CN114117608A - 一种基于多代理辅助的快速绿色建筑节能进化设计方法 - Google Patents

一种基于多代理辅助的快速绿色建筑节能进化设计方法 Download PDF

Info

Publication number
CN114117608A
CN114117608A CN202111422466.7A CN202111422466A CN114117608A CN 114117608 A CN114117608 A CN 114117608A CN 202111422466 A CN202111422466 A CN 202111422466A CN 114117608 A CN114117608 A CN 114117608A
Authority
CN
China
Prior art keywords
individual
agent
model
building
weight vector
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
Application number
CN202111422466.7A
Other languages
English (en)
Other versions
CN114117608B (zh
Inventor
张勇
梁晓珂
贺春林
巩敦卫
季新芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202111422466.7A priority Critical patent/CN114117608B/zh
Publication of CN114117608A publication Critical patent/CN114117608A/zh
Application granted granted Critical
Publication of CN114117608B publication Critical patent/CN114117608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Structural Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多代理辅助的快速绿色建筑节能进化设计方法，步骤如下：确定建筑的基本结构参数，建立其3D模型，在EnergyPlus软件中导入该建筑模型和所在地区的气象数据，并且输入该建筑模型的结构参数；选择用来评价建筑设计方案优劣的两个性能指标，并设置影响上述两个性能指标的结构参数；借助EnergyPlus软件，执行一种新的多代理辅助多目标进化优化算法，直到算法满足终止条件；输出所得最终结果，即最佳建筑节能参数值。本发明方法具有代价小、运行时间快、操作简单、适用性强等突出优点。

