基于案例推理的湖庫(kù)水華治理復(fù)雜動(dòng)態(tài)關(guān)聯(lián)模型與決策方法
【專利摘要】本發(fā)明公開了一種基于案例推理的湖庫(kù)水華治理復(fù)雜動(dòng)態(tài)關(guān)聯(lián)模型與決策方法,屬于環(huán)境工程技術(shù)領(lǐng)域。本發(fā)明基于案例推理,首先按照4R模型給出基于案例推理的湖庫(kù)水華決策系統(tǒng)的架構(gòu)框架,以protégé工具構(gòu)建水華本體作為案例表示的基礎(chǔ),然后構(gòu)建案例庫(kù),將案例檢索分為案例推理和案例匹配兩個(gè)部分,完成初步篩選和案例匹配,得到匹配案例,經(jīng)過(guò)領(lǐng)域?qū)<艺{(diào)整后應(yīng)用至目標(biāo)案例,并保存至案例庫(kù)。本發(fā)明能夠模仿專家經(jīng)驗(yàn)的思維過(guò)程,進(jìn)行人工智能決策,使決策結(jié)果更符合實(shí)際的湖庫(kù)水華治理情況,明顯提高了決策結(jié)果的準(zhǔn)確性及可靠性。并且可以提高決策效率,縮短決策時(shí)間。
【專利說(shuō)明】
基于案例推理的湖庫(kù)水華治理復(fù)雜動(dòng)態(tài)關(guān)聯(lián)模型與決策方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及一種基于案例推理的湖庫(kù)水華治理過(guò)程中,多個(gè)屬性間復(fù)雜動(dòng)態(tài)關(guān)聯(lián) 模型的建立及對(duì)應(yīng)決策方法問(wèn)題的研究,屬于環(huán)境工程技術(shù)領(lǐng)域。具體地說(shuō),是指在深入研 究已知的各類湖庫(kù)水華治理方案的基礎(chǔ)上,通過(guò)分析湖庫(kù)水華暴發(fā)過(guò)程在不同狀態(tài)呈現(xiàn)出 的特性及其與多個(gè)關(guān)聯(lián)屬性間的關(guān)系,利用案例推理在動(dòng)態(tài)環(huán)境下求解出適合目標(biāo)案例的 可行治理方法。達(dá)到對(duì)以往湖庫(kù)水華治理知識(shí)的系統(tǒng)學(xué)習(xí)和全面綜合利用,有效地探索適 用于水環(huán)境實(shí)際狀況的湖庫(kù)水華治理決策方法,更好地發(fā)揮信息系統(tǒng)對(duì)水華治理決策的輔 助作用。
【背景技術(shù)】
[0002] 近年來(lái),我國(guó)面臨的水污染及生態(tài)問(wèn)題日益突出,據(jù)統(tǒng)計(jì),富營(yíng)養(yǎng)化湖泊占全國(guó)主 要湖泊的69.8%,富營(yíng)養(yǎng)化水庫(kù)占全國(guó)主要水庫(kù)的41.95%。部分水域水華現(xiàn)象頻繁暴發(fā), 使人民群眾生產(chǎn)和生活的正常秩序遭到嚴(yán)重破壞。水華現(xiàn)象是水污染的突出表現(xiàn),藻類在 代謝死亡過(guò)程中能夠釋放各種藻毒素,嚴(yán)重威脅水生生物的生存,物種豐富度顯著減少,導(dǎo) 致水生生態(tài)系統(tǒng)失衡。在2015年4月17日國(guó)務(wù)院出臺(tái)的《水污染防治行動(dòng)計(jì)劃》的推動(dòng)下,水 華作為重要的水污染現(xiàn)象之一,已經(jīng)納入國(guó)家重點(diǎn)治理的項(xiàng)目,因此有效地預(yù)防和治理水 華,對(duì)暴發(fā)的水華現(xiàn)象迅速地提出切實(shí)可行的治理方法,為水環(huán)境保護(hù)部門提供決策依據(jù) 具有十分重要的意義。
[0003] 目前針對(duì)湖庫(kù)水華治理決策的研究已具有一定積累,真實(shí)有效的治理案例提供了 支持湖庫(kù)水華治理決策的基礎(chǔ)經(jīng)驗(yàn)與特色優(yōu)勢(shì),若能將所形成的案例高質(zhì)量地用于輔助水 華決策,則可以通過(guò)對(duì)已有的水華治理方法進(jìn)行優(yōu)選繼承,有利于應(yīng)對(duì)突發(fā)的應(yīng)急情況,快 速提出切實(shí)可行的綜合治理措施。
[0004] 由于水華暴發(fā)是一個(gè)復(fù)雜的生態(tài)問(wèn)題,針對(duì)水華暴發(fā)的治理決策過(guò)程涉及到水質(zhì) 因素、經(jīng)濟(jì)因素、環(huán)境因素等多種因素,已有研究難以涵蓋多種因素進(jìn)行綜合考慮,進(jìn)而難 以根據(jù)決策屬性對(duì)可選的生物治理方法、物理治理方法、化學(xué)治理方法及其它具體治理方 法進(jìn)行優(yōu)劣分析,對(duì)決策過(guò)程中出現(xiàn)的模糊性問(wèn)題和隨機(jī)性問(wèn)題無(wú)法給予合理的處理,導(dǎo) 致決策結(jié)果的偏差較大。
[0005] 案例推理應(yīng)急決策方法作為人工智能領(lǐng)域的一種方法,源自人類的認(rèn)知活動(dòng)和心 理活動(dòng),能夠有效緩解人類在知識(shí)獲取中的瓶頸。案例推理應(yīng)用在水華領(lǐng)域,能夠提取具有 相似屬性的案例并歸納,在對(duì)已有的決策結(jié)果進(jìn)行分析調(diào)整后應(yīng)用至目標(biāo)案例并再次儲(chǔ)存 至案例庫(kù)。案例推理充分結(jié)合了自身動(dòng)態(tài)知識(shí)庫(kù)和增量學(xué)習(xí)的特點(diǎn),能夠?qū)?kù)水華暴發(fā) 后的嚴(yán)重情況進(jìn)行準(zhǔn)確判斷,從而形成符合實(shí)際狀況的湖庫(kù)水華治理決策。
【發(fā)明內(nèi)容】
[0006] 本發(fā)明提供一種基于案例推理的湖庫(kù)水華治理復(fù)雜動(dòng)態(tài)關(guān)聯(lián)模型與決策方法,所 述方法基于案例推理,對(duì)水華治理決策的任務(wù)進(jìn)行分析,考慮相關(guān)的多個(gè)屬性的結(jié)構(gòu)動(dòng)態(tài) 變化對(duì)水華暴發(fā)的狀態(tài)影響復(fù)雜,為了進(jìn)行較全面的研究,首先按照4R模型給出基于案例 推理的湖庫(kù)水華決策系統(tǒng)的架構(gòu)框架,所述的4R模型是指案例表示、案例檢索、案例重用和 案例學(xué)習(xí)四個(gè)模塊。接下來(lái)以protggg工具構(gòu)建水華本體作為案例表示的基礎(chǔ),然后搜集近 年來(lái)湖庫(kù)水華治理決策的案例,整理歸納形成案例庫(kù);之后將案例檢索分為案例推理和案 例匹配兩個(gè)部分,通過(guò)對(duì)特定屬性設(shè)置案例篩選規(guī)則完成案例推理,案例匹配部分則是將 已有屬性按性質(zhì)分類后計(jì)算貢獻(xiàn)度從而檢索出目標(biāo)案例(待治理案例)的最佳匹配案例,并 調(diào)取最佳匹配案例的治理方案及結(jié)果;經(jīng)過(guò)領(lǐng)域?qū)<艺{(diào)整后應(yīng)用至目標(biāo)案例,并保存至案 例庫(kù)。
[0007] 水華治理過(guò)程遵循自然法則和社會(huì)法則,基于恢復(fù)水體生態(tài)功能健康的目的,運(yùn) 用特定的環(huán)境生態(tài)工程措施,該措施分為五個(gè)階段,分別為黑臭階段、藻型濁水穩(wěn)態(tài)階段、 藻-草競(jìng)爭(zhēng)階段、草-藻共存階段、草型清水穩(wěn)態(tài)階段,因此水華治理需要經(jīng)過(guò)長(zhǎng)時(shí)間的修 復(fù),是一項(xiàng)長(zhǎng)期的任務(wù)。為明確本發(fā)明的適用范圍,本發(fā)明中相關(guān)的湖庫(kù)水華治理措施均針 對(duì)湖庫(kù)水華暴發(fā)的黑臭階段,后期的生態(tài)修復(fù)不在考慮之內(nèi)。
[0008] 本發(fā)明提供的基于案例推理的湖庫(kù)水華治理復(fù)雜動(dòng)態(tài)關(guān)聯(lián)模型與決策方法,主要 包括以下五個(gè)步驟:
[0009] 步驟一、湖庫(kù)水華治理決策通用本體模型設(shè)計(jì);
[0010] 本體模型可提供一個(gè)領(lǐng)域的通用模型,其作為一種強(qiáng)有力的知識(shí)描述手段,能夠 輔助湖庫(kù)水華治理模型的決策支持,因此采用本體的方式構(gòu)建治理決策案例表示。湖庫(kù)水 華治理決策通用本體模型參照骨架法及七步法的本體構(gòu)建規(guī)則定義五元組,形式為卩_ Ontology =〈P_Concepts,P_Relations,P_Individuals,P_Restriction,P_Rules>,分別表 示為與湖庫(kù)水華治理決策相關(guān)的概念、關(guān)系、實(shí)例、約束及規(guī)則。湖庫(kù)水華治理決策本體的 構(gòu)建采用本體構(gòu)建工具Prot6g6工具,編碼實(shí)現(xiàn)采用本體語(yǔ)言O(shè)WL,從而形成湖庫(kù)水華治理 決策通用本體模型。
[0011] 步驟二、湖庫(kù)水華治理決策案例庫(kù)的構(gòu)建;
