基于生成對抗網(wǎng)絡(luò)（GAN）和NSGA-2遺傳算法的漢口濱江居住區(qū)采光優(yōu)化研究

王孝鑫 李競一

1 研究背景

武漢作為中國中部的特大型城市，在發(fā)展過程中出現(xiàn)了許多設(shè)計規(guī)劃不夠合理的居住區(qū)[1]，它們主要集中在武漢長江沿岸的濱江區(qū)。尤其是位于漢口濱江區(qū)的老舊小區(qū)具有獨(dú)特歷史風(fēng)貌，城市更新不僅要提升使用者的舒適性，而且要保留這些居住區(qū)的城市風(fēng)貌。

傳統(tǒng)居住區(qū)設(shè)計多由建筑師主導(dǎo)，依賴個人經(jīng)驗進(jìn)行前期設(shè)計[2]。工作內(nèi)容主要包括場地設(shè)計、建筑設(shè)計，但這些常規(guī)的設(shè)計方式較少考慮周圍城市形態(tài)肌理，可能造成當(dāng)?shù)丶扔谐鞘屑±淼钠茐摹４送猓O(shè)計師也較少利用環(huán)境性能模擬開展前期優(yōu)化設(shè)計工作[3]。居住區(qū)和其他建筑群的設(shè)計難點主要在于設(shè)計參數(shù)眾多，且參數(shù)之間相互影響和制約。全面考慮所有設(shè)計參數(shù)十分困難，在設(shè)計初期也較為低效。因此，亟需一種更加全面且智能高效的設(shè)計方法優(yōu)化前期設(shè)計。

當(dāng)前人工智能技術(shù)具有學(xué)習(xí)效率高、數(shù)據(jù)處理能力強(qiáng)、擅長解決復(fù)雜問題等優(yōu)點[4]，逐漸被國內(nèi)外學(xué)者應(yīng)用于城市與建筑的精細(xì)化分析與優(yōu)化設(shè)計工作中。姚佳偉運(yùn)用pix2pix技術(shù)進(jìn)行了上海居住區(qū)的形態(tài)生成模擬[5]；Jinmo Rhee和Pedro Veloso通過WGAN技術(shù)對匹茲堡地區(qū)的建筑群進(jìn)行了平面生成模擬[6]；劉躍中和斯托夫斯·盧迪提出運(yùn)用生成對抗網(wǎng)絡(luò)處理陌生數(shù)據(jù)的方法支持城市設(shè)計過程，結(jié)果表明，該方法可有效制定城市設(shè)計決策[7]。這些研究都取得了一定的成果，且生成的城市模型體現(xiàn)了對于周邊城市肌理的考慮，說明通過人工智能技術(shù)進(jìn)行城市生成設(shè)計具有一定可行性。

由于眾多深度學(xué)習(xí)圖像生成模型都是以隨機(jī)算法為基礎(chǔ)，因此難以確定模型最終生成圖像的合理性。當(dāng)前，結(jié)合優(yōu)化算法與深度學(xué)習(xí)圖像生成模型開展更加可控的研究成為了當(dāng)下趨勢。相關(guān)研究主要集中在基于深度學(xué)習(xí)算法建立的數(shù)值型預(yù)測模型上[8]，常規(guī)的研究思路是通過優(yōu)化算法調(diào)整深度學(xué)習(xí)模型的輸入值，從而使輸出值逼近或達(dá)到優(yōu)化算法的設(shè)定要求。但是由于圖像生成型深度學(xué)習(xí)模型的輸入端是像素矩陣，參數(shù)個數(shù)過多，無法通過優(yōu)化算法進(jìn)行取值探索。所以，相關(guān)研究主要采用生成型對抗網(wǎng)絡(luò)（后文簡稱GAN）輸出數(shù)據(jù)或圖像，然后針對輸出結(jié)果開展進(jìn)一步優(yōu)化處理。本研究希望將GAN與優(yōu)化算法相結(jié)合，模擬生成城市形態(tài)，從而為區(qū)域采光優(yōu)化提出建議。

2 研究思路

通過GAN學(xué)習(xí)漢口濱江區(qū)域居住區(qū)平面肌理，使其建立對居住區(qū)平面排布邏輯的理解。然后使用GAN的圖像生成技術(shù)，通過較少的居住區(qū)平面信息以及已學(xué)習(xí)到的布局邏輯，進(jìn)行居住區(qū)平面生成模擬。本次研究為了使得GAN與優(yōu)化設(shè)計系統(tǒng)結(jié)合，采用了復(fù)合型GAN。復(fù)合型GAN分為兩個學(xué)習(xí)模型：一個主要負(fù)責(zé)增益信息較少的原始居住區(qū)平面柵格圖像，從而形成完整的居住區(qū)平面柵格圖像；另一個負(fù)責(zé)將完整的居住區(qū)平面柵格圖像轉(zhuǎn)化成符合漢口濱江區(qū)域城市肌理的最終居住區(qū)平面圖。由于第一個GAN模型輸入端信息較少，因此可以同優(yōu)化算法相結(jié)合，即優(yōu)化算法驅(qū)動少量的設(shè)計變量，獲得原始居住區(qū)平面柵格圖，進(jìn)而生成三維模型，并得到日照模擬的模擬值。之后，優(yōu)化算法通過模擬值結(jié)果調(diào)整設(shè)計參數(shù)，完成邏輯閉環(huán)。最終用模擬值對照設(shè)計變量，得到日照表現(xiàn)優(yōu)秀的居住區(qū)模型和相關(guān)指標(biāo)信息，并進(jìn)行數(shù)據(jù)分析。研究將會提供符合區(qū)域城市肌理且滿足日照要求的漢口濱江區(qū)居住區(qū)設(shè)計策略指導(dǎo)意見，具體研究思路如圖1所示。

3 生成對抗性網(wǎng)絡(luò)

3.1 居住區(qū)圖像生成

1 研究思路流程圖

由于研究需要通過兩個GAN模型進(jìn)行圖像生成，因此需要兩個訓(xùn)練配對集，即借助三個圖集開展兩兩配對。研究首先通過ArcGIS軟件獲取漢口濱江區(qū)城市模型，通過灰度設(shè)定將模型的高度變化轉(zhuǎn)化成圖像關(guān)系，將三維模型轉(zhuǎn)譯成二維圖像（建筑信息灰度圖）。由于優(yōu)化計算輸入?yún)?shù)個數(shù)有限，需要對二維圖像進(jìn)行信息簡化。通過網(wǎng)格將圖像柵格化，進(jìn)而通過灰度設(shè)定將城市容積率轉(zhuǎn)化成圖像關(guān)系，得到灰度圖（建筑信息柵格化灰度圖），然后繼續(xù)簡化柵格圖像，保留少數(shù)特征網(wǎng)格，刪除居住區(qū)內(nèi)其他網(wǎng)格，最終得到滿足優(yōu)化計算要求的簡化柵格圖像（建筑特征信息柵格化灰度圖）。以上三種灰度圖的形成過程如圖2-5所示。

2 漢口濱江區(qū)域建筑信息灰度圖

3 小區(qū)建筑信息灰度圖

4 小區(qū)建筑信息柵格化灰度圖

5 小區(qū)建筑特征信息柵格化灰度圖

3.2 基于機(jī)器學(xué)習(xí)的居住區(qū)數(shù)據(jù)分類

通過ArcGIS獲得的漢口濱江居住區(qū)共385個，但因為部分居住區(qū)存在數(shù)據(jù)缺失問題，最終僅獲得375個居住區(qū)的有效柵格化圖像。

在圖像柵格化過程中，由于網(wǎng)格的方向會在一定程度上影響圖像生成的結(jié)果，因此為了能夠更加全面地表現(xiàn)每個居住區(qū)的情況，研究選取了三種網(wǎng)格方向進(jìn)行圖像柵格化，最終獲得了1 125組配對圖像。各個居住區(qū)占地面積、容積率以及建筑密度等指標(biāo)差異巨大，如果將全部居住區(qū)圖像輸入到GAN中，將會降低學(xué)習(xí)效率。所以，在建立GAN前需要對生成效果較好的幾個圖像聚類進(jìn)行深度學(xué)習(xí)。研究選擇兩種不同的無監(jiān)督機(jī)器學(xué)習(xí)算法——K-means聚類方法、DBSCAN方法[9]（圖6,7），通過場地面積和容積率指標(biāo)對1 125個配對集進(jìn)行分類。研究設(shè)定聚類個數(shù)為6個，通過比較發(fā)現(xiàn)K-means聚類分析的分類效果較好，因此選取聚類1、2、3、4作為訓(xùn)練集，最終獲得735套配對圖像。

3.3 基于GAN的圖像生成過程

研究選取GAN深度學(xué)習(xí)模型，作為生成城市圖像的主要工具（圖8,9）。GAN框架由生成器（G）和判別器（D）兩部分組成。生成器的主要作用是通過條件變量（C）和噪聲變量（Z）生成隨機(jī)數(shù)據(jù)（Xp）；判別器的主要作用是通過真實的訓(xùn)練數(shù)據(jù)判別生成器生成隨機(jī)數(shù)據(jù)的真實性，再反饋給生成器繼續(xù)生成數(shù)據(jù)，如此運(yùn)行以達(dá)到兩者對抗的目的。通過對抗使得生成器的生成數(shù)據(jù)越來越真實，判別器的判別能力越來越強(qiáng)[10-11]。

4 優(yōu)化計算方法

4.1 遺傳算法

研究選取遺傳算法（Genetic Algorithm）作為主要優(yōu)化算法，這是一種特殊且高效的啟發(fā)式算法[12]（圖10）。遺傳算法以生物進(jìn)化機(jī)制中出現(xiàn)的各類現(xiàn)象作為搜索過程的指導(dǎo)思想，從最初的候選解中選取更符合優(yōu)化需求且適應(yīng)度高的解保留下來，形成新的近似候選解。如此逐代循環(huán)往復(fù)，直到解集收斂到極值或某個具體目標(biāo)值。

遺傳算法的特點有：1）串集搜索：不是從單個解開始，與傳統(tǒng)的優(yōu)化算法相比，不容易落入局部最優(yōu)解的陷阱中；2）可并行評估：遺傳算法的機(jī)制允許同時并行處理種群中的多個個體，并進(jìn)行相應(yīng)的個體評估，減少局部最優(yōu)的風(fēng)險；3）適用性高：由于遺傳算法僅以適應(yīng)度來評估種群個體，允許出現(xiàn)離散型數(shù)值的變量輸入，而非一般的連續(xù)型變量，從而大大擴(kuò)展了遺傳算法在建筑領(lǐng)域上的應(yīng)用；4）獨(dú)立性強(qiáng)：遺傳算法由于每代之間的評估與繁殖都是相對獨(dú)立的，所以魯棒性相對較高。

4.2 優(yōu)化計算的各項設(shè)定

研究選取的優(yōu)化算法為NSGA-2遺傳算法（表1），具有效率高、魯棒性強(qiáng)等特點[13-14]。研究選擇漢口濱江區(qū)的紅燕社區(qū)作為目標(biāo)區(qū)域（圖11），該社區(qū)具有以下問題：1）房屋老舊，有不少房屋已經(jīng)是危樓，沒有居民居住；2）缺乏整體規(guī)劃設(shè)計，部分區(qū)域白天缺乏陽光，且有一定數(shù)量私自搭建的房屋；3）沿利濟(jì)路和中山大道部分的建筑已經(jīng)發(fā)展成小高層商住兩用樓，居住區(qū)發(fā)展十分混亂。

研究希望對紅燕社區(qū)進(jìn)行整體改造設(shè)計。將紅燕社區(qū)柵格化后，共產(chǎn)生47個網(wǎng)格塊。選取其中10個特征網(wǎng)格，其中5個為高容積率網(wǎng)格，也就是高層建筑所在的網(wǎng)格，另5個為低容積率網(wǎng)格，也就是低層建筑或空地所在網(wǎng)格。用Excel對10個特征網(wǎng)格進(jìn)行編號取值（表2），通過Rhino控制地塊內(nèi)建筑特征網(wǎng)格位置，最終形成不同的建筑特征柵格灰度圖。當(dāng)建筑特征信息柵格化灰度圖發(fā)生變化后，GAN將會根據(jù)此圖生成建筑信息灰度圖（圖12）。

由于紅燕社區(qū)整體老舊，且內(nèi)部日照分布十分不均衡，所以本次研究的優(yōu)化指標(biāo)為社區(qū)建筑的日照時間，分別對居住區(qū)建筑的夏季日照和冬季日照進(jìn)行研究。設(shè)定6月22日（夏至日）的居住區(qū)建筑日照情況為夏季日照優(yōu)化目標(biāo)，設(shè)定12月22日（冬至日）的居住區(qū)建筑日照情況為冬季日照優(yōu)化目標(biāo)。為了更加全面地獲取居住區(qū)建筑的日照情況，將建筑舒適日照面積比作為優(yōu)化目標(biāo)函數(shù)，夏季舒適日照面積比為Rs、冬季舒適日照面積比Rw，日照模擬情況如圖13所示。其中Aall是建筑的整體表面積，單位為m2；As為夏至日當(dāng)天日照時間在4～8h之間的建筑表面積，單位為m2；Aw為冬至日當(dāng)天日照時間在4～8h之間的建筑表面積，單位為m2。

