• صفحه اصلی
  • الگوریتم تکاملی ژنتیک در معماری: تحلیل روش های الگوریتم های تکاملی ژنتیک در فرآیند باز تولید ارزش های زیبایی شناختی طراحی معماری

اشتراک گذاری

آدرس مقاله


کد مقاله : 1404031850576 بازدید : 246 صفحه: 191 - 208

نوع مقاله: پژوهشی

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش های الگوریتم های تکاملی ژنتیک در فرآیند باز تولید ارزش های زیبایی شناختی طراحی معماری

محورهای موضوعی : تخصصی

سید علی یار ابراهیمی وفایی 1 , مهدی خاکزند 2 * , محمد حسن طالبیان 3 , محمد بهزادپور 4 , فهیمه معتضدیان 5

1 - دانشجوی دکتری تخصصی، گروه معماری، واحد پردیس، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه معماری، دانشکده معماری و طراحی محیطی، دانشگاه علم و صنعت، تهران، ایران
3 - گروه معماری، دانشکده هنرهای زیبا، دانشگاه تهران، تهران، ایران
4 - موسسه آموزشی دانشگاه غیرانتفاعی رجا، قزوین
5 - استادیار گروه معماری، واحد پردیس، دانشگاه آزاد اسلامی، تهران، ایران

تاریخ دریافت : 1403/02/03 تاریخ پذیرش : 1404/05/20 تاریخ انتشار : 1404/07/04

کلید واژه: طراحی معماری, الگوریتم ژنتیک, الگوریتم تکاملی, زیبایی شناسی,

چکیده مقاله :

 این پژوهش به بررسی کاربرد الگوریتم ژنتیک (Genetic Algorithm – GA) در فرآیند طراحی معماری با تمرکز بر بازتولید ارزش‌های زیبایی‌شناختی مانند تعادل، تناسب، هماهنگی، ریتم و نوآوری می‌پردازد. در جهان امروز، که مرزهای هنر، علم و فناوری به‌ویژه با ورود هوش مصنوعی در حال هم‌گرایی‌اند، استفاده از ابزارهای محاسباتی مانند الگوریتم ژنتیک در طراحی معماری به ضرورتی اجتناب‌ناپذیر تبدیل شده است. مسئله اساسی که مقاله به آن می‌پردازد، چالش درک و بازتولید مؤلفه‌های ذهنی و زیبایی‌شناسی در طراحی معماری است؛ مفاهیمی که معمولاً در فرآیند طراحی سنتی به‌صورت شهودی و غیرکمی در نظر گرفته می‌شوند. الگوریتم ژنتیک اما این قابلیت را دارد که این مفاهیم را به پارامترهای کمی و قابل سنجش تبدیل کرده و در قالب تابع برازندگی به سیستم محاسباتی وارد کند. بر این اساس، فرضیه مقاله بر آن است که با طراحی صحیح کروموزوم‌ها، تعریف تابع هدف مناسب و به‌کارگیری عملگرهای ژنتیکی نظیر جهش و ترکیب، می‌توان فرم‌هایی خلق کرد که دارای ارزش‌های زیبایی‌شناسی معماری باشند. روش تحقیق مقاله کیفی و مبتنی بر تحلیل محتواست. در این مسیر، نویسندگان با بررسی هفت نمونه طراحی مبتنی بر الگوریتم ژنتیک، مراحل مختلف طراحی معماری با این الگوریتم را تحلیل کرده‌اند. این مراحل شامل کدگذاری فرم به صورت کروموزوم‌های دیجیتالی، تعریف تابع هدف بر اساس معیارهای زیبایی‌شناسی، اجرای فرآیند تکراری تولید نسل، انتخاب بهترین فرم‌ها و ارتقاء تدریجی کیفیت طراحی است. در این الگوریتم، فرم‌های اولیه به صورت تصادفی تولید می‌شوند و سپس با هر تکرار، فرم‌هایی که بیشترین انطباق با تابع هدف دارند، انتخاب و تولید نسل جدید را هدایت می‌کنند

چکیده انگلیسی:

This study examines the application of the Genetic Algorithm (GA) in the architectural design process with a focus on reproducing aesthetic values such as balance, proportion, harmony, rhythm, and innovation. In today’s world, where the boundaries between art, science, and technology—especially with the advent of artificial intelligence—are increasingly converging, the use of computational tools like genetic algorithms in architectural design has become an inevitable necessity. The fundamental issue addressed in this paper is the challenge of understanding and reproducing the subjective and aesthetic components in architectural design—concepts that are typically considered intuitively and non-quantitatively in traditional design processes. However, genetic algorithms possess the capability to convert these concepts into measurable and quantifiable parameters that can be input into a computational system in the form of a fitness function. Accordingly, the paper’s hypothesis is that by properly designing chromosomes, defining an appropriate objective function, and applying genetic operators such as mutation and crossover, it is possible to generate forms that embody architectural aesthetic values. The research method is qualitative and based on content analysis. In this approach, the authors analyze seven design case studies based on genetic algorithms, examining various stages of architectural design using this algorithm. These stages include encoding forms as digital chromosomes, defining the objective function based on aesthetic criteria, executing an iterative process of generation production, selecting the best forms, and progressively improving design quality.

منابع و مأخذ:

• al-Rawi, Ossama MOHAMED (2020) "Origins of Computational Design in Architecture," Future Engineering Journal: Vol. 1 : Iss. 1 , Article 5.
• Arturo Tedeschi (2014), AAD Algorithms-Aided Design, Parametric Strategies usinghttps://en.wikipedia.org/wiki/Genetic_algorithm
• Caldas, L. and Rocha, J. (2001) “A Generative Design System applied to Siza’s School of Architecture at Oporto” in: Proceedings of the Sixth Conference on Computer Aided Architectural Design Research in Asia, Sidney, Australia, pp. 253-264.
• Cohoon, J; et al. (2002-11-26). Evolutionary algorithms for the physical design of VLSI circuits (PDF). Advances in Evolutionary Computing: Theory and Applications. Springer, pp. 683-712, 2003. ISBN 978-3-540-43330-9
• Dapogny, Charles; Faure, Alexis; Michailidis, Georgios; Allaire, Grégoire; Couvelas, Agnes; Estevez, Rafael (2017). "Geometric constraints for shape and topology optimization in architectural design" (PDF). Computational Mechanics. 59 (6): 933–965. Bibcode:2017CompM..59..933D. doi:10.1007/s00466-017-1383-6. S2CID 41570887.
• Driscoll, John Charles, "Fractal Dimension as Objective Function in a Genetic Algorithm for Application in Architectural Design" (2019). Systems Science Friday Noon Seminar Series. 80.
• H. Song, et al., Architectural design of apartment buildings using the Implicit Redundant Representation Genetic Algorithm, Automation in Construction (2016), http://dx.doi.org/10.1016/j.autcon.2016.09.00
• Hung Lo, Chi., Ya-Chuan Ko, Shih-Wen Hsiao (2015), A study that applies aesthetic theory and genetic algorithms to product form optimization, Advanced Engineering Informatics, Volume 29, Issue 3, August 2015, Pages 662-679
• J. Felkner, E. Chatzi and T. Kotnik, "Interactive particle swarm optimization for the architectural design of truss structures," 2013 IEEE Symposium on Computational Intelligence for Engineering Solutions (CIES), 2013, pp. 15- 22, doi: 10.1109/CIES.2013.6611723.
• Kolarevic, B. (2003) Architecture in the Digital Age: Design and Manufacturing, New York: Spon Press.
• Krish, Sivam (2011). "A practical generative design method". Computer-Aided Design. 43 (1): 88–100. doi:10.1016/j.cad.2010.09.009
• Li Li,)2012(The optimization of architectural shape based on Genetic Algorithm,Frontiers of Architectural Research,Volume 1, Issue 4,2012,Pages 392-399,ISSN 2095-2635, https://doi.org/10.1016/j.foar.2012.07.005
• Lu, Yingxiu (2018): Conversational Form-Generation: An Application of Interactive Genetic Algorithm to Architectural Design. Carnegie Mellon University. Thesis. https://doi.org/10.1184/R1/7182263.v1
• Maikantis, Theodoros, Angeliki-Agathi Tsintzira, Apostolos Ampatzoglou, Elvira-Maria Arvanitou, Alexander Chatzigeorgiou, Ioannis Stamelos, Stamatia Bibi, and Ignatios Deligiannis (2020), Software Architecture Reconstruction via a Genetic Algorithm: Applying the Move Class Refactoring, Proceedings of the 24th Pan-Hellenic Conference on Informatics, Pages 135 – 139.
• Mars, A., Grabska, E., Ślusarczyk, G., & Strug, B. (2019). Style-Oriented Evolutionary Design of Architectural Forms Directed by Aesthetic Measure. In J. S. Gero (Ed.), Design Computing and Cognition '18 (pp. 629–646). Springer. https://doi.org/10.1007/978-3-030-05363-5_38
• Mars, A., Grabska, E., Ślusarczyk, G., & Strug, B. (2020). Design characteristics and aesthetics in evolutionary design of architectural forms directed by fuzzy evaluation. Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 34(2), 147–159. https://doi.org/10.1017/S0890060420000153
• Meintjes, Keith. ""Generative Design" – What's That? - CIMdata". Retrieved 2018-06-15.
• Mitchell, Melanie; Taylor, Charles E (1999). "Evolutionary computation: an overview". Annual Review of Ecology and Systematics. 30 (1): 593–616. doi:10.1146/annurev.ecolsys.30.1.593.
• Papapavlou, A., Turner A., 2009. Structural evolution: a genetic algorithm method to generate structurally optimal delaunay triangulated space frames for dynamic loads. In: 27th eCAADe Conference, Istanbul.
• Prasanta, Rajamoney, Shankar A. Rosenbloom, Paul S.; Wagner, Chris Bose (2014-09-04). Compositional model based design: A generative approach to the conceptual design of physical systems. University of Southern California. OCLC 1003551283
• Schumacher, P. (2016). Parametricism 2.0: Rethinking Architecture's Agenda for the 21st Century. Architectural Design, 86(2), 8–17. https://doi.org/10.1002/ad.2018
• Schwab, K. (2019). How generative design is changing the way architects work. Fast Company.
• Schwab, Katharine (16 April 2019). "This is the first commercial chair made using generative design". Fast Company.
• Schwehr, P. (2011), "Evolutionary Algorithms In Architecture", Open House International, Vol. 36 No. 1, pp. 16-24. https://doi.org/10.1108/OHI-01-2011-B0003
• Shea, Kristina; Aish, Robert; Gourtovaia, Marina (2005). "Towards integrated performance-driven generative design tools". Automation in Construction. 14 (2): 253–264. doi:10.1016/j.autcon.2004.07.002
• Vikhar, P. A. (2016). "Evolutionary algorithms: A critical review and its future prospects". Proceedings of the 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC). Jalgaon: 261–265. doi:10.1109/ICGTSPICC.2016.7955308. ISBN 978-1-5090-0467-6. S2CID 22100336.
• Whitley, Darrell (1994). "A genetic algorithm tutorial" (PDF). Statistics and Computing. 4 (2): 65–85. CiteSeerX 10.1.1.184.3999. doi:10.1007/BF00175354. S2CID 3447126
• Y. Zhang, G. Fei and W. Shang, "3D architecture facade optimization based on genetic algorithm and neural network," 2017 IEEE/ACIS 16th International Conference on Computer and Information Science (ICIS), 2017, pp. 693-698, doi: 10.1109/ICIS.2017.7960082. https://en.wikipedia.org/wiki/Genetic_algorithm
Frazer, J. (1995). An Evolutionary Architecture. Architectural Association Publications.
Aish, R., & Woodbury, R. (2005). Multi-level Interaction in Parametric Design. Proceedings of the CAAD Futures Conference.
Oxman, R. (2008). Digital Architecture as a Challenge for Design Pedagogy: Theory, Knowledge, Models and Medium. Design Studies, 29(2), 99-120.
متن کامل:


