基于集群智能行為模擬與空間句法分析的城市公園優(yōu)化設(shè)計研究

馬 婕

成玉寧*

作為城市公共空間的重要組成部分，城市公園在提升城市生態(tài)效益的同時，為居民提供了相對集中的游憩活動空間，可有效緩解居民的精神壓力，對公眾的身心健康大有裨益。然而隨著中國城市化水平的不斷提高、城市人口密度逐漸增加，公園綠地資源卻日漸緊缺。因此，在高密度城市環(huán)境中，集約化利用有限的資源、為居民提供高品質(zhì)活動空間成為當前風景園林規(guī)劃設(shè)計所關(guān)注的問題。

合理的公園設(shè)計有助于引導居民休憩、交流、康體等活動的開展，促進使用者積極參與空間體驗，因而使用者的行為模式與活動參與情況始終是風景園林設(shè)計過程中需要思考的重要內(nèi)容，也是后期實際使用過程中檢驗設(shè)計合理與否及綠地資源與景觀配置是否得到高效利用的因素之一。當規(guī)劃設(shè)計意圖與使用行為二者取得較好耦合關(guān)系時，說明使用者能夠?qū)龅丶霸O(shè)置其中的要素進行積極有效的利用；反之，則可能帶來場地利用效率低、景觀資源消極利用等問題。為了有效避免景觀資源閑置，改變傳統(tǒng)設(shè)計模式中被動應對環(huán)境行為，轉(zhuǎn)向積極主動地引導與干預行為，可以借助數(shù)字技術(shù)，在風景園林規(guī)劃設(shè)計方案階段進行行為預測模擬與分析，從而做出具有預見性與前瞻性的形態(tài)優(yōu)化設(shè)計[1]。

1 行為模擬相關(guān)研究

使用者行為規(guī)律與景觀環(huán)境特征的關(guān)聯(lián)性一直是設(shè)計實踐與學術(shù)研究領(lǐng)域關(guān)注的熱點。但由于個體行為活動具有自主性、不確定性等特征，給行為規(guī)律的分析研究帶來一定難度。尤其是隨著設(shè)計場地尺度的擴大，景觀系統(tǒng)的復雜性不斷增加，對復雜環(huán)境下大量個體行為規(guī)律的模擬更具挑戰(zhàn)性。

圖1 個體行為活動軌跡模擬示意

圖2 優(yōu)化思路

環(huán)境行為學作為研究外部環(huán)境與使用者行為活動的基礎(chǔ)學科，深入探討了環(huán)境對使用者空間認知與行為規(guī)律的影響。在該理論框架下，學者分別對景觀環(huán)境的空間構(gòu)型、視覺感知、色彩、休憩設(shè)施等設(shè)計要素進行定性與定量分析[2-4]，并以調(diào)研的方式對使用者行為規(guī)律進行總結(jié)；還有研究從空間舒適度、微氣候視角探討人群行為活動[5]。從過往研究中不難發(fā)現(xiàn)，在研究對象和尺度的選擇上，往往針對小尺度局部節(jié)點空間分析使用者行為模式，極少從全局層面探討大尺度景觀環(huán)境對行為活動的引導機制。

針對宏觀視角下環(huán)境與行為活動關(guān)系的研究，雷金納德·戈列奇(Reginald Golledge)等從城市地理學、社會學及城市規(guī)劃學等多學科視角闡述了不同時期、不同范圍的人群決策與選擇行為，為探討大尺度空間人群活動特征奠定基礎(chǔ)[6]。其中，重力模型、離散選擇模型等在景觀行為預測方面得到了一定應用。與此同時，空間句法理論從形態(tài)結(jié)構(gòu)視角分析人群活動[7]，將人群行為活動與網(wǎng)絡(luò)整合度等進行關(guān)聯(lián)研究，實現(xiàn)對行為活動的預判[8]。但以上2種研究范式僅從宏觀層面大致描述了人群行為活動，卻無法體現(xiàn)個體對環(huán)境感知、個體行為差異及行為軌跡等內(nèi)容。

