CN114626129B - 一种户型布局生成方法及装置 - Google Patents

Abstract

本发明涉及一种户型布局生成方法及装置，其中所述方法包括：获取当前户型状态及一个或多个待部署房间的房间信息；根据所述当前户型状态及一个或多个待部署房间的房间信息进行多次蒙特卡洛树搜索，得到搜索结果；根据所述搜索结果，对所述一个或多个待部署房间中的一个待部署房间进行部署。本发明基于评价函数对蒙特卡洛树搜索结果进行引导，可通过对评价函数进行调整或增减来适应不同设计条件，从而具有了更强的灵活性与拓展性，同时可有效压缩搜索空间，提高搜索效率，从而得到更理想的户型布局结果。

Description

一种户型布局生成方法及装置

技术领域

本发明涉及住宅智能化设计技术领域，尤其涉及一种户型布局生成方法及装置。

背景技术

房屋设计是一种较为专业且复杂的工作，通常需要设计者接收多年的设计培训以及一定的经验积累，需要结合自身专业知识以及设计经验来进行平面布局设计。设计者在设计过程中，需要手动绘制房间区域，例如在户型图中绘制出餐厅、客厅、卧室、卫生间等区域的形状和位置关系，因此需要一种方法来辅助设计人员或非专业人员进行自动化户型房间排布。

近些年来，众多研究通过深度学***面。生成式对抗网络于2014年由Goodfel low提出。2017年Isola P等人提出了pixel2pixel，将GAN用于生成建筑立面等方面。2018年Huang等人将GAN用于生成住宅户型平面图片。随后，Nauata N等人提出了House GAN和House GAN++，将房间关系“图”作为生成条件，生成户型布局。

GAN主要结构为两个神经网络——生成网络(generator)和判别网络(discriminator)。生成网络负责生成目标数据，判别网络负责对生成数据和真实数据进行区分。训练过程是让生成网络和判别网络进行博弈，生成网络的优化目标为使生成数据分布不断趋近于真实数据分布，判别网络的优化目标为将生成数据同真实数据最大限度地区分开。由于判别模型的存在，使得生成网络在没有大量先验知识的前提下也能很好的去学习逼近真实数据分布，并最终让生成结果达到以假乱真的效果。

但生成式对抗网络的训练往往需要大量数据，在数据量有限的情况下，模型的泛化能力往往受到影响。同时，由于模型学习的是数据的特征，所以某种程度上数据的质量便决定了模型训练的效果。而对于住宅户型而言，由于市场上的户型本身就存在优劣之分，完全基于这些户型训练会影响到生成结果的质量。同时，由于不同地区对住宅设计的要求往往不同，相关设计规范也会随着时代的变化不断进行更改，基于特定数据训练得到的模型往往难以适应这些差异和变化。

同时，在建筑设计领域，研究者通常使用元启发式算法对建筑能耗、通风、采光等性能进行优化。元启发式算法可通过随机或近似随机方法搜索非线性复杂空间中符合目标函数约束的理想变量组合，是一种随机算法与局部搜索算法相结合的产物，用于解决优化问题。包括模拟退火算法、遗传算法、蚁群优化算法、粒子群优化算法、人工鱼群算法等，这类算法在搜索过程中带有一定的盲目性，由于不易对搜索的方向性进行精确约束，在迭代过程中会产生大量的无用解从而影响算法的效率。在对建筑性能进行优化时，建筑空间布局往往已经大致确定，只需要对建筑形体进行有限的调整，因此搜索空间相对较小。同时，由于建筑性能优化目标多为优化结果好于当前结果即可，因此可行解较多，在这类问题上元启发算法具有较好的适用性。但对于住宅户型布局而言，由于外部环境条件限制，以及内部房间之间复杂的关联关系，在众多变量组合条件下，可行解数量很少，且搜索空间往往巨大，导致元启发算法无论从运行效率还是结果来看，其适用性均不理想。此外，在实际工程实践中，由于很多问题的搜索空间巨大，存在很多局部极值，导致算法容易陷入局部最优，无法得到有效结果。

