CN116502546B - 房屋户型设计方法、装置、电子设备及可读存储介质 - Google Patents
房屋户型设计方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116502546B CN116502546B CN202310781224.XA CN202310781224A CN116502546B CN 116502546 B CN116502546 B CN 116502546B CN 202310781224 A CN202310781224 A CN 202310781224A CN 116502546 B CN116502546 B CN 116502546B
- Authority
- CN
- China
- Prior art keywords
- house type
- target
- type design
- design
- function
- 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
- 238000013461 design Methods 0.000 title claims abstract description 487
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 230000006870 function Effects 0.000 claims description 198
- 230000009471 action Effects 0.000 claims description 155
- 239000013598 vector Substances 0.000 claims description 123
- 230000007704 transition Effects 0.000 claims description 46
- 230000002787 reinforcement Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 19
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- SLXKOJJOQWFEFD-UHFFFAOYSA-N 6-aminohexanoic acid Chemical compound NCCCCCC(O)=O SLXKOJJOQWFEFD-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Residential Or Office Buildings (AREA)
Abstract
本申请公开了一种房屋户型设计方法、装置、电子设备及可读存储介质,涉及人工智能技术领域,所述房屋户型设计方法包括:根据设计目标更新预设奖励函数,获得目标奖励函数,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种;基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案,其中,所述目标房屋户型设计方案中至少包括设计元素和设计参数。本申请解决了目前运用人工智能算法生成的房屋户型设计方案个性化程度低的技术问题。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种房屋户型设计方法、装置、电子设备及可读存储介质。
背景技术
在房屋设计工作中,房屋户型设计是房屋设计的核心部分,直接关系到房屋的实用性、舒适性和美观度。传统的户型设计通常由设计师根据自己的经验和直觉手动完成,这种设计方式存在设计效率低下和设计质量不稳定的问题,而且难以满足用户个性化的需求。目前也有一些运用人工智能算法进行房屋户型设计的方案,其中应用到了遗传算法和神经网络等生成房屋户型设计方案,但上述房屋户型设计方法在进行房屋户型设计时难以解决多维度的设计目标优化问题,导致生成的房屋户型设计方案个性化程度较低。
发明内容
本申请的主要目的在于提供一种房屋户型设计方法、装置、电子设备及可读存储介质,旨在解决目前运用人工智能算法生成的房屋户型设计方案个性化程度低的技术问题。
为实现上述目的,本申请提供一种房屋户型设计方法,所述房屋户型设计方法包括:
根据设计目标更新预设奖励函数,获得目标奖励函数,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种;
基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案,其中,所述目标房屋户型设计方案中至少包括设计元素和设计参数,所述设计元素至少包括客厅、餐厅、玄关、厨房、卧室、书房、卫生间、门、窗户以及阳台中的一种,所述设计参数至少包括类型、长度、宽度、位置、面积以及朝向中的一种。
可选地,所述根据设计目标更新预设的奖励函数,获得目标奖励函数步骤包括:
获取设计目标,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种对应的期望值和权重系数;
根据所述设计目标更新预设奖励函数中的权重系数和期望值,获得目标奖励函数,其中,所述预设奖励函数包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向分别对应的期望值和权重系数。
可选地,所述房屋户型设计模型所述基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案的步骤包括:
根据所述目标奖励函数更新所述房屋户型设计模型,获得目标房屋户型设计模型;
基于所述目标房屋户型设计模型对应的状态空间中的各状态向量执行各参数调整动作的状态转移概率,调整所述状态空间中的各状态向量,生成多个初始房屋户型设计方案,其中,各所述初始房屋户型设计方案包括至少一个状态向量;
删除不符合所述房屋限制参数的初始房屋户型设计方案,获得多个待选房屋户型设计方案;
根据所述目标奖励函数计算各所述待选房屋户型设计方案的奖励函数值;
将奖励函数值最高的待选房屋户型设计方案设置为目标房屋户型设计方案。
可选地,根据所述目标奖励函数更新所述房屋户型设计模型,获得目标房屋户型设计模型的步骤包括:
根据所述目标奖励函数和所述房屋户型设计模型,构建目标Q值更新函数;
根据所述目标Q值更新函数更新所述状态空间中各状态向量执行各参数调整动作的Q值;
根据所述状态空间中各状态向量执行各所述参数调整动作的Q值,更新所述房屋户型设计模型中的各所述状态向量执行各所述参数调整动作的状态转移概率,获得目标房屋户型设计模型。
可选地,在所述基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案的步骤之前,所述方法还包括:
基于预设的设计元素、设计参数以及参数调整动作,构建初始强化学习模型;
根据历史房屋户型设计方案构建预设奖励函数;
基于所述预设奖励函数和所述初始强化学习模型,构建Q值更新函数;
根据所述Q值更新函数训练所述初始强化学习模型,获得房屋户型设计模型。
可选地,所述初始强化学习模型包括状态空间、动作空间以及状态转移概率、所述基于预设的设计元素、设计参数以及设计目标,构建初始强化学习模型的步骤包括:
根据预设的设计元素和设计参数生成状态空间;
