遺傳子 알고리즘을 이용한 建築디자인 最適化 方法에 관한 硏究 = (A) study on the optimization method of architectural design using genetic algorithm

국문 초록 (Abstract)

건축디자인 과정에서 최적안을 찾아내는 문제는 하나의 요구조건을 만족시키는 대안을 찾는 문제라기보다 여러 가지 조건을 동시에 만족할 수 있는 대안을 찾아내는 문제이다. 또한, 건축디자인에서 최고의 유일해를 찾는 것은 탐색해야 할 범위가 매우 방대하여 많은 시간과 노력이 소요된다.
본 연구는 이러한 점을 고려하여 ⓐ 다중기준에서 최적안을 찾아내는 방법으로 계층분석과정(AHP)과 가중치 기법을 사용하였으며 ⓑ 계산량이 많고 탐색범위가 넓은 다중기준문제를 해결하기 위하여 유전자 알고리즘(GA)을 사용하여 ⓒ 건축디자인 문제에서 정량적 요소와 정성적 요소를 동시에 만족하는 대안을 찾는 의사결정 방법을 제시하였다.
본 연구는 가상의 벽체를 모델로 선정하여 건물 사용자를 대상으로 계층분석을 통한 설문을 실시한 후 단열, 차음, 비용, 벽체두께, 결로라는 디자인 요소와 각각의 중요도를 도출하였다.
본 연구에서 가정한 정성적 문제에 적절한 탐색전술을 적용한 유전자 알고리즘을 적용하여 탐색한 결과 재일 우수한 성능을 보인 경우는 전체 6711 만개의 대안 중 상위 1%이내에 드는 우수한 대안을 발견하기까지 900 여 개의 대안만을 탐색함으로써 찾아내었다. 이는 전역검색을 하는 다른 방법에 비하여 매우 효율적인 탐색으로 보여지며 다른 건축 디자인 문제에서도 응용될 수 있으리라 사료된다.
또한, 가정한 실내디자인 문제에서 사용자에게 최적안을 찾는 과정을 실시한 결과 상당수의 응답자가 대화형 유전자알고리즘을 이용한 방법에 대하여 긍정적인 반응을 보였다. 디자인 문제에서 대화형 유전자알고리즘을 사용하는 경우 건축가와 사용자가 새로운 대안을 찾아내는 방법으로서 유용한 방법으로 사용될 수 있으리라 본다.
본 연구는 AHP 와 GA 의 이러한 특징을 이용하였으며, 다중기준 문제에서 많은 대안이 존재할 경우 우수한 해를 효율적으로 찾는 방법을 제시 하였다. 본 연구에서 제시한 최적화 방법은 근사해를 찾기 위한 방법이다. 건축디자인 과정에서 전역탐색은 비효율적이므로 최적화 방법보다는 직관과 경험이 위주되어 왔으나 본 연구에서 제시한 방법이 좀더 발전 될 경우 보다 과학적인 디자인 방법에 접근할 수 있을 것이다.

다국어 초록 (Multilingual Abstract)

Finding the optimal design solution is important field we should plan by accessing it with scientific methods, although it was originally derived only from designer's insight or from the building users' needs. The purpose of this study is to suggest the best design process methodology using multi-criteria optimization methods.
The problem of finding the optimal architectural design solution is a multi-criteria problem rather than single-criterion problem. And searching the best optimal solution in design process needs much effort and time for designer. Also, multi criteria problem has vast domains for assessment. Considering the above aspects, this study applied Analytic Hierarchy Process (AHP) and Genetic Algorithm (GA) to multi-criteria optimization design process. AHP was used for endow the weight with each design factors. GA was used for better searching performance at multi-criteria and complex problems. Also, this study suggests a optimization method, which can be applied to both qualitative and quantitative factors in architectural design at the same time.
This study selected a wall alternative as a study model, and addressed some questionnaires to building users to find out the weight of various design factors. As a result, this study deducted thermal performance, condensation, sound insulation, wall thickness, and cost as important quantitative design factors, and also deducted color, pattern, coarseness, and material character as qualitative design factors. In case of quantitative design factors optimization, when GA with suitable searching strategy is applied, it finds out the optimal solutions only by 900 samplings and 30 times of searching tries among the all of 67 million alternatives. The fitness value of searched solution is satisfied within upper 1% of all design alternatives. So, this method can be used as more effective searching strategy than whole area searching method in architectural design field. This algorithm can be applied not only to wall alternative evaluations, but also to other architectural design factor optimization process with improved performance. In case of qualitative design factor optimization, the method shows better results than normal cases, when the changes of mutation ratio and crossover point are given. Normal case needs long generation process to find the optimal solutions. The changes of some mutation or crossover strategy can improve the speed and efficiency of the solution finding simulation process. This study asked respondents about Interactive Genetic Algorithm (IGA) method satisfaction degree. As a result, most of respondents agreed with this method as a suitable and creative solution of decision-making tool. IGA can be useful method for designer and users when they want to generate creative qualitative design alternatives.
This study applies these advantages of GA and AHP, and suggests effective searching method for optimal design alternatives. The method, which is suggested in this study, is to search approximate value of solution. And it is capable method, which can be applied in case of multi criteria and non-linear programming or discontinuous object function. As whole area searching method is not effective in the architectural design optimization problem, architect's insight or experience is more general design method than other optimization methods. If this study is applied and more embodied in design field, more scientific and reasonable approach will be available in architectural design process.

