基于粗集_神经网格的项目风险分析方法研究

收稿日期:2006-04-14基金项目:河北省科技厅博士基金项目(99547013D )作者简介:郭章林(1961-),男,河北高碑店人,博士,教授,从事系统可靠性、防灾减灾与风险分析研究。

文章编号:1007-6743(2006)03-0087-04基于粗集2神经网格的项目风险分析方法研究郭章林,何洪娟,张洪亮(河北工程大学经管学院,河北邯郸　056038)摘要:针对国际工程项目生命周期全过程中的各风险因素,给出了风险等级分析的决策表,并运用粗集对风险决策表的各属性和属性值进行约简,找出了引发各等级风险度的主要特征属性;然后结合神经网络模型进行分析,使国际承包商在作风险因素分析时节省了时间,更为快捷地决定投标与否及投标成本。

关键词:粗集;神经网络;风险因素;风险等级中图分类号:F224.5 文献标识码:A 随着企业改革的不断深化,国内建筑市场已趋于饱和,企业要想生存和发展,就必须参与激烈的外部市场竞争。

中国加入WT O 为国内企业参与国际竞争提供了有利条件,但是机遇和挑战并存。

如何合理分析国际工程的风险是项目运作的一个不可忽视的方面。

由于当今国际工程承包市场供大于求,承包商如何根据各种风险因素确定风险等级进而做出相应的决策已成为人们十分关注的问题。

国际上对风险分析已有多年历史,各国都已取得了丰富的经验,已总结出诸如调查和专家打分法、层次分析法、模糊数学法、统计概率法、敏感性分析法、蒙特卡罗模拟法、CI M 模型和影响图等方法[1]。

这些方法各有利弊,本文将粗集与神经网络结合方法应用到国际工程承包风险管理领域。

二者的结合反映了人类智能的定性和定量,清晰和隐含,串行和并行相互交叉混合的常规思维机理。

通过粗集对数据的二维约简预处理清除了样本中的冗余,在提高神经网络预测精度的同时降低了学习负担。

应用到国际工程管理领域,可以通过对冗余风险因素的剔除用以帮助承包商准确快速地识别、评价和预测所在工程的风险程度,从而做出科学合理的决策。

1国际工程风险分析1.1概念工程风险(project risk )指一项工程在设计、施工及移交运行各个阶段可能遭受的风险。

风险分析(analysis )是指应用各种风险分析技术,用定性、定量或者两者相结合方式处理不确定性的过程,其目的是评价风险的可能影响,是决策的基础。

在项目生命周期的全过程中,会出现各种不确定性,这些不确定性将对项目目标的实现产生积极或消极影响。

项目风险分析就是对将会出现的各种不确定性及其可能造成的各种影响和影响程度进行恰如其分的分析和评估。

通过对那些不太明显的不确定性的关注,对风险影响进行揭示,对潜在的风险分析和对自身能力的评估采取相应的对策,从而达到降低风险的不利影响或减少其发生的可能性之目的。

1.2常见风险分析方法国际学术界最近调查的结果表明:目前常用的风险分析技术主要有调查打分法(76%)、蒙特卡罗模拟(72%)、PERT (64%)和敏感性分析(60%),而且主要应用在项目决策和投标报价阶段[1]。

其他技术如CI M 、模糊数学、多目标决策树模型及效用理论等,尽管也有应用,但并不广泛,其主要原因是承包商在绝大多数情况下根本没有时间去做这样复杂的分析,因为大多数国际承包商还没有建立起一套较系统的,使用灵活的风险管理软件。

2基于粗神经的风险分析2.1粗集理论及约简粗集理论是一种不确定性数据分析方法,神第23卷　第3期 河　北　建　筑　科　技　学　院　学　报 V ol 123　N o 132006年9月 Journal of Hebei Institute of Architectural Science and T echnology Sep 12006经网络是利用非线性映射的思想和并行处理的方法。

前者模拟人类的抽象逻辑思维,后者模拟形象直觉思维,二者的结合具有很强的互补性。

在国际工程风险分析过程中,描述风险行为的特征很多,比如项目选择工作中蕴藏的风险包括项目选择不慎、业主难以合作、项目资金不足、不公平交易、项目本身的地理位置或施工用料不合适等,所有这些,有些特征是相关的,有些特征是独立的,独立的特征能提供互补信息,因而应该保留;相关特征产生冗余信息,同时会增加计算工作量,因而需要消除,基于粗集理论的特征属性约简正好为消除这些冗余特征提供方便。

1)基本定义。

定义1:知识表达系统可描述为S=(U,A),其中U为非空有限集,称为对象集;A为非空有限集,称为为属性集。

设V a为属性a∈A的值域,a 是U到a的值域的映射。

C,D是A的非空子集,C ∩D=<,称(U,C,D)为(U,A)的决策表。

对于知识表达系统S=(U,A),或B是A的一个非零子集,称二元关系ind(B)={(x,y)∈U×U:任意的a∈B,a(x)=a(y)}为S的不可分辨关系。

其中x,y为U中的元素,不可分辨关系将论域分成不同等价类。

不可分辨关系是粗集理论中的一个重要概念。

在决策表中,描述对象的属性是一种不精确信息,这种不精确信息造成对象之间是不可分辨的或不分明的,观察这种不可分辨关系的对象正是粗集理论的研究出发点。

定义2:设X是U的一个子集,x为U中一个对象,[x]R表示所有与x在U上的等价关系R下不可分辨的对象所组成的集合。

令{x|[x]RΑX}=R(X),称R(X)为集合X关于知识R的下逼近(或下近似);{x|[x]R∩X≠<}=R(X),称R(X)为集合X 关于知识R的上逼近(或上近似)。

