运筹学考研(运筹学考研真题)

运筹学考研，运筹学考研真题

• 建筑施工图设计存在的痛难点

1.人力密集性劳动：工时长、成本高、容易出错；2.碎片化程度高：人的“碎片化”和知识的碎片化、沟通和管理成本高，协作困难、人才培养周期长、品质管控难度高；3.低质低效问题：需要临场调整甚至返工，推高成本，增加周期等；

针对以上具体的难点，AlphaDraw「筑绘通」利用AI的技术赋能建筑设计，助力施工图自动出图，增质提效。

AI智能画图有以下几个场景：布线、管道综合和布局。

在目前建筑设计的一些施工图出图过程中，大部分都是由设计师人工的去操作这个事情的，但是很多的工作的话又是比较重复的，所以说设计师在这个过程中其实也非常的痛苦，会花费大量时间，有大量的重复的话，也非常的容易出错，如果能利用AI智能出图，能够很好的解决以上的这些场景的话，对于整个出图过程中的效率和成本都会有很大的提升。

• 如何运用运筹学？

那么这几个场景如何运用运筹学呢？下图为示例：S为Start，E为End，分别为起点和终点，就是要连上的一个线，它所对应的是转折、绕线的逻辑，这个就是一个多点对路由问题，这是我们把障碍以及要连的点对抽象出来的示意图，这个其实是一个比较简单的场景了，因为它的点对数其实比较少。更复杂的案例在我们整个施工图平面当中就要去把整个所有的点对尽可能多的都连上，然后让它满足我们刚才所提到的布线所对应的那些目标，尽可能优化它。

布线有一些简单的求解思路：一个是启发式算法，就理论层面比较简单，单点对也比较高效，但如果是要针对于我们刚才所提到的几个目标的话，可能需要去做一些模改，但是在多点对的时候，因为启发式算法一般可能是做一个顺序的路线，多点队之间关系的平衡，其实还是很难去做的。

另外一个就是整数规划求解，就是建模建好了之后，理论是比较清晰的，然后整体结果也有叫做u的一个保证，但是规模上去了之后，假设我的问题的一个规模，就以great base来说的话，求解器可能就无法胜任整个工作。

第三个就是我们可以考虑先做一些路径的预生成，然后去做整数规划的一个求解，可以抽象成两步法。两步法的第一步的话就是预生成这个步骤的话，其实可以有很多的可选操作了，其实可能要做一些测试，才能知道哪一种生成的一个方式，在哪种场景下是更好的一个选择。

最后基于三角抛分去做这样的一个路由，这个思路其实就会比较偏向于有一定的数学支持了，因为做great base的路由，它的问题规模就是跟我规则的great base的规模是相关的，但如果我们基于 Great base去做完三角抛分再去做路由的话，其实它就跟我们的一个点对是成相关的关系，这两个其实可能差了两个数量级。

• 人工布置车位VS算法布置车位

人工

算法

• 管道综合

管道综合主要是管线，它的一些排布走线，需要满足一些连接要求，它可能是从哪边流过来的，要流到哪些地方去，以及一些分流要求。三维的一个路由要求是它要排布，要尽可能整齐的，因为它需要用一些调架调起来，另外一个是它在三维空间里面所占用的高度，其实是所占用的高度空间越低越好，因为如果我占用的高度越少的话，就拿挖地下车库来说，布管的高度减少10公分的话，地下车库就可以少挖10公分。这对于整个地下车库挖的方量来说，是可以减少很多的，这也可以减少很多成本。

• 机器学习与运筹学

结合机器学习，其实主要有三种思路，第一种直接用机器学习方法，因为我们可以设计一个端到端的机器学习模型，但这样的话其实跟运筹优化可能关系也不是很大，需要去做运筹优化建模，可能也不太需要去做了，直接对一个机器学习模型。但这样的一些问题，其实就跟我们之前遇到的一些机器学习模型的问题是一样的，一个是它的可解释性，另外一个是它的稳定性可能也不是很高。

第二种就是用机器学习嵌入到整个流程当中，它会学习一些配置，然后输入到我们的组合优化模型当中去，来得这个结果，相当于去打一个配合，这个配合主要是可以把一些组合优化求解，去建一个运筹优化的模型，但是它求解一般都会比较耗时，机器学习的话，可以把一些耗时的部分尝试着把它放在训练的环节当中去，然后通过这个模型直接推理，然后得到这个推理结果，再放到组合运输优化模型当中去，缩短 online的推理时间。

第三种模式，在用运筹优化模型去求解，但是会加一个机器学习的模型，做一个迭代，相当于迭代的输入喂给运筹优化模型。

以上为品览算法工程师直播实录，更多详细直播内容请在bilibili搜索“品览”，查看具体技术视频；如您对施工图自动绘制感兴趣，可进入“品览”官网试用。

运筹学考研(运筹学考研真题)