人工智能是近年社会关注的热点，其核心是各式各样的算法，在一些工业领域，算法已经开始替代人工劳动，建筑行业也出现了例如小库这样的基于人工智能算法的设计辅助软件。如何驾驭算法提高设计效率和品质，而不是被算法替代，是我们需要不断学习的新领域。原先算法需要自己编程，不利于工程上推广，现在则出现了例如Galapagos这样的成熟软件（模块），让算法的工程应用更加便捷，落地性更强。

在传统的设计中，我们首先根据建筑要求布置出结构构件的拓扑关系，然后根据计算结果调整拓扑关系与构件尺寸，并不断迭代直至达到满意结果（收敛），我们对结构的认知决定模型的调整规则，这种认知就是人脑的“算法”。在计算机算法驱动的设计中，人需要介入的是预设的约束条件，例如拓扑、变量范围等，然后依靠算法进行寻优设计，如果能够克服贪心算法的陷阱，甚至可能达成全局最优解，这是人力难以做到的。以一个不太复杂的钢结构屋盖项目为例说明如何使用算法进行设计。

在GH中，构件截面全部按照auto selection来指定，备选截面库由试算确定。完成有限元模型搭建、指定支座、施加荷载后，加入Galapagos电池，将各点Z坐标的相关参数作为优化变量（Genome），有高低关系的坐标可按照参照点坐标±正值的方法来定义。Galapagos提供了两种算法，遗传算法与模拟退火算法，都是比较经典的启发式算法，不关注求解过程，基于暴力迭代来逼近最优解。这里采用小编比较熟悉的遗传算法，一般包含生成初始群体-适应度评价-选择-交叉-变异的流程，如果熟悉遗传算法原理可对Galapagos参数进行设置，不过默认参数也能应对大部分情况。使用KARAMBA 3D提取结构的应变能，以应变能最小作为优化目标（Fitness）。

GH电池组搭建完成后，我们便可以把设计工作完全交给算法，腾出手去做其他事情。

约1个半小时后算法收敛，最终呈现的形态与预期一致，为接近于逆吊法的拱形。与建筑师提供的初始方案模型相比（形状相差很小），结构的应变能下降了22.5%，刚度相应提升，构件截面均为按照满应力准则设计的优化截面。