CN104992245A - 一种基于广义熵理论的水环境风险管理动态智能综合分析方法 - Google Patents

Abstract

本发明公开了一种基于广义熵理论的水环境风险管理动态智能综合分析方法。本方法利用水利科学、智能科学、信息科学与风险理论等集成的途径，从整体结构和组成部分出发，对水环境风险管理中水量、水质、水生态等风险因素进行探讨，提出利用广义分布函数及其广义熵理论统一描述、物理解析系统中各种不确定性信息，构建基于遗传算法、模糊层次分析、投影寻踪的水环境风险管理广义熵动态智能综合分析方法。采用本方法对水环境风险进行分析得到的模拟与实测预警结果相符，准确率较高，这说明本方法能够在一定程度上合理地利用指标对水环境风险进行管理，可以应用于水环境评估方面的研究，对于水环境的科学预警具有重要意义。

Description

一种基于广义熵理论的水环境风险管理动态智能综合分析方法

技术领域

本发明属于水环境数据处理分析技术领域，尤其是涉及一种基于广义熵理论的水环境风险管理动态智能综合分析方法。

背景技术

水是生命之源，生产之要，生态之基，是基础性的自然资源、战略性的经济资源和公益性的环境资源，是现代农业建设不可或缺的首要条件，是经济社会发展不可替代的基础支撑，是生态环境改善不可分割的保障系统。水环境是指自然界中水的形成、分布和转化所处空间的环境，是指围绕人群空间及可直接或间接影响人类生活和发展的水体，其正常功能的各种自然因素和有关的社会因素的总体。从系统论和管理论的观点来看，水环境中众多因素相互作用，彼此联系，密不可分，是一个具有一定结构、功能和特征的、兼有复杂自然属性和显著社会属性的典型系统，因此，水环境必须从自然界演化和人类社会进化的背景出发，综合应用自然科学、社会科学以及其他科学的理论与方法综合集成研究，才能取得实质性进展。水量方面，据联合国一项研究报告指出，全球现在每年的淡水缺口为2300亿m³，80个国家水源不足，20亿人的饮水得不到保证；而到2025年，大约2/3的地球人将遭遇水资源严重短缺。并预见，至2050年，世界范围内人均可利用水资源量将只有100m³/年左右，仅相当于欧洲2000年的平均水平。水质方面，据联合国水资源评估报告显示，全球每年约有4200多亿m3的污水排入江河湖海，会污染掉5.5万亿m³的淡水，相当于径流总量的14％；所有流经亚洲城市的河流均被污染；美国40％的流域被加工食品废料、金属、肥料和杀虫剂污染；欧洲55条河流中仅有5条水质勉强能用。据世界卫生组织统计，全球每年有300～400万人死于和水污染有关的疾病，平均每天有5000名儿童死于饮用不洁水，约1.7亿人饮用被有机物污染的水，3亿城市居民面临水污染。水生态方面，根据联合国的计算，全球50％的江河水流量减少或被污染；25％的哺乳动物、12％的鸟类濒临灭绝；1/4人类所患疾病与环境恶化有关；1/3土地面临沙漠化；10亿人口受到荒漠化威胁。生态系统在人类干扰和破坏的影响下其功能发生了退化，生物资源破坏严重、河流自身的自净能力在不断衰退、植被覆盖率降低、生态环境十分脆弱、土壤河岸带风蚀沙化和水土流失严重等。水环境问题不仅制约着全球经济与社会发展，并可能导致国家间冲突，它不但非常重要而且已成为目前各国可持续发展中普遍关注的重要议题。

当前时期，伴随着经济社会的发展进步，水环境安全和生态需求与日俱增。水环境风险管理主张不仅仅是消极地承担风险，还要能积极地应对风险。通过先分析某指定地区、特定时空条件下，水环境系统中非期望事件的发生概率及其所造成的损失程度，在遭受灾害或可能带来灾害性后果的事件出现之前，准确地给出并传递信息以供相关人员及时地实施预警决策。这样，既考虑了如何将重大水环境风险控制在可承受的限度之内，又考虑了如何提高社会经济自身承受水环境风险的能力，是识别、估算、评价和处理水环境风险的一项复杂系统工程，对于水环境风险管理的理论研究和工程实践都具有重要意义。

近年来，水环境风险管理在全球水文领域的学术界已成为重要的研究前沿和热点，国内外学者做了大量工作，取得了丰硕成果，其发展不仅经历了由定性描述向定量分析的转变，且无论从广度还是深度上都有较大进展。

一方面，风险评估有很多种方法，涉及结构化图形、数理统计及证据、模糊数学、灰色关联、演化建模等方面理论，包含风险概率分布及其参数识别、风险模型计算及灵敏度分析、(允许)风险标准的确定等内容。在水量上，罗军刚等选取风险率、脆弱性、可恢复性、事故周期和风险度作为区域水资源短缺风险的评价指标，运用信息熵反映数据本身的效用值来计算评价指标的权重系数，建立基于熵权的水资源短缺风险模糊综合评价模型，避免了传统层次分析法中两两对比构造判断矩阵易于发生目标先后不一致性，考虑了客观权重和主观权重各自携带的不同信息，并兼顾了专家组统一意见和客观数据属性。王红瑞等构造隶属函数评价了水资源系统的模糊性，利用Logistic回归模型模拟和预测水资源短缺风险发生的概率，建立基于模糊概率的水资源短缺风险评价模型，并应用判别分析识别出水资源短缺风险敏感因子，将各种情景下的水资源短缺均降至低风险水平。Wenquan Gu等利用Thomas-Fiering模型和蒙特卡罗获取水库月流量数据，应用12维随机向量描述12个月份水需求，使用仿真技术操作水库模拟模型，并通过风险评价模型实施不同调水规模，为水资源短缺决策提供有价值的信息。Liguo Shao等通过引入条件风险价值将决策者的风险偏好纳入到水资源配置方案的决策过程中，并以非线性惩罚函数对传统的两阶段随机规划模型进行改进，使得CNTSP模型既以系统收益最大化为目标，又避免水资源短缺风险过于集中于某一用户或部门，可以辅助决策者在系统经济收益和风险规避之间进行权衡，从而生成有效而合理的水资源配置方案。在水质上，李如忠等将三角模糊数原理应用于河流水质模拟预测与水质风险评价研究，构建了度量河流水质风险的模糊评价模型，并分析了控制断面的水质风险状况。金菊良等应用对应分析和投影寻踪熵耦合方法评价巢湖水质安全，挖掘出复杂系统中各种客观信息和主观信息，提高了综合评价结果的可靠性。王洁等运用熵投影寻踪模型综合评价河流健康等级，以熵值最大为目标函数，使投影值在客观上尽可能多地携带了评价指标系统的变异信息。A.S.Litvinov等由生物参数形成特点和季节性动态水文结构建立模型评价水质，为水体污染及其防治问题的研究提供新思路。Peiyue Li等通过计算各评价指数间的离散度来确定相应的权重系数，提出了基于TOPSIS的灵敏度分析法来评估水质，并客观验证模型与方法的可行性与可靠性。在水生态上，赵军等对上海市浦东张家浜的城市河流生态系统服务功能价值进行了评估和计算，并利用条件价值法研究了其经济价值，为保护自然资源提供了管理决策依据。肖建红等定性地分析了水坝工程对河流生态系统服务功能的影响，并定量地评价了三峡工程对于当地服务功能的影响程度，这一研究对大型水利工程的环境影响评价、保持大型水利工程建设与河流生态系统的和谐发展等方面，具有参考价值。王金龙在水生态服务功能分类的基础上建立评价指标体系和评价方法，利用层次分析法和专家打分相结合的方式确定各指标权重进行计算，确定了三级分区服务功能等级和主导服务功能类型，为环境综合治理和按流域水资源功能类型规划提供科学依据和参考建议。

