前言：本站為你精心整理了水利工程BP神經(jīng)網(wǎng)絡(luò)投標(biāo)評估探析范文，希望能為你的創(chuàng)作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

［摘要］文章針對投標(biāo)決策與影響因素、各影響因素之間的非線性復(fù)雜關(guān)系無法利用常用投標(biāo)決策方法有效解決的問題，結(jié)合水電工程招標(biāo)文件的合同通用條款和現(xiàn)階段工程建筑市場的競爭情況，構(gòu)建水利工程投標(biāo)決策bp神經(jīng)網(wǎng)絡(luò)模型，并以實例工程驗證了該模型的有效性。

［關(guān)鍵詞］BP模型;評估體系;投標(biāo)決策;訓(xùn)練檢驗

1投標(biāo)決策模型

1.1投標(biāo)決策評估體系。一般地，企業(yè)競爭能力、業(yè)主條件、競爭對手和工程條件等因素，均可在不同程度上對承包商投標(biāo)水利工程項目產(chǎn)生影響。根據(jù)水電工程招標(biāo)文件的合同通用條款和現(xiàn)階段的工程建筑市場競爭環(huán)境，通過詳細分析承包人投標(biāo)決策影響因素，運用Delphi專家法全面識別評估指標(biāo)，在遵循可行性、系統(tǒng)層、科學(xué)性和代表性等原則的基礎(chǔ)上構(gòu)建投標(biāo)評估體系，見圖1。

1.2數(shù)據(jù)預(yù)處理。設(shè)Zi，j為訓(xùn)練樣本i的第j個指標(biāo)的模糊數(shù)，則服從均勻模糊分布的各指標(biāo)初始值具有不同的量綱，此時無法直接輸入網(wǎng)絡(luò)模型，必須利用標(biāo)準(zhǔn)化公式對初始數(shù)據(jù)作預(yù)處理。若Zj，B、Zj，w為所有訓(xùn)練樣本中第j個指標(biāo)的最優(yōu)值及最劣值，對于Zj，b＞Zj，w條件下，其標(biāo)準(zhǔn)化公式為:Si，j1;Zi，j≥Zj，BZi，j－Zi，wZj，B－Zi，w;Zi，w＜Zi，j＜Zj，B0;Zi，j≤Zi，w(1)對于Zj，b＜Zj，w條件下，初始數(shù)據(jù)標(biāo)準(zhǔn)化公式為:Si，j1;Zi，j≤Zj，BZi，j－Zi，wZj，B－Zi，w;Zi，B＜Zi，j＜Zj，w0;Zi，j≥Zi，w(2)

1.3網(wǎng)絡(luò)模型設(shè)計。步驟1:確定神經(jīng)元個數(shù)。結(jié)合實際要求確定輸入層單元維數(shù)，按照圖1可以明確網(wǎng)絡(luò)輸入風(fēng)險因素，即BP網(wǎng)絡(luò)有17個輸入單元，此外需要先標(biāo)準(zhǔn)化處理初始數(shù)據(jù)再輸入網(wǎng)絡(luò)節(jié)點。本文選擇投標(biāo)決策評估結(jié)果作為輸出節(jié)點，以一個評價數(shù)據(jù)作為模型的最終輸入，所以輸出節(jié)點有1個。步驟2:確定隱層數(shù)與單元數(shù)。實踐表明，隱層數(shù)越多則訓(xùn)練學(xué)習(xí)過程中的運算量越大，訓(xùn)練時間和局部最小誤差也會隨之增大，結(jié)合經(jīng)驗和文獻資料選擇3層網(wǎng)絡(luò)。根據(jù)輸入和輸出單元數(shù)確定隱層神經(jīng)元公式，其表達式為S1=(R+S2)0.5+a(a取1～10區(qū)間的隨機數(shù)，S2為輸出節(jié)點數(shù)，R為輸入節(jié)點數(shù))，最終確定BP網(wǎng)絡(luò)模型的隱層節(jié)點數(shù)為8。步驟3:優(yōu)選傳輸函數(shù)。BP網(wǎng)絡(luò)較為常用的傳輸函數(shù)有線性、正切S形和對數(shù)S形等形式，其中，正切S形和對數(shù)S形產(chǎn)生的函數(shù)輸出區(qū)間為－1～1、0～1。應(yīng)用不同的傳輸函數(shù)多層BP神經(jīng)網(wǎng)絡(luò)將輸出不同的范圍，為了輸出任意大小值通常選用線性函數(shù)。訓(xùn)練學(xué)習(xí)過程中，傳遞函數(shù)的可微性對BP神經(jīng)網(wǎng)絡(luò)非常重要，這也是完成網(wǎng)絡(luò)訓(xùn)練的必要條件。鑒于此，本文利用Sigmoid函數(shù)f1(n1)=1/(1+e－n1)、f2(n2)=1/(1+e－n2)作為輸入與隱含、隱含與輸入層之間的傳輸函數(shù)，BP網(wǎng)絡(luò)，見圖2。

