输电工程工时定额测定方法及装置与流程

本发明涉及输电工程
技术领域：
，具体地，涉及一种输电工程工时定额测定方法及装置。
背景技术：
：为了保障输电工程中各方的合法经济利益，应测算和编制出科学合理、与实际工程成本相契合的工程计价依据。现有技术中的输电工程工时定额测定方法的主要问题为：定额测定方法落后，定额水平不能真实反映实际情况，大部分工程人员仍采用“经验估计法”测定输电工程工时，而未对人员操作的素质，操作的流程，操作的节奏进行科学的研究和评估。目前工时定额测定常用的方法大体有三种，即经验估计法、统计分析法和技术测定法。(1)经验估计法经验估计法是由定额管理专业人员、工程技术人员和经验丰富的工人结合在一起，根据个人或集体的实践经验，经过对设计图纸和现场施工情况分析，了解施工工艺，分析施工组织和操作方法的难易程度后，通过座谈讨论制定定额的方法。经验估计法简单易行，工作量小，速度快，减少测定环节，缩短拟定定额的工作时间。它的缺点是精确度较差，受估定人员施工经验的限制，易出现估定值偏高或偏低的主观片面性现象。一般仅限于次要定额项目或临时性、一次性定额的估计，以及定额缺项而又急于使用时、又不易计算工程量的零星工程中采用。(2)统计分析法统计分析法是将过去施工中同类工程或生产同类产品的工程消耗、材料消耗、机械台班消耗的统计资料，考虑当前施工技术、施工条件、施工组织的变化因素进行统计分析研究制定定额的方法。统计分析法简单易行，工作量小。只要对过去与施工生产有关的统计资料加以分析、整理就可以计算出定额指标。它的缺点是采用此种方法测算出的定额水平不可避免地受到过去施工生产中不正常因素的影响，以及施工原始记录、统计资料的准确程度较差的影响，使测算的定额指标失真。因此，它的适用范围限于某些次要的定额项目以及某些无法进行实地技术测定的项目。(3)技术测定法技术测定法是根据先进合理的生产技术、操作工艺、合理的劳动组织和正常的生产条件，对施工过程中的具体活动进行实地观察，详细记录施工的工人和机械的工作时间消耗、完成产品的数量及有关影响因素，将记录的结果加以整理，客观分析各种因素的影响，据此进行取舍，以获得定额中工时消耗量的方法。由于技术测定法重视对施工技术组织条件和操作方法的分析，故更容易发现工时消耗不合理因素和各种浪费现象，并找出工时损失的原因。在记录、分析、整理的基础上使得数据的计算具有一定的科学依据，取得的技术测定资料就更具准确性。又由于采用相对统一的测定方法和衡量标准，故测定的数据较稳定，工种与工种之间的定额水平比较平衡。因此，采用技术测定法制定施工定额，其定额质量是相对较高的。它的适用范围较广，无论是人工工时、材料和机械台班等主要定额项目的测定均可采用此种方法。其中，技术测定法分为工作日写实法、写实记录法和测时法三种。部分文献在技术测定法中提出了一种抽样调查法，其观点与工作日写实法的观点有所不同，这种方法认为工作日写实法在运用中有其不足之处，例如在工时利用上会有一定的虚假性而且观察的耗时较多，工作量大，费用高。抽样调查法是运用统计学中的抽样原理来研究人和机械的活动情况，所抽取的样本可以是一个操作班组，也可以是一名工人或一台机械在生产某一产品的整个活动过程中的其中一项活动所消耗的时间，也可以是每一项活动消耗的时间，通过多次的观察来确定活动的正常性和结果的代表性。纵观上述定额测定方法，大部分还停留在浅层次上，要么是算法在单一方面的应用，要么只适用于历史工程数据规模大的工程领域，对“小样本”工程数据的工时定额测定方法没有深入探讨，不符合输电工程实际，不能真实反映行业平均水平，无法适应当前输电工程技术与管理模式的发展。