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
|
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。
Invitation to tender is an important way in project, service and material purchasing, and it is also an important component of Socialist Marketing Economics .It is a way of trade essentially. Because of the members of the bid evaluation committee are more or less impacted by subjective factor in the process of bidding evaluation, which decrease scientificity and fairness of the evaluation. The first problem of evaluation model is to increase scientificity and fairness of bidding evaluation. Different modes of invitation to tender have their own particularity and range of convenience and we must consider the trait of the given project. Bidding evaluation is an important component of bid inviting, which decide the achievement of bid and it is a decision problem and decision set. Transfer a dimensional vector to duality is complex mathematic process.
Improved algorithm of GA-SVR ( Support Vector Regression) is the developing of support vector machines and the core of the statistical learning theory. It is a method based on the principle of structural risk minimization which maps the data from an inseparable low-dimensional space to a high-dimensional linear separable space through the non-linear function of the inner product, and then analyses the data by classification and regression analysis. This method has been applied to the construction field, the financial and economic field, but its application to the evaluation is still an innovation.
Firstly the paper starts from the history of bid inviting and tender, discusses the evolution of bid inviting and tender, analyses the history of bid inviting and tender in China, probes into the factors which affect the result of evaluation, analyses usual methods of bid inviting, points out their characteristics and application scope. There is no universal evaluation approach, perfecting the evolution model of bidding is a meaningful thing. Secondly, the paper designs the improved GA-SVR algorithm evaluation model which translates the elements of the multi-vector represented tender program into a binary vector and compares these binary vector in two-dimensional space, derived the optimal plane, calculate the optimal vector. Finally author applies the improved GA-SVR algorithm evaluation model to a company's B project evaluation and combines with the results of the actual construction, proves that this model has good practicability.
The conclusions: Firstly, the GA-SVR algorithm evaluation model of innovation applied to the bidding, the success of Project B proved that the reliability of the model and enforceability. Secondly, the trained GA-SVR model can be improved to some extent, experts in alternative evaluation of the tender evaluation for construction projects, work to reduce the influence of human factors to improve the results of the evaluation objectivity and impartiality; the same in this evaluation model can be used as complementary evaluation tools to test evaluation results are reasonable. Thirdly, the bidding of the evaluation work, in essence, marked on the economy, technology underlying the comprehensive evaluation index, real estate bidding for the project has its own basic characteristics, schedule, quality and other indicators have a more specific request. It will optimize the evaluation factor control, by improving the GA-SVR model mapping algorithm is non-linear relationship between the evaluation factors for the evaluation factors set the weights to provide basis for decision making.
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。
Invitation to tender is an important way in project, service and material purchasing, and it is also an important component of Socialist Marketing Economics .It is a way of trade essentially. Because of the members of the bid evaluation committee are more or less impacted by subjective factor in the process of bidding evaluation, which decrease scientificity and fairness of the evaluation. The first problem of evaluation model is to increase scientificity and fairness of bidding evaluation. Different modes of invitation to tender have their own particularity and range of convenience and we must consider the trait of the given project. Bidding evaluation is an important component of bid inviting, which decide the achievement of bid and it is a decision problem and decision set. Transfer a dimensional vector to duality is complex mathematic process.
Improved algorithm of GA-SVR ( Support Vector Regression) is the developing of support vector machines and the core of the statistical learning theory. It is a method based on the principle of structural risk minimization which maps the data from an inseparable low-dimensional space to a high-dimensional linear separable space through the non-linear function of the inner product, and then analyses the data by classification and regression analysis. This method has been applied to the construction field, the financial and economic field, but its application to the evaluation is still an innovation.
Firstly the paper starts from the history of bid inviting and tender, discusses the evolution of bid inviting and tender, analyses the history of bid inviting and tender in China, probes into the factors which affect the result of evaluation, analyses usual methods of bid inviting, points out their characteristics and application scope. There is no universal evaluation approach, perfecting the evolution model of bidding is a meaningful thing. Secondly, the paper designs the improved GA-SVR algorithm evaluation model which translates the elements of the multi-vector represented tender program into a binary vector and compares these binary vector in two-dimensional space, derived the optimal plane, calculate the optimal vector. Finally author applies the improved GA-SVR algorithm evaluation model to a company's B project evaluation and combines with the results of the actual construction, proves that this model has good practicability.
