啟發(fā)式算法應(yīng)用于照明設(shè)計優(yōu)化

王愛英，陳 鵬，吳雨婷，王立雄，于 娟

(天津大學(xué) 天津市建筑物理環(huán)境與生態(tài)技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津 300072)

引言

照明設(shè)計優(yōu)化涉及光源和燈具優(yōu)化[1]、節(jié)能優(yōu)化[2]、視覺舒適度要求的照明質(zhì)量優(yōu)化[3]、以及健康照明與智能照明大趨勢下的光譜與控制優(yōu)化[4, 5]等多個范疇，各優(yōu)化之間關(guān)聯(lián)，需要統(tǒng)籌優(yōu)化。傳統(tǒng)的照明設(shè)計優(yōu)化是在DIALux等模擬平臺上反復(fù)比選模擬方案，缺點(diǎn)是費(fèi)時費(fèi)力。研究者已經(jīng)提出了用層次分析法[6]實(shí)現(xiàn)綜合評估、用最優(yōu)化方法[7]提高比選速度等方法，致力于擴(kuò)展優(yōu)化范圍、提高優(yōu)化效率。

Costa等[8]提出，建筑光環(huán)境優(yōu)化屬于難以確定函數(shù)表達(dá)式的“黑盒”問題。傳統(tǒng)的梯度優(yōu)化方法不適合解決“黑盒”優(yōu)化，啟發(fā)式算法則較易解決。啟發(fā)式算法模擬自然界和社會中發(fā)生的各種優(yōu)化現(xiàn)象，自20世紀(jì)70年代以來已經(jīng)在許多工程領(lǐng)域得到成功應(yīng)用[9]。建筑領(lǐng)域中，啟發(fā)式算法在鋼結(jié)構(gòu)優(yōu)化[10]、建筑性能優(yōu)化[11]、建筑布局優(yōu)化[12]等方面表現(xiàn)出很好的潛力。將啟發(fā)式算法引入照明設(shè)計優(yōu)化，對實(shí)現(xiàn)智能優(yōu)化，提高照明設(shè)計的效率和質(zhì)量，改善建筑光環(huán)境有重要意義。

1 應(yīng)用于設(shè)計優(yōu)化的啟發(fā)式算法

啟發(fā)式算法將優(yōu)化問題中無限的解決方案抽象成巨大的有限可行解空間，利用問題擁有的啟發(fā)信息來引導(dǎo)最優(yōu)解的搜索過程，使得結(jié)果在迭代中逐步導(dǎo)向更符合預(yù)設(shè)目標(biāo)的方向，達(dá)到減少搜索范圍、降低問題復(fù)雜度的目的，常見的啟發(fā)式算法見表1。這些方法適用于解決非凸的函數(shù)優(yōu)化問題，能應(yīng)對設(shè)計實(shí)踐中的復(fù)雜情況，為設(shè)計優(yōu)化的智能化、自動化提供了基礎(chǔ)。

表1 常見的啟發(fā)式算法[13-19]

設(shè)計優(yōu)化可以概括為調(diào)整設(shè)計方案的部分設(shè)計要素(如建筑的空間布局、材料選擇等)，以實(shí)現(xiàn)優(yōu)化目標(biāo)(高工效、低能耗等)的過程。對設(shè)計優(yōu)化來說，啟發(fā)式算法的基本框架如圖1所示：

“決策變量”指設(shè)計方案中待調(diào)整的要素，往往是多個維度的要素組合；

“目標(biāo)函數(shù)”描述優(yōu)化目標(biāo)，是評價決策變量組合優(yōu)劣的一個或多個函數(shù)；

“約束條件”是決策變量及其對應(yīng)的設(shè)計方案必須滿足的先決條件；

“評估”機(jī)制根據(jù)目標(biāo)函數(shù)和約束條件對決策變量進(jìn)行綜合評價；

“更新”機(jī)制對決策變量進(jìn)行改動，使其向更優(yōu)方向演化；

“編碼”和“解碼”機(jī)制將非參數(shù)的設(shè)計要素轉(zhuǎn)化為可被評估和更新機(jī)制處理的形式。

啟發(fā)式算法還依種類有不同的控制參數(shù)，用來調(diào)整評估、更新等機(jī)制，設(shè)定終止條件(優(yōu)化結(jié)束的條件，可以是目標(biāo)函數(shù)值達(dá)到的范圍、算法迭代次數(shù)等)。