1.4BP網(wǎng)絡(luò)學(xué)習(xí)。BP算法主要包括正向、反向2個傳播過程，并以此實現(xiàn)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)。信息輸入后經(jīng)正向傳播依次達到隱層、輸出層，下層神經(jīng)元的狀態(tài)主要取決于上層神經(jīng)元，若BP網(wǎng)絡(luò)無法輸出期望值則進入反向傳播，沿原連接通路將誤差信息逐層返回，連接層各節(jié)點之間的偏置值及連接權(quán)值利用網(wǎng)絡(luò)學(xué)習(xí)時輸出層出現(xiàn)的誤差調(diào)整。結(jié)合投標(biāo)決策BP網(wǎng)絡(luò)的輸入、隱含和輸出層節(jié)點數(shù)R=17、S1=8、S2=1，由此構(gòu)造經(jīng)標(biāo)準(zhǔn)化處理后的輸入向量PR×1，其中，隱層、輸出層的輸出向量表示為a1和a2，W1S1×R、W2S2×S1代表輸入、隱層與輸出層間的網(wǎng)絡(luò)權(quán)值矩陣，以b1S1×1、b2S2×1代表相應(yīng)的偏置值?？傮w而言，按照以下流程完成BP網(wǎng)絡(luò)的學(xué)習(xí):步驟一:初始化處理。針對各層級之間的偏置值和連接權(quán)值利用初始化公式預(yù)處理，并以W1i、W2i、Ti作為各層神經(jīng)元隨機設(shè)置的權(quán)值，參與學(xué)習(xí)的樣本數(shù)為i。步驟二:正向傳播。采用已建BP網(wǎng)絡(luò)完成數(shù)據(jù)信息的正向傳播，利用下式確定輸出層、隱層的運算結(jié)果，即a2i=f2(W2iS2×S1a1i+b2iS2×1)=f2(W2iS2×S1f1(W1iS1×RPiR×1+b1iS1×1)+b2iS2×1)、a1i=f1(W1iS1×RPiR×1+b1iS1×1)。步驟三:誤差反向傳播。在準(zhǔn)確計算傳輸函數(shù)導(dǎo)數(shù)的基礎(chǔ)上完成誤差的反向傳播，其中，第1層Sigmoid函數(shù)的導(dǎo)數(shù)公式為:f1(n)=ddn11+e()－n=1－11+e()－n11+e()－n=(1－a1)(a1)(3)第2層Sigmoid函數(shù)的導(dǎo)數(shù)公式為:f2(n)=ddn11+e()－n=1－11+e()－n11+e()－n=(1－a2)(a2)(4)設(shè)第2層為反向傳播的起始點，即S2i=－F2(n2)(ti－a2i)、S1i=－F1(n1)(W2is2×s1)TS2i，此時有:Fm(nm)=fm(n1m)0…00fm(n2m)…000…fm(nsm)(5)式中m—值取1、2;ti—期望輸出。步驟四:MOBP算法。針對反向傳播時的偏置值和權(quán)值利用動量改進算法(MOBP)更新，其表達式為:Wmi(k+1)=Wmi(k)+γ△Wmi(k－1)－(1－γ)αsmi(a(m－1)i)T(6)bmi(k+1)=bmi(k)+α△bmi(k－1)－(1－γ)αsmi(7)式中α—學(xué)習(xí)速率，取0.2;α—動量系數(shù)，取0.8。步驟五:訓(xùn)練學(xué)習(xí)。按照上述流程，經(jīng)多次反復(fù)運算確定能夠趨近于可接受水平E0的網(wǎng)絡(luò)結(jié)構(gòu)，即目標(biāo)函數(shù)與網(wǎng)絡(luò)響應(yīng)的誤差達到預(yù)期精度，設(shè)目標(biāo)函數(shù)如下:E=1N∑Ni=1(ti－a2i)2(8)式中N—參與BP網(wǎng)絡(luò)訓(xùn)練的樣本數(shù);E0—預(yù)期精度，結(jié)合實際情況設(shè)E0=104。1.5網(wǎng)絡(luò)訓(xùn)練與檢驗根據(jù)投標(biāo)決策評估體系和現(xiàn)有的10個投標(biāo)項目，運用已建BP網(wǎng)絡(luò)模擬評估水利項目投標(biāo)風(fēng)險，其中，訓(xùn)練和檢驗樣本選取前7和后3個項目，即以各投標(biāo)項目標(biāo)準(zhǔn)化值作為BP網(wǎng)絡(luò)的訓(xùn)練與檢測樣本輸入，結(jié)合長期實踐經(jīng)驗確定所有參評樣本最劣值和最優(yōu)值，見表1。采用Matlab軟件和相應(yīng)的樣本數(shù)據(jù)訓(xùn)練學(xué)習(xí)已構(gòu)建的BP網(wǎng)絡(luò)，經(jīng)10861次訓(xùn)練確定網(wǎng)絡(luò)輸出，見表2。從表2可知，專家評估結(jié)果可以較為真實、客觀地反映各投標(biāo)項目的整體水平，將這10個項目作為訓(xùn)練與檢驗樣本輸入設(shè)計好的BP網(wǎng)絡(luò)，網(wǎng)絡(luò)輸出與專家評估保持高度吻合，其計算誤差為E=7.6×10－6，由此表明，該模型能夠達到投標(biāo)決策評估精度要求，可以利用此訓(xùn)練模型綜合評價水利工程投標(biāo)項目，并為承包商的投標(biāo)決策提供指導(dǎo)。

