(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 202210444462.7 (22)申请日 2022.04.25 (71)申请人 清华大学 地址 100084 北京市海淀区双清路3 0号清 华大学清华园北京 100084-82信箱 (72)发明人 陆新征　赵鹏举　廖文杰　费一凡　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 常芳 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06F 119/14(2020.01) (54)发明名称 生成式建筑结构设计方案的再优化设计方 法和装置 (57)摘要 本发明涉及生成式建筑结构设计方案的再 优化设计方法和装置， 包括： 根据关键特征， 获取 目标建筑结构的关键特征掩码； 将目标建筑结构 的待优化结构布置方案图像、 建筑方案图像和关 键特征掩码进行组合， 得到相应的组合张量； 将 组合张量输入 预存的结构布置方案优化模型， 得 到待优化结构布置方案图像的优化结果； 其中， 结构布置方案优化模型， 包括： 基于结构布置方 案优化样本以及考虑关键特征定义的损失函数 训练得到的神经网络优化模块， 以及基于进化优 化算法、 力学和经验规则设定的进化优化模块。 本发明对待优化结构布置方案图像进行关键特 征优化以及基于力学和经验规则的优化， 进而 得 到更为精准的建 筑结构的结构布置方案 。 权利要求书3页 说明书15页 附图3页 CN 114880739 A 2022.08.09 CN 114880739 A 1.一种生成式建筑结构设计方案的再优化设计方法， 其特 征在于， 所述方法包括： 根据预先定义的关键特 征， 获取目标建筑结构的关键特 征掩码； 将所述关键特征掩码、 目标建筑结构的待优化结构布置方案图像以及目标建筑结构的 建筑方案图像进行组合， 得到目标建筑结构对应的组合张量； 将所述组合张量输入预存的结构布置方案优化模型， 得到所述待优化结构布置方案图 像的优化结果； 其中， 所述结构布置方案优化模型， 包括： 神经网络优化模块和进化优化模块； 所述神经网络优化模块， 是基于结构布置方案优化样本以及考虑所述关键特征定义的 损失函数训练得到的； 所述进化优化模块， 是基于进化优化 算法、 力学和经验规则设定的。 2.根据权利要求1所述的生成式建筑结构设计方案的再优化设计方法， 其特征在于， 所 述关键特 征， 包括： 若干个关键空间特 征和若干个关键规则特 征； 所述根据预先定义的关键特 征， 获取目标建筑结构的关键特 征掩码， 包括： 对于每一个关键特征， 以非零数字表示目标建筑结构在相应关键特征下的范围， 以零 表示目标建筑结构在相应关键特征下的范围之外的部分， 得到目标建筑结构的相应关键特 征掩码； 其中， 所述目标建筑结构的相应关键特征掩码， 是与所述待优化结构布置方案 图像分 辨率一致的二维张量。 3.根据权利要求2所述的生成式建筑结构设计方案的再优化设计方法， 其特征在于， 所 述待优化结构布置方案图像与所述建筑方案图像的维度完全一致； 所述待优化结构布置方 案图像与所述建筑方案图像均使用不同颜色表征不同构件； 所述将所述关键特征掩码、 目 标建筑结构的待优化结构布置方案图像以及目标建筑结构的建筑方案图像进 行组合， 得到 目标建筑结构对应的组合张量， 包括： 对于目标建筑结构的每一个关键特征掩码， 将相应关键特征掩码在其自身所在通道方 向上进行复制拼接， 得到与所述待优化结构布置方案图像维度完全相同的掩码张量； 将所述掩码张量与 所述待优化结构布置方案图像进行张量元素一一对应取平均， 得到 相应关键特征掩码嵌入的待优化结构布置方案图像， 并将所述掩码张量与所述建筑方案图 像， 进行张量元 素一一对应取平均， 得到相应关键特 征掩码嵌入的建筑方案图像； 将每一个关键特征掩码嵌入的待优化结构布置方案图像、 每一个关键特征掩码嵌入的 建筑方案图像、 所述待优化结构布置方案图像与所述建筑方案图像进 行通道维度上的张量 拼接， 得到目标建筑结构对应的组合张量。 