[0012] 在湖庫(kù)水華治理決策本體案例表示的基礎(chǔ)上,通過(guò)整理搜集,構(gòu)建水華治理決策 案例庫(kù)。所述的案例庫(kù)包括近年來(lái)國(guó)內(nèi)外各類湖泊、水庫(kù)、河流及海域,在不同時(shí)間段內(nèi)的 水華暴發(fā)狀況。案例庫(kù)中的水華治理決策案例均按照屬性進(jìn)行記錄,記錄的屬性類型分為 數(shù)值型、布爾型及選項(xiàng)型三類數(shù)據(jù),利用Protggg工具與數(shù)據(jù)庫(kù)相連,從而形成湖庫(kù)水華治 理決策案例庫(kù)。
[0013] 步驟三、湖庫(kù)水華治理決策案例推理引擎;
[0014] 湖庫(kù)水華治理決策的案例檢索首先應(yīng)利用規(guī)則推理的方法,規(guī)則推理方法的實(shí)現(xiàn) 采用水華治理決策案例推理引擎獲得初步篩選方案。將案例表示中羅列的水華治理決策案 例的各項(xiàng)指標(biāo)視為推理網(wǎng)絡(luò)的節(jié)點(diǎn),各節(jié)點(diǎn)之間相互關(guān)聯(lián),根據(jù)生態(tài)安全性、水華面積等指 標(biāo)的特殊性質(zhì),定義限制槽(Constraint Slots)和條件槽(causality slots),依據(jù)限制槽 和條件槽內(nèi)的屬性是否滿足特定條件,可實(shí)現(xiàn)部分案例的篩選,推理過(guò)程利用規(guī)則推理的 方法進(jìn)行表示。
[0015] 步驟四、水華治理決策案例匹配;
[0016] 4.1基于復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型的水華治理決策關(guān)聯(lián)分析與賦權(quán)計(jì)算;
[0017]針對(duì)步驟三中已經(jīng)發(fā)揮作用的限制槽和條件槽中的屬性,貢獻(xiàn)度權(quán)重設(shè)定為0;對(duì) 水華治理決策案例本體中表述的其他屬性進(jìn)行動(dòng)態(tài)網(wǎng)絡(luò)關(guān)聯(lián)分析與賦權(quán)計(jì)算,本發(fā)明提出 動(dòng)態(tài)賦權(quán)的過(guò)程采用復(fù)雜網(wǎng)絡(luò)建模方法。首先構(gòu)建水華治理決策過(guò)程的復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模 型,根據(jù)決策屬性的關(guān)系將復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型分為總網(wǎng)絡(luò)模型和子網(wǎng)絡(luò)模型,并計(jì)算復(fù)雜 動(dòng)態(tài)網(wǎng)絡(luò)模型特征參數(shù)及重要度評(píng)價(jià)矩陣,利用構(gòu)建節(jié)點(diǎn)的優(yōu)化關(guān)鍵度模型表征案例匹配 過(guò)程中的動(dòng)態(tài)權(quán)重。
[0018] 4.2基于直覺模糊粗糙集的案例匹配;
[0019] 根據(jù)所述的動(dòng)態(tài)權(quán)重,對(duì)待治理案例的其他屬性(是指排除了貢獻(xiàn)度為0的屬性) 分別與案例庫(kù)中初步篩選的案例進(jìn)行匹配,各屬性按照數(shù)值型、布爾型及選項(xiàng)型三種類型 分別匹配案例庫(kù)中各案例的屬性,布爾型和選項(xiàng)型的屬性根據(jù)案例的實(shí)際屬性值,如屬性 值相同,則貢獻(xiàn)度為1,反之為〇。數(shù)值型貢獻(xiàn)度的計(jì)算則引入直覺模糊粗糙集的方法計(jì)算各 屬性的相似度,相似度的計(jì)算中引入指數(shù)算子對(duì)直覺模糊粗糙集方法進(jìn)行改進(jìn),最后經(jīng)過(guò) 權(quán)重處理后得到貢獻(xiàn)度。針對(duì)案例庫(kù)中的案例存在的屬性值缺失的情況設(shè)定其貢獻(xiàn)度為 零,案例中所有貢獻(xiàn)度構(gòu)成綜合貢獻(xiàn)度,并將綜合貢獻(xiàn)度最大的案例作為待治理案例的備 用案例。
[0020] 步驟五、水華治理決策案例確定、重用及修正;
[0021] 對(duì)于所述的備用案例,如果綜合貢獻(xiàn)度超過(guò)匹配閾值,則將備用案例作為匹配案 例,并將治理方法直接應(yīng)用于湖庫(kù);如果綜合貢獻(xiàn)度并未超過(guò)閾值,表明該備用案例的治理 方法與待治理案例不完全匹配,決策結(jié)果的適用性不確定,則決策結(jié)果需咨詢領(lǐng)域?qū)<?,?領(lǐng)域?qū)<抑苯咏o出治理建議,形成最終的應(yīng)用案例。最后,以上所述的應(yīng)用案例經(jīng)過(guò)決策應(yīng) 用實(shí)踐后,連同治理方式及治理效果均將保存至案例庫(kù),從而為之后的待治理湖庫(kù)的水體 水華治理方法提供案例借鑒。
[0022]本發(fā)明的優(yōu)點(diǎn)在于:
[0023] 1、本發(fā)明首次提出并構(gòu)建了湖庫(kù)水華治理決策通用本體模型,針對(duì)水華治理決策 的過(guò)程總結(jié)了湖庫(kù)水華暴發(fā)中的重要概念、關(guān)系及規(guī)則,形成水華治理決策的基本框架,將 水華以本體的表現(xiàn)形式構(gòu)建案例的方式也更加明確、清晰。
[0024] 2、本發(fā)明收集整理近年來(lái)國(guó)內(nèi)外水體的湖庫(kù)水華暴發(fā)情況構(gòu)成案例庫(kù),包含的湖 庫(kù)水華暴發(fā)實(shí)際狀況較全面,指標(biāo)涵蓋范圍較廣泛,既全面總結(jié)了湖庫(kù)水華治理的相關(guān)案 例,同時(shí)又可為湖庫(kù)水華綜合治理決策提供借鑒。使獲取的湖庫(kù)水華治理措施更符合復(fù)雜 環(huán)境、經(jīng)濟(jì)等因素的要求,決策結(jié)果更具應(yīng)用性。
[0025] 3、湖庫(kù)水華治理決策案例推理引擎中定義限制槽和條件槽,能夠?qū)Ρ姸嗟臎Q策方 式進(jìn)行初步篩選,盡量減少計(jì)算量較大的案例相似度的運(yùn)算過(guò)程,從而提高決策效率,縮短 了計(jì)算時(shí)間。
[0026] 4、由于湖庫(kù)水華治理中情況復(fù)雜多變,本發(fā)明提出案例匹配時(shí)各個(gè)屬性采用復(fù)雜 動(dòng)態(tài)網(wǎng)絡(luò)的關(guān)聯(lián)分析進(jìn)行賦權(quán),有利于根據(jù)屬性間的關(guān)系及各案例的不同情況賦予變化的 權(quán)重,從而更客觀的表示各屬性對(duì)決策結(jié)果的影響。此外引入復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)的水華治理決 策關(guān)聯(lián)分析,并對(duì)節(jié)點(diǎn)的自身重要度公式進(jìn)行優(yōu)化,也將提高案例檢索的精度。
[0027] 5、本發(fā)明提出案例匹配過(guò)程中采用貢獻(xiàn)度的計(jì)算方法替代常規(guī)的相似度計(jì)算,可 解決案例搜集整理過(guò)程中的屬性缺失情況。這樣,針對(duì)已加入案例庫(kù)中的案例若無(wú)法避免 出現(xiàn)屬性值缺失的現(xiàn)象,則可通過(guò)計(jì)算貢獻(xiàn)度而非相似度將缺失屬性帶來(lái)的影響排除在 外,同時(shí)設(shè)定貢獻(xiàn)度的閾值避免極端情況的出現(xiàn),使決策結(jié)果更符合實(shí)際的湖庫(kù)水華治理 情況。
[0028] 6、本發(fā)明中利用直覺模糊粗糙集方法對(duì)數(shù)值型屬性進(jìn)行處理,并引入直覺算子權(quán) 衡不確定度的計(jì)算,有效提高了貢獻(xiàn)度的計(jì)算精度,保證匹配結(jié)果的準(zhǔn)確性。
[0029] 7、本發(fā)明中的案例重用和案例學(xué)習(xí)具有自適應(yīng)、自學(xué)習(xí)的特點(diǎn),專家意見對(duì)備選 決策的調(diào)整能夠提高決策結(jié)果的準(zhǔn)確性和可靠性,而案例學(xué)習(xí)則能夠不斷的壯大案例庫(kù)的 建立規(guī)模,實(shí)現(xiàn)對(duì)自身案例庫(kù)進(jìn)行自動(dòng)調(diào)整。
[0030] 8、基于案例推理的湖庫(kù)水華治理決策方法能夠模仿專家經(jīng)驗(yàn)的思維過(guò)程,進(jìn)行人 工智能決策,明顯提高了決策結(jié)果的準(zhǔn)確性及可靠性。
【附圖說(shuō)明】
[0031] 圖1是本發(fā)明提供的基于案例推理的湖庫(kù)水華治理復(fù)雜動(dòng)態(tài)關(guān)聯(lián)模型與決策方法 的流程圖。
[0032] 圖2是水華治理決策的案例推理模型。
[0033]圖3是湖庫(kù)水華治理決策的通用本體表示。
[0034]圖4是水華治理決策案例推理規(guī)則流程圖。
[0035]圖5是水華治理決策復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型。
[0036] 圖6是水華暴發(fā)情景復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型。
