一种基于进化模型的街区布局智能生成方法与系统

技术领域

本发明属于城市规划领域，具体涉及一种基于进化模型的街区布局智能生成方法与系统。

背景技术

街区作为建筑与城市关系的中介，是城市中承载社会、经济、文化等活动的场所实体形态。一方面，随着城市转向高质量发展，街区形态布局的合理性得到重视，目前常见的街区形态布局方法是通过人工进行街区形态生成，存在人脑判断、评判标准不一且主观性强、人力投入大等问题，体现为设计师的价值导向。另一方面，随着人工智能的发展、新的城市形态学方法涌现带来的技术革新，能够初步实现通过搭载数学模型的计算机工具对街区形态进行图像识别和机器学习，以实现街区形态布局的自动生成。然而目前的布局方法只能通过现有街区形态进行衍生和转译，忽略了控制街区形态复杂性的空间机制和区域关联性，存在街区形态可变性差、易导致风貌单一、千城一面等问题。基于现有经验的街区布局具有延时性和低效性，缺乏对方案选择和迭代优化的评判标准，无法达到对最优城市街区形态布局方案生成的精准把控。

街区布局智能生成对于实时生成和调整街区布局方案具有重大意义，能够解决传统街区布局中人力投入大、工作周期长、成果不可控、判断主观性大等多方面问题，因此有必要研究街区布局智能生成方法，以辅助规划师对街区布局方案进行快速、准确、高效的生成、研判和反馈调整。

发明内容

发明目的：针对现有技术存在的问题，本发明的目的在于提供一种基于进化模型的街区布局智能生成方法与系统，通过对案例街区布局结构进行量化分析和分类，使用进化模型自动生成多个待设计街区布局方案。

技术方案：本发明的目的可以通过以下技术方案实现：一种基于进化模型的街区布局智能生成方法，包括以下步骤：

步骤S1：获取待设计街区的边界数据和案例街区数据，识别案例街区的绿地、广场和建筑群区域，存储为布局面域数据；

步骤S2：根据案例街区面域的临接关系，将布局面域数据转置为布局拓扑数据，拓扑数据包括点的位置信息、面积信息，点和点之间的连接关系信息；构建特征指标计算模型，进行布局拓扑数据的特征指标计算，包括节点总面积大小、街区形状指数、节点规模差异程度、网络密度和平均度；根据总体特征指标，进行待设计街区布局匹配；

步骤S3：分别对总面积大小、节点规模差异程度、网络密度、平均度中的三个或四个指标进行聚类，根据聚类结果进行等级设定，并形成不同的街区布局类型；将各类聚类结果的指标平均值作为拓扑数据生成街区布局的拓扑图，并输出到地理信息平台进行可视化展示，由设计师选择和调整待设计街区的布局类型；

步骤S4：根据设计师选择的街区布局类型，随机匹配布局拓扑数据并置入设计边界中；拓扑节点进行随机位移和膨胀，形成预设数量的随机拓扑样本作为初始样本库；计算节点规模差异程度和网络密度，并比较与所选类型平均指标的偏离程度，选取偏离程度最低的前预设数量或比例的样本作为父代样本，通过进化算法对父代样本进行节点位移和缩放，形成新的子代样本；将子代样本增补进初始样本库中并迭代预设次数，选取最后一轮迭代时产生的父系样本作为最终的街区布局方案。

作为优选，案例街区数据为案例街区的卫星影像或无人机航拍影像，通过图像识别算法识别案例街区的绿地、广场和建筑群区域。

作为优选，所述布局拓扑数据，绿地、广场、建筑群分别为不同颜色的点状信息，所述点为面域的中心点。

作为优选，所述街区形状指数指标公式如下：

其中，L为街区外接矩形的最长边的长度，W为街区外接矩形最短边的长度；

所述节点规模差异程度指标公式如下：

其中，N为街区内要素的数量，x

所述网络密度指标公式如下：

其中，M为拓扑分析中邻接的点之间直线的数量

所述平均度指标公式如下：

其中，N

作为优选，所述待设计街区布局匹配，指计算案例街区和待设计街区的总体特征指标的相似性指标，选取相似性指标值最小的案例街区和待设计街区进行匹配，所述相似性指标计算公式如下：

