黃友滔，黃喜兵

（西南交通大學 土木工程學院，四川 成都 610031，E-mail：1678474929@qq.com）

裝配式建筑作為一種新型建筑體系，具有其他建筑體系無法比擬的優(yōu)勢。理論上，裝配式建筑比現(xiàn)澆建筑成本更低，工期更短，經(jīng)濟效益和社會效益更加顯著，因此愈發(fā)受到重視。一系列利好政策的發(fā)布加速了我國裝配式建筑的發(fā)展，但相關(guān)的行業(yè)規(guī)范尚不健全，加之裝配式建筑項目管理經(jīng)驗的缺失或不足，導致裝配式建筑在實際建設過程中的效果不盡理想。裝配式建筑的進度受到多種因素綜合影響，導致在實際工程中達不到預期的工期效益。為提高裝配式建筑進度管理水平、有效防范進度風險，對裝配式建筑進度風險進行科學地評價分析是十分必要的。

目前，針對裝配式建筑管理的研究主要集中在成本和質(zhì)量方面，而對于裝配式建筑進度的研究相對較少，且主要采用模糊理論、層次分析法、系統(tǒng)動力學、熵權(quán)法等方法。如江鵬等[1]將三角模糊與DEMATEL法相結(jié)合，對裝配式建筑工期影響因素的相互關(guān)系及其相對重要程度進行了分析。李政道等[2]在層次分析法分析風險因素的基礎上結(jié)合模糊理論中隸屬度的概念建立起裝配式建筑進度評價模型。李錦華等[3]運用AHP法建立了裝配式建筑工期相對影響程度評價指標體系，分析出工期效益的主要影響因素。齊琳[4]通過DANP模型對裝配式建筑項目進度影響因素進行了分析，確定出關(guān)鍵影響因素，并建立起裝配式項目進度管理系統(tǒng)。Clyde zhengdao Li等[5]采用系統(tǒng)動力學方法，識別和分析了各種因素對裝配式建筑項目進度的潛在風險。崔佳林[6]針對裝配式建筑進度風險的復雜性和廣泛性，采用熵權(quán)法結(jié)合系統(tǒng)動力學對進度風險進行了識別、量化分析及影響評價分析。

以往的進度風險研究許多都沒有很好地兼顧風險因素間的相互依存關(guān)系以及主觀因素的影響，在進行風險評價時存在一定的局限性，如何在考慮風險因素相互聯(lián)系的同時主客觀結(jié)合成為了新的突破點，因此采用ANP與BP神經(jīng)網(wǎng)絡同時兼顧二者。但傳統(tǒng)BP神經(jīng)網(wǎng)絡有權(quán)值和閾值初值過于隨機化、穩(wěn)定性和準確性差等缺點，而麻雀搜索算法（SSA）的提出則為提高 BP神經(jīng)網(wǎng)絡的穩(wěn)定性和準確性提供了解決方法也為改進風險評價方法提供了新的思路。因此本文在ANP法與BP神經(jīng)網(wǎng)絡相結(jié)合的基礎上引入麻雀搜索算法，建立起基于 ANP與SSA-BP神經(jīng)網(wǎng)絡的裝配式建筑進度風險評價模型，在考慮因素間相互作用和減少主觀因素影響的同時提高了神經(jīng)網(wǎng)絡評價的準確性和穩(wěn)定性。

1 基于ANP與SSA-BP神經(jīng)網(wǎng)絡的評價流程

裝配式建筑進度影響因素指標間存在直接或間接的聯(lián)系，指標相互影響形成了事實上的網(wǎng)狀結(jié)構(gòu)，指標相互獨立背景下的分析方法不再適用，故采用ANP進行指標網(wǎng)絡結(jié)構(gòu)構(gòu)建并進行權(quán)重計算。但采用 ANP進行評價時被調(diào)查個人一般很難精準地對風險發(fā)生概率以及后果嚴重性進行綜合考量，且受個人經(jīng)驗影響大，主觀性較強，容易影響到評價的準確性，因此結(jié)合BP神經(jīng)網(wǎng)絡進行進度風險評價。由于傳統(tǒng)BP神經(jīng)網(wǎng)絡過于隨機地確定權(quán)值與閾值的初值，所以普遍存在陷入局部最優(yōu)解導致模型評價精度較低的情況[7]。