表1 NSGA-2 遺傳算法設(shè)定

表2 紅燕社區(qū)建筑特征網(wǎng)格編號取值范圍

6 K-means 聚類分析結(jié)果

7 DBSCAN 聚類分析結(jié)果

8 生成對抗性網(wǎng)絡(luò)原理圖

9 圖像生成整體流程

10 遺傳算法的計算流程

11 紅燕社區(qū)整體情況

12 紅燕社區(qū)建筑特征柵格灰度圖生成方法

13 優(yōu)化過程中居住區(qū)夏季日照和冬季日照計算情況

4.3 整體優(yōu)化結(jié)果

由于GAN具有一定隨機(jī)性，因此建筑模型的優(yōu)化過程差異性很大，這使得每次生成的區(qū)域建筑密度與容積率差異也較大，造成生成的模型之間可比性較差。因此設(shè)定優(yōu)化約束條件：1）建筑密度取值應(yīng)在0.3～0.6；2）建筑容積率取值應(yīng)在2.0～4.0。通過1 200次優(yōu)化計算后，研究獲得了668次滿足約束條件的設(shè)計參數(shù)組合計算（圖14-17）。

5 結(jié)果討論

5.1 優(yōu)秀解集的篩選

由于668組設(shè)計參數(shù)組合過多，對于總結(jié)各個參數(shù)取值范圍不利，因此需要對滿足約束條件的設(shè)計參數(shù)組合進(jìn)行篩選。選取夏季舒適日照面積比Rs和冬季舒適日照面積比Rw最高的50個優(yōu)化案例（Top50）所對應(yīng)的參數(shù)組合進(jìn)行分析，研究發(fā)現(xiàn)Top50案例的建筑密度和容積率取值較為集中（圖18-21），建筑密度范圍在0.30～0.40之間，平均值為0.335；容積率取值范圍在2.03～3.18之間，平均值為2.54。紅燕社區(qū)的建筑密度為0.43，容積率為2.30，說明降低建筑密度及提升容積率可以提升居住區(qū)的Rs和Rw值。

14 冬季日照優(yōu)化過程（1 200 次）

15 冬季日照優(yōu)化過程（668 次）

16 夏季日照優(yōu)化過程（1 200 次）

17 夏季日照優(yōu)化過程（668 次）

18 Top50 案例建筑密度情況

19 Top50 案例容積率情況

20 Top50 案例冬季日照情況

21 Top50 案例夏季日照情況

5.2 優(yōu)秀解集的指標(biāo)取值分析

通過K-means聚類分別分析5個高層特征網(wǎng)格的編號和5個空地特征網(wǎng)格（圖22）。如表3，4所示，研究設(shè)定聚類個數(shù)為3，聚類2占整體個案的26.4%，聚類3占整體個案的55.2%，高層特征網(wǎng)格編號聚類取值為7和42，空地特征網(wǎng)格編號聚類取值為32和22。

表3 最終聚類中心

22 高層特征網(wǎng)格編號位置和空地特征網(wǎng)格編號位置（亮灰色為高層，黑色為空地）

表4 每個聚類中的個案數(shù)量

5.3 研究結(jié)論

通過聚類分析發(fā)現(xiàn)高層特征網(wǎng)格編號和空地特征網(wǎng)格編號取值具有一定規(guī)律性。高層特征網(wǎng)格都集中在場地西北和東北角，這樣可以保證高層建筑不會遮擋場地內(nèi)部建筑。同時，空地特征網(wǎng)格都集中在場地南部和中間部分，這樣可以保證陽光進(jìn)入場地內(nèi)部。

6 研究不足與展望

本研究結(jié)合遺傳算法與GAN，以武漢漢口濱江居住區(qū)為例進(jìn)行整體布局優(yōu)化研究。基于建筑平面柵格化及特征信息提取獲得了大量圖像配對集，通過對圖像配對集的研究簡化了建筑特征信息，使得優(yōu)化算法可以介入圖像生成過程，由此生成的建筑模型更加適應(yīng)和遵循當(dāng)?shù)氐某鞘屑±恚罱K可以通過控制少量特征網(wǎng)格位置獲得整體區(qū)域的三維模型。

由于GAN的圖像生成具有一定隨機(jī)性，使得特征網(wǎng)格柵格灰度圖最終轉(zhuǎn)化成三維建筑模型時丟失了部分信息，降低了優(yōu)化算法的效率。同時，由于研究結(jié)果以建筑信息灰度圖的像素為基礎(chǔ)，因此GAN最終生成的三維建筑模型與真實的建筑存在一定差距。未來希望繼續(xù)深化整個生成程序，通過加入設(shè)計師的設(shè)計邏輯，生成更加合理的建筑三維模型。

致謝:本研究來源于2021 年由同濟(jì)大學(xué)建筑與城市規(guī)劃學(xué)院主辦的DigitalFUTURES——“設(shè)計中的環(huán)境智能”工作營，感謝DigitalFUTURES 平臺給予的學(xué)習(xí)和交流機(jī)會，感謝姚佳偉、黃辰宇、殷明剛、張耿嘉在研究過程中的辛勤指導(dǎo)，感謝組員李帥杰、鄭仲意、廉志遠(yuǎn)的支持和幫助。

圖表來源

表1-4 作者自繪

1-22 作者自繪