 

img0 

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های تکاملی ژنتیک در فرآیند باز تولید ارزش­های زیبایی شناختی طراحی معماری

* سیدعلی یار ابراهیمی­وفائی             ** مهدی خاکزند             *** محمدحسن طالبیان             **** محمد بهزادپور             **** فهیمه معتضدیان

* دانشجوی دکتری تخصصی، گروه معماری، واحد پردیس، دانشگاه آزاد اسلامی، تهران، ایران. 

aliyar.ebrahimi@ iau.ac.ir

** دانشیار گروه معماری، دانشکده معماری و طراحی محیطی، دانشگاه علم و صنعت، تهران، ایران.

 khakzand@ut.ac.ir

*** استاد تمام گروه معماری، دانشکده هنرهای زیبا، دانشگاه تهران، تهران، ایران.

mh.talebian@ut.ac.ir 

**** استادیار گروه معماری، واحد هشتگرد، دانشگاه آزاد اسلامی، هشتگرد، کرج ایران.

mohammad.behzadpour@hiau.ac.ir 

***** استادیار گروه معماری، واحد پردیس، دانشگاه آزاد اسلامی، تهران، ایران.

motazedian@iau.ac.ir

 

تاریخ دریافت: 03/02/1403             تاریخ پذیرش: 20/05/1404 

            

چکيده

img0این پژوهش با هدف تحلیل روش‌های الگوریتم تکاملی ژنتیک در بازتولید ارزش‌های زیبایی‌شناختی طراحی معماری انجام شده است. بیان مسئله از آن‌جا ناشی می‌شود که با وجود پیشرفت‌های روزافزون فناوری‌های محاسباتی، کاربرد الگوریتم ژنتیک در حوزه معماری عمدتاً بر بهینه‌سازی سازه و عملکرد متمرکز بوده و بهره‌گیری از آن در بازآفرینی معیارهای زیبایی‌شناسی نظیر تعادل، تناسب، ریتم، هماهنگی و نوآوری کمتر مورد توجه قرار گرفته است. نوآوری پژوهش در ادغام پارامترهای زیبایی‌شناسی با سازوکارهای انتخاب، جهش و ترکیب ژنتیکی به‌منظور خلق فرم‌هایی خلاقانه، هماهنگ و کارا است. اهمیت و ضرورت تحقیق در پاسخ به نیاز معماری معاصر برای ابزارهای طراحی هوشمند، انعطاف‌پذیر و چندهدفه، و همچنین در حفظ و بازآفرینی ارزش‌های فرهنگی و هنری در بستر دیجیتال نهفته است. 

روش تحقیق به‌صورت مطالعه تحلیلی و مبتنی بر تحلیل محتوای کیفی انجام شد. داده‌ها از منابع معتبر بین‌المللی گردآوری و بر اساس هفت محور اصلی شامل ابعاد فراکتال، شبکه عصبی، چارچوب تعاملی طراحی سازه، تولید فرم مکالمه، هندسه تاریخی، بازنمایی افزونگی ضمنی و بهینه‌سازی شکل معماری کدگذاری و تحلیل شدند. فرضیه اصلی بیان می‌دارد که الگوریتم ژنتیک قادر است فرآیند بازتولید ارزش‌های زیبایی‌شناسی در معماری را بهینه و تسهیل کند، مشروط بر آنکه ساختار کروموزوم، معیارهای برازندگی و روابط عملکردی به‌درستی تعریف شوند.

نتایج حاکی از آن است که استفاده از الگوریتم‌های ژنتیک در طراحی مولد، امکان کاوش هزاران گزینه، کاهش خطا، افزایش یکپارچگی با بافت و ارتقاء عملکرد پروژه را فراهم می‌آورد. این رویکرد ضمن همسویی با یافته‌های پژوهش‌های پیشین، چارچوبی جامع‌تر ارائه می‌دهد که می‌تواند در آموزش معماری، توسعه نرم‌افزارهای طراحی، پروژه‌های بازآفرینی بافت تاریخی و طراحی پایدار به‌کار رود. پیشنهاد می‌شود استفاده از یادگیری عمیق، واقعیت مجازی و شاخص‌های چندبعدی عملکرد برای ارتقاء دقت و کارایی این فرآیند در تحقیقات آتی مدنظر قرار گیرد.

واژه‌های کلیدی: طراحی معماری، الگوریتم ژنتیک، الگوریتم تکاملی، زیبایی­شناسی.

 

 

نوع مقاله: پژوهشی

 

 

نویسندة عهده‌‌دار مکاتبات: مهدی خاکزند  Khakzand@ut.ac.ir 

 

 

 

 

 

 

 

 

1-       

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                                     192

مقدمه 

img0الگوریتم‌های تکاملی ژنتیک (Genetic Algorithms یا GAs) به‌عنوان یکی از ابزارهای قدرتمند در بهینه‌سازی مسائل پیچیده، در دهه‌های اخیر جایگاه ویژه‌ای در طراحی معماری یافته‌اند. این الگوریتم‌ها با الهام از فرآیندهای طبیعی مانند انتخاب طبیعی، جهش و ترکیب ژنتیکی، امکان تولید و بهینه‌سازی فرم‌های معماری را فراهم می‌کنند که نه‌تنها از نظر عملکردی مؤثرند، بلکه از نظر زیبایی‌شناسی نیز ارزشمند هستند.  (Mars et al., 2019, p. 631) در طراحی معماری، درک و بازتولید کیفیت‌های زیبایی‌شناختی همواره از چالش‌برانگیزترین مراحل بوده است، چرا که زیبایی مفهومی ذهنی و وابسته به ادراک است. با این حال، الگوریتم‌های ژنتیک با تعریف توابع برازندگی که می‌توانند معیارهای زیبایی‌شناسی همچون تعادل، نظم، نسبت طلایی و هماهنگی را در بر بگیرند، بستری برای ارزیابی و بهینه‌سازی فرم‌های معماری فراهم کرده‌اند (Mars et al., 2020, p. 149). در معماری، چالش اصلی آن است که بسیاری از ارزش‌های زیبایی‌شناسی – همچون تعادل، نظم، تکرار، تناسب و هماهنگی – به سختی قابل کمی‌سازی هستند. با این وجود، الگوریتم‌های ژنتیکی با استفاده از توابع برازندگی که معیارهای زیبایی‌شناسی را در قالب داده‌های کمی تعریف می‌کنند، قادرند فرم‌هایی خلق کنند که واجد ارزش‌های زیبایی‌شناختی مطلوب باشند(Mars et al., 2020, p. 148).

