CN111090899B - 一种用于城市建筑空间布局设计方法 - Google Patents
一种用于城市建筑空间布局设计方法 Download PDFInfo
- Publication number
- CN111090899B CN111090899B CN201911084074.7A CN201911084074A CN111090899B CN 111090899 B CN111090899 B CN 111090899B CN 201911084074 A CN201911084074 A CN 201911084074A CN 111090899 B CN111090899 B CN 111090899B
- Authority
- CN
- China
- Prior art keywords
- building
- layout
- buildings
- agent
- area
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于城市建筑空间布局设计方法。该方法包括步骤有初始布局、布局转化、优化训练、优化形状,主要是对中等布局条件下的建筑进行分类,抽象为坐标点,确定目标函数和约束条件,然后利用DQN算法,把每个建筑对应的坐标点映射为自主学习中的一个Agent,将空间布局设计建模成强化学习模型进行自主学习,并对学习的结果进一步进行布局优化训练和每个建筑具体形状的优化设计。该方法能够根据需求确定建筑的位置、大小,再通过自主学习确定最终整体布局,实现了布局设计的自动化和智能化。
Description
技术领域
本发明涉及计算机图形学领域,尤其涉及一种用于城市建筑空间布局设计方法。
背景技术
城市建筑空间布局设计,例如对商业区、火车站周边、大学校园内部等,在这些中等布局条件下,“人”的因素往往对布局的评价起很大作用,对布局的设计要求不再仅仅是简单的确定道路网络结构,根据道路网络确定布局,而且要求在合适的位置存在合适的建筑,并确保人们能在一定的时间内能够到达想要到达的地方。
现有技术中的布局设计方法一般是把布局优化问题建模成一定约束条件下的组合优化问题,通过数学规划法、遗传算法或模拟退火方法等求解。但这些方法不能够满足中等布局下特定环境的需求,因此需要一种智能可学习的布局设计方法,能够生成尽可能满足人群、更符合现实场景需求的布局。
发明内容
本发明主要解决的技术问题是提供一种用于城市建筑空间布局设计方法,解决现有技术中对建筑空间布局缺乏自主智能设计以及最终给出合理化布局设计的问题。
为解决上述技术问题,本发明采用的一个技术方案是提供一种用于城市建筑空间布局设计方法,包括以下步骤:
初始布局,确定布局中需要的建筑类别、每种建筑类别对应的建筑数量以及建筑总数量,并把所有建筑均抽象为坐标点,再根据空间布局的需要,确定目标函数和约束条件;布局转化,把每个建筑对应的坐标点映射为自主学习中的一个Agent,建立空间布局设计和DQN算法的映射关系,将空间布局设计建模成强化学习模型进行自主学习;优化训练,利用DQN算法进一步对空间布局进行优化训练,通过训练好的模型自动生成建筑定位图,根据每个建筑之间的相互关系确定每个建筑的面积大小;优化形状,根据每个建筑的面积大小,把每个建筑对应的坐标点转化为建筑面,再根据每个建筑的位置信息、周围信息,优化每个建筑的具体形状,完成布局设计。
在本发明用于城市建筑空间布局设计方法另一实施例中,在所述初始布局步骤中,所述目标函数包括覆盖性目标,所述覆盖性目标是指每个建筑之间的覆盖叠压程度,在现实布局中任何两个建筑都不会覆盖,覆盖性目标可由以下公式表示:
F为覆盖性目标,i,j为建筑对应的序号,i的范围为1-N,j的范围为1-N,N为布局中的建筑总数,areai、areaj分别是指第i个、第j个建筑所覆盖的区域,S(areai∩areaj)为第i个、第j个建筑共同覆盖的布局的面积,若布局中的所有建筑之间都不存在覆盖,则F为0。
在本发明用于城市建筑空间布局设计方法另一实施例中,在所述初始布局步骤中,所述目标函数包括建筑距离目标,所述建筑距离目标是指两个不同建筑类型之间的最短距离,两种不同建筑类型之间的最短距离可用下面公式表示:
在本发明用于城市建筑空间布局设计方法另一实施例中,在所述初始布局步骤中,所述目标函数包括占地率目标,所述占地率目标是指布局中建筑覆盖布局的面积比,即:
其中,R为占地率目标,Si为建筑i的面积,Slayout表示整个布局域的面积。
在本发明用于城市建筑空间布局设计方法另一实施例中,在所述初始布局步骤中,所述约束条件包括建筑与建筑之间的距离d可由公式表示:
在本发明用于城市建筑空间布局设计方法另一实施例中,在所述布局转化步骤中,把Agent的位置优化问题建模成一个马尔科夫决策过程,每个Agent的位置代表一个建筑的位置,每个Agent可以执行前、后、左、右四个动作,通过执行动作改变所对应建筑的位置,每一步都只选择一个Agent进行移动。
