【doc】蚁群化学聚类在工程项目风险预测中的应用研究

【doc】蚁群化学聚类在工程项目风险预测中的应用研究 蚁群化学聚类在工程项目风险预测中的应 用研究 ComputerEngineeringandApplications计算机工程与应用 蚁群化学聚类在工程项目风险预测中的应用研究 王翔,郑建国,王玉玲 WANGXiang,ZHENGJianguo,WANGYuling 东华大学旭日工商管理学院,上海200051 GloriousSunSchoolofBusinessandManagement,DonghuaUniversity,Shanghai200051,China E—mail:shanghaiwx@live.cn WANGXiang,ZHENGJianguo,WANGYuling.ApplicationofAntClustalgorithminprojectsriskforecasting.Computer EngineeringandApplications,2011.47(2):239-241. Abstract:projectriskpredictionisaveryimportantissue,projectmanagersveryconcernaboutit.Butthereisnotamethod acceptedbymostofthescholaruntiltoday.ThispapertriestouseAntClustalgorithmtoresolvethisproblemandthrough anumericalexampletoexplainthewholeprocess,theresultoftheindicatingisgood.ItfindsoutthatcomparedwithSVM theAntClustalgorithmhasthecharacteristicsofsimpleoperation. Keywords:AntClust;SupportVectorMachine(SVM);riskforecast 摘要:工程项目风险预测是一个非常重要的问题,项目经理都很关心,但是至今仍 然没有一种项目风险预测方法得到学者们公 认.尝试将蚁群化学聚类算法用于这一问题,并通过一个算例来说明整个过程,结 果显示预测效果良好.针对此问题将蚁群化 学聚类算法与SVM进行了比较,表明了与svM相比蚁群化学聚类算法具有简单 易操作的特性. 关键词:蚁群化学聚类;支持向量机;风险预测 DOI:10.3778/j.issn.1002—8331.2011.02.071文章编号:1002— 8331(2011)02.0239.03文献标识码:A中图分类号:TP301 1引言 任何工程项目都存在着风险,而且随着工程项目规模及 其范围的不断扩大,实施过程中的风险种类和数量也明显增 多,如何有效地管理工程项目风险问题已经成为人们关注的 焦点.由于风险预测是风险管理的基础,风险的预测也引起 了学者们的关注,并取得了一些成果. 2002年,曾小春等在文献(11中,对工程项目管理中的伦理 风险与防范措施进行了探讨与研究.2005年李晓宇等在文献 【2】中,从工程项目风险管理理论入手,结合工程项目的实际特 点,构建了风险评价指标体系,并建立了一个基于模糊综合评 判的风险评价模型.2005年张毅等在文献[3】中,研究了工程 项目中自然风险的预测,并将RBF神经网络的方法应用到其 研究中.2007年黄建文等在文献【4]中,针对常见的工程项目 风险评价方法中存在问题,在建立风险评价指标体系的基础 上,将层次分析法和模糊综合评判法结合起来,利用德尔菲法 中的经验数据,建立了风险评价的模糊层次分析模型.2005 年张丽霞等在文献[5】中和2007年李万庆等在文献[6]中,均采 用了支持向量机的方法研究工程项目的风险,其中文献[5】则 是对工程项目的施工和承包风险预测进行研究,而文献[6】研 究的是过程项目工期风险预测. 在以上文献提到的风险评价方法中,可以分成二类,第一 类是利用传统的综合评价方法,对工程项目风险进行评价,这 是一种应用最广泛的方法,这种方法的缺点是人为因素多而 且手工计算繁琐,在进行风险分析的时都会依据专家经验. 第二类是智能化方法,这类方法的典型代表是RBF神经网络 和SVM分类,它的缺点是计算模式复杂,必须把数据分为训 练数据集合和预测数据集合,而且训练集合的样本量不能太 小,风险预测效果依赖于训练集合训练的好坏.