تبیین مدل نظری تولید و توسعه پلان های معماری در تعامل الگوریتم های یادگیری ماشین و ژنتیک

نوع مقاله : مستخرج از پایان نامه

نویسندگان

1 دکتری معماری، پژوهشگر، گروه معماری، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

2 دکتری معماری، دانشیار گروه معماری ، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.*(مسوول مکاتبات)

3 دکتری شهرسازی، دانشیار گروه شهرسازی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

چکیده

زمینه و هدف: مساله این پژوهش تبیین مدل نظری در جهت یافتن راهکاری نوین برای تولید و توسعه چیدمان فضایی پلان های معماری مبتنی بر روش های تعاملی و تلفیقی با کمک الگوریتم های یادگیری ماشین و ژنتیک است، در واقع هدف رسیدن به یک مدل نظری است که بیان می دارد الگوریتم های تکاملی به تنهایی مثمر ثمر نیستند، بلکه الگوریتم های یادگیری ماشین می توانند پلان ها را فراگیری کرده و مبنای مدل عملی شوند که به واسطه استفاده از الگوریتم های ژنتیک می توانند توسعه و تولید کننده نمونه های جدید باشند.
روش بررسی: در همین راستا روش پژوهش ترکیبی شامل مطالعات کتابخانه ای، گردآوری داده های خام، بررسی نمونه های موردی و استفاده از فرمول های محاسباتی به صورت تابع های هدف و جریمه است.
یافته ها: مطالعات این تحقیق نشان می دهد که الگوریتم ژنتیک توانایی حافظه سپاری ندارد و از طرفی مبنای محاسبات آن جهش و تصادفی عمل نمودن است که این فرآیند در تولید پلان های معماری به تنهایی اثربخش نخواهد بود.
نتیجه گیری: نتایج پژوهش نشان می دهد که براساس مدل نظری ارائه شده، الگوریتم یادگیری ماشین به واسطه ساختار نمونه پذیر خود می تواند نمونه هایی را ذخیره و بازشناسی نماید و الگوریتم ژنتیک که یک الگوریتم جستجوگر و توسعه پذیر است، هر بار نمونه های بیشتری را از پلان های معماری براساس مدل ریاضی ارائه شده تولید نماید.

کلیدواژه‌ها

موضوعات


 

 

مستخرج از پایان نامه

 

 

علوم و تکنولوژی محیط زیست، دوره بیست و چهارم، شماره سه، خرداد ماه 1401(1-15)

                                                                

تبیین مدل نظری تولید و توسعه پلان های معماری در تعامل الگوریتم های یادگیری ماشین و ژنتیک

 

رضاباباخانی [1]

آزاده شاهچراغی  [2] *

a.shahcheraghi@gmail.com  

حسین ذبیحی [3]

تاریخ دریافت: 15/11/99

تاریخ پذیرش: 18/12/99

 

چکیده

زمینه و هدف: مساله این پژوهش تبیین مدل نظری در جهت یافتن راهکاری نوین برای تولید و توسعه چیدمان فضایی پلان های معماری مبتنی بر روش های تعاملی و تلفیقی با کمک الگوریتم های یادگیری ماشین و ژنتیک است، در واقع هدف رسیدن به یک مدل نظری است که بیان می دارد الگوریتم های تکاملی به تنهایی مثمر ثمر نیستند، بلکه الگوریتم های یادگیری ماشین می توانند پلان ها را فراگیری کرده و مبنای مدل عملی شوند که به واسطه استفاده از الگوریتم های ژنتیک می توانند توسعه و تولید کننده نمونه های جدید باشند.

روش بررسی: در همین راستا روش پژوهش ترکیبی شامل مطالعات کتابخانه ای، گردآوری داده های خام، بررسی نمونه های موردی و استفاده از فرمول های محاسباتی به صورت تابع های هدف و جریمه است.

یافته ها: مطالعات این تحقیق نشان می دهد که الگوریتم ژنتیک توانایی حافظه سپاری ندارد و از طرفی مبنای محاسبات آن جهش و تصادفی عمل نمودن است که این فرآیند در تولید پلان های معماری به تنهایی اثربخش نخواهد بود.

نتیجه گیری: نتایج پژوهش نشان می دهد که براساس مدل نظری ارائه شده، الگوریتم یادگیری ماشین به واسطه ساختار نمونه پذیر خود می تواند نمونه هایی را ذخیره و بازشناسی نماید و الگوریتم ژنتیک که یک الگوریتم جستجوگر و توسعه پذیر است، هر بار نمونه های بیشتری را از پلان های معماری براساس مدل ریاضی ارائه شده تولید نماید.

 

واژه های کلیدی: یادگیری ماشین، الگوریتم ژنتیک، تولید پلان، تولید خودکار پلان.

 

 

 

J. Env. Sci. Tech., Vol 24, No. 3, June, 2022

 

 

 

 

 

 

Explain the theoretical model of production and development of architectural plans in the interaction of machine learning algorithms and genetics

 

Reza babakhani  [4]

Azadeh Shahcheraghi [5] *

a.shahcheraghi@gmail.com  

Hossein Zabihi [6]

 

Admission Date:March 8, 2021

 

Date Received: February 3, 2021

 

Abstract

Background and Objective: The aim of this study is to explain to the theoretical model in order to find a new solution for the production and development of spatial arrangement of architectural plans based on interactive and integrated methods with the help of machine learning and genetic algorithms. Evolutionary algorithms alone are not effective, but machine learning algorithms can learn plans and form the basis of practical models that can develop and generate new samples through the use of genetic algorithms.

Material and Methodology: In this regard, the combined research method includes library studies, collecting raw data, reviewing case samples, and using computational formulas as objective and penalty functions.

Findings: Studies show that the genetic algorithm does not have the ability to store memory and on the other hand, the basis of its calculations is jumping and random action that this process is not effective in the production of architectural plans alone and research.

Discussion and Conclusion:  findings show that the algorithm Machine learning, due to its exemplary structure, can store and recognize examples, and the genetic algorithm, which is a searchable and scalable algorithm, can produce more examples of architectural plans each time based on the proposed mathematical model.

 

Key words: machine learning, genetic algorithm, plan production, automatic plan production.

 

مقدمه

 

همانگونه که واضح است طراحی چیدمان پلان ساختمان ها یکی از اصلی ترین وظایف در طراحی معماری قلمداد می شود. این اشکال چیدمان، ابعاد و موقعیت فضاهای داخلی ساختمان را تعیین می کنند تا معیارهای معماری را برآورده نمایند. این وظیفه برای طراحان و معماران پیچیده می شود که اگر روابط توپولوژی فضاها پیچیده باشد. بنابراین، روش طراحی خودکار توجه ها را به خود جلب نموده است، زیرا ممکن است راهی بالقوه برای محققان برای یافتن راه حل های جدید برای طراحی فضاها یا برنامه ریزی سریع برای پروژه های پیچیده معماری، مانند کاربری های مسکونی، بیمارستان ها، مدارس و آزمایشگاه ها باشد. اما ایده معرفی چنین تکنیکی به معنای جایگزینی معماران نیست، بلکه به معنی توسعه ابزارهای قدرتمند برای یافتن راه حل های سریع، تأیید ایده ها و انتخاب بهترین ابزار و فرآیند برای پیشرفت طراحی است(1).

مطالعات چند دهه اخیر نشان می دهد، تولید خودکار نقشه های طبقات ساختمان کار دشوار و پیچیده ای است. روش پیشنهادی باید با ماهیت ترکیبی ساختار فضا سروکار داشته باشد، با این فرض که جلب رضایت کاربران کار دشواری است (به عنوان مثال برای برآوردن تمام روابط فضایی داخلی ممکن در یک طرح واحد)، اهداف و محدودیت های متناقض و مبهم وجود دارد و این مبهم بودن برنامه طراحی، جزء مراحل اولیه معماری است(2).

بیشتر تلاش های اولیه برای ایجاد سیستم های طراحی خودکار معماری، نوعی عملکرد عینی را به عنوان اندازه گیری کلی از کیفیت یک راه حل به کار گرفته است، سپس سعی نموده کیفیت این عملکرد را با اعمال محدودیت های مختلف به حداکثر برساند یا به حداقل برساند. برای مثال، هدف در اغلب طراحی خودکار پلان ها، اندازه گیری فاصله فضاها به عنوان یک عامل افزایشی یا کاهشی بین یکدیگر در یک نقشه کف طبقات است. یعنی نزدیکترین چیدمان ممکن فضاها نسبت به هم، بنابراین طراحی معماری به شکل خاصی از مسئله انتساب [7]درجه دوم که توسط کوپمنز و بکمن (1957) و بسیاری از نویسندگان از آن زمان فرموله شده بود تقلیل یافته است(3). و معمولاً هدف به حداقل رساندن هزینه ها(فاصله فضاها)، که شامل زمان یا مسافت بین فضاها از طریق بخش های مختلف است(4). این روش ها از راهکار های جستجوی ابتکاری(5). و الگوریتم های تکاملی (ژنتیک)(6). تا برنامه نویسی مختلط متفاوت و [8]الگوریتم پذیرش آستانه (7). بهره برده است.

در واقع الگوریتم های ژنتیک به دلیل ساختار خاص و اجرای نسبتاً ساده آن ها، به طور کلی در زمینه طراحی معماری وارد شده اند. از آن زمان به بعد، آن ها به ویژه در بهینه سازی طرح های طبقات (8) و نقشه سایت ها (9). بهینه سازی طرح های ساختمانی (10). بهینه سازی فرم های سازه های ساختمان (11). و در برخی از طرح های مفهومی کارایی داشته اند، اما با این حال، بر خلاف سایر زمینه های تحقیقاتی کاملاً علمی، مشکلات در طراحی های معماری اغلب با زیبایی شناسی و مسائل اجتماعی نیز آمیخته شده است. عواملی که با مدل های ریاضی قابل توصیف نیستند و وقتی یک طراح سعی می کند با کمک GA، مشکلات طراحی معماری را با چنین پیچیدگی های ذاتی بهینه نماید، باید مشکلات ویژه (روانشناسی محیطی) را به مشکلات ترکیبی و یا عددی تبدیل کند که توسط GA قابل حل گردد(12).

در واقع در مرحله برنامه ریزی فضا است که معماران خواسته ها، الزامات قانونی، محدودیت های توپوگرافی، ترجیحات زیبایی شناختی، مسائل روانشناسی و سایر جنبه های مهم برای مشتری را که ممکن است به طرح نهایی کمک کند، تجزیه و تحلیل و ترکیب می نمایند. برای مثال ممکن است مهمترین تصمیمات مربوط به طراحی سیستم های منفعل خورشیدی با مصرف بهینه انرژی باشد، یا تولید ابعاد پنجره ها در پلان معماری با در نظر گرفتن زمان و چیدمان بهینه که مورد بررسی و اجرا قرار گیرد. در این مرحله معماران سعی می کنند با استفاده از روش های دستی و ابتکاری در ترسیم، راه حل های جایگزین و تغییرات طراحی بیابند تا بهترین راه حل را برای ترکیب تمام ترجیحات و نیازها ارائه نمایند. اما تکمیل این مرحله طراحی اولیه زمان قابل توجهی به طول می انجامد و کیفیت حاصل از آن تا حد زیادی به تجربه گذشته معمار بستگی دارد(13).

به نظر می رسد که در حال حاضر مسئله AFPG[9] با توجه به استفاده و توسعه ابزارهای محاسباتی (یادگیری ماشین، طراحی زایا و غیره) در حل مشکلات معماری، کانون اصلی باشد. تعداد نیازها و ترکیبات احتمالی مکان اتاق ها در نقشه طبقات معماری، این مسئله را بسیار پیچیده و از نظر محاسباتی طاقت فرسا کرده است، که می توان آن را متعلق به گروه مشکلات کامل چند جمله ای که به آن ان‌پی سخت (NP[10]) اطلاق می­شود، دانست(14). در حقیقت مشکلات زیبایی شناسی، روانشناسی محیطی، قوانین طراحی، ترکیبات فضایی، خواسته کاربر و چندین عامل دیگر که فرآیند معماری را چندعاملی می نماید، می تواند پیاده سازی فرآیند طراحی خودکار را ناموفق نماید و همه این مسائل از یک سو و در سوی دیگر عدم کسب موفقیت کامل در بهره برداری از الگوریتم های تکاملی و یادگیری عمیق در تولید پلان های معماری، بیشتر پژوهشگران این حوزه را نگران و سردرگم نموده است، اکنون سوال این پژوهش یافتن راهکاری نوین در تولید فضا برای پلان های معماری با استفاده از فرآیندی جدیدی از الگوریتم های هوش مصنوعی است، راهکاری که در جهت ارائه راه حل جایگزین در فرآیند طراحی خودکار فعلی معماری است. در واقع چند مرحله اصلی در فرآیند طراحی خودکار وجود دارد، یک شناخت نیازکاربر، دو دریافت اطلاعات طراحی، سه تولید طرح و چهار بهینه سازی طرح است که برای تحقق چنین هدفی می توان برای هر مرحله از الگوریتم های تکاملی، یادگیری ماشین و یادگیری عمیق استفاده نمود. که در این پژوهش به بررسی و پیشنهاد الگوریتمی ترکیبی از ژنتیک و یادگیری ماشین در فرآیند تولید طرح پرداخته شده است.

Doulgerakis در سال 2007 از برنامه نویسی ژنتیک (GP) با رویکرد مبتنی بر عامل برای اختصاص فعالیت ها (توابع فضایی) به شکل اتاق ها استفاده نموده است (15). در این حالت، فضاهای گردشی عمودی(راه پله) و کارکردهای ناشی از آن نادیده گرفته شد، بود و در سال 2011 Flack دو آزمایش دیگر را با روش تکاملی مورد آزمون قرار داد، مساله اصلی فضاهای ارتباطی مانند؛ پله ها، آسانسورها بود که برای حل مساله فضاهای ارتباطی از روش تکنیک های محاسباتی، الگوریتم ژنتیک و برنامه نویسی ژنتیکی استفاده شد. پژوهشگران تصمیم گرفتند که مساله راه پله را به عنوان یک فضای ثابت در مسئله بگنجاننده به طوری که در هر سطح تکرار شود، راه حلی که تاکنون هم ادامه دارد(16). در سال 2010 از الگوریتم ژنتیک (GA) برای تولید نقشه های توپولوژیکی استفاده کردند و از الگوریتم Dijkstra برای قرار دادن درها و راه پله ها استفاده نموده اند تا مقررات ارتباط فضاها را رعایت کنند.

در پژوهشی دیگر که فراتر از زمینه محاسبات تکاملی بود، زیمرمن از یک روش تقسیمات مستطیل استفاده کرد که در آن محدودیت های چند سطح خاص اعمال شد، مانند؛ ترازهای دیواره عمودی یا محدودیت های پیش آمدگی (17). این روش شامل بررسی محدودیت ها از توپولوژی به هندسه بود. پژوهشگر توپولوژی را به عنوان تخصیص فضا با مناطق واقعی خالص(زیربنا)، و هندسه را به عنوان نتیجه دقیق با ضخامت دیواره و سایر ابعاد در نظر گرفته بود. اما مساله بعدی تولید پلان در تعداد طبقات بیشتر بود. مشکل تولید نقشه های چند طبقه نیز فراتر از حوزه معماری مورد بررسی قرار گرفته است. به عنوان مثال، در زمینه گرافیک رایانه ای، Merrell و همکاران در2010 از روش رویه ای استفاده نموده اند که در آن برنامه طراحی با استفاده از یک شبکه آموزش دیده بیز، بر روی داده های واقعی نقشه طبقات معماری فراگیری و سطح کف ها توسط پله هایی به شکل L ، U و یا خطی به هم متصل می گردیدند. و Rodrigues در سال 2014 پس از آزمایش چندین تکنیک تکاملی، استراتژی تکاملی ([11]ES) خود را به عنوان نویدبخش ترین مورد استفاده در رویکرد تخصیص فضا معرفی نمود. ES یک تکنیک مبتنی بر جمعیت است که امکان می دهد در سطح وسیع به جستجو در فضای مساله پرداخته شود. همچنین در سال 2019 Maciej Nisztuk در مقاله  شرح می دهد برای تولید چندین اتاق (تعریف شده توسط کاربر)، برنامه [12]ELISi ارائه شده موثر است و برای حل مشکل AFPG کاربرد مفیدی را برای معمار ارائه می دهد. نتایج ELISi نشان می دهد که فرمول بندی مسئله AFPG و روش توسعه یافته می تواند در تولید پلان ها موثر باشد(18).

در پژوهش های صورت گرفته براساس جدول 1 می توان انواع خروجی های هر پژوهش را مشاهده نمود، برای مثال در پژوهش Rodrigues در سال 2012 اکثر آیتم های طراحی خودکار پلان لحاظ گردیده است که می توان این پژوهش را یکی از تحقیقات بسیار ویژه در حوزه تحقق بخشیدن طراحی خودکار توسط هوش مصنوعی دانست، البته هنوز برای تکمیل این پارادایم جدید نیاز به توسعه و ترکیب شیوه های جدید وجود دارد. مثلاً از کاستی های این فرآیندها عدم محاسبه ستون ها و ستون گذاری همزمان با طراحی است، چرا که اگر محاسبه ستون ها همزمان صورت نگیرد طرح باید مجدداً اصلاح و دوباره طراحی شود و به این فرآیند در پژوهش های پیشین پرداخته نشده است و همچنین عدم وجود پیشنهاد مشخص برای مشارکت کاربر در فرآیند طراحی است، در واقع باید کاربر خود نیز در فرآیند طراحی مشارکت نماید و سهم بسزایی را در چینش فضاها براساس سلیقه های خود داشته باشد. در این پژوهش سعی گردیده تا جای ممکن علاوه بر حفظ دستاوردهای پیشین، مساله افزایش دقت و سرعت طراحی مدنظر قرار گیرد و عملکرد تصادفی ماشین کاهش یابد چرا که در پژوهش های قبلی به علت استفاده صرف از الگوریتم ژنتیک، خروجی های تولید شده ماشین دارای عملکرد تصادفی و در نقشه های طراحی شده دارای ایرادات اساسی بوده است.

 

روش بررسی

در این پژوهش از روش های ترکیبی که شامل مطالعات کتابخانه ای، گردآوری داده های خام، بررسی نمونه های موردی، محاسبات و فرمول های ریاضی به همراه الگوریتم ها و کتابخانه های هوش مصنوعی استفاده گردیده است. مطالعات کتابخانه ای در جهت استخراج حداقل ابعاد فضاها، بازشوها و روابط فضایی براساس استانداردها و ضوابط طراحی پلان های معماری که در مبحث 4 کتب مقرارت ملی ساختمان هست، صورت پذیرفته است. و همچنین گردآوری داده های خام در راستای آموزش نمونه های صحیح طراحی پلان معماری به الگوریتم های یادگیری ماشین انجام گردیده که از طریق محاسبه ضریب همبستگی و پیش پردازش و پس پردازش تجزیه و تحلیل و سپس تبدیل به پایگاه داده شده است. همچنین نمونه های موردی صورت گرفته در تحقیقات پیشن که در مسیر تولید پلان های معماری براساس طراحی خودکار بوده اند، نیز بررسی و ایرادات، مشکلات و کاستی های آن ها نیز استخراج گردیده است. در ادامه از طریق فرمول های ریاضی و تابع نویسی، الگوریتمی مبتنی بر ساختار ژنتیک که در جهت همکاری با الگوریتم های یادگیری ماشین هست، به صورت حل مساله پرداخته شده است.

الگوریتم ژنتیک در این پژوهش به عنوان الگوریتمی برای تولید و توسعه فضای پلان های معماری براساس استانداردها و نمونه های آموزشی استفاده شده است، در واقع هدف از الگوریتم ژنتیک در این پژوهش تولید فضاهای جدید براساس اطلاعات ورودی کاربر و استاندارها و مقرارت طراحی محبث 4 و همچنین نمونه های صحیح آموزشی از فرآیندهای طراحی پلان های معماری است. اما در این پژوهش الگوریتم ژنتیک با یادگیری ماشین در یک تعامل دو سویه قرار گرفته است، چرا که در پژوهش های پیشین مساله ای که وجود دارد تولید فضا فقط از طریق الگوریتم های تکاملی منجر به چند مشکل گردیده است، اولین مساله، تصادفی عمل نمودن الگوریتم است که منجر به تولید فضاهای خارج از منطق طراحی معماری می­گردد (13). چرا که الگوریتم های تکاملی مانند ژنتیک برپایه جهش ها و تصادفی عمل کردن هستند، مانند آنچه در طبیعت در دوره های تکامل صورت می پذیرد و این نحوه عملکرد براساس اظهارات خود پژوهشگران باعث تولید فضاهایی در پلان می گردد که در تعداد بالا خطای طراحی را ایجاد می نماید، دومین مساله زمان طولانی این الگوریتم برای پردازش است که تولید پلان را با مشکل مواجه می نماید، لذا با مطالعات صورت گرفته در نهایت این جمع بندی حاصل گردید که استفاده از یادگیری ماشین همزمان با الگوریتم ژنتیک می تواند این مساله را حل نماید.

