基于GA—ANN的建筑工程质量评价模型研究①

张立宁安晶何燕石华旺

(1.华北科技学院土木工程系，北京东燕郊 101601;2.北京理工大学机电学院，北京 100081; 3.河北工程大学土木学院，河北邯郸 056038)

基于GA—ANN的建筑工程质量评价模型研究①

张立宁1，2②安晶1何燕1石华旺3

(1.华北科技学院土木工程系，北京东燕郊 101601;2.北京理工大学机电学院，北京 100081; 3.河北工程大学土木学院，河北邯郸 056038)

综述建筑工程质量评价的研究现状，建立建筑工程质量评价指标体系。在此基础上，利用人工神经网络强大的非线性函数逼近能力，实现对建筑工程质量水平的评价。针对人工神经网络的不足，本研究将遗传算法引入神经网络，实现两种算法的优势互补。最后，通过实例验证该方法的可行性与有效性。

遗传算法;人工神经网络;评价指标体系;建筑工程质量评价

0 引言

美国的J.M.朱兰博士曾提出：“20世纪是产量世纪，21世纪是质量世纪”。进入质量世纪，每个国家和企事业单位都面临着一个对质量战略地位的认识问题。对于建筑工程，其质量问题关系到国计民生，涉及千家万户。由于其具有体积大，结构复杂，不同于一般商品的特点，因此，一旦发生重大质量问题，将给建筑企业造成严重损失，甚至影响社会稳定和整个建筑行业的健康发展。而如何对建筑工程质量进行客观、有效的评估，就必然成为一个亟待研究解决的课题。

在建筑工程质量评定方面，目前的研究多以定性为主，定量较少。相关研究分析了影响建筑工程质量等级评定的影响因素，建立了建筑工程质量等级评价的模糊综合评判法模型。文献［1］［2］通过大量的调查与分析，应用模糊数学的方法，建立了建筑工程质量的前期评估与预测系统。一些研究将关联分析法应用到工程质量影响因素分析中，通过灰色关联分析，确定影响工程质量各因素的主次关系，为工程质量控制提供依据。但上述评价方法在评价的客观性、智能化等方面都存在不足。基于此，本研究引入基于GA—ANN的建筑工程质量综合评价智能化模型，为客观、合理地评价建筑工程质量等级提供一种新的途径、新的方法。

1 GA—ANN的建立

1.1 人工神经网络简介

人工神经网络(Artificial Neural Networks简称ANN)是20世纪80年代后期发展起来的一门新兴学科，它具有较强的非线性、大规模并行处理能力。许多学者致力于将其引入自己的专业研究领域，取得了令人瞩目的成果，具有广泛的应用前景。

典型的BP神经网络是三层，即：输入层、隐含层和输出层，各层之间实现全连接。其拓扑结构如图1所示，其详细学习过程见文献［1］。

图1 基本BP神经网络的拓扑结构

理论的完善性及方法的有效性，决定了BP网络的广泛应用性。但BP网络的致命弱点是往往会陷入局部最小，使算法不收敛。因此，必须对神经网络进行改进。

1.2 引入遗传算法的BP神经网络

本研究将遗传算法看成一个算子，BP算法看成一个算子，两者交替使用，共同优化神经网络的权重，实现了两者的优势互补。

1.3 算法的实现途径

1)神经网络权重的编码和初始种群的生成

本研究采用三层BP网络，设网络的输入节点数为n，隐层节点数为p，输出节点数为q，群体规模为popsize，则用Wi表示神经网络的权重，Wi的维数为n×p+p×q+p+q，i=1，2，……，popsize。权重染色体采用浮点数编码。

2)参数设定

包括种群的规模popsize、交叉概率pc和变异概率pm，网络的输入节点数n、隐层节点数p和输出节点数q，以及学习率η、动量项系数φ和学习率自适应调整系数γ1和γ2。

3)局部极小点的判断及跳出条件

由于大多数的BP网络采用的是Sigmoid传递函数，局部最小点产生的主要原因在于Sigmoid的特性，当节点的输入值很大时，其输出值的变化幅度很小，此时若用梯度算法训练网络，则梯度趋近于0，网络权值的修改几乎为0，训练过程就停滞不前。因此，可以断定，当训练误差较大而梯度很小时，可断定遇到局部极小点，如(1)式。

式中E为训练误差，ε为允许训练误差限，M梯度。在训练的过程中，当遇到了局部极小点，切换到遗传算法，跳出局部极小点后再用BP算法，通过两者的交替使用，一直达到训练的要求。