The conclusions: Firstly, the GA-SVR algorithm evaluation model of innovation applied to the bidding, the success of Project B proved that the reliability of the model and enforceability. Secondly, the trained GA-SVR model can be improved to some extent, experts in alternative evaluation of the tender evaluation for construction projects, work to reduce the influence of human factors to improve the results of the evaluation objectivity and impartiality; the same in this evaluation model can be used as complementary evaluation tools to test evaluation results are reasonable. Thirdly, the bidding of the evaluation work, in essence, marked on the economy, technology underlying the comprehensive evaluation index, real estate bidding for the project has its own basic characteristics, schedule, quality and other indicators have a more specific request. It will optimize the evaluation factor control, by improving the GA-SVR model mapping algorithm is non-linear relationship between the evaluation factors for the evaluation factors set the weights to provide basis for decision making.
引文
[1]A·爱伦·斯密德.财产、权利与公共选择[M].上海.上海人民出版社.2001.34-38
[2]厄内斯特·曼德尔.权力与货币[M].北京.中央编译出版社.2002.78-79
[3]埃利亚斯·卡内提.群众与权力[M].北京.中央编译出版社.2003.37-39
[4]肖勇.工程建设项目招投标研究[学位论文].西安.西南交通大学.2005.2-2
[5]李建伟 徐伟.土木工程项目管理[M].第二版.上海.同济大学出版社.2002.250-252
[6]陈海燕.工程招投标存在的问题及对策[学位论文].南宁.广西大学.2005.2-2
[7]宋吉荣.工程量清单计价模式下招投标理论与方法研究[学位论文].成都.西南交通大学.8-8
[8]王言.我国招投标活动中防治商业贿赂问题研究[学位论文].郑州.郑州大学.2007.10-10
[9]肖勇.工程建设项目招投标研究[学位论文].成都.西南交通大学.2005.3-6
[10]宋吉荣.工程量清单计价模式下招投标理论与方法研究[学位论文].成都.西南交通大学.9-11
[11]莫吉武.当代中国政治监督体系研究[M].北京.中国社会科学出版社.2002.148-149
[12]Vapnik V N.The Nature of Statistical Learning Theory[M].New York.Springer-Verlag,1995.16-34
[13]许传华 任青文 周庆华.基于支持向量机和模拟退火算法的位移反分析[J].岩石力学与工程学报.2005(11).4134-4138
[14]Yonas B D,Slavco V.Model induction with support vector machines:Introduction and application[J].Journal of Computing in Civil Engineering,2001(22).208-216
[15]Gruinand P S,Marcoux J.T.On the(U+K)-orbits of certain weighted shifts [J].Journal of Integral Equations and OPERATOR Theory.1993(17).516-543
[16]Lu Chunyu,Yan Pingfan,Zhang Changshui,Zhou Jie,Face recognition using support vector machine[J]..In:Proc.of ICANN' 98,Beijing,1998.652-655
[17]JinYQ,Jiang CL,Wang ZY,The(U+K)-orbits of essentially normal operators and compact perturbation of strongly irreducible operators[J]..China Ann of Math,2000(2).237-248
[18]马云潜 张学工.支持向量机函数拟合在分形插值中的应用[J].清华大学学报(自然科学版)2000(3).76-78
[19]杜树新 吴铁军.用于回归估计的支持向量机方法[J].系统仿真学报.2003(13).1580-1585
[20]Collobert R.SVM Torch:support vector machines for large-scale regression problems[J].Journal of Machine Learning Research.2001,(1).143-160
[21]Kyoung-jac Kim.Financial time series forecasting using support vector machines[J].Neurocomputing.2003(55).307-319
[22]Francis E.H.Tay,Lijuan Cao.Application of support vector machines in financial time series forecasting[J],Omega,2001(29).309-317
[23]赵洪波 冯夏庭.支持向量机函数拟合在边坡稳定性估计中的应用[J].岩石力学与工程学报.2003.22(2).241-245.