近來隨著數(shù)字技術(shù)的發(fā)展，元胞自動機、多智能體等相關(guān)算法的引入為模擬微觀視角下個體行為差異和行為決策提供了技術(shù)支持。相比傳統(tǒng)預測模型的靜態(tài)分析，通過算法迭代可實現(xiàn)對個體行為隨時間不斷演化過程的動態(tài)模擬，進而總結(jié)出相應的行為規(guī)律。目前，已有研究基于多智能體行為模擬技術(shù)在建筑內(nèi)部路徑選擇[9]、緊急疏散[10]及大型展會管理[11]中進行探索。此類研究大多需要提前設(shè)定目的地，針對強目的型行為展開模擬。

城市公園中使用者行為可分為強目的型、弱目的型與無目的型行為3類。其中，強目的型行為指具有相對固定時間和場地的行為活動，如跳舞、下棋等，從入園到目的地，個體常選擇相對較短的路徑，指向性較強。而弱目的型與無目的型行為可看作不受時空限制的漫游行為，指向性較弱，行為發(fā)生更依賴于個體對公園組織結(jié)構(gòu)的認知。因此，將行為模擬與公園空間組織形態(tài)做關(guān)聯(lián)分析，可以探討行為活動規(guī)律及其形成原因，發(fā)現(xiàn)因空間組織不夠合理而造成被使用者“遺忘”的某些區(qū)域，進而為公園空間組織優(yōu)化設(shè)計提供依據(jù)。

故本文引入集群智能概念，擬從微觀視角模擬行為個體對公園空間的認知過程，及其隨模擬時間推移而逐漸形成相對固定的行為活動軌跡，找出與設(shè)計意圖不符之處。并進一步對公園空間組織形態(tài)進行空間句法分析，將整體形態(tài)分析與微觀行為模擬相結(jié)合，探討景觀空間組織形態(tài)與個體行為之間的對應關(guān)系。最后對公園形態(tài)做出相應優(yōu)化調(diào)整，并再次結(jié)合微觀行為模擬進行驗證，重啟使用過程中被“遺忘”的區(qū)域。以此在方案階段了解使用行為與規(guī)劃設(shè)計意圖是否吻合，及時優(yōu)化方案，從而降低景觀資源閑置的可能性，提高公園利用效率。

2 自下而上——集群智能與行為模擬

2.1 集群智能概念

集群智能(Swarm Intelligence)指大量智能體通過相互協(xié)作而實現(xiàn)的相對復雜的智能行為[12]。作為多智能體研究的重要分支，集群智能源于生物學家對自然界群體生物系統(tǒng)和行為規(guī)律的探索分析，如蟻群、蜂群、鳥群等。智能體模型被認為是目前模擬仿真領(lǐng)域之中最接近人類行為方式的模型，通過觀察發(fā)現(xiàn)，大量個體經(jīng)過一段時間的空間探索和行為互動后能形成對外界環(huán)境的整體認知，逐漸產(chǎn)生具有明顯規(guī)律特征的行為軌跡?？死赘瘛だ字Z茲(Graig Reynolds)認為城市是動態(tài)的適應系統(tǒng)，且貫穿著“集群智慧”，秩序出現(xiàn)與大量個體密切相關(guān)。設(shè)計者采用算法系統(tǒng)模擬復雜現(xiàn)象，使行為活動因素和空間形態(tài)產(chǎn)生互動，這對空間優(yōu)化具有較大的潛力[13]。

集群智能又可視作自學習過程，經(jīng)歷個體對空間環(huán)境的感知、個體行為記憶及與周圍個體的交流互動等做出決策。隨時間推移，個體經(jīng)驗不斷積累，促使其對整體空間環(huán)境的認知更深刻，從而形成相對固定的行為模式與運動軌跡，這與人的漫游行為有明顯相似之處。

2.2 微觀個體行為特征

面對陌生的城市公園綠地時，個體很難迅速形成對空間環(huán)境的整體認知。在最初一段時間內(nèi)，個體基于外部環(huán)境的引導展開空間探索，行為往往具有一定隨機性特征。隨著探索經(jīng)驗的累積，個體對外界環(huán)境的認知也逐步加深，能夠?qū)ν獠凯h(huán)境進行整體把握，漸漸形成具有一定行為規(guī)律的活動軌跡。然而，隨著公園尺度不斷擴大，個體對環(huán)境的探索與認知難度也持續(xù)上升。此時，個體行為發(fā)生的另一個重要因素將對環(huán)境認知起關(guān)鍵作用，即學習行為。

