基于OWA算子与BP神经网络的绿色施工评价研究

章 俊，胡龙伟,*，孙 雨，王 雪，孙 贺

(1.青岛理工大学 管理工程学院，青岛 266525；2.青岛昆泉建设工程有限公司，青岛 266500)

绿色建筑以其节约资源和节能减排的特点充分体现了可持续发展的思想，在国家大力推广绿色建筑的同时，制定一套科学、合适的绿色施工评价体系，对绿色施工的普及意义重大。张健等[1]提出了基于改进灰色聚类法的评价模型，针对铁路绿色施工进行节材评价。李英攀等[2]将BP神经网络引入绿色施工评价，构建绿色施工评价体系并结合实例，说明评价体系的可行性。赵金先等[3]利用向量夹角余弦方法建立绿色项目评标模型，增加投标单位中标可能性。李远远[4]基于综合赋权数据挖掘的系统模型建立绿色施工方案数据库。以上方法在一定程度上丰富和完善了绿色施工评价指标，但具有一定的主观色彩，未能进行数据模拟。有鉴于此，本文提出了基于OWA算子与BP神经网络的绿色施工评价，基于OWA算子得出各个评价指标的权重，去除了极值的影响，用BP神经网络进行学习专家决策，通过已知样本进行模拟训练，将训练结果与专家结果进行比较，结果表明该网络系统不但可以模拟专家决策，还能避免评价过程中人为失误，具有较强适用性。

1 绿色施工评价指标的构建

绿色施工评价指标是开展绿色施工评价的基础和前提，在参考借鉴《建筑工程绿色施工规范》和对绿色施工评价相关文献,运用文献统计法进行指标统计分析，通过专家问卷和综合分析后，在满足科学性、全面性、完备性等原则下，确定资源消耗评价、环境影响评价、综合管理评价、材料综合评价这4个一级评价指标和16个二级评价指标，绿色施工评价体系如图1所示，文献统计绿色施工影响因素见表1。

图1 绿色施工评价指标体系

表1 文献统计绿色施工影响因素

2 评价模型适用性分析

构建绿色施工评价体系时，需要专家对各个指标进行打分，当前用的较多的方法为：AHP层次分析法、熵权法、改进的熵权法、加权评分法，这类方法求得的权重受有关专家的主观偏好影响，不能确保评价结果的客观与准确。OWA[11]( Ordered Weighted Averaging，有序加权平均) 算子理论由 YAGER教授在1988年提出，广泛应用于工程决策、项目评估中。本文运用OWA 算子赋权法,以消除专家主观赋权导致的权重不准确，使评价指标的权重更贴近实际，更为合理。

BP神经网络是一种多层次型反馈网络，该网络可以模拟专家进行定量分析，将样本通过输入层输入，通过增加隐含层中的神经元数目修正误差，利用已建立BP神经网络模型，可以快速有效地进行绿色施工的评价，具有较强的实用性。

本文以OWA计算各二级指标的权重，可有效避免主观性对权重的影响，通过OWA得到的权重作为BP神经网络分析的初始权值，以此来构建BP神经网络模型，模拟出绿色施工等级。

3 基于OWA算子分析和BP神经网络的绿色施工评价体系构建

3.1 绿色施工程度等级界定

绿色施工程度的界定程度关系到专家打分的准确性，本文对绿色施工程度等级隶属的划分，按照满分为10分，共划分超绿色、深绿色、中等绿色、浅绿色和非绿色5个等级，具体划分见表2。

表2 绿色施工程度等级划分

3.2 基于OWA算子计算指标权重

有序加权平均对专家所给权重进行有序加权，其具体步骤如下：

1) 邀请n位专家，根据同一层次指标的重要性程度进行打分，满分为10分，重要性越高，得分越高。由n位专家的打分结果得到指标因素的初始决策数据集 (a1，a2，a3，…，an) ，对所得数据从大到小排序并从最小的数0开始编号，得到的结果为(b0，b1，b2，b3，…，bn-1)。

2) 数据bi的权重θj+1计算公式为

(1)

(2)

4) 计算指标因素的相对权重wi，即

(3)