2實例分析

對于水利工程項目R、S、T某承包商擬進行投標(biāo)，為更好地評判適用于該企業(yè)的項目，運用文中所述方法綜合評價R、S、T項目。首先，邀請9名來源于投標(biāo)決策相關(guān)部門以及承包商企業(yè)內(nèi)部的專家組成小組，評估專家應(yīng)具有豐富的投標(biāo)決策相關(guān)知識和工程經(jīng)驗。通過充分的論證分析，結(jié)合項目實際情況按圖1賦予相應(yīng)的評估值，見表3。然后將標(biāo)準(zhǔn)化處理后的R、S、T各指標(biāo)值輸入已完成訓(xùn)練的BP模型，從而輸出最終的評估值IR=0.3305、IS=0.5427、IT=0.6581，由此表明，風(fēng)險最低的為項目T，承包商對項目T投標(biāo)最優(yōu)。

3結(jié)論

(1)BP神經(jīng)網(wǎng)絡(luò)模型能夠有效解決非線性、高復(fù)雜投標(biāo)決策問題，通過綜合評價投標(biāo)項目為承包商投標(biāo)決策提供科學(xué)指導(dǎo)。(2)前期積累大量的數(shù)據(jù)信息對提高網(wǎng)絡(luò)訓(xùn)練精度至關(guān)重要，且決策結(jié)果的精準(zhǔn)度還受網(wǎng)絡(luò)計算參數(shù)、樣本選取、誤差傳遞等因素的影響，未來仍需進一步探究提高網(wǎng)絡(luò)預(yù)測精度的方法。

參考文獻

［1］王愛華，孫峻．BP神經(jīng)網(wǎng)絡(luò)在工程項目管理中的應(yīng)用［J］．建筑管理現(xiàn)代化，2009，23(4):306－309

［2］汪應(yīng)洛，楊耀紅．工程項目管理中的人工神經(jīng)網(wǎng)絡(luò)方法及其應(yīng)用［J］．中國工程科學(xué)，2004，6(7):26－33

［3］劉爾烈，王健，駱剛．基于模糊邏輯的工程投標(biāo)決策方法［J］．土木工程學(xué)報，2003，36(3):57－63

作者:司杰 單位:遼寧水利土木工程咨詢有限公司