另一方面，预警是以系统论与信息论等科学方法为依据，内容涉及指标、统计、模型预警等理论。李念林等应用GIS、数据挖掘技术以及面向对象的程序设计理论建立水污染预警与控制系统，实时预测与监控污染情况，从而为环境管理者做出正确决策提供信息支持。李万莲在利用层次分析法确定各指标权重后对水生态环境的状况进行了预测、评价与预警分析，对促进区域水生态环境保护与建设具有积极的作用和意义。KlasPersson等利用拉格朗日随机平稳模型与情景分析去评估流域地表水污染风险和不确定性，为污染物的随机性和各种不确定性的定量化提供思路。吴开亚等提出用基于加速遗传算法的模糊层次分析法筛选指标体系、确定各评价指标和各子系统的权重，用BP神经网络模型滚动预测评价指标，用集对分析方法构造评价指标样本值隶属于可变模糊集“水安全评价标准等级”的相对隶属度函数，建立了流域水安全预警评价的智能集成模型，在已知等级评价标准的多层次复杂系统预警评价问题中具有推广应用价值。

综上所述，水环境问题实际上是一个非线性的不确定性过程，对于水环境风险管理的理论与方法仍需进一步发展。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于广义熵理论的水环境风险管理动态智能综合分析方法，对水环境进行更为准确的风险管理。

技术方案：为实现上述目的，本发明采用的技术方案为：一种基于广义熵理论的水环境风险管理动态智能综合分析方法，包括如下步骤：

步骤A，建立筛选子模型：

首先，应用广义熵理论建立水环境风险评价指标体系，再从数据库直接获取水文专家对所述水环境风险评价指标体系中两两评价指标间重要性的判断，构建模糊互补判断矩阵，计算所述互补判断矩阵的评价指标权重；然后选取评价指标权重中均值最大的M_j个评价指标，再从所述M_j个评价指标中选取标准差最小的N_j个评价指标，组成最终的水环境风险评价指标体系；

步骤B，建立预测子模型：

首先根据研究区域来选择预测子模型，然后针对研究区域，应用预测子模型模拟计算水环境风险评价指标值；

步骤C，建立评价子模型：

根据步骤A建立的水环境风险评价指标体系，将步骤B得出的各评价指标的时空立体数据进行无量纲化处理，无量纲化公式为：

$x_{ij}=(x_{ij}^0-x_{j\min }^0)/(x_{jmax}^0-x_{j\min }^0)---\left(1\right)$

式中：为第i个样本的第j个评价指标值，i＝1，2，...，n，j＝1，2，...，m；n为样本个数，m为评价指标个数；和分别为第j个评价指标的样本最大值和最小值；

设a为m维单位投影方向向量，其分量为a₁，a₂，...，a_m，则x_ij的一维投影特征值z_i描述为：

$z_i=\underset{j=1}{\overset{m}{\Σ}}{a}_j{x}_{ij},(i=1,2,...,n)---\left(2\right)$

z＝(z₁，z₂，...，z_i，...，z_n)为投影特征值集合；

构造投影指标：设s(z_i，z_k)＝|z_i-z_k|，(k＝1，2，...，n)为任意两投影特征值间的绝对值距离；将待聚类样本z_i分为N(2≤N＜n)类，用Θ_h(h＝1，2，...，N)表示第h类样本投影特征值集合，即：

Θ_h＝{z_i|d(A_h-z_i)≤d(A_t-z_i)}，(t＝1，2，...，N，t≠h)     (3)

式中：d(A_h-z_i)＝|z_i-A_h|，d(A_t-z_i)＝|z_i-A_t|，A_h和A_t分别为第h类和第t类的初始聚核；类同样本的邻近程度用类同聚集度d_d(a)表示为：

$d_d\left(a\right)=\underset{h=1}{\overset{N}{\Σ}}{d}_h\left(a\right)---\left(4\right)$

式中： $d_h\left(a\right)=\underset{z_i,z_k\∈{\mathrm{\Θ}}_h}{\Σ}s(z_i,z_k),$

样本间的离散程度用类异分散度表示为：

$s_s\left(a\right)=\underset{z_i,z_k\∈Z}{\Σ}s(z_i,z_k)---\left(5\right)$

最后，根据动态聚类构建的投影指标表示为：

Q_Q(a)＝s_s(a)-d_d(a)    (6)

采用加速遗传算法对目标函数公式(6)优化求解，得到最优投影方向向量；

步骤D，将步骤C得到的最优投影方向向量代入各年评价指标数据中得到水环境风险评价的投影特征值；

步骤E，建立预警子模型：

当步骤D中计算出的水环境风险评价的投影特征值高于2时，水环境系统处于预警状态，系统开始报警；运用对比判断法划分警度，所述运用对比判断法划分警度的具体方法为：假设E最优值是M_b，最劣值是为M_a，则隶属度公式是：

$R_x=\left\{\begin{array}{cc}1& E\&le;M_b\\ (E-M_a)/(M_b-M_a)& M_b<E<M_a\\ 0& E\&GreaterEqual;M_a\end{array}\right.---\left(7\right)$

式中：R_x是预警对象的隶属度，预警对象的警限对应的隶属度设为0.80，根据隶属度将警度划分为：轻警区间是R_x∈[0.60，0.80)；中警区间是R_x∈[0.40，0.60)；重警区间是R_x∈[0.20，0.40)；巨警区间是R_x∈[0，0.20)。

