一、引言
在社会进步和全球经济发展的进程中，能源扮演着至关重要的角色。然而，不断攀升的能源消耗引发了诸如资源枯竭、环境恶化以及气候变化等一系列严峻问题。国际能源署数据显示，2020 年全球建筑运行能耗约占社会总能耗的 36%，该领域二氧化碳排放量占总排放量的 37% ，在欧洲和美国，建筑能耗占一次能源的比例分别达 39% 和 40%。因此，建筑行业面临着提高能源效率的巨大压力。
随着科技的进步，建筑能源效率得到了提升，这有助于减少温室气体排放、降低能源成本，并促进经济发展，契合全球可持续发展目标。在应对气候变化和降低能耗的紧迫性不断增强，以及人们对室内环境质量要求持续提高的背景下，利用多目标优化（MOO）技术优化建筑性能的研究备受关注。
MOO 技术旨在解决建筑性能中多个相互冲突的目标，如能源效率、热舒适、室内空气质量（IAQ）和成本效益等。建筑性能的 MOO 涉及建筑设计、材料选择、可再生能源系统集成等多方面复杂参数的交互作用。为应对这一复杂性，遗传算法、粒子群优化（PSO）等先进优化算法应运而生。传统文献综述存在局限性，而本文采用文献计量分析方法，客观系统地收集和整理大量文献，并运用定量分析和统计方法，旨在揭示建筑性能 MOO 的研究趋势、关键贡献及未来方向。
二、数据收集与文献计量分析
2.1 数据收集与筛选
Web of Science 核心合集因其完整性和高质量，被选为本研究的数据来源。2024 年 4 月 12 日，研究人员使用检索词 “TS= (("building performance" OR "building") AND ("multi - objective optimi?ation" OR "MOO"))” 进行检索，共获得 1749 篇文献。随后，将语言限定为英语，并手动剔除不相关类别，最终保留 1604 篇文献用于文献计量分析，详细筛选流程见图 1。
2.2 文献计量分析
本研究采用 CiteSpace（6.3.1 版）、VOSviewer（1.6.20 版）和 R 包 Bibliometrix（4.3.3 版）作为主要分析和可视化工具。CiteSpace 用于检测新兴趋势和共引分析，VOSviewer 用于创建作者、机构和国家间的合作网络可视化，Bibliometrix 则提供精确的文献计量数据指标用于统计分析。在 CiteSpace 软件分析过程中，切片长度设为一年，并利用路径查找器功能手动合并、删除和调整节点。
三、文献计量分析结果
3.1 数据集概述
自 2003 年以来，该领域共发表 1604 篇论文，总发表量呈指数增长趋势，研究轨迹可分为萌芽期、缓慢发展期、快速积累期和成熟爆发期四个阶段。2003 - 2010 年为萌芽期，年发表量不足 20 篇；2011 - 2013 年是缓慢发展期，研究开始受到更多关注，但整体发展仍较缓慢；2014 - 2019 年进入快速积累期，年发表量增长超 50 倍；2020 年后，研究进入成熟爆发期，研究机构和学者增多，相关理论和方法逐渐成熟，研究成果更多应用于实际问题解决。
建筑性能 MOO 算法发展显著。2002 年，Deb 等人提出非支配排序遗传算法 II（NSGA - II），1995 年 Kennedy 和 Eberhart 提出 PSO 算法，并于 2000 年代中期应用于建筑领域的 MOO。此后，NSGA - III 等改进算法不断涌现，2014 年 NSGA - III 被引入，2015 年后逐渐应用于建筑能源优化等领域。近年来，神经网络和支持向量机等机器学习方法也应用于 MOO 问题，提升了优化效率和准确性。
早期建筑性能 MOO 主要关注能源、设计和成本控制，之后研究范围扩展到热舒适、IAQ 等领域。相关文献发表在 628 个不同来源，《Energy and Buildings》发文量居首。研究分布于能源燃料、建筑技术、土木工程等多个学科，体现了该领域的多学科性。
3.2 合作网络（作者、机构、国家）