[0037] 圖7是水質(zhì)參數(shù)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型。
[0038] 圖8是經(jīng)濟(jì)因素復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型。
[0039] 圖9是人文環(huán)境復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型。
[0040] 圖10是自然環(huán)境復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型。
【具體實(shí)施方式】
[0041] 下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。
[0042] 本發(fā)明提供的基于案例推理的湖庫(kù)水華治理復(fù)雜動(dòng)態(tài)關(guān)聯(lián)模型與決策方法,如圖 1所示流程,具體步驟如下:
[0043] 步驟一、湖庫(kù)水華治理決策通用本體模型設(shè)計(jì);
[0044]案例推理是人工智能領(lǐng)域中的重要部分,案例推理將過(guò)去問(wèn)題的經(jīng)驗(yàn)和知識(shí)以案 例的形式記錄下來(lái),模仿人類的推理方式和思維過(guò)程,可為當(dāng)前的水華治理提供解決方案。 基于案例推理的湖庫(kù)水華治理決策模型分為四個(gè)部分,分別為水華治理案例表示、案例檢 索、案例重用和案例學(xué)習(xí),如圖2所示。所述的案例表示采用構(gòu)建通用本體模型的方法提取 新案例的特征因素,形成案例庫(kù);案例檢索利用規(guī)則推理與最近相鄰策略結(jié)合的方式迅速 從水華治理決策案例庫(kù)中檢索出具有指導(dǎo)作用的案例作為匹配案例;案例重用則采用匹配 案例的最近相似案例解,并根據(jù)實(shí)際要求借助于專家意見進(jìn)行調(diào)整,對(duì)決策結(jié)果的實(shí)施不 斷進(jìn)行案例修訂,將專家調(diào)整后的最終方案應(yīng)用至待解決的水華治理過(guò)程,并作為應(yīng)用案 例進(jìn)行案例學(xué)習(xí),將所述的應(yīng)用案例保存至案例庫(kù)。針對(duì)水華治理的復(fù)雜系統(tǒng)問(wèn)題,案例推 理方法具有聯(lián)想、對(duì)比和歸納的特點(diǎn),適用的領(lǐng)域廣,問(wèn)題求解能力較高,結(jié)果更容易被接 受。
[0045]湖庫(kù)水華治理決策案例本體是對(duì)水華治理經(jīng)驗(yàn)和知識(shí)進(jìn)行分類與描述的概念體 系,因此可根據(jù)湖庫(kù)水華治理的經(jīng)驗(yàn)和知識(shí)確定水環(huán)境領(lǐng)域共同認(rèn)可的概念,并明確定義 概念間的相互關(guān)系。本發(fā)明中定義湖庫(kù)水華治理決策通用本體模型的五元組?_0拉〇1呢 7 = <P_Concepts,P_Relations,P_Individuals,P_Restriction,P_Rules> 描述水華案例。 [0046] (l)P_Concepts= {concepts}表示湖庫(kù)水華治理領(lǐng)域中的概念集合,包括藍(lán)藻水 華、處理方案等。
[0047] (2)P_Relations = {r(C1,C2)}表示湖庫(kù)水華治理決策領(lǐng)域中概念之間、概念與屬 性之間的關(guān)系。其中Cl,C2隸屬于概念集合,r為概念Cl,C2直接的關(guān)系名稱。例如富營(yíng)養(yǎng)化污 染是一種污染。
[0048] (3) P_I nd i V i dua I s = {i nd i V i dua I s}表示湖庫(kù)水華治理領(lǐng)域的實(shí)例集合,例如 2010年8月太湖流域水華暴發(fā)是水華暴發(fā)的一個(gè)實(shí)例。
[0049] (4)P_Restriction= {restriction}表示湖庫(kù)水華治理領(lǐng)域中概念之間的約束條 件,例如治理過(guò)程中要求不存在二次污染,則酸堿中和法不被接受。
[0050] (5)P_Rules = {rule}表示湖庫(kù)水華治理領(lǐng)域中規(guī)則的集合,例如:生物方法隸屬 于治理方案。
[0051] 使用Protggg工具構(gòu)建湖庫(kù)水華治理通用本體模型,部分本體模型的關(guān)系圖如圖3 所示,其中矩形表示概念實(shí)體,連線上的標(biāo)注表示關(guān)系,橢圓表示屬性。"Kind of"表示"隸 屬"關(guān)系,"Related to"表示"相關(guān)性"關(guān)系,"Component of"表示"組成"關(guān)系,"Subclass" 表示"子類"關(guān)系。利用OWL本體語(yǔ)言進(jìn)行編碼表示,類的表示如下所示。
[0052] <owl: Class rdf: ID =''Characteristic parameter"/〉
[0053] <owl:Class rdf:ID = "C0D"/>
[0054] <rdfs subClass0f>
[0055] <owl: Class rdf: about = ^SCharacteristic parameter"/〉
[0056] </rdfs: subClassOf >
[0057] </owl :Class>
[0058] 步驟二、湖庫(kù)水華治理決策案例庫(kù)的構(gòu)建;
[0059]湖庫(kù)水華治理決策的案例與水華治理通用本體模型相對(duì)應(yīng),在水華治理通用本體 的概念和類的基礎(chǔ)上,將案例庫(kù)中水華治理決策案例(簡(jiǎn)稱案例)的屬性分為案例基礎(chǔ)信 息、水質(zhì)參數(shù)、自然環(huán)境、人文環(huán)境、水華暴發(fā)情景、經(jīng)濟(jì)因素以及治理情況等。案例基礎(chǔ)信 息包括水體名稱、暴發(fā)時(shí)間等,水質(zhì)參數(shù)包括總磷、總氮等,自然環(huán)境包括空氣溫度、濕度 等,人文環(huán)境包括人口流動(dòng)性、水體利用率,水華暴發(fā)情景包括表面顏色、氣味等,經(jīng)濟(jì)因素 包括水處理投資、生態(tài)安全性、二次污染等,治理情況包括防治措施、治理效果等。案例的屬 性類型分為三種,分別是布爾型、選項(xiàng)型、數(shù)值型,布爾型的屬性包括生態(tài)安全性、二次污染 等,選項(xiàng)型的屬性包括表面顏色、氣味等,數(shù)值型屬性包括總磷、總氮等。
[0060] 步驟三、湖庫(kù)水華治理決策案例推理引擎;
[0061] 湖庫(kù)水華治理決策案例中的屬性概念并不是相互孤立的,它們通過(guò)某種內(nèi)在的因 素緊密地或松散地有機(jī)聯(lián)系成的一個(gè)統(tǒng)一的體系。因此,本發(fā)明定義水華治理決策本體網(wǎng) 絡(luò),水華治理決策本體網(wǎng)絡(luò)上的節(jié)點(diǎn)為與水華相關(guān)的屬性概念,也就是案例庫(kù)中所列示的 案例的屬性,這些節(jié)點(diǎn)之間的相互關(guān)系與屬性之間的相互關(guān)系相對(duì)應(yīng)。
[0062]在湖庫(kù)水華治理決策本體網(wǎng)絡(luò)中,存在某些特定節(jié)點(diǎn)所代表的屬性具有特殊性, 稱為槽點(diǎn),槽點(diǎn)所代表的屬性對(duì)湖庫(kù)水華治理方法的選擇具有直接作用。因此根據(jù)這些槽 點(diǎn)的性質(zhì),劃分為限制槽(Constraint Slots)和條件槽(causality slots)兩類。限制槽表 示屬性對(duì)決策結(jié)果的限制條件,當(dāng)屬性值滿足要求時(shí),治理方法的選擇依據(jù)限制槽使用排 除法進(jìn)行篩選;條件槽表示屬性對(duì)決策結(jié)果的作用條件,當(dāng)屬性值滿足要求時(shí),治理方法依 據(jù)條件槽直接選取。
[0063]限制槽的屬性包括水華面積、水處理投資、長(zhǎng)期治理、二次污染和生態(tài)安全性,根 據(jù)已有研究及專家經(jīng)驗(yàn)總結(jié),依次對(duì)五個(gè)限制槽的屬性的限制條件及限制結(jié)果進(jìn)行表述, 如圖4所示,所述的限制槽規(guī)則分別為:
[0064] (1)若水華面積大于30平方千米,則引水沖刷、人工曝氣和機(jī)械除藻等物理方法被 排除。
[0065] (2)若水處理投資小于500元/平方米,則引水沖刷、人工曝氣和機(jī)械除藻等物理方 法及活性炭吸附法被排除。
[0066] (3)若長(zhǎng)期治理屬于要求條件,則引水沖刷、人工曝氣和機(jī)械除藻等物理方法被排 除。
[0067] (4)若二次污染被強(qiáng)制否定,則酸堿中和法和化學(xué)除藻法等化學(xué)方法被排除。
[0068] (5)若生態(tài)安全性被強(qiáng)制要求,則源營(yíng)養(yǎng)鹽生物防治技術(shù)和生物抑藻技術(shù)被排除。 [0069]以限制槽規(guī)則(1)為例,可將推理規(guī)則轉(zhuǎn)化成推理語(yǔ)言如下。
[0070] IF Bloom area)30km2,THEN D21,D22,D23are excluded.
