CN112364430B - 基于灵敏度矩阵的多目标建筑性能化设计专家系统及方法 - Google Patents
基于灵敏度矩阵的多目标建筑性能化设计专家系统及方法 Download PDFInfo
- Publication number
- CN112364430B CN112364430B CN202011407278.2A CN202011407278A CN112364430B CN 112364430 B CN112364430 B CN 112364430B CN 202011407278 A CN202011407278 A CN 202011407278A CN 112364430 B CN112364430 B CN 112364430B
- Authority
- CN
- China
- Prior art keywords
- performance
- scheme
- user
- optimization
- target
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于灵敏度矩阵的多目标建筑性能化设计专家系统及方法,用于建筑方案设计阶段,辅助设计师对方案进行基于性能优化的快速设计。所述方法包括:方案信息采集:读取用户初始方案和用户对性能目标的期望值;通过仿真或预测评估当前的方案性能水平;使用基于灵敏度矩阵的多目标优化算法,调用数据库模块基于初始方案进行快速性能优化,并对优化得到的一组方案进行性能仿真;通过用户交互界面和解释器模块向设计师反馈方案修改建议和优化方案,设计师可以依据建议快速选择一个性能提升的优化方案作为结果,或重复上述优化过程。该系统通过使用灵敏度矩阵引导多目标优化,实现了在设计初期将多种方案性能目标纳入设计决策。
Description
技术领域
本申请涉及建筑性能化设计软件开发技术领域,特别是涉及基于灵敏度矩阵的多目标建筑性能化设计专家系统及方法。
背景技术
随着我国对绿色建筑的建设力度不断加大,对建筑声、光、热、风、舒适等性能进行综合分析以指导建筑设计的重要性不断增强,但性能之间的冲突为建筑设计带来了难题。在多目标优化问题中,改进任何目标函数的同时,必然会削弱至少一个其他目标函数。早期建筑设计时多个性能目标之间如何平衡,无疑是极富潜力和实用性的研究内容。
目前解决多目标问题的常见手段是使用多目标进化算法搭配仿真软件进行大量的性能模拟或多目标进化算法搭配代理模型。但两者都存在一定的技术局限。前者耗费时间长,后者则是由于代理模型的准确性难以保证而难以在实际工程中得到应用。同时两者结果的得出均完全采用数字驱动技术,操作复杂且缺乏与设计师的交互,难以在设计师中推广。
发明内容
本发明的目的是为了克服现有技术中的不足,提供一种基于灵敏度矩阵的多目标建筑性能化设计专家系统及方法。在遗传算法结合代理模型的基础上,基于灵敏度矩阵进行层次分析计算平衡多个性能目标,同时避免了由于代理模型的不准确导致遗传算法失效的问题。通过建立用户交互界面,简化操作、增强设计师交互。
本发明的目的是通过以下技术方案实现的:
一种基于灵敏度矩阵的多目标建筑性能化设计专家系统,包括用户交互界面、推理算法模块、数据库模块、解释器模块、建筑性能仿真模块;各模块的运行程序在python环境中运行,其中建筑性能仿真模块使用EnergyPlus、Radiance开源仿真模拟软件的内核进行性能模拟,其余模块依赖于数据库模块独立运行,不需其他软件支持。
进一步的,数据库模块包括:方案性能数据库、基于方案性能数据库进行灵敏度分析得到的多目标灵敏度矩阵以及基于方案性能数据库建立的性能预测模型;式中,cOm,n代表决策变量n对性能目标m的灵敏度,m为用户选择的性能目标个数,n为决策变量个数。
进一步的,推理算法模块使用基于灵敏度矩阵进行层次分析的遗传算法(SAGA);通过调用数据库模块内的多目标灵敏度矩阵进行层次分析加权计算,以确定遗传算法的变异率和变异方向,使决策变量向能够使当前性能相对较差、需要优先改变的性能提升的方向变异;同时在迭代过程中每五代进行一次随机变异以保证优化过程的方案多样性。
本发明还提供一种基于灵敏度矩阵的多目标建筑性能化设计方法,包括以下步骤:
S1.方案信息采集:通过用户交互界面的输入界面读取用户初始方案的模型、用户指定用于优化的多个性能目标、并采集用户对性能目标的目标期望以及仿真模拟和优化算法的参数设置;
S2.初始方案性能评估:通过调用数据库模块内的性能预测模型进行预测或调用建筑性能仿真模块,评估当前方案建筑性能水平;
S3.推理优化:使用推理算法模块调用数据库模块快速计算,得到多组相对于当前方案进行了性能提升的形体、开窗、遮阳和材料选择的优化方案;
S4.性能验证:调用建筑性能仿真模块对S3中给出的优化方案进行性能仿真,仿真结果作为方案的实际性能结果用于后续方案解释与选择;
S5.方案解释与选择:调用解释器模块对S4中得到的优化方案与初始方案进行对比分析,并通过用户交互界面向设计师反馈方案修改建议,设计师依据建议快速选择一种修改方式以优化方案性能,或选择一种较为满意的方案重复上述优化过程。
进一步的,在通过用户交互界面的输入界面读取用户初始模型时,包括但不限于:
