基于人工神经网络的石油化工工程建设项目管理绩效评价.pdf

2 0 1 0年 6月 石油学报 石油加工 A C T A P E T R O L E I S 1 N I C A P E T R O L E U M P R O C E S S I N G S E C T 1 o N 第 2 6 卷第 3 期 文 章 编 号 1 0 0 1 8 7 1 9 2 0 1 0 0 3 0 3 1 7 0 7 基于人工神 经 网络 的石油化 工工程建设 项 目管理绩效评价 韩志 国 ，王基铭 ，陈智高 1 ．华东理工大学 ， 上海 2 0 0 2 3 7 ；2 ．中国石油化工集团公司 ， 北京 1 0 0 7 2 8 摘要 针对非线性多输入多输出的石油化工工程建设 项 目管理绩 效评 价问题 ，应用 人工神 经网络 AN N 构建评 价 模型 。使用 5 O个项 目的 2 8 7 个学习案例数据 ，以 1 O 个影 响因素为输入 ，6个指标 为输出 ，对 B P神经 网络、基 于 遗传算法 的 B P神经 网络 、径 向基 函数神经 网络与广义回归神经网络 4 类 网络模 型进行训练和测试 。通过均 方误 差 的比较 ，发现基于遗传算法 的 B P神经 网络优于一般的 B P神经网络 ，广义 回归神经 网络 的测试结果优 于 B P神经 网络 ，径 向基 函数神经 网络具有最好 的误差精度 。2个应 用示例表 明，人工神经 网络应用 于石 油化工工程建 设项 目 管理绩效 的评价是可行和有效 的。 关键词 石油化工工程建设项 目；项 目管理 ；绩效评价 ；人工神经 网络 ANN 中图分类号 F 2 2 4 文献标识码 A d o i 1 0 ． 3 9 6 9 ／ J ． i s s n ． 1 0 0 1 8 7 1 9 ． 2 O l 0 ． 0 3 ． 0 0 1 M ANAGEM ENT PER ANCE UATI ON I N PETRoCHEM I CAL ENGI NEERI NG CoNS TRUCTI ON PRoJ ECT BY US I NG ARTI FI CI AL NEURAL NETW oRK HAN Z h i g u o ，W ANG J i mi n g ，CHEN Zh i g a o 1 ．E a s t C h i n a U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y， S h a h g h a i 2 0 0 2 3 7 ， C h i na ；2 ．C h i na P e t r o c h e mi c a l C o r p o r a t i o n ， B e Oi n g 1 0 0 7 2 8 ，C h i n a Ab s t r a c t An a r t i f i c i a l n e u r a l n e t wo r k mo d e l ANN wa s d e v e l o p e d f o r t h e ma n a g e me n t p e r f o r ma n c e e v a l u a t i o n o f p e t r o c h e mi c a l e n g i n e e r i n g c o n s t r u c t i o n p r o j e c t ．By u s i n g t h e d a t a f r o m 2 8 7 s a mp l e s o f 5 0 p r o j e c t s ，i n wh i c h 1 0 f a c t o r s we r e a s i n p u t s a n d 6 i n d i c a t o r s a s o u t p u t s ，t r a i n i n g a nd t e s t we r e gi v e n t o f ou r ki nd s o f ANN mo de l s ，BP NN ，GA b a s e d BP NN ，r a d i a l ba s i s f u nc t i o n n e u r a l n e t wo r k RBF NNa n d g e n e r a l i z e d r e g r e s s i o n n e u r a l n e t wo r k GR NN ．