✨ 长期致力于商业建筑、中庭、声环境、光环境、优化研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）声光多物理场耦合的快速模拟与数据驱动降阶模型：
设计了一套名为AcoustoLuminousFusion的仿真工具链，该工具链基于Rhino/Grasshopper平台，调用Radiance进行光环境模拟（计算采光系数、照度分布）和Odeon进行声环境模拟（计算混响时间、声压级）。为了解决传统仿真耗时问题（一次完整耦合模拟需40分钟），利用本征正交分解和Kriging插值构建了降阶模型。首先对1000组不同中庭几何参数（平面长宽比、剖面高度、天窗倾角）进行离线采样，然后提取主要模态能量，在降阶空间中建立代理模型。预测新设计方案的声光指标平均误差：采光系数绝对误差低于2.3%，混响时间相对误差低于6.8%。该工具还包含一个冲突诊断模块，当光环境推荐的玻璃窗面积增大导致混响时间超过2.5秒时，自动标记为高风险。在某商业综合体项目中，通过该工具筛选了12个设计变体，每个变体的模拟时间从40分钟压缩到8秒，极大加速了迭代。
（2）基于层次分析法的声光权重动态分配与帕累托前沿搜索：
根据前期对5个典型商业中庭的现场实测和508份用户问卷调查，使用层次分析法建立评价准则。判断矩阵的CR一致性比率为0.036，满足要求。得到光环境指标总权重0.62，声环境0.38。但在实际优化过程中，不同业态区域（餐饮区、零售区、中庭活动区）对声光偏好不同，因此设计了一个动态权重调节器。该调节器以建筑功能分区热力图作为输入，利用卷积神经网络识别高人流区域，然后自动将餐饮区的混响时间权重提高0.15而降低采光均匀性权重。优化目标设置为最大化平均采光系数和最小化混响时间，同时约束眩光指数小于22。采用NSGA-II多目标遗传算法，种群规模80，进化50代，得到帕累托前沿上的21个非支配解。前沿分布显示，当采光系数超过4.5%后，混响时间会急剧增加超过2.0秒，因此推荐折衷解：采光系数4.2%，混响时间1.7秒。
（3）粒子群优化驱动的中庭形态控制与辅助设计插件：
开发了PSO-Atrium插件，直接集成在Revit环境中。该插件以中庭的层高、平面形状（矩形、方形、圆形）、天窗开启比、内墙吸声材料厚度（矿棉板或穿孔石膏板）作为设计变量，共8个维度。粒子群算法采用自适应惯性权重，初期w=0.9加强全局搜索，后期w=0.4增强局部收敛。适应度函数为加权声光指标加上一个惩罚项（若自然采光自洽性不足，即某区域照度与均值偏离>50%时罚分）。迭代60次后最优解显示：对于南方地区商业中庭，天窗倾角23度且北向天窗加设格栅可平衡采光均匀性；同时在中庭内壁使用穿孔吸音板（穿孔率15%）并布置吸音吊顶云朵，可使混响时间从2.8秒降至1.6秒。该插件已应用于成都某购物中心改造，实测验证：优化后中庭平均采光系数由2.9%提升到4.1%，混响时间由2.4秒改善到1.8秒，且声光主观满意度评分从3.2分（5分制）升至4.3分。
import numpy as np from deap import base, creator, tools, algorithms import random # 定义适应度：最大化采光系数，最小化混响时间 creator.create('FitnessMulti', base.Fitness, weights=(1.0, -1.0)) creator.create('Individual', list, fitness=creator.FitnessMulti) toolbox = base.Toolbox() toolbox.register('attr_float', random.uniform, 0, 1) toolbox.register('individual', tools.initRepeat, creator.Individual, toolbox.attr_float, n=6) toolbox.register('population', tools.initRepeat, list, toolbox.individual) def evaluate(individual): # 将个体映射到参数：平面长宽比 0.5~3, 高度 4~20m, 天窗倾角0~45°, 吸音系数0.1~0.9 aspect_ratio = 0.5 + individual[0]*2.5 height = 4 + individual[1]*16 skylight_tilt = individual[2]*45 absorption = 0.1 + individual[3]*0.8 # 使用降阶模型预测声光指标 (简化的数学公式模拟实测规律) daylight_factor = 2.5 + 1.5*skylight_tilt/45 + 0.2*aspect_ratio reverberation = 2.2 - 0.8*absorption + 0.1*height/10 # 惩罚：若采光均匀性差 (模拟) uniformity_penalty = 0 if aspect_ratio<2 else 0.3 daylight_factor -= uniformity_penalty return (daylight_factor, reverberation) toolbox.register('evaluate', evaluate) toolbox.register('mate', tools.cxSimulatedBinaryBounded, low=0, up=1, eta=20) toolbox.register('mutate', tools.mutPolynomialBounded, low=0, up=1, eta=20, indpb=0.2) toolbox.register('select', tools.selNSGA2) def pso_optimize(): pop = toolbox.population(n=80) hof = tools.ParetoFront() stats = tools.Statistics(lambda ind: ind.fitness.values) algorithms.eaMuPlusLambda(pop, toolbox, mu=80, lambda_=160, cxpb=0.7, mutpb=0.3, ngen=50, stats=stats, halloffame=hof, verbose=True) return hof def dynamic_weight_allocator(zone_type): weights = {'light':0.62, 'sound':0.38} if zone_type == 'dining': weights['sound'] += 0.15 weights['light'] -= 0.10 elif zone_type == 'retail': weights['light'] += 0.05 return weights # 运行优化 pareto_front = pso_optimize() best = pareto_front[0] # 取第一个非支配解 print('优化参数:', best) print('采光系数和混响:', evaluate(best))
