基于案例推理的湖庫水華治理復(fù)雜動態(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水華治理復(fù)雜動態(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，將案例檢索分為案例推理和案例匹配兩個部分，完成初步篩選和案例匹配，得到匹配案例，經(jīng)過領(lǐng)域?qū)＜艺{(diào)整后應(yīng)用至目標案例，并保存至案例庫。本發(fā)明能夠模仿專家經(jīng)驗的思維過程，進行人工智能決策，使決策結(jié)果更符合實際的湖庫水華治理情況，明顯提高了決策結(jié)果的準確性及可靠性。并且可以提高決策效率，縮短決策時間。
【專利說明】
基于案例推理的湖庫水華治理復(fù)雜動態(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水華治理過程中，多個屬性間復(fù)雜動態(tài)關(guān)聯(lián) 模型的建立及對應(yīng)決策方法問題的研究，屬于環(huán)境工程技術(shù)領(lǐng)域。具體地說，是指在深入研 究已知的各類湖庫水華治理方案的基礎(chǔ)上，通過分析湖庫水華暴發(fā)過程在不同狀態(tài)呈現(xiàn)出 的特性及其與多個關(guān)聯(lián)屬性間的關(guān)系，利用案例推理在動態(tài)環(huán)境下求解出適合目標案例的 可行治理方法。達到對以往湖庫水華治理知識的系統(tǒng)學(xué)習(xí)和全面綜合利用，有效地探索適 用于水環(huán)境實際狀況的湖庫水華治理決策方法，更好地發(fā)揮信息系統(tǒng)對水華治理決策的輔 助作用。
【背景技術(shù)】
[0002] 近年來，我國面臨的水污染及生態(tài)問題日益突出，據(jù)統(tǒng)計，富營養(yǎng)化湖泊占全國主 要湖泊的69.8%，富營養(yǎng)化水庫占全國主要水庫的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 代謝死亡過程中能夠釋放各種藻毒素，嚴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日國務(wù)院出臺的《水污染防治行動計劃》的推動下，水 華作為重要的水污染現(xiàn)象之一，已經(jīng)納入國家重點治理的項目，因此有效地預(yù)防和治理水 華，對暴發(fā)的水華現(xiàn)象迅速地提出切實可行的治理方法，為水環(huán)境保護部門提供決策依據(jù) 具有十分重要的意義。
[0003] 目前針對湖庫水華治理決策的研究已具有一定積累，真實有效的治理案例提供了 支持湖庫水華治理決策的基礎(chǔ)經(jīng)驗與特色優(yōu)勢，若能將所形成的案例高質(zhì)量地用于輔助水 華決策，則可以通過對已有的水華治理方法進行優(yōu)選繼承，有利于應(yīng)對突發(fā)的應(yīng)急情況，快 速提出切實可行的綜合治理措施。
[0004] 由于水華暴發(fā)是一個復(fù)雜的生態(tài)問題，針對水華暴發(fā)的治理決策過程涉及到水質(zhì) 因素、經(jīng)濟因素、環(huán)境因素等多種因素，已有研究難以涵蓋多種因素進行綜合考慮，進而難 以根據(jù)決策屬性對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 法進行優(yōu)劣分析，對決策過程中出現(xiàn)的模糊性問題和隨機性問題無法給予合理的處理，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，源自人類的認知活動和心 理活動，能夠有效緩解人類在知識獲取中的瓶頸。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，在對已有的決策結(jié)果進行分析調(diào)整后應(yīng)用至目標案例并再次儲存 至案例庫。案例推理充分結(jié)合了自身動態(tài)知識庫和增量學(xué)習(xí)的特點，能夠?qū)焖A暴發(fā) 后的嚴重情況進行準確判斷，從而形成符合實際狀況的湖庫水華治理決策。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明提供一種基于案例推理的湖庫水華治理復(fù)雜動態(tài)關(guān)聯(lián)模型與決策方法，所 述方法基于案例推理，對水華治理決策的任務(wù)進行分析，考慮相關(guān)的多個屬性的結(jié)構(gòu)動態(tài) 變化對水華暴發(fā)的狀態(tài)影響復(fù)雜，為了進行較全面的研究，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)四個模塊。接下來以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 年來湖庫水華治理決策的案例，整理歸納形成案例庫;之后將案例檢索分為案例推理和案 例匹配兩個部分，通過對特定屬性設(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)分類后計算貢獻度從而檢索出目標案例(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)過領(lǐng)域?qū)＜艺{(diào)整后應(yīng)用至目標案例，并保存至案 例庫。