啟發(fā)式算法應(yīng)用于照明設(shè)計優(yōu)化首先要根據(jù)設(shè)計要求建立優(yōu)化的數(shù)學(xué)模型，模型的特點(diǎn)包括決策變量是定距、定序還是定類；目標(biāo)函數(shù)是一個、幾個還是多個；是連續(xù)優(yōu)化問題還是組合優(yōu)化問題；搜索是精細(xì)的局部搜索還是廣泛的全局搜索等。根據(jù)不同的啟發(fā)式算法中多種多樣的編碼、解碼、更新和評估機(jī)制來選擇最佳算法解決問題?，F(xiàn)有的照明優(yōu)化研究為數(shù)學(xué)模型建立和算法選擇提供了參考。

圖1 啟發(fā)式算法的基本框架Fig.1 The basic framework of heuristic algorithms

2 啟發(fā)式算法解決的照明設(shè)計優(yōu)化問題

根據(jù)設(shè)計要求和數(shù)學(xué)模型的特點(diǎn)，可以將啟發(fā)式算法解決的照明設(shè)計優(yōu)化問題分為兩大類：逆設(shè)計和多目標(biāo)優(yōu)化。

照明逆設(shè)計是根據(jù)空間形態(tài)和空間中的光分布要求(照度、均勻度、亮度等指標(biāo))創(chuàng)建光源布置方案的過程。逆設(shè)計在照明設(shè)計領(lǐng)域的應(yīng)用最早可以追溯到1993年Schoeneman等[20]的研究：建立光源數(shù)量、位置和配光不變的虛擬空間，用戶手動繪制出參照光分布，程序以約束最小二乘法擬合出各個光源提供的光通量。該研究還指出，參照光分布條件下，對光源位置和強(qiáng)度的逆設(shè)計是非線性約束優(yōu)化問題。表2例舉了啟發(fā)式算法解決的照明逆設(shè)計問題。應(yīng)用啟發(fā)式算法使非線性約束優(yōu)化問題的計算難度大大降低，可調(diào)優(yōu)的參數(shù)范圍大大增加。

表2 啟發(fā)式算法解決的照明逆設(shè)計問題舉例

當(dāng)設(shè)計需要優(yōu)化的目標(biāo)較多且有目標(biāo)存在矛盾時，就不宜采用逆設(shè)計策略。這類問題往往需要多個目標(biāo)間的均衡和取舍，選出若干較合理的方案，即多目標(biāo)優(yōu)化。多目標(biāo)優(yōu)化算法可以分為經(jīng)典方法和Pareto排序方法兩大類：基于經(jīng)典方法的多目標(biāo)優(yōu)化通過一些適配方法將多個目標(biāo)整合成單一的目標(biāo)函數(shù)，算法運(yùn)行一次產(chǎn)生一個優(yōu)化結(jié)果；基于Pareto排序方法的多目標(biāo)優(yōu)化則對各個目標(biāo)進(jìn)行綜合排序，運(yùn)行一次可得到一組在各個目標(biāo)間偏重不同的結(jié)果，即Pareto前沿解。基于經(jīng)典方法的多目標(biāo)優(yōu)化中可以嵌入多種多樣的啟發(fā)式算法(表3)，基于Pareto排序方法的多目標(biāo)優(yōu)化問題NSGA-II算法占絕對優(yōu)勢(表4)。

逆設(shè)計往往需要一組給定的參照值。能夠確定存在完全符合參照值要求的方案時，可設(shè)約束也可不設(shè)約束。如果求目標(biāo)的最低值(也可理解為參照值設(shè)為0)，則要根據(jù)實(shí)際情況設(shè)置約束條件以保證生成有意義的方案。這時，生成的最優(yōu)解往往會分布在約束條件限定出的邊界上，比較考驗(yàn)算法的全局搜索能力。

表3 基于經(jīng)典方法解決的照明多目標(biāo)優(yōu)化問題舉例

表4 基于Pareto排序方法解決的照明多目標(biāo)優(yōu)化問題舉例(算法均為NSGA-II)