Description

一种基于多代理辅助的快速绿色建筑节能进化设计方法
技术领域
本发明涉及建筑节能技术领域，特别是一种基于多代理辅助的快速绿色建筑节能进化设计方法。
背景技术
能源是社会最重要的资源之一，也是国家经济和社会活动的核心。由于建筑行业的能源消耗占全球能源消耗总量的40％左右，目前大量学者已开始致力于建筑能耗最小化等方面的研究。同时，实施建筑节能措施也是减少污染物和温室气体排放的重要策略，可以在很大程度上改善环境和公众健康状况。综合考虑建筑的能量消耗机制、提高建筑能效，已经成为设计师和研究人员考虑的一个国际问题。
由于建筑系统的复杂性和各因素之间的相互依赖性，建筑设计人员经常使用一些建筑能耗模拟软件对其进行模拟分析，典型软件如DOE-2、EnergyPlus、ESP-r、eQUEST和TRNSYS[6]等。同时，基于这些模拟软件，学者们已提出了多种优化技术来提高建筑物的能效。Wang等开发了一种面向对象的框架，成功将建筑设计优化过程与建筑能耗模拟程序相关联。Ge[8]等对中国五个气候区中六个主要城市的办公建筑进行了热舒适和能源性分析。Castro-Lacouture等提出了一种面向建筑选材的混合整数优化模型，并以哥伦比亚某建筑物为例说明了该模型的有效性。Junghans等结合遗传算法和模拟退火算法，设计了一种混合单目标智能优化算法，用来同时最小化建筑的能耗和温室气体排放。Bamdad等开发了一种基于连续域蚁群优化的建筑节能算法，并成功用于澳大利亚的商业建筑。实验表明，该算法可以实现超过11.4％的额外节能。
然而，建筑节能设计本质上是一类典型的多目标优化问题，存在建筑能耗和用户不舒适度等多个相互冲突的性能指标。由于多目标进化技术的发展，近几年建筑节能中的多目标优化问题引起了研究者的关注。诸如NSGA-II、多目标人工蜂群优化、多目标粒子群等典型算法开始用于建筑节能设计问题。然而，因为需要借助代价高昂的建筑能耗软件不断评价个体或解的目标值，这些多目标进化优化算法依然存在运行代价高昂的不足。以基于EnergyPlus仿真软件的建筑节能设计进化优化方法为例，在普通电脑上运行一次进化优化算法通常需要几十分钟，甚至几个小时。这极大限制了基于进化优化的建筑节能设计方法的推广应用。
代理模型辅助的进化算法(SAEAs)是上世纪80年代提出的，其核心思想是使用代理模型替代计算代价昂贵的真实目标函数来评价个体。因为构建和使用代理模型所需的计算工作量远低于真实目标值的评价代价，该类算法可以显著节省进化算法的计算成本，有效解决个体评价代价昂贵的问题。针对昂贵单目标优化问题，目前学者们已经提出了很多有效的代理模型辅助进化算法。鉴于昂贵多目标优化问题的普遍性，近年来代理模型辅助的多目标进化算法逐渐得到学者们的重视。Zhang等利用Kriging代理模型加速NSGA-II算法的搜索速度，给出了一种面向单腹板涡轮盘设计的多目标进化优化算法。Rosalesperez等利用一个样本集合存储进化过程中得到的所有非劣解及其真实目标值，并由其不断训练支持向量机，给出了一种融合支持向量机模型的多目标进化优化算法。然而，因为在进化过程中需要不断计算种群产生的所有非劣解的真实函数值，这些方法用于代理模型构建的计算代价仍然较大，尤其是那些具有大量非劣解的优化问题。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于多代理辅助的快速绿色建筑节能进化设计方法，采用多代理辅助多目标进化优化方法处理建筑节能设计问题，可以在建筑能耗和人体不舒适小时数得到折衷方案，并很大程度的降低计算代价。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种基于多代理辅助的快速绿色建筑节能进化设计方法，包括以下步骤：
步骤1、确定建筑的结构参数，并绘制建筑的3D模型；建筑的结构参数包括建筑物大小、窗户大小、建筑物的围护结构、人员密度和耗电设备信息；
步骤2、选择建筑能耗和用户不舒适小时数作为多目标优化问题的2个目标函数；选择影响这2个目标函数的K个结构参数，这K个结构参数也就是需要优化的K个决策变量；K个决策变量包括房间朝向、墙体外保温层厚度、外墙日射吸收率、窗户的传热系数、窗户的太阳得热系数、客厅窗户长、客厅窗户宽、卧室窗户长、卧室窗户宽、厨房窗户长、厨房窗户宽、卫生间窗户长、卫生间窗户宽、客厅照明密度、卧室照明密度、厨房照明密度、卫生间照明密度、空调系统供热设置温度和空调系统制冷设置温度，这K个决策变量组成一个个体，N个个体组成一个种群；
步骤3、在每个决策变量的范围内采样获得
Figure BDA0003377944500000021
个个体，这些个体形成初始的训练样本集Tdata；
采用多代理辅助多目标进化优化算法来更新训练样本集，直到多代理辅助多目标进化优化算法中真实评估次数NFE达到预设的最大真实评估次数NFEmax，输出更新后的训练样本集Tdata；
步骤4、利用Pareto支配关系确定步骤3中更新后的训练样本集Tdata中的最优解作为算法所得的最终结果。
作为本发明所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法进一步优化方案，步骤3具体步骤如下：
步骤3.1、将步骤2中的多目标优化问题分解为N个单目标子优化问题；随后，针对每个单目标子优化问题，借助一定数量相邻子优化问题的信息进行优化；
步骤3.2、设置多代理辅助多目标进化优化算法运行参数，设置步骤2的K个决策变量的初始值及范围，算法运行参数包括种群规模N、算法终止条件最大真实评估次数NFEmax、最大迭代次数Tmax和训练样本数目N′，其中训练样本为K个决策变量的范围内采样获得的个体，聚合个体数目τ；
步骤3.3、初始化均匀分布的N个权重向量，λ＝{λ1,λ2,...,λN}，一个权重向量对应一个子优化问题，确定每个个体的邻域；其中，λ为N个权重向量的集合，λi为第i个个体对应的权重向量；
从λ中寻找与λi最近的Q个权重向量，并使用这些权重向量的索引值确定当前个体的邻域，记第i个个体的邻域为B(i)＝{i1,i2,...,iQ}，其中，1≤j≤Q，ij表示与λi距离最近的第j个权重向量的索引值；
