อัลกอริทึมทางพันธุกรรม (GA) เป็นรูปแบบการจำลองแบบเมตาฮิวริสติกแบบกล่องดำที่ได้รับความนิยมมากที่สุด ซึ่งใช้ในการตอบสนองความต้องการด้านการออกแบบสถาปัตยกรรมที่ซับซ้อน^{[ 6 ]} GA เลียนแบบกระบวนการวิวัฒนาการทางชีววิทยาโดยมีส่วนร่วมในกระบวนการเลือกหรือลบแบบวนซ้ำโดยอิงตามเกณฑ์ 'ความเหมาะสม' ^{[ 7 ]}ความเหมาะสมถูกกำหนดโดยประสิทธิภาพหรือไม่มีประสิทธิภาพของวิธีการแก้ปัญหาในการแก้ปัญหาการออกแบบที่กำหนด เช่น มุมที่เหมาะสมที่สุดของหน้าต่างเพื่อให้ได้แสงสว่างจากธรรมชาติ การหมุนเวียนอากาศ ฯลฯ^{[ 8 ]}สิ่งที่ทำให้ GA แตกต่างจากการจำลองแบบวิธีไล่ระดับพื้นฐานกว่าคือความสามารถในการค้นหาวิธีแก้ปัญหาจากประชากรของวิธีแก้ปัญหาที่เป็นไปได้^{[ 9 ]}แนวทางแบบหลายทิศทางนี้คำนึงถึงลักษณะที่ไม่เป็นเชิงเส้นของปัญหาการออกแบบสถาปัตยกรรมโดยอนุญาตให้รวมตัวแปรที่ซับซ้อนจากหลายพื้นที่ที่แตกต่างกันเข้าสู่กระบวนการเพิ่มประสิทธิภาพ^{[ 10 ]} ลักษณะ สุ่มและไม่เป็นเชิงเส้นของ GA หมายความว่าพวกมันสามารถนำเสนอวิธีแก้ปัญหาการออกแบบที่บางครั้งมีความสร้างสรรค์และแปลกใหม่กว่าวิธีการค้นหา^{[ 11 ]}เนื่องจากการจำลอง GA มีความซับซ้อน จึงใช้เวลานานกว่าวิธีการอื่นๆ^{[ 12 ]}ซึ่งอาจเป็นผลกระทบสำคัญต่อโครงการที่ดำเนินการภายใต้ข้อจำกัดด้านเวลา^{[ 13 ] [ 14 ]}การศึกษาที่ตีพิมพ์ในปี 2015 ระบุว่าการเปลี่ยนแปลงวิธีการ GA แบบดั้งเดิมสามารถลดเวลาในการประมวลผลการจำลองได้อย่างมีประสิทธิภาพ^{[ 12 ]}ซึ่งรวมถึงวิธีการจำลองแบบออฟไลน์และการแบ่งและพิชิต ซึ่งใช้ความรู้ด้าน สถาปัตยกรรม เพื่อลดความซับซ้อนของพารามิเตอร์ในด้านแสงสว่างและระยะทางในการเดินทาง^{[ 15 ]}วิธีนี้ถูกเสนอให้เป็นวิธีหนึ่งในการเพิ่มการเข้าถึง GA ให้กับสถาปนิก^{[ 15 ]}