S＝|A

其中，A

作为优选，所述步骤S3中分别对节点总面积大小、节点规模差异程度、网络密度三个指标街区拓扑图特征指标计算结果进行K-means聚类，在进行K-means聚类时，聚类数设置为2；根据聚类结果对三个指标进行等级设定：

(1)节点总面积大小：取节点总面积大小聚类结果中数值较小Aa和数值较大Ab，将节点总面积大小划定为小街区、中街区和大街区三个等级；定义街区x的节点总面积大小为Ax：当0＜Ax≤Aa时，将街区x划定为小街区；当Aa＜Ax＜Ab时，将街区x划定为中街区；当Ax≥Ab时，将街区x划定为大街区；

(2)节点规模差异程度：取节点规模差异程度聚类结果中数值较小Ba和数值较大Bb，将节点规模差异程度划定为低规模差异、中规模差异和高规模差异三个等级；定义街区x的节点规模差异程度大小为Bx：当Bx≤Ba时，将街区x划定为低规模差异；当Ba＜Bx＜Bb时，将街区定义为中规模差异；当Bx≥Bb时，将街区x划定为高规模差异；

(3)网络密度：取网络密度聚类结果中数值较小Ca和数值较大Cb，将网络密度划定为低网络联系、中网络联系和高网络联系三个等级；定义街区x的网络密度大小为Cx：当Cx≤Ca时，将街区x划定为低网络联系；当Ba＜Bx＜Bb时，将街区x定义为中网络联系；当Cx≥Cb时，将街区x划定为高网络联系；

根据等级划定结果，将三个指标等级同时满足“中街区、低规模差异、高网络联系”的街区划定为商务研发型街区；将三个指标等级同时满足“小街区、中规模差异、低网络联系”的街区划定为孵化服务型街区；将三个指标等级同时满足“大街区、高规模差异、中网络联系”的街区划定为工业智造型街区。

作为优选，所述步骤S3中，将获取的三类街区布局类型各自的节点总面积大小的指标平均值

作为优选，所述随机位移和膨胀时，获取拓扑节点的位置信息Geo(X

M1＝{T1，T2，…，T

式中，T

Geo_T

TWE

TNS

式中，所述Geo_T

作为优选，所述进化算法中父代样本选取方法具体为：计算初始样本库的第t个方案节点规模差异程度Bt和网络密度Ct，与所选布局类型的节点规模差异程度平均指标

对节点规模差异程度的偏离程度Ubt和网络密度的偏离程度Uct分别进行归一化操作，得到归一化结果D

D

式中，D

本发明还提供一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于进化模型的街区布局智能生成方法的步骤。

有益效果：与现有技术相比，本发明的有益效果如下：

1、本发明通过识别、提取和解析案例街区的布局结构特征，实现了对其的定量分析和可视化展示，提高了设计师学习真实案例反馈的准确性，减少了选择和学习案例街区阶段的工作量，提高了规划设计工作的效率。

2、本发明通过运用进化模型算法，基于案例街区的布局拓扑数据自动生成多个街区设计方案，供设计师进一步设计和优化，提高了城市设计工作的自动化和智能化水平，提升了在一定限制条件下城市设计方案的多样性。

3、本发明通过计算案例街区布局拓扑数据的特征指标，将街区布局分类形成不同布局类型，并将其与待设计街区进行匹配，使城市设计布局不再只依赖设计师的主观判断，改善了城市设计方案说服力不足的问题，实现了布局方案设计的精确化和智能化，提升了街区布局方案的可行性和可实施性

附图说明

图1是本发明实施例的方法流程图；

图2是本发明实施例中街区布局的分类和展示图；

图3是本发明实施例的街区布局智能生成过程和效果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，本发明实施例公开的一种基于进化模型的街区布局智能生成方法，包括如下步骤：

