Михаил Владимирович Гуреев — аспирант кафедры технологий и организации строительного производства
129337, г. Москва, Ярославское шоссе, д. 26
Mikhail V. Gureev — postgraduate student of the Department of Technology and Organization of Construction Production
26 Yaroslavskoe shosse, Moscow, 129337
Вадим Игоревич Волощук — магистрант, кафедра вычислительной техники, Институт компьютерных технологий и информационной безопасности
344006, г. Ростов-на-Дону, ул. Большая Садовая, д. 105/42
Vadim I. Voloshchuk — master’s student, Department of Computer Engineering, Institute of Computer Technologies and Information Security
105/42 Bolshaya Sadovaya st., Rostov-on-Don, 344006
Введение. Рассматривается задача оптимизации размещения зданий на земельных участках сложной формы на ранних стадиях проектирования, когда исходные данные ограничены, а требования задаются системой геометрических ограничений и целевых показателей качества. Актуальность обусловлена высокой трудоемкостью ручной проработки вариантов и необходимостью объективного сравнения компоновочных решений при нерегулярной геометрии границ участка. Научная новизна состоит в формализации постановки задачи и сравнительном исследовании эвристических и интеллектуальных методов в едином вычислительном протоколе.
Материалы и методы. Экспериментальная база включает 79 объектов и сравнение 18 методов ИИ генерации и селекции планировочных решений. Для отбора вариантов применены регрессионные модели, обученные и проверенные с группировкой по объектам. Участки сложной формы моделировались синтетическими конфигурациями. Оценка решений выполнялась по интегральной целевой функции и системе штрафов за нарушения ограничений.
Результаты. Выделены модели ИИ, оптимальные для ранжирования вариантов при фиксированном вычислительном бюджете, которые обеспечивают устойчивое упорядочивание решений; для Random Forest достигнуты значения R² порядка 0,995–0,999. Выявлен практический компромисс между оптимальностью и допустимостью: доля допустимых решений существенно зависит от метода и режима селекции (в отдельных сценариях — около 39 против 99 %).
Выводы. Найдены оптимальные модели ИИ, предоставляющие возможность реализовывать генерацию вариантов планировочных решений для формирования массинг-моделей, расчет показателей качества и допустимости, а также сопоставление методов по единым правилам оценивания, позволяющее решать задачи управления показателями инвестиционно-строительного проекта на ранних этапах жизненного цикла объекта.
Introduction. This paper addresses the problem of optimizing building placement on land plots of complex shape at the early stages of design, when initial data are limited and the requirements are specified as a system of geometric constraints and quality targets. The relevance of the study stems from the high labor intensity of manually preparing layout alternatives and the need for an objective comparison of layout solutions for plots with irregular boundary geometry. The scientific novelty of the study lies in the formalization of the problem statement and the comparative study of heuristic and intelligent methods within a single computational protocol.
Materials and methods. The experimental dataset includes 79 objects and covers the comparison of 18 AI methods for generating and selecting planning solutions. Regression models were used to select alternatives; these models were trained and verified by grouping the objects. Complex-shaped areas were modeled using synthetic configurations. The solutions were evaluated using a composite objective function and a system of penalties for constraint violations.
Results. The results identify AI models that are optimal for ranking alternatives under a fixed computational budget and provide a stable ordering of solutions. For Random Forest, the achieved R² values are in the range of 0.995–0.999. A practical compromise between optimality and admissibility was identified, with the proportion of admissible solutions being significantly affected by the selection method and mode, ranging from approximately 39 to 99 % in certain scenarios.
Conclusions. The study identified optimal AI models that enable the generation of planning solutions, the calculation of quality and admissibility indicators, and the comparison of methods using unified evaluation rules. This supports the early-stage assessment and management of investment and construction project indicators.
The authors declare that there are no conflicts of interest present.