การเพิ่มประสิทธิภาพโดยใช้แบบจำลอง ซึ่งแตกต่างจากวิธีการเมตาฮิวริสติกและการค้นหาโดยตรง จะใช้แบบจำลองตัวแทนเพื่อปรับปรุงและเพิ่มประสิทธิภาพสถาปัตยกรรมแบบวนซ้ำ^{[ 16 ]}แบบจำลองตัวแทนเป็นการแสดงกระบวนการทางคณิตศาสตร์โดยนัยอย่างชัดเจน เช่นสถิติหรือ การเรียน รู้ของเครื่อง^{[ 17 ]}เนื่องจากวิธีการนี้สร้างแบบจำลองตัวแทนโดยอาศัยการประมาณค่าของการจำลองพื้นฐาน จึงสามารถประมวลผลได้เร็วกว่าวิธีการเพิ่มประสิทธิภาพแบบกล่องดำทางเลือกอื่นๆ^{[ 18 ]}ประสิทธิภาพของแบบจำลองตัวแทนนั้นขึ้นอยู่กับความแม่นยำของแบบจำลองทางคณิตศาสตร์^{[ 18 ]}ด้วยเหตุนี้ คุณสมบัติการประหยัดเวลาบางอย่างของการเพิ่มประสิทธิภาพโดยใช้แบบจำลองจึงอาจใช้ไม่ได้ผลหากใช้เวลาเพิ่มเติมในการปรับปรุงฟังก์ชันทางคณิตศาสตร์ที่ควบคุมแบบจำลองตัวแทน^{[ 17 ]}การเพิ่มประสิทธิภาพตามแบบจำลองมีข้อดีคือช่วยให้สถาปนิกสามารถแสดงปัญหาและวิธีแก้ปัญหาการออกแบบได้อย่างชัดเจนแบบเรียลไทม์ภายในอินเทอร์เฟซการออกแบบ เช่น Grasshopper, Rhinoceros 3D, Dynamo BIM และGenerativeComponents ^{[ 19 ]}

วิธีการค้นหาโดยตรงของการปรับให้เหมาะสมจะดำเนินการโดยการเลือกพารามิเตอร์ใน ลำดับ ที่แน่นอนจากจุดหนึ่งไปยังอีกจุดหนึ่งอย่างต่อเนื่องจนกว่าจะบรรลุค่าเหมาะสมที่สุดทั่วโลก^{[ 20 ]}วิธีนี้ไม่ได้แพร่หลายเท่ากับอัลกอริธึมทางพันธุกรรมใน ADO แต่การวิจัยชี้ให้เห็นว่ามีประสิทธิภาพเหนือกว่าการจำลองแบบเมตาฮิวริสติก เช่น GA เมื่อวัดการปรับปรุงที่ได้รับจากการประเมินแต่ละครั้ง^{[ 21 ]}การปรับให้เหมาะสมด้วยการค้นหาโดยตรงมีสองประเภท คือ การค้นหาโดยตรงแบบโลคอลและการค้นหาโดยตรงแบบโกลบอล^{[ 11 ]} การค้นหา โดยตรงแบบโลคอลที่มีเป้าหมายเดียวเป็นหนึ่งในเทคนิคการปรับให้เหมาะสมที่เก่าแก่และพื้นฐานที่สุด แต่ยังคงใช้ใน ADO ในปัจจุบัน^{[ 22 ]}การค้นหาโดยตรงแบบโกลบอลที่มีหลายเป้าหมายโดยทั่วไปถือว่ามีประสิทธิภาพมากกว่าในการแก้ปัญหาการออกแบบสถาปัตยกรรมที่ซับซ้อน^{[ 23 ]}

วิธีการนี้ไม่ได้อาศัยการเพิ่มประสิทธิภาพเชิงคำนวณ แต่ต้องอาศัยสถาปนิกในการค้นหาพื้นที่ที่เหมาะสมที่สุดผ่านการแก้ปัญหาอย่างสร้างสรรค์ [ ^{24 ] วิธี}นี้มีข้อจำกัดในการพึ่งพาประสิทธิภาพของแต่ละบุคคล และไม่น่าจะให้ผลลัพธ์การเพิ่มประสิทธิภาพที่มีประสิทธิภาพสูงสุดได้ด้วยตัวเอง^{[ 25 ]}อาจใช้ร่วมกับการจำลองการเพิ่มประสิทธิภาพเมื่อผลการจำลองไม่สอดคล้องกับ ข้อกำหนด ด้านสุนทรียศาสตร์และจำเป็นต้องมีการประนีประนอม^{[ 26 ]}นอกจากนี้ยังอาจจำเป็นต้องใช้เมื่ออัลกอริทึมไม่ทราบความรู้เกี่ยวกับโดเมนสถาปัตยกรรม และผู้ออกแบบต้องปรับพารามิเตอร์ด้วยตนเองเพื่อลดความซับซ้อนของตัวแปรภายในการจำลอง^{[ 15 ]}