[0071] 其中D21表示引水沖刷,D22表示人工曝氣,D23表示機(jī)械除藻法。
[0072]條件槽的屬性包括總磷、總氮、氮磷比、溶解氧、pH和見效時(shí)間,根據(jù)已有研究及專 家經(jīng)驗(yàn)總結(jié),依次對(duì)六個(gè)條件槽的屬性的條件要求及作用結(jié)果進(jìn)行表述,條件槽規(guī)則如下: [0073] (1)若總磷濃度大于2 · 00mg/L或總氮濃度大于2 · 00mg/L,或氮磷質(zhì)量比處于32:1 至64:1之間,源營(yíng)養(yǎng)鹽生物防治技術(shù)、化學(xué)沉降法、鈍化法和水萌蘆凈化法被選擇。
[0074] (2)若溶解氧濃度小于5mg/L,則引水沖刷和人工曝氣法被選擇。
[0075] (3)若pH值處于7.9至8.1之間,則酸堿中和法和化學(xué)除藻法被選擇。
[0076] (4)若見效時(shí)間快被強(qiáng)制要求,則引水沖刷、人工曝氣和機(jī)械除藻被選擇。
[0077]以條件槽規(guī)則(1)為例,將推理規(guī)則轉(zhuǎn)化成推理語(yǔ)言如下。
[0078] IF TP>2.00mg/L OR TN>2.00mg/L,OR 32:1<N/P<64:1,THEN Dll,D31,D32and D42are choosed.
[0079] 其中Dll表示源營(yíng)養(yǎng)鹽生物防治技術(shù),D31表示化學(xué)沉降法,D32表示鈍化法,D42表 示水萌蘆凈化。
[0080] 步驟四、水華治理決策案例匹配;
[0081 ] 1、構(gòu)建水華治理決策的復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型;
[0082] 湖庫(kù)水華治理決策的結(jié)果會(huì)受到水體的基本情況、水質(zhì)參數(shù)、人文環(huán)境、經(jīng)濟(jì)因 素、自然環(huán)境、水華暴發(fā)情景等多方面的影響,因此水環(huán)境的決策問(wèn)題是一個(gè)復(fù)雜的系統(tǒng)問(wèn) 題,為準(zhǔn)確、量化的描述決策屬性的重要度,將各類影響因素抽象成復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)求取關(guān)鍵 度的問(wèn)題,通過(guò)節(jié)點(diǎn)間的相互作用反映出水環(huán)境復(fù)雜系統(tǒng)中各實(shí)體的相互作用。
[0083] 根據(jù)水華治理決策中案例屬性的特點(diǎn),構(gòu)建復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型分為總網(wǎng)絡(luò)和子網(wǎng) 絡(luò),總網(wǎng)絡(luò)的節(jié)點(diǎn)包括水質(zhì)參數(shù)、人文環(huán)境、經(jīng)濟(jì)因素、自然環(huán)境、水華暴發(fā)情景六個(gè)節(jié)點(diǎn), 而總網(wǎng)絡(luò)的各節(jié)點(diǎn)依據(jù)節(jié)點(diǎn)內(nèi)容可細(xì)分成子節(jié)點(diǎn),從而構(gòu)成子網(wǎng)絡(luò)。水質(zhì)參數(shù)的子節(jié)點(diǎn)包 括總磷(TP)、總氮(TN)、氮磷比(N/P)、溶解氧(DO)、化學(xué)需氧量(COD)、生物需氧量(BOD)、酸 堿度(PH)、電導(dǎo)率(EC)、葉綠素a(Chl_a)、水溫(WT),人文環(huán)境的子節(jié)點(diǎn)包括水體利用率、人 口流動(dòng)性、農(nóng)業(yè)污水排放量、工業(yè)污水排放量、生活污水排放量,經(jīng)濟(jì)因素的子節(jié)點(diǎn)包括水 處理投資、長(zhǎng)期治理、見效時(shí)間快、生態(tài)安全性、二次污染,自然環(huán)境的子節(jié)點(diǎn)包括水體面 積、空氣溫度(AT)、濕度、光照強(qiáng)度、地理位置、風(fēng)速、周邊環(huán)境、湖泊類型,水華暴發(fā)情景的 子節(jié)點(diǎn)包括水華面積、富營(yíng)養(yǎng)化級(jí)別、藻類類型、表面顏色、氣味、水體表面性狀。
[0084] 所述的總網(wǎng)絡(luò)和子網(wǎng)絡(luò)均由網(wǎng)絡(luò)點(diǎn)集v(v= {vi,V2,···,vi,···,vn})和網(wǎng)絡(luò)邊集e(e ={ei,e2,…ej,…,em})構(gòu)成,其中Vi用來(lái)標(biāo)識(shí)第i個(gè)節(jié)點(diǎn),ej用來(lái)標(biāo)識(shí)第j條邊,η表示網(wǎng)絡(luò)的 節(jié)點(diǎn)個(gè)數(shù),m表示網(wǎng)絡(luò)的邊集個(gè)數(shù)。
[0085] 2、計(jì)算復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)的特征參數(shù);
[0086]節(jié)點(diǎn)度表示復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)中與第i個(gè)節(jié)點(diǎn)Vi直接相連的節(jié)點(diǎn)數(shù)目,用Ai表示,節(jié)點(diǎn) 度包括入度λ,和出度Ai'節(jié)點(diǎn)度即為入度和出度之和,節(jié)點(diǎn)度\1可以直接反應(yīng)節(jié)點(diǎn)Vi對(duì)相 鄰節(jié)點(diǎn)的影響力,表明在整個(gè)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)中的作用,無(wú)向網(wǎng)絡(luò)則不區(qū)分入度和出度,直接 用節(jié)點(diǎn)度表示。
[0087]節(jié)點(diǎn)距離Cllj用來(lái)表示兩個(gè)節(jié)點(diǎn)之間的最短路徑所途徑的邊數(shù),節(jié)點(diǎn)V1與節(jié)點(diǎn)^之 間的最短路徑則為屯,若則表明兩節(jié)點(diǎn)之間不存在路徑。
[0088] 網(wǎng)絡(luò)信息流通的平均難易程度用網(wǎng)絡(luò)效率E來(lái)表示,網(wǎng)絡(luò)效率的計(jì)算公式如式(1) 所示。
[0089]
⑴
[0090] 網(wǎng)絡(luò)效率用于描述網(wǎng)絡(luò)中信息流傳遞的難易程度,E越大則流通性更優(yōu)。根據(jù)網(wǎng)絡(luò) 信息流通的平均難易程度可計(jì)算出各節(jié)點(diǎn)的效率,計(jì)算公式如式(2)所示。
[0091]
(2)
[0092]其中,Ik表示節(jié)點(diǎn)Vk的效率,dki表示節(jié)點(diǎn)Vk到節(jié)點(diǎn)Vi之間的節(jié)點(diǎn)距離,Ik值越大,表 明該節(jié)點(diǎn)的傳輸效率越高,相應(yīng)的該節(jié)點(diǎn)在網(wǎng)絡(luò)中重要性越大,可理解為移除該節(jié)點(diǎn)將對(duì) 信息的順利流通有所阻礙。
[0093] 3、構(gòu)建重要度評(píng)價(jià)矩陣;
[0094] 節(jié)點(diǎn)之間的相互關(guān)聯(lián)會(huì)影響到節(jié)點(diǎn)負(fù)載和重要度,根據(jù)實(shí)際網(wǎng)絡(luò)的拓?fù)溆成?,?chuàng) 建重要度貢獻(xiàn)關(guān)系拓?fù)?。?jié)點(diǎn)的重要度貢獻(xiàn)關(guān)系來(lái)源于相鄰節(jié)點(diǎn),因此可用鄰接矩陣的映 射矩陣表示,即節(jié)點(diǎn)重要度貢獻(xiàn)矩陣,記為H IC。
[0095]
(3)
