文摘

基于全球大数据环境,人们越来越要求室内设计和建筑的空间结构,与传统的设计已经无法满足人们的需求,以及人工智能决策是合理的重要性体现在建筑室内设计的过程和空间结构优化。有各种各样的人工智能决策算法,人工神经网络,和相关系数分析方法,和可扩展的室内设计采矿方法正在不断改进和发展,这些算法用于分析每个案例然后屏幕,最后得到最优结果,并提出了多目标优化和约束优化的研究工作提供了一个新战略的设计开发数据年龄。在极度寒冷的土地,图书馆的解集非适应的质量解决方案验证,收敛性,一致性,和大范围优化,然后分析了实验过程,最后多目标的结论,建筑室内设计,空间结构仍然需要进一步优化人工智能决策。

1。介绍

在全球化的国际环境中,人工智能将对人类生活产生不可估量的影响在未来,它将发挥至关重要的作用在设计的设计师在设计决策。人工智能的本质是一种工具,而且,在设计创新的过程中,应发挥其预期的四大维度的责任,反射,谈判,和响应。设计社会创新的重要推动力量,和负责任的人工智能应该与设计创新带来更好的发展决定社会创新[1]。每一个设计师都有偏好;根据每个设计师的偏好提高设计决策的效率,提出ResNet人工智能,可以有效提高决策的准确性。决策问题和相互转换为模式识别问题,有效地避免不利影响设计师的决策偏好(2]。计算模型包括两个方面,视觉距离和视角,用于分析和评价建筑物的空间质量,然后这些方法用来评估每个细分的组合来获取空间质量的封闭空间3]。

住房问题的基于人工智能应该从三个方面:调查和解决其概念、方法和实现技术。人工智能可以实现更优化的设计决策房地产从许多方面来优化其空间结构与多个目标(4]。建筑设计包括设计计算的本质思考和工艺特点,和可计算性的要点主要信息,映射,和决策(5]。用户生成和维护空间对象在计算机辅助设计模型,包含了有界区域的几何形状,可以用来计算面积和体积当量与该地区有关。面积和体积计算根据空间对象的几何可能符合既定的标准计算面积,净面积,可用区域的建筑或其他结构。这是通过使用大数据和人工智能设计的室内建筑(6]。

不仅是建筑的室内设计与室内设计师,而且其建筑的建筑师有发言权。室内设计师注意到许多方面,包括色彩、照明、装饰,会对人有一定的影响;一个好的室内设计为人们将有一个愉快的心情,以及身体舒适的工作。设计师的建筑师的监督也是至关重要的。的人工智能将使设计决策更加准确,和人工智能决策是非常受欢迎的在室内设计和空间结构7]。使用ACT-R认知体系结构改造成Python ACT-R有利于探索可能的基于核心ACT-R理论模型和体系结构。最终,它将使我们调查的可能性,以一种新的方式使用基本ACT-R组件(8]。

在今天的国际环境保护环境,绿色创新的新概念提出了室内设计和空间结构,减少建筑消耗和温室气体排放,和人工智能的决策可以为室内建筑设计提出建设性的建议,并添加适当的绿色创新概念建立一个环保的室内环境(9]。在热带地区,由于其极端的夏天的天气条件下,建筑物的通风,阴影和散热,提出了多目标优化问题,捕获需求的地区家庭和相互冲突的目标,需要优化,并采用字典式的方法。以供应点可视化帕累托曲线,分析的基础上ε约束方法。该模型提供指导设计师通过人工智能决策,导致优化设计和布局,以确保可持续发展的建筑设计(10]。