 از طرفی طراحی مولد یک فرآیند طراحی تکراری است که شامل برنامه­ای است که تعداد معینی از خروجی­ها را تولید می­کند که محدودیت­های خاصی را برآورده می­کنند، و همچنین شامل یک طراح است که منطقه امکان­پذیر را با انتخاب خروجی خاص یا تغییر مقادیر ورودی، محدوده و توزیع دقیق تنظیم می­کند. نیازی نیست که طراح یک انسان باشد، می­تواند یک برنامه آزمایشی در یک محیط آزمایشی یا یک هوش مصنوعی باشد. طراح یاد می­گیرد که برنامه را (معمولا شامل الگوریتم­ها) با هر تکرار اصلاح کند زیرا اهداف طراحی آنها در طول زمان بهتر تعریف می­شوند (Keith ,Meintjes، 2018). این فرآیند همراه با قدرت رایانه­های دیجیتالی که می­توانند تعداد بسیار زیادی از جایگشت­های احتمالی یک راه­حل را کاوش کنند، طراحان را قادر می­سازد تا گزینه­های کاملا جدید را تولید و آزمایش کنند، فراتر از آنچه که یک انسان به تنهایی می­تواند انجام دهد، تا به طراحی مؤثر و بهینه­ای دست یابند. این رویکرد تکامل طبیعت برای طراحی از طریق تنوع و انتخاب ژنتیکی را تقلید می­کند. طراحی مولد اهمیت بیشتری پیدا می­کند، تا حد زیادی به دلیل محیط­های برنامه­نویسی جدید یا قابلیت­های برنامه­نویسی که اجرای ایده­های خود را حتی برای طراحان با تجربه برنامه­نویسی کمی آسان کرده است (Katharine ,Schwab، 2019). علاوه بر این، این فرآیند می­تواند راه­حل­هایی برای مسائل بسیار پیچیده ایجاد کند که در غیر این صورت با یک رویکرد جایگزین، منبع جامعی خواهند داشت و آن را به گزینه جذاب­تری برای مشکلات با مجموعه راه­حل­های بزرگ یا ناشناخته تبدیل می­کند (Rajamoney ,Prasanta و همکاران، 2014) طراحی مولد در معماری یک فرآیند طراحی تکراری است که معماران را قادر می­سازد تا فضای راه حل وسیع­تری را با امکان و خلاقیت بیشتر کشف کنند (Sivam ,Krish،  2011). در مقایسه با رویکرد طراحی سنتی از بالا به پایین، طراحی مولد می­تواند مشکلات طراحی را با استفاده از یک پارادایم از پایین به بالا که از قوانین تعریف شده پارامتریک برای تولید راه­حل های پیچیده استفاده می­کند، به طور کارآمد برطرف کند. سپس خود به یک راه حل خوب، اگر نه بهینه، تبدیل می­شود (Taylor; Mitchell، 1999). مزیت استفاده از طراحی مولد به عنوان ابزار طراحی این است که هندسه­های ثابتی ایجاد نمی­کند، بلکه مجموعه­ای از قوانین طراحی را در نظر می­گیرد که می­تواند مجموعه بی نهایتی از راه­حل­های طراحی ممکن را ایجاد کند. راه­حل­های طراحی ایجاد شده می­توانند حساس­تر، پاسخگوتر و سازگارتر با مشکل بد باشند. طراحی مولد شامل تعریف قانون و تجزیه و تحلیل نتیجه است که با فرآیند طراحی یکپارچه شده است (Kristina ,Shea، 2005). با تعریف پارامترها و قوانین، رویکرد مولد قادر به ارائه راه­حل بهینه برای پایداری سازه و زیبایی شناسی است. یکی از
الگوریتم­های طراحی احتمالی، الگوریتم ژنتیک می­باشد (Charles ,Dapogny، 2017). الگوریتم­های ژنتیک به دلیل استحکام خاص و اجرای نسبتا ساده از ده­ها سال پیش به طور کلی وارد عرصه طراحی معماری شده­اند. از آن زمان، آنها به طور خاص در بهینه­سازی چیدمان پلان­های طبقات و نقشه­های سایت، بهینه­سازی طرح های نمای ساختمان، بهینه­سازی اشکال سازه­های ساختمانی و در برخی از طراحی­های مفهومی مورد استفاده قرار گرفته­اند (Papapavlou and Turner, 2009). با این حال، بر خلاف سایر زمینه‌های تحقیقاتی صرفاً علمی، مشکلات در طرح‌های معماری اغلب با عوامل اجتماعی و زیبایی‌شناسی ترکیب می‌شوند که با مدل‌های ریاضی قابل توصیف نیستند. هنگامی که یک طراح سعی می­کند مسائل طراحی را با کمک الگوریتم ژنتیک بهینه کند، با چنین پیچیدگی­هایی که در طراحی­های معماری وجود دارد، باید مسائل خاص را به مسائل ترکیبی و/یا عددی تبدیل کند که می­تواند توسط الگوریتم ژنتیک مورد بررسی قرار گیرد. به ویژه در مورد ترکیب این دو نوع مشکل، گسترش شدید فضای جستجو را می­توان به عنوان یک آزمون سخت برای توانایی جستجوی الگوریتم ژنتیک در نظر گرفت. نحوه استفاده از الگوریتم­های ژنتیک، نحوه تبدیل مسائل طراحی و نحوه کنترل موثر مقیاس فضای جستجو سه موضوع اصلی در بهینه­سازی طرح های معماری با استفاده از الگوریتم ژنتیک1 است.

2-       بیان مسئله

با پیشرفت روزافزون فناوری‌های محاسباتی و توسعه روش‌های هوشمند، الگوریتم‌های تکاملی و به‌ویژه الگوریتم ژنتیک (Genetic Algorithm) به‌عنوان ابزارهایی توانمند در فرآیند طراحی معماری مطرح شده‌اند. این الگوریتم‌ها با بهره‌گیری از سازوکارهایی نظیر انتخاب، جهش و ترکیب ژنتیکی، قابلیت جست‌وجو و تولید راه‌حل‌های بهینه را در مسائل پیچیده فراهم می‌سازند. هرچند تاکنون کاربرد آن‌ها در حوزه‌هایی مانند مهندسی، هوش مصنوعی و بهینه‌سازی سازه‌ای به‌طور گسترده بررسی شده است، استفاده هدفمند از این الگوریتم‌ها در بازتولید ارزش‌های زیبایی‌شناختی معماری ـ همچون تعادل، تناسب، ریتم، هماهنگی و نوآوری ـ کمتر مورد توجه قرار گرفته و خلأ پژوهشی محسوسی در این زمینه وجود دارد. طراحی معماری، علاوه بر الزامات عملکردی، نیازمند بازنمایی مفاهیم ذهنی و ادراکی زیبایی است که اغلب در رویکردهای کمی و محاسباتی سنتی نادیده انگاشته می‌شوند. نوآوری این پژوهش در آن است که با ادغام معیارهای زیبایی‌شناختی در چارچوب الگوریتم ژنتیک، روشی نوین برای تولید فرم‌های معماری ارائه می‌دهد که همزمان از کارایی عملکردی و غنای زیبایی‌شناختی برخوردار باشند. 

img0

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                          193

بدین منظور، چارچوبی تحلیلی–کاربردی تدوین می‌شود که ضمن ایجاد بستر تعاملی میان طراح و ماشین، فرآیند طراحی را از یک نظام سنتی مبتنی بر تجربه فردی، به سیستمی هوشمند، انعطاف‌پذیر و پاسخگو ارتقاء می‌دهد. انتخاب این موضوع ناشی از سه ضرورت اصلی است: نخست، پاسخ به نیاز روزافزون به ابزارهای طراحی هوشمند و داده‌محور در معماری معاصر؛ دوم، بهره‌گیری از قابلیت‌های انعطاف‌پذیر و مولد الگوریتم‌های تکاملی برای خلق فرم‌های نوآورانه؛ و سوم، حفظ و بازآفرینی ارزش‌های زیبایی‌شناسی به‌عنوان بخش جدایی‌ناپذیر هویت و کیفیت فضایی آثار معماری. این رویکرد، گامی در جهت پیوند میان ادراک انسانی و توان محاسباتی است که می‌تواند افق‌های جدیدی را در فرآیند طراحی معماری بگشاید.

3-       اهمیت پژوهش

اهمیت این پژوهش در آن است که به یکی از چالش‌های اساسی معماری معاصر، یعنی چگونگی ترکیب خلاقیت هنری با ابزارهای محاسباتی پیشرفته، پاسخ می‌دهد. امروزه، افزایش پیچیدگی پروژه‌های معماری و نیاز به پاسخ‌گویی به معیارهای چندگانه عملکردی، زیبایی‌شناختی و پایداری، ضرورت استفاده از رویکردهای هوشمند و الگوریتمیک را بیش از پیش آشکار ساخته است. الگوریتم‌های ژنتیک به دلیل قابلیت جست‌وجوی گسترده در فضای راه‌حل‌ها و توانایی انطباق با معیارهای تعریف‌شده، ظرفیت بالایی برای ایجاد فرم‌های نوآورانه و بهینه دارند. از سوی دیگر، ادغام معیارهای زیبایی‌شناسی در این فرآیند می‌تواند به خلق آثاری منجر شود که علاوه بر کارایی، واجد ارزش‌های فرهنگی، هنری و هویتی باشند. از منظر علمی، این تحقیق با پر کردن خلأ موجود در کاربرد الگوریتم ژنتیک برای بازتولید ارزش‌های زیبایی‌شناختی در معماری، به توسعه دانش میان‌رشته‌ای در حوزه طراحی معماری و هوش مصنوعی کمک می‌کند. از منظر عملی نیز، نتایج آن می‌تواند به عنوان الگویی کارآمد در فرآیندهای طراحی دیجیتال، آموزش معماری، و توسعه نرم‌افزارهای طراحی نسل جدید به کار گرفته شود. در نهایت، این پژوهش پلی میان توانایی‌های محاسباتی و حساسیت‌های زیبایی‌شناختی برقرار می‌کند که می‌تواند مسیر تحول در روش‌های طراحی معماری را هموار سازد .

