The  number  of  the  hidden  nodes  is  calculated  by  empirical  for-mula  [27],  and  the  training  results  show  that  the  network  error  isminimum  when  there  13  hidden  neural  nodes.According  to  the  model’s  input  and  output  parameters,  we  canobtain  the  BP  neural  network’s  structure:  14-13-2.  A  schematic  dia-gram  of  the  three-layer  feed  forward  neural  network  architectureis  shown  in  Fig.  4.3.2.3.  Selection  of  the  training  parametersThe BP  neural  network  training  parameters  settings  are:  the  tar-get  training  mean  squared  error  of  1e  −  5;  the  training  function  oftrain  lm;  the  learning  rate  of  0.5,  and  max  epoch  of  2000  [28,29].Therefore,  the  genetic  algorithm  parameters  settings  are:  thepopulation  of  70;  the  selection  rate  of  0.06;  the  mutation  functionof  non-Unit  Mutation  with  the  parameter  {2  gen  3};  the  crossoverfunction  of  arithXover  with  the  parameter  {20};  the  gen  of  700  [30].
摘要：在建筑设计方案优化中存在几个相互冲突的标准，特别是能源消耗和室内环境的热性能。本文提出了一种新的多目标优化模型，可以协助设计绿色建筑。设计师帕雷托的解决方案是用来获得一组建筑设计优化的最优解，并采用一种改进的多目标遗传算法（NSGA-II）作为建筑设计的多目标优化模型的理论基础。基于对能耗及室内热舒适性仿真数据，研究还用仿真改进的反向传播（BP）网络是由遗传算法（GA）来优化建筑的特征，建立了BP网络模型的GA–快速预测能耗及室内热舒适的居住建筑现状；然后建筑设计通过使用GA–BP网络作为适应度函数，建立了优化模型的多目标遗传算法（NSGA-II）；最后，根据案例研究，提出的多目标的方法，在中国设计出几十个典型建筑的潜在设计，具有广泛的热舒适性和能耗之间的权衡。论文网
                             ©2014 Elsevier公司保留所有权利。
关键词：建筑设计、能源消耗、热舒适性、人工神经网络、多目标遗传算法 办公室空调设计英文文献和中文翻译(6):http://www.751com.cn/fanyi/lunwen_29101.html