一种建筑绿色性能设计优化方法及系统

摘要

本发明公开了一种建筑绿色性能设计优化方法及系统，包括选择用于评价建筑绿色性能的评价指标，并确定影响建筑绿色性能的自变量参数；构建待优化建筑模型，将待优化建筑模型导入modeFRONTIER软件中；根据选择的用于评价建筑绿色性能的评价指标，利用modeFRONTIER软件，执行多目标优化算法，得到Pareto优化解集；对Pareto优化解集进行筛选，得到建筑绿色性能设计优化结果；本发明利用模块化和可视化编程语言，操作过程简单，有效提高了寻优效率和优化解集的准确度；通过对Pareto优化解集进行聚类分析或多准则决策分析，实现了对Pareto优化解集筛选，提高了建筑多目标优化设计的决策效率和精度，为辅助设计师做设计决策，提高了决策的客观性和科学性。

说明书

技术领域

本发明属于建筑设计优化技术领域，特别涉及一种建筑绿色性能设计优化方法及系统。

背景技术

在建筑设计过程中，利用设计方案的优化平衡建筑绿色性能是设计师设计绿色建筑的初衷；随着科学技术的发展，利用性能模拟和算法优化做建筑绿色性能优化的方法被应用于建筑设计；然而，由于多目标优化的Pareto最优解是具有多设计参量(自变量)和多绿色性能(因变量)的高维数据，并且很难人为对一组Pareto最优解集进行优劣比较，所以设计决策的制定难度较大。既有研究和实践多注重得到Pareto最优解集的优化过程，而忽略从Pareto最优解集中筛选最终建筑优化设计方案、挖掘Pareto最优解集的数据特征；随着学科交叉的发展，集成性能模拟和优化算法的方法也越来越多样，相应而来的是对其方法操作性和功能的要求，包括操作难易度、算法适宜性、Pareto优化解集潜在机理及是否能为使用者提供明确客观的设计决策等等。

性能模拟关联建筑设计要素和性能评价指标；多目标优化是利用多目标优化算法，挖掘潜在方案，权衡求解多变量多目标优化问题。整合性能模拟和优化算法的建筑绿色性能优化设计方法主要包括两种，一种是基于数学软件的建筑节能优化设计方法，另一种是基于参数化设计平台的建筑绿色性能优化设计方法。

基于数学软件MATLAB的建筑节能优化设计方法，是基于数学软件MATLAB与能耗模拟软件(如EneryPlus\TRNSYS)交互，是利用各种优化算法自动搜索能耗最低的方案解；而数学软件MATLAB要使用编程语言，如C、C++、Java等；其对编程语言要求较高，操作难度较大；数学软件和能耗模拟软件的跨平台交互需要联合仿真接口，如BCVTB、jEPlus和MLE+等；仅能和能耗模拟软件关联，优化性能局限于节能。

参数化设计平台Rhino集成几何建模、性能模拟和评价及优化等功能插件；该方法虽然有算法插件如Octopus，但可选用的优化算法有限如SPEA-2和HypE算法；优化结果是以数据表格和散点图显示，最优解需人工选择，即最优解的主观性和不确定性大，缺失优化结果分析功能。

发明内容

针对现有技术中存在的技术问题，本发明提供了一种建筑绿色性能设计优化方法及系统，以解决现有的建筑绿色性能设计方法，优化性能局限性大，操作过程复杂，最优解需采用人工选择，不确定性较大的技术问题。

为达到上述目的，本发明采用的技术方案为：

本发明提供了一种建筑绿色性能设计优化方法，包括以下步骤：

选择用于评价建筑绿色性能的评价指标，并确定影响建筑绿色性能的自变量参数；

构建待优化建筑模型，将待优化建筑模型导入modeFRONTIER软件中；

根据选择的用于评价建筑绿色性能的评价指标，利用modeFRONTIER软件，执行多目标优化算法，得到Pareto优化解集；

利用聚类分析方法或多准则决策分析方法，对Pareto优化解集进行筛选，得到多目标最优解，即得到建筑绿色性能设计优化结果。

进一步的，用于评价建筑绿色性能的评价指标包括单位建筑面积能耗EUI、热环境不满意者百分数PPD、空间全天然采光时间百分比sDA及全年光暴露量ASE。

进一步的，利用多目标优化算法寻优过程，采用以单位建筑面积能耗EUI、热环境不满意者百分数PPD及全年光暴露量ASE的最小值，且空间全天然采光时间百分比sDA的最大值为优化目标。

