CN110796304A - 一种楼栋排布优化方法、装置、电子设备及存储介质 - Google Patents
一种楼栋排布优化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110796304A CN110796304A CN201911029245.6A CN201911029245A CN110796304A CN 110796304 A CN110796304 A CN 110796304A CN 201911029245 A CN201911029245 A CN 201911029245A CN 110796304 A CN110796304 A CN 110796304A
- Authority
- CN
- China
- Prior art keywords
- building
- model
- arrangement information
- building arrangement
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 17
- 230000002787 reinforcement Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 abstract description 13
- 238000010276 construction Methods 0.000 abstract description 6
- 230000009471 action Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种楼栋排布优化方法、装置、电子设备及存储介质,属于建筑技术领域。该方法包括:获取初始楼栋排布信息;通过事先训练好的目标优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距和日照时长要求的楼栋排布信息。本申请实施例中,当有楼栋建筑设计需求时,获取初始楼栋排布信息,然后将随机排布的楼栋信息输入到已经训练好的模型中,利用模型对该随机排布的楼栋进行重新规划,输出满足楼栋间距和日照时长要求的楼栋排布,使得施工人员可以直接基于模型输出的楼栋布局进行施工,设计出合理的楼群建筑设计,可节约大量的人力和时间成本。
Description
技术领域
本申请属于建筑技术领域,具体涉及一种楼栋排布优化方法、装置、电子设备及存储介质。
背景技术
随着国内工业化进程的快速发展,在工业化城市里,城市建设推进迅速,城市用地日趋紧张,提高容积率是一个提高效益的重要措施,要提高容积率往往通过增加建筑房屋楼层的层数和缩小建筑之间的距离,因此高层建筑的楼群密度不断提高,从而导致一些建筑房屋未达到法规规定的建筑房屋日照时长标准,使得人们无法享受到阳光,在城市建设不断推进、城市用地紧张、城市建筑高层化的背景下,建筑房屋日照所产生的矛盾愈发突出。
影响楼栋排布最重要的两个因素是:楼栋日照时长的长短和楼栋之间的距离,这两个因素与房屋定价有直接的关联,是开发商追求利益最大化所重视的两大因素,为达到利益最大化,开发商必须合理规划楼栋的布局。
为此对于楼栋的排布就显得至关重要,目前国内的建筑行业采用的是根据大量的规划要求,人工规划楼栋的排布,需要计算大量的楼栋日照时长、容积率等各种指标,耗费大量的人力资源和时间。
发明内容
鉴于此,本申请的目的在于提供一种楼栋排布优化方法、装置、电子设备及存储介质,以改善现有楼栋建筑需要耗费大量的人力资源和时间来获得合理的楼栋布局规划的问题。
本申请的实施例是这样实现的:
第一方面,本申请实施例提供了一种楼栋排布优化方法,包括:获取初始楼栋排布信息;通过事先训练好的目标优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距和日照时长要求的楼栋排布信息。
本申请实施例中,当有楼栋建筑设计需求时,获取初始楼栋排布信息,然后将随机排布的楼栋信息输入到已经训练好的模型中,利用已经掌握了满足楼栋间距和日照时长要求的楼栋排布规律的模型对该随机排布的楼栋进行重新规划,输出满足楼栋间距和日照时长要求的楼栋排布,使得施工人员可以直接基于模型输出的楼栋布局进行施工,设计出合理的楼群建筑设计,可节约大量的人力和时间成本。
结合第一方面实施例的一种可能的实施方式,通过事先训练好的目标优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距和日照时长要求的楼栋排布信息,包括:通过事先训练好的第一优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距要求的楼栋排布信息;通过事先训练好的第二优化模型对所述满足楼栋间距要求的楼栋排布信息中的楼栋排布进行重新规划,得到满足日照时长要求的楼栋排布信息。本申请实施例中,通过两个优化模型来获得满足楼栋间距和日照时长要求的楼栋排布信息,将随机排布的楼栋信息输入到已经训练好的第一优化模型中,输出满足楼栋间距要求的楼栋排布信息,在此基础上,将第一优化模型输出的信息作为第二优化模型的输入,经第二优化模型输出满足日照时长要求的楼栋排布信息,进而提供了一种新的优化方式。
