CN104573862A - 基于多Agent的湖库、流域的水质监测断面优化布设方法 - Google Patents

Abstract

本发明属于水环境监控与治理领域，公开了一种基于多Agent的湖库、流域的水质监测断面优化布设方法。本发明对水域划分并利用多Agent系统进行水质监测构建原始数据矩阵，应用主成分分析方法从提取可有效表征水质特征的主成分和非主成分；以主成分和非主成分的综合评价得分作为多Agent系统的两个元素，并以相邻水质Agent间的相似度作为评价标准，在粗分模型和细分模型中分别对水质Agent进行合并与拆分，得到优化后的最佳水质Agent聚类，最终取每个水质Agent聚类对应的中心点位置作为最终监测点。实验结果表明，本发明方法可提高监测质量，降低投入成本，为水质断面监测的优化布设提供一种行之有效的新途径。

Description

基于多Agent的湖库、流域的水质监测断面优化布设方法

技术领域

本发明属于水环境监测与治理技术领域，涉及一种基于多Agent的湖库、流域的水质监测断面优化布设方法。

背景技术

水是人类赖以生存的物质基础，也是生产生活中不可或缺的自然资源。外界环境和水体内部因子的不断变化，使得水环境质量呈动态变化过程，因此进行水质监测对于水质监控与污染防治具有重要意义。水质监测是通过监视和测定水体中污染物种类、浓度以及变化趋势，对水质状况进行评价的一项复杂的系统工程。水质监测点的选择一般是由监测目的和断面类型来论证确定的，监测断面的水质情况及其随时间的变化规律可以为污染防治和监督管理提供科学依据。传统的断面监测是按照水体区域大小平均分布的原则进行布设，即将水域平均分割为固定大小的网格，并在每个网格的中心位置布测点，这种方法简单易行，但往往会导致相邻断面出现水质监测结果相同或相近，造成监测资源浪费，因此需要进行不断的优化。通过水质监测断面优化，以最小的代价和最高的效率使得监测断面具有最佳整体功能，可有效整合水环境监测资源，减少重复投资和建设，最大程度地客观反映出水环境整体质量状况，实现更加有效的水环境监测。

在水质监测系统中，把传感器和其所具备的知识信息封装成具有相应监测功能的sensor Agent，这些sensor Agent是具有对立的工作能力的智能主体，用多Agent系统来构建水质监测系统，提高了水质监测鲁棒性和可靠性。基于Agent的建模仿真(Agent-based Modeling and Simulation，ABMS)可使建模过程清晰直观，同时更好地把握系统中实体和Agent、Agent和Agent之间的关系和交互协作，是研究复杂系统的有效方法和手段。通常情况下，Agent的基本结构可以分为慎思型Agent、反应型Agent以及混合型Agent三种类型。水质Agent为混合Agent，能够根据外部环境的改变而进行智能的自我判断并做出响应，可搭建水质Agent模型如图1所示。水质监测断面优化Agent简称水质Agent。

每个水质Agent元素都拥有各自的知识、信念存储策略、目标和能力，对于问题进行求解的同时从其他水质Agent处获得信息，在复杂的内部机制控制下，不断地学习和积累经验，并通过效应器做出相应行为，并影响外部环境，从而在系统运行过程中将定性和定量的方法有机结合起来。智能Agent通过传感器感知环境，通过效应器作用于环境，并且与其他Agent互相协作通信，形成多Agent系统(Multi-Agent System)。

发明内容

本发明针对现有分层聚类法在水质监测断面优化中的缺点，提供了一种基于多Agent的湖库、流域的水质监测断面优化布设方法。本发明利用水质多Agent的粗分和细分来实现分层聚类，对水质监测断面进行优化，为使得水质监测断面优化更加有效直观，本发明采用多Agent仿真技术，通过粗分模型和细分模型，分别对水质多Agent进行合并和细化，进而使得水质Agent个数满足阈值条件。

本发明基于多Agent的湖库、流域的水质监测断面优化布设方法，包括如下步骤：

步骤1：根据原始断面布设方法对水域进行平均分割，利用多Agent系统进行水质监测，对分割的每个区域监测到一个水质Agent，每个水质Agent包含n个水质指标变量，所有区域的水质Agent组成原始数据矩阵P；

