住宅建筑能源性能与温室气体排放的多目标优化：基于改进的雪橇犬算法的鲁棒方法

《Energy》：Multi-Objective Optimization of Residential Building Energy Performance and GHG Emissions: A Robust Approach Using the Improved Sled Dog Algorithm

　　摘要：要在住宅建筑中实现最佳的能源与环境性能，需要采用强大的多目标优化策略，以便可靠地探索复杂的基于仿真的设计空间。本研究提出了一种名为MO-ISDO的多目标改进雪橇犬优化算法，该算法引入了信息反馈模型，以提高搜索的多样性和收敛稳定性。所提出的框架被应用于伊朗大不里士寒冷气候条件下的多层住宅建筑，并使用EnergyPlus进行性能评估。此外，通过基于标准化回归系数的全局敏感性分析，将设计空间中的关键变量从14个减少到10个，同时采用VIKOR方法来确定折中方案。研究结果表明，与大不里士的参考建筑相比，MO-ISDO使年度能耗降低了32.36%，温室气体排放量减少了22.84%。此外，该算法还生成了17个分布良好的非支配解，相较于基准算法，展现出更好的帕累托前沿多样性以及更高的计算可靠性。总体而言，MO-ISDO可作为一种高效可靠的工具，用于在多目标约束下支持可持续建筑设计。

引言：建筑行业约占全球能源消耗的40%，以及每年温室气体排放量的近30%，因此成为可持续干预的主要目标[1]、[2]。住宅建筑占建筑环境的60%以上[3]，在减轻运营碳足迹的同时保持居住者的热舒适度方面起着关键作用[4]。然而，建筑能源系统的优化本质上十分复杂。其目标函数具有高维度、不可微分以及相互冲突的特性（例如，在最小化能源使用与最大化舒适度之间取得平衡），这使得传统的确定性优化方法无法发挥作用[5]。因此，元启发式算法已成为解决这些多目标建筑优化问题的主要方法[6]。

对近期文献的全面回顾表明，元启发式算法在建筑优化中的应用大致可分为两类：标准多目标算法和混合/自适应方法。起初，研究人员主要依赖NSGA-II、MOABC和标准GWO等基础算法。例如，Dehghan和Porras-Amores[7]利用NSGA-II来平衡能耗与室内空气质量，而Alimohammadi和Jahangir[8]则在不同气候条件下应用MOABC来确定最优的建筑围护结构参数。然而，这些标准算法在建筑协同仿真框架中（如将MATLAB与EnergyPlus结合使用）的一个主要局限在于，由于建筑热动力学的高度非线性，它们的搜索速度较慢，且容易陷入局部帕累托前沿[9]。为克服这些固有缺陷，近期研究越来越多地转向第二类：混合和自适应模型。采用这种方法的理由是通过结合一种算法的全局搜索能力与另一种算法的局部搜索精度，从而改善搜索与利用之间的平衡。因此，Cao等人[10]开发了适用于高维问题的高级NSGA-III，Nguyen等人[11]将NSGA-II与PSO相结合以加快收敛速度，Wang等人[12]、[16]则提出了自适应GWO，可在暖通空调系统优化过程中动态调整控制参数。

尽管在这些方法上取得了进展，但在动态建筑性能的稳健优化方面仍存在根本性的研究缺口。正如近期关于复杂能源网络优化的研究中所广泛记载的那样[13]、[14]，包括现代混合变体在内的现有算法在面对建筑仿真的高度受限搜索空间时，仍然存在严重的过早收敛问题以及种群多样性丧失的问题。核心问题源于它们的马尔可夫更新机制；标准和混合算法主要仅依据当前代全局最优解的空间信息来引导种群发展。在变量间相互依赖性极强的复杂建筑模型中，这种单一依赖性会导致搜索代理迅速聚集在局部最优解附近，从而在发现真正的全球帕累托前沿之前就从数学上破坏了种群的多样性[15]。

