فهرست مطالب
بهینه سازی در معماری چیست؟
امروزه معماران ناچارند که طراحی معماری را با دخالت عوامل بسیار زیادی مانند عناصر محیطی، نیازهای انرژی، مباحث آسایش حرارتی، و غیره و به صورت یکپارچه انجام دهند که این خود روند طراحی را با پیچیدگیهای متعددی روبرو میکند. در این میان الگوریتمهای بهینهسازی چند هدفه در معماری ابزار قدرتمندی در اختیار معماران قرار داده است زیرا با کمک این الگوریتمها میتوان همزمان تاثیر چندین متغیر را بر عملکردهای متعدد انرژی در ساختمان بررسی نمود.
چرا بهینه سازی ساختمان اهمیت دارد؟
به کار گیری الگوریتمهای بهینه سازی چند هدفه در میان محققین از محبوبیت ویژهای برخوردار است. در این روند بعد از تعیین عملکردهای ساختمانی مانند بار سرمایش/گرمایش، روشنایی، مصرف انرژی و غیره (که توابع هدف نامیده میشوند)، باید بر اساس تجربه، مطالعات پیشین، آنالیز حساسیت، و یا تفکر و سلیقه محقق، متغیرهای مستقل شناسایی شوند. در بهینهسازی هدف این است که با توجه به تاثیراتی که متغیرهای مستقل (مانند نوع مصالح، ضخامت عایق جدارهها، نسبت مساحت پنجره به مساحت دیوار، سایبان و …) بر عملکردهای انرژی ساختمان میگذارند، بهترین و یا به عبارت بهتر، بهینهترین ترکیب از متغیرهای مستقل به گونهای کشف شوند که همه توابع هدف در محدوده کمینه و یا بیشینه مورد نظر قرار بگیرند. در بسیاری از تحقیقات، به حداقل رساندن نیاز انرژی و به حداکثر رساندن نور روز مفید به صورت همزمان مدنظر قرار گرفته است. این محققین معتقدند که نباید تنها به دنبال یک هدف بود، مثلا به حداقل رسیدن نیاز انرژی نباید میزان نور روز را قربانی کند و برعکس.
کاربرد الگوریتمهای بهینه سازی
در بهینهسازی، الگوریتمهای بسیار زیادی وجود دارد که از این میان الگوریتمهای تکاملی ژنتیک، ازدحام ذرات و کلونی مورچهها به عنوان پرطرفدارترین الگوریتمها در حل مسائل معماری شناخته شدهاند. الگوریتم ژنتیک در حل مسائل انرژی در ساختمان، تاکنون بسیار پرکابردتر از سایر الگوریتمها ظاهر شده است.
الگوریتم تکاملی ژنتیک
این شاخه از حوزه هوش مصنوعی بر پایه مکانیزم تکامل موجودات زنده و تولید گونههای موفقتر و برازندهتر در طبیعت الهام گرفته شده است. به عبارت دیگر، ایده اصلی الگوریتمهای ژنتیک، بقای برازندهترینها است. در طبیعت، موجوداتی که ویژگیهای برازندهتری نسبت به دیگر گونهها دارند، برای مدت بیشتری به بقاء در طبیعت ادامه میدهند. چنین ویژگیای، این امکان را در اختیار برازندهترین موجودات زنده قرار میدهد تا بر اساس مواد ژنتیکی خود، اقدام به تولید مثل کنند. بنابراین، پس از یک دوره زمانی بلند مدت، جمعیت موجودات زنده به سمتی تکامل پیدا خواهد کرد که در آن، غالب موجودات بسیاری از ویژگیهای ارثی خود را از ژنهای موجودات برتر و تعداد کمی از ویژگیهای خود را از ژنهای موجودات رده پایین با ژنها یا ویژگیهای نامرغوب به ارث خواهند برد. به بیان سادهتر، موجودات برازندهتر زنده میمانند و موجودات نامناسب از بین میروند. به این فرایند و نیروی شگفتانگیز طبیعی، انتخاب طبیعی گفته میشود. نکته مهم در مورد انتخاب طبیعی و اثبات درست بودن این اصل این است که تحقیقات دانشمندان در مورد توضیحات مولکولی از تکامل نشان داده است که گونههای مختلف موجودات زنده، خود را با شرایط محیطی تطبیق نمیدهند، بلکه صرفا موجودات برازندهتر به بقاء خود ادامه میدهند.
الگوریتم ژنتیک چگونه کار میکند؟
الگوریتمهای ژنتیک، با شبیهسازی فرایند تکامل در طبیعت، با هدف یافتن بهترین جواب ممکن برای یک مسأله، به جستجو در فضای جستجو میپردازند. در فرایند جستجو برای یافتن جواب بهینه، ابتدا مجموعه یا جمعیتی از جوابهای ابتدایی تولید میشود; سپس، در نسلهای متوالی، مجموعهای از جوابهای تغییر یافته تولید میشوند (در هر نسل از الگوریتم ژنتیک، تغییرات خاصی در ژنهای کروموزومهای تشکیل دهنده جمعیت ایجاد میشود). جوابهای اولیه معمولا به شکلی تغییر میکنند که در هر نسل، جمعیت جوابها به سمت جواب بهینه همگرا میشوند.
فرآیند انتخاب بهترین جواب در الگوریتم ژنتیک
به عبارتی این دسته از الگوریتمها، جوابهای محتمل یا جوابهای کاندید یا فرضیههای محتمل برای یک مسأله خاص را در یک ساختار دادهای کروموزوم مانند کدبندی میکنند. الگوریتم ژنتیک از طریق اعمال عملگرهای بازترکیب روی ساختارهای دادهای کروموزوم مانند، اطلاعات حیاتی ذخیره شده در این ساختارهای دادهای را حفظ میکند. پیادهسازی الگوریتم ژنتیک، معمولا با تولید جمعیتی از کروموزومها (جمعیت اولیه از کروموزومها در الگوریتمهای ژنتیک، معمولا تصادفی تولید میشود و مقید به حد بالا و پایین متغیرهای مسأله هستند) آغاز میشود. در مرحله بعد، ساختارهای دادهای تولید شده (کروموزومها) ارزیابی میشوند و کروموزومهایی که به شکل بهتری میتوانند جواب بهینه مسأله مورد نظر (هدف) را نمایش دهند، شانس بیشتری برای تولید مثل نسبت به جوابهای ضعیفتر پیدا میکنند. به عبارت دیگر، فرصتهای تولید مثل بیشتری به این دسته از کروموزومها اختصاص داده میشود. میزان خوب بودن یک جواب، معمولا نسبت به جمعیت جوابهای کاندید فعلی سنجیده میشود.
در هر نسل، جوابهایی که نسبت به بقیه بهتر هستند در اولویت لیست جوابها قرار میگیرند که به آن جبهه گفته میشود. در پایان فرایند بهینهسازی، زمانی که جوابهای نهایی کشف شدهاند، جوابهای بهینه بر روی آخرین جبهه و یا جبهه جلویی ذخیره میشوند. به این ترتیب جوابهایی که بر روی آخرین جبهه قرار میگیرند نسبت به هم هیچ برتری ندارند و هر کدام از جوابها به تنهایی میتواند مناسب باشد. در این مرحله محقق بر اساس معیارهای خود میتواند از بین جوابهای بهینه انتخاب نهایی را انجام دهد.