步骤2：应用PCA(Principal Component Analysis,主成分分析)对原始数据矩阵标准化后的矩阵进行处理，将所得主成分的综合评价得分Z与非主成分的综合评价得分作为多Agent系统的两个元素；

$\left\{\begin{array}{c}Z=\frac{{\mathrm{\λ}}_1}{{\mathrm{\λ}}_1+{\mathrm{\λ}}_2+...+{\mathrm{\λ}}_p}{z}_1+\frac{{\mathrm{\λ}}_2}{{\mathrm{\λ}}_1+{\mathrm{\λ}}_2+...+{\mathrm{\λ}}_p}{z}_2+...+\frac{{\mathrm{\λ}}_p}{{\mathrm{\λ}}_1+{\mathrm{\λ}}_2+...+{\mathrm{\λ}}_p}{z}_p\\ \stackrel{\‾}{Z}=\frac{{\mathrm{\λ}}_{p+1}}{{\mathrm{\λ}}_{p+1}+{\mathrm{\λ}}_{p+2}+...+{\mathrm{\λ}}_n}{z}_{p+1}+\frac{{\mathrm{\λ}}_{p+2}}{{\mathrm{\λ}}_{p+1}+{\mathrm{\λ}}_{p+2}+...+{\mathrm{\λ}}_n}{z}_{p+2}+...+\frac{{\mathrm{\λ}}_n}{{\mathrm{\λ}}_{p+1}+{\mathrm{\λ}}_{p+2}+...+{\mathrm{\λ}}_n}{z}_n\end{array}\right.$

设矩阵P标准化得到矩阵X，X的相关系数矩阵R的特征值为λ_i(i＝1,2,...,n)，且λ₁≥λ₂…≥λ_n，z_i(i＝1,2,...,p)为p个主成分，z_i(i＝p+1,p+2,...,n)为非主成分；

步骤3：取主成分综合评价得分作为评价参数，在粗分模型中，对水质Agent是否相邻及相似进行判断，当两个水质Agent同时满足相似与相邻两个条件时，则产生连接关系并合并，最后将水质Agent聚为N类，标记为Agent'₁,Agent'₂,...,Agent'_N；

相似性判断：设水质Agent_i和水质Agent_j对应的主成分综合评价得分分别为Z_i和Z_j，若|Z_i-Z_j|≤ε，则水质Agent_i和水质Agent_j相似，否则不相似，ε为设定的阈值；

步骤4：若合并后的水质Agent'个数N不满足阈值T，取非主成分综合评价得分作为评价参数，在细分模型中，对合并后的水质Agent是否相邻及不相似进行判断，若两个水质Agent同时满足不相似和相邻两个条件时，则取消其连接关系并进行拆分为Agent*；最后将水质Agent聚为K类，标记为Agent^* ₁,Agent^* ₂,...,Agent^* _K；

相似性判断：设水质Agent_i和水质Agent_j在步骤3中属于同一类，水质Agent_i和水质Agent_j对应的非主成分综合评价得分分别为和若则水质Agent_i和水质Agent_j不相似，否则相似，其中ξ为设定的阈值，且ξ<ε；

步骤5：经过步骤3和步骤4，使得最终得到水质聚类的个数不小于阈值T，将每个聚类的中心位置设为水质监测点。

与现有技术相比，本发明的有益效果是：

(1)本发明提供的一种基于多Agent的湖库、流域的水质监测断面优化布设方法，从高维水质数据中提取出可有效表征大部分水质特征信息的主成分综合评价得分和可有效表征大部分水质特征信息的非主成分综合评价得分，作为水质Agent中的两个元素。

(2)本发明提供的一种基于多Agent的湖库、流域的水质监测断面优化布设方法，在一定规则下建立多Agent之间的交互，并以相邻水质Agent间的相似度作为评价准则，在粗分模型和细分模型中分别对水质Agent进行合并与拆分，得到优化后的最佳水质Agent集合，最终取每个水质Agent*的中心点作为最终监测点。

