CN110569616A - 一种基于som的建筑多目标优化设计决策支持方法 - Google Patents
一种基于som的建筑多目标优化设计决策支持方法 Download PDFInfo
- Publication number
- CN110569616A CN110569616A CN201910866129.3A CN201910866129A CN110569616A CN 110569616 A CN110569616 A CN 110569616A CN 201910866129 A CN201910866129 A CN 201910866129A CN 110569616 A CN110569616 A CN 110569616A
- Authority
- CN
- China
- Prior art keywords
- building
- optimization target
- neuron
- design
- building optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明涉及一种基于SOM的建筑多目标优化设计决策支持方法，包括：基于SOM神经网络构建建筑优化目标聚类模型；基于建筑优化目标聚类模型进行建筑优化目标导向神经元层次聚类筛选；根据建筑优化目标导向神经元层次聚类筛选结果重构建筑优化目标聚类模型，进行建筑优化目标导向神经元筛选；根据建筑优化目标导向神经元筛选结果或上一轮建筑设计参量导向神经元筛选结果，构建建筑设计参量聚类模型，进行建筑设计参量导向神经元筛选，并根据本轮筛选结果判断是否需进行下一轮建筑设计参量导向神经元筛选，直至得到最终建筑优化设计方案。该方法能挖掘分析非支配设计解数据特征，可显著改善建筑多目标优化设计决策制定效果。
Description
技术领域
本发明涉及建筑设计技术领域，尤其涉及一种基于SOM的建筑多目标优化设计决策支持方法。
背景技术
在建筑设计过程中，设计方案的优化一直是建筑师不懈努力的目标。随着科学技术的发展，利用计算机进行建筑优化设计的方法被广泛应用。建筑优化设计需对多设计目标进行优化，常采用建筑多目标优化设计方法求解设计问题中的非支配设计解，并通过制定决策得到最终建筑优化设计方案，提升建筑性能。
然而，由于非支配设计解是具有多设计参量和多优化目标的高维数据，且需在大量非支配设计解个体中进行比较，设计决策制定难度较大。同时，建筑多优化目标之间具有复杂的相关关系，提升特定优化目标易导致其它目标的减损，进一步加大了决策制定难度。既有研究和实践往往注重得到非支配设计解集的优化过程，而忽略从非支配设计解集中筛选最终建筑优化设计方案的决策制定过程，未能提供充分的决策支持。既有应用二维或三维散点图、折线图的决策支持方法不善于解析高维数据，易出现个体重叠及难以深入挖掘数据特征的局限。
因此，针对以上不足，需要提供一种针对高维数据、大量非支配设计解的建筑多目标优化设计的决策支持方法。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是解决现有技术针对高维、大量非支配设计解可视化难度高，非支配设计解数据特征挖掘难、决策制定过程不直观、无法兼顾建筑优化目标和建筑设计参量协同决策需求的问题。
(二)技术方案
为了解决上述技术问题，本发明提供了一种基于SOM的建筑多目标优化设计决策支持方法，包括如下步骤：
S1、基于SOM神经网络构建建筑优化目标聚类模型，并得到非支配设计解分布特征U矩阵图；
S2、基于建筑优化目标聚类模型绘制神经元代表建筑优化目标成分图、神经元内非支配设计解数量图以及神经元层次聚类图，进行建筑优化目标导向神经元层次聚类筛选；
S3、根据建筑优化目标导向神经元层次聚类筛选结果和SOM神经网络重构建筑优化目标聚类模型，基于重构的建筑优化目标聚类模型绘制神经元代表建筑优化目标柱状图和神经元内非支配设计解数量图，进行建筑优化目标导向神经元筛选；
S4、根据建筑优化目标导向神经元筛选结果或上一轮建筑设计参量导向神经元筛选结果，构建建筑设计参量聚类模型；基于建筑设计参量聚类模型绘制神经元代表建筑设计参量矩阵图、神经元代表建筑优化目标矩阵图，进行建筑设计参量导向神经元筛选，并根据本轮筛选结果判断是否需进行下一轮建筑设计参量导向神经元筛选，直至得到最终建筑优化设计方案。
优选地，所述步骤S1包括：
S1-1、根据建筑优化设计需求得到建筑多目标优化的非支配设计解集；
S1-2、提取非支配设计解的建筑优化目标数据，得到建筑优化目标矩阵；
S1-3、构建建筑优化目标SOM神经网络，并利用建筑优化目标矩阵进行训练，得到建筑优化目标聚类模型；
S1-4、根据建筑优化目标聚类模型，利用建筑优化目标SOM神经网络可视化神经元之间距离的U矩阵图方式，绘制非支配设计解分布特征U矩阵图。
优选地，所述步骤S2包括：
S2-1、以六边形单元表示神经元，通过不同色彩或灰度对应不同建筑优化目标值的形式，绘制建筑优化目标聚类模型的神经元代表建筑优化目标成分图；
S2-2、以六边形单元表示神经元，通过不同缩放量对应不同个数的形式，绘制建筑优化目标聚类模型的神经元内非支配设计解数量图；
S2-3、对建筑优化目标聚类模型的神经元进行层次聚类，得到神经元层次聚类图；
S2-4、基于步骤S2-1至步骤S2-3所得图像，获得建筑优化目标导向神经元层次聚类筛选结果。
优选地，所述步骤S3包括：
S3-1、基于建筑优化目标导向神经元层次聚类筛选结果重构建筑优化目标聚类模型；
S3-2、以柱状图的形式绘制重构后建筑优化目标聚类模型的神经元代表建筑优化目标柱状图；
S3-3、以六边形单元表示神经元，通过不同缩放量对应不同个数的形式，绘制重构后建筑优化目标聚类模型的神经元内非支配设计解数量图；
S3-4、基于步骤S3-2和步骤S3-3所得图像，获得建筑优化目标导向神经元筛选结果。
优选地，所述步骤S4包括：
S4-1、基于筛选得到非支配设计解的建筑设计参量数据训练建筑设计参量SOM神经网络，构建建筑设计参量聚类模型；
S4-2、计算神经元代表建筑设计参量取值，绘制建筑设计参量聚类模型的神经元代表建筑设计参量矩阵图；
S4-3、计算神经元代表建筑优化目标取值，绘制建筑设计参量聚类模型的神经元代表建筑优化目标矩阵图；
S4-4、基于步骤S4-2和步骤S4-3所得图像，获得建筑设计参量导向神经元筛选结果；
S4-5、设定直接权衡比较的非支配设计解数量阈值n，判断筛选得到非支配设计解数量是否小于n；若是，则权衡比较最后一轮筛选得到的非支配设计解，选择最终建筑优化设计方案；若否，则返回步骤S4-1，基于本轮筛选结果进行下一轮建筑设计参量导向神经元筛选，直至得到最终建筑优化设计方案。
