将机器学习与多智能体深度强化学习相结合，用于以性能为导向的城市设计

《AUTOMATION IN CONSTRUCTION》：Integrating machine learning and multi-agent deep reinforcement learning for performance-driven urban design

城市形态优化与可持续设计研究提出ML与MADRL融合框架，ML模型实现高精度（R2达0.9915）预测日照、能耗及光伏发电量，MADRL优化设计参数使性能提升9.46%，验证跨尺度应用有效性。

　　

施泽伟|叶家红|黄晨宇|王金宇|姚家伟

同济大学建筑与城市规划学院，中国上海200092

摘要

城市街区的形态对环境和能源性能有着显著影响。在早期设计阶段进行高效优化对于节能和可持续城市发展至关重要。本文提出了一种基于性能驱动的城市街区设计框架，该框架整合了机器学习（ML）和多智能体深度强化学习（MADRL）。ML替代模型能够快速准确地预测日照时数（SH）、能源使用强度（EUI）和光伏发电量（PVE），而MADRL则通过智能体与环境的互动迭代优化设计参数。实验结果表明，XGBoost模型在预测SH、EUI和PVE方面的准确率分别达到了0.8166、0.8861和0.9915。与遗传算法相比，MADRL的整体性能提升了9.46%，其中SH增加了11.4%。预训练模型在更大规模的街区场景中也表现出较强的适应性和跨尺度泛化能力。所提出的方法提高了基于性能驱动的城市设计的效率和稳健性，有助于实现可持续发展。

引言

全球城市化进程正在加速。到2030年，全球约60%的人口将居住在城市中，预计这一比例到2050年将进一步提高至近70%[1]。中国作为快速城市化的典型代表，其城市人口持续增长。截至2024年底，中国约有67%的人口成为城市居民[2]。城市区域内人口的密集集中导致了能源需求的显著增加。在工业、交通和建筑这三个主要终端使用领域中，建筑行业位居前三，约占全球能源消耗的32%和总碳排放量的34%[3]。建筑能源需求的快速增长不仅加剧了气候变化，还加剧了城市环境问题，如城市热岛效应。因此，提高建筑能源效率和减少碳排放已成为可持续城市发展的关键问题。

优化城市形态并提升建筑的能源和环境性能在应对这些挑战中起着关键作用。然而，传统的以性能为导向的设计过程主要依赖于设计师的经验，且性能评估通常只在设计完成后进行[4]。早期设计阶段做出的决策在很大程度上决定了建筑的长期能源和环境性能，而设计后的性能调整往往成本高昂且效果有限。因此，在早期设计阶段优化城市街区形态对于实现能源高效和可持续的城市发展尤为重要。

尽管人们已经认识到城市街区形态对能源和环境性能的重要性，但现有的设计工作流程仍缺乏适用于早期设计阶段和街区规模的高效自适应优化框架。为了解决这一差距，本研究提出了一种基于性能驱动的城市街区形态优化框架，该框架将多智能体深度强化学习（MADRL）与基于机器学习（ML）的替代模型相结合。通过结合快速性能评估和自适应优化，该框架旨在支持早期城市街区设计中的高效、基于性能的决策制定。

本文的其余部分安排如下：第2节回顾了有关城市形态、性能预测和优化方法的相关研究；第3节介绍了所提出的方法框架，包括街区生成、替代模型训练和多智能体强化学习设置；第4节展示了预测和优化结果；第5节讨论了研究结果及其意义；最后，第6节总结了研究内容并指出了未来研究的方向。

相关研究

相关工作

本节回顾了与城市街区形态、性能预测和能源环境驱动设计中的优化方法相关的研究。总结了关于城市形态对能源和环境性能影响的研究、基于ML的性能预测以及传统优化方法的研究。最后，还回顾了深度强化学习在建筑和城市设计中的最新应用，以确定本研究的主要研究空白。

方法

本研究提出了一种基于ML和MADRL的性能驱动城市街区生成设计方法。如图1所示，整个工作流程包括四个主要步骤。

第一阶段侧重于构建城市街区的参数模型。选取了中国上海具有代表性的住宅街区配置作为案例研究，从中推导出简化的建筑原型模型以供后续分析。建筑类型、层数和平面尺寸（长度）等参数被纳入模型中。

结果

本节从四个角度展示了所提出框架的结果。首先，评估了机器学习替代模型在预测日照时数（SH）、能源使用强度（EUI）和光伏发电量（PVE）方面的训练性能和预测准确性。其次，分析了基于MADDPG的多智能体强化学习框架在不同街区规模下的学习动态和收敛行为。第三，将所提出方法的优化性能与遗传算法进行了比较。

讨论

本节从三个角度讨论了优化结果的意义。首先，利用SHAP基于特征的贡献和交互分析方法，研究了城市形态参数对环境和能源性能的影响，重点关注了其背后的机制和参数耦合效应。其次，通过与均匀基线的比较，解释了所提出的基于MADDPG的优化框架的行为和附加价值。

结论

本文提出了一种基于性能驱动的城市街区生成设计框架，该框架将基于ML的替代建模与MADRL方法相结合。通过将室外日照时数、能源使用强度和光伏潜力的预测模型嵌入到基于MADDPG的优化过程中，该框架能够高效探索具有强非线性和复杂多目标权衡的高维设计空间。

从性能角度来看，

作者贡献声明

施泽伟：撰写——原始草稿、可视化、软件实现、方法论构建、形式化分析。叶家红：软件实现。黄晨宇：撰写——审稿与编辑、方法论构建、概念化设计。王金宇：软件实现。姚家伟：撰写——审稿与编辑、项目监督、资金筹集。

关于写作过程中使用生成式AI和AI辅助技术的声明

在准备本工作时，作者使用了ChatGPT来改进语法、可读性和语言表达。使用该工具后，作者对内容进行了必要的审阅和编辑，并对出版物的内容负全责。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本研究得到了国家自然科学基金（编号：52278041和52338004）的财政支持。