进一步的，影响建筑绿色性能的自变量参数包括建筑朝向、窗墙比、层高、标准层面积、长宽比、窗SHGC、窗户传热系数、外墙传热系数、空调采暖温度、空调制冷温度及照明功率密度。

进一步的，待优化建筑模型包括建筑结构的三维模型、建筑结构参数、主动设备控制参数及所在区域的气象数据。

进一步的，利用modeFRONTIER软件执行多目标优化算法过程，采用拉丁超立方抽样法进行抽样，获取初始样本；利用modeFRONTIER软件的优化模块，对初始样本进行寻优，得到Pareto优化解集；其中，modeFRONTIER软件的优化模块中内置有pilOPT算法。

进一步的，采用聚类分析方法对Pareto优化解集进行筛选过程：

数据源为Pareto优化解集，约束条件为影响建筑绿色性能的关键设计自变量参数；其中，采用modeFRONTIER软件对影响建筑绿色性能的自变量参数进行敏感度分析，得到影响建筑绿色性能的关键设计自变量参数；利用modeFRONTIER软件中的聚类分析模块，对Pareto优化解集进行聚类分析；其中，modeFRONTIER软件的聚类分析模块中内置K-Means算法。

进一步的，采用多准则决策分析方法对Pareto优化解集进行筛选过程：

数据源为Pareto优化解集，约束条件为单位建筑面积能耗EUI、热环境不满意者百分数PPD及全年光暴露量ASE的最小值，且空间全天然采光时间百分比sDA的最大值；利用modeFRONTIER软件中的多准则分析模块，对Pareto优化解集进行多准则决策分析；其中，modeFRONTIER软件的多准则分析模块中内置Linear MCDM算法。

本发明还提供了一种建筑绿色性能设计优化系统，包括变量模块、模型模块、寻优模块及分析模块；

变量模块，用于选择用于评价建筑绿色性能的评价指标，并确定影响建筑绿色性能的自变量参数；

模型模块，用于构建待优化建筑模型，将待优化建筑模型导入modeFRONTIER软件中；

寻优模块，用于根据选择的用于评价建筑绿色性能的评价指标，利用modeFRONTIER软件，执行多目标优化算法，得到Pareto优化解集；

分析模块，用于利用聚类分析方法或多准则决策分析方法，对Pareto优化解集进行筛选，得到多目标最优解，即得到建筑绿色性能设计优化结果。

与现有技术相比，本发明的有益效果为：

本发明提供了一种建筑绿色性能设计优化方法及系统，通过确定用于评价建筑绿色性能的指标及自变量参数，利用modeFRONTIER软件进行多目标寻优，获取Pareto优化解集；利用模块化和可视化编程语言，操作过程简单，有效提高了寻优效率和优化解集的准确度；通过对Pareto优化解集进行聚类分析或多准则决策分析，实现了对Pareto优化解集筛选，提高了建筑多目标优化设计的决策效率和精度，为辅助设计师做设计决策提高决策的客观性和科学性；本发明优化性能局限性小，最优解的选择由使用者的偏好决定，即根据使用者偏好能够自动生成最优解，且准确度较高。

进一步的，将单位建筑面积能耗EUI作为能耗评价指标，热环境不满意者百分数PPD作为热性能评价指标，太阳辐射得热和可见光影响室内光热环境，合理利用自然环境满足舒适度需求的同时不增加能耗；空间全天然采光时间百分比sDA及全年光暴露量ASE既保证自然光线充足且避免眩光问题。

