基于IMODE分层进化算法的火警管理水平评估方法及系统

基于imode分层进化算法的火警管理水平评估方法及系统
技术领域
1.本发明属于火灾探测器技术领域，具体涉及一种基于imode分层进化算法的火警管理水平评估方法及系统。


背景技术：

2.火灾自动报警系统的研究是现代人们同火灾作斗争的有力工具同时模型的建立至关重要，也是当前一个热门的课题,而确定模型结构和分析各类型探测器可靠性、故障率是该领域中一项十分重要的基础性工作。因为火灾自动报警系统的功能实现最大化的效果离不开高可靠性、低故障率的各类型探测器，所以说，一个合理且有效的探测器性能评价标准是研究的第一步。从理论计算上来说,根据已知的一段时间的各类型火灾探测器的报警信息中，要预测给定的新的各类型火灾探测性在不同区域下火灾报警为可信度，就要设定标准评价参数，实质上是一个参数选择的函数变量的优化问题。此外，对于各大队的综合管理水平，还受地域、报警器质量、发生火灾频率等因素影响，因此对各类探测器稳定性以及各消防大队的综合管理能力的研究,必须进行两方面的工作：
3.首先，必须认识到报警数据的真伪性，警报会探测器设备故障、探测器阈值设定的影响，通过已给出数据筛选真实的火灾次数，才能通过bp神经网络训练出一个合适的模型，判断真实火灾的概率。其次，必须设定合理全面的评价指标，将项目与地域相结合才能评价出各消防大队的综合管理能力，进而提出改进。如何构建考虑区域特征的bp神经网络模型预测各种部件报警为真实火灾的概率，以及构造合理的评价指标的权重去提高评估真实性和合理性是急需掘金的问题。


技术实现要素：

4.本发明针对上述的不足之处提供一种使用方便，火灾报警可靠性高的基于imode分层进化算法的火警管理水平评估方法及系统。
5.本发明目的是这样实现的：基于imode分层进化算法的火警管理水平评估方法，其特征在于：所述方法包括以下步骤：
6.s1：在评估开始前，根据消防管理机构提供的故障火灾报警器清单及历史报警数据集数据，计算各类型的火灾探测器的可靠性与故障率的值；
7.s2：得到各类型火灾探测器的可靠性和故障率后，建立考虑区域特征的bp神经网络模型，在这一模型中，每个火灾报警器的报警信息被汇总为一个样本进行处理，所有样本被随机分为测试集和训练集，从而完成bp神经网络模型的训练操作；
8.s3：将消防管理机构提供的存在数据缺失的火灾探测器数据汇总为缺损数据集，并执行补足操作，从而得到每个火灾探测器的所属机构编码、机构管辖面积、火灾探测器可靠性、火灾探测器故障率、火警次数、所属项目编号；
9.s4：为分析各消防大队的综合管理水平，设计分层指标体系；所述综合管理水平由三个评价层的得分加权得到，其中每个评价层的得分又由与之对应的三个子评价指标的得
分加权得到，即：每个消防大队都具有9个与之对应的评价指标；其中，部件管理水平层包含辖区期望不可靠性、辖区综合不可靠性、辖区综合故障率三个子评价指标，超额管理水平层包含辖区超额不可靠性、辖区超额故障率、辖区超额火灾频率三个子评价指标，安全管理水平层包含辖区误报警率、辖区真实火灾发生频率、辖区内故障设备数量三个子评价指标；
10.s5：为对管理水平进行综合评价，引入imode分层进化算法，所述imode分层进化算法用于每个评价层层内及评价层层间分别进行权重优化；对imode分层进化算法得到的最优个体执行解码操作，并为每个消防大队计算得到其管理水平得分；
11.s6：列出每个消防大队的管理水平得分，并列出每个消防大队在每个评价层的得分情况，并将得分情况反馈给各消防大队，以便于各消防大队对辖区内存在的问题作进一步处理。
12.基于imode进化算法的火警管理水平评估系统，其特征在于：所述该系统包括终端设备，终端设备采用互联网终端设备，包括处理器和计算机可读存储介质；所述计算机可读存储介质，用于存储多条指令，指令适于由终端设备的处理器加载并执行如权利要求1-8中任一项所述的基于imode分层进化算法的火警管理水平评估方法。