在群體中，個體行為易受到周圍其他個體行為的影響，具有較為突出的從眾性。尤其當面對陌生環(huán)境時，個體往往會以觀察和學習群體行為的方式做出行為決策。在此機制下，歷經(jīng)一段時間，處于同一環(huán)境中的大量個體充分互動，形成對外部環(huán)境從陌生到熟悉，再到達成某種共識的認知過程，從而形成具有一定規(guī)律性的群體行為軌跡。又因這種具有規(guī)律性的行為軌跡能夠揭示出使用人群在公園中的整體使用狀態(tài)，所以通過對群體行為軌跡的記錄與演示能直觀展現(xiàn)公園中潛在的行為方式，為進一步完善方案提供依據(jù)。

圖3 原方案設(shè)計形態(tài)

2.3 集群智能算法——微粒群算法

運用集群智能模擬微觀個體行為活動軌跡離不開計算機算法的支持，目前該領(lǐng)域具有代表性的算法包括蟻群算法、微粒群算法與人工蜂群算法。其中，微粒群算法因收斂速度快，具有較好的尋優(yōu)特性，所以應用與發(fā)展較快[14]，這也是本研究所采用的算法。微粒群算法源于對鳥類捕食行為的模擬[15]，每個粒子通過儲存和記錄自身行為軌跡，積累空間經(jīng)驗。在此基礎(chǔ)上，經(jīng)自身經(jīng)驗與其他同伴經(jīng)驗的互動交流，使其具有進一步探索與認知空間環(huán)境的動能。在此過程中，每個粒子都具備自主能動性，經(jīng)過一段時間的模擬形成相對穩(wěn)定的群體行動規(guī)律。本研究基于該算法，通過Grasshopper架構(gòu)相關(guān)程序，以實現(xiàn)景觀方案階段行為模擬研究，將每個行為人視作一個粒子，設(shè)置相應的粒子參數(shù)以模擬和記錄人在環(huán)境中的活動軌跡，直至形成一定行為規(guī)律(圖1)。

3 自上而下——空間句法理論與行為規(guī)律

3.1 空間句法與行為分析

空間句法作為測量空間組織特征的重要理論和量化方法，在公園路徑組織形態(tài)與行為研究中應用廣泛。研究表明，基于空間句法理論及其分析方法，可從空間組織層面探討使用者行為與公園之間的對應關(guān)系。如個體行為活動與道路系統(tǒng)的拓撲形態(tài)之間存在密切關(guān)聯(lián)，通過分析整合度、連接度等指標數(shù)據(jù)，能夠探討與某些固定行為活動相適宜的空間組織特征。

比爾·希利爾(Bill Hillier)等在實證研究中發(fā)現(xiàn)，在出行過程中游人雖試圖選擇最短路徑，但事實上他們對路徑長度的認知大多基于幾何、拓撲視角。相對于路徑長度，游人對路徑轉(zhuǎn)折更加敏感，即在路徑選擇過程中，游人偏向選擇路徑稍遠但方向變化幅度較小的路徑，而較少會選擇路徑長度較短但方向變換幅度較大且頻次較多的路徑?？臻g句法理論將該現(xiàn)象解釋為結(jié)構(gòu)層面的拓撲深度問題——隨著道路轉(zhuǎn)折幅度和頻次的增加，行人視線可達性不斷降低，路徑拓撲深度卻不斷加深，降低了行人的選擇意愿。

同時，該現(xiàn)象也揭示出游人在路徑選擇與決策時往往具有一定的慣性特征。當面對道路交叉口進行路徑選擇時，游人往往更傾向于保持原有路徑方向，或選擇相對平緩的路徑方向。而對于具有轉(zhuǎn)折的路徑方向，游人則表現(xiàn)出一定的排斥心理，且轉(zhuǎn)折幅度越大，排斥程度越高。因此，設(shè)計人員可從拓撲深度和行為慣性角度出發(fā)，對道路形態(tài)進行具有針對性的修正。為了將大量人流引入某活動節(jié)點區(qū)域，可以采取控制通向該節(jié)點的路徑轉(zhuǎn)角幅度，減少該區(qū)域拓撲深度的方法實現(xiàn)；而在營造相對安靜的節(jié)點空間時，適度增加通向該區(qū)域路徑的轉(zhuǎn)角幅度和頻次，增加其拓撲深度，從而降低人流量。

