CN113051638B - 一种建筑高度优化配置方法及装置 - Google Patents
一种建筑高度优化配置方法及装置 Download PDFInfo
- Publication number
- CN113051638B CN113051638B CN202110192163.4A CN202110192163A CN113051638B CN 113051638 B CN113051638 B CN 113051638B CN 202110192163 A CN202110192163 A CN 202110192163A CN 113051638 B CN113051638 B CN 113051638B
- Authority
- CN
- China
- Prior art keywords
- building
- building height
- optimization model
- optimization
- configuration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000005457 optimization Methods 0.000 claims abstract description 172
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 7
- 239000000178 monomer Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 235000013305 food Nutrition 0.000 description 20
- 241000257303 Hymenoptera Species 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 235000012771 pancakes Nutrition 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- RUDATBOHQWOJDD-UZVSRGJWSA-N ursodeoxycholic acid Chemical compound C([C@H]1C[C@@H]2O)[C@H](O)CC[C@]1(C)[C@@H]1[C@@H]2[C@@H]2CC[C@H]([C@@H](CCC(O)=O)C)[C@@]2(C)CC1 RUDATBOHQWOJDD-UZVSRGJWSA-N 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种建筑高度优化配置方法及装置。其中，该方法包括：确定建筑高度适宜度优化模型及城市热环境公平性优化模型；基于所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型，确定建筑高度配置优化模型；将建筑数据输入到所述建筑高度配置优化模型，采用元启发式算法对所述建筑高度配置优化模型进行处理，得到满足预设优化条件的目标解；其中，所述目标解对应的区域空间中建筑高度适宜度最大，且天空开阔度指数差别最小；根据所述目标解确定建筑空间布局优化配置结果。采用本发明公开的方法，能够合理度量建筑高度对城市热环境的影响，提高了建筑空间布局优化配置公平性和准确性。
Description
技术领域
本发明涉及计算机应用技术领域，具体涉及一种建筑高度优化配置方法和装置。另外，还涉及一种电子设备及非暂态计算机可读存储介质。
背景技术
近年来，随着城市建设快速推进，城市人口急剧增加。城市用地在二维平面的快速扩张，导致耕草林地急剧消退、生态环境被严重破坏。因此，传统“摊大饼式”的城市用地扩张已不适应于当今的城市用地的可持续发展。在此背景下，一种能够有效节约土地资源、解决众多人口生存空间问题的城市土地附着物——高层建筑，如雨后春笋迅猛发展，但由于在垂直维度上对土地附着物的空间布局缺乏合理规划，城市热岛、污染通风等城市微气候问题加剧，对城市安全健康和宜居性造成了消极影响。因此，如何在垂直的城市用地空间中进行布局优化，合理化城市用地(尤其是建筑高度)在三维空间中的优化发展，成为当前城市用地规划的重要趋势。
目前，在城市建筑设计领域里，现有技术主要是基于城市建筑空间形态因子与城市微气候相关性的模拟分析，从改善城市微气候的角度出发，对城市空间布局进行优化研究，其研究方法可概括为两大类：
第一类，局部优化分析法，即：利用单因子分析方法，逐一对不同形态因子(如：天空开阔度、街谷高宽比等)与城市微气候指标进行影响分析，再通过人工耦合手段建立城市空间形态与微气候的关联关系，进而开展城市空间布局的调优策略总结和局部优化调整。
第二类，全局优化计算法，即利用软件定量模拟城市形态对城市微气候的影响，搜索获取城市形态在用地单元上的最佳配置方案。将建筑的形状、高度、密度等空间形态进行简化并用四个具象的城市形态原型进行综合表达，综合模拟热环境和风环境，对城市形态原型在街区单元上组合配置的方案进行舒适度计算，利用遗传算法搜索获得使舒适度最大化的较优方案。也将通过调整建筑高度，并利用计算流体动力学的方法模拟风环境，对建筑高度的适宜性进行计算，并利用遗传算法获得较优的建筑高度配置。该类研究已经开始利用定量计算的方式，在研究区域内进行空间配置和搜索以获得最优解。
然而，第一类方法只能对城市建筑空间布局优化给出近似判断和局部较优解，并不能定量计算获得一个全局最优的解决方案。而第二类方法依托流体动力学模拟来进行目标函数的计算，面临计算效率严重低下的问题，其在有限迭代次数下的优化计算耗时达数十乃至数天。因此如何设计一种高效、准确的建筑高度优化配置方案成为本领域研究的重要课题。
发明内容
为此，本发明提供一种建筑高度优化配置方法及装置，以解决现有技术中存在的建筑高度优化配置方案，局限性较高，预测效率较差，导致无法满足建筑高度优化配置的问题。
本发明提供一种建筑高度优化配置方法，包括：
确定区域空间对应的建筑高度适宜度优化模型；
确定所述区域空间对应的城市热环境公平性优化模型；
基于所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型，确定建筑高度配置优化模型；