By c o mp a r i n g t h e m e a n s q u a r e e r r o r s 。 i t i s f ou nd t ha t GA b a s e d BP NN i s pr i o r t o BP NN ， GR NN i s p r i o r t o f o r me r 。a n d RBF_ NN h a s b e s t a c c u r a c y ． I t i S v e r i f i e d by t h e i l l u s t r a t i on s o f t WO c a s e s t ha t ANN mo d e 1 i s f e a s i b l e a n d v a l i d t o t h e ma n a g e me n t p e r f o r ma n c e e v a l u a t i o n o f p e t r o c h e mi c a l e n g i n e e r i n g c o n s t r u c t i o n p r o j e c t ． Ke y wo r d s p e t r o c h e mi c a l e n g i n e e r i n g c o n s t r u c t i o n p r o j e c t ；p r o j e c t ma n a g e me n t ；p e r f o r ma n c e e v a l u a t i o na r t i f i c i a l n e ur a l ne t wo r k ANN 石油化工工程建设项 目是高投人 、高风险的项 目，具有资金和技术高度密集 、技术复杂、涉及专 业多、关联范畴广 、集成程度高、质量要求 高、工 程投资大、建造周期 长的特点。工程建设项 目管理 水平的高低将直接决定项 目的投 资效益 ，决定建设 项 目的成 败 ，决 定 石 油 化 工 企 业 的 持 续 有 效 发 展 。 少投入、多产 出、快建设、高质量、保投产始终是 工程项 目建设中必须要解决好的重大命题 。因此， 石油化工工程建设项 目的管理及其绩效评价有其特 殊意义。目前 ，针对石油化工工程管理绩效评价展 收稿 日期 2 0 1 0 0 2 0 5 通讯联 系人 韩志 国， Te l 0 1 0 5 9 9 6 2 3 0 9 ； E ma i l h a n z g s i n o p e e ． c o rn． c n 3 1 8 石油学报 石油加工 第 2 6卷 开的研究还不多，对于工程建设项 目管理绩效评价 的研 究主要 涉及 两方 面 的 内容 ，即评 价 指标 体 系 和 评 价方法 。对 于 不 同 类 型 的项 目和 不 同 的评 价 者 ， 由于对象和角度 的差异，项 目管理绩效评价 的指标 和方 法有所不 同 。 石油化工工程建设项 目管理绩效 的评价是一类 典型的非线性多输入多输出问题。笔者基于人工智 能领域神经网络方法的优势，研究石油化工工程建 设项 目管理绩效 的评价 模 型 ，为此 类 项 目管 理绩 效 的科学 评价提供 可选择 的新途径 。 1 已有的相关石油化工工程建设项 目管理绩 效评价的研究 1 ． 1 工程建设 项 目管理 绩效 的评价指标 工程 建设项 目管 理绩 效 评价 指 标 分为 综合 性 评 价指标 和局部性 评 价指 标 两类 。综 合性 评 价指 标 一 般包括局部性评价指标 ，局部性评价指标 中又以经 济指 标 为 主。综 合 性 的 项 目管 理 绩 效 研 究 中， B r y d e l 2 参 考E F Q M E u r o p e a n f o u n d a t i o n f o r q u a l i t y ma n a g e me n t 业务 卓越 模 型 提 出 的项 目管 理 绩效 评 价 P MP A P r o j e c t ma n a g e me n t p e r f o r ma n c e a s s e s s me n t 模 型最具代 表性 。