建筑性能多目标优化过程比较研究:问题构建、代理模型、算法选择与多准则决策的系统综述及文献计量分析

《Buildings》:Comparative Study of Multi-Objective Optimization Processes for Building Performance

【字体: 大 中 小 】 时间:2026年10月24日 来源:Buildings 3.4

编辑推荐:

  摘要:对能效、热舒适、采光、成本效益和碳减排的日益增长需求,使基于仿真的多目标建筑性能优化(multi-objective building performance optimization)成为重要研究领域。然而,算法适用性与性能的比较仍然匮乏。研究人员通过

  
摘要:对能效、热舒适、采光、成本效益和碳减排的日益增长需求,使基于仿真的多目标建筑性能优化(multi-objective building performance optimization)成为重要研究领域。然而,算法适用性与性能的比较仍然匮乏。研究人员通过结合文献综述与文献计量分析(bibliometric analysis),对多目标建筑性能优化进行了综述与比较。该综述覆盖建筑性能优化(building performance optimization, BPO)的五个关键方面:优化问题构建(建筑类型、优化目标和设计变量)、数据预处理方法(包括数据预处理、敏感性分析(sensitivity analysis)和聚类分析(clustering analysis))、代理模型选择(surrogate model selection)、优化算法选择(optimization algorithm selection)以及多准则决策(multi-criteria decision-making, MCDM)。结果表明,建筑性能优化已从以能源为中心的优化,演变为涉及能源、舒适、采光、成本和碳排放的多目标权衡。在代理模型中,人工神经网络(artificial neural network, ANN)在多输出回归中表现出稳定性能,而线性回归(linear regression, LR)更适合单输出问题。集成ANN、高斯过程回归(Gaussian process regression, GPR)、随机森林(random forest, RF)或径向基函数(radial basis function, RBF)模型的代理辅助框架,通常在有限评估预算下提高计算效率。NSGA-II(non-dominated sorting genetic algorithm II)仍是双目标和三目标优化中最广泛使用且可靠的算法。MOEA/D(multi-objective evolutionary algorithm based on decomposition)对多目标建筑优化的适用性有限,而粒子群优化(particle swarm optimization, PSO)对连续变量收敛迅速,但对受约束的混合变量问题稳健性较差。此外,研究人员进一步阐述了建筑性能多目标优化的前沿研究方向,以及基于不同建筑优化问题的算法比较研究,同时识别了建筑性能优化未来应用的机遇与挑战。
1 Introduction:本节指出计算机科学、人工智能、环境工程与运筹学的发展推动了性能驱动设计,建筑形体、围护结构、系统与运行决策需以能耗、热舒适、采光和成本等可测结果为依据。建筑性能优化(building performance optimization, BPO)常涉及相互竞争的目标、异质设计变量、复杂约束与有限性能评估预算,算法选择因而成为关键问题;同一算法在不同建筑问题中的表现可能不同,比较应兼顾性能改进、解质量、计算成本、重复运行稳定性及目标权衡表达能力。

1.1 Previous Reviews:已有综述多聚焦节能建筑几何形体与围护结构优化、建筑性能多目标优化(multi-objective optimization, MOO)的文献计量进展、采光预测中机器学习算法选择,以及可持续建筑设计与建筑能效设计优化。其核心贡献通常在于梳理优化流程框架、目标函数、设计变量、代理模型和算法选择标准,但对优化结果本身的深入比较与评价不足,导致算法选择常依赖经验或代表性文献,而非严格可比的性能评估。

1.2 This Review:本节说明多目标进化算法(multi-objective evolutionary algorithm, MOEA)已用于成本有效绿色建筑、低能耗高舒适建筑及净零能耗太阳能住宅等。既有综述虽形成较完整知识体系,但仍缺乏算法选择比较框架与跨平台优化指南。作者结合文献计量分析与人工筛选,基于共被引网络和关键词聚类识别157篇高度相关论文,构建覆盖优化目标、设计变量和算法性能的比较研究框架,并提出分层比较框架与多维定量评价框架。

2 Methodology

2.1 Literature Search:文献检索以Web of Science为数据源,围绕“multi-objective optimization”与“building performance”构建布尔检索式,限定英文和SCI期刊为主,并纳入至2025年的相关论文。初检获得2074篇,经标题、摘要和关键词筛选排除与核心主题无关文献后,形成1628篇文献计量数据集;进一步筛选后157篇纳入综合综述,其中74篇高度相关,8篇因仅有目标函数信息而缺少定量指标未进入最终定量综合,最终66篇用于定量分析。

2.2 Bibliometric Methods:本节采用文献计量分析识别研究趋势、模式与影响,并使用引文分析追踪思想演变。CiteSpace用于关键词共现、聚类、突现检测和时间线可视化;VOSviewer用于作者共被引或关键词共现网络构建与可视化,因其可处理较大文献数据集并生成清晰交互网络,适合新兴研究领域主题分析。

3 Findings of the Systematic Literature Review:本节按文献计量结果与主题研究结果展开,概括研究趋势、发表趋势及既有研究描述性发现,并讨论算法在不同建筑情境中的适用性;由于建筑优化问题复杂度不同,并非所有研究均包含相同流程,部分案例仅纳入一般研究变量及比较研究。

