Оптимизация размещения зданий на участках сложной формы методами искусственного интеллекта

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.

1. Шумов В.Н. Трансформация строительных технологий под влиянием ИИ // Символ науки: международный научный журнал. 2024. Т. 1. № 12–2. С. 87–98. EDN STOEYQ.

2. Лептюхова О.Ю. Оптимизация межевания жилых элементов планировочной структуры (расчетно-графический этап) // Биосферная совместимость: человек, регион, технологии. 2024. № 3 (47). С. 13–21. DOI: 10.22227/2311-1518.2024.3.13-21. EDN GTGTCD.

3. Манин П.А., Епифанцева Л.Р. Роботизированное проектирование в строительстве // Промышленное и гражданское строительство. 2025. № 4. С. 68–72. DOI: 10.33622/0869-7019.2025.04.68-72. EDN GCKMFS.

4. Киевский И.Л., Семенов С.А., Крутяков А.Ю., Гришутин И.Б., Максимов С.О., Каргашин М.Е. и др. Искусственный интеллект в градостроительной деятельности: современные методы и их перспективы // Промышленное и гражданское строительство. 2025. № 8. С. 77–82. DOI: 10.33622/0869-7019.2025.08.77-82. EDN GPNWYL.

5. Mirza M., Osindero S. Conditional Generative Adversarial Nets // arXiv. 2014. DOI: 10.48550/arXiv.1411.1784

6. Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S. et al. Generative Adversarial Nets // Advances in Neural Information Processing Systems. 2014. Vol. 27.

7. Kingma D.P., Welling M. Auto-Encoding Variational Bayes // arXiv. 2013. DOI: 10.48550/arXiv.1312.6114

8. Ho J., Jain A., Abbeel P. Denoising Diffusion Probabilistic Models // arXiv. 2020. DOI: 10.48550/arXiv.2006.11239

9. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N. et al. Attention Is All You Need // arXiv. 2017.

10. Адонина А.В., Денисова М.Н. Архитектурно-градостроительная деятельность и искусственный интеллект // Innovative Project. 2024. Т. 9. № 15. С. 78–82. DOI: 10.17673/IP.2024.9.15.10. EDN SROKHY.

11. Zhong C., Shi Y., Cheung L.H., Wang L. AI-Enhanced Performative Building Design Optimization and Exploration // CAADRIA Proceedings. 2024. Vol. 1. Pp. 59–68. DOI: 10.52842/conf.caadria.2024.1.059

12. Rahbar M., Mahdavinejad M., Markazi A.H.D., Bemanian M. Architectural Layout Design through Deep Learning and Agent-Based Modeling: A Hybrid Approach // Journal of Building Engineering. 2022. Vol. 47. P. 103822. DOI: 10.1016/j.jobe.2021.103822. EDN VIVSDE.

13. Deb K., Jain H. An Evolutionary Many-Objective Optimization Algorithm Using Reference-Point-Based Nondominated Sorting Approach, Part I: Solving Problems With Box Constraints // IEEE Transactions on Evolutionary Computation. 2014. Vol. 18. Issue 4. Pp. 577–601. DOI: 10.1109/tevc.2013.2281535

14. Todinov M. Reliability and Risk Models: Setting Reliability Requirements. 2nd ed. Wiley, 2015. 406 p. DOI: 10.1002/9781118873199

15. Rhee J., Veloso P. A Physics-Based Constraint Solver for the Site Layout Optimization of Non-convex Buildings with Multiple Requirements // Communications in Computer and Information Science. 2023. Pp. 594–606. DOI: 10.1007/978-3-031-37189-9_39

16. Knecht K., König R. Generating Floor Plan Layouts with K-d Trees and Evolutionary Algorithms // GA2010 — 13th Generative Art Conference. 2010. Pp. 238–253.

17. Klar M., Langlotz P., Aurich J.C. A Framework for Automated Multiobjective Factory Layout Planning Using Reinforcement Learning // Procedia CIRP. 2022. Vol. 112. Pp. 555–560. DOI: 10.1016/j.procir.2022.09.099. EDN CNDQKA.

18. Гуреев М.В., Макаров А.Н. Модель прогнозирования материальных ресурсов и сметной стоимости на ранних этапах жизненного цикла объектов строительства // Вестник МГСУ. 2024. Т. 19. № 11. С. 1835–1849. DOI: 10.22227/1997-0935.2024.11.1835-1849. EDN ZCNAQS.

19. Lathong K., Wisaeng K. An innovative hybrid machine learning techniques for predicting construction cost estimates // International Journal for Computational Civil and Structural Engineering. 2024. Vol. 20. Issue 3. Pp. 69–83. DOI: 10.22337/2587-9618-2024-20-3-69-83. EDN KIPHPW.

20. Nindartin A., Park S.Ju., Lee K.T., Kim Ju.H., Rostiyanti S.F. Prediction of cost contingency in construction projects by introducing machine learning algorithms // Journal of Civil Engineering and Management. 2025. Vol. 31. Issue 8. Pp. 860–880. DOI: 10.3846/jcem.2025.24913. EDN OTWXUA.