优化算法驱动的建筑生成设计实践研究*

朱姝妍，马辰龙，向 科

引言

2020年伊始，由诺曼·福斯特及其团队(Foster +Partners)设计的上海阿里巴巴集团总部大楼[1]的中标方案吸引了众多建筑师的关注，究其原因并非只是出于对设计方案本身的褒奖，更重要的是关注到其设计理念中明确强调了“遗传算法”这一方法。

“遗传算法”（Genetic Algorithm，GA）对于学术界来说并不陌生，但在建筑设计实践中，特别是投标方案中，以此作为设计理念并最终中标的项目则非常少见。这也印证了技术进步在建筑界产生的越来越大的影响，近半个世纪以来，计算机辅助下的建筑设计实践发生了日新月异的发展和变革：建筑实践在20世纪80年代开始从手绘工具制图转变为计算机2D制图，90年代开始进一步的3D建模时代，再到21世纪初逐渐兴起的建筑信息模型（BIM）技术，而近年来人工智能、优化算法则成为建筑学界相关研究的热门（图1 ）[2]。这5个时代分别反映了设计师不同阶段关注点和思考维度的变化，它们在实践中并不是相互独立、连续发展的，大多时候是重叠存在的。

1 优化算法及其设计平台

算法是一种用于在有限步骤中解决问题的计算过程。它包括推导、归纳、抽象、概括和结构化逻辑等方法；也是系统地提出符合逻辑的原则，进而发展出一个方案，可以普适性地解决问题的过程。算法的策略在于它可以搜索重复模式、通用原则、可互换模块和归纳链接等，而算法的优势还在于它推断新知识的能力和扩展人类智力极限的能力[3]。对于结果未知、模糊或不确定的命题,算法可以成为寻求潜在解决方案的最佳选择。算法可以解决的问题包含P 问题 (Polynomial Problem) 和 NP1）问题，NP问题的运算过程不确定，无法通过数学等式严格定义，“解空间”庞大，而建筑学学科中需要解决的大多数问题都是NP问题[4]，优化算法则成为解决这些NP问题的最佳途径。工程实践界中应用的优化算法一般指代“元启发式算法”，即以生物进化、群体智能、免疫机制等自然界的随机过程为启发，以创建能够逃避局部最优解，并能够可靠地搜索解决方案空间的过程[5]。

1.1 优化算法的历史及发展

算法自古始终伴随着数学及物理学等学科的发展，而算法与机器交互的历史可以追溯到20世纪50年代计算机学科的建立。随着计算机运算能力的提升以及工程界对性能的更高追求，各类优化算法不断涌现和进一步发展完善，并从计算机实验室广泛散播到各个工程实践领域。

工程界较有名的优化算法有遗传算法（GA）、粒子群优化算法(PSO)，模拟退火法(SA)，免疫算法（IA），广义模式搜索法(GPS)，坐标搜索法，胡克-吉夫斯(HJ)算法等。这些算法被运用于解决工程实践中的设计参数寻优中，将优化算法同一部分物理模拟过程相耦合则产生了混合算法（Hybrid Method），在建筑能源领域运用较广[6,7]。大多数优化算法来源于对某种自然现象或物理过程的数学描述，依赖这种数学描述来在庞大的“解空间”中寻找较优的性能结果。也正因为此，针对不同领域的工程优化问题，各类算法均存在不同的特征表现，实际上并不存在针对所有优化问题都具有较高性能的优化算法。Christoph Waibel等学者针对建筑能耗相关优化问题，将不同优化算法进行了搜索速度和鲁棒性的对比验证，发现对不同优化算法的超参数设置将大大影响优化收敛速度；不考虑预测速度的前提下，遗传算法和粒子群优化算法在不同优化问题中总能较为稳定地获取较优结果[8]。

前文提到的遗传算法（GA）由密歇根大学的约翰·霍兰德（John Holland）及他的同伴在20世纪60年代提出[9]，它是受到达尔文的进化论启发，基于遗传原理和自然选择的优化计算方法，相较于其他优化算法，遗传算法的物理解释更为直观易懂，并由于大量成熟的算法工具的开发而在工程界得到大量运用。遗传算法适用于非线性、不连续的问题并对之建立优化，且具有这样几个特征：采用随机运算符；处理大参数空间；开源性；可以同时处理离散参数和连续参数；利用帕累托前沿实现多目标优化等等[10]。