通过 Rstudio 生成的机构 - 作者 - 关键词桑基图可知，不同机构的研究人员在建筑性能 MOO 领域各有侧重。如那不勒斯费德里克二世大学的研究人员在该领域研究较为集中。
利用 VOSviewer 生成的国家合作网络地图显示，建筑性能 MOO 研究具有全球性，东亚、北美和欧洲研究产出较高。中国以 434 篇发文量位居榜首，美国次之。中国面临环境和能源压力，城市化进程加快，政策支持等因素促进了该领域研究发展。美国是早期开展相关研究的国家之一，对行业发展影响重大。西班牙国际合作率最高。
在研究机构方面，高等教育机构是建筑性能 MOO 研究的主力军。意大利的桑尼奥大学、新加坡国立大学等在合作网络中处于领先地位。近年来，中国的香港理工大学、华中科技大学等机构在该领域也逐渐崭露头角，但全球机构间的合作网络仍有待加强。
通过分析作者合作网络发现，Fabrizio Ascione、Nicola Bianco 等四位作者形成了紧密的合作团队，是该领域最具影响力的研究团队之一，他们开发了结合多种工具和算法的 MOO 方法，为不同建筑和气候条件提供定制化节能优化方案。此外，Mohamed Hamdy、Risto Kosonen 等也在各自研究方向取得重要成果，推动了该领域的发展。
3.3 研究趋势主题
通过关键词共现和聚类分析，发现遗传算法、设计、模型、模拟等是该领域热门研究话题。遗传算法在频率和中介中心性方面均排名靠前，是解决建筑性能优化复杂非线性问题的核心算法。聚类分析将研究主题分为核心主题、小众主题、基础和横向主题以及新兴或衰退主题。核心主题如遗传算法和多目标优化，在建筑优化研究早期发挥重要作用，并不断发展以应对更复杂的目标和约束；基础和横向主题如能源消耗、热舒适和能源效率，对建筑性能优化至关重要；小众主题如参数化设计，在特定领域具有研究价值；新兴主题如可再生能源、成本优化分析和生命周期评估，受可持续发展需求推动而受到更多关注。
对研究热点的演变分析表明，早期多目标优化和进化算法是研究重点，之后能源效率、建筑围护结构和建筑改造等成为关注焦点，反映了建筑行业对提高性能和优化设计的重视。2016 - 2017 年，建筑模拟和差分进化等关键词爆发，体现了对多目标优化的深入研究和技术应用的转变。2017 - 2019 年，方法学、策略和性能分析等关键词凸显，研究方法更加系统科学。2019 年后，行为和预测等关键词兴起，反映了对居住者行为影响和智能建筑发展的关注。
3.4 知识库与高被引文献分析
通过文献共引网络分析，发现 Nguyen 等人、Kheiri、Hamdy 等人、Delgarm 等人和 Gou 等人的研究是该领域的重要文献。这些研究主要围绕建筑性能优化的方法、算法比较以及建筑围护结构参数对性能的影响等方面展开，强调了结合模拟工具和优化算法是解决建筑性能 MOO 问题的主流方法。
文献共引次数较多的文献构成了该领域的知识库。Deb 等人提出的 NSGA - II 算法，因其高效性和良好的解集多样性，成为优化算法研究的基础；Nguyen 等人对建筑性能模拟和优化方法的综述，为该领域技术发展提供了重要指导；Evins 对可持续建筑设计计算优化方法的总结，为建筑设计优化提供了理论框架和实践指导等。
四、讨论
4.1 多目标优化（MOO）的发展
MOO 的发展经历了多个阶段。最初，研究主要集中在理论基础，如帕累托最优解的定义和求解方法。随着计算技术的进步，启发式和经典技术出现，第一代 MOO 算法诞生，如向量优化方法、目标规划和层次排序。进化算法的兴起推动了 MOO 的发展，遗传算法、进化策略和进化规划等被应用于 MOO 问题，产生了 NSGA、SPEA 和 MOGA 等代表性算法。之后，NSGA - II 和 SPEA2 等更高效的算法不断涌现，研究也逐渐关注动态 MOO、多目标决策支持和实际应用等方面。
