基于AHP-SOFM的建筑工程评标决策模型研究

维普资讯 http://www.cqvip.com 第２５卷第５期　２００８年５月　计算机应用与软件　Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　ａｎｄ　Ｓｏｆｔｗａｒｅ　Ｖｏ１．２５　Ｎｏ．５　Ｍａｖ　２００８　基于ＡＨＰ．ＳＯＦＭ的建筑工程评标决策模型研究　胡子义　彭　岩　（许昌学院计算机科学系河南许昌４６１０００）　北京１０００３７）　（首都师范大学信息工程学院摘要　针对建筑工程这一企业对象中复杂指标的评标决策问题，首先利用ＡＨＰ对指标体系进行约简和对样本数据进行预处　理，得到数据的规范化形式，然后利用这些样本输入ＳＯＦＭ神经网络模型，并对其进行训练，构造出一个具有一定决策能力的综合评　估模型。实验表明，利用该模型在得到可视化决策结果的同时，还可得到高达８４、６％的测试精度，具有一定的应用价值。　ｒ　关键词　自组织特征映射　ＡＨＰ人工神经网络　评标决策　ＳＴＵＤＹ　ｏＮ　ＤＥＣＩＳＩＯＮ－ＭＡＫＩＮＧ　ＭｏＤＥＬ　ｏＦ　ＣｏＮＳＴＲＵＣＴＩｏＮ　ＰＲＯＪＥＣＴ　ＢＩＤ　ＢＡＳＥＤ　ｏＮ　ＡＨＰ－ＳｏＦＭ　Ｈｕ　Ｚｉｙｉ　Ｐｅｎｇ　Ｙａｎ　（Ｄｅｐａｒｔｍｅｎｔ　ｏｆＣｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，Ｘｕｃｈａｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｘｕｃｈａｎｇ　４６１０００，Ｈｅｎａｎ，Ｃｈｉｎａ）　（Ｓｃｈｏｏｌ　ｏｆ，ｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃａｐｉｔａｌ　Ｎｏｒｍａｌ　Ｕｎｉｅｒｖｓｉｔｙ，Ｂｅｉｊｉｎｇ　１０００３７，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ　Ｆｉｒｓｔｌｙ，ｆｏｒ　ｃｏｎｓｔｒｕｃｔｉｎｇ　ｐｒｏｊｅｃｔ　ｂｉｄｄｉｎｇ　ｄｅｃｉｓｉｏｎ—ｍａｋｉｎｇ　ｏｆ　ｃｏｍｐｌｅｘ　ｉｎｄｅｘｅｓ　ｔｈｅ　ｓｉｍｐｌｉｉｆｃａｔｉｏｎ　ｏｆ　ｉｎｄｅｘｅｓ　ｓｙｓｔｅｍ　ａｎｄ　ｔｈｅ　ｐｒｅｐｒｏ—　ｃｅｓｓ　ｏｆ　ｓａｍｐｌｅ　ｄａｔａ　ａｒｅ　ｐｅｒｆｏｒｍｅｄ　ｂｙ　ｍａｋｉｎｇ　ｕｓｅ　ｏｆ　ａｎａｌｙｔｉｃ　ｈｉｅｒａｒｃｈｙ　ｐｒｏｃｅｓｓ　ｔｏ　ｎｏｒｍａｌ　ｄａｔａ、Ｓｅｃｏｎｄｌｙ，ａ　ｃｏｍｐｒｅｈｅｎｓｉｖｅ　ｅｖａｌｕａｔｉｏｎ　ｍｏｄｅｌ　ｗｉｔｈ　ｄｅｃｉｓｉｏｎ—ｍａｋｉｎｇ　ａｂｉｌｉｔｙ　ｉｓ　ｃｏｎｓｔｕｃｔｒｅｄ　ｂｙ　ｕｓｉｎｇ　ＳＯＦＭ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｗｉｔｈ　ｔｈｅ　ｉｎｐｕｔｔｅｄ　ｓａｍｐｌｅ　ｄａｔａ　ａｎｄ　ｔｒａｉｎｉｎｇ　ｉｔ　ａｆｔｅｒｗａｒｄｓ．Ｔｈｅ　ｐｒｅｌｉｍｉｎａｒｙ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔ　ｄｅｍｏｎｓｔｒａｔｅｓ　ｔｈａｔ　ｔｈｅ　ＡＨＰ—ＳＯＦＭ　ｍｏｄｅｌ　ｈａｓ　ｔｈｅ　ｉｍｐｌｅｍｅｎｔａｔｉｏｎ　ｖａｌｕｅ　ｆｏｒ　ｏｕｔｐｕｔｔｉｎｇ　ｂｅｔｔｅｒ　ｖｉｓｕａｌｉｚｅｄ　ｄｅｃｉｓｉｏｎ　ｍａｋｉｎｇ　ｒｅｓｕｌｔｓ　ａｎｄ　ｕｐ　ｔｏ　８４，６％ｉｎ　ｔｈｅ　ｒａｔｅｓ　ｏｆ　ａｃｃｕｒａｃｙ．　