[0007] 水華治理過程遵循自然法則和社會法則，基于恢復(fù)水體生態(tài)功能健康的目的，運 用特定的環(huán)境生態(tài)工程措施，該措施分為五個階段，分別為黑臭階段、藻型濁水穩(wěn)態(tài)階段、 藻-草競爭階段、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)過長時間的修 復(fù)，是一項長期的任務(wù)。為明確本發(fā)明的適用范圍，本發(fā)明中相關(guān)的湖庫水華治理措施均針 對湖庫水華暴發(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水華治理復(fù)雜動態(tài)關(guān)聯(lián)模型與決策方法，主要 包括以下五個步驟：
[0009] 步驟一、湖庫水華治理決策通用本體模型設(shè)計；
[0010] 本體模型可提供一個領(lǐng)域的通用模型，其作為一種強有力的知識描述手段，能夠 輔助湖庫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 示為與湖庫水華治理決策相關(guān)的概念、關(guān)系、實例、約束及規(guī)則。湖庫水華治理決策本體的 構(gòu)建采用本體構(gòu)建工具Prot6g6工具，編碼實現(xiàn)采用本體語言O(shè)WL，從而形成湖庫水華治理 決策通用本體模型。
[0011] 步驟二、湖庫水華治理決策案例庫的構(gòu)建；
[0012] 在湖庫水華治理決策本體案例表示的基礎(chǔ)上，通過整理搜集，構(gòu)建水華治理決策 案例庫。所述的案例庫包括近年來國內(nèi)外各類湖泊、水庫、河流及海域，在不同時間段內(nèi)的 水華暴發(fā)狀況。案例庫中的水華治理決策案例均按照屬性進行記錄，記錄的屬性類型分為 數(shù)值型、布爾型及選項型三類數(shù)據(jù)，利用Protggg工具與數(shù)據(jù)庫相連，從而形成湖庫水華治 理決策案例庫。
[0013] 步驟三、湖庫水華治理決策案例推理引擎；
[0014] 湖庫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 例的各項指標視為推理網(wǎng)絡(luò)的節(jié)點，各節(jié)點之間相互關(guān)聯(lián)，根據(jù)生態(tài)安全性、水華面積等指 標的特殊性質(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，可實現(xiàn)部分案例的篩選，推理過程利用規(guī)則推理的 方法進行表示。
[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)計算；
[0017]針對步驟三中已經(jīng)發(fā)揮作用的限制槽和條件槽中的屬性，貢獻度權(quán)重設(shè)定為0;對 水華治理決策案例本體中表述的其他屬性進行動態(tài)網(wǎng)絡(luò)關(guān)聯(lián)分析與賦權(quán)計算，本發(fā)明提出 動態(tài)賦權(quán)的過程采用復(fù)雜網(wǎng)絡(luò)建模方法。首先構(gòu)建水華治理決策過程的復(fù)雜動態(tài)網(wǎng)絡(luò)模 型，根據(jù)決策屬性的關(guān)系將復(fù)雜動態(tài)網(wǎng)絡(luò)模型分為總網(wǎng)絡(luò)模型和子網(wǎng)絡(luò)模型，并計算復(fù)雜 動態(tài)網(wǎng)絡(luò)模型特征參數(shù)及重要度評價矩陣，利用構(gòu)建節(jié)點的優(yōu)化關(guān)鍵度模型表征案例匹配 過程中的動態(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)所述的動態(tài)權(quán)重，對待治理案例的其他屬性(是指排除了貢獻度為0的屬性） 分別與案例庫中初步篩選的案例進行匹配，各屬性按照數(shù)值型、布爾型及選項型三種類型 分別匹配案例庫中各案例的屬性，布爾型和選項型的屬性根據(jù)案例的實際屬性值，如屬性 值相同，則貢獻度為1，反之為〇。數(shù)值型貢獻度的計算則引入直覺模糊粗糙集的方法計算各 屬性的相似度，相似度的計算中引入指數(shù)算子對直覺模糊粗糙集方法進行改進，最后經(jīng)過 權(quán)重處理后得到貢獻度。針對案例庫中的案例存在的屬性值缺失的情況設(shè)定其貢獻度為 零，案例中所有貢獻度構(gòu)成綜合貢獻度，并將綜合貢獻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] 對于所述的備用案例，如果綜合貢獻度超過匹配閾值，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;如果綜合貢獻度并未超過閾值，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)過決策應(yīng) 用實踐后，連同治理方式及治理效果均將保存至案例庫，從而為之后的待治理湖庫的水體 水華治理方法提供案例借鑒。
[0022]本發(fā)明的優(yōu)點在于：
[0023] 1、本發(fā)明首次提出并構(gòu)建了湖庫水華治理決策通用本體模型，針對水華治理決策 的過程總結(jié)了湖庫水華暴發(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)明收集整理近年來國內(nèi)外水體的湖庫水華暴發(fā)情況構(gòu)成案例庫，包含的湖 庫水華暴發(fā)實際狀況較全面，指標涵蓋范圍較廣泛，既全面總結(jié)了湖庫水華治理的相關(guān)案 例，同時又可為湖庫水華綜合治理決策提供借鑒。使獲取的湖庫水華治理措施更符合復(fù)雜 環(huán)境、經(jīng)濟等因素的要求，決策結(jié)果更具應(yīng)用性。
[0025] 3、湖庫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 式進行初步篩選，盡量減少計算量較大的案例相似度的運算過程，從而提高決策效率，縮短 了計算時間。