在本发明用于城市建筑空间布局设计方法另一实施例中,在所述布局转化步骤中,选择每一步需要移动的Agent i的依据是costi,costi表示Agent i的局部代价,计算方式由以下公式表示:
x,y∈[1,...,N]
在本发明用于城市建筑空间布局设计方法另一实施例中,在所述布局转化步骤中,在自主学习过程中,在每回合结束后,Agent会向环境返回一个奖励值来评估此回合采取动作的优劣,从中总结经验使学习过程向目标方向发展;选择costi最大的Agent i作为自主学习每回合移动的对象,设Statet为第t回合的状态,在此状态下采取动作a得到第t+1回合的状态Statet+1,此动作得到的奖励值表示为:
Reward=costi(t+1)-costi(t)
其中,costi(t)表示Agent i在t回合下的局部代价,costi(t+1)表示Agent i在t回合下执行动作a后在t+1回合下的局部代价,a∈[前、后、左、右];
布局总代价costtot设定为布局中所有建筑的代价之和,公式表示为:
同样地,布局总代价costtot的值越小表示该布局越佳。
在本发明用于城市建筑空间布局设计方法另一实施例中,在所述优化训练步骤中,DQN算法中的强化学习或自主学习是一个不断在尝试中总结经验的过程,Agent每采取一次动作都会向环境反馈奖励信号来评价动作的优劣,DQN算法存在经验回放单元,用来存储学习过程中的历史数据;训练过程中根据经验回放单元中的数据总结经验,学习决策策略;在测试过程,输入测试集,即可通过训练完成的决策模型,根据当前时刻下的状态,选择并执行一个较佳的动作,自行向目标方向进行,直到完成预定目标或到达最大步长结束。
在本发明用于城市建筑空间布局设计方法另一实施例中,在所述优化形状步骤中,根据每个Agent与其周围的其他Agent信息,连接Agent与距它最近的其他各个建筑类型的一个点,可形成一个连接或非连接的无向图,此时图中每个点的度表示这个建筑本身跟其他建筑的关联程度,即一个点的度越大则表示去相应建筑的人越多,该建筑面积就应该越大,根据图中每个点的度,确定每个Agent对应的建筑的面积。
本发明的有益效果是:本发明公开了一种用于城市建筑空间布局设计方法。该方法包括步骤有初始布局、布局转化、优化训练、优化形状,主要是对中等布局条件下的建筑进行分类,抽象为坐标点,确定目标函数和约束条件,然后利用DQN算法,把每个建筑对应的坐标点映射为自主学习中的一个Agent,将空间布局设计建模成强化学习模型进行自主学习,并对学习的结果进一步进行布局优化训练和每个建筑具体形状的优化设计。该方法能够根据需求确定建筑的位置、大小,再通过自主学习确定最终整体布局,实现了布局设计的自动化和智能化。
附图说明
图1是根据本发明用于城市建筑空间布局设计方法一实施例的流程图;
图2是根据本发明用于城市建筑空间布局设计方法一实施例中Agent i移动示意图。
具体实施方式
为了便于理解本发明,下面结合附图和具体实施例,对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是,本发明可以以许多不同的形式来实现,并不限于本说明书所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
需要说明的是,除非另有定义,本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
图1显示了本发明用于城市建筑空间布局设计方法一实施例的流程图。在图1中,包括:
步骤S101,初始布局,确定布局中需要的建筑类别、每种建筑类别对应的建筑数量以及建筑总数量,并把所有建筑均抽象为坐标点,再根据空间布局的需要,确定目标函数和约束条件;
步骤S102,布局转化,把每个建筑对应的坐标点映射为自主学习中的一个Agent,建立空间布局设计和DQN算法的映射关系,将空间布局设计建模成强化学习模型进行自主学习;
步骤S103,优化训练,利用DQN算法进一步对空间布局进行优化训练,通过训练好的模型自动生成建筑定位图,根据每个建筑之间的相互关系确定每个建筑的面积大小;
步骤S104,优化形状,根据每个建筑的面积大小,把每个建筑对应的坐标点转化为建筑面,再根据每个建筑的位置信息、周围信息,优化每个建筑的具体形状,完成布局设计。
优选的,在步骤S101中,给定要设计布局的布局区域后,确定布局中建筑的类型{t0,t1,…,tn-1},各个类型建筑的数量,建筑总数量N。将每个建筑抽象为一个坐标点e,通过移动每个坐标点e的位置确定每个建筑的位置。
优选的,考虑到中等规模布局下的特殊需求,遵循用地布局与建筑不覆盖、距离一致性、占地合理性等原则,建立中等规模布局设计的评价指标,包括以下目标函数:覆盖性目标、建筑距离目标、占地率目标。
优选的,对于覆盖性目标,是指每个建筑之间的覆盖叠压程度。在现实布局中任何两个建筑都不会覆盖,覆盖性目标可由以下公式表示:
F为覆盖性目标,i,j为建筑对应的序号,i的范围为1-N,j的范围为1-N,N为布局中的建筑总数,areai、areaj分别是指第i个、第j个建筑所覆盖的区域,S(areai∩areaj)为第i个、第j个建筑共同覆盖的布局的面积,若布局中的所有建筑之间都不存在覆盖,则F为0。
进一步优选的,对于建筑距离目标,是指两个不同建筑类型之间的最短距离。建筑距离在实际生活中具有很大的意义,比如在商场内,一个室内电影院的附近可以开设一个餐馆,让年轻人看完电影后能及时地饱餐一顿。每两种不同类型的建筑的最短距离可用下面公式表示:
优选的,占地率目标是指布局中建筑覆盖布局的面积比,即:
其中,R为占地率目标,Si为建筑i的面积,Slayout表示整个布局域的面积。
进一步的,还包括建筑分布约束条件,一个良好的布局不仅要有合适的占地比率,常常也需要把建筑尽可能均匀的分散到布局各处,避免某些地方过于拥挤或宽松。优选的,建筑的分布情况与布局的面积及布局中建筑的总数量有关,建筑与建筑之间的推荐距离d可由公式表示:
优选的,在步骤S102中,把Agent的位置优化问题建模成一个马尔科夫决策过程,来确定每个建筑的位置,确定每个建筑的位置后,布局结构便基本形成。
如图2所示,每个Agent的位置代表一个建筑的位置,每个Agent可以执行前、后、左、右四个动作,通过执行动作改变所对应建筑的大体位置,每一步都只选择一个Agent进行移动。
选择每一步需要移动的Agent i的依据是costi,costi表示Agent i的局部代价,计算方式由以下公式表示:
进一步,在自主学习过程中,在每回合结束后,Agent会向环境返回一个奖励值来评估此回合采取动作的优劣,从中总结经验使学习过程向目标方向发展。奖励信号的设定在学习过程中起着关键的作用,是更改策略的主要依据。选择costi最大的Agent i作为自主学习每回合移动的对象,设Statet为第t回合的状态,在此状态下采取动作a得到第t+1回合的状态Statet+1,此动作得到的奖励值表示为:
Reward=costi(t+1)-costi(t)
其中,costi(t)表示Agent i在t回合下的局部代价,costi(t+1)表示Agent i在t回合下执行动作a后在t+1回合下的局部代价,a∈[前、后、左、右];
布局总代价costtot设定为布局中所有建筑的代价之和,公式表示为:
同样地,布局总代价costtot的值越小表示该布局越佳。在布局中建筑的数量N=3时,在最理想的状态下costtot=0;但当N>3时,一定有costtot>0。给定一可接受的costtot值Z,当costtot≤Z,即可接受当下布局。
优选的,在步骤S103中,DQN算法即深度Q网络(Deep Q Network)算法,是一种自主强化学习中基于值函数的无模型算法,使用神经网络来近似值函数,即神经网络的输入是state(s),输出是Q(s,a),(action space)。
在DQN算法中,Q(s,a)的更新形式为:
Q(st,at)=Q(st,at)+α[Rt+1+γmaxaQ(st+1,a)-Q(st,at)]
其中,Q(st,at)是Agent在状态st下采取动作at得到的奖励折扣和;α代表学习率;γ指未来步骤中奖励的衰减值,即后面的奖励给当前带来的影响。
通过神经网络计算出值函数后,DQN使用ε-greedy策略来输出选择动作。具体如下:首先自主强化学习环境会给出一个观测状态,Agent根据值函数网络得到关于这个Observation的所有Q(o,a;θ),然后利用贪婪算法选择动作并做出决策,环境接收到此动作后会给出一个奖励值及下一个观测状态。这整个流程是一个步骤。再根据Q(o,a;θ)和奖励值作为估计函数进行迭代学习更新值函数网络的参数,当奖励值达到最大时,算法所对应的行为便认为是最优行为。接着进入下一步。如此循环下去,直到训练出了一个效果较好的值函数网络。
自主强化学习是一个不断在尝试中总结经验的过程,Agent每采取一次动作都会向环境反馈奖励信号来评价动作的优劣,DQN算法存在经验回放单元,用来存储学习过程中的历史数据(状态信息、动作、奖励值)。训练过程中根据经验回放单元中的数据总结经验,学习决策策略;在测试过程,输入测试集,即可通过训练完成的决策模型根据当前时刻下的状态,选择并执行一个较佳的动作,自行向目标方向进行,直到完成预定目标或到达最大步长结束。
优选的,在本发明中随机输入一组抽象点集作为训练数据进行训练,训练完成后,输入测试集通过训练好的模型自动生成建筑定位图。使用自主强化学习算法的优点在于模型训练完成后能够很快地得到可接受的结果。
