基于SOM的建筑多目标优化设计决策支持方法.pdf

《基于SOM的建筑多目标优化设计决策支持方法.pdf》由会员分享，可在线阅读，更多相关《基于SOM的建筑多目标优化设计决策支持方法.pdf（24页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910866129.3 (22)申请日 2019.09.12 (71)申请人 哈尔滨工业大学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 孙澄韩昀松刘倩倩张洪瑞 高亮 (74)专利代理机构 北京格允知识产权代理有限 公司 11609 代理人 张沫 (51)Int.Cl. G06F 17/50(2006.01) G06K 9/62(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于SOM的建筑多目标优化设计决策支。

2、 持方法 (57)摘要 本发明涉及一种基于SOM的建筑多目标优化 设计决策支持方法， 包括： 基于SOM神经网络构建 建筑优化目标聚类模型； 基于建筑优化目标聚类 模型进行建筑优化目标导向神经元层次聚类筛 选； 根据建筑优化目标导向神经元层次聚类筛选 结果重构建筑优化目标聚类模型， 进行建筑优化 目标导向神经元筛选； 根据建筑优化目标导向神 经元筛选结果或上一轮建筑设计参量导向神经 元筛选结果， 构建建筑设计参量聚类模型， 进行 建筑设计参量导向神经元筛选， 并根据本轮筛选 结果判断是否需进行下一轮建筑设计参量导向 神经元筛选， 直至得到最终建筑优化设计方案。 该方法能挖掘分析非支配设计解数据。

3、特征， 可显 著改善建筑多目标优化设计决策制定效果。 权利要求书3页 说明书11页 附图9页 CN 110569616 A 2019.12.13 CN 110569616 A 1.一种基于SOM的建筑多目标优化设计决策支持方法， 其特征在于， 包括如下步骤： S1、 基于SOM神经网络构建建筑优化目标聚类模型， 并得到非支配设计解分布特征U矩 阵图； S2、 基于建筑优化目标聚类模型绘制神经元代表建筑优化目标成分图、 神经元内非支 配设计解数量图以及神经元层次聚类图， 进行建筑优化目标导向神经元层次聚类筛选； S3、 根据建筑优化目标导向神经元层次聚类筛选结果和SOM神经网络重构建筑优化目 标。

4、聚类模型， 基于重构的建筑优化目标聚类模型绘制神经元代表建筑优化目标柱状图和神 经元内非支配设计解数量图， 进行建筑优化目标导向神经元筛选； S4、 根据建筑优化目标导向神经元筛选结果或上一轮建筑设计参量导向神经元筛选结 果， 构建建筑设计参量聚类模型； 基于建筑设计参量聚类模型绘制神经元代表建筑设计参 量矩阵图、 神经元代表建筑优化目标矩阵图， 进行建筑设计参量导向神经元筛选， 并根据本 轮筛选结果判断是否需进行下一轮建筑设计参量导向神经元筛选， 直至得到最终建筑优化 设计方案。 2.根据权利要求1所述的方法， 其特征在于， 所述步骤S1包括： S1-1、 根据建筑优化设计需求得到建筑多目标。

5、优化的非支配设计解集； S1-2、 提取非支配设计解的建筑优化目标数据， 得到建筑优化目标矩阵； S1-3、 构建建筑优化目标SOM神经网络， 并利用建筑优化目标矩阵进行训练， 得到建筑 优化目标聚类模型； S1-4、 根据建筑优化目标聚类模型， 利用建筑优化目标SOM神经网络可视化神经元之间 距离的U矩阵图方式， 绘制非支配设计解分布特征U矩阵图。 3.根据权利要求1所述的方法， 其特征在于， 所述步骤S2包括： S2-1、 以六边形单元表示神经元， 通过不同色彩或灰度对应不同建筑优化目标值的形 式， 绘制建筑优化目标聚类模型的神经元代表建筑优化目标成分图； S2-2、 以六边形单元表示神经。

6、元， 通过不同缩放量对应不同个数的形式， 绘制建筑优化 目标聚类模型的神经元内非支配设计解数量图； S2-3、 对建筑优化目标聚类模型的神经元进行层次聚类， 得到神经元层次聚类图； S2-4、 基于步骤S2-1至步骤S2-3所得图像， 获得建筑优化目标导向神经元层次聚类筛 选结果。 4.根据权利要求1所述的方法， 其特征在于， 所述步骤S3包括： S3-1、 基于建筑优化目标导向神经元层次聚类筛选结果重构建筑优化目标聚类模型； S3-2、 以柱状图的形式绘制重构后建筑优化目标聚类模型的神经元代表建筑优化目标 柱状图； S3-3、 以六边形单元表示神经元， 通过不同缩放量对应不同个数的形式， 绘。