附图说明

图1为多Agent系统监测水质的模型示意图；

图2为水质多Agent断面优化模型示意图；

图3为本发明基于多Agent的水质监测断面优化布设方法的流程示意图；

图4为本发明实施例玉渊潭水质多Agent划分优化过程示意图；(a)为原始Agent；(b)为粗分Agent'；(c)为细分Agent^*。

具体实施方式

下面结合附图和实施例来说明本发明的技术方案。

本发明提出一种基于多Agent的湖库、流域的水质监测断面优化布设方法，利用水质Agent之间的交互模拟监测断面的优化方法。智能水质Agent能够由传感器获取水质参数，由效应器作用于环境，并与其他智能Agent进行交互。该方法基于多Agent技术，以主成分分析法(PCA)的结果，即主成分与非主成分的综合评价得分，作为水质Agent的两个元素，并通过相邻水质Agent之间的协作通信构建水质Agent模型，在粗分模型和细分模型中分别对两个元素间的相似程度进行判断，使得效应器做出反应，从而实现相邻水质Agent间的合并与拆分，进而实现水质监测的断面优化，使得优化过程更加准确、直观。

本发明是关于一种基于多Agent的湖库、流域的水质监测断面优化布设方法，具体包括如下步骤：

步骤1：根据原始断面布设方法对水域进行平均分割，利用多Agent系统进行水质监测，对所分割的每个区域监测有一个水质Agent，由采集数据得到原始数据矩阵，并进行标准化处理。

设对某水域进行平均分割后，得到m个区域，即具有m个水质(或称为样本)，其中每个水质Agent均包含n个水质指标变量，或称为因子。因此，可建立原始数据矩阵P，由m个样本、n个因子构成：

$P=\left[\begin{array}{cccc}{p}_{11}& p_{12}& ...& p_{1n}\\ p_{21}& p_{22}& ...& p_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ p_{m1}& p_{m2}& ...& p_{\mathrm{mn}}\end{array}\right]---\left(1\right)$

矩阵P中p_ij表示第i个样本的第j个因子，i＝1,2,..m，j＝1,2,…,n。[p_i1,p_i2,…,p_in]表示第i个区域的水质Agent。

步骤2：应用PCA(Principal Component Analysis,主成分分析)对原始数据矩阵P标准化后的矩阵X进行处理，求得主成分与非主成分的综合评价得分作为多Agent系统的两个元素。

水环境是由多维因子(各种水质指标变量)组成的复杂系统，各因子从不同的方面反映水质情况，具有不同程度的相关性，因此直接进行水质综合评价有一定难度。PCA是一种将高维数据投影到低维空间的统计分析方法，计算出的综合指标之间相互独立，既简化了评价体系，也减小了信息的交叉和冗余，在可比性、定量定性分析结合程度、指标权重选取等方面具有一定的优越性。为了提取水质的代表成分，采用PCA对各个因素进行分析，以确定多水质Agent仿真模型的元素，其数学模型为：

$\left\{\begin{array}{c}{z}_1=a_{11}{x}_1+a_{21}{x}_2+...+a_{n1}{x}_n\\ z_2=a_{12}{x}_1+a_{22}{x}_2+...+a_{n2}{x}_n\\ ...\\ z_n=a_{1n}{x}_1+a_{2n}{x}_2+...+a_{\mathrm{nn}}{x}_n\end{array}\right.---\left(2\right)$

记原来的变量指标为x₁,x₂,...,x_n，它们的综合指标——新变量指标为z₁,z₂,…,z_n，其中z₁,z₂,...,z_p分别称为原变量指标x₁,x₂,...,x_n的第一，第二，…，第p主成分，p≤n。式中变量z满足原则：1)z_i与z_j(i≠j；i,j＝1,2,...,p)相互无关；2)z₁是x₁,x₂,...,x_n的一切线性组合中方差最大者；z₂是与z₁不相关的x₁,x₂,...,x_n的所有线性组合中的方差最大者；依次类推，z_p是与z₁,z₂,...,z_p-1都不相关的x₁,x₂,...,x_n的所有线性组合中方差最大者。设矩阵P标准化后的矩阵X的相关系数矩阵为R，R的特征值为λ_i(i＝1,2,...,n)，特征值所对应的特征向量为u_i(i＝1,2,…,n)，则u_i＝[a_i1,a_i2,…,a_in]。其中权值a_ij(i＝1,2,…,p；j＝1,2,…,n)，在数学上分别表示x₁,x₂,...,x_n的相关系数矩阵的p个较大的特征值所对应的特征向量。