因此，需要一种新的方法通过计算机辅助设计人员或非专业人员进行自动化户型房间排布，探索合理的住宅户型布局。

发明内容

有鉴于此，本申请实施例提供了一种户型布局生成方法及装置。

第一方面，本申请提供一种户型布局生成方法，包括：

获取当前户型状态及一个或多个待部署房间的房间信息；

根据所述当前户型状态及一个或多个待部署房间的房间信息进行多次蒙特卡洛树搜索，得到搜索结果；

根据所述搜索结果，对所述一个或多个待部署房间中的一个待部署房间进行部署。

优选地，所述获取当前户型状态包括：

获取户型的设计条件，所述设计条件包括所述户型的边界范围、主入口位置、采光面、相邻建筑信息，根据所述设计条件确定当前户型状态。

优选地，所述根据所述当前户型状态及一个或多个待部署房间的房间信息进行多次蒙特卡洛树搜索，得到搜索结果包括：

根据所述当前户型状态构建当前搜索图，每个搜索图的节点表征一个待部署房间的一种部署情况；

确定所述一个或多个待部署房间中的当前待部署房间的房间信息，通过蒙特卡洛树搜索对所述当前搜索图进行若干次运算，得到搜索结果，所述搜索结果包括所述当前搜索图的最优节点。

优选地，所述通过蒙特卡洛树搜索对所述当前搜索图进行若干次运算的每一次运算包括：根据当前搜索图选择一个节点作为根节点，并基于所述根节点对所述根节点进行拓展，得到若干第一子节点；

通过剪枝方法对所述若干第一子节点进行筛选，得到若干第二子节点，所述第二子节点表征剪枝后的实际可拓展节点；

基于所述第二子节点进行随机搜索，通过评价函数将随机搜索后得到的结果进行评价；

根据评价函数得分，更新所述搜索图中相关节点的权重，所述最优节点为权重最大的节点。

优选地，所述更新所述搜索图中相关节点的权重的具体公式为：

式中，W表征节点的权重，n_j表征子节点被访问的次数，q_j表征子节点，

表征子节点q_j在i次模拟中的值，i表征模拟次数，n表征根节点被访问的总次数，c表征超参数。

优选地，所述通过剪枝方法对所述若干第一子节点进行筛选包括位置剪枝和尺寸剪枝。

优选地，所述位置剪枝的具体公式为：

式中，

表征第i个房间可放置的坐标集合，

表征与第i个房间相邻房间的可放置点，

表征第i个房间放置时的剩余空白区域可放置点，

表征需要与第i个房间相邻房间的可放置点x轴和y轴坐标，

表征第i个房间放置时的剩余空白区域的可放置点x轴和y轴坐标。

优选地，所述尺寸剪枝的具体公式为：

式中，

表征第i个房间可放置的房间集合，

表征第i个房间可放置的坐标集合，

表征第i个房间的宽度集合，

表征第i个房间的深度集合。

优选地，所述通过评价函数将随机搜索后得到的结果进行评价包括房间数量评价、相交面积评价、过道评价，其中，所述过道评价包括过道面积评价、过道和房间相邻情况评价、过道宽度评价。

第二方面，本申请提供一种户型布局生成装置，包括：

获取模块，用于获取当前户型状态及一个或多个待部署房间的房间信息；

搜索模块，用于根据所述当前户型状态及一个或多个待部署房间的房间信息进行多次蒙特卡洛树搜索，得到搜索结果；

部署模块，用于根据所述搜索结果，对所述一个或多个待部署房间中的一个待部署房间进行部署。

第三方面，本申请提供一种计算设备，包括处理器和存储器，其中，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器运行时，执行如第一方面任一项实施例所述的方法。

第四方面，本申请提供一种计算机可读存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如第一方面任一项实施例所述的方法。

本申请基于评价函数对结果进行引导，可通过对评价函数进行调整或增减来适应不同设计条件，从而具有了更强的灵活性与拓展性，同时可有效压缩搜索空间，提高搜索效率，从而得到更理想的户型布局结果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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发明的一些实施例，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它的附图。

图1为本申请实施例提供的技术方案的应用场景示意图；

图2为本申请实施例提供的基于蒙特卡洛树搜索的户型生成过程示意；

图3为本申请实施例提供的户型布局生成方法流程示意图；

图4为本申请实施例提供的户型布局生成方法步骤示意图；

图5为本申请实施例提供的户型矢量化方法示意；

图6为本申请实施例提供的户型布局生成装置示意图；

图7示出了本说明书实施例所提供的一种计算机设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。

为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。

图1为本申请实施例提供的技术方案的应用场景示意图。如图1所示，通过本申请的技术方案，可以在现有建筑的户型平面图上对建筑进行合理的布局。此外，需要说明的是，在本申请中，主要以住宅的户型布局生成为例来进行描述。可以理解的是，住宅可以等同的替换为其它各种可能的业务场景中的建筑。