7、制重构后建 筑优化目标聚类模型的神经元内非支配设计解数量图； S3-4、 基于步骤S3-2和步骤S3-3所得图像， 获得建筑优化目标导向神经元筛选结果。 5.根据权利要求1所述的方法， 其特征在于， 所述步骤S4包括： S4-1、 基于筛选得到非支配设计解的建筑设计参量数据训练建筑设计参量SOM神经网 络， 构建建筑设计参量聚类模型； S4-2、 计算神经元代表建筑设计参量取值， 绘制建筑设计参量聚类模型的神经元代表 权利要求书 1/3 页 2 CN 110569616 A 2 建筑设计参量矩阵图； S4-3、 计算神经元代表建筑优化目标取值， 绘制建筑设计参量聚类模型的神经元代表 建筑优化目。

8、标矩阵图； S4-4、 基于步骤S4-2和步骤S4-3所得图像， 获得建筑设计参量导向神经元筛选结果； S4-5、 设定直接权衡比较的非支配设计解数量阈值n， 判断筛选得到非支配设计解数量 是否小于n； 若是， 则权衡比较最后一轮筛选得到的非支配设计解， 选择最终建筑优化设计 方案； 若否， 则返回步骤S4-1， 基于本轮筛选结果进行下一轮建筑设计参量导向神经元筛 选， 直至得到最终建筑优化设计方案。 6.根据权利要求5所述的方法， 其特征在于， 所述步骤S4-1中基于筛选得到非支配设计 解的建筑设计参量数据训练建筑设计参量SOM神经网络， 构建建筑设计参量聚类模型时： 若当前为首轮建筑设计参。

9、量导向神经元筛选， 则根据建筑优化目标导向神经元筛选结 果中筛选得到非支配设计解的建筑设计参量数据构建建筑设计参量聚类模型； 若当前并非首轮建筑设计参量导向神经元筛选， 则根据上一轮建筑设计参量导向神经 元筛选结果中筛选得到非支配设计解的建筑设计参量数据构建建筑设计参量聚类模型。 7.根据权利要求2所述的方法， 其特征在于， 所述步骤S1-1中根据建筑优化设计需求得 到建筑多目标优化的非支配设计解集包括： 根据建筑优化设计需求构建建筑多目标优化设计问题， 选择相应的建筑设计参量和建 筑优化目标， 构建建筑设计参量与建筑优化目标之间的映射关系， 利用该映射关系设置目 标函数， 根据建筑优化设计需。

10、求设置约束条件， 通过遗传优化算法搜索满足约束条件且对 应的目标函数值适应度高的n1个设计解， 得到非支配设计解集。 8.根据权利要求7所述的方法， 其特征在于， 所述步骤S1-2中提取非支配设计解的建筑 优化目标数据， 得到建筑优化目标矩阵包括： 将非支配设计解集数据转化为矩阵， 该矩阵的行向量为不同的非支配设计解， 列向量 为不同建筑设计参量和建筑优化目标； 提取该矩阵中建筑优化目标对应的数据， 构建建筑 优化目标矩阵， 其中， 建筑优化目标矩阵包含n1个非支配设计解和m个建筑优化目标， 大小 为n1m。 9.根据权利要求8所述的方法， 其特征在于， 所述步骤S1-3中、 构建建筑优化目标。

11、SOM神 经网络， 并利用建筑优化目标矩阵进行训练， 得到建筑优化目标聚类模型包括： 构建包含输入层和竞争层， 具有二维网格拓扑结构的SOM神经网络作为建筑优化目标 SOM神经网络， 其水平和垂直方向神经元个数比等于建筑优化目标矩阵的协方差矩阵中两 个最大特征值之比； 对建筑优化目标矩阵进行归一化处理， 将建筑优化目标矩阵中取值范 围不同的建筑优化目标值映射在(0,1)区间内， 得到归一化的建筑优化目标矩阵； 利用归一 化的建筑优化目标矩阵对建筑优化目标SOM神经网络进行训练， 不断更新建筑优化目标SOM 神经网络的神经元权值， 直至训练成功， 得到建筑优化目标聚类模型。 10.根据权利要求3。

12、所述的方法， 其特征在于， 所述步骤S2-1中以六边形单元表示神经 元， 通过不同色彩或灰度对应不同建筑优化目标值的形式， 绘制建筑优化目标聚类模型的 神经元代表建筑优化目标成分图包括： 计算建筑优化目标聚类模型神经元中非支配设计解的归一化建筑优化目标平均值向 量， 用该平均值向量替换其对应神经元的权值向量， 将替换后的神经元权值向量映射到不 权利要求书 2/3 页 3 CN 110569616 A 3 同建筑优化目标对应的区间内， 作为神经元内非支配设计解的代表建筑优化目标向量， 提 取该代表建筑优化目标向量中各个建筑优化目标的数据； 用六边形单元表示神经元， 通过 排列六边形单元反映神经元。

