初始平面布置生成方法和装置、电子设备和存储介质

摘要

本申请提供了一种初始平面布置生成方法和装置、电子设备和存储介质，其中，该方法包括：获取建筑平面图；将建筑平面图输入核心生成模块，得到节点特征和邻接矩阵；根据节点特征和邻接矩阵，生成初始平面布置的图像。通过本申请，解决了相关技术中存在缺乏合理的数字化表征方法、非数据驱动、缺乏通用性以及生成能力有限的问题。

权利要求

1.一种初始平面布置生成方法，其特征在于，所述方法包括：

获取建筑平面图；

将所述建筑平面图输入核心生成模块，得到节点特征和邻接矩阵，其中，所述将所述建筑平面图输入核心生成模块，得到节点特征和邻接矩阵包括：建立数字化表示方式；根据所述数字化表示方式、所述建筑平面图和预设转换算法，得到所述节点特征，其中，所述预设转换算法用于从所述建筑平面图中生成所述节点特征；根据所述节点特征、所述建筑平面图中的全局坐标系和预设识别算法，得到所述节点特征中每个节点的局部坐标系，其中，所述预设识别算法用于从所述建筑平面图中提取所述局部坐标系；将所述节点特征和所述局部坐标系输入所述核心生成模块中的邻接矩阵生成器，得到所述邻接矩阵；

根据所述节点特征和所述邻接矩阵，生成初始平面布置的图像。

2.根据权利要求1所述的方法，其特征在于，所述将所述节点特征和所述局部坐标系输入所述核心生成模块中的邻接矩阵生成器，得到所述邻接矩阵包括：从所述节点特征中获取每个所述节点在所述全局坐标系中的坐标；

根据所述坐标和第一预设公式生成所述节点与所述节点之间的距离，得到距离矩阵，p p 1/p所述第一预设公式为Dij；p＝[(xi‑xj) +(yi‑yj)] ,p＝1,2，其中，Dij；p为节点vi和vj之间的p‑范数距离，当p值取1时，Dij；1为曼哈顿距离，当p值取2时，Dij；2为欧氏距离，(xi，yi)为节点vi的坐标，(xj，yj)为节点vj的坐标；

将所述距离矩阵每一行按第一预设顺序排序，得到每个所述节点对应的第一预设数量个候选邻居，其中，所述候选邻居包含实际邻居，所述实际邻居与对应的所述节点之间存在连接对象；

根据所述坐标和所述候选邻居对应的所述距离，得到特征向量，其中，所述特征向量用于确定每个所述候选邻居与对应的所述节点的所述距离；

结合所述特征向量和所述局部坐标系，得到结合后的特征向量，其中，所述结合后的特征向量用于确定每个所述候选邻居与对应的所述节点的连线方向和所述距离；

将所述结合后的特征向量输入第一预设多层感知机中，得到输出向量，其中，所述输出向量包含所述候选邻居成为所述实际邻居的第一概率；

根据所述输出向量中的候选邻居对应的所述第一概率，生成所述邻接矩阵。

3.根据权利要求2所述的方法，其特征在于，在所述将所述建筑平面图输入核心生成模块，得到节点特征和邻接矩阵之前，所述方法还包括：获取训练建筑平面图和对应的训练结构平面图；

将所述训练建筑平面图输入所述核心生成模块，得到训练邻接矩阵；

将所述训练结构平面图输入预设转化算法，得到实际邻接矩阵；

根据所述训练邻接矩阵、所述实际邻接矩阵、判别器中的第一预设捕捉算法和第二预设多层感知机，分别得到所述训练邻接矩阵中每个节点子图和所述实际邻接矩阵中的所述节点子图指示通过的第二概率，其中，所述判别器用于区分所述训练邻接矩阵和所述实际邻接矩阵，所述节点子图用于确定在节点预设步长范围内的结构信息；

根据所述第二概率生成判别器误差函数和第一生成器误差函数，其中，所述判别器误差函数用于训练所述判别器；

根据所述训练邻接矩阵、所述实际邻接矩阵以及所述判别器中的第二预设捕捉算法，生成第二生成器误差函数，其中，所述第二预设捕捉算法用于获取所述训练邻接矩阵和所述实际邻接矩阵的第一结构信息；

结合所述第一生成器误差函数和所述第二生成器误差函数，得到生成器误差函数，其中，所述生成器误差函数用于训练所述邻接矩阵生成器；

利用所述生成器误差函数和所述判别器误差函数的梯度回传分别训练所述邻接矩阵生成器和所述判别器，直到所述第二概率超过第一预设阈值，则停止训练。

4.根据权利要求3所述的方法，其特征在于，所述根据所述训练邻接矩阵、所述实际邻接矩阵、判别器中的第一预设捕捉算法和第二预设多层感知机，分别得到所述训练邻接矩阵中每个节点子图和所述实际邻接矩阵中的所述节点子图指示通过的第二概率包括：通过第一预设捕捉算法分别获取所述训练邻接矩阵和所述实际邻接矩阵的第二结构信息，其中，所述第二结构信息包含所有所述节点子图的所述第二结构信息；

所述第二结构信息经过第二预设数量次传播和聚合后，分别得到所述训练邻接矩阵和所述实际邻接矩阵的最终节点嵌入向量；

将所述最终节点嵌入向量输入所述第二预设多层感知机中，分别得到所述训练邻接矩阵和所述实际邻接矩阵的所述第二概率。

5.根据权利要求1或4所述的方法，其特征在于，在所述根据所述数字化表示方式、所述建筑平面图和预设转换算法，得到所述节点特征之前，所述方法还包括：获取第二训练建筑平面图和对应的输出图像，其中，所述输出图像包含所述第二训练建筑平面图对应的实际节点特征；

通过所述第二训练建筑平面图和所述输出图像，对所述预设转换算法进行训练，直到所述预设转换算法生成所述实际节点特征的第三概率超过第二预设阈值，则停止训练。

6.根据权利要求1所述的方法，其特征在于，所述根据所述节点特征和所述邻接矩阵，生成初始平面布置的图像包括：将所述邻接矩阵中每行元素按照第二预设顺序排序；

获取排序后的每行元素的前第三预设数量个所述元素作为目标元素；

获取阈值集合；

根据所述阈值集合和第二预设公式对所述目标元素进行预设处理，得到处理结果，所述第二预设公式为ai≥Tia1，其中，Ti为阈值集合中第i个阈值，a1为目标元素中第1个元素，ai为目标元素中第i个元素，所述预设处理包括：如果ai≥Tia1，那么该元素ai就取为1，否则取为0；

