荣丹丹
南京市江宁区人民政府禄口街道办事处,江苏 南京，211156
摘要：遗传算法和神经网络属于一种思想，也是一种算法，该方法的灵活性为许多研究者和应用提供了一个平台。针对一般建筑工程估价问题的复杂性以及遗传算法和神经网络算法的优点，本文提出了一种新的建筑工程估价模型。以实际住宅项目为例，验证了遗传算法优化神经网络模型的可行性和可靠性，并优于简单的神经网络模型，为实际项目投资估算提供了一种有效的方法。
关键词：遗传算法；工程造价；神经网络
1.基本特点
影响建筑工程造价的因素很多，构成比较复杂，造价与各要素之间存在着复杂的非线性关系。实用的工程造价估算方法已成为建筑行业的迫切需要。先后也出现了利用BP神经网络对建设项目估值进行预测以及采用模糊数学方法估算工程造价。由于建筑工程结构与工程造价之间的非线性关系，使用传统方法往往需要过去的经验、大量的工程信息和繁琐的计算。本文根据建设项目的结构特点，采用一套快速、简单、实用的混合遗传神经网络模型对建设项目进行评价。
2.基于混合GA-ANN模型的项目估值预测
（1）神经网络模型
神经网络的研究属于人工智能的范畴，它是从微观层面对大脑结构的模拟和智能行为的研究。因此神经网络通常是由大量相互连接的人工神经元细胞组成的大规模网络结构。每个人工神经元细胞(也称处理单元或网络节点)仅具有简单的非线性处理能力，但通过它们之间的相互连接和交互，可以表现出复杂的智能处理功能或非线性处理能力。神经网络由简单的个体单元组成，是一种用于大规模并行信息处理的非线性模型结构。三层神经网络可以实现大多数非线性映射。图1为神经网络模型示意图。
.png)
本文采用三层前馈神经网络进行系统建模。用m、q、k代表输入层、隐藏层、输出层的节点数。（wij，i=1，...，q，j=1，...，m）是从输入层到隐藏层的连接权值，（vij，i=1，...，k，j=1，...，q）是从隐藏层到输出层的连接权值，（xi，i=1，...，m）是输入信号，（ui，i=1，...，q）是隐层节点的状态，（zi，i=1，...，k）是输出信号，（θi，i=1，...，q）为隐藏层节点阈值，（Фi，i=1，...，k）为输出层节点阈值，f(x)为激励函数，则隐藏层和输出层节点的输出分别为：
.png)
激励函数通常要求满足单调增长并且是连续的。
（2）网络权值
这里讨论神经网络模型中网络权值的计算方法。首先讨论给定时间的权值的确定问题，假设r, p, q, k，观测数据为t。可以利用滑动窗口选择学习样本，即对于时间t，模型的输入为：
x(i-1)p+j = yi (t-j) i=1,...,r j=0,...,p-1
.png)
接下来考虑优化遗传算法，神经网络连接权值的计算具有参数过多的特点。为了解决变量维数高导致编码时间过长的问题，考虑对遗传算法进行改进，即不对变量进行二进制编码，而直接使用遗传算法的并行搜索机制。算法步骤如图2所示。
.png)
.png)
（3）三维非线性时间序列预测模型
描述同一个经济问题的各种经济指标往往有一定的相关性，因此有必要把它们作为一个整体来考虑。对于多步骤预测，采用递归预测。由于建模误差，使得预测误差逐渐增加。为此，本文考虑以下模型。假设预测有r个指标，预测分为k步，第i个指标在t时刻的值为yi(t)，对应的随机误差项为εi(t)；第i个指标的第j步预测的激励函数为:
.png)
预测r个指标的神经网络对应如下方程:
.png)
3.数据分析
（1）样本数据
样本数据来源为20个普通民用建筑工程计价实例。本文将在此集中包含的16个样本来训练BP神经网络。测试集由4个样本组成，并用来测试训练后的BP神经网络模型的准确性。建设项目评价的ANN模型由输入层、隐藏层和输出层组成。网络结构如图3所示。
.png)
（2）条件属性集和决策属性集的确定
本文条件属性集（用C表示）包含21个属性，即工程类型(C1)、结构类型(C2)、单层高度(C3)、层数(C4)、基本类型(C5)、混凝土供给形式(C6)、桩基类型(C7)、外墙装饰类型(C8)、内墙装饰类型(C9)、砌体工程(C10)、地板工程(C11)、门窗工程(C12)、吊顶装饰工程(C13)、平面组合工程(C14)、设备工程(C15)、水电工程(C16)、梁柱工程(C17)、流通空间(C18)、价格指数(C19)、结构面积系数(C20)、决策属性集D为单一属性集，即单边成本(D1)。
（3）模型训练与仿真
从图4可以看出，与其他网络模型相比，混合GA-ANN模型的收敛速度和精度都有了明显的提高。由表1可知，模型评价结果与实际结果的相对误差基本可以控制在5%以内，均具有较好的预测效果。然而，混合GA-ANN模型在仿真中的相对误差较小。混合GA-ANN模型在估算工程造价时误差范围小于其他模型，且与实际工程造价的拟合度可以看出，混合GA-ANN模型在预测效果上优于其他模型。误差可以控制在2.5%的范围内，这是一个可以接受的范围。与传统的神经网络模型相比，该模型有明显的改进。可以更好的估算建筑成本。
.png)
4.结论
该模型可以方便地建立建筑工程结构与工程造价之间的非线性关系。模型可以通过试验和测试样本进行训练和测试。在应用过程中，测试好的神经网络只需要输入建筑工程结构参数，然后在模型中就可以得到相应的工程造价。
参考文献：
[1]华依刚:定量分析技术在建筑经济与管理中的应用现状。建设管理与经济，26(5)(2008)485-497。
[2]刘丽丽，刘文杰: 基于遗传算法(GA)的人工神经网络模型预测生态环境下筏桩基础(ERP)的荷载-沉降行为。(1) (2020) 421-433。
[3]Tam, C. M., & Tong, T. K. GA-ANN model for optimizing the locations of tower crane and supply points for high-rise public housing construction. Construction Management and Economics, 21(3) (2003) 257-266.