基于rbf神经网络的投标报价预测研究

《基于rbf神经网络的投标报价预测研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于RBF神经网络的投标报价预测研究陈红杰CHENHong-jie；李高锋LIGao-feng（江苏建筑职业技术学院，徐州221116）摘要：针对建筑工程特点，提出了基于RBF神经网络的建筑工程投标报价方法，建立建筑工程投标报价标高率数学模型。应用MATLAB计算软件，以实例验证了该模型的正确性及实用性。.jyqk函数，格式如下：Y=sim(1,P_test)其中：P_test为网络的测试样本。2标高率模型的建立标高金概念国外应用较早，包括报价中除直接成本以外的开办费、管理费、利润和不可预见费等。考虑到我国的实际情况，文章将标高金定义为投标企业的盈利部分，包括利

2、润和不可预见费（风险费用）。标高率决策模型仅用于确定标高金，工程成本部分采用其他方法确定。标高金的数额一般与工程规模相关，而采用标高率可以避免这一影响。基于此，文章应用径向基函数神经网络建立标高率预测模型，报价中的工程成本部分可以利用现有的工程定额系统和工程计价软件如广联达和神机妙算等来进行快速、准确的估算。2.1标高率影响因素分析考虑到我国建设市场的特点及现状，文章从以下五个方面考虑标高率的影响因素，包括：项目因素，项目所在地社会因素，业主因素，承包商自身因素，竞争对手因素。项目因素包括工程复杂性、工程规模、合同条件、工期要求和质量要求五项因素；社会因素包括材

3、料设备人员可得性、基础设施、政策环境和市场前景四项因素；业主因素包括管理能力、业主信誉、资金力量、招标规范性四项因素；自身因素包括类似工程经验、施工能力、任务饱满度三项因素；对手因素包括竞争对手数量、相对优势两项因素。2.2模型指标体系的建立界定上述18项影响因素取值范围，如表1所示。以这18项影响因素作为输入变量，以标高率（%）作为唯一输出变量Y，构成模型的变量体系。2.3RBF神经网络构建文章设计的径向基函数神经网络模型共有三层：输入层、隐含层和输出层。其中，输入层有18个神经元，与输入变量（X1，X2，…，X18）相对应。隐含层神经元个数文章设定上限为30

4、个。输出层有唯一神经元，即标高率。通过该模型建立一个由（X1，X2，…X18）到Y的映射结构。3实例分析文章选取某一建筑工程承包公司的26个以往中标项目的报价实例作为原始数据用于模型训练，其中X1—X18代表影响因素的取值，Y代表实际标高率。样本数据X2（建筑面积）和X17（竞争对手数量）进行归一化处理，计算公式为Xl=（Xl-Xmin）/（Xmax-Xmin），其变量取值如表2所示。利用MATLAB7.8软件实现编程，建立投标报价RBF神经网络模型，前22个项目数据作为训练集，后四个项目作为测试集，利用neN,DF)令：Goal=0.001MN=30DF=1s

5、pread=0.991所建立的径向基函数模型结构如表3所示。经过模型训练，得出网络的训练误差曲线为图3。由图可知，经过20次训练后，模型输出结果的误差达到10-3，具有很高的精确度。测试集网络测试结果与实际评估结果比较如表4，平均误差为0.0153，满足工程实际需要。可见，径向基函数神经网络在标高率报价预测方面，具有很好的应用价值。4结语文章分析了对投标报价决策有重要影响的众多因素，参考国内外的研究成果，确定了影响标高率的18个主要因素，与实际标高率一起组成标高率预测模型的指标体系。选取投标报价实例数据作为样本对模型进行训练和检验，通过MATLAB软件neura

6、lATLAB神经网络仿真与应用[M]．北京：电子工业出版社，2009.