步骤3.4、在每个权重向量上为每个目标函数产生一个初始基础代理模型，用来评价该权重向量所确定子优化问题的最优解；遍历每个权重向量，直到为每个权重向量产生一对初始基础代理模型，最终N对初始基础代理模型组成基础代理模型库；
步骤3.5、在决策变量范围内随机生成N个个体Xi,i＝1,2,...,N,Xi为第i个个体，之后评价每个个体的建筑能耗和用户不舒适小时数这两个目标函数值；
步骤3.6、初始化迭代次数t＝0，更新种群，针对第i个个体Xi从B(i)中随机选择第k个个体Xk和第l个体Xl，然后通过遗传算法产生一个新的子代个体，再用步骤3.5的评价方法评价新的子代个体的建筑能耗和用户不舒适小时数这两个目标函数值；
步骤3.7、针对当前基础代理模型，当在λi上的最优解
Figure BDA0003377944500000031
即gtche(X|λi,Z*)值最小的解连续T′代不变时，T′为1到5之间的整数，选择一些个体作为填充样本，用EnergyPlus软件对这些填充样本进行真实评估；真实评估后再将这些填充样本加入到训练样本集Tdata中；gtche(X|λi,Z*)是MOEA/D算法的切比雪夫分解法的公式；
步骤3.8、更新步骤3.7gtche(X|λi,Z*)中的参考点Z*后完成一次迭代，t＝t+1；
步骤3.9、判断真实评估次数NFE是否达到了算法的最大真实评估次数NFEmax，若达到最大真实评估次数，则终止；否则，返回步骤3.6-3.8。
作为本发明所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法进一步优化方案，步骤3.1中，分解方法采用切比雪夫分解法。
作为本发明所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法进一步优化方案，步骤3.4中在每个权重向量上为每个目标函数产生一个初始基础代理模型，用来评价该权重向量所确定子优化问题的最优解；具体步骤如下：
首先，使用拉丁超立方采样在决策变量范围内选取(K+1)(K+2)/2个训练样本，其中，K为决策变量的个数；接着，将这些训练样本带入EnergyPlus软件中进行仿真运算，得出这些训练样本的建筑能耗和用户不舒适小时数这两个目标函数的真实值,并将带有真实目标函数值的训练样本加入到训练数据集Tdata中；然后，面向每个λi,i＝1,2,…,N,从Tdata中选择gtche(X|λi,Z*)值最小的N′个训练样本，其中，Z*为参考点，且
Figure BDA0003377944500000041
上标T为转置，
Figure BDA0003377944500000042
为个体在第m个目标函数上的最小值，
Figure BDA0003377944500000043
fm(X)为第m个目标函数值，X是存在于决策变量空间Ω中的个体，M为目标函数的个数，并使用这些训练样本分别针对两个目标函数训练一个RBF模型，进而产生一对初始基础代理模型。
作为本发明所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法进一步优化方案，步骤3.5具体如下：
评价每个个体目标函数值的方法如下：
首先，确定第i个个体所对应的权重向量λi及其τ个邻域权重向量,记为
Figure BDA0003377944500000044
令
Figure BDA0003377944500000045
为第i个个体所对应的权重向量λi，则将τ+1个权重向量统一表述为
Figure BDA0003377944500000046
0≤b≤τ，
Figure BDA0003377944500000047
表示第i个个体对应的第b个邻域权重向量；
其次，从基础代理模型库中确定上述τ+1个权重向量对应的基础代理模型对，记为
Figure BDA0003377944500000048
0≤b≤τ，
Figure BDA0003377944500000049
表示第i个个体对应的第b个基础代理模型对；
接着，利用这τ+1个基础代理模型对分别评估当前个体的建筑能耗和用户不舒适小时数这两个目标函数值，记评估结果为
Figure BDA00033779445000000410
b＝0,1,…,τ,m＝1,2,…M；
Figure BDA00033779445000000411
表示第i个个体用该个体对应的第b个基础代理模型对对第i个个体进行评估后的第m个目标函数的代理模型评估值；
最后，针对建筑能耗和用户不舒适小时数这两个目标函数，采用式(2)聚合τ+1个评估结果，得到Xi的最终目标值
Figure BDA00033779445000000412
Figure BDA00033779445000000413
其中，ωb为
Figure BDA00033779445000000414
的权重，且有
Figure BDA00033779445000000415
在公式(2)中，权重ωb决定了个体评估值的精确程度；
设置代理模型对
Figure BDA00033779445000000416
所预测目标函数值的权重ω0＝0.5，对于其余τ对代理模型的权重，则由它们对应的权重向量
Figure BDA00033779445000000417
与
Figure BDA00033779445000000418
之间的距离决定，具体公式如下：
Figure BDA00033779445000000419
其中，
Figure BDA00033779445000000420
表示
Figure BDA00033779445000000421
与
Figure BDA00033779445000000422
之间距离的倒数，
Figure BDA00033779445000000423
表示第i个个体对应的第q个邻域权重向量。
作为本发明所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法进一步优化方案，步骤3.7中，选择填充样本的方法如下：
首先，分别从第t代种群POP(t)和第t-1代种群POP(t-1)中确定出