结合第一方面实施例的一种可能的实施方式,所述目标优化模型为神经网络模型时,通过以下步骤训练得到所述训练好的目标优化模型:获取满足楼栋间距和日照时长要求的楼栋排布数据;利用所述楼栋排布数据对初始神经网路模型进行训练,得到所述训练好的目标优化模型。本申请实施例中,当目标优化模型为神经网络模型时,通过获取满足楼栋间距和日照时长要求的楼栋排布数据作为训练数据,对其进行训练,使其学习满足楼栋间距和日照时长要求的楼栋排布规律,以便后续使用。
结合第一方面实施例的一种可能的实施方式,通过以下步骤得到所述初始楼栋排布信息:在空白地块上随机排布多个楼栋,并输入每个栋楼的参数,得到所述初始楼栋排布信息,其中,所述参数包括:楼栋所在地块的坐标,楼栋俯视图的高和宽,楼栋的楼层高度以及旋转角度。本申请实施例中,通过在模拟软件上建立一空白地块,并在该空白地块上随机排布多个楼栋,并输入各个楼栋的参数,即可得到初始楼栋排布信息,十分的便捷,且由于是随机生成楼栋,因此楼栋并不需要满足什么特殊的要求,适用性会更好。
结合第一方面实施例的一种可能的实施方式,所述目标优化模型为强化学习模型。本申请实施例中,采用事先训练好的强化学习模型来得到满足楼栋间距和日照时长要求的楼栋排布,由于训练强化学习模型不需要训练数据,因此能节约获取用于训练模型的训练数据的成本。
第二方面,本申请实施例还提供了一种楼栋排布优化装置,包括:获取模块以及规划模块;获取模块,用于获取初始楼栋排布信息;规划模块,用于通过事先训练好的目标优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距和日照时长要求的楼栋排布信息。
结合第二方面实施例的一种可能的实施方式,所述规划模块,还用于:通过事先训练好的第一优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距要求的楼栋排布信息;通过事先训练好的第二优化模型对所述满足楼栋间距要求的楼栋排布信息中的楼栋排布进行重新规划,得到满足日照时长要求的楼栋排布信息。
结合第二方面实施例的一种可能的实施方式,通过以下步骤得到所述初始楼栋排布信息:在空白地块上随机排布多个楼栋,并输入每个栋楼的参数,得到所述初始楼栋排布信息,其中,所述参数包括:楼栋所在地块的坐标,楼栋俯视图的高和宽,楼栋的楼层高度以及旋转角度。
结合第二方面实施例的一种可能的实施方式,所述目标优化模型为神经网络模型时,所述获取模块,还用于获取满足楼栋间距和日照时长要求的楼栋排布数据;相应地,所述装置还包括训练模块,用不利用所述楼栋排布数据对初始神经网路模型进行训练,得到所述训练好的目标优化模型。
第三方面,本申请实施例还提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器连接;所述存储器,用于存储程序;所述处理器,用于调用存储于所述存储器中的程序,以执行上述第一方面实施例和/或结合第一方面实施例的任一项可能的实施方式提供的方法。
第四方面,本申请实施例还提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时,执行上述第一方面实施例和/或结合第一方面实施例的任一项可能的实施方式提供的方法。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例而了解。本申请的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。通过附图所示,本申请的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图,重点在于示出本申请的主旨。
图1示出了本申请实施例提供的一种强化学习模型的训练原理图。
图2示出了本申请实施例提供的一种楼栋排布优化方法的流程示意图。
图3示出了本申请实施例提供的一种随机排布的初始楼栋排布示意图。
图4示出了本申请实施例提供的一种基于RL(Reinforcement Learning,强化学习)模型获得最佳的楼栋布局的流程示意图。
图5示出了本申请实施例提供的一种重新规划后的楼栋排布示意图。
图6示出了本申请实施例提供的一种基于HRL(Hierarchical ReinforcementLearning,分层强化学习)模型获得最佳的楼栋布局的流程示意图。
图7示出了本申请实施例提供的一种楼栋排布优化装置的模块示意图。
图8示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
再者,本申请中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
在楼群建筑设计阶段,楼栋日照时长的长短和楼栋之间的距离,是两个不得不考虑的因素,合理的设计能充分利用用地空间,提供最佳的采光效果,因此,如何能快速的得出合理的楼栋布局就显得至关重要,鉴于此,本申请实施例提供了一种楼栋布局优化方法,利用该方法能快速的得出最佳的楼栋布局,使得施工人员能基于该楼栋布局进行施工,尽可能在合理用地的情况下,解决楼房过多而导致日照日长不足的问题,让各楼栋得到充足的阳光。
本申请实施例中,通过对模型进行训练,使其学习满足楼栋间距和日照时长要求的楼栋排布规律,然后将随机排布的楼栋信息输入到已经训练好的模型中,利用模型对该随机排布的楼栋进行重新规划,输出满足楼栋间距和日照时长要求的楼栋排布,使得施工人员可以直接基于模型输出的楼栋布局进行施工,设计出合理的楼群建筑设计。
