基于遗传算法的园区建筑形体优化方法及系统

1.本发明涉及建筑节能技术领域，特别涉及一种基于遗传算法的园区建筑形体优化方法及系统。


背景技术：

2.建筑行业的能源消耗和碳排放分别占全球能源消耗总量和碳排放总量的36％和39％，近零能耗建筑(nearly zero energy building)、零能耗建筑(net zero energy building)已成为全球建筑节能的发展方向。在追求建筑本体节能的同时，需考虑可再生能源利用对建筑能源消耗的平衡和替代。园区建筑能耗大且规模增长迅速，以低、多层办公建筑为主，形体简洁，可再生能源应用潜力和节能潜力大。
3.cn106951611b公开了一种基于使用者行为的严寒地区建筑节能设计优化方法，针对严寒地区特殊的气候条件，利用调研数据分析得到促动节能行为的建筑设计参数组；应用数据挖掘技术中的机器学习算法对行为实测数据的学习得到更为准确的使用者随机行为模式；通过行为模式优化传统预测模型，并利用基于贝叶斯理论的高斯过程矫正预测模型，得到优化节能性能设计参数组；耦合促动节能行为和优化节能性能参数组得到优化的参数集合；最后结合优化设计参数组和能耗预测模型，建立严寒地区建筑节能设计新流程。
4.建筑形体设计处于概念设计的早期，一定程度上决定了该建筑的负荷需求及可再生能源应用潜力。形体设计的介入是高效地实现近零能耗目标的关键。综合考虑本体节能和光伏利用潜力提升的园区建筑形体优化方法能够有效地推进近零能耗建筑实践，减少建筑行业的能源消耗和碳排放。


技术实现要素：

5.现有建筑形体节能研究园区建筑多以一般节能建筑为研究对象，建筑设计过程中仅考虑建筑本体节能，未考虑园区建筑形体设计对建筑可再生能源应用潜力的影响，建筑设计方案较难达到近零能耗建筑要求。为了实现近零能耗目标，建筑形体设计需综合考虑建筑本体节能和光伏利用潜力提升。
6.有鉴于此，本发明旨在提出一种基于遗传算法的园区建筑形体优化方法，该基于遗传算法的园区建筑形体优化方法包括，
7.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；
8.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；
9.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；
10.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。
11.优选地，步骤s2包括，
12.步骤s21，基于图纸计算样本建筑的形体指标；
13.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；
14.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。
15.优选地，步骤s3包括，
16.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rhino和grasshopper中完成形体的参数化定义；
17.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；
18.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。
19.优选地，步骤s4包括，
20.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；
21.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；
22.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grasshopper中生成新的建筑形体，完成一次迭代计算；
23.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。
24.优选地，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。
25.本发明还公开了一种用于实施上述基于遗传算法的园区建筑形体优化方法的系统，所述系统包括，
26.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；
27.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；
28.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；
29.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。
30.优选地，所述约束边界模块还包括，
31.形体指标生成单元，用于基于图纸计算样本建筑形体指标；
32.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；
33.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。
34.优选地，所述形体优化模块包括，
35.参数化定义单元，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rhino和grasshopper中完成形体的参数化定义；
36.能耗模型构建单元，用于在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；
37.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。
38.所述优化计算模块，包括，
39.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；
40.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；
