基于生成对抗网络算法的住宅群体排布生成方法

DOI: https://doi.org/10.32629/btr.v3i2.2910

张彤

摘要

计算机辅助设计是提升设计效率的重要途径。人工智能领域的深度学习(Deep Learning)算法可以通过对数据的学习实现对数据分布的拟合。为了提升住宅群体排布的效率,利用深度学习算法中的生成对抗网络(Generative Adversarial Networks,GAN)算法对大量住宅群体排布的方案进行学习,经过学习后的网络可以根据给定用地范围快速自动生成住宅群体排布方案,从而辅助设计者进行设计,节省设计者的时间和精力。

关键词

人工智能;深度学习;生成对抗网络;住宅群体排布

参考

  1. 史丹青.生成对抗网络入门指南[M].北京:机械工业出版社,2018:46-85.
  2. 唐贤伦,杜一铭,刘雨微,等.基于条件深度卷积生成对抗网络的图像识别方法[J].自动化学报,2018,44(05):855-864.
  3. 华好,李飚,卢德格尔·霍夫施塔特.运算化住宅设计——从科研到教学[J].新建筑,2018,(04):34-38.
  4. 魏力恺.计算机辅助建筑设计溯源:走出狭义参数化设计的误区[C].全国高等学校建筑学学科专业指导委员会.模拟·编码·协同——2012年全国建筑院系建筑数字技术教学研讨会论文集.全国高等学校建筑学学科专业指导委员会:全国高校建筑学学科专业指导委员会建筑数字技术教学工作委员会,2012:147-154.
  5. 魏力恺,张颀,张静远,等.C-Sign:基于遗传算法的建筑布局进化[J].建筑学报,2013,(S1):28-33.
  6. 伊索拉,朱俊彦,周廷辉,等.基于条件对抗网络的图像翻译[C].计算机视觉与模式识别会议论文集,2016.
  7. 詹妮弗,凯恩,梅敦,等.优化图像分类:卷积神经网络算法实现建筑平面图和剖面图分类[J].工程与建筑(AEC)产业,2019,(2):193.
  8. 卡罗吉,根,肯苏克霍塔,等.行人动态行为建模——RNN框架在商业环境中的应用[C].第24届CAADRIA会议论文集,2019.
版权所有 © 2020 彤 张

Creative Commons License
此作品已接受知识共享署名-非商业性使用 4.0国际许可协议的许可。

Refbacks

  • 当前没有refback。