作为一种实施方式,可以是通过一个模型就能得到满足楼栋间距和日照时长要求的楼栋排布。例如,采用一个基于满足楼栋间距和日照时长要求的楼栋排布数据训练而成的神经网路模型来对随机排布的楼栋进行重新规划,输出重新规划后的满足楼栋间距和日照时长要求的楼栋排布。在此之前,需要获取满足楼栋间距和日照时长要求的楼栋排布数据(训练数据),利用该楼栋排布数据(训练数据),对初始神经网路模型进行训练,得到训练好的模型。
在该种实施方式下,除了可以采用事先训练好的神经网路模型来获得满足楼栋间距和日照时长要求的楼栋排布外,还可以采用事先训练好的强化学习(ReinforcementLearning,RL)模型来对随机排布的楼栋进行重新规划,输出重新规划后的满足楼栋间距和日照时长要求的楼栋排布。在此之前,需要事先对该RL模型进行训练,其中,RL模型的训练过程如图1所示。假设楼栋间距函数为F1(X),日照函数为F2(X),则RL模型的函数F(X)=W1*F1(X)+W2*F2(X),其中,W1和W2分别为可调权重参数,取值范围为[0,1]。Reward(奖励)的定义为:a为可调参数,其值根据具体情况而定,如取值可以在0到1之间(但并不限于0-1之间,也可以为其他值),St+1表示当前时刻的状态,St表示上一个时刻的状态。
在RL(强化学习)模型中,Agent(智能体)判断当前的State(状态)来决定Agent(智能体)的下一步的Action(行动)。当满足楼栋间距要求时,关键Action(行动)为上、下、左、右移动;当满足日照时长的要求时,关键Action(行动)为上、下、左、右移动和角度旋转。当Agent(智能体)每进行一次Action(行动)后都与它所在的Environment(环境)进行交互,并计算此时的Reward(奖励)和判断此时的State(状态),并以此来决定Agent(智能体)的下一步的Action(行动),如此不断的循环(回到开始的地方就是一个循环的过程),也即不断地训练,直至收敛为止。其中,需要说明的是,强化学习的原理已经为本领域技术人员所熟知,此处不再作过多描述。
作为又一种实施方式,可以是通过两个模型来得到满足楼栋间距和日照时长要求的楼栋排布。其中,一个模型(如第一模型)用来得到满足楼栋间距要求的楼栋排布,另一个模型(如第二模型)用来得到满足日照时长要求的楼栋排布。例如,通过事先训练好的第一模型来对随机排布的楼栋进行重新规划,输出重新规划后的满足楼栋间距要求的楼栋排布,再将第一模型的输出作为第二模型的输入,以此来获得满足日照时长要求的楼栋排布。在此之前,需要分别对第一模型和第二模型进行训练。例如,当第一模型和第二模型均为神经网络模型时,需要分别获取满足楼栋间距的楼栋排布数据(作为第一模型的训练数据)以及满足日照时长要求的楼栋排布数据(作为第二模型的训练数据)分别对第一模型和第二模型进行训练,得到训练好的模型。
在该种实施方式下,第一模型和第二模型除了可以为神经网络模型外,还可以是强化学习(Reinforcement Learning,RL)模型。例如,采用第一模型(RL1模型)来对随机排布的楼栋进行重新规划,输出重新规划后的满足楼栋间距要求的楼栋排布,将其作为第二模型(RL2模型)的输入,通RL2模型对其进行重新规划,输出重新规划后的满足日照时长要求的楼栋排布。在此之前,需要分别对RL1模型和RL2模型进行训练,其中,RL1模型、RL2模型的训练与前述的RL模型的训练过程是一致的。对于RL1模型来说,其函数为楼栋间距函数F1(X),其中,Reward1(奖励1)的定义为:在RL1模型中,Agent1(智能体1)判断当前的State1(状态1)来决定Agent1(智能体1)的下一步的Action1(行动1),关键Action1(行动1)为上、下、左、右移动。当Agent1(智能体1)每进行一次Action1(行动1)后都与它所在的Environment1(环境1)进行交互,并计算此时的Reward1(奖励1)和判断此时的State1(状态1),并以此来决定Agent1(智能体1)的下一步的Action1(行动)1,如此不断的循环(回到开始的地方就是一个循环的过程),也即不断地训练,直至收敛为止。
对于RL2模型来说,其函数为日照函数为F2(X),其中,Reward2(奖励2)的定义为:在RL2模型中,Agent2(智能体2)判断当前的State2(状态2)来决定Agent2(智能体2)的下一步的Action2(行动2),关键Action2(行动2)为上、下、左、右移动和角度旋转。当Agent2(智能体2)每进行一次Action2(行动2)后都与它所在的Environment2(环境2)进行交互,并计算此时的Reward2(奖励2)和判断此时的State2(状态2),并以此来决定Agent2(智能体2)的下一步的Action2(行动2),如此不断的循环(回到开始的地方就是一个循环的过程),也即不断地训练,直至收敛为止。
其中,由于强化学习模型训练时,不需要训练数据,因此采用强化学习模型来得到满足楼栋间距和日照时长要求的楼栋排布,能节约获取用于训练模型的训练数据的成本。
请参阅图2,为本申请实施例提供的一种楼栋排布优化方法,下面将结合图2对其所包含的步骤进行说明。
步骤S101:获取初始楼栋排布信息。