优选地，所述步骤S4-1中基于筛选得到非支配设计解的建筑设计参量数据训练建筑设计参量SOM神经网络，构建建筑设计参量聚类模型时：
若当前为首轮建筑设计参量导向神经元筛选，则根据建筑优化目标导向神经元筛选结果中筛选得到非支配设计解的建筑设计参量数据构建建筑设计参量聚类模型；
若当前并非首轮建筑设计参量导向神经元筛选，则根据上一轮建筑设计参量导向神经元筛选结果中筛选得到非支配设计解的建筑设计参量数据构建建筑设计参量聚类模型。
优选地，所述步骤S1-1中根据建筑优化设计需求得到建筑多目标优化的非支配设计解集包括：
根据建筑优化设计需求构建建筑多目标优化设计问题，选择相应的建筑设计参量和建筑优化目标，构建建筑设计参量与建筑优化目标之间的映射关系，利用该映射关系设置目标函数，根据建筑优化设计需求设置约束条件，通过遗传优化算法搜索满足约束条件且对应的目标函数值适应度高的n1个设计解，得到非支配设计解集。
优选地，所述步骤S1-2中提取非支配设计解的建筑优化目标数据，得到建筑优化目标矩阵包括：
将非支配设计解集数据转化为矩阵，该矩阵的行向量为不同的非支配设计解，列向量为不同建筑设计参量和建筑优化目标；提取该矩阵中建筑优化目标对应的数据，构建建筑优化目标矩阵，其中，建筑优化目标矩阵包含n1个非支配设计解和m个建筑优化目标，大小为n1×m。
优选地，所述步骤S1-3中、构建建筑优化目标SOM神经网络，并利用建筑优化目标矩阵进行训练，得到建筑优化目标聚类模型包括：
构建包含输入层和竞争层，具有二维网格拓扑结构的SOM神经网络作为建筑优化目标SOM神经网络，其水平和垂直方向神经元个数比等于建筑优化目标矩阵的协方差矩阵中两个最大特征值之比；对建筑优化目标矩阵进行归一化处理，将建筑优化目标矩阵中取值范围不同的建筑优化目标值映射在(0,1)区间内，得到归一化的建筑优化目标矩阵；利用归一化的建筑优化目标矩阵对建筑优化目标SOM神经网络进行训练，不断更新建筑优化目标SOM神经网络的神经元权值，直至训练成功，得到建筑优化目标聚类模型。
优选地，所述步骤S2-1中以六边形单元表示神经元，通过不同色彩或灰度对应不同建筑优化目标值的形式，绘制建筑优化目标聚类模型的神经元代表建筑优化目标成分图包括：
计算建筑优化目标聚类模型神经元中非支配设计解的归一化建筑优化目标平均值向量，用该平均值向量替换其对应神经元的权值向量，将替换后的神经元权值向量映射到不同建筑优化目标对应的区间内，作为神经元内非支配设计解的代表建筑优化目标向量，提取该代表建筑优化目标向量中各个建筑优化目标的数据；用六边形单元表示神经元，通过排列六边形单元反映神经元所在位置和神经元之间的邻近关系，得到相应的神经元排列图，在该神经元排列图上以不同色彩或灰度对应不同建筑优化目标值的形式进行数据可视化，得到神经元代表建筑优化目标成分图。
(三)有益效果
本发明的上述技术方案具有如下优点：
1、本发明的方法提出利用SOM神经网络(自组织特征映射网络Self-organizingfeature Map)独特的聚类和可视化方式，为建筑多目标优化设计提供决策支持。由于SOM神经网络具有二维拓扑结构，可以将高维非支配设计解数据聚类到二维拓扑网格中，解决了大量高维非支配设计解数据的可视化难题，同时可挖掘分析非支配设计解数据特征。
2、本发明的方法将建筑多目标优化设计决策制定过程分为建筑优化目标导向决策阶段和建筑设计参量导向决策阶段，在制定决策时兼顾了建筑优化目标和建筑设计参量，当非支配设计解的优化目标达到满意标准的同时，探索更多建筑设计可能。
3、本发明的方法将建筑优化目标导向非支配设计解的筛选过程分为神经元层次聚类决策阶段和神经元决策阶段，使建筑优化目标的聚类具有反映神经元特征和反映非支配设计解特征两个层次，建筑师可逐个层次筛选非支配设计解，从而降低设计决策制定的难度。
附图说明
图1是本发明中基于SOM的建筑多目标优化设计决策支持方法的流程图；
图2是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法的过程说明图；
图3是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的建筑优化目标聚类模型三维投影图；
图4是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的非支配设计解分布特征U矩阵图；
图5是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的神经元代表建筑优化目标成分图；
图6是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的神经元内非支配设计解数量图；
图7是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的神经元层次聚类图；
图8是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的神经元代表建筑优化目标柱状图；
图9是是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的神经元内非支配设计解数量图；
图10是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的神经元代表建筑设计参量矩阵图；
图11是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的神经元代表建筑优化目标矩阵图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
如图1和图2所示，本发明实施例提供的一种基于SOM的建筑多目标优化设计决策支持方法，包括如下步骤：
S1、基于SOM神经网络构建建筑优化目标聚类模型，并得到非支配设计解分布特征U矩阵图。
优选地，步骤S1中基于SOM神经网络构建建筑优化目标聚类模型包括：
S1-1、根据建筑优化设计需求得到建筑多目标优化的非支配设计解集。
进一步地，步骤S1-1包括：根据建筑优化设计需求构建建筑多目标优化设计问题，选择相应的建筑设计参量和建筑优化目标，构建建筑设计参量与建筑优化目标之间的映射关系，利用该映射关系设置目标函数，根据建筑优化设计需求设置约束条件，通过遗传优化算法搜索满足约束条件且对应的目标函数值适应度高的设计解，得到建筑多目标优化的非支配设计解集，以便后续进行筛选，采用精英保留策略的遗传优化算法将根据设计解的适应度保留n1个非支配设计解。其中遗传优化算法为现有技术，在此不再赘述。