P MP A 模 型面 向各 种 类 型 的项 目，设 有 项 目管 理 的 领 导 、人 员 、 策 略 、 合作关系和资源 、生命周期管理过程 时问、成本 、 工作范围的计 划、风 险管 理、质量管 理等 1 6 项 活 动 、关键绩效指标 KP I 6个评价准则，其最主要 的特 点是将项 目管理 及其 结 果作 了区 分 ，即从 因和 果 的两个方 面来 区别绩 效指 标 。 成 本 、时间和质 量 构 成 的铁 三 角_ 3 是 最 基 本 的 项 目管理绩效评价指标 。随着时代 的进步和项 目管 理领域 的发展 ，不 同类 别 的项 目分 别 按需 要 增 加一 些新 的指标或 管 理成 功 与 否 的判 断准 则 。例如 ，面 向特定 用户 的开发项 目增设 客 户满 意 度 或客 户 利益 的指标 [ 4 ] ，因安 全 与环 境保 护 意识 的增 强而 加 入 了 “ 健康 安全 环保” HS E 指标 ] ，因长期发展战 略 的需 要而增加 了可持 续性指 标 ，等 等 。 1 ． 2 工程建设 项 目管 理绩效 的评价方 法 目前 ，关 于工程 建 设项 目管理 绩 效 的评 价方 法 的研究主要在于普适性方法的应用研究和其他领域 评价方法的借鉴应用研究。常见 的项 目绩效评价方 法大致 上可分 为定 性 的经验 判 断法 和定 量 的分 析决 策法 。 由于工程建设项 目的管理绩效涉及面广且难以 定量 ，不得不依靠经验法给出管理绩效的评价意见。 尽管现在 已经产生 了许多客观的方法 ，项 目管理绩 效的某些指标 ，例如技术水平 、质量等，以及评价 方 法 中指 标权重 的设定 等 ，依然离 不开经 验判断 法 。 定量的分析决策方法又可分为技术经济评价法 和多因素评价法。例如净现值法 和挣值法 便是 常用的技术经济评价法 。因为许多评价指标 已经超 出经济因素的范 围，单纯的技术经济评价法 已不能 完整 地评价 工程 建设 项 目管 理 的绩 效 。多 因素 评 价 法 中 以统 计分析 方 法居 多 ，其 中最 常用 的是 权 重 取 决于专家经验的多层次指标值加权综合法[ 8 ] ，其次 是回归分析方法_ g 。 。 和结构方程建模法口 。多层次 分析法_ 8 ] 则常用于设定多指标加总的权重 。除统计 分析 方法 之外 ，多 因素评 价 方 法 中还 有基 于最 佳 实 践 比较 的标 杆法 _ 】 、综合多 层次 多因 素平衡 发展 思想的平衡计分卡口 、模糊决策方法_ 8 ] 、数据包络 分析 法 、 系 统 动 力 学 _ 1 。 和 人 工 神 经 网 络 ANN [ 。 。 等 。 2 人工神经 网络及其在 工程建设 项 目管理 中 的应用 人 工神经 网络 是一 种 通 过物 理 器 件或 计算 机 来 模拟生物体 中神经 网络 的某些结构与功能 的技术 ， 在结构 上 由许 多人 工 神 经元 相 互连 接 而 成 。实 际 中 使用 最 广 泛 的 是B P 神 经 网 络 B P NN，B a c k p r o p a g a t i o n n e u r a l n e t wo r k ，即误差反 向传播神经 网络模 型 ，主要 用来 进 行 非 线性 系 统 的多 输 入多 输 出映射关 系建模 。 神 经 网络在 工程 建 设 项 目管 理 中 的早 期应 用 可 见于 2 O世纪 9 O年代后期 。当时的应用主要有建筑 需求的预测_ 2 、预算绩效L 2 、现金 流预测l_ 2 、建 筑计划和管理_ 2 胡等。近几年来 ，神经网络在工程建 设 项 目 管 理 中 的 应 用 不 断 拓 展 和 深 化 。D i k me n 等l 1 、C h e u n g等[ 2 ] 开发了支持建筑工程项 目招投 标决策的神经网络模型，E l h a g等[ 2 构建了用于桥 梁维护项 目风险评估的神经 网络模型和结合 回归分 析的混合模型，C h e n g等[ 2 提出了一个综合遗传算 法以及模糊逻辑和神经网络优势的进化模糊神经参 考模型，用以支持工程建设项 目的前期管理 。 已有的神经网络在工程建设项 目管理中的应用 主要 集 中在单项 的项 目管 理 ，在综 合 性 的项 目管 理 绩 效评 价 中 的应 用 非 常 少 见 。L i n g等 _ 2 构 建 的 由 6 5 个影响因素为输入 ，分别 以成本、工期 、质量 、 第 3期 基于人工神经网络的石油化 工工程建设项 目管 理绩效评 价 3 1 9 业 主 4类 1 1 个 绩效指 标 为输 出的神 经 网络模 型 ，是 一 个 不多见 的综 合 性 项 目管 理 绩 效 评 价模 型 。该 模 型用 于预测新 加坡 D B 管理 模 式 下 的 项 目绩 效 ，能 够相 当精确 地 预估项 目的绩 效指 标 。闫文 周 等 综 合考 虑项 目的 工期 、质量 、费 用 和安 全 四大 控制 指 标所建立的神经 网络模型，也是一个不多见的综合 性 工程 项 目管理绩 效评 价模 型 。 3 石油化 工工程建设项 目管理绩效 的神 经 网 络建模 与数据 采集 3 ． 1神经 网络 建模 神经网络建模包括 网络类型的选择 、网络结构 的设 计 、网络 各 层神 经 元 数 目及 其 角 色 的设 计 。不 同类型 的神经 网络具 有 不 同 的特 点 和适 用 性 ，笔 者 以 目前应用较为普 遍的 3 层 B P神经 网络 作为基 准 网 络 ，以基于遗传算 法的 B P神 经 网络 、径 向基 函数 神 经 网络和 广 义 回 归 神经 网络 作 为参 选 网络 ，通 过 这 4类网络测试误差的比较确定最佳的神经网络类型。 eu a l i t y C o s t X I X2 X3 X4 0蜊 s c n e me ’ 。 。 c O O r d i n a t i o n 。 含有单个隐层的 B P神经网络可以任意逼近含 有 多个 隐层 的 B P 神 经 网络 ，因 此笔 者 选 用 由输入 层 、隐层和 输 出层 构 成 的 3层 B P神 经 网 络 。输入 和输出层的神经元数 目及其角色 与具体的研究对象 有 关 。基于 项 目建 设 过 程 的实 践 ，笔 者所 在 的石 油 化工 工程建 设项 目管 理研究 课题 组提 出 了项 目组织 、 项 目策划 、沟 通 协调 、进 度 管 理 、费 用 管理 、质 量 管 理 、HS E管理 、技 术管 理 、合 同管 理和 风 险管理 1 O 个 影 响项 目管理 绩效 的参 数 ，从 全面 评价 的角度 提 出了质量 水 平 、造 价 、建设 工 期 、HS E、技 术水 平 和效 益水 平 6个 项 目管理 绩 效 评 价指 标 。这 些参 数 和指标 构 成“ 因一 果 ” 关 系 ，并 已采 集 到有 效 的样本 数 据 。因此 ，这 1 0个参 数 和 6 个 指标 可分别 设为神 经 网络 的输 入变量 和输 出变 量 。 根 据 以上思 路 ，构 建 了 面 向石 油 化工 工 程 建设 项 目管 理绩 效 评 价 的 B P神 经 网络 模 型 ，如 图 1所 示 。该模型设 1 0个输人变量和 6个输出变量 ，分别 用 和 ， 表示 i 一1 ，2 ，⋯1 0 ； 一1 ，2 ，⋯6 。 T e c h n o l o g y P r o fi t Y 6 7 9 】 1 Qu a l i t y HS E T e c h n o l o g y C o n t r a c t R i s k ma n a g e ma n a g e ma n a g e ma n a g e ma n a g e 图 1 面 向石油化工工程建设项 目管理绩效评价的 B P神经网络模型 F i g ． 1 BP ’ NN mo d e l o f p r o j e c t ma n a g e me n t p e r f o r ma n c e e v a l u a t i o n f o r p e t r o c h e mi c a l e n g i n e e r i n g c o n s t r u c t i o n 面 向 石 油 化 工 工 程 建 设 项 目管 理 绩 效 评 价 的 B P神经网络模型 中，隐层 的神经元个数是决定 神 经网络模型精度 的影响因素之一 ，笔者将讨论隐层 神经元个数的设定。 