為避免權(quán)值和閾值隨機初始化造成的不利影響，使用麻雀搜索算法[8]（SSA）對BP神經(jīng)網(wǎng)絡進行優(yōu)化。將 ANP計算所得的權(quán)重結(jié)果與各進度影響指標風險評分值加權(quán)綜合形成綜合風險值（期望值），與進度風險指標評分值一同組成樣本數(shù)據(jù)。利用 BP神經(jīng)網(wǎng)絡自適應和容錯能力強的特點[9]，以各指標風險評分值作為輸入數(shù)據(jù)，將綜合風險值作為輸出結(jié)果對優(yōu)化后的SSA-BP神經(jīng)網(wǎng)絡進行訓練，訓練后的神經(jīng)網(wǎng)絡即可用于進度風險評價，評價流程如圖1所示。

圖1 基于ANP與SSA-BP神經(jīng)網(wǎng)絡的評價流程

為驗證優(yōu)化模型的評價效果，分別在ANP-BP模型和ANP與SSA-BP神經(jīng)網(wǎng)絡模型之間應用，對輸出值值與期望值的誤差及均方根誤差進行對比，以驗證基于ANP與SSA-BP神經(jīng)網(wǎng)絡的評價模型的準確性和穩(wěn)定性。

2 裝配式建筑進度風險指標分析

2.1 構(gòu)建進度風險評價指標體系

裝配式建筑進度影響因素涉及多個方面，在風險指標識別時需要滿足全面性和針對性要求。首先通過分析相關(guān)文獻研究成果[3~6，10~13]及訪談調(diào)查獲得數(shù)量眾多的裝配式建筑進度風險評價指標，遵循科學性原則對指標進行篩選，經(jīng)專家討論分析，最終篩選出裝配式建筑進度風險評價體系的兩級指標。即設計生產(chǎn)M1、運輸供應M2、施工管理M3、環(huán)境M44個一級指標，及相應14個內(nèi)部存在相互依存關(guān)系的二級指標，形成裝配式建筑進度風險評價指標體系，如表1所示。

表1 裝配式建筑進度風險評價指標體系

2.2 網(wǎng)絡層次分析法（ANP）

網(wǎng)絡層次分析法（ANP）是對層次分析法（AHP）的一種改進，ANP考慮了實際決策時元素間的依存反饋關(guān)系，更適用于非獨立的遞階層次結(jié)構(gòu)的決策，在進行裝配式建筑進度風險因素研究時比AHP更具優(yōu)勢。此外，決策軟件Super Decisions軟件（SD）的開發(fā)，也使得該方法的大規(guī)模應用成為現(xiàn)實。ANP網(wǎng)絡結(jié)構(gòu)由控制層和網(wǎng)絡層構(gòu)成，控制層不要求有準則但必須保證至少有一個目標，網(wǎng)絡層則受控制層支配，網(wǎng)絡層包含受控制層支配的元素組，組內(nèi)元素相互影響與支配，形成網(wǎng)絡結(jié)構(gòu)[14]。網(wǎng)絡分析法分析步驟如下：

（1）確定依存反饋關(guān)系。在裝配式建筑進度風險評價指標體系基礎上，進行一級指標及各二級指標的相互依存關(guān)系分析，結(jié)合分析調(diào)查結(jié)果給出指標間的相互聯(lián)系，形成網(wǎng)絡結(jié)構(gòu)模型，如圖2所示。

圖2 ANP網(wǎng)絡結(jié)構(gòu)模型

（2）構(gòu)造判斷矩陣。分別以設計生產(chǎn)、運輸供應、施工管理及環(huán)境為評價準則，應用1～9標度法對與之存在聯(lián)系的一級指標進行兩兩比較，綜合調(diào)查結(jié)果構(gòu)造出一級指標下的判斷矩陣。二級指標間（元素）判斷矩陣的確定采用間接優(yōu)勢度方式進行，依據(jù)子元素如何影響父元素或父元素如何影響子元素來進行評估[15]。