根据预设的参数调整动作生成动作空间;
初始化所述状态空间中各状态向量执行所述动作空间中各参数调整动作的状态转移概率。
可选地,所述根据所述Q值更新函数训练所述初始强化学习模型,获得房屋户型设计模型的步骤包括:
通过所述Q值更新函数迭代更新所述状态空间中各状态向量执行所述动作空间中各参数调整动作的Q值;
当满足预设停止条件时,停止迭代更新,获得当前所述状态空间中各状态向量执行所述动作空间中各参数调整动作的Q值,其中,所述预设停止条件为迭代次数大于第一预设阈值或所述状态空间内的状态向量对应的奖励函数值大于第二预设阈值;
根据各所述状态向量执行各所述参数调整动作的Q值设置所述状态空间中各状态向量执行所述动作空间中各参数调整动作的状态转移概率,获得房屋户型设计模型。
本申请还提供一种房屋户型设计装置,所述房屋户型设计装置应用于房屋户型设计设备,所述房屋户型设计装置包括:
函数更新模块,用于根据设计目标更新预设奖励函数,获得目标奖励函数,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种;
方案生成模块,用于基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案,其中,所述目标房屋户型设计方案中至少包括设计元素和设计参数,所述设计元素至少包括客厅、餐厅、玄关、厨房、卧室、书房、卫生间、门、窗户以及阳台中的一种,所述设计参数至少包括类型、长度、宽度、位置、面积以及朝向中的一种。
本申请还提供一种电子设备,所述电子设备为实体设备,所述电子设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述房屋户型设计方法的程序,所述房屋户型设计方法的程序被处理器执行时可实现如上述的房屋户型设计方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有实现房屋户型设计方法的程序,所述房屋户型设计方法的程序被处理器执行时实现如上述的房屋户型设计方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的房屋户型设计方法的步骤。
本申请提供了一种房屋户型设计方法、装置、电子设备及可读存储介质,首先根据设计目标更新预设奖励函数,获得目标奖励函数,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种;基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案,其中,所述目标房屋户型设计方案中至少包括设计元素和设计参数,所述设计元素至少包括客厅、餐厅、玄关、厨房、卧室、书房、卫生间、门、窗户以及阳台中的一种,所述设计参数至少包括类型、长度、宽度、位置、面积以及朝向中的一种,本申请的技术方案通过各维度的设计目标结合预设奖励函数生成目标奖励函数,并通过包含各维度的设计目标的目标奖励函数作为生成房屋户型设计方案的参数生成房屋户型设计方案,克服了现有技术中难以解决多维度的设计目标优化问题的技术缺陷,让用户可以根据具体需求自定义设计目标,并根据设计目标生成个性化房屋户型设计方案,提高了人工智能算法生成的房屋户型设计方案个性化程度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请房屋户型设计方法第一实施例的流程示意图;
图2为本申请房屋户型设计方法第二实施例的流程示意图;
图3为本申请实施例中Q-Learning算法的流程示意图;
图4为本申请实施例中房屋户型设计装置的组成结构示意图;
图5为本申请实施例中房屋户型设计方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,均属于本申请保护的范围。
实施例一
本申请实施例提供一种房屋户型设计方法,在本申请房屋户型设计方法的第一实施例中,参照图1,所述房屋户型设计方法包括:
步骤S10,根据设计目标更新预设奖励函数,获得目标奖励函数,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种;
步骤S20,基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案,其中,所述目标房屋户型设计方案中至少包括设计元素和设计参数,所述设计元素至少包括客厅、餐厅、玄关、厨房、卧室、书房、卫生间、门、窗户以及阳台中的一种,所述设计参数至少包括类型、长度、宽度、位置、面积以及朝向中的一种。
在本申请实施例中,需要说明的是,所述设计目标为在需要设计房屋户型时,用户自定义设置的房屋户型设计目标,其中包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种以及对应的权重系数,用于表征用户在房屋户型设计过程中对哪些方面比较重视,便于生成符合用户期望的目标房屋户型设计方案,其中,所述空间利用率为所有设计元素面积总和与房屋的平面总面积的比值,设计元素尺寸可以包括各设计元素的面积,所述客厅朝向和窗户朝向可通过角度表示,例如朝北为0°、朝东为90°、朝南为180°以及朝西为270°,可根据具体情况自行定义,在此不做限制,各所述权重系数之和为1。所述预设奖励函数用于根据房屋户型设计方案中的空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向对应的预设权重系数计算该房屋户型设计方案的奖励值,所述预设权重系数是在进行房屋户型设计前根据一般情况设置的,例如,当前房产市场中的用户比较关注空间使用率和房间数量,则可将上述空间使用率和房间数量的权重系数设置高一些,所述奖励值用于表征房屋户型设计方案的优劣。
另外,所述房屋限制参数为需要设计的房屋的固定的设计元素以及设计参数,可根据用户需求自行定义,例如,房屋的总面积,房屋户型平面形状(多边形)以及具体对各设计元素的数量以及设计参数的自定义限制。所述设计元素中对应的位置可根据每个设计类型的元素的几何中心以及几何参数表示位置,如客厅、餐厅以及卧室等,均设计为矩形,因此可以使用长宽以及中心点坐标表示其位置。而设计参数中的类型则可通过独热(OneHot)编码方式进行数值化处理,例如窗户形状,矩形用1表示,圆形用2表示,矩形和圆形的组合用3表示,其他形状用4表示等。具体地,每个设计元素可以用向量形式来表示,例如客厅,则可以使用如下向量:[客厅、长度、宽度、位置、窗户面积、窗户朝向、门面积、门朝向],多个设计元素对应的向量组合,则形成了一完整的房屋户型设计方案。
本申请实施例中的房屋户型设计模型为强化学习模型,其中强化学习模型的环境可用一元组表示E=(S, A, P),E为强化学习模型,其中还包括状态空间S,状态空间S由所有可能的状态向量s组成,s∈S;动作空间A,动作空间A包括针对状态空间中所有状态向量s的参数调整动作,如添加或删除一个房间、改变房间的长宽、调整房间的位置等参数调整动作,记为a,且a∈A;状态转移概率P,状态转移概率P是指在某个状态向量s下,执行某个动作a后,转移到下一个状态s'的概率,状态转移概率表示为P(s'|s, a)。
示例性地,奖励函数可表示为,奖励函数表示了每个设计参数组合的优劣程度,可以根据不同的设计目标进行调整。例如奖励函数中包括房间数量,厨房面积以及客厅面积等设计目标,则奖励函数可表示为:
其中,、/>以及/>分别用于表示房间数量、厨房面积以及客厅面积这三项设计目标分别对应的权重系数,而/>、/>以及/>则分别用于表示房间数量,厨房面积以及客厅面积分别对应的奖励函数值,具体地,所述房间数量,所述厨房面积以及所述客厅面积分别对应的奖励函数值可以分别通过如下函数表达式计算:
;
;
;
其中,、/>以及/>分别表示状态向量中的房间数量、厨房面积以及客厅面积,而/>、/>以及/>分别表示设计目标中的房间数量、厨房面积和客厅面积分别对应的期望值。上述表达式中使用负号来衡量奖励函数值是因为当房间数量、厨房面积和客厅面积与设计目标越接近,即当前状态向量与设计目标之差的绝对值越小,奖励函数值越高。
作为一种示例,步骤S10至步骤S20包括:获取用户输入的设计目标,根据所述设计目标中的类型、期望值以及权重系数更新预设奖励函数中的类型、期望值以及权重系数,获得目标奖励函数,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种;获取需要进行房屋户型设计的房屋的限制参数,所述限制参数包括房屋的固定限制参数和用户自定义限制参数;根据所述目标奖励函数更新房屋户型设计模型中各状态向量执行各参数调整动作对应的状态转移概率,以更新所述房屋户型设计模型,并通过更新后的房屋户型设计模型在所述房屋限制参数的限制下生成多个房屋户型设计方案;根据各所述房屋户型设计方案对应的奖励函数值从各所述房屋户型设计方案中选出最优的目标防护设计方案,其中,所述目标房屋户型设计方案中至少包括设计元素和设计参数,所述设计元素至少包括客厅、餐厅、玄关、厨房、卧室、书房、卫生间、门、窗户以及阳台中的一种,所述设计参数至少包括类型、长度、宽度、位置、面积以及朝向中的一种。
进一步地,所述根据设计目标更新预设的奖励函数,获得目标奖励函数步骤包括:
步骤S11,获取设计目标,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种对应的期望值和权重系数;
步骤S12,根据所述设计目标更新预设奖励函数中的权重系数和期望值,获得目标奖励函数,其中,所述预设奖励函数包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向分别对应的期望值和权重系数。
在本申请实施例中,需要说明的是,本申请实施例中通过获取到的设计目标对预设奖励函数进行更新,因为设计目标体现了用户对于需要进行户型设计的房屋的各项设计目标的期望值和重视程度,所以本申请实施例中可以通过设各项设计目标的具体期望值以及各项设计目标分别对应的权重系数获得目标预设奖励函数,使得目标预设奖励函数相比预设奖励函数更贴切用户的设计需求,以生成更具个性化的房屋户型设计方案。此外,在用户输入的设计目标比预设奖励函数中涉及的设计目标的维度更少时,则对预设奖励函数中的部分设计目标的期望值和权重系数进行更改。例如,预设奖励函数中包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向分别对应的期望值和权重系数,而设计目标中只包括空间使用率、房间数量以及客厅面积对应的期望值和权重系数,则只更新预设奖励函数中的空间使用率、房间数量以及客厅面积对应的期望值和权重系数。
在另一种可实施的实施例中,若用户未输入设计目标,可无需执行步骤S10,可直接根据预设的房屋户型设计模型和房屋限制参数生成大于预设奖励函数阈值的目标房屋户型设计方案。
作为一种示例,步骤S11至步骤S12包括:获取用户输入的设计目标,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种对应的期望值和权重系数;将所述设计目标中的期望值和权重系数替代预设奖励函数中对应的期望值和权重系数,获得更新后的目标奖励函数。
示例性地,用户输入的设计目标包括空间使用率95%,对应的权重系数0.2,房间数量3,对应的权重系数0.7,客厅面积25㎡,对应的权重系数0.1,而预设奖励函数中包括空间使用率90%,对应的权重系数0.1,客厅面积20㎡,对应的权重系数0.1,主卧面积15㎡,对应的权重系数0.1,房间数量3,对应的权重系数0.1,阳台数量2,对应的权重系数0.1,客厅朝向180°,对应的权重系数0.1,客厅长宽比3:2,对应的权重系数0.1,主卧长款比3:4,对应的权重系数0.3。在这种情况下,则将设计目标中的期望值和权重系数替代预设奖励函数中的期望值和权重系数,但替代后的权重系数分别为:0.2、0.1、0.1、0.7、0.1、0.1、0.1、0.1、0.1、0.3,其中权重系数之和不为1,则进行等比例缩小使得权重系数之和为1。如此使得更新后的目标奖励函数与用户的设计目标更贴合,生成更符合用户预期的个性化房产户型设计方案。
进一步地,在所述房屋户型设计模型所述基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案的步骤包括:
步骤S21,根据所述目标奖励函数更新所述房屋户型设计模型,获得目标房屋户型设计模型;
步骤S22,基于所述目标房屋户型设计模型对应的状态空间中的各状态向量执行各参数调整动作的状态转移概率,调整所述状态空间中的各状态向量,生成多个初始房屋户型设计方案,其中,各所述初始房屋户型设计方案包括至少一个状态向量;
步骤S23,删除不符合所述房屋限制参数的初始房屋户型设计方案,获得多个待选房屋户型设计方案;
步骤S24,根据所述目标奖励函数计算各所述待选房屋户型设计方案的奖励函数值;
步骤S25,将奖励函数值最高的待选房屋户型设计方案设置为目标房屋户型设计方案。
在本申请实施例中,需要说明的是,房屋户型设计模型是通过事先通过强化学习算法训练得到,在训练过程中应用到了预设奖励函数,在使用房屋户型设计模型生成房屋户型设计的过程中应用到了更新过的目标奖励函数,而且需要根据用户输入的设计目标更新的目标奖励函数再次对房屋户型设计模型进行训练,获得更新后的目标房屋户型设计模型,以使得生成的目标房屋户型设计方案更贴合设计目标,满足用户的个性化需求。另外,每个初始房屋户型设计方案至少包括一个状态向量,每个状态向量对应一个设计元素以及设计元素对应的设计参数,例如客厅、卧室、厨房以及厕所等,每个房屋的户型设计方案都是各设计元素以及设计参数的组合,比如至少要有一间卧室,还可以包括各种常规的房屋户型的组合,例如两室一厅一厨一卫、三室一厅一厨两卫以及以上各种组合形式的户型,可根据具体需求设置,在此不做限定。
另外,所述房屋限制参数用于排除与待设计的房屋户型不符的初始房屋户型设计方案,例如,待设计的房屋平面形状为矩形,长宽比为3:4,面积为100㎡,则需要排除与上述条件不符的初始房屋户型设计方案,例如用户自定义的房屋限制参数中包括卧室数量为3个,则需要排除卧室数量不为3个的初始房屋户型设计方案,以完成多设计目标优化,满足用户的个性化设计需求。
作为一种示例,步骤S21至步骤S25包括:根据所述目标奖励函数更新所述房屋户型设计模型中的状态空间中的各状态向量执行动作空间中各参数调整动作的状态转移概率,获得目标房屋户型设计模型;根据所述目标房屋户型设计模型对应的状态空间中的各状态向量执行各参数调整动作的状态转移概率,逐步在调整各状态向量的设计参数,获得调整后的各状态向量;当迭代调整次数达到预设调整次数时,停止调整并随机组合各状态向量,获得多个初始房屋户型设计方案;根据用户输入的房屋限制参数清洗各所述初始房屋户型设计方案,以删除不符合所述房屋限制参数的初始房屋户型设计方案,获得多个待选房屋户型设计方案;根据所述目标奖励函数计算各所述待选房屋户型设计方案的奖励函数值;从各所述待选房屋户型设计方案中选取奖励函数值最高的待选房屋户型设计方案作为目标房屋户型设计方案。
