黃友滔，黃喜兵

（西南交通大學(xué) 土木工程學(xué)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(jì)效益和社會(huì)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(xiàng)目管理經(jīng)驗(yàn)的缺失或不足，導(dǎo)致裝配式建筑在實(shí)際建設(shè)過程中的效果不盡理想。裝配式建筑的進(jìn)度受到多種因素綜合影響，導(dǎo)致在實(shí)際工程中達(dá)不到預(yù)期的工期效益。為提高裝配式建筑進(jìn)度管理水平、有效防范進(jìn)度風(fēng)險(xiǎn)，對裝配式建筑進(jìn)度風(fēng)險(xiǎn)進(jìn)行科學(xué)地評價(jià)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(jìn)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(dòng)力學(xué)、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(jìn)行了分析。李政道等[2]在層次分析法分析風(fēng)險(xiǎn)因素的基礎(chǔ)上結(jié)合模糊理論中隸屬度的概念建立起裝配式建筑進(jìn)度評價(jià)模型。李錦華等[3]運(yùn)用AHP法建立了裝配式建筑工期相對影響程度評價(jià)指標(biāo)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(xiàng)目進(jìn)度影響因素進(jìn)行了分析，確定出關(guān)鍵影響因素，并建立起裝配式項(xiàng)目進(jìn)度管理系統(tǒng)。Clyde zhengdao Li等[5]采用系統(tǒng)動(dòng)力學(xué)方法，識別和分析了各種因素對裝配式建筑項(xiàng)目進(jìn)度的潛在風(fēng)險(xiǎn)。崔佳林[6]針對裝配式建筑進(jìn)度風(fēng)險(xiǎn)的復(fù)雜性和廣泛性，采用熵權(quán)法結(jié)合系統(tǒng)動(dòng)力學(xué)對進(jìn)度風(fēng)險(xiǎn)進(jìn)行了識別、量化分析及影響評價(jià)分析。

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

1 基于ANP與SSA-BP神經(jīng)網(wǎng)絡(luò)的評價(jià)流程

裝配式建筑進(jìn)度影響因素指標(biāo)間存在直接或間接的聯(lián)系，指標(biāo)相互影響形成了事實(shí)上的網(wǎng)狀結(jié)構(gòu)，指標(biāo)相互獨(dú)立背景下的分析方法不再適用，故采用ANP進(jìn)行指標(biāo)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建并進(jìn)行權(quán)重計(jì)算。但采用 ANP進(jìn)行評價(jià)時(shí)被調(diào)查個(gè)人一般很難精準(zhǔn)地對風(fēng)險(xiǎn)發(fā)生概率以及后果嚴(yán)重性進(jìn)行綜合考量，且受個(gè)人經(jīng)驗(yàn)影響大，主觀性較強(qiáng)，容易影響到評價(jià)的準(zhǔn)確性，因此結(jié)合BP神經(jīng)網(wǎng)絡(luò)進(jìn)行進(jìn)度風(fēng)險(xiǎn)評價(jià)。由于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)過于隨機(jī)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(dǎo)致模型評價(jià)精度較低的情況[7]。

為避免權(quán)值和閾值隨機(jī)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(luò)進(jìn)行優(yōu)化。將 ANP計(jì)算所得的權(quán)重結(jié)果與各進(jìn)度影響指標(biāo)風(fēng)險(xiǎn)評分值加權(quán)綜合形成綜合風(fēng)險(xiǎn)值（期望值），與進(jìn)度風(fēng)險(xiǎn)指標(biāo)評分值一同組成樣本數(shù)據(jù)。利用 BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)和容錯(cuò)能力強(qiáng)的特點(diǎn)[9]，以各指標(biāo)風(fēng)險(xiǎn)評分值作為輸入數(shù)據(jù)，將綜合風(fēng)險(xiǎn)值作為輸出結(jié)果對優(yōu)化后的SSA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)即可用于進(jìn)度風(fēng)險(xiǎn)評價(jià)，評價(jià)流程如圖1所示。

圖1 基于ANP與SSA-BP神經(jīng)網(wǎng)絡(luò)的評價(jià)流程

為驗(yàn)證優(yōu)化模型的評價(jià)效果，分別在ANP-BP模型和ANP與SSA-BP神經(jīng)網(wǎng)絡(luò)模型之間應(yīng)用，對輸出值值與期望值的誤差及均方根誤差進(jìn)行對比，以驗(yàn)證基于ANP與SSA-BP神經(jīng)網(wǎng)絡(luò)的評價(jià)模型的準(zhǔn)確性和穩(wěn)定性。