根据所述处理结果和所述节点特征生成所述图像。

7.一种初始平面布置生成装置，其特征在于，包括：

获取模块，用于获取建筑平面图；

得到模块，用于将所述建筑平面图输入核心生成模块，得到节点特征和邻接矩阵；

所述得到模块包括：建立单元，用于建立数字化表示方式；第一得到单元，用于根据所述数字化表示方式、所述建筑平面图和预设转换算法，得到所述节点特征，其中，所述预设转换算法用于从所述建筑平面图中生成所述节点特征；第二得到单元，用于根据所述节点特征、所述建筑平面图中的全局坐标系和预设识别算法，得到所述节点特征中每个节点的局部坐标系，其中，所述预设识别算法用于从所述建筑平面图中提取所述局部坐标系；第三得到单元，用于将所述节点特征和所述局部坐标系输入所述核心生成模块中的邻接矩阵生成器，得到所述邻接矩阵；生成模块，用于根据所述节点特征和所述邻接矩阵，生成初始平面布置的图像。

8.一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，其特征在于，所述存储器，用于存储计算机程序；

所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行权利要求1至6中任一项中所述的方法步骤。

9.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1至6中任一项中所述的方法步骤。

说明书

初始平面布置生成方法和装置、电子设备和存储介质

技术领域

[0001] 本发明涉及建筑结构技术领域，尤其涉及一种初始平面布置生成方法和装置、电子设备和存储介质。

背景技术

[0002] 在多层商业建筑和住宅建筑中广泛采用框架结构和剪力墙结构，随着全球城市化步伐加快，结构设计的需求不断增加。结构设计的任务是依据给定的建筑平面图建立安全经济的平面布置，包括梁、柱和剪力墙等构件。建筑平面图通常由建筑内部复杂的功能划分决定，其布局一般也很复杂多样。针对这样的建筑平面图，通过工程师进行结构设计十分耗时，并且严重依赖专业经验。

[0003] 为了实现结构设计的自动化，现有技术有两类方法。一类方法是结构拓扑优化，它使用传统的优化算法或启发式搜索算法来生成平面布置。然而，这类方法通常需要均匀的初始设计域，缺乏根据给定的建筑平面图生成复杂结构的能力，因此其生成能力有限，应用局限于生成不考虑建筑布局约束的简单桁架结构、支撑体系等结构，如结构概念设计，高层建筑支撑体系设计，高压输电塔设计等。该类方法即便考虑建筑布局约束后生成的剪力墙生成模型，其设计域也局限于给定的建筑隔墙内，缺乏生成框架梁和柱的平面布置能力。另一类方法考虑了建筑平面布局约束，使用非数据驱动的启发式算法或者数据驱动的深度神经网络来生成剪力墙布置。非数据驱动的方法通常需要人工归纳生成较为复杂的生成规则或者优化目标，缺乏通用性。数据驱动的方法可以挖掘现有建筑结构图纸中的信息，归纳剪力墙的布置逻辑，但该方法的结构智能生成模型仍将建筑和结构平面图纸作为图像来处理，实际上无论是建筑图还是结构图基本都是由直线构成的，存在大量的空白，因此采用图像处理的方式效率低下，无法高效表示框架结构的拓扑关系，并且该方法目前仍不能根据给定的建筑布局生成梁和柱的平面布置。

[0004] 因此，现有技术存在缺乏合理的数字化表征方法、非数据驱动、缺乏通用性以及生成能力有限的问题。

发明内容

[0005] 本申请提供了一种初始平面布置生成方法和装置、电子设备和存储介质，以至少解决相关技术中存在…的问题。

[0006] 根据本申请实施例的一个方面，提供了一种初始平面布置生成方法，该方法包括：

[0007] 获取建筑平面图；

[0008] 将所述建筑平面图输入核心生成模块，得到节点特征和邻接矩阵；

[0009] 根据所述节点特征和所述邻接矩阵，生成初始平面布置的图像。

[0010] 根据本申请实施例的另一个方面，还提供了一种初始平面布置生成装置，该装置包括：

[0011] 获取模块，用于获取建筑平面图；

[0012] 得到模块，用于将所述建筑平面图输入核心生成模块，得到节点特征和邻接矩阵；

[0013] 生成模块，用于根据所述节点特征和所述邻接矩阵，生成初始平面布置的图像。

[0014] 可选地，得到模块包括：

[0015] 建立单元，用于建立数字化表示方式；

[0016] 第一得到单元，用于根据所述数字化表示方式、所述建筑平面图和预设转换算法，得到所述节点特征，其中，所述预设转换算法用于从所述建筑平面图中生成所述节点特征；

[0017] 第二得到单元，用于根据所述节点特征、所述建筑平面图中的全局坐标系和预设识别算法，得到所述节点特征中每个节点的局部坐标系，其中，所述预设识别算法用于用于从所述建筑平面图中提取所述局部坐标系；

[0018] 第三得到单元，用于将所述节点特征和所述局部坐标系输入所述核心生成模块中的邻接矩阵生成器，得到所述邻接矩阵。

[0019] 第一获取单元，用于获取训练建筑平面图和对应的训练结构平面图；

[0020] 第四得到单元，用于将所述训练建筑平面图输入所述核心生成模块，得到训练邻接矩阵；

[0021] 第五得到单元，用于将所述训练结构平面图输入预设转化算法，得到实际邻接矩阵；

[0022] 第六得到单元，用于根据所述训练邻接矩阵、所述实际邻接矩阵、判别器中的第一预设捕捉算法和第二预设多层感知机，分别得到所述训练邻接矩阵中每个节点子图和所述实际邻接矩阵中的所述节点子图指示通过的第二概率，其中，所述判别器用于区分所述训练邻接矩阵和所述实际邻接矩阵，所述节点子图用于确定在节点预设步长范围内的结构信息；

[0023] 第一生成单元，用于根据所述第二概率生成判别器误差函数和第一生成器误差函数，其中，所述判别器误差函数用于训练所述判别器；

[0024] 第二生成单元，用于根据所述训练邻接矩阵、所述实际邻接矩阵以及所述判别器中的第二预设捕捉算法，生成第二生成器误差函数，其中，所述第二预设捕捉算法用于获取所述训练邻接矩阵和所述实际邻接矩阵的第一结构信息；

[0025] 第七得到单元，用于结合所述第一生成器误差函数和所述第二生成器误差函数，得到生成器误差函数，其中，所述生成器误差函数用于训练所述邻接矩阵生成器；

[0026] 训练单元，用于利用所述生成器误差函数和所述判别器误差函数的梯度回传分别训练所述邻接矩阵生成器和所述判别器，直到所述第二概率超过第一预设阈值，则停止训练。

[0027] 可选地，第一得到单元包括：

[0028] 第一获取子模块，用于获取第二训练建筑平面图和对应的输出图像，其中，所述输出图像包含所述第二训练建筑平面图对应的实际节点特征；

[0029] 训练子模块，用于通过所述第二训练建筑平面图和所述输出图像，对所述预设转换算法进行训练，直到所述预设转换算法生成所述实际节点特征的第三概率超过第二预设阈值，则停止训练。