3.2 集群智能與空間句法分析的互補性

集群智能側(cè)重于從微觀層面揭示個體對外界環(huán)境的感知過程，以及大量行為個體在外界環(huán)境中的運動規(guī)律，體現(xiàn)出一種自下而上的預測和研究視角。然而，模擬結(jié)果是一種宏觀表象，卻無法闡釋原因?？臻g句法理論則恰恰相反，更關(guān)注宏觀層面的定量分析，能夠從自上而下的視角解釋景觀組織結(jié)構(gòu)與個體行為發(fā)生之間的關(guān)聯(lián)性，但又無法描述微觀行為所涌現(xiàn)出的宏觀規(guī)律。因此，為了進一步解釋集群行為模擬結(jié)果并實現(xiàn)方案優(yōu)化，可以借助空間句法理論及其分析方法對行為模擬結(jié)果做出進一步分析說明。

3.3 優(yōu)化思路與方法

在場地中設(shè)定權(quán)重等級不同的景觀節(jié)點后，設(shè)計者通過路徑的設(shè)置將節(jié)點空間組織聯(lián)系，進而形成一個完整的景觀系統(tǒng)。合理的路徑結(jié)構(gòu)能夠更好地組織人流分布，并將人流引入不同權(quán)重等級的節(jié)點中。在公園規(guī)劃設(shè)計中常常遵循的邏輯是可達性較高、權(quán)重較高或期望有高參與度的節(jié)點需要引入更多人流；而權(quán)

圖4 原方案行為模擬動態(tài)過程

4 案例研究

4.1 案例概況

基地位于南京南部新城紅花機場東側(cè)，沿外秦淮河右岸，由順天大道至苜蓿園大街，雙麒路與寧杭高速圍合而成，占地約41hm2，建成后將成為服務(wù)于新城居民的重要城市公園綠地。場地腹地開闊，是一個相對獨立的空間單元。因受場地外界環(huán)境的限制，出入口位置只能設(shè)置在場地西邊順天大道一側(cè)，致使整個場地空間進深相對較大，從而給人流引導與場地的高效利用帶來一定難度。在設(shè)計過程中要解決的核心問題是如何在相對封閉的大尺度場地中集約利用景觀資源、重較低或較為靜謐的節(jié)點，則對應相對較少的人流，從而在營造多樣化景觀空間的同時，通過合理的人流分配提高景觀利用的集約化水平，降低景觀設(shè)施閑置的概率。

采用微觀視角的集群智能行為模擬，可以明晰設(shè)計方案中人流動態(tài)分布情況。在模擬過程中，設(shè)計者通過觀察人流分布是否達到預期設(shè)想對方案優(yōu)化做出初步判斷。針對不符合設(shè)計意圖或參與度過低甚至無行為發(fā)生的節(jié)點空間，所采取的優(yōu)化基本原則是盡量降低修改調(diào)整的幅度，在保持原有設(shè)計形態(tài)和形式美感的前提下，對局部路徑進行相應調(diào)整。具體如下(圖2)：

1)根據(jù)集群智能模擬結(jié)果觀察人流分布狀態(tài)，找出不符合設(shè)計預期和參與度較低的場地區(qū)域，即待優(yōu)化區(qū)域；

2)觀察待優(yōu)化區(qū)域在場地中的空間位置關(guān)系，選取與其鄰近的人流相對密集區(qū)域作為擬引導人流區(qū)域；

3)分析擬引導人流區(qū)域與待優(yōu)化區(qū)域間的路徑連接方式，采用空間句法計算二者之間的拓撲深度；

4)改善區(qū)域間的路徑連接形態(tài)，降低人流從密集區(qū)到稀疏區(qū)的拓撲深度，增加行人選擇通往待優(yōu)化區(qū)域的可能性，繼而提升待優(yōu)化區(qū)域的人流密度；