Figure BDA00033779445000000424
的τ个邻域个体，分别设为NBi(t)和NBi(t-1)；
其次，计算NBi(t)与NBi(t-1)之间支配关系，记NBi(t)支配NBi(t-1)中邻域个体的程度为dom(NBi(t),NBi(t-1))；NBi(t-1)支配NBi(t)中邻域个体的程度为dom(NBi(t-1),NBi(t))，由于NBi(t)中包含着目前为止λi及其邻域发现的最优解，因此，有dom(NBi(t),NBi(t-1))≥0；接着，分如下两种情况生成填充样本：
情况1：dom(NBi(t),NBi(t-1))＞dom(NBi(t-1),NBi(t))，选择NBi(t)中gtche(X|λi,Z*)值最小的个体
Figure BDA0003377944500000051
进行真实评估，并用
Figure BDA0003377944500000052
作为填充样本，且真实评估次数NFE＝NFE+1；
情况2：dom(NBi(t),NBi(t-1))≤dom(NBi(t-1),NBi(t))，同时选择NBi(t)内不确定程度最大的个体以及gtche(X|λi,Z*)值最小的个体进行真实评估；并将这两个个体作为填充样本，且真实评估次数NFE＝NFE+2。
作为本发明所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法进一步优化方案，
在步骤3.7中只有一个权重向量上的最优解连续T′代不变时，才会更新该权重向量所属的基础代理模型；若同时有多个最优值不变，将同时更新这几个最优值对应的权重向量所属的基础代理模型；此外，情况2中，对于一个个体X，其不确定程度u(X)为：
Figure BDA0003377944500000053
其中，M为目标函数的个数，
Figure BDA0003377944500000054
为个体X用第b个基础代理模型对评估后的第m个目标函数近似值，
Figure BDA0003377944500000055
为个体X在第m个目标上的平均近似值。
作为本发明所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法进一步优化方案，步骤3.8中，更新Z*的方法如下，其中，Z*在下面用
Figure BDA0003377944500000056
表示；
假设第t次迭代时训练样本集Tdata中保存的M个目标函数的最小值分别为
Figure BDA0003377944500000057
m＝1,2,…,M，代理模型评估过的解集中也就是第t代种群中保存的M个目标函数的最小值分别为
Figure BDA0003377944500000058
m＝1,2,…,M，那么，新的参考点
Figure BDA0003377944500000059
为：
Figure BDA00033779445000000510
其中，Tmax为最大迭代次数。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)传统方法往往只专注于建筑物材料、照明系统等单一方面，不能够综合考虑建筑中的诸多问题，本发明同时考虑建筑能耗和用户不舒适小时数两个指标，针对影响两个指标的建筑参数，应用多代理辅助多目标进化优化技术，自动寻找最佳参数取值；
(2)本发明同时考虑建筑能耗和用户不舒适小时数两个指标，可以为用户提供一组可供选择的最优解集，大大提高了用户对方案的选择范围；
(3)本发明利用一种多代理辅助多目标进化优化算法对建筑结构进行优化，相对其他方法，该方法大大缩短了优化时间，使用户可以在更短的时间内获得选择方案，并且可供选择的方案也更优，适用性更广。
附图说明
图1是融合EnergyPlus和多代理辅助多目标进化优化算法框架图。
图2是SketchUp软件所画建筑3D模型。
图3是参考点选择的有效性分析。
图4是融合EnergyPlus和多代理辅助多目标进化优化算法流程图流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
为了显著减少进化算法处理建筑节能设计问题的计算代价，本发明提出一种多代理辅助多目标进化优化算法。依据多目标进化优化算法的目标分解特征，首先同时构建多个基础代理模型；针对不同的待评估个体，采用邻域聚合机制集成多个基础代理模型，达到提高其预测精度的目的。同时，在进化过程中自主确定基础代理模型的更新时机和规模，用以降低代理模型的管理成本。本发明创新点如下：(1)建立一种基于目标分解的多代理模型构建与管理机制。根据每个参考权重向量上最优解的变化程度，自主确定需要更新的基础代理模型，在保证代理模型精度的基础上，有效降低模型更新代价；(2)给出一种基于相邻代理聚合的个体评价机制。面向不同的待评估个体，采用邻域聚合机制自主集成多个最相关的基础代理模型，达到提高其预测精度的目的；(3)提出一种融合预测结果的参考点更新方式，在有效避免个体搜索无效目标区域的同时提高算法所得Pareto前沿的延展性；(4)将所提方法与建筑能耗模拟软件EnergyPlus相结合，建立了面向建筑结构节能设计的多目标进化优化仿真平台，并在平台上验证了所提算法的有效性。
图1所示为融合EnergyPlus和多代理辅助多目标进化优化算法框架图。
本实施例所述的一种基于多代理辅助多目标进化优化和EnergyPlus的建筑节能设计方法，包括如下步骤：
步骤1：确定建筑的基本结构参数，并制作建筑的3D模型；在绘图软件中将3D模型保存为建筑能耗模拟软件EnergyPlus识别的格式；在EnergyPlus软件中导入该建筑模型和所在地区的气象数据，并且输入该建筑模型的结构参数；所述结构参数包括：建筑物的长宽高、窗户所在的位置及大小、建筑物的围护结构、人员密度、耗电设备信息。所述绘图软件选用SketchUp软件，在绘图软件中安装插件保存3D模型，所述插件为Legacy Openstudio。3D模型如图2所示。