我们研究网络,连接地理空间中点,如交通网络和互联网。我们发现有很强的特性在这些地形和使用模式网络,使网络非常不同的形状以及nongeographic网络。我们解释这些差异的运输和通讯的成本与效益,给一个简单的模型基于蒙特卡罗优化下繁殖的定性特征网络学习好(11]。最近的建筑理论可以结合图表;图表是以前的经验和需求的体现,以及一个集成的数据;的化身大数据通过图表可以使人工智能决策用于建筑室内设计为严格的多目标结构优化和空间结构。图表在日常生活中变得越来越普遍,和图表的使用变得越来越重要在当今时代的大数据人工智能(12]。要解决的问题是:提供一种模块化的、模块化的建筑结构,可以适应多种应用程序和任意塑造。解决方案是基本单位和组装多个模块化单元在三维构造建筑结构。模块单元的表面覆盖着表面装饰面板,和至少一个模块单元的表面保护,生存空间,等等;非透明的金属或木质板,半透明的玻璃结构,能开的窗户或门结构形成一个框架部分的模块单元,和每个功能面板可以被附加到不同的应用程序(13]。

建筑空间是一个重要的元素的社会现象反映了社会、经济和文化变革。本研究为理论数据再生方法提供研究资料。本研究的主要方法是分析报告和论文再生公司和机构,并从四个方面研究还分析客观情况下14]。首先,从审美的角度来看,历史空间和新空间的组合表现为一种相互依存的关系,是一个相互依存的结构。其次,从经济的角度来看,空间规划的变化导致了地区的再生。第三,从功能的角度来看,可访问性改进体现在社区形成和空间开放的特点,而且,从心理学角度来看,基于社区的图像结构形成和建筑符号设计实现区域再生。本研究通过各种案例研究分析再生策略设计的特征,通过这些研究旨在利用人工智能决策为建立适当的再生方向保持历史建筑的特点(15]。

2。研究方法与人工智能相关的决策

针对当前建筑室内设计,空间结构多目标优化,介绍了各种先进的人工智能技术,建筑室内设计和空间结构优化决策支持系统模型的研究,建立了组合模型,现有的方法改进,提出了新的算法。应用人工智能技术,解决实际问题,利用经典统计预测和先进的机器学习方法,并验证模型;使用数据在数据插值法来解决异常问题;运用相关系数分析方法筛选统计评估和预测相关因素;应用信号分解算法和群智能算法来提高模型预测精度。

2.1。统计预测

2.1.1。自回归移动平均模型

自回归模型是一种统计方法处理时间序列。在自然回归模型,有不可避免的错误,这些错误的积累是移动平均模型的意义,降低了随机波动率的预测。它有一个更好的估计和分辨能力比两个基本模型,使用下面的公式: 在哪里变量的值吗在时刻 ; 是一个常数项;和是秩序;是自回归系数;是移动平均系数;是错误的。

2.1.2。差分自回归移动平均模型的集成

差分自回归移动平均模型的集成,将非平稳的时间序列转换为通过微分操作平稳时间序列的处理,是一个自回归移动平均模型的扩展。公式如下: 在哪里操作员和滞后吗不同的顺序。

2.2。人工神经网络

人工神经网络是模拟大脑的神经网络从信息处理的角度。就像人类的大脑一样,神经元的连接形成一个神经元节点的模型。这个模型是一个操作模式,它的输出不同网络的结构和参数,这可以解释在本质上或需要表达逻辑。

2.2.1。BP神经网络

摘要利用反向传播神经网络是一个多层前馈神经网络(16]。除了输入和输出层,还有一个隐藏层。通过隐层的数据从输入层。如果没有达到预期的输出,数据将回流和迭代,使其接近预期的输出。

2.2.2。径向基函数网络

径向基函数(RBF)是一个非负的函数,非线性局部响应中央点。RBF网络结构并不像它看起来的那样简单,但是它有很强的能力和学习速度和非线性投影,这是广泛应用于时序分析等研究领域。的结构和计算公式如下: 在哪里是输出;是连接隐层和输出层的重量;基函数的方差; 是输入样本;隐层节点的中心;米,h,n节点的数量在输入层,隐含层和输出层,分别。

2.2.3。广义回归神经网络

广义回归神经网络(grnn)改进RBF网络,结合径向基神经元和线性神经元(17]。处理非线性问题比RBF和广泛应用于信号处理,控制决策系统设计,和其他领域。GRNN的结构和计算公式如下: 在哪里是模式层输出; 的两种类型的输出求和层,即算术求和和加权和的模式层输出;是 - - - - - -元素的输出示例 ; 的第一个元素输出 。

