تبیین مدل نظری تولید و توسعه پلان های معماری در تعامل الگوریتم های یادگیری ماشین و ژنتیک

زمینه و هدف: مساله این پژوهش تبیین مدل نظری در جهت یافتن راهکاری نوین برای تولید و توسعه چیدمان فضایی پلان های معماری مبتنی بر روش های تعاملی و تلفیقی با کمک الگوریتم های یادگیری ماشین و ژنتیک است، در واقع هدف رسیدن به یک مدل نظری است که بیان می دارد الگوریتم های تکاملی به تنهایی مثمر ثمر نیستند، بلکه الگوریتم های یادگیری ماشین می توانند پلان ها را فراگیری کرده و مبنای مدل عملی شوند که به واسطه استفاده از الگوریتم های ژنتیک می توانند توسعه و تولید کننده نمونه های جدید باشند.روش بررسی: در همین راستا روش پژوهش ترکیبی شامل مطالعات کتابخانه ای، گردآوری داده های خام، بررسی نمونه های موردی و استفاده از فرمول های محاسباتی به صورت تابع های هدف و جریمه است.یافته ها: مطالعات این تحقیق نشان می دهد که الگوریتم ژنتیک توانایی حافظه سپاری ندارد و از طرفی مبنای محاسبات آن جهش و تصادفی عمل نمودن است که این فرآیند در تولید پلان های معماری به تنهایی اثربخش نخواهد بود.نتیجه گیری: نتایج پژوهش نشان می دهد که براساس مدل نظری ارائه شده، الگوریتم یادگیری ماشین به واسطه ساختار نمونه پذیر خود می تواند نمونه هایی را ذخیره و بازشناسی نماید و الگوریتم ژنتیک که یک الگوریتم جستجوگر و توسعه پذیر است، هر بار نمونه های بیشتری را از پلان های معماری براساس مدل ریاضی ارائه شده تولید نماید.

explain the theoretical model of production and development of architectural plans in the interaction of machine learning algorithms and genetics

background and objective: the aim of this study is to explain to the theoretical model in order to find a new solution for the production and development of spatial arrangement of architectural plans based on interactive and integrated methods with the help of machine learning and genetic algorithms. evolutionary algorithms alone are not effective, but machine learning algorithms can learn plans and form the basis of practical models that can develop and generate new samples through the use of genetic algorithms.material and methodology: in this regard, the combined research method includes library studies, collecting raw data, reviewing case samples, and using computational formulas as objective and penalty functions.findings: studies show that the genetic algorithm does not have the ability to store memory and on the other hand, the basis of its calculations is jumping and random action that this process is not effective in the production of architectural plans alone and research.discussion and conclusion:  findings show that the algorithm machine learning, due to its exemplary structure, can store and recognize examples, and the genetic algorithm, which is a searchable and scalable algorithm, can produce more examples of architectural plans each time based on the proposed mathematical model.