1.家具布局方法,其特征在于，包括以下步骤:

1)对用户输入的布局空间和家具信息进行解析,构建初始布局方案；2)根据布局问题的特点,利用自适应窗口调整模块动态调整搜索窗口,并利用该窗口在当前布局方案的基础上进行全局或局部的优化搜索,生成一组新的布局方案；3)对新生成的布局方案利用相位校正模块进行自适应微调和修正,并通过冲突检测和化解机制对布局方案进行进一步优化,将优化后的布局方案加入候选集；4)重复执行步骤2)和步骤3),直到满足迭代终止条件；5)利用Pareto优化策略对候选布局集进行综合评价,选取最优布局方案作为输出；

所述步骤2)中自适应窗口调整模块采用基于模拟退火的自适应窗口搜索算法SAWS，包括以下步骤：

2.1)初始化搜索窗口的尺寸因子α和形状因子β,以及退火温度T，其中α∈(0,1),表示搜索窗口相对于整个布局空间的尺寸比例，初始值α0＝0.5；β表示搜索窗口形状的不规则程度，初始值β0＝0；初始值T0＝100；

2.2)在当前布局方案的基础上，利用搜索窗口随机选取一组家具 对其位置和朝向进行局部扰动，得到新的局部布局L′:

位置扰动：在搜索窗口内，对每个家具fi∈F′,其位置坐标(xi,yi)以步长δ进行随机偏移，即xi′＝xi+rand(‑δ,δ),yi′＝yi+rand(‑δ,δ),其中rand(‑δ,δ)表示在[‑δ,δ]范围内随机采样；

朝向扰动：对每个家具fi∈F′,其朝向角度θi以步长η进行随机偏转，即θi′＝θi+rand(‑η,η)；

2.3)采用布局评估函数E(·)对新布局L′进行评分，并根据Metropolis准则决定是否接受L′作为新的当前布局；若E(L′)

2.4)根据当前迭代次数t和最大迭代次数Tmax,更新搜索窗口的尺寸因子α和形状因子β:α＝α0×(1‑tanh(k1×t/Tmax))

β＝β0+(1‑β0)×sin(k2×π×t/Tmax)

直中k1为尺寸调整速率因子，k2为形状调整速率因子；

2.5)根据当前迭代次数t和最大迭代次数Tmax，更新退火温度TT＝T0×exp(‑k3×t/Tmax)；

其中k3为降温速率因子；

2.6)重复执行步骤2.2)至2.5),直到满足迭代终止条件。

2.根据权利要求1所述的方法，其特征在于，所述步骤3)中相位校正模块采用基于布局相位分析的自适应校正算法LPAC，包括以下步：

3.1)对候选布局方案L中的家具布局进行相位分解，提取以下关键相位分量：家具间距D＝{dij|i,j∈F,i≠j},其中dij表示家具i和j之间的距离，计算公式为：dij＝

2 2 0.5

[(xi‑xj) +(yi‑yj) ] ；

对齐度A＝{aij|i,j∈F,i≠j},其中aij表示家具i和j在x方向或y方向上的对齐度，计算公式为：aij＝min(|xi‑xj|,|yi‑yj|)；

朝向一致性O＝{oi|i∈F},其中oi表示家具i的朝向角度θi与房间主方向之间的夹角，计算公式为：oi＝min(|θi‑θ0|,180°‑|θi‑θ0|),θ0为房间主方向角度；

3.2)对每个相位分量进行自适应校正，得到校正后的布局L′:间距校正：对每对家具(i,j),计算其校正后的间距di′j＝dij+λ1·sign(dij‑d0)·log(1+|dij‑d0|),其中d0为间距参考值,λ1为间距校正强度因子，sign(·)为符号函数；

对齐校正：对每对家具(i,j),计算其校正后的对齐度a′ij＝aij+λ2·sin(π·aij/a0)·exp(‑aij/a0),其中a0为对齐度参考值，λ2为对齐校正强度因子；

朝向校正：对每件家具i,计算其校正后的朝向角度θ′i＝θi+λ3·tanh(oi/o0)·cos(2·oi),其中o0为朝向一致性参考值，λ3为朝向校正强度因子；

3.3)根据校正后的相位分量重构布局L′,并将其作为新的候选布局加入候选集C。

3.根据权利要求2所述的方法，其特征在于，相位校正后，采用基于约束图的启发式搜索算法对布局方案进行冲突检测和化解包括以下步骤：

4.1)构建布局约束图G＝(V,E),其中V为家具节点集合，E为约束边集合V＝{vi|i∈F},其中vi表示家具i对应的节点；

E＝{eij|i,j∈F,i≠j,约束(i,j)＝True},其中eij表示节点vi和vj之间的约束边，约束(i,j)为布尔函数表示家具i和j之间是否存在布局约束；