北京属于寒冷地区，位于纬度39.56N，经度116.20E。从EnergyPlus官网下载北京的标准气象数据库-CSWD数据，并且选择该数据作为本实施例模型所用气象数据。所设计建筑基本信息：居民建筑根据功能不同将其分为四个热区，分别是客厅25m2、卧室35m2、厨房30m2和卫生间20m2。窗户的初始长度和宽度分别为1.8m和1.2m；根据所在地区围护结构特点，确定此模型的墙体结构材料和玻璃结构材料；根据办公室人员活动情况确定办公室人员密度及人员活动规律；根据照明使用情况确定灯具功率及变化。本实施例房间采用嵌入式照明，照明功率密度值不能超过《建筑照明设计标准》极限值。
步骤2：选择用来评价建筑优化设计方案优劣的两个性能指标，即建筑能耗和用户不舒适小时数；选择影响上述两个性能指标的K个结构参数，即需要优化的K个决策变量；本发明需要优化的决策变量为房间朝向、墙体外保温层厚度、外墙日射吸收率、窗户的传热系数、窗户的太阳得热系数、客厅窗户长、客厅窗户宽、卧室窗户长、卧室窗户宽、厨房窗户长、厨房窗户宽、卫生间窗户长、卫生间窗户宽、客厅照明密度、卧室照明密度、厨房照明密度、卫生间照明密度、空调系统供热设置温度、空调系统制冷设置温度这19个系统参数。表1为上述系统参数的参考取值范围，在参考取值范围内初始化上述参数。
步骤3：以建筑能耗和用户不舒适小时数作为多目标问题的两个目标函数，结合EnergyPlus软件，执行多代理辅助多目标进化优化算法MS-MOEA/D，直到满足算法设置的真实评估次数。具体步骤如下：
表1决策变量及其取值范围
Figure BDA0003377944500000071
步骤3.1：在Matlab中编写多代理辅助多目标进化优化算法MS-MOEA/D，编写程序搭建Matlab和EnergyPlus的通信接口；
步骤3.2：设置多代理辅助多目标进化优化算法MS-MOEA/D运行参数，设置决策变量即系统参数的初始值；所述算法运行参数包括种群规模(基础模型数目)N、算法终止条件最大真实评估次数NFEmax、训练样本数目N′、聚合个体数目τ；
步骤3.3：初始化均匀分布的N个权向量，λ＝{λ1,λ2,...,λN}，确定每个个体的邻域。对第i个个体，其对应的权重向量为λi，从λ中寻找与λi最近的Q个权重向量，并使用这些权值向量的索引值确定当前个体的邻域.不妨记第i个个体的邻域为B(i)＝{i1,i2,...,iQ}，其中，1≤j≤Q，ij表示与λi距离最近的第j个个权向量的索引值；
步骤3.4：在每个权重向量上为每个目标函数产生一个初始基础代理模型，用来评价该权重向量所确定子优化问题的最优解。具体地，首先，使用拉丁超立方采样在决策变量范围内选取(K+1)(K+2)/2个采样点，其中，K为决策变量的个数；接着，将这些点带入EnergyPlus软件中进行仿真运算，得出这些点的两个真实目标函数值,并将其加入到训练数据集Tdata；然后，面向每个权重向量λi,i＝1,2,L,N,从Tdata中选择gtche(X|λi,Z*)值最小的N′个数据点，并使用这些点分别针对每个目标函数训练一个RBF模型，进而产生一对初始基础代理模型。重复上述步骤，直到为每个权重向量产生一对初始基础代理模型；
步骤3.5：在决策变量取值范围内随机生成N个粒子的位置Xi,i＝1,2,...,N,之后评价每个个体的目标函数值,初始化参考点Z＝(Z1,…,Zm)T。
进一步，步骤3.5中，评价每个个体目标函数值的方法如下：
(1)首先，确定第i个个体所对应的参考权重向量λi及其τ个邻域权重向量,不妨统一记为
Figure BDA0003377944500000081
为便于描述，令
Figure BDA0003377944500000082
则可将τ+1个参考权值向量统一表述为
Figure BDA0003377944500000083
0≤b≤τ，
Figure BDA0003377944500000084
表示第i个个体对应的第b个邻域权重向量。
(2)其次，从基础代理模型库中确定上述τ+1个参考权值向量对应的基础代理模型对，不妨记为
Figure BDA0003377944500000085
0≤b≤τ，
Figure BDA0003377944500000086
表示第i个个体对应的第b个基础代理模型对。
(3)接着，利用这τ+1个基础代理模型对分别评估当前个体的目标值，不妨记评估结果为
Figure BDA0003377944500000087
j＝0,1,L,τ,m＝1,2,L M,
Figure BDA0003377944500000088
表示第i个个体用该个体对应的第b个基础代理模型对对第i个个体进行评估后的第m个目标函数的代理模型评估值。
(4)最后，针对每个目标函数，采用下式聚合τ+1个评估结果，得到Xi的最终目标值：
Figure BDA0003377944500000089
其中，ωb为
Figure BDA00033779445000000810
的权重，且有
Figure BDA00033779445000000811
在公式(2)中，权重ωb决定了个体评估值的精确程度。鉴于在MOEA/D中个体Xi主要偏重于求解参考权值向量λi确定的子优化问题，设置代理模型对
Figure BDA00033779445000000812
所预测目标函数值的权重ω0＝0.5。对于其余τ对代理模型的权重，则由它们对应的权值向量
Figure BDA00033779445000000813
与
Figure BDA00033779445000000814
之间的距离决定，具体公式如下：
Figure BDA0003377944500000091
其中，
Figure BDA0003377944500000092
表示
Figure BDA0003377944500000093
与
Figure BDA0003377944500000094
之间距离的倒数。可见，
Figure BDA0003377944500000095
与
Figure BDA0003377944500000096
距离越近，即
Figure BDA0003377944500000097
与
Figure BDA0003377944500000098
所代理的子优化问题越相似，
Figure BDA0003377944500000099
所预测目标函数值的权重越大。
