Nielsen  [7]  applied  dynamic  programmingin  the  multi-criteria  design  optimization  based  on  the  follow-ing  four  performance  criteria:  thermal  load,  daylight  availability,construction  cost  and  useable  area.  Hauglustaine  and  Azar  [8]optimized  the  building  envelope  using  genetic  algorithms;  thatis,  ten  (10)  criteria  related  to  code  compliance,  energy  con-sumption,  and  cost  were  considered.  Wright  et  al.  [9]  appliedmulti-objective  genetic  algorithm  to  building  thermal  optimiza-tion  with  more  emphasis  on  mechanical  system  design;  Operatingenergy  cost  and  occupant  thermal  comfort  were  the  two  per-formance  criteria  used.  Similarly,  in  the  case  of  maintainingindoor  thermal  comfort  conditions,  some  scholars  have  alsoused  multi-objective  optimization  algorithm  to  minimize  build-ing  energy  consumption,  and  have  achieved  satisfactory  results[10–12].From  the  above-mentioned  review,  it  can  be  observed  that  theoptimal  solutions  can  be  achieved  under  the  multi-objective  con-straints,  which  illustrate  that  the  multi-objective  genetic  algorithmis  a  feasible  method  for  building  design  optimization.The  current  studies,  however,  pay  more  attention  on  using  heat-ing  or  cooling  system  to  improve  the  indoor  thermal  comfort,mainly  focusing  on  resolving  the  conflict  between  building  systemenergy  consumption  and  indoor  environment,  without  consideringhow  to  use  building  elements  for  efficient  building  energy  con-sumption  at  the  building  conceptual  design  stage.  This  is  regardedas  an  energy  efficiency  method.  This  study  mainly  considers  theuse  of  building  passive  design  to  improve  indoor  thermal  environ-ment  conditions,  and  eliminate  the  factors  that  affect  energy  savingin  buildings  and  the  improvement  of  indoor  thermal  environment.This  is  a  positive  energy  efficient  method.2.  Multi-objective  optimization  methodThis  involves  the  application  of  an  improved  multi-objectivegenetic  algorithm  (NSGA-II), a simulation-based  improved  Backpropagation  network,  and  the  Pareto  solution  to  obtain  a  build-ing  design  multi-objective  optimization model.  A  case  study  ispresented  to  validate  the  multi-objective  optimization  model  bymaintaining  a wide  range  of  trade-offs  between  thermal  comfortand  energy  consumption.The  multi-objective genetic  algorithm  is  different  from  geneticalgorithm  in  that  it  comprehensively  evaluates  each  objective  valueof  optimization  solutions.  However,  these  objective  values  are  oftenconflicting  and  as  a  result  it  is  difficult  to  find  an  optimal  solution  foreach  objective.  Therefore,  the  Pareto  solution  has  been  introducedinto  this  study  in  order  to  obtain  a  set  of  optimization  solutions  tosolve  the  problem.2.1.  Multi-objective  evolutionary  algorithm  (NSGA-II)  as  theoptimization  engineThe  genetic  algorithm  (GA)  was  developed  by  Holland  in  the1970s.  This  optimization  algorithm  was  inspired  by  Darwin’s  the-ory  of  natural  selection  and  Mendel’s  theory  of  genetics.  It  is  ahighly  parallel,  random  and  adaptive  optimization  algorithm  whichis  based  on  “natural  selection  and  survival  of  the  fittest”  [13].Genetic  algorithms  are  initiated  by  selecting  a  population  of  ran-domly  generated  solutions  for  the  problem  considered.  They  movefrom  the  generation  of  one  solution  to  another  by  evolving  newsolutions  using  the  objective  evaluation,  selection,  crossover  andmutation  operators.  Generally,  in  the  genetic  algorithm  the  solu-tions  are  represented  by  a  code  rather  than  the  initial  variables.Typically,  a  solution  is  represented  by  a  string  of  bits  (also  calledchromosome).  Each  bit  position  is  called  gene,  and  the  values  thateach  gene  represent  are  called  alleles.  Nowadays,  with  the  develop-ment  of  computer  technology,  the  GA  has  been  extensively  used  inmany  areas,  pattern  recognition,  image  processing,  neural  network,optimal  control  etc.,  [14].  The  GA  has  also  been  applied  in  severalbuilding  studies,  including  online  optimization  [15],  optimizationof  HVAC  system  controls  [16]  and  optimization  of  green  buildingdesign  [17].  In  these  studies,  it  has  been  proven  that  GA  is  very  effi-cient  even  with  non-differentiable  functions,  and  in  comparisonwith  the  baseline  situation  it  has  shown  significant  improvementsin  the  optimization  result.A  specific  class  of  GA,  multi-objective  evolutionary  algorithm(MOEA),  is  based  on  Pareto-dominance,  which  enables  the  algo-rithm  to  simultaneously  optimize  all  the  objectives.  办公室空调设计英文文献和中文翻译(3):http://www.751com.cn/fanyi/lunwen_29101.html