优选的,在步骤S104中,据调查发现,如果人需要去处理某件事情,如果有多个地方皆可完成,那么,往往会选择去一个最近的地点完成任务。例如一个人打算去银行或ATM取钱,他一般都会去距他最近的一个站点。基于这一理论,根据每个Agent与它周围的其他Agent信息,连接Agent与距它最近的其他各个类型的一个点,可形成一个连接或非连接的无向图。此时图中每个点的度表示这个建筑本身跟其他建筑的关联程度,即一个点的度越大则表示去相应建筑的人越多,该建筑面积就应该越大。根据图中每个点的度,确定每个Agent(建筑)的面积。
本发明的有益效果是:本发明公开了一种用于城市建筑空间布局设计方法。该方法包括步骤有初始布局、布局转化、优化训练、优化形状,主要是对中等布局条件下的建筑进行分类,抽象为坐标点,确定目标函数和约束条件,然后利用DQN算法,把每个建筑对应的坐标点映射为自主学习中的一个Agent,将空间布局设计建模成强化学习模型进行自主学习,并对学习的结果进一步进行布局优化训练和每个建筑具体形状的优化设计。该方法能够根据需求确定建筑的位置、大小,再通过自主学习确定最终整体布局,实现了布局设计的自动化和智能化。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种用于城市建筑空间布局设计方法,其特征在于,包括以下步骤:
初始布局,确定布局中需要的建筑类别、每种建筑类别对应的建筑数量以及建筑总数量,并把所有建筑均抽象为坐标点,再根据空间布局的需要,确定目标函数和约束条件;所述目标函数包括覆盖性目标,所述覆盖性目标是指每个建筑之间的覆盖叠压程度,覆盖性目标由以下公式表示:
F为覆盖性目标,i,j为建筑对应的序号,i的范围为1-N,j的范围为1-N,N为布局中的建筑总数,areai、areaj分别是指第i个、第j个建筑所覆盖的区域,S(areaiΙareaj)为第i个、第j个建筑共同覆盖的布局的面积,若布局中的所有建筑之间都不存在覆盖,则F为0;所述目标函数还包括建筑距离目标,所述建筑距离目标是指两个不同建筑类型之间的最短距离,两种不同建筑类型之间的最短距离用下面公式表示:
所述目标函数还包括占地率目标,所述占地率目标是指布局中建筑覆盖布局的面积比,即:
其中,R为占地率目标,Si为建筑i的面积,Slayout表示整个布局域的面积;
所述约束条件包括建筑与建筑之间的距离d,由公式表示:
布局转化,把每个建筑对应的坐标点映射为自主学习中的一个Agent,建立空间布局设计和DQN算法的映射关系,将空间布局设计建模成强化学习模型进行自主学习;
优化训练,利用DQN算法进一步对空间布局进行优化训练,通过训练好的模型自动生成建筑定位图,根据每个建筑之间的相互关系确定每个建筑的面积大小;
优化形状,根据每个建筑的面积大小,把每个建筑对应的坐标点转化为建筑面,再根据每个建筑的位置信息和周围信息,优化每个建筑的具体形状,完成布局设计。
2.根据权利要求1所述的用于城市建筑空间布局设计方法,其特征在于,在所述布局转化步骤中,每个Agent的位置代表一个建筑的位置,每个Agent可以执行前、后、左、右四个动作,通过执行动作改变所对应建筑的位置,每一步都只选择一个Agent进行移动。
4.根据权利要求3所述的用于城市建筑空间布局设计方法,其特征在于,在所述布局转化步骤中,在自主学习过程中,在每回合结束后,Agent会向环境返回一个奖励值来评估此回合采取动作的优劣,从中总结经验使学习过程向目标方向发展;选择costi最大的Agenti作为自主学习每回合移动的对象,设Statet为第t回合的状态,在此状态下采取动作a得到第t+1回合的状态Statet+1,此动作得到的奖励值表示为:
Reward=costi(t+1)-costi(t)
其中,costi(t)表示Agent i在t回合下的局部代价,costi(t+1)表示Agent i在t回合下执行动作a后在t+1回合下的局部代价,a∈[前、后、左、右];
5.根据权利要求4所述的用于城市建筑空间布局设计方法,其特征在于,在所述优化训练步骤中,DQN算法中的强化学习是一个不断在尝试中总结经验的过程,Agent每采取一次动作都会向环境反馈奖励信号来评价动作的优劣,DQN算法存在经验回放单元,用来存储学习过程中的历史数据;训练过程中根据经验回放单元中的数据总结经验,学习决策策略;在测试过程,输入测试集,即可通过训练完成的决策模型,根据当前时刻下的状态,选择并执行一个较佳的动作,自行向目标方向进行,直到完成预定目标或到达最大步长结束。
6.根据权利要求5所述的用于城市建筑空间布局设计方法,其特征在于,在所述优化形状步骤中,根据每个Agent与其周围的其他Agent信息,连接Agent与距它最近的其他各个建筑类型的一个点,可形成一个连接或非连接的无向图,此时图中每个点的度表示这个建筑本身跟其他建筑的关联程度,即一个点的度越大则表示去相应建筑的人越多,该建筑面积就应该越大,根据图中每个点的度,确定每个Agent对应的建筑的面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084074.7A CN111090899B (zh) | 2019-11-07 | 2019-11-07 | 一种用于城市建筑空间布局设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084074.7A CN111090899B (zh) | 2019-11-07 | 2019-11-07 | 一种用于城市建筑空间布局设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111090899A CN111090899A (zh) | 2020-05-01 |