图2为本申请实施例提供的基于蒙特卡洛树搜索的户型生成过程示意。如图2所示，本发明的生成户型的过程为顺序生成，即不同的待部署房间按照一定顺序一个个部署进边界范围。首先，需要根据设计条件(边界条件、房间类型等)初始化户型状态。其次，基于当前户型状态，通过蒙特卡洛树搜索算法对剩余房间布置的可能性进行探索，并根据评价函数结果和上限置信区间算法公式计算得出不同房间布置方式的可行概率，进而选择最优的房间部署策略，并输出即将放置房间的矢量参数。第三，根据输出房间的矢量参数更新户型状态，并再次进行蒙特卡洛树搜索。通过不断循环以上步骤，直到所有房间布置完毕。

蒙特卡洛树搜索用于解决最优决策问题。其通过构建树状搜索图，对问题的各类可行解进行搜索，并根据结果对目标的满足程度更新搜索图中各节点的权重，最终根据节点的权重选择下一步动作，实现行动决策。这一方法结合了随机模拟的一般性和树搜索的准确性，通过随机模拟可以获得不同策略的可行概率；通过对树节点进行剪枝可以排除大量不必要选项，压缩搜索空间，实现对搜索空间较大问题的有效求解。蒙特卡洛树搜索通常应用于诸如象棋、围棋等组合博弈问题，但在其它领域中也有着广泛的应用。

本发明所针对的户型布局问题为组合优化问题，即在给定边界条件内求解各类房间的最优组合。通过蒙特卡洛树搜索，可以实现对不同房间放置位置和尺寸的最优决策，从而得到理想的户型布局。

图3为本申请实施例提供的户型布局生成方法流程示意图。如图3所示，本申请的户型布局生成方法，首先确定设计条件，包括外部环境以及待部署房间信息。接着，根据设计条件初始化户型状态，根据户型状态构建搜索图。接着，基于构建的搜索图，通过蒙特卡洛树搜索算法对户型的可能的布置情况进行探索。蒙特卡洛树搜索算法分为选择、拓展、模拟、反向传播四步。

在选择阶段，根据当前搜索图选择一个节点作为根节点，并基于根节点进行拓展。

在拓展阶段，根据当前户型房间状态确定下一步房间放置的可能性，并通过剪枝函数对这些可能性进行筛选，得到剪枝后的实际可拓展节点，并选择其中一个节点继续进行拓展。

在模拟阶段，首先会基于新拓展节点进行随机搜索，随后通过评价函数将随机搜索后得到的户型结果进行评价。

在反向传播阶段，根据评价函数得分，通过上限置信区间算法方程更新搜索图中相关节点的权重。不断的重复蒙特卡洛树搜索算法，直到达到设定的迭代次数为止。

最后根据更新后的搜索图节点权重，选择最优节点布置下一个房间，并更新户型状态。当全部房间布置完毕后，输出最终户型。

图4为本申请实施例提供的户型布局生成方法步骤示意图。下面结合图2和图3对图4做进一步解释。本申请的户型布局生成方法可以包括：

S401：获取当前户型状态及一个或多个待部署房间的房间信息。

在一些可能的实施方式中，获取当前户型状态包括：获取户型的设计条件，所述设计条件包括所述户型的边界范围、主入口位置、采光面、相邻建筑信息，根据所述设计条件确定当前户型状态。

S402：根据所述当前户型状态及一个或多个待部署房间的房间信息进行多次蒙特卡洛树搜索，得到搜索结果。

具体地，步骤S402可以包括：

根据所述当前户型状态构建当前搜索图，每个搜索图的节点表征一个待部署房间的一种部署情况。

图5为本申请实施例提供的户型矢量化方法示意。如图5a所示，一个户型的房间包括的两类：封闭房间(如卧室、卫生间等)和开敞房间(如客厅、餐厅等)。这些房间组合可以被抽象为矩形的组合，房间的信息可通过尺寸和坐标来描述。如图5c所示，大多数房间之间为“相邻”关系，但部分房间存在“相交”关系。在相交关系中，一个房间的局部“侵入”进另一个房间，这时被“侵入”的房间平面形式为凹多边形，但可以通过补齐的方式，仍被视为一个完整的矩形。所以一个户型平面中所有房间之间的组合均可以被看作是矩形的组合。根据抽象出来的矩形的房间，可以对房间形式进行量化，如图5d所示，房间形式量化包括房间位置坐标以及房间的尺寸，尺寸包括房间的宽和深，这样便可通过x轴坐标和y轴坐标以及宽度、深度尺寸的集合来描述整个户型布局。

