另一方面，就是用优化算法是比较耗时的。有的时候往往模拟这种线性思路是非常高效的。

直接优化开口是一种思路，还有种思路就是调整开孔和风压之间的规则 。所以将风压模拟改成风压预测，可以提高效率。

1.什么是最优化问题——有决策变量（参数化模型中的目标参数），一个或者多个目标函数，可行策略集合。

分为单目标优化，多目标优化，线性和非线性。连续优化和离散优化

优化算法也是有策略的继续优化

局部最优，他是一个峰，但仅限于局部，针对于全局则明显较小

2.我们可以把建筑设计定义成一个优化问题。且一般是一个多目标优化问题。

但重要的是把建筑设计定义成一个计算机能够理解的模式。

做设计：挖掘条件，提出草案，不断调整优化。当我们把草案变成参数化模型时，并且根据目标和需求进行微调的时候，我们就已经可以在计算机中来表达我们的设计。

如果有机制能够自动根据分析结果来调整我们的参数，并赋予到参数化模型之上，这可能就是一个优化的过程。

案例：9个相同建筑，组成3*3的建筑群，外围的八个建筑位置确定，现在需要决定中间建筑的具体位置，京可能提高冬至日当天的里面总日照时长

3.运用什么算法进行优化？

1.可以通过穷举的方式，尝试内部所有的点，然后得到最优解。

所以通过landscape电池，将将目标函数可视化即适应度地图，可以帮助我们确定需要优化函数的状态的工具。和优化器要区分开

4.如何处理优化问题？

1.梯度下降/爬坡算法

需要计算梯度值

就像一个小人从最低点往上爬，每次他只能判断它周围的信息，找到他上山最快的方向，一步一步往上爬，爬到顶点，周围的位置都比他低，他就会认为这里是最高值。

2.爬山算法

往周围每个方向都试一遍，看哪一个方向向上爬的程度最高，进而寻优

3.遗传算法（性能优化喜欢用）

犹如自然环境优胜劣汰，适应环境的基因留下来，不适应的淘汰

环境及对应目标函数，基因就是决策变量

遗传算法优点：

全局进行搜索，也相对容易理解运用。

遗传算法的缺点：

每次都能搜到一个结果，但不一定是最好的。可以形象的说容易早熟，收敛于局部的解（陷入局部最优问题），所以对于复杂问题，遗传算法基本无法得到全局最优解

过程：先找到我们的设计变量，进行参数化建模，再进行性能模拟，最后通过galapagos返回到设计变量，进行调整。这就是整个优化的过程。

遗传算法详细的过程：

1.随机产生种群

2.确定个体适应度，选出最佳个体

通过变异，交叉产生新个体

然后返回第二步，继续确定适应度。

那么我们就能用到galapagos

优点：简单，可以通过电池直接使用。连接上要改变的参数（设计变量），和模拟的结果即可