목차 (Table of Contents)

• 目次 = i
• I 서론 = 1
• 1.1 연구의 배경 = 1
• 1.2 연구의 목적 및 범위 = 3
• 1.3 내용 및 방법 = 4
• 1.4 연구의 흐름도 = 7
• II 건축디자인 이론과 최적화 문제 = 8
• 2.1 통합 디자인의 개념과 프로세스 = 8
• 2.1.1 시스템 통합 디자인의 개념 = 9
• 2.1.2 통합디자인 방식을 통한 문제분석 = 10
• 2.1.3 성능을 고려한 디자인 방법론 = 12
• 2.2 건축디자인의 최적화 문제 = 21
• 2.2.1 문제의 특징에 따른 분류 = 21
• 2.2.2 건축디자인에서 최적해의 성격 = 24
• 2.2.3 최적화 기법과 탐색방법 = 26
• 2.3 본 연구에 적용된 방법 = 32
• 2.3.1 벽체 구성 대안 최적화를 위한 디자인 프로세스 제시 = 32
• 2.3.2 최적화 기법의 선택 = 38
• 2.4 소결 = 39
• III 다중기준 최적화를 위한 방법론 = 40
• 3.1 유전자 알고리즘 = 40
• 3.1.1 유전자 알고리즘의 원리 = 40
• 3.1.2 대화형 유전자 알고리즘 = 46
• 3.1.3 유전자 알고리즘을 이용 사례 = 47
• 3.2 계층분석과정 = 49
• 3.2.1 상충적인 건축디자인 문제 = 49
• 3.2.2 계층분석과정 = 50
• 3.2.3 본 연구에 적용방법 = 55
• 3.3 소결 = 56
• IV 최적안 탐색을 위한 평가모델 설정 = 58
• 4.1 외피 디자인 평가모델 = 58
• 4.1.1 외피디자인 통합평가의 개요 = 58
• 4.1.2 벽체의 구성과 구성재료 = 60
• 4.2 계층분석과정에 의한 정성적, 정량적 요소의 선호도 분석 = 61
• 4.2.1 계층화 과정 = 62
• 4.2.2 선호도 분석을 위한 설문작성 = 63
• 4.3 목적함수 설정과 수렴조건 = 64
• 4.3.1 정량적 문제와 사용자 만족도 = 64
• 4.3.2 성능모델 설정과 목적함수 도출 = 69
• 4.3.3 정성적 요소 모델 설정 = 78
• 4.3.4 정성적 요소의 적합도 평가 = 80
• 4.3.5 종료조건과 탐색방법 = 84
• 4.4 유전자 알고리즘 표현형과 유전자형 = 89
• 4.4.1 인코딩 방법 = 89
• 4.4.2 건물 내부디자인의 유전자형과 표현형 = 90
• 4.4.3 외피성능에 대한 유전자형과 표현형 = 93
• 4.5 소결 = 95
• V 디자인 대안 도출과 평가 = 96
• 5.1 디자인요소 우선순위 분석 = 97
• 5.1.1 조사의 개요 = 97
• 5.1.2 설문결과 분석 = 98
• 5.1.3 가중치 도출 및 일관성 분석 = 100
• 5.1.4 토의 = 103
• 5.2 유전자 알고리즘을 이용한 최적안 도출 = 105
• 5.2.1 탐색조건 및 탐색방법 = 105
• 5.2.2 실내디자인 최적대안 탐색결과 = 115
• 5.2.3 정량적 요소 최적안 탐색 결과 = 118
• 5.3 탐색성능 분석 = 123
• 5.4 소결 = 124
• VI 종합토의 = 126
• 6.1 요약 = 126
• 6.2 토의 = 127
• VII 결론 = 135
• 參考文獻 = 137
• ABSTRACT = 141