摘要
本文介绍了在西交利物浦大学建筑系开展的为期两周的教学实验，旨在探索如何在建筑设计教学中引入进化式优化技术和方法。实验借助名为EvoMass的设计软件，这是一款可以进行快速建筑体量形态设计生成和优化的工具，能帮助学生在无需熟练掌握计算性和智能设计技术的条件下完成进化式设计生成和优化。此外，参数化建模和生成式AI技术也被引入该教学之中，使学生可以将建筑立面与建筑体量的设计优化和探索相结合。该教学实验的成果展示了学生如何将上述的技术用于一个性能驱动的设计项目之中，以及如何将计算性和智能设计技术融入到设计的创意过程之中。
引言
进化式优化技术作为一种高效的计算机辅助和智能设计手段，常被应用于可持续和环境建筑设计中。通过与不同的建筑性能目标（如采光、日照等）相结合，该技术助理设计师实现性能驱动的设计优化。这种设计方法不仅能用于建筑性能的改善，同时也能帮助设计师在方案阶段进行数据收集和设计决策。在建筑教育领域，许多大学也已将进化式优化纳入设计教学（工作坊）之中，指导学生在建筑设计的推敲过程中加入环境性能因素(Vazquez, 2023)。Pasternak，Szentesi-nejur等人的教学研究也表明在设计教学中引入进化式优化有助于学生搜寻高性能设计方案，并将环境和能耗等因素融入其方案之中(Pasternak & Kwieciński, 2015; Szentesi-nejur et al., 2021)。
在大多数融入进化式优化技术的教学实践中，学生往往缺乏足够的技术知识储备，这导致教学过程会过度侧重于相关技术指导，如编程、遗传算法的使用和参数化建模。然而，这些教学方法常常忽略了进化式优化技术与设计过程的结合，尤其是如何将具有收敛性的优化流程应用于发散和探索性能的设计过程之中。此外，在西交利物浦大学，尽管本科高年级课程中包含了与计算性设计技术相关内容，但该类课程目前主要侧重与工程相关应用，如建筑立面设计和细化，而忽略了在设计初期对计算性和智能设计技术的应用指导。针对上述问题，本文介绍了在23-24学年第一学期针对西交利物浦大学建筑学学生开展的一项教学实验，该实验旨在帮助学生更深入地掌握进化式优化技术和方法，并通过一个小型设计项目来了解该技术和方法在实际设计中的应用。本文将详细介绍在本次实验中采用的教学方法和规划，并通过分析学生的作业来讨论该教学实验的效果。
相关研究及实践
自2000年以来，进化式优化便开始被引入建筑设计教育。由于学生相关技术知识储备有限以及缺乏易用的设计工具，早期的教学主要侧重于相关的技术知识和操作指导。因此，由于操作上的复杂性，进化式优化在早期的教学实践中常被应用于一些特定的、适于被进化式优化解决的设计任务。然而，这些设计任务往往无法反映实际设计中的复杂性、多样性和不确定性。因此，学生仅能将习得的知识应用于上述简化过的设计任务，却无法将其与真实的设计过程相结合。
近十年来，可视化编程技术的出现和完善，以及易用的优化和模拟程序的涌现和发展，加快了进化式优化在建筑教育中的应用和普及。这些工具使得教学重心可以更多地放在如何在设计中引入进化式优化。例如，Szentesi-nejur等人在本科三年级的设计课程中引入进化式优化，以帮助学生在设计中将建筑的日照性能最大化。此外，Chen等人开发了一个名为Py4design的用于建筑形体变化的Python工具库。他们将其用于教学中帮助学生探索不同的建筑形态，并理解建筑形态对建筑性能的影响。
与早期教学案例相比，近年来进化式优化技术在建筑教学中的应用更加注重帮助学生生成和探索具有较优性能的设计方案。同时，相关软件使用难度的降低也让更多的学生愿意在他们的设计中采用该技术(Vazquez, 2023)。虽然这些技术上的进步使得进化式优化可以更多地被应用于实际设计过程中，但在目前的教学中，优化的主要目的仍是如何获得最终设计方案，而非在全设计过程中辅助学生进行设计探索和综合。换言之，进化式优化仅被用于设计的细化阶段。由于在该阶段建筑的形体和类型已被确定，进化式优化实际上仅能对设计进行微调和有限的改进(Tan & Ying, 2023; Zhang et al., 2023)。但是众所周知，在设计早期进行更系统的设计探索和寻优，这类设计干预可以对最终的设计质量产生更显著的影响，同时也可以有效地减少后期设计修改上所花费的时间和精力。
导致上述问题的一个主要原因是在教学过程中设计工具的使用。由于不同的设计工具对设计师的创意过程有着直接的影响(Saadi & Yang, 2023)，而进化式优化是一项源于数值优化的技术，这导致其更适用于定义清晰的问题。但是建筑设计常常具有定义不清晰和开放性的特点，这也导致建筑设计问题并不直接适用于进化式优化(Cross, 2021)。因此，为了在建筑设计中使用进化式优化，教学人员需要将不明确的建筑设计问题首先转化为更为明确的优化问题。但这也导致当学生面对真实的建筑设计时无法有效利用进化式优化技术和方法(Agirbas, 2020)。