读取用户建立的标准层平面轮廓,通过用户交互界面采集用户对层高、窗墙比、材料参数建筑设计变量的自定义阈值和初始值;通过用户交互界面采集用户对优化算法的参数设置和系统运行设置;
采集用户对选定的性能目标的目标期望Ostandard包括:通过用户交互界面采集用户指定的性能目标;针对不同的性能目标,分别采集所需的性能目标的达标值即期望值。
进一步的,在评估当前方案建筑性能水平时,根据用户选择的性能目标,调用EnergyPlus、Radiance开源仿真软件的内核对当前模型进行性能模拟,并读取性能模拟结果作为当前方案的性能目标。
进一步的,步骤S3、S4具体包括以下步骤:
S301.种群生成:采用k临近分析,选择方案性能数据库中与当前方案最相似的一组方案组成初始群体;
S302.变异:对群体中的每一个方案,调用性能预测模型预测方案的每个被选择的性能目标,并依据以下公式计算层次分析法特征向量w=[wO1,wO2,...,wOm]其中wOm为第m个性能目标的重要性权重:
wOi=(Oi-Oistandard)/(Oistandard-Oimin)
式中,Oi为第i个目标的目标函数值,Oistandard为用户对第i个性能目标的目标期望,Oimin为方案性能数据库中第i个目标的最小值。
将特征向量与多目标灵敏度矩阵C进行运算,即可得到对应于对应方案的每个变量的变异率:
式中,rn为第n个变量的变异率,rn绝对值的值越大,变量n的变异率越大;当rn>0时,变量n向减小方向变异;当rn<0时,变量n向增大方向变异;
S303.交叉:所有方案完成变异操作后,采用单点交叉对群体内方案进行交叉操作;
S304.选择:构建综合性能目标函数式中,COi为第i个目标的权重,在方案信息采集阶段通过用户交互界面由用户输入;调用性能预测模型用于计算新生成方案的综合性能性能;根据计算得到的综合性能,对子代群体和父代群体进行轮盘赌选择,被选择出的方案组成新一代群体重复上述S302至S304的过程直至达到最大迭代次数;
进一步的,步骤S5中,用户交互界面向设计师反馈方案修改建议包括:
列出主要改变的决策变量和决策变量对各个性能目标的灵敏度;
列出每个备选方案的三维模型;
列出每个方案的性能结果与原方案的性能结果对比;
列出从初始方案开始的历次优化方案的性能结果。
进一步的,步骤S5中设计师选择优化方案性能时,包括:
当设计师浏览全部修改建议后对其中一项满意时,通过用户交互界面采集设计师选择的修改建议编号,将该修改建议对应的方案作为最终结果输出;
当设计师对修改建议均不完全满意时,通过用户交互界面采集设计师选择的较为满意的修改建议编号,重复优化过程。
与现有技术相比,本发明的技术方案所带来的有益效果是:
1、提出了一种基于灵敏度矩阵层次分析运算的多目标算法,该方法能够通过灵敏度矩阵层析分析运算引导优化方向进行自适应调整,针对每个方案优先提升当前性能相对较差、需要优先改变的性能,提高优化效率;
2、在层次分析法进行多目标决策时,通过使用灵敏度矩阵代替层析分析法中传统的专家打分,增强了层次分析法运算结果的可信度,以实现在优化过程中对优化方向更准确的引导,同时避免了由于代理模型的不准确导致遗传算法失效的问题,实现在保证算法有效性的同时降低运算时间;
3、解释器模块和用户交互界面的加入增强了本专家系统的可解释性和交互性,解释器模块将优化前后的方案转化为模型、数据和图表等可视化结果,通过用户交互界面呈现给用户,能够更好的辅助用户对优化后的设计方案进行选择;
4、通过对用户交互界面、推理算法模块、数据库模块、解释器模块和建筑性能仿真模块的构建,将不同平台功能集成,实现了对建筑方案设计阶段多目标性能优化的设计全流程的覆盖,建筑设计师可仅依靠本专家系统完成方案设计阶段多目标性能优化的全部工作,同时,设计师在使用时只需考虑建筑方案的相关参数,不需要学习进化算法或性能仿真软件的操作知识即可以使用。
附图说明
图1为本发明基于灵敏度矩阵的多目标建筑性能化设计专家系统的结构示意图;
图2为本发明一个实施例运行时的流程图;
图3为本发明专家系统的用户交互界面变量采集界面;
图4为本发明专家系统的用户交互界面性能目标选择和算法参数采集界面;
图5为本发明专家系统的用户交互界面优化结果分析界面——决策变量与灵敏度;
图6为本发明专家系统的用户交互界面优化结果分析界面——方案性能可视化对比。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供的多目标建筑性能化设计专家系统,为建筑师进行多目标建筑性能化设计提供了工具,其系统结构包括如图1所示的五个子模块。用户交互界面用于读取用户提供的初始方案数据和目标信息,并在方案优化过程中不断向用户提供解释器模块传来的信息;推理算法模块在接收通过用户交互界面采集的方案数据后,调用数据库模块内的数据进行推理计算满足用户要求的方案参数。数据库模块包括方案性能数据库、基于方案性能数据库建立的灵敏度矩阵和性能预测模型。建筑性能仿真模块用于对初始方案和优化方案性能进行验证,以保证优化结果的有效性。解释器模块对结果进行后处理,记录每一个方案的性能改进信息和改进原因,通过用户交界面反馈给用户。