[0096] 其中,<k〉表示無(wú)向網(wǎng)絡(luò)的平均度值,AAk〉2表示節(jié)點(diǎn)^的自身重要度,節(jié)點(diǎn)自身 的重要度將直接作用于相關(guān)聯(lián)的相鄰節(jié)點(diǎn),Hk則表示所有節(jié)點(diǎn)對(duì)其相鄰節(jié)點(diǎn)的重要度貢獻(xiàn) 矩陣。為復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)連接矩陣的元素,表示網(wǎng)絡(luò)節(jié)點(diǎn)間的連接情況,若節(jié)Av1與節(jié)點(diǎn)Vj 之間相連,則k = l,否則k = 〇,則k被稱作貢獻(xiàn)分配參數(shù)。
[0097] 由于在無(wú)向網(wǎng)絡(luò)中,節(jié)點(diǎn)度并不區(qū)分入度和出度,考慮節(jié)點(diǎn)自身重要度時(shí)M/〈k>2 也無(wú)法顯示入度和出度對(duì)節(jié)點(diǎn)的影響力,但是在有向網(wǎng)絡(luò)中,附帶出度屬性的節(jié)點(diǎn)將比附 帶入度屬性的節(jié)點(diǎn)產(chǎn)生的作用更強(qiáng)烈,為表示出度與入度對(duì)節(jié)點(diǎn)重要性的影響,將公式(3) 中的節(jié)點(diǎn)%的自身重要度h/〈k>2用公式f /何2進(jìn)行優(yōu)化,因此優(yōu)化后的節(jié)點(diǎn)重要度貢 獻(xiàn)矩陣Η'κ如下所示。
[0098]
(4)
[0099] 然而節(jié)點(diǎn)的重要性不僅取決于相鄰節(jié)點(diǎn)的作用,還取決于節(jié)點(diǎn)的傳輸效率,因此 節(jié)點(diǎn)的重要程度用位置信息和相鄰信息兩個(gè)指標(biāo)進(jìn)行表征,節(jié)點(diǎn)的重要度評(píng)價(jià)矩陣可表示 為如式(5)的形式。
[0100]
(5)
[0101] 其中He為重要度評(píng)價(jià)矩陣,其矩陣元素HElj表示節(jié)點(diǎn)W對(duì)節(jié)點(diǎn)V1的重要度貢獻(xiàn)值。 節(jié)點(diǎn)的重要度需要綜合節(jié)點(diǎn)的全局重要性和局部重要性,因此被定義為自身的效率和相鄰 節(jié)點(diǎn)的效率的綜合,節(jié)點(diǎn)的重要度公式如(6)所示。
[0102]
(6)
[0103] 其中,I1和込分別表示節(jié)點(diǎn)V1和節(jié)點(diǎn)%的效率。
[0104] 對(duì)節(jié)點(diǎn)的重要度進(jìn)行歸一化處理,可以得出歸一化后的屬性權(quán)重μ。
[0105] 4、數(shù)值型屬性的模糊粗糙集計(jì)算;
[0106] 定義模糊粗糙集的集合為S,V尤6 5中的上近似和下近似分別記為X+和)Γ,則模糊 粗糙集S中的一個(gè)直覺模糊粗糙集(RFIS)A如下所示。
[0107] A = 1(?,;/ r (XiIu4, (X4)-Xa- e x| (7)
[0108] 其中,~為A的下近似隸屬度函數(shù)《1,表示案例屬性的負(fù)面影響程度, 1V則為屬性的惡劣程度對(duì)湖庫(kù)水華治理決策過(guò)程的影響。% 為A的上近似隸屬度 函數(shù)、,表示案例屬性可能的負(fù)面影響程度,^則為屬性的惡劣程度可能對(duì)水華治理決策 過(guò)程的影響。?V :4 [0,1]為A的下近似非隸屬度函數(shù)4,表示案例屬性的正面影響程度,心 則為屬性的優(yōu)質(zhì)程度對(duì)水華治理決策過(guò)程的影響。~:,為A的上近似非隸屬度函數(shù) 心,表示案例屬性可能的正面影響程度,心則為屬性的優(yōu)質(zhì)程度可能對(duì)水華治理決策過(guò)程 的影響。
[0109] 易知,直覺模糊粗糙集A的下近似隸屬度函數(shù)、上近似隸屬度函數(shù)~、下近似非 隸屬度函數(shù)心和上近似非隸屬度函數(shù)心需要同時(shí)滿足以下條件。
[0110]
(8)
[0111] 直覺模糊粗糙集A中元素XA的直覺指數(shù)JTA(XA)定義為XA對(duì)A的猶豫程度的測(cè)度,但 在水華治理的案例中,作為數(shù)值型的水質(zhì)參數(shù)對(duì)水華治理結(jié)果影響的不確定度較大,導(dǎo)致 相似度的差別減小,因此引入指數(shù)算子α Α表示對(duì)直覺指數(shù)的修正,當(dāng)滿足O^3Ia(Xa) < 1成立時(shí),咖官覺指數(shù)的計(jì)筧如下所示。
[0112]
(9)
[0113] 其中,αΑ為指數(shù)算子,其取值范圍是〇·5 1。
[0114] 對(duì)于非空論域X= {χι,Χ2,…,Xn}上的兩個(gè)直覺模糊粗糙集A和B,A的直覺模糊粗糙 值為:
[0115]
[0116]
[0117]
[0118] 其中,權(quán)重系數(shù) CJ1(XA1XB),W2(xa,xb),w3(xa,xb),ω 4(ΧΑ,ΧΒ),w5(xa,xb)可依據(jù) 具體的目標(biāo)案例與源案例的已知屬性信息動(dòng)態(tài)確定。
[0119] 5、布爾型和選項(xiàng)型的相似度計(jì)算;
[0120] 針對(duì)案例庫(kù)中布爾型和選項(xiàng)型的屬性,規(guī)定若布爾型的選項(xiàng)和選項(xiàng)型的選項(xiàng)相 同,則屬性的相似度M為1,若不同或匹配的案例屬性缺失,則相似度M為0。
[0121] 6、綜合貢獻(xiàn)度的計(jì)算;
[0122] 根據(jù)布爾型、選項(xiàng)型和數(shù)值型的計(jì)算方法,可以獲得任意一個(gè)案例屬性的相似度。 針對(duì)相似性的定義提出案例匹配過(guò)程中的貢獻(xiàn)度概念,即在案例匹配過(guò)程中,任意一個(gè)屬 性均可對(duì)案例匹配做出貢獻(xiàn),若屬性值缺失,則貢獻(xiàn)度為〇。綜合貢獻(xiàn)度的計(jì)算公式如下所
不。
[0123] (11):
[0124] 其中,Sab表示案例A與案例B進(jìn)行匹配的綜合貢獻(xiàn)度,Wi表示節(jié)點(diǎn)Vi的權(quán)重,Wij表示 節(jié)點(diǎn)Vij的權(quán)重,i = l,2,3···η, j = l,2,3"_m,Mij為案例A和B中節(jié)點(diǎn)Vij的相似度。比較求取的 綜合貢獻(xiàn)度,選取綜合貢獻(xiàn)度最大的案例作為備用案例。
[0125] 步驟五、水華治理決策案例確定、重用及修正;
[0126] 將備用案例的最大綜合貢獻(xiàn)度與匹配閾值比較,當(dāng)最大綜合貢獻(xiàn)度滿足Sab2 0.5 時(shí),則證明備用案例可作為匹配案例,其治理方法是可用的,經(jīng)調(diào)整后可用于實(shí)際工程項(xiàng)目 中。如果最大綜合貢獻(xiàn)度不滿足上述條件,則證明案例庫(kù)中無(wú)相應(yīng)案例與待治理案例匹配, 因此治理決策應(yīng)提交領(lǐng)域?qū)<?,以保障決策結(jié)果的有效性。
[0127] 將基于案例推理得到的治理決策結(jié)果應(yīng)用至待治理案例,并對(duì)本次的推理過(guò)程和 決策效果記錄至案例庫(kù),為后續(xù)水華治理決策提供參考。
[0128] 實(shí)施例1:
[0129] 步驟一、湖庫(kù)水華治理決策通用本體模型設(shè)計(jì);
[0130] 根據(jù)已設(shè)計(jì)的湖庫(kù)水華治理決策本體模型,以北京市顧和園內(nèi)昆明湖2005年8月 的水華暴發(fā)為例,獲取本次水華暴發(fā)的實(shí)際情況,如表1所示。
[0131]表1昆明湖水華暴發(fā)案例庫(kù)相關(guān)信息
[0133] 同時(shí)在湖庫(kù)水華治理決策本體模型的基礎(chǔ)上,定義總網(wǎng)絡(luò)屬性集合和子網(wǎng)絡(luò)屬性 集合,如下所示。
[0134] 總網(wǎng)絡(luò)的屬性集合為X= {水華暴發(fā)情景,水質(zhì)參數(shù),經(jīng)濟(jì)因素,人文環(huán)境,自然環(huán) 境}。
[0135] 水華暴發(fā)情景子網(wǎng)絡(luò)的屬性為X1=I;表面顏色,藻類類型,富營(yíng)養(yǎng)化級(jí)別,水華面 積,表面性狀,氣味}。
[0136] 水質(zhì)參數(shù)子網(wǎng)絡(luò)的屬性為 X2={TP,TN,N/P,PH,EC,TW,D0,B0D,C0D,chl_a}。
