| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-22页 |
| 1.1 引言 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-18页 |
| 1.2.1 LCCA理论发展及分析步骤研究 | 第9-12页 |
| 1.2.2 全寿命周期理论应用 | 第12-14页 |
| 1.2.3 全寿命周期费用组成 | 第14-15页 |
| 1.2.4 工程费用估算研究 | 第15-17页 |
| 1.2.5 费用优化研究 | 第17-18页 |
| 1.2.6 目前研究中存在的不足 | 第18页 |
| 1.3 研究意义 | 第18-19页 |
| 1.4 主要研究内容和框架 | 第19-22页 |
| 1.4.1 主要研究内容 | 第19页 |
| 1.4.2 本文研究框架 | 第19-22页 |
| 第二章 超高层建筑全寿命周期费用分析 | 第22-30页 |
| 2.1 引言 | 第22页 |
| 2.2 超高层建筑费用分析难点 | 第22-23页 |
| 2.2.1 超高层建筑投资费用影响因素分析 | 第22页 |
| 2.2.2 超高层建筑费用分析难点 | 第22-23页 |
| 2.3 超高层建筑工程项目全寿命周期费用组成 | 第23-29页 |
| 2.3.1 决策期费用组成（CD） | 第24-25页 |
| 2.3.2 建设期费用组成（CC） | 第25-28页 |
| 2.3.3 运营期费用组成（CO） | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 超高层建筑建设期费用估算 | 第30-50页 |
| 3.1 引言 | 第30页 |
| 3.2 BP神经网络 | 第30-36页 |
| 3.2.1 BP神经网络算法原理 | 第31-32页 |
| 3.2.2 BP神经网络主要函数介绍 | 第32-36页 |
| 3.3 遗传算法 | 第36-37页 |
| 3.3.1 遗传算法基本原理 | 第36页 |
| 3.3.2 遗传算法主要函数介绍 | 第36-37页 |
| 3.4 基于GA-BP算法的超高层建筑建设期费用估算 | 第37-40页 |
| 3.4.1 工程特征数据选取 | 第38页 |
| 3.4.2 数据归一化处理 | 第38页 |
| 3.4.3 BP神经网络的建立 | 第38-39页 |
| 3.4.4 遗传算法优化BP神经网络 | 第39页 |
| 3.4.5 MATLAB编程实现GA-BP算法 | 第39-40页 |
| 3.5 算例验证 | 第40-45页 |
| 3.5.1 工程特征数据选取和处理 | 第40-43页 |
| 3.5.2 建立GA-BP神经网络 | 第43-44页 |
| 3.5.3 GA-BP神经网络训练和测试 | 第44-45页 |
| 3.6 本章小结 | 第45-50页 |
| 第四章 全寿命周期费用动态优化 | 第50-66页 |
| 4.1 引言 | 第50页 |
| 4.2 决策期费用确定 | 第50页 |
| 4.3 建设期费用优化 | 第50-54页 |
| 4.3.1 网络图绘制软件介绍 | 第50-51页 |
| 4.3.2 建设期直接费与工期的关系 | 第51-52页 |
| 4.3.3 建设期费用优化步骤 | 第52-54页 |
| 4.4 运营期费用确定 | 第54-59页 |
| 4.4.1 价值工程 | 第55-56页 |
| 4.4.2 建设期-运营期费用计算关系 | 第56-57页 |
| 4.4.3 建设工期-运营期纯收益关系 | 第57-58页 |
| 4.4.4 投资收益率 | 第58-59页 |
| 4.5 全寿命周期费用优化 | 第59-65页 |
| 4.5.1 不同运营主体项目类型 | 第59-60页 |
| 4.5.2 资金的时间价值 | 第60-62页 |
| 4.5.3 财务净现值 | 第62-63页 |
| 4.5.4 全寿命周期费用动态优化模型 | 第63-65页 |
| 4.6 本章小结 | 第65-66页 |
| 第五章 实例分析 | 第66-78页 |
| 5.1 引言 | 第66页 |
| 5.2 工程概况 | 第66页 |
| 5.3 建设期费用优化 | 第66-74页 |
| 5.4 建筑全寿命周期费用动态优化 | 第74-76页 |
| 5.5 本章小结 | 第76-78页 |
| 结论与展望 | 第78-80页 |
| 主要工作和结论 | 第78-79页 |
| 展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 攻读学位期间取得的研究成果 | 第84-85页 |
| 致谢 | 第85页 |