CN111523189A - 一种建筑规划方法、装置、电子设备及存储介质 - Google Patents
一种建筑规划方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111523189A CN111523189A CN202010327079.4A CN202010327079A CN111523189A CN 111523189 A CN111523189 A CN 111523189A CN 202010327079 A CN202010327079 A CN 202010327079A CN 111523189 A CN111523189 A CN 111523189A
- Authority
- CN
- China
- Prior art keywords
- building
- area
- current building
- influence range
- information
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Structural Engineering (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种建筑规划方法、装置、电子设备及存储介质,该方法包括:获取地块的位置尺寸信息,以及当前建筑和已规划建筑的排布信息;根据当前建筑和已规划建筑的排布信息,确定当前建筑和已规划建筑的影响范围,进而确定影响范围的重叠面积;根据当前建筑的影响范围和地块的位置尺寸信息,确定地块的剩余面积;以重叠面积为零,剩余面积最大为目标,循环调整智能体的参数,通过调整参数的智能体输出调整信息,并根据调整信息对当前建筑的排布信息进行调整。根据每次调整排布信息后的重叠面积和剩余面积来动态调整智能体的参数,以使智能体自适应输出更精准的调整信息,能够高效地对建筑物进行规划排布,且可适用于任意区域地块。
Description
技术领域
本发明实施例涉及机器学习技术,尤其涉及一种建筑规划方法、装置、电子设备及存储介质。
背景技术
随着国内人口的不断增长和城市化进程的不断加快,城市建筑用地变得日趋紧张,土地资源变得越来越匮乏。房地产开发商在楼盘开发过程中需要建筑物满足诸多条件,例如足够的日照时长,良好的通风环境和适当的建筑物间距等,其中建筑物之间的退让距离是衡量楼盘开发是否合理的一项重要指标。传统的建筑规划中,建筑物之间的退让距离多使用数学建模的方式进行计算,该类方法建模过程复杂并且可移植性差,每个模型可能仅适用于部分区域地块。
发明内容
有鉴于此,本发明实施例提供了一种建筑规划方法、装置、电子设备及存储介质,能够高效地对建筑物进行规划排布,且可适用于任意区域地块。
第一方面,本发明实施例提供了一种建筑规划方法,包括:
获取地块的位置尺寸信息,以及当前建筑和已规划建筑的排布信息;
根据所述当前建筑和已规划建筑的排布信息,分别确定所述当前建筑和已规划建筑的影响范围;
根据所述当前建筑的影响范围和所述已规划建筑的影响范围,确定影响范围的重叠面积;
根据所述当前建筑的影响范围和所述地块的位置尺寸信息,确定所述地块的剩余面积;
以所述重叠面积为零,和所述剩余面积最大为目标,循环调整智能体的参数,通过调整参数的智能体输出调整信息,并根据所述调整信息对当前建筑的排布信息进行调整。
上述一个实施例具有如下优点或有益效果:通过智能体可实现对当前建筑的排布信息的循环调整,直至当前建筑与已规划的建筑的影响范围的重叠面积为零,和排布好当前建筑后地块的剩余面积最大。且在循环调整过程中,智能体可从环境中获取到每次调整排布信息后的重叠面积和剩余面积,并以此来动态调整参数,以使智能体下次输出的调整信息更有利于减小重叠面积和增大剩余面积。智能体在循环执行“输出调整信息-根据重叠面积和剩余面积调整参数”中进行强化学习,自适应输出更为准确的调整信息,能够高效地对建筑物进行规划排布,且该调整方法可适用于任意区域地块,解决了建模过程复杂且可移植性差的问题。
可选的,所述以所述重叠面积为零,和所述剩余面积最大为目标,循环调整智能体的参数,通过调整参数的智能体输出调整信息,包括:
循环将所述当前建筑的影响范围输入智能体,并通过所述智能体输出单步调整信息;
根据所述单步调整信息确定当前建筑的下一影响范围信息,根据所述下一影响范围信息、所述已规划建筑的影响范围和所述地块的尺寸信息,确定下一重叠面积和下一剩余面积;
根据所述下一重叠面积和所述下一剩余面积调整智能体的参数,根据所述下一影响范围更新所述当前建筑的影响范围,直至所述下一重叠面积为零,和所述下一剩余面积最大为止。
上述一个实施例具有如下优点或有益效果:通过智能体循环输出单步调整信息,实现对当前建筑的排布信息的逐步调整,以使经过逐步调整后的排布信息对应的重叠面积有减小趋势,剩余面积有增大趋势,最终实现重叠面积为零,和剩余面积最大的目标。
可选的,所述智能体包括结构相同的行动网络和评估网络;
相应的,所述根据所述下一重叠面积和所述下一剩余面积调整智能体的参数,包括:
通过下述损失函数调整智能体的参数:
其中,Qe为行动网络,Qt为评估网络,s为输入行动网络的当前建筑的影响范围,a为行动网络输出的单步调整信息,s’为评估网络预测的下一输入行动网络的当前建筑的影响范围,a’为评估网络预测的行动网络输出的下一单步调整信息,Sr为下一剩余面积,Si为当前建筑与第i个已规划建筑的下一重叠面积,n为自然数,α为学习率,γ为反馈衰减系数;
其中,以增大Sr和减小Si为目标,调整Qe和Qt中的参数。
上述一个实施例具有如下优点或有益效果:通过在智能体中设置结构相同的行动网络和评估网络,并利用评估网络来对行动网络当前输出的候选动作进行下一状态的预测,并将预测状态施加到行动网络上,可以提前向行动网络提供有关将候选动作的强化信号,以提高行动网络的学习速度。
可选的,所述行动网络和评估网络为全连接神经网络,且所述行动网络和评估网络的结构包括输入层,两个隐藏层和输出层。
上述一个实施例具有如下优点或有益效果:通过四层全连接神经网络,能够构建出智能体的行动网络和评估网络。
可选的,所述根据所述当前建筑和已规划建筑的排布信息,分别确定所述当前建筑和已规划建筑的影响范围,包括:
将所述当前建筑和已规划建筑的排布信息,输入预先训练的日照阴影计算模型,以通过所述日照阴影计算模型输出所述当前建筑和已规划建筑的影响范围;
