BAS-BP神经网络模型在装配式建筑投资估算中的应用

2019-03-31王付宇张圣全

安徽工业大学学报（自然科学版） 2019年4期

王付宇，张圣全，李琰

（安徽工业大学管理科学与工程学院，安徽马鞍山243032）

投资估算是在项目决策阶段根据相关资料采用特定方法对工程项目总投资做出的估计[1]。工程建设项目具有投资额大、建设周期长、受市场经济和政策影响大等特点，任一阶段的变动与变更均会产生连锁风险和危机。由于项目决策阶段的工程设计与各工程量等数据均处于未知状态，因此经济评价只能根据经验结合类似项目估算。决策阶段的投资估算贯穿于投资决策过程的始终，是建设项目经济评价的基础，其估算结果直接影响项目工程的规模、技术方案、投资经济效果等，决定着工程融资与建设能否顺利进行。根据国家建筑业中长期发展规划，到2025年装配式建筑占新建建筑面积的比例须达到30%以上[2]，装配式建筑是我国未来建筑业的发展方向。装配式建筑的特点明显区别于现浇混凝土建筑，完全套用现浇混凝土建筑中的投资估算方法会降低估算结果的科学性与准确性[3]。

现阶段普遍采用的工程项目估算方法有单位生产能力法、生产能力指数法、系数法、比例法、指标法和分类法等。工程项目存在大件性、差异性、动态性等特点，以及定额指标的静态性和滞后性，上述方法虽然简单，但是无法对造价市场进行有效识别，其精度、效率低且局限性较大，不适用于装配式建筑[4]。在数字信息化的今天，人工智能算法可在复杂多变的条件约束和庞大的数据分析中快速寻求最优解。目前模糊算法、BP(back propagation)神经网络、灰色关联分析等智能模型的应用推进了工程投资估算领域的发展[5]。BP神经网络是一种具有自组织、自适应、非线性映射能力以及高鲁棒性的误差反向传播算法[6]，常用于工程投资估算中。与现浇混凝土建筑相比，装配式建筑的标准化建设过程更为可控，影响其造价的各类因素是线性的、可预测的，将智能优化算法应用于装配式建筑投资估算成为可能[7]。鉴于此，文中针对装配式建筑投资估算的特点，采用天牛须搜索(BAS)算法对BP神经网络进行改进，建立BAS-BP网络模型，以期提高装配式建筑工程投资估算效率，降低估算误差。

1 基于BAS算法改进的BP神经网络

1.1 BP神经网络的改进原理

应用BP神经网络进行建筑投资预测，需将影响造价的大量样本数据放入BP神经网络训练学习，通过算法网络内部的误差反向回馈不断调整各因素的影响权值，直至符合迭代精度要求；再将已知的影响工程造价的各类因素数据作为输入训练好的神经网络；最后神经网络输出投资预测的结果。而天牛须搜索算法(BAS)模仿天牛根据自身两只长触角辨别食物气味的强弱来寻找食物的原理，寻找全局最优值，采用迭代的方式逐步逼近全局最优值，是目前解决搜索问题领域最前沿的研究成果[8]。因此文中选取天牛须搜索算法对BP网络模型进行改进，具体改进思路为：先用天牛须算法优化网络的初始权重与阈值；再在解空间中定位出较好的搜索空间；最后利用BP 网络模型完成网络训练任务。具体流程如图1。

图1 基于天牛须搜索算法改进的BP神经网络流程图Fig.1 Flow chart of improved BP neural network based on BAS algorithm

1.2 BAS-BP网络模型的设计

Kolmogorov 定理指出具有一个隐层的3 层BP神经网络能在闭集上以任意精度逼近任意的n 维到m维的非线性映射[9]。因此，文中采用由输入层到隐含层再到输出层三层结构组成的BP神经网络结，节点数为8的输入层，节点数为50的隐含层和节点数为1的输出层。神经网络采用梯度下降动量的训练方法，权值与阈值根据网络误差反馈结果自动修正，目标误差为0.001，总迭代次数为2 000。隐含层激活函数为logsig，具体函数如式(1)；输出层激活函数为tansig，具体函数如式(2)；学习方式采用梯度下降动量的训练函数。具体网络拓扑结构如图2。图中：Xi为输入值；Wi，Wj分别输入层和隐含层及隐含层和输出层之间的连接权值。

BAS 算法优化BP 神经网络初始权重与阈值的具体流程如下：

1)确定BP网络结构。

2) 初始化天牛须参数，两须距离d；质心X，左右须位置分别为XL，XR；天牛步长s；变步长参数E；问题维度D；随机初始解x=rands(D,1)，为D～1 内的随机初始值。

3)以最小误差作为适应度函数进行BP训练。

式中：dir=rands(D,1)，是D～1中的随机生成值。

5)如果满足迭代次数或精度则转步骤6)，否则转步骤4)。

6)输出优化后的权值和阈值。

图2 BP神经网络拓扑结构Fig.2 Topological structure of BP neural network

2 工程应用案例

2.1 工程特征量的选定

工程特征是指反映工程基本特点，且能体现工程主要成本构成的重要因素[9]。文中通过对传统施工项目和装配式建筑项目造价构成的分析，选取8个最能反映装配式建筑投资估算的工程特征向量：结构类型、建筑面积、基础类型、PC构件选用、房屋层数、构件预制率、工程造价指数、屋面做法[10]。收集15个装配式建筑典型案例的工程样本数据[11-13]，其中14个作为训练样本，1个作为检验样本，具体数据如表1。表中样本1～14为训练样本，样本15为检验样本。其他表同。

表1 工程样本数据Tab.1 Data of engineering sample

2.3 工程特征量的计算

工程特征量各参数间的量纲不同，为方便计算，文中对工程特征量进行数值量化处理，结果见表2。再对收集的样本工程数据进行数值量化处理，见表3。最后采用归一法将样本数值统一到[-1，1]区间内，归一化函数见式(3)。通过数据的预处理可减小复杂数据对网络估算精确度的影响，归一化后数据见表4。

表2 工程特征量化Tab.2 Quantification of engineering characteristics

表3 样本数据量化Tab.3 Quantification of sample data

表4 样本数据归一化Tab.4 Normalization of sample data

3 预测结果与分析

基于MATLAB 平台，采用提出的BAS-BP 网络模型对上文处理的15 组装配式建筑样本数进行投资估算，且对估算结果的准确性和稳定性进行分析。

3.1 准确性分析

为分析BAS-BP 网络模型数据预测的准确性，针对同一组训练装配式建筑样本和检验样本，分别采用BP 神经网络模型和BAS-BP 网络模型进行测试，结果如表5和图3。由表5可看出：两模型的测试结果与样本实际结果吻合度较高，相对误差均小于建设项目工程造价10%的误差要求；相较于BP神经网络模型，BAS-BP 网络模型的测试结果更接近实际结果，相对误差更小。从图3 也可看出，相较于BP 神经网络模型，BAS-BP 网络模型的误差率更小，预测精确度更高。

3.2 稳定性分析

为分析BAS-BP 网络模型预测数据的稳定性，针对同一组装配式建筑训练样本和检验样本，分别采用BP 神经网络模型和BAS-BP 网络模型进行测试，结果如表6。从表6 可看出，较BP 神经网络模型，BAS-BP网络模型的预测结果更接近实际结果，且预测结果的误差率更小、波动范围更小。由此表明，采用BAS-BP 网络模型可对装配式建筑进行投资估算，且稳定程度较高，预测结果的偶然性较小。