[0030] 可选地，第三得到单元包括：

[0031] 第二获取子模块，用于从所述节点特征中获取每个所述节点在所述全局坐标系中的坐标；

[0032] 第一得到子模块，用于根据所述坐标和第一预设公式生成所述节点与所述节点之间的距离，得到距离矩阵；

[0033] 第二得到子模块，用于将所述距离矩阵每一行按第一预设顺序排序，得到每个所述节点对应的第一预设数量个候选邻居，其中，所述候选邻居包含实际邻居，所述实际邻居与对应的所述节点之间存在连接对象；

[0034] 第三得到子模块，用于根据所述坐标和所述候选邻居对应的所述距离，得到特征向量，其中，所述特征向量用于确定每个所述候选邻居与对应的所述节点的所述距离；

[0035] 第四得到子模块，用于结合所述特征向量和所述局部坐标系，得到结合后的特征向量，其中，所述结合后的特征向量用于确定每个所述候选邻居与对应的所述节点的连线方向和所述距离；

[0036] 第五得到子模块，用于将所述结合后的特征向量输入第一预设多层感知机中，得到输出向量，其中，所述输出向量包含所述候选邻居成为所述实际邻居的第一概率；

[0037] 生成子模块，用于根据所述输出向量中的候选邻居对应的所述第一概率，生成所述邻接矩阵。

[0038] 可选地，第六得到单元包括：

[0039] 第三获取子模块，用于通过第一预设捕捉算法分别获取所述训练邻接矩阵和所述实际邻接矩阵的第二结构信息，其中，所述第二结构信息包含所有所述节点子图的所述第二结构信息；

[0040] 第六得到子模块，用于所述第二结构信息经过第二预设数量次传播和聚合后，分别得到所述训练邻接矩阵和所述实际邻接矩阵的最终节点嵌入向量；

[0041] 第七得到子模块，用于将所述最终节点嵌入向量输入所述第二预设多层感知机中，分别得到所述训练邻接矩阵和所述实际邻接矩阵的所述第二概率。

[0042] 可选地，生成模块包括：

[0043] 排序单元，用于将所述邻接矩阵中每行元素按照第二预设顺序排序；

[0044] 作为单元，用于获取排序后的每行元素的前第三预设数量个所述元素作为目标元素；

[0045] 第二获取单元，用于获取阈值集合；

[0046] 第八得到单元，用于根据所述阈值集合和第二预设公式对所述目标元素进行预设处理，得到处理结果；

[0047] 第三生成单元，用于根据所述处理结果和所述节点特征生成所述图像。

[0048] 根据本申请实施例的又一个方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；其中，存储器，用于存储计算机程序；处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行上述任一实施例中的方法步骤。

[0049] 根据本申请实施例的又一个方面，还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一实施例中的方法步骤。

[0050] 在本申请实施例中，通过获取建筑平面图；将建筑平面图输入核心生成模块，得到节点特征和邻接矩阵；根据节点特征和邻接矩阵，生成初始平面布置的图像。由于本申请实施例将获取到的建筑平面图输入核心生成模块，再利用核心生成模块从建筑平面图中提取节点特征和邻接矩阵，之后将节点特征中的节点按照其坐标画出，并根据邻接矩阵连接节点，生成初始平面布置的图像。因该核心生成模块基于杆系结构体系数字化表示方式，能够高效数字化表示框架结构、剪力墙结构和框架剪力墙等结构。并且，该核心生成模块经过了采用数据驱动的预训练以及辅助训练模块的训练，通用性高。另外，通过学习大量成对的建筑平面图和结构平面图，该核心生成模块可以根据建筑平面图自动生成梁、柱构件的平面布置以及各个节点的节点特征，准确率高、生成能力强。解决了相关技术中存在缺乏合理的数字化表征方法、非数据驱动、缺乏通用性以及生成能力有限的问题。

附图说明

[0051] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

[0052] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0053] 图1是根据本申请实施例的一种可选的初始平面布置生成方法的流程示意图；

[0054] 图2是根据本申请实施例的一种可选的框架结构平面布置的示意图；

[0055] 图3是根据本申请实施例的一种可选的与图2对应的数字化表征示意图；

[0056] 图4是根据本申请实施例的一种可选的剪力墙结构平面布置的示意图；

[0057] 图5是根据本申请实施例的一种可选的与图4对应的数字化表征示意图；

[0058] 图6是根据本申请实施例的一种可选的训练pix2pixHD模型所需输入图像的示意图；

[0059] 图7是根据本申请实施例的一种可选的训练pix2pixHD模型所需输出图像的示意图；

[0060] 图8是根据本申请实施例的一种可选的建筑平面图；

[0061] 图9是根据本申请实施例的一种可选的从图8中提取局部坐标系的示意图；

[0062] 图10是根据本申请实施例的一种可选的基于图生成模型的结构初始平面布置生成方法的流程示意图；

[0063] 图11是根据本申请实施例的一种可选的初始平面布置生成装置的结构框图；

[0064] 图12是根据本申请实施例的一种可选的电子设备的结构框图。

具体实施方式

[0065] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

[0066] 需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0067] 随着土木工程结构领域信息化、智能化转型理念的推广。以深度学习为代表的新一代人工智能技术越来越多的被应用于土木工程结构设计领域，以期实现根据建筑平面图生成节点特征、邻接矩阵等平面布置的自动化和智能化。近年来，以生成对抗网络为代表的智能生成模型进一步减少了设置生成规则和优化目标对人工的依赖，大幅增强了模型的通用性。并且，通过图神经网络将数据表示从较为规则的图像和文本序列拓展到了更为一般的非欧图，增强了智能生成模型的表示能力。另外，随着城市化的发展，积累了海量的设计图纸，这些图纸覆盖了类型丰富、规模不一的建筑结构，智能生成模型可以从中学习归纳各种复杂的设计规则和设计经验，从而使智能生成模型根据建筑平面图生成节点特征、邻接矩阵等平面布置的自动化和智能化成为可能。

[0068] 基于上述内容，根据本申请实施例的一个方面，提供了一种初始平面布置生成方法，如图1所示，该方法的流程可以包括以下步骤：

[0069] 步骤S101，获取建筑平面图。

[0070] 可选地，获取多层住宅建筑、商业建筑以及其他的复杂建筑的建筑平面图，该建筑平面图中的结构类型包括框架结构、框架‑剪力墙结构和剪力墙结构，不同结构中还包含梁、柱、剪力墙等构件。

[0071] 步骤S102，将建筑平面图输入核心生成模块，得到节点特征和邻接矩阵。

[0072] 可选地，将上述建筑平面图输入上述智能生成模型中的核心生成模块中，通过核心生成模块可以根据建筑平面图生成节点特征和表示节点之间邻接关系的邻接矩阵，即结构平面图的拓扑表示。节点特征包括每个节点的平面坐标以及该节点下方是否存在柱子构件，邻接矩阵能够表示两个不同节点之间的连接关系，即两个节点是否存在梁或剪力墙等构件。