經(jīng)典方法可以解決目標(biāo)有矛盾或無矛盾的多目標(biāo)優(yōu)化問題。目標(biāo)有矛盾時，在目標(biāo)函數(shù)設(shè)計中要注意使各個目標(biāo)同向。例如高照度和低眩光是一對相反的目標(biāo)，但算法解決的是最小化問題，就要對照度值求倒數(shù)或求相反數(shù)，這樣，照度變高或眩光變低才都會使目標(biāo)函數(shù)減小。還要用歸一化等方法將各目標(biāo)的變化范圍統(tǒng)一，保證所有目標(biāo)都能得到優(yōu)化，再在歸一化的數(shù)值基礎(chǔ)上確定各目標(biāo)的權(quán)重值。理論上經(jīng)典方法的最優(yōu)解可以收斂到穩(wěn)定的范圍內(nèi)，優(yōu)化程度與算法的局部搜索能力有關(guān)。

以Pareto排序方法解決多目標(biāo)優(yōu)化時，優(yōu)化目標(biāo)間應(yīng)當(dāng)存在矛盾，即決策變量使得一個目標(biāo)變優(yōu)時可能使另一個目標(biāo)變劣，如均勻度和能耗，或2種偏好不同的人群的舒適度。若部分子目標(biāo)間沒有矛盾，則應(yīng)參考經(jīng)典方法，將這些子目標(biāo)整合成一個目標(biāo)。存在矛盾的目標(biāo)一般不需要做歸一化處理。理論上得到的最優(yōu)解集是真實(shí)Pareto前沿解的子集，因此該方法具有不確定性。以方案的優(yōu)化程度為重時，可以選擇經(jīng)典方法，以方案的多樣性為重時，可以選擇Pareto排序方法。此外，NSGA-II解決的存在矛盾的目標(biāo)數(shù)量一般不超過3個，過多可能導(dǎo)致方案的優(yōu)化程度下降。

3 啟發(fā)式算法應(yīng)用于照明設(shè)計優(yōu)化的實(shí)施平臺

確定優(yōu)化問題類型之后，需要選擇平臺實(shí)施優(yōu)化。上述研究多基于MATLAB平臺進(jìn)行，但該平臺與照明設(shè)計實(shí)踐相去甚遠(yuǎn)；而實(shí)踐應(yīng)用的照明設(shè)計軟件如DIALux、ReLux等均不支持利用啟發(fā)式算法實(shí)現(xiàn)設(shè)計優(yōu)化。因此，需要探索新的照明設(shè)計優(yōu)化平臺。因?yàn)檎彰餍Чc空間形態(tài)、表面材料關(guān)系密切，要實(shí)現(xiàn)全面的照明設(shè)計優(yōu)化，除了照明光源信息(通過導(dǎo)入IES文件獲取)，還需要建筑空間信息，所以建筑設(shè)計軟件是更有前景的優(yōu)化實(shí)施平臺。研究[40]證明不存在能夠解決所有優(yōu)化問題的通用算法，因此需要針對照明問題的特點(diǎn)選取算法，對應(yīng)要求實(shí)施平臺具備基于啟發(fā)式算法基本原理的可擴(kuò)展框架，提供編碼、解碼、評估和更新機(jī)制的模塊，用戶自行“組裝”出合適的算法。雖然最理想的實(shí)施平臺是能夠通過自帶的模擬工具完成所有的目標(biāo)函數(shù)評估，但目前更多情況下需要和外部模擬工具聯(lián)動，且需要設(shè)計師或研究者自行編程，這就要求實(shí)施平臺為二次開發(fā)提供豐富的接口和簡潔的調(diào)用方式，并做到能用腳本語言等易懂易學(xué)的語言讀取模型信息，支持?jǐn)?shù)據(jù)的導(dǎo)入導(dǎo)出。

綜上，能夠?qū)嵤┱彰鲀?yōu)化的設(shè)計軟件平臺需具備2大前提條件：1)建筑照明全信息集成；2)啟發(fā)式算法可擴(kuò)展或二次開發(fā)友好。目前，能夠滿足上述要求的建筑設(shè)計軟件有Rhino+Grasshopper、Revit+Dynamo、Blender。

3.1 Rhino+Grasshopper

近年來Rhino因其強(qiáng)大的造型能力受到建筑師青睞，基于該平臺的可視化編程插件Grasshopper使啟發(fā)式算法應(yīng)用于設(shè)計優(yōu)化的難度大大降低。