将建筑数据输入到所述建筑高度配置优化模型，采用基于优化策略的元启发式算法对所述建筑高度配置优化模型进行分析处理，得到满足预设优化条件的目标解；其中，所述目标解对应的区域空间中建筑高度适宜度最大，且天空开阔度指数差别最小；
根据所述目标解确定建筑空间布局优化配置结果。
进一步的，所述优化策略包括：可行解构建策略、领域搜索策略以及将非可行解调整为可行解策略中的至少一种。
进一步的，所述的建筑高度优化配置方法，还包括：
构建用于进行所述天空开阔度指数更新的目标数据结构；
确定用于进行所述天空开阔度指数更新的目标数据更新策略；
基于所述目标数据结构和所述目标数据更新策略调整所述天空开阔度指数的数值；其中，所述城市热环境公平性优化模型对应所述天空开阔度指数的最大数值和所述天空开阔度指数的最小数值的差值。
进一步的，所述基于所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型，确定建筑高度配置优化模型，具体为：对所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型进行加权处理，确定所述建筑高度配置优化模型。
进一步的，所述目标数据结构包括：
所述区域空间内目标建筑与全部观察点的视线相交点记录；
所述区域空间内目标观察点与相交建筑的所有遮蔽度值；
所述区域空间内所述目标观察点上最大遮蔽度与对应的天空开阔度指数的数值。
进一步的，当所述优化策略为将非可行解调整为可行解策略时，所述将非可行解调整为可行解策略包括：
判断所述非可行解对应的目标建筑的总楼面面积是否满足预设的面积约束条件；
若所述目标建筑的总楼面面积小于所述面积约束条件的最小值，则对所述目标建筑的楼层数进行调整，且满足调整后的楼层数高度小于所述区域空间对应的预设最高建筑高度；
若所述目标建筑的总楼面面积大于所述面积约束条件的最大值，则对所述目标建筑的楼层数进行调整，楼层数高度大于所述区域空间对应的预设最低建筑高度；
重新确定所述目标建筑高度调整后的总楼面面积。
进一步的，所述元启发式算法包括：遗传算法、人工免疫算法、粒子群算法、人工蜂群算法等中的其中一种。
本发明还提供一种建筑高度优化配置装置，包括：
第一优化模型确定单元，用于确定区域空间对应的建筑高度适宜度优化模型；
第二优化模型确定单元，用于确定所述区域空间对应的城市热环境公平性优化模型；
单目标模型确定单元，用于基于所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型，确定建筑高度配置优化模型；
分析处理单元，用于将建筑数据输入到所述建筑高度配置优化模型，采用基于优化策略的元启发式算法对所述建筑高度配置优化模型进行分析处理，得到满足预设优化条件的目标解；其中，所述目标解对应的区域空间中建筑高度适宜度最大，且天空开阔度指数差别最小；
空间布局优化配置结果确定单元，用于根据所述目标解确定建筑空间布局优化配置结果。
进一步的，所述优化策略包括：可行解构建策略、领域搜索策略以及将非可行解调整为可行解策略中的至少一种。
进一步的，所述的建筑高度优化配置装置，还包括：
数据结构构建单元，用于构建用于进行所述天空开阔度指数更新的目标数据结构；
更新策略确定单元，用于确定用于进行所述天空开阔度指数更新的目标数据更新策略；
天空开阔度指数调整单元，用于基于所述目标数据结构和所述目标数据更新策略调整所述天空开阔度指数的数值；其中，所述城市热环境公平性优化模型对应所述天空开阔度指数的最大数值和所述天空开阔度指数的最小数值的差值。
进一步的，所述单目标模型确定单元，具体用于：对所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型进行加权处理，确定所述建筑高度配置优化模型。
进一步的，所述目标数据结构包括：
所述区域空间内目标建筑与全部观察点的视线相交点记录；
所述区域空间内目标观察点与相交建筑的所有遮蔽度值；
所述区域空间内所述目标观察点上最大遮蔽度与对应的天空开阔度指数的数值。
进一步的，当所述优化策略为将非可行解调整为可行解策略时，所述将非可行解调整为可行解策略包括：
判断所述非可行解对应的目标建筑的总楼面面积是否满足预设的面积约束条件；
若所述目标建筑的总楼面面积小于所述面积约束条件的最小值，则对所述目标建筑的楼层数进行调整，且满足调整后的楼层数高度小于所述区域空间对应的预设最高建筑高度；
若所述目标建筑的总楼面面积大于所述面积约束条件的最大值，则对所述目标建筑的楼层数进行调整，楼层数高度大于所述区域空间对应的预设最低建筑高度；
重新确定所述目标建筑高度调整后的总楼面面积。
进一步的，所述元启发式算法包括：遗传算法、人工免疫算法、粒子群算法、人工蜂群算法中的其中一种。
相应的，本发明还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的建筑高度优化配置方法的步骤。
相应的，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的建筑高度优化配置方法的步骤。
采用本发明所述的建筑高度优化配置方法，针对城市建筑高度的优化配置问题，引入天空开阔度指数，构建一种能够合理度量建筑高度对城市热环境影响、能够快速计算的建筑高度配置优化模型，并利用元启发式算法对其进行求解，能够合理度量建筑高度对城市热环境的影响，有效提高了建筑空间布局优化配置效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
图1为本发明实施例提供的一种建筑高度优化配置方法的流程示意图；
图2为本发明实施例提供的一种建筑高度优化配置方法中天空开阔度指数对应的视线交点示意图；
图3为本发明实施例提供的一种建筑高度优化配置方法中人工蜂群算法优化计算的流程示意图；
图4为本发明实施例提供的一种建筑高度优化配置装置的结构示意图；
图5为本发明实施例提供的一种电子设备的实体结构示意图；
其中，图2中201为观察点，202为视线交点(不被记录)，203为视线交点(被记录)，204为建筑物，205为视线射线。
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前提下所获取的所有其他实施例，都属于本发明保护的范围。
