英语原文共 4 页
2010年ISECS国际计算、通讯、控制及管理研讨会（CCCM）
人工神经网络在招投标中的应用研究建设项目
张敏丽
扬州大学土木工程与科学学院
中国扬州
Yzzhangml@163.com
乔珊珊
扬州大学信息科学与工程学院
中国扬州
Qiaoshanshan20032003@yahoo.com.cn
摘要
本文采用人工神经网络中的BP模型。本文确定了影响投标报价的各种因素，并将这些因素作为网络的输入节点，在网络中进行迭代操作。本文利用网络的自学习功能，不断修改权值矩阵，实现网络误差的目标误差，实现报价预测功能。MATLAB作为一种软件支持工具应用于人工神经网络中，神经网络工具箱大大减轻了编写代码的工作量，使神经网络的应用更加广泛。
关键词:投标报价;BP模型;矩阵实验室
I.介绍
随着计算机的广泛应用,作为1940年开发的信息处理系统,人工神经网络是由大量简单神经元以某种方式相互连接而形成的复杂智能仿生系统，能够处理复杂的逻辑和非线性问题。将人工神经网络中的BP算法模型与投标报价相结合，利用其处理非线性问题的能力，使投标报价基于规则、系统、实用，为施工企业投标[1]提供参考。
II.投标模型研究的现状
近年来，许多不同领域的研究者从不同的角度对建筑业投标报价问题进行了大量的研究。他们建立了各种报价模式。对于我国现有的要约模式，主要有两个研究方向。
一是严格按照固定预算或工程量
计算规则开发软件，参照价格指数等数据建立相应的数据库，利用计算机实现快速报价[2]。
二是通过对大量数据的分析建立预测模型，避免投标报价计算繁琐。使用这种方法，您可以通过手工或开发相应的计算机软件来实现快速报价。
综上所述，随着国内外建筑市场的激烈竞争和开放建筑市场的最大化，企业投标成功的难度越来越大。面对激烈的竞争，企业如何提高中标概率，如何确定影响因素与最终报价之间的关系，已成为投标中的难题。本文利用人工神经网络理论和方法来解决这类问题。
III.人工神经网络在工程招投标中的应用
1.人工神经网络在招投标报价中的应用
人工神经网络具有自组织性、自适应性，能够处理不完全信息和各种因素之间非线性复杂关系。 现在很多人致力于基于人工神经网络的工程承包招投标报价的研究，Hegazy和Moselhi(1994)提出了一个多因素确定公路项目投标报价的ANN模型[9],该模型考虑了影响报高率的诸多因素,并确定了其权重。Li在文献[10]中开发了基于人工神经网络的工程投标报价决策支持系统，研究了ANN模型的精确性问题。1998年，Li和Love 又介绍了一种将神经网络与规则库组合的招投标报价专家系统，该系统主要在层次分析法的基础上建立相应的人工神经网络模型，根据学习样本对神 经网络进行训练，进而确定输入与输出之间的映射关系。在进行项目投标时，投标商只需对该模型输入新的参数，就可以获得该项目的最优投标报价[11]。 Li 和L﹒Y﹒Shen在文献[11]中研究确定了影响工程报价的十个因 素,并根据这十个因素,建立了基于人工神经网络的报价模型,该模型的输入层并没有和隐含层全互连,而是输入层只是和代表输入层种类的隐含层相连,输出层表示工程投标报价的报价率。其中十个影响因素分别为：项目规模、项目地点、建筑市场条件、竞争对手情况、项目类型、流动资金需求、管理费率、当前工作量、当地劳动力情况、项目的复杂性。 并且，文献[12]最后还应用30个投标报价的实际例子来验证这个模型，计算结果证明，采用此模型进行报价有很高的中标率。
在上述研究成果的基础上，文献[13]首先对所建或所投工程的各种因素进行评判，接着确定出最终的综合评定值，即确定了用BP神经网络实施黑箱操作的样本输入值和目标值，再通过学习训练，自主调整修正输入节点和输出节点间的联系，得出符合各种情况要求的权重矩阵，基于保存的最终权重矩阵，通过输入新项目的因素评定值确定其综合评判值，该方法在对现有项目评定的基础上，也考虑到了以往项目的经验，把人为不确定因素的影响降到了最低，主要应用于投标决策的报价成本、估测方案、排序和利润取值，根据实际情况灵活操作， 决策者可以通过编程准确而快捷地作 出决断。
文献[14]利用神经网络的性质，将多变量分析方法应用于神经网络报价模型的变量选择过程。在估价过程中运用神经网络的方法，对最佳报价进行研究分析，通过分析输入变量对输出的贡献大小，排除不合理变量，达到合理建模的目的。
2. 其他方面的应用
文献[15]结合资格预审指标的特点,基于人工神经网络原理，介绍了一种新的投标单位资格预审评价法，并通过实例说明该方法的具体应用，结果表明该评价方法能够获得满意的结果，网络模型也具有较强的泛化能力。它不仅可以模拟专家对投标单位的资格预审进行评价，而且还能够很好地避免评价过程中的不确定性。