13、所在位置和神经元之间的邻近关系， 得到相应的神经元排列 图， 在该神经元排列图上以不同色彩或灰度对应不同建筑优化目标值的形式进行数据可视 化， 得到神经元代表建筑优化目标成分图。 权利要求书 3/3 页 4 CN 110569616 A 4 一种基于SOM的建筑多目标优化设计决策支持方法 技术领域 0001 本发明涉及建筑设计技术领域， 尤其涉及一种基于SOM的建筑多目标优化设计决 策支持方法。 背景技术 0002 在建筑设计过程中， 设计方案的优化一直是建筑师不懈努力的目标。 随着科学技 术的发展， 利用计算机进行建筑优化设计的方法被广泛应用。 建筑优化设计需对多设计目 标进行优化， 常采用。

14、建筑多目标优化设计方法求解设计问题中的非支配设计解， 并通过制 定决策得到最终建筑优化设计方案， 提升建筑性能。 0003 然而， 由于非支配设计解是具有多设计参量和多优化目标的高维数据， 且需在大 量非支配设计解个体中进行比较， 设计决策制定难度较大。 同时， 建筑多优化目标之间具有 复杂的相关关系， 提升特定优化目标易导致其它目标的减损， 进一步加大了决策制定难度。 既有研究和实践往往注重得到非支配设计解集的优化过程， 而忽略从非支配设计解集中筛 选最终建筑优化设计方案的决策制定过程， 未能提供充分的决策支持。 既有应用二维或三 维散点图、 折线图的决策支持方法不善于解析高维数据， 易出现。

15、个体重叠及难以深入挖掘 数据特征的局限。 0004 因此， 针对以上不足， 需要提供一种针对高维数据、 大量非支配设计解的建筑多目 标优化设计的决策支持方法。 发明内容 0005 (一)要解决的技术问题 0006 本发明要解决的技术问题是解决现有技术针对高维、 大量非支配设计解可视化难 度高， 非支配设计解数据特征挖掘难、 决策制定过程不直观、 无法兼顾建筑优化目标和建筑 设计参量协同决策需求的问题。 0007 (二)技术方案 0008 为了解决上述技术问题， 本发明提供了一种基于SOM的建筑多目标优化设计决策 支持方法， 包括如下步骤： 0009 S1、 基于SOM神经网络构建建筑优化目标聚。

16、类模型， 并得到非支配设计解分布特征 U矩阵图； 0010 S2、 基于建筑优化目标聚类模型绘制神经元代表建筑优化目标成分图、 神经元内 非支配设计解数量图以及神经元层次聚类图， 进行建筑优化目标导向神经元层次聚类筛 选； 0011 S3、 根据建筑优化目标导向神经元层次聚类筛选结果和SOM神经网络重构建筑优 化目标聚类模型， 基于重构的建筑优化目标聚类模型绘制神经元代表建筑优化目标柱状图 和神经元内非支配设计解数量图， 进行建筑优化目标导向神经元筛选； 0012 S4、 根据建筑优化目标导向神经元筛选结果或上一轮建筑设计参量导向神经元筛 说明书 1/11 页 5 CN 110569616 A。

17、 5 选结果， 构建建筑设计参量聚类模型； 基于建筑设计参量聚类模型绘制神经元代表建筑设 计参量矩阵图、 神经元代表建筑优化目标矩阵图， 进行建筑设计参量导向神经元筛选， 并根 据本轮筛选结果判断是否需进行下一轮建筑设计参量导向神经元筛选， 直至得到最终建筑 优化设计方案。 0013 优选地， 所述步骤S1包括： 0014 S1-1、 根据建筑优化设计需求得到建筑多目标优化的非支配设计解集； 0015 S1-2、 提取非支配设计解的建筑优化目标数据， 得到建筑优化目标矩阵； 0016 S1-3、 构建建筑优化目标SOM神经网络， 并利用建筑优化目标矩阵进行训练， 得到 建筑优化目标聚类模型； 。

18、0017 S1-4、 根据建筑优化目标聚类模型， 利用建筑优化目标SOM神经网络可视化神经元 之间距离的U矩阵图方式， 绘制非支配设计解分布特征U矩阵图。 0018 优选地， 所述步骤S2包括： 0019 S2-1、 以六边形单元表示神经元， 通过不同色彩或灰度对应不同建筑优化目标值 的形式， 绘制建筑优化目标聚类模型的神经元代表建筑优化目标成分图； 0020 S2-2、 以六边形单元表示神经元， 通过不同缩放量对应不同个数的形式， 绘制建筑 优化目标聚类模型的神经元内非支配设计解数量图； 0021 S2-3、 对建筑优化目标聚类模型的神经元进行层次聚类， 得到神经元层次聚类图； 0022 S。