2.2.4。深度信念网络

深度信念网(DBN)深度学习的生成模型。疟疾由可见层(输入数据)和隐藏层(特征检测),层内节点和节点连接在哪里没有连接。遏制的能量函数方程所示(8根据能量函数)和联合分布式当决定(方程(9))。因此,DBN的原理完成摘要的初始化参数通过遏制的训练和克服当地的最适条件和训练时间不足造成的随机初始化。 在哪里是输入的可见节点;的输出是什么隐藏的节点;的重量;偏差的 ; 是一个参数。

2.2.5。Elman神经网络

Elman神经网络是一种经典的递归神经网络。Elman神经网络不仅有隐藏层,还增加了延时运营商通过反馈连接;历史数据可以实时记录以使它更好,有更好的稳定性,以及后来RNN也使用这种结构(18]。如今,复发性神经网络在许多领域已经成功使用以下公式: 在哪里 , ,和输入向量,隐含向量和输出向量,分别;和隐含层(常用Tansig函数)和输出层(常用Purelin函数)的激活函数。

2.3。相关系数分析方法

相关系数是变量之间的相关程度的统计指标。它的值是位于(−1,1)。正面/负面迹象表明积极/消极的变量之间的相关性,并根据关联度通常被认为是值的范围(表1)。相关系数有不同的形式根据研究变量。这三个常见的相关系数如下。

2.3.1。皮尔逊相关系数的

皮尔森相关系数是用来定量分析两个变量之间的线性关系。计算公式如下: 在上面的公式中,和是相关变量的样本;和是 平均的资金。

2.3.2。斯皮尔曼等级相关系数

斯皮尔曼等级相关系数使用的变量,而不是统计值和计算两列分级的相关性和有序变量,它可以被认为是一种特殊形式的皮尔森相关系数。特点:作为一种非参数统计,没有要求数据分布;相关系数是广泛但低于皮尔逊和统计效率更高;是不敏感的极端值。计算公式如下: 在上面的公式中,和是水平的相关变量的样本;和是 , 平均的资金; 等级的差异。

2.3.3。肯德尔秩相关系数

肯德尔秩相关系数是用来反映分类变量的相关性。特点:非参数测试需要数据分布和斯皮尔曼等级相关系数;适用于有序分类变量;对极端值。计算公式如下: 在上面的公式中, : 两个样本 对和 ,如果和 , 或者是一双均匀,否则它是一个无序的一对;是一个顺序的对数;是一个anorder对数;是总对数。

3所示。可扩展的室内设计开挖方法

3.1。阐述室内设计可扩展的问题

室内设计创作是一项系统而复杂的过程,涵盖设计理念,环境科学,和其他学科。室内设计遵循事物的客观发展规律,我们可以找到优秀的设计(19大数据背景下的。室内设计需要很长一段时间的专业培训来创建和应该加上设计师的自己的想法设计优秀的设计作品。当然,优秀的设计师还应该考虑客户的需求和目标的局限性和实际条件和设计工作将支付自己的努力,例如,数字1和2。

室内设计的研究是基于扩展的数据挖掘技术。例如,在图3,设计创作的过程是基于大量的高质量的设计数据,基于机器学习以及聪明的一代的计算机辅助设计方法的设计策略。它是由双向数据和需求。在数据挖掘设计规则的情况下,发现室内设计的人工智能将不可避免地遇到许多问题,质量问题的创新问题,甚至设计已成为矛盾的数据转化为知识20.]。

像人工智能学习,使用扩展思维面对设计工作,设计合理的创建和执行。学习创建方法和人工智能一样,我们应该合理利用人类独特的主观能动性,使动态转换或设计和创造。然而,不管学习人工智能大数据或人类主观能动性的学习和积累经验,设计分析和发现其规则的必要条件之一是实现计算机智能创建(图4)。然而,值得注意的是,并不是所有的信息都是通过数据挖掘有效。