根据获取到的当前户型的边界范围，入口位置，采光面和相邻建筑的信息确定当前户型状态，根据当前的户型状态构建搜索图。在一些可能的实施例中，部分待部署的房间已经完成部署，则当前的户型状态还可以包括已经确定的部分房间的部署情况。可以理解，每一种待部署房间的坐标和尺寸的组合就是搜索图中的一个节点。

确定所述一个或多个待部署房间中的当前待部署房间的房间信息，通过蒙特卡洛树搜索对所述当前搜索图进行若干次运算，得到搜索结果。搜索结果包括当前搜索图的最优节点。

在一些可能的实施方式中，通过蒙特卡洛树搜索对所述当前搜索图进行若干次运算的每一次运算包括：

步骤A：根据当前搜索图选择一个节点作为根节点，并基于所述根节点对所述根节点进行拓展，得到若干第一子节点；

具体地，每个待部署的房间都有一个尺寸区间(宽度区间和深度区间)，根据每个房间的坐标，得到尺寸和坐标的所有组合，每个节点对应待部署的一个房间的可能的部署情况，也就是说，每个节点对应一组尺寸和坐标的组合。

在选择阶段，需要从根节点，也就是要做决策的局面出发向下选择出一个最急迫需要被拓展的节点。例如，当前待部署的房间为主卧室，同时当前户型未开始布局，则当前户型状态为根节点。基于当前户型状态开始对主卧室进行布局，可以获得多个布局主卧室的户型状态，则多个布局主卧室的户型状态中每一种状态都是一个第一节点。

步骤B：通过剪枝方法对所述若干第一子节点进行筛选，得到若干第二子节点，所述第二子节点表征剪枝后的实际可拓展节点；

在一个较为具体的示例中，通过剪枝方法对所述若干第一子节点进行筛选包括位置剪枝和尺寸剪枝。

为了排除不必要选项，压缩探索空间，需要对户型搜索图进行剪枝。可以理解，剪枝可以通过将一些明显不合适的房间形式排除掉，压缩探索空间。

举例来说，若选择当前户型未开始布局时的当前户型状态为根节点，对此种布局进行拓展，则部署主卧室的户型状态为第一子节点，在一些布局情况中，主卧室的布局并不能够很好的满足正常的使用需求，则将不满足使用需求的布局筛除，得到若干个剪枝后的实际可扩展户型状态，为第二子节点。若选择若干个剪枝后的实际可扩展户型状态中的一种布局为根节点，对此种布局进行拓展，即部署下一个待部署房间，如客卧室，得到多个部署主卧室后的客卧室布局状态，为第一子节点，对多个部署主卧室后的客卧室布局状态进行剪枝，得到的结果为第二子节点。

在本发明中，所有房间形式均用矩形表示。虽然建筑房间平面存在不规则形式，但大部分房间为矩形平面，所以通过矩形来表示户型中的所有房间可以实现对大部分建筑平面布局的描述，同时简化计算难度，使模型在泛化能力和计算效率上取得平衡。

位置剪枝需要先定义每个房间之间的空间关系(例如相交、相邻)，根据空间关系剪枝。尺寸剪枝是判断是否满足面积区间，将不满足的剪掉。位置剪枝可排除不必要的房间放置坐标点，尺寸剪枝可在房间位置确定前提下进一步控制房间尺寸。通过剪枝可得到特定户型状态下的下一个房间放置的所有可行情况。

在一个更为具体的示例中，位置剪枝的具体公式为：

式中，

表征第i个房间可放置的坐标集合，

表征与第i个房间相邻房间的可放置点，

表征第i个房间放置时的剩余空白区域可放置点，

表征需要与第i个房间相邻房间的可放置点x轴和y轴坐标，

表征第i个房间放置时的剩余空白区域的可放置点x轴和y轴坐标。

由于房间之间的关系是事先定义好的，通过待部署房间放置时的空白区域与待部署房间所相邻房间的可放置点的交集，可以得到位置信息合适的待部署房间的所有部署情况。

举例来说，如图5c所示的，事先定义了次卧与卫生间是相交，根据事先定义好的空间关系以及当前户型内部的未布置的区域的点取交集，可以确定次卧的多个可能的部署情况。

在一个更为具体的示例中，尺寸剪枝的具体公式为：

式中，

表征第i个房间可放置的房间集合，

表征第i个房间可放置的坐标集合，

表征第i个房间的宽度集合，

表征第i个房间的深度集合。

通过将待部署的房间的坐标集合以及尺寸集合相乘，可以得到待部署房间合适尺寸的房间集合。

步骤C：基于所述第二子节点进行随机搜索，通过评价函数将随机搜索后得到的结果进行评价；

在一些可能的实施例中，通过评价函数将随机搜索后得到的结果进行评价包括房间数量评价、相交面积评价、过道评价，其中，所述过道评价包括过道面积评价、过道和房间相邻情况评价、过道宽度评价。