การเพิ่มประสิทธิภาพตามประสิทธิภาพและการเพิ่มประสิทธิภาพที่ขับเคลื่อนด้วยประสิทธิภาพมีความสัมพันธ์กันอย่างใกล้ชิด แต่แตกต่างกันในวิธีการบรรลุ ADO ^{[ 27 ]}วิธีหลังนี้เกี่ยวข้องกับการใช้การจำลองด้วยคอมพิวเตอร์เพื่อเพิ่มประสิทธิภาพตามชุดเกณฑ์ประสิทธิภาพ โดยดำเนินการวนซ้ำโดยอิสระจากผู้ออกแบบ^{[ 28 ] [ 19 ]}การเพิ่มประสิทธิภาพตามประสิทธิภาพต้องอาศัยข้อมูลจากผู้ออกแบบมากขึ้นในการดำเนินการวนซ้ำ^{[ 28 ]}ตัวอย่างเช่น ผู้ออกแบบจะระบุแง่มุมของประสิทธิภาพของอาคารที่ต้องการเพิ่มประสิทธิภาพในขั้นตอนการออกแบบแนวคิด และตีความผลลัพธ์ของการจำลองเฉพาะที่เพื่อดำเนินการวนซ้ำด้วยตนเอง^{[ 28 ]}โดยทั่วไปแล้ววิธีนี้มีประสิทธิภาพน้อยกว่า แต่ก็ใช้เวลาน้อยกว่า ทำให้เป็นตัวเลือกที่น่าสนใจสำหรับโครงการที่ดำเนินการภายใต้ข้อจำกัดด้านเวลา^{[ 28 ]}บางแง่มุมของประสิทธิภาพของอาคารที่ไม่สามารถวัดปริมาณได้ง่าย เช่น ประสิทธิภาพด้านสุนทรียศาสตร์และวัฒนธรรม อาจต้องใช้วิธีการเพิ่มประสิทธิภาพแบบอื่น^{[ 29 ]}

การประยุกต์ใช้ ADO ที่เป็นไปได้ประการหนึ่งคือการลดการใช้พลังงานและผลกระทบต่อสิ่งแวดล้อม ของอาคาร ซึ่งอาจทำได้โดยการปรับปรุงเปลือกอาคารหรือส่วนหน้าของอาคารเพื่อให้มีคุณสมบัติทางความร้อนที่เหมาะสม ซึ่งจะช่วยลดความจำเป็นในการใช้ระบบทำความเย็นและทำความร้อนได้^{[ 30 ]}ด้านอื่นๆ ของรูปทรงอาคาร เช่น หลังคา อาจได้รับการปรับให้เหมาะสมกับแหล่งพลังงานหมุนเวียน [ ^{31 ] ADO}ยังสามารถช่วยในการเลือกวัสดุที่รักษาคุณภาพด้านสุนทรียศาสตร์และโครงสร้าง ในขณะเดียวกันก็มีความยั่งยืนและมีผลกระทบต่อสิ่งแวดล้อมต่ำในบริเวณโดยรอบ^{[ 32 ]}งานวิจัยแสดงให้เห็นว่า ADO สามารถใช้ร่วมกับBuilding Information Modelling (BIM) เพื่อให้มั่นใจถึงการก่อสร้างสถาปัตยกรรมที่ยั่งยืน^{[ 33 ]}ซึ่งมักเกี่ยวข้องกับการทำงานร่วมกันแบบสหสาขาวิชาชีพระหว่างสถาปนิก วิศวกรโครงสร้างและเครื่องกล และที่ปรึกษา^{[ 34 ]}วิธีการแบบจำลองของ ADO สามารถรวมเข้ากับ BIM เพื่อประมาณการ "การใช้พลังงาน การวิเคราะห์ต้นทุน และต้นทุนตลอดอายุการใช้งาน" และสร้างความยั่งยืนโดยรวมของอาคารที่เกี่ยวข้องกับเกณฑ์เหล่านี้^{[ 34 ]}การวิเคราะห์วงจรชีวิตโดยเฉพาะสามารถช่วยให้ผู้มีส่วนได้ส่วนเสียสังเกตผลกระทบของการก่อสร้างอาคารและตัดสินใจล่วงหน้าเกี่ยวกับความยั่งยืนได้^{[ 34 ]}

