طراحی و ترسیم خودکار پلان های معماری با ترکیب الگوریتم های تکاملی، یادگیری ماشین و مبتنی بر نمونه

اکنون ایجاد ادراک در نرم‌افزارهای رایانه‌ای از مهم‌ترین چالش‌های معماری دیجیتال است. چرا که نرم‌افزارهای رایانه‌ای از مهم‌ترین ادوات معماران و یا طراحان به شمار رفته و به‌صورت گسترده در زمینه طراحی پروژه‌ها، به کار گرفته می‌شوند. در طراحی به کمک نرم‌افزارهای دیجیتالی، رسیدن به طرح و چیدمان بهینه یکی از مراحل مهم و تاثیرگذار به شمار می‌رود. اما نرم‌افزارهای رایانه‌ای هیچ شهود ذاتی در مورد فرایند طراحی ندارند و این علت اصلی عدم واگذاری فرایندهای طراحی به رایانه‌ها است. ازاین‌رو هدف این پژوهش تبیین روشی محاسباتی مبتنی بر نمونه داده‌های کمی و کیفی برای ایجاد شهود نسبی در ماشین‌ها از طریق ترکیب الگوریتم‌های تکاملی و یادگیری ماشین است. روش پژوهش کمی و کیفی در بستر الگوریتم‌های ژنتیک (genetics)، یادگیری ماشین (k-means clustering) و همچنین یادگیری مبتنی بر نمونه (instance based) است. نتایج این پژوهش نشان می‌دهد برخلاف روش‌های مبتنی بر ترکیب الگوریتم‌های ژنتیک و برنامه‌نویسی ژنتیک می‌توان با ترکیب سه الگوریتم ژنتیک، یادگیری ماشین و مبتنی علاوه بر ایجاد شهود نسبی در ماشین‌ها، دقت و سرعت تولید نقشه‌ها را افزایش داد. همچنین ویژگی دیگر روش پیشنهادی، نرخ یادگیری نزدیک به نود درصد در شناسایی و ارائه طرح‌ها است. البته تولید پلان توسط رایانه‌ها در گام‌های اولیه خود است و هنوز فرایند طولانی لازم دارد تا این گام توسط رایانه‌ها به طور کامل برداشته شود.

automatic design and drawing of architectural plans bycombining evolutionary algorithms, machine learning,and instance-based methods

now creating perception in computer software is one of the most important challenges of digital architecture. because computer software is one of the most important tools of architects or designers and is widely used in project design. in designing with the help of digital software, reaching the optimal design and layout is one of the most important and influential steps. but computer software does not have any inherent intuition about the design process, and this is the main reason for not handing over design processes to computers. therefore, the aim of this research is to explain a computational method based on quantitative and qualitative data samples to create relative intuition in machines through the combination of evolutionary algorithms and machine learning. the quantitative and qualitative research method is based on genetic algorithms, machine learning (k-means clustering), and instance-based learning. the results of this research show that unlike methods based on the combination of genetic algorithms and genetic programming, it is possible to increase the accuracy and speed of map production by combining three genetic algorithms, machine learning, and based on relative intuition in machines. also, another feature of the proposed method is the learning rate of nearly ninety percent in identifying and presenting designs. of course, the production of plans by computers is in its early stages and it still needs a long process for this step to be completely taken by computers.