本实施例提供的多目标建筑性能化设计专家系统在运行时,用户通过用户交互界面使用推理算法模块调用数据库模块以及其他模块进行优化的流程如图2所示,主要包括以下四个主要阶段:
第一阶段,首先需要通过用户交互界面的输入界面读取用户初始方案,用户指定多个优化性能目标,并在界面中采集用户对性能目标的目标期望。系统通过读取模型形体的控制参数,传递给预先建立的参数化形体生成程序进行模型生成。除形体控制参数外,用户还需对材料参数等建筑设计变量的自定义阈值和初始值进行定义,设计变量输入在用户交互界面的“输入变量”窗口中完成,包括当前方案参数设定值和阈值,如图3中所示。
同样通过用户交互界面,用户还需设置工作文件路径,和设计过程中产生的,用于存储初始方案和当前优化方案的文件的文件名。以上设置通过用户界面的“设置工作路径”窗口实现,如图3中所示。上述设置完成后,单击T1:写入初始方案,即可在“3D模型”窗口中查看当前模型。
用户初始模型输入后,采集用户后续优化过程中需要使用的参数,包括算法参数、指定性能目标、以及确定性能目标期望值;例如,当进行光热耦合优化时,可以选择的能耗目标包括:每平米年能耗;采光目标包括:照度、照度均匀度、照度达标率、眩光指数等。算法参数通过“算法参数”窗口输入,目标期望通过“目标选择”窗口选择,并通过“目标值”窗口输入(“目标值”窗口输入内容随“目标选择”窗口改变)。本实例中选择每平方米年能耗和照度达标率(东西南北方向分别计算)作为优化目标,其中照度达标率由计算区域中照度超过照度目标的面积与总面积比值表示。另外还需要指定性能仿真使用的天气文件的文件地址。性能目标设置如图4所示。
建筑采光与能耗水平的目标期望用户可根据实际情况如规划要求进行设置。当没有具体要求时,建议照度目标值采用GB50033-2013《建筑采光设计标准》中规定的450lx,照度达标率由计算区域中照度超过照度目标的面积与总总面比值表示。建议照度达标率缺省值设置为40%。建议能耗缺省值采用《北京市公共建筑电耗限额管理暂行办法》(京建法〔2014〕17号)中对办公建筑电耗强度基准值的规定,采用由北京市住房和城乡建设科学技术研究所统计的2015年大型办公建筑平均电耗90.68KWh/m2。
第二阶段,所有参数信息采集完成后,首先对初始方案进行性能模拟。单击T2:仿真模拟,如图4所示,即调用EnergyPlus和Radiance内核开始进行初始方案的仿真。仿真结果由内置程序自动处理,用于优化过程中的方案性能对比。
第三阶段进入核心推理阶段。数据库模块和推理算法模块是所述专家系统的工作核心。一个实施例运行时的推理算法模块调用数据库模块以及其他模块的关系如图1所示。用户单击T3:优化,即进入优化过程,如图4所示。所述优化算法包括四个主要步骤:
S1.种群生成:采用k临近分析,选择方案性能数据库中与当前方案最相似的一组方案组成初始群体;
S2.变异:对群体中的每一个方案,调用性能预测模型预测方案的能耗目标E和采光目标LR,依据以下公式计算层次分析法特征向量w=[wE,wLR],其中wE为能耗的重要性权重、wLR为采光的重要性权重:
wE=(E-Estandard)/(Estandard-Emin),wLR=(LR-LRstandard)/(LRstandard-LRmin)
式中,E和LR分别为能耗和采光的目标函数值,Estandard和LRstandard为用户对能耗和采光达标率的目标期望,Emin和LRmin分别为方案性能数据库中能耗和采光的最小值。
将特征向量与数据库模块内的多目标灵敏度矩阵C进行运算,即可得到对应于该方案的每个变量的变异率:
式中,rn为第n个变量的变异率,rn绝对值的值越大,变量n变异率越大。当rn>0时,变量n向减小方向变异;当rn<0时,变量n向增大方向变异。
S3.交叉:所有方案完成变异操作后,采用单点交叉对群体内方案进行交叉操作;
S4.选择:构建综合性能目标函数f=min(Ce|E-Estandrad|/Estandrad+Clr|LR-LRstandrad|/LRstandrad),式中,Ce和Clr为能耗和采光达标率的权重,在方案信息采集阶段通过交互界面由用户输入。调用数据库模块内的性能预测模型用于计算新生成方案的综合性能性能。根据计算得到的综合性能,对子代群体和父代群体进行轮盘赌选择,被选择出的方案组成新一代群体重复上述S2至4的过程直至达到算法最大迭代次数。
对最后一代的个体,根据目标函数f=min(Ce|E-Estandrad|/Estandrad+Clr|LR-LRstandrad|/LRstandrad)选择部分综合性能靠前的方案,在如图4所示的用户界面单击T4:验证模拟,即可调用建筑性能仿真模块计算选定方案的性能。
第四阶段,用户单击T5:结果分析,解释器模块即开始对数据进行后处理,并将修改建议通过交互界面反馈给设计师,如图5、图6所示。在用户交互界面中,用户可以通过方案编号下拉菜单查看每个备选方案的三维模型、性能结果与原方案的性能结果的对比、主要改变的决策变量和决策变量对各个性能目标的灵敏度。如果当前优化不是第一次优化,还能够看到从初始方案开始的历次改进的性能结果对比。
