《BUILDING AND ENVIRONMENT》:Multi-Objective Optimization and Decision-Making in Building Retrofits: A Systematic Review of Frameworks, Trends, and Research Gaps
编辑推荐:
在本研究中,研究人员呈现了一项关于基于优化的建筑改造的系统性文献综述,重点在于近期研究如何构建和使用决策支持框架。所综述的研究发表于2020年至2026年之间,根据以下标准进行分类:改造策略、目标函数、优化算法、计算工具、气候背景,以及敏感性分析(SA)、机器
在本研究中,研究人员呈现了一项关于基于优化的建筑改造的系统性文献综述,重点在于近期研究如何构建和使用决策支持框架。所综述的研究发表于2020年至2026年之间,根据以下标准进行分类:改造策略、目标函数、优化算法、计算工具、气候背景,以及敏感性分析(SA)、机器学习(ML)、多目标优化(MOO)和多准则决策制定(MCDM)的整合。研究结果表明,围护结构相关措施,包括保温、窗户、气密性和遮阳改造,仍然是最常优化的策略,其次是暖通空调(HVAC)改进和可再生能源整合。占主导地位的基于遗传算法(GA)的算法是NSGA-II,因其在处理非线性、仿真耦合和冲突目标方面的鲁棒性。然而,本综述的主要贡献在于识别出优化、SA、ML和决策框架的碎片化但新兴的整合。近期研究越来越多地结合了SA用于参数优先级排序、ML用于代理预测和计算加速、MOO用于帕累托前沿生成,以及MCDM用于最终解决方案排序。尽管取得了进展,整合仍然受到代理模型验证不足、计算成本报告不一致,以及对不确定性对帕累托前沿精度和决策排序影响评估不充分的限制。经济和生命周期碳评估也因使用静态能源价格、固定排放因子和不一致的LCA边界而保持简化。气候分析表明,重点集中在寒冷和多种或混合气候背景,而未来气候情景尚未充分纳入改造规划过程。建筑改造优化与决策框架中最重要的空缺包括动态碳和成本建模、隐含碳评估、不确定性量化、未来气候韧性,以及利益相关者知情决策。本综述强调需要透明、数据驱动和综合的评估框架,以支持既有韧性又可实施的改造决策。
1. 引言
建筑行业是全球经济中最大的部门之一,在提供住宅、道路网络和能源设施等基础设施方面发挥关键作用,构成现代社会的结构支柱。该行业中,建筑领域具有显著减少温室气体(GHG)排放的潜力,是推进环境可持续性和气候变化减缓最具影响力的领域之一。建筑和施工行业是全球GHG排放的最大来源之一,约占全球总排放量的37%。加拿大净零排放问责法案承诺联邦政府到2030年将GHG排放量比2005年水平减少40-45%,到2050年实现净零排放。加拿大有超过1500万栋住宅和48万栋商业与机构建筑,这些建筑约占加拿大GHG排放的13%,主要由于使用化石燃料进行空间和水加热。当计入冷却、照明和电器的电力消耗时,总影响增至18%,凸显建筑部门在实现国家气候目标中的关键作用。在建筑运营排放中,超过96%来自空间和水加热系统,这些系统通常依赖天然气炉和锅炉等化石燃料设备。除了直接排放,建筑材料(如混凝土、钢材、铝和木材)中的隐含碳也显著增加了该部门的整体环境足迹。鉴于建筑在国家GHG排放中的重要作用,制定优化的改造策略至关重要,需平衡多个通常相互冲突的目标,如能源效率、成本、舒适度和环境影响。实现这些气候目标不仅需要提高改造率,还需通过仔细平衡环境、经济和社会因素来优化改造深度。尽管加拿大已制定全建筑生命周期评估的国家指南,但需进一步协调以提高用于量化隐含和运营碳的方法、系统边界和假设的一致性。改造策略通常分为被动、主动和行为解决方案。关键考虑因素包括能源性能、居住者福祉、材料使用、电网碳强度和经济可行性。设计良好的深度改造有潜力显著减少碳排放,支持居住者健康,并保持成本效益,而执行不力或表面改造可能无法带来有意义的好处。