为了进一步提高进化式优化技术在建筑设计中的适用性，本文的作者开发EvoMass软件(Wang et al., 2024; 王力凯 et al., 2022)，该软件主要针对方案阶段的建筑形体设计生成和优化。通过增加优化结果的多样性和设计信息的传递和呈现，EvoMass有效地克服了进化式优化所导致的线性和收敛性的设计优化过程。
EvoMass集成了两种分别基于“加法”和“减法”逻辑的建筑形体生成算法，使其可以生成具有形体类型多样性的设计。相较于常规的进化式优化往往针对单一的建筑形体类型，上述两种算法有效地克服了这一局限性，并拓宽了优化研究的解决方案空间。此外，EvoMass还融合一种结合“稳态替换策略”和“多岛模型”的混合进化算法-SSIEA。SSIEA可以驱动基于“加/减法”的设计生成流程，同时为设计师提供更高效的优化过程和更多样化的优化结果。“加/减法”设计生成模型和SSIEA两者的结合使EvoMass得以适用于各类不同的建筑设计场景之中，辅助设计师更迅速、更准确地洞悉建筑形体类型和建筑环境和能耗性能之间的隐含关系。
方法
本教学实验旨在考察在西交利物浦大学的教学背景下，如何将进化式优化引入建筑设计教学之中，以促使学生能够将进化式优化应用于设计探索，设计构思和设计综合。因此，本实验主要围绕两个研究问题展开，既如何帮助学生更好地在设计中使用进化式优化，以及考察进化式优化如何影响学生的设计思维和设计行为，而EvoMass及其设计方法将作为主要的软件工具用于引导学生进行性能驱动的设计优化和探索。
该教学实验为一个两周的设计工作坊，包含技术指导和设计实操环节，使学生能够直接将所学知识应用于建筑的概念设计过程之中。本实验建立在前期ARC205建筑设计课程中进行的试点研究之上，在ARC205中，作者对学生的技术熟练程度和设计方法进行了初步的观察和评估。因此，与以往采用EvoMass的教学活动不同，该实验能够通过一个更加持续的教学干预，更好地观察EvoMass对于学生技术技能和设计思维提升的影响。
教学策略
如前文所述，设计工具的使用对进化式优化在建筑设计教学中的应用有着关键性的影响，而现有的进化式优化工具常常将设计过程导向一种线性且收敛的简单寻优过程。同时，在编程方面的技能要求也往往会分散教学的着力点，使更多的时间和精力放在了相关技能和技术的教授而非引导学生如何在设计中有效地使用计算性和智能设计技术。对此，由于使用了EvoMass，本次教学实验可以帮助学生更多地投入探索如何在建筑设计中利用进化式优化技术进行设计(Figure 1)。首先，EvoMass有着较低技术门槛让学生可以在设计中直接进行进化式优化和设计探索，而不需要花费过多的时间学习相关的技术原理。其次，EvoMass所生成的设计可以展现大量与建筑性能相关的特征，进而促使学生从中提取关键的设计信息并将其融入后续的设计推敲过程中。换言之，EvoMass的使用并不导向用进化式优化直接产出最终的设计方案，进而剥夺了设计者在设计过程中的主导作用。
图 1. EvoMass设计流程
在使用EvoMass的同时，一种强调平行设计探索的方法也在此次教学中被引入。由于参加此次工作坊的大多数学生具有一定的EvoMass使用经验，所以此次教学则侧重于引导学生进行多个设计方向的平行探索，包括建筑形体特征，主观设计意图和建筑立面形式。该方法使学生可以更进一步体会如何将EvoMass应用于不同的设计场景和条件之中。
图 2. EvoMass 用于建筑方案初期设计探索的两种设计方式 (Wang, 2022b)
除了使用EvoMass，本次工作坊也引入了生成式AI技术辅助学生进行快速的设计探索。虽然EvoMass能够生成大量的建筑形体设计，但这些设计仅能以抽象建筑几何模型的方式呈现，而无法提供如建筑风格和立面语言等方面的细节。对此，近年来生成式AI技术的发展和相关工具的出现，如Midjourney和Stable Diffusion等，为设计师提供了一种能够生成具有丰富细节建筑图像的手段，而这一技术也可以将如EvoMass生成的建筑模型作为基础参数生成相应的建筑图像。此外，将EvoMass生成的设计作为生成式AI的输入模型也可以克服生成式AI在缺乏与场地联系方面的不足。因此，在此次工作坊中通过一位建筑系博士生的帮助，特地增加了与生成式AI与EvoMass相结合的教学内容。