1.2 优化算法与建筑设计

计算机与建筑设计的关系可以追溯到19世纪60年代和70年代，Nicholas Negroponte建立的计算机模型，突破了设计过程中的明确分工，并呼吁计算机和设计师之间建立更为亲密的关系[11]。值得注意的是，在2D CAD、3D建模甚至BIM的初始阶段，计算机大多是对绘图和图纸本身工作的辅助，对设计本身的优化参与较少[12]。直到2003年，Generative Components 软件[13]以及2007年的Grasshopper参数化软件的出现，才使得参数设计（Parametric Design）及算法设计（Algorithmic Design）真正的被接受和推广，后者也因此成为最为普及适用的建筑参数化设计工具[14]。

值得一提的是，“参数化”和“算法”经常会被混为一谈，甚至认为二者是同样概念甚至是包含关系。然而事实上，“参数”、“算法”、“结果”三项均是建筑参数模型的重要组成部分[15]，而“算法”本身阐述了从“参数”到“结果”的计算方法和生成逻辑。同时，“生成式设计”（Generative Design）的概念又和上述两个设计概念属于“一体两面”，前二者强调数据和方法，生成式设计强调过程和结果，克里斯蒂诺·索杜展开的生成设计探索促发建筑设计从“结果导向”向“过程导向”演化[16]。

进入21世纪，建筑师所面对的信息数量翻倍，复杂程度日益突出，而诸如遗传算法（GA）等优化算法既可以作为一个形式生成工具，也可以成为设计优化工具，提供有效的手段来解决造型、结构、性能、表皮等设计问题。近年来，优化算法在建筑工程实践中的应用主要集中在能耗、结构、采光等相关方面，通过模拟迭代获取建筑的最优性能。学术界最新的研究集中于针对建筑结构性能的优化[17-20]、针对建筑能耗及全生命周期运营成本的优化[21-24]、对建筑采光效能的优化研究[25]、综合了能耗与采光优化的研究[26,27]，综合能耗、采光、结构成本的多目标优化[28]等。Berk Ekici等学者的一项最新综述研究[29]较为全面地总结了遗传算法和粒子群优化算法两种代表性优化算法在建筑性能优化领域的文献。值得注意的是，这篇文章也反映了在建筑性能优化领域，粒子群优化算法、遗传算法的大量变体应用最为广泛。但正如学者Thomas Wortmann所述，不同优化算法的应用广泛程度并不直接反映其性能优劣，而更受研究者的使用习惯、不同算法引入设计平台的难易程度限制[30]。

图1 计算机辅助建筑设计的历史：五个时代

图2 某办公楼设计的多目标性能优化算法模型

表1 基于算法的设计平台（Grasshopper & Dynamo）及其对应插件

建筑各项性能在设计过程中并不是单纯此消彼长的关系，单一元素的最优解并不能导出全局最优的方案。例如（图2），丹麦技术大学学者在对BIG事务所某办公楼立面开窗设计的分析中，利用了遗传算法中的SPEA2算法进行优化，最终得到了锯齿形窗户在不同热工属性设置下所对应的建筑性能参数，如：能耗、采光系数、成本等的最优解及全局非支配最优解，以供设计师调整和优化开窗设计[31]。该案例所建立的算法模型可以满足当地的节能设计标准，具有较高的精准度和较快的计算速度，为设计前期决策的时效性提供了便捷条件。

1.3 基于优化算法的生成设计平台

优化算法在建筑设计中的应用及推广是紧密伴随着建模软件中的“参数化”设计平台的出现而普及的。其中，以 Robert McNeel & Associates公司开发的基于Rhino软件的Grasshopper平台和Autodesk公司开发的基于Revit软件的Dynamo平台最为出名。在不同设计平台下，各类优化算法可借助内置插件或利用外部接口介入建筑设计流程。借助不同算法工具，可以迭代计算得到单目标或多目标条件下的最优解，从而为建筑师的设计思考和创作方式提供技术支持，创造出更多的可能性。