信息集成方面，Grasshopper可以通過安裝插件和建筑環(huán)境模擬軟件實(shí)現(xiàn)信息數(shù)據(jù)共享，例如通過Geco[41]插件將模型導(dǎo)入Ecotect，或通過Ladybug、Honeybee系列插件[42]調(diào)用Radiance做采光和照明分析。

算法方面，Galapagos[43]是Grasshopper內(nèi)置模塊，可以實(shí)現(xiàn)遺傳算法、退火算法等單目標(biāo)優(yōu)化算法；Octopus[44]是一款第三方插件，目前支持多目標(biāo)優(yōu)化算法SPEA2、分類算法SVM(支持向量機(jī))、人工神經(jīng)網(wǎng)絡(luò)等，并支持在進(jìn)化過程中由用戶參與更新?；谶@些工具可以在Grasshopper中搭建優(yōu)化框架。陳航[45]使用Ladybug和Honeybee建立建筑性能模擬平臺，以O(shè)ctopus進(jìn)行優(yōu)化，得到了以低能耗、高舒適度為目標(biāo)的窗口設(shè)計方式。Chang等[46]利用Galapagos優(yōu)化建筑形態(tài)參數(shù)和開窗參數(shù)，以實(shí)現(xiàn)高照度和低能耗。

3.2 Revit+Dynamo

信息集成方面，Revit是BIM核心建模軟件，支持建筑、結(jié)構(gòu)、電氣、照明等多專業(yè)的協(xié)同設(shè)計。Dynamo是一款開源的可視化編程軟件，以插件形式存在于Revit中，能以模塊化的形式調(diào)用大部分的Revit API，獲得模型中多專業(yè)的參數(shù)信息。

算法方面，目前Dynamo并未內(nèi)置啟發(fā)式算法，但已經(jīng)有許多研究者提供了第三方算法庫：Rahmani等[47]開發(fā)了NSGA-II算法庫Optimo，允許用戶用Dynamo節(jié)點(diǎn)自定義目標(biāo)函數(shù)，且目標(biāo)函數(shù)節(jié)點(diǎn)可以和Revit實(shí)時交互，實(shí)用性較強(qiáng)，已經(jīng)有設(shè)計師用Optimo在聲學(xué)、采光等領(lǐng)域做出了成功的優(yōu)化設(shè)計實(shí)踐；曹寧[48]編寫了多目標(biāo)粒子群算法庫MOPSO，以辦公室為例，以能耗和均勻度為目標(biāo)，優(yōu)化了位置不變燈具的光通量；胡啟陽[49]編寫了線性規(guī)劃算法庫，以冬季和夏季得熱量為目標(biāo)對空間和窗戶形態(tài)進(jìn)行了多目標(biāo)優(yōu)化，證明了算法的可行性。

3.3 Blender

信息集成方面，借助第三方插件，Blender支持IFC格式的BIM模型導(dǎo)入，還可以完成一些照明分析工作，但功能還需完善。

算法方面，Blender的優(yōu)勢是自帶標(biāo)準(zhǔn)的Python 3解釋器，因此可以在腳本中調(diào)用NumPy、SciPy等科學(xué)計算庫，還可以用Python對模型進(jìn)行互動操作。Plebe等基于Blender做了大量的多目標(biāo)遺傳算法應(yīng)用于照明優(yōu)化的研究[37, 50]。但Blender內(nèi)的算法要基于腳本實(shí)現(xiàn)，要求使用者有一定的編程能力。

綜上，對比信息集成、算法豐富性(可擴(kuò)展)、非程序人員(設(shè)計人員)的二次開發(fā)友好性(表5)，同時針對照明專業(yè)計算準(zhǔn)確度需要獲取完整的建筑照明信息的考慮，以及多專業(yè)協(xié)同設(shè)計以提升工作效率的未來趨勢，Revit+Dynamo是更適合執(zhí)行啟發(fā)式算法主導(dǎo)的照明設(shè)計優(yōu)化的實(shí)施平臺。當(dāng)然，Revit+Dynamo平臺仍然需要從算法種類、設(shè)計優(yōu)化的深度、適應(yīng)度函數(shù)的易用性、算法運(yùn)行的設(shè)計者參與程度等層面改進(jìn)。

表5 啟發(fā)式算法應(yīng)用于照明設(shè)計優(yōu)化的實(shí)施平臺對比

4 啟發(fā)式算法在照明設(shè)計領(lǐng)域的改進(jìn)方向

雖然Revit+Dynamo平臺有實(shí)現(xiàn)啟發(fā)式算法的優(yōu)勢，但還未達(dá)到完全滿意。一項(xiàng)針對建筑在讀生和建筑師的調(diào)查顯示[51]，設(shè)計領(lǐng)域僅有6.6%人士將Dynamo作為最常用的設(shè)計平臺。這和Dynamo平臺提供的優(yōu)化工具尚不完善有一定關(guān)系。該調(diào)查還表明，優(yōu)化過程上，54.3%的受訪者希望能參與算法中所有參數(shù)的調(diào)整，90.7%的受訪者希望能使自己的主觀選擇影響優(yōu)化進(jìn)程；優(yōu)化結(jié)果上，82.2%的受訪者希望算法給出一組優(yōu)化結(jié)果而不是一個；運(yùn)行時間上，65%以上的受訪者希望能夠在1 h內(nèi)完成優(yōu)化。而現(xiàn)有的照明優(yōu)化研究還不能滿足上述所有要求，需要結(jié)合照明優(yōu)化問題的特點(diǎn)對啟發(fā)式算法的編碼、解碼、評估和更新機(jī)制做出改進(jìn)?；诖私Y(jié)論與實(shí)施平臺現(xiàn)狀，以及建筑領(lǐng)域中其他專業(yè)學(xué)者對啟發(fā)式算法的研究成果，提出啟發(fā)式算法在照明設(shè)計領(lǐng)域的改進(jìn)方向。

4.1 擴(kuò)展算法種類

研究[52]顯示，解決建筑環(huán)境的優(yōu)化問題，遺傳算法并不總是最優(yōu)選擇，粒子群算法、退火算法等也各具優(yōu)勢。因此：

1)逆設(shè)計方面?？梢詢?yōu)先將退火算法、差分進(jìn)化算法等主流啟發(fā)式算法引入Dynamo平臺。人工魚群算法、布谷鳥搜索算法等新的啟發(fā)式算法在快速得到可行解、隨機(jī)尋優(yōu)能力方面具有優(yōu)勢，也可以在算法通過對照明優(yōu)化問題的測試后加入Dynamo算法庫。

2)多目標(biāo)優(yōu)化方面?？梢钥紤]開發(fā)NSGA-III、MOEA/D等算法插件來解決目標(biāo)數(shù)目在3個以上的優(yōu)化問題，有研究表明這幾種算法可以在保證向更優(yōu)方向演進(jìn)的前提下獲得具有多樣性的Pareto前沿解[53]。

4.2 結(jié)合照明設(shè)計深化算法

相比采光和節(jié)能優(yōu)化，照明設(shè)計優(yōu)化還不夠充分和深入，原因有：精確的照明模擬耗時過長，有些優(yōu)化甚至需要幾小時到幾天；光源布置、材料選擇等非參數(shù)的照明設(shè)計要素需要合理的編碼方式；照明規(guī)范的強(qiáng)制性照明指標(biāo)使得約束條件設(shè)置過多，可能導(dǎo)致算法無法找到最優(yōu)解，等等。

1)針對照明模擬的時長和精度問題。相比高配置硬件或云端執(zhí)行照明計算等手段，從算法本身做出改進(jìn)來減少計算耗時是更直接高效的方式?？梢愿倪M(jìn)算法結(jié)構(gòu)來提高計算效率，比如將粒子群算法、人工魚群算法等群智能優(yōu)化算法并行化，就能夠以增加計算機(jī)CPU占用率的方式減少計算時間；還可以簡化目標(biāo)函數(shù)，比如在不需要高精度計算光分布的初步設(shè)計階段，利用光通轉(zhuǎn)移理論將空間簡化為三面模型[54]來近似計算照明指標(biāo)。