这些解决方案不仅应提供即时效益,还应在整个建筑寿命期间保持韧性,并能适应未来气候情景,以确保长期可持续性和有效性。全球范围内,气候和能源路线图日益强调建筑部门的深度改造和电气化,作为实现近期减排里程碑和长期净零目标的关键措施。同时,分布式可再生能源、储能和电网交互技术的部署正在加速建筑从被动能源消费者向灵活产消者的转变,可减少峰值需求并支持电网稳定性。此类优化挑战在学科中普遍存在,无论是科学工程还是日常问题解决。当目标是最小化资源(如能源、废物、隐含碳或误差)或最大化期望结果(如能源性能、热舒适或投资回报)时,优化挑战显而易见。从这些优化中获得的见解和综述得出的解决方案可使房主、建筑管理者和政策制定者能够就提供最大整体效益的策略做出明智决策。通过识别最具成本效益的措施并量化其长期影响,这些分析可指导投资方向,并确定哪些倡议应获得激励或补贴。这样做有助于将个人改造努力与更广泛的可持续性目标对齐,确保资源分配到在成本效率、能源性能、热舒适和环境绩效方面提供最高综合收益的措施。
1.1. 研究方向
本研究旨在系统综述多目标优化技术在建筑改造项目中的应用,特别强调遗传算法(GA)的应用方式,并识别方法论趋势、绩效结果和知识缺口,以指导未来研究并支持实用、可持续的改造策略。除了报告频率,本综述综合了“为何”特定算法被偏好用于特定改造问题结构(如围护结构尺寸与HVAC/控制改造),以及“如何”算法选择影响基于仿真的改造决策中的鲁棒性、计算负担和解决方案有效性。研究寻求回答以下研究问题:1. 敏感性分析(SA)、机器学习(ML)、多目标优化(MOO)和多准则决策制定(MCDM)如何整合到改造决策支持工作流中?2. 生命周期成本、碳排放、LCA边界、不确定性和未来气候情景在当前改造优化框架中如何处理?3. 近期多目标建筑改造研究中哪些改造措施、目标和性能指标最常被考虑?4. 哪些优化算法和工作流结构最常用,以及哪些方法论特征解释了其适用于不同改造问题的原因?5. 哪些方法论缺口限制了基于优化的改造决策的可靠性、可转移性和实际实施?
1.2. 与先前系统综述的定位
近期文献综述表明,建筑改造多目标优化已成为一个成熟但仍碎片化的研究领域。早期综述通过检查优化算法、仿真工具耦合、目标函数、建筑性能评估方法以及多目标方法、元模型和不确定性相关方法的使用,建立了可持续建筑设计计算优化的更广泛基础。此后更聚焦和系统的工作证明了基于GA的MOO在改造决策中的适用性,特别是用于提高能源效率同时平衡成本、舒适度和环境绩效等竞争目标。最直接相关的近期综述是关于基于GA的多目标优化用于节能建筑改造的工作,其中确认了NSGA-II的持续主导地位,并强调了与计算成本、有限开放数据、居住者偏好、室内环境质量、气候敏感性和跨建筑类型可扩展性相关的持续挑战。与此同时,一系列更广泛的综述聚焦于建筑能源优化和元启发式算法,比较了经典和现代优化方法,强调元启发式方法对非线性、高维和基于约束的建筑能源问题的适用性,同时识别了与收敛、可扩展性、计算负担以及与机器学习方法混合相关的挑战。近期关于代理辅助和基于机器学习的优化的研究进一步强调了元模型在减少仿真负担和实现更大设计空间探索中的作用,尽管验证、可转移性和与现实改造约束的整合仍未充分解决。因此,本综述区别于先前研究,将重点从算法流行度和GA性能转向对近期改造优化工作流的框架级关键综合。本综述不仅记录最常用的算法和目标,还检查了敏感性分析、机器学习、多目标优化和多准则决策制定如何整合到完整的决策支持过程中。对直接影响改造建议可靠性和适用性的方法论假设给予了更多关注,包括静态与动态碳因子、生命周期成本假设、隐含碳边界、未来气候情景、不确定性传播、代理模型误差以及利益相关者依赖的帕累托最优解排序。这种定位使本综述能够解决先前系统综述中强调的尚未充分发展的缺口,特别是对透明报告、稳健不确定性处理、气候韧性优化、动态碳和成本建模以及反映利益相关者优先级的决策支持方法的需求。
