基于ANP与麻雀搜索算法优化BP神经网络的装配式建筑进度风险评价

黄友滔，黄喜兵

（西南交通大学 土木工程学院，四川 成都 610031，E-mail：1678474929@qq.com）

装配式建筑作为一种新型建筑体系，具有其他建筑体系无法比拟的优势。理论上，装配式建筑比现浇建筑成本更低，工期更短，经济效益和社会效益更加显著，因此愈发受到重视。一系列利好政策的发布加速了我国装配式建筑的发展，但相关的行业规范尚不健全，加之装配式建筑项目管理经验的缺失或不足，导致装配式建筑在实际建设过程中的效果不尽理想。装配式建筑的进度受到多种因素综合影响，导致在实际工程中达不到预期的工期效益。为提高装配式建筑进度管理水平、有效防范进度风险，对装配式建筑进度风险进行科学地评价分析是十分必要的。

目前，针对装配式建筑管理的研究主要集中在成本和质量方面，而对于装配式建筑进度的研究相对较少，且主要采用模糊理论、层次分析法、系统动力学、熵权法等方法。如江鹏等[1]将三角模糊与DEMATEL法相结合，对装配式建筑工期影响因素的相互关系及其相对重要程度进行了分析。李政道等[2]在层次分析法分析风险因素的基础上结合模糊理论中隶属度的概念建立起装配式建筑进度评价模型。李锦华等[3]运用AHP法建立了装配式建筑工期相对影响程度评价指标体系，分析出工期效益的主要影响因素。齐琳[4]通过DANP模型对装配式建筑项目进度影响因素进行了分析，确定出关键影响因素，并建立起装配式项目进度管理系统。Clyde zhengdao Li等[5]采用系统动力学方法，识别和分析了各种因素对装配式建筑项目进度的潜在风险。崔佳林[6]针对装配式建筑进度风险的复杂性和广泛性，采用熵权法结合系统动力学对进度风险进行了识别、量化分析及影响评价分析。

以往的进度风险研究许多都没有很好地兼顾风险因素间的相互依存关系以及主观因素的影响，在进行风险评价时存在一定的局限性，如何在考虑风险因素相互联系的同时主客观结合成为了新的突破点，因此采用ANP与BP神经网络同时兼顾二者。但传统BP神经网络有权值和阈值初值过于随机化、稳定性和准确性差等缺点，而麻雀搜索算法（SSA）的提出则为提高 BP神经网络的稳定性和准确性提供了解决方法也为改进风险评价方法提供了新的思路。因此本文在ANP法与BP神经网络相结合的基础上引入麻雀搜索算法，建立起基于 ANP与SSA-BP神经网络的装配式建筑进度风险评价模型，在考虑因素间相互作用和减少主观因素影响的同时提高了神经网络评价的准确性和稳定性。

1 基于ANP与SSA-BP神经网络的评价流程

装配式建筑进度影响因素指标间存在直接或间接的联系，指标相互影响形成了事实上的网状结构，指标相互独立背景下的分析方法不再适用，故采用ANP进行指标网络结构构建并进行权重计算。但采用 ANP进行评价时被调查个人一般很难精准地对风险发生概率以及后果严重性进行综合考量，且受个人经验影响大，主观性较强，容易影响到评价的准确性，因此结合BP神经网络进行进度风险评价。由于传统BP神经网络过于随机地确定权值与阈值的初值，所以普遍存在陷入局部最优解导致模型评价精度较低的情况[7]。

为避免权值和阈值随机初始化造成的不利影响，使用麻雀搜索算法[8]（SSA）对BP神经网络进行优化。将 ANP计算所得的权重结果与各进度影响指标风险评分值加权综合形成综合风险值（期望值），与进度风险指标评分值一同组成样本数据。利用 BP神经网络自适应和容错能力强的特点[9]，以各指标风险评分值作为输入数据，将综合风险值作为输出结果对优化后的SSA-BP神经网络进行训练，训练后的神经网络即可用于进度风险评价，评价流程如图1所示。

图1 基于ANP与SSA-BP神经网络的评价流程

为验证优化模型的评价效果，分别在ANP-BP模型和ANP与SSA-BP神经网络模型之间应用，对输出值值与期望值的误差及均方根误差进行对比，以验证基于ANP与SSA-BP神经网络的评价模型的准确性和稳定性。

2 装配式建筑进度风险指标分析

2.1 构建进度风险评价指标体系

装配式建筑进度影响因素涉及多个方面，在风险指标识别时需要满足全面性和针对性要求。首先通过分析相关文献研究成果[3~6，10~13]及访谈调查获得数量众多的装配式建筑进度风险评价指标，遵循科学性原则对指标进行筛选，经专家讨论分析，最终筛选出装配式建筑进度风险评价体系的两级指标。即设计生产M1、运输供应M2、施工管理M3、环境M44个一级指标，及相应14个内部存在相互依存关系的二级指标，形成装配式建筑进度风险评价指标体系，如表1所示。

