基于遺傳算法的建筑工程質量評價模型

陳巖

摘? 要： 建筑工程質量的變化具有非線性和不確定性，導致建筑工程質量評價問題十分復雜。針對當前建筑工程質量評價結果不客觀，可信度低等不足，提出基于遺傳算法的建筑工程質量評價模型。根據當前建筑工程質量評價研究結果，建立建筑工程質量評價指標體系，采用投影尋蹤算法對建筑工程質量評價指標體系進行處理，選擇比較重要的評價指標體。最后，采用BP神經網絡建立建筑工程質量評價模型，采用遺傳算法優化建筑工程質量評價模型的參數，并將該模型應用于具體的建筑工程質量評價中。結果表明，該模型的建筑工程質量評價準確性要高于當前其他模型，建筑工程質量評價結果更加可信，具有較強的實際應用價值。

關鍵詞： 建筑工程; 質量評價模型; 工程質量評價; 指標體系選擇; 模型參數優化; 評價精度對比

中圖分類號： TN911.1?34; TP391? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）09?0126?03

Construction engineering quality evaluation model based on genetic algorithm

CHEN Yan

（College of Civil Engineering， Changchun University of Architecture and Civil Engineering， Changchun 130000， China）

Abstract： The change of construction engineering quality is of non?linear and uncertain characteristics， which leads to the complexity of construction quality evaluation. In view of the lack of objectiveness and the low credibility of the results of current construction quality evaluation， a construction quality evaluation model based on the genetic algorithm is proposed. A construction quality evaluation index system is established according to the research results of current construction quality evaluation. The projection pursuit algorithm is used to process the construction quality evaluation index system and select the important one. And then， the BP neural network is used to establish the construction quality evaluation model. The parameters of the model are optimized with the genetic algorithm. The results show that， when the proposed model is applied to a specific construction quality evaluation， the accuracy of the construction quality evaluation is higher than that of the existing models， and its evaluation result is more credible. Therefore， the proposed model has a high value in the practical application.

Keywords： construction engineering; quality evaluation model; construction quality evaluation; index system selection; model parameter optimization; evaluation accuracy contrast

0? 引? 言

隨著經濟的迅速發展，建筑業得到快速的發展。隨著建筑業的高速發展，出現了一些建筑質量問題，如室內漏水、墻體開裂、地基沉降等，使建筑物存在著各種安全隱患，提高建筑工程質量勢不容緩[1?3]。在我國的工程建設中，有質量評價標準不統一、信息溝通不暢、質量監督不力等因素存在，在此背景下，構建高精度的建筑工程質量評價模型勢在必行，已經成為當前一個重要的研究課題[4?6]。

20世紀90年代開始，國內的專家學者對建筑工程質量評價進行了研究[7]，如基于層次分析法的建筑工程質量評價模型，利用質量、經濟、管理、使用效果作為評價指標，通過層次分析法得到建筑工程質量評價方案[8]。但是由于各種評價指標之間具有非線性聯系，而層次分析法是一種線性評價方法，使得建筑工程質量評價誤差比較大、評價結果可信度有限[9]。隨后出現了基于模式識別技術的建筑工程質量評價模型[1?12]，最具代表性的為神經網絡，神經網絡可以對建筑工程質量等級和建筑工程質量評價指標之間的關系進行建模與分析，其建筑工程質量評價效果要優于層次分析方法，但是，傳統神經網絡的參數采用梯度下降算法進行優化，使得參數優化速度慢、神經網絡收斂時間長，因此無法獲得滿意的建筑工程質量評價結果[13?15]。

針對當前建筑工程質量評價過程中存在的一些不足，本文提出基于遺傳算法的建筑工程質量評價模型，并通過具體建筑工程質量評價應用實例驗證了該模型的性能。

1? 基于遺傳算法的建筑工程質量評價模型

1.1? 建筑工程質量評價指標體系

基于客觀性、規范性、系統性等原則建立如圖1所示的建筑工程質量評價指標體系。

1.2? 投影尋蹤算法

設第[i]個建筑工程質量評價樣本的第[j]個指標集合為[xij]，[j=1，2，…，p]，[p]表示評價指標數量。基于投影尋蹤算法的建筑工程質量評價選擇步驟如下：