（3）計算綜合權(quán)重。對判斷矩陣的調(diào)查數(shù)據(jù)進行整合，將整合數(shù)據(jù)以判斷矩陣形式輸入到SD軟件所構(gòu)建的ANP網(wǎng)絡結(jié)構(gòu)中，利用SD軟件提供的一致性檢驗功能進行快速檢驗和修正，計算確定出各指標綜合權(quán)重，如表2所示，確定出主要風險指標為施工質(zhì)量缺陷、班組配置及調(diào)度和設計變更。

表2 評價指標權(quán)重

3 麻雀搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡

3.1 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡結(jié)構(gòu)由輸入層、隱含層（中間層）和輸出層構(gòu)成，每層由若干個人工神經(jīng)元組成。輸入信號由輸入層途經(jīng)隱含層向輸出層實現(xiàn)正向傳遞，所得的誤差信息則逆向傳播，從輸出層向隱含層反向傳遞，再經(jīng)由隱含層傳到輸入層[16]。根據(jù)預期誤差調(diào)整網(wǎng)絡權(quán)值和閾值，以此進行神經(jīng)網(wǎng)絡訓練，達到對非線性函數(shù)關(guān)系的擬合。

非線性函數(shù)的映射依靠一個隱含層即能完成，因此裝配式建筑進度風險的BP神經(jīng)網(wǎng)絡評價模型選用最經(jīng)典的三層前饋結(jié)構(gòu)，包括一個輸入層、一個隱含層和一個輸出層。輸入層神經(jīng)元個數(shù)與裝配式建筑進度風險評價體系的 14個二級評價指標一一對應，隱含層神經(jīng)元的數(shù)目目前沒有統(tǒng)一標準進行準確計算，故依據(jù)經(jīng)驗公式確定隱含層神經(jīng)元數(shù)目的大概范圍，其中n、k、m分別為輸入、隱含和輸出神經(jīng)元數(shù)目，a為范圍在[1，10]的整數(shù)。將可能的k值代入BP神經(jīng)網(wǎng)絡測試，發(fā)現(xiàn)當k=5時模型擬合效果最好。BP神經(jīng)網(wǎng)絡的輸出為期望值，因此輸出層神經(jīng)元數(shù)目為 1，最終形成14-5-1的BP神經(jīng)網(wǎng)絡結(jié)構(gòu)，如圖3所示。

圖3 裝配式建筑進度風險評價BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡具有非線性逼近和自適應能力強的優(yōu)點，但傳統(tǒng)BP神經(jīng)網(wǎng)絡在實際應用時也存在權(quán)值和閾值的初值太隨機，容易陷入極小值，模型穩(wěn)定性和準確性較差等缺點。因此，針對以上不足之處，采用麻雀搜索算法對權(quán)值和閾值進行尋優(yōu)，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）是一種基于麻雀覓食與反捕食行為提出的群智能優(yōu)化算法[17]。麻雀種群中主要的社會分工為發(fā)現(xiàn)者及加入者，其中，部分自身能量高的個體作為發(fā)現(xiàn)者進行食物搜尋，而剩余部分則作為加入者通過追隨發(fā)現(xiàn)者來獲取食物。而且，種群中有一定比例（10~20%）的麻雀作為警戒者在種群外圍對可能出現(xiàn)的捕食者作出反應，麻雀種群根據(jù)警戒者提供的示警信號改變覓食區(qū)域以保證安全。發(fā)現(xiàn)者、加入者和警戒者的身份動態(tài)轉(zhuǎn)換，分別對應著不同的更新表達式[18]。

發(fā)現(xiàn)者：

式中，Xi，j為種群中第i個個體的第j維位置；t為當前迭代數(shù)；α是范圍為（0，1]的隨機數(shù)，itermax為最大迭代次數(shù)；R2是取值為[0，1]的警戒值；ST為取值為[0.5，1]的安全值；Q為按正態(tài)分布的隨機數(shù)；L為元素均為1的1×d的矩陣。

加入者：

式中，Xworst為當前全局最差位置；n為種群數(shù)量；XP為發(fā)現(xiàn)者的最優(yōu)位置；A+為AT(AAT)-1，A為每個元素±1隨機賦值的1×d的矩陣。

