基于輻射分布的室內照明設計優化研究

汪麗珍

（江西索普信實業有限公司，江西 上饒 335500）

隨著社會發展和科技進步，室內照明設計在人們的日常生活和工作中扮演著越來越重要的角色。優良的室內照明設計不僅能提升照明效率，還可以增強人們的視覺舒適度，進而提高工作效率。傳統的室內照明設計方法往往基于經驗不斷試錯，效率低下且難以滿足不同的設計目標。在這樣的背景下，基于輻射分布的照明設計策略逐漸受到人們的重視。這種設計策略主要通過光源的光譜分布優化，減少眩光，提高光照均勻性，實現提高照明質量和視覺舒適度的目標。

結合機器學習和多目標優化技術，優化基于輻射分布的室內照明設計。首先，通過光學仿真軟件對室內空間的光照情況進行模擬，以獲取詳盡的光照數據。然后，利用機器學習算法，通過訓練模型準確預測不同照明參數和目標之間的關系。最后，運用多目標優化技術，如遺傳算法，對照明設計進行優化，以獲得最佳的照明方案。將輻射分布優化與機器學習和多目標優化相結合，實現高效、舒適、節能的室內照明設計，為實現智能化室內照明設計提供可行的方法和技術支持。

1 室內照明設計基礎

1.1 照明設計因素

現有照明設計方案在滿足人們對照明的需求方面發揮著重要作用。這些方案從多個角度出發，旨在創造舒適、高效、環保且富有藝術感的照明環境。首先，光照強度與分布是照明設計的核心要素[1]。設計方案通常會針對不同的空間和功能需求，采用不同的光照強度和分布方式，以避免眩光和照明死角，同時確保足夠的照度。其次，色溫與顯色指數也是照明設計中需要考慮的重要因素。不同的色溫能創造或溫暖或清新的照明氛圍，而顯色指數則影響物體顏色的再現程度[2]。另外，布局與空間利用也是照明設計的重要方面。合理的布局能提高空間利用率，同時營造舒適的空間氛圍。能耗與環保也是照明設計中需要考慮的因素[3]?，F代照明設計越來越注重高效節能和環保，包括選擇高效節能的照明設備、合理控制照明的使用時間和強度、采用環保材料等。

1.2 基于輻射分布的照明設計

室內照明的輻射分布指的是照明光源的光線在室內空間和表面的分布情況，也可以理解為照明光源向四周發射的光線在空間中形成的投射范圍和強度分布[4]。在輻射分布與照明設計關系方面，光譜分布是影響照明質量和視覺舒適度的關鍵因素之一。不同的光譜分布可以產生不同的照明效果，從而影響人的視覺效果和感受。此外，空間分布和時間分布也是影響照明質量的重要因素。不合理的空間分布導致照明不均勻，而過亮或過暗的區域都會影響人的視覺舒適度。時間分布則與照明的動態調節有關，不同的時間分布可以產生不同的照明效果，從而影響人的視覺舒適度和工作效率。因此，基于輻射分布的室內照明設計優化是一個具有重要意義的研究方向。

2 基于輻射分布的室內照明設計優化方案

2.1 優化目標

研究目標是提供一種基于輻射分布的室內照明設計方法。在家庭室內照明設計中，眩光值和均勻度是重要的目標和約束條件，這是因為它們直接影響到居住者的舒適感和視覺體驗。眩光值指的是視野中出現的過亮區域，會導致眼睛的不適和視覺疲勞。高強度、刺眼的光源可能造成眩光問題。在室內房間中，避免眩光對于保護居住或工作者的視覺健康至關重要。均勻度指的是房間內不同位置的照度分布是否均勻。在家庭房間中，良好的照度均勻度可以確保房間內各個區域的照明水平相對一致。均勻的照明分布可以提供更加舒適和平衡的視覺體驗，避免眼睛頻繁調整以適應明暗變化。因此，建立多目標優化模型

約束條件為

式中：A1,A2 ...An代表n個待優化的輻射相關照明因素，UGR(·)代表眩光值，Feu(·)代表光照分布均勻度，l0和u0分別代表約束條件中的臨界值。

2.2 照明設計優化步驟

在設立好目標優化模型和約束條件后，結合正交表、機器學習和遺傳算法等技術，通過正交試驗設計，可以在有限的試驗次數內覆蓋多個因素和水平組合，從而減少試驗次數并提高效率。在建立機器學習模型時，正交試驗設計可以用于選擇訓練數據集[5]。在正交試驗設計中設置不同的因素水平，可以獲得均勻分布的樣本，以覆蓋輸入空間的不同領域，并提高模型的泛化能力。采用如下具體步驟進行優化：

1）建立光學仿真模型。根據室內空間的設計和尺寸，使用建模軟件，如Catia，創建室內空間的三維模型。在光學仿真軟件DiaLux中導入三維模型進行光學仿真。在光學仿真軟件中設置光源、材質和接收面等參數，以模擬實際的光照情況。