表1 装配式建筑进度风险评价指标体系

2.2 网络层次分析法（ANP）

网络层次分析法（ANP）是对层次分析法（AHP）的一种改进，ANP考虑了实际决策时元素间的依存反馈关系，更适用于非独立的递阶层次结构的决策，在进行装配式建筑进度风险因素研究时比AHP更具优势。此外，决策软件Super Decisions软件（SD）的开发，也使得该方法的大规模应用成为现实。ANP网络结构由控制层和网络层构成，控制层不要求有准则但必须保证至少有一个目标，网络层则受控制层支配，网络层包含受控制层支配的元素组，组内元素相互影响与支配，形成网络结构[14]。网络分析法分析步骤如下：

（1）确定依存反馈关系。在装配式建筑进度风险评价指标体系基础上，进行一级指标及各二级指标的相互依存关系分析，结合分析调查结果给出指标间的相互联系，形成网络结构模型，如图2所示。

图2 ANP网络结构模型

（2）构造判断矩阵。分别以设计生产、运输供应、施工管理及环境为评价准则，应用1～9标度法对与之存在联系的一级指标进行两两比较，综合调查结果构造出一级指标下的判断矩阵。二级指标间（元素）判断矩阵的确定采用间接优势度方式进行，依据子元素如何影响父元素或父元素如何影响子元素来进行评估[15]。

（3）计算综合权重。对判断矩阵的调查数据进行整合，将整合数据以判断矩阵形式输入到SD软件所构建的ANP网络结构中，利用SD软件提供的一致性检验功能进行快速检验和修正，计算确定出各指标综合权重，如表2所示，确定出主要风险指标为施工质量缺陷、班组配置及调度和设计变更。

表2 评价指标权重

3 麻雀搜索算法优化BP神经网络

3.1 BP神经网络结构

BP神经网络结构由输入层、隐含层（中间层）和输出层构成，每层由若干个人工神经元组成。输入信号由输入层途经隐含层向输出层实现正向传递，所得的误差信息则逆向传播，从输出层向隐含层反向传递，再经由隐含层传到输入层[16]。根据预期误差调整网络权值和阈值，以此进行神经网络训练，达到对非线性函数关系的拟合。

非线性函数的映射依靠一个隐含层即能完成，因此装配式建筑进度风险的BP神经网络评价模型选用最经典的三层前馈结构，包括一个输入层、一个隐含层和一个输出层。输入层神经元个数与装配式建筑进度风险评价体系的 14个二级评价指标一一对应，隐含层神经元的数目目前没有统一标准进行准确计算，故依据经验公式确定隐含层神经元数目的大概范围，其中n、k、m分别为输入、隐含和输出神经元数目，a为范围在[1，10]的整数。将可能的k值代入BP神经网络测试，发现当k=5时模型拟合效果最好。BP神经网络的输出为期望值，因此输出层神经元数目为 1，最终形成14-5-1的BP神经网络结构，如图3所示。

图3 装配式建筑进度风险评价BP神经网络结构

BP神经网络具有非线性逼近和自适应能力强的优点，但传统BP神经网络在实际应用时也存在权值和阈值的初值太随机，容易陷入极小值，模型稳定性和准确性较差等缺点。因此，针对以上不足之处，采用麻雀搜索算法对权值和阈值进行寻优，以提高模型的精度。

3.2 麻雀搜索算法（SSA）

麻雀搜索算法（Sparrow Search Algorithm，SSA）是一种基于麻雀觅食与反捕食行为提出的群智能优化算法[17]。麻雀种群中主要的社会分工为发现者及加入者，其中，部分自身能量高的个体作为发现者进行食物搜寻，而剩余部分则作为加入者通过追随发现者来获取食物。而且，种群中有一定比例（10~20%）的麻雀作为警戒者在种群外围对可能出现的捕食者作出反应，麻雀种群根据警戒者提供的示警信号改变觅食区域以保证安全。发现者、加入者和警戒者的身份动态转换，分别对应着不同的更新表达式[18]。

发现者：

式中，Xi，j为种群中第i个个体的第j维位置；t为当前迭代数；α是范围为（0，1]的随机数，itermax为最大迭代次数；R2是取值为[0，1]的警戒值；ST为取值为[0.5，1]的安全值；Q为按正态分布的随机数；L为元素均为1的1×d的矩阵。

加入者：

式中，Xworst为当前全局最差位置；n为种群数量；XP为发现者的最优位置；A+为AT(AAT)-1，A为每个元素±1随机赋值的1×d的矩阵。

警戒者：

式中，Xbest为当前全局最佳位置；β为服从标准正态分布的随机数；fi为第i个麻雀的适应度值；fg为当前全局最佳适应度值；K为范围[-1，1]的随机数，控制步长和方向；fw为当前全局最差适应度值；ε避免分母为零的常数。

SSA算法流程如下：

（1）初始化种群。定义种群数量，确定发现者、加入者和警戒者比例，设置最大迭代次数和警戒值。

（2）初始排序。对种群按适应度值进行排序，确定当前全局最佳、最差个体位置及当前全局最优、最差适应度值。

（3）更新发现者位置。当R2

（4）更新加入者位置。当i>n/2时，种群中第i个个体能量较低，所获得的觅食位置较差，此时需要变更位置以获得更多的能量；i≤n/2时，此时的麻雀搜索到能提供更好食物的发现者并在其周围觅食。