进一步地,根据所述目标奖励函数更新所述房屋户型设计模型,获得目标房屋户型设计模型的步骤包括:
步骤S211,根据所述目标奖励函数和所述房屋户型设计模型,构建目标Q值更新函数;
步骤S212,根据所述目标Q值更新函数更新所述状态空间中各状态向量执行各参数调整动作的Q值;
步骤S213,根据所述状态空间中各状态向量执行各所述参数调整动作的Q值,更新所述房屋户型设计模型中的各所述状态向量执行各所述参数调整动作的状态转移概率,获得目标房屋户型设计模型。
在本申请实施例中,需要说明的是,所述Q值更新函数为强化学习中使用Q-Learning算法训练强化学习模型所用到的更新函数,用于更新房屋户型设计模型中的状态空间中各状态向量执行所述房屋户型设计模型中的动作空间中各参数调整动作的Q值,其中,Q值用于表征各状态向量执行各参数调整动作的预期回报,Q值越高,预期回报越好。进而可以根据各状态向量执行各所述参数调整动作的Q值更新房屋户型设计模型中的各状态向量执行各参数调整动作的状态转移概率,Q值越高,对应的状态转移概率越高,更新后的目标房屋户型设计模型可以使得状态空间中的各状态向量向着预期回报更好的方向调整,获得更优的房屋户型设计方案。
作为一种示例,步骤S211至步骤S213包括:根据所述目标奖励函数的表达式和所述房屋户型设计模型中的状态空间以及动作空间,构建目标Q值更新函数,其中所述状态空间中包括多个状态向量,所述动作空间中包括多个参数调整动作;通过所述目标Q值更新函数迭代更新所述状态空间中各状态向量执行各参数调整动作的Q值,其中,在迭代更新的过程中,依次对所述状态空间中各状态向量执行各参数调整动作;当迭代更新次数或状态向量对应的目标奖励函数值大于预设奖励阈值时,停止迭代更新,获得更新后的所述状态空间中各状态向量执行各所述参数调整动作的Q值,计算每个状态向量下执行各所述参数调整动作的Q值分别与每个状态向量下执行各所述参数调整动作的Q值之和的比值,获得每个状态向量下执行各所述参数调整动作的状态转移概率;根据更新后的每个状态向量下执行各所述参数调整动作的状态转移概率更新所述房屋户型设计模型中状态空间中各状态向量执行动作空间中各参数调整动作的状态转移概率,获得目标房屋户型设计模型。
本申请实施例提供了一种房屋户型设计方法,首先根据设计目标更新预设奖励函数,获得目标奖励函数,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种;基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案,其中,所述目标房屋户型设计方案中至少包括设计元素和设计参数,所述设计元素至少包括客厅、餐厅、玄关、厨房、卧室、书房、卫生间、门、窗户以及阳台中的一种,所述设计参数至少包括类型、长度、宽度、位置、面积以及朝向中的一种,本申请实施例的技术方案通过各维度的设计目标结合预设奖励函数生成目标奖励函数,并通过包含各维度的设计目标的目标奖励函数作为生成房屋户型设计方案的参数进行方案生成,克服了现有技术中难以解决多维度的设计目标优化问题的技术缺陷,让用户可以根据具体需求自定义设计目标,并根据设计目标生成个性化房屋户型设计方案,提高了人工智能算法生成的房屋户型设计方案个性化程度。
实施例二
进一步地,基于本申请第一实施例,在本申请另一实施例中,与上述实施例一相同或相似的内容,可以参考上文介绍,后续不再赘述。在此基础上,在所述基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案的步骤之前,参照图2,所述方法还包括:
步骤A10,基于预设的设计元素、设计参数以及参数调整动作,构建初始强化学习模型;
步骤A20,根据历史房屋户型设计方案构建预设奖励函数;
步骤A30,基于所述预设奖励函数和所述初始强化学习模型,构建Q值更新函数;
步骤A40,根据所述Q值更新函数训练所述初始强化学习模型,获得房屋户型设计模型。
在本申请实施例中,需要说明的是,本申请实施例提供了一种使用预设的房屋户型设计模型之前,训练房屋户型设计模型的方法,主要应用到了强化学习模型的训练方法和Q-Learning算法,其中,初始强化学习模型的环境由状态空间、动作空间以及状态转移概率组成,具体地,状态空间中包括多个预设的状态向量,每个状态向量对应一个设计元素以及设计元素对应的设计参数,动作空间中包括多个预设的参数调整动作,状态转移概率指在某个状态向量下,执行某个动作后,转移到下一个状态向量的概率,具体可参照上一实施例的说明,在此不做赘述。
本申请实施例还结合了历史房屋户型设计方案来构建预设奖励函数,其中,历史房屋户型设计方案具备对应的销量数据,可以根据销量数据分析出哪些房屋户型设计方案比较受欢迎,哪些房屋户型设计方案不受欢迎,受欢迎的房屋户型设计方案的共同特点是什么,所述共同特点是指其中的受欢迎的设计目标,体现出哪些设计目标是客户比较重视的,则增大这些设计目标的权重系数,并从受欢迎的房屋户型设计方案中提取出这些受重视的设计目标的期望值,结合到预设奖励函数中,使得训练出来的房屋户型设计模型能适配更广大的客户群体,生成使更多客户满意的房屋户型设计方案,具体地,所述预设奖励函数的构建方法可以参照上一实施例中的目标奖励函数的构建方法,在此不做赘述。此外,每次新增一新的历史房屋户型设计的样本数据,都可以对预设奖励函数进行一次更新,以实现增量学习的方法训练模型。
此外,所述Q值更新函数是通过预设奖励函数和初始强化学习模型中的状态空间中的各状态向量和动作空间的各参数调整动作构建完成,示例性地,Q值更新函数的表达式如下所示:
;
其中,为状态向量/>下执行参数调整动作/>的Q值,/>为学习率,/>为状态向量/>下执行参数调整动作/>的后的状态对应的奖励函数值,/>为折扣因子,为状态向量/>下可执行的各参数调整动作分别对应的状态向量中Q值最高的状态向量/>和对应的参数调整动作/>。
具体地,在初始化Q值更新函数时,可以采用空值或随机值来初始化各状态向量执行各参数调整动作的Q值。其中的学习率和折扣因子在初始化Q值更新函数时可以通过经验或需求自定义,并在Q值更新函数迭代更新的过程中进行优化,直至各状态向量执行各参数调整动作的Q值收敛,也可以采取经验回放的方式进行优化,在此不做限制。
作为一种示例,步骤A10至步骤A40包括:获取用户输入的预设的设计元素、设计参数以及参数调整动作,分别通过所述设计元素、设计参数以及参数调整动作构建状态空间和动作空间;初始化所述状态空间中各状态向量执行动作空间中各参数动作的状态转移概率,其中,各所述状态向量由至少一个设计元素和对应的设计参数组成,初始化的状态转移概率可以采用随机值或空值;聚合所述状态空间、所述动作空间以及各状态转移概率,获得初始强化学习模型;根据历史房屋户型设计方案对应的销量数据确定多个设计目标对应的权重系数和期望值,并根据获取到的设计目标对应的权重系数和期望值构建预设奖励函数;根据所述预设奖励函数和所述初始强化学习模型中的状态空间中的状态向量以及动作空间中的参数调整动作,生成Q值更新函数;根据所述Q值更新函数迭代更新所述状态空间中各状态向量执行动作空间中各参数动作的Q值,并根据更新后的Q值设置初始强化学习模型中各状态向量执行动作空间中各参数动作的状态转移概率,获得房屋户型设计模型。