步骤S1：街区数据输入和布局识别；通过开放地图平台，获取待设计街区的边界数据和案例街区数据，通过图像识别算法，识别卫星图中案例街区的绿地、广场和建筑群区域，存储为布局面域数据库。

步骤S2：街区布局拓扑转换和特征指标计算；根据案例街区面域的临接关系，通过地理信息平台将布局面域数据转置为布局拓扑数据，拓扑数据包括点的位置信息、面积信息，点和点之间的连接关系信息。构建特征指标计算模型，进行布局拓扑数据的特征指标计算，包括节点总面积大小、街区形状指数、节点规模差异度、最大节点首位度、网络密度和平均度。根据总体特征指标，进行待设计街区布局匹配。

步骤S3：街区布局分类和设计师调整；通过统计分析软件对总面积大小、节点规模差异程度、网络密度、平均度中的三个或四个指标进行K-means聚类，形成不同的街区布局类型。将各类聚类结果的指标平均值作为拓扑数据生成街区布局的拓扑图，并输出到地理信息平台进行可视化展示，由设计师选择和调整待设计街区的布局类型。

步骤S4：基于进化模型的街区布局智能生成和输出；根据设计师选择的街区布局类型，随机匹配布局拓扑数据并置入设计边界中。拓扑节点进行随机位移和方形膨胀，形成预设数量的(如30个)随机拓扑样本作为初始样本库。通过函数判断模块计算节点规模差异程度和网络密度，并比较与该类型平均指标的偏离程度，选取偏离程度最低的前预设数量或比例的(如20％)样本作为父代样本，通过进化算法对父代样本进行节点位移和缩放，形成新的子代样本。将子代样本增补进初始样本库中并迭代预设次数(如1000次)，选取最后一轮迭代时产生的父系样本作为最终的街区布局方案。将多方案成果导入至UltraLAB计算机工作站，通过Streamline矢量化系统将成果输出为cad文件和su文件，供规划工作人员进一步设计和优化。

以下将以滁州高教科创城某街区城市设计为例对本发明的技术方案进行详细说明。

(1)以滁州高教科创新城某街区为待设计街区，通过滁州市规划管理部门获取待设计街区的边界数据，包含待设计街区的现状CAD/SHP文件、地块CAD/SHP文件，通过开放地图平台或无人机航拍获取案例街区的影像数据，并将影像数据输入图像识别算法，识别影像数据中案例街区的绿地、广场和建筑群区域；将识别结果输入地理信息系统软件，并存储为包含面域面积、面域边界数据、面域功能信息的布局面域数据库。

(2)将布局面域数据转置为布局拓扑数据，构建特征指标计算模型，计算布局拓扑数据的特征指标，并进行待设计街区布局匹配，具体包括：

(2.1)通过地理信息系统软件分析面域要素之间的临接关系，创建每个面域的中心点，并将面的属性连接到对应的点上，将布局面域数据转置为拓扑数据，拓扑数据包括点的位置信息、面积信息、功能信息、点和点之间的连接关系信息，其中绿地为RGB(0,255,0)的点状信息，广场为RGB值为RGB(255,255,0)的点状信息，建筑群为(255,165,0)的点状信息。

(2.2)计算拓扑数据的特征指标，包括节点总面积大小、街区形状指数、节点规模差异度、网络密度和平均度，所述街区形状指数指标公式如下：

其中L为街区外接矩形的最长边的长度，W为街区外接矩形最短边的长度。

所述节点规模差异度指标公式如下：

其中N为街区内要素的数量，可通过对街区内点要素总数进行汇总统计得到，x

所述网络密度指标公式如下：

其中N为街区内要素的数量，M为拓扑分析中邻接的点之间直线的数量，可通过对街区内线要素总数进行汇总统计得到。

所述平均度指标公式如下：

其中N

(2.3)计算待设计街区的街区形状指数指标，并计算案例街区和待设计街区的总体特征指标的相似性指标，选取相似性指标值最小的案例街区和待设计街区进行匹配，所述相似性指标计算公式如下：