[24]刘开云 乔春生 滕文彦.边坡位移非线性时间序列采用支持向量机算法的智能建模与预测研究[J].岩土工程学报.2004.26(1).57-61
[25]赵洪波 冯夏庭.位移反分析的进化支持向量机研究[J].岩石力学与工程学报.2003.22(10).1618-1622
[26]Vladimir N Vapnik.The Nature of Statistical Learning Theory[M].New York.Springer2Verlag.1995.2-17
[27]Nello Cristianini,John Shawe Taylor.An Introduction to Support Vector Machines and Other Kernel2based Learning Methods[M].London.Cambridge University Press.2000.54-76
[28]曹定州.基于GA SVR的汇率预测模型研究及分析[学位论文].广州.暨南大学.2006.2-3
[29]庞素琳.信用评价与股市预测模型研究及应用:统计学、神经网络与支持向量机方法[M].北京.科学出版社.2005.45-63
[30]关丽萍.基于支持向量机方法的外债风险预警研究[学位论文].哈尔滨.哈尔滨工业大学.2004.16-29
[31]刘开云 乔春生 刘保国.基于改进GA-SVR算法的隧道工程三维弹塑性模型参数的智能辨识[J].岩石力学与工程学报.2007(6).1164-1172
[32]刘开云 乔春生 刘保国.基于改进GA-SVR算法的隧道工程智能信息化设计研究[J].铁道学报.2008(8).71-78
[33]刘亚秋 孙丽萍.基于自适应GA_SVR的中密度纤维板施胶比例辨识方法[J].东北林业大学学报.2008(9).56-58
[34]徐培强.工程建设项目评标方法研究[学位论文].成都.西南交通大学. 2004.2-2
[35]王贵新.国际工程投标报价方法与参考[M].北京.科学技术文献出版社.1994.47-53
[36]国际咨询工程师联合会(FIDIC).FIDIC招标程序[M].北京.中国计划出版社.1998.19-38
[37]王文元.建筑工程招标投标[M].北京.中国环境出版社.1999.16-39
[38]Holmstrom B Milgrom P.Aggregation and linearity in the provision of intertemporal incentives[J].Econometrical.1987(55).303-314
[39]张协奎.建筑工程综合评标方法探讨[J].投资信用研究.1992(9).15-15
[40]李菊芳 李希平.军品采购合同定价中的风险与激励[J]军事经济研究2000(8).29-29
[41]王秀燕 李锦华.工程招投标与合同管理[M].北京.机械工业出版社.2009.10-11
[42]柯丽华.建设工程项目评标方法研究[学位论文].武汉.武汉科技大学.2003.1-5
[43]徐培强.工程建设项目评标方法研究[学位论文].西安.西南交通大学.2004.2-26
[44]盛春玲.中铁七局建设项目竞标管理研究[学位论文].西安.西安理工大学2006.34-37
[45]刘永祥.公路工程建设项目施工招投标管理研究[学位论文].西安.长安大学.2004.1-4
[46]李娜.企业外包项目评价决策支持系统研究与设计[学位论文].长春.长春理工大学.2-5
[47]李卓.艺术类招标设计研究[学位论文].武汉.武汉理工大学.2003.6-10
[48]毛鹏.物业管理招投标规范化研究[学位论文].南京.东南大学.2004.1-2
[49]李宜.审计招投标的适用性研究[学位论文].福州.福州大学.2005.5-10
[50]曹吉鸣.工程项目无标底招标探讨[J].基建优化.2000.21(5).22-24
[51]范贵华 陈万淘.建议采用“两步评标法”选择监理单位[J].建设监理.2000(6).47-47
[52]徐珂.有限低价评标法在公路工程招投标中的探索[学位论文].郑州.郑州大学.2006.6-12
[53]柯丽华.建设工程项目评标方法研究[学位论文].武汉.武汉科技大学.2003.3-12
[54]胡若栩.我国公路工程招投标管理问题研究[学位论文].西安.长安大学 2004.23-23
[55]杨顺.军品采购招投标机制设计与研究[学位论文].吉林.吉林大学.2006.12-47
[56]刘亚丽.工程项目招标评标方法研究[学位论文].天津.天津大学管理学院.2003.1-3
[57]中华人民共和国建设部 中华人民共和国国家质量监督检验检疫总局.中华人民共和国国家标准GB/T50326-2006建设工程项目管理规范.2006-06-21.2-2