41.优化迭代单元，用于利用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grasshopper中生成新的建筑形体，完成一次迭代计算；
42.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。
43.优选地，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无遮挡、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，并取平均值。
44.根据本发明实施例的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的方法。
45.相对于现有技术，本发明提供的基于遗传算法的园区建筑形体优化方法，该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；再根据园区建筑周边遮挡信息，确定建筑的优化变量类型、约束变量类型以及优化变量取值范围、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；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；本发明还公开了一种用于实施上述方法的系统，本发明提供的方法和系统，能够综合考虑建筑本体节能和光伏利用潜力提升两方面，能最大程度实现节能，相比现有技术仅考虑建筑本体节能，更有利于建筑实现近零能耗目
标；基于遗传算法的园区建筑形体优化方法通过计算机自动模拟计算寻优，从海量的形体优化变量组合中筛选出了形体优选设计方案，能提升结果的可靠性并提高建筑优化设计工作效率，使得建筑设计过程与节能优化更好地融合。
46.本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
47.构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
48.图1为本发明的基于遗传算法的园区建筑形体优化方法一种实施方式的流程图；
49.图2为本发明的用于执行基于遗传算法的园区建筑形体优化方法的系统结构示意图；
50.图3为为本发明的基于遗传算法的园区建筑形体优化方法一种实施方式逻辑示意图。
具体实施方式
51.以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
52.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
53.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
54.为了解决现有技术中单纯依靠一般节能建筑的形体优化，且建筑设计过程中不考虑园区建筑形体设计对建筑可再生能源应用潜力的影响，缺乏园区建筑节能和碳排放系统综合考虑，从而达不到建筑整体节能需求和碳排放要求；优化过程中存在多种约束交叉影响，导致建筑优化设计效率不高等问题等一系列问题。本发明提供一种基于遗传算法的园区建筑形体优化方法，如图1、图3所示，基于遗传算法的园区建筑形体优化方法包括，
55.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；
56.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；
57.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；
58.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。
59.该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；再根据园区建筑周边遮挡信息，确定建筑的优化变量类型、约束变量类型以及优化变量取值范围、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；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；本发明提供的方法能够综合考虑建筑本体节能和光伏利用潜力提升两方面，能最大程度实现节能，相比现有技术仅考虑建筑本体节能，更有利于建筑实现近零能耗目标；基于遗传算法的园区建筑形体优化方法通过计算机自动模拟计算寻优，从海量的形体优化变量组合中筛选出了形体优选设计方案，能提升结果的可靠性并提高建筑优化设计工作效率，使得建筑设计过程与节能优化更好地融合，综合考虑形体设计对建筑可再生能源应用潜力的影响，达到建筑节能需求和碳排放最终要求。
60.为了更好地针对某个区域内，相同自然环境下建筑形体指标特点，用于产生满足区域需求的建筑形体，在本发明更为优选的情况下，步骤s2包括，
61.步骤s21，基于图纸计算样本建筑的形体指标；
62.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；
63.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。
64.通过本区域内建筑图纸数据梳理建筑常用的形体指标，基于图纸统计，获取并计算样本建筑的形体指标。例如，基于200多个园区建筑样本的图纸信息，计算其各个形体指标；其次，通过对形体指标的自相关性分析，剔除高度相关的指标后，将剩余指标作为聚类指标；再对数据执行z-score标准化处理，以避免具有较大变化范围的变量影响聚类结果；剔除异常样本后利用k-means聚类算法将园区建筑样本分成n个典型形体类别；再针对各典型形体类别，分别统计其优化变量及约束变量的取值范围，即典型建筑各形体指标剔除异常值后的最小值和最大值作为阈值。
65.为了将步骤s2确定的边界约束条件下，建立园区建筑形体模型进行参数化准备，并能进一步进行优化，在本发明更为优选的情况下，步骤s3包括，
66.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rhino和grasshopper中完成形体的参数化定义；