S＝|A

其中A

(3)通过统计分析软件对滁州高教科创城街区总面积大小、节点规模差异程度、网络密度三个指标进行K-means聚类，形成3类的街区布局类型。将各类聚类结果的指标平均值作为拓扑数据生成街区布局的拓扑图，并输出到地理信息平台进行可视化展示，设计师选择和调整待设计街区的布局类型，具体包括：

(3.1)采用SPSS分析软件分别对获得的节点总面积大小、节点规模差异程度、网络密度三个指标街区拓扑图特征指标计算结果进行K-means聚类。在进行K-means聚类时，聚类数设置为2，最大迭代次数设置为10。根据聚类结果对三个指标进行等级设定。其中，节点总面积大小的计算方式为，取节点总面积大小聚类结果中数值较小Aa和数值较大Ab(满足Ab＞Aa)，将节点总面积大小划定为小街区、中街区和大街区三个等级。定义街区的节点总面积大小为Ax：当0＜Ax≤Aa时，将此街区划定为小街区；当Aa＜Ax＜Ab时，将此街区划定为中街区；当Ax≥Ab时，将此街区划定为大街区。其中，节点规模差异程度的计算方式为，取节点规模差异程度聚类结果中数值较小Ba和数值较大Bb(满足Bb＞Ba)，将节点规模差异程度划定为低规模差异、中规模差异和高规模差异三个等级。定义此街区的节点规模差异程度大小为Bx：当Bx≤Ba时，将此街区划定为低规模差异；当Ba＜Bx＜Bb时，将此街区定义为中规模差异；当Bx≥Bb时，将此街区划定为高规模差异。其中，网络密度的计算方式为，取网络密度聚类结果中数值较小Ca和数值较大Cb(满足Cb＞Ca)，将网络密度划定为低网络联系、中网络联系和高网络联系三个等级。定义此街区X的网络密度大小为Cx：当Cx≤Ca时，将此街区划定为低网络联系；当Ca＜Cx＜Cb时，将此街区定义为中网络联系；当Cx≥Cb时，将此街区划定为高网络联系。根据等级划定结果，将三个指标等级同时满足“中街区、低规模差异、高网络联系”的街区划定为商务研发型街区(A型)；将三个指标等级同时满足“小街区、中规模差异、低网络联系”的街区划定为孵化服务型街区(B型)；将三个指标等级同时满足“大街区、高规模差异、中网络联系”的街区划定为工业智造型街区(C型)，划定如表1所示。

表1街区类型划定依据

(3.2)计算获取的3类街区布局类型各自的节点总面积大小的指标平均值

表2各街区类型指标平均值

(3.3)将3类街区布局类型各自的节点总面积大小的指标平均值

(4)基于进化算法对滁州高教科创城街区布局进行智能生成和输出，具体包括：

(4.1)根据设计师选择的孵化服务型街区(B型)，随机匹配落在孵化服务型街区(B型)拓扑数据内的布局拓扑数据，并置入滁州高教科创城街区的设计边界中。

(4.2)基于布局拓扑数据获取拓扑节点的位置信息Geo(X

(4.3)通过函数判断模块计算节点规模差异程度和网络密度，并比较与该类型平均指标的偏离程度。通过导入搭建的特征指标计算模型，得到初始样本库的第t个方案节点规模差异程度Bt和网络密度Ct，并计算其与计算出的孵化服务型街区的节点规模差异程度平均指标

(4.4)选取偏离程度最低的前20％样本作为父代样本，通过进化算法对父代样本进行节点位移和缩放，形成新的30个子代样本。将子代样本增补进初始样本库中并迭代1000次，选取最后一轮迭代时产生的父系样本作为最终的6个街区布局方案。将多方案成果导入至UltraLAB计算机工作站，通过Streamline矢量化系统将成果输出为cad文件和su文件，供规划工作人员进一步设计和优化。

本发明实施例还公开了一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于进化模型的街区布局智能生成方法的步骤。