4-       سوال و فرضیه پژوهش

سوال: تحلیل روش­های الگوریتم­های تکاملی ژنتیک در فرآیند بازتولید ارزش­های زیبایی شناختی طراحی معماری به چه صورت است؟

فرضیه: به نظر می­رسد که تحقق الگوریتم ژنتیک در بازتولید ارزش­های زیبایی شناختی طراحی معماری کار بسیار دشواری نباشد. به طور کلی، تا زمانی که فرد بداند چگونه کروموزوم را کدنویسی کند و چگونه تناسب اندام را ارزیابی کند، می­تواند با استفاده از الگوریتم ژنتیک مسائل را بهینه کند و نیازی به در نظر گرفتن روابط عملکردی بین ورودی­ها و خروجی­ها نیست.

5- بیان مفاهیم

1. الگوریتم ژنتیک (GA)

الگوریتم ژنتیک (GA) به‌عنوان یک الگوریتم الهام‌گرفته از فرآیندهای زیستی، توانسته است نقش مؤثری در طراحی معماری ایفا کند. این الگوریتم از مفاهیمی همچون انتخاب طبیعی، جهش و ترکیب ژنتیکی بهره می‌برد و از آن می‌توان در طراحی فرم‌های نوآورانه و انطباق‌پذیر بهره گرفت. از سوی دیگر، زیبایی‌شناسی در معماری به مجموعه‌ای از اصول و ادراکات بصری و مفهومی اطلاق می‌شود که کیفیت فضایی را افزایش می‌دهد. نظریه‌هایی مانند تقارن، ریتم، تعادل و تناسب ازجمله اصولی هستند که در تحلیل فرم معماری کاربرد دارند. در مطالعات گذشته، از جمله پژوهش‌های Rawi (2020)، Driscoll (2019)، و Li (2012)، کاربرد الگوریتم‌های تکاملی در فرم‌سازی معماری مورد بررسی قرار گرفته است. با این حال، اغلب این مطالعات کمتر به پیوند سیستماتیک الگوریتم‌های تکاملی با نظریه‌های زیبایی‌شناسی پرداخته‌اند. خلأ موجود در این حوزه، ضرورت انجام پژوهش حاضر را تقویت می‌کند تا زمینه‌ای برای طراحی خلاقانه و هدفمند فراهم گردد.

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                                     194

2. الگوریتم‌های تکاملی ژنتیک در طراحی معماری

img0الگوریتم‌های ژنتیک (Genetic Algorithms) به عنوان یکی از ابزارهای مهم طراحی مولد و بهینه‌سازی در معماری شناخته می‌شوند. این الگوریتم‌ها با الهام از فرآیند تکامل طبیعی، از مفاهیمی مانند انتخاب، جهش، و ترکیب ژنتیکی برای تولید نسل‌های جدیدی از طرح‌های معماری استفاده می‌کنند. استفاده از GAs در معماری به طراحان امکان می‌دهد تا راه‌حل‌های چندهدفه را با توجه به محدودیت‌ها و معیارهای زیبایی‌شناختی جستجو کنند(Grabska et al., 2020, p. 148). در پژوهش Mars و همکاران (2019) الگوریتم ژنتیک برای ایجاد فرم‌های معماری استفاده شد که به‌طور مستقیم توسط معیارهای زیبایی‌شناختی هدایت می‌شدند. آن‌ها نشان دادند که ترکیب روش‌های سبک‌محور با الگوریتم‌های تکاملی می‌تواند منجر به تولید فرم‌های جدید و خلاقانه شود(Mars et al., 2019, p. 633). در طراحی معماری، به‌ویژه در حوزه زیبایی‌شناسی و فرم‌های پیچیده، الگوریتم‌های ژنتیک می‌توانند به‌عنوان ابزاری مؤثر برای بازتولید، کشف و بهینه‌سازی فرم‌های معماری عمل کنند. این الگوریتم‌ها قادرند با تعریف معیارهای زیبایی‌شناسی به‌عنوان تابع هدف، فرم‌هایی خلق کنند که هم از منظر عملکرد و هم زیبایی‌شناسی مطلوب باشند (Frazer, 1995).

3. بازتولید ارزش‌های زیبایی‌شناسی از طریق طراحی مولد

طراحی مولد، فرایندی خودکار است که در آن سیستم‌های الگوریتمی قادر به تولید تنوع وسیعی از گزینه‌های طراحی هستند که هر یک به نحوی معیارهای زیبایی‌شناختی، عملکردی و زمینه‌ای را تأمین می‌کنند(Schumacher, 2016, p. 274). در این فرآیند، طراح (چه انسان، چه هوش مصنوعی) با هدایت الگوریتم‌ها می‌تواند فرم‌هایی را بیافریند که حاصل جستجوی وسیع‌تری نسبت به ظرفیت ذهن انسان است. این نوع طراحی خصوصاً در بسترهای دیجیتال جدید و زبان‌های برنامه‌نویسیِ معماری مانند Grasshopper یا Processing امکان‌پذیر شده است، و هوش مصنوعی نیز در نقش «طراح مشارکتی» با انسان همکاری می‌کند(Schwab, 2019, p. 1).

4. بازتولید ارزش‌های زیبایی‌شناختی 

زیبایی‌شناسی معماری مفهومی پیچیده و چندبعدی است که شامل پارامترهایی چون تناسب، تعادل، ریتم، هماهنگی و نوآوری می‌شود.(دیاگرام1) الگوریتم‌های ژنتیک با مدل‌سازی این پارامترها به عنوان معیارهای بهینه‌سازی، امکان بازتولید ارزش‌های زیبایی‌شناختی را در فرآیند طراحی فراهم می‌آورند. این امر به طراح اجازه می‌دهد تا فرم‌هایی نوآورانه و در عین حال هماهنگ با ارزش‌های زیبایی‌شناختی ایجاد کند (Oxman, 2008).

 

img0 

 

دیاگرام 1. معیارهای زیبایی شناسی در معماری

5. تحلیل روش‌های الگوریتم‌های ژنتیک در معماری

الگوریتم‌های ژنتیک به‌عنوان یکی از روش‌های هوشمند تکاملی، در طراحی معماری برای تولید و بهینه‌سازی فرم‌های نوآورانه کاربرد دارند. این الگوریتم‌ها با شبیه‌سازی فرآیندهای زیستی، امکان تحلیل و بازتولید ارزش‌های زیبایی‌شناختی را در طراحی فراهم می‌سازند. (Frazer, 1995).

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                          195

img0 

دیاگرام 2. روش­های الگوریتم ژنتیک در معماری

5-1- کدگذاری و نمایش فرم: یکی از مراحل مهم در استفاده از GA در معماری، انتخاب روش مناسب کدگذاری فرم‌های معماری (رشته‌های ژنتیکی) است که می‌تواند شامل پارامترهای هندسی، مصالح، و ویژگی‌های زیبایی‌شناختی باشد.

img05-2- تعریف تابع هدف: تابع هدف که معیارهای زیبایی‌شناختی و عملکردی را ترکیب می‌کند، نقش کلیدی در هدایت فرآیند تکاملی دارد.

5-3- عملگرهای ژنتیکی: استفاده از عملگرهای جهش، ترکیب و انتخاب به گونه‌ای که تنوع در فرم‌ها حفظ شود و همزمان به سمت فرم‌های بهینه حرکت شود.

5-4- کاربرد در طراحی پارامتریک و الگوریتمیک: GA به عنوان بخشی از طراحی پارامتریک، توانسته است امکان خلق فرم‌های پیچیده و دارای ارزش‌های زیبایی‌شناسی بالاتر را فراهم کند (Aish & Woodbury, 2005).

6- روش پژوهش

پژوهش حاضر یک مطالعه تحلیلی است که به بررسی روش‌های طراحی مبتنی بر هفت الگوریتم تکاملی ژنتیک می‌پردازد. روش تحلیل داده‌ها در این تحقیق، تحلیل کیفی محتوا می‌باشد که به عنوان یک تکنیک پژوهشی، برای استخراج و بررسی مفاهیم موجود در متون به منظور پاسخگویی به سؤال‌های پژوهشی به کار می‌رود. این روش از مهم‌ترین کاربردهای خود برای توصیف و طبقه‌بندی ویژگی‌های مفاهیم استفاده می‌کند و قابلیت تجزیه و تحلیل داده‌های جمع‌آوری شده مبتنی بر ارتباطات معنایی (مفاهیم) را داراست.

تحلیل محتوای کیفی، فرآیندی عینی، نظام‌مند، گام‌به‌گام، منطقی و قابل تکرار است که از قابلیت تعمیم نیز برخوردار می‌باشد. این روش امکان شناسایی مقوله‌ها و الگوهای محتوایی را فراهم ساخته و معانی کیفی را به صورت سیستماتیک توصیف و طبقه‌بندی می‌کند. فرآیند کدگذاری در تحلیل محتوا با هدف تعریف ویژگی‌های اصلی از طریق کاهش داده‌های کیفی انجام می‌شود. تحلیل محتوای کیفی رویکردی مناسب برای تفسیر داده‌ها به شمار می‌آید و قادر است دسته‌بندی‌های مفهومی را به طور مستقیم از داده‌های خام استخراج کند، به‌ویژه زمانی که دانش پیشین درباره پدیده مورد مطالعه محدود یا ناقص باشد. در این رویکرد، کدهای مفهومی، طبقه‌بندی‌ها و مقوله‌ها مستقیماً از داده‌ها استخراج و ساختارمند می‌شوند (شکل 1).

 

[1] . Genetic Algorithms (GA)

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                                     196

 

img0img0 

شکل 1. مراحل پژوهش

 

7- پیشینه پژوهش

اوساما محمد الراوی1 (2020) در مقاله خود (مقاله 1 جدول 1) نشان می‌دهد که چگونه می‌توان از ابزارهای مختلف برای شکل‌دهی به یک مدل نوین در فرآیند تولید فرم بهره گرفت. او اثبات می‌کند که فرآیند طراحی معماری با بهره‌گیری از نرم‌افزارهای CAD باید به گونه‌ای تنظیم شود که به حساسیت‌های طراح و خلاقیت‌های مورفولوژیکی توجه داشته باشد. الراوی با تحلیل و پیگیری ریشه‌های مفاهیم بنیادین هندسه در تاریخ معماری و شناسایی کاربردهای اصلی آن‌ها، به این نتیجه می‌رسد که این مفاهیم و مراحل پردازشی، همان مراحلی هستند که امروزه در طراحی دیجیتال و رایانه‌ای مورد استفاده قرار می‌گیرند.

