早期基于规则的方法（1970-1980年代）
平面图设计的自动化探索可追溯至1970年代。 1971年，斯廷尼和吉普斯提出的形状语法成为首个概念性里程碑——该形式化规则系统通过递归形状转换规则生成设计方案，包括建筑布局。 这些早期方法主要属于符号化或规则驱动范畴：例如弗里德曼1971年的研究尝试算法化空间规划，米切尔1976年的理论则提出枚举房间布局方案的方法。至1970年代末至1980年代，研究者开始探索解决"空间分配问题"的专家系统与启发式规则。 沙维夫1974年与1987年关于计算机空间分配的研究，则体现了该时代基于逻辑的布局规划方法。
优化与进化方法（1990年代至2000年代）
20世纪90年代，建筑领域的人工智能转向采用搜索与优化算法来处理布局的组合复杂性。 约翰·杰罗及其团队开创性地将进化算法应用于平面图设计：乔与杰罗（1996）运用遗传算法模拟简易建筑平面图，罗森曼等人（1997）则通过遗传算法与遗传编程的结合进一步拓展了该领域。整个90年代后期，众多研究者持续运用进化策略生成空间配置方案。
进入21世纪初，该领域涌现出大量启发式方法，如模拟退火算法，以及将进化算法与约束编程或形状语法相结合的混合方法。一个显著趋势是采用多目标优化技术，以平衡功能需求与性能指标。
数据驱动范式与关键转折点（2010–2015）
2010年，Paul Merrell等发表的论文《计算机生成住宅建筑布局》带来了关键性转变。 该研究提出基于真实平面图训练的贝叶斯网络来学习房间连接模式，并引入布局几何的随机优化步骤。这项工作标志着从历史设计数据中学习的参照方法的开端。
随后，早期机器学习尝试开始涌现，用于分析和标注建筑图纸。这是个过渡时期，传统规则驱动方法与数据驱动建模并存，静待更庞大的数据集和更强大的学习框架出现。
深度生成模型革命（2016–2020）
借助深度学习，自动生成平面图技术取得重大突破。 RPLAN（2019）和LIFULL Home Dataset等大型数据集为深度神经网络的训练提供了支撑。早期基于卷积神经网络（CNN）的方法难以处理多房间一致性问题，而**生成对抗网络（GAN）**的出现彻底改变了这一局面。
- House-GAN（2020）： 提出基于图约束的生成对抗网络（GAN），利用图神经网络从泡泡图生成平面布局。
- Graph2Plan、FloorplanGAN 和 House-GAN++ 进一步提升了真实感与布局连贯性。
- 模型现可同时生成高保真栅格化平面图与精确的矢量布局。
条件生成技术也取得了进展，能够在固定边界内或基于房间相邻约束条件生成布局。
最新进展：图网络、多层与扩散模型（2021–2025）
近期模型通过先进架构实现多层生成与布局优化：
- Building-GAN（2022）与Building-GNN（2023）：利用图神经网络生成叠加式平面图。
- HouseDiffusion（2023）：运用去噪扩散模型，从泡泡图生成房间多边形。
新型模型将建筑规范和现实约束条件融入布局生成过程。扩散模型相较于生成对抗网络（GANs）具有更高的稳定性，且评估基准更为标准化。
人们也日益关注基于文本条件的生成技术，并将其与大型语言模型（LLMs）相结合，用于简报解读与协同设计。
迈向未来
用于生成平面图的人工智能技术，已从符号系统演进至深度学习模型，能够通过简单输入生成可行的建筑布局方案。
关键转折点：
- 1971年：形态语法
- 1990年代：遗传算法与优化算法
- 2010年：梅雷尔的贝叶斯版式合成
- 2020年代：深度生成对抗网络、扩散模型与图网络
该领域正持续向智能系统迈进，这些系统能够理解人类的设计意图，并产出功能合理且富有创意的建筑方案。人工智能正迅速成为建筑设计中的协作伙伴。