何宛余 杨小荻：人工智能设计，从研究到实践

　　

　　本文已正式刊发于《时代建筑》2018年第1期

　　应用驱动：人工智能与城市/建筑。

　　

　　文章通过对原有设计途径的反思，正视现有设计中的本质问题，从对新设计途径的探索中思考关联式设计、算法设计的可行性与局限性，并以相应实践进行论证。同时，在前述路径的基础上，进一步探讨当前探索的主要方向：大数据介入设计的可能性和应用场景，以及人工智能在设计中的具体应用理论和实践方法。

　　1 对原有设计途径的反思

　　城市规划、城市设计和建筑设计一直以来被认为是不同尺度上关于物质空间的设计。近几十年来，随着物质环境的日益复杂和多变，新唯物主义哲学思想获得了更广泛的认同，那种基于物质空间和美学的设计得到越来越多的质疑：设计是否只关乎物质性的空间感知或意识性的美学感受？事物背后隐藏的系统性逻辑是否也应该是设计的范畴？不少建筑师和设计公司已经在积极探讨这些关于学科本质甚至学科未来的反思，比如库哈斯最近在墨尔本的演讲中所提到的：“我们的当代世界非常复杂，仅仅一个建筑公司已经不足以生产足够的智慧去理解和应对不同的条件、未知的情况以及复杂的文脉”[1]。他认为狭义的建筑或建筑设计已经无法满足当代世界多变而复杂的需求。然而，现实中绝大多数城市规划、城市设计和建筑设计都仍旧按照传统的设计方式和途径在展开。

　　传统的设计途径基于建筑学中有着悠久历史的“功能与形式”二分概念[2]，在优先定位功能或形式的逻辑下展开设计，虽可能顾此失彼，但这种设计方式在节奏较慢的传统社会中直接有效，然而，面对工业革命以后的世界，却逐渐暴露了其难以满足多元变化的环境与需求的问题。城市或建筑只有在物质化结果完成后，才能检验其能效，如果设计出现较大缺陷，几乎没有有效的补救措施。因此，使用者往往得忍受设计失误带来的各种负面后果，比如机场设计中常见的陆侧人流冗长混乱，或者医院不同空间使用效率的高低不均。虽然设计的本意倾向于追求更高效、更舒适，但差强人意的物质结果导致了使用体验的失望、资源分配的失衡，以及设计“权力”[3]的丧失。

　　如果反思原有设计途径并且承认，设计不仅是关于功能与形式的二元关系，而是更多地关乎“背景”（milieu）[4]，和对其进行的结构架设、系统设计，以及在此基础上的形式表达——甚至表达也不再是端对端难以适应变化的“硬码”（hard-coding）——那么，传统的设计方式、设计途径、设计工具都不再能满足这些需求。原有学科体系中没有可以将社会行为系统、环境性能、多变需求等在同一语境中进行多重逻辑相互作用的范式，然而，这种多重逻辑的相互作用实际上每天都在发生：在复杂多变的现实世界运转中，在建筑师思考问题的大脑里……学科真正缺少的，是将这些逻辑和相互作用梳理、分析、拆解、重构……的设计途径和技术手段。尼格尔·泰勒（Nigel Taylor）曾预见，“所有这些变化都暗示城市规划的技术手段将发生变化，如果规划师试图规划和控制复杂且充满活力的城市系统，这看起来需要特别严谨的‘科学’分析方法”。 [5]

　　2 对新设计途径的探索

　　事实上，建筑界也一直在进行各种尝试和探讨，从盖里事务所表达的“前计算机形态”到参数化设计、关联式设计（associative-design，简称“AD”，也称“协同设计”）、算法设计和“多智体系统”，都在以不同的视角和途径探讨设计的新可能。然而，在这些探索里，显然已出现了分歧：一派希望通过新的技术手段更好地控制形式结果，以完成传统建筑学意义上的“设计”；另一派则希望通过新技术，特别是采用计算机语言探索设计背后应回应的逻辑及其表达形式。