2 裝配式建筑進(jìn)度風(fēng)險(xiǎn)指標(biāo)分析

2.1 構(gòu)建進(jìn)度風(fēng)險(xiǎn)評價(jià)指標(biāo)體系

裝配式建筑進(jìn)度影響因素涉及多個(gè)方面，在風(fēng)險(xiǎn)指標(biāo)識別時(shí)需要滿足全面性和針對性要求。首先通過分析相關(guān)文獻(xiàn)研究成果[3~6，10~13]及訪談?wù){(diào)查獲得數(shù)量眾多的裝配式建筑進(jìn)度風(fēng)險(xiǎn)評價(jià)指標(biāo)，遵循科學(xué)性原則對指標(biāo)進(jìn)行篩選，經(jīng)專家討論分析，最終篩選出裝配式建筑進(jìn)度風(fēng)險(xiǎn)評價(jià)體系的兩級指標(biāo)。即設(shè)計(jì)生產(chǎn)M1、運(yùn)輸供應(yīng)M2、施工管理M3、環(huán)境M44個(gè)一級指標(biāo)，及相應(yīng)14個(gè)內(nèi)部存在相互依存關(guān)系的二級指標(biāo)，形成裝配式建筑進(jìn)度風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，如表1所示。

表1 裝配式建筑進(jìn)度風(fēng)險(xiǎn)評價(jià)指標(biāo)體系

2.2 網(wǎng)絡(luò)層次分析法（ANP）

網(wǎng)絡(luò)層次分析法（ANP）是對層次分析法（AHP）的一種改進(jìn)，ANP考慮了實(shí)際決策時(shí)元素間的依存反饋關(guān)系，更適用于非獨(dú)立的遞階層次結(jié)構(gòu)的決策，在進(jìn)行裝配式建筑進(jìn)度風(fēng)險(xiǎn)因素研究時(shí)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(yīng)用成為現(xiàn)實(shí)。ANP網(wǎng)絡(luò)結(jié)構(gòu)由控制層和網(wǎng)絡(luò)層構(gòu)成，控制層不要求有準(zhǔn)則但必須保證至少有一個(gè)目標(biāo)，網(wǎng)絡(luò)層則受控制層支配，網(wǎng)絡(luò)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(luò)結(jié)構(gòu)[14]。網(wǎng)絡(luò)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(jìn)度風(fēng)險(xiǎn)評價(jià)指標(biāo)體系基礎(chǔ)上，進(jìn)行一級指標(biāo)及各二級指標(biāo)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(biāo)間的相互聯(lián)系，形成網(wǎng)絡(luò)結(jié)構(gòu)模型，如圖2所示。

圖2 ANP網(wǎng)絡(luò)結(jié)構(gòu)模型

（2）構(gòu)造判斷矩陣。分別以設(shè)計(jì)生產(chǎn)、運(yùn)輸供應(yīng)、施工管理及環(huán)境為評價(jià)準(zhǔn)則，應(yīng)用1～9標(biāo)度法對與之存在聯(lián)系的一級指標(biāo)進(jìn)行兩兩比較，綜合調(diào)查結(jié)果構(gòu)造出一級指標(biāo)下的判斷矩陣。二級指標(biāo)間（元素）判斷矩陣的確定采用間接優(yōu)勢度方式進(jìn)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(jìn)行評估[15]。

（3）計(jì)算綜合權(quán)重。對判斷矩陣的調(diào)查數(shù)據(jù)進(jìn)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(luò)結(jié)構(gòu)中，利用SD軟件提供的一致性檢驗(yàn)功能進(jìn)行快速檢驗(yàn)和修正，計(jì)算確定出各指標(biāo)綜合權(quán)重，如表2所示，確定出主要風(fēng)險(xiǎn)指標(biāo)為施工質(zhì)量缺陷、班組配置及調(diào)度和設(shè)計(jì)變更。

