建築資訊模型的技術日新月異，逐步成為ACE產業的主流工作模式，結合建築生命週期達到永續經營與綠色建築理念；為此，建築師開始更關注建築性能與智慧建築領域的發展與效益，參數化設計的自動化成為新的建築設計思維，取代實務工作中複雜性高且重複性的工作事項。

最佳化理論的研究普遍存在於各個領域中，長久以來，人類對於最佳化問題進行探索與討論，在電腦日益普及與智慧技術的快速發展下，最佳化方法已經在建築領域廣泛運用並影響設計思考；建築設計過程中需探討無數個問題並進行決策，若透過最佳化理論和尋優演算法可輔助建築師進行設計探索與改善工作流程。

衍生式設計利用人工智慧的技術來開發新的高性能設計迭代，以幫助解決複雜的問題、減少工作項目並優化專案機能；設計者可以找到針對各種設計問題的優化模型和定制的設計解決方案，使專案更完善或提高成本效益與施工實踐，建立最佳化設計流程以循環迭代的方式進行，直到設計優化條件被滿足獲得最佳解決方案。

以衍生式設計輔助BIM工作流程的發展背景之下，本論文的研究目標有兩個，其一，歸納衍生式設計之應用方法；其二，整合衍生式設計工具於建築工作流程。而內容主要分三個部分：
一、歸納人工智慧與衍生式設計的應用案例與使用軟體，探討建築資訊模型的數據驅動與資訊交換。
二、探討衍生式設計背後的運算原理及邏輯概念，並依當今國內建築設計流程以及參數化設計研究，整合出一套衍生式設計流程。
三、驗證衍生式設計整合於BIM流程架構，探討衍生式設計與多目標最佳化如何應用於建築設計流程，進行設計案例實作。

本研究驗證使用衍生式設計可提升BIM建築專案前期的工作效益，探索建築量體的多樣性獲得設計反饋、重新檢視人機協作的關係。總結來說，研究者認為衍生式設計工具在未來BIM技術與ACE產業中能提升建築性能與工作效益，應用案例可提供未來人工智慧建築師的技術開發，破解人類設計思考的黑箱。

Generative design (GD) uses artificial intelligence (AI) technology to develop new high-performance design iterations to solve complex problems, reduce work items, and optimize project performance. In addition, designers can find optimized models and customized design solutions for various design problems. This result makes the project well completed or improves cost-effectiveness and construction practices. It establishes an optimized design process in an iterative method until the design optimization conditions are met to obtain the best solution.

中文文獻
1.王力凱(2021)基於性能的建築體量設計，南京大學，博士論文。
2.黃正翰、江學文、楊竣丞(2020)社會住宅 BIM、智慧建築、綠建築於維護管理之應用，營建知訊444期。
3.陳昇瑋、溫怡玲(2019)人工智慧在台灣：產業轉型的契機與挑戰，天下雜誌。
4.何震寰(2019)Architectural Processes of Parametric Design _from Tectonic to Landscape Urbanism，迪墨國際股份有限公司。
5.吳典育(2018)BIM整合操作運用之設計流程研究，國立成功大學建築研究所，博士論文。
6.三宅陽一郎、森川幸人(2017)從人到人工智慧，破解AI革命的68個核心概念：實戰專家全圖解× 人腦不被電腦淘汰的關鍵思考，臉譜出版社。
7.羅嘉祥、宋姍、田宏鈞(2017)Autodesk Revit 煉金術：Dynamo 基礎實戰教程, 同濟大學出版社。
8.陳嘉懿、鄭泰昇(2015)建築物節能外牆之應用，內政部建築研究所委託研究成果報告。
9.鄭泰昇(2014)BIM導入台灣綠建築設計案例實作研究，內政部建築研究所委託研究成果報告。
10.簡聖芬(2000)衍生式設計輔助系統：現況與未來發展，電腦與網路時代中的建築設計研討會。

英文文獻
1.Andrea Ferrero, Emanuele Lenta, Valentina Monetti, Enrico Fabrizio, Marco Filippi(2015) How To Apply Building Energy Perfomance Simulation At The Various Design Stages：A Recipes Approach.
2.The American Institute of Architects(2007)Integrated Project Delivery: A Guide. Version1.
3.Bazafkan, Ehsan.(2017)Assessment of usability and usefulness of new building performance
simulation tools in the architectural design process.
4.Bentley P.J. and Corne D.W.(2002)An Introduction to Creative Evolutionary Systems.
5.Campo, Matias Del, Alexandra Carlson, and Sandra Manninger(2019)Machine Hallucinations: A comprehensive interrogation of Neural Networks as Architecture Design.
6.Giannopoulou,Effimia,Pablo Baquero,Angad Warang,and Alberto T.Estevez(2019) Computational Workflow for Segmented Shell Structures: an ANN Approach for Fabrication Efficiency.
7.Hensen, J., and Lamberts, R.(2011)Building performance simulation for design and operation.
8.H Bohnacker, J Laub, B Groß, C Lazzeroni(2009)Generative Design： Visualize, Program, and Create with Processing，Princeton Architectural Press.
9.Ionuţ Antona , Daniela Tănase(2016)Informed Geometries. Parametric Modelling and Energy Analysis in Early Stages of Design.
10.Liu, Henan, Longtai Liao, and Akshay Srivastava(2019)An Anonymous Composition: Design Optimization Through Machine Learning Algorithm.
11.Michael Hensel(2013)Performance-oriented architecture: Rethinking architectural design and the built environment.
12.Mohammad, Ali, Christopher Beorkrem, and Jefferson Ellinger(2019)Hybrid Elevations Using GAN Networks.
13.Oxman, R.(2009)Performative design: a performance-based model of digital architectural design.
14.Özel, Güvenç, and Benjamin Ennemoser(2019)Interdisciplinary AI: A Machine Learning System for Streamlining External Aesthetic and Cultural Influences in Architecture.
15.Reas,C., McWilliams,C., and Barendse,J.(2010)Form+code in design, art, and architecture，Princeton Architectural Press.
16.Shi X.(2010)Performance-based and performance-driven architectural design and optimization.
17.Steinfeld, Kyle(2019)GAN Loci: Imaging Place using Generative Adversarial Networks.
18.Zheng, Hao, Vahid Moosavi, and Masoud Akbarzadeh(2019)Machine Learning Assisted Evaluations in 3D Graphic Statics.

網路文獻
1.Autodesk-Generative Design Primer(2021)https://www.generativedesign.org/
2.Delve(2021)https://reurl.cc/Rj6l4x
3.EvoMass(2021)https://www.food4rhino.com/en/app/evomass
4.Finch 3D(2021)https://finch3d.com/
5.Nate(2015)Using Data in Your Design Process，https://provingground.io/2015/08/27/using-data-in-your-design-process/
6.Rhino.Inside.Revit(2021)https://www.rhino3d.com/inside/revit/1.0/
7.Spacemaker(2021)https://www.spacemakerai.com/
8.VisualARQ(2021)https://www.visualarq.com/zh-hans/features/
9.XKool(2021)https://www.xkool.ai/