[0026] 4、由于湖庫水華治理中情況復(fù)雜多變，本發(fā)明提出案例匹配時各個屬性采用復(fù)雜 動態(tài)網(wǎng)絡(luò)的關(guān)聯(lián)分析進行賦權(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決策結(jié)果的影響。此外引入復(fù)雜動態(tài)網(wǎng)絡(luò)的水華治理決 策關(guān)聯(lián)分析，并對節(jié)點的自身重要度公式進行優(yōu)化，也將提高案例檢索的精度。
[0027] 5、本發(fā)明提出案例匹配過程中采用貢獻度的計算方法替代常規(guī)的相似度計算，可 解決案例搜集整理過程中的屬性缺失情況。這樣，針對已加入案例庫中的案例若無法避免 出現(xiàn)屬性值缺失的現(xiàn)象，則可通過計算貢獻度而非相似度將缺失屬性帶來的影響排除在 外，同時設(shè)定貢獻度的閾值避免極端情況的出現(xiàn)，使決策結(jié)果更符合實際的湖庫水華治理 情況。
[0028] 6、本發(fā)明中利用直覺模糊粗糙集方法對數(shù)值型屬性進行處理，并引入直覺算子權(quán) 衡不確定度的計算，有效提高了貢獻度的計算精度，保證匹配結(jié)果的準確性。
[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，專家意見對備選 決策的調(diào)整能夠提高決策結(jié)果的準確性和可靠性，而案例學(xué)習(xí)則能夠不斷的壯大案例庫的 建立規(guī)模，實現(xiàn)對自身案例庫進行自動調(diào)整。
[0030] 8、基于案例推理的湖庫水華治理決策方法能夠模仿專家經(jīng)驗的思維過程，進行人 工智能決策，明顯提高了決策結(jié)果的準確性及可靠性。
【附圖說明】
[0031] 圖1是本發(fā)明提供的基于案例推理的湖庫水華治理復(fù)雜動態(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)雜動態(tài)網(wǎng)絡(luò)模型。
[0036] 圖6是水華暴發(fā)情景復(fù)雜動態(tài)網(wǎng)絡(luò)模型。
[0037] 圖7是水質(zhì)參數(shù)復(fù)雜動態(tài)網(wǎng)絡(luò)模型。
[0038] 圖8是經(jīng)濟因素復(fù)雜動態(tài)網(wǎng)絡(luò)模型。
[0039] 圖9是人文環(huán)境復(fù)雜動態(tài)網(wǎng)絡(luò)模型。
[0040] 圖10是自然環(huán)境復(fù)雜動態(tài)網(wǎng)絡(luò)模型。
【具體實施方式】
[0041] 下面將結(jié)合附圖對本發(fā)明作進一步的詳細說明。
[0042] 本發(fā)明提供的基于案例推理的湖庫水華治理復(fù)雜動態(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、湖庫水華治理決策通用本體模型設(shè)計；
[0044]案例推理是人工智能領(lǐng)域中的重要部分，案例推理將過去問題的經(jīng)驗和知識以案 例的形式記錄下來，模仿人類的推理方式和思維過程，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水華治理決策模型分為四個部分，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;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)實際要求借助于專家意見進行調(diào)整，對決策結(jié)果的實施不 斷進行案例修訂，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程，并作為應(yīng)用案 例進行案例學(xué)習(xí)，將所述的應(yīng)用案例保存至案例庫。針對水華治理的復(fù)雜系統(tǒng)問題，案例推 理方法具有聯(lián)想、對比和歸納的特點，適用的領(lǐng)域廣，問題求解能力較高，結(jié)果更容易被接 受。
[0045]湖庫水華治理決策案例本體是對水華治理經(jīng)驗和知識進行分類與描述的概念體 系，因此可根據(jù)湖庫水華治理的經(jīng)驗和知識確定水環(huán)境領(lǐng)域共同認可的概念，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}表示湖庫水華治理領(lǐng)域中的概念集合，包括藍藻水 華、處理方案等。
[0047] (2)P_Relations = {r(C1，C2)}表示湖庫水華治理決策領(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}表示湖庫水華治理領(lǐng)域的實例集合，例如 2010年8月太湖流域水華暴發(fā)是水華暴發(fā)的一個實例。
[0049] (4)P_Restriction= {restriction}表示湖庫水華治理領(lǐng)域中概念之間的約束條 件，例如治理過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體，連線上的標注表示關(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本體語言進行編碼表示，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、湖庫水華治理決策案例庫的構(gòu)建；