19、2-4、 基于步骤S2-1至步骤S2-3所得图像， 获得建筑优化目标导向神经元层次聚 类筛选结果。 0023 优选地， 所述步骤S3包括： 0024 S3-1、 基于建筑优化目标导向神经元层次聚类筛选结果重构建筑优化目标聚类模 型； 0025 S3-2、 以柱状图的形式绘制重构后建筑优化目标聚类模型的神经元代表建筑优化 目标柱状图； 0026 S3-3、 以六边形单元表示神经元， 通过不同缩放量对应不同个数的形式， 绘制重构 后建筑优化目标聚类模型的神经元内非支配设计解数量图； 0027 S3-4、 基于步骤S3-2和步骤S3-3所得图像， 获得建筑优化目标导向神经元筛选结 果。 0028 优。

20、选地， 所述步骤S4包括： 0029 S4-1、 基于筛选得到非支配设计解的建筑设计参量数据训练建筑设计参量SOM神 经网络， 构建建筑设计参量聚类模型； 0030 S4-2、 计算神经元代表建筑设计参量取值， 绘制建筑设计参量聚类模型的神经元 代表建筑设计参量矩阵图； 0031 S4-3、 计算神经元代表建筑优化目标取值， 绘制建筑设计参量聚类模型的神经元 代表建筑优化目标矩阵图； 0032 S4-4、 基于步骤S4-2和步骤S4-3所得图像， 获得建筑设计参量导向神经元筛选结 果； 0033 S4-5、 设定直接权衡比较的非支配设计解数量阈值n， 判断筛选得到非支配设计解 数量是否小于n；。

21、 若是， 则权衡比较最后一轮筛选得到的非支配设计解， 选择最终建筑优化 说明书 2/11 页 6 CN 110569616 A 6 设计方案； 若否， 则返回步骤S4-1， 基于本轮筛选结果进行下一轮建筑设计参量导向神经元 筛选， 直至得到最终建筑优化设计方案。 0034 优选地， 所述步骤S4-1中基于筛选得到非支配设计解的建筑设计参量数据训练建 筑设计参量SOM神经网络， 构建建筑设计参量聚类模型时： 0035 若当前为首轮建筑设计参量导向神经元筛选， 则根据建筑优化目标导向神经元筛 选结果中筛选得到非支配设计解的建筑设计参量数据构建建筑设计参量聚类模型； 0036 若当前并非首轮建筑设计。

22、参量导向神经元筛选， 则根据上一轮建筑设计参量导向 神经元筛选结果中筛选得到非支配设计解的建筑设计参量数据构建建筑设计参量聚类模 型。 0037 优选地， 所述步骤S1-1中根据建筑优化设计需求得到建筑多目标优化的非支配设 计解集包括： 0038 根据建筑优化设计需求构建建筑多目标优化设计问题， 选择相应的建筑设计参量 和建筑优化目标， 构建建筑设计参量与建筑优化目标之间的映射关系， 利用该映射关系设 置目标函数， 根据建筑优化设计需求设置约束条件， 通过遗传优化算法搜索满足约束条件 且对应的目标函数值适应度高的n1个设计解， 得到非支配设计解集。 0039 优选地， 所述步骤S1-2中提取非。

23、支配设计解的建筑优化目标数据， 得到建筑优化 目标矩阵包括： 0040 将非支配设计解集数据转化为矩阵， 该矩阵的行向量为不同的非支配设计解， 列 向量为不同建筑设计参量和建筑优化目标； 提取该矩阵中建筑优化目标对应的数据， 构建 建筑优化目标矩阵， 其中， 建筑优化目标矩阵包含n1个非支配设计解和m个建筑优化目标， 大小为n1m。 0041 优选地， 所述步骤S1-3中、 构建建筑优化目标SOM神经网络， 并利用建筑优化目标 矩阵进行训练， 得到建筑优化目标聚类模型包括： 0042 构建包含输入层和竞争层， 具有二维网格拓扑结构的SOM神经网络作为建筑优化 目标SOM神经网络， 其水平和垂直。

24、方向神经元个数比等于建筑优化目标矩阵的协方差矩阵 中两个最大特征值之比； 对建筑优化目标矩阵进行归一化处理， 将建筑优化目标矩阵中取 值范围不同的建筑优化目标值映射在(0,1)区间内， 得到归一化的建筑优化目标矩阵； 利用 归一化的建筑优化目标矩阵对建筑优化目标SOM神经网络进行训练， 不断更新建筑优化目 标SOM神经网络的神经元权值， 直至训练成功， 得到建筑优化目标聚类模型。 0043 优选地， 所述步骤S2-1中以六边形单元表示神经元， 通过不同色彩或灰度对应不 同建筑优化目标值的形式， 绘制建筑优化目标聚类模型的神经元代表建筑优化目标成分图 包括： 0044 计算建筑优化目标聚类模型神。

