1.一种建筑群方案生成性能评价方法，其特征在于，包括如下步骤：

S1：建筑群样本方案聚类数据、建筑群方案生成样本数据、建筑群方案性能样本数据筛选与处理；

S1.1：样本数据筛选；

S1.2：样本数据处理；

S2：建筑群方案样本数据聚类；

S3：构建建筑群方案生成模型；

S3.1：建筑群方案生成模型建构；

S3.2：建筑群方案生成模型训练；

S4：构建建筑群方案性能预测模型；

S4.1：建筑群方案性能预测模型建构；

S4.2：建筑群方案性能预测模型训练与验证；

S5：建筑群方案生成及性能评价；

S5.1：数据处理与建筑群方案生成；

S5.2：建筑群方案性能评价。

2.根据权利要求1所述的建筑群方案生成性能评价方法，其特征在于，所述步骤S1.1中样本数据筛选依据为：所选取样本数据来源集中在具有相似的气候区、纬度、地形条件下的既有某类型建筑群方案布局案例。

3.根据权利要求2所述的建筑群方案生成性能评价方法，其特征在于，所述步骤S1.2中样本数据处理具体方法为：S1.2.1：建筑群样本方案聚类数据处理：通过图像处理工具，提取各建筑方案场地形状并填充为黑色，场地内不同高度、功能的建筑以不同RGB色块表示，黑色场地形状与RGB色块表示的建筑群叠加后，按照相同比例导出并置于240mm*240mm的白色背景图像上，记录图中每格像素的RGB值并进行归一化处理；将所有图的归一化后RGB值二维矩阵按行展开成一个一维行向量，每张图像对应一个行向量，所有的行向量构成方案样本的聚类数据集；

S1.2.2：建筑群方案生成样本数据处理：通过图像处理工具，首先提取各建筑方案场地形状并填充为黑色作为建筑群方案生成模型输入样本数据之一；其次将样本场地形状填充为白色，场地内不同高度、功能的建筑以不同RGB色块表示，白色场地形状与RGB色块表示的建筑群叠加；最后设定统一比例，将各建筑群方案样本图像按照相同比例导出，并应用图像处理工具进行批量化处理为cGAN网络模型可识别的图像格式，作为建筑群方案生成模型输入样本数据之二；

S1.2.3：建筑群方案性能样本数据处理：首先通过图像处理工具，将样本场地形状填充为白色，场地内不同高度、功能的建筑以不同RGB色块表示，白色场地形状与RGB色块表示的建筑群叠加后，按照上述步骤S1.2.2所设定的统一比例进行同比例导出和批量化处理作为建筑群方案性能预测模型的输入样本数据；其次将各样本方案建模为Rhino‑Grasshopper 

3D模型，定义建筑群中各建筑的运行信息数据，通过Ladybug+Honeybee插件分别计算各样本方案下的太阳能潜力值、建筑能耗值，两种性能值作为建筑群方案性能预测模型的输出样本数据。

4.根据权利要求3所述的建筑群方案生成性能评价方法，其特征在于，所述步骤S2中建筑群方案样本数据聚类方法为：将步骤S1.2中处理后的建筑群样本方案聚类数据作为输入数据，基于方案数据集所反应的容积率、布局方式，利用K‑means聚类算法对建筑群样本方案数据进行聚类，选取MIA、2

MDC、伪F统计量、R统计量四个评价指标，对K‑means聚类算法的K值做出选择，将建筑群样本方案聚类数据聚类为K组。

5.根据权利要求4所述的建筑群方案生成性能评价方法，其特征在于，所述步骤S3.1中建筑群方案生成模型建构方法为：采用基于cGAN的Pix2Pix进行建筑群方案生成模型建构，模型建构过程中生成器采用U‑net架构，并合理设置其编码器与解码器卷积层层数、每层网络的神经元个数、下采样的卷积核与上采样的反卷积核的大小及步长；在编码器建构中，每层卷积层后都连接LeakyReLu激活函数层；在解码器建构中，每层反卷积层后都连接有非线性运算单元；在生成器的编码器与解码器建构中，每层卷积层与反卷积层后均连接有批量归一化层，生成器网络的随机噪声以dropout层形式输入；

