办公室空调设计英文文献和中文翻译(6)
The number of the hidden nodes is calculated by empirical for-mula [27], and the training results show that the network error isminimum when there 13 hidden neural nodes.According to the model’s input and output parameters, we canobtain the BP neural network’s structure: 14-13-2. A schematic dia-gram of the three-layer feed forward neural network architectureis shown in Fig. 4.3.2.3. Selection of the training parametersThe BP neural network training parameters settings are: the tar-get training mean squared error of 1e − 5; the training function oftrain lm; the learning rate of 0.5, and max epoch of 2000 [28,29].Therefore, the genetic algorithm parameters settings are: thepopulation of 70; the selection rate of 0.06; the mutation functionof non-Unit Mutation with the parameter {2 gen 3}; the crossoverfunction of arithXover with the parameter {20}; the gen of 700 [30].
摘要：在建筑设计方案优化中存在几个相互冲突的标准，特别是能源消耗和室内环境的热性能。本文提出了一种新的多目标优化模型，可以协助设计绿色建筑。设计师帕雷托的解决方案是用来获得一组建筑设计优化的最优解，并采用一种改进的多目标遗传算法（NSGA-II）作为建筑设计的多目标优化模型的理论基础。基于对能耗及室内热舒适性仿真数据，研究还用仿真改进的反向传播（BP）网络是由遗传算法（GA）来优化建筑的特征，建立了BP网络模型的GA–快速预测能耗及室内热舒适的居住建筑现状；然后建筑设计通过使用GA–BP网络作为适应度函数，建立了优化模型的多目标遗传算法（NSGA-II）；最后，根据案例研究，提出的多目标的方法，在中国设计出几十个典型建筑的潜在设计，具有广泛的热舒适性和能耗之间的权衡。论文网
©2014 Elsevier公司保留所有权利。
关键词：建筑设计、能源消耗、热舒适性、人工神经网络、多目标遗传算法
下一篇：液压缸泄漏诊断英文文献和中文翻译