 برای رسیدن به این امر ابتدا باید اطلاعات طراحی براساس جدول 2 استخراج و حداقل هایی که باید در طراحی مدنظر قرار گرفته شود به هوش طراحی خودکار انتقال داده شود که این کار توسط زبان برنامه نویسی خواهد بود، سپس نمونه هایی از پلان های معماری که استانداردها را رعایت نموده اند به یک پایگاه داده تبدیل و سپس به ماشین از طریق زبان برنامه نویسی پایتون آموزش داده می شود. اکنون الگوریتم ژنتیک هم نمونه های آموزشی را می تواند مشاهده نماید و هم نسبت به حداقل های طراحی براساس استانداردها آگاه باشد و در ادامه براساس اطلاعات ورودی کاربر که شامل، محل طراحی، تعداد طبقات، تعداد واحدها، عرض زمین، طول زمین، تعداد اتاق خواب ها، محل قرارگیری آن ها براساس علایق کاربر(شمال، جنوب، شرق و غرب)، محل قرارگیری آشپزخانه، ابعاد پنجره ها (بزرگ،کوچک، متوسط، کف تا سقف) و پارگینگ، انباری و سایر فضاها است، می تواند طرحی را در مدت زمان بسیار کوتاه آماده و ارائه نماید. در واقع در این پژوهش به واسطه ارائه نمونه پلان های صحیح با طول و عرض های متداول زمین های شهری که گام آن براساس تغییر یک متر هست، می توانیم، یادگیری را قوی تر نماییم، برای نمونه، عرض یک زمین 10 متر و طول آن 20 متر است و نمونه طراحی آن با 60% سطح اشغال به ماشین آموزش داده می شود، که هرچه تعداد نمونه ها بیشتر باشد دقت و قدرت یادگیری هوش طراحی خودکار نیز بیشتر خواهد بود، مانند؛ دانشجوی معماری که هرچه طرح های بیشتری را مشاهده نماید، می تواند طراحی بهتری را تولید نماید، اما قطعاً کاربر می تواند زمین هایی با ابعاد غیر متداول داشته باشد، در این صورت هوش طراحی خودکار اطلاعات زمین را از کاربر دریافت و نمونه متناظر آن را از حافظه خود استخراج و سپس به وسیله فرمول های ریاضی (تقریب استرلینگ، فاصله منهتن، فاصله کسینوسی، قانون پولیش، فاکتوریل و جایگشت) تقسیمات فضایی و روابط فضایی را اعمال و ابعاد جدید را در پلان معماری براساس طول، عرض و سطح اشغال طراحی می نماید. بدین روش دیگر احتمال تصادفی عمل کردن الگوریتم در تولید پلان به واسطه وجود نمونه های آموزشی به صفر خواهد رسید (19).

 

 

جدول1- پیشینه پژوهش های صورت گرفته با الگوریتم های تکاملی و یادگیری ماشین

Table1. Background of research with evolutionary algorithms and machine learning

 

پژوهشگر

سال

روش

oF

wD

eD

eW

iD

S

fL

eF

bB

aB

oO

sA

1

W J Mitchell et al

1956

SO

 

 

 

 

 

 

 

 

 

 

 

 

2

Jo and Gero

1996

GA

g

 

 

 

 

 

 

 

 

3

Schnier and Gero

1997

GA

g

 

 

 

 

 

 

 

 

 

 

 

4

Rosenman

1997

GA

g

 

 

 

 

 

 

 

 

 

 

5

Gero and Kazakov

1997

GA

g

 

 

 

 

 

 

 

 

6

Jagielski and Gero

1997

GP

g

 

 

 

 

 

 

 

 

7

Bentley

1998

GA

gt

 

 

 

 

 

 

 

 

8

Garza and Maher

1999

GA

gt

 

 

 

 

 

 

9

Elezkurtaj and Franck

1999

GA/ES

gt

 

 

 

 

 

 

 

 

10

Michalek

2001

GA+SA/SQP

gthcl

 

 

 

 

 

 

 

11

Jackson

2002

GP+L-system

g

 

 

 

 

 

 

 

 

 

 

 

12

Virirakis

2003

GP

gt

 

 

 

 

 

13

Makris

2005

GA

gt

 

 

 

 

 

 

 

 

 

14

Bausys and Pankrasovait

2005

GA

ghl

 

 

 

 

 

 

 

 

15

Homayouni

2007

GA

gt

 

 

 

 

 

 

 

 

16

Doulgerakis

2007

GP

gt

 

 

 

 

 

 

 

17

Banerjee et al

2008

GA

gt

 

 

 

 

 

 

 

 

 

 

18

Serag et al

2008

GA

g

 

 

 

 

 

 

 

 

 

 

19

Makoto INOUE

2008

LA+EC

 

 

 

 

 

 

 

 

 

 

 

 

20

Inoue and Takagi

2009

GA+VD

gtls

 

 

 

 

 

 

 

 

 

 

21

Wong and Chan

2009

GA

t

 

 

 

 

 

 

 

 

23

Benjamin Dillenburger

2009

GA+SA

 

 

 

 

 

 

 

 

 

 

 

 

24

Thakur et al

2010

GA/DA

gts

 

 

 

 

 

 

 

 

25

de la Barrera Poblete

2010

GA+VD

g

 

 

 

 

 

 

 

 

 

 

26

Knecht

2010

GA/ES+K-D

gt

 

 

 

 

 

 

 

 

 

27

Flack

2011

GA/GP

gt

 

 

 

 

 

 

 

28

Ricardo Lopes et al

2011

AH

 

 

 

 

 

 

 

 

 

 

 

 

29

Reinhard Koenig

2012

AH

 

 

 

 

 

 

 

 

 

 

 

 

30

Rodrigues

2012

ES+SHC

gt

 

 

31

Victor Calixto

2015

GA/GP

 

 

 

 

 

 

32

Stanislas Chaillou

2019

GAN

 

 

 

 

 

 

 

 

33

RUIZHEN HU

2020

Graph2Plan

 

 

 

 

 

 

 

34

Maciej Nisztuk

2020

GA

 

 

 

 

 

 

 

GA: الگوریتم ژنتیک- GP: برنامه نویسی ژنتیک- ES: استراتژی تکاملی- SA: شبیه سازی گرمایش- SQP: برنامه درجه دوم متوالی-L : سیستم لندمیر- VD :  نمودار ورنوی- DA: الگوریتم دایجسترا- SHC: الگوریتم تپه نوردی- t: توپولوژیک- h: گرمایش-c: سرمایش-  l: روشنایی- s: مسافت پیاده روی- oF: تابع هدف- wD: ابعاد دیوار- eD: در بیرونی- eW: پنجره- iD: در داخلی- S: فضاها- fL: کف طبقات- st: پله- eL: آسانسور- eF: تجهیزات / مبلمان- bB: محدوده ساختمان- aB: ساختمان های مجاور- oO: جهت بازشوها- sL: موقعیت مکانی- sA: فضاهای همجوار

جدول2- حداقل های طراحی پلان براساس مبحث 4 مقرارت ملی ساختمان

Table4. Minimum plan design based on topic 4 of the National Building Regulations