作为本发明的优选方案，所述步骤A中，建立所述模糊互补判断矩阵为P_j＝(p_jkl)，其中0≤p_jkl≤1，p_jkl+p_jlk＝1(j＝1，2，...，m；k，l＝1，2，...，n_j)，m是从数据库获取水文专家的数量，n_j是初选风险评价指标的个数，p_jkl表示第j个专家认为指标k优于指标l的程度：当p_jkl＞0.5时，表示第j个专家认为指标k比指标l重要，且p_jkl越大表示指标k比指标l越重要；p_jlk表示第j个专家认为指标l优于指标k的程度：当p_jlk＞0.5时，表示第j个专家认为指标l比指标k重要，且p_jlk越大表示指标l比指标k越重要；

利用基于加速遗传算法的模糊层次分析法计算所述模糊互补判断矩阵的评价指标权重，当其一致性指标系数CIC(n_j)小于预设临界值A时，则认为P_j具有满意的一致性，否则就提高非负参数d或修改所述模糊互补判断矩阵P_j，所述P_j的修正判断矩阵为Q_j＝(q_jkl)，Q_j的各指标权重记为{w_jk|j＝1，2，...，m；k＝1，2，...，n_j}，重新计算矩阵的指标权重，直到CIC(n_j)＜A，其中：

$\min CIC\left(n_j\right)=\underset{k=1}{\overset{n_j}{\mathrm{\&Sigma;}}}\underset{l=1}{\overset{n_j}{\mathrm{\&Sigma;}}}\left|q_{jkl}-p_{jkl}\right|/{n_j}^2+\underset{k=1}{\overset{n_j}{\mathrm{\&Sigma;}}}\underset{l=1}{\overset{n_j}{\mathrm{\&Sigma;}}}\left|0.5\left(n_j-1\right)\left(w_{jk}-w_{jl}\right)+0.5-q_{jkl}\right|/{n_j}^2---\left(8\right)$

s.t.1-q_jlk＝q_jkl∈[p_jkl-d，p_jkl+d]∩[0，1](k＝1，2，...，n_j-1；l＝k+1，...，n_j)   (9)

q_jkk＝0.5(k＝1，2，...，n_j)    (10)

$w_{jk}>0,(k=1,2,...,n_j),\underset{k=1}{\overset{n_j}{\&Sigma;}}{w}_{jk}=1---\left(11\right)$

式中，所述非负参数d的取值范围为[0，0.5]；q_jkl为修正判断矩阵Q_j的元素值；

选取评价指标中权重的均值最大的M_j个评价指标，再从所述M_j个评价指标中选取标准差最小的的N_j个评价指标，组成最终的水环境风险评价指标体系{x_jk|j＝1，2，...，m；k＝1，2，...，N_j}。

作为本发明的优选方案，从数据库获取N_e组水文专家独立地建立N_e个模糊互补判断矩阵P_j，用基于加速遗传算法的模糊层次分析法解得N_e组评价指标的权重，其中：

{w_jkr|j＝1，2，...，m；k＝1，2，...，n_j；r＝1，2，...，N_e}   (12)

${\stackrel{\&OverBar;}{w}}_{jk}=\underset{l=1}{\overset{N_e}{\&Sigma;}}{w}_{jkr}/N_e,(j=1,2,...,m;k=1,2,...,n_j)---\left(13\right)$

其中，w_jkr为第r组数据的评价指标的权重，为N_e组评价指标的权重的平均值。

作为本发明的优选方案，采用所述基于加速遗传算法的模糊层次分析法计算互补判断矩阵的评价指标权重的具体过程为：

第1步，随机产生p组m维单位投影方向向量a，分别计算得到p组投影特征值向量z；其中，p≥300；

第2步，依据所述z分别计算s_s(a)和d_d(a)，进而计算得到p个投影指标Q_Q(a)；

第3步，以Q_Q(a)进行适应度评价，Q_Q(a)值越大则个体适应度越高，并通过遗传算法规则中的选择、交叉和变异操作分别生成第1子代、第2子代和第3子代群体，得到相应的新的投影方向向量；

第4步，分别计算第1子代、第2子代和第3子代投影方向向量所对应的Q_Q(a)，并按从大到小的顺序进行排序，根据Q_Q(a)值越大越优的原则，选择前p组作为新的投影方向向量；若不足p组则通过随机生成的方法补足p组，回到第1步；

第5步，当前后两代投影指标Q_Q(a)的差值满足给定要求时停止计算，输出最优投影方向向量和聚类结果。

作为本发明的优选方案，所述基于加速遗传算法的模糊层次分析法中用第一、第二次进化迭代所产生的优秀个体的参数变化空间作为模型参数新的变化空间来加速循环，直到达到预定加速循环次数或最优个体的优化准则值小于某一设定值。

有益效果：本方法提供了比较全面的评价指标体系和可操作的风险定量评估与预警模型，理论严谨，方法灵活，构筑过程简单，具有较强的逻辑优越性和地区适应性。本方法以计算机仿真实验和研究区域实测相结合，在熵学理论基础上构造水环境风险管理广义熵理论与方法，再与动态智能集成构造水环境风险管理动态智能综合分析的理论、方法、模型和应用，以解析水环境风险管理不确定性系统的结构特征、演化机制和管理策略。采用本方法对水环境风险进行分析得到的模拟与实测资料计算的投影特征值差别小，隶属度接近，相对误差低，预警结果模拟与实测相符，准确率较高，这说明本方法能够在一定程度上合理地利用指标数据对水环境风险进行管理，可以应用于水环境评估方面的研究，对于水环境的科学预警具有重要意义。

附图说明

图1为本方法的步骤流程图；

图2为本方法的实验结果图；

图中，1.运河片，2.洮滆片，3.武澄锡低片，4.武澄锡高片，5.阳澄片，6.淀泖片，7.湖滨片，8.运西片，9.运东片，10.南排片，11.浦西片，12.青松大包围片，13.浦东片，15.长兴片，16.苕溪平原片，14.湖面与岛屿。

具体实施方式

下面结合附图对本发明作更进一步的说明。

本方法将水环境风险管理系统分解为水环境风险评估子系统和水环境风险预警子系统，其中：前一子系统的系统输入为水环境风险因素信息，系统转换为运用合适的评估理论和方法输出已识别风险项的风险当量(即水环境风险评估)，系统输出为水环境风险评价的投影特征值，包含筛选子模型、预测子模型、评价子模型。筛选子模型是基础，主要是先应用广义熵理论得到水环境的各种风险特征指标值，再根据研究区域的实际资料和数据库中水文专家的评价指标给出模糊互补判断矩阵，而后应用基于加速遗传算法的模糊层次分析法计算矩阵的指标权重，以建立水环境风险评价指标体系。预测子模型是前提，主要是根据区域具体情况选取合适的水文模型来预测评价指标体系中各水环境风险指标值，以掌握水环境未来发展情况。评价子模型是技术的核心，主要是先利用投影寻踪聚类法对水环境进行聚类评价，再运用动态综合评价理论对其趋势作出分析，以得到水环境风险评价的投影特征值。后一子系统的系统输入为水环境风险评价的投影特征值，系统转换为无警、轻警、中警、重警、巨警风险等各种风险处理方案(即水环境风险预警分析)，系统输出为水环境风险预警最佳处理方案，包含预警子模型。预警子模型是落脚点，主要运用对比判断法给出水环境风险的警度以进行预警研究，且据此制定调控措施和实施应急预案，具体见图1。