其中,所述排布信息包括建筑的左上角位置坐标、长度、宽度和建筑高度,所述日照阴影计算模型为自编码神经网络。
上述一个实施例具有如下优点或有益效果:通过预先训练的自编码神经网络模型,能够实现根据建筑的排布信息计算建筑的日照阴影的影响范围。
可选的,所述根据所述当前建筑的影响范围和所述已规划建筑的影响范围,确定影响范围的重叠面积,包括:
根据下述公式计算影响范围的重叠面积:
wu=(w′+w′i)-[max(x′+w′,x′i+w′i)-min(x′,x′i)];
hu=(h′+h′i)-[max(y′+h′,y′i+h′i)-min(y′,y′i)];
su=wu×hu;
其中,(x′,y′)为当前建筑的影响范围的左上角位置坐标,w′和h′分别为当前建筑的影响范围的长和宽,(x′i,y′i)为第i个已规划建筑的影响范围的左上角位置坐标,w′i和h′i分别为第i个已规划建筑的影响范围的长和宽,i为自然数,wu为当前建筑和第i个已规划建筑的影响范围的重叠长度,hu为当前建筑和第i个已规划建筑的影响范围的重叠宽度,su为当前建筑和第i个已规划建筑的影响范围的重叠面积。
上述一个实施例具有如下优点或有益效果:通过上述公式,能够实现计算两建筑的矩形影响范围的重叠面积。
可选的,所述根据所述当前建筑的影响范围和所述地块的位置尺寸信息,确定所述地块的剩余面积,包括:
根据下述公式计算地块的剩余面积:
Wu=(W+w′)-[max(X+W,x′+w′)-min(X,x′)];
Hu=(H+h′)-[max(Y+H,y′+h′)-min(Y,y′)];
So=Wu×Hu;
Sr=S-So;
其中,(x′,y′)为当前建筑的影响范围的左上角位置坐标,w′和h′分别为当前建筑的影响范围的长和宽,(X,Y)为地块的左上角位置坐标,W和H分别为地块的长和宽,Wu为当前建筑的影响范围和地块的重叠长度,Hu为当前建筑的影响范围和地块的重叠宽度,So为当前建筑的影响范围和地块的重叠面积,S为地块可用面积,Sr为地块的剩余面积。
上述一个实施例具有如下优点或有益效果:通过上述公式,能够实现计算矩形的当前建筑的影响范围与矩形地块的重叠面积,且将地块排布当前建筑前的可用面积减去重叠面积,能够得到地块的剩余面积。
可选的,在所述根据所述调整信息对当前建筑的排布信息进行调整之后,还包括:
循环获取下一建筑的排布信息,并通过调整参数的智能体输出所述下一建筑的排布信息的调整信息,根据所述调整信息对所述下一建筑的排布信息进行调整,直至重叠面积大于零和/或剩余面积小于下一建筑的面积为止。
上述一个实施例具有如下优点或有益效果:能够实现在地块中排布好当前建筑之后,继续排布其他建筑,直到待规划的建筑与已规划建筑间重叠面积总大于零,和/或地块的剩余面积不足以放置待规划的建筑为止,从而实现了地块的充分利用,有利于地块中建筑的合理规划。
第二方面,本发明实施例还提供了一种建筑规划装置,包括:
信息获取模块,用于获取地块的位置尺寸信息,以及当前建筑和已规划建筑的排布信息;
影响范围确定模块,用于根据所述当前建筑和已规划建筑的排布信息,分别确定所述当前建筑和已规划建筑的影响范围;
重叠面积确定模块,用于根据所述当前建筑的影响范围和所述已规划建筑的影响范围,确定影响范围的重叠面积;
剩余面积确定模块,用于根据所述当前建筑的影响范围和所述地块的位置尺寸信息,确定所述地块的剩余面积;
排布调整模块,用于以所述重叠面积为零,和所述剩余面积最大为目标,调整智能体的参数,通过调整参数的智能体输出调整信息,并根据所述调整信息对当前建筑的排布信息进行调整。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任意实施例提供的建筑规划方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如本发明任意实施例提供的建筑规划方法。
本发明实施例提供的一种建筑规划方法、装置、电子设备及存储介质,该建筑规划方法包括:获取地块的位置尺寸信息,以及当前建筑和已规划建筑的排布信息;根据当前建筑和已规划建筑的排布信息,分别确定当前建筑和已规划建筑的影响范围;根据当前建筑的影响范围和已规划建筑的影响范围,确定影响范围的重叠面积;根据当前建筑的影响范围和地块的位置尺寸信息,确定地块的剩余面积;以重叠面积为零,和剩余面积最大为目标,循环调整智能体的参数,通过调整参数的智能体输出调整信息,并根据调整信息对当前建筑的排布信息进行调整。
通过智能体可实现对当前建筑的排布信息的循环调整,直至当前建筑与已规划的建筑的影响范围的重叠面积为零,和排布好当前建筑后地块的剩余面积最大。且在循环调整过程中,智能体可从环境中获取到每次调整排布信息后的重叠面积和剩余面积,并以此来动态调整参数,以使智能体下次输出的调整信息更有利于减小重叠面积和增大剩余面积。智能体在循环执行“输出调整信息-根据重叠面积和剩余面积调整参数”中进行强化学习,自适应输出更为准确的调整信息,能够高效地对建筑物进行规划排布,且该调整方法可适用于任意区域地块,解决了建模过程复杂且可移植性差的问题。
附图说明
图1是本发明实施例一提供的一种建筑规划方法的流程示意图;
图2是本发明实施例一提供的一种建筑规划方法中确定建筑的影响范围的流程示意图;
图3是本发明实施例一提供的一种建筑规划方法中地块的规划结果示意图;
图4是本发明实施例二提供的一种建筑规划方法的流程示意图;
图5是本发明实施例二提供的一种建筑规划方法中智能体强化学习的过程示意图;
图6是本发明实施例三提供的一种建筑规划装置的结构示意图;
图7是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。下述各实施例中,每个实施例中同时提供了可选特征和示例,实施例中记载的各个特征可进行组合,形成多个可选方案,不应将每个编号的实施例仅视为一个技术方案。
实施例一
图1是本发明实施例一提供的一种建筑规划方法的流程示意图,本实施例可适用于对任意区域地块上的建筑进行规划排布的情况。该方法可以由本发明实施例提供的建筑规划装置来执行,该建筑规划装置采用软件和/或硬件的方式实现,优选是配置于电子设备中,例如计算机设备中。
参见图1,本发明实施例提供的建筑规划方法,具体包括如下步骤:
