基于cGAN和NSGA-II的大学校园规划设计多目标优化方法

本发明涉及人工智能，尤其涉及基于cgan和nsga-ii的大学校园规划设计多目标优化方法。

背景技术：

1、作为集教学、科研、生产和生活于一体且人口高度密集的城市规划单元，大学校园碳中和经验为低碳城市发展提供了重要参考。在探索高校“碳中和”路径过程中，如何实现碳排放绩效和经济效益之间的平衡成为关键问题。

2、然而，追求减排措施和控制增量成本之间的平衡关系是校园规划设计面临的一项复杂而艰巨的任务。传统的低碳校园规划设计方法主要依赖于建筑师的个人经验和简单的数学模型。这些方法在应对复杂的校园规划问题时科学性存在一定欠缺。它们难以同时兼顾减排绩效和经济性这两个存在一定矛盾的目标，导致规划设计结果往往不尽如人意。此外，采用传统方法难以高效生成校园规划设计方案，建筑师无法直观且快速预评估方案效果。

3、为了克服传统方法的局限性，一些多目标优化方法，如遗传算法、粒子群优化等，被尝试应用于校园规划领域。这些方法在一定程度上提高了规划设计的科学性，但仍存在诸多不足。例如，它们往往难以充分地探索复杂的解空间，导致优化结果可能不是全局最优解。同时，这些方法缺乏对问题特定领域知识的有效利用，从而导致结果可能不符合校园规划的实际需求。

技术实现思路

1、本发明的目的在于提供基于cgan和nsga-ii的大学校园规划设计多目标优化方法及系统，不仅协同优化大学校园的碳排放水平和增量成本，还能快速生成直观的校园规划设计方案，为建筑师在方案阶段提供科学决策支持，有助于进一步实现“校园碳中和”建设计划，以解决上述现有技术问题的至少之一。

2、第一方面，本发明提供了基于cgan和nsga-ii的大学校园规划设计多目标优化方法，所述方法具体包括：

3、获取既有校园规划设计数据，以及不同校园规划下的碳排放水平指标数据和增量成本数据，将所述既有校园规划设计数据、所述碳排放水平指标数据和所述增量成本数据进行关联，形成模型数据集；

4、将所述模型数据集输入到预构建的cgan模型进行训练，并将cgan模型输出的初始校园规划设计方案通过nsga-ii算法进行优化，获得目标校园规划设计方案；

5、基于所述目标校园规划设计方案，对所述cgan模型进行优化调整，同时将所述目标校园规划设计方案进行可视化展示。

6、进一步地，所述cgan模型包括多尺度生成器、多任务判别器和损失函数；

7、所述多尺度生成器用于根据所述模型数据集生成若干个初始校园规划设计方案；

8、所述多任务判别器用于对若干个所述初始校园规划设计方案的真实性和相符性进行评估；

9、所述损失函数用于评估所述cgan模型在模型训练过程中的损失。

10、进一步地，所述多尺度生成器包括第一输入层、编码器层、自注意力机制、解码器层和第一输出层；

11、所述第一输入层用于输入所述模型数据集；

12、所述编码器层用于使用多个卷积层对所述模型数据集的校园规划设计图像进行特征提取；

13、所述自注意力机制用于增强对不同尺度特征的捕捉能力；

14、所述解码器层用于使用转置卷积恢复所述编码器层输出的规划设计特征图的空间维度；

15、所述第一输出层用于输出规划设计特征图。

16、进一步地，所述多任务判别器包括主判别器、第一辅助判别器和第二辅助判别器；

17、所述主判别器用于评估所述规划设计特征图的整体真实性；

18、所述第一辅助判别器用于评估所述规划设计特征图的碳排放水平是否符合预期目标；

19、所述第二辅助判别器用于评估所述规划设计特征图的成本效益是否符合预期目标。

20、第二方面，本发明提供了基于cgan和nsga-ii的大学校园规划设计多目标优化系统，所述系统具体包括：

21、第一规划设计优化模块，用于获取既有校园规划设计数据，以及不同校园规划下的碳排放水平指标数据和增量成本数据，将所述既有校园规划设计数据、所述碳排放水平指标数据和所述增量成本数据进行关联，形成模型数据集；

22、第二规划设计优化模块，用于将所述模型数据集输入到预构建的cgan模型进行训练，并将cgan模型输出的初始校园规划设计方案通过nsga-ii算法进行优化，获得目标校园规划设计方案；

23、第三规划设计优化模块，用于基于所述目标校园规划设计方案，对所述cgan模型进行优化调整，同时将所述目标校园规划设计方案进行可视化展示。

24、第三方面，本发明提供了一种计算机设备，包括：存储器和处理器及存储在存储器上的计算机程序，当所述计算机程序在处理器上被执行时，实现如上述方法中任一项所述的基于cgan和nsga-ii的大学校园规划设计多目标优化方法。

25、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，实现如上述方法中任一项所述的基于cgan和nsga-ii的大学校园规划设计多目标优化方法。

