CN110942346A - 一种基于粒子群算法的建筑工程造价动态化估算方法 - Google Patents

一种基于粒子群算法的建筑工程造价动态化估算方法 Download PDF

Info

Publication number
CN110942346A
CN110942346A CN201911170489.6A CN201911170489A CN110942346A CN 110942346 A CN110942346 A CN 110942346A CN 201911170489 A CN201911170489 A CN 201911170489A CN 110942346 A CN110942346 A CN 110942346A
Authority
CN
China
Prior art keywords
particle
dynamic estimation
weight
particle swarm
formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911170489.6A
Other languages
English (en)
Inventor
李政道
杨晨
李世钟
陈哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Abacus Info Shenzhen Co ltd
SHENZHEN PENGCHENG BUILDING GROUP CO Ltd
Shenzhen University
Original Assignee
Abacus Info Shenzhen Co ltd
SHENZHEN PENGCHENG BUILDING GROUP CO Ltd
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Abacus Info Shenzhen Co ltd, SHENZHEN PENGCHENG BUILDING GROUP CO Ltd, Shenzhen University filed Critical Abacus Info Shenzhen Co ltd
Priority to CN201911170489.6A priority Critical patent/CN110942346A/zh
Publication of CN110942346A publication Critical patent/CN110942346A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于粒子群算法的建筑工程造价动态化估算方法，包括如下步骤：在比较层中建立动态估算模型；对待估算项目进行粒子映射，通过初始化处理确定目标参数的约束范围，即确定粒子的速度和位置；根据仿真软件自带的粒子权重映射函数、速度变化函数分别确定核算粒子权系数与粒子距聚类；为提高评价结果的准确性与科学性，通过适当调整粒子距聚集程度和核算粒子信息熵，修正权系数；对粒子适应度值进行计算，然后更新单个粒子和整体粒子极值并完成预测结果的输出；最终实现对建筑工程造价的动态化估算。本发明在动态化预测工程造价方面基于粒子群算法的模型具有较强的实用性与科学性，可为工程造价管理和造价风险防控提供一定参考依据。

