论文部分内容阅读
工程项目造价的确定是工程项目管理的重要内容之一,但由于工程项目投资阶段所掌握的工程信息十分有限,建筑工程造价的估算普遍存在误差大,编制时间久等缺点。随着计算机科学的不断发展,智能优化技术已经渗透到各个研究领域,其中人工智能理论是当前非常热门的研究课题之一。本文主要研究了人工智能方法在建筑工程估价领域的应用,采用粒子群优化的人工神经网络和案例推理两种智能方法,建立了三种人工智能估价模型,对建筑工程估价进行预测,并通过实例验证其有效性。阐述了粒子群算法、BP神经网络、RBF神经网络和案例推理的理论基础。详细讲解了粒子群算法的基本原理,算法流程及控制参数的选取,为验证粒子群算法良好的寻优性能,用两种简单的基本函数测试算法的性能,测试结果表明粒子群算法具有良好的全局搜索能力;介绍了BP神经网络和RBF神经网络的基本原理、学习规则以及算法流程,为验证人工神经网络的函数逼近能力,在MATLAB软件中实现用BP神经网络和RBF神经网络对三种基本函数的学习和逼近,结果显示人工神经网络具有良好的函数逼近能力,能够以模拟现实中任意非线性映射。接下来应用粒子群算法对神经网络参数进行优化,通过改变粒子群的粒子数目、惯性权重和进化代数来优化神经网络的结构参数,从而得到更加科学、合理的神经网络参数值,并用于人工智能估价模型。采用理论与实际相结合的研究方法,系统分析和构建基于人工智能方法的建筑工程估价模型。首先,以沈阳近一年的31个已建工程造价信息为样本,采用SPSS软件分析影响工程造价的各特征因素和平米造价之间的相关性,并通过综合分析最后确定了9种工程特征影响因素。然后,建立基于PSO优化BP神经网络的建筑工程估计模型和基于PSO优化RBF神经网络参数的建筑工程估价模型,应用MATLAB软件编程实现样本训练和测试,并验证模型的实用性,测试结果显示两模型误差均在要求范围内。最后,以31个已建工程造价信息为数据建立Access案例库,并运用VBA计算机语言进行编程来实现案例的检索过程,从而建立了基于案例推理的建筑工程估价模型,对建筑工程估价进行预测,预测结果误差较小,证明该模型具有实用价值。