到居住者的舒适感和视觉体验。眩光值指的是视野中出现的过亮区域，会导致眼睛的不适和视觉疲劳。高强度、刺眼的光源可能造成眩光问题。在室内房间中，避免眩光对于保护居住或工作者的视觉健康至关重要。均匀度指的是房间内不同位置的照度分布是否均匀。在家庭房间中，良好的照度均匀度可以确保房间内各个区域的照明水平相对一致。均匀的照明分布可以提供更加舒适和平衡的视觉体验，避免眼睛频繁调整以适应明暗变化。因此，建立多目标优化模型

约束条件为

式中：A1,A2 ...An代表n个待优化的辐射相关照明因素，UGR(·)代表眩光值，Feu(·)代表光照分布均匀度，l0和u0分别代表约束条件中的临界值。

2.2 照明设计优化步骤

在设立好目标优化模型和约束条件后，结合正交表、机器学习和遗传算法等技术，通过正交试验设计，可以在有限的试验次数内覆盖多个因素和水平组合，从而减少试验次数并提高效率。在建立机器学习模型时，正交试验设计可以用于选择训练数据集[5]。在正交试验设计中设置不同的因素水平，可以获得均匀分布的样本，以覆盖输入空间的不同领域，并提高模型的泛化能力。采用如下具体步骤进行优化：

1）建立光学仿真模型。根据室内空间的设计和尺寸，使用建模软件，如Catia，创建室内空间的三维模型。在光学仿真软件DiaLux中导入三维模型进行光学仿真。在光学仿真软件中设置光源、材质和接收面等参数，以模拟实际的光照情况。

2）确定优化参数和优化目标。根据眩光和光照分布均匀性的行业标准设置临界条件，设置辐射相关的优化变量，如灯具光通量、灯具配光曲线和内饰材料反射率等照明设计参数。

3）正交试验。使用所选的优化变量和水平变量，根据正交试验设计方法，生成正交试验表。将设计好的优化变量输入光学仿真模型中进行计算，得到优化目标值。

4）机器学习预测模型。基于正交试验表的数据，建立机器学习模型，选择感知机学习算法。将优化变量作为输入参数，将优化目标和约束条件的参数值作为输出参数，训练感知机。多层感知机由全连接层构成，具有较好的非线性表达能力。选取Relu作为激活函。设输入向量为x，第i层神经元的权重向量为wi，偏置项为bi，激活函数为fi，第i层神经元的输出为yi。全连接层的计算公式

式中：Wi是权重矩阵，维度为（ni,ni-1），ni表示第i层神经元的数量，ni-1表示第i-1层神经元的数量。

5）遗传算法求解目标。根据设定的优化目标和约束条件，构建多目标优化模型。应用遗传算法对多目标优化模型进行求解，逐步完善多目标优化模型，得到最优解集[6]。最后，设计师根据用户想要的风格，确定照明方案。

3 基于辐射分布的室内照明设计优化实验

3.1 实验场景设置

采取某家庭房间为研究对象，以下是具体的信息、参数和约束条件的设置。房间长宽均为4m、高2.8 m，是一个正方形客厅。假设房间的四面墙壁反射率为0.8，在房间中放置一张2 m长的沙发和一张1.2 m长的茶几。在房间的天花板上安装一个吊灯作为主要照明，同时在茶几上放置一盏台灯作为辅助照明。设定沙发区域的平均照度约束为300 lx，作为眩光约束临界值。设定沙发邻座区域内的照度均匀度约束为不超过20%的变化，作为均匀性的临界值。此外，设计顶灯光通量和光束角、台灯光通量和光束角作为优化变量。

3.2 实验结果

将设计好的优化变量和水平变量根据正交试验设计方法，输入光学仿真模型中计算，即可得到正交试验数据表，用作机器学习预测模型的训练样本集。具体而言，给出的顶灯光通量控制水平数为8 lm，光束角为3°；台灯光通量为4 lm，光束角为3°。根据优化变量设置水平生成的正交试验数据表包含60个数据样本，样本包括变量取值和对应的目标值及条件参数。

在感知机模型训练中，输入为优化变量，输出为优化目标和约束条件参数值，采用了Adam算法优化均方差损失。预测模型建立完毕，可采用测试集的绝对误差值来进行模型精度验证，眩光值误差小于1，均匀度误差小于0.1%，说明预测模型的拟合精度较好，可满足后续优化的需要。在得到连续预测模型后，采用遗传算法来求解上述两个目标优化模型。通过迭代计算即可得到满足约束条件的最优解集，具体方案如表1所示。

表1 最优方案策略集

3.3 实验分析

从最小化眩光值和最大化光分布值这两个目标出发，优化得到的解均为非支配解。根据结果可得，当眩光值最小时，时，眩光值为24.1，空间光分布为2.56；当空间分布值最大时，，空间光分布为7.55，相应的眩光值为27.6。方案1室内环境较昏暗，但是眩光较轻微；方案2室内整体明亮，光束角较大，但眩光较严重。在最终方案选择时，设计师可充分考虑用户的需求，亦可通过调查问卷的方式来选择人们主观舒适感更高、工作效率更高的方案。

此外，将最终的方案使用仿真软件进行测试，得到的误差如表2所示。眩光值的误差平均为0.8%，光分布的平均误差约为2.6%。说明实验过程中，训练的多层感知机模型是有效的。

表2 模型预测与仿真值之间的误差

4 结论

基于辐射优化的室内照明设计方法，通过光学仿真模型和多目标优化算法，成功实现了高效、舒适、节能的室内光照方案。通过正交试验设计和机器学习预测模型，能准确预测照明设计参数与优化目标之间的关系，为优化算法提供有效的输入。利用遗传算法对多目标优化模型进行求解，得到一系列最优解集，为设计人员提供了室内照明设计的参考方案。这些方案不仅满足了设计要求和标准，还考虑了舒适性和能源效率的平衡，为基于辐射优化的室内照明设计提供了可行的方法和技术支持，对于推动室内照明设计的科学化和智能化具有重要意义。未来的研究可以进一步探索更复杂的优化模型和算法，以满足不同场景和需求的室内照明设计挑战。