[0059]湖庫水華治理決策的案例與水華治理通用本體模型相對應(yīng)，在水華治理通用本體 的概念和類的基礎(chǔ)上，將案例庫中水華治理決策案例（簡稱案例）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、湖庫水華治理決策案例推理引擎；
[0061] 湖庫水華治理決策案例中的屬性概念并不是相互孤立的，它們通過某種內(nèi)在的因 素緊密地或松散地有機聯(lián)系成的一個統(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)點為與水華相關(guān)的屬性概念，也就是案例庫中所列示的 案例的屬性，這些節(jié)點之間的相互關(guān)系與屬性之間的相互關(guān)系相對應(yīng)。
[0062]在湖庫水華治理決策本體網(wǎng)絡(luò)中，存在某些特定節(jié)點所代表的屬性具有特殊性， 稱為槽點，槽點所代表的屬性對湖庫水華治理方法的選擇具有直接作用。因此根據(jù)這些槽 點的性質(zhì)，劃分為限制槽(Constraint Slots)和條件槽(causality slots)兩類。限制槽表 示屬性對決策結(jié)果的限制條件，當(dāng)屬性值滿足要求時，治理方法的選擇依據(jù)限制槽使用排 除法進行篩選;條件槽表示屬性對決策結(jié)果的作用條件，當(dāng)屬性值滿足要求時，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)驗總結(jié)，依次對五個限制槽的屬性的限制條件及限制結(jié)果進行表述， 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、人工曝氣和機械除藻等物理方 法及活性炭吸附法被排除。
[0066] (3)若長期治理屬于要求條件，則引水沖刷、人工曝氣和機械除藻等物理方法被排 除。
[0067] (4)若二次污染被強制否定，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)安全性被強制要求，則源營養(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和見效時間，根據(jù)已有研究及專 家經(jīng)驗總結(jié)，依次對六個條件槽的屬性的條件要求及作用結(jié)果進行表述，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)若見效時間快被強制要求，則引水沖刷、人工曝氣和機械除藻被選擇。
[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)雜動態(tài)網(wǎng)絡(luò)模型；
[0082] 湖庫水華治理決策的結(jié)果會受到水體的基本情況、水質(zhì)參數(shù)、人文環(huán)境、經(jīng)濟因 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)境的決策問題是一個復(fù)雜的系統(tǒng)問 題，為準確、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)雜動態(tài)網(wǎng)絡(luò)求取關(guān)鍵 度的問題，通過節(jié)點間的相互作用反映出水環(huán)境復(fù)雜系統(tǒng)中各實體的相互作用。
[0083] 根據(jù)水華治理決策中案例屬性的特點，構(gòu)建復(fù)雜動態(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)點包括水質(zhì)參數(shù)、人文環(huán)境、經(jīng)濟因素、自然環(huán)境、水華暴發(fā)情景六個節(jié)點， 而總網(wǎng)絡(luò)的各節(jié)點依據(jù)節(jié)點內(nèi)容可細分成子節(jié)點，從而構(gòu)成子網(wǎng)絡(luò)。水質(zhì)參數(shù)的子節(jié)點包 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)點包括水體利用率、人 口流動性、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)濟因素的子節(jié)點包括水 處理投資、長期治理、見效時間快、生態(tài)安全性、二次污染，自然環(huán)境的子節(jié)點包括水體面 積、空氣溫度(AT)、濕度、光照強度、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)點包括水華面積、富營養(yǎng)化級別、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用來標識第i個節(jié)點，ej用來標識第j條邊，η表示網(wǎng)絡(luò)的 節(jié)點個數(shù)，m表示網(wǎng)絡(luò)的邊集個數(shù)。
[0085] 2、計算復(fù)雜動態(tài)網(wǎng)絡(luò)的特征參數(shù)；
[0086]節(jié)點度表示復(fù)雜動態(tài)網(wǎng)絡(luò)中與第i個節(jié)點Vi直接相連的節(jié)點數(shù)目，用Ai表示，節(jié)點 度包括入度λ，和出度Ai'節(jié)點度即為入度和出度之和，節(jié)點度\1可以直接反應(yīng)節(jié)點Vi對相 鄰節(jié)點的影響力，表明在整個復(fù)雜動態(tài)網(wǎng)絡(luò)中的作用，無向網(wǎng)絡(luò)則不區(qū)分入度和出度，直接 用節(jié)點度表示。
