(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210505901.0 (22)申请日 2022.05.10 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 罗晓予　卢佳盼　葛坚　 (74)专利代理 机构 北京润平知识产权代理有限 公司 11283 专利代理师 郑磊 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/12(2006.01) (54)发明名称 基于遗传算法的园区建筑形体优化方法及 系统 (57)摘要 本发明涉及建筑节能技术领域， 提供一种基 于遗传算法的园区建筑形体优化方法通过获取 园区建筑周边遮挡信息， 园区建筑周边遮挡信息 包括遮挡物类型以及遮挡间距； 再根据园区建筑 数据库， 确定各类别建筑形体的优化变量和约束 变量类型以及优化变量和约束变量取值范围； 输 入优化变量、 约束变量取值范围， 建立建筑形体 参数化模型， 以净能耗作为目标函数， 构建不同 周边遮挡情况下的建筑形体待优化模 型； 采用遗 传算法执行优化过程， 输出形体优选设计方案。 本发明在建筑形体设计中综合考虑了建筑本体 节能和光伏利用潜力的影 响， 能最大程度实现节 能， 有利于建 筑实现降低建 筑碳排放的目标。 权利要求书3页 说明书10页 附图2页 CN 114764521 A 2022.07.19 CN 114764521 A 1.一种基于遗传算法的园区建筑形体优化方法， 其特征在于， 所述基于遗传算法的园 区建筑形体优化方法包括， 步骤S1， 获取园区建筑周边遮挡信息， 园区建筑周边遮挡信息包括遮挡物类型以及遮 挡间距； 步骤S2， 提炼建筑形体类别， 确定各类别建筑形体的优化变量和约束变量类型以及优 化变量和约束变量取值范围； 步骤S3， 输入优化变量和约束变量的取值范围， 以净能耗作为目标函数， 构建不同周边 遮挡情况 下的建筑形体优化模型； 步骤S4， 设置种群大小、 最大迭代次数以及交叉变异概率等优化参数， 采用遗传算法执 行优化过程， 输出 形体优选设计方案 。 2.根据权利要求1所述的基于遗传算法的园区建筑形体优化方法， 其特征在于， 步骤S2 包括， 步骤S21， 基于图纸计算样本建筑的形体指标； 步骤S22， 利用K‑means聚类算法将 样本建筑分为 N个建筑形体 类别， N为正整数； 步骤S23， 根据已有建筑形体数据， 统计确定各类别建筑形体的优化变量和约束变量取 值范围， 其中， 优化变量和约束变量至少包括平面形式、 层数、 进深、 长宽比、 体形系数、 标准 层面积和朝向。 3.根据权利要求1所述的基于遗传算法的园区建筑形体优化方法， 其特征在于， 步骤S3 包括， 步骤S31， 选择待优化的建筑形体， 根据实际调研数据输入优化变量和约束变量的取值 范围， 在Rhi no和Grasshopper中完成形体的参数化定义； 步骤S32， 在Honeybee和Ladybug插件中完成不同周边遮挡情况下， 建筑本体能耗和光 伏发电量模拟模型 的搭建； 其中， 建筑本体能耗包括供暖、 制冷和照明能耗； 光伏发电量包 括屋面和四个朝向立 面的光伏发电总量； 步骤S33， 将 建筑形体优化变量以及建筑净能耗模拟结果数据连接到Wallacei插件中， 以净能耗作为目标函数， 构建不同周边遮挡情况下的建筑形体优化模 型， 其中， 建筑形体优 化变量包括层数、 进深、 长宽比和朝向； 建筑净能耗模拟结果数据指建筑本体能耗值减去光 伏发电量 值。 4.根据权利要求1所述的基于遗传算法的园区建筑形体优化方法， 其特征在于， 步骤S4 包括， 步骤S41， 设置种群大小、 最大迭代次数以及交叉变异概 率等优化参数； 步骤S42， Grasshopper随机生成初始 建筑形体， Honeybee和Ladybug插件执行建筑本体 能耗、 光伏发电量模拟， 输出的净能耗 值作为遗传算法的适应度函数值； 步骤S43， 利用Wallacei插件搭载的遗传算法NSGA ‑II执行优化， 生成新的建筑形体参 数组合， 返回Gras shopper中生成新的建筑形体， 完成一次迭代计算； 步骤S44， 当达到设定最大优化迭代次数， 停止寻优步骤S42， 输出 形体优选设计方案 。 