مایکانتیس2 و همکاران (2020) در پژوهشی با عنوان «بازسازی معماری نرم‌افزار از طریق الگوریتم ژنتیک» (مقاله 2، جدول 1)، با هدف شناسایی فرصت‌های بازسازی در کلاس‌های حرکتی، از یک فرآیند بهینه‌سازی مبتنی بر جستجو استفاده کردند. در این فرآیند، با اتکا به معیارهای بهینه‌سازی، حرکات بهینه استخراج شدند. یافته‌های این تحقیق نشان می‌دهد که معماری بازسازی‌شده پیشنهادی می‌تواند موجب بهبود ساختار و افزایش انسجام سیستم شود. 

جان چارلز دریسکول 3(2019) در مقاله‌ای (مقاله 3، جدول 1) به بررسی نحوه به‌کارگیری ابعاد فراکتال به عنوان ابزاری در نرم‌افزار مدل‌سازی سه‌بعدی SketchUp می‌پردازد. وی توضیح می‌دهد که چگونه از این ابزار می‌توان به عنوان یک پشتیبان طراحی برای ارائه یک طرح ساختمانی در پاسخ به یک جریان مشخص استفاده کرد. دریسکول در نتیجه‌گیری خود بیان می‌کند که بهره‌گیری از ابعاد فراکتال به عنوان تابع هدف می‌تواند موجب شکل‌گیری یک زبان انتزاعی مشترک در سراسر پروژه شود، به ایجاد احساس کلیت و انسجام کمک کند و همچنین باعث هماهنگی بیشتر با بافت محیط پیرامون گردد. اینگجی لویی4 (2018) در مقاله خود (مقاله 4، جدول 1) به بررسی چگونگی تقویت فرآیند طراحی به عنوان یک گفت‌وگوی بازگشتی میان بازنمایی و تعامل با بهره‌گیری از الگوریتم ژنتیک تعاملی می‌پردازد. او بر اساس این تعامل، مدلی جایگزین برای رابطه میان طراحان و ابزارهای محاسباتی ارائه می‌دهد که در آن ارزیابی‌ها و اصلاحات انجام‌شده توسط طراحان در طول فرآیند محاسباتی لحاظ می‌شود. این رویکرد به طراحان امکان می‌دهد تا ضمن بهینه‌سازی ایده‌های طراحی، خلاقیت خود را نیز به حداکثر برسانند. 

یان ژانگ 5(2017) در مقاله خود (مقاله 5، جدول 1) از الگوریتم ژنتیک تعاملی برای سازماندهی طراحی صحنه سه‌بعدی بهره می‌برد تا بهترین ویژگی‌های تطبیقی را به‌دست آورد. همچنین، او از ترکیب شبکه 1ART برای شبیه‌سازی رفتار کاربران و ارزیابی آن‌ها استفاده می‌کند. شبکه 1ART بر اساس اصول روانشناسی تجربی بهبود یافته است تا با افزایش ظرفیت حافظه و کارایی محاسباتی، بار سنگین طراحی هنری را کاهش داده و به طور مؤثر فرآیند طراحی صحنه سه‌بعدی را هدایت کند.

هوایون سانگ6 و همکاران (2016) در مقاله خود (مقاله 6، جدول 1) روشی مبتنی بر تکامل جایگزین برای طراحی معماری ارائه می‌دهند که از الگوریتم ژنتیک بازنمایی غیرمستقیم (IRRGA) بهره می‌برد و برای کشف فرموله‌سازی‌های مسائل بدون ساختار مانند طراحی مفهومی بسیار مناسب است. علاوه بر این، آن‌ها یک نمایش رشته‌ای جدید برای طرح‌های ساختمان‌های آپارتمانی معرفی می‌کنند که در چارچوب عملکرد IRRGA و با استفاده از تابع تناسب چندهدفه، معیارهایی همچون تقارن، ساختار، گردش و نما را مورد ارزیابی قرار می‌دهد.

img0

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                          197

هانگ لو7 و همکاران (2015) در پژوهشی با عنوان «استفاده از تئوری زیبایی‌شناسی و الگوریتم‌های ژنتیک برای بهینه‌سازی فرم محصول» (مقاله 7، جدول 1) نشان دادند که در گذشته، طراحان با تکیه بر انباشت تجربیات و ادراک زیبایی‌شناختی خود، محصولات جدیدی را توسعه می‌دادند. اما به دلیل محدودیت دسترسی به اطلاعات، توسعه سریع و جلب رضایت بازارهای مصرف‌کننده‌محور دشوار بود و این محدودیت می‌توانست خطرات غیرضروری را برای شرکت‌ها به همراه داشته باشد. بنابراین، در این مطالعه مجموعه‌ای از ارزیابی‌های زیبایی‌شناختی همراه با یک سیستم بهینه‌سازی فرم زیبایی‌شناسی پیشنهاد شد. در ابتدا، محاسبات معادلات صریح به منظور اندازه‌گیری ویژگی‌های زیبایی‌شناختی انجام گرفت. سپس، با استفاده از قضاوت فازی، معیارهای زیبایی‌شناسی ادراکی سبک محصول محاسبه شد تا استاندارد کلی زیبایی‌شناسی محصول تعیین شود. در نهایت، اصول اندازه‌گیری زیبایی‌شناسی با الگوریتم ژنتیک ترکیب و برای بهینه‌سازی شکل محصول به کار گرفته شد. نتایج نشان داد که پس از بهینه‌سازی، معیارهای زیبایی‌شناختی افزایش یافته و خطاهای ناشی از معادلات اندازه‌گیری و قضاوت‌های زیبایی‌شناختی به طور چشمگیری کاهش یافته است.

جولیان فلکنر 8و همکاران (2013) در مقاله خود (مقاله 8، جدول 1) چارچوبی تعاملی برای طراحی سازه‌های خرپایی با معیارهای زیبایی‌شناسی ارائه می‌دهند که از NURBS در نرم‌افزارهای طراحی به کمک کامپیوتر بهره می‌برد. این چارچوب رابطی مناسب میان فرایند بهینه‌سازی طرح، بهینه‌ساز ازدحام ذرات و کاربر ایجاد می‌کند. در این سیستم، کاربر قادر است راه‌حل‌های مختلف را به‌صورت بصری بررسی و ذخیره کند و به‌طور فعال به سمت اهداف شخصی خود، فرآیند بهینه‌سازی را هدایت نماید.

لی لی9 (2012) در مقاله خود (مقاله 9، جدول 1) به بررسی روش‌های تبدیل مسائل طراحی معماری به مدل‌های ریاضی می‌پردازد که قابل حل با الگوریتم ژنتیک مهره‌بندی باشند. او مسائل قابل حل توسط الگوریتم ژنتیک را به دو دسته مسائل ترکیبی و مسائل عددی تقسیم‌بندی می‌کند. با تمرکز بر تجزیه مسائل پیچیده معماری به این دو نوع مسئله، امکان‌پذیری و کارایی حل آن‌ها با الگوریتم ژنتیک را مورد ارزیابی قرار می‌دهد و همچنین مزایا و معایب این الگوریتم را در مقایسه با سایر روش‌ها به روشنی بیان می‌کند. 

اسچوور(۲۰۱۱) پژوهشی )مقاله10 جدول1( را با هدف


 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                                     198

 بررسی انعطاف­پذیری ساختمان­ها با استفاده از الگوریتم­های تکاملی مشخص شده توسط داروین انجام دادند. به عنوان یک مدل کاری برای توسعه، الگوریتم تکاملی شامل تنوع، انتخاب و بازتولید است. نتیجه یک الگوریتم  سازگاری است. اگر این مدل کاری در معماری اعمال شود، می‌توان بررسی کرد که تا چه اندازه سازگاری ساختمان‌ها تابع اصول تکاملی است و در کدام حوزه این مدل برای معیارهای «ساختمان‌های باز» نامناسب به نظر می‌رسد. این اهمیت تنوع، انتخاب و تکرار در معماری و چگونگی انتقال اصول تکاملی به مسائل ساختمان‌های انعطاف‌پذیر را نشان می‌دهد. به طور خلاصه می­توان گفت که می­توان فرآیندهای انطباق در معماری را بر اساس اصل انتخاب طبیعی داروین توضیح داد و به تصویرکشید. 

 

جدول 1. ویژگی­های مقالات

 

ردیف

نویسندگان

سال و کشور

عنوان

روش تحقیق

یافته­ها

نتیجه گیری

1

Ossama MOHAM ED al-Rawi

2020 Egypte

ریشه­های طراحی محاسباتی در معماری

تحلیل تطبیقی برای رسیدن به این منشأهای نظری مطالعه موردی کاخ سلطنتی الحمرا به همراه سبک­های مرتبط با معماری اسلامی

فرآیند طراحی CAD  باید با حساسیت طراح قابل قبول باشند و به مورفولوژی خلاقانه توجه کنند.

مزایای به دست آمده از این تحقیق می­تواند به تقویت روش­های جدید در طراحی معماری در رابطه با تولید فرم کمک کند.