S1-2、提取非支配设计解的建筑优化目标数据，得到建筑优化目标矩阵。
进一步地，步骤S1-2包括：将建筑多目标优化设计得到的已经收敛的非支配设计解集数据转化为矩阵，该矩阵的行向量为不同的非支配设计解，列向量为不同建筑设计参量和建筑优化目标；提取该矩阵中建筑优化目标对应的数据，构建建筑优化目标矩阵，其中，建筑优化目标矩阵包含n1个非支配设计解和m个建筑优化目标(n1表示非支配设计解个数，m表示建筑优化目标个数)，大小为n1×m。非支配设计解为一个多维向量，有建筑设计参量和建筑优化目标两部分维度。
S1-3、构建建筑优化目标SOM神经网络，并利用建筑优化目标矩阵进行训练，得到建筑优化目标聚类模型。
进一步地，步骤S1-3包括：构建包含输入层和竞争层，具有二维网格拓扑结构的SOM神经网络作为建筑优化目标SOM神经网络，其水平和垂直方向神经元个数比等于建筑优化目标矩阵的协方差矩阵中两个最大特征值之比，可通过主成分分析法确定；对建筑优化目标矩阵进行归一化处理，将建筑优化目标矩阵中取值范围不同的建筑优化目标值映射在(0,1)区间内，得到归一化的建筑优化目标矩阵；利用归一化的建筑优化目标矩阵对建筑优化目标SOM神经网络进行训练，不断更新建筑优化目标SOM神经网络的神经元权值直至训练成功，得到建筑优化目标聚类模型。
具体地，对建筑优化目标SOM神经网络进行训练包括：初始化建筑优化目标SOM神经网络，设置相应的时间步长i和初始学习率learn0、初始邻域半径neighbor0，将归一化的建筑优化目标矩阵输入建筑优化目标SOM神经网络，根据欧式距离求解获胜神经元，并更新获胜神经元及其邻域神经元的权值，表达式为：
Wj(t+1)＝Wj(t)+learnfun(t)*neighborfun(t)*(X-Wj)；
式中，Wj表示第j个神经元，Wj(t+1)表示更新后的神经元权值向量，Wj(t)表示神经元目前的权值向量，learnfun(t)表示随时间更新的学习效率，neighborfun(t)表示随时间更新的邻域函数，X表示神经元的最佳匹配非支配设计解；
其中随时间更新的学习效率的表达式为：
learnfun(t)＝learn0*exp(-t/i)；
随时间更新的邻域函数的表达式为：
neighborfun(t)＝neighbor0*exp(-dij/t1)；
t1＝i/log(neighbor0)；
dij表示获胜神经元和邻域神经元之间的欧式距离。
当建筑优化目标SOM神经网络特征映射不再发生明显变化，即一轮训练前后的变化值低于预设的变化量阈值，说明训练成功。变化量阈值根据实际需要设定。此时非支配设计解将按照归一化建筑优化目标值聚类到不同的神经元内部，进而得到建筑优化目标聚类模型。
优选地，步骤S1中得到非支配设计解分布特征U矩阵图包括：
S1-4、根据建筑优化目标聚类模型，利用建筑优化目标SOM神经网络可视化神经元之间距离的U矩阵图方式，绘制非支配设计解分布特征U矩阵图。
具体地，步骤S1-4包括：计算建筑优化目标聚类模型神经元之间的距离，用空白的六边形单元表示神经元，连接各空白六边形单元的彩色六边形单元表示神经元与神经元之间的连接，通过该彩色六边形单元的颜色反映神经元之间的距离，最终得到可视化的非支配设计解分布特征U矩阵图。
S2、基于建筑优化目标聚类模型，绘制神经元代表建筑优化目标成分图、神经元内非支配设计解数量图以及神经元层次聚类图，进行建筑优化目标导向神经元层次聚类筛选。
优选地，步骤S2具体包括：
S2-1、以六边形单元表示神经元，通过不同色彩或灰度对应不同建筑优化目标值的形式，绘制建筑优化目标聚类模型的神经元代表建筑优化目标成分图。
进一步地，步骤S2-1包括：计算建筑优化目标聚类模型神经元中非支配设计解的归一化建筑优化目标平均值向量，用该平均值向量替换其对应神经元的权值向量，将替换后的新的神经元权值向量映射到不同建筑优化目标对应的区间内，作为神经元内非支配设计解的代表建筑优化目标向量，提取该代表建筑优化目标向量中各个建筑优化目标的数据；用六边形单元表示神经元，通过排列六边形单元反映神经元所在位置和神经元之间的邻近关系，得到相应的神经元排列图，在该神经元排列图上以不同色彩或灰度(优选不同色彩)对应不同建筑优化目标值的形式进行数据可视化，得到神经元代表建筑优化目标成分图。
S2-2、以六边形单元表示神经元，通过不同缩放量对应不同个数的形式，绘制建筑优化目标聚类模型的神经元内非支配设计解数量图。
进一步地，步骤S2-2包括：计算聚类到建筑优化目标聚类模型每个神经元内的数据个数，绘制相应的神经元排列图，并以六边形单元的缩放量为标尺，设置数据量最大的神经元单元缩放比为1，数据量为0的神经元单元缩放比为0，并将缩放后的六边形单元显示为黑色，得到神经元内非支配设计解数量图。
S2-3、对建筑优化目标聚类模型的神经元进行层次聚类，得到神经元层次聚类图。
进一步地，步骤S2-3包括：计算建筑优化目标聚类模型神经元之间的欧式距离，根据该欧式距离建立层次聚类的二叉树连接矩阵，若有a个神经元，则该二叉树连接矩阵的维度为(a-1)×3，通过步骤S1中得到的非支配设计解分布特征U矩阵图，获取神经元之间的距离信息和非支配设计解的分布信息，根据获取的分布信息设定可接受的最大聚类数Nmax，通过分割二叉树保留下不大于Nmax个聚类，得到N≤Nmax个聚类簇；绘制相应的神经元排列图，将保留下的聚类结果以不同颜色对应不同类的形式进行可视化，得到神经元层次聚类图。
S2-4、基于步骤S2-1至步骤S2-3所得图像，获得建筑优化目标导向神经元层次聚类筛选结果。
进一步地，步骤S2-4包括：对照上述三种可视化结果，即步骤S2-1中的神经元代表建筑优化目标成分图、步骤S2-2中神经元内非支配设计解数量图以及步骤S2-3中的神经元层次聚类图，选定层次聚类结果中，建筑优化目标符合相关建筑设计标准的一个或多个优选类(相对于其他未被选择的类较优)，获取所选优选类中非支配设计解的序号，利用此序号索引对应的非支配设计解，得到建筑优化目标导向神经元层次聚类筛选结果。其中，相关建筑设计标准，即优选类的认定标准，可根据具体设计需求，从现有技术中公开的各项标准中获取，在此不再进一步限定。
S3、根据建筑优化目标导向神经元层次聚类筛选结果和SOM神经网络重构建筑优化目标聚类模型，基于重构的建筑优化目标聚类模型绘制神经元代表建筑优化目标柱状图和神经元内非支配设计解数量图，进行建筑优化目标导向神经元筛选。
