基于遗传算法的建筑工程质量评价模型

陈岩

摘  要： 建筑工程质量的变化具有非线性和不确定性，导致建筑工程质量评价问题十分复杂。针对当前建筑工程质量评价结果不客观，可信度低等不足，提出基于遗传算法的建筑工程质量评价模型。根据当前建筑工程质量评价研究结果，建立建筑工程质量评价指标体系，采用投影寻踪算法对建筑工程质量评价指标体系进行处理，选择比较重要的评价指标体。最后，采用BP神经网络建立建筑工程质量评价模型，采用遗传算法优化建筑工程质量评价模型的参数，并将该模型应用于具体的建筑工程质量评价中。结果表明，该模型的建筑工程质量评价准确性要高于当前其他模型，建筑工程质量评价结果更加可信，具有较强的实际应用价值。

关键词： 建筑工程; 质量评价模型; 工程质量评价; 指标体系选择; 模型参数优化; 评价精度对比

中图分类号： TN911.1?34; TP391                     文献标识码： A                  文章编号： 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

随着经济的迅速发展，建筑业得到快速的发展。随着建筑业的高速发展，出现了一些建筑质量问题，如室内漏水、墙体开裂、地基沉降等，使建筑物存在着各种安全隐患，提高建筑工程质量势不容缓[1?3]。在我国的工程建设中，有质量评价标准不统一、信息沟通不畅、质量监督不力等因素存在，在此背景下，构建高精度的建筑工程质量评价模型势在必行，已经成为当前一个重要的研究课题[4?6]。

20世纪90年代开始，国内的专家学者对建筑工程质量评价进行了研究[7]，如基于层次分析法的建筑工程质量评价模型，利用质量、经济、管理、使用效果作为评价指标，通过层次分析法得到建筑工程质量评价方案[8]。但是由于各种评价指标之间具有非线性联系，而层次分析法是一种线性评价方法，使得建筑工程质量评价误差比较大、评价结果可信度有限[9]。随后出现了基于模式识别技术的建筑工程质量评价模型[1?12]，最具代表性的为神经网络，神经网络可以对建筑工程质量等级和建筑工程质量评价指标之间的关系进行建模与分析，其建筑工程质量评价效果要优于层次分析方法，但是，传统神经网络的参数采用梯度下降算法进行优化，使得参数优化速度慢、神经网络收敛时间长，因此无法获得满意的建筑工程质量评价结果[13?15]。

针对当前建筑工程质量评价过程中存在的一些不足，本文提出基于遗传算法的建筑工程质量评价模型，并通过具体建筑工程质量评价应用实例验证了该模型的性能。

1  基于遗传算法的建筑工程质量评价模型

1.1  建筑工程质量评价指标体系

基于客观性、规范性、系统性等原则建立如图1所示的建筑工程质量评价指标体系。

1.2  投影寻踪算法

设第[i]个建筑工程质量评价样本的第[j]个指标集合为[xij]，[j=1，2，…，p]，[p]表示评价指标数量。基于投影寻踪算法的建筑工程质量评价选择步骤如下：

1） 对评价指标进行归一化处理，即：

[x′ij=xij-xmin（j）xmax（j）-xmin（j）] （1）

式中[xmin（j）]和[xmax（j）]分别为[j]个评价指标的最小和最小值。

2） 对包含有[p]个指标的建筑工程质量评价数据进行变换，得到[α={α（1），α（2），…，α（p）}]，计算投影方向的投影值[Z（i）]，具体为：

[Z（i）=j=1pα（j）xij，    i=1，2，…，n] （2）

式中[n]表示数据的数量。

3） 建立建筑工程质量评价指标投影函数，即：

[Q（α）=SzDz]   （3）

式中[Sz]和[Dz]分别表示标准差和局部密度，具体为：

[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）]为[Z（i）]的平均值;[R]为[Dz]的窗口半径;[r（i，j）]为第[i]个和第[j]个建筑工程质量评价样本间的距离，计算公式如下：

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

4） 根据投影函数最大原则得到最佳投影方向，具体如下：

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

5） 根据最优投影方向得到筛选后的建筑工程质量评价指标。

1.3  BP神经网络

建筑工程质量评价期望输出和BP神经网络的实际输出之间的误差平方和的计算公式为：

[Ep=12i=1Nl+1（dpi-ypi）2]  （8）

神经网络的训练就是要保证[Ep]尽可能最小，通常采用梯度下降算法对BP神经网络参数[Wij]进行调整和优化，但是梯度下降算法的调整和优化速度较慢，因此，本文引入遗传算法对BP神经网络参数[Wij]进行调整和优化。

1.4  遗传算法

遗传算法不需要知道待解决问题的具体领域信息，搜索空间范围大，通常将待解决问题看作为一个个体，通过个体的不断进化，找到待解决问题的最优解，主要包括：问题编码、建立适应函数、选择机制、交叉变异操作等。