进一步地,所述初始强化学习模型包括状态空间、动作空间以及状态转移概率、所述基于预设的设计元素、设计参数以及设计目标,构建初始强化学习模型的步骤包括:
步骤A11,根据预设的设计元素和设计参数生成状态空间;
步骤A12,根据预设的参数调整动作生成动作空间;
步骤A13,初始化所述状态空间中各状态向量执行所述动作空间中各参数调整动作的状态转移概率。
在本申请实施例中,需要说明的是,所述初始强化学习模型由一个元组表示:E=(S, A, P),E为强化学习模型,元组还包括状态空间S,状态空间S由所有预设的状态向量s组成,s∈S,每个状态向量由一个或一个以上的设计元素和对应的设计参数组成;动作空间A,动作空间A包括针对状态空间中各状态向量s的参数调整动作,如添加或删除一个房间、改变房间的长宽、调整房间的位置等参数调整动作,记为a,且a∈A;状态转移概率P,状态转移概率P是指在某个状态向量s下,执行某个动作a后,转移到下一个状态s'的概率,状态转移概率表示为P(s'|s, a)。
作为一种示例,步骤A11至步骤A13包括:获取用户输入的各设计元素和对应的各设计参数;将各设计元素进行随机组合,生成多个状态向量;根据各所述状态向量组成状态空间;获取用户输入的各预设参数调整动作,并根据各所述预设参数调整动作组合成动作空间;采用空值、随机值或固定值初始化所述状态空间中各状态向量执行所述动作空间中各参数调整动作的状态转移概率,具体地,采用固定值初始化所述状态空间中各状态向量执行所述动作空间中各参数调整动作的状态转移概率时,例如,某个状态向量为房间,对应的参数调整动作包括将长度缩短1m、将长度加长1m、将宽度缩短1m以及将宽度加长1m,则初始化各所述参数调整动作的状态转移概率均为1/4。
进一步地,所述根据所述Q值更新函数训练所述初始强化学习模型,获得房屋户型设计模型的步骤包括:
步骤A41,通过所述Q值更新函数迭代更新所述状态空间中各状态向量执行所述动作空间中各参数调整动作的Q值;
步骤A42,当满足预设停止条件时,停止迭代更新,获得当前所述状态空间中各状态向量执行所述动作空间中各参数调整动作的Q值,其中,所述预设停止条件为迭代次数大于第一预设阈值或所述状态空间内的状态向量对应的奖励函数值大于第二预设阈值;
步骤A43,根据各所述状态向量执行各所述参数调整动作的Q值设置所述状态空间中各状态向量执行所述动作空间中各参数调整动作的状态转移概率,获得房屋户型设计模型。
在本申请实施例中,Q learning算法采用Q table(Q表)来记录不同状态向量下执行不同参数调整动作的Q值,参照图3和上述的Q值更新函数的表达式,通过Q learning算法和Q值更新函数迭代更新所述状态空间中各状态向量执行所述动作空间中各参数调整动作的Q值的步骤包括:初始化Q表-执行各状态向量对应的参数调整动作-计算奖励函数值-计算更新后的Q值-更新Q表,再返回执行步骤:执行各状态向量对应的参数调整动作,以此类推,直至迭代更新次数大于第一预设阈值(预设的迭代更新次数阈值)或某个状态向量的奖励函数值大于第二预设阈值(预设的奖励函数阈值),其中,可以采用空值或随机值来初始化Q表中的Q值。
作为一种示例,步骤A41至步骤A43包括:初始化所述状态空间中各状态向量执行所述动作空间中各参数调整动作的Q值,通过Q learning算法依次执行各状态向量执行所述动作空间中各参数调整动作并迭代更新所述状态空间中各状态向量执行所述动作空间中各参数调整动作的Q值,将更新后的Q值更新至所述Q值更新函数对应的Q表;判断迭代更新次数是否大于第一预设阈值或所述状态空间内的状态向量对应的奖励函数值是否大于第二预设阈值,若所述迭代更新次数大于所述第一预设阈值或所述状态空间内的状态向量对应的奖励函数值大于所述第二预设阈值,则停止迭代更新,并根据当前Q表中各所述状态向量执行各所述参数调整动作的Q值设置所述状态空间中各状态向量执行所述动作空间中各参数调整动作的状态转移概率;将更新后的状态转移概率与已构建的状态空间和动作空间结合,获得房屋户型设计模型。
示例性地,若停止更新后的Q表中,某个状态向量为房间,对应的参数调整动作分别包括长度缩短1m、将长度加长1m、将宽度缩短1m以及将宽度加长1m,上述各参数调整动作分别对应的Q值为1、2、3以及4,则可根据各参数调整动作分别对应的Q值与该状态向量对应的所有参数调整动作的Q值之和,计算各参数调整动作对应的状态转移概率,例如参数调整动作长度缩短1m的状态转移概率为1/(1+2+3+4)=10%。
本申请实施例提供了一种在使用预设的房屋户型设计模型之前,训练房屋户型设计模型的方法,主要通过基于预设的设计元素、设计参数以及参数调整动作,构建初始强化学习模型,再根据历史房屋户型设计方案构建预设奖励函数,然后基于所述预设奖励函数和所述初始强化学习模型,构建Q值更新函数,最后根据所述Q值更新函数训练所述初始强化学习模型,获得房屋户型设计模型,本申请实施例的技术方案通过结合强化学习模型的训练方法来训练房屋户型设计模型,并结合历史房屋户型设计方案来构建预设奖励函数,考虑到了市场因素中用户的普遍偏好,能实现多设计目标优化,使得生成的房屋户型设计模型能更符合市场中广大住户的预期,相比现有的遗传算法和神经网络的房屋户型设计方案更具灵活性。
实施例三
本申请实施例还提供一种房屋户型设计装置,所述房屋户型设计装置应用于房屋户型设计设备,参照图4,所述房屋户型设计装置包括:
函数更新模块101,用于根据设计目标更新预设奖励函数,获得目标奖励函数,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种;
方案生成模块102,用于基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案,其中,所述目标房屋户型设计方案中至少包括设计元素和设计参数,所述设计元素至少包括客厅、餐厅、玄关、厨房、卧室、书房、卫生间、门、窗户以及阳台中的一种,所述设计参数至少包括类型、长度、宽度、位置、面积以及朝向中的一种。
可选地,所述函数更新模块101还用于:
获取设计目标,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种对应的期望值和权重系数;
根据所述设计目标更新预设奖励函数中的权重系数和期望值,获得目标奖励函数,其中,所述预设奖励函数包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向分别对应的期望值和权重系数。
可选地,所述方案生成模块102还用于:
根据所述目标奖励函数更新所述房屋户型设计模型,获得目标房屋户型设计模型;
基于所述目标房屋户型设计模型对应的状态空间中的各状态向量执行各参数调整动作的状态转移概率,调整所述状态空间中的各状态向量,生成多个初始房屋户型设计方案,其中,各所述初始房屋户型设计方案包括至少一个状态向量;
删除不符合所述房屋限制参数的初始房屋户型设计方案,获得多个待选房屋户型设计方案;
根据所述目标奖励函数计算各所述待选房屋户型设计方案的奖励函数值;
将奖励函数值最高的待选房屋户型设计方案设置为目标房屋户型设计方案。
可选地,所述方案生成模块102还用于:
根据所述目标奖励函数和所述房屋户型设计模型,构建目标Q值更新函数;
根据所述目标Q值更新函数更新所述状态空间中各状态向量执行各参数调整动作的Q值;