在建筑性能优化领域，早期主要采用线性和非线性规划技术优化单一性能指标。随着计算机技术和模拟软件的发展，开始运用基于规则的系统和简单优化算法进行 MOO。2000 年代初，进化和启发式算法被应用于建筑性能 MOO，解决了建筑设计中多目标冲突的问题。目前，研究正结合人工智能和机器学习技术，考虑用户行为、环境变化和社会经济因素的影响。
4.2 优化算法与目标
在 MOO 中，常用的优化方法有帕累托前沿法、加权求和法、ε - 约束法和层次分析法等，其中帕累托前沿法因能提供多个平衡解而成为主流方法。优化算法通常分为先验方法和后验方法，也可分为确定性算法和启发式算法。在建筑性能优化中，主要使用确定性算法和基于种群的随机算法，遗传算法和 PSO 是常用算法。
遗传算法通过迭代进化寻找最优解，NSGA - II 因其快速收敛和强大性能被广泛应用，但在处理高维目标问题时性能下降。NSGA - III 则更适合处理复杂的高维目标问题。PSO 算法在建筑设计中也有应用，如用于平衡生命周期碳排放和成本。不同的优化算法适用于不同类型的建筑优化问题，选择算法时需考虑目标函数类型、搜索要求、计算资源和时间限制等因素。
建筑优化的目标包括降低环境影响、减少能源和资源消耗、降低成本以及提高建筑性能等，可分为建筑能耗、室内环境质量、经济指标、环境指标等关键领域。目前，能源效率优化是研究重点，同时室内环境舒适也备受关注，常见的优化目标还包括视觉舒适、生产力、照明质量和生命周期成本等。
4.3 建筑性能的多目标优化
建筑性能 MOO 的目标函数主要包括能源效率优化、室内环境质量和居住者舒适优化、经济成本优化以及环境影响优化。在实际研究中，常需要平衡这些目标，如减少能源消耗、优化热舒适、降低环境影响和实现成本效益等。
优化算法与建筑性能模拟工具的集成对准确评估设计选择对建筑性能的影响至关重要，但也面临诸多挑战，如高保真模拟和先进优化算法计算强度大，模拟输出存在不连续性和非线性，现有研究缺乏实时适应性，优化结果依赖模拟工具和代理模型的准确性等。未来研究应开发轻量级和自适应优化框架，改进代理模型，集成实时数据和用户行为，以提高计算效率和实际相关性。
建筑设计参数包括建筑平面布局和朝向、建筑围护结构、建筑能源系统选择和建筑控制系统等，这些参数对建筑能耗、成本和舒适性能有重要影响。在实际应用中，通过调整设计参数，利用模拟软件评估其对建筑性能的影响，以找到满足多性能目标的最优平衡。
遗传算法、PSO 和模拟退火等优化算法广泛应用于建筑设计，它们在处理多目标冲突、探索设计选项和确定最优权衡方面发挥了重要作用。然而，这些算法的计算需求和应用难度限制了其在某些设计场景中的应用。未来优化算法应更加集成和智能，同时考虑建筑设计和运营的多个方面，平衡能源效率、成本和环境可持续性，并有效结合用户行为和实时生态变化。
五、结论与展望
本研究对 2003 - 2023 年建筑性能 MOO 进行了全面的文献计量分析，发现先进优化算法如遗传算法和 PSO 提高了建筑性能优化的效率和准确性，人工神经网络（ANN）通过提供准确预测模型间接促进了优化结果的提升。中国和美国在该领域贡献突出，高等教育机构是研究的重要力量。能源消耗、热舒适、生命周期评估和模拟优化是关键研究热点，遗传算法在处理复杂多目标问题方面表现突出。
然而，本研究存在一定局限性，如数据库选择、搜索标准和关键词可能影响分析的全面性，对合作网络、研究趋势和引用模式的解释可能存在偏差，研究方法和工具的选择可能影响结果的普遍性。未来研究可整合多个数据库，提高文献覆盖范围，增强分析的稳健性。
未来研究应致力于开发更集成、智能的优化算法，结合实时数据和用户行为，提高建筑性能优化的适应性和可持续性。加强跨学科合作，促进学术界、产业界和政策制定者之间的交流，推动 MOO 方法在实际场景中的应用。利用先进模拟工具和数据分析技术，结合物联网（IoT）和人工智能（AI）技术，实现建筑性能的实时监测和优化。同时，政府的政策和资金支持将为该领域的进一步发展提供有力保障。
生物通微信公众号