[0073] 步骤S103，根据节点特征和邻接矩阵，生成初始平面布置的图像。

[0074] 可选地，将节点特征中的节点按照其坐标画出，并表示出该节点下方是否存在柱子，之后根据邻接矩阵确定不同节点之间的连接关系，根据连接关系连接节点，生成初始平面布置的图像。图2是根据本申请实施例的一种可选的框架结构平面布置的示意图，图4是根据本申请实施例的一种可选的剪力墙结构平面布置的示意图，如图2和图4所示，图2中E点和图4中Q点这类点表示节点下方不存在柱子的无柱节点。图2中W点和图4中P点这类点表示下方存在柱子的有柱节点。图2中r边和图4中j边这类边表示梁边，图4中u边这类边表示剪力墙的墙边。

[0075] 在本申请实施例中，通过获取建筑平面图；将建筑平面图输入核心生成模块，得到节点特征和邻接矩阵；根据节点特征和邻接矩阵，生成初始平面布置的图像。由于本申请实施例将获取到的建筑平面图输入核心生成模块，再利用核心生成模块从建筑平面图中提取节点特征和邻接矩阵，之后将节点特征中的节点按照其坐标画出，并根据邻接矩阵连接节点，生成初始平面布置的图像。因该核心生成模块基于杆系结构体系数字化表示方式，能够高效数字化表示框架结构、剪力墙结构和框架剪力墙等结构。并且，该核心生成模块经过了采用数据驱动的预训练以及辅助训练模块的训练，通用性高。另外，通过学习大量成对的建筑平面图和结构平面图，该核心生成模块可以根据建筑平面图自动生成梁、柱构件的平面布置以及各个节点的节点特征，准确率高、生成能力强。解决了相关技术中存在缺乏合理的数字化表征方法、非数据驱动、缺乏通用性以及生成能力有限的问题。

[0076] 作为一种可选实施例，将建筑平面图输入核心生成模块，得到节点特征和邻接矩阵包括：

[0077] 建立数字化表示方式；

[0078] 根据数字化表示方式、建筑平面图和预设转换算法，得到节点特征，其中，预设转换算法用于从建筑平面图中生成节点特征；

[0079] 根据节点特征、建筑平面图中的全局坐标系和预设识别算法，得到节点特征中每个节点的局部坐标系，其中，预设识别算法用于用于从建筑平面图中提取局部坐标系；

[0080] 将节点特征和局部坐标系输入核心生成模块中的邻接矩阵生成器，得到邻接矩阵。

[0081] 可选地，如图2、图3、图4和图5所示，每个框架结构和剪力墙结构平面图每个框架结构平面布置和剪力墙结构平面布置可以自然地用一个无向图 来表示，图 中有一组节点 和边ε。建立如下数字化表示方式：每个节点 代表一个梁的交点，并且拥有一个3维的节点特征Xi＝[xi，yi，ci]，其中，xi和yi是节点的平面坐标，ci是表示节点类型的二进制变量，如果节点vi处下方有柱子，ci为1，否则为0。每条边(vi，vj)∈ε代表连接节点vi和vj的梁或剪力墙，并且用一个表示构件类型的独热向量Aij表示。如果此边是剪力墙，Aij的值为[1，0]；如果此边是梁，Aij的值为[0，1]，当节点vi和vj之间不存在任何构件时，Aij的值为[0，0]。对于一个有N个节点的结构平面图，上述数字化表示方法可以概括为节点特征矩阵X＝T N×3 N×N×2
[X1,…,Xn]∈R 和邻接矩阵A∈R ，其中，R表示矩阵，N×3表示N行3列，N×N×2表示N行N列2层。

[0082] 通过上述数字化表示方法可以将所有框架结构、剪力墙结构和框架‑剪力墙结构都表示为图(Graph，G)，其中图G是节点 和ε的集合，即 利用节点特征矩阵X和邻接矩阵A可以完整表示图G。图G作为一种独特的非欧几里得数据结构，可以非常有效地存储结构信息。此外，依据不同的任务，如结构生成、计算或优化，可以通过增加边类型或扩大节点特征来修改上述数字化表示方式。例如：在无需考虑剪力墙的情况下，可以将邻接矩N×N
阵简化为A∈R ，此时的Aij是一个二元变量，当节点vi和vj之间存在梁时Aij为1，不存在时Aij为0。

[0083] 基于上述数字化表示方式，采用图像‑图像转换算法(pix2pixHD)即预设转换算法来从建筑平面图中生成每个节点的节点特征，例如节点vi的节点特征为Xi＝[xi，yi，ci]。

[0084] 得到上述节点特征的同时，采用基于图像线段识别算法(LSD)即预设识别算法提取建筑平面图中的局部坐标系的信息，局部坐标系能够表示建筑隔墙的布置方向。依据最近原则为每个节点分配一个局部参考系，图9是根据本申请实施例的一种可选的从图8中提取局部坐标系的示意图，如图9所示，x‑y为全局坐标系，图中每个节点都有自己的局部坐标系，例如节点vi的局部坐标系为x'‑y'，用一个4维向量[cosθloc，sinθloc，‑sinθloc，cosθloc]表示x'‑y'，其中θloc为该局部参考系的x'轴与建筑平面图中全局坐标系的x轴之间的夹角，θloc取值范围为[‑π/4，π/4]。由于梁的布置方向一般和隔墙的布置方向相同，因此该信息将有助于后续的邻接矩阵生成。

[0085] 由于邻接矩阵是非常稀疏的矩阵，现有的生成模型应用在稀疏矩阵的时候效率都很低，例如自回归模型或者逐元素的多层感知机(Multilayer Perceptron，MLP)。因此，本申请为了高效生成结构平面图的邻接矩阵，在核心生成模块中采用逐节点MLP架构构建邻接矩阵生成器。另外，逐节点MLP架构是基于结构平面图中的局部连接性提出的，局部连接性指每个节点只可能和附近的几个节点相连，距离当前考察节点最近的t个节点被称为候选邻居，t表示多个，此处不做具体数量限制。将上述节点特征和局部坐标系输入邻接矩阵生成器，生成邻接矩阵。

[0086] 在本申请实施例中，首先建立了能够完整描述框架结构、剪力墙结构和框架‑剪力墙结构中的梁、柱、剪力墙等结构构件的拓扑连接关系和布置位置的高效数字化表征方法，可适应不同的设计和计算任务。之后，基于该表示方法通过pix2pixHD和LSD生成节点特征和局部坐标系，进而利用邻接矩阵生成器生成邻接矩阵，通过节点特征和邻接矩阵能够表示Graph的信息。实现了自动提取建筑平面图中的信息并生成结构节点的合理分布。解决了相关技术中存在缺乏合理的数字化表征方法和生成能力有限的问题

[0087] 作为一种可选实施例，将节点特征和局部坐标系输入核心生成模块中的邻接矩阵生成器，得到邻接矩阵包括：

[0088] 从节点特征中获取每个节点在全局坐标系中的坐标；

[0089] 根据坐标和第一预设公式生成节点与节点之间的距离，得到距离矩阵；

[0090] 将距离矩阵每一行按第一预设顺序排序，得到每个节点对应的第一预设数量个候选邻居，其中，候选邻居包含实际邻居，实际邻居与对应的节点之间存在连接对象；

[0091] 根据坐标和候选邻居对应的距离，得到特征向量，其中，特征向量用于确定每个候选邻居与对应的节点的距离；

[0092] 结合特征向量和局部坐标系，得到结合后的特征向量，其中，结合后的特征向量用于确定每个候选邻居与对应的节点的连线方向和距离；

[0093] 将结合后的特征向量输入第一预设多层感知机中，得到输出向量，其中，输出向量包含候选邻居成为实际邻居的第一概率；

[0094] 根据输出向量中的候选邻居对应的第一概率，生成邻接矩阵。

[0095] 可选地，从节点特征中获取每个节点在全局坐标系中的坐标，例如，节点vi的坐标为(xi，yi)，节点vj的坐标为(xj，yj)。

[0096] 具体来说，首先根据坐标和公式(1)即第一预设公式，计算节点vi和vj之间的p‑范数距离Dij；p。当p值取1时，Dij；1为曼哈顿距离，适合描述类网格的图。当p值取2时，Dij；2为欧氏距离，具有旋转不变性，实际使用时可根据效果选择p的取值。当i和j遍历所有节点后，得到的所有Dij；p就可以组成一个矩阵Dp即距离矩阵，Dp包含所有节点对应的距离。

[0097] Dij；p＝[(xi‑xj)p+(yi‑yj)p]1/p,p＝1,2                   (1)

[0098] 对距离矩阵Dp的每一行按从小到大的顺序即第一预设顺序各自排序，进而得到每个节点的候选邻居，例如节点vi对应的t个候选邻居为 其中s1，s2，…，st是这些候选邻居的下标索引。

[0099] 将节点vi的候选邻居 的距离进行归一化得到各自的相对坐标，进而得到一个2t维的特征向量，表示为 其中，以候选邻居vsq的相对坐标
为例：

[0100] 当要决定两个节点是否相邻时，连接两个节点的线的方向要比这些节点之间的距离更重要。因此，将上述特征向量和局部坐标系拼接结合起来，形成了最终的2t+4维的特征向量 即结合后的特征向量，如公式(2)所示：

[0101]

[0102] 随后将上述特征向量 输入到一个MLP即第一预设多层感知机中生成一个t维的输出向量 如公式(3)所示， 中的每个元素代表节点vi的t个候选邻居成为节点vi真实邻居的概率，真实邻居与节点vi之间存在连接对象，连接对象包括梁或剪力墙。通过上述方法能够获取节点vi之外其他节点的输出向量。

[0103]

[0104]

[0105] 在无需考虑剪力墙的情况下，将 中的每个元素按照它原本的下标索引被分配到邻接矩阵A中，例如， 中的第j个元素按照它的下标索引sj被分配到邻接矩阵A中，如式(4)所示，并将邻接矩阵A中的非候选邻居对应的元素都设置为0。重复上述操作，直到所有节点的候选邻居对应的元素都分配到邻接矩阵A之后，邻接矩阵A成功生成。举例来说，如果一共有5个节点(序号分别为1，2，3，4，5)，当前考虑的节点为节点1，节点2、3为节点1的候选(1)邻居，且节点3距离节点1更近，此时Yout ＝[0.7,0.6]，0.7和0.6分别代表节点3和节点2成为节点1的真实邻居的概率。对应的邻接矩阵A第一行就是[0，0.6，0.7，0，0]，得到邻接矩阵A其他行的方式与上述方式相同，此处不再赘述。

[0106] 在本申请实施例中，通过计算节点之间的距离，将距离归一化后得到候选邻居的相对坐标并结合局部坐标系，得到特征向量，通过MLP得到每个候选邻居成为真实邻居的概率，进而生成邻接矩阵。上述方法通过组装局部参考系及候选邻居等节点特征，可以考虑各种不规则的建筑平面图，并且提出了一种适用于结构布置的大规模稀疏邻接矩阵的新生成算法。

[0107] 作为一种可选实施例，在将建筑平面图输入核心生成模块，得到节点特征和邻接矩阵之前，方法还包括：

[0108] 获取训练建筑平面图和对应的训练结构平面图；

[0109] 将训练建筑平面图输入核心生成模块，得到训练邻接矩阵；

[0110] 将训练结构平面图输入预设转化算法，得到实际邻接矩阵；

[0111] 根据训练邻接矩阵、实际邻接矩阵、判别器中的第一预设捕捉算法和第二预设多层感知机，分别得到训练邻接矩阵中每个节点子图和实际邻接矩阵中的节点子图指示通过的第二概率，其中，判别器用于区分训练邻接矩阵和实际邻接矩阵，节点子图用于确定在节点预设步长范围内的结构信息；

[0112] 根据第二概率生成判别器误差函数和第一生成器误差函数，其中，判别器误差函数用于训练判别器；

[0113] 根据训练邻接矩阵、实际邻接矩阵以及判别器中的第二预设捕捉算法，生成第二生成器误差函数，其中，第二预设捕捉算法用于获取训练邻接矩阵和实际邻接矩阵的第一结构信息；

[0114] 结合第一生成器误差函数和第二生成器误差函数，得到生成器误差函数，其中，生成器误差函数用于训练邻接矩阵生成器；

[0115] 利用生成器误差函数和判别器误差函数的梯度回传分别训练邻接矩阵生成器和判别器，直到第二概率超过第一预设阈值，则停止训练。

[0116] 可选地，本申请提出的智能生成模型由核心生成模块和辅助训练模块组成，其中，辅助训练模块可以判断邻接矩阵生成器生成的结构拓扑表示即邻接矩阵的准确率，并将相关信息反馈给核心生成模块供其学习。在模型训练阶段，核心生成模块和辅助训练模块需要联合使用，而在实际使用阶段只需要核心生成模块。

[0117] 获取用于对核心生成模块训练的训练建筑平面图和对应的训练结构平面图。

[0118] 利用核心生成模块中的邻接矩阵生成器根据训练建筑平面图生成图G，即生成节点特征X和邻接矩阵A，由于辅助训练模块是为了训练邻接矩阵生成器(生成器)和辅助训练模块中的判别器，因此，将生成的邻接矩阵A即训练邻接矩阵输入判别器。

