廖元元，王 月

(1.中國(guó)電建集團(tuán)成都勘測(cè)設(shè)計(jì)研究院有限公司，四川 成都 611130；2.四川省工程咨詢研究院，四川 成都 610020)

0 前 言

水電工程項(xiàng)目是一項(xiàng)復(fù)雜的系統(tǒng)工程，工期長(zhǎng)、投資大、參與人員廣泛、大型機(jī)具多、工程占地范圍大、施工環(huán)境復(fù)雜、受自然條件影響大，具有實(shí)踐性、復(fù)雜性、風(fēng)險(xiǎn)性、多樣性和獨(dú)特性等特點(diǎn)，這增加了水電工程投資估算的難度，給投資預(yù)測(cè)和控制帶來(lái)了很大的困難。在整個(gè)項(xiàng)目建設(shè)的前期決策、項(xiàng)目開(kāi)發(fā)、項(xiàng)目實(shí)施、竣工驗(yàn)收及項(xiàng)目后評(píng)價(jià)的五個(gè)階段中，工程造價(jià)工作貫穿整個(gè)工程投資過(guò)程，成為工程投資必不可少的內(nèi)容。估算項(xiàng)目總資金投入，是項(xiàng)目決策階段的首要任務(wù)，在這個(gè)階段，造價(jià)人員要估算出整個(gè)工程投資所需要的金額，為流域規(guī)劃選點(diǎn)各方案提供經(jīng)濟(jì)性的基礎(chǔ)指標(biāo)，為投資的可行性研究提供參考，也為下一階段成本控制提供依據(jù)。因此，要加強(qiáng)投資前期的投資預(yù)測(cè)和分析，合理有效地確定和控制工程造價(jià)，重視人力、物力、財(cái)力的合理應(yīng)用，充分發(fā)揮投資效益。

1 水電工程投資基本現(xiàn)狀的分析

1.1 水電工程造價(jià)估算現(xiàn)狀

由于水電工程建設(shè)周期長(zhǎng)，建設(shè)施工條件復(fù)雜多變，不確定性因素多樣，造成了部分水電工程建設(shè)投資失控，完成工程的總造價(jià)超投資估算現(xiàn)象存在。投資估算是建設(shè)項(xiàng)目前期階段投資決策的一個(gè)重要組成部分，它全面衡量項(xiàng)目建設(shè)所需投入的資金量及其構(gòu)成，是投資決策的重要參考依據(jù)，也是下一階段成本控制的依據(jù)。目前，在這個(gè)階段常用的估算方法有很多，但估算的過(guò)程不夠系統(tǒng)化，估算結(jié)果缺乏定性和定量相結(jié)合分析，尚有需要改進(jìn)和提高之處[1]。

投資估算工作十分重要，估算的結(jié)果對(duì)整個(gè)投資計(jì)劃起指導(dǎo)作用，可直接影響該項(xiàng)目的投資決策。另外，估算的造價(jià)一經(jīng)批準(zhǔn)，便是建設(shè)工程造價(jià)的最高限額，不可任意突破。因此，我們要重視投資估算。

1.2 水電工程投資失控原因分析

水電工程投資失控的原因是多方面的，基本上可以歸納為兩個(gè)方面：一是投資估算目標(biāo)確定得不合理；二是在項(xiàng)目實(shí)施過(guò)程中未能進(jìn)行有效的全過(guò)程控制。通過(guò)對(duì)水電工程投資的研究，我們不難發(fā)現(xiàn)，由于水電工程建設(shè)項(xiàng)目的個(gè)體差異性較大，因而在投資估算過(guò)程中的可模擬性較差，這樣為投資控制管理帶來(lái)了極大的難度。所以，找出一個(gè)更為適用于水電工程投資的預(yù)測(cè)模型，為投資估算提供更為準(zhǔn)確的目標(biāo)就顯得十分必要。

2 遺傳神經(jīng)網(wǎng)絡(luò)的基本理論研究

近年來(lái)，國(guó)內(nèi)外對(duì)水電工程投資預(yù)測(cè)的模型進(jìn)行了大量的研究工作，也產(chǎn)生了一些成熟的投資預(yù)測(cè)方法[2]。但每種方法都有其適用條件，有一定的局限性。隨著神經(jīng)網(wǎng)絡(luò)理論和遺傳算法理論的廣泛應(yīng)用，本文將二理論聯(lián)合引用到水電工程投資預(yù)測(cè)模型的建立中。下面簡(jiǎn)要介紹神經(jīng)網(wǎng)絡(luò)和遺傳算法理論。

