基于OWA算子與BP神經網絡的綠色施工評價研究

章 俊，胡龍偉,*，孫 雨，王 雪，孫 賀

(1.青島理工大學 管理工程學院，青島 266525；2.青島昆泉建設工程有限公司，青島 266500)

綠色建筑以其節約資源和節能減排的特點充分體現了可持續發展的思想，在國家大力推廣綠色建筑的同時，制定一套科學、合適的綠色施工評價體系，對綠色施工的普及意義重大。張健等[1]提出了基于改進灰色聚類法的評價模型，針對鐵路綠色施工進行節材評價。李英攀等[2]將BP神經網絡引入綠色施工評價，構建綠色施工評價體系并結合實例，說明評價體系的可行性。趙金先等[3]利用向量夾角余弦方法建立綠色項目評標模型，增加投標單位中標可能性。李遠遠[4]基于綜合賦權數據挖掘的系統模型建立綠色施工方案數據庫。以上方法在一定程度上豐富和完善了綠色施工評價指標，但具有一定的主觀色彩，未能進行數據模擬。有鑒于此，本文提出了基于OWA算子與BP神經網絡的綠色施工評價，基于OWA算子得出各個評價指標的權重，去除了極值的影響，用BP神經網絡進行學習專家決策，通過已知樣本進行模擬訓練，將訓練結果與專家結果進行比較，結果表明該網絡系統不但可以模擬專家決策，還能避免評價過程中人為失誤，具有較強適用性。

1 綠色施工評價指標的構建

綠色施工評價指標是開展綠色施工評價的基礎和前提，在參考借鑒《建筑工程綠色施工規范》和對綠色施工評價相關文獻,運用文獻統計法進行指標統計分析，通過專家問卷和綜合分析后，在滿足科學性、全面性、完備性等原則下，確定資源消耗評價、環境影響評價、綜合管理評價、材料綜合評價這4個一級評價指標和16個二級評價指標，綠色施工評價體系如圖1所示，文獻統計綠色施工影響因素見表1。

圖1 綠色施工評價指標體系

表1 文獻統計綠色施工影響因素

2 評價模型適用性分析

構建綠色施工評價體系時，需要專家對各個指標進行打分，當前用的較多的方法為：AHP層次分析法、熵權法、改進的熵權法、加權評分法，這類方法求得的權重受有關專家的主觀偏好影響，不能確保評價結果的客觀與準確。OWA[11]( Ordered Weighted Averaging，有序加權平均) 算子理論由 YAGER教授在1988年提出，廣泛應用于工程決策、項目評估中。本文運用OWA 算子賦權法,以消除專家主觀賦權導致的權重不準確，使評價指標的權重更貼近實際，更為合理。

BP神經網絡是一種多層次型反饋網絡，該網絡可以模擬專家進行定量分析，將樣本通過輸入層輸入，通過增加隱含層中的神經元數目修正誤差，利用已建立BP神經網絡模型，可以快速有效地進行綠色施工的評價，具有較強的實用性。

本文以OWA計算各二級指標的權重，可有效避免主觀性對權重的影響，通過OWA得到的權重作為BP神經網絡分析的初始權值，以此來構建BP神經網絡模型，模擬出綠色施工等級。

3 基于OWA算子分析和BP神經網絡的綠色施工評價體系構建

3.1 綠色施工程度等級界定

綠色施工程度的界定程度關系到專家打分的準確性，本文對綠色施工程度等級隸屬的劃分，按照滿分為10分，共劃分超綠色、深綠色、中等綠色、淺綠色和非綠色5個等級，具體劃分見表2。

表2 綠色施工程度等級劃分

3.2 基于OWA算子計算指標權重

有序加權平均對專家所給權重進行有序加權，其具體步驟如下：

1) 邀請n位專家，根據同一層次指標的重要性程度進行打分，滿分為10分，重要性越高，得分越高。由n位專家的打分結果得到指標因素的初始決策數據集 (a1，a2，a3，…，an) ，對所得數據從大到小排序并從最小的數0開始編號，得到的結果為(b0，b1，b2，b3，…，bn-1)。

2) 數據bi的權重θj+1計算公式為

(1)

(2)

4) 計算指標因素的相對權重wi，即

(3)