2

Maikantis و همکاران

2020

Greece

بازسازی معماری نرم افزار از طریق الگوریتم ژنتیک"

استفاده از یک فرآیند بهینه‌سازی مبتنی بر جستجو

جهت شناسایی فرصت‌های بازسازی کلاس حرکت، از یک فرآیند بهینه‌سازی مبتنی بر جستجو، با تکیه بر معیارهای بهینه‌سازی استفاده شد، که از طریق آن حرکات بهینه استخراج شد.

نتایج این مطالعه نشان می‌دهد که بازسازی معماری پیشنهادی قادر به بهبود و انسجام است.

3

John

Charles Driscoll

2019, USA, Portla nd State Univer sity

ابعاد فراکتال به عنوان تابع هدف در الگوریتم ژنتیک برای کاربرد در طراحی معماری

استفاده از ابعاد فراکتال (FD) به عنوان ابزاری برای نرم افزار مدل سازی سه بعدی SketchUp

با افزایش مقیاس عناصر ساختمان، بعد فراکتال افزایش می­یابد

استفاده ازابعاد فراکتال به عنوان تابع هدف می­تواند به ایجاد یک رشته مشترک انتزاعی در سراسر ساختمان، احساس یک کل یکپارچه و ایجاد هماهنگی با بافت اطراف کمک کند

 

 

 

img0 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                          199

4

Yingxiu Lu

2018 USA CARNE GIE MELLO N UNIVE RSITY

تولید فرم مکالمه: کاربرد الگوریتم ژنتیک تعاملی در طراحی معماری

بر اساس الگوی کاری پیشنهادی بین طراحان و ابزارهای محاسباتی، یک نرم افزار تولید فرم بر اساس IGA  توسعه یافته است.

این پلتفرم با ارائه انواع اتاق­های مختلف، فرمی را تولید می­کند که حاصل همکاری طراح و ابزار محاسباتی است.

اهمیت تعامل بین طراحان و ابزارهای محاسباتی را
می­توان به عنوان یادگیری، هماهنگی و همکاری خلاصه کرد. یادگیری از خروجی ابزار محاسباتی و یادگیری از فرآیند تعامل.

5

Yan Zhang

2017, China

بهینه سازی نما معماری سه بعدی بر اساس الگوریتم ژنتیک و شبکه عصبی

الگوریتم ژنتیک تعاملی برای به دست آوردن بهترین ویژگی­های تطبیقی، و ترکیب شبکه 1ART  برای شبیه سازی رفتار کاربران برای ارزیابی افراد.

از طریق تجزیه و تحلیل، مشخص گردیده پیچیدگی محاسباتی الگوریتم این پژوهش کمتر از شبکه 1 ART سنتی است.

روش حل در این مقاله
می­تواند به طور موثری کارایی تکامل را بهبود بخشیده و نسل­های تکاملی را بدون مشارکت مصنوعی با ترکیبی از کاربر گسترش دهد. که در طراحی بهینه سازی صحنه سه بعدی استفاده شود.

6

Hwayeo n Song, Jamshid Ghabous si, Tae-Hyun Kwon

2016, Korea, USA

طراحی معماری ساختمان­های آپارتمانی با استفاده از الگوریتم ژنتیک بازنمایی ضمنی

الگوریتم با استفاده از زبان برنامه نویسی ++C و طراحی ساختمان آپارتمان با زبان مدل سازی واقعیت مجازی (VRML) به تصویر کشیده شده است.

یک نمایش جدید برای طراحی ساختمان آپارتمان و فرآیند ارزیابی تناسب اندام برای اعمال معیارهای طراحی ساده شده برای طراحی ساختمان آپارتمان پیشنهاد شده است.

روش جدیدی برای استفاده از رشته الگوریتم ژنتیک برای تکامل طرح­های خرپایی بهینه بدون طرح­های از پیش تعیین شده. واینکه IRRGA با استفاده از یک نمایش اضافی ضمنی از رشته الگوریتم ژنتیک برای مدل­سازی چنین حوزه مشکل بدون ساختاری مطلوب است

7

Hung Lo و همکاران

2015

Taiwan

تئوری زیبایی شناسی و الگوریتم­های ژنتیک برای بهینه سازی فرم محصول

محاسبات معادلات صریح به منظور کمک به اندازه گیری ویژگی­های زیبایی شناختی انجام شد.

اصول اندازه گیری زیبایی شناسی با الگوریتم ژنتیک ترکیب شد و نتایج نشان داد که معیارهای زیبایی‌شناختی آنها پس از بهینه‌سازی افزایش یافته است.

خطاهای حاصل از معادلات اندازه­گیری­ها و قضاوت­های زیبایی شناختی کاهش یافت.

8

Juliana Felkner, Eleni Chatzi

2013, Zurich, Switze rland, ETH Zurich,

بهینه سازی ازدحام ذرات تعاملی برای طراحی معماری سازه­های خرپایی

روش بهینه سازی ازدحام ذرات (PSO) بر اساس تقلید از رفتار گله­ها یا "ازدحام" در جستجوی غذا یا فرار از شکارچی در طراحی ساختارهای خرپایی

اعتبارسنجی خرپا، NURBS وA.10 تشریح یک چارچوب بهینه سازی تعاملی برای طراحی سازه­های خرپایی

استفاده ازپتانسیل بهینه سازی تعاملی در طراحی برج خرپایی با استفاده از منحنی­های NURBS موفقیت آمیز است.

9

Li Li

2012 Z¨uric, Z¨urich 8092,S witzerl and

بهینه سازی شکل معماری بر اساس الگوریتم ژنتیک

بهینه سازی مدل سازی برای طراحی شماتیک موزه ویرانه های دروازه باستانی با کمک  الگوریتم ژنتیک و افشای مزایا و معایب الگوریتم ژنتیک با مقایسه آن با سایر الگوریتم­های غیر اکتشافی

در ریتم الگوریتم بهینه سازی لبه­های تقسیم شده، رویکرد مبتنی بر الگوریتم ژنتیک ظاهراً به اندازه الگوریتم مبتنی بر توالی از نظر توانایی جستجو مؤثر نیست.

با مقایسه دو الگوریتم آشکارسازی شده، می­توان دریافت که تحقق الگوریتم ژنتیک کمتر دشوار است. به طور کلی، تا زمانی که فرد بداند چگونه کروموزوم را کدگذاری کند و چگونه تناسب اندام را ارزیابی کند، می تواند مشکلات را بهینه کند.

10

Schwehr و همکاران

2011

Switzerland

بررسی انعطاف پذیری ساختمان­ها با استفاده از الگوریتم­های تکاملی مشخص شده توسط داروین

به عنوان یک مدل کاری برای توسعه، الگوریتم تکاملی شامل تنوع، انتخاب و بازتولید است.

نتیجه یک الگوریتم سازگاری است. اگر این مدل کاری در معماری اعمال شود، می‌توان بررسی کرد که تا چه اندازه سازگاری ساختمان‌ها تابع اصول تکاملی است.

می­توان فرآیندهای انطباق در معماری را بر اساس اصل انتخاب طبیعی داروین توضیح داد و به تصویر کشید.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

img0 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

موضوع کلیدی پژوهش‌های الگوریتم تکاملی ژنتیک در زمینه ارزش‌های زیبایی‌شناختی طراحی

8- بحث و تحلیل 

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                                     200

معماری را می‌توان در قالب هفت محور اصلی دسته‌بندی کرد (جدول 2).

 

[1] . Osama Muhammad Al-Rawi

[2] . Maikantis

[3] . John Charles Driscoll

[4] . Yingjie Lou

[5] . Yan Zhang

[6] . Hoveyoun Sang

[7] . Hang Luo

[8] . Julian Flickner

[9] . LiLi

 

جدول 2. پژوهش­های الگوریتم تکاملی ژنتیک درحوزه ارزش­های زیبایی شناختی طراحی معماری

موضوع اصلی پژوهش­ها

A: بعد فراکتال به عنوان تابع عینی در الگوریتم ژنتیک

B: الگوریتم ژنتیک و شبکه عصبی

:C چارچوب تعاملی برای طراحی سازه­های خرپایی با معیارهای زیبایی شناختی

:D تولید فرم مکالمه

:E مفاهیم اصلی هندسه در تاریخ معماری

:F الگوریتم ژنتیک بازنمایی افزونگی ضمنی

:G بهینه سازی شکل معماری بر اساس الگوریتم ژنتیک

img0جدول 3. موضوع اصلی مقالات بر اساس یافته­ها و نتایج

موضوع اصلی پژوهش­ها

 

نویسندگان

G

F

E

D

C

B

A

 

 

 

 

 

 

 

 

 

1

John Charles Driscoll

 

 

 

 

 

 

 

2

Juliana Felkner, Eleni Chatzi

 

 

 

 

 

 

 

3

Li Li

 

 

 

 

 

 

 

4

Yingxiu Lu

 

 

 

 

 

 

 

5

Ossama MOHAMED al-Rawi

 

 

 

 

 

 

 

6

Hwayeon Song, Jamshid Ghaboussi, Tae-Hyun Kwon

 

 

 

 

 

 

 

7

Yan Zhang

 

 

9- تحلیل کارکردی، کاربردی و ابزاری الگوریتم ژنتیک دربازتولید ارزش­های زیبایی شناختی معماری

کاربرد الگوریتم‌های تکاملی ژنتیک در بازتولید ارزش‌های زیبایی‌شناختی معماری را می‌توان از سه دیدگاه تحلیلی، تجویزی و تعاملی مورد بررسی قرار داد (جدول 3). این الگوریتم‌ها نه تنها در زمینه بهینه‌سازی کاربرد دارند، بلکه در خلاقیت مفهومی و اخیراً در حوزه هوش مصنوعی نیز به کار گرفته شده‌اند. مدل سنتی الگوریتم‌های ژنتیک با تعریف اولیه معیارهای تناسب آغاز شده و با جستجوی خودکار برای یافتن راه‌حل بهینه ادامه می‌یابد. این الگوریتم‌ها عمدتاً به‌عنوان ابزار نرم‌افزاری از طریق برنامه‌نویسی کامپیوتری قابل اجرا هستند.