主成分及非主成分的综合评价函数为：

$\left\{\begin{array}{c}Z=\frac{{\mathrm{\&lambda;}}_1}{{\mathrm{\&lambda;}}_1+{\mathrm{\&lambda;}}_2+...+{\mathrm{\&lambda;}}_p}{z}_1+\frac{{\mathrm{\&lambda;}}_2}{{\mathrm{\&lambda;}}_1+{\mathrm{\&lambda;}}_2+...+{\mathrm{\&lambda;}}_p}{z}_2+...+\frac{{\mathrm{\&lambda;}}_p}{{\mathrm{\&lambda;}}_1+{\mathrm{\&lambda;}}_2+...+{\mathrm{\&lambda;}}_p}{z}_p\\ \stackrel{\&OverBar;}{Z}=\frac{{\mathrm{\&lambda;}}_{p+1}}{{\mathrm{\&lambda;}}_{p+1}+{\mathrm{\&lambda;}}_{p+2}+...+{\mathrm{\&lambda;}}_n}{z}_{p+1}+\frac{{\mathrm{\&lambda;}}_{p+2}}{{\mathrm{\&lambda;}}_{p+1}+{\mathrm{\&lambda;}}_{p+2}+...+{\mathrm{\&lambda;}}_n}{z}_{p+2}+...+\frac{{\mathrm{\&lambda;}}_n}{{\mathrm{\&lambda;}}_{p+1}+{\mathrm{\&lambda;}}_{p+2}+...+{\mathrm{\&lambda;}}_n}{z}_n\end{array}\right.---\left(3\right)$

Z表示主成分的综合评价得分，表示非主成分的综合评价得分；此处[x₁,x₂,...,x_n]为对应矩阵P的标准化矩阵X中的每个行向量；λ₁,λ₂,…,λ_n为矩阵X的相关系数矩阵R的特征值；n为总成分个数；p为主成分个数；n-p为非主成分个数。

步骤2具体进行PCA的步骤为：

步骤2.1：对原始变量矩阵P进行标准化处理，可以消除原始数据量纲和数量级的影响。

本发明实施例采用Z-score变换进行标准化，其标准化公式为：

$X_{\mathrm{ij}}=\frac{p_{\mathrm{ij}}-{\stackrel{\&OverBar;}{p}}_j}{S_j}---\left(4\right)$

其中

${\stackrel{\&OverBar;}{p}}_j=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ij}}---\left(5\right)$

$S_j^2=\frac{1}{m-1}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{(p_{\mathrm{ij}}-{\stackrel{\&OverBar;}{p}}_j)}^2---\left(6\right)$

X_ij表示对原始变量矩阵P中元素p_ij进行标准化的值，最后得到标准化矩阵X。表示第j个水质指标的均值。表示第j个水质指标的协方差。

步骤2.2，计算得出标准化矩阵X的相关系数矩阵R，R为n阶矩阵，求得R的特征值λ_i(i＝1,2,...,n)及其对应的特征向量u_i(i＝1,2,...,n)，且λ₁≥λ₂…≥λ_n。其中λ_i为成分z_i的方差，方差越大，对总方差的贡献越大。

步骤2.3，计算贡献率，确定主成分个数。根据累计方差贡献率进行确定，即按照方差占总方差的比例(通常取α≥85％)来选取，其中p为主成分的个数。

步骤2.4，对于每个水质Agent依据公式(2)确定成分z_i(i＝1,2,...,n)的表达式。

[x₁,x₂,...,x_n]对应矩阵P的标准化矩阵X中的行向量，对应一个水质Agent。

步骤2.5，对于每个水质Agent依据公式(3)确定综合评价函数。

设对于第i个样本的水质Agent_i，得到对应的主成分综合评价得分Z_i和非主成分综合得分

本发明方法中，水质Agent通过水质监测装置测得多个水质参数数据，由PCA最终确定主成分综合评价得分Z和非主成分综合得分作为水质多Agent模型的两个元素。通过PCA分析，获取反映水质数据大部分信息的主成分综合评价得分和反映水质数据小部分信息的非主成分综合评价得分。

下面说明本发明方法中，水质监测断面优化多Agent的划分准则。

将Agent仿真系统(Agent Simulation System，ASS)定义为一个四元组，表示为

ASS＝＜Agents,EP,R_p,R_c＞   (7)