[0087]節(jié)點距離Cllj用來表示兩個節(jié)點之間的最短路徑所途徑的邊數(shù)，節(jié)點V1與節(jié)點^之 間的最短路徑則為屯，若則表明兩節(jié)點之間不存在路徑。
[0088] 網(wǎng)絡(luò)信息流通的平均難易程度用網(wǎng)絡(luò)效率E來表示，網(wǎng)絡(luò)效率的計算公式如式（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算出各節(jié)點的效率，計算公式如式(2)所示。
[0091]
(2)
[0092]其中，Ik表示節(jié)點Vk的效率，dki表示節(jié)點Vk到節(jié)點Vi之間的節(jié)點距離，Ik值越大，表 明該節(jié)點的傳輸效率越高，相應(yīng)的該節(jié)點在網(wǎng)絡(luò)中重要性越大，可理解為移除該節(jié)點將對 信息的順利流通有所阻礙。
[0093] 3、構(gòu)建重要度評價矩陣；
[0094] 節(jié)點之間的相互關(guān)聯(lián)會影響到節(jié)點負載和重要度，根據(jù)實際網(wǎng)絡(luò)的拓撲映射，創(chuàng) 建重要度貢獻關(guān)系拓撲。節(jié)點的重要度貢獻關(guān)系來源于相鄰節(jié)點，因此可用鄰接矩陣的映 射矩陣表示，即節(jié)點重要度貢獻矩陣，記為H IC。
[0095]
(3)
[0096] 其中，<k〉表示無向網(wǎng)絡(luò)的平均度值，AAk〉2表示節(jié)點^的自身重要度，節(jié)點自身 的重要度將直接作用于相關(guān)聯(lián)的相鄰節(jié)點，Hk則表示所有節(jié)點對其相鄰節(jié)點的重要度貢獻 矩陣。為復(fù)雜動態(tài)網(wǎng)絡(luò)連接矩陣的元素，表示網(wǎng)絡(luò)節(jié)點間的連接情況，若節(jié)Av1與節(jié)點Vj 之間相連，則k = l，否則k = 〇,則k被稱作貢獻分配參數(shù)。
[0097] 由于在無向網(wǎng)絡(luò)中，節(jié)點度并不區(qū)分入度和出度，考慮節(jié)點自身重要度時M/〈k>2 也無法顯示入度和出度對節(jié)點的影響力，但是在有向網(wǎng)絡(luò)中，附帶出度屬性的節(jié)點將比附 帶入度屬性的節(jié)點產(chǎn)生的作用更強烈，為表示出度與入度對節(jié)點重要性的影響，將公式(3) 中的節(jié)點％的自身重要度h/〈k>2用公式f /何2進行優(yōu)化，因此優(yōu)化后的節(jié)點重要度貢 獻矩陣Η'κ如下所示。
[0098]
(4)
[0099] 然而節(jié)點的重要性不僅取決于相鄰節(jié)點的作用，還取決于節(jié)點的傳輸效率，因此 節(jié)點的重要程度用位置信息和相鄰信息兩個指標進行表征，節(jié)點的重要度評價矩陣可表示 為如式(5)的形式。
[0100]
(5)
[0101] 其中He為重要度評價矩陣，其矩陣元素HElj表示節(jié)點W對節(jié)點V1的重要度貢獻值。 節(jié)點的重要度需要綜合節(jié)點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)點的效率的綜合，節(jié)點的重要度公式如(6)所示。
[0102]
(6)
[0103] 其中，I1和込分別表示節(jié)點V1和節(jié)點％的效率。
[0104] 對節(jié)點的重要度進行歸一化處理，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，表示案例屬性的負面影響程度， 1V則為屬性的惡劣程度對湖庫水華治理決策過程的影響。％ 為A的上近似隸屬度 函數(shù)、，表示案例屬性可能的負面影響程度，^則為屬性的惡劣程度可能對水華治理決策 過程的影響。？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)程度對水華治理決策過程的影響。~：，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)程度可能對水華治理決策過程 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A的猶豫程度的測度，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表示對直覺指數(shù)的修正，當(dāng)滿足O^3Ia(Xa) < 1成立時，咖官覺指數(shù)的計筧如下所示。
[0112]
(9)
[0113] 其中，αΑ為指數(shù)算子，其取值范圍是〇·5 1。
[0114] 對于非空論域X= {χι，Χ2，…，Xn}上的兩個直覺模糊粗糙集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) 具體的目標案例與源案例的已知屬性信息動態(tài)確定。
[0119] 5、布爾型和選項型的相似度計算；
[0120] 針對案例庫中布爾型和選項型的屬性，規(guī)定若布爾型的選項和選項型的選項相 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、綜合貢獻度的計算；
[0122] 根據(jù)布爾型、選項型和數(shù)值型的計算方法，可以獲得任意一個案例屬性的相似度。 針對相似性的定義提出案例匹配過程中的貢獻度概念，即在案例匹配過程中，任意一個屬 性均可對案例匹配做出貢獻，若屬性值缺失，則貢獻度為〇。綜合貢獻度的計算公式如下所
不。
[0123] (11):
