基于改进灰狼算法优化BP神经网络的住宅工程造价预测研究.pdfVIP

技创新与应用 新前沿 Technology Innovation and Application 2022 年30 期 DOI ：10.19981/j.CN23-1581/G3.2022.30.003 于改进灰狼算法优化BP 神经网络的住宅工程 造价预测研究 付家棋，胡国杰* 辽宁工业大学 经济管理学院，辽宁 锦州 121001） 摘 要：在可行性研究阶段，可以明确的建筑工程信息相对较少，为保证投资决策的正确性，需要准确地预测建筑的工 程造价。首先通过参考文献初步选取出13 项工程造价指标，并结合主成分分析法消除各项指标之间的相关性。最后将主成 分得分值作为自变量输入到I-GWO-BP 模型中进行训练与仿真。预测结果与传统BP 经网络、粒子群算法和传统灰狼算 法模型进行对比分析，结果表明I-GWO-BP 经网络模型更加稳定与准确。 关键词：造价预测；住宅工程；主成分分析；改进灰狼算法； 经网络 中图分类号 TU761.12 文献标志码 A 文章编号 2095-2945 渊2022 冤30-0012-05 Abstract: In the feasibility study stage, there is relatively little clear information about construction projects, so it is necessary to accurately predict the construction cost, so as to ensure the correctness of investment decisions. Firstly, 13 en gineering cost indicators are preliminarily selected through literature for reference, and the correlation between the indicators is eliminated by combining principal component analysis. Finally, the principal component score is input into the I-GWO- BP model as an independent variable for training and simulation. The prediction results were compared with BP, PSO -BP and GWO-BP models, and the results showed that the I-GWO-BP neural network model was more stable and accurate. Keywords: cost prediction; housing project; principal component analysis; Improved Grey Wolf Optimizer (GWO) algo rithm; neural network 在建筑工程拟建 前，工程项目的造价预测对可 程的造价预测。 行性分析与项目决策起着重要的作用。在传统的估算 [5] 2014 年Mirjalili 等 提出了灰狼优化算法 Grey Wolf 方法中，工程造价的从业人员通过各省颁布的投资估 Optimization Algorithm，GWO）。灰狼算法具有设置参数少 算指标，对工程造价进行预测，由于受到造价人员职业 和寻优能力强的优点，在预测的准确度和算法时间方面具 素养和主观性的影响，工程造价的预测效果 不理想。 有良好的表现。但是，灰狼算法存在着种群多样性单一、全 人工神经网络具有良好的拟