Ｋｅｙｗｏｒ￣　Ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ　ｆｅａｔｕｒｅ　ｍａｐｓ　Ａｎａｌｙｔｉｃ　ｈｉｅｒａｒｃｈｙ　ｐｒｏｃｅｓｓ　Ａｒｔｉｉｃｉｆａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　Ｂｉｄｄｉｎｇ　ｄｅｃｉｓｉｏｎ—ｍａｋｉｎｇ　对其进行训练，构造出一个具有一定决策能力的综合评估模型。　０　引　言　神经网络可较好地拟合非线性函数，被广泛地应用于各种　决策中。但是，对于复杂问题和高维输入变量，会带来网络规模　的剧增，增加运算时间，降低网络的收敛性和泛化能力…。因　将该模型应用于实际建筑企业的评标过程，取得了较好的可视　化输出效果。　１基于ＡＨＰ－ＳＯＦＭ的神经网络决策模型　１．１　ＡＨＰ－ＳＯＦＭ决策模型　本文构建的决策模型如图１所示。　此，在实际应用中，采用合适的神经网络技术构造决策模型是我　们首要考虑的内容。同时，神经网络本身除了需要在理论上的　进一步完善之外，还需要寻求与其它决策方法的有机结合，来提　高网络决策的有效性。　自组织特征映射网络ＳＯＦＭ（Ｓｅｌｆ—Ｏｒｇａｎｉｚｉｎｇ　Ｆｅａｔｕｒｅ　Ｍａｐｓ）　’　因有下述特点是本文要考虑的基本决策模型的首选。　１）它是一种无监督的神经网络，该网络不需要对已知样本进行　图１　ＡＨＰ—ＳＯＦＭ决策模型不意图　训练就可以自动对样本进行综合评价分类。这在实际应用中更　容易实现，因此模型的通用性强。２）自组织神经网络模型进行　样本分类时不必预先确定各影响因子之间的权值，它能自动调　整影响样本评估度的各因子之间的比例关系，因此该网络的计　模型由决策标准、ＡＨＰ和ＳＯＦＭ三部分组成。根据决策标　准制定评价指标体系，通过ＡＨＰ求解评价指标的权重，利用“权　值累计贡献率”选出有效指标，达到精简指标的目的。该精简　指标构成了ＳＯＦＭ的输入层，通过对ＳＯＦＭ进行样本训练，经模　拟仿真输出决策结果。　利用权值累计贡献率精简指标的思想为：假设将各指标的　收稿日期：２００６—０９—０４。国家自然科学基金资助（６０４７５０４０）；河南　省教育厅自然科学研究项目资助（２００６５２００４２）。胡子义，硕士，主研领　域：人工智能，决策支持。　算结果客观性好。３）ＳＯＦＭ神经网络具有可视化效果，因此该　网络的输出结果表现性好。　本文尝试对层次分析法ＡＨＰ（Ａｎａｌｙｔｉｃａｌ　Ｈｉｅｒａｒｃｈｙ　Ｐｒｏｃｅｓｓ）Ｌ４　和ＳＯＦＭ神经网络的有机结合进行了研究，利用　ＡＨＰ对指标体系进行约简和对样本数据进行预处理，得到数据　的规范化形式，然后利用这些样本输入ＳＯＦＭ神经网络模型，并　维普资讯 http://www.cqvip.com １７８　计算机应用与软件　２００８年　权值由高到低排列，由前ｓ个指标权值的和（称为权重累计贡献　率）达到了信息反映精度的要求时，则取这ｓ个指标作为决策模　型的评价指标，而其余指标可以舍去。　能用训练好的网络进行评价。本文采用９０组样本数据进行训　练，利用３９组样本数据进行测试（鉴于篇幅所限，在此不予列　出）。