ماتریس فضا

جهت گیری

حداقل در

حداقل پنجره

حداقل ارتفاع

حداقل طول

حداقل عرض

حداقل مساحت

نام فضای مسکونی

ردیف

0

-

1m

-

24/3

-

40/1

-

راهروی ورودی خروجی

1

0

-

1m

-

24/3

-

10/1

-

راهروی ورودی داخلی

2

1

شرق

90cm

8/1

24/3

-

70/2

12

اتاق خواب اول

3

1

شرق

90cm

8/1

24/3

-

5/2

5/6

اتاق خواب دوم

4

1

جنوب

1m

8/1

24/3

-

70/2

12

پذیرایی

5

2

شمال

1m

8/1

24/3

-

15/2

5/7

آشپزخانه

6

0

-

3m

-

88/2

5

5/2

5/12

پارکینگ

7

2

غرب

80m

8/1

24/3

-

20/1

-

حمام

8

0

غرب

90cm

-

24/3

70/1

20/1

2

انباری

9

1

-

90cm

-

-

3

2

6

پاسیو

10

1

-

90cm

-

-

-

2

-

حیاط خلوت

11

1

شرق

80cm

-

10/1

30/1

20/1

56/1

تراس و بالکن

12

0

-

90cm

-

-

90/1

70/1

23/3

چاله آسانسور

13

2

غرب

80cm

8/1

24/3

20/1

10/1

-

سرویس بهداشتی

14

2

غرب

80cm

8/1

24/3

70/1

50/1

-

سرویس بهداشتی معلولین

15

0

-

1m

-

24/3

-

40/1

-

پیش ورودی ساختمان

16

0

-

1m

-

88/2

4

3

12

محل نگهداری تاسیسات

17

0

-

1m

-

10/3

40/3

5/2

12

موتور خانه آسانسور

18

 

برای این امر باید ابتدا نمونه پلان های معماری بر مبنای یک متر افزایش در طول و عرض در بازه زمین های متداول شهری تولید و سپس با پیش پردازش داده ها نویز گیری و در ادامه اطلاعات آن از طریق رمزنگاری به یک بردار یکه تبدیل گردد تا الگوریتم یادگیری ماشین توان خوانش آن را از طریق کتابخانه های خود داشته باشد، سپس باید تابع هدف، تابع هزینه نحوه محاسبه فضاها و شیوه تخصیص آن ها و همچنین فرآیند هماهنگ کردن این توابع با الگوریتم ژنتیک صورت پذیرد.

 

یافته ها

تاکنون در روش های قبلی که در سال های 1996 تا 2014 صورت گرفته است، برای طراحی خودکار صرفاً از الگوریتم های تکاملی استفاده شده و تمام فضاها، بازشوها و فضاهای ارتباطی به روش جستجو در فضای مساله یافت و اعمال گردیده است که در این فرآیندها هم خطای تصادفی عمل نمودن الگوریتم به خاطر ساختارش وجود داشته و هم زمان زیادی صرف گردیده و در نهایت با افزایش تعداد فضاها یا عناصر دیگر پلان، نتایج قابل دفاع استخراج نگردیده است. اما در این پژوهش با توجه به مطالعات وسیع صورت گرفته برای نخستین بار جهت پیشگیری از وقوع چنین خطاهایی، به صورت ترکیبی از الگوریتم های یادگیری ماشین و ژنتیک براساس نمونه های صحیح چیدمان عناصر پلان ها استفاده شده است. از یادگیری ماشین برای آموزش نمونه های صحیح طراحی و از الگوریتم ژنتیک در راستای توسعه و تولید نمونه های جدیدتر براساس پلان های فراگیری شده توسط هوش طراحی خودکار در ابعاد های مختلف در راستای محدوده استانداردها و ضوابط طراحی و همچنین تامین نیاز کاربر استفاده گردیده است.

بدین منظور در پژوهش های پیشین نحوه آموزش پلان های معماری به الگوریتم های یادگیری ماشین با چندین روش به صورت کامل مورد بحث و بررسی قرار گرفته است، اما به صورت اجمالی باید بیان نمود که برای یادگیری ماشین ابتدا باید مختصات پلان های نمونه آموزشی براساس شکل 1 رمزنگاری شده و به بردارهای عددی تبدیل گردیده و سپس این بردارها از طریق فرمول های فاصله سنجی دسته بندی و اطلاعات آن ها مرتب و در نهایت به وسیله کدنویسی زبان پایتون به الگوریتم یادگیری ماشین آموزش داده شود.

 

شکل1- ماتریس روابط فضایی و همجواری

Figure 1. Spatial and neighborhood relations matrix

 

 

 

در واقع در این روش که هدف یافتن روشی برای تعامل الگوریتم ژنتیک و یادگیری ماشین است، پلان های آموزشی نمونه های خواهند بود که مختصات اولیه را به وسیله کدهای نوشته شده از هر فضای پلان به الگوریتم GA انتقال می دهند و الگوریتم GA فرآیند توسعه و تولید نمونه های جدید را با حافظه سپاری توسط الگوریتم یادگیری ماشین ساختار کلی پلان ها که شامل، تقسیمات فضایی، روابط فضایی، جهت بازشوها و سایر مولفه ها هست آغاز می نماید و در ادامه این مختصات های آموزش دیده را توسعه و با نیازهای کاربر، شرایط اقلیمی، ضوابط طراحی و مولفه های دیگر توسعه و به فرم جدید تبدیل می نماید. بدین روش از جهش و تصافی عمل کردن هوش طراحی خودکار پیشگیری خواهد شد، چرا که ساختار کلی پیشتر به الگوریتم GA با یادگیری ماشین آموزش داده شده است.

 

شکل2- تبدیل روابط فضایی به بردارهای عددی

Figure 2. Converting spatial relations to numerical vectors

 

 

می توان این محدوده های که باید الگوریتم GA در آن فعالیت نماید را در شکل 2 به صورت کامل مشاهده نمود بردارهایی که از کدهای صفر و یک تشکیل یافته اند و همچنین کدهای مختصات فضاهای اولیه که توسط یادگیری ماشین شناسایی شده و جهت توسعه و تولید نمونه های جدیدتر آماده هستند. اما در ادامه باید به مساله اصلی که نحوه عملکرد الگوریتم GA  در تولید و توسعه پلان های معماری براساس نمونه های صحیح، اطلاعات ورودی کاربر، ضوابط طراحی، مباحث بهینه سازی و سایر مولفه های اثربخش در فرآیند طراحی است اشاره نمود، در این فرایند هر پلان برای این که بتواند توسط الگوریتم ژنتیک خوانش شود و سپس توسعه یابد و تبدیل به نمونه جدیدی گردد، باید ساختارهای را رعایت و  عناصر متشکل خود را به بردارهای عددی یکه با مشخصاتی که در اینجا ذکر گردیده تبدیل نماید؛ L: طول زمین، w: عرض زمین، S: فضا، E: آسانسور، ST: راه پله، Le: طبقات، P: پارکینگ، W: انباری.