[0124] 其中，Sab表示案例A與案例B進行匹配的綜合貢獻度，Wi表示節(jié)點Vi的權(quán)重，Wij表示 節(jié)點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Vij的相似度。比較求取的 綜合貢獻度，選取綜合貢獻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度與匹配閾值比較，當(dāng)最大綜合貢獻度滿足Sab2 0.5 時，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)整后可用于實際工程項目 中。如果最大綜合貢獻度不滿足上述條件，則證明案例庫中無相應(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，并對本次的推理過程和 決策效果記錄至案例庫，為后續(xù)水華治理決策提供參考。
[0128] 實施例1:
[0129] 步驟一、湖庫水華治理決策通用本體模型設(shè)計；
[0130] 根據(jù)已設(shè)計的湖庫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)的實際情況，如表1所示。
[0131]表1昆明湖水華暴發(fā)案例庫相關(guān)信息
[0133] 同時在湖庫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，富營養(yǎng)化級別，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)濟因素子網(wǎng)絡(luò)的屬性為X3= {:見效時間，水處理投資，長期治理，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， 光照強度，地理位置，風(fēng)速}。
[0140] 因此Xi表示總網(wǎng)絡(luò)的第i個屬性，Xij表示第i個子網(wǎng)絡(luò)的第j個屬性。
[0141 ]步驟二、湖庫水華治理決策案例庫的構(gòu)建；
[0142] 案例庫搜集以往太湖、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，部分湖庫的信息如表2所示。
[0143] 表2水華治理案例庫部分案例信息
[0145] 步驟三、湖庫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)時的情形，根據(jù)獲取的信息首先對昆明湖的治理方案 進行規(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 間，綜合昆明湖實際信息，條件槽中發(fā)揮作用的是總氮、氮磷比、見效時間三個屬性，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、機械除藻方法中選擇。與以上 方法相匹配的包括案例庫中的案例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鄱陽湖 (南嘰濕地)2010年10月水華治理，共計5項案例。
[0147] 步驟四、水華治理決策案例匹配器；
[0148] 4.1基于復(fù)雜動態(tài)網(wǎng)絡(luò)的水華治理決策關(guān)聯(lián)分析與賦權(quán)計算；
[0149] 1、構(gòu)建治理決策的復(fù)雜動態(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)雜動態(tài)網(wǎng)絡(luò)，分別如圖6至圖10所示。
[0151] 2、計算復(fù)雜動態(tài)網(wǎng)絡(luò)的特征參數(shù)
[0152]首先對水華治理決策復(fù)雜總網(wǎng)絡(luò)模型計算各屬性的權(quán)重。根據(jù)節(jié)點度、節(jié)點距離 和貢獻度分配參數(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)可以計算出節(jié)點效率如下所示。
[0157]
(15)
[0158] 3、構(gòu)建重要度評價矩陣
[0159] 根據(jù)公式(5)可求出節(jié)點的重要度評價矩陣，在復(fù)雜動態(tài)網(wǎng)絡(luò)的實際應(yīng)用中，對于 可判別的有向網(wǎng)絡(luò)按照相應(yīng)的入度和出度計算優(yōu)化的節(jié)點重要度，對于部分復(fù)雜動態(tài)網(wǎng)絡(luò) 無方向的影響關(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 重要度評價矩陣如下所示。
[0160]
(16)
[0161] 進而可根據(jù)公式(6)求出節(jié)點的重要度C=[2.03 2 1.08 1.44 2.03]，歸一化后 則節(jié)點的權(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算
[0166] 以總磷為例，計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水華治理情況的正面影響和負面影響情況，獲 得總磷正面影響非隸屬度函數(shù)γ(Τρ-)和負面影響隸屬度函數(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] 利用同樣的方法計算其他數(shù)值型屬性的相似度。
[0173] 2、布爾型和選項型的相似度計算
[0174] 選取水體類型的屬性作為布爾型和選項型相似度計算的算例，由于待治理案例昆 明湖與案例庫的案例均為景觀湖，則均滿足M= 1。若計算景觀湖和養(yǎng)殖湖的相似度，則M = 0〇
[0175] 3、綜合貢獻度的計算
[0176] 根據(jù)公式（11)的計算方法，依次計算待治理案例與案例庫中的篩選案例之間的綜 合貢獻度，因此綜合貢獻度的計算結(jié)果如下所示。