当有楼栋建筑设计需求时,即需要对楼栋的排布进行优化时,获取初始楼栋排布信息。其中,作为一种实施方式,通过以下方式获得该初始楼栋排布信息:在空白地块上随机排布多个楼栋,并输入每个栋楼的参数,得到初始楼栋排布信息,初始楼栋排布的示意图如图3所示。其中,参数包括:楼栋所在地块的坐标,楼栋俯视图的长和宽,楼栋的楼层高度以及旋转角度。
在模拟软件的可视化界面上创建一个模拟真实用地的空白地块,接着在空白地块上随机排布楼栋,并输入每个楼栋的参数,便得到初始的初始楼栋排布信息(包括初始楼栋排布图片以及相关的楼栋参数)。该参数包括:楼栋所在地块的坐标,楼栋俯视图的高和宽,楼栋的楼层高度以及旋转角度。其中,在空白地块上随机排布楼栋的楼栋数量与实际规划的楼栋数相同。
其中,各个参数的含义如下:x,y:楼栋所在地块的坐标;w,h:楼栋的俯视图的宽和高;H:楼栋的楼层高度;θ:楼栋的旋转角度,为了满足日照时长的要求,可允许楼栋旋转一定的角度。
步骤S102:通过事先训练好的目标优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距和日照时长要求的楼栋排布信息。
在得到初始楼栋排布信息后,过事先训练好的目标优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距和日照时长要求的楼栋排布信息,也即在得到随机排布的楼栋图片和相关参数后,将该初始楼栋排布信息输入到事先训练好的目标优化模型中,生成一张满足楼栋间距和日照时长最低要求的楼栋排布图片,并且输出更新之后的参数,其过程示意图如图4所示。将随机排布的楼栋图片和相关参数输入目标优化模型中,重新规划后的满足楼栋间距和日照时长最低要求的楼栋排布的示意图如图5所示。其中,需要说明的是,此处仅示出了目标优化模型为RL模型的情况,该目标优化模型除了为RL模型外,还可以为神经网络模型。
此外,除了通过一个模型就能得到满足楼栋间距和日照时长要求的楼栋排布的实施方式外,还可以通过两个模型来得到满足楼栋间距和日照时长要求的楼栋排布。此时,该过程(步骤S102)可以是:通过事先训练好的第一优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距要求的楼栋排布信息;通过事先训练好的第二优化模型对所述满足楼栋间距要求的楼栋排布信息中的楼栋排布进行重新规划,得到满足日照时长要求的楼栋排布信息。在得到初始楼栋排布信息后,将随机排布的楼栋图片和相关参数输入到事先训练好的第一优化模型中,生成一张满足楼栋间距最低要求的楼栋排布图片,并且输出更新之后的参数,在此基础上,将生成的图片和参数接着输入到事先训练好的第二优化模型中,生成一张满足楼栋日照时长最低要求的楼栋排布图片,并且输出更新之后的参数,其过程示意图如图6所示。其中,需要说明的是,此处仅示出了第一优化模型和第二优化模型均为RL模型的情况,此外该第一优化模型和第二优化模型除了为RL模型外,还可以为神经网络模型。
其中,模型训练的原理参见上述的描述,此处不再赘述,上述的目标优化模型可以是一个,也可以是两个。此外,既可以是神经网络模型,也可以是RL模型。
本申请实施例中,通过对模型进行训练,使其学习满足楼栋间距和/或日照时长要求的楼栋排布规律,然后将随机排布的楼栋信息输入到已经训练好的模型中,利用模型对该随机排布的楼栋进行重新规划,输出满足楼栋间距和日照时长要求的楼栋排布,使得施工人员可以直接基于模型输出的楼栋布局进行施工,设计出合理的楼群建筑设计。其中,既可以是基于一个模型(如RL模型)来获得满足楼栋间距和日照时长要求的楼栋排布,也可以是基于两个模型(如RL1模型和RL2模型)来获得满足楼栋间距和日照时长要求的楼栋排布。
本申请实施例还提供了一种楼栋排布优化装置100,如图7所示,该楼栋排布优化装置100包括:获取模块110以及规划模块120。
获取模块110,用于获取初始楼栋排布信息。通过以下步骤得到所述初始楼栋排布信息:在空白地块上随机排布多个楼栋,并输入每个栋楼的参数,得到所述初始楼栋排布信息,其中,所述参数包括:楼栋所在地块的坐标,楼栋俯视图的高和宽,楼栋的楼层高度以及旋转角度。
规划模块120,用于通过事先训练好的目标优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距和日照时长要求的楼栋排布信息。可选地,规划模块120还用于:通过事先训练好的第一优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距要求的楼栋排布信息;通过事先训练好的第二优化模型对所述满足楼栋间距要求的楼栋排布信息中的楼栋排布进行重新规划,得到满足日照时长要求的楼栋排布信息。
所述目标优化模型为神经网络模型时,所述获取模块110,还用于获取满足楼栋间距和日照时长要求的楼栋排布数据;相应地,所述装置还包括训练模块,用不利用所述楼栋排布数据对初始神经网路模型进行训练,得到所述训练好的目标优化模型。
本申请实施例所提供的楼栋排布优化装置100,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
如图8所示,图8示出了本申请实施例提供的一种电子设备200的结构框图。所述电子设备200包括:收发器210、存储器220、通讯总线230以及处理器240。