最后,设计师选定优化方案,具体实施为:当设计师浏览全部修改建议后对其中一个优化方案满意时,通过方案编号下拉菜单选定优化方案,将该修改建议对应的方案作为最终结果输出;当设计师对修改建议均不完全满意时,通过方案编号下拉菜单选定一个较为满意的方案,单击T6:重复优化,重复上述第三阶段的优化过程。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (7)
1.一种基于灵敏度矩阵的多目标建筑性能化设计专家系统,其特征在于,包括用户交互界面、推理算法模块、数据库模块、解释器模块、建筑性能仿真模块;各模块的运行程序在python环境中运行,其中建筑性能仿真模块使用EnergyPlus、Radiance开源仿真模拟软件的内核进行性能模拟,其余模块依赖于数据库模块独立运行,不需其他软件支持,数据库模块包括:方案性能数据库、基于方案性能数据库进行灵敏度分析得到的多目标灵敏度矩阵以及基于方案性能数据库建立的性能预测模型;式中,cOm,n代表决策变量n对性能目标m的灵敏度,m为用户选择的性能目标个数,n为决策变量个数;推理算法模块使用基于灵敏度矩阵进行层次分析的遗传算法SAGA;通过调用数据库模块内的多目标灵敏度矩阵进行层次分析加权计算,以确定遗传算法的变异率和变异方向,使决策变量向能够使当前性能相对较差、需要优先改变的性能提升的方向变异;同时在迭代过程中每五代进行一次随机变异以保证优化过程的方案多样性。
2.一种基于灵敏度矩阵的多目标建筑性能化设计方法,基于权利要求1所述专家系统,其特征在于,包括以下步骤:
S1.方案信息采集:通过用户交互界面的输入界面读取用户初始方案的模型、用户指定用于优化的多个性能目标、并采集用户对性能目标的目标期望以及仿真模拟和优化算法的参数设置;
S2.初始方案性能评估:通过调用数据库模块内的性能预测模型进行预测或调用建筑性能仿真模块,评估当前方案建筑性能水平;
S3.推理优化:使用推理算法模块调用数据库模块快速计算,得到若干组相对于当前方案进行了性能提升的形体、开窗、遮阳和材料选择的优化方案;
S4.性能验证:调用建筑性能仿真模块对S3中给出的优化方案进行性能仿真,仿真结果作为方案的实际性能结果用于后续方案解释与选择;
S5.方案解释与选择:调用解释器模块对S4中得到的优化方案与初始方案进行对比分析,并通过用户交互界面向设计师反馈方案修改建议,设计师依据建议快速选择一种修改方式以优化方案性能,或选择一种较为满意的方案重复步骤S1至S4的优化过程。
3.根据权利要求2所述一种基于灵敏度矩阵的多目标建筑性能化设计方法,其特征在于,在通过用户交互界面的输入界面读取用户初始模型时,包括但不限于:
读取用户建立的标准层平面轮廓,通过用户交互界面采集用户对层高、窗墙比、材料参数建筑设计变量的自定义阈值和初始值;通过用户交互界面采集用户对优化算法的参数设置和系统运行设置;
采集用户对选定的性能目标的目标期望Ostandard包括:通过用户交互界面采集用户指定的性能目标;针对不同的性能目标,分别采集所需的性能目标的达标值即期望值。
4.根据权利要求2所述一种基于灵敏度矩阵的多目标建筑性能化设计方法,其特征在于,在评估当前方案建筑性能水平时,根据用户选择的性能目标,调用EnergyPlus、Radiance开源仿真软件的内核对当前模型进行性能模拟,并读取性能模拟结果作为当前方案的性能目标。
5.根据权利要求2所述一种基于灵敏度矩阵的多目标建筑性能化设计方法,其特征在于,步骤S3、S4具体包括以下步骤:
S301.种群生成:采用k临近分析,选择方案性能数据库中与当前方案最相似的一组方案组成初始群体;
S302.变异:对群体中的每一个方案,调用性能预测模型预测方案的每个被选择的性能目标,并依据以下公式计算层次分析法特征向量w=[wO1,wO2,...,wOm]其中wOm为第m个性能目标的重要性权重:
wOi=(Oi-Oistandard)/(Oistandard-Oimin)
式中,Oi为第i个目标的目标函数值,Oistandard为用户对第i个性能目标的目标期望,Oimin为方案性能数据库中第i个目标的最小值;
将特征向量与多目标灵敏度矩阵C进行运算,即可得到对应于对应方案的每个变量的变异率:
式中,rn为第n个变量的变异率,rn绝对值的值越大,变量n的变异率越大;当rn>0时,变量n向减小方向变异;当rn<0时,变量n向增大方向变异;
S303.交叉:所有方案完成变异操作后,采用单点交叉对群体内方案进行交叉操作;
S304.选择:构建综合性能目标函数式中,COi为第i个目标的权重,在方案信息采集阶段通过用户交互界面由用户输入;调用性能预测模型用于计算新生成方案的综合性能性能;根据计算得到的综合性能,对子代群体和父代群体进行轮盘赌选择,被选择出的方案组成新一代群体重复上述S302至S304的过程直至达到最大迭代次数;
6.根据权利要求2所述一种基于灵敏度矩阵的多目标建筑性能化设计方法,其特征在于,步骤S5中,用户交互界面向设计师反馈方案修改建议包括:
列出主要改变的决策变量和决策变量对各个性能目标的灵敏度;
列出每个备选方案的三维模型;
列出每个方案的性能结果与原方案的性能结果对比;
列出从初始方案开始的历次优化方案的性能结果。
7.根据权利要求2所述一种基于灵敏度矩阵的多目标建筑性能化设计方法,其特征在于,步骤S5中设计师选择优化方案性能时,包括:
当设计师浏览全部修改建议后对其中一项满意时,通过用户交互界面采集设计师选择的修改建议编号,将该修改建议对应的方案作为最终结果输出;
当设计师对修改建议均不完全满意时,通过用户交互界面采集设计师选择的较为满意的修改建议编号,重复优化过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011407278.2A CN112364430B (zh) | 2020-12-03 | 2020-12-03 | 基于灵敏度矩阵的多目标建筑性能化设计专家系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011407278.2A CN112364430B (zh) | 2020-12-03 | 2020-12-03 | 基于灵敏度矩阵的多目标建筑性能化设计专家系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364430A CN112364430A (zh) | 2021-02-12 |
CN112364430B true CN112364430B (zh) | 2022-11-18 |
Family
ID=74535893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011407278.2A Active CN112364430B (zh) | 2020-12-03 | 2020-12-03 | 基于灵敏度矩阵的多目标建筑性能化设计专家系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364430B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761633A (zh) * | 2021-09-18 | 2021-12-07 | 奥意建筑工程设计有限公司 | 一种剪力墙结构优化设计方法 |
CN114117608B (zh) * | 2021-11-26 | 2022-06-03 | 中国矿业大学 | 一种基于多代理辅助的快速绿色建筑节能进化设计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295029A (zh) * | 2016-08-16 | 2017-01-04 | 重庆大学 | 一种基于性能导向的建筑多目标优化设计方法 |
CN113297660A (zh) * | 2021-06-05 | 2021-08-24 | 西北工业大学 | 一种基于多目标的建筑方案阶段节能优化设计模式构建方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110167025A1 (en) * | 2008-07-24 | 2011-07-07 | Kourosh Danai | Systems and methods for parameter adaptation |
CN109117985B (zh) * | 2018-07-13 | 2021-09-17 | 上海市水利工程设计研究院有限公司 | 一种基于矩阵与遗传算法的管网压力监测点优化布置方法 |
CN110069823A (zh) * | 2019-03-26 | 2019-07-30 | 中国矿业大学 | 一种基于多目标智能优化和EnergyPlus的建筑节能设计方法 |
CN111881505B (zh) * | 2020-08-04 | 2022-06-03 | 河北工业大学 | 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 |
-
2020
- 2020-12-03 CN CN202011407278.2A patent/CN112364430B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295029A (zh) * | 2016-08-16 | 2017-01-04 | 重庆大学 | 一种基于性能导向的建筑多目标优化设计方法 |
CN113297660A (zh) * | 2021-06-05 | 2021-08-24 | 西北工业大学 | 一种基于多目标的建筑方案阶段节能优化设计模式构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112364430A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Attia et al. | Assessing gaps and needs for integrating building performance optimization tools in net zero energy buildings design | |
CN109886589A (zh) | 一种基于改进鲸鱼优化算法求解低碳车间调度的方法 | |