[0119] 利用辅助训练模块中的图像‑图转化算法即预设转化算法处理训练结构平面图得到真实邻接矩阵即实际邻接矩阵，将实际邻接矩阵同样输入判别器。

[0120] 为了使判别器能够更准确地区分训练邻接矩阵和实际邻接矩阵，本申请提出了利用nodeGAN即第一预设捕捉算法，捕捉图的高频结构信息即第二结构信息，利用重建误差即第二预设捕捉算法，捕捉图的低频结构信息即第一结构信息，将低频和高频结构信息结合以全面比较生成图中的训练邻接矩阵和真实图的实际邻接矩阵之间的区别。首先，nodeGAN采用图卷积网络(Graph Convolutional Networks，GCN)来捕捉每个节点周围h‑步长子图即节点子图的信息，h为可变参数，可根据需求调整。GCN由消息传播和消息聚合模块组成，GCN共有L层，L为大于1的整数，此处不对L做具体数量限制。GCN获取训练邻接矩阵和实际邻接矩阵中的节点子图信息后，经过GCN每层的传播和聚合后得到能够表示训练邻接矩阵和实际邻接矩阵中节点信息的向量，将该向量输入又一个MLP即第二预设多层感知机中，得到上述各个节点子图是判断为真的概率即第二概率，为了便于理解，将训练邻接矩阵和实际邻接矩阵对应的第二概率做以下区分：假设训练邻接矩阵中的节点子图判断为真的第二概率为zi，实际邻接矩阵中的节点子图判断为真的第二概率为zn。

[0121] 根据上述第二概率生成判别器误差函数公式(5)和第一生成器误差函数公式(6)。判别器误差函数目的是使从真实结构平面图中采样的子图判断为真的概率尽可能大，使生成器生成的子图判断为真的概率尽可能小。而生成器误差函数目的是使生成器生成的子图判断为真的概率尽可能大。公式(5)和(6)中 代表从真实结构平面图中采样得到的图即实际邻接矩阵，为误差函数符号， 代表由生成器生成的图即训练邻接矩阵，N是每个图各自的节点总数，两个图节点总数相等，D表示判别器，G表示生成器。

[0122]

[0123]

[0124] 重建误差即第二预设捕捉算法只针对邻接矩阵生成器定义，重建误差采用了二元交叉熵的形式，第二生成器误差函数如公式(7)所示。公式(7)中Aij表示生成器生成的图即训练邻接矩阵， 表示实际邻接矩阵。

[0125]

[0126] 结合公式(6)和公式(7)，得到生成器误差函数，如公式(8)所示。公式(8)中的λre和λNodeGAN是组合权重。

[0127]

[0128] 利用生成器误差函数即公式(8)和判别器误差函数即公式(5)的梯度回传分别训练邻接矩阵生成器和判别器，使生成器可以生成更接近真实图的图，而判别器可以更好地判别真实图和生成图，当邻接矩阵生成器和判别器能够满足使用需求时，停止训练。

[0129] 在本申请实施例中，利用建筑平面图和对应的结构平面图对生成器和判别器进行训练，实现了核心生成模块的数据驱动，通过学习各种真实、复杂的建筑和结构平面布置，智能生成模型可根据建筑平面图自动生成梁、柱等构件的平面布置，具有较高的通用性。建立了与上述新型数字化表示方式相适配并由数据驱动的深度学习生成模型。解决了相关技术中存在缺乏合理的数字化表征方法、非数据驱动、缺乏通用性以及生成能力有限的问题。

[0130] 作为一种可选实施例，根据训练邻接矩阵、实际邻接矩阵、判别器中的第一预设捕捉算法和第二预设多层感知机，分别得到训练邻接矩阵中每个节点子图和实际邻接矩阵中的节点子图指示通过的第二概率包括：

[0131] 通过第一预设捕捉算法分别获取训练邻接矩阵和实际邻接矩阵的第二结构信息，其中，第二结构信息包含所有节点子图的第二结构信息；

[0132] 第二结构信息经过第二预设数量次传播和聚合后，分别得到训练邻接矩阵和实际邻接矩阵的最终节点嵌入向量；

[0133] 将最终节点嵌入向量输入第二预设多层感知机中，分别得到训练邻接矩阵和实际邻接矩阵的第二概率。

[0134] 可选地，通过nodeGAN即第一预设捕捉算法，采用图卷积网络(GCN)来分别捕捉训练邻接矩阵和实际邻接矩阵中的每个节点周围h‑步长子图的初始特征信息即第二结构信息，例如，节点节点vi的第二结构信息用 表示。

[0135] GCN由消息传播和消息聚合模块组成，共有L层，在网络的每一层，节点特征信息根据公式(9)进行消息传播和聚合。以节点vi为例，i能够遍历训练邻接矩阵和实际邻接矩阵中所有节点，i＝1,...,N，公式(9)中， 是第k层中节点vi的嵌入向量，σ是非线性激活函数，Wk和Bk是可训练的权重矩阵，N(i)表示节点vi的邻居集合，di和dj分别是节点vi和vj的度数。确定节点最终嵌入向量的维度应以能最大限度地保存节点信息为目标，在实际使用中，统筹考虑模型表现和计算开销，经反复试验后确定一个最终的节点嵌入向量的维度d。节点vi的最终嵌入向量表示为 通过上述方法能够分别得到训练邻接矩阵和实际邻接矩阵中节点的最终嵌入向量

[0136]

[0137] 随后采用又一个MLP即第二预设多层感知机，将最终节点嵌入向量hi(L)映射为一个取值范围从0到1的标量，如式(10)所示，由于i能够遍历训练邻接矩阵和实际邻接矩阵中所有节点，zi代表每个h‑步长子图是真实图的概率即第二概率，i＝1,...,N。

[0138]

[0139] 由于i能够遍历训练邻接矩阵和实际邻接矩阵中所有节点，zi已经能够表示训练邻接矩阵和实际邻接矩阵中节点子图判断为真的概率。本申请为了便于理解，将训练邻接矩阵节点子图的第二概率表示为zi，将实际邻接矩阵节点子图的第二概率表示为zn。

[0140] 在本申请实施例中，通过基于图卷积网络(GCN)的nodeGAN来捕捉高频结构信息，并采用上述重建误差捕捉图的低频结构信息，并将高、低频结构信息结合，用来全面比较生成图和真实图的区别，使得智能生成模型可以从真实图中准确归纳出各种复杂的设计规则和设计经验，最终使生成器可以生成更接近真实图的图，而判别器可以更好地判别真实图和生成图。解决了相关技术中存在非数据驱动、缺乏通用性以及生成能力有限的问题。