3.1 Bibliometric Results:基于1628篇文献的文献计量分析显示,建筑围护结构、遗传算法、支持向量机、机器学习和多目标优化等关键词在不同时期形成突现;共现网络中多目标优化、机器学习、建筑性能模拟、遗传算法、能效和舒适等为核心节点。聚类形成多目标优化、机器学习、建筑性能模拟、优化、室内空气质量和建筑围护结构等主题群,模块度Q=0.37、轮廓值S=0.74;时间线显示研究由围护结构、能源和成本逐步转向遗传算法、人工神经网络、机器学习和多目标优化。

3.2 Building Performance Optimization Problems:完整BPO模型通常由几何模型、物理模型和外部环境数据构成,变量选择及使用频率取决于研究目标;不同模拟目标需要不同设计变量,并据此归纳建模方法与变量。

3.2.1 Building Types:研究将建筑类型分为住宅、办公、学校和其他建筑。66项研究中住宅和办公建筑分别占47.0%和31.8%,为主要研究对象;学校和其他类型分别占13.6%和7.6%。建筑类型通过使用时间表、内部负荷和运行控制影响优化目标、约束、变量敏感性及多目标权衡,因此跨类型推广结论需谨慎验证。

3.2.2 Optimization Objectives and Design Variables:能源性能、热舒适和采光相关视觉环境构成主导优化目标;碳排放包括运行阶段和全生命周期碳排放,全生命周期成本(life-cycle cost, LCC)是近零能耗建筑的重要目标,净现值(net present value, NPV)和投资回收期常用于量化LCC。能耗目标出现于60项研究(81.08%),热舒适覆盖42项(56.76%),LCC为22项(29.73%),全生命周期碳评估为13项(17.57%),采光为21项(28.38%),眩光仅7项(9.46%),室内空气质量和可再生能源各5项(6.76%)。目标函数数量的Spearman相关整体较弱,经FDR校正后无显著配对关系。常用设计变量包括窗墙比、建筑朝向、遮阳装置与角度、太阳吸收率、围护结构U值、太阳得热系数(solar heat gain coefficient, SHGC)、保温层厚度及冷热设定点;变量维度增加会导致仿真样本指数增长,需在早期设计阶段控制冗余。

3.2.3 Simulation Tools:常用建模工具包括Rhino+Grasshopper、Revit+Dynamo和SketchUp,可进行参数化批量修改。EnergyPlus因计算精度和可扩展性被广泛使用,59项研究(83.3%)直接使用EnergyPlus或基于其开发的软件;Radiance及其衍生工具用于视觉舒适和采光评价;Ladybug和Honeybee提供建筑环境性能集成评价平台。

3.2.4 Optimization Framework:综述框架可归纳为优化问题构建、优化前处理、代理建模、多目标优化和多准则决策五个功能组件,其组合取决于建筑情境、数据可得性、设计空间维度、仿真成本和决策需求。框架强调基线模型、目标与变量及约束定义、数据预处理、敏感性分析与聚类、代理模型验证与更新、算法选择及多指标评价,并通过多准则决策将非支配解转化为可实施设计决策;现有研究尚未形成标准化技术流程。

3.3 Pre-Optimization Processes

3.3.1 Data Preprocessing:数据包括物理几何数据和运行性能数据,收集方式有直接测量、公开建筑数据集复用及间接估计与仿真。数据预处理涵盖清洗、集成、变换和标准化,Z-score与Min–Max归一化最常用;KNN、神经网络和支持向量机通常需要标准化输入,PCA和KPCA为典型降维方法。案例表明,经预处理后的预测模型精度和可靠性可显著提高,R2可超过95%。

3.3.2 Sensitivity Analysis:敏感性分析用于将模型输出不确定性归因于输入不确定性,识别影响参数并支持设计优化。其流程包括量化输入不确定性、定义关注输出、按采样策略重复运行模型并计算敏感性指标;高维问题可迭代筛选不重要变量。常用方差型指标包括一阶、二阶和总阶指数。

3.3.3 Clustering:聚类用于将大规模异质建筑样本划分为相对同质群体,构建建筑原型以降低建模和计算成本,并保留建筑存量主要异质性。多数纳入研究未使用聚类,因其聚焦单体建筑;建筑存量研究可通过聚类识别典型特征组合、支持分类性能评价与优化。聚类变量包括能耗强度指标和建筑特征数据,聚类前常进行Z-score标准化,并采用轮廓系数及多种聚类有效性指数评价类内紧密性和类间分离性。

