前言：本站為你精心整理了水利工程BP神經網絡投標評估探析范文，希望能為你的創作提供參考價值，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］文章針對投標決策與影響因素、各影響因素之間的非線性復雜關系無法利用常用投標決策方法有效解決的問題，結合水電工程招標文件的合同通用條款和現階段工程建筑市場的競爭情況，構建水利工程投標決策bp神經網絡模型，并以實例工程驗證了該模型的有效性。

［關鍵詞］BP模型;評估體系;投標決策;訓練檢驗

1投標決策模型

1.1投標決策評估體系。一般地，企業競爭能力、業主條件、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水利工程項目產生影響。根據水電工程招標文件的合同通用條款和現階段的工程建筑市場競爭環境，通過詳細分析承包人投標決策影響因素，運用Delphi專家法全面識別評估指標，在遵循可行性、系統層、科學性和代表性等原則的基礎上構建投標評估體系，見圖1。

1.2數據預處理。設Zi，j為訓練樣本i的第j個指標的模糊數，則服從均勻模糊分布的各指標初始值具有不同的量綱，此時無法直接輸入網絡模型，必須利用標準化公式對初始數據作預處理。若Zj，B、Zj，w為所有訓練樣本中第j個指標的最優值及最劣值，對于Zj，b＞Zj，w條件下，其標準化公式為: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，初始數據標準化公式為: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網絡模型設計。步驟1:確定神經元個數。結合實際要求確定輸入層單元維數，按照圖1可以明確網絡輸入風險因素，即BP網絡有17個輸入單元，此外需要先標準化處理初始數據再輸入網絡節點。本文選擇投標決策評估結果作為輸出節點，以一個評價數據作為模型的最終輸入，所以輸出節點有1個。步驟2:確定隱層數與單元數。實踐表明，隱層數越多則訓練學習過程中的運算量越大，訓練時間和局部最小誤差也會隨之增大，結合經驗和文獻資料選擇3層網絡。根據輸入和輸出單元數確定隱層神經元公式，其表達式為S1=(R+S2)0.5+a(a取1～10區間的隨機數，S2為輸出節點數，R為輸入節點數)，最終確定BP網絡模型的隱層節點數為8。步驟3:優選傳輸函數。BP網絡較為常用的傳輸函數有線性、正切S形和對數S形等形式，其中，正切S形和對數S形產生的函數輸出區間為－1～1、0～1。應用不同的傳輸函數多層BP神經網絡將輸出不同的范圍，為了輸出任意大小值通常選用線性函數。訓練學習過程中，傳遞函數的可微性對BP神經網絡非常重要，這也是完成網絡訓練的必要條件。鑒于此，本文利用Sigmoid函數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，BP網絡，見圖2。

1.4BP網絡學習。BP算法主要包括正向、反向2個傳播過程，并以此實現網絡的訓練學習。信息輸入后經正向傳播依次達到隱層、輸出層，下層神經元的狀態主要取決于上層神經元，若BP網絡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，連接層各節點之間的偏置值及連接權值利用網絡學習時輸出層出現的誤差調整。結合投標決策BP網絡的輸入、隱含和輸出層節點數R=17、S1=8、S2=1，由此構造經標準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絡權值矩陣，以b1S1×1、b2S2×1代表相應的偏置值。總體而言，按照以下流程完成BP網絡的學習:步驟一:初始化處理。針對各層級之間的偏置值和連接權值利用初始化公式預處理，并以W1i、W2i、Ti作為各層神經元隨機設置的權值，參與學習的樣本數為i。步驟二:正向傳播。采用已建BP網絡完成數據信息的正向傳播，利用下式確定輸出層、隱層的運算結果，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。在準確計算傳輸函數導數的基礎上完成誤差的反向傳播，其中，第1層Sigmoid函數的導數公式為:f1(n)=ddn11+e()－n=1－11+e()－n11+e()－n=(1－a1)(a1)(3)第2層Sigmoid函數的導數公式為:f2(n)=ddn11+e()－n=1－11+e()－n11+e()－n=(1－a2)(a2)(4)設第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—學習速率，取0.2;α—動量系數，取0.8。步驟五:訓練學習。按照上述流程，經多次反復運算確定能夠趨近于可接受水平E0的網絡結構，即目標函數與網絡響應的誤差達到預期精度，設目標函數如下:E=1N∑Ni=1(ti－a2i)2(8)式中N—參與BP網絡訓練的樣本數;E0—預期精度，結合實際情況設E0=104。1.5網絡訓練與檢驗根據投標決策評估體系和現有的10個投標項目，運用已建BP網絡模擬評估水利項目投標風險，其中，訓練和檢驗樣本選取前7和后3個項目，即以各投標項目標準化值作為BP網絡的訓練與檢測樣本輸入，結合長期實踐經驗確定所有參評樣本最劣值和最優值，見表1。采用Matlab軟件和相應的樣本數據訓練學習已構建的BP網絡，經10861次訓練確定網絡輸出，見表2。從表2可知，專家評估結果可以較為真實、客觀地反映各投標項目的整體水平，將這10個項目作為訓練與檢驗樣本輸入設計好的BP網絡，網絡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決策評估精度要求，可以利用此訓練模型綜合評價水利工程投標項目，并為承包商的投標決策提供指導。

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，為更好地評判適用于該企業的項目，運用文中所述方法綜合評價R、S、T項目。首先，邀請9名來源于投標決策相關部門以及承包商企業內部的專家組成小組，評估專家應具有豐富的投標決策相關知識和工程經驗。通過充分的論證分析，結合項目實際情況按圖1賦予相應的評估值，見表3。然后將標準化處理后的R、S、T各指標值輸入已完成訓練的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，風險最低的為項目T，承包商對項目T投標最優。

3結論

(1)BP神經網絡模型能夠有效解決非線性、高復雜投標決策問題，通過綜合評價投標項目為承包商投標決策提供科學指導。(2)前期積累大量的數據信息對提高網絡訓練精度至關重要，且決策結果的精準度還受網絡計算參數、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絡預測精度的方法。

參考文獻

［1］王愛華，孫峻．BP神經網絡在工程項目管理中的應用［J］．建筑管理現代化，2009，23(4):306－309

［2］汪應洛，楊耀紅．工程項目管理中的人工神經網絡方法及其應用［J］．中國工程科學，2004，6(7):26－33

［3］劉爾烈，王健，駱剛．基于模糊邏輯的工程投標決策方法［J］．土木工程學報，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