工程估价论文第三篇：公路工程建设项目中建立分布估计神经网络算法的造价估算模型
摘要：建立基于分布估计神经网络的公路工程造价估算模型, 为实现快速、高效的估算公路工程造价提供了技术条件, 是公路工程造价估算在实际应用中的一次有意义的尝试。
关键词：估价模型; 神经网络; 分布估计算法;
Highway Engineering Estimation of Distribution Algorithm of Neural Network
Abstract：The establishment of highway engineering cost estimate model which based on Estimate of distribution network provides technological conditions for fast and efficient cost estimate.At the same time, this study is also a meaningful attempt of construction cost estimate in practical application.
0 引言
公路工程估价的合理性直接影响着公路工程建设项目投资决策的正确性，它是公路工程建设项目可行性研究的重要环节，也是建设项目标底编制的控制标准。如何快速、合理地估算工程造价是关系到公路工程建设项目投资决策的重要课题，对建设项目成本管理具有重要意义。
本文拟在公路工程建设项目中建立基于分布估计神经网络算法的造价估算模型。首先对涉及公路工程造价的各个主要特征进行定量化描述，然后结合所建立的分布估计神经网络算法模型，运用相关专业软件快速估算公路工程造价。公路工程造价分布估计神经网络算法通过模拟智能决策，快速、合理估算出公路工程造价，有助于项目决策者做出相对准确的投资决策。
1 相关研究
国内外对工程造价估算智能化的研究，大致可以分为三类：
1.1 利用计算机模拟技术建立模型
通过分析、模拟实际施工过程，对各分项工程先给出可能造价的先验概率，可以由计算机产生一个随机数，这个随机数进入到下一个分项工程当中，然后结合这项工程的先验概率再产生一个随机数。这些随机数代表每个分项工程的实际造价。以此类推，直到全部分项工程计算完毕，产生所有分项工程造价之和作为总的估算造价。这种模型优点是在样本库齐全的前提下估算更符合客观实际，缺点是确定先验概率需要大量的已建工程样本资料，计算比较繁琐[1]，而且各分项工程造价样本值受工程所在地实际情况影响较大。
1.2 基于神经网络技术的工程造价估算专家系统
人工神经网络在工程估价中的应用可分为两种：一种是基于Hopfield的工程应用；另一种是基于BP神经网络的工程应用。Jason Portas等人将人工神经网络应用于劳动生产力效率预测和成本预测中建立三层BP结构模型，该模型的输出不是精确的值而是模糊集[2]，可以较好的应用于工程前期造价估算。许宁[3]采用模糊神经网络估算工程造价，采用模糊数学中的隶属函数来反映工程特征间的差异性，再结合定性分析和定量分析将工程特征进行量化描述后，通过归一化处理得到隶属度。刘鹏[4]汇总整理了神经网络的缺点和不足，提出利用遗传神经网络算法快速估算工程造价的设想。
1.3 利用模糊数学建模
这类模型运用模糊数学聚类分析技术和灰色系统理论，引用隶属度和贴近度等概念建模。但这类造价估算模型也有尚待商榷之处，未能全面考虑工程造价动态性的影响，估算精度可信度较低，需要搜集大量已建工程样本作为基础数据，具有较强的主观性且估价速度并不理想。
国内工程造价估算多采用扩大指标估算法和概算指标估算法。所采用的估算指标是由本行业和地方统一制定，并没有考虑建设工程质量、实际管理水平等问题，逐渐难以适应市场经济体制的发展。国内造价软件做得较好的有：广联达三山软件、上海神机妙算、上海鲁班算量、同望公路等，现有软件基本都分属于工程项目管理类或预决算类，但是真正将两者有机结合并向前后延伸，有助于实现工程造价全生命周期管理的造价软件明显不足。
遗传、模糊、神经网络技术在工程造价估算中的应用相当广泛，目前遗传算法的主要不足在于：收敛速度较慢且解的精度不高。有关研究人员提出了一种方法就是分布估计算法 (Estimation of Distribution Algorithms, EDAs) [5]。分布估计算法与GA的最大区别在于它们产生后代的方式不同，分布估计算法不使用GA的重组操作，而是对解集进行分析，从解集中选择部分好的解集提取信息，利用这些信息建立适当的概率分布，再从概率分布中进行抽样得到下一代。这种方法避免了GA中建筑块的破坏。本文的研究动机就是在公路工程估价中引入分布估计算法的同时结合神经网络来解决工程造价估算的问题。