3.4 Surrogate Models for Building Performance:机器学习进展促进了代理模型在BPO中的应用,其以较低计算成本模拟高保真物理模型的输入—输出关系。代理模型构建通常包括设计空间定义与采样、高保真数据生成、模型训练与调参、验证与应用;预测可靠性取决于样本量、覆盖范围、数据质量、特征选择、模型结构和超参数。常见方法包括统计回归、高斯过程(Gaussian process, GP)、支持向量回归(support vector regression, SVR)、人工神经网络(artificial neural network, ANN)、树集成和深度学习模型;不同模型在精度、可解释性、数据需求和计算成本间取舍不同。模型评价应采用绝对误差、相对或归一化指标及拟合优度指标,并针对优化用途考察近优区域误差、约束边界分类、稳定性、不确定性校准及代理模型与高保真Pareto前沿一致性。

3.5 Optimization Algorithms

3.5.1 Classification of Optimization Algorithms for Building Performance:单目标优化可为多目标方法选择提供起点,但不能确定多目标性能。建筑变量可连续或离散,方法需满足设计约束并适应有限仿真次数。优化方法可按搜索机制分为数学规划、进化算法、群智能算法、智能体优化和强化学习,也可按目标数量分为单目标和多目标;多目标优化常为进化算法、群智能算法或数学规划在多目标情景下的扩展,如NSGA-II、SPEA2和MOPSO。

3.5.2 Comparison Methods of Optimization Algorithms:多目标算法比较需多指标评价,通常考虑收敛性、Pareto解分布与多样性、稳定性、稳健性和计算成本。比较应在相同建筑模型、气象文件、运行时间表、目标、约束、变量编码和可行设计空间下进行,并在相同高保真仿真调用预算下报告总计算时间;随机算法应独立多次运行并报告中位性能及变异性。世代距离(generational distance, GD)和反向世代距离(inverted generational distance, IGD)应使用相同参考Pareto集、计算程序和归一化方法。

3.5.3 Comparison of Optimization Algorithms:BPO问题具有多目标、非线性和高计算成本特征,限制传统梯度方法适用性。现有研究主要依赖遗传算法(genetic algorithm, GA)、粒子群优化(particle swarm optimization, PSO)和差分进化等元启发式与群智能算法;NSGA-II应用最广。PSO类方法在连续变量主导问题中收敛较快,但NSGA-II在Pareto前沿分布均匀性和解集稳定性方面更成熟;GA及相关进化算法在全局搜索和多峰非凸强耦合问题中通常优于PSO。GA灵活编码适合离散和混合变量,但基准研究显示其并非普遍优于其他算法;基于模型的算法在部分单目标和多目标建筑性能问题中优于NSGA-II、SPEA2和HypE。算法比较结论受建筑场景、变量类型、评价预算和指标限制,不能普遍外推。

3.5.4 Selection of Optimization Algorithm:算法选择应基于问题特定比较而非普遍排名。对于较少连续变量问题,GA和自适应算法常用但表现波动,NSGA-II和RBFMOpt可作为初始基准候选;对于较多连续与离散变量问题,PSO、SBPLEX和CMA-ES在部分混合变量应用中表现良好,有限评估预算下可优先考虑RBFOpt等基于模型的方法;高维问题中RBFOpt和CMA-ES较有前景,DIRECT受递归空间细分成本限制;离散变量问题中RBFOpt在多研究中快速收敛,SGA和GA表现较差;复杂多目标问题可将带被动存档的NSGA-II、evMOGA和spMODE-II作为基线候选。最终选择应在可比预算下进行多指标比较,并明确变量编码、约束处理、参数设置和重复运行变异性。

3.6 Decision-Making After Pareto Optimization:多准则决策(multi-criteria decision-making, MCDM)用于从Pareto最优解集中筛选或排序最终设计方案。主要方法包括LINMAP、TOPSIS和Shannon熵权法;LINMAP基于与理想解距离识别最优方案,TOPSIS按相对接近理想解并远离负理想解排序,Shannon熵权法适用于缺乏主观偏好权重时由指标离散度导出客观权重。决策质量可用偏差指数(deviation index, DI)衡量所选方案偏离理想解的程度。

4 Conclusions:结论认为BPO工作流日趋成熟,通常包括基线模型、设计变量定义、敏感性分析、数据预处理、代理模型构建、多目标优化和Pareto解决策;敏感性分析对识别关键参数和减轻计算负担具有重要作用,聚类对建筑原型和建筑存量研究有价值,MCDM支持从Pareto解集中选择偏好方案。常用敏感性分析方法包括Morris、SRRC和Sobol;代理模型中ANN特别是反向传播神经网络应用广泛,随机森林和支持向量机也常用。遗传算法仍是流行算法,但基准研究显示其并非总优于其他算法,NSGA-II在BPO中表现优于遗传算法,MOEA/D在报告的问题设置和预算下表现较弱,径向基函数优化表现出稳健输出。当前研究仍缺乏问题设置、预算计算和评价指标的统一标准,优化目标仍偏重运行能耗和热舒适,碳排放、室内空气质量和全生命周期负荷整合不足,固定边界条件、代理模型局部误差和跨场景验证有限制约结果可靠性。未来应优先开展标准化评价和不确定性量化,结合可解释人工智能、BIM、参数化设计与优化平台,并关注代表性不足的建筑类型和性能目标;综述受数据库、语言和选择偏倚影响,主要依赖Web of Science和英文文献,会议文献限制可能影响新兴方法报告。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号