67.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；
68.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。
69.其中，rhino是robert mcneel公司3d造型建模软件，openstudio是集成energyplus建筑能耗模拟软件，grasshopper是rhino建模过程中参数化设计所用到的模拟生成插件，honeybee和ladybug插件是rhino建模过程中建筑性能分析插件，wallacei为grasshopper插件。
70.例如，选择拟优化的典型形体，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rhino和grasshopper中完成形体的参数化定义。在honeybee和ladybug插件中完成不同周边遮挡情况下，建筑本体能耗，例如，供暖、制冷和照明能耗；光伏发电量，例如，屋面和四个朝向立面的光伏发电总量的模拟模型搭建。其中，窗墙比、围护结构热工参数、空调系统效率、室内热扰、室内环境参数以及运行方式等模拟参数的设置参照gb/t51350-2019近零能耗建筑技术标准；建筑表面的可利用面积以及必要的检修通道，屋面和立面的光伏铺设面积均为80％的表面积；光伏材料选择单晶硅光伏组件，发电效率为18％，系统效率为0.75。
71.将上述建筑形体优化变量，例如，层数、进深、长宽比和朝向以及建筑净能耗，例如，本体能耗-光伏发电量的模拟结果连接到wallacei插件中，以净能耗最小为目标，构建不同周边遮挡情况下的形体优化模型。
72.为了针对拟优化的建筑模型进行启发式算法的优化，使得建筑本体节能和光伏利用潜力提升，能最大程度实现节能，在本发明优选的情况下，步骤s4包括，
73.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；
74.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；
75.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grasshopper中生成新的建筑形体，完成一次迭代计算；
76.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。
77.例如，种群大小、最大迭代次数以及交叉变异概率等优化参数的设置，如表1所示。
78.表1优化参数设置
[0079][0080]
其中，应用grasshopper随机生成初始建筑形体；honeybee和ladybug插件执行本体能耗和光伏发电量模拟，并输出净能耗值；模拟结果作为遗传算法的适应度函数值，利用wallacei插件搭载的遗传算法nsga-ii执行优化；优化后生成新的形体参数组合，返回grasshopper中生成新的建筑形体，完成一次迭代计算。当达到设定最大优化迭代次数，寻优停止；若结果满足前后两代平均适应度变化率小于0.1％，则认为优化结果有效，输出形体优选设计方案。
[0081]
由于周边建筑的遮挡会对设计建筑的自然采光以及表面太阳辐射量产生较大影响，从而影响建筑的照明、供暖、制冷能耗以及太阳能光伏应用潜力，因此，优化前需确定典
型建筑的周边遮挡情况，例如，东西向和南北向是否有遮挡以及遮挡间距，在本发明优选的情况下，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。
[0082]
建筑间的东西向间距以及南北向高宽比，即南向遮挡建筑物高度与两个建筑物之间距离的比例，是遮挡影响程度的重要衡量因素，通过区域内已有建筑图纸数据获取。
[0083]
例如，某夏热冬冷地区，选取该气候区的典型城市，基于对应城市的规划局地理测绘数据，建立各城市的园区建筑数据库，采用随机抽样方法，选取m＝200，m个园区建筑样本，梳理周边遮挡情况，例如无遮挡、四面遮挡、仅南北面遮挡以及仅东西面遮挡等；并计算各建筑样本与遮挡建筑之间的东西向间距和南北向高宽比，将计算结果的平均值作为步骤s2的输入数据。
[0084]
为了更好地执行上述基于遗传算法的园区建筑形体优化方法，本发明还提供了一种系统，如图2、图3所示，所述系统包括，
[0085]
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；
[0086]
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；
[0087]
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；
[0088]
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。
[0089]
通过本发明提供的系统，通过数据获取模块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；再根据约束边界模块确定园区建筑周边遮挡信息，确定建筑的优化变量类型、约束变量类型以及优化变量取值范围、约束变量取值范围；输入优化变量、约束变量取值范围；模型参数化模块中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；在优化计算模块设置种群大小、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；本发明提供的系统能够综合考虑建筑本体节能和光伏利用潜力提升两方面，能最大程度实现节能，相比现有技术仅考虑建筑本体节能，更有利于建筑实现近零能耗目标；通过计算机自动模拟计算寻优，从海量的形体优化变量组合中筛选出了形体优选设计方案，能提升结果的可靠性并提高建筑优化设计工作效率，使得建筑设计过程与节能优化更好地融合，综合考虑形体设计对建筑可再生能源应用潜力的影响，达到建筑节能需求和碳排放最终要求。
[0090]