最后，为了使学生能够获得更直接的设计体验，在完成上述的辅导后，学生将通过一个小型设计项目尝试将进化式优化技术和方法融入他们的设计之中。由于时间的限制，参加此次工作坊的六名同学共同完成一个印尼的建筑设计项目。通过合作设计，他们同样可以在短时间内快速探索不同的设计方向，以此观察如何通过平行设计探索避免常见的“设计固着”。在该设计项目中，每一名学生独立完成一个立面的设计算法，并将其与EvoMass的建筑形体生成相结合，进而实现一种“形体-立面”的协同设计优化。随后，基于所获得的优化结果，学生将利用生成式AI进行建筑风格和细节方面的探索，以此对优化结果的设计潜力和可行性进行评估。
设计成果
通过一周的时间，学生完成了多次优化和借助生成式AI的设计探索，进而对建筑形体和立面进行了较为全面的建筑性能优化和设计探索。在学生的设计过程中，他们对四种不同的立面形式进行了参数化建模，并将减少太阳热辐射和改善室内天然采光作为主要的目标进行了相应的进化式设计优化。优化完成后，学生根据性能特征对优化结果中的设计进行分类，以此发现建筑形体和不同立面形式之间的适应度，以及如何协调建筑形体和立面以解决上述两个相互冲突的优化目标。
图 3. 最终设计图纸-1
图 4. 最终设计图纸-2
在利用优化进行设计探索的过程中，学生分别采用了EvoMass中的“加法”和“减法”建筑形体生成算法，并由学生各自完成的立面生成算法进行优化。由于采用了两种不同的建筑形态生成算法，这进一步拓宽设计探索的范围并对相应的建筑形体类型进行横向对比和评估。同时，这也使得学生可以通过优化了解两种形体类型与不同建筑立面形式之间的适应性关系和优缺点。从学生所完成的设计图纸可以看出，优化结果展现了建筑形体在不同立面形式下呈现的特征。例如，当选择V型遮阳和垂直遮阳立面时，建筑形体具有更分散的空间特征，而当采用马赛克窗或者水平遮阳立面时，建筑形体则呈现较大的悬挑体块以增强建筑的自遮阳效果。
完成上述建筑形体及立面优化后，学生使用生成式AI对优化结果中的设计方案从建筑外观和设计审美上进行可行性分析。在最终的图纸中，每一组优化结果均展示六个由学生选出的由生成式AI生成的建筑图片。这些图片帮助学生对建筑风格及立面语言进行快速的探索。需要强调的是，由于作为输入的建筑形体与建筑所处环境间存在紧密联系，这使得设计场地的环境因素也被融入生成式AI的图像生成之中。这部分的设计探索主要是为了帮助学生能够尽快从多个设计方案中筛选出最适合于后续深化的方向。
这一步对于建筑学学生来说尤为重要。由于大多数学生的设计技能和经验相对有限，他们常常会无法在大量的由优化生成的设计方案面前快速做出合理的选择。因此，在使用优化技术时，许多学生需要花费大量的时间和精力对多个设计方案进行深化直到他们获得足够的信息后才能做出最终的选择。因此，使用生成式AI可以帮助学生快速筛除可行性较低的方案，进而加快学生对多个优化方案的评估和选择。
讨论及总结
作为一个长期教学研究中的第二阶段工作，本次教学实验考察了如何在西交利物浦大学的建筑设计教育中融入进化式优化技术。如学生的设计成果所示，学生可以获得对于进化式优化技术及其在建筑设计实践中应用的更深入的理解，进而说明本次研究实验基本达成了所设定的教学目标。本次教学实验在以下两个方面推进了计算性设计和智能设计教学应用。
首先，本次教学实验表明，采用不要求学生具备复杂的编程和参数化设计技能的软件工具，可以帮助学生快速掌握使用计算性和智能技术的设计方法。这能够有效地减少学生对于学习复杂技术所产生的负面情绪。第二，通过强调在设计中如何应用进化式优化技术，本次教学也使学生从方法层面理解并掌握了设计探索和平行思维在建筑设计过程中的重要性。这帮助学生在进一步学习“如何”使用技术之前首先能够明白“为什么”他们要在设计中使用这些技术，尤其是如何使学生能够快速了解计算性和智能设计的实际应用价值，长期以来都是教学中的难点。
总结全文，本次教学实验聚焦于在西交利物浦大学建筑设计教学中融入进化式优化技术以帮助学生更好地掌握该技术在设计工作中的应用。本次教学指导学生将进化式优化技术应用于更加动态和复杂的方案初期设计之中，而学生通过此次学习不但获得了相应技术技能和知识，也对建筑设计过程本身有了更深刻的理解。
参考文献
Agirbas, A. (2020). A Teaching Methodology for Parametric Design: A Case Study with Parametric Bench. 720–725. https://doi.org/10.5151/sigradi2020-99
Agirbas, A. (2021). An Experimental Framework for Designing a Parametric Design Course. Design and Technology Education: An International Journal, 26(3), 102–118.