3 ． 2 数据 采集 与检验 笔者采 用 问卷调查数 据作为数 据源 ，考察 项 目管 理要素与 项 目绩 效 的“ 因 果 ” 关 系 ，用 判 断抽 样 和 配 额抽样相结 合 的方法 抽 取样 本 ，于 2 0 0 9年 5月 下 旬 至 7月 中旬 在 中 国石 油 化工 集 团公 司 内部选 取 3 2家 单位 5 2个重大或大型石油化工工程建设项 目所参与 的业主 、管理商 、承 包商 、监 理等 专家 回答 问卷 。实 际共 回收样本 3 2 4份 。在 剔 除异 常样本 后 ，实 际获得 有效样本 2 8 7 份 ，涉及 5 0 个项 目占总问卷数 的 8 8 ． 6 。 将样 本数 据 中的 1 O 个 管 理要 素 作 为输 入 、6个 绩效指标作为输 出，用 于神经网络模型的训练和测 试。1 O 个输入变量的样本数据各 由 3个测量变量数 据构成 ，因此还 需要 对 这 些 变 量 的样 本数 据 按 其 负 荷系数 作加 权 归总处 理 。3 0个测 量 变量 和 6个 输 出 变量都取 1 ～7 之间的定距尺度 ，值越大表示水平或 绩 效越 好 ，反之亦 然 。 ～ e _善 a 3 2 0 石油学报 石油加工 第 2 6 卷 样本数据 的检验由信度和效度 2个指标考察。 信度即可靠性，是指采用 同一方法对 同一对象进行 人 ，结果 列 于表 1 。a用来 衡量 1 组 测量变 量 的线 性 组合在多 大程度上能够 表示被 测变量 ，它 的值 在 调查时，调查结果的稳定性和 内部一致性 。笔者以 0 ～1 之间，通常 a O ． 7即可信。由表 1 可知，各输 常用的 C r o n b a c h ’ S O ／ 法来检验由测量变量构成 的输 入变量的 a均大于0 ． 7 ，因此可信。 表 1 用于 B P神经网络模型 的输入变量和输出变量 的 C r o n b a c h ’ S 口法信 度检验 Ta b l e 1 Th e r e l i a b i l i t y t e s t o f i npu t a n d o u t pu t v ar i a b l e s f o r BP- NN mo de l b y Cr o nb a c h’ s口 效度 Va l i d i t y 是指测量工具或手段能够准确测 出客观事物的程度 。效度又分为内部效度和外部效 度 ，内部效度 可 以理 解 为研 究 者 的判 断 可 以取得 共 识并成 为知识 的程 度 ，外部 效 度描 述 研究 者 已证 实 的假设 可供推广 的程度 。内部 效度 可 以用 验证 性 因 子分析 来检验 ，当所 有测 量 变 量对 于 被测 变量 的负 荷系数 A 0 ． 5时，内部效度理想。本研究 的 3 0个 测量变量的 都大于 0 ． 7 6 ，因此可以认为外部效度 有效 。 4石油化工工程建设项 目管理绩效 的神 经网 络模型的函数选择与 隐层神经元个数设定 神经元的传递 函数 、神经网络的训练 函数、权 值和阈值等参数是神经网络模型的重要构成。笔者 使用 MATL AB 7 ． 6 ． 0的神 经 网络 工具 箱进 行 网络 的设 计 ，选 择 传 递 函数 时 以 常 用 者 为 准 则 。选 择 S i g mo i d型 函数 Tr a n s i g 为隐层神经元 的传递函 数 、线性函数 P u r e l i n 为输 出层神经元 的传递函 数 。选择 基 于数 值 优化 理论 的 T r a i n l m 函数 训 练 B P神经 网络 。T r a i n l m 函数 与 传 统 的梯度 下 降 法 相 比，具有 收敛 速率 快 和精 度 高等 特 点 。权 值 和 阈 值的初始化采用 Ne wf f 函数 自动完成。 S i g mo i d型函数输出 0 ～1之问的连续值 ，对较 大值的输入收敛速率慢 ，易陷入局部极值 。因此样 本数 据需要 归一化处 理 。由式 1 所示 的线性 函数对 1 O个输入与 6个输 出的样本数据进行归一化处理 。 