BP神经网络在水利工程投标决策中的应用研究

丛双芝

(辽宁水利土木工程咨询有限公司，辽宁 沈阳 110000)

BP神经网络在水利工程投标决策中的应用研究

丛双芝

(辽宁水利土木工程咨询有限公司，辽宁 沈阳 110000)

随着技术的不断发展，水利水电工程也不断增多，但是在投标决策期受多种因素影响。由于原有的投标决策方法无法成功处理影响因素、影响因素与决策结构之间的复杂线性关系，针对我国目前水利水电工程的竞争现状，以《水利水电工程标准施工招标文件》规定为基础，建立了基于BP神经网络的水利工程投标决策模型，并在具体的工程实例中进行了验证，结果显示所建立的模型能够很好的反应真实的结果，对水利工程的投资具有参考意义。

BP神经网络；水利水电工程；投标决策；评价指标

0 引 言

投资方利用实地调研、网上调查等方式搜集相关信息，通过相关渠道分析评估，确定投资项目，这一过程称为投标决策[1]。合理的投标决策是投资方选择投资目标的重要依据，如果投资方在多个目标之间胡乱选择将会导致投资的混乱，造成资源的浪费，对投资方自身的建设也是非常有害的。投标决策受多种因素的影响，在进行分析的过程中，需要对大量因素进行评估，决策结果具有描述难、提取难的特点。合理的投资决策会给整个工程带来良好的经济效益和社会效益[2]。这就要求对水利工程的建设期间进行投资水准的估算。原有的投标决策方法无法成功解决投标决策问题。BP神经网络能够快速、合理的解决此类问题，并在许多领域得以应用[3]。但是却很少有人将神经网络模型利用在水利工程投标决策中。因此，文章从水电工程项目投资决策阶段出发，建立基于BP神经网络的水利工程投标决策模型，进行投资前段的预测工作，并且应用在实际的工程中，对今后相关工程有一定的参考。

1 BP神经网络的水利工程投标决策模型

1.1 确定投标决策评价指标体系

投资方在进行投资的过程中，通常会考虑很多因素，主要包括：业主条件、工程概况、竞争对手能力以及公司实力等因素[4]。依照目前我国在水利工程在建筑市场方面的能力，并根据《水利水电工程标准施工招标文件》中对风险分析的规定，选取Delphi专家法评估选取投资方最适合投资的影响因素。经过分析，总结了水利工程投标的评价体如图1所示。

图1 水利工程投标指标评价体系

1.2 输入数据的标准化处理

假设i为检测样本数据中的一个值，并且j个数的代表值为Zi,j，假设这一数对应的关系是通模糊函数，对于其中的各个代表值，具有不同的量纲，在运用的过程中，需要对其进行统一量纲处理。选择第j个基本指标的最优值和最劣值，进行标准化处理[5]：

1)当Zi,B>Zj,W时：

(1)

2)当Zi,B

(2)

1.3BP神经网络模型的设计

1)输入端和输出端元素个数的选择

在一般情况下，依据问题的重要性及特征，确定输入和输出的单元维数，然后通过图1列出的数据，将各个因素的代表值作为数据嵌入到神经网络系统中。在处理过程中，特别是连接节点的处理，需要统一量纲进行标准处理，所以，输入的元素个数为10个。输出端要与评价结果相对应。在此次分析中，我们选择的评价对象只有一项，所以表示只有一个输出结果[6]。

2)隐藏函数关系的单元数和层数的确定

在进行处理的过程中，如果隐藏函数关系越多，则在进行后边处理的过程中，将会出现复杂的分析过程，并且将会产生更大的误差，同样，模型处理时间也会相应的延长。文章在进行分析的过程中，建立了三级神经网络模型。在进行分析过程中，通过公式(3)确定了隐藏层元素的多少。通过计算，确定隐藏层的个数为8个。

s1=(R+S2)0.5+a

(3)

式中：R为分析的输入元素个数；S2为输出的元素个数。

孝与廉相辅相成，我们要大力挖掘宣传如岳飞母子的故事等这类彰显官员“修身、齐家、治国、平天下”的“人格理想”和“孝廉文化”传统的孝廉故事；毛主席不仅身体力行对父母尽孝，还教育子女要孝敬老人的事迹；邓小平、卓琳夫妇赡养继母夏伯根，待她如亲母的故事；许世友将军“活着为国尽忠，死后守着父母”的故事等。利用榜样的影响力，让干部带头传播正能量，筑牢官员廉洁从政的文化意识，有利于树立“不想腐”思想意识。

3)连接函数的建立

在原有的神经网络模型中，主要有三种函数是使用频率最高的，包括：对数S形函数，正切S形函数和线性函数。第一个函数的分析结果包括0和1两个值，第二个函数的分析结果是-1和1两个值。在神经网络处理中，不同的连接函数将会得到不同的结果，如果采用简单的线性函数，将会得到任意的数量值。所以，对于神经网络分析，连接函数可不可以微分化处理是特别关键的。文章在分析过程中，选择了连接函数为Sigmoid函数，f1(ni)=1/(1+e-ni)，所以，在输入端和隐藏层及输出端与隐藏层采用如下函数：f1(ni)=1/(1+e-ni),i=1，2。