本文主要思 想是将蚁群化学聚类算法应用到工程项目的风险分析中,而 这主要基于两点考虑,第一,蚁群化学聚类算法是一种无监督 聚类算法,不需要任何的先验条件,就可以对风险进行分类预 测,这正好为了克服以上综合评价方法和智能化方法进行风 险预测的缺点;第二,目前还没有蚁群化学聚类算法应用于工 程风项目风险预测的文献,这方面的研究还是空白. 2蚁群化学聚类算法 2002年Labroche等提出叫做蚂蚁簇(AntClust)的聚类方 法,主要是利用化学识别系统原理来聚类的. 这个算法有以下几个重要的变量,每只蚂蚁用ai代表;每 只蚂蚁有一个巢穴属性,由标签Lable代表,初始化时,蚂蚁不 受任何巢穴的影响,所以Lable=0,随后标签不断变换直到蚂 蚁找到最好的巢为止,最后每个蚂蚁的标签Label,就是它所属 于的聚类编号;每只蚂蚁的 模板 个人简介word模板免费下载关于员工迟到处罚通告模板康奈尔office模板下载康奈尔 笔记本 模板 下载软件方案模板免费下载 由蚂蚁的基因Genetic和接受 阈值Template组成,前者对应于数据集的对象且在算法过程 作者简介:王翔(1976一),男,博士生,主要研究领域:智能决策,智能算法;郑建国 (1962一),男,博士生导师,主要研究领域:智能算法;王玉玲 (1986一),女,硕士生,主要研究领域:知识工程. 收稿日期:2009—04.27修回日期:2009.07.06 王翔,郑建国,王玉玲:蚁群化学聚类在工程项目风险预测中的应用研究 分类结果中的,每个数字f代表第f个项目.由以上结果, 可得两个结论.第一,聚类结果和表1的风险分类结果一致, 例如第1,6,7,9,12,13个项目风险等级相同,在表1中 属于1级;在表1中第2,3,8,10,14个项目都属于风险等 级2级;在表1中第4,5,11个项目都属于风险等级3级.第 二,可以得出测试样本属于风险等级1级,原因是测试样本是 第15个项目,而这个项目在以上的聚类结果中显示和第1,6, 7,9,12,13个项目归于一类,而这6个项目都是风险等级1 级.风险等级1级是指风险水平很低的项目,所以测试项目的 风险很低.这和文献[5]中的结果一致. 3.3与SVM的比较 和文献【5]中的SVMJ~I险预测相比,基于化学蚁群聚类算 法至少表现了两个优势,第一,基于化学蚁群聚类算法是一种 无监督聚类算法,不需要任何先验条件;而SVM必须要进行 一 次训练的过程,必须把数据分成洲练样本和测试样本.第 二,SVM方法的参数选择是一个非常繁琐的过程,如果参数不 合适,可能会造成预测结果的不准确;而用于工程项目风险预 测的化学蚁群聚类算法不需要,用通常的参数就可以得到理 想的结果.由此可见,将蚁群化学聚类用于工程风险预测是 一 个不错的选择. 4结论 蚁群化学聚类是2002年才诞生的一种新的聚类算法,本 文将它用于工程项目风险的评价上,结果显示是可行的和有 效的.由于使用时不需要先验条件,所以比利用SVM的方法 更简单.项目风险管理人员可以根据该方法,有效地事先预 测项目风险水平,从而更加科学地进行风险应对及管理.如 何将化学蚁群聚类算法和其他聚类算法的思想有效地结合, 来提高聚类的准确率是下一个阶段研究的目标. 参考文献: [1]曾小春,胡贤文.工程项目管理中的伦理风险与防范[J1_中国软科 学,2002(6):I22.124. [2]李晓宇,张明玉,张凯.工程项目风险评价体系研究[JJl科技进步与 对策,2005(6):43.45. [3】张毅,彭毓.RBF神经网络在工程项目自然风险预测中的应用[JJ_ 建筑技术开发,2005,32(5):124—126. [4]黄建文,李建林,周宜红.基于FAHP的工程项目风险评价模型[J1l 统计与决策,2007(7):136—138. [5]张丽霞,施国庆.基于支持向量机的工程项目风险预测研究[J】.汁 算机工程与应用,2005.41(21):224—226. [6】李万庆,李海涛,孟文清.工程项目工期Jx【险的支持向量机预测模 型[J].河北工程大学:自然科学版,2007,24(4):1-4. 