警戒者：

式中，Xbest為當前全局最佳位置；β為服從標準正態(tài)分布的隨機數(shù)；fi為第i個麻雀的適應度值；fg為當前全局最佳適應度值；K為范圍[-1，1]的隨機數(shù)，控制步長和方向；fw為當前全局最差適應度值；ε避免分母為零的常數(shù)。

SSA算法流程如下：

（1）初始化種群。定義種群數(shù)量，確定發(fā)現(xiàn)者、加入者和警戒者比例，設置最大迭代次數(shù)和警戒值。

（2）初始排序。對種群按適應度值進行排序，確定當前全局最佳、最差個體位置及當前全局最優(yōu)、最差適應度值。

（3）更新發(fā)現(xiàn)者位置。當R2

（4）更新加入者位置。當i>n/2時，種群中第i個個體能量較低，所獲得的覓食位置較差，此時需要變更位置以獲得更多的能量；i≤n/2時，此時的麻雀搜索到能提供更好食物的發(fā)現(xiàn)者并在其周圍覓食。

（5）更新警戒者位置。當fi>fg時，處于種群的邊緣個體受到捕食者攻擊的風險更高；當fi=fg時，表示種群內(nèi)部的個體感知到了危險，為避免遭受攻擊，將會向其它個體移動。

（6）更新最優(yōu)值。計算適應度值，更新麻雀位置，對比當前最優(yōu)值進行最優(yōu)值更新。

（7）若滿足停止條件，則結(jié)束循環(huán)輸出Xbest和fg，否則繼續(xù)循環(huán)步驟（2）~步驟（6）。

3.3 SSA-BP神經(jīng)網(wǎng)絡評價模型的建立

針對實際應用過程中傳統(tǒng)BP神經(jīng)網(wǎng)絡在穩(wěn)定性、準確性上的缺陷，采用麻雀搜索算法對傳統(tǒng)BP神經(jīng)網(wǎng)絡進行優(yōu)化，并建立起SSA-BP神經(jīng)網(wǎng)絡評價模型，建立流程如圖4所示。

圖4 SSA-BP神經(jīng)網(wǎng)絡評價模型建立流程圖

（1）將由ANP法所得的裝配式建筑進度風險指標權(quán)重與按各二級評價指標給出的裝配式建筑項目風險打分結(jié)果進行加權(quán)計算出期望值，由打分結(jié)果和期望值構(gòu)成樣本數(shù)據(jù)。

（2）劃分訓練集和測試集，進行數(shù)據(jù)歸一化，避免因量綱不同影響模型收斂。

（3）建立BP神經(jīng)網(wǎng)絡及初始化麻雀種群。根據(jù)所確定的各層神經(jīng)元數(shù)目構(gòu)建出14-5-1的網(wǎng)絡結(jié)構(gòu)；確定麻雀種群規(guī)模、最大迭代次數(shù)、警戒值及各部分麻雀比例。

（4）對BP神經(jīng)網(wǎng)絡的權(quán)值和閾值進行隨機初始化。

（5）對初始權(quán)值和閾值進行訓練，計算種群適應度值，確定初始最優(yōu)適應度值和初始最優(yōu)位置。

（6）通過不斷劃分種群，按照式（1）~式（3）分別更新發(fā)現(xiàn)者、加入者及警戒者位置。

（7）將更新后的位置和適應度值與最優(yōu)值進行比較，更新最優(yōu)適應度值及最優(yōu)位置。

（8）將滿足輸出條件的全局最優(yōu)適應度值和全局最佳位置賦值給BP神經(jīng)網(wǎng)絡的權(quán)值和閾值。

（9）神經(jīng)網(wǎng)絡訓練與驗證。利用最優(yōu)權(quán)值和閾值進行BP神經(jīng)網(wǎng)絡訓練，訓練完成的神經(jīng)網(wǎng)絡即可用于裝配式建筑進度風險評價。

4 實驗結(jié)果及分析

對5個裝配式建筑項目依據(jù)已構(gòu)建的裝配式建筑進度風險評價指標體系按百分制參照表3邀請專家進行評分，共收集到 108組有效數(shù)據(jù)，對各指標評分值與指標綜合權(quán)重對應相乘，求和得到期望值，取前100組數(shù)據(jù)形成樣本數(shù)據(jù)表格，如表4所示。

