随着建筑优化领域的不断发展,越来越多的优化方法如雨后春笋般涌现,其中不乏各类智能优化算法。这类智能优化算法在优化过程中通常依托于传统的建筑性能模拟方法获取建筑性能指标以进行优化。然而,智能优化算法一般需要大规模的计算,同时,建筑性能模拟所需的时间往往受制于建筑模型的复杂程度与计算机的配置,这便导致性能优化时间过长而无法给予工程中的设计师以高效准确的反馈,以智能优化算法为依托的建筑性能优化方法主要应用于科学研究而难以投入到实际工程之中。因此,基于BP神经网络与SPEA-II多目标优化算法,本文搭建了准确高效的建筑性能预测与优化平台以辅助设计师决策。首先,本文对以建筑空间参数为优化变量的建筑性能预测与优化问题进行了数学建模。以寒冷地区中小型高铁站为案例,本文研究了中小型高铁站模型的生成方法,并分析总结了预测与优化模型的决策变量与目标函数以及适合中小型高铁站的建筑性能模拟方法和数据处理方法。本文最终以建筑空间参数为决策变量,建筑能耗与建筑室内热舒适度为目标函数,在参数化设计平台上搭建了建筑性能预测与优化平台。其次,本文对建筑性能预测模型的训练过程与预测结果进行了分析与验证。本文先针对BP神经网络的模型选优过程进行了详细地分析,并最终确定了合适的BP神经网络拓扑结构。其次,本文对BP神经网络的性能进行了定量的分析与验证,包括能耗及热舒适度的预测精度以及预测稳定性等。最终结论表明,基于BP神经网络的建筑性能预测模型性能较优,能够满足工程需求。最后,本文结合BP神经网络预测模型与SPEA-II算法模型对案例的优化结果进行了定量与定性分析并以可视化的形式呈现。定量分析包括解集的进化过程,收敛过程,解集的综合质量评价等,定性分析包括Pareto前沿以及最优建筑方案分析。最终结论表明,该平台预测与优化能够给出准确可靠的最优解,最优建筑方案合理性较强,工程应用价值较高。本文的创新点主要在于以下两方面:1、本文搭建了以建筑性能设计为导向,以准确高效反馈为前提的参数化平台,为设计师在方案设计初期阶段提供了可信度较高的设计指导工具。2、本文借助参数化设计的优势,对方案设计初期阶段最为重要的参数之一—空间参数进行了建模,并以算法为支撑,验证了以建筑能耗与建筑室内热舒适度为目标的优化可行性,为建筑优化提供了一定的理论指导。