根据所述状态空间中各状态向量执行各所述参数调整动作的Q值,更新所述房屋户型设计模型中的各所述状态向量执行各所述参数调整动作的状态转移概率,获得目标房屋户型设计模型。
可选地,所述房屋户型设计装置还包括模型训练模块,所述模型训练模块还用于:
基于预设的设计元素、设计参数以及参数调整动作,构建初始强化学习模型;
根据历史房屋户型设计方案构建预设奖励函数;
基于所述预设奖励函数和所述初始强化学习模型,构建Q值更新函数;
根据所述Q值更新函数训练所述初始强化学习模型,获得房屋户型设计模型。
可选地,所述模型训练模块还用于:
根据预设的设计元素和设计参数生成状态空间;
根据预设的参数调整动作生成动作空间;
初始化所述状态空间中各状态向量执行所述动作空间中各参数调整动作的状态转移概率。
可选地,所述模型训练模块还用于:
通过所述Q值更新函数迭代更新所述状态空间中各状态向量执行所述动作空间中各参数调整动作的Q值;
当满足预设停止条件时,停止迭代更新,获得当前所述状态空间中各状态向量执行所述动作空间中各参数调整动作的Q值,其中,所述预设停止条件为迭代次数大于第一预设阈值或所述状态空间内的状态向量对应的奖励函数值大于第二预设阈值;
根据各所述状态向量执行各所述参数调整动作的Q值设置所述状态空间中各状态向量执行所述动作空间中各参数调整动作的状态转移概率,获得房屋户型设计模型。
本申请提供的房屋户型设计装置,采用上述实施例中的房屋户型设计方法,解决了目前运用人工智能算法生成的房屋户型设计方案个性化程度低的技术问题。与现有技术相比,本申请实施例提供的房屋户型设计装置的有益效果与上述实施例提供的房屋户型设计方法的有益效果相同,且该房屋户型设计装置中的其他技术特征与上一实施例方法公开的特征相同,在此不做赘述。
实施例四
本申请实施例提供一种电子设备,电子设备包括:至少一个处理器;以及,与至少一个处理器通信链接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述实施例一中的房屋户型设计方法。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(personal digital assistant,个人数字助理)、PAD(平板电脑)、PMP(Portable MediaPlayer,便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM,read only memory)中的程序或者从存储装置加载到随机访问存储器(RAM,random access memory)中的程序而执行各种适当的动作和处理。在RAM中,还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也链接至总线。
通常,以下系统可以链接至I/O接口:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置;包括例如液晶显示器(LCD,liquid crystaldisplay)、扬声器、振动器等的输出装置;包括例如磁带、硬盘等的存储装置;以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备,但是应理解的是,并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置被安装,或者从ROM被安装。在该计算机程序被处理装置执行时,执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备,采用上述实施例中的房屋户型设计方法,解决了目前运用人工智能算法生成的房屋户型设计方案个性化程度低的技术问题。与现有技术相比,本申请实施例提供的电子设备的有益效果与上述实施例一提供的房屋户型设计方法的有益效果相同,且该电子设备中的其他技术特征与上一实施例方法公开的特征相同,在此不做赘述。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
实施例五
本实施例提供一种计算机可读存储介质,具有存储在其上的计算机可读程序指令,计算机可读程序指令用于执行上述实施例一中的房屋户型设计的方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘,但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电链接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM,ErasableProgrammable Read-Only Memory或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被电子设备执行时,使得电子设备:根据设计目标更新预设奖励函数,获得目标奖励函数,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种;基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案,其中,所述目标房屋户型设计方案中至少包括设计元素和设计参数,所述设计元素至少包括客厅、餐厅、玄关、厨房、卧室、书房、卫生间、门、窗户以及阳台中的一种,所述设计参数至少包括类型、长度、宽度、位置、面积以及朝向中的一种。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN,local area network)或广域网(WAN,Wide Area Network)—链接到用户计算机,或者,可以链接到外部计算机(例如利用因特网服务提供商来通过因特网链接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的各方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的各方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质,存储有用于执行上述房屋户型设计方法的计算机可读程序指令,解决了目前运用人工智能算法生成的房屋户型设计方案个性化程度低的技术问题。与现有技术相比,本申请实施例提供的计算机可读存储介质的有益效果与上述实施例提供的房屋户型设计方法的有益效果相同,在此不做赘述。
实施例六
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的房屋户型设计方法的步骤。
本申请提供的计算机程序产品解决了目前运用人工智能算法生成的房屋户型设计方案个性化程度低的技术问题。与现有技术相比,本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的房屋户型设计方法的有益效果相同,在此不做赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (8)
1.一种房屋户型设计方法,其特征在于,所述房屋户型设计方法包括:
根据设计目标更新预设奖励函数,获得目标奖励函数,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种;