（5）更新警戒者位置。当fi>fg时，处于种群的边缘个体受到捕食者攻击的风险更高；当fi=fg时，表示种群内部的个体感知到了危险，为避免遭受攻击，将会向其它个体移动。

（6）更新最优值。计算适应度值，更新麻雀位置，对比当前最优值进行最优值更新。

（7）若满足停止条件，则结束循环输出Xbest和fg，否则继续循环步骤（2）~步骤（6）。

3.3 SSA-BP神经网络评价模型的建立

针对实际应用过程中传统BP神经网络在稳定性、准确性上的缺陷，采用麻雀搜索算法对传统BP神经网络进行优化，并建立起SSA-BP神经网络评价模型，建立流程如图4所示。

图4 SSA-BP神经网络评价模型建立流程图

（1）将由ANP法所得的装配式建筑进度风险指标权重与按各二级评价指标给出的装配式建筑项目风险打分结果进行加权计算出期望值，由打分结果和期望值构成样本数据。

（2）划分训练集和测试集，进行数据归一化，避免因量纲不同影响模型收敛。

（3）建立BP神经网络及初始化麻雀种群。根据所确定的各层神经元数目构建出14-5-1的网络结构；确定麻雀种群规模、最大迭代次数、警戒值及各部分麻雀比例。

（4）对BP神经网络的权值和阈值进行随机初始化。

（5）对初始权值和阈值进行训练，计算种群适应度值，确定初始最优适应度值和初始最优位置。

（6）通过不断划分种群，按照式（1）~式（3）分别更新发现者、加入者及警戒者位置。

（7）将更新后的位置和适应度值与最优值进行比较，更新最优适应度值及最优位置。

（8）将满足输出条件的全局最优适应度值和全局最佳位置赋值给BP神经网络的权值和阈值。

（9）神经网络训练与验证。利用最优权值和阈值进行BP神经网络训练，训练完成的神经网络即可用于装配式建筑进度风险评价。

4 实验结果及分析

对5个装配式建筑项目依据已构建的装配式建筑进度风险评价指标体系按百分制参照表3邀请专家进行评分，共收集到 108组有效数据，对各指标评分值与指标综合权重对应相乘，求和得到期望值，取前100组数据形成样本数据表格，如表4所示。

表3 风险等级表

表4 样本数据

将100组样本分为两部分，前95组作为训练样本，后5组作为检验样本。为验证麻雀搜索算法优化的BP神经网络的准确性，应用Matlab软件对训练样本分别进行BP神经网络训练和SSA-BP神经网络训练，为保证实验的严谨性，除麻雀种群参数外其他参数的设置相同。神经网络训练完毕后将5组检验样本分别应用BP神经网络和SSA-BP神经网络中进行拟合评估，各进行 10次训练及评估，取其中最好的拟合结果如图5和图6所示。

图5 BP神经网络拟合结果图

图6 SSA-BP神经网络拟合结果图

由图5和图6可看出SSA-BP神经网络拟合结果几乎完全重合，而BP神经网络拟合结果多个位置出现了偏离，拟合结果表明在进行装配式建筑进度风险评价时，SSA-BP神经网络的拟合效果优于传统BP神经网络。同时对输出值和期望值的误差进行对比，形成检验结果误差分析表，如表5所示。

表5 检验结果误差分析

为对BP神经网络和SSA-BP神经网络的误差进行直观地比较，根据表5绘制出误差对比图，如图7所示。表5和图7也表明SSA-BP神经网络评估误差更小，由此可得出SSA-BP神经网络的准确性要明显优于传统BP神经网络。

图7 误差对比

此外，为验证SSA-BP神经网络的稳定性，分别记录BP神经网络和SSA-BP神经网络10次模型拟合评估的均方根误差（RMSE），绘制出二者的均方根误差曲线，如图8所示。

图8 均方根误差变化曲线

均方根误差（RMSE）可以衡量模型拟合效果，根据图8所示均方根误差曲线可以得出，在多次训练过程中，SSA-BP神经网络模型具有更好的稳定性。

综合以上分析，可以得出基于ANP与SSA-BP神经网络的风险评价模型明显优于 ANP-BP神经网络风险评价模型，具有更好的适用性，证明了该方法在装配式建筑进度风险评价上的准确性和稳定性。

5 结语

本文基于ANP与SSA-BP神经网络建立起装配式建筑进度风险评价模型，通过 ANP考虑指标间的相互联系，得出 14个进度风险指标的权重，并确定出主要风险指标为施工质量缺陷、班组配置及调度和设计变更，在为风险管理提供依据的同时为BP神经网络提供了训练数据。应用麻雀搜索算法优化BP神经网络减少了主观因素影响并提高了评价精度，通过对模型的训练和检验评估，与传统BP神经网络进行对比，验证了SSA-BP神经网络模型的准确性和稳定性，证明了基于 ANP与 SSA-BP神经网络的评价模型用于装配式建筑进度风险评价的优越性。