借助内置插件的实现方式：Grasshopper中的Octopus插件基于苏黎世联邦理工大学（ETH）的SPEA2和HypE算法，适用于单目标或多目标优化 任 务； 除 此 之 外 还 有 Wallacei[32]、Optimus[33]、Silvereye[34]、Opossum[35]、Goat[36]、NELDER-MEAD OPTIMISATION[37]等各类插件。而在Dynamo平台下则有Evo[38]插件和美国德州农工大学团队开发的优化算法工具Optimo[39]插件。相对于Grasshopper来说，Dynamo平台内的优化插件较少，多需要设计师利用其内置编程接口链接外部优化程序。

利用外部接口的实现方式：Grasshopper和Dynamo均内置了Python/C#编程接口，借助于MATLAB API可以将设计平台内的数值参数实时导入MATLAB，利用编程语言引入各类优化算法；而modeFRONTIER则是一个专业的性能优化工具，借助于modeFRONTIER API的数据转换，作为流程控制核心，调用各类型的单目标与多目标优化算法来进行性能优化及其可视化。Thomas Wortmann编写了开源插件FrOG，其可作为接口灵活接入其他自定义优化算法，不过这仍需设计师具有熟练的C#编程背景。

表1 列出了基于两种介入方式的优化算法生成设计平台，以及各类优化算法链接到建筑设计中所使用的插件并对其进行了说明。

2 基于优化算法的生成设计实践

2.1 福斯特团队及阿里巴巴总部

诺曼·福斯特建筑事务所是世界上最著名的建筑事务所之一，成立于1967年。诺曼·福斯特作为高技派的代表人物之一，从20世纪 70 年代便开创了“可持续”的设计方法，将绿色、节能作为“可持续”设计的重点，从建筑的环境友好与节能技术等来考虑方案[40]。此外，还积极组织建立研发团队，利用计算机数据分析等技术手段全面介入设计的整个过程，从而使设计在可控的技术方面做到极致。

2.1.1 SMG团队

福斯特事务所的SMG(The Specialist Modelling Group)团队由休·怀特海德（Hugh Whitehead）于1997年创立，致力于在实际项目中通过计算机辅助来找到更节能的建筑形式[41]。团队是由若干位擅长数字技术的建筑师组成，陆续加入了数学、工业设计、机械工程、物理计算、制造和声学等领域的专家，使团队不断壮大。在之后的十年里，SMG发展侧重于两部分的内容：其一是处理运算、几何和建造等相关问题，其二是环境分析和模拟计算[42]。他们在数以百计的项目实践中运用各种算法进行设计优化及生成设计，伦敦市政厅、瑞士再保险公司总部大楼、北京首都国际机场3号航站楼等均是其中的代表作品。

2.1.2 阿里巴巴总部设计

正是由于诸如SMG在内的专业团队的不断发展，以及长达五十多年的实践经验和技术积累，使得福斯特事务所对于参数、算法及其相关设计方法有足够的把握，在上海阿里巴巴总部设计竞赛中（图3），强调了方案采用独特的建筑形式并以创新设计过程为指导，使用遗传算法得到最优方案。

该项目方案对于算法生成设计的运用主要集中在以下四个方面[1，43]

（1）采用模块化的单元组合和建造方式，利用“遗传算法”对模块进行优化设计后形成“像素化”的体块关系。之后，模块在场外进行批量生产以减少浪费，确保施工的质量和效率。

（2）利用算法使得设计对环境条件具有高度的应对能力，如在中央开放的公共空间部分为使用者提供全年最佳的舒适度，保证其免受冬季冷风渗透和夏季太阳暴晒的影响。

（3）通过计算，对于室内外的相互渗透，建筑单元获得最大化的外部景观视野等有很大帮助。本方案的一大特点就是期望提高建筑的透明性，使公众可以了解阿里巴巴的世界，而员工可以更多地看到建筑周边的外滩美景。