步骤3.6：更新种群.针对每个个体xi，从B(i)中随机选择两个个体xk和xl，然后通过遗传算法产生一个新的子代个体，再用步骤3.5的评价方法评价；
步骤3.7：针对当前基础代理模型，当在参考权重向量方向λi上的最优解
Figure BDA00033779445000000910
(即gtche(X|λi,Z*)值最小的解)连续T′代不变时，T′的大小为1-5，要选择一些代表性个体作为填充样本，用EnergyPlus软件对其进行真实评估。真实评估后再将这些点加入到训练样本集Tdata中。
进一步，步骤3.7中，选择填充样本的方法如下：
(1)首先，分别从当前种群POP(t)和上代种群POP(t-1)中确定出
Figure BDA00033779445000000911
的τ个邻域个体，不妨设为NBi(t)和NBi(t-1)；
(2)其次，计算NBi(t)与NBi(t-1)之间支配关系，记NBi(t)支配NBi(t-1)中个体的程度为dom(NBi(t),NBi(t-1))。由于NBi(t)中包含着目前为止λi及其邻域发现的最优解，因此，有dom(NBi(t),NBi(t-1))≥0。接着，分如下两种情况生成填充样本：
情况1：dom(NBi(t),NBi(t-1))＞dom(NBi(t-1),NBi(t))，这意味着NBi(t)比NBi(t-1)的收敛性更好。此时，选择NBi(t)中gtche(X|λi,Z*)值最小的个体
Figure BDA00033779445000000912
进行真实评价，并用其作为填充样本。选择最优解
Figure BDA00033779445000000913
作为填充样本，可以提高代理模型对(RBFi 1,RBFi 2)在
Figure BDA00033779445000000914
附近的预测精度，进而间接改善算法的局部开发能力。
情况2：dom(NBi(t),NBi(t-1))≤dom(NBi(t-1),NBi(t))，这意味着最近两次迭代中
Figure BDA00033779445000000915
的邻域个体没有发生变化。此时，同时选择NBi(t)内不确定程度最大的个体以及gtche(X|λi,Z*)值最小的个体进行真实评估。选择NBi(t)中不确定程度最大的个体作为填充样本，可以同时改善多个代理模型的预测精度，进而间接改善算法的探索能力。
值得注意的是，只有一个权重向量上的最优解连续T′代不变时，才会更新该权重向量所属的；若同时有几个最优值不变，将同时更新这几个。对于一个个体X，其不确定程度为：
Figure BDA00033779445000000916
其中，M为目标个数，
Figure BDA00033779445000000917
为个体X用第b个基础代理模型对评估后的第m个目标函数近似值，，
Figure BDA00033779445000000918
为解X在第m个目标上的平均近似值。
步骤3.8：更新参考点Z*，图3是参考点选择的有效性分析。假设第t次迭代时样本集Tdata中保存的M个目标函数的最小值分别为
Figure BDA00033779445000000919
m＝1,2,…,M，代理模型评价过的解集中保存的M个目标函数的最小值分别为
Figure BDA00033779445000000920
m＝1,2,…,M，那么，新的参考点为：
Figure BDA00033779445000000921
步骤3.9判断是否达到了算法的最大真实评估次数NFEmax，若达到最大真实评估次数，则终止算法；否则，返回步骤3.6-3.8；
步骤4：满足算法终止条件后，利用Pareto支配关系确定训练样本集中Tdata的最优解作为算法所得的最终结果，即最佳参数取值。
具体实施结果：以上述北京地区居住建筑设计为例，设置种群规模(基础模型数目)N＝20，算法终止条件最大真实评估次数NFEmax＝600，训练样本数目N′＝25，聚合个体数目τ＝3。表2展示了本实例所属建筑节能设计方法所得得最优解及其性能指标。同时，利用两种经典的多目标进化优化算法NSGA-II、MOEA/D，替代上述步骤3中所用的多代理模型辅助MOEA/D优化算法MS-MOEA/D，执行本发明所述设计方法，表3和表4分别展示了基于传统NSGA-II和MOEA/D算法的建筑节能设计方法所得最优解集及其指标值，图4是融合EnergyPlus和多代理辅助多目标进化优化算法流程图流程图。
表2本发明所提方法MS-MOEA/D所得的最优解及其性能指标
Figure BDA0003377944500000101
Figure BDA0003377944500000111
表3 MOEA/D所得的最优解及其性能指标
Figure BDA0003377944500000112
Figure BDA0003377944500000121
表4 NSGA-II所得的最优解及其性能指标
Figure BDA0003377944500000122
Figure BDA0003377944500000131
进一步，采用超体积(HV)测度和运行时间比较这几种方法的优劣，表5和表6给出了本发明所述建筑节能设计方法、基于传统NSGA-II和MOEA/D的建筑节能设计方法的HV测度值和运行时间。HV测度可以同时评估一组最优解集的均匀分布性和收敛性。对于任意一组Pareto最优解集，如果其均匀分布性和/或收敛性变好，则其HV值必定增大。从表5和表6可以看出，MS-MOEA/D算法的HV平均值为7899.13，远远高于MOEA/D和NSGA-II算法，换句话说，相对基于传统NSGA-II和MOEA/D的方法，本发明所述设计方法可以得到收敛性和均匀分布性更好的解集；从时间方面来看，MS-MOEA/D算法的平均运行时间为3616.96s，对比算法中运行最快的是MOEA/D算法，为6105.44s，这比所提方法慢了68.80％。
表5各算法所获得的HV值
Figure BDA0003377944500000132
表6各算法在北京案例下所运行的时间(单位：秒)
Figure BDA0003377944500000141
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。