S110、获取地块的位置尺寸信息,以及当前建筑和已规划建筑的排布信息。
强化学习可以理解为智能体产生动作,智能体所在环境根据该动作反馈奖赏,智能体根据奖赏和环境当前状态再产生下一动作,通过经历的“产生动作-接收奖赏”进行学习训练,动态调整参数,改进产生动作方案,以实现获得最大奖赏的目标。例如,智能体的某动作导致环境的正奖赏,那么智能体以后产生这个动作的趋势便会加强。
本发明实施例中,步骤S110-S140可以认为是实现智能体所在的建筑用地环境,通过该环境可向智能体输入当前建筑的排布状态,以及根据智能体输出的调整排布的动作反馈奖赏。而智能体可根据奖赏和当前建筑的排布状态进行强化学习,以及产生下一调整排布的动作,直至获得最大奖赏,也就实现了对当前建筑的规划。
本实施例中,地块的位置尺寸信息,包括但不限于地块在预设坐标系中左上角的位置坐标(X,Y),和地块的形状尺寸,例如当地块为矩形时,地块在预设坐标系中的长度W和宽度H;当前建筑和已规划建筑的排布信息,包括但不限于当前建筑和已规划建筑在同一预设坐标系中左上角的位置坐标(x,y),建筑的形状尺寸,例如当建筑向预设坐标系的投影面形状为矩形时,建筑的长度w和宽度h,以及建筑的高度η,例如建筑的排布信息可表示为[x,y,w,h,η]。其中,已规划建筑可以为空,也就是当前建筑为地块上第一个排布的建筑,且当已规划建筑不为空时,已规划建筑的排布信息可以是人为设置的排布信息,也可以是使用本发明实施例提供的智能体进行排布调整后的排布信息。其中,当前建筑的排布信息可以为随机生成的排布信息。
具体的,获取地块的位置尺寸信息,以及当前建筑和已规划建筑的排布信息,例如可以是从预设存储空间读取地块的位置尺寸信息和已规划建筑的排布信息,以及随机生成当前建筑的排布信息。
S120、根据当前建筑和已规划建筑的排布信息,分别确定当前建筑和已规划建筑的影响范围。
本发明实施例中,当前建筑和已规划建筑的影响范围可以认为是,当前建筑和已规划建筑放入地块所在区域后,根据区域的日照情况产生的阴影所确定的范围。其中,当前建筑和已规划建筑的影响范围,包括但不限于各影响范围在预设坐标系中左上角的位置坐标(x′,y′),以及各影响范围的形状尺寸,例如当影响范围皆看作矩形时,各影响范围在预设坐标系中的长度w′和宽度h′。具体的,可根据当前建筑和已规划建筑的排布信息、各建筑面形状和朝向角度等进行影响范围的确定。
可选的,根据当前建筑和已规划建筑的排布信息,分别确定当前建筑和已规划建筑的影响范围,包括:将当前建筑和已规划建筑的排布信息,输入预先训练的日照阴影计算模型,以通过日照阴影计算模型输出当前建筑和已规划建筑的影响范围;其中,排布信息包括建筑的左上角位置坐标、长度、宽度和建筑高度,日照阴影计算模型为自编码神经网络。
本实施例中,将当前建筑和已规划建筑看作规则的柱形,其向预设坐标系的投影面形状皆为矩形。通过端到端的有监督训练,可以得到具备对建筑进行日照阴影计算能力的日照阴影计算模型,使用训练好的日照阴影计算模型能够根据输入的排布信息计算对应的影响范围,有利于智能体调整建筑间排布的退让间距。
示例性的,图2是本发明实施例一提供的一种建筑规划方法中确定建筑的影响范围的流程示意图。参见图2,首先获取如(a)图所示的建筑的排布信息,将建筑看作规则的柱形,其向预设坐标系的投影面形状看作矩形,且建筑优选的可以为面向日照方向;然后使用日照阴影计算模型计算该建筑的阴影,得到阴影计算结果如(b)图所示;最后取阴影的外接矩形作为该建筑的影响范围,得到影响范围结果如(c)图所示。
S130、根据当前建筑的影响范围和已规划建筑的影响范围,确定影响范围的重叠面积。
本发明实施例中,当已规划建筑为空时,也就是当前建筑为地块上第一个排布的建筑,此时可直接确定重叠面积为零;当已规划建筑不为空时,可以计算当前建筑和每一个已规划建筑的影响范围的重叠面积。
可选的,根据当前建筑的影响范围和已规划建筑的影响范围,确定影响范围的重叠面积,包括:根据下述公式计算影响范围的重叠面积:
wu=(w′+w′i)-[max(x′+w′,x′i+w′i)-min(x′,x′i)]; (1-1)
hu=(h′+h′i)-[max(y′+h′,y′i+h′i)-min(y′,y′i)]; (1-2)
su=wu×hu; (1-3)
其中,将当前建筑和已规划建筑的影响范围皆看作矩形,(x′,y′)为当前建筑的影响范围在预设坐标系中的左上角位置坐标,w′和h′分别为当前建筑的影响范围在预设坐标系中的长和宽,(x′i,y′i)为第i个已规划建筑的影响范围在预设坐标系中的左上角位置坐标,w′i和h′i分别为第i个已规划建筑的影响范围在预设坐标系中的长和宽,i为自然数。通过公式(1-1)可以计算出当前建筑和第i个已规划建筑的影响范围的重叠长度wu,通过公式(1-2)可以计算出当前建筑和第i个已规划建筑的影响范围的重叠宽度hu,通过公式(1-3)可以计算出当前建筑和第i个已规划建筑的影响范围的重叠面积su。通过上述公式,可以分别计算出当前建筑和每一个规划建筑的矩形影像范围的重叠面积。
S140、根据当前建筑的影响范围和地块的位置尺寸信息,确定地块的剩余面积。
本发明实施例中,在保证建筑在地块内前提下,使建筑的影响范围尽可能的超出地块尺寸,有利于减少对地块面积的占用。计算地块的剩余面积,具体可以是将地块当前可以使用的面积减去地块和建筑影响范围的重叠面积。
可选的,根据当前建筑的影响范围和地块的位置尺寸信息,确定地块的剩余面积,包括:根据下述公式计算地块的剩余面积:
Wu=(W+w′)-[max(X+W,x′+w′)-min(X,x′)]; (1-4)
Hu=(H+h′)-[max(Y+H,y′+h′)-min(Y,y′)]; (1-5)
So=Wu×Hu; (1-6)
Sr=S-So; (1-7)
其中,将当前建筑的影响范围和地块形状皆看作矩形,(x′,y′)为当前建筑的影响范围在预设坐标系中的左上角位置坐标,w′和h′分别为当前建筑的影响范围在预设坐标系中的长和宽,(X,Y)为地块在预设坐标系中的左上角位置坐标,W和H分别为地块在预设坐标系中的长和宽。通过公式(1-4)可以计算出当前建筑的影响范围和地块的重叠长度Wu,通过公式(1-5)可以计算出当前建筑的影响范围和地块的重叠宽度Hu,通过公式(1-6)可以计算出当前建筑的影响范围和地块的重叠面积So,通过公式(1-7)中地块可用面积S减去重叠面积So,可以得到地块的剩余面积Sr。其中,可以将地块原始面积减去地块与已规划建筑的影响面积重叠面积后的面积作为可用面积。通过上述公式,可以计算出在地块上按排布信息排布当前建筑后的剩余面积。
