Optimizing creatively in multi-objective optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Designers will always face the challenge of designing well-performing buildings using what are often conflicting and competing objectives. Early stage design decisions influence significantly the final performance of a building and designers are often unable to explore large numbers of design alternatives with respect to the performative criteria set for the project. This research outlines a optimization workflow' using a Multi-Objective Optimization (MOO) engine called Octopus that runs within Grasshopper3D, a parametric modeling tool, and simulation software DIVA for daylight factor analysis. The workflow utilizes a optimization tool' which allows the designer to explore, sort and filter solutions, and analyze both quantitatively and qualitatively the trade-offs of the resultant design solution space. It enables the designer to visually compare alternative solutions in a gallery and subsequently analyze trade-offs through a radar-based chart, parallel coordinate plot graphs and conditional domain searches. This feedback tools allows the designer to quickly and efficiently identify potential solutions for either design development or to select preferred solutions for further optimization, i.e. optimizing creatively'. A retrospective design case study, the De Rotterdam' building, is used to demonstrate the application of the tools. The workflow demonstrates the ability to reduce design latency and to allow for better understanding of design solutions. Additional research is needed to better understand the application of MOO in the early stages of design; and the further improvement of the creative optimization tools to accommodate the designer's need for a more dynamic and synergistic process.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle