打开文本图片集
摘 要：建筑节能设计中，需要考虑的节能因素较多，评估指标分布较为分散，预算估计中的约束条件过于复杂，导致结果偏差较大。引入遗传优化约束条件的节能建筑预算评估模型，将不同需求的建筑节能因素进行分类，根据建筑节能特性建立非线性预算评估目标函数，对构建预算评估约束条件的NP-Hard性质采用遗传算法进行求解，得到最优节能建筑预算评估模型。仿真实验表明，这种方法能够针对建筑中节能因素的特点建立准确的预算评估模型，提高了预算的准确性。
关键词：建筑节能;遗传优化;约束条件
中图分类号：TP181 文献标识码：A 文章编号：1672-2442（2015）02-0033-05
Analysis & Research of the Budget Optimization Model of
Optimal Energy-saving Building
Zhang Zhen，Wang Yumiao
（Branch of Jilin Normal University， Siping Jilin 136000，China）
Abstract：Since many energy saving elements need to be taken into consideration， the distribution of evaluation index is fragmented， and the constraints in budget evaluation is excessively complex， the result deviation in the design of building energy efficiency is bigger. The energy-saving construction budget evaluation model which introducing the constraint conditions of genetic optimization will classify the different building energy efficiency factors， and then establish a nonlinear budget evaluation objective function according to the character of building energy efficiency， using genetic algorithm to solve the nature of NP- Hard， which constructs the constraint conditions of budget evaluation， eventually we will get the optimal energy-saving construction budget evaluation model. Simulation experiments show that this method can set up accurate budget evaluation model according to the characteristics of energy saving factors in construction， thus improving the accuracy of the budget.
Keywords：building energy efficiency; genetic optimization; constraint condition
引言
随着建筑施工技术的飞速发展和节能概念的广泛应用，建筑的节能环保成为人们居住生活的重要理念。其中，建筑的绿色节能概念作为新一代建筑理念的核心，正逐渐成为加快经济增长和提高产业效益的关键，成为未来建筑施工行业的新趋势[1]。在日益普及和优化的绿色环保理念下，传统的建筑预算评估模式已不能满足人们对节能环保的新需求，这使得考虑节能因素的建筑预算评估模式逐渐受到重视。当前的建筑预算评估就是为满足日趋复杂的评估约束条件，产生的一种服务到建筑细节的新型建筑预算评估模式。对于当前新型的节能建筑预算评估模型，因其需求量大且约束条件分散、复杂等，相应的评估模型具有高复杂、非线性的特征，所以如何得到这种多约束、高复杂条件下的最优节能建筑预算评估模型，提高建筑预算评估的准确性，成为新型建筑预算评估领域需要解决的关键问题。
一般的建筑节能设计中，对于当前的建筑造价评估的方法，主要是利用线性函数构建预算评估模型，根据构建的预算评估模型求得最优预算值。但是对于节能条件复杂的建筑，传统的线性函数方法不能准确构建复杂的建筑预算评估模型，这导致求得的不是最优预算值解，不能保证建筑预算评估准确性的要求[2]。因此，针对传统的建筑造价评估方法的弊端，可以引入遗传算法优化的建筑造价评估模型构建方法，通过将不同需求的约束条件分类，根据节能建筑的特性建立非线性目标函数，来避免传统方法利用线性函数构建的造价评估模型不准确的问题，然后对构建模型的NP-Hard性质采用遗传算法进行求解，进而得到最优节能建筑造价评估解，保证求解的准确性。
1 多约束节能条件下的建筑造价问题描述