本发明公开的建筑高度优化配置方法，在已知城市建筑高度配置适宜度、建筑所在平面位置的基础上，对建筑高度进行优化配置，使得区域范围内的建筑高度适宜度最大化(即适宜度最高)，且城市热环境公平性最大化(即天空开阔度指数的差别越小)。
下面基于本发明所述的建筑高度优化配置方法，对其实施例进行详细描述。如图1所示，其为本发明实施例提供的建筑高度优化配置方法的流程示意图，具体实现过程包括以下步骤：
步骤101：确定区域空间对应的建筑高度适宜度优化模型。
在本步骤中，建筑高度适宜度优化模型对应的目标函数如公式(1)和(2)所示：
xik∈{0，1} (2)
其中，S为所需配置的建筑单体的最大编号；Suitik代表在第i个建筑单体上将其楼层数(代表楼层高度)配置为k的适宜度值；Lmax代表区域空间内最大的建筑楼层数；Lmin代表区域空间内最小建筑楼层数；xik为决策变量，若在第i个建筑单体上将其楼层数(代表楼层高度)配置为k，xik＝1，反之，xik＝0。
在本发明实施例中，建筑高度适宜度的计算过程包括以下步骤：
首先，采用常规的层次分析、专家打分、因子加权等方法获得区域空间的归一化建筑高度适宜度数据，其数据格式为栅格格式，每个栅格点上的值代表了建设高层建筑对应的适宜度。其中，1为最适合建设高层建筑，0为最不适合建设高层建筑。在具体实施过程中，可参考的因子包括：到城市水体的距离、到城市商业中心的距离、到文化遗产保护地的距离、城市地质条件等，在此不做具体限定。此外，利用空间叠加的方法，计算落入建筑单体i平面矢量图形范围内的所有栅格的适宜度均值，记为
然后，根据实际规划需求信息，确定该区域空间内最低建筑楼层数(即最低建筑高度)Lmin、最高建筑楼层数(即最高建筑高度)Lmax，并记录不同建筑楼层数(l，l≥1)所对应的最适宜范围
进一步的，针对楼层数配置为k的目标建筑单体i；
若则令Suitik＝1；
若则代表目标建筑单体高度不足，令
若则代表目标建筑单体过高，令其中，α为(0，1]内的自定义参数，在具体实施过程中，可取/>
步骤102：确定所述区域空间对应的城市热环境公平性优化模型。
在本发明实施例中，进行城市建筑高度优化配置时，可从城市热环境均衡化的角度出发，应使天空开阔度(skyview factor，SVF)指数总量(即svf总量)尽可能在不同的城市区域空间中保持较均衡的水平，即需要使得区域空间内最大svf和最小svf之间的差值最小。
在本步骤中，所述的城市热环境公平性优化模型对应的目标函数如公式(3)所示：
Minimize Gap＝max{svfp}-min{svfp} (3)
将公式(3)转换成城市热环境公平性最大化问题，具体目标函数公式如公式(4)所示：
Maximize 1-(max{svfp}-min{svfp}) (4)
其中，P代表了区域空间中svf计算采样点的最大编号.
需要说明的是，在具体实施过程中，当计算大范围区域空间的SVF耗时时间较长时，可对SVF计算时所需的区域空间采样间隔取值进行合理选取(比如间隔20m)，以寻求计算速度与结果质量之间的最佳平衡，第p个点的天空开阔度svf(记为svfp)，可采用常规的几何形态计算方法进行计算，比如公式(3)-(4)。
xik∈{0,1} (10)
其中，(遮蔽度)为区域空间内地表某一点发射的辐射在a×Δ角方向上被遮挡物(距离范围R内的建筑i墙体，R为自定义距离)拦截的部分与总辐射的比值；Δ为以地表某点为圆心的方位角步长，βa×Δ为a×Δ角方向上的最大建筑高度方位角；/>为a×Δ角方向上且距离观察点p在R距离内所有建筑的集合；ha×Δ为a×Δ角方向上建筑高度(可简化为楼层数k与平均楼层高度的乘积)；wa×Δ为a×Δ角方向上建筑到该点的距离；xik为决策变量，若在第i个建筑单体上将其楼层数(代表楼层高度)配置为k，xik＝1，反之，xik＝0。天空开阔度svf即为1减去该点在区域空间内的遮蔽度均值。天空开阔度svf的取值范围是[0，1]，值为0时表示天空完全被障碍物阻挡，值为1则表示天空完全没有被遮挡，其取值与空气温度线性相关。
此外，公式(9)约束了新建建筑楼面面积之和的范围，Areamin、Areamax为自定义的面积范围值。公式(10)和(11)对决策变量xik进行了约束，即：一个建筑只能被配置一个高度，Lmin和Lmax为自定义的建筑可配置高度的最小值和最大值。
在具体实施过程中，由于一个点的天空开阔度计算涉及到多个观测方位角和多个建筑，因此需要预先构建适应于快速进行天空开阔度svf更新的目标数据结构与目标数据更新策略。基于所述目标数据结构和所述目标数据更新策略调整所述天空开阔度指数的数值。所述城市热环境公平性优化模型对应所述天空开阔度指数的最大数值和所述天空开阔度指数的最小数值的差值。所述天空开阔度指数是一种基于建筑高度对城市空间形态进行度量的指数，与空气温度线性相关。
其中，所述目标数据结构在优化计算中，需要存储如下3类数据结构，以便于快速更新svf值(即天空开阔度指数的数值)：所述区域空间内目标建筑与全部观察点的视线相交点记录；所述区域空间内目标观察点与相交建筑的所有遮蔽度值；所述区域空间内所述目标观察点上最大遮蔽度与对应的天空开阔度指数的数值。
所述区域空间内目标建筑与全部观察点的视线相交点记录为：IntersectionSeti＝{Numinter,List_PID,List_Xinter,List_Yinter，List_Angleip,Hi,Areai,List_Disip}，其包含如下8类元素。其中List_Xinter、List_Yinter为可选元素；Numinter相交点数量；List_PID/观察点ID；List_Xinter每个相交点的X坐标；List_Yinter每个相交点的Y坐标；List_Angleip建筑i上的相交点与观察点p之间的角度；Hi建筑楼层数；Areai建筑面积；List_Disip每个相交点与观察点之间的距离。需要说明的是，该记录中所涉及的交点为从观察点发射出的一系列长度为R的射线、与建筑二维平面图的边缘产生的交点，其坐标、角度、距离均可利用GIS或图形学方法计算。此外，同一个建筑与同一条射线(即：建筑与观察点之间的角度相同)可有多个交点，但只选择具有最小距离List_Disip的交点进行记录。建筑楼层数Hi为决策变量，由用户/算法进行配置；建筑面积Areai为建筑的二维平面面积，为算法的输入数据。