4.2)定义布局约束规则集R,常见的约束规则包括：

家具不重叠： Inter(i,j)＝False,其中Inter(i,j)为布尔函数表示家具i和j是否存在交集；

墙距合理： dmin≤d(i,W)≤dmax,其中d(i,W)表示家具i到最近墙面的距离，dmin和dmax为距离下限和上限；

通行便利： i≠j,如果存在从i到j的通路，则Width(i,j)≥wminv其中Width(i,j)表示通路的最小宽度，wmin为宽度下限；

4.3)采用深度优先搜索算法遍历约束图G,标记出其中的冲突节点和冲突边，冲突节点： 使得vi违反任意规则r∈R；冲突边： i≠j,使得eij违反任意规则r∈R；

4.4)对每个冲突节点vi,根据规则集R进行启发式调整，得到调整后的家具布局L′；若vi违反”家具不重叠”规则，则在其邻域内随机采样新的位置，直到不再重叠；若vi违反”墙距合理“规则，则沿着垂直于最近墙面的方向移动vi,直到满足距离限制；若vi违反”通行便利“规则，则选择合适的通路并调整相关家具的位置，使得通路满足宽度要求；

4.5)对每条冲突边eij,根据规则集R进行启发式调整，得到调整后的家具布局L′:若eij违反”家具不重叠”规则，则分别调整vi和vj的位置，直到不再重叠；若eij违反”墙距合理”规则，则分别调整vi和vj的位置，使得它们都满足距离限制；若eij违反”通行便利”规则，则调整vi和vj的位置以及通路的布局，使得通路满足宽度要求；

4.6)将调整后的布局L′作为新的候选布局加入候选集C。

4.根据权利要求1所述的方法，其特征在于，步骤4)中迭代终止条件包括达到最大迭代次数Tmax；连续K次迭代的最优布局评分提升小于阈值∈；当前温度T低于设定的最低温度Tmin。

5.根据权利要求1所述的方法其特征在于，所述步骤5)中采用基于Pareto优化的多目标布局评价和选择算法PMOES，包括以下步骤：

6.1)定义一组布局评估指标U＝{u1,u2,...,un},对候选集C中的每个布局方案Li,计算其在各项指标上的得分(ui1,ui2,...,uin):空间利用率：ui1＝Usi/S,其中Usi为布局Li中家具的总占地面积，S为房间总面积；

采光指数：ui2＝Wi/W,其中Wi为布局Li中所有窗户的总面积W为房间总窗户面积；

美观度：ui3＝(Symi+Bali+Divi)/3,其中Symi为布局Li的对称性评分，Bali为布局Li的平衡性评分，Divi为布局Li的丰富度评分，评分范围均为[0,1]；

舒适度： 其中wj为第j项舒适度因子

的权重，gj为第j项舒适度因子的实际值，gj0为第j项舒适度因子的参考值，m为舒适度因子的总数；

个性化：ui5由用户通过问卷调查或偏好反馈给出，反映布局Li与用户个性化需求的匹配程度，取值范围为[0,1]；

6.2)基于Pareto支配关系对候选集C进行非劣排序，得到一组Pareto前沿：布局LiPareto支配布局Lj′当且仅当 uik≥ujk′且 uik>ujk′；布局Li与布局Lj互不支配，当且仅当 uik>ujk且uil

6.3)在Pareto前沿F1上应用加权求和法，结合用户偏好权重向量w＝(w1,w2,...,wn),计算每个布局Li的综合评分si:其中wk为第k项指标的权重， wk≥0；

*

6.4)选取综合评分最高的布局作为最优推荐布局L:

*

6.5)将最优推荐布局L与Pareto前沿F1中的其他候选布局一并返回，供用户参考和选择；

6.6)记录用户对推荐布局的反馈评价，动态更新偏好权重向量w,实现布局推荐的持续优化。

6.根据权利要求1所述的方法,其特征在于,所述布局空间包括房间平面图和家具列表,平面图采用Canny边缘检测和Hough变换提取房间边界和门窗位置,家具采用参数化表示,参数包括:中心坐标(x,y)、长度l、宽度w和朝向θ。

7.家具布局装置,实现权利要求1‑6任一项所述的方法，其特征在于,包括:包括布局解析模块、自适应窗口搜索模块、布局相位校正模块、布局评价选择模块和人机交互模块；

所述布局解析模块,用于对用户输入的布局空间和家具信息进行解析,构建初始布局方案；

所述自适应窗口搜索模块,用于根据布局问题的特点动态调整搜索窗口,并利用该窗口在当前布局方案的基础上进行全局或局部的优化搜索,生成一组新的布局方案；

所述布局相位校正模块,用于对新生成的布局方案进行自适应微调和修正,并通过冲突检测和化解机制进行进一步优化,将优化后的布局方案加入候选集；

所述布局评价选择模块,用于利用Pareto优化策略对候选布局集进行综合评价,选取最优布局方案作为输出；

所述人机交互模块,用于接收用户输入的布局空间和家具信息,并向用户呈现优化后的布局方案。

8.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1‑6任一方法的步骤。

9.一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1‑6任一方法的步骤。