实际应用时的输出再 由式 2 进行逆变换 ，得到原来 阈值 的数值 。 Y一 z lz i ／ z ⋯ 一z 。 1 Xo D u I 1z a x z i z ⋯ 2 式 1 和式 2 中的 X 一7 、z 。 一1 ，Xo 为 神经网络模型的输出值 。 按 交 叉 验 证 C r o s s v a l i d a t i o n的 思 想 ，将 2 8 7个样本 以 3 1的比例 划分 为 2 1 5个 训 练样 本 和 7 2个测 试样本 。 隐层 神经元 个数 的设 置 没有 专 门 的方 法 ，一 般 通过 对 比不 同神 经元 个数 情 况 下 的训 练及 测 试效 果 后得 出 。为进 行 确定 隐层神 经 元 个数 ，训 练 与测 试 的参 数取 MATL AB 7 ． 6 ． 0的默认值 。 在 1 5 ～4 O个神经元个数区间内，以 5个神经元 为间隔，通过试差法对 比隐层不 同神经元个数下 的 训练及 测试效 果 ，得 到如 表 2所示 的结 果 。表 2中 均方误 差 Me a n s q u a r e e r r o r 为各 测 试 样 本 实际 输 出与期 望输 出偏 差平 方 和 的平 均值 取 平 方根 ，平 均 绝对误 差 Me a n a b s o l u t e e r r o r 为 各 测 试 样 本 实 际 输出与期望输出偏差绝对值 的平均值。平均绝对误 差更直 观地反 映 了测试 样 本 实 际输 出 和期 望输 出之 间 的偏 差程度 。 表 2采用试差法对 比隐层不 同神经元个数 下的 训 练 及 测试 结 果 Ta b l e 2 Th e r e s ul t s o f no d e n um b e r i n hi d de n l a ye r b y t h e c o m p a r i s o n o f t he t r a i ne d a n d t e s t e d d at a No d e n u m b e r i n M e a n s q u a r e M e a n a bs o l u t e l r a mmg No ． h i d d e n l a v e r e r r or e r r o r 0 ．1 6 6 0 O ． 1 5 6 0 0 ． 1 6 2 4 0 ．1 7 4 4 0 ．1 8 4 0 0 ． 1 9 7 4 表 2表 明 ，隐层神 经元个 数 为 2 0时 ，测试样 本 实际输 出和期望 输 出之 间 可 以达 到最 好 的均方 误 差 0 ． 0 4 8 和误差精度 0 ． 1 5 6 。因此，图 1模型的隐层神 经 元 的个 数设置 为 2 0 。 5 用于石油化工工程建设项 目管理绩效评价 的神经 网络的训练与测试 5 ． 1 B P神 经 网络 的训练 与测试 神经网络的训练首先要设定最大训练次数、目 标精度 均方误差 、学 习率等参数。图 1模型在不 船 ∞ O O O O O O 第 3期 基 于人工神经 网络的石 油化 工工 程建 设项 目管理绩效评价 3 2 1 设 置 训 练 次 数 的 情 况 下 ，最 优 训 练 精 度 在 训 练 5 0 0次左右即稳定 于 0 ． 0 0 7 6 。但此时 的测试样本平 均绝 对误差 达 到 了 0 ． 9 7 1 1 ，出现 了训 练样 本 过 度学 习 的过拟合 现 象 。为 防 止过 拟 合 现 象 的 出现 ， 目标 精度应低于最优值 的水 平，对训练次数不 作限定 。 基于样 本数 据 的测 量误 差 水 平 ，并 经 过 试 差法 实 验 将 训 练 目标 精度设 为 0 ． 0 2 。学 习率 是神 经 网络案 例 学习的速率。如果学习率过大 ，就会造成学习过程 不稳定 。同样，通过试差法将学习率设定为 0 ． O 1 。 在 以上 训练 参 数 下 ，采用 Tr a i n l m 函数 训 练 用 于石 油化 工工 程 建设 项 目管 理 绩 效 评 价 的 B P神 经 网络 。经 过 2 1 5个训 练样 本 的训 练 ，7 2 个 测 试 样 本 的测试 ，得到各 测 试 样本 实 际输 出与期 望 输 出之 间的均 方误 差 为 0 ． 