[0019]
(2)
[0020] z=(Zpz2, . ..，Zp. . .，zn)为投影特征值集合；
[0021] 构造投影指标：设s(Zi，zk) = |zi-zk|，（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Zi分为N(2<N<n)类，用0h(h= 1，2, ...，N)表示第h类样本投影特征值集合，即：
[0022] 0h={zi|d(Ah-Zi) ^d(At-Zi)},(t= 1,2, . . . ,N,t^h) (3)
[0023] 式中 ^(Ah-Zi) = |z「Ah|，（KAt-Zi) = |z「At |，Ah和A!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dd(a)表示为：
[0026] 样本间的离散程度用类异分散度表示为：
[0024] ⑷
[0025]
[0027]
[0028] 最后，根据动态聚类构建的投影指标表示为：
[0029]Qg(a) =ss(a)-dd(a) (6)
[0030] 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；
[0031] 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；
[0032] 步骤E，建立预警子模型：
[0033] 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Mb，最劣值是为Ma，则隶属度公式是：
[0034]
[0035] 式中：RX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Rxe[0. 60,0. 80);中警区间是Rxg[0. 40,0. 60);重警区间 是RXG[0.20,0.40);巨警区间是RXG[0,0.20)。
[0036] 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Pj= (Pjkl)，其中 〇 彡Pjkl< 1，Pjkl+Pjlk= 1(j= 1，2,? ? ?，m;k，1 = 1，2,? ? ?，n』），m是从数据库 获取水文专家的数量，h是初选风险评价指标的个数，pM表示第j个专家认为指标k优于 指标1的程度：当pjkl> 0. 5时，表示第j个专家认为指标k比指标1重要，且pjkl越大表示 指标k比指标1越重要；pjlk表示第j个专家认为指标1优于指标k的程度：当pjlk> 0. 5 时，表示第j个专家认为指标1比指标k重要，且pjlk越大表示指标1比指标k越重要；
[0037]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(np小于预设临界值A时，则认为匕具有满意的一致性， 否则就提高非负参数d或修改所述模糊互补判断矩阵IV所述&的修正判断矩阵为Q』= (qjkl)，Qj的各指标权重记为{wjk|j= 1，2,. . .，m;k= 1，2,. . .，rij}，重新计算矩阵的指标 权重，直到ClC(nj) <A，其中： CN104992245A 说明书 5/13 页
[0038]
[0039] s. t. l-qjlk= q jklG [p jkl-d，pjkl+d]门[0,1] (k = 1，2, ? ? ?，rij-l ;1 = k+1，? ??， rij) (9)[0040]
[0041]
[0042] 式中，所述非负参数d的取值范围为[0,0.5] ;qjkl为修正判断矩阵^的元素值；
[0043] 选取评价指标中权重的均值最大的％个评价指标，再从所述^个评价指标中选取 标准差最小的的Nj个评价指标，组成最终的水环境风险评价指标体系{xjk|j= 1，2,...， m;k= 1，2, ? ? ?，Nj} 〇
[0044] 作为本发明的优选方案，从数据库获取凡组水文专家独立地建立\个模糊互补判 断矩阵Pj，用基于加速遗传算法的模糊层次分析法解得凡组评价指标的权重，其中：
[0045]
[0046]
[0047] 其中，wjt为第r组数据的评价指标的权重，?为凡组评价指标的权重的平均值。
[0048] 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：
[0049] 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彡300;
[0050] 第2步，依据所述z分别计算ss (a)和dd (a)，进而计算得到p个投影指标Qq (a);
[0051] 第3步，以Qq(a)进行适应度评价，Qq(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；
[0052] 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Qq(a)，并 按从大到小的顺序进行排序，根据QQ(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；
[0053] 第5步，当前后两代投影指标QQ(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。
[0054] 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。
[0055] 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宄区域实测相结合，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宄，对于水环境 的科学预警具有重要意义。
【附图说明】
[0056] 图1为本方法的步骤流程图；
[0057] 图2为本方法的实验结果图；
[0058]图中，1.运河片，2.洮涌片，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】
[0059] 下面结合附图对本发明作更进一步的说明。
[0060] 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，再根据研宄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宄，且据此制定调控措施和实施应急预案，具体见图1。
[0061] 本方法以水环境风险管理系统中各种不确定性为主要研宄对象，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宄途径，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。
[0062] 具体的说，首先建立筛选子模型：
[0063] 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