[0137] 經(jīng)濟(jì)因素子網(wǎng)絡(luò)的屬性為X3= {:見效時(shí)間,水處理投資,長(zhǎng)期治理,生態(tài)安全性,二 次污染}。
[0138] 人文環(huán)境子網(wǎng)絡(luò)的屬性為X4= {:生活污水排放量,水體利用率,人口流動(dòng)性,生活 污水排放量,工業(yè)污水排放量}。
[0139] 自然環(huán)境子網(wǎng)絡(luò)的屬性為X5= {:水體面積,湖泊類型,周邊環(huán)境,空氣溫度,濕度, 光照強(qiáng)度,地理位置,風(fēng)速}。
[0140] 因此Xi表示總網(wǎng)絡(luò)的第i個(gè)屬性,Xij表示第i個(gè)子網(wǎng)絡(luò)的第j個(gè)屬性。
[0141 ]步驟二、湖庫(kù)水華治理決策案例庫(kù)的構(gòu)建;
[0142] 案例庫(kù)搜集以往太湖、北京六海、太湖等水體的水華暴發(fā)狀況及治理情況,按照水 華治理決策的通用本體模型的形式構(gòu)建案例庫(kù),部分湖庫(kù)的信息如表2所示。
[0143] 表2水華治理案例庫(kù)部分案例信息
[0145] 步驟三、湖庫(kù)水華治理決策案例推理引擎;
[0146] 已知昆明湖2005年水華暴發(fā)時(shí)的情形,根據(jù)獲取的信息首先對(duì)昆明湖的治理方案 進(jìn)行規(guī)則推理。首先考慮限制槽的屬性水華面積、水處理投資、長(zhǎng)期治理、二次污染、生態(tài)安 全性,其中只有二次污染的屬性被執(zhí)行,由于二次污染被強(qiáng)制否定,因此酸堿中和法、化學(xué) 除藻法等化學(xué)方法被排除。其次考慮條件槽的屬性總磷、總氮、氮磷比、溶解氧、PH、見效時(shí) 間,綜合昆明湖實(shí)際信息,條件槽中發(fā)揮作用的是總氮、氮磷比、見效時(shí)間三個(gè)屬性,因此化 學(xué)沉降法、鈍化法、水萌蘆凈化法、引水沖刷、人工曝氣、機(jī)械除藻被選擇。綜合限制槽和條 件槽的推理結(jié)果,最終的治理方案將從引水沖刷、人工曝氣、機(jī)械除藻方法中選擇。與以上 方法相匹配的包括案例庫(kù)中的案例2太湖部分流域2007年5月水華治理、案例3巢湖2010年 水華治理、案例5太湖2007年7月水華治理、案例8西湖2010年7月水華治理、案例11鄱陽(yáng)湖 (南嘰濕地)2010年10月水華治理,共計(jì)5項(xiàng)案例。
[0147] 步驟四、水華治理決策案例匹配器;
[0148] 4.1基于復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)的水華治理決策關(guān)聯(lián)分析與賦權(quán)計(jì)算;
[0149] 1、構(gòu)建治理決策的復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型
[0150] 根據(jù)水華治理決策屬性的內(nèi)部關(guān)聯(lián),建立復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò),分別如圖6至圖10所示。
[0151] 2、計(jì)算復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)的特征參數(shù)
[0152]首先對(duì)水華治理決策復(fù)雜總網(wǎng)絡(luò)模型計(jì)算各屬性的權(quán)重。根據(jù)節(jié)點(diǎn)度、節(jié)點(diǎn)距離 和貢獻(xiàn)度分配參數(shù)的定義分別求出M、(^和如下所示
[0153] λ=[2 3 1 2 2] (12)
[0154] ?13)
[0155] (14)
[0156] 根據(jù)公式(2)可以計(jì)算出節(jié)點(diǎn)效率如下所示。
[0157]
(15)
[0158] 3、構(gòu)建重要度評(píng)價(jià)矩陣
[0159] 根據(jù)公式(5)可求出節(jié)點(diǎn)的重要度評(píng)價(jià)矩陣,在復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)的實(shí)際應(yīng)用中,對(duì)于 可判別的有向網(wǎng)絡(luò)按照相應(yīng)的入度和出度計(jì)算優(yōu)化的節(jié)點(diǎn)重要度,對(duì)于部分復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò) 無(wú)方向的影響關(guān)系的情況,將入度和出度做相等處理,則水華治理決策復(fù)雜總網(wǎng)絡(luò)模型的 重要度評(píng)價(jià)矩陣如下所示。
[0160]
(16)
[0161] 進(jìn)而可根據(jù)公式(6)求出節(jié)點(diǎn)的重要度C=[2.03 2 1.08 1.44 2.03],歸一化后 則節(jié)點(diǎn)的權(quán)重為W= [0.2366 0.2331 0.1259 0.1678 0.2366]。
[0162] 利用同樣的方法可計(jì)算出水華治理決策子網(wǎng)絡(luò)中各屬性的權(quán)重如下所示。 If1 =[0.1594 0.1594 0.1594 0.1594 0.1812 0.1812J μ% =[0,1158 0.1158 0.0780 0.1352 0.1017 0.1182 0,0898 0.0594 0.0594 0,1267]
[0163] η·3 =[0.1259 0.1678 0.2331 0.2366 0.2366] (17) μ·4 =[0.1357 0.2864 0.1759 0.2010 0.2010] = [0.0284 0.09^53 0.1532 0.J6S3 0.1901 0.0710 0.1373 0.1583]
[0164] 4.2基于直覺模糊粗糙集的案例匹配;
[0165] 1、數(shù)值型屬性的模糊粗糙集計(jì)算
[0166] 以總磷為例,計(jì)算待治理案例與篩選案例的匹配情況。已知待治理案例昆明湖的 總磷濃度為TPd = 63,篩選的各案例中總磷濃度分別為TP2 = 210,TP3 = 150,TP5 = 130,TP8 = 147,ΤΡη = 250。根據(jù)專家意見給出的總磷對(duì)水華治理情況的正面影響和負(fù)面影響情況,獲 得總磷正面影響非隸屬度函數(shù)γ(Τρ-)和負(fù)面影響隸屬度函數(shù)μ(Τρ-)如下所示。
[0167]
(18)
[0168] 根據(jù)公式(18)計(jì)算得到的心-和/V均作為直覺模糊粗糙集的下近似,利用公式(9) 可以得到直覺指數(shù)Ji(TP),上近似的值則為下近似值與直覺指數(shù)之和。因此待治理案例及篩 選案例總磷TP的直覺模糊粗糙值m = (~),%+ (χ7Ρ),)>分別如下所 不。 TPd = {0 0.9107 0.0893 1 0.9107) TP1 =(0.9 I 0 0.1 0.1} TP. =(0.056 I 0 0.944 0.944) ,
[0169] ' κ (19) TP, = (0.0039 I 0 0.9961 0.9961} Τ?{ ={0.0397 I !) 0.9603 0.9603) TPn = (0.9 I 0 0.1 0.1}
[0170] 根據(jù)公式(10)可以得到待治理案例與案例庫(kù)中各案例的相似度如下。 M (Τ?^/?Τ-. ) =-?)Μ)43 .\4iTPn.Tf\)^i)M\9
[0171] :W (7/^.^) = 0.9627 (2U) ,1/(77V 77() = 0.94H4 M (TPn-TPn) = i)M)43
[0172] 利用同樣的方法計(jì)算其他數(shù)值型屬性的相似度。
[0173] 2、布爾型和選項(xiàng)型的相似度計(jì)算
[0174] 選取水體類型的屬性作為布爾型和選項(xiàng)型相似度計(jì)算的算例,由于待治理案例昆 明湖與案例庫(kù)的案例均為景觀湖,則均滿足M= 1。若計(jì)算景觀湖和養(yǎng)殖湖的相似度,則M = 0〇
[0175] 3、綜合貢獻(xiàn)度的計(jì)算