1.3. 综述方法论
采用系统综述和元分析首选报告项目(PRISMA)指南进行文献综述,确保目标、方法论和发现的透明报告。为综合关于建筑改造优化的原始证据并避免重复计算二次文献中的发现,最终定量语料库排除了综述文章。然而,相关综述文章被单独检查,以将本研究定位相对于早期系统综述,并支持对文献语料库完整性的额外检查。在Scopus和Web of Science中使用数据库特定搜索语法进行了全面搜索。搜索策略围绕三个主要术语组组织:优化方法、改造背景和性能焦点。关键词组使用布尔运算符AND组合,而每组内的替代术语使用OR连接:("optimization" OR "multi-objective optimization" OR ...) AND ("building retrofit*" OR ...) AND ("energy" OR "thermal comfort" OR ...)。在Scopus中,搜索应用于标题、摘要和关键词字段,并限制为:PUBYEAR > 2019 AND PUBYEAR < 2027 AND LIMIT-TO (LANGUAGE, "English") AND LIMIT-TO (DOCTYPE, "ar") AND [LIMIT-TO (SUBJAREA, "ENGI") OR ...]。在Web of Science中通过主题字段实施了等效搜索策略,并应用了相应的出版年份、语言、文献类型和相关学科类别过滤器。最终数据库搜索日期为2025年8月。综述聚焦于近期多目标建筑改造优化的发展,限于2020年至2026年间发表的研究。选择此时期是因为建筑性能仿真、进化与元启发式优化、代理建模、机器学习、开源计算工具、生命周期评估和多准则决策制定的整合近年来大幅扩展。2026年发表的文章仅在最终搜索时其被Scopus或Web of Science索引为同行评审期刊文章(包括早期访问或在线文章)时纳入。符合条件的研究必须是原创同行评审期刊文章,涉及现有建筑改造措施的优化。优化问题需至少包含两个独立优化且竞争的目标,如能源使用、经济绩效、碳排放、环境影响或热舒适。研究还需评估至少一项物理建筑改造措施,如围护结构升级、HVAC更换、通风改善、作为更广泛改造包一部分的可再生能源整合,或其他可能影响现有建筑性能的修改。即使未明确命名特定优化算法,只要文章清晰描述了多目标公式和基于优化的搜索或求解过程,研究也符合条件。排除标准包括:1. 关注新建筑设计而非现有建筑改造;2. 解决结构、地震、工业、区域、社区、城市或建筑存量尺度问题而未在个体建筑层面解决改造决策;3. 主要由网络、电网、区域能源、能源枢纽或社区层面交互主导而非建筑层面改造决策;4. 仅关注运营控制、设备调度、独立系统设计或可再生能源配置而未纳入物理建筑改造措施;5. 仅公式化一个优化目标,即使额外指标作为约束或绩效结果报告;6. 仅依赖穷举仿真、预定义情景比较、正交实验或多准则固定替代方案排序而未进行多目标优化;7. 属于综述文章、会议论文、书籍章节、报告、标准、网络资源、非同行评审预印本、无法获取全文、重复记录或后续发表期刊文章的早期版本。原始数据库搜索从Scopus检索到2589条记录,从Web of Science检索到160条记录,去重前共2749条记录。去重后,剩余记录导入Rayyan进行标题和摘要筛选。在筛选阶段移除与现有建筑改造优化无关的记录。随后获取潜在符合条件记录的全文本,并根据预定义的纳入和排除标准进行评估。为进一步评估数据库语料库的完整性,使用Alexakis等人(最相关的近期系统综述)的主要研究语料库进行了补充引文验证。该综述中潜在相关的原始研究使用相同标准重新评估,导致纳入29项额外符合条件的研究。