در حالی که مطالعات بهینه سازی با تمرکز بر ساختمان های دنیای واقعی تا حدودی محدود هستند ، بسیاری از مطالعات بهینه سازی ساختمان تا به امروز از سه ساختمان زیر فرضی ساده به سه دلیل زیر استفاده کرده اند: (۱) شکل و شکل ساختمانهای واقعی پیچیده و توصیف ریاضی از مشکل است. (۲) مدل های رایانه ای که بر اساس ساختمان های واقعی ساخته شده اند از نظر محاسباتی بسیار گران هستند و همین امر باعث می شود فرآیند بهینه سازی وقت گیر و غیر عملی باشد و (۳) اگرچه عملکرد الگوریتم برای دستیابی بهینه سازی کارایی ساختمان بسیار مهم است (BPO) ، در مورد عدم توافق وجود دارد انتخاب مناسب الگوریتم های بهینه سازی و پارامترهای کنترل الگوریتم. این مطالعه از BPO برای طراحی یک ساختمان پیچیده تازه ساخته استفاده کرده است. تعدادی از متغیرهای طراحی از جمله شکل تاج های ساختمان به منظور بهبود بهره وری انرژی ساختمان و راحتی حرارتی در محیط بهینه شدند. به جای استفاده از یک مدل شبیه سازی دقیق ، از یک مدل جانشین ساخته شده توسط یک شبکه عصبی مصنوعی (ANN) برای کاهش زمان محاسبات استفاده شد. در این مطالعه ، عملکرد چهار الگوریتم چند هدف با استفاده از معیارهای ارزیابی پیشنهادی عملکرد برای انتخاب بهترین الگوریتم و مقادیر پارامتر برای اندازه جمعیت و تعداد نسل ها مورد بررسی قرار گرفت. نتایج ارزیابی عملکرد الگوریتم ها حاکی از آن است که NSGA-II (با اندازه جمعیت و تعداد نسل های ۴۰ و ۴۵ ، به ترتیب) بهترین عملکرد را در مطالعه موردی داشته است. راه حل بهینه نهایی به طور قابل توجهی عملکرد ساختمان را بهبود می بخشد و موفقیت تکنیک BPO را در حل مشکلات پیچیده طراحی ساختمان نشان می دهد. علاوه بر این ، یافته های مربوط به ارزیابی عملکرد الگوریتم ها راهنمای انتخاب کاربران را در مورد انتخاب الگوریتم های مناسب و تنظیمات پارامتر بر اساس مهمترین معیارهای عملکرد فراهم می کند.