优选地，步骤S3中根据建筑优化目标导向神经元层次聚类筛选结果和SOM神经网络重构建筑优化目标聚类模型包括：
S3-1、基于建筑优化目标导向神经元层次聚类筛选结果重构建筑优化目标聚类模型。
进一步地，步骤S3-1包括：提取建筑优化目标导向神经元层次聚类筛选结果中，筛选获得的非支配设计解的建筑优化目标数据，构建新的包含n2个非支配设计解和m个优化目标的n2×m建筑优化目标矩阵(n2表示经过建筑优化目标导向神经元层次聚类筛选后的非支配设计解个数，m表示建筑优化目标个数)，并对新构建的建筑优化目标矩阵归一化处理；构建新的建筑优化目标SOM神经网络，初始化新构建的建筑优化目标SOM神经网络，设置相应的时间步长i和初始学习率learn0、初始邻域半径neighbor0。将新的归一化处理后的建筑优化目标矩阵数据输入新构建的建筑优化目标SOM神经网络，根据欧式距离求解获胜神将元，并更新获胜神经元及其邻域神经元的权值，迭代训练直到训练成功，得到重构的建筑优化目标聚类模型。其中新构建的建筑优化目标SOM神经网络特征映射不再发生明显变化，即一轮训练前后的变化值低于预设的变化量阈值，说明训练成功。变化量阈值根据实际需要设定。
优选地，步骤S3中基于重构的建筑优化目标聚类模型绘制神经元代表建筑优化目标柱状图和神经元内非支配设计解数量图，进行建筑优化目标导向神经元筛选包括：
S3-2、以柱状图的形式绘制重构后建筑优化目标聚类模型的神经元代表建筑优化目标柱状图。
进一步地，步骤S3-2包括：计算重构的建筑优化目标聚类模型神经元中非支配设计解的归一化建筑优化目标平均值向量，用该平均值向量替换其对应神经元的权值向量，并以柱状图的形式可视化新的权值向量，在相应的建筑优化目标聚类模型的神经元排列图上叠加呈现，得到神经元代表建筑优化目标柱状图。
S3-3、以六边形单元表示神经元，通过不同缩放量对应不同个数的形式，绘制重构后建筑优化目标聚类模型的神经元内非支配设计解数量图。
此步骤与步骤S2-2中绘制建筑优化目标聚类模型的神经元内非支配设计解数量图基本相同，区别仅为执行的对象为重构的建筑优化目标聚类模型，在此不再重复说明。最终可基于重构的建筑优化目标聚类模型，得到新的神经元内非支配设计解数量图。
S3-4、基于步骤S3-2和步骤S3-3所得图像，获得建筑优化目标导向神经元筛选结果。
对照上述两种可视化结果，即步骤S3-2中得到的神经元代表建筑优化目标柱状图、步骤S3-3中得到的新的神经元内非支配设计解数量图，选定一个或多个内部非支配设计解数量大于零、建筑优化目标满足相关建筑设计标准，同时达到设计使用要求的神经元，获取所选的神经元中非支配设计解的序号，利用此序号索引对应的非支配设计解，得到建筑优化目标导向神经元筛选结果。
S4、根据建筑优化目标导向神经元筛选结果或上一轮建筑设计参量导向神经元筛选结果，构建建筑设计参量聚类模型；基于建筑设计参量聚类模型进行建筑设计参量导向神经元筛选，并根据本轮筛选结果判断是否需进行下一轮建筑设计参量导向神经元筛选。
优选地，步骤S4包括：
S4-1、基于筛选得到非支配设计解的建筑设计参量数据训练建筑设计参量SOM神经网络，构建建筑设计参量聚类模型。
特别地，步骤S4-1中基于筛选得到非支配设计解的建筑设计参量数据训练建筑设计参量SOM神经网络，构建建筑设计参量聚类模型时：
若当前为首轮建筑设计参量导向神经元筛选，则根据建筑优化目标导向神经元筛选结果中筛选得到非支配设计解的建筑设计参量数据构建建筑设计参量聚类模型；若当前并非首轮建筑设计参量导向神经元筛选，则根据上一轮建筑设计参量导向神经元筛选结果中筛选得到非支配设计解的建筑设计参量数据构建建筑设计参量聚类模型。
进一步地，步骤S4-1包括：获取筛选得到非支配设计解的建筑设计参量数据，构建含有n3个非支配设计解和k个建筑设计参量的n3×k建筑设计参量矩阵(n3表示经过建筑优化目标导向神经元筛选或上一轮建筑设计参量导向神经元筛选后的非支配设计解个数，k表示建筑设计参量个数)，归一化该建筑设计参量矩阵；构建建筑设计参量SOM神经网络，初始化建筑设计参量SOM神经网络，设置相应的时间步长i和初始学习率learn0、初始邻域半径neighbor0。将归一化建筑设计参量矩阵输入建筑设计参量SOM神经网络，根据欧式距离求解获胜神将元，并更新获胜神经元及其邻域神经元的权值，迭代训练直到训练成功，得到建筑设计参量聚类模型。其中建筑设计参量SOM神经网络特征映射不再发生明显变化，即一轮训练前后的变化值低于预设的变化量阈值，说明训练成功。变化量阈值根据实际需要设定。
优选地，步骤S4中基于建筑设计参量聚类模型绘制神经元代表建筑设计参量矩阵图、神经元代表建筑优化目标矩阵图，进行建筑设计参量导向神经元筛选包括：
S4-2、计算神经元代表建筑设计参量取值，绘制建筑设计参量聚类模型的神经元代表建筑设计参量矩阵图。
进一步地，步骤S4-2包括：计算建筑设计参量聚类模型神经元中非支配设计解的归一化建筑设计参量平均值向量，用该平均值向量替换其对应神经元的权值向量，反归一化新的神经元权值向量，得到神经元代表建筑设计参量数值；将该神经元代表建筑设计参量数值对应的建筑设计方案在相应的建筑设计参量聚类模型的神经元排列图上叠加呈现，得到神经元代表建筑设计参量矩阵图。
S4-3、计算神经元代表建筑优化目标取值，绘制建筑设计参量聚类模型的神经元代表建筑优化目标矩阵图。
进一步地，步骤S4-3包括：计算建筑设计参量聚类模型神经元中非支配设计解的归一化建筑优化目标平均值向量，反归一化该平均值向量，得到神经元代表建筑优化目标数值；将该神经元代表建筑优化目标数值在相应的建筑设计参量聚类模型的神经元排列图上叠加呈现，得到神经元代表建筑优化目标矩阵图。
S4-4、基于步骤S4-2和步骤S4-3所得图像，获得建筑设计参量导向神经元筛选结果。
对照上述两种可视化结果，即步骤S4-2中的神经元代表建筑设计参量矩阵图和步骤S4-3中的神经元代表建筑优化目标矩阵图，选择一个或多个内部非支配设计解数量大于零、建筑设计参量代表的建筑设计方案达到建筑师和业主需求标准的神经元，获取所选的神经元内的非支配设计解数据，得到本轮的建筑设计参量导向神经元筛选结果。
进一步地，步骤S4中根据本轮筛选结果判断是否需进行下一轮建筑设计参量导向神经元筛选包括：
S4-5、设定直接权衡比较的非支配设计解数量阈值n，判断筛选得到非支配设计解数量是否小于n，若是，则权衡比较最后一轮筛选得到的非支配设计解，选择最终建筑优化设计方案，若否，则返回步骤S4-1，基于本轮筛选结果进行下一轮建筑设计参量导向神经元筛选，直至得到最终建筑优化设计方案。