补充评估后,最终语料库包含119项研究,构成后续分析和综合的基础。筛选和数据提取由四位评审员(均为本研究的合著者)进行。全文本符合性根据预定义标准评估,分歧通过讨论和共识解决。数据提取使用标准化表格,涵盖出版特征、地理和气候背景、建筑类型、改造措施、目标函数、优化算法、仿真工具、敏感性分析、机器学习方法、决策方法、不确定性处理、生命周期边界、经济假设和验证程序。综述方案未在公共存储库中前瞻性注册,因此根据PRISMA 2020详细报告了综述方法论和符合性标准。搜索策略、符合性标准、筛选阶段、排除原因和提取类别在最终综合前定义,并详细报告以支持透明度和可重复性。未应用传统偏倚风险工具,因为纳入研究主要是基于仿真的工程优化研究,而非临床、观察或干预研究。相反,在提取过程中纳入了结构化方法论评估。每项研究根据优化公式的透明度、决策变量和目标定义、仿真模型校准或验证、不确定性处理、算法设置和收敛报告、经济和生命周期评估边界说明、代理模型验证以及工作流可重复性进行评估。这些属性未合并为单一数值质量评分,因为研究目标、建筑类型、仿真环境和优化结构的差异会使聚合分数难以解释。它们被用于评估发现的可靠性、可比性和可转移性,并在关键综合和研究局限性讨论中明确考虑。以下部分报告的所有统计、百分比和趋势均基于最终综述语料库中包含的119项研究。研究框架通常组织为四个主要组件:敏感性分析(SA)、机器学习(ML)、优化算法和决策方法。SA首先用于缩小设计空间并识别对建筑能源使用和排放影响最大的变量。ML随后用于支持种群生成、预测建模和更快的性能评估,从而提高优化过程效率。优化算法随后通过平衡竞争目标生成帕累托最优改造解决方案。最后,多准则决策制定(MCDM)方法用于根据利益相关者偏好、项目优先级和实际实施约束对这些替代方案进行排序。然而,这些组件在综述研究中并未一致整合,常独立或部分组合应用。因此,呈现了一个概念框架,将这些碎片化方法论元素组织成连贯的工作流。
2. 敏感性分析
在建筑优化中,SA有助于识别对能源使用、舒适度或成本等绩效结果影响最大的设计参数。SA的主要类型通常分为局部、全局和筛选分析,取决于调查的深度和目的。局部敏感性分析(LSA)在保持其他变量不变的情况下检查单个输入的小变化如何影响整体最终产品,提供对参数影响的早期理解并具有低计算成本。在综述文献中,SA仅在有限数量的研究中明确报告。在这些研究中,SA主要用作优化前步骤,以识别有影响力的改造变量并减少决策空间,较少用作优化后工具来解释帕累托最优方案的权衡和鲁棒性。这种报告不足表明SA常被视为内部工作流步骤而非正式记录的改造优化框架组成部分。常见方法包括一次一个变量(OAT)方法和基于梯度或偏导数技术。全局敏感性分析(GSA)则评估所有输入参数在其全范围内的同时影响并考虑其交互,适用于复杂非线性模型,如能源仿真或多目标优化。常见GSA方法包括Morris(基本效应)方法、Pearson/Spearman相关性、对数加性分解方法和基于方差的Sobol指数。尽管Sobol分析是统计方法,但基于ML的代理模型可用于降低其计算成本。这些SA类型通常扮演三种角色:(i)筛选以减少运行昂贵仿真和优化器前的改造变量数量;(ii)通过识别主导输入和交互来支持代理或降阶建模;(iii)通过揭示哪些变量驱动目标权衡以及哪些在近最优区域内保持不活跃来解释优化解集。在启用SA的研究中,最常检查的改造变量集群包括:围护结构措施(墙/屋顶保温水平、窗户/玻璃性能、遮阳/太阳能控制特征和气密性/渗透)、系统措施(HVAC系统效率/类型、通风率和恒温器设定点),以及可再生能源/控制措施(PV尺寸、存储和运行计划)。一个反复出现的模式是,在采暖主导的环境中,围护结构变量(尤其是保温和气密性)主导敏感性,而在制冷主导或混合环境中,太阳能增益、玻璃/遮阳和运行控制变得更有影响力。最后,基于筛选的敏感性分析用于在优化前识别最有影响力的变量,从而减少计算工作量。这通常通过实验设计(DoE)技术实现。例如,通过整合早期阶段参数敏感性分析,有效识别了关键改造参数,如围护结构保温和气密性,作为实现最优能源性能的最有影响力因素。其他技术,如全因子或部分因子设计,或简化筛选方法如Morris分析,可同时作为筛选和GSA工具。SA在具有许多相关变量或昂贵仿真循环的改造问题中最有价值,因为它有助于将优化聚焦于真正驱动能源、成本、碳或舒适度结果的变量,并提高帕累托前沿权衡的可解释性。