为应对计算成本高昂的建筑仿真中过早收敛这一关键挑战，本研究提出了一种新的多目标改进雪橇犬优化算法——MO-ISDO。这是通过将信息反馈模型[15]整合到标准的SDO框架[13]中实现的。标准SDO模仿了雪橇犬的合作行为，能够提供强大的初步搜索阶段；但其更新方程仅依赖于当前的精英个体，导致后续迭代过程中进展缓慢[13]、[14]。所提出的MO-ISDO的科学创新之处在于它通过信息反馈模型从根本上重构了数学更新机制。它并非仅仅依赖当前迭代的领头个体，而是构建了一个“分布式历史记忆循环”。该模型通过整合多代领头个体的成功位置数据，重新定义了速度和位置更新向量。通过对这一历史轨迹应用动态权重因子，信息反馈模型迫使搜索代理考虑更广泛的空间共识，而非盲目追随可能为局部最优的“当前最佳解”。这一机制从数学上保证了在高维空间中种群多样性的保留，起到了防止种群迅速崩溃的作用，同时也确保了能够有效摆脱局部最优陷阱[19]。借助这一先进的架构，MO-ISDO被用于同时最小化建筑的总能耗和温室气体排放量。

本研究的主要贡献如下：•开发了一种专为基于仿真的建筑能源分析设计的先进多目标优化框架MO-ISDO。通过引入改进的觅食机制，该算法有效避免了过早收敛现象，从而生成高度多样化且具有全球竞争力的帕累托最优解。•整合了VIKOR多准则决策方法，用于严格评估和排序帕累托最优设计。该方法通过为建筑相关方确定稳健的折中方案，成功架起了数学最优性与实际适用性之间的桥梁。•在伊朗半干旱寒冷气候条件下的多层住宅建筑上进行了全面的实证验证。选择大不里士作为半干旱寒冷气候（伊朗气候区IIA）的典型案例研究，因为该气候类型是伊朗高原上最为常见的建筑气候类型之一。不过，未来的工作将把这种方法扩展到其他气候类型和建筑类型，以评估其更广泛的适用性。通过包括超体积指标、帕累托前沿可视化以及稳健的统计分析（即小提琴图/箱线图和t检验）在内的严格评估，证明了MO-ISDO相较于基准算法（NSGA-II和MO-GWO）的优越性能。

本文的其余结构如下：第二部分概述了方法论，包括MO-ISDO算法和信息反馈模型的理论基础；第三部分描述了案例研究以及敏感度和不确定性分析；第四部分展示了结果并进行了讨论；第五部分则总结了研究的意义及未来发展方向。

章节节选：多目标建筑性能优化在建筑性能优化中，多目标方法通常比单目标方法更受青睐，因为它们能够同时处理诸如最小化能耗、降低生命周期成本以及最大化居住者热舒适度和室内空气质量等相互冲突的目标。与通常只能产生一个全局最优解的单目标优化不同，多目标优化会生成一组被称为帕累托前沿的折中解决方案。

案例研究：伊朗西北部东阿塞拜疆省的行政中心大不里士，根据伊朗国家建筑气候规范被划分为气候区IIA[27]。该地区属于半干旱气候，冬季极为寒冷，夏季干燥且温度适中。因此，此类气候条件下的建筑围护结构必须经过优化，以便在冬季实现高热阻，同时在夏季实现有效的太阳辐射控制与自然通风。

比较优化结果：为了对所提出的MO-ISDO算法进行严格评估，并确保比较分析的公平性，该算法与两种成熟的多目标元启发式算法进行了对比测试，即NSGA-II和多目标灰狼优化器（MO-GWO）。选择这两种算法作为基准，是因为如引言中所述，它们在近期关于建筑能源优化的具有重大影响力的研究中已被证明具有有效性且广受认可。为保证实验的严谨性……

结论：本研究提出了一种新的多目标改进雪橇犬优化算法MO-ISDO，旨在解决住宅建筑在设计初期面临的建筑能耗与温室气体排放之间的权衡问题。为评估其有效性，该算法被与基于EnergyPlus引擎的动态建筑性能仿真相结合。所开发的优化框架被应用于位于伊朗大不里士的一栋住宅建筑。

CRediT作者贡献声明：Omid Amani：写作——审阅与编辑、可视化、软件、资源、方法论、研究、资金获取、形式分析、数据整理、概念构思

未引用参考文献：[22]、[33]

数据可用性：如需获取支持本研究结论的数据，可向相应作者提出合理请求后获取。

AI披露声明：在撰写本文的过程中，作者仅使用ChatGPT来生成和优化文章的文本内容，以提升思想表达的清晰度。在使用ChatGPT之后，作者对内容进行了必要的审阅和编辑，并对最终发表的文章内容承担全部责任。

资金支持：本研究没有获得任何财务资助。

利益冲突声明：作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

Omid Amani|Mohammad-Reza Feizi-Derakhshi|Hadi S. Aghdasi伊朗大不里士大学电气与计算机工程学院计算机工程系