工程管理论文哪里有？笔者考虑到 BP 算法是基于梯度下降的方法，非常容易陷入局部最优，且初始权重、阈值均为随机等情况，利用遗传算法对 BP 神经网络权重、阈值进行筛选，将筛选后的最佳权重和阈值赋予 BP 神经网络，以此提高 BP 神经网络学习质量，防止BP 神经网络陷入局部最优解。
第 1 章 绪论
1.2.2 国外研究现状
国外学者对于供水管网渗漏研究起步较早，他们主要从统计模型和神经网络模型两个角度进行了供水管网漏损的研究。Shamir 和 Howard[10]使用非线性回归处理实际问题设置相关变量，研讨管道破损率与管道使用年限之间的关系。学者们通过测量管道长度、记录搭建管道数据以及管道破损数据，接着根据管道材料、管道半径、土壤质地、管道破损模型分成实验组和对照组。以上学者认为造成爆管的因素应根据实验结果对管道按爆管原因区分，再进行上述方法研究。Walski 和 Pelliccia[11]进一步改变了实验变量，他们确定两个变量记录数据，分别为管道破损频率和大管径管道破损率。结果显示倘若其中一段管道有过破损情况，它再次发生破损的可能性会更大。Yamijala 和 Guikema[12]通过管道障碍原因设置了周期相关性、周期变化、Logistic 相关性和泊松相关性结构，将实验数据进行拟合参照。得出最佳模型：Logistic 广义线性模型，该模型拟合效果最好，符合程度最高。
Shirzad[13]研讨管道破损现象，以管道的制作材料年限、管径、掩埋深度和管道内部水压作为参考，选定向量回归和神经网络模型，进行试验管道损耗拟合，得出结论，神经网络模型拟合效果更佳。以管网能达到最高压力水平，计算出管道网络的平均压力作为影响因素，作为处理模型的最优选择。Jafar[14]收集国家的一个小镇不间断22 年的管道网络记录，选定神经网络建模，对管道破损次数和管道更换周期比照结果。Ho[15]对管道半径和管道材料的实验记录，选定人工神经网络模型评测管道破损几率。最终得到 5525 个实验数据，选出 3355 组实验数据作为模型，剩下的实验数据作为补充。得到结论发现拟合成功率达 96%，可以直接助力决策者制定维护和修复城市水网的最佳策。Makropoulos[16] 等相关学者探讨类神经模糊系统评估管道破损的具体因素，根据主管的实验数据拟合模型。得到结论这种实验模型可以精确地评估管道破损的影响因素。Amaitik [17]等相关学者建立模拟和评估相结合的方式构建人工神经网络，评估以混凝土材料制成的管道的破损情况，提供管道数据信息给管线信管中心保证管道的健康状况，完成复核，修建等工作。通过实验现象得出结论，多层线性回归模型评估结果更佳。
第 3 章 城市供水管网健康状态评估指标体系
3.1 城市供水管网健康状态评估指标体系构建原则
城市供水管网健康状态评估涉及多个领域，诸多因素共同影响决定了供水管网的健康状态。如何选取指标要素，从而进一步建立供水管网健康状态评估指标体系，对于评估结果的准确性至关重要[34]。因此，首先我们要确立评估指标要素的选取，在评估指标要素的选择中，需要注意两个重要问题：第一是评估指标要素应该与供水管网健康状况有着较强的关联；第二是评估指标要素应该是易于获取，且易于量化；然后根据选定的评估指标要素建立评估指标体系；最后就是利用建立的评估指标体系对城市供水管网健康状态进行评估，根据评估结果指导供水公司管理人员对供水管网进行科学管理，为后续改造工程提供改造依据。城市供水管网健康状态影响因素众多，且存在相互关联，因此，对于指标体系的建立应遵循以下几点原则：
（1）可行性原则
城市供水管网健康状态评估指标体系应该在科学合理的基础上尽可能简单、容易操作，指标要素如果不能保证其准确，对于评估结果的准确性会适得其反，定性指标应该通过量化方法进行量化操作，定量指标应该定义明确且容易获取，便于相关管理人员进行分析和统计。
（2）完备性原则
城市供水管网是一个复杂的综合系统，因此城市供水管网健康评估指标体系就需要全面、多角度的评估供水管网的健康状态[35]。不同角度的影响因素和特征都能得以考量，使得该评估指标体系更加完备，评估准确性进一步提升。
第 5 章 基于遗传算法的城市供水管网健康状态评估
5.1 遗传算法概述
遗传算法（Genetic Algorithm，GA）是由美国的 John holland 于 1975 年首次提出的。该算法通过借鉴自然界物竞天择、适者生存的遗传机制演化而来[43]。通过数学原理与计算机仿真相结合,模仿自然界中生物进化方式，对生物染色体基因进行一系列选择、交叉、变异等操作，最终达到获取最优良后代，即最优解的目的。遗传算法具有很好的全局搜索能力，相对于传统的梯度下降算法容易陷入局部最优解的缺陷，遗传算法具有一定的优越性。