2）確定優化參數和優化目標。根據眩光和光照分布均勻性的行業標準設置臨界條件，設置輻射相關的優化變量，如燈具光通量、燈具配光曲線和內飾材料反射率等照明設計參數。

3）正交試驗。使用所選的優化變量和水平變量，根據正交試驗設計方法，生成正交試驗表。將設計好的優化變量輸入光學仿真模型中進行計算，得到優化目標值。

4）機器學習預測模型?；谡辉囼灡淼臄祿?，建立機器學習模型，選擇感知機學習算法。將優化變量作為輸入參數，將優化目標和約束條件的參數值作為輸出參數，訓練感知機。多層感知機由全連接層構成，具有較好的非線性表達能力。選取Relu作為激活函。設輸入向量為x，第i層神經元的權重向量為wi，偏置項為bi，激活函數為fi，第i層神經元的輸出為yi。全連接層的計算公式

式中：Wi是權重矩陣，維度為（ni,ni-1），ni表示第i層神經元的數量，ni-1表示第i-1層神經元的數量。

5）遺傳算法求解目標。根據設定的優化目標和約束條件，構建多目標優化模型。應用遺傳算法對多目標優化模型進行求解，逐步完善多目標優化模型，得到最優解集[6]。最后，設計師根據用戶想要的風格，確定照明方案。

3 基于輻射分布的室內照明設計優化實驗

3.1 實驗場景設置

采取某家庭房間為研究對象，以下是具體的信息、參數和約束條件的設置。房間長寬均為4m、高2.8 m，是一個正方形客廳。假設房間的四面墻壁反射率為0.8，在房間中放置一張2 m長的沙發和一張1.2 m長的茶幾。在房間的天花板上安裝一個吊燈作為主要照明，同時在茶幾上放置一盞臺燈作為輔助照明。設定沙發區域的平均照度約束為300 lx，作為眩光約束臨界值。設定沙發鄰座區域內的照度均勻度約束為不超過20%的變化，作為均勻性的臨界值。此外，設計頂燈光通量和光束角、臺燈光通量和光束角作為優化變量。

3.2 實驗結果

將設計好的優化變量和水平變量根據正交試驗設計方法，輸入光學仿真模型中計算，即可得到正交試驗數據表，用作機器學習預測模型的訓練樣本集。具體而言，給出的頂燈光通量控制水平數為8 lm，光束角為3°；臺燈光通量為4 lm，光束角為3°。根據優化變量設置水平生成的正交試驗數據表包含60個數據樣本，樣本包括變量取值和對應的目標值及條件參數。

在感知機模型訓練中，輸入為優化變量，輸出為優化目標和約束條件參數值，采用了Adam算法優化均方差損失。預測模型建立完畢，可采用測試集的絕對誤差值來進行模型精度驗證，眩光值誤差小于1，均勻度誤差小于0.1%，說明預測模型的擬合精度較好，可滿足后續優化的需要。在得到連續預測模型后，采用遺傳算法來求解上述兩個目標優化模型。通過迭代計算即可得到滿足約束條件的最優解集，具體方案如表1所示。

表1 最優方案策略集

3.3 實驗分析

從最小化眩光值和最大化光分布值這兩個目標出發，優化得到的解均為非支配解。根據結果可得，當眩光值最小時，時，眩光值為24.1，空間光分布為2.56；當空間分布值最大時，，空間光分布為7.55，相應的眩光值為27.6。方案1室內環境較昏暗，但是眩光較輕微；方案2室內整體明亮，光束角較大，但眩光較嚴重。在最終方案選擇時，設計師可充分考慮用戶的需求，亦可通過調查問卷的方式來選擇人們主觀舒適感更高、工作效率更高的方案。

此外，將最終的方案使用仿真軟件進行測試，得到的誤差如表2所示。眩光值的誤差平均為0.8%，光分布的平均誤差約為2.6%。說明實驗過程中，訓練的多層感知機模型是有效的。

表2 模型預測與仿真值之間的誤差

4 結論

基于輻射優化的室內照明設計方法，通過光學仿真模型和多目標優化算法，成功實現了高效、舒適、節能的室內光照方案。通過正交試驗設計和機器學習預測模型，能準確預測照明設計參數與優化目標之間的關系，為優化算法提供有效的輸入。利用遺傳算法對多目標優化模型進行求解，得到一系列最優解集，為設計人員提供了室內照明設計的參考方案。這些方案不僅滿足了設計要求和標準，還考慮了舒適性和能源效率的平衡，為基于輻射優化的室內照明設計提供了可行的方法和技術支持，對于推動室內照明設計的科學化和智能化具有重要意義。未來的研究可以進一步探索更復雜的優化模型和算法，以滿足不同場景和需求的室內照明設計挑戰。