３９组样本数据分为三类：优良、一般、较差，每类各有１３　个企业数据，其中编号１—１３为优良企业，编号１４—２６为一般　企业，编号２７～３９为较差企业。　１．２　ＳＯＦＭ决策过程　１．２．１样本数据的预处理　由于不同的指标是从不同的侧面反映了评价项目的经营绩　效，各个分指标具有不同的量纲，且类型不同，故指标间具有不　可共度性，难以进行直接比较。为了便于最终评价值的确定，同　时考虑到神经网络训练的收敛问题，在综合评价前必须对所有　算法采用Ｊａｖａ语言实现。网络输出层节点数选为１２×１２，　其中排序阶段是权矢量拓扑结构的调整阶段，将初始学习率选　为０．９，最终学习率为０．０２；初始邻域为任意两个神经元之间的　最大距离而最终邻域为１。而当算法进入调整阶段，算法需要　指标分三种情况进行无量纲化处理。　１）效益性指标——指标属性越大越好，如式（１）所示：　＝（ｕ。一ｕ　）／（ｕ…一ｕ…）　（１）　其中ｕｉ为第ｉ个指标的当前取值，ｕ　为第ｉ个指标的最大值，　ｕ　ｉ　为第ｉ个指标的最小值。　２）成本性指标——指标属性越小越好，如式（２）所示：　ｒｉ＝（ｕ　一ｕ。）／（ｕ…一ｕ…）　（２）　３）适中指标——指标属性适中为优，如式（３）所示：　ｒ　＝ｅ　（３）　其中Ｗ＝一［２（ｕ；一ｕ。）／ｕ。］　，ｕ。为最优指标值。　１、２．２　ＳＯＦＭ的评价　把标准化的各指标值乘以各自的权重，作为ＳＯＦＭ网络的　输人参数，对ＳＯＦＭ网络进行训练。当训练结束后，由输入指标　构成的多维加权空间就投影到低维ＳＯＦＭ网络中，通常采用　ＳＯＦＭ拓扑空间为二维空间。在二维空间中，特征相似的矢量　靠得比较近，数据的映射点（即模式矢量）具有类样本代表性。　然后输入新的需要决策的方案到映射图中，根据新样本的映射　位置，与目标点所在神经元进行比较，就可以直观观察和判断方　案的可行性或可行程度。　ＳＯＦＭ的评价过程如图２所示。　选定评价对象　建立ｓｏＦＭ评价横型　建立评价指标体系Ｉ　采集样本数据　确定评价指标权重‘　时样本数据进行规范化　理并进行网络训练　筛选评价指标　Ｉ．．．．．．．．．．．．．．．．．．．．．．一　仿真并得出结果　图２　ＳＯＦＭ的评价过程示意图　ＡＨＰ－ＳＯＦＭ决策模型在实际中应用时一般分为模型搭建、样本　载入、模型训练和模型仿真四个阶段。在模型建立阶段，利用ＡＨＰ　工具，完成决策模型评价指标体系的建立，并将这些指标转换为　ＳＯＦＭ神经网络的输入层，同时构建ＳＯＦＭ神经网络的拓扑结构；　样本的载人阶段完成实际样本的输入，为网络训练提供实验数据；　模型的训练阶段完成设定模型运行所需的参数，并显示网络的训练　结果；模型仿真阶段完成模型的执行，给出评价结果。　２实验结果及评价　建筑企业评标体系的综合评价指标共ｌ５项，每项指标由专　家进行考评，并量化处理为［０，１］之间的数值，分值越高表明单　个指标的效能越高。以ｌ５项指标的评价分值作为ＳＯＦＭ网络　的输入，网络的期望输出分为三类：优秀企业（１～０．８）、一般企　业（０．８—０．６）、较差企业（０．６～０）。　ＳＯＦＭ神经网络需要一定数量的已知样本来训练，然后才　提供输入空间的正确的统计特性，从而进一步调整特征映射；初　始学习率为０．０２，并逐渐减小，邻域范围始终为１。经过训练后　得到各样本在ＳＯＦＭ网络神经元上的分布情况如图３所示。然　后对测试样本进行测试，测试结果如图４所示。　