表2 評價(jià)指標(biāo)權(quán)重

3 麻雀搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)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(gè)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(shí)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(yù)期誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，以此進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，達(dá)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(gè)隱含層即能完成，因此裝配式建筑進(jìn)度風(fēng)險(xiǎn)的BP神經(jīng)網(wǎng)絡(luò)評價(jià)模型選用最經(jīng)典的三層前饋結(jié)構(gòu)，包括一個(gè)輸入層、一個(gè)隱含層和一個(gè)輸出層。輸入層神經(jīng)元個(gè)數(shù)與裝配式建筑進(jìn)度風(fēng)險(xiǎn)評價(jià)體系的 14個(gè)二級評價(jià)指標(biāo)一一對應(yīng)，隱含層神經(jīng)元的數(shù)目目前沒有統(tǒng)一標(biāo)準(zhǔn)進(jìn)行準(zhǔn)確計(jì)算，故依據(jù)經(jīng)驗(yàn)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(luò)測試，發(fā)現(xiàn)當(dāng)k=5時(shí)模型擬合效果最好。BP神經(jīng)網(wǎng)絡(luò)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(luò)結(jié)構(gòu)，如圖3所示。

圖3 裝配式建筑進(jìn)度風(fēng)險(xiǎn)評價(jià)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)具有非線性逼近和自適應(yīng)能力強(qiáng)的優(yōu)點(diǎn)，但傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用時(shí)也存在權(quán)值和閾值的初值太隨機(jī)，容易陷入極小值，模型穩(wěn)定性和準(zhǔn)確性較差等缺點(diǎn)。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(jìn)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(huì)分工為發(fā)現(xiàn)者及加入者，其中，部分自身能量高的個(gè)體作為發(fā)現(xiàn)者進(jìn)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(yīng)，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(dòng)態(tài)轉(zhuǎn)換，分別對應(yīng)著不同的更新表達(dá)式[18]。

發(fā)現(xiàn)者：

式中，Xi，j為種群中第i個(gè)個(gè)體的第j維位置；t為當(dāng)前迭代數(shù)；α是范圍為（0，1]的隨機(jī)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(jī)數(shù)；L為元素均為1的1×d的矩陣。

加入者：

式中，Xworst為當(dāng)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(gè)元素±1隨機(jī)賦值的1×d的矩陣。

警戒者：

式中，Xbest為當(dāng)前全局最佳位置；β為服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)；fi為第i個(gè)麻雀的適應(yīng)度值；fg為當(dāng)前全局最佳適應(yīng)度值；K為范圍[-1，1]的隨機(jī)數(shù)，控制步長和方向；fw為當(dāng)前全局最差適應(yīng)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(shè)置最大迭代次數(shù)和警戒值。

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

（3）更新發(fā)現(xiàn)者位置。當(dāng)R2

（4）更新加入者位置。當(dāng)i>n/2時(shí)，種群中第i個(gè)個(gè)體能量較低，所獲得的覓食位置較差，此時(shí)需要變更位置以獲得更多的能量；i≤n/2時(shí)，此時(shí)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(dāng)fi>fg時(shí)，處于種群的邊緣個(gè)體受到捕食者攻擊的風(fēng)險(xiǎn)更高；當(dāng)fi=fg時(shí)，表示種群內(nèi)部的個(gè)體感知到了危險(xiǎn)，為避免遭受攻擊，將會(huì)向其它個(gè)體移動(dòng)。

（6）更新最優(yōu)值。計(jì)算適應(yīng)度值，更新麻雀位置，對比當(dāng)前最優(yōu)值進(jìn)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(luò)評價(jià)模型的建立

針對實(shí)際應(yīng)用過程中傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在穩(wěn)定性、準(zhǔn)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(luò)進(jìn)行優(yōu)化，并建立起SSA-BP神經(jīng)網(wǎng)絡(luò)評價(jià)模型，建立流程如圖4所示。

圖4 SSA-BP神經(jīng)網(wǎng)絡(luò)評價(jià)模型建立流程圖

（1）將由ANP法所得的裝配式建筑進(jìn)度風(fēng)險(xiǎn)指標(biāo)權(quán)重與按各二級評價(jià)指標(biāo)給出的裝配式建筑項(xiàng)目風(fēng)險(xiǎn)打分結(jié)果進(jìn)行加權(quán)計(jì)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(xùn)練集和測試集，進(jìn)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(luò)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(luò)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(luò)的權(quán)值和閾值進(jìn)行隨機(jī)初始化。