技术实现要素：本发明实施例提供了一种输电工程工时定额测定方法，用以使测定的输电工程工时符合输电工程实际，方法包括：获得输电工程的影响因子历史样本数据和工时历史样本数据；根据输电工程工时的粒子群的迭代次数、惯性权值、学习因子、粒子速度和种群规模，建立输电工程工时的粒子群模型；采用果蝇优化算法对输电工程工时的粒子群模型进行模型参数优化，得到果蝇粒子群模型；根据影响因子历史样本数据确定果蝇粒子群模型的迭代次数、惯性权值和学习因子的最优值；根据果蝇粒子群模型的迭代次数、惯性权值和学习因子的最优值，确定果蝇粒子群径向基神经网络测定模型的权值和阈值，根据权值和阈值建立果蝇粒子群径向基神经网络测定模型；根据输电工程的工时历史样本数据和果蝇粒子群径向基神经网络测定模型，生成输电工程工时定额测定结果。在其中一种实施例中，根据输电工程工时的粒子群的迭代次数、惯性权值、学习因子、粒子速度和种群规模，建立输电工程工时的粒子群模型，包括：初始化输电工程工时的粒子群的迭代次数、惯性权值、学习因子、粒子速度和种群规模。在其中一种实施例中，初始化输电工程工时的粒子群的粒子速度包括：根据输电工程工时的粒子群的迭代次数、惯性权值和学习因子初始化输电工程工时的粒子群的粒子速度。在其中一种实施例中，输电工程的影响因子历史样本数据包括：施工天气、施工工艺、施工经验的其中之一或任意组合。本发明还提供了一种输电工程工时定额测定装置，装置包括：数据输入模块，用于获得输电工程的影响因子历史样本数据和工时历史样本数据；粒子群模型建立模块，用于根据输电工程工时的粒子群的迭代次数、惯性权值、学习因子、粒子速度和种群规模，建立输电工程工时的粒子群模型；优化模块，用于采用果蝇优化算法对输电工程工时的粒子群模型进行模型参数优化，得到果蝇粒子群模型；最优值确定模块，用于根据影响因子历史样本数据确定果蝇粒子群模型的迭代次数、惯性权值和学习因子的最优值；径向基神经网络模块，用于根据果蝇粒子群模型的迭代次数、惯性权值和学习因子的最优值，确定果蝇粒子群径向基神经网络测定模型的权值和阈值，根据权值和阈值建立果蝇粒子群径向基神经网络测定模型；测定模块，用于根据输电工程的工时历史样本数据和果蝇粒子群径向基神经网络测定模型，生成输电工程工时定额测定结果。在其中一种实施例中，粒子群模型建立模块还用于：初始化输电工程工时的粒子群的迭代次数、惯性权值、学习因子、粒子速度和种群规模。在其中一种实施例中，初始化输电工程工时的粒子群的粒子速度包括：根据输电工程工时的粒子群的迭代次数、惯性权值和学习因子初始化输电工程工时的粒子群的粒子速度。在其中一种实施例中，输电工程的影响因子历史样本数据包括：施工天气、施工工艺、施工经验的其中之一或任意组合。本发明实施例通过优化输电工程工时的粒子群的迭代次数、惯性权值、学习因子、粒子速度和种群规模，得到果蝇粒子群模型；再根据影响因子历史样本数据确定果蝇粒子群模型的迭代次数、惯性权值和学习因子的最优值；最后根据上述参数的最优值确定果蝇粒子群径向基神经网络测定模型的权值和阈值，进而建立果蝇粒子群径向基神经网络测定模型，将输电工程的工时历史样本数据输入到果蝇粒子群径向基神经网络测定模型可得到准确的输电工程工时，使测定的输电工程工时符合输电工程实际。为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本发明实施例提供的一种输电工程工时定额测定方法流程图；图2是本发明实施例提供的一种输电工程工时定额测定装置结构框图；图3是本发明实施例中果蝇粒子群径向基神经网络测定模型构建流程图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。为适应当前输电工程技术与管理模式的发展，现有工时定额测定方法需要进一步改进，为此，发明人对输电工程进行深入调查分析，研究了当前工时定额测定方法，突破了原有工时定额测定方法的局限性，运用适合输电工程工时定额测定原始数据“小样本”特点的理论，构建了一种新的方法模型，使得定额水平更加符合输电工程实际，真实反映行业平均水平，满足输电工程建设的实际需要，达到对工程合理计价和有效管控的目的。图1为本发明实施例提供的一种输电工程工时定额测定方法流程图。