CN111090899B true CN111090899B (zh) | 2022-12-09 |
Family
ID=70393149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911084074.7A Active CN111090899B (zh) | 2019-11-07 | 2019-11-07 | 一种用于城市建筑空间布局设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111090899B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084680B (zh) * | 2020-09-02 | 2023-12-26 | 沈阳工程学院 | 一种基于dqn算法的能源互联网优化策略方法 |
CN112883476B (zh) * | 2021-03-03 | 2024-04-12 | 广联达科技股份有限公司 | 建筑空间的布局方法、装置及电子设备 |
CN113643149B (zh) * | 2021-07-07 | 2024-03-19 | 国网四川省电力公司 | 一种面向全覆盖监控的变电站监控布局优化方法及装置 |
CN113361827B (zh) * | 2021-07-22 | 2021-11-02 | 四川信息职业技术学院 | 一种基于强化学习的土地规划优化算法 |
CN114169063A (zh) * | 2021-12-27 | 2022-03-11 | 北京奥科博思创新科技有限公司 | 一种建筑平面布局方法、装置及电子设备 |
CN116702261A (zh) * | 2023-01-13 | 2023-09-05 | 浙江大学建筑设计研究院有限公司 | 一种光伏建筑群最优化布局方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11263360B2 (en) * | 2018-01-19 | 2022-03-01 | Autodesk, Inc. | Building information design synthesis (BIDS) |
CN109271683B (zh) * | 2018-08-29 | 2020-03-20 | 同济大学 | 一种面向日照约束的建筑群自动排布算法 |
CN109670262B (zh) * | 2018-12-28 | 2021-04-27 | 江苏艾佳家居用品有限公司 | 一种计算机辅助家居布局优化方法及系统 |
CN109740243B (zh) * | 2018-12-29 | 2022-07-08 | 江苏艾佳家居用品有限公司 | 一种基于分件强化学习技术的家具布局方法及系统 |
CN110032782B (zh) * | 2019-03-29 | 2023-03-07 | 银江技术股份有限公司 | 一种城市级智能交通信号控制系统及方法 |
-
2019
- 2019-11-07 CN CN201911084074.7A patent/CN111090899B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111090899A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111090899B (zh) | 一种用于城市建筑空间布局设计方法 | |
Ngo | Early predicting cooling loads for energy-efficient design in office buildings by machine learning | |
Jelokhani-Niaraki et al. | A group multicriteria spatial decision support system for parking site selection problem: A case study | |
Haque et al. | Optimizing urban land use allocation for planners and real estate developers | |