13.优选的，所述火灾探测器包括点型感烟探测器、点型感温探测器、线型光束感烟探测器、智能光电探头、手动报警按钮、复合探测器、光束感烟、点型点烟、气体探测器、火焰探测器、点型温烟、信号阀、压力开关、智能感温、智能光电探测器和消火栓。
14.优选的，所述步骤s1中计算各类型火灾探测器的故障率与可靠性的值包括以下步骤：
15.步骤1-1：对得到的历史火灾报警数据集进行数据清洗，根据消防管理机构提供的故障火灾报警器清单，从历史报警数据集中剔除掉由故障火灾报警器发出的误报警信息，从而完成数据清洗操作步骤；
16.步骤1-2：根据消防管理机构提供的故障火灾报警器清单，经统计得到各类型火灾探测器的故障率；
17.步骤1-3：考虑不同火灾探测器间地理位置的关联系，如果有不止1个在同一建筑物内的报警器同时报警，则认为发生了一次真实火灾，以此为依据计算历史火灾报警数据集中所囊括的真实火灾次数，从而得出历史火灾报警数据集中的所有真实报警信号清单；
18.步骤1-4：根据得到的真实报警信号清单，利用标准弗里德曼检验方法，计算每个类型的全部火灾探测器在历史火灾报警数据集数据集上的ranking值；将所有类型火灾探测器的的ranking值归一化到[0,1]区间，每种类型火灾探测器所对应的归一化的结果即作为该类型火灾探测器的可靠性指标。
[0019]
优选的，所述步骤s2中构建考虑区域特征的bp神经网络模型包括以下步骤：
[0020]
步骤2-1：收集所需的样本数据，将每个火灾报警器作为一个样本进行处理，每个样本包括所属机构编码、所属机构管辖面积、可靠性、故障率、火警次数、所属项目编号、火灾概率，其中，同一辖区内的同一种火灾探测器共享相关的可靠性及故障率的值，火警次数为该火灾探测器发出报警信息的总次数，火灾概率为这一火灾探测器发出的真实火灾报警次数占其总报警次数的比例；
[0021]
步骤2-2：建立考虑区域特征的bp神经网络模型，在这一模型中，bp神经网络的结构包括7层，其中首层为输入层，中间包括5层全连接的隐含层，最后一层为输出层；所述输
入层包含6个输入，分别为所属机构编码、机构管辖面积、火灾探测器可靠性、火灾探测器故障率、火警次数和所属项目编号；所述输出层包括1个输出，即火灾概率；
[0022]
步骤2-3：将样本随机分为训练集和测试集，其中训练集和测试集的占比分别为70％和30％；使用标准levenberg-marquardt方法进行训练，采用均方误差mse作为模型性能的评价指标；
[0023]
步骤2-4：使用训练集中的样本数据训练所构建的bp神经网络模型，最大迭代次数设为1000次；训练完成后，计算测试集在该模型上的均方误差mse的值以用于评价模型的性能。
[0024]
优选的，所述步骤s4中，根据以下公式计算每个消防大队的9个评价指标
[0025][0026]
上式中，eu
fs
表示辖区编号为fs的辖区期望不可靠性水平，p表示各类型火灾探测器所构成的集合，表示辖区fs下的类型为i的火灾探测器的数量，ri表示类型为i的火灾探测器的可靠性水平；该评价指标越小，则说明辖区fs下各火灾探测器的期望不可靠性水平越低；
[0027][0028]
上式中，cu
fs
表示辖区fs下的辖区综合不可靠性水平，p表示各类型火灾探测器所构成的集合，表示辖区fs下的类型为i的火灾探测器的故障数量；该评价指标越小，则说明辖区fs下各火灾探测器的综合不可靠性水平越低；
[0029][0030]
上式中，cf
fs
表示辖区fs下的辖区综综合故障率，p表示各类型火灾探测器所构成的集合，表示辖区fs下的类型为i的火灾探测器的数量，表示辖区fs下的类型为i的火灾探测器的故障数；该评价指标越小，则说明辖区fs下各火灾探测器的综合故障率越低；
[0031]
ou
fs
＝cu
fs-eu
fs
[0032]
上式中，ou
fs
表示辖区fs下的超额不可靠性水平，cu
fs
表示辖区fs下的辖区综合不可靠性水平，eu
fs
表示辖区fs下的辖区期望不可靠性水平；
[0033][0034]
上式中，of
fs
表示辖区fs下的辖区超额故障率，cf