本方法以水环境风险管理系统中各种不确定性为主要研究对象，在归纳水环境风险不确定性综合分析现有理论方法的基础上，采用水环境科学、风险理论、管理理论、动态智能和广义熵理论综合集成的研究途径，着手构建以风险评估与预警为内容，以广义熵理论为手段、以动态智能为计算平台的水环境风险管理的理论和方法。

具体的说，首先建立筛选子模型：

为了对水环境状况作出科学地诊断和分析，应尽可能全面地选取能够反映水环境信息的指标，但指标过多又会使评估过程变复杂，还可能因为无法获取有效的数据资料而影响评估结果的可靠性。在遵循完整性、简明性、层次性、可操作性等原则基础上，本方法利用广义熵理论统一推求影响水环境的各种主要风险因素信息量与状态概率，积极利用这些信息与概率分布进行蒙特卡罗模拟试验，先将这些风险信息的概率分布映射到一个实数区间，如[0，1]或[0，99]，再利用随机数发生器产生这一均匀分布的伪随机数，若该随机数落在某一输入变量(即风险因素信息量)发生概率所对应的区间内，则认为该输入变量所对应的事件发生了。如此反复，对各试验结果进行统计，得到水环境的各种风险特征指标值，再对其作出定性分析，以初步提出水环境风险评价指标体系。

本方法采用基于加速遗传算法的模糊层次分析法筛选水环境风险评价指标体系。首先从数据库获取水文专家对两两指标间评价重要性的比较，给出相应数据，建立模糊互补判断矩阵P_j＝(p_jkl)，其中，0≤p_jkl≤1，p_jkl+p_jlk＝1(j＝1，2，...，m；k，l＝1，2，...，n_j)，m是从数据库获取水文专家的数量，n_j是初选风险指标的个数，p_jkl表示第j个专家认为指标k优于指标l的程度：当p_jkl＞0.5时，表示第j个专家认为指标k比指标l重要，且p_jkl越大表示指标k比指标l越重要，反之亦然。若P_j不具有满意的一致性，则需要修正。设P_j的修正判断矩阵为Q_j＝(q_jkl)，Q_j的各指标权重记为{w_jk|j＝1，2，...，m；k＝1，2，...，n_j}。

$\min CIC\left(n_j\right)=\underset{k=1}{\overset{n_j}{\mathrm{\&Sigma;}}}\underset{l=1}{\overset{n_j}{\mathrm{\&Sigma;}}}\left|q_{jkl}-p_{jkl}\right|/{n_j}^2+\underset{k=1}{\overset{n_j}{\mathrm{\&Sigma;}}}\underset{l=1}{\overset{n_j}{\mathrm{\&Sigma;}}}\left|0.5\left(n_j-1\right)\left(w_{jk}-w_{jl}\right)+0.5-q_{jkl}\right|/{n_j}^2---\left(8\right)$

s.t.1-q_jlk＝q_jkl∈[p_jkl-d，p_jkl+d]∩[0，1](k＝1，2，...，n_j-1；l＝k+1，...，n_j)   (9)

q_jkk＝0.5(k＝1，2，...，n_j)   (10)

$w_{jk}>0,(k=1,2,...,n_j),\underset{k=1}{\overset{n_j}{\&Sigma;}}{w}_{jk}=1---\left(11\right)$

式中，CIC(n_j)为一致性指标系数；d为非负参数，根据专家经验可从[0，0.5]内选取；其余符号同前。当CIC(n_j)小于某一临界值(一般为0.2)时，可认为P_j具有满意的一致性，据此计算的各要素的排序权值w_jk是可以接受的；否则就需要提高参数d或修改原判断矩阵P_j，直到具有满意的一致性为止。其中使公式(8)最小的Q_j为P_j的最优模糊一致性判断矩阵，权重w_jk和修正判断矩阵Q_j的上三角元素为优化变量，对专家j的n_j阶模糊互补判断矩阵P_j共有n_j(n_j+1)/2个独立的优化变量。模拟生物优胜劣汰规则与群体内部染色体信息交换机制的加速遗传算法是一种通用的全局优化方法，利用它来求解公式(8)的问题较为简便和有效，具体求解过程，包括下述步骤：

第1步，随机产生p(p≥300)组m维单位投影方向向量a(即生成父代群体)，按公式(2)分别计算得到p组投影特征值向量z；

第2步，依据z分别计算s_s(a)和d_d(a)，进而根据公式(6)计算得到p个投影指标Q_Q(a)；

第3步，以Q_Q(a)进行适应度评价，Q_Q(a)值越大则个体适应度越高，并通过遗传算法规则中的选择、交叉和变异操作分别生成第1子代、第2子代和第3子代群体，得到相应的新的投影方向向量；

第4步，分别计算第1子代、第2子代和第3子代投影方向向量所对应的Q_Q(a)，并按从大到小的顺序进行排序，根据Q_Q(a)值越大越优的原则，选择前p组作为新的投影方向向量(若不足p组则通过随机生成的方法补足p组)，回到第1步；

第5步，当前后两代投影指标Q_Q(a)的差值满足给定要求时停止计算，输出最优投影方向向量和聚类结果。

第6步，在受正交设计法的启发后提出用第一、第二次进化迭代所产生的优秀个体的参数变化空间作为模型参数新的变化空间来加速循环。如此循环，优秀个体的变化空间逐步收缩，与最优点的距离越来越近，直到达到预定加速循环次数或最优个体的优化准则值小于某一设定值，再结束整个算法的运行。

为了提高指标筛选的可靠性，从数据库获取N_e组水文专家独立地建立N_e个模糊互补判断矩阵P_j，用AGA-FAHP解得N_e组评价指标的权重，其中：

{w_jkr|j＝1，2，...，m；k＝1，2，...，n_j；r＝1，2，...，N_e}   (12)

${\stackrel{\&OverBar;}{w}}_{jk}=\underset{l=1}{\overset{N_e}{\&Sigma;}}{w}_{jkr}/N_e,(j=1,2,...,m;k=1,2,...,n_j)---\left(13\right)$