如图1所示，本发明实施例提供了一种输电工程工时定额测定方法，方法包括：步骤101，获得输电工程的影响因子历史样本数据和工时历史样本数据；步骤102，根据输电工程工时的粒子群的迭代次数、惯性权值、学习因子、粒子速度和种群规模，建立输电工程工时的粒子群模型；步骤103，采用果蝇优化算法对输电工程工时的粒子群模型进行模型参数优化，得到果蝇粒子群模型；步骤104，根据影响因子历史样本数据确定果蝇粒子群模型的迭代次数、惯性权值和学习因子的最优值；步骤105，根据果蝇粒子群模型的迭代次数、惯性权值和学习因子的最优值，确定果蝇粒子群径向基神经网络测定模型的权值和阈值，根据权值和阈值建立果蝇粒子群径向基神经网络测定模型；步骤106，根据输电工程的工时历史样本数据和果蝇粒子群径向基神经网络测定模型，生成输电工程工时定额测定结果。本发明实施例中果蝇粒子群径向基神经网络测定模型的提出背景：径向基神经网络在解决小样本、非线性和高维的机器学习问题中表现出了许多特有的优势，然而，单纯依赖径向基神经网络技术进行小样本数据学习仍然很难取得稳定良好的学习效果。随着径向基神经网络模型在工程应用的不断深入，其自身也暴露出一些不可避免的缺陷，最为突出的是模型参数的选取和优化问题，以往在参数选取方面，一般依靠专家系统或者设定初始值盲目搜寻等等，在实际应用必然会影响模型的精准度，造成一定影响。其不足具体表现如下：①权值W。神经网络连接权值W的初始化具有随机性，其容易出现学习收敛速度变慢、陷入局部极小值、稳定性差等问题，从而影响神经网络的预测结果，而且随着输入变量的增加，网络学习时间也会剧增，也易使其陷入局部最优。②阈值σ。神经网络阈值σ的初始化同样具有随机性，阈值过大或过小都会因过学习或欠学习使神经网络的泛化性能变差，从而影响了神经网络的预测精度。如何选取合理的参数成为径向基神经网络应用过程中的问题，同时也是目前应用研究的重点。而常用的交叉验证试算的方法，不仅耗时，且搜索目的不清，使得资源浪费，耗时耗力，不能有效的对参数进行优化。因此需要找到一种的新的方法，能够对径向基神经网络模型的参数进行合理、高效的优化，使得测定模型灵活、智能，更加符合实际输电工程工时定额测定的需求。粒子群优化算法实现简单，但是其具有局部搜索能力弱，易陷入局部最优点，进化后期收敛速度慢等缺限。由于果蝇算法具有收敛快、对初始条件敏感性等特点，因此本技术在基本粒子群优化算法中引入果蝇算法，提高种群的多样性和粒子搜索的遍历性，提高了粒子群优化算法摆脱局部极值点的能力，提高了基本粒子群优化算法的收敛速度和精度。基于此，本技术考虑使用果蝇粒子群优化算法对模型中的参数设置进行优化。果蝇粒子群优化算法的基本思想：1)采用果蝇算法优化粒子的位置和速度，既不改变粒子群优化算法初始化时所具有的随机性本质，同时又能够提高种群的多样性和粒子搜索的遍历性，在产生大量初始群体的基础上，择优选出初始群体。2)以当前整个粒子群搜索到的最优位置为基础产生新序列，用果蝇算法优化后的最优位置替代当前粒子群中的一个粒子的位置。引入果蝇优化算法，在迭代中产生局部最优的许多邻域点，以此帮助惰性粒子逃离局部极小点，从而快速搜寻到最优解。实施例中，可以通过多种方式获得输电工程的影响因子历史样本数据和工时历史样本数据。例如，通过用户或外部设备输入上述历史样本数据。外部设备可以为存储器或数据库。输电工程的影响因子历史样本数据可以包括施工天气、施工工艺、施工经验等所有影响输电工程工时的影响因素。建立输电工程工时的粒子群模型有多种方式，比如，可以根据输电工程工时的粒子群的迭代次数、惯性权值、学习因子、粒子速度和种群规模，建立输电工程工时的粒子群模型，也可以根据输电工程工时的粒子群的其它参数建立输电工程工时的粒子群模型。在建立输电工程工时的粒子群模型之前，需要先初始化输电工程工时的粒子群的迭代次数、惯性权值、学习因子、粒子速度和种群规模。其中，初始化输电工程工时的粒子群的粒子速度包括：根据输电工程工时的粒子群的迭代次数、惯性权值和学习因子初始化输电工程工时的粒子群的粒子速度。