3.2。分析室内设计算法的可扩展性

如果所有的设计表达的内容设置为域房间里的话语和任何设计内容 表示程度的设计满足实际需求,即相关函数的地方,然后扩展的领域的讨论表示为

在哪里 的扩展函数 ; 分别是,宇宙的扩展转换 ,该协会标准和内容元素 。 设计更改计划实施,是室内设计领域。

在这一点上,伴随着设计目标的内容和设计条件是积极的领域 ,表示为 ,即设计的一部分,是远离列,列也没有明显的压迫作用。

的内容与设计目标和设计条件是消极的E,表示为 ;即接近的部分列和显然是受到列的压缩形式不符合设计要求。

部分,基本满足设计要求,不满足使用要求是零边界,表示为 ;即距离列是温和,和视角使列的视线几乎没有影响,可以作为零边界。

建立一个信息metaset元素组成的多个特性的信息 和有一个 积极的范围,以及积极的领域,满足功能的需求空间分类 , ,并建立一个 相关函数的评价向量要记住:

在这个时候,可以建立一个可扩展的信息元素在多个评价特点:

4所示。优化问题

4.1。多目标优化

多目标优化问题转化为问题最大化最小化,也称为multicriterion决策问题和多重向量优化问题(21),使用下面的公式: 在上面的公式中, 是决定空间维度, 是一个决策向量。为 是与维 , 是目标向量。是一个映射的来 。 是一个 - - - - - -维长方体的决策空间, , 和上界和下界的吗 - - - - - -th维度,分别 。

是一个不等式约束的数量,是吗问; 是一个等式约束号码是谁的p。

当问= 0和p= 0,没有约束条件限制,这是一个无约束优化问题。在其他情况下,他们都是约束优化问题。在单目标优化问题,解决方法是通过测量目标的比较值,和多目标优化问题有多个相互冲突的目标,和解决方案不能由一个特定目标的比较值。在优化过程中,为了实现多个目标尽可能最好的,最后需要获得一个最优解集,平衡每个目标。

在帕累托制度下,解决方案的优点和缺点在一个多目标优化问题是由以下定义。

定义1。问可行域,当且仅当 的决策空间,补一个可行的字段是一个不可行的字段。可行的解决方案领域被称为可行的解决方案。其他解决方案可行解后被排除在外,这不是可行的。如果不等式约束 ,据说是吗 活跃的无处不在。所有方程任意点的约束是活跃的 可行的领域 。

定义1。帕累托占主导地位。 和 是决策向量,是由帕累托 ,表示为 ,以最小化为例,当且仅当 在这一点上,帕累托不如元。如果元素和元素不形成帕累托统治关系,和据说是一系列。

定义2。帕累托最优。当且仅当没有 存在,这使得 被称为帕累托最优解。

定义3。帕累托最优设置。对于一个给定的多目标优化问题最优解的定义是下面的问题。
为问题,帕累托最优解集被定义为 在哪里是一组的所有最优解和个体最优解集被称为一系列个人。
定义4。帕累托面前. .如果帕累托最优解集,帕累托前沿被定义为 值得注意的是,位于目标空间相应的目标向量的集合。

4.2。约束优化问题

约束优化问题,分为限制打和约束多目标问题,根据优化目标的数量。最小化在一般情况下,限制一个目标优化问题描述如下: 在哪里 ;也就是说,在 - - - - - -维决策空间, 决策向量和吗是目标函数。 是一个不等式约束函数,号码是一个; 是一个等式约束函数,号码是一个。

可行域,决策向量 是一个 - - - - - -维的长方体 , , ,和的上、下界k维度,分别和 , 。在决策空间,解决方案,它可以同时满足约束被称为一个可行的解决方案,可行的字段是一个空间组成的所有可行的解决方案。

在约束优化方程约束往往转化为不等式约束。个体的约束违反程度x在我人群中约束表示为 的约束在总。当一个等式约束转化为一个不等式约束,公差参数方程的约束一般是0.001或0.0001。因此,个人总约束违反度表示为

