基于信息增益与分子模糊Q学习的能源正向建筑投资多目标优化决策模型研究

本研究针对能源正向建筑投资决策中的资源优化问题，创新性地提出融合信息增益属性选择、Q学习算法和分子模糊认知图(MF cognitive maps)的多阶段决策模型。通过信息增益分析筛选出5个关键项目方案，运用Q-learning平衡专家评估矩阵，采用MF-MOPSO方法确定高绩效材料使用(权重0.256)和技术基础设施(权重0.253)为关键指标，最终验证垂直都市农场塔(得分0.1562)和净正能量教育园区为最优投资选择。该研究为可持续建筑投资提供了可量化的决策框架。

　　

在全球能源危机日益严峻的背景下，能源正向建筑(Energy-positive buildings)作为能实现能源自给并反哺电网的可持续解决方案备受关注。然而，这类建筑投资面临资源分配效率低下、风险评估困难等挑战，现有决策模型难以兼顾多目标优化与不确定性处理。传统方法往往忽视专家经验差异，且对关键性能指标的动态关联缺乏有效建模，导致投资决策缺乏科学依据。

针对这些问题，国内清华大学的研究团队在《Environmental Technology》发表了一项创新研究，开发了融合信息增益筛选、强化学习和分子几何学的新型决策框架。该研究通过四阶段模型实现了从项目筛选、评估平衡到最终排名的全流程优化，发现高绩效材料使用和技术基础设施是提升能源正向建筑性能的两大核心要素，为投资者提供了明确的战略方向。

研究采用三项关键技术：1)信息增益算法筛选初始8个项目中的5个关键方案；2)Q-learning平衡专家评估矩阵(收敛容差0.02)；3)分子模糊多目标粒子群优化(MF-MOPSO)进行最终排名。特别构建了分子模糊集(MF sets)处理评估不确定性，整合了线性、三角平面等五种分子几何形状进行稳健性验证。

信息增益项目筛选阶段发现，年能源盈余>21%和热传导U值<15 W/m2K对能源生产潜力(EPP)最具预测力(信息增益0.750)，而高性能材料使用(UHM)的关键影响因素获得最高信息增益值1.000。Q-learning专家共识建模显示，经过5次迭代后评估矩阵达到稳定状态(Δ<0.02)，验证了权重分配专家1(0.5)、专家2(0.25)、专家3(0.25)的合理性。

MF认知图权重分析表明，在不同分子几何形状(Shp_1至Shp_5)和专家权重场景下，使用高性能材料始终位列第一优先级(权重0.256)，技术基础设施(TI)紧随其后(0.253)。这一发现与文献中Ahmad等(2024)关于绿色建筑技术缺口的研究相互印证。MF-MOPSO排名结果显示，垂直都市农场塔(VUFT)以平均得分0.1562位居首位，其优势在于整合了可再生能源系统与空间优化设计；净正能量教育园区(NPEC)以0.1560分位列第二，凸显教育建筑在能源效率方面的示范价值。

比较分析验证了模型的稳健性：与ARAS方法对比显示，在权重±2%波动范围内结果保持稳定。敏感性测试中，即使调整专家权重分配比例(如专家2从0.25增至0.3)，关键指标的优先顺序仍保持一致，证实了方法论的有效性。

该研究的创新价值体现在三方面：首先，通过动态专家权重机制解决了传统决策模型平等对待专家意见的缺陷；其次，分子模糊集的引入实现了对复杂不确定性的三维建模；最后，认知图技术捕捉了指标间的非线性交互作用。正如讨论部分指出，这些发现为政策制定者提供了明确指引——在资源有限情况下，应优先投资于材料创新(如低U值窗户)和智能电网整合等关键技术，这与Kabir(2023)关于垂直农场技术趋势的研究结论形成战略呼应。

未来研究可进一步拓展模型在发展中国家建筑项目中的应用，并整合动态经济参数以增强适应性。当前研究的局限性在于专家样本规模较小，且未细分地域气候差异对材料性能的影响。但无论如何，这项研究建立的量化决策框架，已经为推进全球可持续建筑实践提供了重要的方法论突破。