工程估价论文第四篇：建筑工程估价中GA-ANN模型的运用探析
摘要：根据遗传算法和神经网络的特点, 运用遗传算法优化神经网络模型, 建立了建筑工程结构与工程造价之间的非线性关系。以实际的住宅工程为例, 验证了遗传算法优化神经网络模型的可行性和可靠性, 并且优于简单的神经网络模型, 为实际工程投资估算提供了一种有效的方法。
关键词：遗传算法; 神经网络; 工程结构; 工程造价;
Evaluation of Construction Engineering Based on the GA-ANN Model
Abstract：According to the features of genetic algorithm (GA) and artificial neural network (ANN) , GA has been used to optimize the ANN model, thus to establish a non-linear relationship between construction engineering structure and engineering cost.Taking the real residential projects as examples, this paper has verified the feasibility and reliability of GA-ANN model which is superior to the simple ANN model and proves an effective evaluation method for project investment.
建筑工程估价是工程建设中十分重要的工作, 在项目建议书和可行性研究阶段是决定决策、筹资和控制造价的主要依据。实用的工程造价估算方法已成为建筑行业的迫切需要。周丽萍[1]采用BP神经网络去预测建筑工程估价。胡振锋[2]采用一个模糊数学估算工程造价方法。由于建筑工程结构和工程造价之间的非线性关系, 采用传统方法往往需要以往的经验和大量工程资料以及繁琐的计算。本文采用一套快速、简捷、实用的混合GA-ANN模型, 基于建筑工程结构对建筑工程进行估价。
1 基于混合GA-ANN模型的工程估价预测
1.1 遗传算法
遗传算法 (Genetic Algorithms, 简称GA) 是1962年由美国Michigan大学Holland教授提出的模拟自然界遗传机制和生物进化论而成的一种最优搜索方法[3]。它只要求问题是可计算的, 无可微性要求, 接近实际问题, 应用范围广泛。本文采用GA来优化ANN的权值和阈值, 使优化后的ANN能够更好地预测函数输出。GA优化ANN的要素包括种群初始化、适应度函数、选择操作、交叉操作和变异操作。本文把预测输出和期望输出之间的误差绝对值作为个体适应度函数, 被定义为:
式中, n为网络输出节点数, ANNi (X) 为ANN第i个节点的预测输出;Yi为第i个节点的期望输出。
1.2 人工神经网络
人工神经网络 (Artificial Neural Network, 简称ANN) 是模仿人脑工作方式而设计的一种机器, 它可用电子或光电元件实现, 也可用软件在常规计算机上仿真[4]。尤其, ANN可揭示数据样本中蕴含的非线性关系, 可以任意精度逼近任意连续函数, 能对多成因的复杂的未知系数进行高度建模[5]。在这次研究中建筑工程估价所需要考虑的主要影响因素:结构形式、基础类型、建筑层数、外墙装饰、墙体材料、门窗类型、建筑的平面组合。需要预测的建筑工程估价:木材用量、水泥用量、每平方米造价、每100 m2的钢材用量。因此, 建立建筑工程结构和工程造价之间的非线性关系网络结构如图1所示。本文采用平均平方误差来判断ANN模型是否满足要求, 计算公式为:
图1 ANN神经网络示意图
1.3 混合GA-ANN模型
混合GA-ANN模型的应用价值已经被很好证明[6], 它利用GA来调整ANN网络的所有连接权值和阈值。本文采用混合GA-ANN模型预测建筑工程估价, 该研究的GA-ANN模型的工作原理如图2所示。
GA-ANN模型的建模过程:
(1) 建立适当ANN模型, 并初始化它的权值和阈值。
(2) 确定GA参数, 并随机初始化种群。
(3) 计算种群适应度值, 从中找出最优个体。
(4) 进行选择、交叉和遗传操作。
(5) 如果所有的个体都给出最好预测, 接着进行下一步。
(6) 判断进化产生达到或者获得最优个体, 优化过程结束;否则, 返回到 (3) 。
(7) 把最优权值和阈值给ANN。
(8) 训练ANN模型。
(9) 判断ANN模型是否满足要求。若是, 到下一步;若否, 更新ANN回到 (1) 。
(10) 用最优的ANN模型预测建筑工程估价。
2 实例分析
从文献[1]中收集了20个住宅工程估价实例, 其中15个作为训练样本, 4个作为测试样本, 1个用来验证GA-ANN模型的可行性和有效性。建筑工程估价ANN模型有输入层、隐含层和输出层组成, 网络结构如图1所示。
输入因素: (1) 结构形式c; (2) 基础类型; (3) 建筑层数s; (4) 外墙装饰d; (5) 墙体材料m; (6) 门窗类型t; (7) 平面组合p。如表1所示。
输出结果: (1) 木材用量w; (2) 水泥用量c; (3) 造价m; (4) 钢材用量r。
GA-ANN模型经过21次训练后实际输出结果与期望输出误差平方和满足误差允许值, 说明训练好的网络可用, 输出结果如表2所示。由表2可知, 实际的建筑工程估价结果与混合GA-ANN模型预测结果基本一致。但是实际建筑工程估价结果和ANN模型的预测结果相差较大。说明混合GA-ANN预测模型优于ANN模型, 能够对建筑工程造价快速、准确、实用的进行估算。
图2 混合GA-ANN模型的流程图
表1 建筑工程特征表
表2 测试样本的输出结果和实际结果
将表2测试样本的输出结果和实际结果经过平均平方误差计算并绘制出变化曲线如图3所示。基于GA-ANN模型在建筑工程估价的应用十分接近于真实的实际结果。
3 结语
根据实例研究, 并把混合GA-ANN模型结果和ANN模型结果与实际值相比较, 结果表明混合GA-ANN模型结果更接近于实际值。从而验证了混合GA-ANN模型更准确, 完全可以有效地进行建筑工程估价。
运用GA-ANN模型能够方便地建立建筑工程结构与工程造价之间的非线性关系, 通过训练和测试样本对模型进行训练和测试, 应用时只需将筑工程结构参数输入已训练好的神经网络模型中, 就能得到相应的工程造价。该方法十分简单、直观、准确、高效, 具有广阔的应用前景。
图3 平均平方误差变化曲线
参考文献
[1]周丽萍, 胡振锋.BP神经网络在建筑工程估价中的应用[J].西安建筑科技大学学报, 2005, 37 (2) :262-296.
[2]沈良峰.建筑工程快速估计的一种模型及应用[J].工业工程与管理, 2004 (2) :86-94.
[3]Holland J H.Adaptation in natural and artificial systems[M].MI:University of Michigan Press, 1975.
[4]杨建刚.人工神经网络实用教程[M].杭州:浙江大学出版社, 2001.
[5]张士科, 茹忠亮, 赵洪波.基于M ATLAB的B P神经网络在煤巷锚杆支护设计中的应用[J].煤矿机械, 2008, 29 (6) :262-296.
[6]赵宏, 张洁, 侯鲁健, 等.并行G A-ANN预测模型研究[J].计算机工程与应用2011, 47 (22) :216-235.
