(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 202211239128.4 (22)申请日 2022.10.11 (71)申请人 同济大学 地址 200000 上海市杨 浦区四平路1239号 (72)发明人 周彪　柴富　桂颖彬　谢雄耀　 (74)专利代理 机构 上海伯瑞杰知识产权代理有 限公司 312 27 专利代理师 孟旭彤 (51)Int.Cl. G06F 30/13(2020.01) (54)发明名称 一种建筑空间参数化 生成式设计方法 (57)摘要 本发明公开了一种建筑空间参数化生成式 设计方法， 解决了目前建筑工程方案设计依赖工 程师设计经验， 易造成方案缺陷， 智 能化程度有 待提高的弊端， 其技术方案要点是通过参数化建 模方法进行空间建模生成二维或三维空间场景， 包括赋予构 件空间参数； 空间场景通过特征转化 输入评价模 型， 评价模型给出评价值或评价等级 并生成强化学习模型所需的奖罚值； 继而通过奖 罚值进行强化学习实现参数生 成及优化， 优化后 的参数重新进行建模直至达到优化目标， 得到最 有空间设计方案， 本发明的一种建筑 空间参数化 生成式设计方法， 能实现对建筑 空间及建筑设计 的智能评价与自我优化， 可有效推进土木工程领 域数字化智能化的发展。 权利要求书1页 说明书3页 附图2页 CN 115544621 A 2022.12.30 CN 115544621 A 1.一种建筑空间参数化 生成式设计方法， 其特 征是， 包括有以下步骤： S1、 通过参数化方法建立初始模型， 选取设计所需基本构件及其对应参数， 生成预设的 空间场景； S2、 空间场景通过特征转换输入评价模型进行评价， 给出评价值/评价等级， 并生成奖 罚值； S3、 空间场景输入至强化学习模型， 并进行特征提取， 强化学习模型接受评价模型输出 的奖罚值， 进行强化学习， 对空间场景 各构件参数进行生成和更新， 以进行参数优化； S4、 根据优化后的参数重新进行参数化建模生成对应空间场景； S5、 重复步骤S2 ‑S4， 直至达到优化目标 结束， 得到符合要求的最优空间设计方案 。 2.根据权利要求1所述的建筑空间参数化生成式设计方法， 其特征是， 步骤S1具体包括 有： 赋予构件参数， 根据构件位置参数与预设空间形成空间分布 矩阵； 匹配标准构件库中的构件信息， 每个空间分布矩阵网格中放置标准构件， 通过转化模 块转化组装形成空间场景。 3.根据权利要求1所述的建筑空间参数化生成式设计方法， 其特征是， 步骤S2中评价模 型包括有： 评价指标， 制定量 化准则， 形成多层次综合评价指标； 评价方法， 围绕建立的评价指标体系， 对空间场景进行逐项量化打分和加权， 得到对具 体方案和设计的打 分并划分等级， 并生成强化学习所需的奖罚值。 4.根据权利要求1所述的建筑空间参数化生成式设计方法， 其特征是： 所述强化学习 模 型包括有策略网络、 编码器网络及动作价 值网络； 通过编码器对空间场景进行 特征提取， 并将提取的场景 特征输入值策略网络中； 策略网络根据提取的场景特征， 输出每个参数对应的均值与标准差以及策略函数熵 值， 并根据高斯分布随机取样， 将取样结果进行裁 剪处理后得到对应的构件参数； 将策略网络生成的参数重新进行参数化建模并转化为空间场景， 输入至评价模型， 反 馈获取奖罚值； 动作价值网络接受评价模型的评价结果， 综合奖罚值和策略函数熵值， 调控编码器和 策略网络的参数， 进行强化学习模型的优化更新。权　利　要　求　书 1/1 页 2 CN 115544621 A 2一种建筑空间参数化生成式设计方 法 技术领域 [0001]本发明涉及土 木工程技术， 特别涉及一种建筑空间参数化 生成式设计方法。 背景技术 [0002]随着我国城市建设的快速发展， 智能建造已成为建筑行业未来发展的方向， 建筑 工程数字化、 智能化程度尚且有待提高。 特别是在设计阶段， 方案的提出往往依赖工程师的 设计经验， 一旦工程师缺乏可用的经验也势必造成方案的缺陷。 为此， 为提高地上建筑及地 下空间的品质， 提升安全、 舒适等功能， 减少空间设计阶段的经验缺陷， 亟需有效推进土木 工程领域数字化智能化的发展技 术。 发明内容 [0003]本发明的目的是提供一种建筑空间参数化生成式设计方法， 能实现对建筑空间及 建筑设计的智能评价与自我优化， 可有效推进土 木工程领域数字化智能化的发展。 [0004]本发明的上述 技术目的是通过以下技 术方案得以实现的： [0005]一种建筑空间参数化 生成式设计方法， 包括有以下步骤： [0006]S1、 通过参数化方法建立初始模型， 选取设计所需基本构件及其对应参数， 生成预 设的空间场景； [0007]S2、 空间场景通过特征转换输入评价模型进行评价， 给出评价值/评价等级， 并生 成奖罚值； [0008]S3、 空间场景输入至强化学习模型， 并进行特征提取， 强化学习模型接受评价模型 输出的奖罚值， 进行强化学习， 对空间场景 各构件参数进行生成和更新， 以进行参数优化； [0009]S4、 根据优化后的参数重新进行参数化建模生成对应空间场景； [0010]S5、 重复步骤S2 ‑S4， 直至达到优化目标 结束， 得到符合要求的最优空间设计方案 。 [0011]作为优选， 步骤S1具体包括有： [0012]赋予构件参数， 根据构件位置参数与预设空间形成空间分布 矩阵； [0013]匹配标准构件库 中的构件信息， 每个空间分布矩阵网格中放置标准构件， 通过转 化模块转化组装形成空间场景。 [0014]作为优选， 步骤S2中评价模型包括有： [0015]评价指标， 制定量 化准则， 形成多层次综合评价指标； [0016]评价方法， 围绕建立的评价指标体系， 对空间场景进行逐项量化打分和加权， 得到 对具体方案和设计的打 分并划分等级， 并生成强化学习所需的奖罚值。 [0017]作为优选， 所述强化学习模型包括有策略网络、 编码器网络及动作价 值网络； [0018]通过编码器对空间场景进行 特征提取， 并将提取的场景 特征输入值策略网络中； [0019]策略网络根据提取的场景特征， 输出每个参数对应的均值与标准差以及策略函数 熵值， 并根据高斯分布随机取样， 将取样结果进行裁 剪处理后得到对应的构件参数； [0020]将策略网络生成的参数重新进行参数化建模并转化为空间场景， 输入至评价模说　明　书 1/3 页 3 CN 115544621 A 3