İlal, Mustafa EmreEkici, BerkGüldilek, Mertcan2025-12-252025-12-252025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=V-oEQd0LkkqRGCXNzJWCTYdTAvVXf73EXXPnrEzntwuMIO_QljLelAUrkrypKobUhttps://hdl.handle.net/11147/18817Bu tez, Generative Adversarial Networks ile Reinforcement Learning'i entegre ederek mimari kat planı oluşturmaya yönelik yeni bir insan merkezli yaklaşımı araştırmaktadır. Son zamanlarda derin öğrenme alanındaki gelişmeler, görsel olarak gerçekçi düzenler oluşturmada başarılı olsa da, genellikle kullanıcıya özgü ihtiyaçlara ve mimari mantığa uyum sağlayamamaktadır. Bu sorunu çözmek için, araştırma, otomatik oluşturma ile kullanıcı katılımlı özelleştirme arasındaki boşluğu doldurmayı amaçlayan, tek katlı ev tasarımlarına özel bir hibrit GAN-RL çerçevesi geliştirmektedir. İlk olarak, House-GAN++ ve geliştirilmiş Dropout-GAN modeli RPLAN veri seti kullanılarak eğitilmiş ve performans Fréchet Inception Distance ve Graph Edit Distance ile değerlendirilmiştir. Tasarım kontrolünü ve tercih duyarlılığını güçlendirmek için, uzamsal tutarlılık, bitişiklik, koridor minimizasyonu ve bağlantısallığı ele alan modüler bir ödül fonksiyonu kütüphanesi tarafından yönlendirilen PPO tabanlı bir pekiştirme öğrenme mekanizması getirilmiştir. Mimarlar ve öğrencilerin katıldığı altı yapılandırılmış atölye çalışması, iki kılavuzlu üretim modunun geliştirilmesini şekillendiren kullanıcı geri bildirimi sağladı: uzamsal boyutlara göre ve metrekare gereksinimlerine göre. Hibrit sistem, üç pratik senaryo altında test edildi - Mere Generation, Objective Optimization ve Human-in-the-Loop Generation - ve modelin hesaplamalı yaratıcılık ile kullanıcı kontrolü arasında denge kurma esnekliğini gösterdi. Sonuçlar, RL ile geliştirilmiş modelin, temel GAN'lara kıyasla tasarım kararlılığını, mimari gerçekçiliği ve kullanıcı hedefleriyle uyumu önemli ölçüde iyileştirdiğini gösterdi. Yapısal doğruluk ve erken aşama RL yakınsaması konusunda zorluklar devam etse de, önerilen yaklaşım akıllı, uyarlanabilir ve işbirliğine dayalı AI destekli tasarım sistemlerine doğru atılmış bir adımdır.This thesis explores a novel human-centered approach to architectural floor plan generation by integrating Generative Adversarial Networks with Reinforcement Learning. While recent deep learning advancements have demonstrated success in generating visually realistic layouts, they often lack adaptability to user-specific needs and architectural logic. To address this, the research develops a hybrid GAN-RL framework tailored for single-storey house designs, aiming to bridge the gap between automated generation and user-involved customization. Initially, House-GAN++ and an enhanced Dropout-GAN model were trained using the RPLAN dataset, with performance evaluated through Fréchet Inception Distance and Graph Edit Distance. To enforce design control and preference sensitivity, a PPO-based reinforcement learning mechanism was introduced, guided by a modular reward function library addressing spatial coherence, adjacency, corridor minimization, and connectivity. Six structured workshops involving architects and students provided user feedback that shaped the development of two guided generation modes: by spatial dimensions and by square meter requirements. The hybrid system was tested under three practical scenarios -Mere Generation, Objective Optimization, and Human-in-the-Loop Generation- demonstrating the model's flexibility to balance computational creativity and user control. Results showed that the RL-enhanced model significantly improved design stability, architectural realism, and alignment with user goals compared to baseline GANs. While challenges remain in structural accuracy and early-stage RL convergence, the proposed approach marks a step toward intelligent, adaptive, and collaborative AI-assisted design systems.enMimarlıkArchitectureMaster Thesis