Description

一种基于粒子群算法的建筑工程造价动态化估算方法
技术领域
本发明涉及工程造价技术领域，尤其涉及一种与粒子群算法(Particle SwarmOptimization，PSO)相结合的动态化建筑工程造价估算的实用方法。
背景技术
在我国建设工程建设项目中超预算、超概算、超决算的"三超"问题仍然时有发生，且大多数存在着责任人不明确的问题。建筑工程造价估算不仅是产业调整、资源配置、技术改革及项目立项的重要依据，而且对于保证建设项目的有效实施、开展以及建设成本控制具有重要意义。传统的定额法对阶段工程造价的计算准确性通常较低。在市场竞争愈发激烈和建筑工程高速发展的背景下，迫切需要建立一套适用性强、科学高效的工程造价估算方法。
采用粒子群算法进行工程造价的估算，相对于遗传模型和神经网络法具有较强的全局搜索能力和较小的误差，它具有实现容易、精度高、收敛快等优点，在建筑工程成本控制和造价估算中具有较强的实用性与科学性。
PSO有很多优势，能够解决预测过程中准确度不高、时间不足的问题，但是其仍然存在一些弊端。主要表现为模型的早熟收敛(尤其是在处理复杂的多峰搜索问题)、局部寻优能力较差等。PSO算法陷入局部最小，主要归咎于种群在搜索空间中多样性的丢失。
发明内容
针对上述问题，本发明提出一种基于粒子群算法的建筑工程造价动态化估算方法，为提高建筑工程造价管理的科学性与有效性提供一定决策依据和参考。
本发明通过以下技术手段解决上述问题：
一种基于粒子群算法的建筑工程造价动态化估算方法，包括如下步骤：
建立动态估算模型：在比较层中建立动态估算模型；
初始化粒子群：对待估算项目进行粒子映射，通过初始化处理确定目标参数的约束范围，即确定粒子的速度和位置；
确定权系数：根据仿真软件自带的粒子权重映射函数、速度变化函数分别确定核算粒子权系数与粒子距聚类；
修正权系数：为提高评价结果的准确性与科学性，通过适当调整粒子距聚集程度和核算粒子信息熵，修正权系数；
确定适应度值和更新粒子群极值：对粒子适应度值进行计算，然后更新单个粒子和整体粒子极值并完成预测结果的输出；最终实现对建筑工程造价的动态化估算。
进一步地，建立动态估算模型具体包括：
评价体系中比较层选择为基础工程，确认建筑工程的基坑面积的特征因素；然后利用已选取的评价参数衡量粒子群的相似度；模型的构建流程为：设定集合W＝{w1，w2，…，wn}为待评价项目的特征向量，引入{l1，l2，…，ln}为各参数的隶属度，设定U＝{u1，u2，…，un}为待估算项目的模糊子集，利用如下公式代表数学模型，即：不同参数对工程造价估算的影响程度存在一定差异，因此利用粗糙集中的隶属重要度和这种差异性确定各参数的权值，然后通过加权计算各参数值即可建立相应的评估模型，其表达式如下：
Figure BDA0002288586160000021
设定U＝{u1，u2，…，un}为待估算项目的模糊子集，可利用如下公式代表数学模型，即：
Figure BDA0002288586160000022
不同参数对工程造价影响存在一定的差异，因此利用粗糙集中的隶属重要度和这种差异性确定各参数的权值，然后通过加权计算各参数值即可建立相应的评估模型，其表达式如下:
Figure BDA0002288586160000031
式中，vi为造价影响参数i在评价体系中的权值，并且满足wi≥0且
Figure BDA0002288586160000032
的条件。
进一步地，初始化粒子群具体包括：
采用粒子群算法对工程造价进行动态估算，利用试算式法对变动性价格量化模型进行测算，即运用试算式数值模拟计算改造工程具体的映射函数，若模拟结果表现出直线下降的趋势，则代表变动性项目在假设条件下有最大点，各因素指标具有较大的权值，从而使得所有最大点背离试算式最小计算值，由此可更快的寻找部分大值，从而提高动态估算的准确性与运算效率，采用下式表示相应的约束条件:
Figure BDA0002288586160000033
Figure BDA0002288586160000034
式中：X(gt)为粒子距函数；；
Figure BDA0002288586160000035
为第j维粒子与第t个粒子的速度平均值；|t|为在目前的运算条件下的粒子距总数。
进一步地，确定权系数具体包括：
粒子的信息熵在迭代计算过程中通过下述公式计算，即：
Figure BDA0002288586160000036
采用随机的方式在存在t个粒子速度排序的粒子距提取一个粒子速度，由此可存在
Figure BDA0002288586160000037
引入0＜|mi-p*|mi||≤X(gt)，其中|mi|代表距中位数的粒子速度平均值；根据粒子距需要满足约束条件的基本要求，其平均信息熵采用下式计算，即:
Figure BDA0002288586160000041
利用惯性函数迭代计算任意粒子时可存在如下两种情形，其表达式为:
Figure BDA0002288586160000042
式中，dmax,vend,vstar各参数值分别为1000、0.05、0.95。
进一步地，修正权系数具体包括：
在实际计算中若出现聚类度较低的现象，为提高自适应收敛速度应适当调低粒子系数，调整方法为：
Figure BDA0002288586160000043
式中:p、g max(d)、gmea(d)分别代表粒子群的聚类度、最大粒子距和平均粒子距；在确定粒子权重时应结合模型运行情况适当调整惯性系数，调整方法为:
Figure BDA0002288586160000044
式中：θ、δ分别代表调整系数。
进一步地，确定适应度值和更新粒子群极值具体包括：
PSO初始化为一群随机粒子；然后通过迭代找到最优解；在每一次迭代中，粒子通过跟踪两个"极值"来更新自己；第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest；另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest；另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值；
粒子公式：
在找到这两个最优值时，粒子根据如下的公式来更新自己的速度和新的位置：
v[]＝w*v[]+cl*rand()*(pbest[]-present[])+c2*rand*(gbest[]-present[])(a)present[]＝present[]+v[b]
其中，v[]是粒子的速度,w是惯性权重,present[]是当前粒子的位置；pbest[]and gbest[]如前定义；rand()是介于(0，1)之间的随机数，c1,c2是学习因子；通常c1＝c2＝2；在每一维粒子的速度都会被限制在一个最大速度Vmax，如果某一维更新后的速度超过用户设定的Vmax，那么这一维的速度就被限定为Vmax。
与现有技术相比，本发明的有益效果至少包括：
为建立一套适用性强、科学高效的工程造价动态估算方法，本发明基于粒子群算法构建了工程造价动态估算模型，通过动态映射粒子群算法与待选方案的关系引入了约束函数，然后对比分析了神经网络与遗传算法的误差。结果显示，在动态化预测工程造价方面基于粒子群算法的模型具有较强的实用性与科学性，可为工程造价管理和造价风险防控提供一定参考依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明基于粒子群算法的建筑工程造价动态化估算方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种基于粒子群算法的建筑工程造价动态化估算方法，利用粒子算法估算工程造价过程中，应先将各参数值输入待运算模型，确定与待估算方案最贴近的工程造价，具体包括如下步骤：
步骤一、建立动态估算模型：在比较层中建立动态估算模型；
步骤二、初始化粒子群：对待估算项目进行粒子映射，通过初始化处理确定目标参数的约束范围，即确定粒子的速度和位置；
步骤三、确定权系数：根据Matlab软件自带的粒子权重映射函数、速度变化函数分别确定核算粒子权系数与粒子距聚类；
步骤四、修正权系数：为提高评价结果的准确性与科学性，通过适当调整粒子距聚集程度和核算粒子信息熵，修正权系数；
步骤五、确定适应度值和更新粒子群极值：对粒子适应度值进行计算，然后更新单个粒子和整体粒子极值并完成预测结果的输出；最终实现对建筑工程造价的动态化估算。
本发明提供的技术方案是一种基于粒子算法群的动态化估算方法。在工程造价估算过程中先确定比较层项目，即确定待估算项目的单位工程，它是分析计算工程造价的重要基础。建筑工程项目具有参建方多、建设规模大、构筑物类型多样及社会影响范围广等特征，在造价控制与风险管理方面存在着各种各样的不确定因素和复杂多变的环境条件，如恶劣天气、意外事件以及管理不当等。与其它工程项目的可比性较差，如拟建项目与类似或同类项目相比，所拆分的分部分项工程可比性较低，因此有必要在比较层中建立动态估算模型。通过对模型区域、时间等系数的差异性调整，可以提高项目之间的可比性与相似度。基于比较层项目建立建筑工程造价动态估算模型，适当调整时间、地区等系数，确保估算结果在计算过程中的准确性。在构造动态估算模型过程中，要结合工程项目的具体情况，选择具有一致性的工程项目作为估算依据，利用模数数学中的隶属度原理确定候选工程为存在最高相似度的代建项目。建筑工程造价动态估算模型的创设应结合研究对象与可比性假设条件，所以根据从属理论与不同改造工程的特殊情况，在拟选工程中寻找接近度较高且可比性较强的参照工程。在从属理论中将拟建改造工程作为目标约束重点，其中较佳的造价模式可根据演进算法确定。
根据建设项目实际情况确定主要影响因素，通过一系列的运算和优选输出预测结果。主要流程为：评价体系中比较层选择为基础工程，确认建筑工程的基坑面积等特征因素；然后利用已选取的评价参数衡量粒子群的相似度。模型的构建流程为：设定集合W＝{w1，w2，…，wn}为待评价项目的特征向量，引入{l1，l2，…，ln}为各参数的隶属度，设定U＝{u1，u2，…，un}为待估算项目的模糊子集，可利用如下公式代表数学模型，即:不同参数对工程造价估算的影响程度存在一定差异，因此利用粗糙集中的隶属重要度和这种差异性确定各参数的权值，然后通过加权计算各参数值即可建立相应的评估模型，其表达式如下：
Figure BDA0002288586160000071
设定U＝{u1，u2，…，un}为待估算项目的模糊子集，可利用如下公式代表数学模型，即：
Figure BDA0002288586160000072
不同参数对工程造价影响存在一定的差异，因此利用粗糙集中的隶属重要度和这种差异性确定各参数的权值，然后通过加权计算各参数值即可建立相应的评估模型，其表达式如下：
Figure BDA0002288586160000081