fs
表示辖区fs下的辖区综综合故障率，p表示各类型火灾探测器所构成的集合，表示辖区fs下的类型为i的火灾探测器的数量，fi表示类型为i的火灾探测器的故障率；该评价指标越小，则说明辖区fs下的超额故障率越低；
[0035][0036]
上式中，off
fs
表示辖区fs下的辖区超额火灾频率，d表示数据记录的天数，fn
fs
表示辖区fs下d天内真实发生的火灾次数，a
fs
表示辖区fs下的管辖面积；该评价指标越小，则说明辖区fs下的超额火灾频率越低；
[0037][0038]
上式中，er
fs
表示辖区fs下的辖区误报警率，efn
fs
表示辖区fs内误报警次数，afn
fs
表示辖区fs内总报警次数；该评价指标越小，则说明辖区fs下的超额火灾频率越低；
[0039][0040]
上式中，ff
fs
表示辖区fs下的辖区真实火灾发生频率，d表示数据记录的天数，fn
fs
表示辖区fs下d天内真实发生的火灾次数；该评价指标越小，则说明辖区fs下真实火灾发生频率越低；
[0041]
所述辖区fs下所属的故障设备数量en
fs
直接通过统计得到，该指标可用于评价该辖区的安全管理水平。
[0042]
优选的，所述步骤3中的补足操作包括：
[0043]
步骤3-1对于缺损数据集中的每条报警数据，若所属机构数据的数据栏目缺失，则删去该条数据；若火灾探测器可靠性或火灾探测器故障率数据栏目缺失，则使用与该条数据所属机构相同的相同类型火灾探测器的火灾探测器可靠性或火灾探测器故障率数据进行补足；若火警次数数据栏目缺失，则使用与该条数据所属机构相同的相同类型的全部火灾探测器的平均火警次数进行补足；若所属项目编号数据栏目缺失，则将项目编号置为0；
[0044]
步骤3-2：将补足后的缺损数据集中的每个火灾探测器的数据作为一个样本处理，使用已训练好的bp神经网络预测这些样本的输出值，即火灾概率的值。
[0045]
优选的，所述步骤s5中利用imode进化算法执行分层优化操作包括以下步骤：
[0046]
步骤5-1：确定控制参数后对种群进行初始化，在解空间中随机均匀产生大小为np的初始总体，个体的每个维度对应了一个评价指标的权重，每个解的取值范围在区间[0,1]之间，用评价函数计算出每个个体的适应度值；
[0047]
步骤5-2：对于每一个解，使用de weighted-rand-to-φbest变异策略生成一个突变后的解，所述突变策略采用下述公式计算得到突变后的解：
[0048]vi,j
＝x
i,j
fi*(x
φ,j-x
i,j
x
r1,j-x
r2,j
)；
[0049]
其中j表示解的维度，fi表示缩放因子，r1≠r2≠i是随机整数，x
i,j
表示突变前的解，x
r1,j
,x
r2,j
是从整个种群中随机选择的两个不同个体，x
φ,j
选自总群体适应度最好的10％的个体，v
i,j
表示经过变异后的解；
[0050]
步骤5-3：突变策略执行完成之后，采用与步骤5-1相同的方法计算突变后的解v
i,j
的适应度值；将突变后的解v
i,j
和突变前的解x
i,j
进行随机进行二项式交叉以产生新的种群，所述二项式交叉采用如下公式实现：
[0051]
[0052]
其中，其中rand是一个[0,1]之间的随机数，j表示当前解的维度，j
rand
是一个[1,d]之间的随机整数，d代表解的总维度个数，cri是交叉概率；
[0053]
步骤5-4：用评价函数计算出v
i,j
和u
i,j
中每个个体的适应度值，为下一步的贪婪选择策略提供数据参考；
[0054]
步骤5-5：使用贪婪选择的策略，将新解u
i,j
和突变前的解x
i,j
进行比较，将最优个体送入下一次循环，然后使用线性机制动态地减小种群np：
[0055][0056]
其中，np
min
是算法可以成立的最小个体数，np
init
是种群初始化时的个体数，fes是当前评估函数值，max
fes
是预定义的评估函数的最大值，g表示当前迭代次数；
[0057]