选取评价指标中权重的均值最大、标准差相对较小的N_j个指标，组成最终的水环境风险评价指标体系{x_jk|j＝1，2，...，m；k＝1，2，...，N_j}。

其次，选择预测子模型：

目前，能够用于预测的模型有很多，必须根据研究流域的具体情况来选择合适的预测子模型。以太湖流域为例，于是选择太湖流域模型来预测水量、水质、水生态等指标的发展态势。太湖流域模型包含数据库系统、方案管理系统、模型系统等三方面内容。其中数据库系统的主要任务是设计合理有效的数据库库表结构，收集整理资料并实现基本资料的数据库管理；方案管理系统是将模型库与地理信息系统、数据库技术等最新信息处理技术集成为一体化操作平台；模型系统则由河网水量模型、废水负荷模型、河网水质模型、太湖湖流模型、太湖湖区水质模型以及流域降雨径流等子模型组成。其中，①降雨径流模型，主要任务是模拟太湖流域各类下垫面的降雨径流关系及净雨的汇流过程，计算太湖流域水资源量，模拟流域农业用水过程，为河网水量模型和废水负荷模型提供边界条件。②河网水量模型，主要任务是根据降雨径流模型提供的成果及废水负荷模型所提供的面和点的废水排放量，河网水质模型模拟成果(耦合计算)，再加上流域内引、排水工程的作用，模拟河网中的水流运动，计算各断面的水位、流量。③废水负荷模型，主要任务是模拟流域内产生的废水量、排放位置、空间分布及污染物的排放过程。点污染源的废水量、排放位置及污染物质含量，根据实测资料给定；面污染源的废水量、过程及空间分布，建立模型模拟计算。④河网水质模型，主要任务是根据水量模型提供的各断面水位和流量，再将废水中的污染物含量化成干物质量，作为源项加入水质模型，模拟各河段的各时段平均水质指标。⑤太湖湖流模型，主要任务是模拟各种风向、风速情况下的太湖湖流流场，考虑到流速的垂线分布，采用准三维模型。⑥太湖湖区水质模型，主要任务是模拟太湖湖区一般水质指标，主要解决河网水质模型中太湖水的水质边界条件。六个模型相互嵌套、有机耦合。其预测的具体过程是：首先根据流域地形特征、河网水系、水质特点和流域治理总体布局等多种因素，把太湖流域平原河网划分为15个水利分区，由河道特性概化流域的河道断面，并在流域下垫面分类的基础上进行信息数字化，将太湖流域河网概化与太湖流域GIS信息归一化处理；其次，把水量作为研究对象，利用圣维南方程组，采用Preissmann四点线性隐式差分格式，以迭代法求解河网水量。把水质作为研究对象，以一般污染物质对流扩散方程为基础，选取长江、杭州湾的潮位过程和整个流域面上的气象资料作为边界条件，假定一月份的数据资料(包括化学需氧量(COD_Cr)、五日生化需氧量(BOD₅)、氨氮、总磷(TP)、总氮(TN)、溶解氧(DO)、叶绿素a(chl-a)、高锰酸钾盐指数、水温、PH值等水质指标)为初始浓度，以15分钟为计算时段、微段为计算空间步长，根据各断面各种水质组分浓度的计算结果，输出每天每条概化河道的各种水质组分的平均浓度，而后从二月初至十二月底统计资料并取其平均值以得到各分区水质评价时的年平均水质浓度。把水生态作为研究对象，因为有些数据资料无法获取，所以此次暂定用“天然水的自净能力”来描述，通常是以位于比污染源稍高或稍低处水体的研究段上化学需氧量和生化需氧量的大小来确定的。其计算公式为：

$CC=\frac{S_0-S_1}{S_0}\&times;100\%---\left(14\right)$

式中，CC为研究段水体的自净作用的能力；S₀，S₁为比污染源处较高或较低的生物化学需氧量(或化学需氧量)表示的被氧化的物质的量，mg/L。

然后，建立评价子模型：

投影寻踪是一种处理多因素复杂问题的统计方法，它将高维数据向低维空间投影，通过分析低维空间的投影特性来研究高维数据特征。针对投影寻踪模型中的唯一参数一一密度窗宽的取值还主要是依靠经验或试算来确定，缺乏理论依据的问题，本方法引入动态聚类思想来构建投影指标以建立评价子模型。若第i个样本第j个指标为(i＝1，2，...，n；j＝1，2，...，m；n为样本个数，m为指标个数)，则建立评价子模型的具体步骤如下：

(1)数据无量纲化。由于各评价指标的量纲不尽相同，为了消除量纲效应，在建模之前对各指标数据进行无量纲化处理，无量纲化公式为：

$x_{ij}=(x_{ij}^0-x_{j\min }^0)/(x_{jmax}^0-x_{j\min }^0)---\left(1\right)$

式中：为第i个样本的第j个评价指标值，i＝1，2，...，n，j＝1，2，...，m；n为样本个数，m为评价指标个数；和分别为第j个评价指标的样本最大值和最小值。

(2)线性投影。所谓投影实质上就是从不同的角度去观察数据，寻找能够最大程度地反映数据特征和最能充分挖掘数据信息的最佳观察角度即最优投影方向，可以将高维数据信息通过投影方法转化到低维空间，不但形象直观而且便于运用常规方法对高维数据分析处理。本方法选用线性投影，即将高维数据投影到一维线性空间进行研究，设a为m维单位投影方向向量，其分量为a₁，a₂，...，a_m，则x_ij的一维投影特征值z_i可描述为：

$z_i=\underset{j=1}{\overset{m}{\&Sigma;}}{a}_j{x}_{ij},(i=1,2,...,n)---\left(2\right)$

z＝(z₁，z₂，...，z_i，...，z_n)为投影特征值集合。

(3)构造投影指标。这是建立评价子模型的关键，是高维数据向低维空间投影遵循的规则，是寻找最优投影方向的依据。本方法依据动态聚类思想来构造投影指标：

首先，设s(z_i，z_k)为任意两投影特征值间的绝对值距离，s(z_i，z_k)＝|z_i-z_k|，(k＝1，2，...，n)；将待聚类样本分为N(2≤N＜n)类，用Θ_h(h＝1，2，...，N)表示第h类样本投影特征值集合，即：

Θ_h＝{z_i|d(A_h-z_i)≤d(A_t-z_i)}，(t＝1，2，...，N，t≠h)   (3)

式中：d(A_h-z_i)＝|z_i-A_h|，d(A_t-z_i)＝|z_i-A_t|，A_h和A_t分别为第h类和第t类的初始聚核，在实际操作过程可用所得到的分类样本投影特征值的均值迭代替换。其次，类同样本的邻近程度用类同聚集度d_d(a)表示为：