1） 對評價指標進行歸一化處理，即：

[x′ij=xij-xmin（j）xmax（j）-xmin（j）] （1）

式中[xmin（j）]和[xmax（j）]分別為[j]個評價指標的最小和最小值。

2） 對包含有[p]個指標的建筑工程質量評價數據進行變換，得到[α={α（1），α（2），…，α（p）}]，計算投影方向的投影值[Z（i）]，具體為：

[Z（i）=j=1pα（j）xij，? ? i=1，2，…，n] （2）

式中[n]表示數據的數量。

3） 建立建筑工程質量評價指標投影函數，即：

[Q（α）=SzDz]? ?（3）

式中[Sz]和[Dz]分別表示標準差和局部密度，具體為：

[Sz=i=1n（Z（i）-E（z））2n-1]? （4）

[Dz=i=1nj=1n（R-r（i，j））?u（R-r（i，j））]? ?（5）

式中：[E（z）]為[Z（i）]的平均值;[R]為[Dz]的窗口半徑;[r（i，j）]為第[i]個和第[j]個建筑工程質量評價樣本間的距離，計算公式如下：

[r（i，j）=Z（i）-Z（j）=1，? ? t≥00，? ? t<0]? ? ? ? （6）

4） 根據投影函數最大原則得到最佳投影方向，具體如下：

[max Q（α）=SzDzs.t.? ? j=1pα2（j）=1]? （7）

5） 根據最優投影方向得到篩選后的建筑工程質量評價指標。

1.3? BP神經網絡

建筑工程質量評價期望輸出和BP神經網絡的實際輸出之間的誤差平方和的計算公式為：

[Ep=12i=1Nl+1（dpi-ypi）2]? （8）

神經網絡的訓練就是要保證[Ep]盡可能最小，通常采用梯度下降算法對BP神經網絡參數[Wij]進行調整和優化，但是梯度下降算法的調整和優化速度較慢，因此，本文引入遺傳算法對BP神經網絡參數[Wij]進行調整和優化。

1.4? 遺傳算法

遺傳算法不需要知道待解決問題的具體領域信息，搜索空間范圍大，通常將待解決問題看作為一個個體，通過個體的不斷進化，找到待解決問題的最優解，主要包括：問題編碼、建立適應函數、選擇機制、交叉變異操作等。

1.5 基于遺傳算法的建筑工程質量評價思路

基于遺傳算法的建筑工程質量評價思路為：

1） 根據當前建筑工程質量評價研究結果建立建筑工程質量評價指標體系;

2） 采用投影尋蹤算法對建筑工程質量評價指標體系進行處理，選擇比較重要的評價指標;

3） 采用BP神經網絡建立建筑工程質量評價模型。

采用遺傳算法優化建筑工程質量評價模型的參數，具體如圖2所示。

2? 仿真實驗

2.1? 建筑工程質量評價數據及實驗環境

為了分析基于遺傳算法的建筑工程質量評價效果，采用多個建筑工程質量數據作為實驗對象。建筑工程質量等級為5級，分別采用1～5進行描述，對建筑工程質量評價指標值進行縮放處理，使各指標值差別縮小，原始建筑工程質量評價數據如表1所示。選擇沒有優化參數的BP神經網絡的建筑工程質量評價模型、層次分析法的建筑工程質量評價模型進行對比測試。