具体实施时，是根据输电工程工时的粒子群的迭代次数、惯性权值和学习因子的量级乘以相应系数，也就是将粒子群的迭代次数、惯性权值和学习因子归一化后再相乘，相应系数为1。实施例中，先采用果蝇优化算法对输电工程工时的粒子群模型进行模型参数优化，得到果蝇粒子群模型，再根据影响因子历史样本数据确定果蝇粒子群模型的迭代次数、惯性权值和学习因子的最优值，最后根据上述果蝇粒子群模型参数的最优值确定果蝇粒子群径向基神经网络测定模型的权值和阈值，进而建立果蝇粒子群径向基神经网络测定模型。将输电工程的工时历史样本数据输入到通过Matlab软件编程建立的果蝇粒子群径向基神经网络测定模型中，可以得到输电工程工时定额测定结果。图3为本发明实施例中果蝇粒子群径向基神经网络测定模型构建流程图，果蝇粒子群径向基神经网络测定模型构建流程如下：①初始化设置粒子群的规模、最大允许迭代次数L、惯性权值M、学习因子D、初始化各粒子的速度。需注意的是，由于同时优化L、M和D，3个参数的值一般不在同一数量级上,在初始化粒子速度时应乘上相应的系数。②初始化粒子位置。随机产生一个3维每个分量数值在0-1之间的向量，得到N个向量即为初始群体，然后将各个分量分别载波到L、M、D参数的取值范围之内，最后计算粒子群的适应值，并从N个初始群体中选择性能较好的Q个解作为初始解，随机产生N个初始速度。③如果粒子适应度优于个体极值，将粒子群的适应值设置为新位置。④粒子适应度优于全局极值,将全局极值设置为新位置。⑤更新粒子的速度和位置。⑥对最优位置进行果蝇优化。对变量经历的每一个可行解计算其适应值，得到性能最好的可行解。⑦用最好的可行解取代当前群体中任意一个粒子的位置。⑧若满足最大迭代次数，则停止搜索,全局最优位置即为参数向量(L、M、D)；否则,返回第三步。⑨针对需要优化的参数W和σ构建样本均方根误差作为径向基神经网络模型的适应度函数，同时将它作为果蝇优化后的粒子群算法的目标函数。其中，为径向基神经网络的测定值，y(i)为径向基神经网络的实际值，N为径向基神经网络的样本数量。⑩当径向基神经网络的样本均方根误差最小时，对应的W和σ即为最优参数，最后建立果蝇粒子群优化的果蝇粒子群径向基神经网络测定模型。下面结合具体是实施例对本发明做进一步详细说明：本项目对冀北电力公司220kv输电工程预算阶段工时定额建立测定模型，需要分别对工地运输、土石方工程、基础工程、杆塔工程、架线工程、附件工程、电缆工程和辅助工程共8项子目工程建立测定模型，这里以土石方工程为例，建立工时定额测定模型。由于土石方工程历史样本容量为19，这里将粒子群的种群规模设定为19，最大迭代次数L为1000，对M和D两个参数采用二进制编码，其中M的搜索范围设置为[0，100]，D的搜索范围设置为[0.1，100]。粒子的初始速度均为2。同时,根据输入的历史样本，来寻找最优的参数。最终构成输入为3节点，输出为1节点，隐层为4节点的径向基神经网络。输入层与隐藏层连接权值W1、W2和W3，输出层与隐藏层连接权值W4和隐藏层权值σ1，σ2，σ3，σ4。通过计算得到的最优参数如表1所示：表1不同参数测定结果比较其中，样本均方根误差和y(i)分别为测定工时定额值和实际工时定额值，上述表1中的参数是在样本均方根误差eRMSE最小的情况下求得的。由表1可以看出,当W1＝(0.3,0.1,0.6)，W2＝(0.3,0.2,0.5)，W3＝(0.3,0.3,0.4)，W4＝(0.3,0.5,0.2)，(σ1，σ2，σ3，σ4)＝(2,5,4,6)时，测定模型得出的输电工程预算阶段工时定额值与2013年版电力建设工程定额中的工时定额误差最小。因此,本项目利用参数W1＝(0.3,0.1,0.6)，W2＝(0.3,0.2,0.5)，W3＝(0.3,0.3,0.4)，W4＝(0.3,0.5,0.2)，(σ1，σ2，σ3，σ4)＝(2,5,4,6)，建立基于果蝇粒子群径向基神经网络的输电工程工时定额测定模型。