Claims (8)

1.一种基于多代理辅助的快速绿色建筑节能进化设计方法，其特征在于，包括以下步骤：
步骤1、确定建筑的结构参数，并绘制建筑的3D模型；建筑的结构参数包括建筑物大小、窗户大小、建筑物的围护结构、人员密度和耗电设备信息；
步骤2、选择建筑能耗和用户不舒适小时数作为多目标优化问题的2个目标函数；选择影响这2个目标函数的K个结构参数，这K个结构参数也就是需要优化的K个决策变量；K个决策变量包括房间朝向、墙体外保温层厚度、外墙日射吸收率、窗户的传热系数、窗户的太阳得热系数、客厅窗户长、客厅窗户宽、卧室窗户长、卧室窗户宽、厨房窗户长、厨房窗户宽、卫生间窗户长、卫生间窗户宽、客厅照明密度、卧室照明密度、厨房照明密度、卫生间照明密度、空调系统供热设置温度和空调系统制冷设置温度，这K个决策变量组成一个个体，N个个体组成一个种群；
步骤3、在每个决策变量的范围内采样获得
Figure FDA0003377944490000011
个个体，这些个体形成初始的训练样本集Tdata；
采用多代理辅助多目标进化优化算法来更新训练样本集，直到多代理辅助多目标进化优化算法中真实评估次数NFE达到预设的最大真实评估次数NFEmax，输出更新后的训练样本集Tdata；
步骤4、利用Pareto支配关系确定步骤3中更新后的训练样本集Tdata中的最优解作为算法所得的最终结果。
2.根据权利要求1所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法，其特征在于，步骤3具体步骤如下：
步骤3.1、将步骤2中的多目标优化问题分解为N个单目标子优化问题；随后，针对每个单目标子优化问题，借助一定数量相邻子优化问题的信息进行优化；
步骤3.2、设置多代理辅助多目标进化优化算法运行参数，设置步骤2的K个决策变量的初始值及范围，算法运行参数包括种群规模N、算法终止条件最大真实评估次数NFEmax、最大迭代次数Tmax和训练样本数目N′，其中训练样本为K个决策变量的范围内采样获得的个体，聚合个体数目τ；
步骤3.3、初始化均匀分布的N个权重向量，λ＝{λ1,λ2,...,λN}，一个权重向量对应一个子优化问题，确定每个个体的邻域；其中，λ为N个权重向量的集合，λi为第i个个体对应的权重向量；
从λ中寻找与λi最近的Q个权重向量，并使用这些权重向量的索引值确定当前个体的邻域，记第i个个体的邻域为B(i)＝{i1,i2,...,iQ}，其中，1≤j≤Q，ij表示与λi距离最近的第j个权重向量的索引值；
步骤3.4、在每个权重向量上为每个目标函数产生一个初始基础代理模型，用来评价该权重向量所确定子优化问题的最优解；遍历每个权重向量，直到为每个权重向量产生一对初始基础代理模型，最终N对初始基础代理模型组成基础代理模型库；
步骤3.5、在决策变量范围内随机生成N个个体Xi,i＝1,2,...,N,Xi为第i个个体，之后评价每个个体的建筑能耗和用户不舒适小时数这两个目标函数值；
步骤3.6、初始化迭代次数t＝0，更新种群，针对第i个个体Xi从B(i)中随机选择第k个个体Xk和第l个体Xl，然后通过遗传算法产生一个新的子代个体，再用步骤3.5的评价方法评价新的子代个体的建筑能耗和用户不舒适小时数这两个目标函数值；
步骤3.7、针对当前基础代理模型，当在λi上的最优解
Figure FDA0003377944490000021
即gtche(X|λi,Z*)值最小的解连续T′代不变时，T′为1到5之间的整数，选择一些个体作为填充样本，用EnergyPlus软件对这些填充样本进行真实评估；真实评估后再将这些填充样本加入到训练样本集Tdata中；gtche(X|λi,Z*)是MOEA/D算法的切比雪夫分解法的公式；
步骤3.8、更新步骤3.7gtche(X|λi,Z*)中的参考点Z*后完成一次迭代，t＝t+1；
步骤3.9、判断真实评估次数NFE是否达到了算法的最大真实评估次数NFEmax，若达到最大真实评估次数，则终止；否则，返回步骤3.6-3.8。
3.根据权利要求2所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法，其特征在于，步骤3.1中，分解方法采用切比雪夫分解法。
4.根据权利要求2所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法，其特征在于，步骤3.4中在每个权重向量上为每个目标函数产生一个初始基础代理模型，用来评价该权重向量所确定子优化问题的最优解；具体步骤如下：
首先，使用拉丁超立方采样在决策变量范围内选取(K+1)(K+2)/2个训练样本，其中，K为决策变量的个数；接着，将这些训练样本带入EnergyPlus软件中进行仿真运算，得出这些训练样本的建筑能耗和用户不舒适小时数这两个目标函数的真实值,并将带有真实目标函数值的训练样本加入到训练数据集Tdata中；然后，面向每个λi,i＝1,2,…,N,从Tdata中选择gtche(X|λi,Z*)值最小的N′个训练样本，其中，Z*为参考点，且
Figure FDA0003377944490000022
上标T为转置，
Figure FDA0003377944490000023
为个体在第m个目标函数上的最小值，
Figure FDA0003377944490000024
fm(X)为第m个目标函数值，X是存在于决策变量空间Ω中的个体，M为目标函数的个数，并使用这些训练样本分别针对两个目标函数训练一个RBF模型，进而产生一对初始基础代理模型。
5.根据权利要求4所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法，其特征在于，步骤3.5具体如下：
评价每个个体目标函数值的方法如下：
(1)首先，确定第i个个体所对应的权重向量λi及其τ个邻域权重向量,记为
Figure FDA0003377944490000025
令
Figure FDA0003377944490000026
Figure FDA0003377944490000027
为第i个个体所对应的权重向量λi，则将τ+1个权重向量统一表述为
Figure FDA0003377944490000028
Figure FDA0003377944490000029
表示第i个个体对应的第b个邻域权重向量；
(2)其次，从基础代理模型库中确定上述τ+1个权重向量对应的基础代理模型对，记为
Figure FDA00033779444900000210
Figure FDA00033779444900000211
表示第i个个体对应的第b个基础代理模型对；
(3)接着，利用这τ+1个基础代理模型对分别评估当前个体的建筑能耗和用户不舒适小时数这两个目标函数值，记评估结果为
Figure FDA0003377944490000031
Figure FDA0003377944490000032
表示第i个个体用该个体对应的第b个基础代理模型对对第i个个体进行评估后的第m个目标函数的代理模型评估值；
(4)最后，针对建筑能耗和用户不舒适小时数这两个目标函数，采用式(2)聚合τ+1个评估结果，得到Xi的最终目标值
Figure FDA0003377944490000033
Figure FDA0003377944490000034
其中，ωb为
Figure FDA0003377944490000035
的权重，且有
Figure FDA0003377944490000036
在公式(2)中，权重ωb决定了个体评估值的精确程度；
设置代理模型对
Figure FDA0003377944490000037
所预测目标函数值的权重ω0＝0.5，对于其余τ对代理模型的权重，则由它们对应的权重向量
Figure FDA0003377944490000038
与
Figure FDA0003377944490000039
之间的距离决定，具体公式如下：
Figure FDA00033779444900000310
其中，
Figure FDA00033779444900000311
Figure FDA00033779444900000312
表示
Figure FDA00033779444900000313
与
Figure FDA00033779444900000314
之间距离的倒数，
Figure FDA00033779444900000315
表示第i个个体对应的第q个邻域权重向量。
6.根据权利要求5所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法，其特征在于，步骤3.7中，选择填充样本的方法如下：
首先，分别从第t代种群POP(t)和第t-1代种群POP(t-1)中确定出
Figure FDA00033779444900000316
的τ个邻域个体，分别设为NBi(t)和NBi(t-1)；
其次，计算NBi(t)与NBi(t-1)之间支配关系，记NBi(t)支配NBi(t-1)中邻域个体的程度为dom(NBi(t),NBi(t-1))；NBi(t-1)支配NBi(t)中邻域个体的程度为dom(NBi(t-1),NBi(t))，由于NBi(t)中包含着目前为止λi及其邻域发现的最优解，因此，有dom(NBi(t),NBi(t-1))≥0；接着，分如下两种情况生成填充样本：
情况1：dom(NBi(t),NBi(t-1))＞dom(NBi(t-1),NBi(t))，选择NBi(t)中gtche(X|λi,Z*)值最小的个体
Figure FDA00033779444900000317
进行真实评估，并用
Figure FDA00033779444900000318
作为填充样本，且真实评估次数NFE＝NFE+1；
情况2：dom(NBi(t),NBi(t-1))≤dom(NBi(t-1),NBi(t))，同时选择NBi(t)内不确定程度最大的个体以及gtche(X|λi,Z*)值最小的个体进行真实评估；并将这两个个体作为填充样本，且真实评估次数NFE＝NFE+2。
7.根据权利要求6所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法，其特征在于，
在步骤3.7中只有一个权重向量上的最优解连续T′代不变时，才会更新该权重向量所属的基础代理模型；若同时有多个最优值不变，将同时更新这几个最优值对应的权重向量所属的基础代理模型；此外，情况2中，对于一个个体X，其不确定程度u(X)为：
Figure FDA00033779444900000319
其中，M为目标函数的个数，
Figure FDA0003377944490000041
为个体X用第b个基础代理模型对评估后的第m个目标函数近似值，
Figure FDA0003377944490000042
为个体X在第m个目标上的平均近似值。
8.根据权利要求7所述的一种基于多代理辅助的快速绿色建筑节能进化设计方法，其特征在于，步骤3.8中，更新Z*的方法如下，其中，Z*在下面用
Figure FDA0003377944490000043
表示；
假设第t次迭代时训练样本集Tdata中保存的M个目标函数的最小值分别为
Figure FDA0003377944490000044
代理模型评估过的解集中也就是第t代种群中保存的M个目标函数的最小值分别为
Figure FDA0003377944490000045
那么，新的参考点
Figure FDA0003377944490000046
为：
Figure FDA0003377944490000047
其中，Tmax为最大迭代次数。
CN202111422466.7A 2021-11-26 2021-11-26 一种基于多代理辅助的快速绿色建筑节能进化设计方法 Active CN114117608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111422466.7A CN114117608B (zh) 2021-11-26 2021-11-26 一种基于多代理辅助的快速绿色建筑节能进化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111422466.7A CN114117608B (zh) 2021-11-26 2021-11-26 一种基于多代理辅助的快速绿色建筑节能进化设计方法