　　荷兰贝尔拉格建筑学院（The Berlage Institute in Rotterdam）曾展开研究的关联式设计课题更倾向于第二种：采用可量化的参数系统来控制不可量化的参数变化，通过基于关联性几何体的关联式模型的建立，来描述定义各个逻辑体之间的关系，并在它们相互制约的互动协同关系之上架构设计对象。[6]该研究课题由皮特·楚默（Peter Trummer）教授带领，并经历了2004年至2005年的关联几何体探索期（AD1、AD2），即通过二维图形拼接起的三维几何体的控制，来达到对平面图形变化的协同控制；2006年至2007年的二维化关联几何体的发展期（AD3、AD4），即通过控制建筑二维平面的关联几何体来生成统一逻辑下的不同三维形式结果，并将此种差异性应用到城市区域尺度上；2008年至2010年的成熟期（AD5、AD6），即在原有基础上引进基地价值系统，使关联几何体不再受控于可以感性调节的参数，而是与基地某权重需求在逻辑上协同关联，让设计在某种程度上更客观，同时关联几何体也演进到三维形态（图1~图6）。值得一提的是，AD1~AD5系列采用的技术手段并非“Grasshopper”，而是工业界的“TopSolid”，并结合“Rhino-Monkey Script”来实现最终效果。

　　

　　1. 关联设计五：水的自治，基地价值图

　　2. 关联设计五：水的自治，设计成果顶视渲染图

　　3. 关联设计五：水的自治，设计成果鸟瞰渲染图

　　4. 关联设计六：建筑的多态及其强化网络，基地价值图

　　5. 关联设计六：建筑的多态及其强化网络，设计成果顶视渲染图

　　6. 关联设计六：建筑的多态及其强化网络，设计成果鸟瞰渲染图

　　笔者有幸经历了最后的成熟期，并从中发现了进一步探索的可能性，更有幸在2011年参与了阿里·拉希姆（Ali Rahim）教授关于算法设计在住宅设计中应用可能的项目课题[7]，并为某开发商编写了一个针对特定开发地块的软件。该软件的整体逻辑与AD成熟期系列不同的是，其并未使用基地参数，而是将关联参数作为输入条件，比如容积率、限高、户型等，并利用多种算法对住宅设计的基本逻辑进行设计和架构。只需要对一众参数进行调节控制，即可在同一基地中生成各种不同的设计方案。虽然该软件实现了在单一基地中的设计“半自动化”，但也暴露出该途径的局限性：需要针对每块基地进行复杂的编程和可视化呈现，这仍是变相的端对端设计；同时，因为所有输入条件都由人为判断和控制，难以对复杂环境做出回应。

　　3 新设计途径的实践

　　在2011年末的深圳湾生态科技城的全球公开竞赛中，笔者试图就自己的思考做一些尝试：对复杂环境的回应必须成为系统的一部分；探索优化算法模型的可能性。在为期仅三周的设计过程中，笔者一方面利用基地周边数据对基地价值进行量化分析判断，另一方面回应建筑功能需求设计满足逻辑需求的算法模型。具体内容如下所述。

　　通过对基地周边的空间功能和交通系统数据的收集，特别是对交通站点及其距离数据的分析，可以获得基地上交通可达性的热力图表达：在像素化分格的地块网格上用从暖色到冷色的变化来表示交通可达性难易远近。离交通热点越近的地块颜色越暖，反之越冷。综合其他环境要素后得到的基地价值图（图7），实际上是后台的数据集，反映的是与颜色相对应的每格地块的参数价值。这些参数价值正是作为设计基础的地块约束参数，它们暗示了地块上可以承载的人口密度以及建筑密度，并可借此确定相应需求下建筑空间的位置与体量。同时，该区域高密度与多功能分层结合的需求被逻辑系统设计转化为更具体的建筑空间算法模型：首层模块化的“L”型盒体模块，创造了具有指向性的微缩城市格局，该层主要为商业、文娱和小型产业办公；第二层主要为中小型产业办公，空间大小可以按需进行二次分隔，创造灵活多变的办公空间；第三层适合大中型产业办公，长度按实际空间需求以模数倍数叠加；高层建筑将适于大型产业办公，在塔楼垂直方向上设计的通高空间可以提供办公以外的公共空间需求。此算法模型将项目的功能需求转化为三维流线与建筑空间，在建筑逻辑上形成一个连续而开放的立体都市空间（图8）。[8]

　　

　　7. 深圳湾生态科技城竞赛阶段，基地价值图

　　