$d_d\left(a\right)=\underset{h=1}{\overset{N}{\&Sigma;}}{d}_h\left(a\right)---\left(4\right)$

式中：d_d(a)愈小则类同样本的聚集程度越高。样本间的离散程度用类异分散度表示为：

$s_s\left(a\right)=\underset{z_i,z_k\&Element;Z}{\&Sigma;}s(z_i,z_k)---\left(5\right)$

其中，s_s(a)愈大则样本离散程度越高。最后，根据动态聚类构建的投影指标可表示为：

Q_Q(a)＝s_s(a)-d_d(a)    (6)

显然，s_s(a)越大表示样本间的距离越远，即类异样本之间分散越开；相反，d_d(a)越小表示类同样本之间的距离越近，即表示同类样本之间越集中。因此，当Q_Q(a)取得最大值时，就同时实现了类异样本尽量散开、类同样本尽量集中的聚类目的。

(4)模型及优化。当公式(6)取得最大值时便可以得到最能反映数据特征的最优投影方向和聚类结果。因此评价子模型可以描述为公式(15)所示的非线性优化问题。

$\{\begin{array}{c}{\mathrm{maxQ}}_Q\left(a\right)\\ ||\left(a\right)||=1\end{array}---\left(15\right)$

采用加速遗传算法进行求解，具体过程包括的6个步骤，见筛选子模型处。

实施实例：

本方法一方面，应用广义熵理论得到水环境的各种风险特征指标值，在模糊层次分析法耦合加速遗传算法的基础上建立筛选子模型，得出水环境风险评价指标体系并确定各风险指标权重。利用预测原理，针对2000-2010年的15个水利计算分区(图2中“14.湖面与岛屿”此次不作研究)共1483条概化河道，以太湖流域模型进行系统耦合计算，得到整个太湖流域平原河网地区水环境风险指标值。采用动态综合评价方法分析时间维数据，将定性定量方式相结合来评价发展趋势；运用投影寻踪理论聚类空间维数据，根据最优投影向量计算投影特征值来区划风险建立评价子模型。按照水环境风险评价的投影特征值判断水环境风险级别，并与预警标准相结合，利用对比判断法划分水环境风险的警度。另一方面，根据2000-2009年的原始水环境资料重复上述筛选、预测、评价与预警过程。最后，将上述结果与2000-2010年预测、评价与预警模型的结果进行比较验证，利用合理计算结果，并参考当地的实际规划情况，通过适度调整水环境策略尽可能控制并减轻风险造成的影响。以2000-2010年为例，从模型建立与应用两方面出发，筛选、预测、评价与预警子模型的具体实施步骤如下：

进行模型的建立：

建立筛选子模型：

根据中国地表水环境质量标准(GB3838-2002)、水资源规划湖泊营养状态评价标准和太湖健康综合评价标准，结合水环境各影响因素的代表性和相关性以及太湖流域平原地区的实际资料，从系统应用和可操作的角度出发，首先，以广义熵理论推求影响水环境的各种主要风险因素信息量与状态概率，积极利用这些信息与概率分布进行蒙特卡罗模拟试验，得到水环境的各种风险特征指标值，经由专家咨询和实践经验对其作出定性分析，初步提出从水量、水质、水生态等方面出发，选择C1“水量”、C₂“化学需氧量(COD_Cr)”、C₃“五日生化需氧量(BOD₅)”、C₄“氨氮(NH₃-N)”、C₅“总磷(TP)”、C₆“总氮(TN)”、C₇“溶解氧(DO)”、C₈“叶绿素a(chl-a)”、C₉“高锰酸钾盐指数”、C₁₀“水温”、C₁₁“PH值”、C₁₂“天然水的自净能力”等风险指标构成的水环境风险评价指标体系来综合研究太湖流域平原河网各分区的水环境情况。其次，从数据库获取专家对上述指标体系两两指标间重要性的比较，建立模糊互补判断矩阵；而后，利用基于加速遗传算法的模糊层次分析法计算矩阵的指标权重。经过计算，各矩阵的一致性指标系数值CIC(n_j)均小于0.2，故P_j具有满意的一致性，因此计算的各指标权重w_jk是可以接受的，具体见表1。表1说明，各指标权重的标准差与均值的比值大多比较小，说明专家意见相对集中，故选取均值最大的水量、COD_Cr、BOD₅、NH₃-N、TP、TN、DO、天然水的自净能力等8个指标组成太湖流域平原河网地区水环境风险评价指标体系。

表1  AGA-FAHP筛选太湖流域平原河网地区水环境风险评价指标体系的计算结果

建立预测、评价与预警子模型：

首先，将太湖流域平原河网地区的样本聚类数划分成5类，即N＝5。其次，在假定2000年汛期降水偏枯，对水量配置不利的情况下，参考1999年实测资料，设定一月份各指标数据作为初始浓度，应用太湖流域模型模拟计算出2000年各分区水环境风险指标值，其余2001-2009年份各分区水环境风险指标值以此类推。再次，利用2000-2009年各分区实测和模拟资料建立基于投影寻踪聚类原理的综合风险动态评价模型，其中n＝15，m＝8。具体做法是利用matlab分别读取太湖流域水环境风险评价指标体系中各指标实测和模拟的时空立体数据，并将其代入评价子模型中进行一致无量纲化处理，把水量、DO、天然水的自净能力转化成越大越优型，把COD_Cr、BOD₅、NH₃-N、TP、TN转化成越小越优型；采用加速遗传算法对目标函数——公式(7)优化求解，得到最优投影方向向量为：d_d(a)＝(0.435，0.427，0.359，0.407，0.401，0.296，0.418，0.392)，将该向量代入各年实测和模拟的指标数据中得到太湖流域平原河网地区风险评价指标值，以1分区为例，具体结果见表2。

表2   2000-2009年太湖流域平原河网1区综合风险评估表

然后，利用其余各分区2000-2009年实测和模拟资料重复上述过程；最后，应用对比判断法求出预警结果。当的水环境风险评价的投影特征值高于2时，水环境系统处于预警状态，系统开始报警；运用对比判断法划分警度，并用不同样式的线条来表示，其中，轻警，——：中警，重警，巨警；运用对比判断法划分警度的具体方法为：假设E最优值是2，记为M_b，最劣值是5，记为M_a，则隶属度公式是：

$R_x=\left\{\begin{array}{cc}1& E\&le;M_b\\ \left(E-M_a\right)/\left(M_b-M_a\right)& M_b<E<M_a\\ 0& E\&GreaterEqual;M_a\end{array}\right.---\left(7\right)$