[0177] Sd2 = O. 4384, Sd3 = O. 4575, Sds = O. 4119, Sds = O. 5498, Sdii = O. 4847 (21)
[0178] 對比綜合貢獻度的計算結(jié)果，可以看出案例8的綜合貢獻度最大，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，通過調(diào)水工程對污水進行截污，同時加快湖體表層水體的交換，大大降 低水體中營養(yǎng)物質(zhì)，同時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，從而達到控制水華的目的。該方法簡單且見效快，但費用較高，其優(yōu) 勢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的治理情況相 似，可用于對昆明湖的治理。同時查詢昆明湖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保存至案例庫中，從而補充案例庫的完整性和覆 蓋性，從而為今后其他的治理情況提供借鑒。
【主權(quán)項】
1. 基于案例推理的湖庫水華治理復(fù)雜動態(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、湖庫水華治理決策通用本體模型設(shè)計； 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〉，分別表不為與湖庫水華治理決策 相關(guān)的概念、關(guān)系、實例、約束及規(guī)則;具體為： P_Concepts= konc邱ts}表示湖庫水華治理領(lǐng)域中的概念集合； P_Re lat ions = {Η C1，C2)}表示湖庫水華治理決策領(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}表示湖庫水華治理領(lǐng)域的實例集合； P_Restriction= {restriction}表示湖庫水華治理領(lǐng)域中概念之間的約束條件； P_Ru 1 e S = {ru 1 e}表示湖庫水華治理領(lǐng)域中規(guī)則的集合； 步驟二、湖庫水華治理決策案例庫的構(gòu)建； 案例庫中的水華治理決策案例均按照屬性進行記錄，湖庫水華治理決策的案例與水華 治理通用本體模型相對應(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 因素 W及治理情況，案例的屬性類型分為數(shù)值型、布爾型及選項型Ξ類數(shù)據(jù)，利用Prot有g(shù)e 工具與數(shù)據(jù)庫相連，從而形成湖庫水華治理決策案例庫； 步驟Ξ、湖庫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，實現(xiàn)案例的 初步篩選； 步驟四、水華治理決策案例匹配； 針對步驟Ξ中已經(jīng)發(fā)揮作用的限制槽和條件槽中的屬性，貢獻度權(quán)重設(shè)定為0;對水華 治理決策案例本體中表述的其他屬性進行動態(tài)網(wǎng)絡(luò)關(guān)聯(lián)分析與賦權(quán)計算，動態(tài)賦權(quán)的過程 采用復(fù)雜動態(tài)網(wǎng)絡(luò)建模方法，計算復(fù)雜動態(tài)網(wǎng)絡(luò)模型特征參數(shù)及重要度評價矩陣，利用構(gòu) 建節(jié)點的優(yōu)化關(guān)鍵度模型表征案例匹配過程中的動態(tài)權(quán)重； 根據(jù)所述的動態(tài)權(quán)重，對待治理案例的其他屬性分別與案例庫中初步篩選的案例進行 匹配，各屬性按照數(shù)值型、布爾型及選項型Ξ種類型分別匹配案例庫中各案例的屬性，布爾 型和選項型的屬性根據(jù)案例的實際屬性值，數(shù)值型貢獻度的計算則引入直覺模糊粗糖集的 方法計算各屬性的相似度;最后經(jīng)過權(quán)重處理后得到貢獻度;針對案例庫中的案例存在的 屬性值缺失的情況設(shè)定其貢獻度為零，案例中所有貢獻度構(gòu)成綜合貢獻度，得到綜合貢獻 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； 對于所述的備用案例，如果綜合貢獻度超過匹配闊值，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；如果綜合貢獻度并未超過闊值，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)＜遥深I(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)過決策應(yīng)用實踐 后，連同治理方式及治理效果均將保存至案例庫。2. 根據(jù)權(quán)利要求1所述的基于案例推理的湖庫水華治理復(fù)雜動態(tài)關(guān)聯(lián)模型與決策方 法，其特征在于：限制槽表示屬性對決策結(jié)果的限制條件，當(dāng)屬性值滿足要求時，治理方法 的選擇依據(jù)限制槽使用排除法進行篩選;條件槽表示屬性對決策結(jié)果的作用條件，當(dāng)屬性 值滿足要求時，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水華治理復(fù)雜動態(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、人工曝氣和機械除藻物理方法及活 性炭吸附法被排除； (3) 若長期治理屬于要求條件，則引水沖刷、人工曝氣和機械除藻物理方法被排除； (4) 若二次污染被強制否定，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)安全性被強制要求，則源營養(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) 若見效時間快被強制要求，則引水沖刷、人工曝氣和機械除藻被選擇。