Agents＝{Agent₁,Agent₂,…,Agent_m}，表示水域内监测断面的水质Agent集合，元素个数为m；此处对应为m个区域的样本；

EP＝{pH,EC,TD,DO…}表示可监测水域环境参数(Environmental parameters)值，主要包括：pH值、电导率、浑浊度、溶解氧等；

R_c表示连接关系(Connection relationship)集合，可表示为如下：

R_c＝{＜Agent_i,Agent_j＞|Agent_i∈Agents∧Agent_j∈Agents∧C(Agent_i,Agent_j)i,j∈m}

其中C为Agents之上的二值函数，当x与y具有连接关系时C(x,y)则为真，反之为假；

R_p表示父子关系(Parent-child relationship)集合，可表示为如下：

R_c＝{＜Agent_i,Agent_j＞|Agent_i∈Agents∧Agent_j∈Agents∧P(Agent_i,Agent_j)i,j∈m}

其中P为Agents之上的二值函数，当x与y具有父子关系时P(x,y)则为真，反之为假。

多水质Agent模型为三层结构L0～L2，可抽象表示如图2所示，其中，多水质Agent由(原始)断面Agent，粗分断面Agent'，细分断面Agent^*三层构成，M、N和K分别为断面Agent、粗分断面Agent'和细分断面Agent^*的个数，且N<K<M；原始断面Agent集合包含由水质参数值EP通过主成分分析方法得到的主成分综合评价得分Z和非主成分评价得分两个元素。

结合多水质Agent模型三层结构，进行水质监测断面优化。

步骤3：取主成分综合评价得分作为评价参数，在粗分模型中就多Agent是否相邻及相似进行判断，并将其合并为Agent'。

图2中，L0层是整个断面优化的基础部分，包含m个样本的水质Agent。

所述的粗分模型为L0到L1层，以Agent系统中的一个元素：主成分综合评价得分Z作为评价因素，对水质Agent_i和水质Agent_j，其对应的主成分综合评价得分为Z_i和Z_j，若满足下式：

|Z_i-Z_j|≤ε   (8)

则有，水质Agent_i和水质Agent_j相似。其中ε为设定的阈值，可根据经验确定。

针对水质Agent的相邻性判别，在此采用图像处理中像素点四连通区域算法进行处理，即若水质Agent_i位于水质Agent_j的四邻域中，则认为水质Agent_i和水质Agent_j相邻。当两个水质Agent同时满足相似与相邻两个条件时，则产生连接关系并合并为Agent'，由此可将水质Agent聚为N类，标记为Agent'₁,Agent'₂,...,Agent'_N。

步骤4：若合并后的水质Agent'个数N不满足阈值T，取非主成分综合评价得分作为评价参数，在细分模型中就合并后的水质Agent'是否相邻及不相似，则将其拆分为水质Agent*。若合并后的水质Agent'个数N满足阈值T，则直接进行步骤5。

所述的细分模型为L1到L2层，当粗分结果Agent'个数N小于最小断面个数T时，将以非主成分综合评价得分作为评价因素，设水质Agent_i和水质Agent_j属于同一个水质Agent'，若水质Agent_i和水质Agent_j的非主成分综合得分和满足：

$|{\stackrel{\&OverBar;}{Z}}_i-{\stackrel{\&OverBar;}{Z}}_j|>\mathrm{\&xi;}---\left(9\right)$

则有水质Agent_i和水质Agent_j不相似，其中ξ为设定的阈值，且ξ<ε，ξ可根据经验确定。

当两个水质Agent同时满足不相似和相邻两个条件时，则取消其连接关系并拆分为水质Agent^*，最终将水质Agent聚为K类，记为Agent^* ₁,Agent^* ₂,...,Agent^* _K，其中K不小于T。

步骤5：经粗分模型与细分模型后，使得最终得到水质聚类的个数不小于阈值T，将每个聚类的中心位置设为水质监测点。

例如最终得到将水质Agent聚为K类Agent^* ₁,Agent^* ₂,...,Agent^* _K，将每个Agent^* _h的中心位置设为水质监测点，h＝1,2,…,K。