[58]毛鹏.物业管理招投标规范化研究研究[学位论文].南京.东南大学.2004.8-8
[59]李建伟 徐伟.土木工程项目管理[M].第二版.上海.同济大学出版社.2002.247-247
[60]吴晔晖 林晨.基于人工神经网络的地铁施工招标综合评估模型.城市轨道交通.华南理工大学
[61]曹定州.基于GA-SVR的汇率预测模型研究及分析[学位论文].广州.暨南大学.2006.5-17
[2]厄内斯特·曼德尔.权力与货币[M].北京.中央编译出版社.2002.78-79
[3]埃利亚斯·卡内提.群众与权力[M].北京.中央编译出版社.2003.37-39
[4]肖勇.工程建设项目招投标研究[学位论文].西安.西南交通大学.2005.2-2
[5]李建伟 徐伟.土木工程项目管理[M].第二版.上海.同济大学出版社.2002.250-252
[6]陈海燕.工程招投标存在的问题及对策[学位论文].南宁.广西大学.2005.2-2
[7]宋吉荣.工程量清单计价模式下招投标理论与方法研究[学位论文].成都.西南交通大学.8-8
[8]王言.我国招投标活动中防治商业贿赂问题研究[学位论文].郑州.郑州大学.2007.10-10
[9]肖勇.工程建设项目招投标研究[学位论文].成都.西南交通大学.2005.3-6
[10]宋吉荣.工程量清单计价模式下招投标理论与方法研究[学位论文].成都.西南交通大学.9-11
[11]莫吉武.当代中国政治监督体系研究[M].北京.中国社会科学出版社.2002.148-149
[12]Vapnik V N.The Nature of Statistical Learning Theory[M].New York.Springer-Verlag,1995.16-34
[13]许传华 任青文 周庆华.基于支持向量机和模拟退火算法的位移反分析[J].岩石力学与工程学报.2005(11).4134-4138
[14]Yonas B D,Slavco V.Model induction with support vector machines:Introduction and application[J].Journal of Computing in Civil Engineering,2001(22).208-216
[15]Gruinand P S,Marcoux J.T.On the(U+K)-orbits of certain weighted shifts [J].Journal of Integral Equations and OPERATOR Theory.1993(17).516-543
[16]Lu Chunyu,Yan Pingfan,Zhang Changshui,Zhou Jie,Face recognition using support vector machine[J]..In:Proc.of ICANN' 98,Beijing,1998.652-655
[17]JinYQ,Jiang CL,Wang ZY,The(U+K)-orbits of essentially normal operators and compact perturbation of strongly irreducible operators[J]..China Ann of Math,2000(2).237-248
[18]马云潜 张学工.支持向量机函数拟合在分形插值中的应用[J].清华大学学报(自然科学版)2000(3).76-78
[19]杜树新 吴铁军.用于回归估计的支持向量机方法[J].系统仿真学报.2003(13).1580-1585
[20]Collobert R.SVM Torch:support vector machines for large-scale regression problems[J].Journal of Machine Learning Research.2001,(1).143-160
[21]Kyoung-jac Kim.Financial time series forecasting using support vector machines[J].Neurocomputing.2003(55).307-319
[22]Francis E.H.Tay,Lijuan Cao.Application of support vector machines in financial time series forecasting[J],Omega,2001(29).309-317
[23]赵洪波 冯夏庭.支持向量机函数拟合在边坡稳定性估计中的应用[J].岩石力学与工程学报.2003.22(2).241-245.