式中：R_x是预警对象的隶属度，预警对象的警限对应的隶属度设为0.80，根据隶属度将警度划分为：轻警区间是R_x∈[0.60，0.80)；中警区间是R_x∈[0.40，0.60)；重警区间是R_x∈[0.20，0.40)；巨警区间是R_x∈[0，0.20)。以2000年为例，计算结果见表3，因为15个水利分区中有10重警，2中警，1个轻警，2无警，所以根据最大隶属度原则，判断2000年太湖流域平原河网水环境风险级别是重警。由表3可见，各年实测和模拟资料计算出的投影特征值差别不大，相对误差被控制在10％以内，预警结果模拟与实测相符，准确率较高，说明基于投影寻踪聚类原理的综合风险动态智能分析方法能够在一定程度上合理地对指标数据进行风险评估与预警，可以将模型应用于水环境风险管理方面的研究。

表3  2000年太湖流域平原河网各分区综合风险评估与预警表

进行模型的应用：

在由筛选子模型得到太湖流域水环境风险评价指标体系的基础上，应用预测、评价与预警子模型计算出未来平原河网各分区的投影特征值及隶属度(以2010年为例)，具体结果见表4与图2。15个水利分区中有10重警(区号分别是3、4、5、6、7、9、11、12、13、15)，2中警(区号分别是2、10)，1个轻警(区号是8)，2无警(区号是1、16)，所以判断2010年太湖流域平原河网水环境风险级别仍是重警。可以看出，2010年各分区风险大小相比于2000-2009年来说是无警、轻警的分区有向警度高转化的趋势，中警、重警的分区有向警度低转化的趋势，总体上波动幅度不大，但需密切注意无警、轻警分区的水环境状况，继续加大中警、重警分区的治理措施。根据上述结果，可以预估出太湖流域平原河网各分区的水环境风险状况及发展趋势，从而能够指导相关部门采取有效的应对手段，以便进行及时的调控决策。

表4  2010年太湖流域平原河网各分区风险评估与预警表

本方法采用广义熵理论推求影响水环境的各种主要风险因素信息量与状态概率，以得到水环境的各种风险特征指标值；利用基于加速遗传算法的模糊层次分析法筛选水环境评价指标体系并确定各指标权重；应用预测原理，以流域水文模型模拟各风险指标未来数值；运用动态综合评价方法分析时间维数据，将定性定量方式相结合来评价发展趋势；使用投影寻踪理论聚类空间维数据，根据最优投影向量计算投影特征值来区划风险建立评价子模型；按照投影特征值，借助对比判断法来判断水环境的预警级别，并参考当地的实际情况提出水环境风险调控的规划方案。应用实例表明，本方法理论严谨，方法灵活，模型构筑过程简单，结果正确合理，具有较强的逻辑优越性和地区适应性，为水环境风险管理研究开辟了新途径。

本方法以广义熵理论推求风险因素信息量与状态概率，将投影寻踪聚类原理和动态综合评价方法有机结合，充分发挥了投影寻踪处理高维数据的突出优势，完全利用了数据自身特性来聚类分析样本，避免了依据专家知识确定指标权重对区划结果的人为影响，全面把握了水环境风险的时空分布规律。从建立角度来看，它先利用筛选子模型给出水环境风险评价指标体系，再结合地区的实际情况，选择不同的预测子模型估算各风险指标未来发展趋势，而后运用投影寻踪聚类原理和动态综合评价方法建立评价子模型，然后以对比判断法进行水环境评估与预警研究，几个子模型环环相扣，相辅相成，缺一不可。从应用角度来看，模型以某一时刻为评估时间点，定性定量预估未来某一时段区域发生水环境风险的可能性及其相应等级，综合分析地区所处的水环境风险发展趋势并进行风险区划，且模型会随着历史数据的增加和扩展，不断地吸入时空尺度上的新信息来覆盖旧信息，以动态展现水环境风险评估与预警的整个过程。本文应用在太湖流域平原河网地区，经过模型训练和精度检测，表明模型操作简便、稳定性好、客观性强、分类结果明确、成果接近实际。可将模型继续试用于探讨水环境评估与预警方面的工作，并据此制定水资源开发利用的调控措施和应急预案，为水体污染及其防治问题的研究开辟了新途径，为环境水文与水生态保护问题的研究提供新思路。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于广义熵理论的水环境风险管理动态智能综合分析方法，其特征在于，包括如下步骤：

步骤A，建立筛选子模型：

首先，应用广义熵理论建立水环境风险评价指标体系，再从数据库直接获取水文专家对所述水环境风险评价指标体系中两两评价指标间重要性的判断，构建模糊互补判断矩阵，计算所述互补判断矩阵的评价指标权重；然后选取评价指标权重中均值最大的M_j个评价指标，再从所述M_j个评价指标中选取标准差最小的N_j个评价指标，组成最终的水环境风险评价指标体系；

步骤B，建立预测子模型：

首先根据研究区域来选择预测子模型，然后针对研究区域，应用预测子模型模拟计算水环境风险评价指标值；

步骤C，建立评价子模型：

根据步骤A建立的水环境风险评价指标体系，将步骤B得出的各评价指标的时空立体数据进行无量纲化处理，无量纲化公式为：

$x_{ij}=(x_{ij}^0-x_{j\min }^0)/(x_{jmax}^0-x_{j\min }^0)---\left(1\right)$

式中：为第i个样本的第j个评价指标值，i＝1，2，...，n，j＝a，2，...，m；n为样本个数，m为评价指标个数；和分别为第j个评价指标的样本最大值和最小值；

设a为m维单位投影方向向量，其分量为a₁，a₂，...，a_m，则x_ij的一维投影特征值z_i描述为：

$z_i=\underset{j=1}{\overset{m}{\&Sigma;}}{a}_j{x}_{ij},(i=1,2,\mathrm{...},n)---\left(2\right)$

z＝(z₁，z₂，...，z_i，...，z_n)为投影特征值集合；

构造投影指标：设s(z_i，z_k)＝|z_i-z_k|，(k＝1，2，...，n)为任意两投影特征值间的绝对值距离；将待聚类样本z_i分为N(2≤N＜n)类，用Θ_h(h＝1，2，...，N)表示第h类样本投影特征值集合，即：

Θ_h＝{z_i|d(A_h-z_i)≤d(A_t-z_i)}，(t＝1，2，...，N，t≠h)   (3)

式中：d(A_h-z_i)＝|z_i-A_h|，d(A_t-z_i)＝|z_i-A_t|，A_h和A_t分别为第h类和第t类的初始聚核；类同样本的邻近程度用类同聚集度d_d(a)表示为：

$d_d\left(a\right)=\underset{h=1}{\overset{N}{\&Sigma;}}{d}_h\left(a\right)---\left(4\right)$