ADO ยังสามารถนำมาใช้เพื่อให้แน่ใจว่ามีแสงสว่างจากธรรมชาติเพียงพอภายในอาคาร การจำลองแบบกล่องดำอาจช่วยในการกำหนดตำแหน่งที่เหมาะสมที่สุดของหน้าต่าง รวมถึงขนาดของหน้าต่างที่สัมพันธ์กับสถานการณ์ของอาคารเพื่อเพิ่มแสงสว่างจากธรรมชาติให้สูงสุด^{[ 35 ]}ในทำนองเดียวกัน ยังสามารถกำหนดแผนผังพื้นที่จะเพิ่มแสงสว่างจากธรรมชาติจากภายนอกอาคารให้สูงสุด ในขณะเดียวกันก็ลดการบดบังแสงจากห้องภายในให้น้อยที่สุด^{[ 36 ]} แบบจำลองตัวแทน เช่น แบบจำลองที่ใช้ในการเพิ่มประสิทธิภาพตามแบบจำลอง ได้พิสูจน์แล้วว่ามีประสิทธิภาพในการเพิ่มประสิทธิภาพแสงสว่างจากธรรมชาติผ่านการวัดค่าความสว่าง ของแสงสว่างจากธรรมชาติที่มีประโยชน์ (UDI) ^{[ 16 ]} UDI วัดความสว่างของแสงสว่างจากธรรมชาติภายในอาคารโดยพิจารณาจากสิ่งที่ "มีประโยชน์" มากที่สุดสำหรับผู้ที่อาศัยอยู่ในพื้นที่นั้น^{[ 16 ]}การศึกษาที่วัดความสำเร็จของ UDI ที่เหมาะสมที่สุดในอาคารโบสถ์จูรงใหม่ได้เปรียบเทียบการเพิ่มประสิทธิภาพ UDI โดยใช้ทั้ง GA และการจำลองตามแบบจำลองภายใน Grasshopper ^{[ 37 ]}พบว่า RBFOpt ซึ่งเป็นการจำลองแบบจำลอง ให้ค่าวัตถุประสงค์ที่ 0.78 ในขณะที่ Galapagos ซึ่งเป็น GA ดั้งเดิมของ Grasshopper ให้ค่าที่ 0.05 ^{[ 38 ]}งานวิจัยยังระบุถึงการผสมผสานระหว่าง GA และ การสร้างแบบจำลองพาราเมตริก เป็นวิธีการที่มีประสิทธิภาพในการเพิ่มประสิทธิภาพความสว่างของแสงธรรมชาติ^{[ 39 ]}ความสบายในการมองเห็น (แสงจ้า) และความสบายทางความร้อน เป็นแอ ปพลิเคชันที่มีศักยภาพอื่นๆ ของ ADO สำหรับแสงธรรมชาติ^{[ 40 ]}

ADO สามารถช่วยส่งเสริมการระบายอากาศทั้งแบบธรรมชาติและแบบที่มนุษย์สร้างขึ้นในการออกแบบอาคาร ซึ่งอาจเกี่ยวข้องกับการกำหนดคุณสมบัติของลมที่ภายนอกอาคารเพื่อตรวจสอบวิธีการระบายอากาศตามธรรมชาติที่มีประสิทธิภาพมากที่สุด^{[ 41 ]}ในพื้นที่ที่ไม่สามารถปรับการระบายอากาศตามธรรมชาติให้เหมาะสมได้อย่างเพียงพอ เช่น ในโครงสร้างใต้ดิน ของอาคาร ADO สามารถช่วยพัฒนาระบบระบายอากาศภายในที่กระจายอากาศได้อย่างมีประสิทธิภาพ^{[ 42 ]}การปรับระบบ HVAC ให้เหมาะสม ยังช่วยลดการปล่อยซึ่งอาจเพิ่มความยั่งยืนของอาคารได้^{[ 43 ]}การจำลองแบบหลายวัตถุประสงค์ได้รับการพิสูจน์แล้วว่าสามารถบรรลุเป้าหมายนี้ได้ โดยการปรับฉนวนและความแน่นหนาของอาคารให้เหมาะสมเพื่อลดอุณหภูมิห้องและความร้อนสูงเกินไป^{[ 44 ]}อัลกอริทึมเชิงวิวัฒนาการ เช่น GA มีประสิทธิภาพเป็นพิเศษในการปรับ HVAC ให้เหมาะสม เนื่องจากลักษณะหลายทิศทาง โดยคำนึงถึงปฏิสัมพันธ์ที่เกิดขึ้นระหว่างแต่ละระบบและตัวแปรอื่นๆ เช่น ผลกระทบของสภาพภูมิอากาศ^{[ 45 ]}

