人工神经网络在建筑工程项目管理中的应用

张 雷 徐志安

1 ANN基本原理

人工神经网络(Application of Neural Network,即:ANN)是人工智能的一个分支领域,是一类处理非线性问题的有力工具,具有很强的非线性映射能力、良好的适应性、容错性。除了在传统的语言识别、自动控制及图像识别等领域外,ANN在经济管理、工程技术以及其他许多行业都获得了广泛的应用。根据胡保清,冯凯[2](2004年)的总结,神经网络在土木工程领域应用的首篇文献出现于1989年,随后应用于建筑工程项目管理领域。

2 ANN在建筑工程项目管理中的应用研究

2.1 ANN在造价预测方面的应用

汪应洛,杨耀红[3](2004年)总结了ANN在费用估计方面的应用。采用BP网络,用40个公路工程样例训练网络,并用工程实例进行验证,发现效果比传统方法好。Tarek Hegazy[4](1998年)等用MS-Excel表格进行ANN模拟,并在输入层和隐含层加入了偏置神经元来促进网络学习。其缺点是由于网络学习时的训练样本数据中有噪声,会造成过度学习现象,运用规范化网络可以解决这个问题。周丽萍,胡振锋[5](2005年)在研究BP神经网络在建筑工程估价中的应用时指出,可以利用神经网络“特征提取器”的作用,从大量过去的工程资料中自动提取工程特征与预算资料的规律关系;由于神经网络具有高度的容错性,因而对于过去的工程资料中由于人为的或其他因素造成的偏差有自动纠偏功能;此外由于神经网络是并行处理数据的,因而其处理速度相当快,这点满足了快速估算要求,实践证明是有效的。

2.2 ANN在工程项目管理绩效评价中的应用

闫文周[6](2005年)等运用ANN中的BP网络对工程项目管理绩效评价问题进行研究,建立了一个综合考虑项目工期、质量、费用、安全四大控制指标的工程项目管理绩效评价模型。实例分析表明,其评价结果更加全面、更加符合实际情况,从而有助于促进工程项目管理水平的提高。基于BP神经网络的工程项目管理绩效评估模型,将影响工程项目管理绩效的主要因素进行整合,通过神经网络反映了工程项目工期、质量、成本、安全与项目绩效之间复杂的非线性关系,从而使项目管理绩效的评价更客观。

2.3 Hopfield网络模型在建设工程评标中的应用

建设工程评标是一个多目标决策过程,评标过程中存在着大量的定性和模糊的因素,评标人很难快速做出准确客观的评判。朱玉涛[7](2006年)等用ANN作为新型信息处理工具,在建设工程评标中可应用于优选中标企业。介绍了Hopfield网络模型构造及算法设计,包括进行方案优劣排序、换位矩阵以及能量函数构造、神经元之间连接和输出,并用实例说明了该方法的优越性和实用性。应用Hopfield网络对非定量因素进行科学的分析,可以消除一些人为因素的影响,使评选结果更加合理。

2.4 BP网络模型在建设工程招投标管理中的应用

BP网络以其自学习、自联想功能的优点在建设工程招投标中得到广泛应用。杨中宣(2006年)结合人工神经网络基本理论,介绍了它在工程招投标的招标价格、风险因素分析以及竞标单位资格审查等方面的应用,指出利用人工神经网络具有的高度并行处理和可完成复杂输入输出的非线性映射能力,不仅可以保证高的中标率,且可避免招标过程中不确定性因素的影响。

现在很多人致力于基于ANN的工程承包招投标报价的研究,Hegazy和Moselhi(1994年)提出了一个多因素确定公路项目投标报价的ANN模型,该模型考虑了影响报高率的诸多因素,并确定了其权重。文献[8]首先对所建或所投工程的各种因素进行评判,接着确定出最终的综合评定值,即确定了用BP神经网络实施黑箱操作的样本输入值和目标值,再通过学习训练,自主调整修正输入节点和输出节点间的联系,得出符合各种情况要求的权重矩阵,基于保存的最终权重矩阵,通过输入新项目的因素评定值确定其综合评判值,该方法在对现有项目评定的基础,也考虑到了以往项目的经验,把人为不确定因素的影响降到了最低。