4.根据权利要求1所述的生成式建筑结构设计方案的再优化设计方法， 其特征在于， 所 述将所述组合张量输入预存的结构布置方案优化模型， 得到所述待优化结构布置方案图像 的优化结果， 包括： 将所述组合张量输入所述神经网络优化模块， 以使所述神经网络优化模块基于所述关 键特征优化所述待优化结构布置方案图像， 得到满足关键特 征约束的结构布置方案图像； 基于所述进化优化模块， 在力学和经验规则层面上对所述满足关键特征约束的结构布 置方案图像进行 再优化， 得到所述待优化结构布置方案图像的优化结果。 5.根据权利要求2所述的生成式建筑结构设计方案的再优化设计方法， 其特征在于， 所权　利　要　求　书 1/3 页 2 CN 114880739 A 2述结构布置方案优化样本， 包括： 建筑结构的关键特征掩码、 建筑结构的待优化结构布置方 案图像和建筑结构的建筑方案图像组合而成的组合张量， 以及建筑结构的待优化结构布置 方案图像的理想优化结果； 所述考虑所述关键特征定义的损失函数中所述神经网络优化模块的总损失值， 等于所 述神经网络优化模块本身的网络损失、 关键空间损失和关键规则损失的加权求和值。 6.根据权利要求1所述的生成式建筑结构设计方案的再优化设计方法， 其特征在于， 所 述力学和经验规则， 包括： 力学特性规则和经验导向规则； 所述基于进化优化算法、 力学和 经验规则设定所述进化优化模块的过程， 包括： 预先规定每一个力学特性规则的定量评价函数和每一个经验导向规则的定量评价函 数； 基于所述每一个力学特性规则的定量评价函数和每一个经验导向规则的定量评价函 数， 设定定量化的目标函数； 为所述定量 化的目标函数， 设定相应的约束； 基于预先选定的优化算法、 所述定量化的目标函数和所述相应的约束， 构建所述进化 优化模块。 7.根据权利要求5所述的生成式建筑结构设计方案的再优化设计方法， 其特征在于， 所 述关键空间损失， 按照下述公式确定： 上式中， n为关键空间特征的个数， Wi为建筑结构的第i个关键空间掩码对应的权重张 量， λi为建筑结构的第i个关键空间掩码对应的损失函数权重系数， ⊙为哈达马积运算符 号， Dgt为建筑结构的待优化 结构布置方案图像的理想优化结果， Dout为所述神经网络优化模 块生成的建筑结构的待优化结构布置方案图像的优化结果， LossNN为神经网络损失计算函 数， Lossspace为关键空间损失； 所述关键规则损失， 按照下述公式确定： 上式中， m为关键规则的个数， Yj为建筑结构的第j个关键规则掩码， Fj为第j个关键规则 对应的定量 化计算函数， α 为Dgt的权重系数， β 为Dout的权重系数， L ossrule为关键规则损失； 其中， 所述第j个关键规则对应的定量 化计算函数， 是预先设定的。 8.根据权利要求6所述的生成式建筑结构设计方案的再优化设计方法， 其特征在于， 所 述定量化的目标函数， 按照下述公式确定： 上式中， Functionobject为所述定量化的目标函数的函数值， l为力学特性规则的数量， h 为经验导 向规则的数量， μk为第k个力 学特性规则的权重系数， fmk为第k个力 学特性规则的 定量评价函数的归一化结果， vz为第z个经验导 向规则的权重系数， fez为第z个经验导 向规 则的定量评价函数的归一化结果， Dout为所述神经网络优化模块生成的建筑结构的待优化权　利　要　求　书 2/3 页 3 CN 114880739 A 3