BP神經網絡在水利工程投標決策中的應用研究

叢雙芝

(遼寧水利土木工程咨詢有限公司，遼寧 沈陽 110000)

BP神經網絡在水利工程投標決策中的應用研究

叢雙芝

(遼寧水利土木工程咨詢有限公司，遼寧 沈陽 110000)

隨著技術的不斷發展，水利水電工程也不斷增多，但是在投標決策期受多種因素影響。由于原有的投標決策方法無法成功處理影響因素、影響因素與決策結構之間的復雜線性關系，針對我國目前水利水電工程的競爭現狀，以《水利水電工程標準施工招標文件》規定為基礎，建立了基于BP神經網絡的水利工程投標決策模型，并在具體的工程實例中進行了驗證，結果顯示所建立的模型能夠很好的反應真實的結果，對水利工程的投資具有參考意義。

BP神經網絡；水利水電工程；投標決策；評價指標

0 引 言

投資方利用實地調研、網上調查等方式搜集相關信息，通過相關渠道分析評估，確定投資項目，這一過程稱為投標決策[1]。合理的投標決策是投資方選擇投資目標的重要依據，如果投資方在多個目標之間胡亂選擇將會導致投資的混亂，造成資源的浪費，對投資方自身的建設也是非常有害的。投標決策受多種因素的影響，在進行分析的過程中，需要對大量因素進行評估，決策結果具有描述難、提取難的特點。合理的投資決策會給整個工程帶來良好的經濟效益和社會效益[2]。這就要求對水利工程的建設期間進行投資水準的估算。原有的投標決策方法無法成功解決投標決策問題。BP神經網絡能夠快速、合理的解決此類問題，并在許多領域得以應用[3]。但是卻很少有人將神經網絡模型利用在水利工程投標決策中。因此，文章從水電工程項目投資決策階段出發，建立基于BP神經網絡的水利工程投標決策模型，進行投資前段的預測工作，并且應用在實際的工程中，對今后相關工程有一定的參考。

1 BP神經網絡的水利工程投標決策模型

1.1 確定投標決策評價指標體系

投資方在進行投資的過程中，通常會考慮很多因素，主要包括：業主條件、工程概況、競爭對手能力以及公司實力等因素[4]。依照目前我國在水利工程在建筑市場方面的能力，并根據《水利水電工程標準施工招標文件》中對風險分析的規定，選取Delphi專家法評估選取投資方最適合投資的影響因素。經過分析，總結了水利工程投標的評價體如圖1所示。

圖1 水利工程投標指標評價體系

1.2 輸入數據的標準化處理

假設i為檢測樣本數據中的一個值，并且j個數的代表值為Zi,j，假設這一數對應的關系是通模糊函數，對于其中的各個代表值，具有不同的量綱，在運用的過程中，需要對其進行統一量綱處理。選擇第j個基本指標的最優值和最劣值，進行標準化處理[5]：

1)當Zi,B>Zj,W時：

(1)

2)當Zi,B

(2)

1.3BP神經網絡模型的設計

1)輸入端和輸出端元素個數的選擇

在一般情況下，依據問題的重要性及特征，確定輸入和輸出的單元維數，然后通過圖1列出的數據，將各個因素的代表值作為數據嵌入到神經網絡系統中。在處理過程中，特別是連接節點的處理，需要統一量綱進行標準處理，所以，輸入的元素個數為10個。輸出端要與評價結果相對應。在此次分析中，我們選擇的評價對象只有一項，所以表示只有一個輸出結果[6]。

2)隱藏函數關系的單元數和層數的確定

在進行處理的過程中，如果隱藏函數關系越多，則在進行后邊處理的過程中，將會出現復雜的分析過程，并且將會產生更大的誤差，同樣，模型處理時間也會相應的延長。文章在進行分析的過程中，建立了三級神經網絡模型。在進行分析過程中，通過公式(3)確定了隱藏層元素的多少。通過計算，確定隱藏層的個數為8個。

s1=(R+S2)0.5+a

(3)

式中：R為分析的輸入元素個數；S2為輸出的元素個數。

孝與廉相輔相成，我們要大力挖掘宣傳如岳飛母子的故事等這類彰顯官員“修身、齊家、治國、平天下”的“人格理想”和“孝廉文化”傳統的孝廉故事；毛主席不僅身體力行對父母盡孝，還教育子女要孝敬老人的事跡；鄧小平、卓琳夫婦贍養繼母夏伯根，待她如親母的故事；許世友將軍“活著為國盡忠，死后守著父母”的故事等。利用榜樣的影響力，讓干部帶頭傳播正能量，筑牢官員廉潔從政的文化意識，有利于樹立“不想腐”思想意識。

3)連接函數的建立

在原有的神經網絡模型中，主要有三種函數是使用頻率最高的，包括：對數S形函數，正切S形函數和線性函數。第一個函數的分析結果包括0和1兩個值，第二個函數的分析結果是-1和1兩個值。在神經網絡處理中，不同的連接函數將會得到不同的結果，如果采用簡單的線性函數，將會得到任意的數量值。所以，對于神經網絡分析，連接函數可不可以微分化處理是特別關鍵的。文章在分析過程中，選擇了連接函數為Sigmoid函數，f1(ni)=1/(1+e-ni)，所以，在輸入端和隱藏層及輸出端與隱藏層采用如下函數：f1(ni)=1/(1+e-ni),i=1，2。

