基于GA-BP神經(jīng)網(wǎng)絡(luò)的砌體結(jié)構(gòu)拆除造價(jià)預(yù)測(cè)

王 勃，楊占秋，董麗欣

吉林建筑大學(xué) 土木工程學(xué)院,長(zhǎng)春 130118

0 引言

隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展,新建建筑物趨于平穩(wěn)發(fā)展,而待拆除建筑物日益增多,且多為上世紀(jì)的砌體結(jié)構(gòu)建筑物.在砌體結(jié)構(gòu)建筑物拆除工程中,造價(jià)是施工方案決策中的主要控制指標(biāo)之一.造價(jià)的快速精準(zhǔn)的估測(cè)對(duì)于拆除工程的招投標(biāo)具有重要意義.近些年，有專(zhuān)家學(xué)者將一些智能算法應(yīng)用至建筑工程領(lǐng)域進(jìn)行數(shù)據(jù)分析,他們多數(shù)采用1986年 D.E.Rumelhart及其研究小組提出的誤差反向傳播(BP)算法，此方法已成為至今影響最大、引用最廣的一種神經(jīng)網(wǎng)絡(luò)[1]，其具有良好的自學(xué)習(xí)、自適應(yīng)、魯棒性[2]和泛化能力.但BP算法存在收斂速度慢且很容易陷入局部極小值等缺點(diǎn).為解決這一問(wèn)題，本文將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái),優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,進(jìn)而提高砌體結(jié)構(gòu)拆除階段造價(jià)的精度及穩(wěn)定性.

1 BP神經(jīng)網(wǎng)絡(luò)算法

BP(Back propagation,BP)[3]是人工神經(jīng)網(wǎng)絡(luò)研究最多、應(yīng)用最廣泛的一種算法,具有至少三層的神經(jīng)網(wǎng)絡(luò),包括導(dǎo)入數(shù)據(jù)層、隱含層、輸出結(jié)果層,其中隱含層至少有一層,也可以有多層前后兩層各節(jié)點(diǎn)全連接,其結(jié)構(gòu)如圖1所示[4].

圖1 BP神經(jīng)網(wǎng)絡(luò)的連接結(jié)構(gòu)Fig.1 The Connection structure of BP neural network

BP神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)過(guò)程是一種信息正向傳播和誤差反向傳播的學(xué)習(xí)方式.前向傳播時(shí),數(shù)據(jù)通過(guò)輸入數(shù)據(jù)層輸入進(jìn)來(lái)再通過(guò)隱含層進(jìn)行數(shù)據(jù)處理,最終傳給輸出數(shù)據(jù)層,將輸出結(jié)果與期望結(jié)果對(duì)比,若不滿(mǎn)足要求則進(jìn)行誤差的反向傳播,調(diào)節(jié)各連接層的權(quán)值閾值,使得誤差滿(mǎn)足期望.由于BP神經(jīng)網(wǎng)絡(luò)算法采用的是一種梯度下降法,所以存在一些缺陷,例如:學(xué)習(xí)速率過(guò)慢,容易陷入極值,網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)難以確定等.

2 遺傳算法(GA)

遺傳算法(Genetic algorithm,GA)[5-6]于20世紀(jì)70年代由美國(guó)John Holland提出.遺傳算法仿照生物進(jìn)化論理論,具有在自然環(huán)境中適者生存,優(yōu)勝劣汰的生物特點(diǎn),在遺傳和進(jìn)化過(guò)程而形成的一種自適應(yīng)全局優(yōu)化搜索算法.它模擬了生物的選擇、交配和變異現(xiàn)象,能夠自適應(yīng)學(xué)習(xí)最優(yōu)解,具有良好的全局搜索能力和魯棒性,適合復(fù)雜的非線性求解問(wèn)題.本文使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),主要是對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值進(jìn)行調(diào)節(jié),充分發(fā)揮遺傳算法和BP神經(jīng)網(wǎng)絡(luò)各自的優(yōu)點(diǎn),彌補(bǔ)其缺點(diǎn),使輸出結(jié)果更加穩(wěn)定,并符合研究問(wèn)題的合理期望.

3 遺傳算法優(yōu)化BP神經(jīng)主要流程

3.1 遺傳算法優(yōu)化部分

第1步:運(yùn)用實(shí)數(shù)編碼,對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行初始化,得到初始化數(shù)據(jù)種群.

第2步:將期望輸出值與真實(shí)輸出數(shù)據(jù)的誤差絕對(duì)值作為適應(yīng)度函數(shù)變量值Z,適應(yīng)度函數(shù)計(jì)算公式為:

(1)

第3步:經(jīng)過(guò)選擇、交叉、變異運(yùn)行操作,形成新的個(gè)體,對(duì)比檢查其是否滿(mǎn)足要求,若不滿(mǎn)足則返回第二步;若符合,則將其權(quán)值和閾值輸出賦予給BP神經(jīng)網(wǎng)絡(luò)[7].

3.2 BP神經(jīng)網(wǎng)絡(luò)部分

第1步:確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)(BP神經(jīng)網(wǎng)絡(luò)的導(dǎo)入數(shù)據(jù)層、隱含層、輸出結(jié)果層的各個(gè)經(jīng)神元個(gè)數(shù)).