2)針對編碼和解碼問題。照明設(shè)計優(yōu)化的編碼難點(diǎn)主要體現(xiàn)在光源布置的編碼表達(dá)上。有研究允許光源位置任意的布局方式，但在實(shí)際工程中，受安裝載體和空間使用限制，任意布局并不合理。可以依據(jù)設(shè)計方案先設(shè)定光源的布置規(guī)則，提取描述規(guī)則的控制參數(shù)作為決策變量，控制參數(shù)應(yīng)具有：a)唯一性，算法運(yùn)行中可能產(chǎn)生的每一組決策變量都和有效的設(shè)計方案一一對應(yīng)；b)連續(xù)性，相似的設(shè)計方案編碼后的形式也應(yīng)相近。例如，對矩形房間內(nèi)的網(wǎng)格布燈方式來說，設(shè)定控制參數(shù)為安裝高度、橫向間距、縱向間距、距墻距離，即可生成豐富合理的布燈方案。

3)針對約束條件過多導(dǎo)致優(yōu)化困難的問題。在設(shè)定合理的約束范圍限值基礎(chǔ)上，可采用啟發(fā)式算法的“內(nèi)點(diǎn)法”對約束條件進(jìn)行分析，使得更新得到的新決策變量落在約束條件范圍內(nèi)。內(nèi)點(diǎn)法屬于約束優(yōu)化算法，通過引入效用函數(shù)的方法將約束優(yōu)化問題轉(zhuǎn)換成無約束問題，再利用優(yōu)化迭代過程不斷地更新效用函數(shù)，當(dāng)?shù)c(diǎn)靠近邊界時，目標(biāo)函數(shù)陡然增大，阻止迭代點(diǎn)穿越邊界，以使算法收斂。

4.3 編寫插件，保證算法與實(shí)施平臺融合

對應(yīng)于Revit+Dynamo作為照明設(shè)計優(yōu)化優(yōu)選實(shí)施平臺的結(jié)論，以及上述滿意度調(diào)查和算法深化要求，需要編寫以下插件，保證啟發(fā)式算法與實(shí)施平臺的深度融合：

1)變量范圍生成器，根據(jù)設(shè)計基礎(chǔ)條件和約束條件估算決策變量的初始范圍；

2)約束條件求解器，根據(jù)設(shè)計目標(biāo)和照明規(guī)范判定算法生成的決策變量是否有效；

3)目標(biāo)函數(shù)求解器，支持“黑盒”式優(yōu)化，即通過非數(shù)學(xué)函數(shù)的形式求出目標(biāo)函數(shù)值；

4)偏好選擇工具，支持將主觀評價函數(shù)，即反映用戶主觀偏好的函數(shù)加入啟發(fā)式算法的評估和更新過程；

5)算法求解器，提供可供用戶自由選擇的啟發(fā)式算法庫，支持根據(jù)算法類型輸入不同控制參數(shù)；

6)編碼和解碼器，集成在每個模塊之內(nèi)，根據(jù)不同啟發(fā)式算法結(jié)構(gòu)在每次迭代的更新之前執(zhí)行編碼過程，評估之前執(zhí)行解碼過程。

插件間關(guān)系如圖2所示。

圖2 基于Revit+Dynamo的照明設(shè)計優(yōu)化插件框架Fig.2 Framework of lighting design optimization plug-in based on Revit+Dynamo

5 結(jié)語

在照明領(lǐng)域，啟發(fā)式算法用以解決逆設(shè)計問題和多目標(biāo)優(yōu)化問題，優(yōu)化目標(biāo)包括根據(jù)參照光分布生成照明方案、提升工效和舒適度、減少能耗等多個方面，常見的啟發(fā)式算法都得到了應(yīng)用?，F(xiàn)有的設(shè)計平臺中最適合實(shí)施啟發(fā)式算法照明設(shè)計優(yōu)化的是Revit+Dynamo。

啟發(fā)式算法應(yīng)用于照明設(shè)計優(yōu)化的改進(jìn)方向包括：

1)擴(kuò)展算法種類；

2)結(jié)合照明設(shè)計的特點(diǎn)，從設(shè)定算法結(jié)構(gòu)、以參數(shù)化方式實(shí)現(xiàn)算法的編碼和解碼、引入效用函數(shù)設(shè)置約束條件保證算法收斂3個角度深化算法；

3)編寫插件時將用戶主觀偏好加入算法評估和更新過程。

應(yīng)此需求，在Dynamo中開發(fā)相應(yīng)插件，旨在使建筑照明設(shè)計優(yōu)化更加高效、精準(zhǔn)，推動設(shè)計優(yōu)化的智能化、自動化。