[24]刘开云 乔春生 滕文彦.边坡位移非线性时间序列采用支持向量机算法的智能建模与预测研究[J].岩土工程学报.2004.26(1).57-61
[25]赵洪波 冯夏庭.位移反分析的进化支持向量机研究[J].岩石力学与工程学报.2003.22(10).1618-1622
[26]Vladimir N Vapnik.The Nature of Statistical Learning Theory[M].New York.Springer2Verlag.1995.2-17
[27]Nello Cristianini,John Shawe Taylor.An Introduction to Support Vector Machines and Other Kernel2based Learning Methods[M].London.Cambridge University Press.2000.54-76
[28]曹定州.基于GA SVR的汇率预测模型研究及分析[学位论文].广州.暨南大学.2006.2-3
[29]庞素琳.信用评价与股市预测模型研究及应用:统计学、神经网络与支持向量机方法[M].北京.科学出版社.2005.45-63
[30]关丽萍.基于支持向量机方法的外债风险预警研究[学位论文].哈尔滨.哈尔滨工业大学.2004.16-29
[31]刘开云 乔春生 刘保国.基于改进GA-SVR算法的隧道工程三维弹塑性模型参数的智能辨识[J].岩石力学与工程学报.2007(6).1164-1172
[32]刘开云 乔春生 刘保国.基于改进GA-SVR算法的隧道工程智能信息化设计研究[J].铁道学报.2008(8).71-78
[33]刘亚秋 孙丽萍.基于自适应GA_SVR的中密度纤维板施胶比例辨识方法[J].东北林业大学学报.2008(9).56-58
[34]徐培强.工程建设项目评标方法研究[学位论文].成都.西南交通大学. 2004.2-2
[35]王贵新.国际工程投标报价方法与参考[M].北京.科学技术文献出版社.1994.47-53
[36]国际咨询工程师联合会(FIDIC).FIDIC招标程序[M].北京.中国计划出版社.1998.19-38
[37]王文元.建筑工程招标投标[M].北京.中国环境出版社.1999.16-39
[38]Holmstrom B Milgrom P.Aggregation and linearity in the provision of intertemporal incentives[J].Econometrical.1987(55).303-314
[39]张协奎.建筑工程综合评标方法探讨[J].投资信用研究.1992(9).15-15
[40]李菊芳 李希平.军品采购合同定价中的风险与激励[J]军事经济研究2000(8).29-29
[41]王秀燕 李锦华.工程招投标与合同管理[M].北京.机械工业出版社.2009.10-11
[42]柯丽华.建设工程项目评标方法研究[学位论文].武汉.武汉科技大学.2003.1-5
[43]徐培强.工程建设项目评标方法研究[学位论文].西安.西南交通大学.2004.2-26
[44]盛春玲.中铁七局建设项目竞标管理研究[学位论文].西安.西安理工大学2006.34-37
[45]刘永祥.公路工程建设项目施工招投标管理研究[学位论文].西安.长安大学.2004.1-4
[46]李娜.企业外包项目评价决策支持系统研究与设计[学位论文].长春.长春理工大学.2-5
[47]李卓.艺术类招标设计研究[学位论文].武汉.武汉理工大学.2003.6-10
[48]毛鹏.物业管理招投标规范化研究[学位论文].南京.东南大学.2004.1-2
[49]李宜.审计招投标的适用性研究[学位论文].福州.福州大学.2005.5-10
[50]曹吉鸣.工程项目无标底招标探讨[J].基建优化.2000.21(5).22-24
[51]范贵华 陈万淘.建议采用“两步评标法”选择监理单位[J].建设监理.2000(6).47-47
[52]徐珂.有限低价评标法在公路工程招投标中的探索[学位论文].郑州.郑州大学.2006.6-12
[53]柯丽华.建设工程项目评标方法研究[学位论文].武汉.武汉科技大学.2003.3-12
[54]胡若栩.我国公路工程招投标管理问题研究[学位论文].西安.长安大学 2004.23-23
[55]杨顺.军品采购招投标机制设计与研究[学位论文].吉林.吉林大学.2006.12-47
[56]刘亚丽.工程项目招标评标方法研究[学位论文].天津.天津大学管理学院.2003.1-3
[57]中华人民共和国建设部 中华人民共和国国家质量监督检验检疫总局.中华人民共和国国家标准GB/T50326-2006建设工程项目管理规范.2006-06-21.2-2
[58]毛鹏.物业管理招投标规范化研究研究[学位论文].南京.东南大学.2004.8-8
[59]李建伟 徐伟.土木工程项目管理[M].第二版.上海.同济大学出版社.2002.247-247
[60]吴晔晖 林晨.基于人工神经网络的地铁施工招标综合评估模型.城市轨道交通.华南理工大学
[61]曹定州.基于GA-SVR的汇率预测模型研究及分析[学位论文].广州.暨南大学.2006.5-17