为了确定拟优化建筑模型的多重约束边界条件，使得建筑设计寻优过程效率更高，在本发明更为优选的情况，所述约束边界模块还包括，
[0091]
形体指标生成单元，用于基于图纸计算样本建筑形体指标；
[0092]
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；
[0093]
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。
[0094]
通过本区域内历史建筑图纸数据梳理建筑常用的形体指标，在形体指标生成单元中，基于图纸统计，获取并计算样本建筑的形体指标。例如，基于200多个园区建筑样本的图纸信息，计算其各个形体指标；其次，通过聚类单元对形体指标的自相关性分析，剔除高度相关的指标后，将剩余指标作为聚类指标；再对数据执行z-score标准化处理，以避免具有较大变化范围的变量影响聚类结果；剔除异常样本后利用k-means聚类算法将园区建筑样本分成n个典型形体类别；在变量计算单元中，针对各典型形体类别，分别统计其优化变量及约束变量的取值范围，即典型建筑各形体指标剔除异常值后的最小值和最大值作为阈值。
[0095]
为了更为形象地针对建筑模型进行进一步优化，针对拟优化的建筑模型进行启发式算法的优化，使得建筑本体节能和光伏利用潜力提升，能最大程度实现节能，在本发明优选的情况下，所述形体优化模块包括，
[0096]
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rhino和grasshopper中完成形体的参数化定义；
[0097]
能耗模型构建单元，用于在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；
[0098]
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。
[0099]
所述优化计算模块，包括，
[0100]
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；
[0101]
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；
[0102]
优化迭代单元，用于利用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grasshopper中生成新的建筑形体，完成一次迭代计算；
[0103]
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。
[0104]
例如，在参数化定义单元选择拟优化的典型形体，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rhino和grasshopper中完成形体的参数化定义。在能耗计算单元中honeybee和ladybug插件中完成不同周边遮挡情况下，建筑本体能耗，例如，供暖、制冷和照明能耗；光伏发电量，例如，屋面和四个朝向立面的光伏发电总量的模拟模型搭建。其中，窗墙比、围护结构热工参数、空调系统效率、室内热扰、室内环境参数以及运行方式等模拟参数的设置参照gb/t 51350-2019近零能耗建筑技术标准；建筑表面的可利用面积以及必要的检修通道，屋面和立面的光伏铺设面积均为80％的表面积；光伏材料选择单晶硅光伏组件，发电效率为18％，系统效率为0.75。
[0105]
将上述建筑形体优化变量，例如，层数、进深、长宽比和朝向以及建筑净能耗，例如，在模型构建单元中，本体能耗-光伏发电量的模拟结果连接到的wallacei插件中，以净能耗最小为目标，构建不同周边遮挡情况下的形体优化模型。
[0106]
由于周边建筑的遮挡会对设计建筑的自然采光以及表面太阳辐射量产生较大影响，从而影响建筑的照明、供暖、制冷能耗以及太阳能光伏应用潜力，因此，优化前需确定典型建筑的周边遮挡情况，例如，东西向和南北向是否有遮挡以及遮挡间距，在本发明优选的情况下，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无遮挡、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，并取平均值。
[0107]
例如，某夏热冬冷地区，数据获取模块中基础数据获取单元，用于选取该气候区的典型城市，基于对应城市的规划局地理测绘数据，建立各城市的园区建筑数据库，采用随机抽样方法，选取m＝200，m个园区建筑样本，梳理周边遮挡情况，例如无遮挡、四面遮挡、仅南北面遮挡以及仅东西面遮挡等；并计算各建筑样本与遮挡建筑之间的东西向间距和南北向高宽比，将计算结果的平均值作为步骤s2的输入数据。
[0108]
本发明实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述方法。
[0109]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0110]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0111]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
[0112]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0113]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0114]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上
或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、移动终端、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0115]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。