所述区域空间内目标观察点与相交建筑的所有遮蔽度值记录为：ShieldSetp＝{List_Angleip，List_BID,List_Shieldp}，具体包含如下几种元素：List_Angleip为建筑i相交点与观察点之间的角度；List_i为相交建筑的ID；List_Shieldp为相交点上的遮蔽度。需要说明的是，该记录中的元素List_Angleip、List_i由{IntersectionSeti}重组产生，List_Shieldp根据公式(6)-(8)计算产生。
所述区域空间内所述目标观察点上最大遮蔽度与对应的天空开阔度指数的数值记录为：maxShield_SVFp＝{maxShieldangle,SVFp}，具体包含如下几种元素：maxShieldangle为不同观测方位角上的最大遮蔽度；SVFp为该观测点对应的天空开阔度值。需要说明的是，该记录中的maxShieldangle为ShieldSetp中相同List_Angleip所对应的最大List_Shieldp值；SVFp为所有方向上的maxShieldangle之和。
在本发明实施例中，所述目标数据更新策略的输入为：高度/楼层数发生变化的建筑i，建筑i变化后的建筑楼层数，所有建筑与所有观察点的视线相交点记录{IntersectionSeti}，所有观察点与相交建筑的所有遮蔽度值{ShieldSetp}，所有观测点上的最大遮蔽度与天空开阔度值{maxShield_SVFp}；相应的，输出为更新后的{IntersectionSeti}，{ShieldSetp}，{maxShield_SVFp}。
在具体实现过程包括：a、若建筑物楼层数都发生变化，记录该建筑i；b、基于IntersectionSeti，更新建筑楼层数Hi和建筑楼层平面面积Areai，并遍历当前建筑i的每个视线交点(即观察点在多个观测角度上与该建筑的视线交点)。在步骤b中，对每个视线交点，获取其所对应的观察点ID(p)及其对应的ShieldSetp；基于ShieldSetp，读取并获得当前建筑i与该观察点p之间形成的遮蔽度，记作以及方位角度Angleip；利用公式计算因建筑i高度变化，与该观察点p之间形成的新的遮蔽度值/>并更新ShieldSetp；对观察点p，获取方位角度Angleip上所有建筑对其造成遮蔽的最大遮蔽度若/>令maxShield_SVFp中的元素/>
步骤103：基于所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型，确定建筑高度配置优化模型。
在本步骤中，可利用专家打分的方法，对上述两个目标函数赋予权重，并采用加权和的方法，将双优化模型转换成单目标模型，即对所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型进行加权处理，得到所述建筑高度配置优化模型，所述建筑高度配置优化模型对应的目标函数如下公式(12)：
步骤104：将建筑数据输入到所述建筑高度配置优化模型，采用基于优化策略的元启发式算法对所述建筑高度配置优化模型进行分析处理，得到满足预设优化条件的目标解；其中，所述目标解对应的区域空间中建筑高度适宜度最大，且天空开阔度指数差别最小。所述元启发式算法包括遗传算法、人工免疫算法、粒子群算法、人工蜂群算法等。所述优化策略包括可行解构建策略、领域搜索策略以及将非可行解调整为可行解策略中的至少一种。其中，当所述优化策略为将非可行解调整为可行解策略时，所述将非可行解调整为可行解策略包括：判断所述非可行解对应的目标建筑的总楼面面积是否满足预设的面积约束条件；若所述目标建筑的总楼面面积小于所述面积约束条件的最小值，则对所述目标建筑的楼层数进行调整，且满足调整后的楼层数高度小于所述区域空间对应的预设最高建筑高度；若所述目标建筑的总楼面面积大于所述面积约束条件的最大值，则对所述目标建筑的楼层数进行调整，楼层数高度大于所述区域空间对应的预设最低建筑高度；重新确定所述目标建筑高度调整后的总楼面面积。
所述建筑数据包括目标函数相关参数、约束条件相关参数以及元启发式算法所涉及到的参数。其中，所述目标函数相关参数包括：1)区域已建建筑的平面图形、平面面积、高度；2)待建建筑的平面图形；3)SVF计算的采样点位置；4)SVF计算相关参数，如视线射线长度、方位角间隔；5)建筑高度适宜度数据等；所述约束条件相关参数包括：1)每个待建建筑的可建高度最大最小值；2)待建建筑的总楼层面积的最大最小值等。
在具体实施过程中，可利用元启发式优化方法(如人工蜂群算法、遗传算法、人工免疫算法、粒子群算法)对上述建筑高度配置优化模型进行求解。下面以改进人工蜂群算法为例对建筑高度配置优化模型求解进行说明：
人工蜂群算法中包含食物源和三种角色的蜜蜂：雇佣蜂、跟随蜂和侦察蜂。食物源对应优化问题的一个可行解；一只雇佣蜂永远围绕一个食物源进行邻域搜索以产生新解；跟随蜂则会按照伪随机概率选择较优的食物源，并在其周围进行邻域搜索以产生新解；当一个解长期不更新时，该解将被所有蜜蜂放弃，同时，侦察蜂会被唤醒，以随机方式搜索获得一个新解。具体的，可行解的构建策略包括：对所有待配置的建筑高度都被赋予一个在Lmin和Lmax范围内的楼层数，构建可行解，每个可行解与相应的建筑编号相对应。邻域搜索策略具体包括交叉和变异两种策略。其中，交叉策略为：随机选择两个解，并对两个解中随意一个建筑所被配置的楼层数进行交换，构成两个新解；变异策略为：随机选择一个解中的一个建筑，将其楼层数随机调整为一个其他的值(该楼层高度值在设定的范围内)，从而形成一个新解。
将非可行解调整为可行解策略中，由于所产生的解有可能不满足约束条件(9)(即为非可行解)，需要将非可行解调整为满足所有约束条件的可行解。该过程可表示如下：建筑总楼面面积不满足约束条件(9)；如果建筑总楼面面积小于Areamin；随机选择一个建筑，并将其楼层数随机增大且需保证调整后的楼层数小于Lmax；如果建筑总楼面面积大于Areamax；随机选择一个建筑，并将其楼层数随机减小且需保证调整后的楼层数大于Lmin；重新计算建筑高度调整后的总楼面面积。
步骤105：根据所述目标解确定建筑空间布局优化配置结果。
下面以改进人工蜂群算法作为元启发式优化方法为例对建筑高度配置优化模型求解进行说明。
在数据预处理阶段，首先获取城市建筑专题GIS建筑数据，根据城市建筑专题GIS建筑数据，获得每个建筑的二维平面面积。