[0176] 根據(jù)公式(11)的計(jì)算方法,依次計(jì)算待治理案例與案例庫(kù)中的篩選案例之間的綜 合貢獻(xiàn)度,因此綜合貢獻(xiàn)度的計(jì)算結(jié)果如下所示。
[0177] Sd2 = O. 4384, Sd3 = O. 4575, Sds = O. 4119, Sds = O. 5498, Sdii = O. 4847 (21)
[0178] 對(duì)比綜合貢獻(xiàn)度的計(jì)算結(jié)果,可以看出案例8的綜合貢獻(xiàn)度最大,因此選取案例8 作為待治理案例昆明湖的備用案例。
[0179] 步驟五、水華治理決策案例確定、重用及修正;
[0180]根據(jù)步驟四獲得的備用案例是西湖2010年7月的水華治理情況,由計(jì)算結(jié)果可知, 該案例與待治理案例昆明湖水華暴發(fā)的最大貢獻(xiàn)度為〇. 5498,大于閾值0.5,表明匹配結(jié)果 是可接受的。
[0181]查詢案例庫(kù)的水華治理決策方案可知,西湖水華治理此次采用的是物理方法控制 水華中的引水沖刷,通過(guò)調(diào)水工程對(duì)污水進(jìn)行截污,同時(shí)加快湖體表層水體的交換,大大降 低水體中營(yíng)養(yǎng)物質(zhì),同時(shí)增大的表底層水體的交換速度能夠改善水質(zhì),增加溶解氧的含量, 釋放減緩底泥污染物,從而達(dá)到控制水華的目的。該方法簡(jiǎn)單且見效快,但費(fèi)用較高,其優(yōu) 勢(shì)和限制符合昆明湖的治理情況,因此可以判斷最佳匹配案例與待治理湖庫(kù)的治理情況相 似,可用于對(duì)昆明湖的治理。同時(shí)查詢昆明湖2010年7月水華暴發(fā)的治理決策方案,使用的 同樣是物理控制方法中的引水沖刷法,且治理效果良好,結(jié)果驗(yàn)證了基于案例推理的水華 治理方法的有效性。
[0182]此外,昆明湖的治理情況可同時(shí)保存至案例庫(kù)中,從而補(bǔ)充案例庫(kù)的完整性和覆 蓋性,從而為今后其他的治理情況提供借鑒。
【主權(quán)項(xiàng)】
1. 基于案例推理的湖庫(kù)水華治理復(fù)雜動(dòng)態(tài)關(guān)聯(lián)模型與決策方法,其特征在于:具體包 括如下步驟, 步驟一、湖庫(kù)水華治理決策通用本體模型設(shè)計(jì); 參照骨架法及屯步法的本體構(gòu)建規(guī)則定義五元組,形式為?_〇111:〇1〇肖7 =皆_(:〇]1。6口13, P_Relations,P_Individuals,P_Rest;riction,P_Rules〉,分別表不為與湖庫(kù)水華治理決策 相關(guān)的概念、關(guān)系、實(shí)例、約束及規(guī)則;具體為: P_Concepts= konc邱ts}表示湖庫(kù)水華治理領(lǐng)域中的概念集合; P_Re lat ions = {Η C1,C2)}表示湖庫(kù)水華治理決策領(lǐng)域中概念之間、概念與屬性之間的 關(guān)系;其中C1,C2隸屬于概念集合,r為概念C1,C迫接的關(guān)系名稱; tlndividuals= {individuals}表示湖庫(kù)水華治理領(lǐng)域的實(shí)例集合; P_Restriction= {restriction}表示湖庫(kù)水華治理領(lǐng)域中概念之間的約束條件; P_Ru 1 e S = {ru 1 e}表示湖庫(kù)水華治理領(lǐng)域中規(guī)則的集合; 步驟二、湖庫(kù)水華治理決策案例庫(kù)的構(gòu)建; 案例庫(kù)中的水華治理決策案例均按照屬性進(jìn)行記錄,湖庫(kù)水華治理決策的案例與水華 治理通用本體模型相對(duì)應(yīng),在水華治理通用本體的概念和類的基礎(chǔ)上,將案例庫(kù)中水華治 理決策案例的屬性分為案例基礎(chǔ)信息、水質(zhì)參數(shù)、自然環(huán)境、人文環(huán)境、水華暴發(fā)情景、經(jīng)濟(jì) 因素 W及治理情況,案例的屬性類型分為數(shù)值型、布爾型及選項(xiàng)型Ξ類數(shù)據(jù),利用Prot有g(shù)e 工具與數(shù)據(jù)庫(kù)相連,從而形成湖庫(kù)水華治理決策案例庫(kù); 步驟Ξ、湖庫(kù)水華治理決策案例推理引擎; 利用規(guī)則推理的方法,依據(jù)限制槽和條件槽內(nèi)的屬性是否滿足特定條件,實(shí)現(xiàn)案例的 初步篩選; 步驟四、水華治理決策案例匹配; 針對(duì)步驟Ξ中已經(jīng)發(fā)揮作用的限制槽和條件槽中的屬性,貢獻(xiàn)度權(quán)重設(shè)定為0;對(duì)水華 治理決策案例本體中表述的其他屬性進(jìn)行動(dòng)態(tài)網(wǎng)絡(luò)關(guān)聯(lián)分析與賦權(quán)計(jì)算,動(dòng)態(tài)賦權(quán)的過(guò)程 采用復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)建模方法,計(jì)算復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型特征參數(shù)及重要度評(píng)價(jià)矩陣,利用構(gòu) 建節(jié)點(diǎn)的優(yōu)化關(guān)鍵度模型表征案例匹配過(guò)程中的動(dòng)態(tài)權(quán)重; 根據(jù)所述的動(dòng)態(tài)權(quán)重,對(duì)待治理案例的其他屬性分別與案例庫(kù)中初步篩選的案例進(jìn)行 匹配,各屬性按照數(shù)值型、布爾型及選項(xiàng)型Ξ種類型分別匹配案例庫(kù)中各案例的屬性,布爾 型和選項(xiàng)型的屬性根據(jù)案例的實(shí)際屬性值,數(shù)值型貢獻(xiàn)度的計(jì)算則引入直覺模糊粗糖集的 方法計(jì)算各屬性的相似度;最后經(jīng)過(guò)權(quán)重處理后得到貢獻(xiàn)度;針對(duì)案例庫(kù)中的案例存在的 屬性值缺失的情況設(shè)定其貢獻(xiàn)度為零,案例中所有貢獻(xiàn)度構(gòu)成綜合貢獻(xiàn)度,得到綜合貢獻(xiàn) 度最大的案例作為待治理案例的備用案例; 步驟五、水華治理決策案例確定、重用及修正; 對(duì)于所述的備用案例,如果綜合貢獻(xiàn)度超過(guò)匹配闊值,則將備用案例作為匹配案例,并 將治理方法直接應(yīng)用于湖庫(kù);如果綜合貢獻(xiàn)度并未超過(guò)闊值,表明該備用案例的治理方法 與待治理案例不完全匹配,決策結(jié)果的適用性不確定,則決策結(jié)果需咨詢領(lǐng)域?qū)<?,由領(lǐng)域 專家直接給出治理建議,形成最終的應(yīng)用案例;最后,所述的應(yīng)用案例經(jīng)過(guò)決策應(yīng)用實(shí)踐 后,連同治理方式及治理效果均將保存至案例庫(kù)。2. 根據(jù)權(quán)利要求1所述的基于案例推理的湖庫(kù)水華治理復(fù)雜動(dòng)態(tài)關(guān)聯(lián)模型與決策方 法,其特征在于:限制槽表示屬性對(duì)決策結(jié)果的限制條件,當(dāng)屬性值滿足要求時(shí),治理方法 的選擇依據(jù)限制槽使用排除法進(jìn)行篩選;條件槽表示屬性對(duì)決策結(jié)果的作用條件,當(dāng)屬性 值滿足要求時(shí),治理方法依據(jù)條件槽直接選取。3. 根據(jù)權(quán)利要求1或2所述的基于案例推理的湖庫(kù)水華治理復(fù)雜動(dòng)態(tài)關(guān)聯(lián)模型與決策 方法,其特征在于:限制槽的屬性包括水華面積、水處理投資、長(zhǎng)期治理、二次污染和生態(tài)安 全性,限制槽規(guī)則分別為: (1) 若水華面積大于30平方千米,則引水沖刷、人工曝氣和機(jī)械除藻物理方法被排除; (2) 若水處理投資小于500元/平方米,則引水沖刷、人工曝氣和機(jī)械除藻物理方法及活 性炭吸附法被排除; (3) 若長(zhǎng)期治理屬于要求條件,則引水沖刷、人工曝氣和機(jī)械除藻物理方法被排除; (4) 若二次污染被強(qiáng)制否定,則酸堿中和法和化學(xué)除藻法化學(xué)方法被排除; (5) 若生態(tài)安全性被強(qiáng)制要求,則源營(yíng)養(yǎng)鹽生物防治技術(shù)和生物抑藻技術(shù)被排除; 條件槽的屬性包括總憐、總氮、氮憐比、溶解氧、pH和見效時(shí)間,條件槽規(guī)則如下: (1) 若總憐濃度大于2. OOmg/L或總氮濃度大于2. OOmg/L,或氮憐質(zhì)量比處于32:1至64: 1之間,源營(yíng)養(yǎng)鹽生物防治技術(shù)、化學(xué)沉降法、純化法和水葫蘆凈化法被選擇; (2) 若溶解氧濃度小于5mg/L,則引水沖刷和人工曝氣法被選擇; (3) 若pH值處于7.9至8.1之間,則酸堿中和法和化學(xué)除藻法被選擇; (4) 若見效時(shí)間快被強(qiáng)制要求,則引水沖刷、人工曝氣和機(jī)械除藻被選擇。