采用PatchGAN建构判别器，包括卷积层、激活函数层与批量归一化层三部分，并合理设置卷积神经网络结构、每层卷积网络神经元个数、激活函数；所建构判别器的输入数据为生成器生成的图像与生成器的输入图像，最后输出为取值为0‑1的真假预测图，真假预测图上的每个数值对应判别器输入图像的相应位置上的图像分块的真假程度，取值越接近1则说明判别器认为该图像分块的生成效果接近真实布局图像。

6.根据权利要求5所述的建筑群方案生成性能评价方法，其特征在于，所述步骤S3.2中建筑群方案生成模型训练方法为：基于步骤S2的k组聚类结果，将步骤S1.2.2中处理过的建筑群方案生成样本数据划分为K类，按照15％：85％的比例分别将每类建筑群方案生成样本数据划分为测试集与训练集并展开训练，获得K个建筑群方案生成模型；训练过程中pix2pix模型训练会同时调用生成器与判别器，通过损失函数度量判别器上每个相应图像分块上真假分类的损失；模型优化采用Adam优化器进行，通过试错法合理设置其学习率、迭代次数超参数，模型超参数参考pix2pix算法，采用其默认设置，迭代过程中算法会利用训练数据不断优化模型权重值，减少输出图像与真实图像之间的损失值，从而使生成图像越来越逼近真实图像，迭代中损失函数设置如下：*

其中，G 为损失函数；arg min max表示极值情况下的变量取值；min表示最小值；max表示最大值； 表示一般cGAN的损失函数；G为建筑群方案生成器网络；D为建筑群方案判别器网络； 表示L1Loss损失函数；表示期望值；x为黑色建筑场地形状图像；y为真实的建筑群方案总平面图；G(x，z)为建筑群方案生成器网络的生成图像；z为输入的随机噪声；λ为设置的权重值采用dropout代替。

7.根据权利要求6所述的建筑群方案生成性能评价方法，其特征在于，所述步骤S4.1中建筑群方案性能预测模型建构方法为：将步骤S1.2.3处理后的建筑群方案性能样本数据15％分为测试集，其余为训练集，采用CNN结构展开模型构建，CNN输入层数据为处理后的建筑群方案图片，输出层数据为由Rhino‑Grasshopper计算所得该建筑群方案所对应的太阳能潜力、能耗。

8.根据权利要求7所述的建筑群方案生成性能评价方法，其特征在于，所述步骤S4.2中建筑群方案性能预测模型训练与验证方法为：设定CNN卷积层、下采样层、全连接层层数及神经元数量、学习率、迭代次数，以测试集中预测太阳能潜力值与真实值之间的均方误差和预测建筑群能耗值与真实值之间的均方误差作为模型精确度的评价指标，对模型的超参数进行优化调整，直至可取得较高的预测精度，评价指标公式如下：其中，JS表示测试集中预测太阳能潜力值与真实值之间的均方误差；Je表示表示测试集中预测建筑群能耗值与真实值之间的均方误差； 表示第i个测试数据的太阳能潜力预测值； 表示第i个测试数据的太阳能潜力实际值； 表示第i个测试数据的建筑群能耗预测值； 表示第i个测试数据的建筑群能耗实际值；i表示第i个测试数据；m表示测试集数据数量。

9.根据权利要求8所述的建筑群方案生成性能评价方法，其特征在于，所述步骤S5.1中数据处理与建筑群方案生成方法为：S5.1.1：提取待生成建筑群场地形状并填充为黑色；其次按照与步骤S1.2.2中所设定的统一比例导出，并应用图像处理工具将其处理为cGAN网络模型可识别的图像格式，作为建筑群方案生成模型输入数据。

S5.1.2：将输入数据分别导入k个已训练好的具有U‑net架构的建筑群方案生成模型中展开方案生成设计，得到该场地条件下的不同建筑群生成方案图像。

10.根据权利要求9所述的建筑群方案生成性能评价方法，其特征在于步骤S5.2中建筑群方案性能评价方法为：将步骤S5.1.2中所得不同建筑群生成方案图像作为输入数据，分别导入已训练好的建筑群方案性能预测模型中展开预测，得到不同建筑群方案下的太阳能潜力值和建筑能耗值，作为方案性能评价指标，对各方案做出性能评价判断，最后可基于性能评价判断选择具体设计方案。