在天空开阔度指数svf计算过程中输入预处理后的数据进行进一步处理，具体包括：沿城市街道按照一定间隔生成观察点；逐观察点进行天空开阔度指数svf计算所需数据的准备。
如图2所示，逐个观察点进行天空开阔度指数svf计算所需数据的准备具体包括：在每个观察点上按照一定的方位角间隔Δ绘制长度为R的视线射线。利用空间求交的方法，得到视线射线与建筑物的交点，选取相同方向上、相同建筑上距离观察点最近的视线交点进行记录。计算待记录的视线交点与观察点之间的空间距离，并生成包含如下10个要素的记录输入文件(可用txt或xml、jason等方式存储)：建筑ID、建筑楼层数(待配置的建筑楼层数初始为0)、建筑平面面积、观察点ID、观察点X坐标，观察点Y坐标，视线交点ID、视线交点X坐标、视线交点Y坐标，视线交点与观察点距离。其中，观察点X坐标，观察点Y坐标、视线交点X坐标、视线交点Y坐标为可选要素。
如图3所示，在优化计算过程中，本发明的总体流程可描述如下：
步骤0：输入在数据预处理阶段得到的记录输入文件、待配置的最小楼层数Lmin、最大楼层数Lmax、平均楼层高度、以及人工蜂群算法所涉及参数：算法迭代次数Niter、种群规模SN、食物源未被更新次数上限、当前迭代次数g。
步骤1：对参数进行初始化，根据输入，构建三个记录数据{IntersectionSeti}，{ShieldSetp}，{maxShield_SVFp}；并构建个初始解(构造1个初始解时，对需配置高度的建筑随机地赋予[Lmin,Lmax]范围内的楼层数)，并利用公式(12)计算目标函数值，记录目标解(即全局最优解solbest)。
步骤2：判断：g≤Niter。若是，执行步骤3；若否，执行步骤24，算法结束。
步骤3：开始执行雇佣蜂阶段操作，初始化蜜蜂计数器参数a＝1。
步骤4：判断：若是，执行步骤5；若否，执行步骤10
步骤5：第a个雇佣蜂围绕所对应的食物源(解sola)，首先，利用邻域搜索方法，产生一个新解；再判断该解是否满足楼宇总面积的约束条件(即公式(9))；建筑高度配置优化模型求解过程中，生成可行解接着，利用目标数据更新策略可快速计算新解所对应的各个观察点svf值，并结合公式(12)计算该解所对应的目标函数值/>
步骤6：判断：新解的目标函数值是否大于(即：优于)该食物源所对应解(旧解)的目标函数值fa，若是，执行步骤7；若否，执行步骤8。
步骤7：新解替换旧解，即更新全局最优解：若sola＞solbest，solbest＝sola。
步骤8：放弃新解，该食物源未被更新的次数加1。
步骤9：蜜蜂计数器a加1，返回步骤4。
步骤10：根据食物源所对应的解，对每个食物源的解计算其对应的转移概率及其概率分布/>开始执行跟随蜂阶段操作，初始化蜜蜂计数器参数a＝1。
步骤11：判断：若是，执行步骤12；若否，执行步骤18。
步骤12：第a个跟随蜂按照转移概率，随机选择一个食物源s：产生一个之间的随机数r，若Fs-1＜r≤Fs，则食物源s被选中。
步骤13：第a个跟随蜂围绕所对应的食物源(解)s，利用邻域搜索方法，产生一个新解(产生方法如步骤5所述)。
步骤14：判断：新解的目标函数值是否大于(即：优于)该食物源所对应解(旧解)的目标函数值fs，若是，执行步骤15；若否，执行步骤16。
步骤15：新解替换旧解更新全局最优解：若sols＞solbest，solbest＝sols。
步骤16：放弃新解，该食物源未被更新的次数加1。
步骤17：蜜蜂计数器加1，返回步骤11。
步骤18：开始执行侦察蜂阶段操作，初始化蜜蜂计数器参数a＝1。
步骤19：判断：若是，执行步骤20；若否，执行步骤23。
步骤20：判断：第a个食物源未被更新的次数是否超过上限。若是，执行步骤21；若否，执行步骤22。
步骤21：放弃第a个食物源对应的解，并利用构建初始解的方法随机生成一个新解，并赋予给第a个食物源。
步骤22：蜜蜂计数器加1，返回步骤19。
步骤23：迭代次数g+1。返回步骤2。
采用本发明实施例所述的建筑高度优化配置方法，针对城市建筑高度的优化配置问题，引入天空开阔度指数，构建一种能够合理度量建筑高度对城市热环境影响、能够快速计算的建筑高度配置优化模型，并利用元启发式算法对其进行求解，能够合理度量建筑高度对城市热环境的影响，有效提高了建筑空间布局优化配置效率和准确性。
与上述提供的一种建筑高度优化配置方法相对应，本发明还提供一种建筑高度优化配置装置。由于该装置的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的建筑高度优化配置装置的实施例仅是示意性的。请参考图4所示，其为本发明实施例提供的一种建筑高度优化配置装置的结构示意图。
本发明所述的一种建筑高度优化配置装置具体包括如下部分：
第一优化模型确定单元401，用于确定区域空间对应的建筑高度适宜度优化模型。
第二优化模型确定单元402，用于确定所述区域空间对应的城市热环境公平性优化模型。
单目标模型确定单元403，用于基于所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型，确定建筑高度配置优化模型。
分析处理单元404，用于将建筑数据输入到所述建筑高度配置优化模型，采用基于优化策略的元启发式算法对所述建筑高度配置优化模型进行分析处理，得到满足预设优化条件的目标解；其中，所述目标解对应的区域空间中建筑高度适宜度最大，且天空开阔度指数差别最小。
空间布局优化配置结果确定单元405，用于根据所述目标解确定建筑空间布局优化配置结果。
采用本发明实施例所述的建筑高度优化配置装置，针对城市建筑高度的优化配置问题，引入天空开阔度指数，构建一种能够合理度量建筑高度对城市热环境影响、能够快速计算的建筑高度配置优化模型，并利用元启发式算法对其进行求解，能够合理度量建筑高度对城市热环境的影响，有效提高了建筑空间布局优化配置效率和准确性。