5.1.1 遗传算法的基本概念
由于遗传算法是基于生物进化论提出的，因此，遗传算法中涉及许多生物进化的概念，以下做简要说明。
（1）问题的解空间：遗传算法中最优解与次优解通常存在于同一集合里，此集合就是解空间。
（2）个体和种群：遗传算法选取多个原始个体作为解空间，个体集合形成种群，其中每个原始解即为单个个体。在进行算法迭代时，种群的个体数不发生变化，而其中的个体则会不断“进化”。
（3）染色体编码：为了进行个体选择、交叉和变异，遗传算法需要将种群中的每个个体进行编码，通常将个体的染色体编码成格雷串或二进制串。
（4）适应度函数：适应度函数即衡量个体与最优解之间的差距，选取合适的适应度函数对于求解最优解，优化算法至关重要。
（5）选择：通过适应度函数从种群中选取优秀个体即完成了选择步骤。
（6）交叉：将个体染色体中的同源染色体交换位置，形成两个拥有新染色体的新个体。
5.2 利用遗传算法改进 BP 神经网络
BP 神经网络是基于梯度下降原理的算法，其初始权重和阈值的选择是随机产生的，缺乏科学的依据，导致 BP 神经网络更加容易陷入局部最优解且全局搜索能力比较差，最终预测精准性受到影响[45]。针对这一问题，遗传算法对于信息的分布式探索和采集可以覆盖整个空间，具有全局搜索的特点。故本文将利用遗传算法对原 BP 神经网络进行优化，针对 BP 神经网络初始权重和阈值随机产生这一问题，利用遗传算法进行初始权重和阈值筛选优化的工作，结合二者特点，构造 GA-BP 神经网络，弥补 BP 神经网络初始权值和阈值随机产生的缺陷，使得 GA-BP 神经网络同时拥有 BP神经网络的非线性映射的优点以及遗传算法全局搜索的优点，进一步提升了 BP 网络的预测精准度，最终获取全局最优解。
5.2.1 设置遗传算法改进 BP 神经网络参数
本文输入层节点数i 为 6，隐含层节点数 k 为 10，输出层节点数 j 为 1。
（2）确定种群规模：目前来说，种群规模并没有统一的标准，通常设置于 10-200，本文种群规模个数设置为 20。
（3）选取适应度函数：因为本文旨在预测供水管网健康状态，故采用每个预测值于实际值之差的绝对值的总和表示个体的适应度，因此适应度越小，预测效果越佳。
（4）遗传操作设定选择操作：遗传算法选择操作有锦标赛法、轮盘赌法等多种方法，本文选择基于适应度比例的轮盘赌法。
交叉操作：交叉概率越大，收敛速度越快，越容易到最优解区域，因此本文的交叉概率选取 0.8。
变异操作：突变概率一般不宜过大，故本文突变概率选取 0.1。
（5）终止进化代数通常在 50-100 之间选取，本文选取终止进化代数为 50。
第 6 章 工作总结与展望
6.1 工作总结
针对地下供水管具有不可视性这一问题，本文以蚌埠市供水管网系统为研究对象，提出建立城市供水管网健康状态评价指标体系。
首先，简要介绍了健康状态评估原理及方法，对比不同方法的优缺点，为后续评估模型的建立与分析提供了理论依据。
其次，针对健康状态评估指标体系，结合 SPSS 统计软件，详细分析了城市供水管网健康状态的影响因素，得出了各输入指标与输出指标之间的映射关系。
接着，利用 BP 神经网络具有较强的非线性映射能力这一特点，结合 Matlab 仿真软件，基于 BP 神经网络建立了城市供水管网健康状态评估模型。选取管道的管材、管径、管龄、水压、管道埋深、季节六个因素作为网络的输入，供水管网的健康状态作为网络的输出，进行样本集的设计，模型函数、神经元数量和训练步长的选取等数据预处理，确立了 400 条样本集，其中包括管道非常健康、管道比较健康、管道比较不健康和管道爆管每组各 100 条数据，训练函数 trainlm、学习函数 learngdm 和隐藏层传递函数 logsig；10 个隐藏层神经元和 200 个最佳训练步长。通过 BP 神经网络训练及验证，得到了 83.5%的爆管预测正确率，均方误差收敛于 0.0537。
最后，考虑到 BP 算法是基于梯度下降的方法，非常容易陷入局部最优，且初始权重、阈值均为随机等情况，利用遗传算法对 BP 神经网络权重、阈值进行筛选，将筛选后的最佳权重和阈值赋予 BP 神经网络，以此提高 BP 神经网络学习质量，防止BP 神经网络陷入局部最优解。实验证明，降低均方误差至 0.0379，提升预测正确率至 91.3%，证明 GA-BP 神经网络模型对于预测该市地下供水管网健康状态的可行性与可靠性，为后续改造工程提供了指导依据。
参考文献（略）