5。实例分析

实验设计的过程中,通过人工智能决定冷图书馆室内设计和空间结构多目标优化设计方案,通过不同的性能问题和人工智能算法的图书馆建设方案优化和多目标优化分析,提取最优施工方案,以达到合理的建筑设计和空间结构多目标优化设计。此外,希望这个实验可以看到是否多目标(22建筑室内设计的特征和空间结构可以优化基于人工智能决策。

5.1。项目概述

该项目位于哈尔滨大学的新校区,占地面积约399996平方米。项目的总建筑面积是299800平方米,绿色的40%的速度和面积的比例为75%。项目土地的形状是不规则的,长方形,约为113.8米,89.8米,74.8米,44.8米,总面积约8000平方米。据估计,图书馆建筑面积约12000平方米,和项目的建筑高度不超过25米。图书馆需要阅览室,储藏室,参考,和其他功能区域,空间结构的设计应保证灵活性和用户体验。

因此,设计师应该进行多目标优化分析的各种性能和空间项目通过人工智能决策。在本例中使用的数据表所示2- - - - - -4。

5.2。非惯用的解集质量的综合验证的解决方案

性能越接近目标哒,UDI,行,值到原点,凹的总体分布标记点的解集空间的起源和更好的性能优化的目标。

5.2.1。优化收敛性质

优化收敛是确保多目标优化的准确性和设计方案提供参考。图中标记点代显示凹面分布代表收敛,如图5。

最后,融合的决心可以基于性能的目标。数据6- - - - - -8收敛图的性能目标迭代计算后,最大值,最小值,平均值的每一代每一个性能目标的趋势图的迭代的数量。可以看出,绩效目标值9代后趋于稳定,表明优化过程趋于收敛。数据6- - - - - -8显示完整的自然采光的收敛地图比例哒,DI有效的自然光线强度UDI,分别和能源利用强度行。它可以从平均的三块优化率趋于稳定状态,而且没有重大变化在以后的优化过程。因此,基于最大的迭代计算,最小值,平均值和变化的分析优化速度,它可以表明,优化过程显示了收敛,不落入局部最优解。

5.2.2。优化均匀性

间隔度量(SM),主要的评价是评价解集的分布在空间中通过计算标准差的最后两个人的距离。该方法能够比较客观地反映了统一解集的目标空间,这个公式如下:

在哪里N人口规模,J是目标维度,然后呢平均到每个目标的距离。

图9显示了空间的分布趋势评价指标下SM迭代计算。随着迭代次数的增加,9次迭代后,SM的价值分布往往是稳定在0.55左右,表明nondominated解集逐渐倾向于集中在离散,和两个人之间的距离nondominated解集逐渐减少。因此,它可以有效地解释的一致性解决方案的多目标优化设计实践是更好的。

5.2.3。峰回路转的优化

如数据所示10- - - - - -12,其他所有的解决方案在帕累托分布方面,除了DA和行,分布的关系。达的两个端点分别为54.48%和94.49%,而UDI的两个极端值分别为16.24%和78.21%,和能源利用强度(行)值分别为118.68和172.95 kW.h。

图10显示了全天然的分配图照明百分比DA和UDI在二维空间。这两个极端点(92.78,16.24)和(54.48,77.38),分别。图11显示了DA和能源利用强度的分配图(行)在二维空间。这两个极端点(60.68,172.95)和(92.46,123.60),分别。数据12和13显示解决方案的分配图组UDI和行,在二维空间。这两个极端点(16.24,127.03)和(75.21,172.95),分别。除了分布的DA和行之间的关系,其他所有的解决方案在帕累托分布。

5.3。实验分析过程

5.3.1。分布范围广度验证的性能目标

性能目标的价值分布范围与解集的范围空间的大小由多目标优化探索。在设计项目中,所选择的优化目标是纯天然照明(DA)比例,有效的自然采光(UDI)和能源利用强度(行)。本节分析了最小和最大值达到这三个性能目标并确定业绩目标的价值范围分布最优和最差值之间的差异。当跨度很大,证明更好地探索解空间。同样,当张成的空间很小,证明不是好探索解空间。

