一种基于知识的多智能体强化学习方法，用于实现经济高效的美学立面生成设计

《ADVANCED ENGINEERING INFORMATICS》：A knowledge-informed multi-agent reinforcement learning approach for cost-effective aesthetic facades generative design

　　

王博伦|卢伟生|徐子涵|安宏达

中国香港大学建筑学院房地产与建筑系

摘要

建筑立面极大地影响着美观性和建造成本，然而在立面设计中实现经济性与美观性的平衡仍然具有挑战性，这是因为评估具有主观性，并且需要通过迭代工作来协调多个利益相关者的相互冲突的需求。本文提出了一种基于知识的多智能体强化学习（K-MARL）框架，以提升立面设计的经济性与美观性。首先，建立了一个建筑立面的参数化模型来定义关键设计变量。随后，训练了三个基于知识的替代模型，从建筑师、居民和城市规划者的角度对立面美观性进行定量预测。第三，开发了一个与预训练替代模型集成的去中心化合作强化学习系统，通过加权动作聚合和基于效用的共识机制来模拟设计谈判。最后，多个智能体在不同的成本偏好下进行谈判，产生代表性能权衡的帕累托最优解。该方法在中国的一个实际案例研究中得到了验证。结果显示，与基线方案相比，优化后的方案在美观性评分上提高了多达9.61%，建造成本节省了多达3.8%。这项研究通过展示一个可部署的框架，为以性能为导向的设计方案提供了智能化的解决方案，并为平衡成本与美观性的立面提供了可解释、可操作的设计洞察。

引言

作为室内与室外环境之间的主要界面，建筑立面在现代建筑中起着至关重要的作用[1]。它们显著影响美观性[2]、能源效率[3][4]和可建造性[5]，同时也对建造成本产生重大影响[6]。立面设计的一个关键目标是在尽可能降低成本的同时实现视觉上的吸引力。然而，美学评估本质上具有主观性。在立面设计中优化经济性与美观性的平衡仍然非常繁琐，严重依赖建筑师的偏好和试错调整[7]。这不仅耗时，而且容易受到主观偏见的影响，经常导致未能平衡多个利益相关者冲突需求的次优结果。

生成设计（GD）作为一种强大的计算方法，已经出现，用于应对这些挑战[[8][9]]。GD利用参数化建模、进化算法、学习模型和性能模拟来自动化探索广泛的设计空间[[10][11]]。它促进了多样化的替代方案的快速生成，并整合了多目标优化，如美观性、日光照明、能源效率和结构性能[[12][13][14]]。然而，传统的GD方法（例如基于进化算法的方法）对于非可微分的约束（如难以明确表述或区分的美学评估）适应性有限，通常需要手动重新参数化。此外，它们主要适用于静态全局优化，在具有强序列依赖性的问题中容易过早收敛到局部最优解，其中早期设计决策会显著影响后续的选择。

强化学习（RL）通过一种简单的无监督架构，无需明确的表述或替代模型，就能够直接优化非可微分的约束，从而为这些限制提供了一个有前景的解决方案[15]。此外，通过将生成设计框架化为一个序贯决策过程，RL能够有效捕捉长期依赖性，并避免在早期决策强烈约束后续可能性的问题中过早收敛到局部最优解，使智能体能够学习出在较长时间范围内平衡复杂非线性权衡的策略[16]。然而，单一智能体的RL难以明确模拟多个竞争目标（例如不同利益相关者的美学感知）之间的内在冲突和谈判，往往导致缺乏解决方案多样性的固定权衡，无法产生丰富的帕累托前沿[17]。

多智能体强化学习（MARL）通过模拟在共享环境中共存的多个智能体之间的互动来克服这些缺点[18]。MARL的优势在于能够模拟协作或竞争性谈判，通过机制促进共识的形成，并生成更反映现实世界权衡的多样化解决方案[19]。这展示了其在解决复杂现实世界问题（如建筑布局设计[20]、能源调度[21]和生物芯片[22]）方面的潜力。然而，传统的MARL应用通常在抽象或简化的环境中运行，智能体缺乏领域特定知识，导致在高维空间中的探索效率低下，可能产生与实际约束不符的不切实际解决方案[16]。