步骤5-6：若当前的函数评价次数已经达到所设置的最大函数评价次数的50％，采用标准模拟退火算法对种群中的每个解进行一次优化，以实现搜索性能的进一步提升；
[0058]
步骤5-7：若当前的函数评价次数已经达到所设置的最大迭代次数，则退出迭代，否则重复步骤5-2、步骤5-3、步骤5-4、步骤5-5和步骤5-6；退出迭代时，还需返回优化后的各评价子层间的权重分布情况及各评价子层间的各评价指标的权重分布情况。
[0059]
优选的，所述步骤5-1中，根据以下步骤计算解的适应度值：
[0060]
步骤5-1-1：对于待评价的全部辖区，首先根据3个评价子层各自对应的3个评价指标权重，分别计算出3个评价子层的得分：
[0061]
l1＝a1*eu
fs
a2*cu
fs
a3*cf
fs
[0062]
l2＝a4*ou
fs
a5*of
fs
a6*off
fs
[0063]
l3＝a7*er
fs
a8*ff
fs
a9*en
fs
[0064]
其中l1，l2，l3分别表示部件评价子层、超额评价子层、安全评价子层的得分，a1，a2，a3是部件评价子层中指标eu
fs
,cu
fs
,cf
fs
对应的权重，a4，a5，a6是超额评价子层中指标ou
fs
，of
fs
，off
fs
对应的权重，a7，a8，a9是安全评价子层中指标er
fs
，ff
fs
，en
fs
对应的权重；
[0065]
步骤5-1-2：根据上一步得出的3个评价子层的得分，进一步得出各个辖区的综合得分，称每个消防大队管理的区域为一个辖区，称每个辖区的得分为一个辖区样本点：
[0066]
ce
fs
＝a
10
*l1 a
11
*l2 a
12
*l3[0067]
其中，ce
fs
表示辖区fs的综合评分，a10是部件评价子层的权重，a11是超额评价子层的权重，a
12
是安全评价子层的权重；
[0068]
步骤5-1-3：设定高斯分布的均值中心数为μ＝80，标准差σ＝20/3，称[μ-3σ，μ-2σ)、[μ-2σ，μ-σ)、[μ-σ，μ)、[μ，μ σ)、[μ σ，μ 2σ)、[μ 2σ，μ 3σ]分别为区间1、区间2、区间3、区间4、区间5和区间6；统计落入每个区间的辖区样本点数量ni，其中i为区间编号；
[0069]
步骤5-1-4：按如下公式，计算落入区间1至区间6内每个区间的期望辖区样本点数量：
[0070]ei
＝ratei*n
[0071]
上式中，i为区间编号，其可能的取值为1、2、3、4、5或6。ei为落入区间i的期望辖区样本点数量，n为辖区的总数量。ratei为落入区间i的期望辖区样本点数量占辖区的总数量n的比例，根据高斯分布的3σ原则，有rate1＝rate6＝2.140％，rate2＝rate5＝13.590％，rate3＝rate4＝34.135％；
[0072]
步骤5-1-5：计算区间1至区间6内，每个区间对应的ni与ei的差值的绝对值di；计算得到d1、d2、d3、d4、d5、d6的标准差为ud，称ud为待评价个体的分布不均衡度，并使用1/ud作为待评价个体的适应度值。
[0073]
本发明的有益效果：1、通过bp神经网络建立区域报警部件类型智能研判模型，算法效率高，节约了时间成本；利用bp神经网络有效结合了区域特征提出extend-bp网络模型，并且将部件类型特征替换为该部件的可靠性与故障率特征进行处理，以期提升其学习能力，避免使用单一部件类型特征带来的缺点，且面对复杂的内部机制，bp神经网络具有较强的非线性映射能力，相对于一般的神经网络模型来说，bp神经网络具有较强的泛化能力、容错能力和自学习与自适应的能力。
[0074]
2、通过部件管理水平分层评价指标、超额管理水平分层评价指标和安全管理水平分层评价指标，能快速地分析各消防大队的内在问题，提升各消防大队的综合管理水平；为了进行综合评价，将评价加权当做分层任务来处理，确定三个层间的权重分配，最后确定各层内权重的分析，以使各大队的评分结果尽可能趋向于所设定的高斯分布模型，从而进一步提升消防大队的综合管理能力。
[0075]