所述收发器210、所述存储器220、处理器240各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线230或信号线实现电性连接。其中,收发器210用于收发数据。存储器220用于存储计算机程序,如存储有图7中所示的软件功能模块,即楼栋排布优化装置100。其中,楼栋排布优化装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器220中或固化在所述电子设备200的操作***(operating system,OS)中的软件功能模块。所述处理器240,用于执行存储器220中存储的可执行模块,例如楼栋排布优化装置100包括的软件功能模块或计算机程序。例如,处理器240,用于获取初始楼栋排布信息;以及用于通过事先训练好的目标优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距和日照时长要求的楼栋排布信息。
其中,存储器220可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器240可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器240也可以是任何常规的处理器等。
其中,上述的电子设备200,包括但不限于笔记本电脑、台式电脑、平板等。
本申请实施例还提供了一种非易失性计算机可读取存储介质(以下简称存储介质),该存储介质上存储有计算机程序,该计算机程序被计算机如上述的电子设备200运行时,执行上述方法实施例所示的楼栋排布优化方法。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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(可以是个人计算机,笔记本电脑,服务器,或者网络设备等)执行本申请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、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种楼栋排布优化方法,其特征在于,包括:
获取初始楼栋排布信息;
通过事先训练好的目标优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距和日照时长要求的楼栋排布信息。
2.根据权利要求1所述的方法,其特征在于,通过事先训练好的目标优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距和日照时长要求的楼栋排布信息,包括:
通过事先训练好的第一优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距要求的楼栋排布信息;
通过事先训练好的第二优化模型对所述满足楼栋间距要求的楼栋排布信息中的楼栋排布进行重新规划,得到满足日照时长要求的楼栋排布信息。
3.根据权利要求1所述的方法,其特征在于,所述目标优化模型为神经网络模型时,通过以下步骤训练得到所述训练好的目标优化模型:
获取满足楼栋间距和日照时长要求的楼栋排布数据;
利用所述楼栋排布数据对初始神经网路模型进行训练,得到所述训练好的目标优化模型。
4.根据权利要求1所述的方法,其特征在于,通过以下步骤得到所述初始楼栋排布信息:
在空白地块上随机排布多个楼栋,并输入每个栋楼的参数,得到所述初始楼栋排布信息,其中,所述参数包括:楼栋所在地块的坐标,楼栋俯视图的高和宽,楼栋的楼层高度以及旋转角度。
5.根据权利要求1、2或4所述的方法,其特征在于,所述目标优化模型为强化学习模型。
6.一种楼栋排布优化装置,其特征在于,包括:
获取模块,用于获取初始楼栋排布信息;
规划模块,用于通过事先训练好的目标优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距和日照时长要求的楼栋排布信息。
7.根据权利要求6所述的装置,其特征在于,所述规划模块,还用于:
通过事先训练好的第一优化模型对所述初始楼栋排布信息中的楼栋排布进行重新规划,得到满足楼栋间距要求的楼栋排布信息;
通过事先训练好的第二优化模型对所述满足楼栋间距要求的楼栋排布信息中的楼栋排布进行重新规划,得到满足日照时长要求的楼栋排布信息。
8.根据权利要求6所述的装置,其特征在于,通过以下步骤得到所述初始楼栋排布信息:
在空白地块上随机排布多个楼栋,并输入每个栋楼的参数,得到所述初始楼栋排布信息,其中,所述参数包括:楼栋所在地块的坐标,楼栋俯视图的高和宽,楼栋的楼层高度以及旋转角度。
9.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器连接;
所述存储器,用于存储程序;
所述处理器,用于调用存储于所述存储器中的程序,以执行如权利要求1-4中任一项所述的方法。