3. 机器学习
机器学习(ML)已被纳入改造优化工作流,主要用于三个功能:代理耦合以减少多目标搜索期间的仿真调用、筛选以在最终基于仿真的评估前快速筛选改造选项,以及决策支持分析以结构化大型非支配解集。代理耦合已通过GA-人工神经网络(ANN)整合和基于XGBoost的预测器在优化工作流中展示,包括ML模型直接用作基于NSGA的搜索的适应度评估器的情况。筛选导向部署已在基于网络或快速评估框架中报告,其中ML预测用作穷举参数仿真的快速替代方案,并得到数据平衡和调整程序的支持。对于解释,已使用聚类和降维方法如自组织映射(SOM)从帕累托最优集中提取主导模式并提高权衡透明度。在这些应用中,预测性能已使用R
2和准确率等指标报告;然而,可靠性仍取决于数据集代表性和验证实践,表明超出训练域的外推可能影响推荐改造决策的鲁棒性。具体的ML技术及其流行度、有用性和局限性在表2中总结。在实施ML的研究中(n=23),基于人工神经网络的模型,包括传统ANN、深度神经网络和反向传播神经网络,最常报告,出现在8项研究中(34.8%)。随机森林(RF)和极限梯度提升(XGBoost)各在6项研究中出现(26.1%),支持向量机(SVM)在2项研究中出现(8.7%)。梯度提升决策树(GBDT)、自组织映射(SOM)、类别提升(CatBoost)、轻量级梯度提升机(LightGBM)和梯度提升回归(GBR)各出现在1项研究中(4.3%)。三项研究(13.0%)报告了其他ML或代理建模方法,包括通用代理建模、未指定的集成学习模型和多元线性回归。由于多项研究使用了多种ML技术,类别非互斥,百分比不总和为100%。总体而言,ML驱动的改造优化已通过减少仿真调用、加速早期筛选和提高大型帕累托最优集的可解释性,改善了高维和计算昂贵搜索问题的可处理性。然而,代理不确定性可能影响目标函数估计的可靠性,从而扭曲优势关系、帕累托前沿形状和最终MCDM排序。因此,代理辅助MOO应包含鲁棒验证、样本外测试、不确定性报告,以及在制定最终建议前使用物理模型重新仿真选定的帕累托最优解。尽管如此,在综述应用中发现了一致的方法论约束:模型可转移性常受限于案例研究特异性,预测可靠性取决于训练数据集的覆盖范围和代表性,当适用边界和验证程序未充分报告时,样本外条件下性能下降的风险不可忽视。因此,当训练数据生成设计覆盖改造变量和运行条件的实际范围,当验证在符合预期部署背景的样本外场景下进行,并且当不确定性驱动因素(如天气、入住率和经济假设)反映在模型开发和解释中时,ML在改造决策中的稳健使用通常得到支持。
4. 优化
在复杂且冲突的多目标景观中识别最优解需要应用先进优化技术,遗传算法(GA)因其高效探索大型非线性搜索空间并收敛至帕累托最优解的能力而成为强大工具。工程和设计中常用的传统优化方法包括基于梯度的方法(如最速下降法、牛顿-拉夫逊法)、线性和非线性规划、动态规划和启发式技术。基于梯度的方法依赖目标函数的可微性,常难以处理非线性和离散变量,并易陷入局部最优。线性规划限于线性关系,无法有效捕捉建筑系统中的复杂交互,而非线性规划虽更灵活,但计算密集且仍易出现局部收敛问题。动态规划遭受“维度灾难”,使其对多变量问题不切实际,而启发式方法虽简单,但常缺乏最优性和灵活性保证。总体而言,这些传统方法在处理改造问题的大型、非线性和多目标性质以及建筑设计中常见的混合变量类型方面面临挑战。GA在改造优化中广泛受欢迎,因其模块化、可定制结构允许无缝集成领域特定约束和目标,使其非常适合涉及成本、CO