跳出局部极小点的解必须满足：

也就是说用遗传算法不仅要减小训练误差，同时要增大训练梯度。

4)选择、交叉、变异

5)判断是否跳出局部最小点，如果是，用BP算法继续训练;否则，转4)。这样反复进行，直至达到预期的误差或训练次数。

算法实现流程图如图2所示。

图2 算法实现流程图［5］

2 评价指标体系建立

根据有关建筑工程质量管理规程、规范，参考文献［4－7］，本研究最终将影响建筑工程质量评价的因素确定为：工程项目实体质量、质量保证资料、工程观感质量、设计质量、对环境的影响等五个方面(见图3)。

3 实例

本研究以文献［3］中从质检部门、建筑公司等单位收集的具有代表性的15个民用住宅工程项目质量历史数据为例(见表1)，进行实证研究。

图3 建筑工程质量影响因素体系

表1 建筑工程项目质量评价数据

3.1 数据预处理

本研究采用比例压缩法对数据进行归一化预处理，以提高网络训练及评价的准确性，具体方法为：

式中：X—代表原始数据;Xmin—原始数据最小值，Xmax—原始数据的最大值;T—变换后的数据。

3.2 网络结构及参数的选取

本研究所选取网络结构为5－9－4(输入层节点数为5，隐层节点数为9，输出层节点数为4)。1000代表质量等级为“优”，0100代表“良”，0010代表“合格”，0001代表“不合格”。

选取参数：种群规模popsize=40;权重的初始空间W=［－1，+1］;交叉概率pc=0.8;变异概率pm=0.04;最大的进化代数epoch=2000;学习率η=0.1;学习率自调整系数γ1=1.05;学习率自调整系数γ2=0.7;动量项φ=0.5。网络输入输出样本值见表1。

3.3 网络训练

把经过处理后15组样本数据输入到神经网络，前10组作为学习样本，后5组作为测试样本，网络的预期误差0.001。经过训练，网络模型的训练结果见图4。

图4 网络训练结果

3.4 网络预测

用训练好的网络进行工程项目质量等级的预测。把后5组数据输入到神经网络中，经过计算，网络的预测值如表2所示。

表2 网络预测值与工程实际值的比较

从表2中，我们可以发现质量等级的预测值和实际值基本吻合，可以用于实际建筑工程质量等级预测。

4 结语

质量管理是工程项目管理的三大目标之一，在基本建设中具有举足轻重的地位。工程质量管理问题是改革开放以来，一个引起业内和全社会普遍关注的热点问题。本研究根据建筑工程质量管理的特点，结合工程质量的历史资料，参考有关文献，建立建筑工程质量评价指标体系。并将改进的人工神经网络引入建筑工程质量评价过程中，保证了评价结果的客观性，实现了建筑工程质量评价的定量化和智能化。通过实证研究，表明模型可行、有效，从而为工程质量管理提供一种新的途径和方法。

［1］梁爽，毕继红，刘津明.建筑工程质量等级的模糊综合评判法［J］.天津大学学报，2001，(9)

［2］阎平，任炜，刘庆明.建筑工程施工质量评价标准应用的方法和体会［J］.山西建筑，2008，(9)：80－81

［3］石华旺.基于模糊遗传神经网络的建筑工程质量综合评价研究［D］.硕士学位论文，邯郸：河北建筑科技学院，2005

Study on the evaluation model for construction project quality based on GA-ANN

ZHANG Lining1，2，AN Jing1，LIN Dachao1，SHI Huawang3
(1.institute of science and technology，civil engineering department，Yanjiao Beijing-East101601; 2.Beijing institute of technology，achademy of mechanical-electrical engineering，Beijing，100081;3.Hebei Engineering University，Handan Hebei056038)

This paper overviews the present research conditions of construction project quality evaluation and sets up the index system of construction project quality evaluation.On this basis，accomplishes the stage forecast for construction project quality evaluation based on the great nonlinear function approaching capability of the ANN.For solving the shortage of ANN，this paper introduces GA into it，uses the two operators alternately，thus accomplishes dominance complement of the two intellect optimization algorithms.At last，an actual example is presented to justify the validity and feasibility of this model.

Genetic algorithm;Artificial nerve network;Evaluation index system;Construction project quality evaluation

TP183

A

1672－7169(2011)01－0050－04

2010－12－05。基金项目：高层建筑火灾危险性预控系统研究(华北科技学院2009年2月19日)。

张立宁(1981－)，男，甘肃庆阳人，硕士，华北科技学院土木系讲师，研究方向：智能预警方向应用，瓦斯预警方向应用。