早期規則導向方法（1970年代至1980年代）
平面圖設計自動化的探索可追溯至1970年代。 其中一個最早的概念性里程碑，是史汀尼與吉普斯於1971年提出的形狀文法——這套形式化規則系統透過遞迴形狀轉換規則，能生成包含建築佈局在內的設計方案。 這些早期方法多屬符號或規則驅動：例如弗里德曼1971年的研究嘗試演算法空間規劃，米切爾1976年的理論則提出枚舉可能房間佈局的方案。至1970年代末至1980年代，研究者開始探索解決「空間分配問題」的專家系統與啟發式規則。 沙維夫於1974年及1987年在電腦化空間分配領域的貢獻，體現了該時代以邏輯驅動的佈局規劃方法。
優化與演化方法（1990年代至2000年代）
1990年代，建築領域的人工智慧轉向運用搜尋與優化演算法來處理佈局設計的組合複雜性。 約翰·傑羅（John Gero）及其團隊開創性地將演化演算法應用於平面設計：喬與傑羅（Jo and Gero, 1996）運用遺傳演算法模擬簡易建築平面圖，羅森曼等人（Rosenman et al., 1997）則將遺傳演算法與遺傳程式設計結合以拓展應用。整個1990年代後期，眾多研究者持續運用演化策略生成空間配置方案。
進入21世紀初，該領域湧現出諸多啟發式方法，例如模擬退火法，以及將演化演算法與約束程式設計或形狀語法相結合的混合方法。其中顯著趨勢是運用多目標優化技術，以平衡功能需求與效能準則。
數據驅動範式與關鍵轉折點（2010–2015）
2010年，Paul Merrell等人發表的論文〈電腦生成住宅建築平面佈局〉標誌著關鍵轉變。 該研究提出運用貝葉斯網路，透過真實平面圖學習房間連通模式，並結合佈局幾何的隨機優化步驟。這項成果標誌著參照方法的開端——此類方法能從過往設計數據中學習。
隨後，早期機器學習的嘗試開始出現，用於分析與標註建築設計圖。這段過渡時期，傳統規則導向方法與數據驅動建模並存，靜待更龐大的數據集與更強大的學習框架問世。
深度生成模型革命（2016–2020）
隨著深度學習的發展，自動化平面圖生成技術取得重大進展。 大型數據集如RPLAN (2019)與LIFULL Home Dataset為深度神經網絡的訓練提供了基礎。早期基於卷積神經網絡的方法在多房間一致性方面表現欠佳，但**生成式對抗網絡（GANs）**徹底改變了技術格局。
- House-GAN (2020)： 提出基於圖約束的生成對抗網路（graph-constrained GAN），運用圖神經網路從氣泡圖生成平面佈局。
- Graph2Plan、FloorplanGAN 與 House-GAN++ 進一步提升了真實感與佈局連貫性。
- 模型現可同時生成高保真度的網格化平面圖與精確的向量化佈局。
條件式生成技術亦有所進展，可實現固定邊界內的佈局生成，或基於房間相鄰約束進行佈局生成。
近期進展：圖網絡、多層與擴散模型（2021–2025）
近期模型運用先進架構實現多層生成與佈局優化：
- 建築-GAN（2022） 與 建築-GNN（2023）：運用圖神經網路生成疊加式平面圖。
- 房屋擴散（2023）：透過去噪擴散技術，從氣泡圖生成房間多邊形。
新型模型將建築規範與現實世界限制整合至佈局生成過程。擴散模型相較於生成對抗網路（GANs）具備更優異的穩定性，且評估基準已趨向標準化。
此外，人們也日益關注文本條件生成技術，並將其與**大型語言模型（LLMs）**整合，以實現簡報解讀與協同設計。
邁向未來 人工智慧在平面圖生成領域的發展歷程，已從符號系統演進至深度學習模型——這些模型能從簡易輸入中生成可行的建築佈局。
關鍵轉折點：
- 1971年：形狀語法
- 1990年代：遺傳演算法與優化演算法
- 2010年：梅瑞爾的貝葉斯版面合成
- 2020年代：深度生成對抗網路、擴散模型與圖形網路
該領域持續朝向智能系統發展，這些系統能理解人類設計意圖，並產出功能上有效且具創造性的建築方案。人工智慧正迅速成為建築設計領域中的協作夥伴。