多约束节能条件下的建筑造价问题，需要考虑在建筑设计期对建筑的需求量、地理位置和节能条件，通过最优节能约束条件求解出造价最优解，以求总体造价评估结果最准确，来保证建筑节能评估结果的准确性。
将节能建筑的造价评估过程用数学模型表示，求解最优节能预算解，对多约束条件下的节能建筑预算评估过程做以下规定[3]：
1）对于节能建筑设计中的约束条件，需要选择出最优的节能条件数目、单笔造价，满足造价评估误差最小原则：
[Po=mink=1Ki=1nj=1n（CijXijk）] ①
式中，[P0]表示的是建筑造价评估误差值需要满足的原则目标函数，[Cij]表示约束条件i和约束条件j之间的数目，[Xijk]代表的是有编号的节能条件，目标函数追求的目的是建筑约束条件下的节能造价评估误差最小。
2）对于节能建筑的造价评估过程，每个有约束条件的节能建筑目标都有着固定范围的造价约束参数和数值。
3）节能建筑的造价评估中，各种约束条件的造价总量和其对应的造价评估值都是可预测的，并且客户对建筑节能造价约束中波动较小的约束值设定为恒值[4]：
[Qiv=Qi=1，2，...，nGjv=Gj=1，2，...，m] ②
式中，[Qiv]表示的是客户对造价预算中波动的速率，n表示的是该区域的造价约束预测总数，[Gjv]表示的是对应于约束中心的造价，m表示的是可产生的浮动约束的个数。
4）造价评估的周期是在大部分节能造价发生较大变化，超过模型的稳定性时，重新进行评估的时间间隔，且其对于建筑计划周期、施工周期、完成周期需要满足如图1所示的关系。
<F：＼新建文件夹 （3）＼新建文件夹 （5）＼工程经济201502＼工程二月＼工程二月-16.jpg>
图1 三种周期关系图
图1中，Q表示的是约束得到的建筑预算评估值，T表示的是模型更新，可以看出建筑周期、施工周期、完成周期之间的建筑值呈递进增加关系。
在电子商务模型中，节能建筑造价评估过程的关键指标有：节能因素占建筑材料的费用投入、节能因素占建筑材料配送的运输费用。其中由于节能因素产生的建筑施工过程费用投入一般是由节能因素造成的投入规模决定的，其值变化不定，由于作为指标标定节能目标的作用不定，一般选用节能建筑造价增加的总成本作为最有评估效果的指标，标定建筑造价评估模型的评估效率和经济效益[5-6]。对于产生的附加的节能建筑造价费用函数数学表示为：
[Fj（v）=Fj0+Ej0（v-Nj）φNj<v≤MjFj00<v≤Nj0v=0] ③
式中，[Fj（v）]表示的就是节能因素引起的建筑材料配送费用函数，[Fj0]表示的是对此配送产生的临界附加费用，[Ej0]表示的是对于节能因素引起的建设投资系数，[Mj]分别代表的是建筑存货量的临界值和饱和最大值，[φ]是剩余资金指数，满足[0<φ<1]。对于节能的建筑施工，v为实际预估消耗费用，v-[Nj]为预估消耗的剩余。其最优造价节能指标函数[Fj（v）]的变化曲线如图2所示：
<F：＼新建文件夹 （3）＼新建文件夹 （5）＼工程经济201502＼工程二月＼工程二月-17.jpg>
图2 最优建筑造价评估指标函数曲线图
由图2可以看出，对节能建筑造价的最优造价值估计指标函数，必须满足约束条件的非线性特征，因此传统的线性函数方法不能准确构建节能建筑的高精度造价评估模型。为解决多约束条件下的工程造价评估非线性问题，本文提出用基于遗传算法造价评估构建方法，下面将详细阐述此方法。
2 基于遗传算法的最优建筑造价评估模型
2.1 最优节能建筑工程造价模型的构建
由上文分析可知，对于多约束条件下的建筑工程，其节能引起的造价指标函数是非线性的，传统的线性描述方法不能建立准确的造价模型，因此需要根据节能因素对建筑成本的费用投入和引起的非常规配送中心需要进行配送的运输费用这两个指标，构架非线性指标函数，利用模糊加法算法将两个指标进行非线性函数实例化，得到两个指标结合后的非线性最优节能指标函数表达式为：
[Zα=Xα⊕Yα=[XαL+YαL，XαU+YαU]] ④
式中，[Zα]就是根据节能建筑的费用投入指标[Xα]和运输费用[Yα]这两个指标，进行模糊加法后得到的节能预算条件下的建筑预算非线性最优指标函数，L、U表示的是两个指标的权重系数。
基于节能建筑工程造价的非线性最优节能指标函数，将节能建筑工程造价的评估过程进行数学描述，根据节能建筑中的需求量多、需求频繁、节能因素分散等特点，根据最优评估结果的原则，构建节能建筑中的最优工程造价评估模型：
[Qα"Zα=min{mi∈Lj∈LHijj∈JxijJ+i∈LZα（xij）+mi∈Lj∈Jl∈UCijxijL+j∈LZα（wjxij）+mj∈Ji∈L（xijL）θSjl+j∈Jk∈KBjkzjk+j∈JSjl}] ⑤
式中，[Qα|Zα]表示的是构建的节能建筑中的最优工程造价评估模型，[Hij]表示的是由于运输节能建筑材料从中心i配送j数目的材料所生成的成本，[Zα]即为上文根据模糊加法得到的非线性指标函数，[Cij]代表的是从中心i配送j数目的建筑材料运输费用，[Sij]代表的是其他的冗余费用。[Bjk][Bjk∙zjk]为意外损耗费用。
以上指标在模型中形成最小化的评估误差配置，表示工程造价的评估过程实现最优。