3.3 綠色施工評價的BP神經網絡模型

BP網絡的結構包括網絡層數、輸入、輸出節點和隱含層，根據映射定理構造輸入層、隱含層、輸出層三層BP網絡。建立的綠色施工評價的BP神經網絡模型如圖2所示。

圖2 BP神經網絡模型

輸入層，根據綠色施工評價體系，共由16個二級指標組成，即由16個節點組成輸入層。

隱含層，BP神經網絡隱含層節點數對網絡預測精度有著較大的影響，當節點數目太少時，網絡不能充分學習，會影響訓練精度；當節點過多時，訓練時間增加，網絡可能出現過擬合狀態。一般由以下公式進行確定：

輸出層，以確定好的指標評價體系及用OWA所確定的權重進行打分，輸出綠色等級。當利用該模型評價時，輸出的值對應的綠色評價等級，就可知綠色等級。

3.4 基于OWA算子和BP神經網絡的綠色施工評價模型具體步驟

1) 根據構建的綠色施工評價體系和綠色施工程度等級，利用OWA算子進行賦權，對綠色施工的二級指標進行處理，得出各個指標的權重。

2) 將各指標權重輸入BP神經網絡，確定各個神經元之間的連接權值。

3) 對指標進行標準化處理。

4) 將處理過的指標值輸入網絡，訓練BP神經網絡，直至網絡成熟。

5) 對測試的綠色施工企業指標輸入，根據綠色施工等級，確定綠色施工程度。

4 案例分析

采用OWA算子和BP神經網絡，對綠色施工指標進行評價，并采用青島某項目進行實證研究，說明其合理性、適用性及科學性。

4.1 OWA算子計算指標權重

以一級指標為例，邀請6位權威專家進行評分，滿分為10分，所得分值越大，表明其重要程度越高，數據見表3。

表3 一級指標專家打分值

4.2 確定神經網絡訓練樣本

本文對山東省綠色施工項目，分析相關資料且進行充分的調研，邀請15位專家對21個新建綠色施工項目進行打分，滿分為10分，專家評估數據如表4所示。設 16 個二級指標所對應的權重為w=(w1,w2,…,w16)，其對應的得分為x=(x1,x2,…,x16) ，則 21 個綠色施工項目的得分為y=wx，即表4 中的“期望得分”一列數據。

表4 專家評估數據

續表4

得到樣本后，利用式(4)將樣本進行歸一化處理，使得評分落在0～1之間。

X*=(Xi-Xmin)/(Xmax-Xmin)

(4)

式中：X*為評價指標Xi的標準化值；Xmin為評價指標Xi的最小值；Xmax為評價指標Xi的最大值；i為評價指標的個數。

4.3 神經網絡訓練及結果

首先將綠色施工評價的屬性值作為人工神經網絡的輸入向量，然后用足夠的樣本訓練該網絡，使得不同輸入向量得到不同的輸出值，經過學習后確定相應的內部的組合權重系數，最后根據輸入的綠色施工評價得分，計算綠色施工綜合評價結果。在21組數據中，隨機選取15組數據作為訓練集，訓練該BP網絡，余下6組作為測試集，作為待評估對象。通過Matlab2018進行模擬測試，隨機產生測試集、訓練集后，進行數據歸一化，用net = newff(p_train,t_train,9)創建訓練網絡，設置各個參數分別為：迭代次數N=60 500，訓練精度ε=0.001，經過3次迭代，達到訓練精度要求，與期望的輸出結果十分相近。訓練過程如圖3所示，訓練結果見表5。

圖3 BP網絡訓練過程

表5 BP網絡測試結果

由表5可知，期望輸出值與實際輸出值之間的誤差較小，可以接受，證明用BP網絡構建的模型具有較強科學性，將建立好的模型進行保存，可以直接用于判斷綠色施工程度，當有了更多數據后，能進一步提高綠色程度判斷精度。從判斷綠色程度中可以看出，山東省內綠色施工程度多為深綠色，表明綠色施工程度較高，很好地執行了綠色施工要求。

5 結論

本文依據大量文獻和實地考察構建了綠色施工評價體系，運用OWA算子賦權確定各個指標層的權重，得出二級指標的權重，得到的權重有效避免了專家權重極端值對評價結果的影響，使得指標賦權更加合理。并用BP神經網絡設計了綠色項目定量化綜合評價方法，采用典型的綠色施工數據進行模擬訓練，該評價結果和按照規范化方法組織的大規模專家評價值之間的誤差在合理范圍內，評價效果較一致，隨著數據集的增多，模型得出的精度更高，得到更為完善的模型，建立的模型可以為綠色施工評價提供新思路。