剪枝是对户型可行解的强约束，而评价函数是对可行解的弱约束。通过对每一个最终结果进行打分，并根据得分更新搜索图各节点的权重，评价函数可引导算法向最优策略方向探索。

在一个较为具体的示例中，评价函数的具体公式为：

max Score＝S_n+S_o+S_P

式中，Score表征户型总得分，S_n表征房间数量得分，S_o表征相交面积得分，S_P表征过道得分。

在一个更为具体的示例中，房间数量得分的具体公式为：

式中，n_d表征已经部署的房间数量，n_t表征计划部署的房间总数。

相交面积得分的具体公式为：

式中，

表征已部署的所有房间总面积，

表征已部署的所有房间形体取交集后的总面积，s_b表征边界范围面积。

过道得分的具体公式为：

S_P＝P_o+P_w+P_a

式中，P_w表征过道宽度得分，P_a表征过道面积得分，P_d表征过道与房间相邻情况得分。

在一个更为具体的示例中，过道宽度得分表示为：

式中，w_std表征过道目标最小宽度，w表征过道当前最小宽度。

过道面积得分表示为：

式中，a_std表征过道目标最小面积，a表征过道当前面积。

过道与房间相邻情况得分表示为：

式中，d_i表征过道距第i个房间的距离。

步骤D：根据评价函数得分，更新所述搜索图中相关节点的权重，最优节点为权重最大的节点。

在一个较为具体的示例中，更新所述搜索图中相关节点的权重的具体公式为：

式中，W表征节点的权重，n_j表征子节点被访问的次数，q_j表征子节点，

表征子节点q_j在i次模拟中的值，i表征模拟次数，n表征根节点被访问的总次数，c表征超参数。

其中，超参数c为一个常数，理论值为

c值越大越偏向于广度搜索，c值越小越偏向于深度搜索。

S403：根据所述搜索结果，对所述一个或多个待部署房间中的一个待部署房间进行部署。

具体地，获取搜索结果中的最优节点，根据最优节点所对应的房间部署情况对待部署的房间进行部署。

本发明提出了基于蒙特卡洛树搜索的户型布局生成方法。该方法可根据一定边界条件(主入口位置、采光面、边界范围、相邻建筑)自动搜索室内房间布置的适宜组合，实现户型布局的自动化设计。本方法可通过“剪枝”有效压缩搜索空间，提高搜索效率，从而得到更理想的户型布局结果，同时，本方法基于评价函数对结果进行引导，可通过对评价函数进行调整来适应不同设计条件，从而具有了更强的灵活性与拓展性。

基于上述实施例中提供的一种基于蒙特卡洛树搜索的户型布局生成方法，本实施例中提供一种基于蒙特卡洛树搜索的户型布局生成装置，具体地，图6示出了该基于蒙特卡洛树搜索的户型布局生成装置的可选的结构框图，该装置被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明。该装置具体包括：

获取模块601，用于获取当前户型状态及一个或多个待部署房间的房间信息；

搜索模块602，用于根据所述当前户型状态及一个或多个待部署房间的房间信息进行多次蒙特卡洛树搜索，得到搜索结果；

部署模块603，用于根据所述搜索结果，对所述一个或多个待部署房间中的一个待部署房间进行部署。

图7示出了本说明书实施例所提供的一种计算机设备结构示意图，该计算机设备可以包括：处理器710、存储器720、输入/输出接口730、通信接口740和总线750。其中处理器710、存储器720、输入/输出接口730和通信接口740通过总线750实现彼此之间在设备内部的通信连接。该计算机设备可以用于执行前述图2所示的方法。

处理器710可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器720可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器720可以存储操作***和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器720中，并由处理器710来调用执行。

输入/输出接口730用于连接输入/输出模块，以实现信息输入及输出。输入/输出模ss块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口740用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线750包括一通路，在设备的各个组件(例如处理器710、存储器720、输入/输出接口730和通信接口740)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器710、存储器720、输入/输出接口730、通信接口740以及总线750，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