25、经元中非支配设计解的归一化建筑优化目标平均 值向量， 用该平均值向量替换其对应神经元的权值向量， 将替换后的神经元权值向量映射 到不同建筑优化目标对应的区间内， 作为神经元内非支配设计解的代表建筑优化目标向 量， 提取该代表建筑优化目标向量中各个建筑优化目标的数据； 用六边形单元表示神经元， 通过排列六边形单元反映神经元所在位置和神经元之间的邻近关系， 得到相应的神经元排 列图， 在该神经元排列图上以不同色彩或灰度对应不同建筑优化目标值的形式进行数据可 视化， 得到神经元代表建筑优化目标成分图。 说明书 3/11 页 7 CN 110569616 A 7 0045 (三)有益效果 0046 本。

26、发明的上述技术方案具有如下优点： 0047 1、 本发明的方法提出利用SOM神经网络(自组织特征映射网络Self-organizing feature Map)独特的聚类和可视化方式， 为建筑多目标优化设计提供决策支持。 由于SOM神 经网络具有二维拓扑结构， 可以将高维非支配设计解数据聚类到二维拓扑网格中， 解决了 大量高维非支配设计解数据的可视化难题， 同时可挖掘分析非支配设计解数据特征。 0048 2、 本发明的方法将建筑多目标优化设计决策制定过程分为建筑优化目标导向决 策阶段和建筑设计参量导向决策阶段， 在制定决策时兼顾了建筑优化目标和建筑设计参 量， 当非支配设计解的优化目标达到满意。

27、标准的同时， 探索更多建筑设计可能。 0049 3、 本发明的方法将建筑优化目标导向非支配设计解的筛选过程分为神经元层次 聚类决策阶段和神经元决策阶段， 使建筑优化目标的聚类具有反映神经元特征和反映非支 配设计解特征两个层次， 建筑师可逐个层次筛选非支配设计解， 从而降低设计决策制定的 难度。 附图说明 0050 图1是本发明中基于SOM的建筑多目标优化设计决策支持方法的流程图； 0051 图2是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法的过程 说明图； 0052 图3是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的 建筑优化目标聚类模型三维投影图； 00。

28、53 图4是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的 非支配设计解分布特征U矩阵图； 0054 图5是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的 神经元代表建筑优化目标成分图； 0055 图6是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的 神经元内非支配设计解数量图； 0056 图7是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的 神经元层次聚类图； 0057 图8是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的 神经元代表建筑优化目标柱状图； 0058 图9是是本发明实施例中一种基。

29、于SOM的建筑多目标优化设计决策支持方法得到 的神经元内非支配设计解数量图； 0059 图10是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的 神经元代表建筑设计参量矩阵图； 0060 图11是本发明实施例中一种基于SOM的建筑多目标优化设计决策支持方法得到的 神经元代表建筑优化目标矩阵图。 具体实施方式 0061 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 说明书 4/11 页 8 CN 110569616 A 8 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 本发明的一部分实施例， 而不是全部的。

30、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的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。 0062 实施例一 0063 如图1和图2所示， 本发明实施例提供的一种基于SOM的建筑多目标优化设计决策 支持方法， 包括如下步骤： 0064 S1、 基于SOM神经网络构建建筑优化目标聚类模型， 并得到非支配设计解分布特征 U矩阵图。 0065 优选地， 步骤S1中基于SOM神经网络构建建筑优化目标聚类模型包括： 0066 S1-1、 根据建筑优化设计需求得到建筑多目标优化的非支配设计解集。 0067 进一步地， 步骤S1-1包括： 根据建筑优化设计需求构建。

31、建筑多目标优化设计问题， 选择相应的建筑设计参量和建筑优化目标， 构建建筑设计参量与建筑优化目标之间的映射 关系， 利用该映射关系设置目标函数， 根据建筑优化设计需求设置约束条件， 通过遗传优化 算法搜索满足约束条件且对应的目标函数值适应度高的设计解， 得到建筑多目标优化的非 支配设计解集， 以便后续进行筛选， 采用精英保留策略的遗传优化算法将根据设计解的适 应度保留n1个非支配设计解。 其中遗传优化算法为现有技术， 在此不再赘述。 0068 S1-2、 提取非支配设计解的建筑优化目标数据， 得到建筑优化目标矩阵。 0069 进一步地， 步骤S1-2包括： 将建筑多目标优化设计得到的已经收敛的。

32、非支配设计 解集数据转化为矩阵， 该矩阵的行向量为不同的非支配设计解， 列向量为不同建筑设计参 量和建筑优化目标； 提取该矩阵中建筑优化目标对应的数据， 构建建筑优化目标矩阵， 其 中， 建筑优化目标矩阵包含n1个非支配设计解和m个建筑优化目标(n1表示非支配设计解个 数， m表示建筑优化目标个数)， 大小为n1m。 非支配设计解为一个多维向量， 有建筑设计参 量和建筑优化目标两部分维度。 0070 S1-3、 构建建筑优化目标SOM神经网络， 并利用建筑优化目标矩阵进行训练， 得到 建筑优化目标聚类模型。 0071 进一步地， 步骤S1-3包括： 构建包含输入层和竞争层， 具有二维网格拓扑结。