当i=1时，表示输入端和隐藏层之间的连接函数；

当i=2时，表示输出端和隐藏层之间的连接函数。

BP神经网络的结构如图2所示。

图2 BP神经网络结构图

1.4BP神经网络计算过程

BP神经网络的分析过程中，包括两个过程：正向分析和反向分析。在正向分析时，通过输入端输入分析，然后经过隐藏层分析，再传向输出层，层层处理，并且上一层的分析结果仅仅会影响下一层的结果。假如在输出端没有得到预想的结果，则需要反向旋转，按照原来的连接线路返回，根据出现的误差，调整偏差值。

具体的步骤如下所示：

1)初始化。初始化连接的权值和偏置值，随机设置各层神经元的权值W1i、W2i、Ti，其中i为样本数。

2)利用传输路径向前传输处理。

隐藏区域的输出结果为：

(4)

输出端的结果为：

(5)

3)利用传输路径进行反向传输。方向传输的条件是：传输函数求导：

第一层求导结果为：

(6)

第二层求导结果：

(7)

进行反向旋转，起点在第二层，即：

(8)

(9)

(10)

式中：ti为网络期望输出；m=1,2。

4)采用反向传播的动量改进算法(MOBP)更新权值和偏置值。即：

Wmi(k+1)=Wmi(k)+γ△Wmi(k-1)
-(1-γ)αsmi(a(m-1)i)T

(11)

bmi(k+1)=bmi(k)+γ△bmi(k-1)-(1-γ)αsmi

(12)

式中：γ为动量系数，令γ=0.8；α为分析速度，令α=0.2。

(5)多次以上四步，直到输出结果可以满足需求，也就是说，输出值和目标值之差达到一个范围水平。神经网络的目标函数为：

(13)

式中；N为元素数量；E0=10-4是E逼近值，主要受分析精度的影响。

1.5BP神经网络模型的检验

根据图1给定的评估因素，我们对10个水利项目进行评估，编号为1-7，前7个作为学习项目，后三个进行检验。按照前文中的步骤，检验结果如表1所示。运用MATLAB软件对前文中建立的模型进行检验，结果见表2。通过分析可知，经过网络模型分析的结果和专家评议的结果相一致[8]，误差值仅仅只有10-6数量级，具体E=0.00000881，误差大小满足要求，因此，我们建立的模型符合项目进展，可以用于其他的项目。

表1 投标项目评价值

表2 神经网络模型输出

2 工程验证

某甲方计划对RST三个水利项目的其中一个投资，利用前文中建立的模型进行了投标决策[9]。第一步，在相关部门的专家库中，选取至少9位具有丰富决策经验的专家组成评估小组。利用表1中给予的投标因素，经过专家们分析评估，结果如表3所示。第二步，把RST三个项目的指标代入到上文中建立的BP神经网络评比模型中，通过计算，获取了最终评价指标值：IR=0.329、IS=0.5149、IT=0.6484。所以，项目T的投资风险小于R和S，可进行投资。

表3 拟投标项目评价值

3 结 论

文章构建了基于BP神经网络的水利工程投标决策模型，很容易对投标项目进行综合评价，解决了工程投资风险分析的问题，为投资方进行投资提供理论基础及判据。在BP神经网络训练的过程中，积累大量的工程实际资料是非常重要的，并且对于注册样本的选择、网络模型的参数及误差的计算对决策结果产生极大的影响，在接下来的工作中需进行更深入的研究。

[1]黄永恒,曹平,汪亦显.基于BP神经网络的岩土工程预测模型研究[J].科技导报,2009(06):61-64.

[2]蒋天颖,丰景春.基于BP神经网络的工程项目知识管理风险预警研究[J].情报杂志,2009(12):48-51.

[3]欧建锋,程吉林.基于AHP与BP神经网络的农村水利现代化评价[J].中国农村水利水电,2010(11):94-97+100.

[4]王振兴.基于神经网络的水利工程建设项目风险评价[J].长江大学学报(自然科学版),2013(01):57-59+1.

[5]蒋晓红,程吉林,张跃飞.中小型水利工程的工程量估算BP神经网络模型[J].扬州大学学报：自然科学版,2008(03):72-74.

[6]黄伟杰,刘晓平,李军,等.基于BP网络的水利工程投资风险评价[J].长沙理工大学学报：自然科学版,2004(02):34-38.

[7]冯伟良,罗素莉.BP神经网络在水利施工项目经理遴选中的应用[J].水利科技与经济,2007(10):720-721.

[8]宋岩.水利工程施工进度计划的风险研究[J].水利规划与设计,2016(04):62-63.

[9]张朝辉.水利工程施工质量与安全管理措施研究[J].水利技术监督,2016(01):18-19.

1007-7596(2016)12-0136-04

2016-12-08

丛双芝(1981-)，男，辽宁凤城人，工程师，研究方向为水利水电工程。

F284，TP183

B