本发明方法应用SOM神经网络聚类和可视化技术，对建筑多目标优化设计得到的非支配设计解进行聚类和可视化分析。相比既有决策支持方法，本发明的方法能可视化大量高维非支配设计解数据，挖掘分析非支配设计解数据特征，可显著改善建筑多目标优化设计决策制定效果，为建筑设计提供高效且有效的决策支持，有助于建筑师通过制定决策得到最终建筑优化设计方案，提升建筑性能。
实施例二
如图3至图11所示，本实施例二与实施例一基本相同，相同之处不再赘述，不同之处在于，本实施例中：
步骤S1-1包括：在Revit软件中建立所需的建筑信息模型，选取建筑中A型窗高度、B型窗高度、C型窗高度以及一层进深和二层开间共5个建筑设计参量，选取DA(全天然采光百分比)，UDI(有效天然采光百分比)，CO2(全年碳排放量)以及EUI(全年建筑能耗)作为建筑优化目标，通过参数化平台Dynamo以及Optimo插件构建建筑设计参量和建筑优化目标之间存在映射关系的多目标约束优化模型，通过遗传算法进行优化搜索，得到100个非支配设计解。
步骤S1-2包括：将100个非支配设计解数据转化为矩阵，提取该矩阵中DA、UDI、CO2、EUI对应的数据，构成包含100个非支配设计解和4个建筑优化目标的100×4的建筑优化目标矩阵A。
步骤S1-3包括：构建建筑优化目标SOM神经网络，将建筑优化目标矩阵A的数据归一化，把取值范围不同的建筑优化目标映射在(0,1)区间内。初始化神经网络，设置时间步长i＝500、初始学习率为0.6、初始邻域半径为整个输出平面的一半。用归一化后的建筑优化目标矩阵数据训练SOM神经网络，迭代至训练成功，将100个非支配设计解按照归一化建筑优化目标值聚类到神经元中，得到建筑优化目标聚类模型，如图3所示。
步骤S1-4包括绘制如图4中所示的非支配设计解分布特征U矩阵图。
步骤S2-1包括：计算建筑优化目标聚类模型神经元中非支配设计解的归一化建筑优化目标平均值向量，用该向量替换其对应神经元的权值向量，将新的神经元权值向量映射到DA、UDI、CO2、EUI对应的区间内，作为神经元内非支配设计解的代表建筑优化目标向量，提取该向量中DA、UDI、CO2、EUI的数据，在建筑优化目标聚类模型的神经元排列图上以不同色彩对应不同建筑优化目标值的形式分别可视化DA取值、UDI取值、CO2取值和EUI取值，得到图5中所示的神经元代表建筑优化目标成分图(图5中未示出色彩)，图5(a)对应DA取值、图5(b)对应UDI取值、图5(c)对应CO2取值和图5(d)对应EUI取值。
步骤S2-2包括计算聚类到建筑优化目标聚类模型每个神经元内的非支配设计解数量，绘制如图6中所示的神经元内数据量分布图，即神经元内非支配设计解数量图。
步骤S2-3包括：计算建筑优化目标聚类模型神经元之间的欧式距离，根据该距离建立层次聚类的二叉树连接(49×3)矩阵，通过观察图4中所示的非支配设计解分布特征U矩阵图，可了解到其右上角SOM神经网络神经元的距离较小，对应的神经元内非支配设计解分布较紧密、相似度更大；其左下角SOM神经网络神经元之间的距离较大，对应的神经元内非支配设计解分布较稀疏、相似度更小。根据该信息设定可接受的最大聚类数Nmax＝15，得到神经元层次聚类结果。绘制建筑优化目标聚类模型的神经元排列图，将聚类结果以不同颜色对应不同类的形式反映在该图上，得到如图7所示的神经元层次聚类图。
步骤S2-4包括：对照如图5中所示的神经元代表建筑优化目标成分图、图6中所示神经元内非支配设计解数量图和图7中所示神经元层次聚类图，根据国际建筑设计标准中DA大于50％的规定，选定层次聚类结果中(图5至图7灰色线圈范围内)的较优类，获取所选较优类中非支配设计解的序号，利用此序号索引非支配设计解，得到21个非支配设计解。
步骤S3-1包括：提取上一次筛选获得21个非支配设计解的建筑优化目标数据，构建21×4的建筑优化目标矩阵，并归一化处理；构建建筑优化目标SOM神经网络，初始化神经网络，设置时间步长i＝500、初始学习率为0.6、初始邻域半径为整个输出平面的一半。用新的21×4归一化建筑优化目标矩阵数据训练SOM神经网络，迭代至训练成功，将21个非支配设计解按照归一化建筑优化目标值聚类到神经元中，得到重构的建筑优化目标聚类模型；
步骤S3-2包括：计算建筑优化目标聚类模型神经元中非支配设计解的归一化建筑优化目标平均值向量，用该向量替换其对应神经元的权值向量，并以柱状图的形式可视化新权值向量对应的DA、UDI、CO2、EUI取值，在建筑优化目标聚类模型的神经元排列图上叠加呈现，得到如图8中所示的神经元代表建筑优化目标柱状图；
步骤S3-3包括计算聚类到建筑优化目标聚类模型每个神经元内的非支配设计解数量，绘制如图9中所示的神经元内非支配设计解数量图。
步骤S3-4包括：对照如图8中所示的神经元代表建筑优化目标柱状图、图9中所示神经元内非支配设计解数量图，选定DA、UDI、CO2、EUI值较优的神经元，获取所选较优神经元中非支配设计解的序号，利用此序号索引非支配设计解，得12个非支配设计解。
步骤S4-1包括：获取上一次筛选得到的12个非支配设计解，提取其中A型窗高度、B型窗高度、C型窗高度、一层进深和二层开间共5个建筑设计参量对应的数据，构建12×5建筑设计参量矩阵，归一化该矩阵；构建建筑设计参量SOM神经网络，初始化神经网络，设置时间步长i＝500、初始学习率为0.6、初始邻域半径为整个输出平面的一半。用归一化后的建筑设计参量矩阵数据训练SOM神经网络，迭代至训练成功，将12个非支配设计解按照归一化建筑设计参量值聚类到神经元中，得到建筑设计参量聚类模型。
步骤S4-2包括：计算建筑设计参量聚类模型神经元中非支配设计解的归一化建筑设计参量平均值向量，用该向量替换其对应神经元的权值向量，将新的权值向量映射到对应的A型窗高度、B型窗高度、C型窗高度、一层进深和二层开间这5个建筑设计参量取值范围，得到神经元代表建筑设计参量取值，将该数值对应的建筑设计方案在建筑设计参量聚类模型的神经元排列图上叠加呈现，得到如图10中所示的神经元代表建筑设计参量矩阵图。
步骤S4-3包括：计算建筑设计参量聚类模型神经元中非支配设计解的归一化建筑优化目标平均值向量，将该向量映射到DA、UDI、CO2、EUI这4个建筑优化目标的取值范围内，得到神经元代表建筑优化目标取值，将该数值在建筑设计参量聚类模型的神经元排列图上叠加呈现，得到如图11中所示的神经元代表建筑优化目标矩阵图。