5)對調(diào)整后方案進行再次模擬，對比調(diào)整前后方案，驗證優(yōu)化結(jié)果。合理有效組織空間，滿足不同人群的行為需求。

針對該場地特征，原方案(圖3)主要通過2條主環(huán)路進行架構(gòu)，并在其間串聯(lián)排布了17個權(quán)重不同的景觀節(jié)點。為了高效利用場地、融入豐富的活動內(nèi)容，原方案在場地東側(cè)和南側(cè)，即距離主入口較遠的區(qū)域設(shè)置了相對密集且權(quán)重較高的景觀節(jié)點，并在此基礎(chǔ)上進一步完善主環(huán)路與各節(jié)點之間的路徑體系，試圖對人流進行有效引導，從而營造高效、集約又不失人性化的城市公園。在進行模擬與分析前，需完成的基礎(chǔ)工作包括：1)提取道路、節(jié)點等可供游人活動的場地；2)根據(jù)設(shè)計意圖為節(jié)點權(quán)重賦值；3)繪制空間軸線圖，用于空間句法計算；4)構(gòu)建集群智能模擬模型。

4.2 參數(shù)設(shè)置

微粒群算法中需要設(shè)置與調(diào)控的參數(shù)主要包括粒子發(fā)生器、運行環(huán)境、粒子速度、防碰撞參數(shù)、吸引點等。其中，粒子發(fā)生器即公園出入口，根據(jù)入口等級設(shè)置人群進入速度；運行環(huán)境代表供人群活動的場地；粒子速度為人群在公園中的行走速度，此次模擬將游憩速度設(shè)定為0.6m/s；設(shè)置防碰撞參數(shù)，為避免人群活動過程中發(fā)生碰撞而做出有效避讓；吸引點則代表景觀節(jié)點，需對每個節(jié)點權(quán)重進行賦值。

圖5 待優(yōu)化區(qū)域(A區(qū)、B區(qū))

圖6 擬引導人流區(qū)域

圖7 優(yōu)化區(qū)域及拓撲深度計算

圖8 優(yōu)化方案行為模擬結(jié)果

4.3 模擬結(jié)果

集群智能模擬了大量個體行為從無序到有序的過程，經(jīng)過一段時間才能形成相對穩(wěn)定的行為規(guī)律，體現(xiàn)出個體對環(huán)境的認知發(fā)展過程。本研究分別記錄了模擬過程的6個階段，依次為初始狀態(tài)、模擬15min后狀態(tài)、30min狀態(tài)、1h、4h及8h后狀態(tài)(圖4)。在模擬系統(tǒng)中，綠色部分代表方案中提供的活動空間，包括道路、廣場等硬質(zhì)場地；藍色線條則記錄了個體行為活動軌跡。通過動態(tài)模擬過程可發(fā)現(xiàn)，起初智能體的活動范圍相對較大，呈現(xiàn)出行為個體在最初階段對空間環(huán)境的摸索和認知狀態(tài)。隨著模擬時間的推移，個體對環(huán)境認知隨之加深，活動范圍逐漸集中，形成了相對穩(wěn)定的活動軌跡。

模擬結(jié)果顯示場地中人流分布總體較理想，絕大部分景觀節(jié)點均有相對穩(wěn)定的行為軌跡記錄，行為發(fā)生情況基本符合設(shè)計預期。但也存在局部空間缺乏行為活動參與的現(xiàn)象，場地中A、B 2個區(qū)域設(shè)置有較高權(quán)重的景觀節(jié)點，卻少有行為發(fā)生，成為整個場地的閑置區(qū)域；相反一些權(quán)重較低的節(jié)點區(qū)域參與熱度卻較高。由此說明原方案中道路系統(tǒng)存在一定不足，需要進行局部優(yōu)化調(diào)整以改善當前的人流分布狀態(tài)，增加A、B區(qū)參與度的同時疏散節(jié)點權(quán)重較低區(qū)域的人流(圖5)。