CN112364430B (zh) | 基于灵敏度矩阵的多目标建筑性能化设计专家系统及方法 | |
Attia et al. | Computational optimisation for zero energy buildings design: interviews results with twenty eight international experts | |
Zhao et al. | Performance-based generative architecture design: A review on design problem formulation and software utilization | |
CN115544815B (zh) | 一种风扇模型的生成方法和装置 | |
CN115907191A (zh) | 一种自适应建筑光伏表皮模型预测控制方法 | |
PhD et al. | A daylighting knowledge base for performance-driven facade design exploration | |
Zhang et al. | Agile and integrated workflow proposal for optimising energy use, solar and wind energy potential, and structural stability of high-rise buildings in early design decisions | |
Fasoulaki | Integrated design: A generative multi-performative design approach | |
Huang et al. | A graphical multi-objective performance evaluation method with architect-friendly mode | |
CN112668081A (zh) | 基于建筑外窗的遮阳设计改善建筑室内环境性能的方法 | |
Farouk et al. | Parametric design as a tool for performative architecture | |
TW201903653A (zh) | 運用類神經網路學習之綠建築效能模擬分析系統及其運作方法 | |
Gagne | An interactive performance-based expert system for daylighting in architectural design | |
LI et al. | Machine Learning Modeling And Genetic Optimization Of Adaptive Building Facade Towards The Light Environment | |
Lombardi et al. | Blockchain grammars for validating the design process | |
Xu | Multi-objective intelligent algorithm model design for housing environment optimization | |
Chauhan et al. | A multi-objective design tool for decarbonising buildings at the concept stage | |
Hou et al. | A comparison of approaches with different constraint handling techniques for energy-efficient building form optimization | |
Gradišar et al. | Designing Generatively to Achieve an Efficient and Optimised Solution | |
Boonstra et al. | Multi-disciplinary optimization of building spatial designs | |
Lee et al. | Goal-based daylighting design using an interactive simulation method | |
Chronis et al. | Performance driven design and simulation interfaces: A multi-objective parametric optimization process | |
Duclos et al. | Constrained Multi-Criteria Optimization for Integrated Design in Professional Practice |
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 |