步骤S4-4包括：对照如图10中所示的神经元代表建筑设计参量矩阵图和图11中所示的神经元代表建筑优化目标矩阵图，选择建筑设计参量较为满意的神经元，获取神经元内的非支配设计解数据，得到2个非支配设计解。
步骤S4-5包括：设定想要直接权衡比较的非支配设计解数量阈值4，由于筛选得到非支配设计解的数量小于该阈值，可以进行最终建筑优化设计方案的权衡比较，通过对比两个非支配设计解，选择其中一个作为最终的建筑优化设计方案。如果得到的非支配设计解数量大于等于4，则返回步骤S4-1，即重复步骤S4，直至非支配设计解数量小于阈值。
综上，本发明提供了一套完整的决策流程，应用SOM聚类、层次聚类以及SOM神经网络多种可视化方式，形成相互支撑的决策辅助技术，实现了建筑多目标优化设计问题的非支配解筛选，可为建筑师制定具体建筑设计方案提供有效的决策支持。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于SOM的建筑多目标优化设计决策支持方法，其特征在于，包括如下步骤：
S1、基于SOM神经网络构建建筑优化目标聚类模型，并得到非支配设计解分布特征U矩阵图；
S2、基于建筑优化目标聚类模型绘制神经元代表建筑优化目标成分图、神经元内非支配设计解数量图以及神经元层次聚类图，进行建筑优化目标导向神经元层次聚类筛选；
S3、根据建筑优化目标导向神经元层次聚类筛选结果和SOM神经网络重构建筑优化目标聚类模型，基于重构的建筑优化目标聚类模型绘制神经元代表建筑优化目标柱状图和神经元内非支配设计解数量图，进行建筑优化目标导向神经元筛选；
S4、根据建筑优化目标导向神经元筛选结果或上一轮建筑设计参量导向神经元筛选结果，构建建筑设计参量聚类模型；基于建筑设计参量聚类模型绘制神经元代表建筑设计参量矩阵图、神经元代表建筑优化目标矩阵图，进行建筑设计参量导向神经元筛选，并根据本轮筛选结果判断是否需进行下一轮建筑设计参量导向神经元筛选，直至得到最终建筑优化设计方案。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：
S1-1、根据建筑优化设计需求得到建筑多目标优化的非支配设计解集；
S1-2、提取非支配设计解的建筑优化目标数据，得到建筑优化目标矩阵；
S1-3、构建建筑优化目标SOM神经网络，并利用建筑优化目标矩阵进行训练，得到建筑优化目标聚类模型；
S1-4、根据建筑优化目标聚类模型，利用建筑优化目标SOM神经网络可视化神经元之间距离的U矩阵图方式，绘制非支配设计解分布特征U矩阵图。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：
S2-1、以六边形单元表示神经元，通过不同色彩或灰度对应不同建筑优化目标值的形式，绘制建筑优化目标聚类模型的神经元代表建筑优化目标成分图；
S2-2、以六边形单元表示神经元，通过不同缩放量对应不同个数的形式，绘制建筑优化目标聚类模型的神经元内非支配设计解数量图；
S2-3、对建筑优化目标聚类模型的神经元进行层次聚类，得到神经元层次聚类图；
S2-4、基于步骤S2-1至步骤S2-3所得图像，获得建筑优化目标导向神经元层次聚类筛选结果。
4.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：
S3-1、基于建筑优化目标导向神经元层次聚类筛选结果重构建筑优化目标聚类模型；
S3-2、以柱状图的形式绘制重构后建筑优化目标聚类模型的神经元代表建筑优化目标柱状图；
S3-3、以六边形单元表示神经元，通过不同缩放量对应不同个数的形式，绘制重构后建筑优化目标聚类模型的神经元内非支配设计解数量图；
S3-4、基于步骤S3-2和步骤S3-3所得图像，获得建筑优化目标导向神经元筛选结果。
5.根据权利要求1所述的方法，其特征在于，所述步骤S4包括：
S4-1、基于筛选得到非支配设计解的建筑设计参量数据训练建筑设计参量SOM神经网络，构建建筑设计参量聚类模型；
S4-2、计算神经元代表建筑设计参量取值，绘制建筑设计参量聚类模型的神经元代表建筑设计参量矩阵图；
S4-3、计算神经元代表建筑优化目标取值，绘制建筑设计参量聚类模型的神经元代表建筑优化目标矩阵图；
S4-4、基于步骤S4-2和步骤S4-3所得图像，获得建筑设计参量导向神经元筛选结果；
S4-5、设定直接权衡比较的非支配设计解数量阈值n，判断筛选得到非支配设计解数量是否小于n；若是，则权衡比较最后一轮筛选得到的非支配设计解，选择最终建筑优化设计方案；若否，则返回步骤S4-1，基于本轮筛选结果进行下一轮建筑设计参量导向神经元筛选，直至得到最终建筑优化设计方案。
6.根据权利要求5所述的方法，其特征在于，所述步骤S4-1中基于筛选得到非支配设计解的建筑设计参量数据训练建筑设计参量SOM神经网络，构建建筑设计参量聚类模型时：
若当前为首轮建筑设计参量导向神经元筛选，则根据建筑优化目标导向神经元筛选结果中筛选得到非支配设计解的建筑设计参量数据构建建筑设计参量聚类模型；
若当前并非首轮建筑设计参量导向神经元筛选，则根据上一轮建筑设计参量导向神经元筛选结果中筛选得到非支配设计解的建筑设计参量数据构建建筑设计参量聚类模型。
7.根据权利要求2所述的方法，其特征在于，所述步骤S1-1中根据建筑优化设计需求得到建筑多目标优化的非支配设计解集包括：
根据建筑优化设计需求构建建筑多目标优化设计问题，选择相应的建筑设计参量和建筑优化目标，构建建筑设计参量与建筑优化目标之间的映射关系，利用该映射关系设置目标函数，根据建筑优化设计需求设置约束条件，通过遗传优化算法搜索满足约束条件且对应的目标函数值适应度高的n1个设计解，得到非支配设计解集。
8.根据权利要求7所述的方法，其特征在于，所述步骤S1-2中提取非支配设计解的建筑优化目标数据，得到建筑优化目标矩阵包括：
将非支配设计解集数据转化为矩阵，该矩阵的行向量为不同的非支配设计解，列向量为不同建筑设计参量和建筑优化目标；提取该矩阵中建筑优化目标对应的数据，构建建筑优化目标矩阵，其中，建筑优化目标矩阵包含n1个非支配设计解和m个建筑优化目标，大小为n1×m。
9.根据权利要求8所述的方法，其特征在于，所述步骤S1-3中、构建建筑优化目标SOM神经网络，并利用建筑优化目标矩阵进行训练，得到建筑优化目标聚类模型包括：
构建包含输入层和竞争层，具有二维网格拓扑结构的SOM神经网络作为建筑优化目标SOM神经网络，其水平和垂直方向神经元个数比等于建筑优化目标矩阵的协方差矩阵中两个最大特征值之比；对建筑优化目标矩阵进行归一化处理，将建筑优化目标矩阵中取值范围不同的建筑优化目标值映射在(0,1)区间内，得到归一化的建筑优化目标矩阵；利用归一化的建筑优化目标矩阵对建筑优化目标SOM神经网络进行训练，不断更新建筑优化目标SOM神经网络的神经元权值，直至训练成功，得到建筑优化目标聚类模型。