第2步:導(dǎo)入訓(xùn)練數(shù)據(jù),劃分訓(xùn)練集、測(cè)試集,由于各個(gè)輸入?yún)?shù)量不同所以需要將數(shù)據(jù)進(jìn)行歸一化處理,映射到[-1,1]范圍之間.

第3步:運(yùn)用經(jīng)過(guò)遺傳算法優(yōu)化過(guò)后的權(quán)值和閾值對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行向前傳播訓(xùn)練.假設(shè)誤差用R代表期望輸出值M與預(yù)測(cè)輸出值N差的絕對(duì)值[8]，如式(2)：

Ri=|Mi-Ni|

(2)

假定許可最大誤差值為R0,當(dāng)maxRi≥R0代表未達(dá)到精度期望,則反向傳播繼續(xù)訓(xùn)練,直到滿(mǎn)足誤差標(biāo)準(zhǔn)或者達(dá)到訓(xùn)練迭代次數(shù)才終止訓(xùn)練.

第4步:輸出預(yù)測(cè)砌體結(jié)構(gòu)拆除造價(jià)結(jié)果[9-11].

4 GA-BP砌體結(jié)構(gòu)拆除造價(jià)模型建立

在進(jìn)行砌體結(jié)構(gòu)拆除造價(jià)預(yù)測(cè)時(shí),首先針對(duì)砌體待拆除建筑進(jìn)行影響因素的選取,通過(guò)文獻(xiàn)閱讀，隨機(jī)抽取了拆除公司在長(zhǎng)春市砌體拆除工程50組工程案例進(jìn)行對(duì)比分析,此模型僅針對(duì)長(zhǎng)春市砌體拆除工程進(jìn)行了研究.選取了10種主要影響因素,分別為拆除方法、工程所在位置、房屋危險(xiǎn)等級(jí)、墻體厚度、噪音、污染程度、建筑面積、抗震設(shè)防烈度、墻體總長(zhǎng)、工程總層數(shù)[12].這些影響因素需要將其量化數(shù)據(jù)才能帶入Matlab軟件進(jìn)行運(yùn)行.例如在砌體拆除方法中,采用人工拆除的取1,全機(jī)械取2,半人工半機(jī)械取3[13-14],其他工程影響因素量化指標(biāo)通過(guò)查閱相關(guān)資料進(jìn)行定性定量分析得到見(jiàn)表1.

表1 影響因素量化指標(biāo)Table 1 Quantitative index of influencing factor

上述為50組砌體拆除工程的相關(guān)案例的數(shù)據(jù),其中40組數(shù)據(jù)用于訓(xùn)練網(wǎng)絡(luò)模型,另外10組數(shù)據(jù)用于檢測(cè)網(wǎng)絡(luò)模型,對(duì)其進(jìn)行量化分析整理見(jiàn)表2，表3.表2為訓(xùn)練樣本數(shù)據(jù),表3為檢測(cè)樣本數(shù)據(jù).

表2 砌體拆除訓(xùn)練樣本原始數(shù)據(jù)Table 2 Original data of masonry demolition training samples

續(xù)表2

表3 砌體拆除檢測(cè)樣本原始數(shù)據(jù)Table 3 Original data of masonry demolition test samples

BP神經(jīng)網(wǎng)絡(luò)及GA-BP神經(jīng)網(wǎng)絡(luò)主要參數(shù)設(shè)置,見(jiàn)表4.

表4 網(wǎng)絡(luò)參數(shù)設(shè)置Table 4 Network parameter settings

經(jīng)過(guò)訓(xùn)練驗(yàn)證,兩種算法輸出結(jié)果如圖2所示.

圖2 兩種神經(jīng)網(wǎng)絡(luò)輸出結(jié)果對(duì)比Fig.2 Comparison of output results of the two neural networks

對(duì)兩種算法得出的預(yù)測(cè)值計(jì)算出的相對(duì)誤差值進(jìn)行對(duì)比,BP神經(jīng)網(wǎng)絡(luò)的平均誤差值為3.99 %,均方誤差值為18.60;而遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的平均誤差值為2.13 %,均方誤差值為5.22.由上述的數(shù)據(jù)結(jié)果分析可知,GA-BP神經(jīng)網(wǎng)絡(luò)相對(duì)于BP神經(jīng)網(wǎng)絡(luò)性能更優(yōu)越.

5 結(jié)論

本文運(yùn)用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)針對(duì)砌體結(jié)構(gòu)拆除階段造價(jià)進(jìn)行預(yù)測(cè)擬合,未經(jīng)過(guò)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)造價(jià)預(yù)測(cè)誤差為4.01 %,采用遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)造價(jià)誤差為2.15 %,準(zhǔn)確度和穩(wěn)定性均有較大提高,在利用智能優(yōu)化算法對(duì)砌體拆除造價(jià)預(yù)測(cè)領(lǐng)域具有一定的參考價(jià)值.該模型經(jīng)過(guò)學(xué)習(xí)訓(xùn)練后能在誤差允許的范圍內(nèi)對(duì)長(zhǎng)春市砌體拆除工程的造價(jià)進(jìn)行預(yù)測(cè),達(dá)到快速估算要求,具有良好的可行性.