与上述提供的建筑高度优化配置方法相对应，本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述得比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图5所示，其为本发明实施例公开的一种电子设备的实体结构示意图。该电子设备可以包括：处理器(processor)501、存储器(memory)502和通信总线503，其中，处理器501，存储器502通过通信总线503完成相互间的通信。处理器501可以调用存储器502中的逻辑指令，以执行建筑高度优化配置方法，该方法包括：确定区域空间对应的建筑高度适宜度优化模型；确定所述区域空间对应的城市热环境公平性优化模型；基于所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型，确定建筑高度配置优化模型；将建筑数据输入到所述建筑高度配置优化模型，采用基于优化策略的元启发式算法对所述建筑高度配置优化模型进行分析处理，得到满足预设优化条件的目标解；其中，所述目标解对应的区域空间中建筑高度适宜度最大，且天空开阔度指数差别最小；根据所述目标解确定建筑空间布局优化配置结果。
此外，上述的存储器502中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的建筑高度优化配置方法，该方法包括：确定区域空间对应的建筑高度适宜度优化模型；确定所述区域空间对应的城市热环境公平性优化模型；基于所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型，确定建筑高度配置优化模型；将建筑数据输入到所述建筑高度配置优化模型，采用基于优化策略的元启发式算法对所述建筑高度配置优化模型进行分析处理，得到满足预设优化条件的目标解；其中，所述目标解对应的区域空间中建筑高度适宜度最大，且天空开阔度指数差别最小；根据所述目标解确定建筑空间布局优化配置结果。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的建筑高度优化配置方法，该方法包括：确定区域空间对应的建筑高度适宜度优化模型；确定所述区域空间对应的城市热环境公平性优化模型；基于所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型，确定建筑高度配置优化模型；将建筑数据输入到所述建筑高度配置优化模型，采用基于优化策略的元启发式算法对所述建筑高度配置优化模型进行分析处理，得到满足预设优化条件的目标解；其中，所述目标解对应的区域空间中建筑高度适宜度最大，且天空开阔度指数差别最小；根据所述目标解确定建筑空间布局优化配置结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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 (9)
1.一种建筑高度优化配置方法，其特征在于，包括：
确定区域空间对应的建筑高度适宜度优化模型；其中，建筑高度适宜度优化模型对应的目标函数如公式(1)和(2)所示：
xik∈{0,1} (2)
其中，S为所需配置的建筑单体的最大编号；Suitik代表在第i个建筑单体上将其楼层数配置为k的适宜度值；Lmax代表区域空间内最大的建筑楼层数；Lmin代表区域空间内最小建筑楼层数；xik为决策变量，若在第i个建筑单体上将其楼层数配置为k，xik＝1，反之，xik＝0；
确定所述区域空间对应的城市热环境公平性优化模型；所述城市热环境公平性优化模型对应的目标函数如公式(3)所示：
Minimize Gap＝max{svfp}-min{svfp} (3)
将公式(3)转换成城市热环境公平性最大化问题，具体目标函数公式如公式(4)所示：
Maximize 1-(max{svfp}-min{svfp}) (4)
其中，P代表了区域空间中svf计算采样点的最大编号；当计算大范围区域空间的svf耗时时间较长时，对svf计算时所需的区域空间采样间隔取值进行合理选取，以寻求计算速度与结果质量之间的最佳平衡，第p个点的天空开阔度svf，记为svfp；
基于所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型，确定建筑高度配置优化模型；其中，所述基于所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型，确定建筑高度配置优化模型，具体为：对所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型进行加权处理，确定所述建筑高度配置优化模型；
将建筑数据输入到所述建筑高度配置优化模型，采用基于优化策略的元启发式算法对所述建筑高度配置优化模型进行分析处理，得到满足预设优化条件的目标解；其中，所述目标解对应的区域空间中建筑高度适宜度最大，且天空开阔度指数差别最小；
根据所述目标解确定建筑空间布局优化配置结果。
2.根据权利要求1所述的建筑高度优化配置方法，其特征在于，所述优化策略包括：可行解构建策略、领域搜索策略以及将非可行解调整为可行解策略中的至少一种。
3.根据权利要求1所述的建筑高度优化配置方法，其特征在于，还包括：
构建用于进行所述天空开阔度指数更新的目标数据结构；
确定用于进行所述天空开阔度指数更新的目标数据更新策略；
基于所述目标数据结构和所述目标数据更新策略调整所述天空开阔度指数的数值；其中，所述城市热环境公平性优化模型对应所述天空开阔度指数的最大数值和所述天空开阔度指数的最小数值的差值。
4.根据权利要求1所述的建筑高度优化配置方法，其特征在于，所述目标数据结构包括：
所述区域空间内目标建筑与全部观察点的视线相交点记录；
所述区域空间内目标观察点与相交建筑的所有遮蔽度值；
所述区域空间内所述目标观察点上最大遮蔽度与对应的天空开阔度指数的数值。
5.根据权利要求2所述的建筑高度优化配置方法，其特征在于，当所述优化策略为将非可行解调整为可行解策略时，所述将非可行解调整为可行解策略包括：
判断所述非可行解对应的目标建筑的总楼面面积是否满足预设的面积约束条件；
若所述目标建筑的总楼面面积小于所述面积约束条件的最小值，则对所述目标建筑的楼层数进行调整，且满足调整后的楼层数高度小于所述区域空间对应的预设最高建筑高度；
若所述目标建筑的总楼面面积大于所述面积约束条件的最大值，则对所述目标建筑的楼层数进行调整，且满足调整后的楼层数高度大于所述区域空间对应的预设最低建筑高度；
重新确定所述目标建筑高度调整后的总楼面面积。
6.根据权利要求1所述的建筑高度优化配置方法，其特征在于，所述元启发式算法包括：遗传算法、人工免疫算法、粒子群算法、人工蜂群算法中的其中一种。
7.一种建筑高度优化配置装置，其特征在于，包括：