ADO สามารถนำมาใช้เพื่อลดเวลาเดินทางระหว่างพื้นที่ภายในอาคารได้โดยการเพิ่มประสิทธิภาพการจัดวางผังพื้น^{[ 46 ]}เส้นทางสัญจรที่เหมาะสมภายในอาคารอาจบรรลุได้โดยการพิจารณาตำแหน่งของบันได ลิฟต์ และบันไดเลื่อนที่สัมพันธ์กับสิ่งอำนวยความสะดวกที่ใช้บ่อย^{[ 47 ]}การเพิ่มประสิทธิภาพประเภทนี้เกี่ยวข้องกับโครงสร้างเชิงพื้นที่ของอาคารเป็นหลัก ซึ่งครอบคลุมสิ่งต่างๆ เช่น "การจัดวางส่วนประกอบ การวางแผนเส้นทาง การจัดวางกระบวนการและสิ่งอำนวยความสะดวก การออกแบบ VLSI และการจัดวางทางสถาปัตยกรรม" ^{[ 47 ]}การเพิ่มประสิทธิภาพในพื้นที่เหล่านี้สามารถแบ่งย่อยออกเป็นสองส่วนคือโทโพโลยีและเรขาคณิต^{[ 48 ]}โทโพโลยีสำรวจความสัมพันธ์ระหว่างโครงสร้างในผังอาคาร ในขณะที่เรขาคณิตเกี่ยวข้องกับตำแหน่งและขนาดของแต่ละโครงสร้างมากกว่า^{[ 48 ]}งานวิจัยที่ดำเนินการในปี 2545 แสดงให้เห็นว่าการเพิ่มประสิทธิภาพเรขาคณิตโดยใช้วิธีการตามการไล่ระดับให้ผลลัพธ์ที่ประสบความสำเร็จ ในขณะที่การเพิ่มประสิทธิภาพโทโพโลยีมีข้อจำกัดเนื่องจากความซับซ้อนของพารามิเตอร์ที่เพิ่มขึ้น^{[ 49 ]}การศึกษาล่าสุดแสดงให้เห็นว่าการจำลองแบบจำลองโดยใช้การสร้างแบบจำลองพาราเมตริกมีประสิทธิภาพในการปรับโครงสร้างองค์ประกอบโครงสร้างให้เหมาะสมนอกเหนือจากการออกแบบเค้าโครง เช่น การออกแบบโครงสร้างโครงถัก^{[ 50 ]}

คุณสมบัติทางเสียงของอาคารสามารถปรับให้เหมาะสมเพื่อให้ได้ระดับเสียงที่เหมาะสม รวมถึงการส่งเสียงไปยังพื้นที่ที่กำหนด^{[ 51 ] [ 27 ]}ศูนย์วัฒนธรรมช่องแคบในเมืองฝูโจว ประเทศจีน ใช้ ADO เพื่อปรับความโค้งของโครงสร้างผนังและเพดานให้เหมาะสมเพื่อเพิ่มประสิทธิภาพทางเสียง^{[ 52 ]}ซึ่งทำได้โดยการสร้างแบบจำลองแบบวนซ้ำที่ปรับให้เหมาะสมตามการครอบคลุมการสะท้อน ในขณะเดียวกันก็ลดเสียงรบกวนที่ไม่พึงประสงค์ที่เกิดจากรูปทรงของเรขาคณิต^{[ 53 ]} Norman FosterและArupก็ใช้ ADO ในการออกแบบอาคาร Greater London Assembly Building ในลักษณะเดียวกัน โดยประเมินประสิทธิภาพทางเสียงผ่านการจำลองแบบจำลอง^{[ 28 ]}