遴结寨：　图３　模型训练结果示意图　图４模型测试结果示意图　假设有某一企业，用字母…ａ’表示该企业的编号。其指标　向量为（２，３，２，４，３，４，５，３，２，８，４，６，２，６，３８），评估后的结果如　图５－ｂ所示。可见它落在了绿色区域内，说明该企业信誉良好，　适合中标。同样，如果对“信誉一般”和“信誉较差”的企业进行　评估，编号将分别落在蓝色区域和红色区域（见图５－ｃ，５－ａ）。　从测试结果可以看出（见图４），由蓝色曲线将一个矩形识　别区域分成了三个部分，其中落在封闭蓝色曲线区域中的数据　代表为一般企业，左上部分区域为较差企业所在区域，右下部分　为优良企业所在区域。在３９组测试样本中，共有６组样本有　误，分别为２２、２３、１９、２０、２６、３４。该模型的识别率为：８４．６％。　糜　黑　‘（ｂ）　（ｃ）　　图５模型评估结果示意图　３结束语　本文将层次分析法与自组织特征映射神经网络相结合，构建　了针对分散的和高维的样本数据的决策模型，消除了众多决策因　子之间的重叠信息，并将复杂问题的决策简单化，提高了决策的　准确性和效率。通过实验测试表明模型的识别率可达到８４．６％，　具有实际的应用价值。本文在对建筑企业评标的实际应用过程　中，仅考虑了拓扑结构为１２×１２的决策模型，在今后的研究中，　可进一步探索其它拓扑结构，以进一步提高决策的准确性。　（下转第１９０页）　维普资讯 http://www.cqvip.com １９０　计算机应用与软件　２００８皋　（见图１）。图２是实际用户界面布局图，其中用户界面左边的　窗口是三维对象显示目录，上方的工具条中是控制三维可视化　业标准，本文就不细述三维模型的输入方法了，有兴趣的读者可　以参考文献［５，６］。　显示的快捷按钮。　图２施工进度三维可视化管理软件　的实际用户界面布局图　施工进度和施工状态信息的输入和编辑，由用户界面的进　度编辑模块完成，信息直接存储到数据库中。按前述需求分析，　为能清晰直观地了解从宏观到微观的施工进度情况，我们设计　如下的施工进度查询规则，涵盖了所有用户想查询的内容：　（１）查询某日以前的进度，使用户能够了解截止某日已经　完工的部分，还未完工的部分；　（２）时间段工作量查询，即以日为单位的计划进度和实际　进度查询，可以单日也可是多日；　（３）计划进度和实际进度比较查询与展示；　（４）施工质量查询。　我们在进度查询窗口中（如图３所示），设计了两个日历表　用于选取计划进度和实际进度的时间段，又设计了计划进度和　实际进度查询选项，某日以前进度和时间段进度这两组查询选　项，待用户选定日期或时间段，并确定这两组选项后，进度查询　模块将其转化为ＳＱＬ语言，直接查询桥梁信息数据库，并响应　到三维可视化控件，实现进度的可视化展示。　图３　施工进度的查询窗口。左边是施工进度　显示窗口，不同的颜色代表不同的进度；　右边是时间查询条件控制部分。　２．４三维模型输入和附属信息的关联　本软件本身没有设计三维建模的功能，系统所使用的桥梁　构件和地形等三维模型都由专业软件制作。本软件为了简化，　只设计支持３ＤＳ和ＤＸＦ两种格式的三维模型，可分别由　３ＤＳＭａｘ和ＡｕｔｏＣＡＤ两种软件产生。因此，我们设计了一个输　入三维模型的模块，它的任务就是解读３ＤＳ和ＤＸＦ文件，把三　维模型的数据有序地存人数据库中。