2当量(CO
2e)排放、能源效率和居住者舒适度之间权衡的现实场景。其强大的全局搜索能力、处理复杂非线性问题结构的能力,以及通过可定制操作符(如交叉和变异)的灵活性,提供了常超越模拟退火和粒子群优化等替代元启发式方法的鲁棒性和适应性。
4.1. 遗传算法基础
遗传算法(GA)属于进化算法(EA)的更广泛类别,是受自然启发的优化问题求解方法。模拟生物进化,GA从一组初始解开始,这些解可随机或手动创建。GA使用几个不同组件构建。这种模块化是关键优势,因为标准组件可轻松重用,通常只需最小修改,使实现更简单。这些解经历交叉(重组)、变异和选择,模拟自然选择过程。最有效的解被传递到下一代。此循环重复直到满足终止条件。GA的使用特别适合建筑改造优化,因为它有效处理这些问题的复杂、非线性和多目标性质,通常涉及混合离散和连续变量,如材料选择、保温水平、可再生能源整合和HVAC系统配置。提供了使用GA进行优化问题的数学逐步过程。然而,它们也有局限性,如:由于每代评估多个解导致相对较高的计算成本、如果未维持多样性可能导致过早收敛,以及需要仔细调整参数(如种群大小、变异率)以实现最优性能。
4.2. 优化算法
在本文综述的研究中,GA算法是最广泛采用的多目标优化方法,特别是NSGA-II和NSGA-III,同时也报告了其他GA变体。具体来说,NSGA-II应用于119项研究中的59项(49.6%),NSGA-III应用于12项研究(10.1%)。其他进化多目标优化方法包括多目标遗传算法(MOGA)、强化精英遗传算法(SEGA)、基于超体积的进化算法(HypE)和强度帕累托进化算法(SPEA2)。生物启发方法如鲸鱼优化算法(WOA)、水黾优化算法(WSOA)和人工免疫系统(AIS)仅在少数研究中使用。同样,PSO、多目标粒子群优化(MOPSO)和蚁群优化(ACO)使用相对较少。少数研究采用混合或基于代理的方法,如增广切比雪夫标量化函数(ASF),反映对提高收敛效率的日益增长兴趣。将机器学习与优化整合的主要原因是开发用于性能估计的代理或预测模型以减少计算时间。为了将改造问题结构(决策变量类型和约束)与算法选择及报告的优势/局限性联系起来,总结了一个在综述优化研究中观察到的实用映射。计算成本相对于表中其他问题类型定性报告,基于预期仿真运行次数、决策空间维度、目标数量以及模型耦合程度。“低”、“中”和“高”因此表示比较性而非绝对运行时。在比较性方面,基于NSGA的算法被偏好,因为多样性保持和非支配排序得以维持,同时可处理混合离散-连续改造变量和非线性约束而无需可微性假设。然而,鲁棒性并非无代价:计算时间通常由每代重复的建筑性能评估主导,且性能已显示依赖于参数调整和约束处理设置。PSO/MOPSO和其他生物启发方法应用较少,主要是因为收敛对群/启发式参数敏感,且在没有额外机制的情况下,在复杂约束下保持帕累托多样性可能不太可靠。NSGA-III主要在多目标情况下采用,因其参考点机制可在高维目标空间中改善解分布;然而,当目标数量、约束和决策变量维度增长时,计算负担和调整需求可能增加。混合变体已被引入以提高收敛效率并减少评估负担,表明计算可处理性仍是改造优化中方法论选择的关键驱动因素。在综述的优化研究中,改造决策变量主要公式化为混合变量集,包括离散选择(如技术或材料选择)和连续或序数参数(如保温厚度水平、窗户性能范围、设定点和系统尺寸),这有利于基于种群的元启发式方法如GA。最常见的优化目标定义为能源需求或消耗、经济指标和环境指标的组合,舒适相关目标在较小部分研究中包含。