具体实施时，输电工程可以包括工地运输、土石方工程、基础工程、杆塔工程、架线工程、附件工程、电缆工程和辅助工程。下面是采用输电工程工时定额测定方法进行工时定额测定的样本验证：(1)工地运输220kv输电工程工地运输包括人力运输、拖拉机运输、汽车运输、船舶运输和索道运输五个子目，这里仅以汽车运输下面的混凝土杆运输子目为例，进行工时定额测定。结合15个实际工程样本，基于果蝇粒子群优化的果蝇粒子群径向基神经网络测定模型，运用Matlab软件编程，以13个样本作为学习样本，另外2个作为测算样本，所得工时定额测定验证结果如下：表2汽车运输混凝土杆的工时测定结果500kg以内中电联测定值(工日)本模型测定值(工日)偏差输电普通工0.13600.12607.35％输电技术工0.01500.01406.66％其中，学习样本用于建立果蝇粒子群径向基神经网络测定模型，测试样本用于验证果蝇粒子群径向基神经网络测定模型的精确性。(2)土石方工程220kv输电工程土石方工程包括线路复测及分坑；电杆坑、塔坑、拉线坑人工挖方及回填；拉线坑机械挖方及回填、挖孔基础挖方(或爆破)、接地槽挖方(或爆破)及回填、排水沟挖方、尖峰及施工基面挖方等七个子目，这里仅以线路复测及分坑子目为例，进行工时定额测定。结合15个实际工程样本，基于果蝇粒子群优化的果蝇粒子群径向基神经网络测定模型，运用Matlab软件编程，以13个样本作为学习样本，另外2个作为测算样本，所得工时定额测定验证结果如下：表3线路复测及分坑的工时测定结果直线单杆中电联测定值(工日)本模型测定值(工日)偏差输电普通工0.10800.11506.79％输电技术工0.16200.15106.48％(3)基础工程220kv输电工程基础工程包括预制基础、现浇基础、岩石锚杆基础钻孔浇灌、钻孔灌注桩基础、树根桩基础、预制桩基础、钢管桩基础、人工挖孔桩基础护壁等十三个子目，这里仅以现浇基础下面的商品混凝土浇制子目为例，进行工时定额测定。结合15个实际工程样本，基于果蝇粒子群优化的果蝇粒子群径向基神经网络测定模型，运用Matlab软件编程，以13个样本作为学习样本，另外2个作为测算样本，所得工时定额测定验证结果如下：表4商品混凝土浇制的工时测定结果5米以内中电联测定值(工日)本模型测定值(工日)偏差输电普通工0.99201.05506.35％输电技术工0.99201.05506.35％(4)杆塔工程220kv输电工程杆塔工程包括混凝土杆组立、钢环圈焊接及水泥杆封顶、钢管杆组立、铁塔组立、拉线制作及安装、杆塔刷漆和杆塔志牌安装等七个子目，这里仅以混凝土杆组立子目为例，进行工时定额测定。结合15个实际工程样本，基于果蝇粒子群优化的果蝇粒子群径向基神经网络测定模型，运用Matlab软件编程，以13个样本作为学习样本，另外2个作为测算样本，所得工时定额测定验证结果如下：表5混凝土杆组立的工时测定结果整根无套筒中电联测定值(工日)本模型测定值(工日)偏差输电普通工1.58301.48507.89％输电技术工2.37502.49505.05％(5)架线工程220kv输电工程架线工程包括导线、避雷线一般架设；OPGW、导线、避雷线张力架设；OPGW、导线、避雷线跨越架设；特殊跨越、带电跨越电力线措施等八个子目，这里仅以导线、避雷线一般架设子目为例，进行工时定额测定。结合15个实际工程样本，基于果蝇粒子群优化的果蝇粒子群径向基神经网络测定模型，运用Matlab软件编程，以13个样本作为学习样本，另外2个作为测算样本，所得工时定额测定验证结果如下：表6导线、避雷线一般架设的工时测定结果35千米以内中电联测定值(工日)本模型测定值(工日)偏差输电普通工2.34002.13408.80％输电技术工5.47005.78105.68％(6)附件工程220kv输电工程附件工程包括耐张转角杆塔导线挂线及绝缘子串安装、直线杆塔绝缘子串悬挂安装、导线悬垂线夹安装、均压环、屏蔽环安装等九个子目，这里仅以耐张转角杆塔导线挂线及绝缘子串安装子目为例，进行工时定额测定。