由于３ＤＳ和ＤＸＦ都是工　三维模型输入后，全部存放在数据库中，并给予编号，与三　维模型关联的属性信息和其他相关信息，通过模型的编号联系　起来。　３　结语　本文利用三维可视化技术设计的软件已经在实际工作中使　用，真实再现了施工过程，使管理者和决策者远在千里，也能实　时掌握施工的进展情况。桥梁施工进度的可视化工作一般分四　个步骤来完成：（１）桥梁数据收集、数字化、处理与建库；（２）桥　梁及其构件的三维建模；（３）模型组装与附属信息关联；（４）施　工进度数据输入与进度管理。　虽然我们设计的软件只是针对桥梁的施工过程，但是众所　周知，由于各种工程建设的方式类似，只是施工的对象不同，本　文所提出的方法也完全可以应用于其他工程建设，如公路、隧　道、高层建筑等工程施工过程的形象进度展示和施工过程信息　管理。　参考文献　［１］焦养泉，朱培民，雷新荣，等．２００６地学空间信息三维建模与可视　化［Ｍ］．北京：科学出版社．　［２］李清泉，等．三维空间数据的实时获取、建模与可视化［Ｍ］．武汉：　武汉大学出版社，２００３．　［３］翟永强，刘正林，朱汉华．在Ｖｉｓｕａｌ　Ｂａｓｉｃ中构造ＯｐｅｎＧＬ类模块　实现三维图形设计［Ｊ］．现代计算机，２００２（８）：７４—７６．　［４］李纳璺．基于ＯｐｅｎＧＬ编程实现三维虚拟现实［Ｊ］．电脑编程技巧　与维护，２００４（１２）：６８—７６．　［５］郭景，雷鸣．３ＤＳ　ＭＡＸ模型在ＯＰＥＮＧＬ中的读取与重现［Ｊ］．自动　化与仪表，２００２（５）：４６—４９．　［６］张滢，刘宝明，等．关于基本形体的ＤＸＦ与ＳＴＬ文件格式之间的　转化［Ｊ］．沈阳航空工业学院学报，２００３（１）：２９—３０．　（上接第１７８页）　参考文献　［１］陈传波，彭炎，等．基于聚类的神经网络及其在预测中的应用［Ｊ］．　华中科技大学学报：自然科学版，２００３，３ｌ（６）：８４—８５．　［２］Ｋｏｈｏｎｅｎ　Ｔ．Ｔｈｅ　ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ　ｍａｐ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，１９９８，２１（１　—３）：１—６．　［３］Ｋｏｈｏｎｅｎ　Ｔ．Ｉｎｔｒｏｄｕｃｔｉｏｎ　ｔｏ　ｎｅｕｒａｌ　ｃｏｍｐｕｔｉｎｇ［Ｊ］．Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ，　１９８８，ｌ（１）：３—１６．　［４］王莲芬，许树柏．层次分析法引论［Ｍ］．北京：中国人民大学出版　社，１９９０．　［５］Ｓａａｔｙ　Ｔ　Ｌ．Ｔｈｅ　Ａｎａｌｙｔｉｃ　Ｈｉｅｒａｒｃｈｙ　Ｐｒｏｃｅｓｓ［Ｍ］．Ｎｅｗ　Ｙｏｒｋ：ＭｃＧｍｗ－　Ｈｉｌｌ，１９８０．　［６］Ｓａａｔｙ　Ｔ　Ｌ．Ｈｉｇｈｌｉｇｈｔｓ　ａｎｄ　ｃｒｉｔｉｃａｌ　ｐｏｉｎｔｓ　ｉｎ　ｔｈｅ　ｔｈｅｏｒｙ　ａｎｄ　ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｔｈｅ　ａｎａｌｙｔｉｃ　ｈｉｅｒａｒｃｈｙ　ｐｒｏｃｅｓｓ［Ｊ］．Ｅｕｒｏｐｅａｎ　Ｊｏｕｒｎａｌ　ｏｆ　Ｏｐｅｒａｔｉｏｎａｌ　Ｒｅ－　ｓｅａｒｃｈ，１９９４，７４：４２６—４７７．　［７］宋庆克，汪希龄，胡铁牛．多属性评价方法及发展评述［Ｊ］．决策与　决策支持系统，１９９７，７（４）：１２８—１３７．