考虑节能因素的建筑工程造价评估模型要实现最优造价评估目标，这需要在模型基础上加载约束条件，以保证节能建筑的造价评估过程最优化，所以针对公式⑤构建的工程造价评估模型，需要加载的约束条件为：
[mi∈Lxijl=k∈KCkjZαjki∈Lj∈UwjxijL≤HjYjj∈UYj≤P] ⑥
式中，[wj]表示的是因为节能引起的建筑运输[xijL]的耗能系数，需要满足误差最优的原则，运输费用指标[Yj]，并且节能建筑所有造价费用[Yj]的和要小于最优约束阈值P。
2.2 遗传算法求解工程造价最优解
在上文方法构建的节能建筑工程造价的最优评估模型基础上，采用遗传算法求解节能建筑中的造价评估解。因节能建筑的造价评估过程具有与遗传相似的近邻特性，故而采用遗传算法能够求解工程造价模型，得到更准确的最优造价解。
1）根据节能建筑造价评估中的节能造价约束指标非线性特性，设定遗传粒子的初始状态值为：
[Xhd=（（1-αl）Ad3+αlAdh2）/m1≤h≤Num，1≤d≤Dim] ⑦
式中，[Xh]表示的是遗传粒子群的初始状态函数，h是粒子位置，[αl]表示的是粒子群初始数目，[A（.）]代表的是粒子群在不同位置的初始状态。
2）为初始状态化的遗传粒子设定非线性遗传位置适应函数：
[f（X0h）=G0（X0h）+vol1×PE3] ⑧
式中，[f（X0h）]表示的就是遗传位置适应函数，[G0（X0h）]是非线性目标遗传粒子函数，[PE3]是粒子违反遗传规则的惩罚系数。
3）根据遗传算法规则，进行遗传粒子的更新：
[Vk+1hd=ωVkhd+c1ξ（Pkhd-Xkhd）+c2η（Pkhd-Xkhd）] ⑨
式中，[Vk+1hd]表示的是遗传粒子从[Vkhd]遗传更新后的新粒子状态，[ξ]、[η]是更新迭代系数，[Pkhd]是粒子遗传更新的监督规则。
4）根据遗传规则，以非线性指标函数为原则，利用遗传粒子的遗传迭代算法，对节能建筑的工程造价模型进行最优节能解的求解，经过k（据实际模型而定）次遗传迭代后，得到最优节能解。
综上所述，根据遗传算法与节能建筑造价中的近邻特性，可以通过遗传算法的多次遗传迭代进而求得模型的最优解，避免传统方法使用线性目标函数的模型构建不准确的问题。
3 仿真实验及实验结果对比分析
实验采用windows操作系统，利用MATLAB仿真软件，构建节能建筑的工程造价模型，基于仿真编程软件实现传统的SUV评估方法和文中提出的引入遗传算法的节能建筑造价模型构建的方法编程。本文选取了中部地区某省的14栋砖混结构住宅楼作为样本数据，其中前13个作为训练样本，第14个作为测试样本。14栋住宅楼的六个属性及需要预测的单方造价属性如表1所示。
根据以上的数据，分别采用传统的SUV线性函数构建工程造价模型方法和本文研究的基于遗传算法的工程造价模型最优分析方法进行仿真实验。通过仿真实验，记录实验过程中的数据，利用Matlab工具计算实验结果参数值，并绘制对比曲线图，得到实验结果对比曲线图如图3所示。
<F：＼新建文件夹 （3）＼新建文件夹 （5）＼工程经济201502＼工程二月＼工程二月-18.jpg>
图3 实验结果对比曲线图
由上述实验结果数据对比分析可知，由图3可以看出随着迭代次数的增加，本文研究的基于遗传算法的工程造价模型分析方法，通过构造非线性目标函数，准确搭建电子商务模型，并利用与节能造价约束问题具有相同近邻特性的遗传算法分析电子商务模型，能够求解最优节能解，达到收敛的效果。
结束语
本文提出了基于遗传算法工程造价评估模型的构建方法，通过将不同需求的约束条件分类，根据工程造价评估特性建立非线性目标函数，避免传统方法利用线性函数构建的评估模型不准确的问题，然后对构建模型的NP-Hard性质采用遗传算法进行求解。仿真实验表明，这种方法能够得到最优节能建筑工程造价模型，并求得最优节能解，保证造价评估的准确性。
参考文献
[1] Patrick G M.The World Wide Web and Electronic Commerce[M].NewYoke：JohnWiley&SonsInc，2008，1-20.
[2] Nadarajah S.Information matrix forlogistic distributions[J]. Mathematical And Computer Modelling，2012，40（9-10）：953-958.
[3] Dimitroy p. Logistics in Bulgarian manu- facturing companies[J].Int.J.Production Economics，2009，93（94）：207-209.
[4] 牛东晓，乞建勋，邢棉.建筑工程造价估计的变结构神经网络模型研究[J].华北电力大学学报，2001，28（4）：1-4.
[5] 许宁.基于模糊神经网络的建筑工程造价估计方法[J].江汉石油学院学报，2000，22（1）：87-88.
[6] 牛东晓，邢棉.时间序列的小波神经网络估计模型的研究[J].系统工程理论与实践，1999，19（5）：89-92.
[7] 梁节民.谈施工项目管理与项目成本控制的关系[J].山西建筑，2005，31（1）：144-145.
[5] 苏振民.基于灰关联度的建筑工程造价模糊估测.南京建筑工程学院学报，1993（4）：40-43.