  



 سپس این بردار باید به بردارهایی با اطلاعات دقیق تبدیل گردد،  در اینجا Le: طبقه و R: تا هر فضا را در پلان به صورت اختصاصی نشان دهدکه در درون خود طول عرضی را دارد و باید با Fh: که بیانگر ارتفاع طبقه است، تشکیل دهنده فضا باشد.  در ادامه وضعیت بازشوها هم باید به بردار افزوده شود.



 که Fr: نماینگر مرز فضاها و Wr: پنجره ها و Dr: اطلاعات در های اتاق ها را دارد. در حقیقت Fri(x,y,w,h) که نمایه های است از درجه آزادی عمل هر فضا، x , y مختصات های حرکت مستطیل یا مربع به چپ یا راست در مختصات دکارتی را و w,h  عرض و ارتفاع هر فضا را کنترل می نمایند. در مورد بازشو ها باید گفت که  بر اساس ترکیبی از استاندارد های بهینه سازی انرژی SET[13] و حداقل ها تعیین شده در ضوابط مقرارت ملی و  برگرفته از حداقل ابعاد ذکر شده در مبحث 4 مقرارت ملی براساس جدول 2 است.

برای راه پله در پلان ها باید برداری از  ساخته شود که حاوی اطلاعات مختصات راه پله و ارتفاع و همچنین کف و ارتفاع پله ها است و این فرآیند نیز برای آسانسور که به عنوان دومین رابط بین طبقات است به این شکل



ساخته می شود. در این پژوهش برای کاهش پیچیدگی فرمی و محدودیت های پژوهش (از نظر زمان)، اشکال ساختمان اصلی و ساختمان های مجاور تابعی از اشکال مستطیل و مربع در نظر گرفته شده است. پس از ایجاد بردارها که در واقع داده های عناصر اصلی پلان را شکل می دهند اکنون باید تابعی جهت محاسبه مختصات این فضاها  بدین صورت نوشته شود.

اما برای محاسبه ابعاد فضاها که باید از میزان سطح اشغال یعنی 60% بیشتر نشود، باید تابعی را به عنوان تابع جریمه نوشته شود که این تابع بدین صورت است که OLA: مساحت نهایی، Ol: سطح اشغال مجاز، fa: مساحت فضاها است و باید عدد حاصل شده از این رابطه همواره پس از خروج از قدر مطلق برابر صفر باشد در غیر اینصورت تابع عدد بزرگتر از صفر را به عنوان میزان جریمه به الگوریتم برگردانده و فرآیند تا زمانی که عدد صفر شود تکرار خواهد شد. در ادامه باید تابع جریمه کننده به بررسی همجواری پنجره، در، آسانسور، پله، پارکینگ، انباری و فضاهای اتاق ها در پلان معماری بپرداز تا محاسبه شود که هریک باید چه میزان خطا را در جابجایی اصلاح نمایند. برای این امر باید توابعی با عنوان مختصری از DC1: ارزیابی اتصال، DC2: همپوشانی عناصر پلان، DC3: همجوار شناسی فضاهای خاص در پلان، DC4: ارزیابی بازشوها DC5: جهت های عناصر، DC6: محدوده خالص، DC7: تنظیم در های داخلی، نوشته شود.

مثلاً برای نمونه پیاده سازی DC1 ابتدا باید تمام عناصر دارای ماتریس همجواری رمزنگار باشند تا بتوان از این طریق ارتباط مجاز هر فضا با فضای جانبی را ارزیابی نمود، سپس براساس این تابع

  خطای همجواری استخراج و اصلاح گردد، که در اینجا  ماتریس اتصال فضاها،  ماتریس همجوارشناسی  ماتریس فضای ارتباطی، را نشان می دهند. اگر باقی مانده تابع   از Ol باشد، تابع ارزیابی DC1  آن را محاسبه و به الگوریتم ژنتیک بازتاب می نماید و بدین ترتیب تمام DC های فرآیند برای هریک از عناصر 1 تا 7 بررسی و اعمال می گردد که برای هرکدام از DCها مدل محاسبه متفاوت است که انجام تمام این محاسبات از حوصله و ظرفیت این مقاله به لحاظ استاندارد های پژوهشی خارج است، اما در نهایت باید DC همه عناصر برابر صفر باشد و نه بزرگتر و نه کوچکتر تا طرح تولید گردیده هم از نظر روابط فضایی، تقسیمات فضایی، استاندارد های طراحی و با اطلاعات ورودی کاربر مطابقت داشته باشد. لذا بدین منظور باید براساس ماتریس ابعاد زمین های متداول شهری که در شکل 3 قابل مشاهده هست، هوش طراحی خودکار نمونه هایی را آموزش دیده و بتواند دسته بندی مناسبی را از آن در ذهن خود ارائه دهد و سپس با تابع های هدف و جریمه آن را توسعه و نمونه های جدیدتری را تولید و سپس در فرآیند حافظه سپاری خود دوباره نمونه جدید را رمزنگاری و ذخیره نماید.

 

 

شکل3- ماتریس زمین های متداول شهری

Figure 3. Matrix of common urban lands

 

X,y

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

7

42

46

50

54

58

63

67

71

76

79

84

88

92

96

100

105

8

48

52

57

62

67

72

76

81

86

91

96

100

105

110

115

120

9

54

59

64

70

75

81

68

91

97

102

108

113

118

124

129

135

10

60

66

72

78

84

90

96

102

108

114

120

126

132

138

144

150

11

66

72

79

85

92

99

105

112

118

125

132

138

145

151

158

165

12

72

79

86

93

100

108

115

122

129

136

144

151

158

165

172

180

13

78

85

93

101

109

117

124

132

140

148

156

163

171

179

187

195

14

84

92

100

109

117

126

134

142

151

159

168

176

184

193

201

210

15

90

99

108

117

126

135

144

153

162

171

180

189

198

207

216

225

16

96

105

115

124

134

144

153

163

172

182

192

201

211

220

230

240

17

102

112

122

132

142

153

163

173

183

193

204

214

224

234

244

255

18

108

118

129

140

151

162

172

183

194

205

216

226

237

248

259

270

19

114

125

136

148

159

171

182

193

205

216

228

239

250

262

273

285

20

120

132

144

156

168

180

192

204

216

228

240

252

264

276

288

300

21

126

138

151

163

176

189

201

214

226

239

252

264

277

289

302

315

22

132

145

158

171

184

198

211

224

237

250

264

277

290

303

316

330

23

138

151

165

179

193

207

220

234

246

262

276

289

303

317

331

345

24

144

158

172

187

201

216

230

244

259

273

288

302

316

331

345

360

25

150

165

180

195

210

225

240

255

270

285

300

315

330

345

360

375

 

 

 

در همین راستا براساس شکل 4 می توان دسته بندی درختی را از نمونه های فراگیری شده در هوش طراحی خودکار این پژوهش مشاهده نمود، براین اساس در گام اول این پژوهش هوش طراحی خودکار260 نمونه از پلان مسکونی یک طبقه در بازه حداقل مساحت 70 متر با سطح اشغال 42 متر مربع و حداکثر با مساحت 375 متر و سطح اشغال 225 متر مربع را فراگیری نموده و در نهایت دو دسته اساسی و چهار دسته فرعی و هشت دسته زیر فرعی را ارائه نموده است، همچنین شکل 4 نشان دهنده میزان فراوانی در تنوع پلان های یک طبقه فراگیری شده توسط هوش طراحی خودکار نیز است.