當i=1時，表示輸入端和隱藏層之間的連接函數；

當i=2時，表示輸出端和隱藏層之間的連接函數。

BP神經網絡的結構如圖2所示。

圖2 BP神經網絡結構圖

1.4BP神經網絡計算過程

BP神經網絡的分析過程中，包括兩個過程：正向分析和反向分析。在正向分析時，通過輸入端輸入分析，然后經過隱藏層分析，再傳向輸出層，層層處理，并且上一層的分析結果僅僅會影響下一層的結果。假如在輸出端沒有得到預想的結果，則需要反向旋轉，按照原來的連接線路返回，根據出現的誤差，調整偏差值。

具體的步驟如下所示：

1)初始化。初始化連接的權值和偏置值，隨機設置各層神經元的權值W1i、W2i、Ti，其中i為樣本數。

2)利用傳輸路徑向前傳輸處理。

隱藏區域的輸出結果為：

(4)

輸出端的結果為：

(5)

3)利用傳輸路徑進行反向傳輸。方向傳輸的條件是：傳輸函數求導：

第一層求導結果為：

(6)

第二層求導結果：

(7)

進行反向旋轉，起點在第二層，即：

(8)

(9)

(10)

式中：ti為網絡期望輸出；m=1,2。

4)采用反向傳播的動量改進算法(MOBP)更新權值和偏置值。即：

Wmi(k+1)=Wmi(k)+γ△Wmi(k-1)
-(1-γ)αsmi(a(m-1)i)T

(11)

bmi(k+1)=bmi(k)+γ△bmi(k-1)-(1-γ)αsmi

(12)

式中：γ為動量系數，令γ=0.8；α為分析速度，令α=0.2。

(5)多次以上四步，直到輸出結果可以滿足需求，也就是說，輸出值和目標值之差達到一個范圍水平。神經網絡的目標函數為：

(13)

式中；N為元素數量；E0=10-4是E逼近值，主要受分析精度的影響。

1.5BP神經網絡模型的檢驗

根據圖1給定的評估因素，我們對10個水利項目進行評估，編號為1-7，前7個作為學習項目，后三個進行檢驗。按照前文中的步驟，檢驗結果如表1所示。運用MATLAB軟件對前文中建立的模型進行檢驗，結果見表2。通過分析可知，經過網絡模型分析的結果和專家評議的結果相一致[8]，誤差值僅僅只有10-6數量級，具體E=0.00000881，誤差大小滿足要求，因此，我們建立的模型符合項目進展，可以用于其他的項目。

表1 投標項目評價值

表2 神經網絡模型輸出

2 工程驗證

某甲方計劃對RST三個水利項目的其中一個投資，利用前文中建立的模型進行了投標決策[9]。第一步，在相關部門的專家庫中，選取至少9位具有豐富決策經驗的專家組成評估小組。利用表1中給予的投標因素，經過專家們分析評估，結果如表3所示。第二步，把RST三個項目的指標代入到上文中建立的BP神經網絡評比模型中，通過計算，獲取了最終評價指標值：IR=0.329、IS=0.5149、IT=0.6484。所以，項目T的投資風險小于R和S，可進行投資。

表3 擬投標項目評價值

3 結 論

文章構建了基于BP神經網絡的水利工程投標決策模型，很容易對投標項目進行綜合評價，解決了工程投資風險分析的問題，為投資方進行投資提供理論基礎及判據。在BP神經網絡訓練的過程中，積累大量的工程實際資料是非常重要的，并且對于注冊樣本的選擇、網絡模型的參數及誤差的計算對決策結果產生極大的影響，在接下來的工作中需進行更深入的研究。

[1]黃永恒,曹平,汪亦顯.基于BP神經網絡的巖土工程預測模型研究[J].科技導報,2009(06):61-64.

[2]蔣天穎,豐景春.基于BP神經網絡的工程項目知識管理風險預警研究[J].情報雜志,2009(12):48-51.

[3]歐建鋒,程吉林.基于AHP與BP神經網絡的農村水利現代化評價[J].中國農村水利水電,2010(11):94-97+100.

[4]王振興.基于神經網絡的水利工程建設項目風險評價[J].長江大學學報(自然科學版),2013(01):57-59+1.

[5]蔣曉紅,程吉林,張躍飛.中小型水利工程的工程量估算BP神經網絡模型[J].揚州大學學報：自然科學版,2008(03):72-74.

[6]黃偉杰,劉曉平,李軍,等.基于BP網絡的水利工程投資風險評價[J].長沙理工大學學報：自然科學版,2004(02):34-38.

[7]馮偉良,羅素莉.BP神經網絡在水利施工項目經理遴選中的應用[J].水利科技與經濟,2007(10):720-721.

[8]宋巖.水利工程施工進度計劃的風險研究[J].水利規劃與設計,2016(04):62-63.

[9]張朝輝.水利工程施工質量與安全管理措施研究[J].水利技術監督,2016(01):18-19.

1007-7596(2016)12-0136-04

2016-12-08

叢雙芝(1981-)，男，遼寧鳳城人，工程師，研究方向為水利水電工程。

F284，TP183

B