0 2 5 8 ，平 均 绝 对误 差 为 0 ． 1 2 2 3 。 均 方误差 曲线 如 图 2所 示 。 图 2用于石油化工工程建设项 目管理绩效评价 的 B P神经 网络测试误 差曲线 F i g ． 2 T h e t e s t e r r o r c u r v e o f B P - NN f o r p r o j e c t ma n a g e me n t pe r f o r ma nc e e v a l u a t i o n of pe t r o c h e mi c al e n g i ne e r i n g c o n s t r u c t i o n 1 Tr a i n； 2Go a l 5 ． 2 基 于遗传 算法 的 B P神经 网络 初始 权值 设置 神经网络的初始权值在很大程度上决定 了训练 结果，不同的初始权值设置会对神经网络 的训练时 间、收敛性和泛化能力产生影 响。现阶段 ，对如何 有 效地确 定 网络 的初 始 权 值 尚 无 成 熟 的理 论 指 导 ， 往 往 只能通过 随机 选 取 或 者 大量 实 验 来 确 定 ，这 就 可能导致 网络的训练时间过长 ，容易陷入局部极值 。 遗传算法具有全局搜索能力强 、收敛速率快的优点， 利用遗传算法优化神经 网络的初始权值 ，可 以得到 较 好 的均 衡效 果 。 随机生成网络的权值后 ，程序调用遗传算法对 神 经 网 络 的 权 值 进 行 优 化 计 算 。 当 遗 传 算 法 迭 代 5 0 0代 时 ，种 群 的适 应 度 趋 于 稳 定 。适 应 度 函数 是 度量群体中个体在优化计算过程中可能达到或接近 最优解的优 良程度。用此时的神经 网络权 值进行样 本 的训 练 与测试 接近 最优状 态 。 基于遗传算法的 B P神经网络 简称基于 G A 的 B P神经 网络 训练 参 数 的设 置 仍采 纳 5 ． 1节 中所 述 的数值 ， 将 训练 样 本 目标 精 度设 为 0 ． 0 5 ，并 同样 对 2 1 5个训 练样 本 进 行 训 练 ，将 训 练 后 的 神 经 网络 用 于 7 2 个 测试 样本 的测 试 。得到测 试样 本 的均方误 差 为 0 ． 0 2 1 3 ，平均 绝对 误差 为 0 ． 1 1 3 2 ，表 明基 于遗 传 算 法 的 B P神 经 网络 较 单 纯 的 B P神 经 网络 在 测试 样 本误差 精 度上有 所提 高 。 5 ． 3径 向基 函数 与广 义 回归神经 网 络的训 练测试 B P神经网络和基于遗传算法的 B P神经网络所 能达到的测试样本平均绝对误差仍显稍大。因此考 虑 利用 函数逼 近 能 力 、学 习速 率 和 泛 化能 力 等 均优 于B P 神 经 网 络 的 径 向 基 函 数 R a d i a l b a s i s f u n c t i o n 神 经 网络 RB F NN ，及 其 变 种 广 义 回归 神 经 网 络 G e n e r a l i z e d r e g r e s s i o n n e u r a l n e t wo r k ， GR NN 对石 油 化 工 工 程建 设 项 目管 理 绩 效 评 价 的 输 入输 出映射 关 系进行 建模 。 R B F神经 网络采用径向基 函数神经元 ，其传递 函数 为 高 斯 函数 R a d b a s ，神 经元 Ra d b a s的输 入 为输入向量和权值 向量 的距离乘以阈值。经过多次 试差 法 比较 ，将训 练 目标 精 度设 置为 0 ． 0 2 ，散 布 常 数设 置为 0 ． 2 5的情 况下 ， 得 到测 试 样本 的均方 误差 为 0 ． 0 1 8 2 ， 平 均绝 对误差 为 0 ． 0 9 9 7 。 广义回归神经网络具有 1 个径向基隐层和 1 个特 殊的线性层，同时，不需要进行参数的设置，得到测 试样本的均方误差为 0 ． 0 1 9 9 ， 平 均绝对误差为 0 ． 1 1 2 8 。 5 ． 4 4类神 经 网络训 练 与测试 结果 的 比较 表 3为上 述 4类 神 经 网络 模 型 经 过训 练 后 的测 试误 差 。 