33、构的 SOM神经网络作为建筑优化目标SOM神经网络， 其水平和垂直方向神经元个数比等于建筑优 化目标矩阵的协方差矩阵中两个最大特征值之比， 可通过主成分分析法确定； 对建筑优化 目标矩阵进行归一化处理， 将建筑优化目标矩阵中取值范围不同的建筑优化目标值映射在 (0,1)区间内， 得到归一化的建筑优化目标矩阵； 利用归一化的建筑优化目标矩阵对建筑优 化目标SOM神经网络进行训练， 不断更新建筑优化目标SOM神经网络的神经元权值直至训练 成功， 得到建筑优化目标聚类模型。 0072 具体地， 对建筑优化目标SOM神经网络进行训练包括： 初始化建筑优化目标SOM神 经网络， 设置相应的时间步长i和初。

34、始学习率learn0、 初始邻域半径neighbor0， 将归一化的 建筑优化目标矩阵输入建筑优化目标SOM神经网络， 根据欧式距离求解获胜神经元， 并更新 获胜神经元及其邻域神经元的权值， 表达式为： 0073 Wj(t+1)Wj(t)+learnfun(t)*neighborfun(t)*(X-Wj)； 0074 式中， Wj表示第j个神经元， Wj(t+1)表示更新后的神经元权值向量， Wj(t)表示神经 元目前的权值向量， learnfun(t)表示随时间更新的学习效率， neighborfun(t)表示随时间 说明书 5/11 页 9 CN 110569616 A 9 更新的邻域函数。

35、， X表示神经元的最佳匹配非支配设计解； 0075 其中随时间更新的学习效率的表达式为： 0076 learnfun(t)learn0*exp(-t/i)； 0077 随时间更新的邻域函数的表达式为： 0078 neighborfun(t)neighbor0*exp(-dij/t1)； 0079 t1i/log(neighbor0)； 0080 dij表示获胜神经元和邻域神经元之间的欧式距离。 0081 当建筑优化目标SOM神经网络特征映射不再发生明显变化， 即一轮训练前后的变 化值低于预设的变化量阈值， 说明训练成功。 变化量阈值根据实际需要设定。 此时非支配设 计解将按照归一化建筑优化目标。

36、值聚类到不同的神经元内部， 进而得到建筑优化目标聚类 模型。 0082 优选地， 步骤S1中得到非支配设计解分布特征U矩阵图包括： 0083 S1-4、 根据建筑优化目标聚类模型， 利用建筑优化目标SOM神经网络可视化神经元 之间距离的U矩阵图方式， 绘制非支配设计解分布特征U矩阵图。 0084 具体地， 步骤S1-4包括： 计算建筑优化目标聚类模型神经元之间的距离， 用空白的 六边形单元表示神经元， 连接各空白六边形单元的彩色六边形单元表示神经元与神经元之 间的连接， 通过该彩色六边形单元的颜色反映神经元之间的距离， 最终得到可视化的非支 配设计解分布特征U矩阵图。 0085 S2、 基于建。

37、筑优化目标聚类模型， 绘制神经元代表建筑优化目标成分图、 神经元内 非支配设计解数量图以及神经元层次聚类图， 进行建筑优化目标导向神经元层次聚类筛 选。 0086 优选地， 步骤S2具体包括： 0087 S2-1、 以六边形单元表示神经元， 通过不同色彩或灰度对应不同建筑优化目标值 的形式， 绘制建筑优化目标聚类模型的神经元代表建筑优化目标成分图。 0088 进一步地， 步骤S2-1包括： 计算建筑优化目标聚类模型神经元中非支配设计解的 归一化建筑优化目标平均值向量， 用该平均值向量替换其对应神经元的权值向量， 将替换 后的新的神经元权值向量映射到不同建筑优化目标对应的区间内， 作为神经元内非。

38、支配设 计解的代表建筑优化目标向量， 提取该代表建筑优化目标向量中各个建筑优化目标的数 据； 用六边形单元表示神经元， 通过排列六边形单元反映神经元所在位置和神经元之间的 邻近关系， 得到相应的神经元排列图， 在该神经元排列图上以不同色彩或灰度(优选不同色 彩)对应不同建筑优化目标值的形式进行数据可视化， 得到神经元代表建筑优化目标成分 图。 0089 S2-2、 以六边形单元表示神经元， 通过不同缩放量对应不同个数的形式， 绘制建筑 优化目标聚类模型的神经元内非支配设计解数量图。 0090 进一步地， 步骤S2-2包括： 计算聚类到建筑优化目标聚类模型每个神经元内的数 据个数， 绘制相应的神。