式中，vi为造价影响参数i在评价体系中的权值，并且满足wi≥0且
Figure BDA0002288586160000082
的条件。
本发明采用粒子群算法对工程造价进行动态估算，利用试算式法对变动性价格量化模型进行测算，即运用试算式数值模拟计算改造工程具体的映射函数，若模拟结果表现出直线下降的趋势，则代表变动性项目在假设条件下有最大点，各因素指标具有较大的权值，从而使得所有最大点背离试算式最小计算值，由此可更快的寻找部分大值，从而提高动态估算的准确性与运算效率，可采用下式表示相应的约束条件：
Figure BDA0002288586160000083
Figure BDA0002288586160000084
式中:X(gt)为粒子距函数；
Figure BDA0002288586160000085
为第j维粒子与第t个粒子的速度平均值；|t|为在目前的运算条件下的粒子距总数。粒子的信息熵在迭代计算过程中可通过下述公式计算，即：
Figure BDA0002288586160000086
采用随机的方式在存在t个粒子速度排序的粒子距提取一个粒子速度，由此可存在
Figure BDA0002288586160000087
引入0＜|mi-p*|mi||≤X(gt)，其中|mi|代表距中位数的粒子速度平均值。根据粒子距需要满足约束条件的基本要求，其平均信息熵可采用下式计算，即:
Figure BDA0002288586160000088
利用惯性函数迭代计算任意粒子时可存在如下两种情形，其表达式为：
Figure BDA0002288586160000091
式中，dmax,vend,vstar各参数值分别为1000、0.05、0.95。在实际计算中若出现聚类度较低的现象，为提高自适应收敛速度应适当调低粒子系数，调整方法为：
Figure BDA0002288586160000092
式中：p、g max(d)、gmea(d)分别代表粒子群的聚类度、最大粒子距和平均粒子距。在确定粒子权重时应结合模型运行情况适当调整惯性系数，调整方法为:
Figure BDA0002288586160000093
式中:θ、δ分别代表调整系数。
粒子群算法(PSO)是模拟鸟群的捕食行为设想这样一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。
PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness value)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。
PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个"极值"来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest。另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。
粒子公式：
在找到这两个最优值时，粒子根据如下的公式来更新自己的速度和新的位置：
v[]＝w*v[]+cl*rand()*(pbest[]-present[])+c2*rand*(gbest[]-present[])(a)present[]＝present[]+v[b]
其中，v[]是粒子的速度，w是惯性权重，present[]是当前粒子的位置。pbest[]and gbest[]如前定义。rand()是介于(0，1)之间的随机数，c1,c2是学习因子。通常c1＝c2＝2。在每一维粒子的速度都会被限制在一个最大速度Vmax，如果某一维更新后的速度超过用户设定的Vmax，那么这一维的速度就被限定为Vmax。
为建立一套适用性强、科学高效的工程造价动态估算方法，本发明基于粒子群算法构建了工程造价动态估算模型，通过动态映射粒子群算法与待选方案的关系引入了约束函数，然后对比分析了神经网络与遗传算法的误差。结果显示，在动态化预测工程造价方面基于粒子群算法的模型具有较强的实用性与科学性，可为工程造价管理和造价风险防控提供一定参考依据。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于粒子群算法的建筑工程造价动态化估算方法，其特征在于，包括如下步骤：
建立动态估算模型：在比较层中建立动态估算模型；
初始化粒子群：对待估算项目进行粒子映射，通过初始化处理确定目标参数的约束范围，即确定粒子的速度和位置；
确定权系数：根据仿真软件自带的粒子权重映射函数、速度变化函数分别确定核算粒子权系数与粒子距聚类；
修正权系数：为提高评价结果的准确性与科学性，通过适当调整粒子距聚集程度和核算粒子信息熵，修正权系数；
确定适应度值和更新粒子群极值：对粒子适应度值进行计算，然后更新单个粒子和整体粒子极值并完成预测结果的输出；最终实现对建筑工程造价的动态化估算。
2.根据权利要求1所述的基于粒子群算法的建筑工程造价动态化估算方法，其特征在于，建立动态估算模型具体包括：
评价体系中比较层选择为基础工程，确认建筑工程的基坑面积的特征因素；然后利用已选取的评价参数衡量粒子群的相似度；模型的构建流程为：设定集合W＝{w1，w2，…，wn}为待评价项目的特征向量，引入{l1，l2，…，ln}为各参数的隶属度，设定U＝{u1，u2，…，un}为待估算项目的模糊子集，利用如下公式代表数学模型，即：不同参数对工程造价估算的影响程度存在一定差异，因此利用粗糙集中的隶属重要度和这种差异性确定各参数的权值，然后通过加权计算各参数值即可建立相应的评估模型，其表达式如下：