Chen, K. W., Choo, T. S., & Norford, L. (2019). Enabling Algorithm-Assisted Architectural Design Exploration for Computational Design Novices. Computer-Aided Design & Applications, 16(2), 269–288. https://doi.org/https://doi.org/10.14733/cadaps.2019.269-288
Cross, N. (2021). Engineering Design Methods: Strategies for Product Design (5th Editio). Wiley.
Gerber, D. J., & Flager, F. (2011). Teaching Design Optioneering: A Method for Multidisciplinary Design Optimization. Computing in Civil Engineering (2011), 883–890. https://doi.org/10.1061/41182(416)109
Pasternak, A., & Kwieciński, K. (2015). High-rise Building Optimization: A Design Studio Curriculum. ECAADe 33, 1, 305–314.
Saadi, J., & Yang, M. (2023). OBSERVATIONS ON THE IMPLICATIONS OF GENERATIVE DESIGN TOOLS ON DESIGN PROCESS AND DESIGNER BEHAVIOUR. Proceedings of the Design Society, 3(JULY), 2805–2814. https://doi.org/10.1017/pds.2023.281
Szentesi-nejur, S., Luca, F. De, & Nejur, A. (2021). Integrated Architectural and Environmental Performance- Driven Form-Finding A teaching case study in Montreal. ECAADE2021, Towards a New, Configurable Architecture, 2, 105–114.
Tan, C., & Ying, D. (2023). A “Designer-centric” Framework for Building Massing optimization. Proceedings of the International Conference on Education and Research in Computer Aided Architectural Design in Europe, 2(Ml), 147–156. https://doi.org/10.52842/conf.ecaade.2023.2.147
Turrin, M., Von Buelow, P., & Stouffs, R. (2011). Design explorations of performance driven geometry in architectural design using parametric modeling and genetic algorithms. Advanced Engineering Informatics, 25(4), 656–675. https://doi.org/10.1016/j.aei.2011.07.009
Vazquez, E. (2023). Teaching parametric design: fostering algorithmic thinking through incomplete recipes. Open House International. https://doi.org/10.1108/OHI-06-2023-0135
Wang, L. (2022a). Workflow for applying optimization-based design exploration to early-stage architectural design – Case study based on EvoMass. International Journal of Architectural Computing, 20(1), 41–60. https://doi.org/10.1177/14780771221082254
Wang, L. (2022b). Optimization-aided design: two approaches for reflective exploration of design search space. International Journal of Architectural Computing, 20(4), 758–776. https://doi.org/10.1177/14780771221134958
Wang, L., Janssen, P., & Ji, G. (2020). SSIEA: a hybrid evolutionary algorithm for supporting conceptual architectural design. Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 34(4), 458–476. https://doi.org/10.1017/S0890060420000281
Wang, L., Janssen, P., & Ji, G. (2024). Optimization-based design exploration of building massing typologies—EvoMass and a typology-oriented computational design optimization method for early-stage performance-based building massing design. Frontiers of Architectural Research, in press. https://doi.org/10.1016/j.foar.2024.06.001
Zhang, R., Xu, X., Zhai, P., Liu, K., Kong, L., & Wang, W. (2023). Agile and integrated workflow proposal for optimising energy use, solar and wind energy potential, and structural stability of high-rise buildings in early design decisions. Energy and Buildings, 300(July), 113692. https://doi.org/10.1016/j.enbuild.2023.113692
王力凯, 吉国华, 童滋雨, & 江山. (2022). 面向建筑性能的设计优化及设计探索——EvoMass工具简介. 新建筑, 84–89. https://doi.org/10.12069/j.na.202203084