进一步的，利用modeFRONTIER软件寻优过程，拉丁超立方抽样不但可以满足覆盖全参数空间的概率分布；pilOPT算法能自动停止寻优，显著增强了算法的操作性，大大提高本方法的适用性；优化算法pilOPT具有全局和局部搜索的特性，确保了Pareto优化解集的均匀分布性和较好的收敛性。

进一步的，通过对Pareto优化解集采用聚类分析方法或多准则决策分析方法，量化建筑参量对绿色性能的影响程度，便于设计师挖掘建筑要素与绿色性能的映射关系，辅助使用者做出设计决策，选择满足建筑绿色性能的最优解。

附图说明

图1为实施例所述的建筑绿色性能设计优化方法的工作流程示意图；

图2为实施例中的性能优化框架示意图；

图3为实施例中影响空间全年光暴露量ASE的敏感度分析结果图。

图4为实施例中用于划分聚类分析的Davies-Bouldin指数结果图；

图5为实施例中的聚类分析结果图；

图6为实施例中利用多准则决策分析方法对Pareto优化解集的排序结果图。

具体实施方式

为了使本发明所解决的技术问题，技术方案及有益效果更加清楚明白，以下具体实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供了一种建筑绿色性能设计优化方法，包括以下步骤：

步骤1、选择用于评价建筑绿色性能的评价指标，并确定影响建筑绿色性能的自变量参数；其中，用于评价建筑绿色性能的评价指标包括单位建筑面积能耗EUI、热环境不满意者百分数PPD、空间全天然采光时间百分比sDA及全年光暴露量ASE；影响建筑绿色性能的自变量参数包括建筑朝向、窗墙比、层高、标准层面积、长宽比、窗SHGC、窗户传热系数、外墙传热系数、空调采暖温度、空调制冷温度及照明功率密度；其中，窗墙比包括南向窗墙比、北向窗墙比、西向窗墙比及东向窗墙比。

步骤2、构建待优化建筑模型，并将待优化建筑模型导入modeFRONTIER软件中；其中，待优化建筑模型包括建筑结构的三维模型、建筑结构参数、主动设备控制参数及所在区域的气象数据；其中，三维模型包括建筑结构的形态参数(如长宽比)、功能分区及窗墙比信息；建筑结构参数包括外墙传热系数、窗户传热系数、屋面传热系数、窗户可见光透射比及窗户透光率；主动设备控制参数包括供暖通风与空气调节类型、供暖通风与空气调节系统的综合性能系数、人员密度、区域负荷、采暖设计温度、新风量、制冷设计温度、照明功率密度及设备功率密度。

步骤3、根据选择的用于评价建筑绿色性能的评价指标，利用modeFRONTIER软件，执行多目标优化算法，得到Pareto优化解集；本发明中，利用多目标优化算法寻优过程，采用以单位建筑面积能耗EUI、热环境不满意者百分数PPD及全年光暴露量ASE的最小值，且空间全天然采光时间百分比sDA的最大值为优化目标。

具体的，利用modeFRONTIER软件执行多目标优化算法过程，采用拉丁超立方抽样法进行抽样，获取初始样本；利用modeFRONTIER软件的优化模块，对初始样本进行寻优，得到Pareto优化解集；其中，modeFRONTIER软件的优化模块中内置有pilOPT算法。

步骤4、利用聚类分析方法或多准则决策分析方法，对Pareto优化解集进行筛选，得到多目标最优解，即得到建筑绿色性能设计优化结果；建筑绿色性能设计优化结果作为建筑绿色性能最优解，供使用者作出设计决策。

本发明中，利用聚类分析方法对Pareto优化解集进行筛选的过程：

根据聚类内自变量同质及聚类间因变量异质的原则，将Pareto优化解集中的若干优化解划分为多组互不相交的解集簇；根据设计师偏好，预设优化目标的权重，对多组解集簇进行逐簇筛选，获取预设偏好的最优解，得到聚类分析结果，得到多目标最优解，即得到建筑绿色性能设计优化结果，作为建筑绿色性能导向的最优设计结果。