[0141] 作为一种可选实施例，在根据数字化表示方式、建筑平面图和预设转换算法，得到节点特征之前，方法还包括：

[0142] 获取第二训练建筑平面图和对应的输出图像，其中，输出图像包含第二训练建筑平面图对应的实际节点特征；

[0143] 通过第二训练建筑平面图和输出图像，对预设转换算法进行训练，直到预设转换算法生成实际节点特征的第三概率超过第二预设阈值，则停止训练。

[0144] 可选地，pix2pixHD即预设转换算法，是基于对抗生成网络的深度学习模型，为了训练pix2pixHD模型，需要输入和输出图像对，如图6和图7所示。图6作为输入图像是建筑平面图，一般只保留建筑隔墙和窗户，如果有柱网的信息也应保留，这样可以获得更真实的节点特征分布。图7作为输出图像由和输入图像相同的建筑布局和真实的结构节点叠加而成，真实节点特征是从相应的真实结构平面图中提取的。在图7中，实心点表示有柱节点，空心点表示无柱节点。

[0145] 通过输入图像和输出图像对pix2pixHD模型进行训练，直到pix2pixHD模型生成的节点特征与图7中真实节点特征相同或能够满足使用需求即第三概率超过第二预设阈值，第二预设阈值根据使用需求设定，则停止对pix2pixHD模型进行训练。

[0146] 在本申请实施例中，通过输入图像和输出图像对pix2pixHD模型进行训练，使得pix2pixHD模型提取出的节点特征准确率高，能够清楚表示节点坐标以及下方有无柱子构件等信息，为后续生成邻接矩阵以及之后的深化设计提供较为合理的依据。

[0147] 作为一种可选实施例，根据节点特征和邻接矩阵，生成初始平面布置的图像包括：

[0148] 将邻接矩阵中每行元素按照第二预设顺序排序；

[0149] 获取排序后的每行元素的前第三预设数量个元素作为目标元素；

[0150] 获取阈值集合；

[0151] 根据阈值集合和第二预设公式对目标元素进行预设处理，得到处理结果；

[0152] 根据处理结果和节点特征生成图像。

[0153] 可选地，在模型使用阶段，需要对邻接矩阵的元素做离散化处理即预设处理，将概率值转化为0或1，以获得有实际意义的邻接矩阵。

[0154] 本申请采取的离散化方法为：首先将邻接矩阵的每一行都按降序分别排序即第二预设顺序。

[0155] 选择排序后每行前4个元素作为目标元素，例如：a＝[a1，a2，a3，a4]，并定义一个对应的阈值集合T＝[1，0.5，0.4，0.3]，此时第三预设数量为4，第三预设数量可以根据需求调整。

[0156] 在无需考虑剪力墙的情况下，如果ai≥Tia1即第二预设公式，那么该元素ai就取为1，否则取为0。邻接矩阵这一行中，上述4个元素外的其他元素都取为0。这是因为在常见建筑中，一个节点周围一般最多只有4根梁出现。在实际使用过程中，可根据需求调整此离散化方法。最终得到有实际意义的邻接矩阵。

[0157] 将节点特征中的节点按照其坐标画出，并表示出该节点下方是否存在柱子，之后根据上述有实际意义的邻接矩阵确定不同节点之间的连接关系，根据连接关系连接节点，得到初始平面布置的图像。

[0158] 在本申请实施例中，通过对邻接矩阵的元素做离散化处理，获得有实际意义的邻接矩阵，能够清楚表示节点之间梁、柱构件的平面布置，为后续的深化设计提供较为合理的依据。

[0159] 作为一种可选实施例，图10是根据本申请实施例的一种可选的基于图生成模型的结构初始平面布置生成方法的流程示意图，该方法包括：

[0160] 在核心生成模块中输入建筑平面图；利用经过预训练后的节点特征提取模型提取出节点特征，同时利用局部坐标系提取算法提取出局部坐标系；将上述节点特征和局部坐标系输入生成器，生成邻接矩阵；在辅助训练模块中输入结构平面图，利用图像‑图转化算法得到真实邻接矩阵；将上述邻接矩阵和真实邻接矩阵输入判别器；利用损失函数的梯度回传分别训练判别器和生成器。

[0161] 可选地，本方法提出了一种从建筑平面图生成结构初始平面布置的端到端生成模型，该模型由核心生成模块和辅助训练模块组成，核心生成模块可以从建筑平面图中生成节点特征和节点之间的邻接关系，即结构平面图的拓扑表示；辅助训练模块可以判断生成器生成的结构拓扑表示的质量好坏，并将信息反馈给核心生成模块供其学习。因此，在模型训练阶段，核心生成模块和辅助训练模块需要联合使用，而在实际使用阶段只需要核心生成模块。本方法中详细步骤参见前文，此处不再赘述。

[0162] 在本申请实施例中，提出了一种基于图生成模型的结构平面初始布置生成方法，能够高效数字化表示框架结构、剪力墙结构和框架剪力墙结构，通过学习大量成对的建筑平面图和结构平面图，可根据建筑平面图自动生成梁、柱构件的平面布置，为后续的深化设计提供较为合理的初始设计。解决了相关技术中存在缺乏合理的数字化表征方法、非数据驱动、缺乏通用性以及生成能力有限的问题。

[0163] 根据本申请实施例的另一个方面，还提供了一种用于实施上述初始平面布置生成方法的初始平面布置生成装置。图6是据本申请实施例的一种可选的初始平面布置生成装置的结构框图，如图6所示，该装置可以包括：

[0164] 获取模块1101，用于获取建筑平面图；

[0165] 得到模块1102，用于将建筑平面图输入核心生成模块，得到节点特征和邻接矩阵；

[0166] 生成模块1103，用于根据节点特征和邻接矩阵，生成初始平面布置的图像。

[0167] 通过上述模块，将获取到的建筑平面图输入核心生成模块，再利用核心生成模块从建筑平面图中提取节点特征和邻接矩阵，之后将节点特征中的节点按照其坐标画出，并根据邻接矩阵连接节点，生成初始平面布置的图像。因该核心生成模块基于杆系结构体系数字化表示方式，能够高效数字化表示框架结构、剪力墙结构和框架剪力墙等结构。并且，该核心生成模块经过了采用数据驱动的预训练以及辅助训练模块的训练，通用性高。另外，通过学习大量成对的建筑平面图和结构平面图，该核心生成模块可以根据建筑平面图自动生成梁、柱构件的平面布置以及各个节点的节点特征，准确率高、生成能力强。解决了相关技术中存在缺乏合理的数字化表征方法、非数据驱动、缺乏通用性以及生成能力有限的问题。

[0168] 作为一种可选实施例，得到模块包括：

[0169] 建立单元，用于建立数字化表示方式；

[0170] 第一得到单元，用于根据数字化表示方式、建筑平面图和预设转换算法，得到节点特征，其中，预设转换算法用于从建筑平面图中生成节点特征；

[0171] 第二得到单元，用于根据节点特征、建筑平面图中的全局坐标系和预设识别算法，得到节点特征中每个节点的局部坐标系，其中，预设识别算法用于用于从建筑平面图中提取局部坐标系；