10.根据权利要求3所述的方法，其特征在于，所述步骤S2-1中以六边形单元表示神经元，通过不同色彩或灰度对应不同建筑优化目标值的形式，绘制建筑优化目标聚类模型的神经元代表建筑优化目标成分图包括：
计算建筑优化目标聚类模型神经元中非支配设计解的归一化建筑优化目标平均值向量，用该平均值向量替换其对应神经元的权值向量，将替换后的神经元权值向量映射到不同建筑优化目标对应的区间内，作为神经元内非支配设计解的代表建筑优化目标向量，提取该代表建筑优化目标向量中各个建筑优化目标的数据；用六边形单元表示神经元，通过排列六边形单元反映神经元所在位置和神经元之间的邻近关系，得到相应的神经元排列图，在该神经元排列图上以不同色彩或灰度对应不同建筑优化目标值的形式进行数据可视化，得到神经元代表建筑优化目标成分图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910866129.3A CN110569616B (zh) | 2019-09-12 | 2019-09-12 | 一种基于som的建筑多目标优化设计决策支持方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910866129.3A CN110569616B (zh) | 2019-09-12 | 2019-09-12 | 一种基于som的建筑多目标优化设计决策支持方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110569616A true CN110569616A (zh) | 2019-12-13 |
| CN110569616B CN110569616B (zh) | 2022-06-21 |
Family
ID=68779798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910866129.3A Active CN110569616B (zh) | 2019-09-12 | 2019-09-12 | 一种基于som的建筑多目标优化设计决策支持方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110569616B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288331A (zh) * | 2020-11-24 | 2021-01-29 | 哈尔滨工业大学 | 一种基于语义识别的建筑改建评估系统 |
| CN112529037A (zh) * | 2020-11-06 | 2021-03-19 | 重庆恢恢信息技术有限公司 | 基于大数据分析建筑工地建设优化方法 |
| CN113094798A (zh) * | 2021-04-22 | 2021-07-09 | 山东建筑大学 | 一种基于生命周期碳中和的建筑多目标优化设计方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542051A (zh) * | 2011-12-29 | 2012-07-04 | 武汉大学 | 一种随机分布型地理要素的多目标协同抽样方案设计方法 |
| CN104537660A (zh) * | 2014-12-25 | 2015-04-22 | 西安电子科技大学 | 基于多目标智能体进化聚类算法的图像分割方法 |
| CN104778327A (zh) * | 2015-04-23 | 2015-07-15 | 复旦大学 | 基于人工神经网络的飞机翼型优化设计方法 |
| CN108304826A (zh) * | 2018-03-01 | 2018-07-20 | 河海大学 | 基于卷积神经网络的人脸表情识别方法 |
| CN108416392A (zh) * | 2018-03-16 | 2018-08-17 | 电子科技大学成都研究院 | 基于som神经网络的建筑物聚类方法 |
| CN109271695A (zh) * | 2018-09-07 | 2019-01-25 | 中南大学 | 基于神经网络的多目标天线设计方法 |
| CN109767438A (zh) * | 2019-01-09 | 2019-05-17 | 电子科技大学 | 一种基于动态多目标优化的红外热图像缺陷特征识别方法 |
-
2019
- 2019-09-12 CN CN201910866129.3A patent/CN110569616B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542051A (zh) * | 2011-12-29 | 2012-07-04 | 武汉大学 | 一种随机分布型地理要素的多目标协同抽样方案设计方法 |
| CN104537660A (zh) * | 2014-12-25 | 2015-04-22 | 西安电子科技大学 | 基于多目标智能体进化聚类算法的图像分割方法 |
| CN104778327A (zh) * | 2015-04-23 | 2015-07-15 | 复旦大学 | 基于人工神经网络的飞机翼型优化设计方法 |
| CN108304826A (zh) * | 2018-03-01 | 2018-07-20 | 河海大学 | 基于卷积神经网络的人脸表情识别方法 |
| CN108416392A (zh) * | 2018-03-16 | 2018-08-17 | 电子科技大学成都研究院 | 基于som神经网络的建筑物聚类方法 |
| CN109271695A (zh) * | 2018-09-07 | 2019-01-25 | 中南大学 | 基于神经网络的多目标天线设计方法 |
| CN109767438A (zh) * | 2019-01-09 | 2019-05-17 | 电子科技大学 | 一种基于动态多目标优化的红外热图像缺陷特征识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| LAURENT MAGNIER等: ""Multiobjective optimization of building design using TRNSYS simulations，genetic algorithm，and Artificial Neural Network"", 《BUILDING AND ENVIRONMENT》 * |