其中，聚类分析过程具体包括以下步骤：

以Pareto优化解集为数据源。

利用modeFRONTIER软件的敏感度分析模块，对影响建筑绿色性能的自变量参数进行敏感度分析，获取影响建筑绿色性能的关键设计自变量参数。

以影响建筑绿色性能的关键设计自变量参数和优化目标作为约束条件；利用modeFRONTIER软件中的聚类分析模块，采用K-Means算法对Pareto优化解集进行聚类分析，将Pareto优化解集随机分解为一组不相交的聚类；其中，K-Means算法设置包括：最大迭代次数、聚类最大簇数、随机生成器种子及集群编号方式。

利用modeFRONTIER软件，创建划分聚类模型；其中，K-Means算法在每次迭代时预设缩小簇内距离，利用戴维森堡丁指数DBI衡量聚类模型优劣的评价指标；戴维森堡丁指数DBI为聚类内方差和聚类间距离之和的比值，戴维森堡丁指数DBI越低聚类划分的簇质量越好。

选取最低戴维森堡丁指数DBI的划分聚类模型，对Pareto优化解集做划分聚类分析，得到聚类数据表；并从聚类数据表中，获取多目标最优解，即得到建筑绿色性能设计优化结果。

在多项备选方案之间进行排序和选择是一项相对常见但往往很困难的任务，多准则决策分析方法是指在具有相互冲突、不可共度的多个方案中进行选择的决策；多准则决策分析方法是根据预先指定的决策规则对Pareto优化解集进行结构化分析，并得出有根据的建议供决策者参考。

本发明中，采用多准则决策分析方法对Pareto优化解集进行筛选的过程；

数据源为Pareto优化解集，约束条件为优化目标；利用modeFRONTIER软件中的多准则分析模块，对Pareto优化解集进行多准则决策分析；其中，modeFRONTIER软件的多准则分析模块中内置Linear MCDM算法。

具体包括以下步骤：

选择数据源创建新的多准则决策模型。

本发明中，以Pareto优化解集为数据源；约束条件为优化目标；即建筑能耗密度EUI、热环境不满意者百分数PPD及全年光暴露量ASE的最小值，且空间全天然采光时间百分比sDA的最大值。

利用modeFRONTIER软件的多准则分析模块，选择线性多准则决策算法LinearMCDM进行多准则决策；线性多准则决策算法Linear MCDM计算效用函数，是对Pareto优化解排序的基础；效用函数考虑权重，通过设置优化目标的权重，从而可以融入设计师的偏好控制决策过程；算法设置包括是否排除错误设计解、优先幅度及无差异幅度。

预设偏好和无差异幅度，运行多准测决策模型。

本发明中，相较于既有方法中程序自动将目标的均值和方差加权作为目标，在modeFRONTIER软件中可以直接对设计目标的均值和方差操作，对最优解的选择具有高度的灵活性和可操作性；做设计决策时考虑设计师偏好，即对应于变量，例如输入、输出、约束和目标。

从一组可用的解决方案中选择一个最合理的方案，即选择评价值最大的优化解。对每个备选方案进行评估，以便对可用备选方案进行排序；将偏好和无差异边距反映在排名图的颜色，绿色表示排名最佳，红色表示排名最差，绿色的评价值最大的优化设计解的目标性能最好。

本发明还提供了一种建筑绿色性能设计优化系统，包括变量模块、模型模块、寻优模块及分析模块；变量模块，用于选择用于评价建筑绿色性能的评价指标，并确定影响建筑绿色性能的自变量参数；模型模块，用于构建待优化建筑模型，将待优化建筑模型导入modeFRONTIER软件中；寻优模块，用于根据选择的用于评价建筑绿色性能的评价指标，利用modeFRONTIER软件，执行多目标优化算法，得到Pareto优化解集；分析模块，用于利用聚类分析方法或多准则决策分析方法，对Pareto优化解集进行筛选，得到多目标最优解，即得到建筑绿色性能设计优化结果。