5.根据权利要求1 ‑4任意一项所述的基于遗传算法的园区建筑形体优化方法， 其特征 在于， 在步骤S1中， 根据区域内已有园区建筑数据随机抽样 至少M个园区建筑样本， M为正整 数， 100≤M≤300； 确定园区建筑周边遮挡信息中遮挡物类型； 其中遮挡物类型至少包括无权　利　要　求　书 1/3 页 2 CN 114764521 A 2遮挡、 四面遮挡、 仅南北面遮挡、 仅东西面遮挡； 计算M个园区建筑样本与遮挡建筑之间的东 西向间距和南北向高宽比， 取平均值作为 步骤S3的输入数据。 6.一种用于实施权利要求1 ‑5任意一项所述的基于遗传算法的园区建筑形体优化方法 的系统， 其特 征在于， 所述系统包括， 数据获取模块， 用于获取园区建筑周边遮挡信息， 园区建筑周边遮挡信息包括遮挡物 类型以及遮挡间距； 约束边界模块， 根据园区建筑特征数据库统计园区建筑确定各类别建筑形体的优化变 量和约束变量类型以及优化变量和约束变量取值范围； 模型参数化模块， 用于输入优化变量、 约束变量取值范围， 建立建筑形体参数化模型， 以净能耗作为目标函数， 构建不同周边遮挡情况 下的建筑形体待优化模型； 优化计算模块， 用于设置种群大小、 最大迭代次数以及交叉变异概率等优化参数； 采用 遗传算法执 行优化过程， 输出 形体优选设计方案 。 7.根据权利要求6所述的系统， 其特 征在于， 所述约束边界模块还 包括， 形体指标生成单 元， 用于基于图纸计算样本建筑形体指标； 聚类单元， 用于利用K ‑means聚类算法将 样本建筑分为 N个建筑形体 类别， N为正整数； 变量计算单元， 用于根据已有建筑形体数据， 统计确定各类别建筑形体的优化变量和 约束变量取值范围， 其中， 优化变量和约束变量取值范围至少包括平 面形式、 层数、 进深、 长 宽比、 体形系数、 标准层面积和朝向。 8.根据权利要求6所述的系统， 其特 征在于， 所述形体优化模块包括， 参数化定义单元， 用于选择待优化的建筑形体， 根据实 际调研数据输入形体优化变量 和约束变量的取值范围， 在Rhi no和Grasshopper中完成形体的参数化定义； 能耗模型构建单元， 用于在Honeybee和L adybug插件中完成不同周边遮挡情况下， 建筑 本体能耗和光伏发电量模拟模型的搭建； 其中， 建筑本体能耗包括供暖、 制冷和照明能耗； 光伏发电量包括屋面和四个朝向立 面的光伏发电总量； 优化模型构建单元， 将建筑形体优化变量以及建筑净能耗模拟结果数据连接到 Wallacei插件中， 以净能耗作为目标函数， 构建不同周边遮挡情况下的建筑形体优化模 型， 其中， 建筑形体优化变量包括层数、 进深、 长宽比和朝向； 建筑净能耗指建筑本体能耗值减 去光伏发电量 值； 所述优化计算模块， 包括， 优化设置单 元， 用于设置种群大小、 最大迭代次数以及交叉变异概 率等优化参数； 能耗计算单元： 以Grasshopper随机生成初始建筑形体， Honeybee和 Ladybug插件执行 建筑本体能耗、 光伏发电量模拟， 输出的净能耗 值作为遗传算法的适应度函数值； 优化迭代单元， 用于利用W allacei插件搭载的遗传算法NSGA ‑II执行优化， 生成新的建 筑形体参数组合， 返回Gras shopper中生成新的建筑形体， 完成一次迭代计算； 停止寻优条件单元， 用于当达到设定最大优化迭代次数， 停止寻优步骤S42， 输出形体 优选设计方案 。 9.根据权利要求6 ‑8任意一项所述的系统， 其特征在于， 在数据获取模块中， 包括基础 数据获取单元， 用于根据区域内已有园区建筑数据随机抽样至少M个园区建筑样本， M为正 整数， 100≤M≤300； 确 定园区建筑周边遮挡信息中遮挡物类型； 其中遮挡物类型至少包括权　利　要　求　书 2/3 页 3 CN 114764521 A 3