S150、以重叠面积为零,和剩余面积最大为目标,循环调整智能体的参数,通过调整参数的智能体输出调整信息,并根据调整信息对当前建筑的排布信息进行调整。
本发明实施例中,通过执行步骤S110-S140,可以得到当前建筑按照当前的排布信息排布后,分别与已规划建筑的影响范围的重叠面积,以及地块的剩余面积。并且,可以将执行步骤S110-S140后得到的重叠面积和剩余面积作为奖赏反馈给智能体,以使智能体根据奖赏调节参数,且在调节参数后根据当前的影响范围信息输出调整信息。根据调整信息重新确定影响范围后,再次按照S130-S140步骤的方法,重新确定重叠面积和剩余面积,并将其作为奖赏再次反馈给智能体,智能体再次根据奖赏调节参数,且在调节参数后根据当前的影响范围信息再次输出调整信息,循环上述步骤,以实现“智能体输出调整信息-环境根据调整信息反馈重叠面积和剩余面积-智能体调整参数-智能体输出调整信息...”的强化学习,直到实现重叠面积为零和剩余面积最大的目标停止循环。其中,根据调整信息重新确定影响范围的过程中,当前建筑的排布信息也随之调整,且当循环停止时,即完成了当前建筑在地块中排布位置的规划调整。
可选的,在根据调整信息对当前建筑的排布信息进行调整之后,还包括:循环获取下一建筑的排布信息,并通过调整参数的智能体输出下一建筑的排布信息的调整信息,根据调整信息对下一建筑的排布信息进行调整,直至重叠面积大于零和/或剩余面积小于下一建筑的面积为止。
本发明实施例中,在排布完当前建筑之后可获取下一建筑的排布信息,并将其作为当前建筑的排布信息,再次执行步骤S110-S140,确定当前建筑分别与已规划建筑的影响范围的重叠面积,以及地块的剩余面积,将重叠面积和剩余面积作为奖赏反馈给智能体,以使智能体根据奖赏调节参数,且在调节参数后根据当前的排布信息再次输出调整信息,实现“智能体输出调整信息-环境根据调整信息反馈重叠面积和剩余面积-智能体调整参数-智能体输出调整信息...”的循环,直到实现重叠面积为零和剩余面积最大的目标为止,也就完成了下一建筑的规划排布。
按照上述方法继续排布其他建筑,直到待规划的建筑与已规划建筑间重叠面积总大于零,和/或地块的剩余面积不足以放置待规划的建筑为止,得到地块的规划结果可以如图3所示,其中实线框可以认为是地块的形状尺寸,地块中规划了多个建筑,实现了地块的充分利用,有利于地块中各建筑的合理规划排布。
本发明实施例提供的一种建筑规划方法,通过智能体可实现对当前建筑的排布信息的循环调整,直至当前建筑与已规划的建筑的影响范围的重叠面积为零,和排布好当前建筑后地块的剩余面积最大。且在循环调整过程中,智能体可从环境中获取到每次调整排布信息后的重叠面积和剩余面积,并以此来动态调整参数,以使智能体下次输出的调整信息更有利于减小重叠面积和增大剩余面积。智能体在循环执行“输出调整信息-根据重叠面积和剩余面积调整参数”中进行强化学习,自适应输出更为准确的调整信息,能够高效地对建筑物进行规划排布,且该调整方法可适用于任意区域地块,解决了建模过程复杂且可移植性差的问题。
实施例二
本实施例在上述实施例的基础上,对循环调整当前建筑的排布信息进行了优化,通过智能体循环输出单步调整信息,实现对当前建筑的排布信息的逐步调整,以使经过逐步调整后的排布信息对应的重叠面积有减小趋势,剩余面积有增大趋势,最终实现重叠面积为零,和剩余面积最大的目标。本实施例与上述实施例具有相同的发明构思,与上述实施例相同或相应的术语解释,本实施例不再赘述。
图4是本发明实施例二提供的一种建筑规划方法的流程示意图。参见图4,该建筑规划方法包括如下步骤:
S401、获取地块的位置尺寸信息,以及当前建筑和已规划建筑的排布信息。
S402、根据当前建筑和已规划建筑的排布信息,分别确定当前建筑和已规划建筑的影响范围。
S403、根据当前建筑的影响范围和已规划建筑的影响范围,确定影响范围的重叠面积。
S404、根据当前建筑的影响范围和地块的位置尺寸信息,确定地块的剩余面积。
S405、将当前建筑的影响范围输入智能体,并通过智能体输出单步调整信息。
本发明实施例中,将根据获取的当前建筑的排布信息首次计算得到的影响范围输入智能体,智能体基于初始设置的参数首次输出单步调整信息。其中,单步调整信息可以认为是,当前建筑的影响范围在预设坐标系中的左上角向纵轴正向、纵轴负向、横轴正向或横轴负向移动一个像素的调整信息,且当前建筑在预设坐标系中的左上角可以随影响范围的左上角进行相同动作的移动。具体的,智能体输出单步调整信息可以是,智能体输出影响范围在预设坐标系中的左上角向纵轴正向、纵轴负向、横轴正向和横轴负向移动一个像素的概率值,且将最大概率值对应方向的移动动作作为单步调整信息。
示例性的,智能体输出移动动作的概率值组[u,d,l,r],其中u可以表示影响范围在预设坐标系中的左上角向纵轴负向移动一个像素的概率,d可以表示影响范围在预设坐标系中的左上角向纵轴正向移动一个像素的概率,l可以表示影响范围在预设坐标系中的左上角向横轴负向移动一个像素的概率,r可以表示影响范围在预设坐标系中的左上角向横轴正向移动一个像素的概率。进一步可确定最大概率值对应的方向,并将影响范围在预设坐标系中的左上角向该对应的方向移动一个像素作为单步调整信息。
S406、根据单步调整信息确定当前建筑的下一影响范围信息,根据下一影响范围信息、已规划建筑的影响范围和地块的尺寸信息,确定下一重叠面积和下一剩余面积。
本发明实施例中,根据智能体首次输出的单步调整信息调整当前建筑的影响范围得到下一影响范围信息,同时当前建筑的排布信息也随之变化得到下一排布信息。示例性的,假设预设坐标纵轴向下为正,横轴向右为正,当前建筑的排布信息为[x,y,w,h,η],影响范围为[x’,y’,w’,h’]。当单步调整信息为向左移动一个像素时,则下一排布信息为[x-1,y,w,h,η],下一影响范围为[x’-1,y’,w’,h’];当单步调整信息为向右移动一个像素时,则下一排布信息为[x+1,y,w,h,η],下一影响范围为[x’+1,y’,w’,h’];当单步调整信息为向上移动一个像素时,则下一排布信息为[x,y-1,w,h,η],下一影响范围为[x’,y’-1,w’,h’];当单步调整信息为向下移动一个像素时,则下一排布信息为[x,y+1,w,h,η],下一影响范围为[x’,y’+1,w’,h’]。在得到下一影响范围之后,可以按照本发明任一实施例公开的确定重叠面积和剩余面积的方法,得到下一重叠面积和下一剩余面积。
