住宅群体排布是规则性强且计算量大的工作,利用计算机辅助技术可以有效提升住宅群体排布的效率。通常的计算机辅助的生成方法会基于特定的规则编写程序得到生成结果,而人工智能领域的深度学习的方法可以基于对大量数据的训练学习到数据中的规则,并生成具有同样规则的新的数据,从而省去了人编写特定规则的程序的过程,本文研究如何基于深度学习的方法根据特定的生成条件生成相应的住宅群体排布。研究主要基于深度学习中的pix2pix网络。Pix2pix可以实现根据给定的条件图像生成对应的图像。利用pix2pix对大量住宅群体排布的方案进行学习,经过学习后的网络可以根据给定条件图像快速自动生成住宅群体排布方案图,从而辅助设计。研究主要分为两个部分,第一部分是基于边界条件的住宅群体排布的生成。将条件图像和住宅排布方案图匹配成对输入给神经网络训练,训练后的模型可以根据边界条件自动生成匹配的住宅群体排布方案。基于边界条件,分别设计了不同的实验分别研究不同类型住宅排布的生成、不同排布方式的住宅排布生成、不同容积率的住宅排布生成。并对实验结果进行分析验证。另外,对pix2pix模型进行改进,使其可以根据边界条件和类型条件同时生成几种不同的排布方案。第二部分是基于住区空间组织方式的住宅群体排布生成的实验,实验加入更多的限制条件,如出入口、主要的道路结构和公共建筑、公共绿地,使生成的条件尽量接近真实的住宅排布条件设定,并采用分步生成的方式,使设计师可以在每一步根据自己的意愿对生成条件进行修改,从而使生成结果更符合设计需求。Pix2pix的生成是从图像到图像的形式,而建筑设计通常基于矢量图形。为了能对生成结果进行进一步的深化以及对于前期收集到的图像信息进行提取,本文利用Open CV编写了自动提取图像信息的程序。并且利用建模平台Rhinoceros及其参数化插件Grasshopper将提取到的信息矢量化并自动建模,实现了从生成条件到排布方案图再到矢量化模型的生成流程。本文正文共约48 000字,图表104幅。