| 刘倩倩: ""方案设计阶段建筑高维多目标优化与决策支持方法研究"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
| 孙彦萍等: ""基于SOM需求响应潜力的居民用户优化聚合模型"", 《电力建设》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529037A (zh) * | 2020-11-06 | 2021-03-19 | 重庆恢恢信息技术有限公司 | 基于大数据分析建筑工地建设优化方法 |
| CN112288331A (zh) * | 2020-11-24 | 2021-01-29 | 哈尔滨工业大学 | 一种基于语义识别的建筑改建评估系统 |
| CN113094798A (zh) * | 2021-04-22 | 2021-07-09 | 山东建筑大学 | 一种基于生命周期碳中和的建筑多目标优化设计方法 |
| CN113094798B (zh) * | 2021-04-22 | 2023-07-28 | 山东建筑大学 | 一种基于生命周期碳中和的建筑多目标优化设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110569616B (zh) | 2022-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110569616B (zh) | 一种基于som的建筑多目标优化设计决策支持方法 | |
| CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
| CN110363344A (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
| dos Santos et al. | A relevance feedback method based on genetic programming for classification of remote sensing images | |
| CN110263111B (zh) | 基于先验知识的土地利用/覆被信息时空监测方法 | |
| CN106228185A (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
| CN108427845A (zh) | 一种铅锌矿采矿过程碳排放短期预测方法 | |
| Shi et al. | Feature selection for object-based classification of high-resolution remote sensing images based on the combination of a genetic algorithm and tabu search | |
| CN115906675B (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
| Wu et al. | A surrogate-assisted optimization framework for microclimate-sensitive urban design practice | |
| Moua et al. | Correcting the effect of sampling bias in species distribution modeling–A new method in the case of a low number of presence data | |
| CN114092697A (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
| CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
| CN115796358A (zh) | 一种碳排放预测的方法及终端 | |
| Eslamirad et al. | Data generative machine learning model for the assessment of outdoor thermal and wind comfort in a northern urban environment | |
| Cai et al. | Training deep convolution network with synthetic data for architectural morphological prototype classification | |
| CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
| CN115273645B (zh) | 一种室内面要素自动聚类的地图制图方法 | |
| CN112381148A (zh) | 一种基于随机区域插值的半监督图像分类方法 | |
| CN116341081A (zh) | 一种建筑设计多目标快速优化设计辅助系统及方法 | |
| CN111353525A (zh) | 一种不均衡不完整数据集的建模及缺失值填补方法 | |
| CN115034005A (zh) | 一种面向构件剩余使用寿命预测的模型分析可视化方法 | |
| Lotif | Visualizing the population of meta-heuristics during the optimization process using self-organizing maps | |
| Quagliarella et al. | GAs for aerodynamic shape design II: multiobjective optimization and multi-criteria design | |
| CN111369124A (zh) | 一种基于自生成全局特征和注意力的图像美学预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |