传统建筑设计或城市设计工作流程中,性能评估(特别是借助计算机辅助模拟的性能评估)与相应的方案修改是两个相对独立的过程,需要经过设计-模拟检验-设计修改-重新模拟检验等反复过程实现. 在这种被动调整模式下,性能模拟与方案设计间存在模型转换及数据传递的障碍,造成了工作时间的浪费.同时,这一被动调整具有主观性和局限性,无法实现性能最优.此外,建筑设计或城市设计本身是综合考虑多种性能并进行优化的过程,需要寻求能够实现各种性能最优组合的解决方案,而现有的软件模拟基本都只针对单个性能目标,无法实现多目标的综合模拟.

MOOD-S主张在方案初始阶段引入建筑性能模块,配合计算机的智能优化算法,将参数建模、性能模拟与多目标优化集成在一个平台上,同时实现多个性能目标的性能模拟、数据集成及自动优化过程,避免了传统性能优化设计方法中设计方案反复调整与建模过程,将复杂的人为难以确定的多目标优化问题最大化交给计算机去处理,提高优化设计准确性与效率.

MOOD-S的实现主要依靠优化平台的选择、多变量-多目标关联及多目标优化实现.

MOOD-S主要由设计变量控制模块、布局模型生成模块、性能目标模块及设计优化模块4个部分组成(图1).

图1 MOOD-S系统构成
Fig.1 MOOD-S structure diagram

其中,设计变量控制模块包含决定住区布局形态的设计变量,如住宅平面形式、建筑层数及其控制范围等; 布局模型生成模块是指由设计变量控制的参数化模型; 性能目标模块中包含设计者或业主要优化的性能目标,如良好采光、视野及热环境等; 设计优化模块是指实现设计变量自动调整优化的模型.

MOOD-S系统采用智能网格优化法,在智能网格基础上进行智能筛点、智能布局和智能优化,生成逻辑如下:

1)场地模拟,建立场地及周边环境的模型,确定红线范围,对红线范围划分网格,并对网格日照条件进行模拟,每个网格点具有多个智能属性,如相对位置、日照时间和太阳辐射强度等;

2)智能排布,根据场地模拟生成的网格属性,自动选取性能优良的网格点排布智能单体,每个智能单体均包含自身受设计变量控制的智能属性;

3)整体评价,对智能排布生成的住区布局进行多性能目标的整体评价,并将评价结果反馈给方案;

4)多目标优化,通过Octopus自动调节设计变量,并对生成的多组方案进行多目标寻优,最终得到多性能目标组合最优解集合.

研究应用MOOD-S系统设计4组生成实验,实验以住区布局要素为设计变量(表1),以住区容积率、日照达标、日照条件均好性、总得热、景观均好性和内部庭院最大化等为寻优目标(表2).这些目标涵盖了住区设计在物理环境性能方面的主要要求.实验1至实验4分别针对200 m×200 m的规则和复杂不规则地块,场地周边均包含已有建筑肌理(图2),逐渐增加设计变量,选取2～3个性能目标进行不同组合的多目标寻优设计实验(条件设置见表2).

3.1 生成设计实验设置

从实验1至实验4的运行结果来看(表3和图3),无论双目标寻优(实验1和实验3)还是三目标寻优(实验2和实验4),无论是规则地块(实验1和实验2)还是不规则地块(实验3和实验4),寻优结果均呈现出明显的二维或三维的Pareto前沿.由此说明:

表1 实验1至实验4的设计变量1)
Table 1 The main variables in experiment 1 to 41)

表2 实验1至实验4的条件和寻优目标设置情况
Table 2 The condition settings and optimizing objectives in experiment 1 to 4

图2 实验场地条件
Fig.2 The sites of experiments

表3 实验1至实验4的结果数据
Table 3 The results data of experiment 1 to 4

1)实验设置的多性能目标之间确实存在某种程度的竞争关系,必须通过多目标寻优算法获得最优解集,传统单目标寻优不能很好地解决这一问题.

2)MOOD-S系统可以适应不同实验中的场地条件及目标、变量组合,具有一定的普适性和灵活性.此外,从实验运行情况看,生成速度的快慢并未受设计变量或寻优目标数量及地块形态的影响,而是受寻优参数(如种群规模和寻优代数)的影响.

图3 实验1至实验4 Pareto解空间分布
Fig.3 The Pareto solutions of experiment 1 to 4

实验4选取了深圳市福田区的真实项目基地(图2(b)).该项目用地面积4 935.2 m²,要求容积率≥4.5.基地西侧有公园景观及标志性建筑.基地周边包含已有住宅建筑,主要是东南侧的多层住宅及东北侧的高层住宅建筑.

利用MOOD-S系统进行优化设计旨在通过合理布局,在满足容积率情况下尽可能保证良好的采光和日照,尽可能让住户看到西侧良好景观; 设计也应考虑地域性,深圳地区长年炎热,应尽量避免夏季过多太阳辐射.基于此,提出针对实验4地块的变量及目标系统(表4和表5).为了结果表达方便,实验前进行了目标转化(表5),目的是将寻优目标统一为数值越小越好,且由于容积率目标与降低夏季辐射目标具有趋同性,实验仅选取表5中的前3个作为寻优目标.

表4 实验4的变量组成
Table 4 The main variables in experiment 4

表5 实验4的目标系统
Table 5 The main objectives in experiment 4

1)Pareto解分析.经过102代的寻优过程,种群个体由无序状态渐趋稳定,个体的3个方向上的目标值均努力朝着坐标原点的方向移动,以寻优达到均衡的状态(图3(d)和图4).X轴(景观遮挡率)的变化范围是0.61～0.76; Y轴(日照不满足率)的变化范围是0.10～0.35; Z轴(容积率相对7的差值)变化范围是-0.89～2.29.3个目标变化幅度类似,但并未呈现明显的正负相关性,这也证明了多目标问题转化为单一目标解决方法存在的弊端.

2)各目标相互关系.将实验4寻优结果分解到3个不同的维度观察各目标间相互关系(图4),从中可见, X与Y、 X与Z没有明显的关系,即景观遮挡率与容积率及日照不满足率没有明显的线性关系; Y和Z的关系从图中可以看出,随着Y值增大,Z值呈趋向于0的趋势,两者呈现出明显的牵制关系,即降低容积率指标可以换取较好的采光日照水平.

3)设计方案的选择.Pareto解得到的是一组解,设计者或业主可根据自己的设计需求及侧重进行选择,如若业主希望获取更好的采光日照水平,在选择方案时可以在帕累托解中寻找Y轴最小解; 若想获得良好的景观视野,就在Pareto解中寻找X轴的最小解.本研究从中挑选了4组有代表性的单目标最优解和均衡最优解(图5),提取各方案目标值(表6).从中可见,若想达到单个性能的最优解,必然会失去其他性能目标的质量,如方案1较方案4,日照水平提升了4%,而容积率却降低了2.49.

图4 实验4寻优结果二维分析图
Fig.4 Two-dimensional illustration of optimal results in experiment 4

图5 Pareto前沿部分方案解效果图
Fig.5 Renderings of solutions in Pareto front

表6 实验4优化结果的目标参数值
Table 6 The values of objectives in experiment 4