【7】LabrocheN,Monmarch6N,VenturiniG.Anewclusteringalgo— rithmbasedonthechemicalrecognitionsystemofants[C]// Procof15thEuropenConferenceonArtificialIntelligence (ECAI2002),LyonFrance,2002:345—349. (上接236页) [6】Maldonado—BasconS,Laufente—ArroyoS,Gil?JimenezP,eta1. Road—signdetectionandrecognitionbasedonsupportvector machines[J].IEEETransactionsonIntelligentTransportationSys- tems,2007,8(2):264—278. [7】BarnesN,ZelinskyA,FletcherLsReal-timespeedsigndetection usingtheradialsymmetrydetector[J].IEEETransactiononIntel— ligentTransportationSystems,2008,9(2):322—331. [8]HoughPVC.Methodandmeansforrecognizingcomplexpat— terns[PJ.USPatent:3069654,1962:12—18. [9]BroggiA,CerriP,MediciP,eta1.Realtimeroadsignsrecogni— tion[C]//IEEEIntelligentVehiclesSymposium.Istanbul:IEEEIn— telligentTransportSystemsSociety,2007:981—985. [10】FleyehH.Shadowandhighlightinvariantcoloursegmentation algorithmfortrafficsigns[C]//SecondIEEEConferenceonCy— berneticsandIntelligentSystems.Bangkok:IEEEPress.2006: 1—7. [11]ForsythDA,PonceJ.Computervision:Amodernapproach[M]. 林学阁,王宏.北京:电子工业出版社,2004:286—288. (上接238页) 步骤4x=x+d,再把x作归一化处理,若满足约束条 件,则选中该染色体,否则,M=rand*M,再重复执行步骤4, 若执行次,就保留原染色体. 步骤5重新给赋值,重复执行步骤4popsize一1次. 在以上交叉和变异操作中,取Pc:0.6,P=0.005.用 Matlab软件计算得最优解为: = (O.1986,0.1734,0.1369,O.1169,0.1330,0.2413) 此时得到这6种证券在非负投资比例约束下实现预期投 资的效用风险g(x)=0.0220. 4结语 在对投资组合模型的特点进行分析的基础上,对遗传算 法的编码,遗传算子的设计以及算子参数的确定等方面进行 了深入的研究,设计出了一个能够有效求解分式效用投资组 合模型的遗传算法.实例的计算结果表明,在求解这类比较 复杂的非线性规划『uJ题时,遗传算法有明显的优势,但在利用 遗传算法求解具体的优化问题时,还必须结合要求解问题的 领域知识对算法进行重新设计才能取得较好的效果,构造惩 罚函数对模型进行了求解. 参考文献: 【1]AdersonTW.Anintrodutiontomultivariatestatisticalanalysis[M]. 2nded.NewYork:JohnWileySons,2001. [2]MustafaMA,GuanJiabao.Progressivegenticalgorithmforsolu? tionofoptimizationproblemswithnonlinearequalityandinequality constrains[J].AppliedMathematicalModeling,1999,23:324—343. [3]白先春.非负约束条件下组合证券投资决策的遗传算法[JJ_运筹与 管理,2001,6(2):11O-113. [4]HromkovicJ.Algorithmicsforhardproblems[M].Heidelberg: Springer,2001. [5]HuangXiaoxia.Riskcurveandfuzzyportfolioselection[J].Com? putersandMathematicswithApplications,2008,55:1102—1112.