26、与现有技术相比，本发明具有以下技术效果的至少之一：

27、1、本发明通过巧妙结合条件生成对抗网络(cgan)和非支配排序遗传算法ii(nsga-ii)，构建一个新型的多目标优化框架，不仅协同优化大学校园的碳排放水平和增量成本，还能快速生成直观的校园规划设计方案，为建筑师在方案阶段提供科学决策支持。

28、2、本发明设计了一种能够生成高质量、多样化校园规划设计方案的cgan模型，并将其与nsga-ii算法进行有效集成，通过创新的双向反馈机制，实现cgan生成方案与nsga-ii优化过程的协同进化，从而显著提高优化效果。

29、3、本发明致力于开发一套完整的校园规划设计多目标优化方法，涵盖从数据处理、算法设计、模型训练到结果可视化的全流程，为大学校园规划设计决策提供全方位的智能化支持工具。

30、4、采用多尺度生成器和多任务判别器的cgan结构，使得生成的规划设计方案能够更加真实地反映复杂的校园环境，并在生成过程中有效捕捉不同尺度的规划设计特征，相较于传统的生成模型，能够生成更为多样和高质量的规划设计方案。

31、5、本发明通过nsga-ii的自适应交叉和变异机制，结合动态参考点调整，能够实时响应种群的多样性变化，提升算法的适应性和搜索效率。

32、6、本发明通过建立cgan与nsga-ii之间的双向反馈机制，优化结果可用于指导生成模型的改进，形成闭环优化，有助于持续提升方案质量，而现有技术往往忽视了这种信息流动性。

33、7、本发明采用从粗略优化到精细优化的多阶段策略，能够在不同阶段集中解决特定问题，相较于现有技术的单一阶段优化方法，能够更有效地探索解空间，提高优化效率。

技术特征：

1.基于cgan和nsga-ii的大学校园规划设计多目标优化方法，其特征在于，所述方法具体包括：

2.根据权利要求1所述的基于cgan和nsga-ii的大学校园规划设计多目标优化方法，其特征在于，所述cgan模型包括多尺度生成器、多任务判别器和损失函数；

3.根据权利要求2所述的基于cgan和nsga-ii的大学校园规划设计多目标优化方法，其特征在于，所述多尺度生成器包括第一输入层、编码器层、自注意力机制、解码器层和第一输出层；

4.根据权利要求3所述的基于cgan和nsga-ii的大学校园规划设计多目标优化方法，其特征在于，所述多任务判别器包括主判别器、第一辅助判别器和第二辅助判别器；

5.根据权利要求4所述的基于cgan和nsga-ii的大学校园规划设计多目标优化方法，其特征在于，所述损失函数包括对抗损失函数、重建损失函数、性能损失函数和约束损失函数；

6.根据权利要求5所述的基于cgan和nsga-ii的大学校园规划设计多目标优化方法，其特征在于，所述对抗损失函数包括生成器损失函数和判别器损失函数；所述生成器损失函数为，所述判别器损失函数为，其中，表示条件信息，表示随机噪声，表示真实样本，表示对随机噪声分布下的的期望计算，表示对真实数据分布下的输入的期望计算，表示多尺度生成器生成的规划设计特征图，表示多任务判别器输出的用于判断规划设计特征图的真实概率值；

7.根据权利要求1至6中任一项所述的基于cgan和nsga-ii的大学校园规划设计多目标优化方法，其特征在于，所述将cgan模型输出的初始校园规划设计方案通过nsga-ii算法进行优化，获得目标校园规划设计方案，具体包括：

8.实现权利要求1~7任一项所述基于cgan和nsga-ii的大学校园规划设计多目标优化方法的系统，其特征在于，所述系统具体包括：

9.一种计算机设备，其特征在于，包括：存储器和处理器及存储在存储器上的计算机程序，当所述计算机程序在处理器上被执行时，实现如权利要求1至7中任一项所述的基于cgan和nsga-ii的大学校园规划设计多目标优化方法。

10.一种计算机可读存储介质，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，实现如权利要求1至7中任一项所述的基于cgan和nsga-ii的大学校园规划设计多目标优化方法。

技术总结
本发明提供了基于cGAN和NSGA‑II的大学校园规划设计多目标优化方法，所述方法具体包括：获取大量既有不同校园规划设计相关数据，以及与其对应的碳排放和增量成本数据进行关联，形成模型数据集；将所述模型数据集输入到预构建的cGAN模型进行训练，并将cGAN模型输出的初始校园规划设计方案通过NSGA‑II算法进行优化；基于所述目标校园规划设计对cGAN模型进行优化调整及方案可视化展示。本发明构建的大学校园碳排放水平与增量成本的协同优化模型，为建筑师在方案阶段充分考虑碳减排绩效与经济效益之间的平衡提供科学决策支持，有助于进一步实现“校园碳中和”建设计划。

技术研发人员：韦进,倪阳,郑豪
受保护的技术使用者：华南理工大学
技术研发日：
技术公布日：2025/1/13