 

جدول 4. تحلیل کارکردی، کاربردی و ابزارهای الگوریتم تکاملی ژنتیک در بازتولید ارزش­های زیبایی شناختی معماری

کارکرد تحلیلی

تحلیل تطبیقی ریشه­های مفاهیم اصلی هندسه در تاریخ معماری

کارکرد تجویزی

ابعاد فراکتال (FD) برای احساس یک کل یکپارچه و ایجاد هماهنگی با بافت اطراف، طرح پلان طبقه چند سطحی با توجه به عملکرد حرارتی، فرآیند محاسباتی خودکار برای تبدیل اطلاعات مکانی به مدل های ساختاری، پیامد گرامرهای شکل ساختمان بر عملکرد انرژی

کارکرد تعاملی

تولید فرم مکالمه از طریق الگوریتم ژنتیک تعاملی

کاربرد در حوزه های بهینه سازی

زمینه مهندسی سازه، عملکرد انرژی، عملکرد حرارتی، تبدیل اطلاعات مکانی به مدل­های ساختاری

کاربرد در خلاقیت مفهومی

IRRGA برای تولید جایگزین­های طراحی معماری خلاقانه

کاربرد مدرن در هوش مصنوعی

یادگیری ماشینی از طریق شبکه عصبی 1ART  برای یادگیری قوانین ارزیابی کاربر و شبیه سازی فرآیند ارزیابی

مدل سنتی الگوریتم های ژنتیک

معیارهای تناسب را از پیش تعریف می­کنند و سپس جستجوی خودکار را برای یافتن راه حل بهینه آغاز می­کنند.

زبان برنامه نویسی

Python ،C# ،MEL ،Grasshopper ،RhinoScript ،Java

نرم افزار مدل سازی سه بعدی

SketchUp, Rhino, JMonkey Engine (برای ارائه رندر سه بعدی و سایه زنی)

 

پس از بررسی روش­های الگوریتم تکاملی ژنتیک در بازتولید ارزش­های زیبایی شناختی طراحی معماری، هفت روش در ساختار این روش­های بهینه سازی تکاملی مشخص گردید (شکل 2).

img0 

شکل 2. روش­های الگوریتم تکاملی ژنتیک در بازتولید ارزش­های زیبایی شناختی طراحی معماری

تحلیل الگوریتم­های تکاملی ژنتیک در بازتولید ارزش­های زیبایی شناختی طراحی معماری، فرآیندی در 5 مرحله را مشخص می­سازد (شکل 3). الگوریتم­های ژنتیک معمولا برای تولید راه­حل­های با کیفیت بالا برای مسائل بهینه سازی و جستجو با تکیه بر عملگرهای الهام گرفته شده از بیولوژیکی مانند جهش، متقاطع و انتخاب استفاده می­شوند. الگوریتم­های ژنتیک به جای اینکه به طور مستقیم با مقادیر پارامترهای مسأله سروکار داشته باشند، با نمایشی کدبندی شده از مجموعه پارامترهای مسأله کار می­کنند و جمعیتی متشکل از نقاط در یک فضای جستجو را برای یافتن
جواب­های مسأله جستجو می­کنند. بنابراین اولین گام تبدیل مساله زیبایی شناسی معماری به پارامترهایی است که قابلیت کد گذاری داشته باشند، با تجزیه مسئله پیچیده معماری در مسائل ترکیبی و عددی این امرامکان پذیراست (لی1، 2012). در یک الگوریتم ژنتیک، جمعیتی از
راه­حل­های کاندید (به نام افراد، موجودات، ارگانیسم­ها یا فنوتیپ­ها) برای یک مسئله بهینه­سازی به سمت راه­حل­های بهتر تکامل می­یابند. یعنی هر محلول کاندید دارای مجموعه­ای از خواص (کروموزوم­ها یا ژنوتیپ آن) است که می­تواند جهش یافته و تغییر یابد (دارل و ویتلی2، 1994). بنابراین مهمترین گام، تولید جمعیت (اولیه) از جواب­های مسأله است برای فرموله کردن جمعیت ابتدایی متشکل از جواب­های مسأله استخراج ساختارهای طراحی مولد از طریق ردیابی ریشه­های مفاهیم اصلی هندسه در تاریخ آن حوزه معماری (راوی و همکاران3، 2020) می­تواند راهگشا باشد. به طور سنتی، راه­حل­ها به صورت باینری به عنوان رشته­های 0 و 1 نمایش داده می­شوند (دارل و ویتلی، 1994). بنابراین گام بعدی کدگذاری است (هوایون و همکاران4، 2012 ( دو نوع کدگذاری کروموزوم­ها را پیشنهاد می­دهند: 1- الگوی ژن یاب برای شناسایی مکان نمونه­های ژن 2- تعداد مشخصی از بیت­ها که متغیرها را رمزگذاری می­کنند. 

img0

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                          201

مرحله بعدی مشخص کردن تابع هدف است. تکامل معمولا از جمعیتی از افراد به طور تصادفی ایجاد می­شود و یک فرآیند تکراری است که جمعیت در هر تکرار یک نسل نامیده می­شود. درهر نسل، تناسب اندام هر فرد در جمعیت ارزیابی می­شود. برازش معمولا مقدار تابع هدف در مسئله بهینه­سازی در حال حل است. تابع هدف یا تابع تناسب در معماری از طریق مشخص کردن اهداف طراحی بدست می­آید. برای مثال تابع تناسب هدف تقارن، تابع تناسب هدف ساختار، تابع تناسب هدف گردش. گام بعدی به کار گرفتن «عملگرهای ژنتیک5» جهت ایجاد تغییرات در جمعیت جواب­های مسأله می­باشد. برای مثال ازدحام ذرات، الگوریتم ژنتیک و شبکه عصبی، الگوریتم ژنتیک بازنمایی ضمنی، ابعاد فرکتال (جدول 1(.
در مرحله نهایی، ایجاد بستری برای شکل‌گیری یک گفت‌وگوی بازگشتی بین بازنمایی و تعامل در فرآیند تولید فرم امری کاملاً طبیعی و ضروری است. اینگی (2018) نشان می‌دهد که چگونه می‌توان این گفت‌وگوی بازگشتی را با بهره‌گیری از الگوریتم ژنتیک تعاملی تقویت کرد؛ جایی که طراحان به طور مداوم بازنمایی‌هایی از تعاملات خود را خلق می‌کنند و با تعامل همزمان با این بازنمایی‌ها، روابط جدیدی با نمایش‌های آن شکل می‌دهند که امکان ادامه تعامل و

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                                     202

تکرار این فرآیند بازگشتی را فراهم می­آورد.

 

[1] . Li

[2] . Darrell & Whitley

[3] . Rawi et al

[4] . Hwayeon Song et al

[5] . Operators Genetic

img0 

شکل3. فرآیند طراحی الگوریتم تکاملی ژنتیک در بازتولید ارزش­های زیبایی شناختی طراحی معماری

 

10- نتیجه­گیری

این پژوهش با هدف تحلیل نقش و ظرفیت‌های الگوریتم‌های تکاملی ژنتیک (GA) در بازتولید ارزش‌های زیبایی‌شناختی معماری انجام شد. نتایج حاصله نشان داد که با مدل‌سازی و کدگذاری پارامترهای زیبایی‌شناختی شامل تناسب، تعادل، ریتم، هماهنگی و نوآوری، می‌توان فرم‌های معماری را به شیوه‌ای بهینه، خلاقانه و منطبق بر اصول زیبایی‌شناسی تولید کرد.

به‌کارگیری عملگرهای ژنتیکی مانند انتخاب، جهش و ترکیب در این فرآیند، به معماران امکان می‌دهد که به جای اتکای صرف به تجربه یا شهود، با رویکردی داده‌محور و مولد، هزاران راه‌حل بالقوه را کاوش و ارزیابی کنند. این امر منجر به افزایش کیفیت فرم، کاهش خطای طراحی، و ایجاد یکپارچگی بیشتر با بافت و عملکرد پروژه گردید. 

از مهم‌ترین یافته‌ها می‌توان به موارد زیر اشاره کرد:

الگوریتم‌های ژنتیک قابلیت شبیه‌سازی فرآیند تکامل طبیعی را در طراحی معماری دارند و می‌توانند نقش یک همکار خلاق برای طراح ایفا کنند.

استفاده از GA منجر به تنوع بالای خروجی‌ها شده و انتخاب طرح نهایی را انعطاف‌پذیرتر می‌کند.

با تعریف مناسب تابع هدف، می‌توان اهداف چندبعدی شامل زیبایی‌شناسی، عملکرد و پایداری را هم‌زمان دنبال کرد.

 

 

 

 

ادغام GA با نرم‌افزارهای پارامتریک مانند Grasshopper و Rhino سبب تسریع فرآیند طراحی و ارتقاء دقت می‌شود.

11- مقایسه با نتایج پژوهش‌های پیشین

img0یافته‌های این پژوهش همسو با نتایج Al-Rawi (2020) است که نشان داد ادغام الگوریتم‌های ژنتیک با مدل‌سازی CAD می‌تواند به خلق فرم‌هایی منطبق بر اصول زیبایی‌شناسی اسلامی منجر شود.

نتایج همچنین با مطالعه Driscoll (2019) که از ابعاد فراکتال به عنوان تابع هدف استفاده کرد، مشابه است؛ هر دو پژوهش بر اهمیت ریاضیات بصری در هدایت فرآیند طراحی تأکید دارند.