S407、根据下一重叠面积和下一剩余面积调整智能体的参数,根据下一影响范围更新当前建筑的影响范围,跳转至S405步骤,直至下一重叠面积为零,和下一剩余面积最大为止。
本发明实施例中,环境将下一重叠面积和下一剩余面积作为奖赏反馈给智能体,智能体根据该奖赏首次更新模型中的参数,即调整智能体的参数,以输出更加准确的动作,使得再次接收到的下一重叠面积有减小趋势,和再次接收到的下一剩余面积有增大趋势。
其中,根据下一影响范围更新当前建筑的影响范围,可认为是将下一影响范围替代之前的当前建筑的影响范围。且在更新当前建筑的影响范围之后,可再次执行S405步骤,可认为是将更新后的当前建筑的影响范围输入智能体,并通过首次调整参数后的智能体再次输出单步调整信息;然后再次根据单步调整信息确定新的下一影响范围,得到新的下一重叠面积和新的下一剩余面积;根据新的下一重叠面积和新的下一剩余面积第二次调整智能体的参数,根据新的下一影响范围更新当前建筑的影响范围,并再次跳转至S405步骤,直至下一重叠面积为零,和下一剩余面积最大为止,停止循环。
可选的,智能体包括结构相同的行动网络和评估网络;相应的,根据下一重叠面积和下一剩余面积调整智能体的参数,包括:通过下述损失函数调整智能体的参数:
其中,Qe为行动网络,Qt为评估网络,s为输入行动网络的当前建筑的影响范围,a为行动网络输出的单步调整信息,s’为评估网络预测的下一输入行动网络的当前建筑的影响范围,可以认为是下一影响范围,a’为评估网络预测的行动网络输出的下一单步调整信息,Sr为下一剩余面积,Si为当前建筑与第i个已规划建筑的下一重叠面积,n为自然数,α为学习率,γ为反馈衰减系数;其中,以增大Sr和减小Si为目标,调整Qe和Qt中的参数。
本实施例中,通过在智能体中设置结构相同的行动网络和评估网络,并利用评估网络来对行动网络当前输出的候选动作进行下一状态的预测,并将预测状态施加到行动网络上,可以提前向行动网络提供有关将候选动作的强化信号,以提高行动网络的学习速度。
进一步的,行动网络和评估网络为全连接神经网络,且行动网络和评估网络的结构包括输入层,两个隐藏层和输出层。
本实施例中,行动网络和评估网络为全连接神经网络,其输入层可以包括4个神经元,用于分别输入4维的当前建筑的影响范围[x’,y’,w’,h’];在此基础上也可以进一步输入建筑的高度信息η,即输入层也可以包括5个神经元,用于输入5维的数据[x’,y’,w’,h’,η];其输出层可以包括4个神经元,用于输出4维的移动动作的概率值组[u,d,l,r],分别表示智能体要求影响范围在预设坐标系中的左上角向纵轴正向、纵轴负向、横轴正向和横轴负向移动一个像素的概率值;其两个隐藏层的神经元可以分别为64个,但不限于此。通过四层全连接神经网络,能够构建出智能体的行动网络和评估网络。
示例性的,图5是本发明实施例二提供的一种建筑规划方法中智能体强化学习的过程示意图。参见图5,图中左侧虚框表示智能体所在环境,虚框中的实线框表示地块的形状尺寸,地块中存在一颜色较深的已规划建筑,以及正在规划的颜色较浅的当前建筑;图中右侧实线框表示智能体,智能体中两个结构相同的行动网络和评估网络,行动网络和评估网络为全连接神经网络,且行动网络和评估网络的结构包括4维输入层,两个隐藏层和4维输出层。
在参见图5,环境向智能体输入的状态s为当前建筑的影响范围,智能体向环境输出的动作a为当前建筑的影响范围的调整信息,环境根据该动作向智能体反馈的奖赏r为重叠面积和剩余面积。通过“智能体输出调整信息-环境根据调整信息反馈重叠面积和剩余面积-智能体调整参数-智能体输出调整信息...”的强化学习,直到实现重叠面积为零和剩余面积最大的目标停止循环,实现当前建筑在地块中排布位置的规划调整。
本实施例提供的建筑规划方法,通过智能体循环输出单步调整信息,且智能体可从环境中获取到每次单步调整排布信息后的重叠面积和剩余面积,并以此来动态调整参数,以使智能体下次输出的单步调整信息更有利于重叠面积减小,和剩余面积增大,实现对当前建筑的排布信息的逐步调整,最终实现重叠面积为零,和剩余面积最大的目标。此外,本实施例与上述实施例具有相同的发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例可达到与上述实施例相同的有益效果。
实施例三
图6是本发明实施例三提供的一种建筑规划装置的结构示意图。应用该建筑规划装置可以实现本发明任一实施例所提供的建筑规划方法。
参见图6,模型建筑规划装置包括:
信息获取模块610,用于获取地块的位置尺寸信息,以及当前建筑和已规划建筑的排布信息;
影响范围确定模块620,用于根据当前建筑和已规划建筑的排布信息,分别确定当前建筑和已规划建筑的影响范围;
重叠面积确定模块630,用于根据当前建筑的影响范围和已规划建筑的影响范围,确定影响范围的重叠面积;
剩余面积确定模块640,用于根据当前建筑的影响范围和地块的位置尺寸信息,确定地块的剩余面积;
排布调整模块650,用于以重叠面积为零,和剩余面积最大为目标,调整智能体的参数,通过调整参数的智能体输出调整信息,并根据调整信息对当前建筑的排布信息进行调整。
可选的,排布调整模块,包括:单步调整信息输出子模块,用于循环将当前建筑的影响范围输入智能体,并通过智能体输出单步调整信息;
相应的,影响范围确定模块还用于根据单步调整信息确定当前建筑的下一影响范围信息;重叠面积确定模块和剩余面积确定模块,还分别用于根据下一影响范围信息、已规划建筑的影响范围和地块的尺寸信息,确定下一重叠面积和下一剩余面积;
排布调整模块,还包括:参数调整子模块,用于根据下一重叠面积和下一剩余面积调整智能体的参数;
影响范围确定模块,还包括:影响范围更新子模块,用于根据下一影响范围更新当前建筑的影响范围;
相应的,单步调整信息输出子模块再次根据更新后的影响范围输出单步调整信息;影响范围确定模块、重叠面积确定模块和剩余面积确定模块再次分别确定下一影响范围信息、下一重叠面积和下一剩余面积;参数调整子模块再次根据下一重叠面积和下一剩余面积调整智能体的参数;影响范围更新子模块再次根据下一影响范围更新当前建筑的影响范围;循环执行上述操作,直至下一重叠面积为零,和下一剩余面积最大为止。