3、通过imode算法来求解评价优化问题，并使用分布不均衡度ud来评价算法表现，提高算法效率高、使得评价优化效果好，具有较高的鲁棒性，能高效地找到所需的解，从而为各消防大队的综合管理水平的评估提供了充分的技术指导。
附图说明
[0076]
图1为本发明的方法流程图。
[0077]
图2为实施例提供的bp神经网络示意图。
[0078]
图3为本发明实施例提供的分层评价指标体系图。
[0079]
图4为本发明实施例提供的imode分层进化算法的基本步骤流程图。
具体实施方式
[0080]
以下结合附图对本发明做进一步概况。
[0081]
如图1所示，基于imode分层进化算法的火警管理水平评估方法，该方法包括：
[0082]
s1：在评估开始前，根据消防管理机构提供的故障火灾报警器清单及历史报警数据集数据，计算各类型的火灾探测器的可靠性与故障率的值；其中，火灾探测器仅包括点型感烟探测器、点型感温探测器、线型光束感烟探测器、智能光电探头、手动报警按钮、复合探测器、光束感烟、点型点烟、气体探测器、火焰探测器、点型温烟、信号阀、压力开关、智能感温、智能光电探测器、消火栓，共计16种类型。
[0083]
计算各类型火灾探测器的故障率与可靠性的值包括以下步骤：
[0084]
步骤1-1：对得到的历史火灾报警数据集进行数据清洗，根据消防管理机构提供的故障火灾报警器清单，从历史报警数据集中剔除掉由故障火灾报警器发出的误报警信息，从而完成数据清洗操作步骤；
[0085]
步骤1-2：根据消防管理机构提供的故障火灾报警器清单，经统计得到各类型火灾探测器的故障率；
[0086]
步骤1-3：考虑不同火灾探测器间地理位置的关联系，如果有不止1个在同一建筑
物内的报警器同时报警，则认为发生了一次真实火灾，以此为依据计算历史火灾报警数据集中所囊括的真实火灾次数，从而得出历史火灾报警数据集中的所有真实报警信号清单；
[0087]
步骤1-4：根据得到的真实报警信号清单，利用标准弗里德曼检验方法，计算每个类型的全部火灾探测器在历史火灾报警数据集数据集上的ranking值；将所有类型火灾探测器的的ranking值归一化到[0,1]区间，每种类型火灾探测器所得到的归一化的结果即作为该类型火灾探测器的可靠性指标。
[0088]
s2：得到各类型火灾探测器的可靠性和故障率后，建立考虑区域特征的bp神经网络模型，在这一模型中，每个火灾报警器的报警信息被汇总为一个样本进行处理，所有样本被随机分为测试集和训练集，从而完成对所设计的bp神经网络模型的训练操作；采用均方误差mse用于评价所设计的模型的性能；本步骤中，根据以下子步骤建考虑区域特征的bp神经网络模型：
[0089]
步骤2-1：收集所需的样本数据，将每个火灾报警器作为一个样本进行处理，每个样本包括所属机构编码、所属机构管辖面积、可靠性、故障率、火警次数、所属项目编号、火灾概率，其中，同一辖区内的同一种火灾探测器共享相关的可靠性及故障率的值，火警次数为该火灾探测器发出报警信息的总次数，火灾概率为这一火灾探测器发出的真实火灾报警次数占其总报警次数的比例；
[0090]
步骤2-2：建立考虑区域特征的bp神经网络模型，在这一模型中，bp神经网络的结构包括7层，其中首层为输入层，中间包括5层全连接的隐含层，最后一层为输出层；输入层包含6个输入，分别为所属机构编码、机构管辖面积、火灾探测器可靠性、火灾探测器故障率、火警次数和所属项目编号；输出层包括1个输出，即火灾概率；
[0091]
步骤2-3：将样本随机分为训练集和测试集，其中训练集和测试集的占比分别为70％和30％；使用标准levenberg-marquardt方法进行训练，采用均方误差mse作为模型性能的评价指标；
[0092]
步骤2-4：使用训练集中的样本数据训练所构建的bp神经网络模型，最大迭代次数设为1000次；训练完成后，计算测试集在该模型上的均方误差mse的值以用于评价模型的性能。
[0093]