2 用于公路工程造价估算的分布估计神经网络算法
分布估计算法有多种实现方式，这些算法的区别主要在于所采用的概率模型和采样方法；共同点是产生下一代的方式，它们都从解集中选择好的解集，并从中提取信息，利用这些信息建立合适的概率分布，再从概率分布中抽样得到下一代。本文采用UMDA (Univariate marginal distribution algorithm）算法与神经网络BP算法相结合[6]，具体算法如下：
算法3.1：分布估计神经网络
输入：训练数据集，即拟建项目的特征因素的代表值；
输出：BP神经网络估算公路工程造价；
(1）随机初始化种群
(2）计算P (0）中个体的适应值；
(3) while（不满足终止准则）do
{
(1) 根据个体的适应值及选择策略从P (t）中选择M个优秀解；
(2) 根据这M个个体更新概率向量：
其中δj (Xi=xi）={1, Xi=xi;0，其他}
(3) 根据新的概率向量随机采样，产生下一代种群P’ (t) ;
(4) 计算P (t）中个体的适应值；
(5) t=t+1;
}
(4）将所得到的解分解为BP网络所对应的权值和阈值；
(5）运行BP，输出仿真值。
3 实验结果比较
本文采用文献[7]中的影响公路工程造价和工程量的9种主要特征作为估算模型的输入，以每公里公路工程单方造价作为本估算模型的输出。
当以案例中的前13个样本进行训练，用后4个样本作为测试数据时，经过10次运算的神经网络估算模型误差情况如表1和表2，从表上数据可以看出遗传BP网络较分布估计BP网络的单点之间的误差大，且网络震荡现象频发，而经过分布估计算法优化改进后的BP神经网络的稳定性和容错性能大幅提升；由以上对比可以看出，改进后的BP网络在性能上优于一般BP网络模型，能在降低计算结果的平均误差的同时大幅提高计算精度。
4结论
针对公路工程造价估算问题是工程中一个非常重要的问题，本文着重论述了如何进行公路工程造价估算，以便得到更为合理的公路工程造价，并研究了利用分布估计算法和神经网络相结合来解决该问题，实验结果表明，本文提出的算法在寻优性能上优于遗传神经网络算法。
表1 遗传BP网络预测结果误差状况
表2 分布估计BP网络预测结果误差状况
参考文献
[1]Buchanan JS, Cost models for estimating[M].London:RoyalInstitution of Chartered Surveyors 1982.
[2]王波, 蒋鹏, 卿晓霞.人工智能技术及其在建筑行业中的应用[J].微型机与应用, 2004 (8) :4-7.
[3]许宁.基于遗传模糊神经网络的建筑工程造价估计方法[J].江汉石油学院学报, 2000, 22 (1) :87-88.
[4]刘鹏.遗传神经网络模式下的工程造价快速估算研究[J].价格月刊, 2009 (6) :15-16.
[5]Larr naga P, Lozano J A.Estimation of Distribution Algo-rithms[M].A New Tool for Evolutionary Computation.Boston:Kluwer Academic Publishers, 2002.
[6]陈佳, 李敏.用于多维数据实视图选择的分布估计算法[J].计算机工程, 2012, 38 (11) :45-47.
[7]景晨光, 段晓晨.基于遗传神经网络的工程造价估算方法研究[J].石家庄铁道大学学报 (社会科学版) , 2010, 4 (4) :11-17.
[8]周其明, 汪淼, 任宏.神经网络集成在工程造价估算中的应用研究[J].重庆交通学院学报, 2005 (04) .
[9]田原.Matlab语言的Neural Network Toolbox及其在同步中的应用[J].现代电子技术, 2008 (20)
[10]孙莉, 骆汉宾.基于贴近度方法优化质量事故诊断案例的选择[J].四川建筑, 2007 (01) .
[11]邓焕彬, 强茂山, 刘可.基于神经网络的公路工程造价快速估算方法[J].中南公路工程, 2006 (03) .
[12]刘浩, 白振兴.BP网络的Matlab实现及应用研究[J].现代电子技术, 2006 (02) .
[13]李茂英, 曾庆军.基于神经网络的公路工程造价推测模型[J].广东交通职业技术学院学报, 2002 (01) .
[14]陈祥光.浅谈人工神经网络技术[J].电力设备, 2004 (02) .
[15]谢颖, 高犁难, 石振武.基于最小二乘支持向量机的公路工程造价预测模型[J].中外公路, 2007 (03) .