为了解决上述问题，本文介绍了一种基于知识的MARL（K-MARL）框架，该框架将预训练的替代模型集成到RL环境中，用于共识性美学评估。通过嵌入领域知识，智能体在谈判过程中能够做出明智的决策，而自适应的成本偏好参数使得探索成本-美学权衡的帕累托前沿变得更加顺畅。具体有三个目标：（1）利用专家知识增强替代模型以预测立面美观性；（2）开发一种具有自适应成本偏好机制的多智能体谈判RL范式，通过效用加权的行动和共识激励；（3）研究成本-美学权衡，并提炼出具有经济性与美观性的立面的实际设计模式。本文的其余部分组织如下：第2节探讨了面向美观性的生成AI和RL在建筑设计中的应用。第3节从四个关键部分介绍了研究方法。第4节通过在中国大陆开发的一个实际案例研究了我们的方法。第5节展示了实验结果和分析。第6节阐述了我们工作的特点和局限性，第7节总结了本文。

节片

立面美学评估与生成AI

“美学”指的是我们如何感知、解释和欣赏视觉形式中美学价值的哲学研究[23]。在建筑立面的美学中，关键的视觉元素包括外观表面的形状、比例、节奏、大小、复杂性、和谐性、变化和颜色[24]。立面美观性的评估通常包括两种方法：定量和定性。

前者方法涉及使用...

方法论

重申一下，本文旨在开发一个K-MARL框架，通过基于知识的谈判和自适应的成本-美学权衡探索来实现共识驱动的立面设计。整体方法论包括4个部分，如图1所示：

a)

参数化建模：建立建筑立面的参数化模型并定义关键设计变量。

b)

替代模型建立：建立三个预训练的XGBoost模型，用于立面的定量预测

实验

所提出的方法在中国大陆的一个实际案例中得到了验证。该案例是一栋位于苏州的33层住宅建筑，由一家领先的中国房地产公司在2021年开发。

替代模型性能

替代模型在测试数据集中的表现令人满意，如表2所示。所有模型都实现了合理的预测性能，MAE在0-100的范围内介于3.4到4.9点之间。这意味着平均预测误差大约在3-5点之间，表明它们对于美观性评分预测具有实用性。RMSE介于4.51到6.31之间，表明模型之间的偏差偶尔发生，但相对于评分范围来说仍然适中。

特点

所提出的MARL架构旨在模拟实际立面设计阶段的谈判过程，其中涉及多个利益相关者。结果显示，我们的方法在模型性能上令人满意，并能够基于不同的成本策略提供可靠的最优设计解决方案。可以总结出几个关键特点。

首先，这项研究开创了一种基于知识的合作型MARL框架，用于以性能为导向的立面设计。该框架利用了三个...

结论

本研究将人工智能与多智能体系统结合应用于建筑生成设计中，形成了一个基于知识的MARL框架，用于以性能为导向的立面优化。该方法在中国大陆的一个实际项目中得到了验证。主要的发现总结如下：

•

首先，训练有素的替代模型实现了令人满意的预测性能（MAE为3.4-4.9，RMSE为4.51-6.31，MAPE为4.65-9.1%），表明准确性较高

CRediT作者贡献声明

王博伦：写作 – 审稿与编辑，撰写原始草稿，可视化，验证，软件，方法论，调查，形式分析，数据策划，概念化。卢伟生：写作 – 审稿与编辑，监督，资源获取，项目管理，资金筹集，概念化。徐子涵：可视化，软件，形式分析，数据策划。安宏达：软件，概念化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了香港研究资助委员会（CRF）（项目编号：C7080-22GF）的合作研究基金的支持。