第一优化模型确定单元，用于确定区域空间对应的建筑高度适宜度优化模型；其中，建筑高度适宜度优化模型对应的目标函数如公式(1)和(2)所示：
xik∈{0,1} (2)
其中，S为所需配置的建筑单体的最大编号；Suitik代表在第i个建筑单体上将其楼层数配置为k的适宜度值；Lmax代表区域空间内最大的建筑楼层数；Lmin代表区域空间内最小建筑楼层数；xik为决策变量，若在第i个建筑单体上将其楼层数配置为k，xik＝1，反之，xik＝0；
第二优化模型确定单元，用于确定所述区域空间对应的城市热环境公平性优化模型；所述城市热环境公平性优化模型对应的目标函数如公式(3)所示：
Minimize Gap＝max{svfp}-min{svfp} (3)
将公式(3)转换成城市热环境公平性最大化问题，具体目标函数公式如公式(4)所示：
Maximize 1-(max{svfp}-min{svfp}) (4)
其中，P代表了区域空间中svf计算采样点的最大编号；当计算大范围区域空间的svf耗时时间较长时，对svf计算时所需的区域空间采样间隔取值进行合理选取，以寻求计算速度与结果质量之间的最佳平衡，第p个点的天空开阔度svf，记为svfp；
单目标模型确定单元，用于基于所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型，确定建筑高度配置优化模型；其中，所述基于所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型，确定建筑高度配置优化模型，具体为：对所述建筑高度适宜度优化模型和所述城市热环境公平性优化模型进行加权处理，确定所述建筑高度配置优化模型；
分析处理单元，用于将建筑数据输入到所述建筑高度配置优化模型，采用基于优化策略的元启发式算法对所述建筑高度配置优化模型进行分析处理，得到相应的满足预设优化条件的目标解；其中，所述目标解对应的区域空间中建筑高度适宜度最大，且天空开阔度指数差别最小；
空间布局优化配置结果确定单元，用于根据所述目标解确定建筑空间布局优化配置结果。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任意一项所述的建筑高度优化配置方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6任意一项所述的建筑高度优化配置方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110192163.4A CN113051638B (zh) | 2021-02-19 | 2021-02-19 | 一种建筑高度优化配置方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110192163.4A CN113051638B (zh) | 2021-02-19 | 2021-02-19 | 一种建筑高度优化配置方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113051638A CN113051638A (zh) | 2021-06-29 |
| CN113051638B true CN113051638B (zh) | 2023-12-08 |
Family
ID=76509298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110192163.4A Active CN113051638B (zh) | 2021-02-19 | 2021-02-19 | 一种建筑高度优化配置方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113051638B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114049012B (zh) * | 2021-11-15 | 2023-04-07 | 东南大学 | 一种村镇宜居社区微气候环境评价方法 |
| CN114547727A (zh) * | 2022-01-12 | 2022-05-27 | 万翼科技有限公司 | 楼栋排布方法、装置、电子设备和存储介质 |
| CN115859765B (zh) * | 2022-09-29 | 2023-12-08 | 中山大学 | 城市扩张的预测方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08161294A (ja) * | 1994-12-07 | 1996-06-21 | Fujita Corp | 構造物周辺における風速増加域予測方法およびその装置 |
| WO2017133093A1 (zh) * | 2016-02-03 | 2017-08-10 | 东南大学 | 一种城市微气候数字地图 |
| CN107067091A (zh) * | 2016-10-11 | 2017-08-18 | 河南大学 | 一种基于蚁群优化算法的城市生态用地空间规划模型 |
| CN111444558A (zh) * | 2020-03-12 | 2020-07-24 | 合肥市规划设计研究院 | 一种提升城市气候宜居度的城市通风廊道划定方法 |
| CN111767597A (zh) * | 2020-06-18 | 2020-10-13 | 软通动力信息技术有限公司 | 一种城市模型验证方法、装置、设备及存储介质 |
| CA3136181A1 (en) * | 2019-04-09 | 2020-10-15 | Ark Automatic Architecture Design Ltd. | Systems and methods of automated design and spatial allocation of buildings |
-
2021
- 2021-02-19 CN CN202110192163.4A patent/CN113051638B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08161294A (ja) * | 1994-12-07 | 1996-06-21 | Fujita Corp | 構造物周辺における風速増加域予測方法およびその装置 |