2)知识约简。

现实世界中有许多决策问题可以用决策表的形式来表达。

决策表也是一种分类,其中的决策属性相当于分类中的类属性,但由于应用领域不同,因此两者的侧重点也有所区别。

决策关注的是以尽量少的规则和属性来得到一个完整的决策规则集。

因此对决策表的处理主要是对其进行简化和最小化,简化包括对属性集的简化,也包括对属性值的简化和冗余属性的删除,最小化在本文中定义为决策集中的规则数目最少。

定义3:S=(U,A)为知识表达系统,定义k =γ(C,D)=C ard(P c(D))/C ard(U),称D以程度k依赖于C,此处,P c(D)=∪Y∈U/ind(D)ind(C)(X),为C关于D的正域定义4:(U,C,D)是一个决策表,a为C中任意一个元素。

如γ(C-{a},D)=γ(C,D),则称a可以约简,否则称a不可以约简。

如C中任意一个元素都不可以约简,则称C独立。

C′为C的任意非空子集,如γ(C′,D)=γ(C,D),并且C′独立,则称C′是(U,C,D)的条件属性简化。

定义5:S=(U,A)为知识表达系统,F,G为A的非空子集,F∩G=<,x为U中任一元素,称({(a,a(x))|a∈F},{(b,b(x)|b∈G})为S的规则,记为R(x,F,G),称{(a,a(x))|a∈F}为R(x,F,G)的条件,{(b,b(x))|b∈G}为R(x,F,G)的决策。

对U中任意一个元素y而言,当R(y,F,G)与R(x,F,G)条件相同时,它们的决策也相同,则称R(x,F,G)协调。

定义6:(U,C,D)是一个决策表,x∈U,称R(x,C,D)为(U,C,D)的规则。

定义7:(U,C,D)是一个决策表,R(x,C,D)为(U,C,D)的一个协调规则,c∈C;如R(x,C-{c},D)协调,则称c可以去掉,否则称c为R(x,C,D)的核属性,c(x)为R(x,C,D)的核值。

如C中的所有元素都不能去掉,则称R(x,C,D)的条件是独立的。

C′为C的任意非空子集,如R(x,C′,D)协调,并且R(x,C′,D)的条件是独立的,则称R(x,C′,D)为R(x,C,D)的简化。

表1　决策表U F1F2…F M DX1f11f12…f1m d1X2f21f22…f2m d2………X n f n1f n2…f nm d n在国际工程风险分析中的决策如表1所示,表中F i(i=1,2……m)表示工程项目遇到的各风险因素,X i(i=1,2……n)表示工程项目所处的各风险状态;d i(i=1,2……n)表示工程总的风险等级评价;f ij表示状态j在风险因素i下的风险等级。

2.2神经网络的算法结构和实现采用最常用的三层B P前馈神经网络,网络各层之间完全连接,包括输入层S1,隐含层S2和输出层S3,其中m,n,p分别为输入层、隐含层和输出层的神经元数,如图1所示:88河　北　建　筑　科　技　学　院　学　报2006年B P算法是由信息的正向传递与误差的方向传播两部分组成。

在正向传递过程中,输入信息从输入隐含层计算传向输出层,如果在输出层没有得到期望的输出,则计算输出层的误差变化值,然后转向反向传播。

通过网络误差信号沿原来的连接通路反向传回来修改各层神经元的权值直至达到期望目标。

神经网络算法具体包括网络结构的确定、网络参数(权矩阵W1和W2初始值、学习率η、动量因子β、非线性函数参数α及误差阙值ε)的确定、训练样本数据的处理、权值计算、误差计算等步骤,这里权矩阵W1连接输入层与隐含层,权矩阵W2连接隐含层与输出层。

2.3进行工程风险分析的方法将粗集的约简方法与神经网络方法结合起来,便得出一种基于粗集神经网络的数据融合模型。

使用此模型,通过比较粗集和神经网络的学习结果并交换修改相应结果,产生一个基于粗集神经网络的国际工程风险分析方法。

首先将原始的训练集用粗集进行预处理,进行属性约简,提取出重要的特征属性,然后对这些属性进行离散化、归一化处理,作为神经网络的输入,对神经网络进行训练学习,以确定相应的权值,最后根据训练好的神经网络系统将测试集作为输入数据进行识别和分类,以判断工程项目的风险程度。

3实例3.1决策表分析因为国际工程项目自身的复杂性,不同的项目其风险因素的重要程度也会不同。

基于这一点考虑我们借鉴了一个以调查和专家打分法为分析工具的风险调查表,这里对各个风险因素的权数都做了合理界定。

然后我们对风险因素进行约简,风险因素变少了从而得出最终项目风险等级程度的结果。

由于风险因素的多样性及其风险等级的细分化,我们仅抽取出有代表性的10个状态和5个风险因素,进而说明该方法的适用性。

这些数据包括政局不稳、物价上涨、业主支付能力、技术难度和材料供应,然后对这些数据进行了分析和计算,利用专家赋予各风险因素权重值,得出国际工程发生风险与各因素间的关系,建立了某国际工程项目风险分析的决策表,如表2所示。

表中,U为对象集,即存在工程风险的各状态集合,由于篇幅有限我们仅取有代表性的几个样本来说明问题的需要,而不是着重分析某一工程项目的具体风险度);D为决策属性风险度;(a,b, c,d,e}为属性集合,即各风险因素,其中a表示政局不稳(权重为0.05),b表示物价上涨(权重为0.15),c表示业主支付能力(0.10),d表示技术难度(0.40),e表示材料供应(0.30),由此可见该工程项目属于对技术风险要求较高的项目类型;{1, 2,3}表示风险度,其中1表示风险较大(0.8),2表示风险中等(0.6),3表示风险不大(0.4)。