10.一种存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器运行时,执行如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911029245.6A CN110796304A (zh) | 2019-10-25 | 2019-10-25 | 一种楼栋排布优化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911029245.6A CN110796304A (zh) | 2019-10-25 | 2019-10-25 | 一种楼栋排布优化方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110796304A true CN110796304A (zh) | 2020-02-14 |
Family
ID=69441421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911029245.6A Pending CN110796304A (zh) | 2019-10-25 | 2019-10-25 | 一种楼栋排布优化方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796304A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445059A (zh) * | 2020-03-06 | 2020-07-24 | 广东博智林机器人有限公司 | 一种土地规划初步模型的建模方法和*** |
CN111563290A (zh) * | 2020-04-30 | 2020-08-21 | 深圳集智数字科技有限公司 | 一种楼栋排布方法及装置 |
CN113158312A (zh) * | 2021-04-26 | 2021-07-23 | 深圳小库科技有限公司 | 建设用地的建筑方案生成方法、装置、存储介质及处理器 |
CN114528625A (zh) * | 2022-02-17 | 2022-05-24 | 深圳须弥云图空间科技有限公司 | 一种楼栋间距校验方法及装置 |
CN114547727A (zh) * | 2022-01-12 | 2022-05-27 | 万翼科技有限公司 | 楼栋排布方法、装置、电子设备和存储介质 |
CN117828705A (zh) * | 2024-01-11 | 2024-04-05 | 北京建筑大学 | 基于遗传算法搜索的住宅布局生成设计方法和*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341296A (zh) * | 2017-06-19 | 2017-11-10 | 中国建筑第八工程局有限公司 | 一种基于bim技术的高层群楼采光优化处理方法 |
CN110347670A (zh) * | 2019-07-17 | 2019-10-18 | 广联达科技股份有限公司 | 数字建筑历史数据沉淀的方法、***和计算机可读存储介质 |
-
2019
- 2019-10-25 CN CN201911029245.6A patent/CN110796304A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341296A (zh) * | 2017-06-19 | 2017-11-10 | 中国建筑第八工程局有限公司 | 一种基于bim技术的高层群楼采光优化处理方法 |
CN110347670A (zh) * | 2019-07-17 | 2019-10-18 | 广联达科技股份有限公司 | 数字建筑历史数据沉淀的方法、***和计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
卢玫等: "住区规划中日照环境优化设计策略探析", 《四川建筑科学研究》, no. 01, 25 February 2013 (2013-02-25) * |
潘智敏等: "建筑工程设计与项目管理", 吉林科学技术出版社, pages: 165 - 167 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445059A (zh) * | 2020-03-06 | 2020-07-24 | 广东博智林机器人有限公司 | 一种土地规划初步模型的建模方法和*** |
CN111563290A (zh) * | 2020-04-30 | 2020-08-21 | 深圳集智数字科技有限公司 | 一种楼栋排布方法及装置 |
CN111563290B (zh) * | 2020-04-30 | 2023-02-21 | 深圳集智数字科技有限公司 | 一种楼栋排布方法及装置 |
CN113158312A (zh) * | 2021-04-26 | 2021-07-23 | 深圳小库科技有限公司 | 建设用地的建筑方案生成方法、装置、存储介质及处理器 |
CN114547727A (zh) * | 2022-01-12 | 2022-05-27 | 万翼科技有限公司 | 楼栋排布方法、装置、电子设备和存储介质 |
CN114528625A (zh) * | 2022-02-17 | 2022-05-24 | 深圳须弥云图空间科技有限公司 | 一种楼栋间距校验方法及装置 |
CN117828705A (zh) * | 2024-01-11 | 2024-04-05 | 北京建筑大学 | 基于遗传算法搜索的住宅布局生成设计方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796304A (zh) | 一种楼栋排布优化方法、装置、电子设备及存储介质 | |