需要说明的是，在本文中，诸如第一和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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者装置中还存在另外的相同要素。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种户型布局生成方法，其特征在于，包括：

获取当前户型状态及一个或多个待部署房间的房间信息；

根据所述当前户型状态及一个或多个待部署房间的房间信息进行多次蒙特卡洛树搜索，得到搜索结果，包括：根据所述当前户型状态构建当前搜索图，每个搜索图的节点表征一个待部署房间的一种部署情况；确定所述一个或多个待部署房间中的当前待部署房间的房间信息，通过蒙特卡洛树搜索对所述当前搜索图进行若干次运算，得到搜索结果，所述搜索结果包括所述当前搜索图的最优节点；

其中，所述通过蒙特卡洛树搜索对所述当前搜索图进行若干次运算的每一次运算包括：根据当前搜索图选择一个节点作为根节点，并基于所述根节点对所述根节点进行拓展，得到若干第一子节点；通过剪枝方法对所述若干第一子节点进行筛选，得到若干第二子节点，所述第二子节点表征剪枝后的实际可拓展节点；基于所述第二子节点进行随机搜索，通过评价函数将随机搜索后得到的结果进行评价；根据评价函数得分，更新所述搜索图中相关节点的权重，所述最优节点为权重最大的节点；

根据所述搜索结果，对所述一个或多个待部署房间中的一个待部署房间进行部署。

2.根据权利要求1所述的方法，其特征在于，所述获取当前户型状态包括：

获取户型的设计条件，所述设计条件包括所述户型的边界范围、主入口位置、采光面、相邻建筑信息，根据所述设计条件确定当前户型状态。

3.根据权利要求1所述的方法，其特征在于，所述更新所述搜索图中相关节点的权重的具体公式为：

式中，W表征节点的权重，n_j表征子节点被访问的次数，q_j表征子节点，

表征子节点q_j在i次模拟中的值，i表征模拟次数，n表征根节点被访问的总次数，c表征超参数。

4.根据权利要求1所述的方法，其特征在于，所述通过剪枝方法对所述若干第一子节点进行筛选包括位置剪枝和尺寸剪枝。

5.根据权利要求4所述的方法，其特征在于，所述位置剪枝的具体公式为：

式中，

表征第i个房间可放置的坐标集合，

表征与第i个房间相邻房间的可放置点，

表征第i个房间放置时的剩余空白区域可放置点，

表征需要与第i个房间相邻房间的可放置点x轴和y轴坐标，

表征第i个房间放置时的剩余空白区域的可放置点x轴和y轴坐标。

6.根据权利要求4所述的方法，其特征在于，所述尺寸剪枝的具体公式为：

式中，

表征第i个房间可放置的房间集合，

表征第i个房间可放置的坐标集合，

表征第i个房间的宽度集合，

表征第i个房间的深度集合。

7.根据权利要求1所述的方法，其特征在于，所述通过评价函数将随机搜索后得到的结果进行评价包括房间数量评价、相交面积评价、过道评价，其中，所述过道评价包括过道面积评价、过道和房间相邻情况评价、过道宽度评价。

8.一种户型布局生成装置，其特征在于，所述装置包括：

获取模块，用于获取当前户型状态及一个或多个待部署房间的房间信息；

搜索模块，用于根据所述当前户型状态及一个或多个待部署房间的房间信息进行多次蒙特卡洛树搜索，得到搜索结果，包括：根据所述当前户型状态构建当前搜索图，每个搜索图的节点表征一个待部署房间的一种部署情况；确定所述一个或多个待部署房间中的当前待部署房间的房间信息，通过蒙特卡洛树搜索对所述当前搜索图进行若干次运算，得到搜索结果，所述搜索结果包括所述当前搜索图的最优节点；其中，所述通过蒙特卡洛树搜索对所述当前搜索图进行若干次运算的每一次运算包括：根据当前搜索图选择一个节点作为根节点，并基于所述根节点对所述根节点进行拓展，得到若干第一子节点；通过剪枝方法对所述若干第一子节点进行筛选，得到若干第二子节点，所述第二子节点表征剪枝后的实际可拓展节点；基于所述第二子节点进行随机搜索，通过评价函数将随机搜索后得到的结果进行评价；根据评价函数得分，更新所述搜索图中相关节点的权重，所述最优节点为权重最大的节点；

部署模块，用于根据所述搜索结果，对所述一个或多个待部署房间中的一个待部署房间进行部署。

Images