　　8. 深圳湾生态科技城竞赛阶段，渲染顶视图

　　最为关键的步骤是，通过协同逻辑将基地价值与算法模型结合起来，形成空间形态的设计结果。利用关联式设计的逻辑，在基地价值与算法模型之间建立起关联性，当算法模型被应用（apply）到基地价值的参数体系网格上时，即得到建筑模型对应不同参数后“碰撞”出的结果，比如在基地三维空间中按照热力图冷暖关系对应生成的空间疏密逻辑（图11，图12）。按此逻辑设计出的整个园区对环境回应清晰，既整体统一，内部各建筑又相对独立，建筑形态层次分明，尺度变化多样。历时五年，该项目于2016年建成，成为小库科技的创始团队在城市尺度上对算法设计逻辑的第一次完整实践（图9，图10）。

　　

　　9. 深圳湾生态科技城二标段，建成照片

　　10. 深圳湾生态科技城二标段，建成照片

　　

　　11. 深圳湾生态科技城竞赛阶段，轴侧局部图

　　

　　12. 深圳湾生态科技城竞赛阶段，渲染鸟瞰图

　　虽然，该项目的成功在实践中没有完全实现扭转端对端的“硬码”（hard-coding）设计模式，但却提供了新的思路：通过对不同类型建筑算法模型的设计和建立，或许可以在一定程度上实现“软码”（soft-coding）设计。比如在2014年深圳公务署100个消防站项目中，尝试通过对四种不同类型消防站原型的设计，以及建立消防站与基地约束关系的协同模型，分别完成四种算法模型，用于应对深圳数十个不同基地对这四种消防站类型的需求（图13）。只需要通过大数据就可获得每块基地的基地价值图以及对应的消防站类型，而不再需要对每块基地进行单独分析、对每个消防站进行分别设计。在某种意义上，这实现了另一种半自动的“半软码”（semi-soft-coding）设计。然而，至此，对算法设计的探索基本进入瓶颈期，无论是先锋的建筑事务所如扎哈·哈迪德建筑师事务所（Zaha Hadid Architects），或是学院派的尼尔 · 里奇（Neil Leach）教授都到了需要继续往新方向探索的转折点，他们一方面希望寻找更为自动，甚至更为智能的“软码”设计途径，另一方面希望设计能更为全面地回应复杂环境。

　　

　　13.深圳工务署消防站项目，算法模型与效果图

　　4 大数据设计的可能性

　　通过以上实践，可以认为对复杂环境的回应方式已建立了一条较为清晰的路径：通过大数据和基地价值数据集完善对项目基地及周边复杂环境系统的建立。互联网之后的移动互联网时代为大数据的爆发式增长提供了可能。借由GPS、手机信令、移动支付等获取的数据能够精准地反映城市中人的行为路径、模式、变化和规律，同时，由互联网企业产生的城市地图、房地产信息、商业价值等数据能更为详尽地描绘城市的复杂“背景”系统。通过对各种大数据的收集、整理、分析和标注，可以建立更加客观、科学的价值地图，进而用作判断设计的直接、客观的依据。比如，小库科技（以下简称“小库”）在2016年万科车公庙项目中尝试应用人流数据判断商业综合体开口位置（图14）。

　　

　　14. 万科车公庙项目，大数据在实际项目中的价值判断应用

　　进而，如果期望设计参与宏大而完整的“背景”系统机制，对新设计途径的探索也必须扩大项目尺度，从建筑、城市街区尺度扩大到整个城市规划的尺度。然而，从城市规划诞生到今日，虽然城市蓝图逐年更新，但固化的规划结构已难以适应社会日益复杂多变的新常态。现今对控制性规划、详细规划的局部调整已经因城市和市场需求变得日益频繁，但不同地块间的内在逻辑和关联机制并未建立。对容积率等参数的控制仍是基于被道路网格划分的单一地块，对跨地块容积率的调适都还属于特殊案例。但在“背景”中，这些参数都是流动可调节的，根据不同时期、不同需求，但凡参数有变动，整个系统都会随之适应和调整。这种类智体的机制或许可以通过城市尺度上的大数据应用以及建立大型规划算法模型来实现。此动态的城市规划“背景”系统可以被看作是对某一系列动态系统的“进程化”表达，将是从宏观设计角度来探寻新设计途径的一种尝试。但这种尝试如果要转为实践，最直接的途径是以全新的城市为基础，从城市建立之初便开始建立该系统。目前“Alphabet”与“Side walk Labs”在多伦多滨水城区（Toronto Water Front）的探索方向即是一种在新区建立“背景”系统的途径。[9]