| WO2017133093A1 (zh) * | 2016-02-03 | 2017-08-10 | 东南大学 | 一种城市微气候数字地图 |
| CN107067091A (zh) * | 2016-10-11 | 2017-08-18 | 河南大学 | 一种基于蚁群优化算法的城市生态用地空间规划模型 |
| CA3136181A1 (en) * | 2019-04-09 | 2020-10-15 | Ark Automatic Architecture Design Ltd. | Systems and methods of automated design and spatial allocation of buildings |
| CN111444558A (zh) * | 2020-03-12 | 2020-07-24 | 合肥市规划设计研究院 | 一种提升城市气候宜居度的城市通风廊道划定方法 |
| CN111767597A (zh) * | 2020-06-18 | 2020-10-13 | 软通动力信息技术有限公司 | 一种城市模型验证方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于遗传算法的形态与微气候环境性能自动优化方法;刘宇鹏;虞刚;徐小东;;中外建筑(第06期);73-76 * |
| 室内外一体化最优路径分析算法实现;张文元;丁京祯;杨丽娜;杨翔宇;;计算机工程与应用(第18期);63-70 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113051638A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113051638B (zh) | 一种建筑高度优化配置方法及装置 | |
| Liang et al. | Integrated assessment of land-use/land-cover dynamics on carbon storage services in the Loess Plateau of China from 1995 to 2050 | |
| Xu et al. | Performance-driven optimization of urban open space configuration in the cold-winter and hot-summer region of China | |
| CN109271683B (zh) | 一种面向日照约束的建筑群自动排布算法 | |
| Yi et al. | Site-specific optimal energy form generation based on hierarchical geometry relation | |
| CN111612055B (zh) | 天气形势的分型方法、空气污染状况的预测方法及装置 | |
| CN114970302B (zh) | 一种基于地下水监测系统的区域地下水情预测方法 | |
| WO2019184161A1 (zh) | 基于中尺度数据的风机自动排布的方法和设备 | |
| CN110414088B (zh) | 结合水动力模型的涉禽栖息地适宜性空间模糊评价方法 | |
| CN113177675B (zh) | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 | |
| CN110008439A (zh) | 基于矩阵分解的降雨数据时空一体化插值算法 | |
| CN111242867A (zh) | 基于截断泰勒级数近似的图信号分布式在线重构方法 | |
| Hu et al. | Dynamically Optimized Unstructured Grid (DOUG) for Analog Ensemble of numerical weather predictions using evolutionary algorithms | |
| CN117388953B (zh) | 一种基于大数据框架的SADBO改进MIM-rwkv的气象预报方法 | |
| CN110222133A (zh) | 一种考虑景观指数的多类土地利用模拟预测方法及装置 | |
| CN117314198B (zh) | 历史文化街区功能更新综合分析方法及系统 | |
| CN113313322A (zh) | Moea/d挤压工艺参数多目标优化方法及装置 | |
| CN117271955A (zh) | 一种动态相关性系数的评估方法 | |
| CN114880373B (zh) | 一种土壤采样方法、系统、存储介质和电子设备 | |
| Huang et al. | Grid interpolation algorithm based on nearest neighbor fast search | |
| CN116777230A (zh) | 基于gis空间分析技术的变电站选址区域智能划分方法 | |
| Alkadri et al. | Understanding computational methods for solar envelopes based on design parameters, tools, and case studies: a review | |
| CN115795912A (zh) | 毫米波雷达数据同化覆冰预测方法及系统 | |
| Yan et al. | Improved feed forward with bald eagle search for conjunctive water management in deficit region | |
| Liu et al. | Automatic calibration of a rapid flood spreading model using multiobjective optimisations |
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 |