基于BP-NSGAⅡ的办公建筑围护结构能耗及成本机器学习【附代码】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，查看文章底部二维码

（1）正交试验设计与BIM-Ecotect联合能耗模拟：

针对办公建筑围护结构节能设计的多目标优化问题，采用正交试验法设计实验方案。选取外墙结构层厚度、粘结层厚度、保温层厚度、窗墙比和玻璃类型共5个因素，每个因素取4个水平，采用L16正交表。基于BIM技术建立标准办公楼层模型（面积1200m²，层高3.9m），通过Ecotect软件进行全年逐时能耗模拟，得到每个方案的运行能耗（EUI，kWh/m²·a）。同时计算生命周期成本（LCC），包括初投资和运行费用。正交试验结果显示，保温层厚度对EUI的影响最大，极差为18.5 kWh/m²·a；窗墙比对LCC的影响最大。采集了16组数据后，采用响应面法补充生成34组仿真数据，共得到50组数据集，用于后续机器学习。

（2）BP神经网络预测模型构建与训练：

建立BP神经网络模型，输入层为5个设计参数，输出层为EUI和LCC两个目标。网络结构为5-10-2，隐藏层使用ReLU激活函数，输出层线性。训练数据使用上述50组中的40组，验证集10组。采用交叉验证和早停策略，当验证误差连续10轮不下降时停止。经过训练，BP模型在验证集上的EUI预测相对误差平均为3.2%，LCC预测误差平均为2.8%。为了评估模型泛化能力，额外测试了5组未参与训练的设计方案，最大EUI误差为4.5%。结果表明BP神经网络能够较好拟合设计参数与性能目标之间的非线性映射关系。

（3）NSGA-Ⅱ多目标优化与Pareto解集分析：

以BP神经网络预测模型作为适应度函数，采用带精英策略的非支配排序遗传算法NSGA-Ⅱ进行多目标优化。优化目标为最小化EUI和最小化LCC。设计变量约束为：外墙结构层厚度80-200mm，粘结层厚度10-30mm，保温层厚度30-150mm，窗墙比0.2-0.6，玻璃类型按传热系数分4档。NSGA-Ⅱ参数：种群大小100，迭代200代，交叉概率0.9，变异概率0.1。优化得到Pareto前沿共23个解。EUI范围在55-82 kWh/m²·a之间，LCC在1150-1680元/m²之间。决策者可根据偏好选择：如侧重节能，选择EUI=57.2，LCC=1580；如侧重经济，选择EUI=79.5，LCC=1180。折中解为EUI=68.3，LCC=1350。将优化方案与原始设计方案（EUI=92，LCC=1420）对比，节能率最大可达37.8%，成本最大可降低16.9%。通过灵敏度分析，保温层厚度对EUI的敏感度系数为-0.52，是最关键参数。

import numpy as np import torch import torch.nn as nn from pymoo.algorithms.nsga2 import NSGA2 from pymoo.core.problem import Problem from pymoo.optimize import minimize # BP神经网络模型 class BPNN(nn.Module): def __init__(self, input_dim=5, hidden_dim=10, output_dim=2): super().__init__() self.fc1 = nn.Linear(input_dim, hidden_dim) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_dim, output_dim) def forward(self, x): x = self.fc1(x) x = self.relu(x) x = self.fc2(x) return x # 训练BP模型 def train_bp(X_train, Y_train, epochs=500): model = BPNN() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) loss_fn = nn.MSELoss() X_t = torch.tensor(X_train, dtype=torch.float32) Y_t = torch.tensor(Y_train, dtype=torch.float32) for epoch in range(epochs): outputs = model(X_t) loss = loss_fn(outputs, Y_t) optimizer.zero_grad() loss.backward() optimizer.step() if (epoch+1) % 100 == 0: print(f'Epoch {epoch+1}, Loss: {loss.item():.4f}') return model # 定义优化问题（使用训练好的BP模型作为代理） class BuildingProblem(Problem): def __init__(self, bp_model): super().__init__(n_var=5, n_obj=2, xl=np.array([80,10,30,0.2,1]), xu=np.array([200,30,150,0.6,4])) self.model = bp_model def _evaluate(self, X, out, *args, **kwargs): # X包含设计变量，使用BP模型预测 X_t = torch.tensor(X, dtype=torch.float32) with torch.no_grad(): pred = self.model(X_t).numpy() out['F'] = pred # 两个目标：EUI, LCC # 生成正交表仿真数据（模拟） def generate_sim_data(): # 正交L16 5因素4水平 levels = 4 n_samples = 16 X = np.random.randint(0, levels, (n_samples, 5)) # 映射到实际值 X_real = X * [ (200-80)/3, (30-10)/3, (150-30)/3, (0.6-0.2)/3, (4-1)/3 ] + [80,10,30,0.2,1] # 模拟EUI和LCC（用公式） EUI = 120 - 0.3*X_real[:,2] - 10*X_real[:,3] + 0.1*X_real[:,0] LCC = 1000 + 5*X_real[:,0] + 8*X_real[:,2] + 200*X_real[:,3] Y = np.column_stack((EUI, LCC)) return X_real, Y # 运行优化 if __name__ == '__main__': X_data, Y_data = generate_sim_data() model = train_bp(X_data, Y_data, epochs=300) problem = BuildingProblem(model) algorithm = NSGA2(pop_size=100) res = minimize(problem, algorithm, ('n_gen', 200), verbose=False) print('Pareto前沿的EUI范围:', np.min(res.F[:,0]), np.max(res.F[:,0])) print('Pareto前沿的LCC范围:', np.min(res.F[:,1]), np.max(res.F[:,1])) # 输出几个解 for i in range(5): print(f'解{i+1}: EUI={res.F[i,0]:.1f}, LCC={res.F[i,1]:.0f}')

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