5.3.2。验证性能目标的权衡

自然采光的百分比(DA)和有效的自然采光(UDI),随着哒,UDI价值降低了。全天然的比例达照明能源利用强度呈正相关,(行),而UDI降低了与DA价值,行,逆相关UDI能源目标,并与UDI行值逐渐增加。因此,在优化设计过程中,每一个性能需求,不仅它的一个表现,必须考虑。首先,图书馆的自然照明环境应该提供一个良好的照明需求;其次,考虑图书馆的能源消耗,合理优化它减少能源消耗23]。

5.3.3。优化和改善效果验证的性能目标

建筑物理环境的改善性能设计项目过程中的多目标优化设计的目标。DA, UDI行执行目标的同时优化设计实验。表5是专为图书馆建筑空间的多目标优化设计的实践形式。因为有很多nondominated解决方案,设计师应该对它们进行分析,选择最优的解决方案。

虽然建筑的空间形式的变化导致国内能源消费的增加,振幅很小,值得牺牲自然采光相对提高。因此,一般来说,丰富的建筑空间形式的变化不仅带来复杂的空间和视觉体验,也提高自然照明水平,有轻微增加能源消耗(25]。

5.4。综合性能目标的验证结果分析

前几个部分分析图书馆的设计和施工,包括域值分布广度和相互关系的平衡,和全面的讨论提供了合理建议的最终设计方案的选择图书馆。(1)在验证的价值域分布宽度,哒,UDI,行,有一个相对较大的值域分布广度和许多业绩目标的多目标优化。因此,在图书馆建设和设计、空间形式变化的影响在多目标优化照明性能不能被低估。(2)图书馆室内设计的过程中,必须充分考虑评价指标的性能目标和执行多个性能目标的多目标优化设计。由于自然采光的问题是充分考虑,它也必须打压能源消耗的问题。结合自然采光和能源消耗问题。我们也应该尽力节约能源。(3)设计效果改进和验证,性能目标是权衡和选择。

总之,多目标优化方法能有效提高图书馆建筑空间结构上的阴影,带来丰富多彩的室内空间的经验,提供良好的自然采光环境,并有效降低室内能耗水平在一定程度上,对多目标优化方法应用在图书馆设计提供了科学的支持。最后,优化结果的选择应考虑到multiperformance图书馆建筑空间的需求最大化的能量消耗,并提供最佳的图书馆室内空间自然采光水平。

5.5。实验总结

在这一章,我们优化冷图书馆室内设计,充分考虑性能问题的许多方面,如照明和功能区域发展优化设计方案,优化图书馆的设计性能和目标,分析了图书馆照明和其它基于女主角的表演蚱蜢和瓢虫和蜜蜂,并通过章鱼进行多目标优化设计的实践平台。本章充分利用图书馆的人工智能算法的设计。多目标优化设计用于室内设计和空间结构。计划的各种表演,验证分析采用和选择最优方案。它不仅可以提高图书馆的自然采光,还节约能源。

6。结论

针对当前建筑室内设计中存在的问题和多目标优化空间结构评价模型,人工智能相关技术和方法初步研究,但他们仍需要进一步探索。人工智能技术的应用,特别是深入学习,刚刚开始在空气污染领域的研究面临诸多不确定性和挑战,但它有广阔的应用前景。(1)针对人工智能发展的前沿,不断引进最新的机器学习技术方法,建筑的室内设计是研究的重点,不同的人工智能算法的特点,通过仿真实验比较和分析,和模型预测能力逐步提高。(2)在面对质疑“黑箱模型”的性质的人工智能在传统的自然科学领域,研究深度学习的可解释性,基于领域知识,可说明的模型是用来促进跨学科研究的发展在建筑设计和人工智能。

数据可用性

使用的实验数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明,关于这项工作他们没有利益冲突。