建筑部门是我国能源消耗的三大主力之一,其消耗水平已赶超工业能耗和交通能耗,且呈逐渐攀升趋势。为缓解能源危机,一般通过采用高性能节能材料和高效率能源设备来提高建筑性能,从而降低建筑能耗和提高室内舒适性,然而,其成本问题也因此成为了人们关注的焦点。本研究以上海地区为例探讨了全生命周期成本（LCC）和不舒适度小时数（DH）之间的权衡问题。首先,本研究以上海市一栋单层居住建筑为研究对象,该建筑集成了屋顶光伏板和带有相变材料的通风Trombe墙。采用文献调研法总共确定了与集成PVT-M建筑相关的34个设计变量及其取值范围,并选择了全生命周期成本和不舒适度小时数作为本研究的两个优化目标函数,利用Design Builder能耗模拟软件构建了基准建筑模型,通过模拟计算得出了基准建筑不舒适度小时数和全生命周期成本值。其次,采用蒙特卡洛随机抽样方法（MCM）生成了具有代表性的34维设计变量数据库,并通过Design Builder仿真和计算得到1000组不舒适度小时数和全生命周期成本值,利用SPSS和Matlab软件分别建立了全生命周期成本和不舒适度小时数逐步线性回归（SLR）和人工神经网络（ANN）预测模型,并对两种不同预测模型的有效性、适用性以及准确性进行了对比分析,得出了预测效果最佳的预测模型。最后,介绍了快速非支配排序遗传算法（NSGA-II）、多目标粒子群优化算法（MOPSO）、强度Pareto进化算法（SPEA-II）、基于Pareto包络选择算法（PESA-II）、多目标鲸鱼优化算法（MOWOA）和多目标樽海鞘群优化算法（MSSA）六种不同优化算法,并将最佳预测模型作为多目标优化算法的适应度函数来寻找优化解,通过对不同算法优化结果分析确定最佳的优化算法及其优化方案。另外,根据不同参数类型对设计变量进行了参数分组,并利用最佳优化算法对分组参数进行优化,研究了优化设计参数的多少对优化结果产生的影响。本研究得出,在预测模型的准确度方面,人工神经网络（ANN）模型对全生命周期成本和不舒适度小时数的预测均优于逐步线性回归（SLR）模型,其最小相对误差分别为-3.72%和-4.12%;在多目标优化算法方面,强度Pareto进化算法（SPEA-II）算法的优化效果最佳,同时,与按照标准设计的基准建筑相比,SPEA-II算法产生的优化设计方案最大热不舒适小时数降低率为43.81%,平均热不舒适小时数降低率为33.30%,最大全生命周期成本降低率为45.51%,平均全生命周期成本降低率为23.87%;在参数分组优化方面,当考虑全部分组参数时的优化结果最好。