39、经元排列图， 并以六边形单元的缩放量为标尺， 设置数据量最大的神 经元单元缩放比为1， 数据量为0的神经元单元缩放比为0， 并将缩放后的六边形单元显示为 黑色， 得到神经元内非支配设计解数量图。 0091 S2-3、 对建筑优化目标聚类模型的神经元进行层次聚类， 得到神经元层次聚类图。 说明书 6/11 页 10 CN 110569616 A 10 0092 进一步地， 步骤S2-3包括： 计算建筑优化目标聚类模型神经元之间的欧式距离， 根 据该欧式距离建立层次聚类的二叉树连接矩阵， 若有a个神经元， 则该二叉树连接矩阵的维 度为(a-1)3， 通过步骤S1中得到的非支配设计解分布特征U矩阵图。

40、， 获取神经元之间的距 离信息和非支配设计解的分布信息， 根据获取的分布信息设定可接受的最大聚类数Nmax， 通过分割二叉树保留下不大于Nmax个聚类， 得到NNmax个聚类簇； 绘制相应的神经元排列 图， 将保留下的聚类结果以不同颜色对应不同类的形式进行可视化， 得到神经元层次聚类 图。 0093 S2-4、 基于步骤S2-1至步骤S2-3所得图像， 获得建筑优化目标导向神经元层次聚 类筛选结果。 0094 进一步地， 步骤S2-4包括： 对照上述三种可视化结果， 即步骤S2-1中的神经元代表 建筑优化目标成分图、 步骤S2-2中神经元内非支配设计解数量图以及步骤S2-3中的神经元 层次聚类。

41、图， 选定层次聚类结果中， 建筑优化目标符合相关建筑设计标准的一个或多个优 选类(相对于其他未被选择的类较优)， 获取所选优选类中非支配设计解的序号， 利用此序 号索引对应的非支配设计解， 得到建筑优化目标导向神经元层次聚类筛选结果。 其中， 相关 建筑设计标准， 即优选类的认定标准， 可根据具体设计需求， 从现有技术中公开的各项标准 中获取， 在此不再进一步限定。 0095 S3、 根据建筑优化目标导向神经元层次聚类筛选结果和SOM神经网络重构建筑优 化目标聚类模型， 基于重构的建筑优化目标聚类模型绘制神经元代表建筑优化目标柱状图 和神经元内非支配设计解数量图， 进行建筑优化目标导向神经元筛。

42、选。 0096 优选地， 步骤S3中根据建筑优化目标导向神经元层次聚类筛选结果和SOM神经网 络重构建筑优化目标聚类模型包括： 0097 S3-1、 基于建筑优化目标导向神经元层次聚类筛选结果重构建筑优化目标聚类模 型。 0098 进一步地， 步骤S3-1包括： 提取建筑优化目标导向神经元层次聚类筛选结果中， 筛 选获得的非支配设计解的建筑优化目标数据， 构建新的包含n2个非支配设计解和m个优化 目标的n2m建筑优化目标矩阵(n2表示经过建筑优化目标导向神经元层次聚类筛选后的非 支配设计解个数， m表示建筑优化目标个数)， 并对新构建的建筑优化目标矩阵归一化处理； 构建新的建筑优化目标SOM神。

43、经网络， 初始化新构建的建筑优化目标SOM神经网络， 设置相 应的时间步长i和初始学习率learn0、 初始邻域半径neighbor0。 将新的归一化处理后的建 筑优化目标矩阵数据输入新构建的建筑优化目标SOM神经网络， 根据欧式距离求解获胜神 将元， 并更新获胜神经元及其邻域神经元的权值， 迭代训练直到训练成功， 得到重构的建筑 优化目标聚类模型。 其中新构建的建筑优化目标SOM神经网络特征映射不再发生明显变化， 即一轮训练前后的变化值低于预设的变化量阈值， 说明训练成功。 变化量阈值根据实际需 要设定。 0099 优选地， 步骤S3中基于重构的建筑优化目标聚类模型绘制神经元代表建筑优化目 。

44、标柱状图和神经元内非支配设计解数量图， 进行建筑优化目标导向神经元筛选包括： 0100 S3-2、 以柱状图的形式绘制重构后建筑优化目标聚类模型的神经元代表建筑优化 目标柱状图。 0101 进一步地， 步骤S3-2包括： 计算重构的建筑优化目标聚类模型神经元中非支配设 说明书 7/11 页 11 CN 110569616 A 11 计解的归一化建筑优化目标平均值向量， 用该平均值向量替换其对应神经元的权值向量， 并以柱状图的形式可视化新的权值向量， 在相应的建筑优化目标聚类模型的神经元排列图 上叠加呈现， 得到神经元代表建筑优化目标柱状图。 0102 S3-3、 以六边形单元表示神经元， 通过。