1.5 基于遗传算法的建筑工程质量评价思路

基于遗传算法的建筑工程质量评价思路为：

1） 根据当前建筑工程质量评价研究结果建立建筑工程质量评价指标体系;

2） 采用投影寻踪算法对建筑工程质量评价指標体系进行处理，选择比较重要的评价指标;

3） 采用BP神经网络建立建筑工程质量评价模型。

采用遗传算法优化建筑工程质量评价模型的参数，具体如图2所示。

2  仿真实验

2.1  建筑工程质量评价数据及实验环境

为了分析基于遗传算法的建筑工程质量评价效果，采用多个建筑工程质量数据作为实验对象。建筑工程质量等级为5级，分别采用1～5进行描述，对建筑工程质量评价指标值进行缩放处理，使各指标值差别缩小，原始建筑工程质量评价数据如表1所示。选择没有优化参数的BP神经网络的建筑工程质量评价模型、层次分析法的建筑工程质量评价模型进行对比测试。

2.2  建筑工程质量评价精度对比

采用遗传算法的建筑工程质量评价模型与对比模型对表1中的数据进行仿真测试，统计它们的建筑工程质量评价精度，同时，采用不同比例的训练样本和测试样本，结果如图3所示。

从图3可以看出：随着训练样本比例的增加，所有模型的建筑工程质量评价精度不断增加，这是因为BP神经网络是一种基于大样本定理的机器学习算法，训练样本越多，建筑工程质量评价训练就越彻底。在相同比例的训练样本和测试样本条件下，遗传算法的建筑工程质量评价精度要高于BP神经网络，这主要是因为本文方法引入遗传算法对BP神经网络的参数进行优化，建立了更好的建筑工程质量评价模型;而层次分析法的建筑工程质量评价精度最低，主要是由于其是一种线性建模方法，无法描述建筑工程质量变化的非线性和不确定性，使得建筑工程质量评价错误大。

2.3  建筑工程质量评价的建模时间对比

统计不同模型的建筑工程质量评价建模时间，结果如表2所示。从表2可以看出：层次分析方法的建模时间最短，但是其建筑工程质量评价误差过大，没有太多的实际应用价值;本文方法的建筑工程质量评价建模时间要少于BP神经网络，因为BP神经网络采用梯度下降算法对参数进行调整，收敛速度慢。因此，本文方法改善了建筑工程质量评价建模效率，建筑工程质量评价整体性能更优。

3  结  语

结合建筑工程质量的变化具有非线性和不确性，针对BP神经网络在建筑工程质量评价应用中的参数优化问题，提出基于遗传算法的建筑工程质量评价模型。仿真实验结果表明，该模型的建筑工程质量评价精度高，建筑工程质量评价建模时间短，具有较强的实际应用价值。

参考文献

[1] 张攀，郭聖煜.基于进化博弈理论的建筑工程质量监管SD模型[J].土木工程与管理学报，2018，35（6）：178?185.

[2] 汪菁，苏炜.建筑工程质量的多目标量化评价方法[J].信阳师范学院学报（自然科学版），2005，12（3）：362?363.

[3] 毛义华.计算机辅助建筑工程质量的评估[J].数量经济技术经济研究，2000，22（10）：45?47.

[4] 郝进锋，姜月利，祝庭，等.基于激光扫描数据的建筑工程质量评估[J].激光杂志，2018，39（5）：53?56.

[5] 文利，杨君岐，艾晓宇.工程质量的模糊综合评价体系研究与应用[J].公路交通科技（应用技术版），2016，12（1）：288?291.

[6] 赵宏.基于模糊层次分析法的建筑工程施工质量评价研究[J].建材与装饰，2019，45（14）：56?58.

[7] 姜帆.灰色理论在建筑工程质量综合评价中的应用研究[J].安徽建筑，2015，22（1）：169?170.

[8] 王林，张维.基于解释结构模型的建筑工程质量因素分析[J].数学的实践与认识，2014，44（14）：223?230.

[9] 王建国，宋楠，王祥宇，等.基于三角模糊数的营房增层改造工程质量评价[J].四川兵工學报，2014，35（4）：57?61.

[10] 尹鹏，杨仁树，丁日佳，等.基于熵权法的房地产项目建筑质量评价[J].技术经济与管理研究，2013，12（3）：3?7.

[11] 余强.基于AHP层次分析法的建筑工程施工质量评价[J].科技信息，2012，33（9）：379?380.

[12] 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，2001，12（5）：664?669.

[13] 张敏.基于神经网络的建筑施工质量评价[J].现代电子技术，2018，41（17）：173?177.

[14] 刘艳，康海贵，孙敏.基于遗传算法的模糊优选神经网络路面性能评价模型[J].大连理工大学学报，2010，50（1）：117?122.

[15] 戴宏亮.基于智能遗传算法与复合最小二乘支持向量机的长江水质预测与评价[J].计算机应用研究，2009，26（1）：79?81.