s3：将消防管理机构提供的存在数据缺失的火灾探测器数据汇总为缺损数据集，并执行补足操作，从而得到每个火灾探测器的所属机构编码、机构管辖面积、火灾探测器可靠性、火灾探测器故障率、火警次数、所属项目编号；补足操作按如下顺序执行：首先，对于缺损数据集中的每条报警数据，若所属机构数据数据栏目缺失，则删去该条数据；若火灾探测器可靠性或火灾探测器故障率数据栏目缺失，则使用与该条数据所属机构相同的相同类型火灾探测器的火灾探测器可靠性或火灾探测器故障率数据进行补足；若火警次数数据栏目缺失，则使用与该条数据所属机构相同的相同类型的全部火灾探测器的平均火警次数进行补足；若所属项目编号数据栏目缺失，则将项目编号置为0。随后，将补足后的缺损数据集中的每个火灾探测器的数据作为一个样本处理，使用已训练好的bp神经网络预测这些样本的输出值，即火灾概率的值。
[0094]
s4：为分析各消防大队的综合管理水平，设计分层指标体系；所述综合管理水平由三个评价层的得分加权得到，其中每个评价层的得分又由与之对应的三个子评价指标的得分加权得到，即：每个消防大队都具有9个与之对应的评价指标；其中，部件管理水平层包含
辖区期望不可靠性、辖区综合不可靠性、辖区综合故障率三个子评价指标，超额管理水平层包含辖区超额不可靠性、辖区超额故障率、辖区超额火灾频率三个子评价指标，安全管理水平层包含辖区误报警率、辖区真实火灾发生频率、辖区内故障设备数量三个子评价指标；
[0095]
步骤s4中，根据以下公式计算每个消防大队的9个评价指标：
[0096][0097]
上式中，eu
fs
表示辖区编号为fs的辖区期望不可靠性水平，p表示各类型火灾探测器所构成的集合，表示辖区fs下的类型为i的火灾探测器的数量，ri表示类型为i的火灾探测器的可靠性水平；该评价指标越小，则说明辖区fs下各火灾探测器的期望不可靠性水平越低；
[0098][0099]
上式中，cu
fs
表示辖区fs下的辖区综合不可靠性水平，p表示各类型火灾探测器所构成的集合，表示辖区fs下的类型为i的火灾探测器的故障数量；该评价指标越小，则说明辖区fs下各火灾探测器的综合不可靠性水平越低；
[0100][0101]
上式中，cf
fs
表示辖区fs下的辖区综综合故障率，p表示各类型火灾探测器所构成的集合，表示辖区fs下的类型为i的火灾探测器的数量，表示辖区fs下的类型为i的火灾探测器的故障数；该评价指标越小，则说明辖区fs下各火灾探测器的综合故障率越低；
[0102]
ou
fs
＝cu
fs-eu
fs
[0103]
上式中，ou
fs
表示辖区fs下的超额不可靠性水平，cu
fs
表示辖区fs下的辖区综合不可靠性水平，eu
fs
表示辖区fs下的辖区期望不可靠性水平；
[0104][0105]
上式中，of
fs
表示辖区fs下的辖区超额故障率，cf
fs
表示辖区fs下的辖区综综合故障率，p表示各类型火灾探测器所构成的集合，表示辖区fs下的类型为i的火灾探测器的数量，fi表示类型为i的火灾探测器的故障率；该评价指标越小，则说明辖区fs下的超额故障率越低；
[0106][0107]
上式中，off
fs
表示辖区fs下的辖区超额火灾频率，d表示数据记录的天数，fn
fs
表示辖区fs下d天内真实发生的火灾次数，a
fs
表示辖区fs下的管辖面积；该评价指标越小，则说明辖区fs下的超额火灾频率越低；
[0108][0109]
上式中，er
fs
表示辖区fs下的辖区误报警率，efn
fs
表示辖区fs内误报警次数，afn
fs
表示辖区fs内总报警次数；该评价指标越小，则说明辖区fs下的超额火灾频率越低；
[0110][0111]
上式中，ff
fs
表示辖区fs下的辖区真实火灾发生频率，d表示数据记录的天数，fn
fs
表示辖区fs下d天内真实发生的火灾次数；该评价指标越小，则说明辖区fs下真实火灾发生频率越低；辖区fs下所属的故障设备数量en
fs
直接通过统计得到，该指标可用于评价该辖区的安全管理水平。
[0112]
s5：为对管理水平进行综合评价，引入imode分层进化算法，所述imode分层进化算法用于每个评价层层内及评价层层间分别进行权重优化；对imode分层进化算法得到的最优个体执行解码操作，并为每个消防大队计算得到其管理水平得分；