　　小库科技在2017年与中国城市规划设计研究院、天津市城市规划设计研究院在雄安新区的探索合作，以及2017年深港城市建筑双城双年展中与都市实践、未来建筑实验室对南头古城城中村的实验中，分别尝试在新区与城市旧区建立起可以让设计参与的“背景”，即一个能够获取数据、分析数据、可视化呈现数据，将设计模拟仿真介入、判断评估设计结果，并且最终反馈到设计施行的多智体系统（图15）。在此“全知”的城市级系统中，单纯运用参数化或算法设计是无法达成对全局的探知、反馈与设计的，只能借助大数据，甚至超越目前建筑界探索边界的技术手段，才能实现终极状态的“背景”设计系统。

　　

　　15. 多维度城市互动平台，概念图解

　　5 人工智能建筑设计的实践探索

　　对大数据的处理和应用其实有多种途径，除了前述的建立价值地图，作为设计的客观输入条件外，实际上也可以通过机器学习，将数据转化为算法模型。前述研究为研究人工智能的应用提供了思路，即建立两套不同的模型系统，一套为生成设计的算法模型，另一套为限定模型生成的约束参数或判断系统。这是目前笔者通过小库科技正在进行的核心研究：人工智能在建筑设计领域的应用。

　　人工智能（artificial intelligence，简称“AI”）在现今多是指在机器学习（machine learning，简称“ML”）基础上的机器视觉、自然语言处理，甚至多种AI技术组合成的复合型AI技术，比如无人驾驶技术等。机器学习技术经过多年的研究积累，近年出现的重大突破主要在于深度学习神经网络的成功应用。比如对梵高《星夜》的研究（图16）[9]：从不同尺度的颗粒度上去分析、标注其绘画特性，包括笔触、颜色、构图等；并将这些特性通过卷积神经网络（CNN）卷积成多重神经网络[10]，建立起具有“星夜”风格的算法模型，如同前述深圳湾生态科技城项目中的算法模型。同时，当给定对象也在同样的维度和尺度上被拆解成同等颗粒度时，对象侧的模型也被建立起来，如同前述深圳湾生态科技城项目中的基地价值图。当两者融合应用时，将产生以给定对象为基础的“星夜”风格模型生成的新形态结果（图17）。作为建筑领域的人工智能探路者，小库也运用了类似的一些技术手段（图18）。

　　

　　16. 艺术风格神经网络算法

　　

　　17. 艺术风格神经网络算法

　　

　　18. 小库的卷积神经网络

　　小库的AI大脑主要由两部分组成，一部分是思考如何生成设计的“大脑”，即通过大量数据对抗训练所得到的模型输出可能的优质方案，另一部分是思考评估价值的“大脑”，即结合基地条件与周边环境，在不同维度对生成方案进行评估并进行加权，确定最终选择。在设计“大脑”侧有三种不同的用于生成建筑布局方案的神经网络，分别是：基础设计逻辑的快速生成网络“通天塔”（Babel），即基于建筑设计逻辑的神经网络；专家型训练网络“帕特农”（Parthenon），即通过CNN学习百万级成熟设计方案生成的含有更多卷积核数和相应神经元的神经网络；自我提升型网络“斗兽场”（Colosseum），即在“帕特农”基础上通过对抗生成网络（GANs）生成更多方案相互比较博弈、对抗生成方案结果的神经网络。在评估“大脑”侧，价值判断网络计算结果与蒙特卡洛模拟结果加权平均。蒙特卡洛树搜索（Monte Carlo Tree Search，简称“MCTS”）[11]通过四个步骤不断地重复搜索：选择，扩展，模拟和反向传播。小库设定了在一个合理的时间停止搜索模拟（理论上时间越充裕结果越佳），以搜索途经次数最多的10个神经网络节点作为最佳方案返回为10个方案结果（图19，图20）。

　　

　　19. 小库人工智能设计反馈结果

　　

　　20. 小库人工智能生成结果盲测（红蓝小库人工智能设计与黑白人类设计布局比较，没有显著差异）

　　虽然在训练专家型的“帕特农”时使用了大量成熟方案作为训练用的数据，但因为成熟方案并不代表最佳方案，事实上也没有最完美的设计，所以训练出来的神经网络并不是绝对理想的，而是相对成熟的。CNN可以很好地表达一个特征和它周围特征的关系，而这是建筑设计在整体性方面所需要考虑的。通过采用不同条件型CNN训练出来的模型，再接着让其参与集成学习“reassembling”和“bagging”的后期处理，可以更好地评估生成的方案。在小库内测版期间的方案结果优品率是70%左右。