在高度信息化的社会和Internet环境中，传统的招标模式变得越来越不能适应经济的发展，国外一些学者对电子商务招标进行了一些研究取得了一定的研究成果，同时，国外将电子商务技术应用到招标过程方面已经作了很多尝试，如eBay和Amazan都已经把英式拍卖和双重拍卖的思想应用到商务平台中，安波等[16]提出了基于BP神经网络的电子商务招标模型BMBP，基本实现了招标、投标、评标、定标全过程的电子化和自动化，BMBP将BP神经网络用于评标保证了评标的客观性，保证了评标的准确性和客观性，避免了专家评标的诸多问题，提高了评标效率，同时保证了评标过程的公正。
IV．人工神经网络构建对投标报价决策模型的影响
神经网络有其独特的优点。该算法具有并行分布、自组织、自适应、自学习和容错能力强等优点，能较好地适应多因素、不确定性和非线性问题。它由输入层、隐藏层和输出层[3]不同层的神经元的数量是不同的。它由正向传输和反向传输组成。将影响样本因子预测值和评估值的n因子信息输入到输入层，由隐含层进行处理，输出y为样本因子性能指标预测值和评估值[4] n因子指标的设置考虑了通用性和动态性。该模型力求全面、客观地反映影响样本的主要因素和导致样本差异的主要因素。虽然它是一种黑箱型的预测和评估，但它已经证明了其强大的学习能力，可以通过数据的整合和非线性变换，生成相对精确的预测值和需要考虑的各种因素的评估值。对于施工项目的投标报价，由于投标报价涉及多个因素，本文将神经网络方法应用于投标报价中，不仅提高了投标报价的准确性，而且使其更加方便、易用。
在人工神经网络的实际应用中，forword反馈网络是一个重要的研究方向。BP网络作为forword网络的核心部分，在实践中尤为突出，它反映了人工神经网络的本质。本文采用BP网络算法分析了多因素条件下的投标报价问题[5]。
A.确定影响投标报价的因素并进行分析
投标报价是一个复杂而细致的决策过程。当招标投标文件招标项目内容、评标方法发生变化时，其具体组成发生变化。投标报价公式为:
投标价格=预计成本x(1 提价百分比)[6]
影响招投标的因素往往是不确定、模糊的，甚至与招标人的心理因素有关。但是，有经验的投标人可以参考以往的成功经验，根据项目的类型特点和一些具体情况，粗略地估算出项目的价格，而不需要繁琐的计算[7]。摘要因素分为三类根据招标项目的特点:环境因素、企业因素、项目因素。这三类因素也可以分为14个因素。
本节利用所收集的30个案例，以价格涨幅为投标依据，构建并训练BP网络的三大功能。将30例患者分为两组:29例用于人工神经网络训练，1例用于人工神经网络验证，为第30例。输入特征值的解释如表I所示:
表I.影响因素的指标值
|
序号 |
位置 |
施工条件 |
市场条件 |
竞争水平 |
以下项目 |
利润状况 |
当前任务 |
回报率 |
|
1 |
100 |
100 |
50 |
4 |
50 |
0.112 |
0 |
0.082 |
|
2 |
100 |
50 |
0 |
9 |
0 |
0.156 |
50 |
0.079 |
|
3 |
100 |
100 |
100 |
7 |
100 |
0.146 |
0 |
0.062 |
|
4 |
100 |
50 |
50 |
6 |
50 |
0.138 |
50 |
0.086 |
|
5 |
100 |
50 |
100 |
4 |
100 |
0.152 |
50 |
0.078 |
|
6 |
100 |
100 |
50 |
5 |
50 |
0.156 |
0 |
0.069 |
|
7 |
100 |
100 |
100 |
8 |
100 |
0.149 |
0 |
0.073 |
|
8 |
0 |
50 |
100 |
6 |
100 |
0.158 |
50 |
0.075 |
|
9 |
100 |
100 |
50 |
7 |
50 |
0.167 |
0 |
0.085 |
|
10 |
100 |
50 |
100 |
5 |
100 |
0.152 |
50 |
0.079 |
|
11 |
100 |
100 |
100 |
6 |
100 |
0.165 |
0 |
0.068 |
|
12 |
0 |
50 |
100 |
5 |
10 |
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
