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)具有獨特歷史風貌，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)的城市風貌。

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

當前人工智能技術具有學習效率高、數(shù)據(jù)處理能力強、擅長解決復雜問題等優(yōu)點[4]，逐漸被國內(nèi)外學者應用于城市與建筑的精細化分析與優(yōu)化設計工作中。姚佳偉運用pix2pix技術進行了上海居住區(qū)的形態(tài)生成模擬[5]；Jinmo Rhee和Pedro Veloso通過WGAN技術對匹茲堡地區(qū)的建筑群進行了平面生成模擬[6]；劉躍中和斯托夫斯·盧迪提出運用生成對抗網(wǎng)絡處理陌生數(shù)據(jù)的方法支持城市設計過程，結果表明，該方法可有效制定城市設計決策[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進行城市生成設計具有一定可行性。

由于眾多深度學習圖像生成模型都是以隨機算法為基礎，因此難以確定模型最終生成圖像的合理性。當前，結合優(yōu)化算法與深度學習圖像生成模型開展更加可控的研究成為了當下趨勢。相關研究主要集中在基于深度學習算法建立的數(shù)值型預測模型上[8]，常規(guī)的研究思路是通過優(yōu)化算法調(diào)整深度學習模型的輸入值，從而使輸出值逼近或達到優(yōu)化算法的設定要求。但是由于圖像生成型深度學習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)化算法進行取值探索。所以，相關研究主要采用生成型對抗網(wǎng)絡（后文簡稱GAN）輸出數(shù)據(jù)或圖像，然后針對輸出結果開展進一步優(yōu)化處理。本研究希望將GAN與優(yōu)化算法相結合，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學習漢口濱江區(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，通過較少的居住區(qū)平面信息以及已學習到的布局邏輯，進行居住區(qū)平面生成模擬。本次研究為了使得GAN與優(yōu)化設計系統(tǒng)結合，采用了復合型GAN。復合型GAN分為兩個學習模型：一個主要負責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；另一個負責將完整的居住區(qū)平面柵格圖像轉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)化算法相結合，即優(yōu)化算法驅動少量的設計變量，獲得原始居住區(qū)平面柵格圖，進而生成三維模型，并得到日照模擬的模擬值。之后，優(yōu)化算法通過模擬值結果調(diào)整設計參數(shù)，完成邏輯閉環(huán)。最終用模擬值對照設計變量，得到日照表現(xiàn)優(yōu)秀的居住區(qū)模型和相關指標信息，并進行數(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)設計策略指導意見，具體研究思路如圖1所示。

3 生成對抗性網(wǎng)絡

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模型進行圖像生成，因此需要兩個訓練配對集，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，通過灰度設定將模型的高度變化轉化成圖像關系，將三維模型轉譯成二維圖像（建筑信息灰度圖）。由于優(yōu)化計算輸入?yún)?shù)個數(shù)有限，需要對二維圖像進行信息簡化。通過網(wǎng)格將圖像柵格化，進而通過灰度設定將城市容積率轉化成圖像關系，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 基于機器學習的居住區(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，將會降低學習效率。所以，在建立GAN前需要對生成效果較好的幾個圖像聚類進行深度學習。研究選擇兩種不同的無監(jiān)督機器學習算法——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對1 125個配對集進行分類。研究設定聚類個數(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深度學習模型，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）生成隨機數(shù)據(jù)（Xp）；判別器的主要作用是通過真實的訓練數(shù)據(jù)判別生成器生成隨機數(shù)據(jù)的真實性，再反饋給生成器繼續(xù)生成數(shù)據(jù)，如此運行以達到兩者對抗的目的。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[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）。遺傳算法以生物進化機制中出現(xiàn)的各類現(xiàn)象作為搜索過程的指導思想，從最初的候選解中選取更符合優(yōu)化需求且適應度高的解保留下來，形成新的近似候選解。如此逐代循環(huán)往復，直到解集收斂到極值或某個具體目標值。

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：遺傳算法的機制允許同時并行處理種群中的多個個體，并進行相應的個體評估，減少局部最優(yōu)的風險；3）適用性高：由于遺傳算法僅以適應度來評估種群個體，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，從而大大擴展了遺傳算法在建筑領域上的應用；4）獨立性強：遺傳算法由于每代之間的評估與繁殖都是相對獨立的，所以魯棒性相對較高。

4.2 優(yōu)化計算的各項設定

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?。?）缺乏整體規(guī)劃設計，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)進行整體改造設計。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行研究。設定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，設定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。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 聚類分析結果

7 DBSCAN 聚類分析結果

8 生成對抗性網(wǎng)絡原理圖

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)化結果

由于GAN具有一定隨機性，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。因此設定優(yōu)化約束條件：1）建筑密度取值應在0.3～0.6；2）建筑容積率取值應在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計參數(shù)組合計算（圖14-17）。

5 結果討論

5.1 優(yōu)秀解集的篩選

由于668組設計參數(shù)組合過多，對于總結各個參數(shù)取值范圍不利，因此需要對滿足約束條件的設計參數(shù)組合進行篩選。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）所對應的參數(shù)組合進行分析，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入場地內(nèi)部。

6 研究不足與展望

本研究結合遺傳算法與GAN，以武漢漢口濱江居住區(qū)為例進行整體布局優(yōu)化研究?；诮ㄖ矫鏂鸥窕疤卣餍畔⑻崛～@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和遵循當?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性，使得特征網(wǎng)格柵格灰度圖最終轉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，由于研究結果以建筑信息灰度圖的像素為基礎，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，通過加入設計師的設計邏輯，生成更加合理的建筑三維模型。

致謝:本研究來源于2021 年由同濟大學建筑與城市規(guī)劃學院主辦的DigitalFUTURES——“設計中的環(huán)境智能”工作營，感謝DigitalFUTURES 平臺給予的學習和交流機會，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，感謝組員李帥杰、鄭仲意、廉志遠的支持和幫助。

圖表來源

表1-4 作者自繪

1-22 作者自繪