基于GAAA-RBF神经网络的工程估价方法.pdfVIP

第43卷第13期 数学的实践与认识 V01．43，No．13 AND 2013年7月 MATHEMATICSINPRACTICETHEORY Jul．，2013 基于GAAA-RBF神经网络的工程估价方法 叶青，刘婧 (华侨大学土木工程学院，福建厦门361021) 摘要：利用遗传一蚁群混合算法(GAAA)，对RBF神经网络的主要结构参数中心 矢量、基宽向量和网络权重进行组合优化，建立了GAAA—RBF神经网络组合算法 的工程估价模型．将55个工程造价案例，随机抽取10个作为预测样本，剩下的45 个作为训练样本．通过与相同结构的RBF神经网络相比较，结果表明算法克服了 RBF神经网络易陷于局部极值、搜索质量差和精度不高的缺点，改善了RBF神经 网络的泛化能力，收敛速度快，输出稳定性好，提高了工程造价的预测精度． 关键词：工程估价模型；GAAA—RBF神经网络；最优参数组合；RBF神经网络 对收集到的55个工程造价案例采用相关性分析，选取影响平米造价的11个主要工程特征； 以径向基函数网络原理为基础，利用遗传一蚁群混合算法优化RBF神经网络模型的结构参 数组合，得到具有最优参数组合的基于GAAA—RBF神经网络的工程估价模型． 1 RBF神经网络 Basis 径向基函数(Radial 出层的三层前向局部神经网络，其结构简单，训练简洁，学习收敛速度快，能以任一精确度逼 近连续函数．RBF神经网络完成非线性映射如下式所示： 旦 Lx—CiII形／㈦+B2 (1) ，r(x)=：wt咖(L 讧=1 其中：x为输入向量，用作神经网络与外部环境的接口；咖(·)为R“一R的非线性径向基函 数，由于高斯函数具有形式简单、径向对称、光滑性好等特点，故通常采用高斯函数；…表 X n，的 示欧氏距离；切t为输出层权值，ci∈R”为RBF神经网络基函数中心矢量，是一个m 络模拟效果的好坏主要取决于3类参数：中心矢量Ci、基宽向量吼、网络权值Ⅲp 2遗传-蚁群混合算法 模拟自然界蚂蚁搜索路径的行为，提出的一种群智能优化算法．该算法具有优越的分布式求 收稿日期：2012．11．08 13期 叶青，等：基于GAAA—RBF神经网络的工程估价方法 29 解模式、隐含的并行计算特性和基于正反馈的增强型学习能力，成为解决具有NP—hard特性 的组合优化问题的手段，并已成功应用于多个科学工程领域． 蚁群算法由于早期信息素匮乏，盲目实验次数较多，导致收敛速度较慢，且易陷于局部最 优．遗传算法则具有大范围全局搜索的能力，潜在的并行性，鲁棒性强；同时使用启发式评价 函数，过程简单，收敛速度快，并且该算法依概率进行迭代，具有随机生成初始种群的特点．因 此，GAAA算法大大降低了蚁群算法中参数的调整，不仅加快了蚁群算法收敛的速度，同时 也避免了精确求解阶段易陷于局部最优的问题．此外，在GAAA算法中，蚂蚁算法采用的是 带精英策略的蚂蚁系统，对精英蚂蚁所在路径进行交叉和变异，可以改进传统蚂蚁系统有效 性和过早收敛的问题．遗传一蚁群混合算法的具体步骤如下[4】： 1)初始化； 2)如果r(g)q，则根据公式(2) “ p易={ 二。吃(t)’?79()～