皮盼资讯网移动版

（1）局部灵敏度分析法：该方法也称为微分灵敏度分析法，属于一次一因素法的类别。其灵敏度测量通常是假定其他因素固定不变的前提下变化一个因素以计算该变量对待测试性能的影响度。局部灵敏度分析法具有明显的优势，其很容易被应用且可视化能力强。相比之下，该方法通常需要少量模拟就可以获得相应的敏感性设计变量。然而，此方法只能探索少量的输入建筑设计变量，而不能检测多种设计变量之间的相互作用。

（2）回归分析法：该方法是通过利用数据统计原理，对大量统计数据进行数学处理以确定因变量与某些自变量之间的相关关系，以建立相关性良好的回归方程（函数表达式），从而预测因变量之后变化的分析方法。因为该方法计算速度快，易于理解，且许多指标可以通过该方法进行灵敏性测量，然而该方法具有主观性强，准确度相对低的缺点。

（3）筛选分析方法：该方法通常是通过输入一些来自大量因素中的某些固定因素以降低计算输出的方差值。其中，莫里斯法是最常用的一种全局敏感性筛选分析方法，且该方法的每一步基线变化和最后的敏感度测量是通过在不同点上取平均值来计算的。这种方法具有计算成本低的优点，但其更倾向于通过排列输入因子来提供定性的度量，而不能量化不同因素对输出的影响。

（4）方差分析方法：该方法根据待测量变量数量又可分为单因素方差分析与多因素方差分析。其中，多因素方差分析可用来研究两个及两个以上控制变量是否对观测变量产生显著影响。多因素方差分析不仅能够分析多个控制变量对观测变量的独立影响，更能够分析多个控制变量的交互作用能否对观测变量产生显著影响，最终找到利于观测变量的最优组合。该方法适用于复杂的非线性和非加性模型并可量化每个模型的输入与输出，同时，它还可以考虑变量之间的交互作用，但是，该方法具有计算成本高的缺点。

现阶段，建筑性能优化过程涉及参数化建模、建筑性能模拟与建筑性能多目标优化等步骤，待优化设计参量种类多、建筑性能模拟耗时长且性能模拟依托平台单一的特点导致设计多采用方法一或者方法二进行设计参量敏感性分析[3,4]，这两种方法虽然能有效获得敏感性设计参量，但这类方法具有模拟耗时长，数据处理与多平台转换效率低且人工操作繁琐等缺点。

3 设计参量敏感性分析模块构建与验证

3.1 设计参量敏感性分析模块构建

鉴于敏感性设计方法存在的缺点，及既有参数化建筑设计、建筑性能模拟与多目标优化技术，本文在Rhinoceros软件的Grasshopper平台中，基于Python编程将渐进梯度提升回归树算法（Gradient Boosting Regression Tree，GBRT）置入GH_Cpython插件中，构建了设计参量敏感性分析模块，该模块可通过输入建筑性能模拟采样数据库完成对建筑设计参量的敏感性分析，并以设计参量敏感性由强到弱进行排序并呈现在Python Figure的可视化界面中，以便设计者对敏感性设计参量的选择。

至于该模块的核心算法——渐进梯度提升回归树算法，其与决策树相似，是一种树形结构的预测模型，树的分叉表示对象属性与对象值之间的映射关系。树中的每个节点表示待预测对象的某个属性，连接属性的分支表示某一属性的可能值，通过从根节点——中间节点——叶节点的决策路径实现对某个问题的决策。然而，单一决策树在连续性字段较难预测，且当对象自身属性值较多时容易产生错误。于是，Friedman在1999年提出一种Gradient Boosting 算法，其可通过在残差减少的梯度上建立一个新的决策模型，通过不断迭代产生新的决策树组合，以推动损失函数计算值不断优化并向梯度减小方向发展，以此为基础产生了GBRT算法，该算法可通过对Gradient Boosting算法的改进实现对每个决策树计算结果的权重值处理，对于错的答案增加其权重以便加强对这部分决策树的训练，而对于正确结果权重值则予以保留，使得整体模型不断向梯度减小的方向发展，通过不断迭代产生回归树模型并加以组合，可实现将所有回归树预测结果进行累加并作为最终的输出结果。

如图2所示为构建的设计参量敏感性分析模块，设计者可通过输入能够反映设计参量与建筑性能之间关系的建筑性能遗传采样数据库，并设置设计参量敏感性分析模块运行参数。其中，GBRT迭代次数为3000，学习率为0.01，比率为0.8，之后即可开启分析模块，模块运行结果将呈现在一张可视化界面中以便设计者进行敏感性设计参量的选择。

3.2 模块使用效果验证