Generative Design Space Udforskning: En Genetisk Algoritme tilgang til Performance Based Design
Oversat titel
Generative Design Space Exploration
Forfatter
Knudsen, Sylvester Holm
Semester
4. semester
Uddannelse
Udgivelsesår
2018
Afleveret
2018-01-10
Antal sider
87
Resumé
Specialet undersøger, hvordan Performance Based Design kan styrke beslutninger i den tidlige designfase ved at kombinere generativt design med en genetisk optimeringsalgoritme. Med udgangspunkt i videnskabelig litteratur og en virksomhedsrettet case fra MT Højgaard belyses et brancheproblem: bygningssimuleringer er ofte vanskelige at anvende tidligt i designprocessen, og mange værktøjer fokuserer på at optimere ét foruddefineret design efter et enkelt kriterium. Specialet introducerer centrale elementer som parametrisk modellering, generativ udforskning af design space og performancebaserede målsætninger, og udarbejder et teknisk workflow, der kobler en parametrisk model med performance-simulering og en genetisk søgealgoritme for at generere og evaluere mange alternative løsninger på tværs af flere kriterier. Workflowet er tænkt som en digital medspiller, der automatiserer og optimerer udforskningen af designrummet og dermed giver et mere datadrevet beslutningsgrundlag i de tidlige faser. Arbejdet lægger vægt på praktisk implementering og demonstrerer metoden gennem en test af den udviklede løsning.
This thesis examines how Performance Based Design can improve early-stage decision-making by combining generative design with a genetic optimization algorithm. Drawing on scientific literature and a company-specific case with MT Højgaard, it highlights an industry challenge: building performance simulations are difficult to use effectively in early design, and many tools focus on optimizing a single predefined solution against one criterion. The thesis introduces key elements—parametric modeling, generative exploration of the design space, and performance-driven objectives—and develops a technical workflow that links a parametric model with performance simulation and a genetic search algorithm to generate and evaluate many alternative solutions across multiple criteria. Conceived as a digital partner to the designer, the workflow automates and optimizes design space exploration to provide a more data-driven basis for early decisions. The work emphasizes practical implementation and demonstrates the method through a test of the developed solution.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet (PDF)]