本发明所述的建筑绿色性能设计优化方法及系统，提出基于modeFRONTIER的建筑绿色性能优化设计方法，有效解决了多项绿色性能难权衡问题；不但可以提高模拟优化的准确度，还能得到一组平衡绿色性能的多目标最优解，并能挖掘多目标最优解的数据特征，量化自变量与因变量的映射关系；通常为了提供良好的室内光环境和热舒适度，需要消耗建筑能源；能耗EUI、热环境不满意者百分数PPD、空间全天然采光时间百分比sDA和全年光暴露量ASE等指标是相互冲突的；本发明利用多准则决策分析方法和聚类分析方法，根据设计师的偏好评价Pareto优化解集并对若干优化解排序或聚类，便于设计师做设计决策。

实施例

如附图1-2所示，本实施例提供了一种建筑绿色性能设计优化方法及系统，其基于modeFRONTIER软件整合Grasshopper/Ladybug+Honeybee的建筑绿色性能优化设计方法，遵循设计、模拟、优化、数据挖掘及决策的搭建设计流程：

首先，分析初始设计条件和建筑性能优化目标，确定自变量和因变量，并在modeFRONTIER软件中建立绿色性能优化框架；调用Grasshopper/Ladybug+Honeybee做性能模拟，计算单位建筑面积能耗EUI、热环境不满意者百分数PPD、空间全天然采光时间百分比sDA及全年光暴露量ASE等因变量；然后，利用modeFRONTIER软件的优化模块进行抽样生成初始样本，并利用优化算法自动寻优并获得一组Pareto优化解集；最后，对Pareto优化解集做数据挖掘和辅助设计师做设计决策；具体包括以下步骤：

步骤1、在modeFRONTIER软件平台，利用自变量、抽样、优化、Grasshopper接口、因变量、优化目标、数据后处理及最优解等模块，搭建建筑绿色性能优化框架。

步骤2、基于既有研究和实践，确定影响建筑能耗和光热性能的自变量参数；本实施例中，影响建筑绿色性能的自变量参数包括建筑朝向、南向窗墙比、北向窗墙比、西向窗墙比、东向窗墙比、建筑层高、标准层面积、长宽比、窗SHGC、窗户传热系数、外墙传热系数、空调采暖温度、空调制冷温度及照明功率密度。

步骤3、利用自然资源是降低建筑能耗的有效措施，建筑能耗和光热性能密切相关；因此，以建筑能耗和光热性能为因变量；用于评价建筑绿色性能的评价指标包括单位建筑面积能耗E UI、热环境不满意者百分数PPD、空间全天然采光时间百分比sDA及全年光暴露量ASE；利用多目标优化算法寻优过程，采用以单位建筑面积能耗EUI、热环境不满意者百分数PPD及全年光暴露量ASE的最小值，且空间全天然采光时间百分比sDA的最大值为优化目标。

步骤4、利用modeFRONTIER软件平台的Grasshopper接口，自动调用Grasshopper/Lady bug+Honeybee(L+H)做建筑绿色性能模拟，计算自变量参数对应的绿色性能，即单位建筑面积能耗EUI、热环境不满意者百分数PPD、空间全天然采光时间百分比sDA及全年光暴露量AS E四个性能指标。

步骤5、利用modeFRONTIER软件的优化模块做算法寻优；其中，采用拉丁超立方抽样法进行抽样，获取初始样本；利用modeFRONTIER软件的优化模块，对初始样本进行寻优，得到Pareto优化解集；其中，modeFRONTIER软件的优化模块中内置有pilOPT算法。

步骤6、利用聚类分析方法或多准则决策分析方法，对Pareto优化解集进行筛选，得到多目标最优解，即得到建筑绿色性能设计优化结果。

实例说明

以下以西安市某一办公建筑设计实例，进行详细说明，具体步骤如下：

步骤1、在modeFRONTIER软件平台搭建建筑绿色性能优化框架，采用模块化和可视化编程语言，建筑绿色性能优化需要的模块包括：自变量模块组、Grasshopper接口模块、因变量模块、优化目标模块、优化模块和完成模块等；遵循的优化流程是输入自变量→运行外部程序Grasshopper→输出因变量→根据优化算法输入新的变量→利用算法寻优→产生计算结果→提取Pareto优化解集→分析优化结果→选择最优解做设计决策。

步骤2、确定影响建筑绿色性能的建筑自变量包括：建筑朝向、南向窗墙比、北向窗墙比、东向窗墙比、西向窗墙比、层高、标准层面积、长宽比、窗SHGC、窗户传热系数、外墙传热系数、空调采暖温度、制冷温度及照明功率密度，并分别设置自变量的名称、单位及值域范围，如下表1所述。

表1影响建筑绿色性能的自变量参数表

步骤3、输入所要耦合计算的Grasshopper文件，能自动生成Grasshopper耦合计算模型，即自动调用Grasshopper/Ladybug+Honeybee做建筑绿色性能模拟；其中，Ladybug+Honeybee是基于Grasshopper的参数化性能模拟插件，其调用能耗模拟软件EnergyPlus和光性能模拟软件Radiance等，具有耦合光环境、热环境、风环境和能耗等模拟功能。

西安属于寒冷地区，纬度34.3°N，经度108.9°E；从EnergyPlus官网获取西安的标准气象数据库-epw数据，并且选择该数据作为本实施例模型所用气象数据；在Grasshopper/L+H计算自变量参数对应的绿色性能指标。

步骤4、选择评价建筑绿色性能的四个指标，以总能耗EUI、热环境不满意者百分数PPD、空间全天然采光时间百分比sDA和全年光暴露量ASE为因变量，采用以单位建筑面积能耗EUI、热环境不满意者百分数PPD及全年光暴露量ASE的最小值，且空间全天然采光时间百分比sDA的最大值为优化目标。

步骤5、利用modeFRONTIER软件的优化模块做算法寻优。

S51、利用拉丁超立方抽样生成初始样本，拉丁超立方抽样不但可以满足覆盖全参数空间的概率分布，样本量为自变量数目的5倍，即70个；初始样本见下表2所示。

表2初始样本表

S52，优化算法pilOPT具有全局和局部搜索的特性，并能自动停止寻优，利用pilOPT算法做绿色性能导向的寻优。

本实施例中，总共寻优次数是1400次，即优化解1400个，其中Pareto优化解集是141个；如下表3所示，表3展示了本实施例所述建筑性能优化设计方法计算所得的Pareto优化解集及其指标值。

表3本实施例优化计算得到Pareto优化解集

同时，利用现有技术中常用的基于Grasshopper的Octopus做性能优化，Octopus采用的优化算法是NSGA2，替代上述步骤5所用的pilOPT算法。利用NSGA2算法计算Pareto优化解集，并从中选择最优解。

表4现有技术中常用的基于Grasshopper的Octopus做性能优化结果

步骤7、对Pareto优化解集做敏感度分析，得到影响建筑绿色性能的关键设计自变量参数：如附图3所示，本实施例中以影响空间全年光暴露量ASE进行敏感度分析，其敏感度分析结果如附图3所示；本实施例中，确定的影响建筑绿色性能的关键设计自变量参数包括东向窗墙比、长宽比、北向窗墙比、南向窗墙比、西向窗墙比、采暖温度及制冷温度；

步骤8、对Pareto优化解集做聚类分析，辅助使用者选择多目标最优解，即得到建筑绿色性能设计优化结果；具体包括以下步骤：

以Pareto优化解集中的十四个自变量和四个因变量为数据源。

以影响建筑绿色性能的关键设计自变量参数和性能目标，作为聚类分析模型的变量设置；尺度函数设计为随机，距离类型为欧几里得距离。

采用K-Means算法对Pareto优化解集做划分聚类分析，算法设置是：最大迭代次数为5、聚类最大簇数为10、随机生成器种子为1及集群编号自动选择。

对modeFRONTIER软件进行设置，创建划分聚类模型，K-Means算法在每次迭代时都缩小簇内距离。如附图4所示，对比Pareto优化解1-10个簇的聚类，戴维森堡丁指数DBI得出最佳聚类数是3。

