学位论文 > 优秀研究生学位论文题录展示

基于改进GA-SVR算法的评标模型及其在某工程项目招投标评价中的应用

作　者: 杨润莲
导　师: 李红昌
学　校: 北京交通大学
专　业: 项目管理
关键词: 改进GA-SVR算法招标投标评标评标模型
分类号: F224
类　型: 硕士论文
年　份: 2009年
下　载: 81次
引　用: 0次
阅　读: 论文下载

内容摘要

招标是我国现行的工程项目、服务和物质采购的重要方式,是社会主义市场经济的重要组成部分,其本质是一种交易方式。现行的招标评标方式主要是基于专家等评标委员会成员打分,这或多或少的存在个人主观因素的影响,这相应地减少了评标工作的科学性和公正性的成分,就产生了进一步解决评标过程中的科学性和公正性的需要,而评标模型是首要解决的问题。各种不同的招标方式和模型有其特殊性和适用的范围,在实际应用中必须考虑项目的特点。评标是招标过程中的重要组成部分,其决定了标的实现,其本质是一个高维非线性空间的最优化数学问题。SVR(Support Vector Regression:支持向量回归)算法是基于统计学习理论的小样本学习机器,与人工神经网络的经验风险最小化原理不同,其建立在结构风险最小化原则基础上,通过非线形内积函数将线性不可分的低维空间数据映射到一个线性可分的高维特征空间,在这个特征空间中进行分类和回归拟合的方法,从而有效克服维数灾难和过拟合问题。较之于人工神经元网络,该算法具有小样本、泛化性能好以及所得解是全局最优解的优势,这恰好弥补神经网络的不足。理论已经证明,支持向量机在参数选择合适的前提下可以任意精度逼近任意非线性函数。经典的SVR算法只能解决一维输出变量的回归问题,本文将一种改进的SVR算法引入建设工程项目招标评标之中,可以有效解决多维输出变量的回归问题。GA(Genetic Algorithm:遗传算法)作为一种群体进化的仿生全局最优化算法,具有许多传统梯度优化算法不具备的优点,已被广泛应用于各个领域。将GA与改进的SVR算法相耦合,采用遗传算法在SVR算法训练过程中自动搜索能使训练效果最优的SVR网络参数,以提高SVR算法的泛化性能,SVR算法运于招投标的文献资料可检索到的约20余个,而形成改进的GA-SVR算法,并将之应用到建设工程项目评标中则是一个全新的尝试。首先,论文从招标投标的历史出发,讨论了招标投标的沿革,分析了我国招标投标的历史,探讨了影响评标结果的因素,分析了常用的招标方法和模型,指出了它们的特点和适用范围,不存在包罗万象的普适的评标方法和模型,而完善招标投标的数量化和模型化是具有实际意义的事情。在总结20多个项目实际评标结果的基础上设计了基于改进GA-SVR算法的评标模型,并将设计好的改进GA-SVR算法的评标模型在A公司的B项目评标中进行了实际应用,并结合了实际工程建设中的效果,证明了这个模型具有良好的实用性。本文的主要结论有:第一,将改进GA-SVR算法的评标模型创新性地应用于招投标领域,B项目的成功证明了该模型的可靠性和可实施性。第二,训练好的改进GA-SVR模型能够在一定程度上替代评标专家用于建设项目的招标评标工作,减少人为因素的影响,提高了评标结果的客观性和公正性;同样这个评标模型也可以作为评标的辅助工具,来检验评标结果是否合理。第三,招投标中的评标工作,实质上是对经济标、技术标的各项指标综合评价,房地产项目的招投标有其基本特性,对工期、质量等指标有着较为特殊的要求,在此将评标因素进行优化控制,通过改进GA—SVR算法模型映射评标因素间的非线性关系,为评标因素的权重的设定提供决策依据。

全文目录

致谢  5-6
中文摘要  6-8
ABSTRACT  8-10
序  10-14
1 前言  14-20
  1.1 研究背景  14-15
  1.2 逻辑结构、研究方法和技术路线  15-17
    1.2.1 论文的逻辑结构  15
    1.2.2 研究方法的说明  15-16
    1.2.3 研究框架与技术路线图  16-17
  1.3 主要研究内容  17-18
  1.4 主要创新点  18-20
2 招标投标历史沿革与存在问题  20-28
  2.1 招标投标的历史沿革  20-23
    2.1.1 招标投标的历史沿革  20-21
    2.1.2 我国招标投标的历史沿革  21-23
  2.2 文献综述  23-25
    2.2.1 GA-SVR算法  23-24
    2.2.2 招标投标及评标理论的研究  24-25
  2.3 招标投标过程中存在的问题  25-28
3 相关理论综述  28-39
  3.1 基本概念  28
  3.2 招标投标的方式  28-29
  3.3 一般建设工程项目招标投标的程序  29-31
    3.3.1 招标组织  30-31
    3.3.2 投标组织  31
    3.3.3 开标、评标、中标  31
    3.3.4 签订合同  31
  3.4 招标投标的功能及意义  31-33
  3.5 招标投标的原则  33-35
  3.6 常用评标方法  35-39
    3.3.1 专家打分法  35-36
    3.3.2 最低标价法  36
    3.3.3 两阶段评议法  36
    3.3.4 基于人工智能的综合评分法  36-37
    3.3.5 总结  37-39
4 A公司的招标评标发展历程  39-43
  4.1 A公司简介  39
  4.2 A公司采用的招投标方法介绍  39-40
    4.2.1 合格名录招投标的方式和流程  39-40
    4.2.2 合格名录招投标法的参与方  40
    4.2.3 合格供应商的标准  40
  4.3 A公司合格名录法招投标机制分析  40-42
    4.3.1 A公司合格名录法招投标机制的性质  40-41
    4.3.2 A公司合格名录招投标机制的特点  41-42
  4.4 A公司的评标模型沿革  42-43
5 改进GA-SVR算法的评标模型设计  43-61
  5.1 支持向量机(Support Vector Machines)  43-52
    5.1.1 机器学习的基本问题和方法  43-45
    5.1.2 统计学习理论  45-48
    5.1.3 支持向量机  48-51
    5.1.4 改进的SVR算法  51-52
  5.2 遗传算法  52-57
    5.2.1 遗传算法的基本思想  52-54
    5.2.2 遗传算法的实现  54-55
    5.2.3 十进制遗传算法  55-57
  5.3 改进的GA-SVR算法  57-58
  5.4 影响评标结果的重要因素  58-61
    5.4.1 经济标  58-59
    5.4.2 技术标  59-60
    5.4.3 综合得分表  60-61
6 改进GA-SVR算法的评标模型在A公司B项目招标投标评价中的应用  61-67
  6.1 B项目概况介绍  61
  6.2 基于改进GA-SVR算法的B项目招标的评标  61-66
    6.2.1 训练样本的获取  62-63
    6.2.2 基于改进GA-SVR算法的B项目招标的评标  63-66
  6.4 B项目实际工程建设中的状况  66
  6.5 小节  66-67
7 结论与展望  67-69
  7.1 基本结论  67
  7.2 研究展望  67-69
参考文献  69-73
作者简历  73-75
学位论文数据集  75

基于改进GA-SVR算法的评标模型及其在某工程项目招投标评价中的应用

内容摘要

全文目录

相似论文