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