工程项目管理模式和发展趋势优质课件.ppt

以上的规则可以解释如下: 因为当前工作量很少且该项目的投资回报率不低，所以企业因素指标值确定为C0.68。同时，由于项目的大小超过中等水平，风险程度不高，与业主的关系融洽，且项目的复杂程度很低，所以项目因素指标值确定为P1.93。因此，有以上的条件，人工神经网络决策的标高金大于7.5。 * 上述的解释提高了人工神经网络系统进行标高金决策的可信度，增强了使用者的信心。 另外，通过神经网络提取规则的一个潜在的用途就是形成专家系统的知识库，众所周知，专家系统发展的“瓶颈”问题就是知识库要由人工来输入，通过文中所描述的规则产生的运算法则，可以自动提取规则建立知识库。 * 4）模糊评价法（FA） 这种方法是将招标工程模型化，抽象成数学模型加以量化计算报价。Fayek(1998)研究了FA在多因素投标报价确定中的应用，并给出了该方法的模型和相应的应用软件－PRESSTO（Project Estimating and Tendering Tool)。这种方法的具体步骤如下： * ．．． ．．． ．．． O1 O2 Om F1 F2 Fn M1 M2 M6 目标 报价 影响因素 模糊关系S（O,F) 模糊关系R（F,M) 多风险因素投标报价的模糊评价模型 * 步骤1: 确定n个目标Oi（i＝1，2，…，n）以及相应的权重wi（i＝1，2，…，n），权重的取值为[0 1]的模糊数。 * 步骤2: 确定m个影响投标报价的因素Fj (j＝1，2，…，m）以及每个因素被使用程度的权重Aj (j=＝1，2，…，m），权重的取值为[0 1]的模糊数。 * 在修正完以后，决策者就能够通过从案例库中调出最类似的案例的标高金水平对提出的解决方案进行审核。它能够比较检索到的案例与当前案例的各个属性，以确认建议的解决方案是适合当前情况的。如果有必要的话，对当前案例任一属性类似的案例都可以检索出来供决策者对系统建议的最优标高金进行启发式的调整。另外，过去竞争者在类似投标中的分布可以由其属性反映出来。如果有必要，还可以检索出竞争者的可能“低标价标高金”进行进一步的修正。 * 但是在进行最终决策时，并不一定选择最优标高金水平。此时可以加入用户的一定偏好，综合考虑公司的经营战略等因素，选择不同的解决方案。也可以同时考虑多种标高金水平方案，通过对给定水平下的中标概率和期望利润的综合评价，从中选出目前公司状况下最适合的标高金水平。 * 4 基于ANN的报价模型研究 基于人工神经网络的报价决策模型： 1 B-P神经网络模型构造 1）网络结构的选择 网络结构主要包括连接方式、网络层次数和各层节点数。 * 网络的连接方式代表了网络的拓扑结构，本案例采用多层前传网络结构(back—propagation network construction，BP网络)构造报价决策模型。B-P神经网络是由D.E.Rumelhart等人组成的PDP(Parallel Distributed Processing)小组于1985年提出的一种神经元模型，是神经网络模型中理论依据较完善的神经网络之一，它是多层前传网络，在输入和输出层之间可以有一个或多个隐含层，信号是向前传递的，不带反馈和层内相互连接结构，当参数调整时，算法中含有误差反向传播过程，并由此得名。 * (1)网络层数的确定 现已证明(Kolmogrov理论)，在一定条件下，一个三层的BP网络可以以任意精度去逼近任意映射关系。而且经过实验发现，与一个隐含层相比，用两个隐含层的网络训练并无助于提高预测的准确率。因此我们选择三层BP网络。 * (2)网络输入层节点数i的确定 输入层节点的多少与影响标高金决策因素的个数相对应，关于影响标高金决策的因素在前前面已经有了较详细的论述，输入的节点数确定为20。 * (3)输出层节点数j的确定 要求输出的结果就是拟投标项目的标高金值，因此取输出节点数为1。 * (4)隐层节点数的确定 隐含层节点数的选择较为复杂，并无确定的法则，只能根据一些经验法则，通过实验来确定。一般来说，可考虑的经验法则有：①隐含层节点数不能是各层中节点数最少的，也不是最多的；②较好的隐含层节点数介于输入节点和输出节点数之和的50%至75%之间；③隐含层节点数的理论上限由其训练样本数据所限定。 * 根据以上几条，通过试值法测试隐层节点数对网络性能的影响。表12显示了不同的隐含层节点数对应的训练集合和测试集合的误判