经细分模型对Agent'进行适当拆分细化，得到不小于阈值T的K个水质Agent^*，每个Agent^*的监测断面布设则通过求算数平均值的，由其所得中心点c则作为最终水质监测优化断面后的布点。

实施例

在此选取具有代表性的北京市玉渊潭进行基于多Agent的水质监测断面优化实验。首先遵循传统的湖库断面布设原则，按照水体区域大小平均分布的原则进行布设，对玉渊潭水域近似平均分割为9个固定大小的网格，并将每个网格的中心位置设为监测点，通过水质监测船分别对9个监测断面的9个水质参数进行采集，其中包括pH值、电导率、浑浊度、溶解氧、氨氮、透明度、总氮、总磷、叶绿素。为简化计算，采用主成分分析方法对各个因素进行分析，确定贡献较大的作为仿真模型的二次变量，具体见下表：

表1 水质主成分分析解释的总方差

表2 主成份载荷矩阵

这个主成分载荷矩阵并不是主成分的特征向量，即主成分的系数，需进行处理，将各自主成分载荷向量除以各自主成分特征值的算术平方根，满足系数平方和等于1的条件。其中，第1主成分的各个系数是由向量(-0.653,0.856,0.661,-0.311,-0.701,0.527,0.758,-0.191,-0.404)除以3.234后得到，即(-0.363,0.476,0.367,-0.172,-0.390,0.293,0.422,-0.106,-0.225)，分别乘以9个原始变量标准化之后的变量即为第1主成分的函数表达式：

z₁＝-0.363X₁+0.476X₂+0.367X₃-0.172X₄-0.390X₅+0.293X₆+0.422X₇-0.106X₈-0.225X₉

同理可以得出其他成分的函数表达式。

由表1可以看出，前四个主成分的方差贡献率总和达到了91.524％，说明这四个主成分共反映了原始变量提供的91.52％的信息，计算得水质Agent模型的两个元素为：

$\left\{\begin{array}{c}Z=\frac{35.937\%}{91.524\%}{z}_1+\frac{26.386\%}{91.524\%}{z}_2+\frac{18.325\%}{91.524\%}{z}_3+\frac{10.877\%}{91.524\%}{z}_4\\ \stackrel{\&OverBar;}{Z}=\frac{4.795\%}{8.476\%}{z}_5+\frac{2.555\%}{8.476\%}{z}_6+\frac{1.063\%}{8.476\%}{z}_7+\frac{0.062\%}{8.476\%}{z}_8\end{array}\right.$

由表1、表2经计算可得：

表3 水质多Agent元素一览表

如图4所示，玉渊潭水域最初的9个水质Agent，由主成分的综合评价得分作为断面优化粗分依据，将整个水域分为3个Agent'，因小于最小断面个数5，故由非主成分的综合评价得分作为细分依据，将整个水域分为5个Agent^*。

由图4可以看出，水质多Agent划分过程即表示水质监测断面的优化过程，玉渊潭水域的水质监测断面经过粗分、细分两个过程，由9个断面优化为5个，最终监测断面的布设即为相应区域的中心点。断面优化布设所得水质监测点可以全面获取湖体水质信息。

Claims (3)

1.一种基于多Agent的湖库、流域的水质监测断面优化布设方法，其特征在于，包括以下步骤：

步骤1：对水域进行平均分割，利用多Agent系统进行水质监测，对分割的每个区域监测到一个水质Agent，每个水质Agent包含n个水质指标变量，所有区域的水质Agent组成原始数据矩阵P；