Publications (2)

Publication Number Publication Date
CN114117608A true CN114117608A (zh) 2022-03-01
CN114117608B CN114117608B (zh) 2022-06-03

Family

ID=80370178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111422466.7A Active CN114117608B (zh) 2021-11-26 2021-11-26 一种基于多代理辅助的快速绿色建筑节能进化设计方法

Country Status (1)

Country Link
CN (1) CN114117608B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120046776A1 (en) * 2011-10-31 2012-02-23 Sakti3, Inc. Computer aided solid state battery design method and manufacture of same using selected combinations of characteristics
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
CN112149209A (zh) * 2020-09-04 2020-12-29 天津大学 一种建筑多性能导向设计的优化方法
CN112364430A (zh) * 2020-12-03 2021-02-12 天津大学 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
CN112394923A (zh) * 2020-12-03 2021-02-23 天津大学 一种基于灵敏度分析的建筑节能专家设计系统及方法
CN113538575A (zh) * 2020-04-20 2021-10-22 辉达公司 使用一个或更多个神经网络进行距离确定

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120046776A1 (en) * 2011-10-31 2012-02-23 Sakti3, Inc. Computer aided solid state battery design method and manufacture of same using selected combinations of characteristics
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
CN113538575A (zh) * 2020-04-20 2021-10-22 辉达公司 使用一个或更多个神经网络进行距离确定
CN112149209A (zh) * 2020-09-04 2020-12-29 天津大学 一种建筑多性能导向设计的优化方法
CN112364430A (zh) * 2020-12-03 2021-02-12 天津大学 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
CN112394923A (zh) * 2020-12-03 2021-02-23 天津大学 一种基于灵敏度分析的建筑节能专家设计系统及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
XIAO-KE LIANG .ETC: "Surrogate-Assisted Multi-objective Particle Swarm Optimization for Building Energy Saving Design", 《EVOLUTIONARY MULTI-CRITERION OPTIMIZATION. EMO 2021. LECTURE IN COMPUTER SCIENCE》 *
XINFANG JI .ETC: "Dual-Surrogate Assisted Cooperative Particle Swarm Optimization for Expensive Multimodal Problems", 《IEEE TRANSACTION ON EVOLUTIONARY COMPUTATION》 *
张勇等: "面向节能的建筑设计多目标优化方法", 《华中科技大学学报（自然科学版）》 *
袁丽娟: "建筑节能设计多目标粒子群优化方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
黄蔚欣等: "参数化非线性建筑设计中的多代理系统生成途径", 《建筑技艺》 *

Also Published As

Publication number Publication date
CN114117608B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
Yong et al. Multi-objective optimization of building energy performance using a particle swarm optimizer with less control parameters
Gou et al. Passive design optimization of newly-built residential buildings in Shanghai for improving indoor thermal comfort while reducing building energy demand
Gossard et al. Multi-objective optimization of a building envelope for thermal performance using genetic algorithms and artificial neural network
Zhang et al. Generative design and performance optimization of residential buildings based on parametric algorithm
CN114692265B (zh) 一种基于深度强化学习的零碳建筑优化设计方法
CN112415924A (zh) 一种空调系统节能优化方法及系统
CN107704875A (zh) 基于改进ihcmac神经网络的建筑负荷预测方法和装置
CN113112077B (zh) 基于多步预测深度强化学习算法的hvac控制系统
Li et al. An integrated building energy performance evaluation method: From parametric modeling to GA-NN based energy consumption prediction modeling
CN111310257A (zh) 一种bim环境下的区域建筑能耗预测方法
Chen et al. A multi-objective optimization strategy for building carbon emission from the whole life cycle perspective
Wu et al. Intelligent optimization framework of near zero energy consumption building performance based on a hybrid machine learning algorithm
Zhao et al. Construction cost prediction based on genetic algorithm and BIM
Sheng et al. An optimized prediction algorithm based on XGBoost
Song et al. Framework on low-carbon retrofit of rural residential buildings in arid areas of northwest China: A case study of Turpan residential buildings
Wang et al. Study on energy consumption, thermal comfort and economy of passive buildings based on multi-objective optimization algorithm for existing passive buildings
Zhang et al. Building energy performance optimization: a new multi-objective particle swarm method
CN117332971A (zh) 一种计及城市形态的区域综合能源规划方法及系统
CN114117608B (zh) 一种基于多代理辅助的快速绿色建筑节能进化设计方法
Zhang et al. Estimating the outdoor environment of workers’ villages in East China using machine learning
Fang et al. Optimization of Air Conditioning Energy Consumption Based on Indoor Comfort Degree
Zhan et al. Dual-objective building retrofit optimization under competing priorities using Artificial Neural Network
Wu et al. Multi-objective optimization of residential building energy consumption, daylighting, and thermal comfort based on BO-XGBoost-NSGA-II
LI et al. Machine Learning Modeling And Genetic Optimization Of Adaptive Building Facade Towards The Light Environment
Gu [Retracted] Innovative Sensor Design Method of Industrial Ceramic Product Modeling Based on Immune Optimization Algorithm

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