3遗传神经网络的建筑安全评价模型

　　为了选取最优权值，减小极小化目标输出和实际输出之间的误差，采用反向传播算法和遗传算法相结合，对神经元网络进行求解。综合安全评价步骤如下：

　　步骤1：确定安全评价对象集。

　　步骤2：建立安全评价指标体系。系统的安全状况可用一系列评价指标表示，每个指标都从不同的侧面刻画系统的安全状况，以此确定人工神经网络的输入层、隐层和输出层的节点数，构筑人工神经网络。

　　步骤3：应用AHP方法确定与各项安全评价指标相对应的初始权重系数。相对于某种安全评价目的来说，评价指标之间的相对重要性是不同的，安全评价指标之间的相对重要性的大小是靠权重系数的大小来体现的。

　　步骤4：令种群代数k←k+1。

　　步骤5：初始化染色体，并检验其可行性。

　　步骤6：通过交叉、变异、复制更新权重向量。

　　步骤7：选择安全评价的指标的学习样本，供GA-ANN训练，学习。利用训练好的神经网络权值来计算染色体的误差和适应度。

　　步骤8：根据误差函数计算每个权重向量的适应度。

　　步骤9：如果k〈N，返回步骤2。

 

　　步骤12：给出人工神经网络的最优解。

　　4 遗传神经网络建筑安全评价系统的工程实现

　　4.1 数据处理
　　
设建筑安全评价的影响因素有6个指标，各项评价指标的等级分为五等，划分的分值范围如下：“很好”（100～85）、“较好”（85～70）、“一般”（70～55）、“较差”（55～40）、“很差”（40～0）。请100位专家对每项工程的各项安全评价指标进行评判。令“很好”赋于隶属度1,“较好”赋于隶属度0.8，“一般”赋于隶属度0.6，“较差”赋于隶属度0.4，“很差”赋于隶属度，则可由下式得到神经网络的输入值。

　　其中k _i为专家评价为某一个等级的专家数占专家总数的比例。