（4）针对不同区域的功能要求进行优化，得到最合适的布局形式。如：为阿里巴巴各个部门提供量身定制的工作区设计，将家具摆放与自然光线引入等综合考虑，帮助提供使用者的工作效率。

2.2 MaRS Office

该项目是欧特克（Autodesk）公司在加拿大多伦多市新建的一栋3层的总面积约5600m2左右的办公楼建筑，项目的设计愿景是创建一个动态的且功能强大的创新型办公空间。

在进行三层的内部平面布局设计（主要包括会议、社交、特色空间、设备等功能）时，设计团队首先收集了通常会被忽视的250多名办公人员真实的使用需求，并提出下述6个不同的目标参数用于办公空间的算法生成及评价[44]，包括：

参数1.空间偏好，从每个员工到他们喜欢的交往空间和相关设施的距离；

参数2.工作风格，用来衡量工作区域的光线或视觉元素是否符合使用者的喜好；

参数3.活跃度，根据房间平面几何特征得到潜在高度活跃的区域（Buzz[45]）；

参数4.生产力，根据最大化减少视线和噪声干扰来控制办公桌的密度；

参数5.采光，全年自然采光时段的总数；

参数6.外部视野，在办公桌、通道等工作空间可以一览无余看到室外的窗户比例。

2.2.1 模型生成

基于均质的办公空间平面，对方案进一步的生成逻辑进行了限定。首先基于设计平面图建立平面轮廓和标准柱网；划分出需要做出优化的区域，建立7个不同工作团队所在区域的轴线、边界、捕捉点等，捕捉点的改变可以自动引发边界的变化；每个区域的其中一条边自动生成会议室单元，其他区域则自动布置员工工作台。（#3251）所对应生成的平面图，主要分为了四种功能属性空间：基本办公（蓝色）、团队会议（绿色）、设备器材（红色）、配套服务（橙色），满足了办公空间使用者基本的使用需求和个人偏好。

图3 上海阿里巴巴总部设计竞赛效果图

2.2.5 小结

本项目完整的设计流程体现了基于算法的生成式设计具备以下几个优势：首先，真正地实现了“人机协同”设计；其次，与传统设计方式相比，可以建立目标、约束条件和几何体系等来不断进化得到方案，而不是直接设计出一个最终的形式；第三，可以遍历成千上万种选择，最终得到针对于前期制定的不同目标参数的最优解；第四，可以实现数据交换，为更多新奇的设计创造可能性；第五，算法和进化的过程可以实现循环利用，为以后的项目策划和设计方案提供参考和借鉴。

2.3 其他相关项目

近些年，其他的涉及到优化算法驱动下的生成设计实践主要可以分为以下五大类，主要是按照使用时所针对建筑不同的优化目标而区分的，如表2所示。捕捉点、边界的不同组合方式对应生成了各种各样的方案供设计师选择，如图4所示。

2.2.2 参数评价

基本的模型生成系统建立之后，设计团队选用了多目标遗传算法（MOGA），计算在不同方案的输入值和与之对应变化的6个参数目标值时得到的评价结果，并获得实时的设计平面反馈，如图5所示。

2.2.3 方案进化

本方案设计遗传算法的交叉率为95%，突变率为0.2%，进行了每一代100个，总共进化100代的进化迭代，对生成的10000个设计进行取样[44]。图6反映了整个进化的过程，其中每个点代表一个设计方案，每一列代表一代的方案，不同颜色代表不同参数特性，横轴反映了进化的代数，各点之间连接的细密黑线说明设计被直接带入下一代。

2.2.4 数据分析

方案进化过程完成后，对不同设计方案的各项性能进行数据分析和筛选，利用多目标遗传算法（MOGA）可以得到满足各性能的帕累托最优解集，进一步缩小了设计范围。如图7所示，最终选择了编号为#3251的设计方案，该方案在6个参数综合评价（雷达图）中明显占优，且各项参数的得分比较平均。