步骤2：应用主成分分析方法对原始数据矩阵P标准化后的矩阵X进行处理，得到主成分的综合评价得分Z与非主成分的综合评价得分

$\left\{\begin{array}{c}Z=\frac{{\mathrm{\&lambda;}}_1}{{\mathrm{\&lambda;}}_1+{\mathrm{\&lambda;}}_2+...+{\mathrm{\&lambda;}}_p}{z}_1+\frac{{\mathrm{\&lambda;}}_2}{{\mathrm{\&lambda;}}_1+{\mathrm{\&lambda;}}_2+...+{\mathrm{\&lambda;}}_p}{z}_2+...+\frac{{\mathrm{\&lambda;}}_p}{{\mathrm{\&lambda;}}_1+{\mathrm{\&lambda;}}_2+...+{\mathrm{\&lambda;}}_p}{z}_p\\ \stackrel{\&OverBar;}{Z}=\frac{{\mathrm{\&lambda;}}_{p+1}}{{\mathrm{\&lambda;}}_{p+1}+{\mathrm{\&lambda;}}_{p+2}+...+{\mathrm{\&lambda;}}_n}{z}_{p+1}+\frac{{\mathrm{\&lambda;}}_{p+2}}{{\mathrm{\&lambda;}}_{p+1}+{\mathrm{\&lambda;}}_{p+2}+...+{\mathrm{\&lambda;}}_n}{z}_{p+2}+...+\frac{{\mathrm{\&lambda;}}_n}{{\mathrm{\&lambda;}}_{p+1}+{\mathrm{\&lambda;}}_{p+2}+...+{\mathrm{\&lambda;}}_n}{z}_n\end{array}\right.$

设矩阵X的相关系数矩阵R的特征值为λ_i(i＝1,2,...,n)，且λ₁≥λ₂…≥λ_n，z_i(i＝1,2,...,p)为p个主成分，z_i(i＝p+1,p+2,...,n)为非主成分；

步骤3：取主成分综合评价得分作为评价参数，对水质Agent是否相邻及相似进行判断，当两个水质Agent同时满足相似与相邻两个条件时，则产生连接关系并合并，最后将水质Agent聚为N类，标记为Agent'₁,Agent'₂,...,Agent'_N；

相似性判断：设水质Agent_i和水质Agent_j对应的主成分综合评价得分分别为Z_i和Z_j，若|Z_i-Z_j|≤ε，则水质Agent_i和水质Agent_j相似，否则不相似，ε为设定的阈值；

步骤4：若N小于阈值T，取非主成分综合评价得分作为评价参数，对合并后的水质Agent是否相邻及不相似进行判断，若两个水质Agent同时满足不相似和相邻两个条件时，则取消其连接关系并进行拆分，最后将水质Agent聚为K类，标记为Agent^* ₁,Agent^* ₂,...,Agent^* _K；

相似性判断：设水质Agent_i和水质Agent_j在步骤3中属于同一类，水质Agent_i和水质Agent_j对应的非主成分综合评价得分分别为和若则水质Agent_i和水质Agent_j不相似，否则相似，其中ξ为设定的阈值，且ξ<ε；

步骤5：经过步骤3和步骤4，使得最终得到水质聚类的个数不小于阈值T，将每个聚类对应的中心位置设为水质监测点。

2.根据权利要求1所述的基于多Agent的湖库、流域的水质监测断面优化布设方法，其特征在于，所述的步骤2具体实现方法是：

步骤2.1：对矩阵P标准化处理，得到标准化矩阵X；

步骤2.2：计算标准化矩阵X的相关系数矩阵R，并求得R的特征值λ_i(i＝1,2,...,n)及对应的特征向量u_i(i＝1,2,...,n)，且λ₁≥λ₂…≥λ_n；设u_i＝[a_i1,a_i2,…,a_in]；

步骤2.3，设置比例因子α，依据确定主成分个数p；

步骤2.4，对于每个水质Agent确定成分z_i(i＝1,...,p)的表达式；

$\left\{\begin{array}{c}{z}_1=a_{11}{x}_1+a_{21}{x}_2+...+a_{n1}{x}_n\\ z_2=a_{12}{x}_1+a_{22}{x}_2+...+a_{n2}{x}_n\\ ...\\ z_n=a_{1n}{x}_1+a_{2n}{x}_2+...+a_{\mathrm{nn}}{x}_n\end{array}\right.$

其中，[x₁,x₂,…,x_n]对应标准化矩阵X中的行向量，对应一个水质Agent；

步骤2.5，对于每个水质Agent，确定主成分的综合评价得分Z与非主成分的综合评价得分Z。

3.根据权利要求1所述的基于多Agent的湖库、流域的水质监测断面优化布设方法，其特征在于，所述的步骤3中，对于水质Agent_i和水质Agent_j的相邻性判断方法为：采用图像处理中像素点四连通区域算法进行判断，若水质Agent_i位于水质Agent_j的四邻域中，则水质Agent_i和水质Agent_j相邻，否则不相邻。