2.2? 建筑工程質量評價精度對比

采用遺傳算法的建筑工程質量評價模型與對比模型對表1中的數據進行仿真測試，統計它們的建筑工程質量評價精度，同時，采用不同比例的訓練樣本和測試樣本，結果如圖3所示。

從圖3可以看出：隨著訓練樣本比例的增加，所有模型的建筑工程質量評價精度不斷增加，這是因為BP神經網絡是一種基于大樣本定理的機器學習算法，訓練樣本越多，建筑工程質量評價訓練就越徹底。在相同比例的訓練樣本和測試樣本條件下，遺傳算法的建筑工程質量評價精度要高于BP神經網絡，這主要是因為本文方法引入遺傳算法對BP神經網絡的參數進行優化，建立了更好的建筑工程質量評價模型;而層次分析法的建筑工程質量評價精度最低，主要是由于其是一種線性建模方法，無法描述建筑工程質量變化的非線性和不確定性，使得建筑工程質量評價錯誤大。

2.3? 建筑工程質量評價的建模時間對比

統計不同模型的建筑工程質量評價建模時間，結果如表2所示。從表2可以看出：層次分析方法的建模時間最短，但是其建筑工程質量評價誤差過大，沒有太多的實際應用價值;本文方法的建筑工程質量評價建模時間要少于BP神經網絡，因為BP神經網絡采用梯度下降算法對參數進行調整，收斂速度慢。因此，本文方法改善了建筑工程質量評價建模效率，建筑工程質量評價整體性能更優。

3? 結? 語

結合建筑工程質量的變化具有非線性和不確性，針對BP神經網絡在建筑工程質量評價應用中的參數優化問題，提出基于遺傳算法的建筑工程質量評價模型。仿真實驗結果表明，該模型的建筑工程質量評價精度高，建筑工程質量評價建模時間短，具有較強的實際應用價值。

參考文獻

[1] 張攀，郭聖煜.基于進化博弈理論的建筑工程質量監管SD模型[J].土木工程與管理學報，2018，35（6）：178?185.

[2] 汪菁，蘇煒.建筑工程質量的多目標量化評價方法[J].信陽師范學院學報（自然科學版），2005，12（3）：362?363.

[3] 毛義華.計算機輔助建筑工程質量的評估[J].數量經濟技術經濟研究，2000，22（10）：45?47.

[4] 郝進鋒，姜月利，祝庭，等.基于激光掃描數據的建筑工程質量評估[J].激光雜志，2018，39（5）：53?56.

[5] 文利，楊君岐，艾曉宇.工程質量的模糊綜合評價體系研究與應用[J].公路交通科技（應用技術版），2016，12（1）：288?291.

[6] 趙宏.基于模糊層次分析法的建筑工程施工質量評價研究[J].建材與裝飾，2019，45（14）：56?58.

[7] 姜帆.灰色理論在建筑工程質量綜合評價中的應用研究[J].安徽建筑，2015，22（1）：169?170.

[8] 王林，張維.基于解釋結構模型的建筑工程質量因素分析[J].數學的實踐與認識，2014，44（14）：223?230.

[9] 王建國，宋楠，王祥宇，等.基于三角模糊數的營房增層改造工程質量評價[J].四川兵工學報，2014，35（4）：57?61.

[10] 尹鵬，楊仁樹，丁日佳，等.基于熵權法的房地產項目建筑質量評價[J].技術經濟與管理研究，2013，12（3）：3?7.

[11] 余強.基于AHP層次分析法的建筑工程施工質量評價[J].科技信息，2012，33（9）：379?380.

[12] 梁爽，畢繼紅，劉津明.建筑工程質量等級的模糊綜合評判法[J].天津大學學報，2001，12（5）：664?669.

[13] 張敏.基于神經網絡的建筑施工質量評價[J].現代電子技術，2018，41（17）：173?177.

[14] 劉艷，康海貴，孫敏.基于遺傳算法的模糊優選神經網絡路面性能評價模型[J].大連理工大學學報，2010，50（1）：117?122.

[15] 戴宏亮.基于智能遺傳算法與復合最小二乘支持向量機的長江水質預測與評價[J].計算機應用研究，2009，26（1）：79?81.