3.3 绿色施工评价的BP神经网络模型

BP网络的结构包括网络层数、输入、输出节点和隐含层，根据映射定理构造输入层、隐含层、输出层三层BP网络。建立的绿色施工评价的BP神经网络模型如图2所示。

图2 BP神经网络模型

输入层，根据绿色施工评价体系，共由16个二级指标组成，即由16个节点组成输入层。

隐含层，BP神经网络隐含层节点数对网络预测精度有着较大的影响，当节点数目太少时，网络不能充分学习，会影响训练精度；当节点过多时，训练时间增加，网络可能出现过拟合状态。一般由以下公式进行确定：

输出层，以确定好的指标评价体系及用OWA所确定的权重进行打分，输出绿色等级。当利用该模型评价时，输出的值对应的绿色评价等级，就可知绿色等级。

3.4 基于OWA算子和BP神经网络的绿色施工评价模型具体步骤

1) 根据构建的绿色施工评价体系和绿色施工程度等级，利用OWA算子进行赋权，对绿色施工的二级指标进行处理，得出各个指标的权重。

2) 将各指标权重输入BP神经网络，确定各个神经元之间的连接权值。

3) 对指标进行标准化处理。

4) 将处理过的指标值输入网络，训练BP神经网络，直至网络成熟。

5) 对测试的绿色施工企业指标输入，根据绿色施工等级，确定绿色施工程度。

4 案例分析

采用OWA算子和BP神经网络，对绿色施工指标进行评价，并采用青岛某项目进行实证研究，说明其合理性、适用性及科学性。

4.1 OWA算子计算指标权重

以一级指标为例，邀请6位权威专家进行评分，满分为10分，所得分值越大，表明其重要程度越高，数据见表3。

表3 一级指标专家打分值

4.2 确定神经网络训练样本

本文对山东省绿色施工项目，分析相关资料且进行充分的调研，邀请15位专家对21个新建绿色施工项目进行打分，满分为10分，专家评估数据如表4所示。设 16 个二级指标所对应的权重为w=(w1,w2,…,w16)，其对应的得分为x=(x1,x2,…,x16) ，则 21 个绿色施工项目的得分为y=wx，即表4 中的“期望得分”一列数据。

表4 专家评估数据

续表4

得到样本后，利用式(4)将样本进行归一化处理，使得评分落在0～1之间。

X*=(Xi-Xmin)/(Xmax-Xmin)

(4)

式中：X*为评价指标Xi的标准化值；Xmin为评价指标Xi的最小值；Xmax为评价指标Xi的最大值；i为评价指标的个数。

4.3 神经网络训练及结果

首先将绿色施工评价的属性值作为人工神经网络的输入向量，然后用足够的样本训练该网络，使得不同输入向量得到不同的输出值，经过学习后确定相应的内部的组合权重系数，最后根据输入的绿色施工评价得分，计算绿色施工综合评价结果。在21组数据中，随机选取15组数据作为训练集，训练该BP网络，余下6组作为测试集，作为待评估对象。通过Matlab2018进行模拟测试，随机产生测试集、训练集后，进行数据归一化，用net = newff(p_train,t_train,9)创建训练网络，设置各个参数分别为：迭代次数N=60 500，训练精度ε=0.001，经过3次迭代，达到训练精度要求，与期望的输出结果十分相近。训练过程如图3所示，训练结果见表5。

图3 BP网络训练过程

表5 BP网络测试结果

由表5可知，期望输出值与实际输出值之间的误差较小，可以接受，证明用BP网络构建的模型具有较强科学性，将建立好的模型进行保存，可以直接用于判断绿色施工程度，当有了更多数据后，能进一步提高绿色程度判断精度。从判断绿色程度中可以看出，山东省内绿色施工程度多为深绿色，表明绿色施工程度较高，很好地执行了绿色施工要求。

5 结论

本文依据大量文献和实地考察构建了绿色施工评价体系，运用OWA算子赋权确定各个指标层的权重，得出二级指标的权重，得到的权重有效避免了专家权重极端值对评价结果的影响，使得指标赋权更加合理。并用BP神经网络设计了绿色项目定量化综合评价方法，采用典型的绿色施工数据进行模拟训练，该评价结果和按照规范化方法组织的大规模专家评价值之间的误差在合理范围内，评价效果较一致，随着数据集的增多，模型得出的精度更高，得到更为完善的模型，建立的模型可以为绿色施工评价提供新思路。