Abstract
This technical note applies hybrid models of neural networks (NN) and genetic algorithms (GA) to cost estimation of residential buildings to predict preliminary cost estimates. Data used in the study are for residential buildings constructed from 1997 to 2000 in Seoul, Korea. These are used in training each model and evaluating its performance. The models applied were Model I, which determines each parameter of a back-propagation network by a trial-and-error process; Model II, which determines each parameter of a back-propagation network by GAs; and Model III, which trains weights of NNs using genetic algorithms. The research revealed that optimizing each parameter of back-propagation networks using GAs is most effective in estimating the preliminary costs of residential buildings. Therefore, GAs may help estimators overcome the problem of the lack of adequate rules for determining the parameters of NNs
چکیده
این یادداشت فنی در مورد مدلهای ترکیبی از شبکه های عصبی (NN) و الگوریتم های ژنتیک (GA) برای تخمین هزینه ساختمانهای مسکونی به منظور پیش بینی تخمین هزینه های اولیه می باشد. داده های مورد استفاده در این مطالعه مربوط به ساختمانهای مسکونی ساخته شده از سال 1997 تا 2000 در شهر سئول کره جنوبی می باشند. این داده ها برای آموزش هر یک از مدلها و ارزیابی عملکرد آنها بکار رفته اند. مدل های بکار رفته عبارت بودند از مدل I که هر یک از پارامترهای شبکه پس انتشاری را بوسیله فرایند آزمون و خطا مشخص می کند؛ مدل II که پارامترهای شبکه پس انتشاری را بوسیله الگوریتم های ژنتیک بدست می آورد؛ و مدل III که وزن های شبکه های عصبی را با استفاده از الگوریتم های ژنتیک آموزش می دهد. این تحقیق آشکار ساخت که بهینه سازی پارامترهای شبکه های پس انتشاری با استفاده از الگوریتم های ژنتیک، اثربخشی بیشتری در تخمین اولیه هزینه های ساختمانهای مسکونی دارد. بنابراین الگوریتم های ژنتیکی می توانند به تخمین زننده در غلبه بر مشکل فقدان قوانین کافی بری تعیین پارامترهای شبکه های عصبی، کمک می کنند.
-1مقدمه
دقت تخمین هزینه در یک پروژه ساختمانی، در موفقیت پروژه نقش حیاتی دارد. یکی از مطالعات اخیر موید دقت بیشتر شبکه های عصبی (NNها) بوده، اما اشکالات آنها از جمله نیاز به تعیین معماری شبکه عصبی، نرخ یادگیری و گشتاور را هم نشان داده است (Hegazy et a., 1994; Hegazy and Moselhi, 1994).
این فاکتورها معمولاً به شکل تصادفی بدست می آیند که فرایندی زمانبر و طاقت فرساست. Vonk و همکارانش (1997) به این نتیجه رسیدند که فرایندهای تصادفی برای ساختن معماری و پارامترهای بهینه شبکه پس انتشاری (BPN) کافی نیستند؛ بنابراین [دستیابی به] رهیافت های نظام مند و پربازده تری ضروری است. Hegazy و همکارانش (1994) متوجه شدند شبکه های BPN به واسطه آزمون و خطا، که زمان و تلاش زیادی را می طلبد، بازطراحی و بازآموخته می شوند. پیشنهاد آنها بهینه سازی با استفاده از الگوریتم های ژنتیک (GAها) بود…