[0172] 第三得到单元，用于将节点特征和局部坐标系输入核心生成模块中的邻接矩阵生成器，得到邻接矩阵。

[0173] 第一获取单元，用于获取训练建筑平面图和对应的训练结构平面图；

[0174] 第四得到单元，用于将训练建筑平面图输入核心生成模块，得到训练邻接矩阵；

[0175] 第五得到单元，用于将训练结构平面图输入预设转化算法，得到实际邻接矩阵；

[0176] 第六得到单元，用于根据训练邻接矩阵、实际邻接矩阵、判别器中的第一预设捕捉算法和第二预设多层感知机，分别得到训练邻接矩阵中每个节点子图和实际邻接矩阵中的节点子图指示通过的第二概率，其中，判别器用于区分训练邻接矩阵和实际邻接矩阵，节点子图用于确定在节点预设步长范围内的结构信息；

[0177] 第一生成单元，用于根据第二概率生成判别器误差函数和第一生成器误差函数，其中，判别器误差函数用于训练判别器；

[0178] 第二生成单元，用于根据训练邻接矩阵、实际邻接矩阵以及判别器中的第二预设捕捉算法，生成第二生成器误差函数，其中，第二预设捕捉算法用于获取训练邻接矩阵和实际邻接矩阵的第一结构信息；

[0179] 第七得到单元，用于结合第一生成器误差函数和第二生成器误差函数，得到生成器误差函数，其中，生成器误差函数用于训练邻接矩阵生成器；

[0180] 训练单元，用于利用生成器误差函数和判别器误差函数的梯度回传分别训练邻接矩阵生成器和判别器，直到第二概率超过第一预设阈值，则停止训练。

[0181] 作为一种可选实施例，第一得到单元包括：

[0182] 第一获取子模块，用于获取第二训练建筑平面图和对应的输出图像，其中，输出图像包含第二训练建筑平面图对应的实际节点特征；

[0183] 训练子模块，用于通过第二训练建筑平面图和输出图像，对预设转换算法进行训练，直到预设转换算法生成实际节点特征的第三概率超过第二预设阈值，则停止训练。

[0184] 作为一种可选实施例，第三得到单元包括：

[0185] 第二获取子模块，用于从节点特征中获取每个节点在全局坐标系中的坐标；

[0186] 第一得到子模块，用于根据坐标和第一预设公式生成节点与节点之间的距离，得到距离矩阵；

[0187] 第二得到子模块，用于将距离矩阵每一行按第一预设顺序排序，得到每个节点对应的第一预设数量个候选邻居，其中，候选邻居包含实际邻居，实际邻居与对应的节点之间存在连接对象；

[0188] 第三得到子模块，用于根据坐标和候选邻居对应的距离，得到特征向量，其中，特征向量用于确定每个候选邻居与对应的节点的距离；

[0189] 第四得到子模块，用于结合特征向量和局部坐标系，得到结合后的特征向量，其中，结合后的特征向量用于确定每个候选邻居与对应的节点的连线方向和距离；

[0190] 第五得到子模块，用于将结合后的特征向量输入第一预设多层感知机中，得到输出向量，其中，输出向量包含候选邻居成为实际邻居的第一概率；

[0191] 生成子模块，用于根据输出向量中的候选邻居对应的第一概率，生成邻接矩阵。

[0192] 作为一种可选实施例，第六得到单元包括：

[0193] 第三获取子模块，用于通过第一预设捕捉算法分别获取训练邻接矩阵和实际邻接矩阵的第二结构信息，其中，第二结构信息包含所有节点子图的第二结构信息；

[0194] 第六得到子模块，用于第二结构信息经过第二预设数量次传播和聚合后，分别得到训练邻接矩阵和实际邻接矩阵的最终节点嵌入向量；

[0195] 第七得到子模块，用于将最终节点嵌入向量输入第二预设多层感知机中，分别得到训练邻接矩阵和实际邻接矩阵的第二概率。

[0196] 作为一种可选实施例，生成模块包括：

[0197] 排序单元，用于将邻接矩阵中每行元素按照第二预设顺序排序；

[0198] 作为单元，用于获取排序后的每行元素的前第三预设数量个元素作为目标元素；

[0199] 第二获取单元，用于获取阈值集合；

[0200] 第八得到单元，用于根据阈值集合和第二预设公式对目标元素进行预设处理，得到处理结果；

[0201] 第三生成单元，用于根据处理结果和节点特征生成图像。

[0202] 此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。

[0203] 图12是根据本申请实施例的一种可选的电子设备的结构框图，如图12所示，包括处理器1201、通信接口1202、存储器1203和通信总线1204，其中，处理器1201、通信接口1202和存储器1203通过通信总线1204完成相互间的通信，其中，

[0204] 存储器1203，用于存储计算机程序；

[0205] 处理器1201，用于执行存储器1203上所存放的计算机程序时，实现如下步骤：

[0206] 获取建筑平面图；

[0207] 将建筑平面图输入核心生成模块，得到节点特征和邻接矩阵；

[0208] 根据节点特征和邻接矩阵，生成初始平面布置的图像。

[0209] 可选地，在本实施例中，上述的通信总线可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线、或EISA(Extended Industry  Standard Architecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图12中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

[0210] 通信接口用于上述电子设备与其他设备之间的通信。

[0211] 存储器可以包括RAM，也可以包括非易失性存储器(non‑volatile memory)，例如，至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。

[0212] 作为一种示例，如图12所示，上述存储器1203中可以但不限于包括上述初始平面布置生成装置中的获取模块1101、得到模块1102、生成模块1103。此外，还可以包括但不限于上述初始平面布置生成装置中的其他模块单元，本示例中不再赘述。

[0213] 上述处理器可以是通用处理器，可以包含但不限于：CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

[0214] 可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

[0215] 本领域普通技术人员可以理解，图12所示的结构仅为示意，实施上述初始平面布置生成方法的设备可以是终端设备，该终端设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图12其并不对上述电子设备的结构造成限定。例如，终端设备还可包括比图12中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图12所示的不同的配置。

[0216] 本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、ROM、RAM、磁盘或光盘等。

[0217] 根据本申请实施例的又一个方面，还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于存储执行初始平面布置生成方法的程序代码。

[0218] 可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。

[0219] 可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：

[0220] 获取建筑平面图；

[0221] 将建筑平面图输入核心生成模块，得到节点特征和邻接矩阵；

[0222] 根据节点特征和邻接矩阵，生成初始平面布置的图像。

[0223] 可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。

[0224] 可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

[0225] 在本说明书的描述中，参考术语“本实施例”、“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

[0226] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。