3 ANN在建筑工程项目管理中应用的不足之处

3.1 估计的准确性存在质疑

周丽萍,胡振锋[5](2005年)最后也指出基于神经网络的估算模型,其主要限制在于工程特征向量的选取和训练样本的选取上,估算模型的准确度取决于这两点。但是由于每个建筑工程都是独一无二的,都有自己的特点,即使外形一样,物价水平、采购途径不同也会使造价存在很大差异,所以训练样本和待估工程总是存在很大差异,即运用ANN进行预测还是没有办法避免误差的。

3.2 解释能力较差

应加强ANN的研究,完善理论系统;可把ANN系统与其他系统相结合,取长补短,如把ANN系统与ES相结合,可以增加ES的预测能力,也可以增强ANN对问题的解释力。

3.3 方法单一(BP网络模型)

在建筑工程项目管理中应用的ANN主要是BP网络,且输出单一,而其他网络应用有限,所以,应深化BP网络的应用,并注意其他网络方法的应用潜力,比如仿真应用等。

3.4 训练时间长

对于应用较广的前馈网络,投入应用前需要大量案例训练它,而大量案例需要长时间的收集和积累。我国在这方面非常不足,所以碰到此类问题时,往往是请专家进行咨询。其实,每次所请专家的数量是有限的,专家的知识也是有限的,而且,针对具体问题,专家们意见往往带有很大主观性。

3.5 应提高样本的代表性及规范取样操作步骤

网络学习的过程受决策环境复杂程度和训练样本的内敛性影响很大,有时需要增大样本量来提高网络所学知识的代表性,应注意在收集某个问题领域的样本时,注意样本的全面性、代表性等。在收集训练样本时,一般采用文献查阅、专家调查、实际观察方法,应对这些方法给出操作规范和步骤,以提高样本的准确性,减少噪声,还可以采用其他方法收集样本。

3.6 没有与其他软件相结合

现有用于建筑工程项目管理的ANN系统一般比较孤立。现有大量的基于Windows的项目管理系统(PMS),如MS-Project,P3等,可以应用Windows系统的DDE,OLE等技术把它们整合,使工程数据直接用于ANN分析预测系统,并把分析预测结果直接用于建筑工程项目管理系统,可以同时增加ANN系统和PMS系统的效率和效力。

4 结语

ANN用于建筑工程项目管理领域只是近几年的事,很多文献都是在综述国外相关应用的具体做法和进展,并没有多少创新的部分;另外,有一些人只是运用ANN的基本原理解释建筑工程项目管理相关领域的内容,并没有实际运用。ANN在建筑工程项目管理中已经得到了应用,由于建筑工程项目管理的特点和ANN方法本身具有的特点,决定了ANN必将在建筑工程项目管理领域广泛应用。但由于ANN作为一门新兴的边缘交叉学科,有不完善和不成熟的地方,又在一定程度上制约着它的实际应用。

[1] 周小佳.电力系统可靠性人工神经网络模型及实现研究[D].博士学位论文,1997.

[2] 胡保清,冯 凯.神经网络在土木工程领域的应用[J].低温建筑技术,2004(2):37-38.

[3] 汪应洛,杨耀红.工程项目管理中的人工神经网络方法及其应用[J].中国工程科学,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] 周丽萍,胡振锋.BP神经网络在建筑工程估价中的应用[J].西安建筑科技大学学报,2005(6):262-265.

[6] 闫文周,徐 静,吁元铭.神经网络在工程项目管理绩效评价中的应用研究[J].西安建筑科技大学学报,2005(12):557-560.

[7] 朱玉涛,许占立,段向前.人工神经网络在建设工程评标中的应用[J].黄河水利职业技术学院学报,2006(4):33-35.

[8] 王 吉吉.工程项目投标决策方法研究[D].北京:华北电力大学,2003.

[9] 曹洪洋,李万庆,李文华.基于ANN的投标报价的风险预测研究[J].河北建筑科技学院学报,2001,18(2):64-67.