Butts et al. | Geographical variability and network structure | |
Alghais et al. | Modelling future impacts of urban development in Kuwait with the use of ABM and GIS | |
Karahan et al. | A new nonlinear Muskingum flood routing model incorporating lateral flow | |
Wang et al. | Sustainable transportation network design with stochastic demands and chance constraints | |
KR102166490B1 (ko) | 건축 및 건설 공사비 견적 시스템 및 장치 | |
CN102750411B (zh) | 基于多智能体离散选择模型城市动态微观仿真方法 | |
Liu et al. | Sustainable infrastructure design framework through integration of rating systems and building information modeling | |
Dahal et al. | An agent-integrated irregular automata model of urban land-use dynamics | |
CN113987664B (zh) | 建筑布局方案的生成方法、***、装置、终端和存储介质 | |
CN104134159A (zh) | 一种基于随机模型预测信息最大化传播范围的方法 | |
Simanaviciene et al. | A new approach to assessing the biases of decisions based on multiple attribute decision making methods | |
Nazarko et al. | Sectoral foresight in Poland: thematic and methodological analysis | |
KR102157775B1 (ko) | 부동산의 가치에 관한 정보를 제공하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체 | |
Li et al. | An integrated design of sustainable land use and transportation system with uncertainty in future population | |
Choudhary et al. | Influence of district features on energy consumption in non-domestic buildings | |
Zoraghein et al. | Data-enriched interpolation for temporally consistent population compositions | |
Oke et al. | Appraisal of the drivers of smart city development in South Africa | |
Zhang et al. | An optimization model for guiding pedestrian–vehicle mixed flows during an emergency evacuation | |
Nase et al. | Impact of quality-led design on real estate value: a spatiotemporal analysis of city centre apartments | |
Chen et al. | Gravitational scaling analysis on spatial diffusion of COVID-19 in Hubei Province, China | |
CN110413722B (zh) | 地址选择方法、装置以及非瞬时性存储介质 | |
Dong et al. | A review of approaches and applications in building stock energy and indoor environment modelling | |
CN108875032B (zh) | 区域类型确定方法及装置 | |
Damian et al. | Community-and data-driven services for multi-policy pedestrian routing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200214 |