4. 根據(jù)權(quán)利要求1所述的基于案例推理的湖庫水華治理復(fù)雜動態(tài)關(guān)聯(lián)模型與決策方 法，其特征在于:步驟四的具體實現(xiàn)過程如下： (1) 構(gòu)建水華治理決策的復(fù)雜動態(tài)網(wǎng)絡(luò)模型； 復(fù)雜動態(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)點包括水質(zhì)參數(shù)、人文環(huán)境、經(jīng)濟 因素、自然環(huán)境、水華暴發(fā)情景六個節(jié)點，而總網(wǎng)絡(luò)的各節(jié)點依據(jù)節(jié)點內(nèi)容可細分成子節(jié) 點，從而構(gòu)成子網(wǎng)絡(luò);水質(zhì)參數(shù)的子節(jié)點包括總憐、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)點包括水體利用率、人口流動性、 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)濟因素的子節(jié)點包括水處理投資、 長期治理、見效時間快、生態(tài)安全性、二次污染，自然環(huán)境的子節(jié)點包括水體面積、空氣溫 度、濕度、光照強度、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)點包括水華 面積、富營養(yǎng)化級別、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用來標識第i個節(jié)點，ej用來標識第j條邊，η表示網(wǎng)絡(luò)的節(jié) 點個數(shù)，m表示網(wǎng)絡(luò)的邊集個數(shù)； (2) 計算復(fù)雜動態(tài)網(wǎng)絡(luò)的特征參數(shù)； 節(jié)點度用、表示，節(jié)點度包括入度本和出度年，節(jié)點Vi與節(jié)點Vj之間的節(jié)點距離用dij來 表示，網(wǎng)絡(luò)效率E的計算公式如式(1)所示：(1) 根據(jù)網(wǎng)絡(luò)效率計算出各節(jié)點的效率：(2) 其中，Ik表示節(jié)點vk的效率； (3) 構(gòu)建重要度評價矩陣； 節(jié)點重要度貢獻矩陣，記為出C:。） 其中，<k>表示無向網(wǎng)絡(luò)的平均度值，Ai/<k〉2表示節(jié)點VI的自身重要度，δυ為復(fù)雜動態(tài) 網(wǎng)絡(luò)連接矩陣的元素，表示網(wǎng)絡(luò)節(jié)點間的連接情況，若節(jié)點Vi與節(jié)點Vj之間相連，則Sij = 1， 否則Sij = 〇; 在無向網(wǎng)絡(luò)中，節(jié)點度并不區(qū)分入度和出度，將公式(3)中的節(jié)點VI的自身重要度V<k 〉2用公式/你進行優(yōu)化，因此優(yōu)化后的節(jié)點重要度貢獻矩陣H'l姻下所示：其中，li和Ij分別表示節(jié)點Vi和節(jié)點Vj的效率； 對節(jié)點的重要度進行歸一化處理，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: '表示案例屬性的負面影響程度，"X則為 屬性的惡劣程度對湖庫水華治理決策過程的影響；《,* [0，1]為A的上近似隸屬度函數(shù) 表示案例屬性可能的負面影響程度，Wf則為屬性的惡劣程度可能對水華治理決策過程 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)程度對水華治理決策過程的影響；；^:/;^->[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)程度可能對水華治理決策過程 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A的猶豫程度的測度，直覺指數(shù) 的計算如下所示： 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; 對于非空論域乂=^1，^2，-，，加}上的兩個直覺模糊粗糖集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 標案例與案例庫中的案例的已知屬性信息動態(tài)確定； (5) 布爾型和選項型的相似度計算； 針對案例庫中布爾型和選項型的屬性，規(guī)定若布爾型的選項和選項型的選項相同，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) 綜合貢獻度的計算；(11) 其中，Sab表示案例A與案例Β進行匹配的綜合貢獻度，W康示節(jié)點Vi的權(quán)重，Wi康示節(jié)點 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vリ的相似度；比較求取的綜合 貢獻度，選取綜合貢獻度最大的案例作為備用案例。
【文檔編號】G06Q10/06GK105844401SQ201610166424
【公開日】2016年8月10日
【申請日】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
【申請人】北京工商大學(xué)