4. 根據(jù)權(quán)利要求1所述的基于案例推理的湖庫(kù)水華治理復(fù)雜動(dòng)態(tài)關(guān)聯(lián)模型與決策方 法,其特征在于:步驟四的具體實(shí)現(xiàn)過(guò)程如下: (1) 構(gòu)建水華治理決策的復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型; 復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)模型分為總網(wǎng)絡(luò)和子網(wǎng)絡(luò),總網(wǎng)絡(luò)的節(jié)點(diǎn)包括水質(zhì)參數(shù)、人文環(huán)境、經(jīng)濟(jì) 因素、自然環(huán)境、水華暴發(fā)情景六個(gè)節(jié)點(diǎn),而總網(wǎng)絡(luò)的各節(jié)點(diǎn)依據(jù)節(jié)點(diǎn)內(nèi)容可細(xì)分成子節(jié) 點(diǎn),從而構(gòu)成子網(wǎng)絡(luò);水質(zhì)參數(shù)的子節(jié)點(diǎn)包括總憐、總氮、氮憐比、溶解氧、化學(xué)需氧量、生物 需氧量、酸堿度、電導(dǎo)率、葉綠素 a、水溫,人文環(huán)境的子節(jié)點(diǎn)包括水體利用率、人口流動(dòng)性、 農(nóng)業(yè)污水排放量、工業(yè)污水排放量、生活污水排放量,經(jīng)濟(jì)因素的子節(jié)點(diǎn)包括水處理投資、 長(zhǎng)期治理、見效時(shí)間快、生態(tài)安全性、二次污染,自然環(huán)境的子節(jié)點(diǎn)包括水體面積、空氣溫 度、濕度、光照強(qiáng)度、地理位置、風(fēng)速、周邊環(huán)境、湖泊類型,水華暴發(fā)情景的子節(jié)點(diǎn)包括水華 面積、富營(yíng)養(yǎng)化級(jí)別、藻類類型、表面顏色、氣味、水體表面性狀; 所述的總網(wǎng)絡(luò)和子網(wǎng)絡(luò)均由網(wǎng)絡(luò)點(diǎn)集v(v = {vi,V2,···,vi,···,vn})和網(wǎng)絡(luò)邊集e(e = {ei,62,· · ·ej,· · ·,em})構(gòu)成,其中Vi用來(lái)標(biāo)識(shí)第i個(gè)節(jié)點(diǎn),ej用來(lái)標(biāo)識(shí)第j條邊,η表示網(wǎng)絡(luò)的節(jié) 點(diǎn)個(gè)數(shù),m表示網(wǎng)絡(luò)的邊集個(gè)數(shù); (2) 計(jì)算復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)的特征參數(shù); 節(jié)點(diǎn)度用、表示,節(jié)點(diǎn)度包括入度本和出度年,節(jié)點(diǎn)Vi與節(jié)點(diǎn)Vj之間的節(jié)點(diǎn)距離用dij來(lái) 表示,網(wǎng)絡(luò)效率E的計(jì)算公式如式(1)所示:(1) 根據(jù)網(wǎng)絡(luò)效率計(jì)算出各節(jié)點(diǎn)的效率:(2) 其中,Ik表示節(jié)點(diǎn)vk的效率; (3) 構(gòu)建重要度評(píng)價(jià)矩陣; 節(jié)點(diǎn)重要度貢獻(xiàn)矩陣,記為出C:。) 其中,<k>表示無(wú)向網(wǎng)絡(luò)的平均度值,Ai/<k〉2表示節(jié)點(diǎn)VI的自身重要度,δυ為復(fù)雜動(dòng)態(tài) 網(wǎng)絡(luò)連接矩陣的元素,表示網(wǎng)絡(luò)節(jié)點(diǎn)間的連接情況,若節(jié)點(diǎn)Vi與節(jié)點(diǎn)Vj之間相連,則Sij = 1, 否則Sij = 〇; 在無(wú)向網(wǎng)絡(luò)中,節(jié)點(diǎn)度并不區(qū)分入度和出度,將公式(3)中的節(jié)點(diǎn)VI的自身重要度V<k 〉2用公式/你進(jìn)行優(yōu)化,因此優(yōu)化后的節(jié)點(diǎn)重要度貢獻(xiàn)矩陣H'l姻下所示:其中,li和Ij分別表示節(jié)點(diǎn)Vi和節(jié)點(diǎn)Vj的效率; 對(duì)節(jié)點(diǎn)的重要度進(jìn)行歸一化處理,得出歸一化后的屬性權(quán)重(4) 數(shù)值型屬性的模糊粗糖集計(jì)算; 定義模糊粗糖集的集合為S,V.Y e S中的上近似和下近似分別記為r和r,則模糊粗糖集 S中的一個(gè)直覺模糊粗糖集A如下所示:(7) 其中,Uf 一[04]為4的下近似隸屬度函數(shù)《4: '表示案例屬性的負(fù)面影響程度,"X則為 屬性的惡劣程度對(duì)湖庫(kù)水華治理決策過(guò)程的影響;《,* [0,1]為A的上近似隸屬度函數(shù) 表示案例屬性可能的負(fù)面影響程度,Wf則為屬性的惡劣程度可能對(duì)水華治理決策過(guò)程 的影響;?V 叫04]為A的下近似非隸屬度函數(shù)?V嗦示案例屬性的正面影響程度,?V則 為屬性的優(yōu)質(zhì)程度對(duì)水華治理決策過(guò)程的影響;;^:/;^->[〇,4為4的上近似非隸屬度函數(shù) ,表示案例屬性可能的正面影響程度,則為屬性的優(yōu)質(zhì)程度可能對(duì)水華治理決策過(guò)程 的影響; 直覺模糊粗糖集A的下近似隸屬度函數(shù)《Γ、上近似隸屬度函數(shù)":,*、下近似非隸屬度函 數(shù)和上近似非隸屬度函數(shù)需要同時(shí)滿足W下條件:直覺模糊粗糖集A中元素 XA的直覺指數(shù)JTA(XA)定義為XA對(duì)A的猶豫程度的測(cè)度,直覺指數(shù) 的計(jì)算如下所示: 兄4 (X J = A (1 - " r (? ) - (? )) 議 其中,QA為指數(shù)算子,其取值范圍是0.5含Qa < 1; 對(duì)于非空論域乂=^1,^2,-,,加}上的兩個(gè)直覺模糊粗糖集4和8,4的直覺模糊粗糖值 為:其中,權(quán)重系數(shù) ωι(ΧΑ,ΧΒ),《2(XA,XB),《3(XA,XB),《4(XA,XB),ω 日(χα,χβ)依據(jù)具體的目 標(biāo)案例與案例庫(kù)中的案例的已知屬性信息動(dòng)態(tài)確定; (5) 布爾型和選項(xiàng)型的相似度計(jì)算; 針對(duì)案例庫(kù)中布爾型和選項(xiàng)型的屬性,規(guī)定若布爾型的選項(xiàng)和選項(xiàng)型的選項(xiàng)相同,貝U 屬性的相似度Μ為1,若不同或匹配的案例屬性缺失,則相似度Μ為0; (6) 綜合貢獻(xiàn)度的計(jì)算;(11) 其中,Sab表示案例A與案例Β進(jìn)行匹配的綜合貢獻(xiàn)度,W康示節(jié)點(diǎn)Vi的權(quán)重,Wi康示節(jié)點(diǎn) vij的權(quán)重,i = l,2,3…n,j = l,2,3…m,Mij為案例A和B中節(jié)點(diǎn)vリ的相似度;比較求取的綜合 貢獻(xiàn)度,選取綜合貢獻(xiàn)度最大的案例作為備用案例。
【文檔編號(hào)】G06Q10/06GK105844401SQ201610166424
【公開日】2016年8月10日
【申請(qǐng)日】2016年3月22日
【發(fā)明人】王小藝, 王立, 張慧妍, 王昭洋, 許繼平, 于家斌, 孫茜
【申請(qǐng)人】北京工商大學(xué)