人工神經網絡在建筑工程項目管理中的應用

張 雷 徐志安

1 ANN基本原理

人工神經網絡(Application of Neural Network,即:ANN)是人工智能的一個分支領域,是一類處理非線性問題的有力工具,具有很強的非線性映射能力、良好的適應性、容錯性。除了在傳統的語言識別、自動控制及圖像識別等領域外,ANN在經濟管理、工程技術以及其他許多行業都獲得了廣泛的應用。根據胡保清,馮凱[2](2004年)的總結,神經網絡在土木工程領域應用的首篇文獻出現于1989年,隨后應用于建筑工程項目管理領域。

2 ANN在建筑工程項目管理中的應用研究

2.1 ANN在造價預測方面的應用

汪應洛,楊耀紅[3](2004年)總結了ANN在費用估計方面的應用。采用BP網絡,用40個公路工程樣例訓練網絡,并用工程實例進行驗證,發現效果比傳統方法好。Tarek Hegazy[4](1998年)等用MS-Excel表格進行ANN模擬,并在輸入層和隱含層加入了偏置神經元來促進網絡學習。其缺點是由于網絡學習時的訓練樣本數據中有噪聲,會造成過度學習現象,運用規范化網絡可以解決這個問題。周麗萍,胡振鋒[5](2005年)在研究BP神經網絡在建筑工程估價中的應用時指出,可以利用神經網絡“特征提取器”的作用,從大量過去的工程資料中自動提取工程特征與預算資料的規律關系;由于神經網絡具有高度的容錯性,因而對于過去的工程資料中由于人為的或其他因素造成的偏差有自動糾偏功能;此外由于神經網絡是并行處理數據的,因而其處理速度相當快,這點滿足了快速估算要求,實踐證明是有效的。

2.2 ANN在工程項目管理績效評價中的應用

閆文周[6](2005年)等運用ANN中的BP網絡對工程項目管理績效評價問題進行研究,建立了一個綜合考慮項目工期、質量、費用、安全四大控制指標的工程項目管理績效評價模型。實例分析表明,其評價結果更加全面、更加符合實際情況,從而有助于促進工程項目管理水平的提高。基于BP神經網絡的工程項目管理績效評估模型,將影響工程項目管理績效的主要因素進行整合,通過神經網絡反映了工程項目工期、質量、成本、安全與項目績效之間復雜的非線性關系,從而使項目管理績效的評價更客觀。

2.3 Hopfield網絡模型在建設工程評標中的應用

建設工程評標是一個多目標決策過程,評標過程中存在著大量的定性和模糊的因素,評標人很難快速做出準確客觀的評判。朱玉濤[7](2006年)等用ANN作為新型信息處理工具,在建設工程評標中可應用于優選中標企業。介紹了Hopfield網絡模型構造及算法設計,包括進行方案優劣排序、換位矩陣以及能量函數構造、神經元之間連接和輸出,并用實例說明了該方法的優越性和實用性。應用Hopfield網絡對非定量因素進行科學的分析,可以消除一些人為因素的影響,使評選結果更加合理。

2.4 BP網絡模型在建設工程招投標管理中的應用

BP網絡以其自學習、自聯想功能的優點在建設工程招投標中得到廣泛應用。楊中宣(2006年)結合人工神經網絡基本理論,介紹了它在工程招投標的招標價格、風險因素分析以及競標單位資格審查等方面的應用,指出利用人工神經網絡具有的高度并行處理和可完成復雜輸入輸出的非線性映射能力,不僅可以保證高的中標率,且可避免招標過程中不確定性因素的影響。

現在很多人致力于基于ANN的工程承包招投標報價的研究,Hegazy和Moselhi(1994年)提出了一個多因素確定公路項目投標報價的ANN模型,該模型考慮了影響報高率的諸多因素,并確定了其權重。文獻[8]首先對所建或所投工程的各種因素進行評判,接著確定出最終的綜合評定值,即確定了用BP神經網絡實施黑箱操作的樣本輸入值和目標值,再通過學習訓練,自主調整修正輸入節點和輸出節點間的聯系,得出符合各種情況要求的權重矩陣,基于保存的最終權重矩陣,通過輸入新項目的因素評定值確定其綜合評判值,該方法在對現有項目評定的基礎,也考慮到了以往項目的經驗,把人為不確定因素的影響降到了最低。