Figure FDA0002288586150000011
设定U＝{u1，u2，…，un}为待估算项目的模糊子集，可利用如下公式代表数学模型，即：
Figure FDA0002288586150000021
不同参数对工程造价影响存在一定的差异，因此利用粗糙集中的隶属重要度和这种差异性确定各参数的权值，然后通过加权计算各参数值即可建立相应的评估模型，其表达式如下:
Figure FDA0002288586150000022
式中，vi为造价影响参数i在评价体系中的权值，并且满足wi≥0且
Figure FDA0002288586150000023
的条件。
3.根据权利要求2所述的基于粒子群算法的建筑工程造价动态化估算方法，其特征在于，初始化粒子群具体包括：
采用粒子群算法对工程造价进行动态估算，利用试算式法对变动性价格量化模型进行测算，即运用试算式数值模拟计算改造工程具体的映射函数，若模拟结果表现出直线下降的趋势，则代表变动性项目在假设条件下有最大点，各因素指标具有较大的权值，从而使得所有最大点背离试算式最小计算值，由此可更快的寻找部分大值，从而提高动态估算的准确性与运算效率，采用下式表示相应的约束条件:
Figure FDA0002288586150000024
Figure FDA0002288586150000025
式中：X(gt)为粒子距函数；；
Figure FDA0002288586150000026
为第j维粒子与第t个粒子的速度平均值；|t|为在目前的运算条件下的粒子距总数。
4.根据权利要求3所述的基于粒子群算法的建筑工程造价动态化估算方法，其特征在于，确定权系数具体包括：
粒子的信息熵在迭代计算过程中通过下述公式计算，即：
Figure FDA0002288586150000027
采用随机的方式在存在t个粒子速度排序的粒子距提取一个粒子速度，由此可存在
Figure FDA0002288586150000031
引入0＜|mi-p*|mi||≤X(gt)，其中|mi|代表距中位数的粒子速度平均值；根据粒子距需要满足约束条件的基本要求，其平均信息熵采用下式计算，即:
Figure FDA0002288586150000032
利用惯性函数迭代计算任意粒子时可存在如下两种情形，其表达式为:
Figure FDA0002288586150000033
式中，dmax,vend,vstar各参数值分别为1000、0.05、0.95。
5.根据权利要求4所述的基于粒子群算法的建筑工程造价动态化估算方法，其特征在于，修正权系数具体包括：
在实际计算中若出现聚类度较低的现象，为提高自适应收敛速度应适当调低粒子系数，调整方法为：
Figure FDA0002288586150000034
式中:p、g max(d)、gmea(d)分别代表粒子群的聚类度、最大粒子距和平均粒子距；在确定粒子权重时应结合模型运行情况适当调整惯性系数，调整方法为:
Figure FDA0002288586150000041
式中：θ、δ分别代表调整系数。
6.根据权利要求5所述的基于粒子群算法的建筑工程造价动态化估算方法，其特征在于，确定适应度值和更新粒子群极值具体包括：
PSO初始化为一群随机粒子；然后通过迭代找到最优解；在每一次迭代中，粒子通过跟踪两个"极值"来更新自己；第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest；另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest；另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值；
粒子公式：
在找到这两个最优值时，粒子根据如下的公式来更新自己的速度和新的位置：
v[]＝w*v[]+cl*rand()*(pbest[]-present[])+c2*rand*(gbest[]-present[])(a)present[]
＝present[]+v[b]
其中，v[]是粒子的速度,w是惯性权重,present[]是当前粒子的位置；pbest[]andgbest[]如前定义；rand()是介于(0，1)之间的随机数，c1,c2是学习因子；通常c1＝c2＝2；在每一维粒子的速度都会被限制在一个最大速度Vmax，如果某一维更新后的速度超过用户设定的Vmax，那么这一维的速度就被限定为Vmax。
CN201911170489.6A 2019-11-26 2019-11-26 一种基于粒子群算法的建筑工程造价动态化估算方法 Pending CN110942346A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911170489.6A CN110942346A (zh) 2019-11-26 2019-11-26 一种基于粒子群算法的建筑工程造价动态化估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911170489.6A CN110942346A (zh) 2019-11-26 2019-11-26 一种基于粒子群算法的建筑工程造价动态化估算方法