可选的,智能体包括结构相同的行动网络和评估网络;
相应的,参数调整子模块,具体用于:通过下述损失函数调整智能体的参数:
其中,Qe为行动网络,Qt为评估网络,s为输入行动网络的当前建筑的影响范围,a为行动网络输出的单步调整信息,s’为评估网络预测的下一输入行动网络的当前建筑的影响范围,a’为评估网络预测的行动网络输出的下一单步调整信息,Sr为下一剩余面积,Si为当前建筑与第i个已规划建筑的下一重叠面积,n为自然数,α为学习率,γ为反馈衰减系数;其中,以增大Sr和减小Si为目标,调整Qe和Qt中的参数。
进一步的,行动网络和评估网络为全连接神经网络,且行动网络和评估网络的结构包括输入层,两个隐藏层和输出层。
可选的,影响范围确定模块,具体用于:将当前建筑和已规划建筑的排布信息,输入预先训练的日照阴影计算模型,以通过日照阴影计算模型输出当前建筑和已规划建筑的影响范围;其中,排布信息包括建筑的左上角位置坐标、长度、宽度和建筑高度,日照阴影计算模型为自编码神经网络。
可选的,重叠面积确定模块,具体用于:根据下述公式计算影响范围的重叠面积:
wu=(w′+w′i)-[max(x′+w′,x′i+w′i)-min(x′,x′i)];
hu=(h′+h′i)-[max(y′+h′,y′i+h′i)-min(y′,y′i)];
su=wu×hu;
其中,(x′,y′)为当前建筑的影响范围的左上角位置坐标,w′和h′分别为当前建筑的影响范围的长和宽,(x′i,y′i)为第i个已规划建筑的影响范围的左上角位置坐标,w′i和h′i分别为第i个已规划建筑的影响范围的长和宽,i为自然数,wu为当前建筑和第i个已规划建筑的影响范围的重叠长度,hu为当前建筑和第i个已规划建筑的影响范围的重叠宽度,su为当前建筑和第i个已规划建筑的影响范围的重叠面积。
可选的,剩余面积确定模块,具体用于:根据下述公式计算地块的剩余面积:
Wu=(W+w′)-[max(X+W,x′+w′)-min(X,x′)];
Hu=(H+h′)-[max(Y+H,y′+h′)-min(Y,y′)];
So=Wu×Hu;
Sr=S-So;
其中,(x′,y′)为当前建筑的影响范围的左上角位置坐标,w′和h′分别为当前建筑的影响范围的长和宽,(X,Y)为地块的左上角位置坐标,W和H分别为地块的长和宽,Wu为当前建筑的影响范围和地块的重叠长度,Hu为当前建筑的影响范围和地块的重叠宽度,So为当前建筑的影响范围和地块的重叠面积,S为地块可用面积,Sr为地块的剩余面积。
可选的,建筑规划装置,还用于:循环获取下一建筑的排布信息,并通过调整参数的智能体输出下一建筑的排布信息的调整信息,根据调整信息对下一建筑的排布信息进行调整,直至重叠面积大于零和/或剩余面积小于下一建筑的面积为止。
本发明实施例所提供的模型建筑规划装置可执行本发明任一实施例所提供的建筑规划方法,具备执行方法相应的功能模块和有益效果。未详尽描述的技术细节,可参见本发明任一实施例所提供的建筑规划方法。
实施例四
图7是本发明实施例四提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。设备12典型的是承担模型训练或者功能的电子设备。
如图7所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,存储器28,连接不同组件(包括存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及***组件互连(Peripheral Component Interconnect,PCI)总线。
电子设备12典型地包括多种计算机可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机装置可读介质,例如随机存取存储器(Random Access Memory,RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品40,该程序产品40具有一组程序模块42,这些程序模块被配置以执行本发明各实施例的功能。程序产品40,可以存储在例如存储器28中,这样的程序模块42包括但不限于一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、鼠标、摄像头等和显示器)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网WideArea Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)装置、磁带驱动器以及数据备份存储装置等。
处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的建筑规划方法,该方法包括:
获取地块的位置尺寸信息,以及当前建筑和已规划建筑的排布信息;根据当前建筑和已规划建筑的排布信息,分别确定当前建筑和已规划建筑的影响范围;根据当前建筑的影响范围和已规划建筑的影响范围,确定影响范围的重叠面积;根据当前建筑的影响范围和地块的位置尺寸信息,确定地块的剩余面积;以重叠面积为零,和剩余面积最大为目标,循环调整智能体的参数,通过调整参数的智能体输出调整信息,并根据调整信息对当前建筑的排布信息进行调整。
当然,本领域技术人员可以理解,处理器还可以实现本发明任一实施例所提供的建筑规划方法或者方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的建筑规划方法,该方法包括:
获取地块的位置尺寸信息,以及当前建筑和已规划建筑的排布信息;根据当前建筑和已规划建筑的排布信息,分别确定当前建筑和已规划建筑的影响范围;根据当前建筑的影响范围和已规划建筑的影响范围,确定影响范围的重叠面积;根据当前建筑的影响范围和地块的位置尺寸信息,确定地块的剩余面积;以重叠面积为零,和剩余面积最大为目标,循环调整智能体的参数,通过调整参数的智能体输出调整信息,并根据调整信息对当前建筑的排布信息进行调整。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序不限于如上的方法操作,还可以执行本发明任一实施例所提供的建筑规划方法或者方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种建筑规划方法,其特征在于,包括:
获取地块的位置尺寸信息,以及当前建筑和已规划建筑的排布信息;
根据所述当前建筑和已规划建筑的排布信息,分别确定所述当前建筑和已规划建筑的影响范围;
根据所述当前建筑的影响范围和所述已规划建筑的影响范围,确定影响范围的重叠面积;
根据所述当前建筑的影响范围和所述地块的位置尺寸信息,确定所述地块的剩余面积;
以所述重叠面积为零,和所述剩余面积最大为目标,循环调整智能体的参数,通过调整参数的智能体输出调整信息,并根据所述调整信息对当前建筑的排布信息进行调整。
2.根据权利要求1所述的方法,其特征在于,所述以所述重叠面积为零,和所述剩余面积最大为目标,循环调整智能体的参数,通过调整参数的智能体输出调整信息,包括:
循环将所述当前建筑的影响范围输入智能体,并通过所述智能体输出单步调整信息;
根据所述单步调整信息确定当前建筑的下一影响范围信息,根据所述下一影响范围信息、所述已规划建筑的影响范围和所述地块的尺寸信息,确定下一重叠面积和下一剩余面积;
根据所述下一重叠面积和所述下一剩余面积调整智能体的参数,根据所述下一影响范围更新所述当前建筑的影响范围,直至所述下一重叠面积为零,和所述下一剩余面积最大为止。
4.根据权利要求3所述的方法,其特征在于,所述行动网络和评估网络为全连接神经网络,且所述行动网络和评估网络的结构包括输入层,两个隐藏层和输出层。
5.根据权利要求1所述的方法,其特征在于,所述根据所述当前建筑和已规划建筑的排布信息,分别确定所述当前建筑和已规划建筑的影响范围,包括:
将所述当前建筑和已规划建筑的排布信息,输入预先训练的日照阴影计算模型,以通过所述日照阴影计算模型输出所述当前建筑和已规划建筑的影响范围;
其中,所述排布信息包括建筑的左上角位置坐标、长度、宽度和建筑高度,所述日照阴影计算模型为自编码神经网络。
6.根据权利要求1所述的方法,其特征在于,所述根据所述当前建筑的影响范围和所述已规划建筑的影响范围,确定影响范围的重叠面积,包括:
根据下述公式计算影响范围的重叠面积:
wu=(w′+wi′)-[max(x′+w′,xi′+wi′)-min(x′,xi′)];
hu=(h′+hi′)-[max(y′+h′,yi′+hi′)-min(y′,yi′)];
su=wu×hu;
其中,(x′,y′)为当前建筑的影响范围的左上角位置坐标,w′和h′分别为当前建筑的影响范围的长和宽,(xi′,yi′)为第i个已规划建筑的影响范围的左上角位置坐标,wi′和hi′分别为第i个已规划建筑的影响范围的长和宽,i为自然数,wu为当前建筑和第i个已规划建筑的影响范围的重叠长度,hu为当前建筑和第i个已规划建筑的影响范围的重叠宽度,su为当前建筑和第i个已规划建筑的影响范围的重叠面积。
7.根据权利要求1所述的方法,其特征在于,所述根据所述当前建筑的影响范围和所述地块的位置尺寸信息,确定所述地块的剩余面积,包括:
根据下述公式计算地块的剩余面积:
Wu=(W+w′)-[max(X+W,x′+w′)-min(X,x′)];
Hu=(H+h′)-[max(Y+H,y′+h′)-min(Y,y′)];
So=Wu×Hu;
Sr=S-So;
其中,(x′,y′)为当前建筑的影响范围的左上角位置坐标,w′和h′分别为当前建筑的影响范围的长和宽,(X,Y)为地块的左上角位置坐标,W和H分别为地块的长和宽,Wu为当前建筑的影响范围和地块的重叠长度,Hu为当前建筑的影响范围和地块的重叠宽度,So为当前建筑的影响范围和地块的重叠面积,S为地块可用面积,Sr为地块的剩余面积。
8.根据权利要求1-7任一项所述的方法,其特征在于,在所述根据所述调整信息对当前建筑的排布信息进行调整之后,还包括:
循环获取下一建筑的排布信息,并通过调整参数的智能体输出所述下一建筑的排布信息的调整信息,根据所述调整信息对所述下一建筑的排布信息进行调整,直至重叠面积大于零和/或剩余面积小于下一建筑的面积为止。
9.一种建筑规划装置,其特征在于,包括:
信息获取模块,用于获取地块的位置尺寸信息,以及当前建筑和已规划建筑的排布信息;
影响范围确定模块,用于根据所述当前建筑和已规划建筑的排布信息,分别确定所述当前建筑和已规划建筑的影响范围;
重叠面积确定模块,用于根据所述当前建筑的影响范围和所述已规划建筑的影响范围,确定影响范围的重叠面积;
剩余面积确定模块,用于根据所述当前建筑的影响范围和所述地块的位置尺寸信息,确定所述地块的剩余面积;
排布调整模块,用于以所述重叠面积为零,和所述剩余面积最大为目标,调整智能体的参数,通过调整参数的智能体输出调整信息,并根据所述调整信息对当前建筑的排布信息进行调整。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8中任一所述的建筑规划方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的建筑规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327079.4A CN111523189B (zh) | 2020-04-23 | 2020-04-23 | 一种建筑规划方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327079.4A CN111523189B (zh) | 2020-04-23 | 2020-04-23 | 一种建筑规划方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523189A true CN111523189A (zh) | 2020-08-11 |
CN111523189B CN111523189B (zh) | 2023-04-07 |
Family