 

 

شکل4- دسته بندی پلان های فراگیری شده توسط هوش طراحی خودکار

Figure 4. Classification of plans learned by automated design intelligence

 

 

 

اکنون باید مدل ریگرسیون یا تحلیل وایازشی را در نمونه های آموزش داده شده هوش طراحی خودکار این پژوهش مشاهده نموده تا از طریق بررسی همبستگی در میان متغیرها (عناصر پلان) به میزان کیفیت یادگیری هوش طراحی خودکار این پژوهش پی برد.

 

 

 

 

 

 

شکل5- بررسی بیشترین فراوانی یادگیری هوش طراحی براساس ابعادزمین های متداول شهری

Figure 5. Investigating the maximum frequency of learning design methods based on the dimensions of common urban lands

 

 

براساس شکل 5 محور X نمایانگر ابعاد زمین های متداول و Y بیانگر سطح اشغال های مجاز است، یعنی دو متغیر وابسته به هم (ابعاد زمین و سطح اشغال های مجاز) به صورت صحیح به عنوان متغیرهای مهم در فراگیری هوش طراحی خودکار ارائه شده اند و همچنین آنچه مشهود است فراوانی به درستی براساس تقاضای واقعی به سمت زمین های متراژ پایین تمایل دارد و این نکته پر اهمیت در یادگیری ماشین نیز رعایت گردیده است. در واقع در این پژوهش نمونه های صحیح پلان های معماری به عنوان یک ورودی اولیه برای فرآیند طراحی پلان در نظر گرفته شده و تولید نمونه های جدید در ترکیب فعالیت همزمان الگوریتم های تکاملی (ژنتیک) و یادگیری ماشین انجام می پذیرد. 

 

بحث و نتیجه گیری

یافته و نوآوری این پژوهش بر این پایه استوار است که براساس مدل نظری ارائه گردیده الگوریتم یادگیری ماشین به واسطه ساختار نمونه پذیر خود می تواند نمونه هایی را (از طریق تبدیل پلان ها به بردارهای عددی) ذخیره و بازشناسی نماید و به واسطه ساختار الگوریتم ژنتیک که یک الگوریتم جستجوگر و توسعه پذیر است، هر بار نمونه های بیشتری را از پلان های معماری براساس مدل ریاضی ارائه شده تولید و در نهایت به کمک الگوریتم های یادگیری ماشین دوباره در پایگاه داده خود ذخیره و به مرور زمان به توانایی آموزشی هوش طراحی خودکار پلان ساختمان های مسکونی بی افزاید، که در پژوهش های آتی به شیوه عملکرد ذخیره سازی الگوریتم های یادگیری ماشین از نمونه های تولیدی باید پرداخته شود، همچنین براساس مدل نظری، آنچه قابل مشاهده است محاسبات و توابع ریاضی ارائه شده می توانند، همجواری، همپوشانی، روابط فضایی، بازشوها، سطح اشغال مجاز و جهت های قرارگیری را به صورت یک مدل ریاضی ارزیابی و توسعه دهند و این فرآیند را می توان مبنای برای پیاده سازی در مدل عملی دانست، اما آنچه یافته این پژوهش را با سایر پژوهش ها مجزا می نماید، پرداختن به فرآیند تولید پلان معماری با ترکیب دو الگوریتم یادگیری ماشین و ژنتیک است، چرا که در پژوهش های پیشین صرفاً از یک نوع الگوریتم ژنتیک و یا یادگیری عمیق به صورت مجزا استفاده شده است و نکته اساسی که توانسته این پژوهش را مثمر ثمر نشان دهد، استفاده از قدرت حافظه سپاری الگوریتم یادگیری ماشین در فرآیند طراحی پلان های معماری است.

 

References

  1. Zifeng Guon, Biao Li, 2016. Evolutionary approach for spatial architecture layout design enhanced by an agent-based topology finding system, Received 7 June 2016; received in revised form 22 October; accepted 7 November 2016, http://dx.doi.org/10.1016/j.foar.2016.11.003.
  2. R. S. Liggett and W. J. Mitchell, 1981. Optimal space planning in practice. Computer-Aided Design, 13(5): 277 {288, Sept.. ISSN 00104485. doi:10.1016/0010-4485(81)90317-1.
  3. Maurice Hanan and Jerome M. Kurtzberg, 1972. A Review of the Placement and Quadratic Assignment Problems, Vol. 14, No. 2 (Apr., 1972), pp. 324-342 (19 pages).
  4. J. F. Brotchie B. C.E., D. Eng.∗ M. P. T. Linzey B.E., M.E, 1971. A model for integrated building design, Building Science,Volume 6, Issue 3, September 1971, Pages 89-96, https://doi.org/10.1016/0007-3628(71)90020-X.
  5. Gil Bozer, James C Sarros, Joseph C Santora, 2013. The role of coachee characteristics in executive coaching for effective sustainability, March Journal of Management Development 32(3): 277-294, DOI: 10.1108/02621711311318319
  6. Lee D, et al, 2005. The proteasome regulatory particle alters the SAGA coactivator to enhance its interactions with transcriptional activators. Cell 123(3):423-36.
  7. Kai-Ping Huang 1*, Chih-Hsing Wang2, Meng-Chun Tseng4 and Karen Yuan Wang3,2010. A study on entrepreneurial orientation and resource acquisition: The effects of social capital, African Journal of Business Management Vol.4 (15), pp. 3226-3231, 4 November.
  8. JEREMY J. MICHALEKa, *, 2002. RUCHI CHOUDHARYb and PANOS Y. PAPALAMBROS, ARCHITECTURAL LAYOUT DESIGN OPTIMIZATION, Eng. Opt., Vol. 34(5), pp. 461–484, DOI: 10.1080=0305215021000033735
  9. Brian FinucanePatricia MaitaPatricia MaitaWilliam H. Isbell, 2006. Human and Animal Diet at Conchopata, Peru: Stable Isotope Evidence for Maize Agriculture and Animal Management Practices During the Middle Horizon, December 2006Journal of Archaeological Science 33(12):1766-1776, DOI: 10.1016/j.jas.03.012
  10. Luisa CaldasLeslie K. NorfordLeslie K. Norford, 2013. Genetic Algorithms for Optimization of Building Envelopes and the Design and Control of HVAC Systems, August Journal of Solar Energy Engineering 125(3) DOI: 10.1115/1.1591803
  11. A Papapavlou, A Turner ,2009. Structural evolution: a genetic algorithm method to generate structurally optimal delaunay triangulated space frames for dynamic loads, Computation: The New Realm of Architectural Design [27th eCAADe Conference Proceedings / ISBN 978-0-9541183-8-9] Istanbul (Turkey) 16-19 September 2009, pp. 173-180
  12. Li Li, 2012. The optimization of architectural shape based on Genetic Algorithm, received 6 April 2012; received in revised form 19 July 2012; accepted 23 July 2012, http://dx.doi.org/10.1016/j.foar.07.005
  13. Eug´enio Rodrigues, 2014.  Automated Floor Plan Design: Generation, Simulation, and Optimization Submitted to the Department of Mechanical Engineering in partial fulfillment of the requirements for the degree of Doctor of Philosophy July.
  14. Maciej Nisztuk and Paweł B. Myszkowski, 2019. Hybrid Evolutionary Algorithm applied to Automated Floor Plan Generation, International Journal of Architectural Computing1–24 The Author(s), https://doi.org/10.1177/1478077119832
  15. Doulgerakis, 2017. Genetic Programming + Unfolding Embryology in Automated Layout Planning. Msc thesis, Bartlett School of Graduate Studies, University College London, September.
  16. Manisha Verma, Manish K Thakur, 2010. Architectural Space Planning using Genetic Algorithms, 978-1-4244-5586-7/10/$26.00IEEE C
  17. G. Zimmermann, 2005. From floor plan drafting to building simulation - an efficient software supported process. In I. Beausoleil-Morrison and M. Bernier, editors, International IBPSA Conference Building Simulation, pages 1441{1448, Montreal, Quebec, Canada.
  18. Maciej Nisztuk, Paweł Myszkowski,2019. Tool for evolutionary aided architectural design. Hybrid Evolutionary Algorithm applied to Multi-Objective Automated Floor Plan Generation, Design - GENERATIVE SYSTEMS - Volume 1 - eCAADe 37 / SIGraDi 23 | 61
  19. Garcia, Edel, 2018. (Cosine Similarity Tutorial. independent scientist.08-26.