　　随后，相对成熟模型之间利用GANs[12]在“斗兽场”网络训练生成模型，其产生的结果在高维空间叠加，找出重合部分最优解反对。通过训练模型的不断细化，并加强不同权重的针对性，可以将生成和评估两个模型切分成粒度低一级的模型。通过城市数据的积累和对抗生成，经过5个月的训练，小库公测版的方案结果优品率提高到80%左右。

　　在训练价值判断的神经网络侧，数据和参数决定了小库评估“大脑”如何进行“决策”，同时蒙特卡洛树进一步决定其“思考”过程，评估“大脑”也就有了自己的“喜好”。小库为用户提供的建立个人特有属性的AI，就是基于用户对方案的选择数据，在另一维度上为评估“大脑”提供了判断函数，用户的选择习惯数据将被用于强化学习（reinforcement learning，简称“RL”）[13]训练评估“大脑”。带有用户属性的小库AI在某种权重下将表现出类似于人类思考的模式，甚至带有对某种“风格”的偏好。在将来，为定制培育个人专属的AI助手将成为可能。

　　6 人工智能应用的展望

　　6.1 建筑AI“类知识图谱”建立：改变知识传承的方式

　　知识图谱是对学科知识进行系统性的梳理，并通过文本和图像的学习来对本体以及它与其他事物之间的相互关系进行描述，是对客观世界的知识映射（mapping world knowledge），它可以描述不同层次和颗粒度的抽象概念。[14] 以往是通过互联网技术建立知识图谱，未来将有可能通过深度学习建立不同领域的“类知识图谱”。这或许将改变人类知识的传承方式，比如有二三十年以上的看X光片经验的胸外科医生可以一眼看出胸片的问题，但是年轻的医生和偏远地区接触不到太多病例的医生并没有这个能力，一直以来只能通过不断地学习和积累成为拥有几十年经验的老医生，但同时这也意味着执业时间所剩无几，而年轻医生仍旧需要从头学起。然而，现今利用人工智能技术，能够让机器学习海量的被标注过的胸片，从而形成一套类似于“类知识图谱”的AI系统，年轻医生可以借助它判断病例，而不需要个人积累几十年的经验[15]。这一方式在城市和建筑设计这样需要大量经验的领域同样适用。除以上已经产品化的小库人工智能设计系统外，建立建筑AI知识图谱将是小库下一步探索的重点。

　　6.2 无监督学习：探索和验证人类知识

　　目前业界常用的机器学习多是基于监督学习的结果，而“AlphaGo Zero”最新的探索表明[16]，无监督学习有可能成为更高效的方法，即给予机器最基础的规则，让其在策略网络（Policy Networks）算法中不断对抗生成更优质结果，循环往上生长。这在城市设计和建筑设计领域可能意味着，如果给予机器最基本的城市规划法则或建筑设计规则，多个不同的网络模型就能按照“自我理解”不断生成新的设计方案，并不断相互PK出“最优解”，而这个“最优解”或许会超脱于人类知识体系的判断，甚至真正优于人类之前的认知。然而，此种技术手段在城市和建筑领域中的应用要求对基础规则进行梳理和抽取，但城市和建筑规则比游戏规则复杂，规则误差很难用后期调节消弭，在此基础上生成的AI模型将可能携带难以修正的错误，因此，如何简化出一套基础逻辑将是对此技术成功应用的重点之一。

　　6.3 未来伦理：角色问题

　　建筑学正面临前所未有的挑战。一方面，时代和社会的飞速发展正在激烈地改变建筑学需要面对的外部物质世界；另一方面，传统的作业方式和手段因古老而面临诸多内部问题：获取相关信息有限，思想表达耗时，信息反馈路径过长，决策判断缺乏理性依据，试错成本高，整体效率低，设计价值难以体现，设计知本无法积累传承，个体知识经验代差明显……建筑学在内外交战下踟蹰前行。如果把AI不仅视为一种技术手段，而看作一种思考方式，或许如赫尔曼·赫兹伯格（Herman Herzberger）所言，“建筑是关于思考”，那么，建筑学是否能够通过AI更好地思考？从技术手段的角度看，AI可以解决数据获取、思想直译、高效反馈、科学决策、仿真判断、提高效率等问题；从思考方式的角度看，AI可以让建筑师从低端重复的枯燥作业中解脱进而钻研更有创造力的设计，可以和建筑师一起共同“思考”和“创造”，学习各种项目，积累“类知识图谱”，为不同世代个体提供“集体智库”支持，甚至提供新的思考路径和学习反馈……AI擅长的信息收集、极速运算、记忆储存和学习进化能力是人类为了弥补自身劣势而创造的，应该积极在不同行业加以利用，辅助人类社会发展；而人类的综合分析、宏观决策、价值判断和创新创造能力却是AI难以企及的，也应该在AI的协助下专注发挥优势，促进自身进化。人工智能建筑师的出现是为了更好地辅助建筑师，让设计回归思考，进而推动学科革新。正如库哈斯所言，“未来建筑最重要的价值可能不在于建筑本身”。