2.1 神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)

2.1.1 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)的基本構(gòu)成是神經(jīng)元，神經(jīng)元的基本數(shù)學(xué)模型如圖1所示[3]。

其中，X1、X2，…，Xn是神經(jīng)元的輸入，即來(lái)自前級(jí)n個(gè)神經(jīng)元軸突的信息；θi是i神經(jīng)元的閾值；W1i、W2i，…，Wni分別是i神經(jīng)元對(duì)X1、X2，…，Xn權(quán)值連接，即突觸的傳遞效率；yi是i神經(jīng)元的輸出；f是傳遞函數(shù)，決定i神經(jīng)元受到輸入X1、X2，…，Xn的共同作用達(dá)到閾值時(shí)以何種方式輸出。

對(duì)于具有不同拓?fù)浣Y(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，運(yùn)行過(guò)程大體可以分成兩個(gè)階段：網(wǎng)絡(luò)的學(xué)習(xí)階段(或稱之為訓(xùn)練)和網(wǎng)絡(luò)的聯(lián)想階段。

網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程就是通過(guò)不斷地向網(wǎng)絡(luò)輸入一些樣本模式，網(wǎng)絡(luò)遵循一定的學(xué)習(xí)規(guī)則(即：算法)，來(lái)不斷地調(diào)整網(wǎng)絡(luò)的各層權(quán)重，使網(wǎng)絡(luò)的輸入和輸出以一定精度向給定的樣本模式逼近。學(xué)習(xí)的實(shí)質(zhì)就是網(wǎng)絡(luò)通過(guò)輸入和輸出信息識(shí)別存在信息之間的內(nèi)在規(guī)律。

完成訓(xùn)練的神經(jīng)網(wǎng)絡(luò)已將學(xué)習(xí)樣本的信息存貯于網(wǎng)絡(luò)中，這時(shí)網(wǎng)絡(luò)具備了映射功能，通過(guò)某種方式，使已經(jīng)存貯在網(wǎng)絡(luò)中的有關(guān)信息從輸出層復(fù)現(xiàn)出來(lái)的過(guò)程就完成了網(wǎng)絡(luò)的聯(lián)想。

2.1.2 BP網(wǎng)絡(luò)模型

1986年，Rumelhart和McClelland領(lǐng)導(dǎo)的科學(xué)家小組在《并行分布處理》一書(shū)中，對(duì)具有非線性轉(zhuǎn)移函數(shù)的多層前饋網(wǎng)絡(luò)的權(quán)重進(jìn)行調(diào)整，提出了誤差反傳播的算法(BP算法)。采用BP算法的多層前饋網(wǎng)絡(luò)是至今為止應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。

BP網(wǎng)絡(luò)是一種兩層或兩層以上的階層型神經(jīng)網(wǎng)絡(luò)，即：輸入層、隱層和輸出層。上下層之間各神經(jīng)元實(shí)現(xiàn)全連接，而每層各神經(jīng)元之間無(wú)連接。BP算法是在教師指導(dǎo)下，適合于多層神經(jīng)元網(wǎng)絡(luò)的一種學(xué)習(xí)，它建立在梯度下降法的基礎(chǔ)上。當(dāng)輸入信息時(shí)，首先傳播到隱含層節(jié)點(diǎn)上，神經(jīng)元激活，把隱含節(jié)點(diǎn)的輸出信息傳播到輸出節(jié)點(diǎn)，最后給出輸出結(jié)果。網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由正向和反向傳播兩部分組成。在正向傳播過(guò)程中，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元網(wǎng)絡(luò)。如果輸出層不能得到期望輸出，就是實(shí)際輸出值和期望輸出值之間存在誤差，從而轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)的連接通路返回，通過(guò)修改各層神經(jīng)元的權(quán)值，逐次向輸入層傳播去計(jì)算，故得名“誤差逆?zhèn)鞑ニ惴ā?。再?jīng)過(guò)正向傳播過(guò)程，這兩個(gè)過(guò)程反復(fù)運(yùn)用，使得誤差信號(hào)最小。BP神經(jīng)網(wǎng)絡(luò)的流程如圖3所示[4-5]。

圖2 基于BP算法的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意

圖3 BP網(wǎng)絡(luò)的計(jì)算流程示意

2.2 遺傳算法的基本理論

遺傳算法(GA)是一種基于自然選擇與遺傳機(jī)理的隨機(jī)搜索算法。與傳統(tǒng)搜索算法不同，遺傳算法從一組隨機(jī)產(chǎn)生的稱為“種群(population)”的初始解開(kāi)始搜索過(guò)程。種群中的每個(gè)個(gè)體是問(wèn)題的一個(gè)解，稱為“染色體(chromosome)”。染色體是一串符號(hào)，比如一個(gè)二進(jìn)制字符串。這些染色體在后續(xù)迭代中不斷進(jìn)化，稱為遺傳。在每一代中用“適值(fitness)”來(lái)測(cè)量染色體的好處，生成的下一代染色體稱為后代(offspring)。后代是由前一代染色體通過(guò)交叉(crossover)或者變異(mutation)運(yùn)算形成的。在新一代形成過(guò)程中，根據(jù)適度的大小選擇部分后代，淘汰部分后代，從而保持種群大小是常數(shù)。適值高的染色體被選中的概率較高，這樣經(jīng)過(guò)若干代之后，算法收斂于最好的染色體，它很可能就是問(wèn)題的最優(yōu)解或次優(yōu)解。GA的計(jì)算流程如圖4所示[4-5]。

圖4 GA的計(jì)算流程示意

2.3 遺傳神經(jīng)網(wǎng)絡(luò)模型

遺傳算法的特點(diǎn)在于算法的群體搜索策略并使用評(píng)價(jià)函數(shù)，不要求目標(biāo)函數(shù)的可微性。其優(yōu)勢(shì)在于收斂的全局性、計(jì)算的并行性與結(jié)果的魯棒性，且適應(yīng)性強(qiáng)，缺點(diǎn)是易早熟且局部微調(diào)能力差。BP網(wǎng)絡(luò)具有高度的非線性映射能力、泛化能力、容錯(cuò)性以及易實(shí)現(xiàn)性，局部微調(diào)能力強(qiáng)，不過(guò)它存在著收斂慢、易于局部收斂的不足。

GA-BP網(wǎng)絡(luò)模型是以BP網(wǎng)絡(luò)為基礎(chǔ)，先用GA優(yōu)化BP網(wǎng)絡(luò)權(quán)值與閥值，進(jìn)行網(wǎng)絡(luò)的初調(diào)；然后把初調(diào)后的神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值向量賦予BP網(wǎng)絡(luò)；再利用神經(jīng)網(wǎng)絡(luò)的局部搜索能力得到網(wǎng)絡(luò)的近似最優(yōu)值。該模型理論上不僅避免了BP網(wǎng)絡(luò)收斂慢和易陷入局部極小值的缺點(diǎn)，也充分發(fā)揮了GA的全局收斂性的優(yōu)點(diǎn)，同時(shí)也利用了BP網(wǎng)絡(luò)較強(qiáng)的局部微調(diào)能力，加快了算法的收斂速度。

GA-BP網(wǎng)絡(luò)模型采用M語(yǔ)言編寫(xiě)，編譯環(huán)境是MATLAB 7.1。網(wǎng)絡(luò)模型程序編寫(xiě)利用了MATLAB 7.1提供的神經(jīng)網(wǎng)絡(luò)工具箱(NNT4.0)和遺傳算法工具箱(GAOT5.5)中的函數(shù)。

本文建立的GA-BP模型的流程如圖5所示，具體流程如下[4-5]：

(1)初始化種群；

(2)確定GA的有關(guān)參數(shù)及終止條件；

(3)初始化GA并執(zhí)行操作；

(4)評(píng)價(jià)，解碼給BP網(wǎng)絡(luò)計(jì)算各個(gè)染色體的適應(yīng)度；

(5)判斷GA網(wǎng)絡(luò)是否達(dá)到終止條件，若達(dá)到終止條件，則計(jì)算結(jié)束，轉(zhuǎn)入步驟(8)繼續(xù)執(zhí)行；若沒(méi)有達(dá)到終止條件，則執(zhí)行以下步驟；

(6)GA操作：選擇，交叉，變異；

(7)產(chǎn)生新一代的染色體，轉(zhuǎn)到步驟(4)，進(jìn)行循環(huán)操作；

(8)利用BP網(wǎng)絡(luò)對(duì)GA搜索到的近似最優(yōu)值進(jìn)行微調(diào)，提高解的精度，直到滿足條件后進(jìn)入下一步驟；

(9)利用樣本計(jì)算的BP網(wǎng)絡(luò)模型，輸入測(cè)試樣本進(jìn)行對(duì)比分析；

(10)利用得到的網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)分析。

圖5 GA-BP算法流程示意

3 遺傳神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

水電工程具有工程量大、工期長(zhǎng)、規(guī)模大、投資大、易受自然條件影響的特點(diǎn)，而且需要修建臨時(shí)導(dǎo)流工程、施工工廠，其臨時(shí)設(shè)施多，專業(yè)工種多，技術(shù)復(fù)雜。這些因素不僅給施工帶來(lái)了困難，也給投資的預(yù)測(cè)分析增加了難度，很難用準(zhǔn)確的數(shù)學(xué)方程進(jìn)行描述。

本文在對(duì)國(guó)內(nèi)外水電工程造價(jià)估算的模型和算法進(jìn)行了總結(jié)和研究后，將BP網(wǎng)絡(luò)和遺傳算法理論相結(jié)合，引入到水電工程投資估算中，建立了遺傳神經(jīng)網(wǎng)絡(luò)模型。該模型立足于總體投資，通過(guò)輸入工程特征值(比如工程所屬地區(qū)、壩高、壩長(zhǎng)、壩型等)得到總投資。

由于每個(gè)水電工程的工程特征值都有其自身的特殊性，若簡(jiǎn)單將工程特征值按傳統(tǒng)方法進(jìn)行回歸分析和曲線擬合，并得出總造價(jià)，根據(jù)類似工程的實(shí)踐經(jīng)驗(yàn)可知，采用這種傳統(tǒng)回歸方法通常難以適應(yīng)各工程特征值的強(qiáng)非線性變化。因此，本文引入遺傳神經(jīng)網(wǎng)絡(luò)的理論和方法解決這一困難。

建模分析和預(yù)測(cè)時(shí)發(fā)現(xiàn)，直接采用BP網(wǎng)絡(luò)建模存在局部極小、收斂慢、穩(wěn)定性差等問(wèn)題。為此本文引入遺傳算法先對(duì)樣本數(shù)據(jù)序列進(jìn)行優(yōu)選，再對(duì)優(yōu)選后的樣本數(shù)據(jù)序列建立BP網(wǎng)絡(luò)模型。此方法收斂速度快、迭代過(guò)程平穩(wěn)，能較好地克服BP網(wǎng)絡(luò)的缺點(diǎn)，不會(huì)出現(xiàn)預(yù)測(cè)值明顯偏離期望值的情況。

遺傳神經(jīng)網(wǎng)絡(luò)是模仿人腦結(jié)構(gòu)和功能的一種信息處理系統(tǒng)，能采用非線性映射的方式模擬多個(gè)輸入量和輸出量的非線性關(guān)系。它具有良好自適應(yīng)性、非線性、組織性、容錯(cuò)性和抗干擾能力的優(yōu)點(diǎn)，對(duì)樣本個(gè)數(shù)要求不高，能適應(yīng)各工程特征值的非線性變化分析和總投資預(yù)測(cè)。

3.1 遺傳神經(jīng)網(wǎng)絡(luò)模型的建立

3.1.1 工程特征選取

綜合考慮水電站的組成、設(shè)計(jì)的重要指標(biāo)，特征因素的選取應(yīng)以能代表該工程特點(diǎn)的、對(duì)工程造價(jià)影響最大的結(jié)構(gòu)特征作為代表工程特征的元素。

全面搜索和考察水電站的工程特征，對(duì)工程所有特征一一進(jìn)行分析統(tǒng)計(jì)。項(xiàng)目特征選取越適當(dāng)，模型預(yù)測(cè)效果就越好。如果對(duì)特征考慮不全面，造價(jià)的特殊性和差異性就體現(xiàn)不出來(lái)，會(huì)嚴(yán)重影響模型的預(yù)測(cè)能力。當(dāng)然，工程的任何一個(gè)特征都會(huì)影響到總的工程造價(jià)，但是有些因素對(duì)工程造價(jià)影響較大，有些因素對(duì)工程造價(jià)影響較小，若不考慮各因素對(duì)工程造價(jià)影響程度的大小，全部統(tǒng)一對(duì)待，那么所建模型不僅龐大冗余而且沒(méi)有實(shí)際意義，不具有可操作性，所以要對(duì)工程特征相互對(duì)比，綜合考慮。

通過(guò)對(duì)搜集到的資料和相關(guān)數(shù)據(jù)的分析，筆者對(duì)國(guó)內(nèi)30個(gè)大型水電站[6]的經(jīng)濟(jì)指標(biāo)及其投資總額進(jìn)行對(duì)比權(quán)衡，擬定影響工程造價(jià)的因素為：工程所在地、壩型、壩高、壩長(zhǎng)、地震基本烈度、裝機(jī)容量、土石方工程、混凝土工程、鋼筋工程、水庫(kù)總庫(kù)容、搬遷人口及淹沒(méi)耕地。

3.1.2 模型和參數(shù)的建立

要建立遺傳神經(jīng)網(wǎng)絡(luò)模型，就是要確定輸入層、隱含層和輸出層。本文建立的是帶有一個(gè)隱含層的三層遺傳神經(jīng)網(wǎng)絡(luò)模型，具有一個(gè)隱含層的三層遺傳神經(jīng)網(wǎng)絡(luò)模型，只要隱含層的節(jié)點(diǎn)足夠多，就能以任意精度逼近到有界區(qū)域上的任意連續(xù)函數(shù)。

根據(jù)前文對(duì)水電工程特征的選取，本文遺傳神經(jīng)網(wǎng)絡(luò)模型輸入層的神經(jīng)元確定為12個(gè)，分別為：工程所在地、壩型、壩高、壩長(zhǎng)、地震基本烈度、裝機(jī)容量、土石方工程、混凝土工程、鋼筋工程、水庫(kù)總庫(kù)容、搬遷人口及淹沒(méi)耕地。

隱含層神經(jīng)元的作用是從樣本中提取并存儲(chǔ)其內(nèi)在規(guī)律，每個(gè)隱含層神經(jīng)元有若干個(gè)權(quán)值，而每個(gè)權(quán)值都是增強(qiáng)網(wǎng)絡(luò)映射能力的一個(gè)參數(shù)。它的數(shù)量取決于訓(xùn)練樣本的個(gè)數(shù)、樣本噪聲的大小以及樣本中蘊(yùn)涵規(guī)律的復(fù)雜程度。隱含層神經(jīng)元的選取對(duì)整個(gè)模型的效果影響很大，應(yīng)恰當(dāng)選取，不能過(guò)多或過(guò)少。若隱含層神經(jīng)元過(guò)多，就會(huì)把樣本中非規(guī)律性的內(nèi)容提取并記憶，引起所謂“多度吻合”問(wèn)題，造成網(wǎng)絡(luò)的泛化能力降低；若隱含層的神經(jīng)元的數(shù)量太少，網(wǎng)絡(luò)從樣本中獲取信息的能力差，不能全面概括和體現(xiàn)訓(xùn)練樣本中的規(guī)律。通常采用“試湊法”來(lái)確定隱含層神經(jīng)元的個(gè)數(shù)。把隱含層神經(jīng)元的個(gè)數(shù)假定為初始值3，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后逐漸增加隱含層神經(jīng)元的個(gè)數(shù)，對(duì)同樣數(shù)據(jù)訓(xùn)練。在所有假定個(gè)數(shù)的結(jié)果中進(jìn)行比較，選擇使網(wǎng)絡(luò)誤差最小的作為隱含層神經(jīng)元個(gè)數(shù)。

本文遺傳神經(jīng)網(wǎng)絡(luò)模型建立的目的是投資估算。因此，該模型輸出層的神經(jīng)元只有一個(gè)，即：水電工程總投資。

3.1.3 樣本的規(guī)范化處理

前文選取的工程特征有兩種表現(xiàn)形式：一種是用文字描述來(lái)表示的，如工程所在地、壩型等；另一種是用數(shù)值來(lái)表示的，如壩高、壩長(zhǎng)、地震基本烈度、裝機(jī)容量、水庫(kù)總庫(kù)容、搬遷人口及淹沒(méi)耕地等。

樣本的工程特征都需要進(jìn)行預(yù)處理。因?yàn)橛梦淖置枋霰硎镜淖兞渴遣荒苤苯虞斎氲缴窠?jīng)網(wǎng)絡(luò)的，需要對(duì)其進(jìn)行量化處理；而數(shù)值形式的變量盡管不需要量化，但數(shù)量值相差程度應(yīng)該得當(dāng)，如變量值過(guò)大會(huì)嚴(yán)重影響神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，而變量值過(guò)小又不能引起反應(yīng)。因此，要在模型訓(xùn)練前使得輸入變量規(guī)范化、標(biāo)準(zhǔn)化，將所有的輸入變量歸一到[0，1]之間，使網(wǎng)絡(luò)所有權(quán)值都在一個(gè)不太大的范圍之內(nèi)，以此來(lái)減輕網(wǎng)絡(luò)訓(xùn)練的難度，提高網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)確度。

3.2 遺傳神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用

根據(jù)以上分析，確定輸入層指標(biāo)為工程所在地X1，壩型X2，壩高X3(m)，壩長(zhǎng)X4(m)，地震基本烈度X5，裝機(jī)容量X6(MW)，土石方工程量X7(萬(wàn)m3)，混凝土工程量X8(萬(wàn)m3)，鋼筋用量X9(萬(wàn)t)，水庫(kù)總庫(kù)容X10(億m3)，搬遷人口X11(人)和淹沒(méi)耕地X12(畝)；輸出層指標(biāo)為工程總投資Y1(億元)；輸入輸出之間的關(guān)系為：Y=f(X)。

本文模型使用的樣本來(lái)自于文獻(xiàn)[6]，數(shù)據(jù)可能比較早，但是準(zhǔn)確可信。參照文獻(xiàn)中的數(shù)據(jù)，選取了18個(gè)中國(guó)大型水電工程作為樣本實(shí)例，其中1～17號(hào)樣本作為訓(xùn)練樣本，18號(hào)樣本作為測(cè)試樣本。

模型選取的工程特征中，需要對(duì)工程所在地和壩型進(jìn)行量化處理。其中，工程所在地量化為：1-華北、2-東北、3-華東、4-中南、5-西南、6-西北；壩型量化為：1-混凝土雙曲拱壩、2-土質(zhì)心墻堆石壩、3-混凝土重力壩、4-混凝土面板堆石壩、5-土石壩。經(jīng)過(guò)整理后得到網(wǎng)絡(luò)樣本參數(shù)，見(jiàn)表1。

表1 網(wǎng)絡(luò)樣本

根據(jù)前文所介紹的方法，將數(shù)據(jù)做規(guī)范化、標(biāo)準(zhǔn)化處理，使其歸一到[0，1]之間，使網(wǎng)絡(luò)所有權(quán)值都在一個(gè)波動(dòng)不太大的范圍之內(nèi)，來(lái)減輕網(wǎng)絡(luò)訓(xùn)練時(shí)的難度。

按上述遺傳神經(jīng)網(wǎng)絡(luò)模型并在MATLAB中編程，結(jié)合樣本數(shù)據(jù)對(duì)工程投資估算進(jìn)行建模預(yù)測(cè)，可獲得不同工程特征下投資估算預(yù)測(cè)值。

遺傳神經(jīng)網(wǎng)絡(luò)模型輸入層為12個(gè)單元，輸出層為1個(gè)單元。為確定隱含層合理的神經(jīng)元個(gè)數(shù)，采用“試湊法”，讓隱含層神經(jīng)元個(gè)數(shù)由3個(gè)開(kāi)始逐漸增加到20個(gè)，記錄每次的誤差。比較選取誤差最小的狀態(tài)，對(duì)應(yīng)網(wǎng)絡(luò)的隱含層神經(jīng)元個(gè)數(shù)作為本文模型的隱含層神經(jīng)元個(gè)數(shù)，經(jīng)比較確定本文模型隱含層神經(jīng)元個(gè)數(shù)為8。

利用1～17號(hào)樣本作為訓(xùn)練樣本，按照前文建立的遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。通過(guò)訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)18號(hào)樣本進(jìn)行測(cè)試。測(cè)試樣本的期望值為57.30億元，預(yù)測(cè)值為51.78億元，相對(duì)誤差為9.63%，模型預(yù)測(cè)精度達(dá)到90%。

結(jié)果表明，基于遺傳神經(jīng)網(wǎng)絡(luò)模型的估價(jià)模型較以前的估算方法提高了預(yù)測(cè)速度，尤其是在流域規(guī)劃選點(diǎn)階段，做到了讓投資單位更快捷、更方便地對(duì)整個(gè)項(xiàng)目的總投資額有了整體上的把握，為決策者提供更可靠的投資預(yù)測(cè)分析依據(jù)。鑒于我們將要做的投資估算是在流域規(guī)劃選點(diǎn)階段，工程只是有了大概的輪廓，細(xì)部信息還不完整，因此這樣的預(yù)測(cè)結(jié)果是比較令人滿意的，用遺傳神經(jīng)網(wǎng)絡(luò)模型來(lái)估算水電工程流域規(guī)劃選點(diǎn)階段的投資是有效可行的。

4 結(jié)論與建議

4.1 結(jié) 論

水電工程投資預(yù)測(cè)是一個(gè)典型的復(fù)雜信息處理問(wèn)題，采用傳統(tǒng)方法經(jīng)常出現(xiàn)工作復(fù)雜繁重而效果不理想的情況，并且耗費(fèi)大量人力、物力和財(cái)力。鑒于計(jì)算機(jī)技術(shù)的迅猛發(fā)展，本文嘗試采用較新的技術(shù)來(lái)分析處理這一問(wèn)題。通過(guò)結(jié)合典型水電工程，針對(duì)水電工程的復(fù)雜特點(diǎn)提取了工程特征，應(yīng)用遺傳算法和神經(jīng)網(wǎng)絡(luò)理論，建立了水電工程投資預(yù)測(cè)遺傳神經(jīng)網(wǎng)絡(luò)模型。

遺傳神經(jīng)網(wǎng)絡(luò)模型是水電工程投資估算的一種新方法，通過(guò)在MATLAB軟件中編程可快速、方便得出總投資，在本文的樣本參數(shù)測(cè)試中，模型取得了較好預(yù)測(cè)效果。這為水電工程流域規(guī)劃選點(diǎn)投資估算提供了一個(gè)新的有效的方法，也為投資決策者提供了更可靠、快捷、方便的投資預(yù)測(cè)分析依據(jù)。同時(shí)應(yīng)用遺傳神經(jīng)網(wǎng)絡(luò)模型對(duì)水電工程投資進(jìn)行估算，可以獲得良好的推廣性能，推廣到其他的投資估算領(lǐng)域。

4.2 建 議

由于輸入樣本數(shù)據(jù)對(duì)模型效果起著至關(guān)重要的作用，因此，用遺傳神經(jīng)網(wǎng)絡(luò)模型估算水電工程造價(jià)，可以在深入規(guī)范樣本數(shù)據(jù)和訓(xùn)練過(guò)程的基礎(chǔ)上，提高其準(zhǔn)確度。

遺傳神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于水電工程投資預(yù)測(cè)中，由于對(duì)水電站的基本要素理解存在欠缺和不足，使得模型工程特征參數(shù)選取存在片面性和主觀性，這些均對(duì)本文結(jié)論的可靠性產(chǎn)生了一定的影響。因此，后續(xù)研究工作應(yīng)立足于水電工程重點(diǎn)因素的收集和分析，使模型的研究更具客觀性和實(shí)用性。

隨著工程的啟動(dòng)和進(jìn)展，本文建立的模型未能形成動(dòng)態(tài)投資估算體系，后續(xù)研究工作應(yīng)著重于計(jì)算機(jī)技術(shù)的開(kāi)發(fā)與應(yīng)用，建立實(shí)用的動(dòng)態(tài)投資估算模型，并形成動(dòng)態(tài)的投資決策分析。