基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案,其中,所述目标房屋户型设计方案中至少包括设计元素和设计参数,所述设计元素至少包括客厅、餐厅、玄关、厨房、卧室、书房、卫生间、门、窗户以及阳台中的一种,所述设计参数至少包括类型、长度、宽度、位置、面积以及朝向中的一种;
其中,所述基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案的步骤包括:
根据所述目标奖励函数更新所述房屋户型设计模型,获得目标房屋户型设计模型;
基于所述目标房屋户型设计模型对应的状态空间中的各状态向量执行各参数调整动作的状态转移概率,调整所述状态空间中的各状态向量,生成多个初始房屋户型设计方案,其中,各所述初始房屋户型设计方案包括至少一个状态向量;
删除不符合所述房屋限制参数的初始房屋户型设计方案,获得多个待选房屋户型设计方案;
根据所述目标奖励函数计算各所述待选房屋户型设计方案的奖励函数值;
将奖励函数值最高的待选房屋户型设计方案设置为目标房屋户型设计方案;
其中,所述根据所述目标奖励函数更新所述房屋户型设计模型,获得目标房屋户型设计模型的步骤包括:
根据所述目标奖励函数和所述房屋户型设计模型,构建目标Q值更新函数;
根据所述目标Q值更新函数更新所述状态空间中各状态向量执行各参数调整动作的Q值;
根据所述状态空间中各状态向量执行各所述参数调整动作的Q值,更新所述房屋户型设计模型中的各所述状态向量执行各所述参数调整动作的状态转移概率,获得目标房屋户型设计模型。
2.如权利要求1所述房屋户型设计方法,其特征在于,所述根据设计目标更新预设的奖励函数,获得目标奖励函数步骤包括:
获取设计目标,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种对应的期望值和权重系数;
根据所述设计目标更新预设奖励函数中的权重系数和期望值,获得目标奖励函数,其中,所述预设奖励函数包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向分别对应的期望值和权重系数。
3.如权利要求1所述房屋户型设计方法,其特征在于,在所述基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案的步骤之前,所述方法还包括:
基于预设的设计元素、设计参数以及参数调整动作,构建初始强化学习模型;
根据历史房屋户型设计方案构建预设奖励函数;
基于所述预设奖励函数和所述初始强化学习模型,构建Q值更新函数;
根据所述Q值更新函数训练所述初始强化学习模型,获得房屋户型设计模型。
4.如权利要求3所述房屋户型设计方法,其特征在于,所述初始强化学习模型包括状态空间、动作空间以及状态转移概率、所述基于预设的设计元素、设计参数以及设计目标,构建初始强化学习模型的步骤包括:
根据预设的设计元素和设计参数生成状态空间;
根据预设的参数调整动作生成动作空间;
初始化所述状态空间中各状态向量执行所述动作空间中各参数调整动作的状态转移概率。
5.如权利要求4所述房屋户型设计方法,其特征在于,所述根据所述Q值更新函数训练所述初始强化学习模型,获得房屋户型设计模型的步骤包括:
通过所述Q值更新函数迭代更新所述状态空间中各状态向量执行所述动作空间中各参数调整动作的Q值;
当满足预设停止条件时,停止迭代更新,获得当前所述状态空间中各状态向量执行所述动作空间中各参数调整动作的Q值,其中,所述预设停止条件为迭代次数大于第一预设阈值或所述状态空间内的状态向量对应的奖励函数值大于第二预设阈值;
根据各所述状态向量执行各所述参数调整动作的Q值设置所述状态空间中各状态向量执行所述动作空间中各参数调整动作的状态转移概率,获得房屋户型设计模型。
6.一种房屋户型设计装置,其特征在于,所述房屋户型设计装置包括:
函数更新模块,用于根据设计目标更新预设奖励函数,获得目标奖励函数,其中,所述设计目标至少包括空间使用率、设计元素尺寸、房间数量、阳台数量、客厅朝向、总窗户面积、客厅长宽比、主卧长宽比以及窗户朝向中的一种;
方案生成模块,用于基于房屋限制参数,通过预设的房屋户型设计模型和所述目标奖励函数生成目标房屋户型设计方案,其中,所述目标房屋户型设计方案中至少包括设计元素和设计参数,所述设计元素至少包括客厅、餐厅、玄关、厨房、卧室、书房、卫生间、门、窗户以及阳台中的一种,所述设计参数至少包括类型、长度、宽度、位置、面积以及朝向中的一种;
其中,所述方案生成模块还用于:
根据所述目标奖励函数更新所述房屋户型设计模型,获得目标房屋户型设计模型;基于所述目标房屋户型设计模型对应的状态空间中的各状态向量执行各参数调整动作的状态转移概率,调整所述状态空间中的各状态向量,生成多个初始房屋户型设计方案,其中,各所述初始房屋户型设计方案包括至少一个状态向量;删除不符合所述房屋限制参数的初始房屋户型设计方案,获得多个待选房屋户型设计方案;
根据所述目标奖励函数计算各所述待选房屋户型设计方案的奖励函数值;将奖励函数值最高的待选房屋户型设计方案设置为目标房屋户型设计方案;
其中,所述方案生成模块还用于:
根据所述目标奖励函数和所述房屋户型设计模型,构建目标Q值更新函数;根据所述目标Q值更新函数更新所述状态空间中各状态向量执行各参数调整动作的Q值;根据所述状态空间中各状态向量执行各所述参数调整动作的Q值,更新所述房屋户型设计模型中的各所述状态向量执行各所述参数调整动作的状态转移概率,获得目标房屋户型设计模型。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信链接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至5中任一项所述的房屋户型设计方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有实现房屋户型设计方法的程序,所述实现房屋户型设计方法的程序被处理器执行以实现如权利要求1至5中任一项所述房屋户型设计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781224.XA CN116502546B (zh) | 2023-06-29 | 2023-06-29 | 房屋户型设计方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781224.XA CN116502546B (zh) | 2023-06-29 | 2023-06-29 | 房屋户型设计方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502546A CN116502546A (zh) | 2023-07-28 |
CN116502546B true CN116502546B (zh) | 2023-10-10 |
Family
ID=87323525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310781224.XA Active CN116502546B (zh) | 2023-06-29 | 2023-06-29 | 房屋户型设计方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502546B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059750A (zh) * | 2019-04-17 | 2019-07-26 | 广东三维家信息科技有限公司 | 户型形状识别方法、装置和设备 |