结合15个实际工程样本，基于果蝇粒子群优化的果蝇粒子群径向基神经网络测定模型，运用Matlab软件编程，以13个样本作为学习样本，另外2个作为测算样本，所得工时定额测定验证结果如下：表7耐张转角杆塔导线挂线及绝缘子串安装工时测定结果220kV单导线中电联测定值(工日)本模型测定值(工日)偏差输电普通工2.59202.38807.87％输电技术工14.688015.57106.01％(7)电缆工程220kv输电工程电缆工程包括电缆沟、排管；电缆敷设；电缆中间接头制作安装；电缆终端制作安装；附属工程和电缆常规试验等六个子目，这里仅以电缆沟、排管下面的电缆沟、槽、坑人工挖方及回填子目为例，进行工时定额测定。结合15个实际工程样本，基于果蝇粒子群优化的果蝇粒子群径向基神经网络测定模型，运用Matlab软件编程，以13个样本作为学习样本，另外2个作为测算样本，所得工时定额测定验证结果如下：表8电缆沟、槽、坑人工挖方及回填的工时测定2立方米以内中电联测定值(工日)本模型测定值(工日)偏差输电普通工0.27530.28935.08％输电技术工0.01450.01366.20％(8)辅助工程220kv输电工程辅助工程包括索道站安装、施工道路、固沙等三个子目，这里仅以施工道路下的道路基层子目为例，进行工时定额测定。结合15个实际工程样本，基于果蝇粒子群优化的果蝇粒子群径向基神经网络测定模型，运用Matlab软件编程，以13个样本作为学习样本，另外2个作为测算样本，所得工时定额测定验证结果如下：表9道路基层的工时测定15厘米厚块石中电联测定值(工日)本模型测定值(工日)偏差输电普通工0.08480.09117.43％输电技术工0.00940.01017.44％图2为本发明实施例提供的一种输电工程工时定额测定装置结构框图。如图2所示，本发明还提供了一种输电工程工时定额测定装置，装置包括：数据输入模块201，用于获得输电工程的影响因子历史样本数据和工时历史样本数据；粒子群模型建立模块202，用于根据输电工程工时的粒子群的迭代次数、惯性权值、学习因子、粒子速度和种群规模，建立输电工程工时的粒子群模型；优化模块203，用于采用果蝇优化算法对输电工程工时的粒子群模型进行模型参数优化，得到果蝇粒子群模型；最优值确定模块204，用于根据影响因子历史样本数据确定果蝇粒子群模型的迭代次数、惯性权值和学习因子的最优值；径向基神经网络模块205，用于根据果蝇粒子群模型的迭代次数、惯性权值和学习因子的最优值，确定果蝇粒子群径向基神经网络测定模型的权值和阈值，根据权值和阈值建立果蝇粒子群径向基神经网络测定模型；测定模块206，用于根据输电工程的工时历史样本数据和果蝇粒子群径向基神经网络测定模型，生成输电工程工时定额测定结果。实施例中，粒子群模型建立模块202还用于：初始化输电工程工时的粒子群的迭代次数、惯性权值、学习因子、粒子速度和种群规模。实施例中，初始化输电工程工时的粒子群的粒子速度包括：根据输电工程工时的粒子群的迭代次数、惯性权值和学习因子初始化输电工程工时的粒子群的粒子速度。实施例中，输电工程的影响因子历史样本数据包括：施工天气、施工工艺、施工经验的其中之一或任意组合。综上所述，本发明实施例通过优化输电工程工时的粒子群的迭代次数、惯性权值、学习因子、粒子速度和种群规模，得到果蝇粒子群模型；再根据影响因子历史样本数据确定果蝇粒子群模型的迭代次数、惯性权值和学习因子的最优值；最后根据上述参数的最优值确定果蝇粒子群径向基神经网络测定模型的权值和阈值，进而建立果蝇粒子群径向基神经网络测定模型。将输电工程的工时历史样本数据输入到果蝇粒子群径向基神经网络测定模型可得到准确的输电工程工时，使测定的输电工程工时符合输电工程实际，真实反映行业平均水平，适应当前输电工程技术与管理模式的发展。本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3