（5）對初始權(quán)值和閾值進(jìn)行訓(xùn)練，計(jì)算種群適應(yīng)度值，確定初始最優(yōu)適應(yīng)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(yīng)度值與最優(yōu)值進(jìn)行比較，更新最優(yōu)適應(yīng)度值及最優(yōu)位置。

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

（9）神經(jīng)網(wǎng)絡(luò)訓(xùn)練與驗(yàn)證。利用最優(yōu)權(quán)值和閾值進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)即可用于裝配式建筑進(jìn)度風(fēng)險(xiǎn)評價(jià)。

4 實(shí)驗(yàn)結(jié)果及分析

對5個(gè)裝配式建筑項(xiàng)目依據(jù)已構(gòu)建的裝配式建筑進(jìn)度風(fēng)險(xiǎn)評價(jià)指標(biāo)體系按百分制參照表3邀請專家進(jìn)行評分，共收集到 108組有效數(shù)據(jù)，對各指標(biāo)評分值與指標(biāo)綜合權(quán)重對應(yīng)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(fēng)險(xiǎn)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(xùn)練樣本，后5組作為檢驗(yàn)樣本。為驗(yàn)證麻雀搜索算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，應(yīng)用Matlab軟件對訓(xùn)練樣本分別進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和SSA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，為保證實(shí)驗(yàn)的嚴(yán)謹(jǐn)性，除麻雀種群參數(shù)外其他參數(shù)的設(shè)置相同。神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢后將5組檢驗(yàn)樣本分別應(yīng)用BP神經(jīng)網(wǎng)絡(luò)和SSA-BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行擬合評估，各進(jìn)行 10次訓(xùn)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(luò)擬合結(jié)果圖

圖6 SSA-BP神經(jīng)網(wǎng)絡(luò)擬合結(jié)果圖

由圖5和圖6可看出SSA-BP神經(jīng)網(wǎng)絡(luò)擬合結(jié)果幾乎完全重合，而BP神經(jīng)網(wǎng)絡(luò)擬合結(jié)果多個(gè)位置出現(xiàn)了偏離，擬合結(jié)果表明在進(jìn)行裝配式建筑進(jìn)度風(fēng)險(xiǎn)評價(jià)時(shí)，SSA-BP神經(jīng)網(wǎng)絡(luò)的擬合效果優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)。同時(shí)對輸出值和期望值的誤差進(jìn)行對比，形成檢驗(yàn)結(jié)果誤差分析表，如表5所示。

表5 檢驗(yàn)結(jié)果誤差分析

為對BP神經(jīng)網(wǎng)絡(luò)和SSA-BP神經(jīng)網(wǎng)絡(luò)的誤差進(jìn)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(luò)評估誤差更小，由此可得出SSA-BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性要明顯優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)。

圖7 誤差對比

此外，為驗(yàn)證SSA-BP神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性，分別記錄BP神經(jīng)網(wǎng)絡(luò)和SSA-BP神經(jīng)網(wǎng)絡(luò)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(xùn)練過程中，SSA-BP神經(jīng)網(wǎng)絡(luò)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(luò)的風(fēng)險(xiǎn)評價(jià)模型明顯優(yōu)于 ANP-BP神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評價(jià)模型，具有更好的適用性，證明了該方法在裝配式建筑進(jìn)度風(fēng)險(xiǎn)評價(jià)上的準(zhǔn)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(luò)建立起裝配式建筑進(jìn)度風(fēng)險(xiǎn)評價(jià)模型，通過 ANP考慮指標(biāo)間的相互聯(lián)系，得出 14個(gè)進(jìn)度風(fēng)險(xiǎn)指標(biāo)的權(quán)重，并確定出主要風(fēng)險(xiǎn)指標(biāo)為施工質(zhì)量缺陷、班組配置及調(diào)度和設(shè)計(jì)變更，在為風(fēng)險(xiǎn)管理提供依據(jù)的同時(shí)為BP神經(jīng)網(wǎng)絡(luò)提供了訓(xùn)練數(shù)據(jù)。應(yīng)用麻雀搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)減少了主觀因素影響并提高了評價(jià)精度，通過對模型的訓(xùn)練和檢驗(yàn)評估，與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對比，驗(yàn)證了SSA-BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性和穩(wěn)定性，證明了基于 ANP與 SSA-BP神經(jīng)網(wǎng)絡(luò)的評價(jià)模型用于裝配式建筑進(jìn)度風(fēng)險(xiǎn)評價(jià)的優(yōu)越性。