式中： $d_h\left(a\right)=\underset{z_i,z_k\&Element;{\mathrm{\&Theta;}}_h}{\&Sigma;}s(z_i,z_k),$

样本间的离散程度用类异分散度表示为：

$s_s\left(a\right)=\underset{z_i,z_k\&Element;Z}{\&Sigma;}s(z_i,z_k)---\left(5\right)$

最后，根据动态聚类构建的投影指标表示为：

Q_Q(a)＝s_s(a)-d_d(a)   (6)

采用加速遗传算法对目标函数公式(6)优化求解，得到最优投影方向向量；

步骤D，将步骤C得到的最优投影方向向量代入各年评价指标数据中得到水环境风险评价的投影特征值；

步骤E，建立预警子模型：

当步骤D中计算出的水环境风险评价的投影特征值高于2时，水环境系统处于预警状态，系统开始报警；运用对比判断法划分警度，所述运用对比判断法划分警度的具体方法为：假设E最优值是M_b，最劣值是为M_a，则隶属度公式是：

$R_x=\left\{\begin{array}{cc}1& E\&le;M_b\\ (E-M_a)/(M_b-M_a)& M_b<E<M_a\\ 0& E\&GreaterEqual;M_a\end{array}\right.---\left(7\right)$

式中：R_x是预警对象的隶属度，预警对象的警限对应的隶属度设为0.80，根据隶属度将警度划分为：轻警区间是R_x∈[0.60，0.80)；中警区间是R_x∈[0.40，0.60)；重警区间是R_x∈[0.20，0.40)；巨警区间是R_x∈[0，0.20)。

2.根据权利要求1所述的一种基于广义熵理论的水环境风险管理动态智能综合分析方法，其特征在于，所述步骤A中，建立所述模糊互补判断矩阵为P_j＝(p_jkl)，其中0≤p_jkl≤1，p_jkl+p_jlk＝1(j＝1，2，...，m；k，l＝1，2，...，n_j)，m是从数据库获取水文专家的数量，n_j是初选风险评价指标的个数，p_jkl表示第j个专家认为指标k优于指标l的程度：当p_jkl＞0.5时，表示第j个专家认为指标k比指标l重要，且p_jkl越大表示指标k比指标l越重要；p_jlk表示第j个专家认为指标l优于指标k的程度：当p_jlk＞0.5时，表示第j个专家认为指标l比指标k重要，且p_jlk越大表示指标l比指标k越重要；

利用基于加速遗传算法的模糊层次分析法计算所述模糊互补判断矩阵的评价指标权重，当其一致性指标系数CIC(n_j)小于预设临界值A时，则认为P_j具有满意的一致性，否则就提高非负参数d或修改所述模糊互补判断矩阵P_j，所述P_j的修正判断矩阵为Q_j＝(q_jkl)，Q_j的各指标权重记为{w_jk|j＝1，2，...，m；k＝1，2，...，n_j}，重新计算矩阵的指标权重，直到CIC(n_j)＜A，其中：

$\min CIC\left(n_j\right)=\underset{k=1}{\overset{n_j}{\&Sigma;}}\underset{l=1}{\overset{n_j}{\&Sigma;}}\left|q_{jkl}-p_{jkl}\right|/{n_j}^2+\underset{k=1}{\overset{n_j}{\&Sigma;}}\underset{l=1}{\overset{n_j}{\&Sigma;}}|0.5(n_j-1)(w_{jk}-w_{jl})+0.5-q_{jkl}|/{n_j}^2---\left(8\right)$

s.t.1-q_jlk＝q_jkl∈[p_jkl-d，p_jkl+d]∩[0，1](k＝1，2，...，n_j-1；l＝k+1，...，n_j)   (9)

q_jkk＝0.5(k＝1，2，...，n_j)   (10)

$w_{jk}>0(k=1,2,\mathrm{...},n_j),\underset{k=1}{\overset{n_j}{\&Sigma;}}{w}_{jk}=1---\left(11\right)$

式中，所述非负参数d的取值范围为[0，0.5]；q_jkl为修正判断矩阵Q_j的元素值；

选取评价指标中权重的均值最大的M_j个评价指标，再从所述M_j个评价指标中选取标准差最小的的N_j个评价指标，组成最终的水环境风险评价指标体系{x_jk|j＝1，2，...，m；k＝1，2，...，N_j}。

3.根据权利要求2所述的一种基于广义熵理论的水环境风险管理动态智能综合分析方法，其特征在于：从数据库获取N_e组水文专家独立地建立N_e个模糊互补判断矩阵P_j，用基于加速遗传算法的模糊层次分析法解得N_e组评价指标的权重，其中：

{w_jkr|j＝1，2，...，m；k＝1，2，...，n_j；r＝1，2，...，N_e}   (12)

${\stackrel{\&OverBar;}{w}}_{jk}=\underset{l=1}{\overset{N_e}{\&Sigma;}}{w}_{jkr}/N_e(j=1,2,\mathrm{...},m;k=1,2,\mathrm{...},n_j)---\left(13\right)$

其中，w_jkr为第r组数据的评价指标的权重，为N_e组评价指标的权重的平均值。

4.根据权利要求2～3中任意一项所述的基于广义熵理论的水环境风险管理动态智能综合分析方法，其特征在于：采用所述基于加速遗传算法的模糊层次分析法计算互补判断矩阵的评价指标权重的具体过程为：

第1步，随机产生p组m维单位投影方向向量a，分别计算得到p组投影特征值向量z；其中，p≥300；

第2步，依据所述z分别计算s_s(a)和d_d(a)，进而计算得到p个投影指标Q_Q(a)；

第3步，以Q_Q(a)进行适应度评价，Q_Q(a)值越大则个体适应度越高，并通过遗传算法规则中的选择、交叉和变异操作分别生成第1子代、第2子代和第3子代群体，得到相应的新的投影方向向量；

第4步，分别计算第1子代、第2子代和第3子代投影方向向量所对应的Q_Q(a)，并按从大到小的顺序进行排序，根据Q_Q(a)值越大越优的原则，选择前p组作为新的投影方向向量；若不足p组则通过随机生成的方法补足p组，回到第1步；

第5步，当前后两代投影指标Q_Q(a)的差值满足给定要求时停止计算，输出最优投影方向向量和聚类结果。

5.根据权利要求4所述的基于广义熵理论的水环境风险管理动态智能综合分析方法，其特征在于：所述基于加速遗传算法的模糊层次分析法中用第一、第二次进化迭代所产生的优秀个体的参数变化空间作为模型参数新的变化空间来加速循环，直到达到预定加速循环次数或最优个体的优化准则值小于某一设定值。