因此,围护结构聚焦改造倾向于与NSGA-II/III类搜索对齐,因为决策空间可通过离散选项和有限连续范围探索,而HVAC/控制导向问题通常需要更大的决策空间和更严格的运行约束,在某些情况下推动了混合、代理辅助或分解策略的使用。关于评估基础,优化主要与基于仿真的性能模型耦合,其中目标值通过候选改造包下重复运行建筑能源或系统仿真计算。实测或实验数据集使用较少,通常限于校准、模型验证或数据驱动代理开发,而非作为优化的唯一评估引擎。在改造背景下,直接与穷举枚举基准比较很少可行,因为组合改造菜单和连续范围产生过大搜索空间;因此,性能更常相对于基线设计、符合规范的参考或有限参数子集进行评估,而非完全枚举。
5. 决策制定
建筑性能优化中的决策制定需要能够对多目标优化产生的权衡解进行排序的系统方法。在119项综述研究中,48项(40.3%)应用了决策方法。其中,38项明确将决策与报告优化方法结合,其余10项未明确说明优化方法。在这些方法中,与理想解相似性排序技术(TOPSIS)是最常用的方法,出现在22项研究中,占纳入决策技术研究的45.8%和总综述语料库的18.5%,通常因为它能在明确权重下提供帕累托解的可解释几何排序。更广泛的MCDM框架,包括基于熵的权重和混合方法如TOPSIS、VIseKriterijumska Optimizacija I Kompromisno Resenje(VIKOR)、层次分析法(AHP)或模糊MCDM,日益用于整合定量优化输出与定性评估方法,从而支持更全面和透明的决策过程。约52.9%的综述研究报告了优化方法但未纳入从结果权衡集中选择最终解决方案的明确决策技术。其余研究要么报告了隐式选择程序,要么未提供足够细节以明确分类最终选择步骤,突显了从帕累托最优解中做出“最终”改造选择的不一致报告。相比之下,31.9%的研究明确将优化与决策结合,通常通过MCDM或类似框架识别最优偏好解。在其余15.1%中,优化方法未明确说明;其中10项仍报告了可识别的决策方法,而其他8项未明确报告决策或最终选择程序。TOPSIS提供基于与理想解接近度的直观几何解释,VIKOR通过遗憾最小化强调妥协排序,AHP采用层次成对比较,各在计算效率、主观性和结果可解释性方面提供不同优势。在综述文献中,仅有限子集报告了同一研究内多种MCDM排序方法的直接比较;在大多数情况下,选择并应用单一方法,而无需与替代方法进行系统基准测试。在进行比较的情况下,通常涉及对相同帕累托最优集应用两种或更多种排序方法,并检查在权重方案或排序规则变化下偏好解是否保持稳定。综述研究中还采用了各种其他决策和基于聚类的方法,包括理想点法、加权和法(WSM)、基于熵的权重、基于马氏距离的TOPSIS,以及集成网络分析法(ANP)、效用分析(UA)或德尔菲方法的混合技术。一些研究探索了数据融合或基于云的MCDM扩展,如梯形云模型(TCM),其他研究应用了K-means聚类或皮尔逊相关分析对最优解进行排序和分组。少数框架结合了多种排序技术,包括WASPAS、MULTIMOORA、ARAS和COPRAS,以提高最终排序的鲁棒性和可靠性。此外,模糊逻辑和多准则评估偶尔用于处理不确定性和定性判断。总体而言,这些多样化方法表明向混合和数据驱动决策框架的演变趋势,超越了传统确定性模型,以更好地捕捉建筑性能优化中现实决策过程的复杂性。除了方法论差异,建筑环境中的决策制定还涉及具有不同优先级和约束的多样化利益相关者。政策制定者常优先考虑长期可持续性、能源效率与法规合规,而房主倾向于关注经济可行性、舒适度和即时投资回报。这些不同目标在选择最优设计或改造策略时可能导致冲突偏好。因此,日益需要能够平衡这些多利益相关者利益的集成决策框架。该框架不仅应综合技术优化结果与社会经济考虑,还应增强决策者之间的透明度和沟通,确保所选方案在所有参与方中提供公平和互惠的结果。关于验证,MCDM的“性能”很少针对外部基准真实值进行验证,因为排序本质上依赖于偏好,且在进行优化时很少能获得现实世界验证数据集。相反,验证通常通过内部一致性检查进行,包括对准则权重的敏感性分析、替代归一化/加权策略下排序的比较,以及使用混合或集成排序框架的鲁棒性检查。