ID=71903981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010327079.4A Active CN111523189B (zh) | 2020-04-23 | 2020-04-23 | 一种建筑规划方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523189B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950071A (zh) * | 2020-09-14 | 2020-11-17 | 洛阳众智软件科技股份有限公司 | 一种实现建筑ai动态排布的解决方法及设备 |
CN113361827A (zh) * | 2021-07-22 | 2021-09-07 | 四川信息职业技术学院 | 一种基于强化学习的土地规划优化算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150134394A1 (en) * | 2013-11-14 | 2015-05-14 | Mark S. Sands | System for planning a building project |
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 |
CN109271683A (zh) * | 2018-08-29 | 2019-01-25 | 同济大学 | 一种面向日照约束的建筑群自动排布算法 |
-
2020
- 2020-04-23 CN CN202010327079.4A patent/CN111523189B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150134394A1 (en) * | 2013-11-14 | 2015-05-14 | Mark S. Sands | System for planning a building project |
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 |
CN109271683A (zh) * | 2018-08-29 | 2019-01-25 | 同济大学 | 一种面向日照约束的建筑群自动排布算法 |
Non-Patent Citations (2)
Title |
---|
王会一: "建筑日照计算中遮挡影响范围的合理界定", 《土木建筑工程信息技术》 * |
金超逸等: "基于建筑信息模型(BIM)的建筑空间功能分类方法", 《计算机应用与软件》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950071A (zh) * | 2020-09-14 | 2020-11-17 | 洛阳众智软件科技股份有限公司 | 一种实现建筑ai动态排布的解决方法及设备 |
CN113361827A (zh) * | 2021-07-22 | 2021-09-07 | 四川信息职业技术学院 | 一种基于强化学习的土地规划优化算法 |
CN113361827B (zh) * | 2021-07-22 | 2021-11-02 | 四川信息职业技术学院 | 一种基于强化学习的土地规划优化算法 |
Also Published As
Publication number | Publication date |
---|---|
CN111523189B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110874578B (zh) | 一种基于强化学习的无人机视角车辆识别追踪方法 | |
CN111523189B (zh) | 一种建筑规划方法、装置、电子设备及存储介质 | |
CN106803071A (zh) | 一种图像中的物体检测方法及装置 | |
CN109690576A (zh) | 在多个机器学习任务上训练机器学习模型 | |
CN108305275A (zh) | 主动跟踪方法、装置及*** | |
CN111185008B (zh) | 用于控制游戏中的虚拟角色的方法和设备 | |
CN103365720B (zh) | 用于多线程环境下动态调整全局堆分配的方法和*** | |
CN112052948B (zh) | 一种网络模型压缩方法、装置、存储介质和电子设备 | |
CN110263713B (zh) | 车道线检测方法、装置、电子设备及存储介质 | |
CN114139637A (zh) | 多智能体信息融合方法、装置、电子设备及可读存储介质 | |
CN115511186A (zh) | 一种深度学习训练时长的预测管理方法、装置及设备 | |
CN115062926A (zh) | 基于强化学习和数字孪生的拥挤缓解策略确定方法及装置 | |
CN111488280B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111008622B (zh) | 一种图像对象检测方法、装置以及计算机可读存储介质 | |
CN110826695B (zh) | 数据处理方法、装置和计算机可读存储介质 | |
CN112907750A (zh) | 一种基于卷积神经网络的室内场景布局估计方法及*** | |
CN113435466A (zh) | 电梯门位置和开关状态的检测方法、装置、介质和终端 | |
CN116152419A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN112949850B (zh) | 超参数确定方法、装置、深度强化学习框架、介质及设备 | |
CN112926681B (zh) | 一种基于深度卷积神经网络的目标检测方法及装置 | |
CN113052252B (zh) | 超参数确定方法、装置、深度强化学习框架、介质及设备 | |
CN115445188B (zh) | 一种网格地图元素的优化方法和装置 | |
CN112926629B (zh) | 超参数确定方法、装置、深度强化学习框架、介质及设备 | |
CN117542085B (zh) | 基于知识蒸馏的园区场景行人检测方法、装置及设备 | |
CN111709513B (zh) | 长短期记忆网络lstm的训练***、方法及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |