[发明专利]基于案例推理的湖库水华治理复杂动态关联模型与决策方法

摘要

本发明公开了一种基于案例推理的湖库水华治理复杂动态关联模型与决策方法，属于环境工程技术领域。本发明基于案例推理，首先按照4R模型给出基于案例推理的湖库水华决策系统的架构框架，以protégé工具构建水华本体作为案例表示的基础，然后构建案例库，将案例检索分为案例推理和案例匹配两个部分，完成初步筛选和案例匹配，得到匹配案例，经过领域专家调整后应用至目标案例，并保存至案例库。本发明能够模仿专家经验的思维过程，进行人工智能决策，使决策结果更符合实际的湖库水华治理情况，明显提高了决策结果的准确性及可靠性。并且可以提高决策效率，缩短决策时间。

主权项

1.基于案例推理的湖库水华治理复杂动态关联模型与决策方法，其特征在于：具体包括如下步骤，步骤一、湖库水华治理决策通用本体模型设计；参照骨架法及七步法的本体构建规则定义五元组，形式为P_Ontology＝，分别表示为与湖库水华治理决策相关的概念、关系、实例、约束及规则；具体为：P_Concepts＝{concepts}表示湖库水华治理领域中的概念集合；P_Relations＝{r(c1,c2)}表示湖库水华治理决策领域中概念之间的关系；其中c1,c2隶属于概念集合，r为概念c1,c2直接的关系名称；P_Individuals＝{individuals}表示湖库水华治理领域的实例集合；P_Restriction＝{restriction}表示湖库水华治理领域中概念之间的约束条件；P_Rules＝{rule}表示湖库水华治理领域中规则的集合；步骤二、湖库水华治理决策案例库的构建；案例库中的水华治理决策案例均按照属性进行记录，湖库水华治理决策的案例与水华治理通用本体模型相对应，在水华治理通用本体的概念和类的基础上，将案例库中水华治理决策案例的属性分为案例基础信息、水质参数、自然环境、人文环境、水华暴发情景、经济因素以及治理情况，案例的属性类型分为数值型、布尔型及选项型三类数据，利用Protégé工具与数据库相连，从而形成湖库水华治理决策案例库；步骤三、湖库水华治理决策案例推理引擎；利用规则推理的方法，依据限制槽和条件槽内的属性是否满足特定条件，实现案例的初步筛选；步骤四、水华治理决策案例匹配；针对步骤三中已经发挥作用的限制槽和条件槽中的属性，贡献度权重设定为0；对水华治理决策案例本体中表述的其他属性进行动态网络关联分析与赋权计算，动态赋权的过程采用复杂动态网络建模方法，计算复杂动态网络模型特征参数及重要度评价矩阵，利用构建节点的优化关键度模型表征案例匹配过程中的动态权重；根据所述的动态权重，对待治理案例的其他属性分别与案例库中初步筛选的案例进行匹配，各属性按照数值型、布尔型及选项型三种类型分别匹配案例库中各案例的属性，布尔型和选项型的属性根据案例的实际属性值，数值型贡献度的计算则引入直觉模糊粗糙集的方法计算各属性的相似度；最后经过权重处理后得到贡献度；针对案例库中的案例存在的属性值缺失的情况设定其贡献度为零，案例中所有贡献度构成综合贡献度，得到综合贡献度最大的案例作为待治理案例的备用案例；步骤四的具体实现过程如下：(1)构建水华治理决策的复杂动态网络模型；复杂动态网络模型分为总网络和子网络，总网络的节点包括水质参数、人文环境、经济因素、自然环境、水华暴发情景六个节点，而总网络的各节点依据节点内容可细分成子节点，从而构成子网络；水质参数的子节点包括总磷、总氮、氮磷比、溶解氧、化学需氧量、生物需氧量、酸碱度、电导率、叶绿素a、水温，人文环境的子节点包括水体利用率、人口流动性、农业污水排放量、工业污水排放量、生活污水排放量，经济因素的子节点包括水处理投资、长期治理、见效时间快、生态安全性、二次污染，自然环境的子节点包括水体面积、空气温度、湿度、光照强度、地理位置、风速、周边环境、湖泊类型，水华暴发情景的子节点包括水华面积、富营养化级别、藻类类型、表面颜色、气味、水体表面性状；所述的总网络和子网络均由网络点集v(v＝{v1,v2,…,vi,…,vn})和网络边集e(e＝{e1,e2,…ej,…,em})构成，其中vi用来标识第i个节点，ej用来标识第j条边，n表示网络的节点个数，m表示网络的边集个数；(2)计算复杂动态网络的特征参数；节点度用λi表示，节点度包括入度λi+和出度λi‑，节点vi与节点vj之间的节点距离用dij来表示，网络效率E的计算公式如式(1)所示：根据网络效率计算出各节点的效率：其中，Ik表示节点vk的效率；(3)构建重要度评价矩阵；节点重要度贡献矩阵，记为HIC：其中，表示无向网络的平均度值，λi/2表示节点vi的自身重要度，δij为复杂动态网络连接矩阵的元素，表示网络节点间的连接情况，若节点vi与节点vj之间相连，则δij＝1，否则δij＝0；在无向网络中，节点度并不区分入度和出度，将公式(3)中的节点v_i的自身重要度λ_i/<k>²用公式进行优化，因此优化后的节点重要度贡献矩阵H'_IC如下所示：节点的重要度评价矩阵表示为如式(5)的形式：节点的重要度公式如(6)所示：其中，Ii和Ij分别表示节点vi和节点vj的效率；对节点的重要度进行归一化处理，得出归一化后的属性权重(4)数值型属性的模糊粗糙集计算；定义模糊粗糙集的集合为S，中的上近似和下近似分别记为X⁺和X^‑，则模糊粗糙集S中的一个直觉模糊粗糙集A如下所示：其中，为A的下近似隶属度函数表示案例属性的负面影响程度，则为属性的恶劣程度对湖库水华治理决策过程的影响；为A的上近似隶属度函数表示案例属性可能的负面影响程度，则为属性的恶劣程度可能对水华治理决策过程的影响；为A的下近似非隶属度函数表示案例属性的正面影响程度，则为属性的优质程度对水华治理决策过程的影响；为A的上近似非隶属度函数表示案例属性可能的正面影响程度，则为属性的优质程度可能对水华治理决策过程的影响；直觉模糊粗糙集A的下近似隶属度函数上近似隶属度函数下近似非隶属度函数和上近似非隶属度函数需要同时满足以下条件：直觉模糊粗糙集A中元素xA的直觉指数πA(xA)定义为xA对A的犹豫程度的测度，直觉指数的计算如下所示：其中，αA为指数算子，其取值范围是0.5≤αA≤1；对于非空论域X＝{x1,x2,…,xn}上的两个直觉模糊粗糙集A和B，A的直觉模糊粗糙值为：B的直觉模糊粗糙值为：A和B的相似度计算如下所示：其中，权重系数ω1(xA,xB),ω2(xA,xB),ω3(xA,xB),ω4(xA,xB),ω5(xA,xB)依据具体的目标案例与案例库中的案例的已知属性信息动态确定；(5)布尔型和选项型的相似度计算；针对案例库中布尔型和选项型的属性，规定若布尔型的选项和选项型的选项相同，则属性的相似度M为1，若不同或匹配的案例属性缺失，则相似度M为0；(6)综合贡献度的计算；其中，SAB表示案例A与案例B进行匹配的综合贡献度，wi表示节点vi的权重，wij表示节点vij的权重，i＝1,2,3…n,j＝1,2,3…m，Mij为案例A和B中节点vij的相似度；比较求取的综合贡献度，选取综合贡献度最大的案例作为备用案例；步骤五、水华治理决策案例确定、重用及修正；对于所述的备用案例，如果综合贡献度超过匹配阈值，则将备用案例作为匹配案例，并将治理方法直接应用于湖库。