Techniques génératives utilisées comme fonction de réparation : intégrer des contraintes dans les processus d’optimisation multicritère pour la conception architecturale

SHS Web of Conferences 198, 02002 (2024) EduBIM2024 https://doi.org/10.1051/shsconf/202419802002 Techniques génératives utilisées comme fonction de réparation : intégrer des contraintes dans les processus d’optimisation multicritère pour la conception architecturale Claire Duclos-Prévet1, * and François Guéna2 Laboratoire AS Explore de l’agence Architecture Studio, 75012 Paris et membre de l’UMR MAPMAAC, ENSAPLV, 75019 Paris 1 2 UMR MAP-MAAC, ENSAPLV, 75019 Paris Résumé. L’intégration des contraintes est indissociable de l’optimisation multicritère. Pourtant, elle est rarement étudiée en conception architecturale computationnelle et performancielle. En combinant les processus évolutionnaires avec d’autres techniques génératives comme les processus à base de règles, l’auto-organisation ou les automates cellulaires, il est possible d’intégrer efficacement des contraintes dans des problèmes d’optimisation multicritère en utilisant la méthode des fonctions de réparation. Dans cet article, nous expérimentons ces techniques sur quatre cas d’étude issus de la pratique professionnelle et dérivons des lignes directrices pour le développement d’un solveur d’optimisation adapté à la réparation. Mots-clés. algorithmes génétiques, méthodes d’intégration des contraintes, réparation, modélisation à base d’agents, solveur d’optimisation Abstract. Constraint integration is a crucial aspect in multicriteria optimization, yet it often receives little attention in computational and performance-based architectural design. In this paper, we explore the integration of constraints through a combination of evolutionary processes with other generative techniques such as rule-based systems, selforganization, and agent-based models. By employing the repair function method, we demonstrate the efficient incorporation of constraints into multicriteria optimization problems. Our experiments on four case studies drawn from professional practice yield guidelines for developing an optimization solver capable of constraint repair. * Corresponding author: © The Authors, published by EDP Sciences. This is an open access article distributed under the terms of the Creative Commons Attribution License 4.0 (https://creativecommons.org/licenses/by/4.0/). SHS Web of Conferences 198, 02002 (2024) EduBIM2024 https://doi.org/10.1051/shsconf/202419802002 Keywords. genetic algorithms, contraints handling methods, integrated design, agent-based modeling, optimization solver 1 Introduction Les modèles génératifs tels que les processus à base de règles, les modèles à base d’agents comme l’intelligence en essaim ou les automates cellulaires se distinguent des modèles paramétriques. Il s’agit de processus itératifs [1] auxquels la récursivité confère la faculté d’émergence. Un processus génératif est capable de créer, avec des règles simples et de manière autonome, une grande variété de formes non anticipées par le designer [2]. Cependant, cette particularité des techniques génératives les rend difficiles à contrôler. Ainsi, elles sont peu adaptées à la pratique, et restent cantonnées à des projets de papiers dont on peut trouver des exemples chez certaines agences d’architecture et de design identifiées dans la taxonomie de L. Ma [3]. Les processus génératifs évolutionnaires (fondés sur des algorithmes d’optimisation évolutionnaires comme les algorithmes génétiques) ne rencontrent pas cette limite, car les solutions générées sont en réalité définies, le plus souvent, par un modèle paramétrique. Ces méthodes sont très populaires dans la littérature scientifique [4], y compris leur intégration dans un processus BIM [5]. De nombreux outils ont été implémentés dans les modeleurs 3D démocratisant l’usage de l’optimisation (9 solveurs au total sur Grasshopper®), mais aussi les logiciels BIM avec Optimo sur Dynamo® ou Generative Design Primer®[6]. Les premières applications commencent à apparaître sur des cas réels pour optimiser la performance environnementale des bâtiments [5,6], bien que cela reste rare dans la pratique [9]. Un des sujets souvent négligés en optimisation appliquée à la conception architecturale est la question de l’intégration des contraintes, pourtant si courantes dans la pratique professionnelle des architectes. À notre connaissance, aucun outil à disposition des architectes ne permet de faciliter leur prise en compte. Récemment, il a été montré sur un unique cas d’application [10] qu’un algorithme génératif pouvait permettre de traiter efficacement des problèmes particulièrement contraints en faisant de la réparation de solution. Nous proposons donc d’expérimenter cette méthode de la réparation par processus génératif sur plusieurs cas d’études issus de la pratique professionnelle de l’agence Architecture Studio. Quatre cas d’études permettent de traiter des problèmes distincts avec des contraintes de différentes natures et en utilisant différents types de techniques génératives. 2 Fonction de réparation et techniques génératives Il existe de nombreuses méthodes pour intégrer des contraintes dans un problème d’optimisation, notamment avec les algorithmes génétiques [11]. La méthode la plus populaire est la fonction de pénalisation, car elle est la plus facile à reproduire et donne des résultats raisonnables pour de nombreux problèmes [12]. Elle consiste à pénaliser les valeurs 2 SHS Web of Conferences 198, 02002 (2024) EduBIM2024 https://doi.org/10.1051/shsconf/202419802002 des fonctions objectifs pour les mauvaises solutions. Il y a cependant de nombreux problèmes pour lesquels cette méthode ne fonctionne pas. 2.1 Les fonctions de réparations Lorsque la région des solutions faisables est proportionnellement étroite par rapport à l’ensemble des solutions possibles, les méthodes basées sur les fonctions de pénalité fonctionnent mal [11]. En optimisation combinatoire, il semblerait que la méthode la plus adaptée à la fois en termes de performance et en temps de calcul soit la fonction de réparation [13]. L’efficacité de cette méthode a déjà fait l’objet d’une étude comparative appliquée à un problème d’architecture [10, 14]. Cette dernière a confirmé ce résultat. Une fonction de réparation est un algorithme qui cherche à modifier une solution infaisable pour la rendre faisable. Avec cette méthode, l’ensemble des solutions évaluées sont exploitables, ce qui permet d’éviter de perdre du temps en simulation inutile. Pour que cette méthode fonctionne, il faut qu’un tel algorithme existe, ce qui n’est pas toujours le cas. Cependant, les problèmes d’optimisation combinatoire, comme les problèmes rencontrés en architecture, sont réputés pour être assez adaptés à cette méthode [11]. Salcedo-Sanz [15] a identifié des typologies d’algorithmes de réparation décrits dans la littérature scientifique, mais il s’agit d’applications très éloignées de l’architecture. Le principal reproche fait à cette méthode est que même si un algorithme de réparation existe (ce qui est difficile à savoir a priori), il (...truncated)