使用DQN自动排列城市规划中的建筑

更智能的建筑布局为何重要

随着城市向上和向内发展，确保公寓窗户还能获得阳光、以及高楼之间保持安全间距变得越来越困难。城市设计师通常靠人工应对这些需求，反复运行缓慢的计算机模拟并不停调整布局。本研究提出了一种人工智能（AI）系统，能够在一块土地上自动布置高层建筑，使住宅在冬季获得足够的日照并确保塔楼之间保持安全距离，从而可能为规划者节省大量时间，并改善拥挤城市的宜居性。

城市增长与采光压力

快速城市化，尤其是在像北京和上海这样的特大城市，推动建筑更靠近彼此并向天空延伸。然而，中国的国家规范要求住宅在冬至时获得最低日照量，并要求高层建筑保持特定的安全间距。如今，建筑师使用专业设计软件来满足这些规则，绘制建筑平面、运行详细的日照模拟，并不断移动塔楼，直到既满足采光也满足间距限制。这个过程高度依赖专家经验和大量的反复试验，因此当需要测试许多地块和设计备选方案时，速度慢且难以扩展。

教神经网络预测日照

自动化这一工作的一个主要障碍是精确的日照模拟计算代价高昂。为了解决这一问题，研究者首先训练了一种特殊的神经网络，称为卷积自编码器，作为模拟工具的快速“替身”。他们在Autodesk Revit中为北京的冬季条件生成了一千多个样本布局，并记录了地块上每个点在一天内获得的日照分钟数。这些日照图被转换为灰度图像，并与表示建筑高度和底面的简单图像配对。AI学会了将建筑布局图像翻译为相应的日照图，平均误差低于每点三分钟日照，同时运行速度比原始模拟快约一百倍。

让AI代理逐步放置建筑

有了快速的日照预测器，团队着手解决更难的问题：自动决定每栋建筑的位置。他们将此问题框定为一个逐步进行的博弈，供学习代理执行。从空地出发，代理一次放置一座建筑，并可以在网格上向上、下、左或右微调位置。每次移动后，快速神经网络估算日照，系统计算建筑与邻居及地块边界的距离。当代理找到满足南向窗户最低日照要求和建筑间最低距离要求的位置时，会获得奖励；若发生重叠或间距过窄则会受到惩罚。经过大量模拟尝试，深度Q网络（Deep Q-Network）——一种常见的强化学习方法——学会了一种策略，能稳定地产生有效且高效的布局。

系统与其他方法的性能比较

研究者在几十个包含5到12座建筑的不同地块上测试了他们的方法，并与三种基线方法进行了比较：随机放置、简单贪心策略和遗传算法。随机放置很少生成可行设计，即使是定制的启发式方法和进化搜索也落后于学习型代理。该AI系统在生成同时满足采光和间距规则的布局方面达到了100%的成功率，每座建筑所需移动次数更少，并且在不牺牲采光的前提下更紧凑地排列塔楼。平均而言，其布局在底层窗户处带来了比替代方案更长的日照时长，且为一个地块生成完整布局只需几秒钟，使得在日常规划任务中进行大规模方案探索成为可能。

这对未来城市设计意味着什么

本质上，该研究表明，将快速学习到的日照模型与基于学习的决策者相结合，可以可靠地布置满足严格监管约束且高效利用土地的建筑。尽管当前工具只关注冬季日照和安全间距——并针对北京气候进行了调优——它已经是一个强有力的原型：规划者可以输入一组候选建筑，并几乎立即获得多个合规的布局建议。未来版本可以将同样的思路扩展到风、视野、噪音或其他城市的本地规则，使建筑排列从慢速的手工工艺转变为人类设计师与AI助手之间的互动式合作。

引用: Lin, P., Shi, G., Hu, C. et al. Auto-arrange buildings in urban planning with DQN. Sci Rep 16, 11406 (2026). https://doi.org/10.1038/s41598-026-40788-w

关键词: 城市规划人工智能, 建筑布局, 采光优化, 强化学习, 生成模型