图8 为经过完整的优化计算过程后最终得到的方案

3 优化算法驱动的生成设计实践一般流程

图4 生成后的模型平面以及各要素的示意图

图5 各评价参数所对应的实时模拟分析图

图6 方案进化中不同迭代次数的实时反馈图

图7 数据分析后的方案群组及选出的最优方案

图8 优化计算后得到的对应生成方案的平面图

“优化算法”概念与当今的建筑学领域密切相关的，且已经在建筑实践中不断地得到应用和发展。通过以上相关概念研究及案例的解读和分析，笔者针对优化算法驱动下的生成设计实践进行了总结，一个典型的优化算法驱动下的建筑设计实践流程主要包括以下几个环节：设计、计算平台的选取；所处的建筑实践阶段不同优化目标的确定、算法优化的迭代过程，最终导向一个优化后的方案，如图9所示。

其中设计、计算平台的选取主要基于目前建筑实践中常用的Revit和Rhino平台（参考1.3节）；建筑实践阶段以及对应优化目标选取可以参照表2中的案例，由设计师针对项目所要达到的优化效果做出选择；而算法优化的迭代过程对应的四个主要步骤，在前文的MaRS办公楼（参考2.2节）进行了详细阐述；最终经过一系列的筛选、进化、分析、评价等过程，得到一个相对的最优解，也就是设计师所期望得到的优化方案。

图9 优化算法驱动的生成设计实践一般流程

表2 基于不同优化目标的算法驱动生成设计实践统计表

结语与展望

技术的发展终将引起行业的变革，“数字化”、“绿色化”、“工业化”、“信息化”、“智能化”等等建筑实践中的新兴语汇无不与计算机软件的更新和发展息息相关。21世纪的建筑师们除了要关注建筑本身的造型和空间等元素外，对于其内在性能和外在影响的回应也应该作为设计的重中之重，而“优化算法”或多或少地为建筑师们提供了这样一种途径和方法，可以运用相对科学的方法获取建筑更全面的信息。

毋庸置疑的是，将优化算法大面积推广于设计实践各个步骤是有极大难度的，但是可以看到它们对于现阶段设计中的某些环节以及未来全流程设计方法研究是有很大帮助的。随着使用者生活方式的改变和对空间品质的关注，建筑设计要满足更复杂的功能需求和更创新的形式追求，从而使其设计的复杂性越来越增加。有了算法驱动的生成式设计，建筑师可以利用计算来探索比现在更广泛的解决问题的可能性。此外，算法在解决具体问题时没有人为的直觉或看法，可以帮助建筑师摆脱传统思考过程中的主观意识，最终导向一个既满足设计过程新颖又满足结果具备高性能的设计方案。正如MaRS办公楼项目团队技术负责大卫·本杰明所说：在最好的情况下，整个基于算法的自动化流程可以使设计决策更具包容性。计算可以辅助设计师更好地权衡取舍，并不是脱离主观的判断，而是让他们可以不用依靠模糊的观念来解释为什么一种设计有效，而另一种无效[49]。

算法生成设计，并不意味着建筑设计师的作用将被取代，建筑师必须对相关的设计问题进行概况和简化，这些问题是需要与建筑师自身的设计思想和构思理念相契合的。因而，如何实现设计方案与算法数据之间的转译，是否增加和减少有效评价或优化参数，怎样取舍和评判理性指标和人文因素之间的矛盾等等，在实现设计师和优化算法“人机交互”的过程中，建筑师的决策作用应该是举足轻重的，这也对设计师的综合素养提出了更高要求，任重而道远[50]。

图、表来源

图1：作者根据参考文献[2]绘制；

图2：作者根据参考文献[31]绘制；

图3：Foster + Partners官网；

图4～8:作者根据ARCHITECT网站项目视频资料改绘；

图9：作者绘制；

表1、表2：作者绘制，图片来源网络及参考文献[46-48]。

注释

1）NP：英文全称是Non-deterministic Polynomially，即非确定性多项式，能在多项式时间内验证得出一个正确解的问题。P问题（polynominal）即为存在多项式时间算法的问题；NP问题代表不知道这个问题存不存在一个多项式时间的算法，所以叫非确定性，但是可以在多项式时间内验证并得出这个问题的一个正确解。