聚类分析计算所得的簇，辅助使用者选择最优解。

由于Pareto优化解集具有良好的多样性和分布性，对Pareto优化解集做聚类分析，将Pareto优化解集划分为三簇，每簇具有的解数目分别是52、24及65；设计要素对建筑性能的影响是有规律可循，利用聚类分析建构设计变量和性能目标的映射关系，根据聚类结果给使用者设计要素的某区域值，辅助使用者灵活选择最优解。

如附图5所示，假设使用者偏好能耗和热舒适不满意度较低、光环境较良好；即簇0，就可以选择簇0范围内对应的设计参数；簇0最优解的南向窗墙比是50％-60％时占比最大，窗SHGC是0.1-0.2，标准层面积是1005-1555m

本发明另一实施例，采用多准则决策分析方法，对Pareto优化解集进行筛选，得到多目标最优解，即得到建筑绿色性能设计优化结果，辅助设计师做设计决策；具体过程如下：

以Pareto优化解集的自变量和因变量为源数据。

选用线性多准则决策算法Linear MCDM，计算效用函数，算法设置包括排除错误的设计解、优先幅度为0.05及无差异幅度为0.02。

设定单位建筑面积能耗EUI、热环境不满意者百分数PPD、空间全天然采光时间百分比sDA及全年光暴露量ASE的权重比例相同，即各占比25％；利用多准则决策分析方法对优化解进行评价并排序，选择评价值最大的优化解；如附图5所示，附图5中给出了利用多准则决策分析方法对优化解的排序结果图。

本实施例中，最大评价值是0.71，对应的设计解编号是858，如表5所示，从表5中可以看出，相应的优化目标单位建筑面积能耗EUI、热环境不满意者百分数PPD、空间全天然采光时间百分比sDA及全年光暴露量ASE分别是68.5kWh/m

表5利用本实施例自动搜索的最优解

进一步，对比既有方法与本发明的寻优结果，表6给出本发明所述建筑性能优化设计方法、既有的基于Grasshopper/Octopus的建筑性能优化设计方法搜索的最优解；与既有方法搜索的最优解相比，本实施例自动搜索的最优方案将节能率提高8.9％、PPD降低1.4％、sDA提升16.3％、ASE降低21.6％，即本实施例提出的优化方法搜索的最优解性能更好。

表6对比本实施例的性能优化设计方法及既有方法的优化结果

本发明所述的一种建筑绿色性能设计优化方法，由于采用拉丁超立方抽样改进随机抽样，保证样本的全局性和优化质量；pilOPT算法具有全局和局部搜索的特性，所以本发明设计方法提高寻优效率、优化解的精确度高等优点；本发明同时考虑单位建筑面积能耗EUI、热环境不满意者百分数PPD、空间全天然采光时间百分比sDA及全年光暴露量ASE四个性能指标，利用优化算法自动搜索一组Pareto优化解集；但是使用者很难权衡这些优化解，modeFRONTI ER具有多准则决策功能，根据使用者的偏好对Pareto优化解集做评价并排序，辅助设计师做设计决策,提高决策的客观性和科学性；本发明利用pilOPT算法能自动停止寻优，显著增强了算法的操作性，大大提高本方法的适用性；本发明具有数据后处理功能，利用聚类分析方法对Pareto优化解集做量化处理、多准则决策分析方法对Pareto优化解集排序，辅助使用者选择最优解。

上述实施例仅仅是能够实现本发明技术方案的实施方式之一，本发明所要求保护的范围并不仅仅受本实施例的限制，还包括在本发明所公开的技术范围内，任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。