3 ANN在建筑工程項目管理中應用的不足之處

3.1 估計的準確性存在質疑

周麗萍,胡振鋒[5](2005年)最后也指出基于神經網絡的估算模型,其主要限制在于工程特征向量的選取和訓練樣本的選取上,估算模型的準確度取決于這兩點。但是由于每個建筑工程都是獨一無二的,都有自己的特點,即使外形一樣,物價水平、采購途徑不同也會使造價存在很大差異,所以訓練樣本和待估工程總是存在很大差異,即運用ANN進行預測還是沒有辦法避免誤差的。

3.2 解釋能力較差

應加強ANN的研究,完善理論系統;可把ANN系統與其他系統相結合,取長補短,如把ANN系統與ES相結合,可以增加ES的預測能力,也可以增強ANN對問題的解釋力。

3.3 方法單一(BP網絡模型)

在建筑工程項目管理中應用的ANN主要是BP網絡,且輸出單一,而其他網絡應用有限,所以,應深化BP網絡的應用,并注意其他網絡方法的應用潛力,比如仿真應用等。

3.4 訓練時間長

對于應用較廣的前饋網絡,投入應用前需要大量案例訓練它,而大量案例需要長時間的收集和積累。我國在這方面非常不足,所以碰到此類問題時,往往是請專家進行咨詢。其實,每次所請專家的數量是有限的,專家的知識也是有限的,而且,針對具體問題,專家們意見往往帶有很大主觀性。

3.5 應提高樣本的代表性及規范取樣操作步驟

網絡學習的過程受決策環境復雜程度和訓練樣本的內斂性影響很大,有時需要增大樣本量來提高網絡所學知識的代表性,應注意在收集某個問題領域的樣本時,注意樣本的全面性、代表性等。在收集訓練樣本時,一般采用文獻查閱、專家調查、實際觀察方法,應對這些方法給出操作規范和步驟,以提高樣本的準確性,減少噪聲,還可以采用其他方法收集樣本。

3.6 沒有與其他軟件相結合

現有用于建筑工程項目管理的ANN系統一般比較孤立。現有大量的基于Windows的項目管理系統(PMS),如MS-Project,P3等,可以應用Windows系統的DDE,OLE等技術把它們整合,使工程數據直接用于ANN分析預測系統,并把分析預測結果直接用于建筑工程項目管理系統,可以同時增加ANN系統和PMS系統的效率和效力。

4 結語

ANN用于建筑工程項目管理領域只是近幾年的事,很多文獻都是在綜述國外相關應用的具體做法和進展,并沒有多少創新的部分;另外,有一些人只是運用ANN的基本原理解釋建筑工程項目管理相關領域的內容,并沒有實際運用。ANN在建筑工程項目管理中已經得到了應用,由于建筑工程項目管理的特點和ANN方法本身具有的特點,決定了ANN必將在建筑工程項目管理領域廣泛應用。但由于ANN作為一門新興的邊緣交叉學科,有不完善和不成熟的地方,又在一定程度上制約著它的實際應用。

[1] 周小佳.電力系統可靠性人工神經網絡模型及實現研究[D].博士學位論文,1997.

[2] 胡保清,馮 凱.神經網絡在土木工程領域的應用[J].低溫建筑技術,2004(2):37-38.

[3] 汪應洛,楊耀紅.工程項目管理中的人工神經網絡方法及其應用[J].中國工程科學,2004(7):55.

[4] Hegazy T,Ayed A.Neural network model for parametric cost estimation of high way projects[J].Journal of Construction Engineering and Management,1998,124(3):210-218.

[5] 周麗萍,胡振鋒.BP神經網絡在建筑工程估價中的應用[J].西安建筑科技大學學報,2005(6):262-265.

[6] 閆文周,徐 靜,吁元銘.神經網絡在工程項目管理績效評價中的應用研究[J].西安建筑科技大學學報,2005(12):557-560.

[7] 朱玉濤,許占立,段向前.人工神經網絡在建設工程評標中的應用[J].黃河水利職業技術學院學報,2006(4):33-35.

[8] 王 吉吉.工程項目投標決策方法研究[D].北京:華北電力大學,2003.

[9] 曹洪洋,李萬慶,李文華.基于ANN的投標報價的風險預測研究[J].河北建筑科技學院學報,2001,18(2):64-67.