Table  1  shows  the  definedvariables  with  their  corresponding  names.• Constraints:  Building  envelope-related  variables  are  aimed  at  tak-ing  advantage  of  energy  efficient  design.  Based  on  China’s  currentbuilding  energy  efficiency  system  [22,23],  the  constraints  of  vari-ables  are  summarized  in  Table  1.• Objective  functions:  Since  the  purpose  of  this  study  is  to  assistdesigners  to  achieve  comfort-energy  efficiency  building  design,both  energy  consumption  and  thermal  comfort  are  selected  as  thetwo  objective  functions  to  be  optimized  using  the  optimizationmodel.The  annual  energy  consumption  of  the  building  is  calculatedby  Energyplus.  In  this  study  the  expected  air  conditioning  systemload,  maintaining  the  thermostat  Setpoint  between  18 ◦C  and  26 ◦Cthroughout  the  year  is  used  instead  of  annual  energy  consumption.The  metric used  to  assess  thermal  comfort  is  the  percentageof  thermal  comfort  hours  throughout  the  year,  representing  thenumber  of  hours  at  indoor  temperature  between  18 ◦C  and  26 ◦Cpided  by  8760  h.3.1.2.  Optimization  model  frameworkIn  this  study,  the  genetic  multi-objective  optimization  algorithmhas  been  used  to  select  and  optimize  possible  design  based  onthe  prediction  of  energy  consumption  and  indoor  thermal  com-fort  performance,  and  obtaining  the  optimal  solution.  As  a  result,the designer  needs  to  limit  the  range  of  input  variables  and  thentake  full  advantage  of  the  computer  to  comprehensively  comparethe  different  solutions.  The  optimization  framework  of  this  studyis  summarized  in  Fig.  2.First  a  model  of  the  model  building  was  created  in  Energyplusand  validated  using  measured  data.  Using  this  model,  a  databaseof  cases  was  created  and  used  to  train  and  validate  the  GA–BPnetwork.  After  training  and  validation,  the  GA–BP  performed  fastevaluations  of  the  building  performance,  with  a  good  accuracy  andwithout  simplifying  the  problem.  Finally,  NSGA-II  was  run  by  usingthe  GA–BP  to  evaluate  the  potential  solutions.3.2. GA–BP  multi-objective  predicting  model3.2.1.  Obtaining  the  samples  for  GA–BP  prediction  modelThe  samples  are  chosen  by  following  principles:  enough  sam-ples,  accurate  samples,  representative  samples,  and  uniformdistribution  of  samples.  Therefore,  the  model  building  for  this  studyis  typical  three-storey  residential  buildings  [24,25]  in  Chongqing,China.  The  floor  height  is  2.8  m;  and  the  floor  area  of  each  house-hold  is  approximately  90  m2,  which  is  the  average  household  floorarea  in  Chongqing.  Fig.  3  shows  the  plan  view  of  the  model  building.A  computer  model  of  the  house  was  developed  in  Energyplus.The  energy  consumption  and  indoor  thermal  comfort  performancein  Energyplus  simulation  was  obtained  when  one  of  the  14  variables(building  floor  area,  building  story,  orientation,  shape  coefficient,wall  heat  transfer  coefficient,  wall  thermal  inertia  index,  roof  heattransfer  coefficient,  roof  thermal  inertia  index,  window  heat  trans-fer  coefficient,  area  ratio  of  window  to  wall  for  east,  west,  south,north  direction)  changed  inpidually.  For  example,  when  theremaining  variables  were  unchanged,  the  results  can  be  obtainedwhen  the  wall  heat  transfer  coefficient  changed  from  0.8  W/(m2 K)to  2.0  W/(m2 K).  As  a  result,  the  other  data  can  be  obtained  when  theother  variables  change  inpidually.  100  sets  of  data  as  the  trainingsamples  and  44  sets  of  data  were  selected  as  the  testing  samples  forthe  GA–BP  network  according  to  the  characteristic  of  BP  network’sgeneralization  capability,  and  also  based  on  these  simulation  data.In  order  to  improve  the  accuracy  and  convergence  rate  of  theGA–BP  network  model,  the  training  and  testing  samples’  data  must be  normalized.  The  normalization  method  is  described  in  the  fol-lowing  equation.  xi is  samples’  input  or  output  parameter  value, ¯ xiis  a  real  number  between  0  and  1.¯ xi= xi−  min(x)max(x)  −  min(x)i  =  1,  2,  .  .  .,  m (1)3.2.2.  Design  of  the  BP  neural  networkHsu  [26]  found  that  a  three-layer  BP  neural  network  can  solverandom  function’s  fitting  and  approximation  problem.  As  a  result,a  three-layer  BP  neural  network  is  adopted  in  this  paper. 办公室空调设计英文文献和中文翻译(5):http://www.751com.cn/fanyi/lunwen_29101.html