Publications (1)

Publication Number Publication Date
CN110942346A true CN110942346A (zh) 2020-03-31

Family

ID=69908822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911170489.6A Pending CN110942346A (zh) 2019-11-26 2019-11-26 一种基于粒子群算法的建筑工程造价动态化估算方法

Country Status (1)

Country Link
CN (1) CN110942346A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487215A (zh) * 2021-07-21 2021-10-08 武昌理工学院 一种绿色建筑群指标智能评价与调控方法
CN114756568A (zh) * 2022-03-21 2022-07-15 中国电子科技集团公司第五十四研究所 一种基于改进粒子群算法的相似度检索方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487215A (zh) * 2021-07-21 2021-10-08 武昌理工学院 一种绿色建筑群指标智能评价与调控方法
CN114756568A (zh) * 2022-03-21 2022-07-15 中国电子科技集团公司第五十四研究所 一种基于改进粒子群算法的相似度检索方法

Similar Documents

Publication Publication Date Title
CN103164742B (zh) 一种基于粒子群优化神经网络的服务器性能预测方法
CN106600059B (zh) 基于改进rbf神经网络的智能电网短期负荷预测方法
CN104408518B (zh) 基于粒子群优化算法的神经网络学习优化方法
CN110097088A (zh) 一种基于迁移学习与特殊点策略的动态多目标进化方法
JP4790590B2 (ja) 収束基準を利用する多目的最適化のためのモデルベースおよび遺伝ベースの子孫生成の組み合わせ
CN108805193B (zh) 一种基于混合策略的电力缺失数据填充方法
WO2018166270A2 (zh) 一种基于指标和方向向量相结合的多目标优化方法及系统
CN108320293A (zh) 一种结合改进粒子群算法的快速点云边界提取技术
CN115470704A (zh) 一种动态多目标优化方法、装置、设备和计算机可读介质
CN110942346A (zh) 一种基于粒子群算法的建筑工程造价动态化估算方法
CN105976018B (zh) 用于结构健康监测传感器优化布设的离散鸽群方法
CN112256739A (zh) 一种基于多臂赌博机的动态流大数据中数据项筛选方法
Tang et al. A new Nash optimization method based on alternate elitist information exchange for multi-objective aerodynamic shape design
CN115689069A (zh) 基于人工智能的电网调度控制方法及系统
CN115566689A (zh) 一种改进天鹰优化算法优化负荷峰谷时段划分以及峰谷电价方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN108898257A (zh) 一种基于粒子群优化的灰色预测方法
CN114708479A (zh) 一种基于图结构和特征的自适应防御方法
CN114417177A (zh) 一种基于节点综合影响力的标签传播重叠社区发现方法
CN114970660A (zh) 一种电力负荷聚类方法
Wu et al. Historical information-based differential evolution for dynamic optimization problem
CN117217287A (zh) 面向分层强化学习的多元子策略生成模型的训练方法
CN111461282A (zh) 一种基于改进量子行为粒子群算法的模型辨识方法
CN111126467A (zh) 一种基于多目标正余弦算法的遥感影像空谱聚类方法
CN109857937A (zh) 一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200331

RJ01 Rejection of invention patent application after publication