 

 

 

 

 

 

 

 

 

1- دکتری معماری، پژوهشگر، گروه معماری،  واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

[2]- دکتری معماری، دانشیار گروه معماری ، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.*(مسوول مکاتبات)

[3] - دکتری شهرسازی، دانشیار گروه شهرسازی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

[4]- Researcher PhD of  Architecture, Department of Architecture, Science and Research Branch, Islamic Azad University, Tehran, Iran.

PhD of Architecture, Associate Professor, Department of Architecture, Science and Research Branch, Islamic Azad University, Tehran, Iran. *(Correspondence Author)

[6]- PhD of Urban Development, Associate Professor, Department of Urban Development, Science and Research Branch, Islamic Azad University, Tehran, Iran.

[7]- Quadratic assignment problem

[8]- Threshold transition algorithm

[9]- Automated Floor Plan Generation

[10]- nondeterministic polynomial

[11]- Evolutionary Strategy

[12]- EvoLutionary ArchItecture Aided DeSign

1- Sustainable Energy Technology

  1. Zifeng Guon, Biao Li, 2016. Evolutionary approach for spatial architecture layout design enhanced by an agent-based topology finding system, Received 7 June 2016; received in revised form 22 October; accepted 7 November 2016, http://dx.doi.org/10.1016/j.foar.2016.11.003.
  2. R. S. Liggett and W. J. Mitchell, 1981. Optimal space planning in practice. Computer-Aided Design, 13(5): 277 {288, Sept.. ISSN 00104485. doi:10.1016/0010-4485(81)90317-1.
  3. Maurice Hanan and Jerome M. Kurtzberg, 1972. A Review of the Placement and Quadratic Assignment Problems, Vol. 14, No. 2 (Apr., 1972), pp. 324-342 (19 pages).
  4. J. F. Brotchie B. C.E., D. Eng.∗ M. P. T. Linzey B.E., M.E, 1971. A model for integrated building design, Building Science,Volume 6, Issue 3, September 1971, Pages 89-96, https://doi.org/10.1016/0007-3628(71)90020-X.
  5. Gil Bozer, James C Sarros, Joseph C Santora, 2013. The role of coachee characteristics in executive coaching for effective sustainability, March Journal of Management Development 32(3): 277-294, DOI: 10.1108/02621711311318319
  6. Lee D, et al, 2005. The proteasome regulatory particle alters the SAGA coactivator to enhance its interactions with transcriptional activators. Cell 123(3):423-36.
  7. Kai-Ping Huang 1*, Chih-Hsing Wang2, Meng-Chun Tseng4 and Karen Yuan Wang3,2010. A study on entrepreneurial orientation and resource acquisition: The effects of social capital, African Journal of Business Management Vol.4 (15), pp. 3226-3231, 4 November.
  8. JEREMY J. MICHALEKa, *, 2002. RUCHI CHOUDHARYb and PANOS Y. PAPALAMBROS, ARCHITECTURAL LAYOUT DESIGN OPTIMIZATION, Eng. Opt., Vol. 34(5), pp. 461–484, DOI: 10.1080=0305215021000033735
  9. Brian FinucanePatricia MaitaPatricia MaitaWilliam H. Isbell, 2006. Human and Animal Diet at Conchopata, Peru: Stable Isotope Evidence for Maize Agriculture and Animal Management Practices During the Middle Horizon, December 2006Journal of Archaeological Science 33(12):1766-1776, DOI: 10.1016/j.jas.03.012
  10. Luisa CaldasLeslie K. NorfordLeslie K. Norford, 2013. Genetic Algorithms for Optimization of Building Envelopes and the Design and Control of HVAC Systems, August Journal of Solar Energy Engineering 125(3) DOI: 10.1115/1.1591803
  11. A Papapavlou, A Turner ,2009. Structural evolution: a genetic algorithm method to generate structurally optimal delaunay triangulated space frames for dynamic loads, Computation: The New Realm of Architectural Design [27th eCAADe Conference Proceedings / ISBN 978-0-9541183-8-9] Istanbul (Turkey) 16-19 September 2009, pp. 173-180
  12. Li Li, 2012. The optimization of architectural shape based on Genetic Algorithm, received 6 April 2012; received in revised form 19 July 2012; accepted 23 July 2012, http://dx.doi.org/10.1016/j.foar.07.005
  13. Eug´enio Rodrigues, 2014.  Automated Floor Plan Design: Generation, Simulation, and Optimization Submitted to the Department of Mechanical Engineering in partial fulfillment of the requirements for the degree of Doctor of Philosophy July.
  14. Maciej Nisztuk and Paweł B. Myszkowski, 2019. Hybrid Evolutionary Algorithm applied to Automated Floor Plan Generation, International Journal of Architectural Computing1–24 The Author(s), https://doi.org/10.1177/1478077119832
  15. Doulgerakis, 2017. Genetic Programming + Unfolding Embryology in Automated Layout Planning. Msc thesis, Bartlett School of Graduate Studies, University College London, September.
  16. Manisha Verma, Manish K Thakur, 2010. Architectural Space Planning using Genetic Algorithms, 978-1-4244-5586-7/10/$26.00IEEE C
  17. G. Zimmermann, 2005. From floor plan drafting to building simulation - an efficient software supported process. In I. Beausoleil-Morrison and M. Bernier, editors, International IBPSA Conference Building Simulation, pages 1441{1448, Montreal, Quebec, Canada.
  18. Maciej Nisztuk, Paweł Myszkowski,2019. Tool for evolutionary aided architectural design. Hybrid Evolutionary Algorithm applied to Multi-Objective Automated Floor Plan Generation, Design - GENERATIVE SYSTEMS - Volume 1 - eCAADe 37 / SIGraDi 23 | 61
  19. Garcia, Edel, 2018. (Cosine Similarity Tutorial. independent scientist.08-26.