45、不同缩放量对应不同个数的形式， 绘制重构 后建筑优化目标聚类模型的神经元内非支配设计解数量图。 0103 此步骤与步骤S2-2中绘制建筑优化目标聚类模型的神经元内非支配设计解数量 图基本相同， 区别仅为执行的对象为重构的建筑优化目标聚类模型， 在此不再重复说明。 最 终可基于重构的建筑优化目标聚类模型， 得到新的神经元内非支配设计解数量图。 0104 S3-4、 基于步骤S3-2和步骤S3-3所得图像， 获得建筑优化目标导向神经元筛选结 果。 0105 对照上述两种可视化结果， 即步骤S3-2中得到的神经元代表建筑优化目标柱状 图、 步骤S3-3中得到的新的神经元内非支配设计解数量图， 选定一。

46、个或多个内部非支配设 计解数量大于零、 建筑优化目标满足相关建筑设计标准， 同时达到设计使用要求的神经元， 获取所选的神经元中非支配设计解的序号， 利用此序号索引对应的非支配设计解， 得到建 筑优化目标导向神经元筛选结果。 0106 S4、 根据建筑优化目标导向神经元筛选结果或上一轮建筑设计参量导向神经元筛 选结果， 构建建筑设计参量聚类模型； 基于建筑设计参量聚类模型进行建筑设计参量导向 神经元筛选， 并根据本轮筛选结果判断是否需进行下一轮建筑设计参量导向神经元筛选。 0107 优选地， 步骤S4包括： 0108 S4-1、 基于筛选得到非支配设计解的建筑设计参量数据训练建筑设计参量SOM神。

47、 经网络， 构建建筑设计参量聚类模型。 0109 特别地， 步骤S4-1中基于筛选得到非支配设计解的建筑设计参量数据训练建筑设 计参量SOM神经网络， 构建建筑设计参量聚类模型时： 0110 若当前为首轮建筑设计参量导向神经元筛选， 则根据建筑优化目标导向神经元筛 选结果中筛选得到非支配设计解的建筑设计参量数据构建建筑设计参量聚类模型； 若当前 并非首轮建筑设计参量导向神经元筛选， 则根据上一轮建筑设计参量导向神经元筛选结果 中筛选得到非支配设计解的建筑设计参量数据构建建筑设计参量聚类模型。 0111 进一步地， 步骤S4-1包括： 获取筛选得到非支配设计解的建筑设计参量数据， 构建 含有n3。

48、个非支配设计解和k个建筑设计参量的n3k建筑设计参量矩阵(n3表示经过建筑优 化目标导向神经元筛选或上一轮建筑设计参量导向神经元筛选后的非支配设计解个数， k 表示建筑设计参量个数)， 归一化该建筑设计参量矩阵； 构建建筑设计参量SOM神经网络， 初 始化建筑设计参量SOM神经网络， 设置相应的时间步长i和初始学习率learn0、 初始邻域半 径neighbor0。 将归一化建筑设计参量矩阵输入建筑设计参量SOM神经网络， 根据欧式距离 求解获胜神将元， 并更新获胜神经元及其邻域神经元的权值， 迭代训练直到训练成功， 得到 建筑设计参量聚类模型。 其中建筑设计参量SOM神经网络特征映射不再发生。

49、明显变化， 即一 轮训练前后的变化值低于预设的变化量阈值， 说明训练成功。 变化量阈值根据实际需要设 定。 0112 优选地， 步骤S4中基于建筑设计参量聚类模型绘制神经元代表建筑设计参量矩阵 图、 神经元代表建筑优化目标矩阵图， 进行建筑设计参量导向神经元筛选包括： 说明书 8/11 页 12 CN 110569616 A 12 0113 S4-2、 计算神经元代表建筑设计参量取值， 绘制建筑设计参量聚类模型的神经元 代表建筑设计参量矩阵图。 0114 进一步地， 步骤S4-2包括： 计算建筑设计参量聚类模型神经元中非支配设计解的 归一化建筑设计参量平均值向量， 用该平均值向量替换其对应神经。

50、元的权值向量， 反归一 化新的神经元权值向量， 得到神经元代表建筑设计参量数值； 将该神经元代表建筑设计参 量数值对应的建筑设计方案在相应的建筑设计参量聚类模型的神经元排列图上叠加呈现， 得到神经元代表建筑设计参量矩阵图。 0115 S4-3、 计算神经元代表建筑优化目标取值， 绘制建筑设计参量聚类模型的神经元 代表建筑优化目标矩阵图。 0116 进一步地， 步骤S4-3包括： 计算建筑设计参量聚类模型神经元中非支配设计解的 归一化建筑优化目标平均值向量， 反归一化该平均值向量， 得到神经元代表建筑优化目标 数值； 将该神经元代表建筑优化目标数值在相应的建筑设计参量聚类模型的神经元排列图 上叠。