王 勃，楊占秋，董麗欣

吉林建筑大學 土木工程學院,長春 130118

0 引言

隨著我國經(jīng)濟的快速發(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,造價是施工方案決策中的主要控制指標之一.造價的快速精準的估測對于拆除工程的招投標具有重要意義.近些年，有專家學者將一些智能算法應用至建筑工程領(lǐng)域進行數(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[1]，其具有良好的自學習、自適應、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.為解決這一問題，本文將遺傳算法與BP神經(jīng)網(wǎng)絡結(jié)合起來,優(yōu)化BP神經(jīng)網(wǎng)絡的權(quán)值和閾值,進而提高砌體結(jié)構(gòu)拆除階段造價的精度及穩(wěn)定性.

1 BP神經(jīng)網(wǎng)絡算法

BP(Back propagation,BP)[3]是人工神經(jīng)網(wǎng)絡研究最多、應用最廣泛的一種算法,具有至少三層的神經(jīng)網(wǎng)絡,包括導入數(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)點全連接,其結(jié)構(gòu)如圖1所示[4].

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

BP神經(jīng)網(wǎng)絡算法學習過程是一種信息正向傳播和誤差反向傳播的學習方式.前向傳播時,數(shù)據(jù)通過輸入數(shù)據(jù)層輸入進來再通過隱含層進行數(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)果對比,若不滿足要求則進行誤差的反向傳播,調(diào)節(jié)各連接層的權(quán)值閾值,使得誤差滿足期望.由于BP神經(jīng)網(wǎng)絡算法采用的是一種梯度下降法,所以存在一些缺陷,例如:學習速率過慢,容易陷入極值,網(wǎng)絡拓撲結(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70年代由美國John Holland提出.遺傳算法仿照生物進化論理論,具有在自然環(huán)境中適者生存,優(yōu)勝劣汰的生物特點,在遺傳和進化過程而形成的一種自適應全局優(yōu)化搜索算法.它模擬了生物的選擇、交配和變異現(xiàn)象,能夠自適應學習最優(yōu)解,具有良好的全局搜索能力和魯棒性,適合復雜的非線性求解問題.本文使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡,主要是對BP神經(jīng)網(wǎng)絡的權(quán)值閾值進行調(diào)節(jié),充分發(fā)揮遺傳算法和BP神經(jīng)網(wǎng)絡各自的優(yōu)點,彌補其缺點,使輸出結(jié)果更加穩(wěn)定,并符合研究問題的合理期望.

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:運用實數(shù)編碼,對BP神經(jīng)網(wǎng)絡的權(quán)值和閾值進行初始化,得到初始化數(shù)據(jù)種群.

第2步:將期望輸出值與真實輸出數(shù)據(jù)的誤差絕對值作為適應度函數(shù)變量值Z,適應度函數(shù)計算公式為:

(1)

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

3.2 BP神經(jīng)網(wǎng)絡部分

第1步:確定網(wǎng)絡拓撲結(jié)構(gòu)(BP神經(jīng)網(wǎng)絡的導入數(shù)據(jù)層、隱含層、輸出結(jié)果層的各個經(jīng)神元個數(shù)).

第2步:導入訓練數(shù)據(jù),劃分訓練集、測試集,由于各個輸入?yún)?shù)量不同所以需要將數(shù)據(jù)進行歸一化處理,映射到[-1,1]范圍之間.

第3步:運用經(jīng)過遺傳算法優(yōu)化過后的權(quán)值和閾值對BP神經(jīng)網(wǎng)絡進行向前傳播訓練.假設(shè)誤差用R代表期望輸出值M與預測輸出值N差的絕對值[8]，如式(2)：

Ri=|Mi-Ni|

(2)

假定許可最大誤差值為R0,當maxRi≥R0代表未達到精度期望,則反向傳播繼續(xù)訓練,直到滿足誤差標準或者達到訓練迭代次數(shù)才終止訓練.

第4步:輸出預測砌體結(jié)構(gòu)拆除造價結(jié)果[9-11].

4 GA-BP砌體結(jié)構(gòu)拆除造價模型建立

在進行砌體結(jié)構(gòu)拆除造價預測時,首先針對砌體待拆除建筑進行影響因素的選取,通過文獻閱讀，隨機抽取了拆除公司在長春市砌體拆除工程50組工程案例進行對比分析,此模型僅針對長春市砌體拆除工程進行了研究.選取了10種主要影響因素,分別為拆除方法、工程所在位置、房屋危險等級、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、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軟件進行運行.例如在砌體拆除方法中,采用人工拆除的取1,全機械取2,半人工半機械取3[13-14],其他工程影響因素量化指標通過查閱相關(guān)資料進行定性定量分析得到見表1.

表1 影響因素量化指標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)用于訓練網(wǎng)絡模型,另外10組數(shù)據(jù)用于檢測網(wǎng)絡模型,對其進行量化分析整理見表2，表3.表2為訓練樣本數(shù)據(jù),表3為檢測樣本數(shù)據(jù).

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

續(xù)表2

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

BP神經(jīng)網(wǎng)絡及GA-BP神經(jīng)網(wǎng)絡主要參數(shù)設(shè)置,見表4.

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

經(jīng)過訓練驗證,兩種算法輸出結(jié)果如圖2所示.

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

對兩種算法得出的預測值計算出的相對誤差值進行對比,BP神經(jīng)網(wǎng)絡的平均誤差值為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)絡相對于BP神經(jīng)網(wǎng)絡性能更優(yōu)越.

5 結(jié)論

本文運用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡針對砌體結(jié)構(gòu)拆除階段造價進行預測擬合,未經(jīng)過優(yōu)化的BP神經(jīng)網(wǎng)絡造價預測誤差為4.01 %,采用遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡預測造價誤差為2.15 %,準確度和穩(wěn)定性均有較大提高,在利用智能優(yōu)化算法對砌體拆除造價預測領(lǐng)域具有一定的參考價值.該模型經(jīng)過學習訓練后能在誤差允許的范圍內(nèi)對長春市砌體拆除工程的造價進行預測,達到快速估算要求,具有良好的可行性.