///第二次发布 ///
(V0.0.2现已推出！它扩展了原始分析指标，增加了创建分析网格的灵活性，并增加了一个有趣的图像处理组件，可以将图像/草图转换为可用的多段线。当您知道绘制线条的颜色并为GH提供这些RGB颜色的列表时，该组件能够识别并解析出这些边界。未来可能会重写该组件，以便简单地识别所需的多段线。该组件还允许用户在原始图像处理完成后根据需要缩放绘图。最后，v0.0.2升级了Kohonen SOM组件，以接受用户定义的权重/指标数量，而不是以前硬编码的’4’。)
关于新指标的参考：聚类系数，平均最短路径，邻域大小请查看这篇论文：从Isovists到可见性图：一种分析建筑空间的方法。
food4rhino网络研讨会：https://www.youtube.com/watch?v=oU3clYhUXhU
///第一次发布 ///
PlanBee是一个旨在帮助计算和可视化不同分辨率下楼层平面特征的插件，从而帮助设计师从不同的视角审视楼层平面的程序化组织。使用PlanBee时，请使用“渲染”视图模式，以充分利用内置的分析/显示组件。所有分析组件都支持并行计算。
除了在不同楼层平面位置计算各种指标外，PlanBee还提供了Kohonen自组织特征映射算法(SOM)的实现，以“自组织”与楼层平面相关的指定程序块。术语解释：为了理解这一点，有助于将楼层平面视为一个体素场，每个体素包含不同计算指标的值。一旦计算出指标，每个体素就对应于一个多维向量。SOM基本上调和体素场的多维向量与指定应属于程序混合的特征：术语结束。
用例如下：空间规划师、建筑师和室内设计师在进行装修/早期示意图设计练习时，需要将程序简介与楼层平面多边形协调一致。用户也可以使用PlanBee简单地计算楼层平面的分析指标并将其可视化。
*PlanBee不会产生接近完成的楼层平面！
为了有效使用PlanBee，有助于将其分为两部分思考(1)楼层平面指标/分析的计算(2)[自组织特征映射。(请查看示例文件)。
输入
- 程序区域分布(.csv格式-参见示例文件)
- 程序描述符/特征(.csv格式-参见示例文件)。这些是归一化值在0和1之间，描述给定程序中特征存在的强度。例如，“厨房”在“日光接入”中可能接近1.0，而“储藏”可能接近0.0。
- 工作平面
- 楼层平面周长曲线
- 核心周长曲线(或周长曲线偏移以定义核心曲线)
- 体素/分析网格分辨率
*如果计划的可用面积(周长面积-核心面积)太小，PlanBee会告诉您并要求您调整程序的大小或周长曲线的大小)。“什么是太小？”您可能会问。程序名称和区域由用户以.csv文件的形式指定(参见示例文件)，PlanBee使用该信息来判断您指定的计划是否可以满足该规格。
现在来计算指标……。
楼层平面指标的计算
第一次发布可以计算的指标包括：
- (2D) Isovist(仅限于楼层平面内部；包括指定的障碍物)：A)指定内部障碍物
- (2D) 可见性到景点(地标、兴趣点等)：A)指定定义景点几何形状的边界
- (3D) 日光代理(使用Rhinocommon太阳独立)：A)指定分析周期和您希望分析的地点的纬度/经度。B)指定障碍物对象(附近的建筑物/檐篷)。
- (2D) 到出口的距离(A*最短路径实现)：指定任意数量的出口，放置一个点表示它们的位置 这些指标可以计算和可视化，或可以作为第二部分(自组织特征映射)的输入。每个指标对应一个内置显示/预览的组件，如果您将’Autocolor’切换为True。(您一次应该只设置一个为True)。我计划根据用户反馈扩大可以计算的楼层平面指标。
自组织特征映射
Kohonen自组织特征映射(SOMs)广泛用作无监督ML技术，以在低维空间中分类和表示高维数据。应用范围从医学诊断到解释地震活动，再到环境建模。其思想是，根据其(多维)特征组织领域内的元素；即相似的领域对象根据它们的相似性分组在一起。
在PlanBee中，SOM的目的是“自组织”楼层平面中的程序块。目标不是优化，而是简单地映射楼层平面中固有的特征，这些特征可以用几种方式表示；其中之一是程序分布。PlanBee提供的另外两种是(1)节点的原始权重以及(2)到最佳匹配单元(BMU)的距离。 有关算法的更深入理解，请查看http://www.ai-junkie.com/ann/som/som1.html](https://en.wikipedia.org/wiki/Self-organizing_map)。
目前，算法运行固定次数的迭代 - 我计划在未来版本中将其暴露给用户。在算法运行时，‘Display SOM’应设置为False。一旦运行完成，您可以将其设置为True，并通过指定’Display Type’输入来可视化数据。SOM显示所有具有内置显示/预览的可视化。
如果楼层平面’分析网格’中计算出的指标有足够的区分度，那么这种方法会产生有趣甚至可能具有洞察力/可用的特征图。由于这种方法不考虑用户定义的邻接性或其他任何优化指标(它在核心上不是优化算法)，因此不应期望优化。
尽情享受它！我建议从示例文件开始，然后用您自己的输入替换它们。
未来开发
- 额外的分析指标
- 例程以更好地确保SOM在确保特征保真度的同时产生正确的区域分布
PlanBee由Marco Juliani开发。如果您有问题/建议，请通过marcotjuliani@gmail.com与我联系
致谢
与空间句法相关的指标：从Isovists到可见性图：一种分析建筑空间的方法。一些新的指标是根据作者对它们的描述建模的。
Kohonen自组织特征映射-这个算法的普通版本在UCL Bartlett的AC课程中教授。PlanBee版本在此基础上进行了构建。所引用的课程参考了这个链接：http://www.ai-junkie.com/ann/som/som1.html
A*最短路径-这个算法是从YouTube上关于这个主题的众多教程中拼凑而成的。它不使用外部库，图的数据结构是一个字典。
Isovist和景点可见性方法都是简单的光线投射方法，用于确定交叉点。
日光代理方法是独立的，使用Rhinocommon太阳来确定太阳角度。它是一种过于简化的方法，因为它不计算环境光/噪声或任何超过一次反弹的东西。它旨在作为一种“足够好”的代理方法，以满足我们的目的。