ارزیابی و بهینه سازی طراحی محیط های ساخته شده و در عین حال ساخته شده ، با توجه به شغل و رفتار انسان ها بسیار مفید و چالش برانگیز است. شبیه سازی کلاغ می تواند وسیله محاسباتی را برای تجزیه و تحلیل یک طرح از طریق حرکت سرنشینان مجازی (عوامل) فراهم کند. طیف وسیعی از اطلاعات تحلیلی (معیارها) را می توان از حرکت شبیه سازی شده عوامل که بینش در مورد طرح ارائه می دهند ، محاسبه کرد. شبیه سازی کلاغ و تجزیه و تحلیل مرتبط می توانند بخشی از خطوط لوله بهینه سازی طراحی تعاملی یا آفلاین باشند. متأسفانه ، شبیه سازی جمعیت در مقیاس بزرگ بسیار گران است ، به خصوص هنگامی که در طراحی تکراری و حلقه های بهینه سازی استفاده می شود ، جایی که اغلب صدها شبیه سازی باید با نرخ تعاملی محاسبه شوند. ما یک چارچوب یادگیری ماشینی را پیشنهاد می کنیم که هدف آن حل این مشکل با یادگیری رابطه بین یک طراحی ساختمان و معیارهای ارزیابی حاصل از شبیه سازی های گران است. ما یک شبکه عصبی رگرسیون آفلاین را با استفاده از یک مجموعه آموزش مصنوعی که برای این منظور تولید می کنیم آموزش می دهیم. پس از آموزش شبکه می توان طرحهای جدید را بطور مؤثر ارزیابی کرد و اطلاعات دقیق مربوط به تحلیلی را با دقت بالا تقریب داد. چارچوب پیشنهادی همچنین می تواند برای یافتن یک طرح بهینه مورد استفاده قرار گیرد. ما اثربخشی چارچوب در انواع مطالعات موردی دنیای واقعی را نشان می دهیم.