表3 風險等級表

表4 樣本數(shù)據(jù)

將100組樣本分為兩部分，前95組作為訓練樣本，后5組作為檢驗樣本。為驗證麻雀搜索算法優(yōu)化的BP神經(jīng)網(wǎng)絡的準確性，應用Matlab軟件對訓練樣本分別進行BP神經(jīng)網(wǎng)絡訓練和SSA-BP神經(jīng)網(wǎng)絡訓練，為保證實驗的嚴謹性，除麻雀種群參數(shù)外其他參數(shù)的設置相同。神經(jīng)網(wǎng)絡訓練完畢后將5組檢驗樣本分別應用BP神經(jīng)網(wǎng)絡和SSA-BP神經(jīng)網(wǎng)絡中進行擬合評估，各進行 10次訓練及評估，取其中最好的擬合結(jié)果如圖5和圖6所示。

圖5 BP神經(jīng)網(wǎng)絡擬合結(jié)果圖

圖6 SSA-BP神經(jīng)網(wǎng)絡擬合結(jié)果圖

由圖5和圖6可看出SSA-BP神經(jīng)網(wǎng)絡擬合結(jié)果幾乎完全重合，而BP神經(jīng)網(wǎng)絡擬合結(jié)果多個位置出現(xiàn)了偏離，擬合結(jié)果表明在進行裝配式建筑進度風險評價時，SSA-BP神經(jīng)網(wǎng)絡的擬合效果優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡。同時對輸出值和期望值的誤差進行對比，形成檢驗結(jié)果誤差分析表，如表5所示。

表5 檢驗結(jié)果誤差分析

為對BP神經(jīng)網(wǎng)絡和SSA-BP神經(jīng)網(wǎng)絡的誤差進行直觀地比較，根據(jù)表5繪制出誤差對比圖，如圖7所示。表5和圖7也表明SSA-BP神經(jīng)網(wǎng)絡評估誤差更小，由此可得出SSA-BP神經(jīng)網(wǎng)絡的準確性要明顯優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡。

圖7 誤差對比

此外，為驗證SSA-BP神經(jīng)網(wǎng)絡的穩(wěn)定性，分別記錄BP神經(jīng)網(wǎng)絡和SSA-BP神經(jīng)網(wǎng)絡10次模型擬合評估的均方根誤差（RMSE），繪制出二者的均方根誤差曲線，如圖8所示。

圖8 均方根誤差變化曲線

均方根誤差（RMSE）可以衡量模型擬合效果，根據(jù)圖8所示均方根誤差曲線可以得出，在多次訓練過程中，SSA-BP神經(jīng)網(wǎng)絡模型具有更好的穩(wěn)定性。

綜合以上分析，可以得出基于ANP與SSA-BP神經(jīng)網(wǎng)絡的風險評價模型明顯優(yōu)于 ANP-BP神經(jīng)網(wǎng)絡風險評價模型，具有更好的適用性，證明了該方法在裝配式建筑進度風險評價上的準確性和穩(wěn)定性。

5 結(jié)語

本文基于ANP與SSA-BP神經(jīng)網(wǎng)絡建立起裝配式建筑進度風險評價模型，通過 ANP考慮指標間的相互聯(lián)系，得出 14個進度風險指標的權(quán)重，并確定出主要風險指標為施工質(zhì)量缺陷、班組配置及調(diào)度和設計變更，在為風險管理提供依據(jù)的同時為BP神經(jīng)網(wǎng)絡提供了訓練數(shù)據(jù)。應用麻雀搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡減少了主觀因素影響并提高了評價精度，通過對模型的訓練和檢驗評估，與傳統(tǒng)BP神經(jīng)網(wǎng)絡進行對比，驗證了SSA-BP神經(jīng)網(wǎng)絡模型的準確性和穩(wěn)定性，證明了基于 ANP與 SSA-BP神經(jīng)網(wǎng)絡的評價模型用于裝配式建筑進度風險評價的優(yōu)越性。