表 3 4类神 经 网 络训 练 与 测试 的 均 方误 差和 平均 绝 对 误 差 Ta b l e 3 M e a n s qu a r e e r r o r a nd m e a n a b s o l ut e e r r o r o f f oa r ki n d s o f ANN 由表 3可 知 ，就 笔 者 所 取 学 习案 例 的 情 况 下 ， 石油化工工程建设项 目管理绩效评价的 4类神经网 络模 型 中 ，基 于遗 传 算 法 的 B P神 经 网络 优 于一 般 3 2 2 石油学报 石油加工 第 2 6卷 的神经网络 ，这 2类神经 网络的稳定性差 ，表现为 多次训练测试得到的测试样本误差值波动较大 ；广 义回归神经网络的测试结果优于 B P神经网络 ，径 向基函数神经网络的测试结果是最优的。 6用于石油化工工程建设项 目管理绩效评价 的神经 网络模型应用示例 以中 国石油 化工 集 团公 司 的 2个石 油 化 工工 程 建设项 目的管理绩效评价结果为例，说 明笔者所建 人工神经 网络模 型 的应 用 有效 性 。应 用 已训 练 和测 试好 的径 向基 函数 神经 网络模 型 ，按 以下 步 骤进 行 数据处理计算。 1 管理绩效影响参数的处理与输入 将待评价项 目的管理绩效影响参数 ，用式 1 所 示线性函数进行归一化处理 。各 由 3 个测量变量组 合 构成影 响参 数 ，按 负荷 系数 加 权 归总 ，得 到项 目 组织、项 目策划 、沟通协调、进度管理 、费用管理、 质量管理、HS E管理、技术管理 、合同管理和风险 管理 1 0个 的参 数 值，进 行 归一 化处 理 ，并 通 过 I n p u t 函数输入模型。 示例 1 i n p u t [ 6 ． 3 1 4 8 ， 7 ． 0 0 0 0 ，6 ． 3 4 3 4 ， 5 ． 6 8 2 2 ， 6 ． 3 5 3 2 ，6 ． 3 3 9 0 ，6 ． 0 0 0 0 ，6 ． 6 7 0 6 ，5 ． 6 7 5 8 ，6 ． 3 3 1 4 ] ； i n p u t _g y [ 0 ． 8 8 5 8 ，1 ． 0 0 0 0 ，0 ． 8 9 0 6 ，0 ． 7 8 0 4 ， 0 ． 8 9 2 2 ， 0 ． 8 8 9 8 ， 0 ． 8 3 3 3 ， 0 ． 9 4 5 1 ， 0 ． 7 7 9 3 ， 0 ． 8 8 8 6 3 示例 2 i n p u t [ 6 ． 3 8 0 5 ， 4 ． 6 8 1 7 ，5 ． 0 0 0 0 ， 4 ． 0 0 0 0 ， 5 ． 0 0 0 0 ，4 ． 6 6 5 9 ，5 ． 0 0 0 0 ，6 ． 3 3 4 0 ，4 ． 3 2 3 8 ，5 ． 0 0 0 0 3 ； i n p u t _g y [ 0 ． 8 9 6 8 ，0 ． 6 1 3 6 ，0 ． 6 6 6 7 ， 0 ． 5 0 0 0 ， 0 ． 6 6 6 7 ， 0 ． 6 1 1 0 ， 0 ． 6 6 6 7 ， 0 ． 8 8 9 0 ， 0 ． 5 5 4 0 ， 0 ． 6 6 6 7 ] 2 神经网络模型计算 通过 o u t p u t s i m n e t ，i n p u t g y 函数 的计 算 ，得到 2个示例 的管理 绩效输 出 。 示例 1 o u t p u t 一[ 1 ． 0 0 2 7 ，0 ． 7 5 5 7 ，0 ． 7 4 8 4 ， 0 ． 8 2 4 3 ，0 ． 9 9 4 1 ， 0 ． 8 4 6 0 3 示例 2 o u t p u t 一[ 0 ． 7 5 7 1 ，0 ． 6 8 0 5 ，0 ． 7 7 0 9 ， 0 ． 6 3 1 6 ，0 ． 7 9 5 7 ， 0 ． 8 6 9 1 3 3 输 出数 据 的逆 变换 采用式 2 对神经网络模型给出的计算结果进行 逆 变换 ，得 到 2 个 示例 1 ～7 值 区 间的质量水 平 、造 价 、建设工 期 、HS E、技 术水 平 和 效益 水 平 6个 管 理绩效指标数据 ，结果列于表 4 。由表 4的