Johnston | City and society: An outline for urban geography | |
Olson et al. | Simulation of fuzzy multiattribute models for grey relationships | |
Wang et al. | A holonic approach to flexible flow shop scheduling under stochastic processing times | |
Torrens | A geographic automata model of residential mobility | |
Kaviari et al. | Simulation of urban growth using agent-based modeling and game theory with different temporal resolutions | |
Wilson et al. | How to generate a thousand master plans: A framework for computational urban design | |
CN107977711B (zh) | 一种面向“三线”协同优化的多智能体遗传方法 | |
Klar et al. | An implementation of a reinforcement learning based algorithm for factory layout planning | |
Karimi-Nasab et al. | A random search heuristic for a multi-objective production planning | |
Dragićević et al. | Urban geosimulations with the Logic Scoring of Preference method for agent-based decision-making | |
Bauer et al. | Simulation, evaluation, and conflict analysis in urban planning | |
Chen et al. | Systematizing heterogeneous expert knowledge, scenarios and goals via a goal-reasoning artificial intelligence agent for democratic urban land use planning | |
Sarnataro et al. | A portfolio approach for the selection and the timing of urban planning projects | |
Han et al. | A performance-based urban block generative design using deep reinforcement learning and computer vision | |
Koma et al. | Research on urban landscape design using the interactive genetic algorithm and 3D images | |
Xi et al. | Hmdrl: Hierarchical mixed deep reinforcement learning to balance vehicle supply and demand | |
Fard et al. | Machine Learning algorithms for prediction of energy consumption and IoT modeling in complex networks | |
CN116167254A (zh) | 基于城市大数据的多维城市仿真推演方法和系统 | |
CN116739466A (zh) | 基于多智能体深度强化学习的配送中心车辆路径规划方法 | |
Alghamdi | Smart city urban planning using an evolutionary deep learning model | |
Xiong et al. | Fuzzy group decision making for multiobjective problems: tradeoff between consensus and robustness |
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 |