基于神经网络的投标报价系统

《基于神经网络的投标报价系统》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要本文针对建筑行业投标报价过程中的种种难题，利用神经网络等人工智能技术开发了一套投标报价决策支持系统。全文主要的研究内容和研究成果概括如下：针对建筑行业投标报价过程中难以确定“投标形势”的难题，首次将层次贡献分析法应用于投标报价过程中的变量选择问题，一方面避免了在建模过程中如何正确设定函数形式的困难，另一方面也扩充了回归建模研究中的函数类型，使变量选择研究更具有一般性，仿真结果表明：使用层次贡献分析法删减变量后的投标报价模型更加符合实际的报价需要。众所周知，神经网络模型的输出质量在很大程度上依赖于作为训练样本的

2、数据的质量。在实际的投标报价过程中，参与竞标的承包商每次所面临的“投标形势”都不可能与过去完全相同。因此对于报价系统来说，系统的泛化能力显得尤为重要。为了进一步改进系统的泛化能力，使其满足报价的实际需要，本文利用神经网络的概率描述，通过研究K．L信息距离和神经网络泛化能力的关系，构造了一个新的神经网络学习误差函数，并将此法与其它各种算法的泛化结果进行比较。仿真结果表明：将K—L信息距离引入神经网络学习误差函数后得到的改进BP算法具有更好的泛化能力，可以进一步提高报价系统的泛化性能。在合理建模的基础上，利用面向对象

3、的编程技术，以VisualC++6．0为开发平台，从应用的角度出发，开发出基于ACCESS数据库的投标报价系统，通过人机交互将整个报价系统应用到实际例子中。关键字：投标报价；神经网络；泛化能力AbstractAimingatvariousdifficultiesinthebiddingpmcedureofconstructionindustry,thepaperdevelopsadecision—supportsystembasedontheartificialintelligencetechniquessuch

4、asneuralnetworks．Thefollowingisthemalncontentofthestudy：First，asknowntoall，the“biddingsituation”thatincludesthefactorsmustbeconsideredduringthebiddingprocedureinconstructionindustryisalwayshardtomakeclear．Thepaperllsesthemethodoflayercontributionanalysistosol

5、vethevariableselectionprobleminthebiddingprocedureforthefirsttime．Ontheonehand，thedifficultyofsettingtherightfunctionduringthemodelingprocedureisavoided，andOiltheotherhand，thetypesoffunctioninregressivemodelingareextended．whichmakes氇estudyofvariableselectioni

6、smoregeneral。Thesimulationprovesthatnotonlythecalculafionissimplified，butalsothereducedmodelismorecoincidenttotherequirementofthebiddingprocess．Second．theoutputs’qualityoftheNNsystemisgreatlydependedoilthedatasenttothenetworkasthetrainingsamples，Intherealbidd

7、ingprocedure，thebiddingsituationsthecontractorfacesarealwaysquitedifferent．So也egeneralizationabilitv0fthesystemismoreimportant．Inordertoimprovethegeneralizationabiiityandtomakethesystemmoreaccordanttothepracticalrequirement，thepaperintroducestheK—Linformation

8、distancetotheerrorfimctionofthetradifionalBPalgorithm．nesimulationprovesthatthegeneralizationabilltyof也esystemtrainedwiththemodifiedalgorithmismuchbetter也anthatofotheralgorithms．Basedonth