CN111553012A (zh) * | 2020-04-28 | 2020-08-18 | 广东博智林机器人有限公司 | 一种家装设计方法、装置、电子设备及存储介质 |
CN111985039A (zh) * | 2020-08-28 | 2020-11-24 | 贝壳技术有限公司 | 房屋户型改造方案确定方法、装置及计算机可读存储介质 |
CN114330892A (zh) * | 2021-12-30 | 2022-04-12 | 清华大学 | 基于监督学习的住宅户型布局生成方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220028212A9 (en) * | 2017-02-03 | 2022-01-27 | Shuo Yang | Wagering game skill detection and awarding systems and methods |
US20180357857A1 (en) * | 2017-06-13 | 2018-12-13 | Burton Simon | Live-Event Betting System Having Strategic Bets Placed by the House |
EP3825553B1 (en) * | 2019-11-25 | 2024-01-10 | Grundfos Holding A/S | Method for controlling a water utility system using a user perception of noise |
US11853653B2 (en) * | 2020-03-04 | 2023-12-26 | Accenture Global Solutions Limited | Generative design using style grammars |
-
2023
- 2023-06-29 CN CN202310781224.XA patent/CN116502546B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059750A (zh) * | 2019-04-17 | 2019-07-26 | 广东三维家信息科技有限公司 | 户型形状识别方法、装置和设备 |
CN111553012A (zh) * | 2020-04-28 | 2020-08-18 | 广东博智林机器人有限公司 | 一种家装设计方法、装置、电子设备及存储介质 |
CN111985039A (zh) * | 2020-08-28 | 2020-11-24 | 贝壳技术有限公司 | 房屋户型改造方案确定方法、装置及计算机可读存储介质 |
CN114330892A (zh) * | 2021-12-30 | 2022-04-12 | 清华大学 | 基于监督学习的住宅户型布局生成方法及系统 |
Non-Patent Citations (1)
Title |
---|
不同类型的客户需求与室内精细设计的关系;沈源;;城市住宅(07) * |
Also Published As
Publication number | Publication date |
---|---|
CN116502546A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102342604B1 (ko) | 뉴럴 네트워크 생성 방법 및 장치 | |
US20230040555A1 (en) | Systems and Methods for Distributed On-Device Learning with Data-Correlated Availability | |
EP3104248B1 (en) | Operational constraint optimization apparatuses, methods and systems | |
US20180052572A1 (en) | Modifying style layer properties of a digital map | |
CN109155003A (zh) | 生成神经网络 | |
CN110288705B (zh) | 生成三维模型的方法和装置 | |
Liu et al. | State and parameter estimation of the heat shock response system using Kalman and particle filters | |
Chakraborty et al. | A generally weighted moving average chart for time between events | |
CN110069191B (zh) | 基于终端的图像拖拽变形实现方法和装置 | |
US11113855B2 (en) | Expression interpretation engine for computer map visualizations | |
US11107294B2 (en) | Adaptive labeling of network graphs | |
JP2020525872A (ja) | インフルエンザ予測モデルの生成方法、装置及びコンピュータ可読記憶媒体 | |
CN111340221A (zh) | 神经网络结构的采样方法和装置 | |
CN111353601A (zh) | 用于预测模型结构的延时的方法和装置 | |
CN112380475A (zh) | 用于生成页面的方法和装置 | |
CN116502546B (zh) | 房屋户型设计方法、装置、电子设备及可读存储介质 | |
Luo et al. | Statistical inference for streamed longitudinal data | |
CN114492641A (zh) | 电力负荷预测方法、装置、设备及存储介质 | |
Yang et al. | Empirical likelihood confidence regions in the single-index model with growing dimensions | |
CN117351299A (zh) | 图像生成及模型训练方法、装置、设备和存储介质 | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN115101211A (zh) | 传染病人数预测方法、装置、电子设备及介质 | |
Jiang et al. | Composite quasi-likelihood for single-index models with massive datasets | |
Huang et al. | Semiparametric hidden Markov model with non-parametric regression | |
CN110879865B (zh) | 核身产品的推荐方法和装置 |
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 |