4.4 方案優(yōu)化調(diào)整

根據(jù)上文所述優(yōu)化策略，首先分析待優(yōu)化區(qū)域的空間區(qū)位及周邊環(huán)境人流分布情況，選取鄰近的人流密集區(qū)作為擬引導人流區(qū)域。其次，調(diào)整擬引導人流區(qū)域和待優(yōu)化區(qū)域之間的道路形態(tài)，實現(xiàn)對人流運動的有效引導。根據(jù)A、B區(qū)的空間區(qū)位和周邊情況，分別選取相應的擬引導人流區(qū)域(圖6)。

對于A區(qū)而言，雖然該區(qū)域到主入口直線距離很近，且設(shè)置了較高權(quán)重的景觀節(jié)點，但人流從主入口進入后，并未較好地被引入該區(qū)域，致使大量人流順應道路向南運動。與此同時，從主入口到A區(qū)，人流需要經(jīng)過多次轉(zhuǎn)折和繞行后才能到達，隨著轉(zhuǎn)折次數(shù)的增加，拓撲深度也不斷加深，造成從主入口到A區(qū)雖直線距離很近，但可達性相對較弱的局面。因此，針對A區(qū)的優(yōu)化調(diào)整步驟為：首先，根據(jù)人流方向修改入口區(qū)域的路徑形態(tài)，對主入口進入的人流進行有效疏解和引導；其次，簡化主入口和A區(qū)之間的連接方式，降低拓撲深度，從而增加A區(qū)人流密度，如圖7所示，A區(qū)拓撲深度從7降到3。

B區(qū)距離主入口相對較遠，可從環(huán)形主路上將一部分人流引導至該區(qū)域。首先，以局部修正的方式，在主入口和該區(qū)域之間構(gòu)建更為便捷的連接路徑；其次，減小主環(huán)路與該區(qū)連接路徑的轉(zhuǎn)角幅度，降低從主環(huán)路進入該區(qū)域的拓撲深度，增加游人選擇該路徑的概率，如圖7中B區(qū)拓撲深度從5降到3。

基于以上優(yōu)化策略，進一步對道路線型和局部細節(jié)做調(diào)整，使修改后路徑形態(tài)與原始方案總體形態(tài)相協(xié)調(diào)。最終得到總體優(yōu)化方案，并再次使用集群智能模擬驗證修改方案的使用情況。為了提高模擬的精確性和穩(wěn)定性，同樣以8h模擬圖(圖8)與原方案模擬結(jié)果進行比對，發(fā)現(xiàn)修改后方案較原始方案的人流分布與使用情況更理想，與設(shè)計意圖更為吻合。不僅增加了A、B區(qū)的參與度，而且使人流在整個場地中的分布更加流暢，提升了整個場地的空間使用效率。

5 結(jié)語

與傳統(tǒng)設(shè)計方法更多依賴設(shè)計者主觀經(jīng)驗判斷不同，數(shù)字景觀技術(shù)通過對設(shè)計要素的數(shù)字化轉(zhuǎn)譯、模擬和預測場地中即將發(fā)生的行為，可有效輔助設(shè)計人員進行公園人性化設(shè)計。本文通過集群智能算法模擬群體行為活動軌跡，反饋設(shè)計方案中存在的問題，并結(jié)合空間句法分析，進一步從方案整體形態(tài)視角解讀模擬結(jié)果，為方案優(yōu)化提供依據(jù)。而后經(jīng)過方案調(diào)整、再次模擬，逐步獲取理想的優(yōu)化方案，有助于設(shè)計人員更為高效地探索方案設(shè)計最優(yōu)解，提高設(shè)計方案的合理性。

基于本文研究，未來還可從以下方面做進一步探索：首先，在集群智能行為模擬中對個體加入更多限定條件，使模型中的行為個體更貼近使用者實際行為狀態(tài)；其次，除了將模擬結(jié)果與空間句法分析相結(jié)合外，還可嘗試更多元化、系統(tǒng)化的分析解讀，為設(shè)計優(yōu)化提供更具針對性的建議措施，提升方案優(yōu)化效率；最后，探討在城市防災期間(如防疫)，城市公園綠地轉(zhuǎn)換為臨時避難或救治場地，兼顧日常居民游憩和特殊時期防災功能進行行為模擬。

注：文中圖片均由作者繪制。