6. 优化目标
在建筑改造项目中,常见优化目标包括提高能源效率、最小化改造成本、改善居住者舒适度和减少环境影响。这些目标常相互冲突,例如,提高能源性能通常需要更高的前期成本。有效管理这些权衡对于设计成功的改造策略至关重要。大多数研究符合传统的3E框架(能源、经济和环境),主导多目标优化研究。具体来说,能源绩效在83.2%的研究中涉及,其次是成本(63.9%)和碳排放(51.3%)。室内热舒适出现于42%的研究中,而采光在12.6%的综述论文中考虑。较少见的目标包括生命周期评估(LCA)(8.4%)、未来天气情景(10.9%)和发电量(4.2%)。仅少数研究检查了风险(2.5%)、时间(2.5%)或眩光指数(1.7%)。极少探索的目标,每个约0.8%,包括热自主性、火用和火用成本、水消耗。值得注意的是,任何综述研究均未考虑室外热舒适,突显了将建筑层面优化与室外环境质量联系起来的显著研究空白。由于这些目标在不同改造参数类型上优化,目标集与决策变量结构和所选优化方法紧密相关。能源-成本-碳公式最常见于在围护结构和系统变量上优化,这些变量结合离散选择与有限连续或序数参数,这有利于基于种群的元启发式方法,特别是NSGA系列算法,因其能够处理非线性、混合变量、仿真耦合问题而无需可微性假设。当添加舒适度和采光目标时,目标空间维度增加,搜索通常对约束更敏感,这推动了多目标变体或混合工作流的使用,以保持解多样性和计算可处理性。以下部分概述了建筑改造优化研究中最常涉及的关键性能领域:能源使用、成本、CO
2当量排放和热舒适,按文献中的流行度顺序呈现。在综述研究中,围护结构聚焦措施,特别是保温升级、玻璃改进、遮阳/太阳能控制策略和气密性增强,已反复被选为最有影响力和最常优化的改造决策,常在能源、成本和碳标准下形成近最优解集的核心。这些围护结构包通常与HVAC改进和可再生能源整合互补,表明最优改造配置通常通过组合被动-主动策略而非孤立单一措施升级获得。同时,“最优”排序仍依赖于偏好和背景:在采暖主导气候中,解倾向于由减少供暖需求驱动,而在混合或制冷主导背景下,太阳能增益、玻璃/遮阳选择和运行控制发挥更突出作用;因此,报告所选改造包(以及约束最优的关键约束)对于使基于目标的结果可跨气候和建筑类型转移至关重要。
6.1. 能源使用
在大多数以能源为重点的研究中,决策空间被公式化为混合变量改造包,能源目标主要通过基于种群的优化器内重复仿真运行进行评估。报告的增长范围从6%到63%,取决于基线和气候;例如,挪威学校节能37.5%,阿联酋住宅在共同优化围护结构、渗透、玻璃和设定点时节能高达60%,重庆办公室在HVAC/系统优化后节能17%至23%,高性能办公室节能6.6%至14.7%,澳大利亚独立住宅使用围护结构+PV包在不同区域节能54-63%。SA允许将各种改造策略的主导驱动因素排序为:WWR/窗户类型、墙/屋顶U值、渗透和设定点。此外,在教育建筑改造中,未来天气条件下报告了高达86.18%的节能率。这些模型中常假设固定能源价格、恒定天气条件和简化系统模型,限制了结果应用于具有不同基线条件或电网组成的区域。这些变化不仅源于优化算法本身,还源于气候、基线建筑性能、改造深度以及决策空间中包含的措施组合的差异。采暖主导气候有利于保温和气密性升级,而温暖和混合气候更多受益于组合玻璃、遮阳、设定点和可再生能源措施。因此,报告百分比应解释为属于不同改造性能体制,而非直接可比结果。
6.2. 经济性
在大多数综述优化研究中,经济评估使用基于生命周期的成本模型进行,通常以全球成本(GC)或净现值(NPV)表示。这些模型整合初始投资成本和运营能源费用,在假设的分析期内(通常25至30年)折现,将改造后建筑情景与