　　（图片来源：图片均由作者提供。图1~图3作者何宛余图4~图6作者杨小荻、Janki Shah，图7、图8作者杨小荻、何宛余，图9~图10作者普集建筑、坊城建筑、北京中外建建筑，图11、图12作者杨小荻、何宛余、陈威廷，图13、图14作者杨小荻，图15作者小库科技、未来建筑实验室，图16、图17作者LA Gatys、AS Ecker、M Bethge，图18~图20作者小库科技）

　　参考文献：

　　[1] MTALKS. Rem Koolhaas and David Gianotten on countryside[EB/OL]. https://msd.unimelb.edu.au/events/mtalks-rem-koolhaas-and-david-gianotten-on-countryside,2017-11-02.

　　[2] 李楠，毛铭. 建筑设计中功能与形式的关系微探[J/OL]. 城市建设理论研究，2014（14）. http://new.wanfangdata.com.cn/details/detail.do?_type=perio&id=csjsllyj2014141250.

　　[3] [法]冯斯瓦·夏思蓝. 库哈斯谈库哈斯：两场对谈及其他[M]. 林宜萱，译. 台北：田园城市文化事业有限公司， 2003.

　　[4] [法]米歇尔·福柯. 安全、领土与人口:法兰西学院演讲系列， 1977-1978[M]. 钱翰，陈晓径，译. 上海：上海人民出版社， 2010.

　　[5] [英]尼格尔·泰勒. 1945年后西方城市规划理论的流变[M]. 李白玉，陈贞，译. 北京：中国建筑工业出版社， 2006.

　　[6] Peter Tummer. Associative Design1-6[M]. Berlage Institute, 2004-2010.

　　[7] [英]阿里·拉希姆. 催化形制：建筑与数字化设计[M]. 北京：中国建筑工业出版社， 2012.

　　[8] 何宛余. 再思参数化设计——其理论、研究、总结和实践[J]. 城市建筑，2012（10）：62-67.

　　[9] LA Gatys, AS Ecker, M Bethge. A Neural Algorithm of Artistic Style[J/OL]. Computer Science, 2015. https://arxiv.org/abs/1508.06576.

　　[10] Alex Krizhevsky， Ilya Sutskever， E. Geoffery Hinton. Imagenet classification with deep convolutional neural networks[M]// Advances in Neural Information Processing Systems， 2012(1): 1097-1105.

　　[11] David Silver， Aja Huang， Chris J.Maddison， Arthur Guez， Laurent Sifre， George van den Driessche， Julian Schrittwieser， Ioannis Antonoglou， Veda Panneershelvam， et al. Mastering the Game of Go with Deep Neural Networks and Tree Search[J]. Nature， 2016(529): 484-489.

　　[12] Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio. Generative Adversarial Nets[C]. Montreal: Advances in neural information processing systems, 2014: 2672-2680.

　　[13] Gosavi Abhijit. Simulation-based Optimization: Parametric Optimization Techniques and Reinforcement[M]. Boston：Springer, 2003.

　　[14] 刘峤，李杨，段宏，刘瑶，秦志光. 知识图谱构建技术综述[J]. 计算机研究与发展， 2016（3）：582-600.

　　[15] Quan Zou,Tao Huang,Lei Chen,Zhenguo Zhang,Yungang Xu. Machine Learning and Graph Analytics in Computational Biomedicine[J]. Artificial Intelligence in Medicine,2017(83): 1-90.

　　[16] David Silver,Julian Schrittwieser,et al. Mastering the Game of Go without Human Knowledge[J]. Nature,2017(550): 354-359.