مطالعه Lu (2018) درباره طراحی مکالمه‌محور نیز با یافته‌های پژوهش هم‌راستا است، به‌ویژه در تأکید بر نقش تعامل طراح و الگوریتم در ارتقاء کیفیت خروجی.

پژوهش Zhang (2017) درباره بهینه‌سازی نما با GA و شبکه عصبی نیز مشابهت زیادی با این تحقیق دارد، زیرا هر دو برترکیب روش‌های محاسباتی برای افزایش کارایی و زیبایی‌شناسی تمرکز دارند.

تفاوت این پژوهش با مطالعات پیشین در آن است که چارچوب آن بر ادغام پنج معیار اصلی زیبایی‌شناسی با رویکرد مولد و تعاملی متمرکز بوده و تلاش کرده از یک مدل مفهومی جامع برای ترکیب ارزش‌های زیبایی‌شناسی و عملکردی استفاده کند.

12- پیشنهادهای کاربردی

بر اساس نتایج تحقیق، پیشنهادهای زیر برای حوزه معماری و طراحی ارائه می‌شود:

پیاده‌سازی در نرم‌افزارهای طراحی: توسعه افزونه‌ها و پلاگین‌های مبتنی بر GA در محیط‌های طراحی دیجیتال برای تسهیل فرآیند بهینه‌سازی فرم.

آموزش در دانشگاه‌ها: گنجاندن مباحث مربوط به الگوریتم‌های ژنتیک و طراحی مولد در برنامه درسی رشته معماری.

کاربرد در پروژه‌های پایدار: استفاده از GA برای ایجاد فرم‌هایی که هم از نظر زیبایی‌شناسی و هم از نظر مصرف انرژی و سازگاری با اقلیم بهینه باشند.

بازآفرینی بافت‌های تاریخی: طراحی فرم‌های جدید که با


 

منابع

1.       Aish, R., & Woodbury, R. (2005). Multi-level interaction in parametric design. In Proceedings of the CAAD Futures Conference.

2.       al-Rawi, O. M. (2020). Origins of computational design in architecture. Future Engineering Journal, 1(1), Article 5.

3.       Caldas, L., & Rocha, J. (2001). A generative design system applied to Siza’s School of Architecture at Oporto. In Proceedings of the Sixth Conference on Computer Aided Architectural Design Research in Asia (pp. 253–264). Sydney, Australia.

4.       Cohoon, J., et al. (2003). Evolutionary algorithms for the physical design of VLSI circuits. In A. Ghosh & S. Tsutsui (Eds.), Advances in evolutionary computing: Theory and applications (pp. 683–712). Springer. https://doi.org/10.1007/978-3-540-35488-8_30

 

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                          203

اصول زیبایی‌شناسی بومی و هویت فرهنگی منطقه هماهنگ باشند.

توسعه معیارهای چندهدفه: ترکیب معیارهای زیبایی‌شناسی با شاخص‌های عملکردی (مصرف انرژی، نورگیری، تهویه و  هزینه ساخت). 

13- پیشنهاد برای تحقیقات آینده: 

ترکیب GA با روش‌های هوش مصنوعی پیشرفته مانند یادگیری عمیق (Deep Learning) برای ارتقاء دقت و خلاقیت خروجی‌ها.

توسعه چارچوب‌های ارزیابی کیفی-کمی برای سنجش همزمان زیبایی‌شناسی و عملکرد.

مطالعه تأثیر ادغام GA با واقعیت مجازی و افزوده (VR/AR) در فرآیند تصمیم‌گیری طراحی.

بررسی امکان استفاده از GA در مقیاس طراحی شهری و منظر.

 

 

img0 

5.       Dapogny, C., Faure, A., Michailidis, G., Allaire, G., Couvelas, A., & Estevez, R. (2017). Geometric constraints for shape and topology optimization in architectural design. Computational Mechanics, 59(6), 933–965. https://doi.org/10.1007/s00466-017-1383-6

6.               Driscoll, J. C. (2019). Fractal dimension as objective function in a genetic algorithm for application in architectural

design. Systems Science Friday Noon Seminar Series, (80).

7.       Felkner, J., Chatzi, E., & Kotnik, T. (2013). Interactive particle swarm optimization for the architectural design of truss structures. In 2013 IEEE Symposium on Computational Intelligence for Engineering Solutions (CIES) (pp. 15–22). IEEE. https://doi.org/10.1109/CIES.2013. 6611723

8.       Frazer, J. (1995). An evolutionary architecture. Architectural Association Publications.

9.       Hung Lo, C., Ko, Y.-C., & Hsiao, S.-W. (2015). A study that applies aesthetic theory and genetic algorithms to product form optimization. Advanced Engineering Informatics, 29(3), 662–679. https://doi.org/10.1016/j.aei.2015.05.005

10.       Kolarevic, B. (2003). Architecture in the digital age: Design and manufacturing. New York: Spon Press.

11.       Krish, S. (2011). A practical generative design method. Computer-Aided Design, 43(1), 88–100. https://doi.org/10.1016/j.cad.2010.09.009

12.       Li, L. (2012). The optimization of architectural shape based on genetic algorithm. Frontiers of Architectural Research, 1(4), 392–399. https://doi.org/10.1016/j.foar.2012.07.005

13.       Lu, Y. (2018). Conversational form-generation: An application of interactive genetic algorithm to architectural design (Master's thesis, Carnegie Mellon University). https://doi.org/10.1184/R1/7182263.v1

14.       Maikantis, T., Tsintzira, A.-A., Ampatzoglou, A., Arvanitou, E.-M., Chatzigeorgiou, A., Stamelos, I., Bibi, S., & Deligiannis, I. (2020). Software architecture reconstruction via a genetic algorithm: Applying the move class refactoring. In Proceedings of the 24th Pan-Hellenic Conference on Informatics (pp. 135–139).

15.       Mars, A., Grabska, E., Ślusarczyk, G., & Strug, B. (2019). Style-oriented evolutionary design of architectural forms directed by aesthetic measure. In J. S. Gero (Ed.), Design computing and cognition '18 (pp. 629–646). Springer. https://doi.org/10.1007/978-3-030-05363-5_38

16.       Mars, A., Grabska, E., Ślusarczyk, G., & Strug, B. (2020). Design characteristics and aesthetics in evolutionary design of architectural forms directed by fuzzy evaluation. Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 34(2), 147–159. https://doi.org/10.1017/S0890060420000153

17.       

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                                     204

Meintjes, K. (2018). “Generative design” – What’s that? CIMdata. Retrieved from https://www.cimdata.com

18.       Mitchell, M., & Taylor, C. E. (1999). Evolutionary computation: An overview. Annual Review of Ecology and Systematics, 30(1), 593–616. https://doi.org/10.1146/annurev.ecolsys.30.1.593

19.       Oxman, R. (2008). Digital architecture as a challenge for design pedagogy: Theory, knowledge, models and medium. Design Studies, 29(2), 99–120. https://doi.org/10.1016/j.destud.2007.12.003

20.       Papapavlou, A., & Turner, A. (2009). Structural evolution: A genetic algorithm method to generate structurally optimal Delaunay triangulated space frames for dynamic loads. In 27th eCAADe Conference, Istanbul.

21.       img0Rajamoney, P., Rosenbloom, P. S., Wagner, C., & Bose, C. (2014). Compositional model based design: A generative approach to the conceptual design of physical systems. University of Southern California(OCLC 1003551283)

22.       Schumacher, P. (2016). Parametricism 2.0: Gearing up to impact the global built environment. Architectural Design, 86(2), 14–23.

23.       Schwab, K. (2019). How generative design is changing the way architects work. Fast Company. Retrieved from https://www.fastcompany.com

24.       Schwab, K. (2019, April 16). This is the first commercial chair made using generative design. Fast Company. Retrieved from https://www.fastcompany.com

25.       Schwehr, P. (2011). Evolutionary algorithms in architecture. Open House International, 36(1), 16–24. https://doi.org/10.1108/OHI-01-2011-B0003

26.       Shea, K., Aish, R., & Gourtovaia, M. (2005). Towards integrated performance-driven generative design tools. Automation in Construction, 14(2), 253–264. https://doi.org/10.1016/j.autcon.2004.07.002

27.       Song, H., et al. (2016). Architectural design of apartment buildings using the implicit redundant representation genetic algorithm. Automation in Construction. https://doi.org/10.1016/j.autcon.2016.09.000

28.       Tedeschi, A. (2014). AAD – Algorithms-Aided Design: Parametric strategies using Grasshopper. [Self-published or publisher needed.

29.       Vikhar, P. A. (2016). Evolutionary algorithms: A critical review and its future prospects. In 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC) (pp. 261–265). IEEE. https://doi.org/10.1109/ICGTSPICC.2016.7955308

30.       

الگوریتم تکاملی ژنتیک در معماری: تحلیل روش­های الگوریتم­های .../ مهدی خاکزند و همکاران                                          205

Whitley, D. (1994). A genetic algorithm tutorial. Statistics and Computing, 4(2), 65–85. https://doi.org/10.1007/BF00175354

31.       Zhang, Y., Fei, G., & Shang, W. (2017). 3D architecture facade optimization based on genetic algorithm and neural network. In 2017 IEEE/ACIS 16th International Conference on Computer and Information Science (ICIS) (pp. 693–698). IEEE. https://doi.org/10.1109/ICIS.2017.7960082 

 

img0 

 


مقالات مرتبط

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات رایمگ است.
حق نشر © 1404-1396

صفحه اصلی| عضویت/ ورود| درباره رایمگ| تماس با ما|
[English] [العربية] [en] [ar]