[0113]
步骤s5中利用imode进化算法执行分层优化操作包括以下步骤：
[0114]
步骤5-1：确定控制参数后对种群进行初始化，在解空间中随机均匀产生大小为np的初始总体，个体的每个维度对应了一个评价指标的权重，每个解的取值范围在区间[0,1]之间，用评价函数计算出每个个体的适应度值；
[0115]
根据以下步骤计算解的适应度值：
[0116]
步骤5-1-1：对于待评价的全部辖区，首先根据3个评价子层各自对应的3个评价指标权重，分别计算出3个评价子层的得分：
[0117]
l1＝a1*eu
fs
a2*cu
fs
a3*cf
fs
[0118]
l2＝a4*ou
fs
a5*of
fs
a6*off
fs
[0119]
l3＝a7*er
fs
a8*ff
fs
a9*en
fs
[0120]
其中l1，l2，l3分别表示部件评价子层、超额评价子层、安全评价子层的得分，a1，a2，a3是部件评价子层中指标eu
fs
,cu
fs
,cf
fs
对应的权重，a4，a5，a6是超额评价子层中指标ou
fs
，of
fs
，off
fs
对应的权重，a7，a8，a9是安全评价子层中指标er
fs
，ff
fs
，en
fs
对应的权重；
[0121]
步骤5-1-2：根据上一步得出的3个评价子层的得分，进一步得出各个辖区的综合得分，称每个消防大队管理的区域为一个辖区，称每个辖区的得分为一个辖区样本点：
[0122]
ce
fs
＝a
10
*l1 a
11
*l2 a
12
*l3[0123]
其中，ce
fs
表示辖区fs的综合评分，a
10
是部件评价子层的权重，a
11
是超额评价子层的权重，a
12
是安全评价子层的权重；
[0124]
步骤5-1-3：设定高斯分布的均值中心数为μ＝80，标准差σ＝20/3，称[μ-3σ，μ-2σ)、[μ-2σ，μ-σ)、[μ-σ，μ)、[μ，μ σ)、[μ σ，μ 2σ)、[μ 2σ，μ 3σ]分别为区间1、区间2、区间3、区间4、区间5和区间6；统计落入每个区间的辖区样本点数量ni，其中i为区间编号；
[0125]
步骤5-1-4：按如下公式，计算落入区间1至区间6内每个区间的期望辖区样本点数量：
[0126]ei
＝ratei*n
[0127]
上式中，i为区间编号，其可能的取值为1、2、3、4、5或6。ei为落入区间i的期望辖区样本点数量，n为辖区的总数量。ratei为落入区间i的期望辖区样本点数量占辖区的总数量
n的比例，根据高斯分布的3σ原则，有rate1＝rate6＝2.140％，rate2＝rate5＝13.590％，rate3＝rate4＝34.135％；
[0128]
步骤5-1-5：计算区间1至区间6内，每个区间对应的ni与ei的差值的绝对值di；计算得到d1、d2、d3、d4、d5、d6的标准差为ud，称ud为待评价个体的分布不均衡度，并使用1/ud作为待评价个体的适应度值.
[0129]
步骤5-2：对于每一个解，使用deweighted-rand-to-φbest变异策略生成一个突变后的解，突变策略采用下述公式计算得到突变后的解：
[0130]vi,j
＝x
i,j
fi*(x
φ,j-x
i,j
x
r1,j-x
r2,j
)；
[0131]
其中j表示解的维度，fi表示缩放因子，r1≠r2≠i是随机整数，x
i,j
表示突变前的解，x
r1,j
,x
r2,j
是从整个种群中随机选择的两个不同个体，x
φ,j
选自总群体适应度最好的10％的个体，v
i,j
表示经过变异后的解；
[0132]
步骤5-3：突变策略执行完成之后，采用与步骤5-1相同的方法计算突变后的解v
i,j
的适应度值；将突变后的解v
i,j
和突变前的解x
i,j
进行随机进行二项式交叉以产生新的种群，所述二项式交叉采用如下公式实现：
[0133][0134]
其中，其中rand是一个[0,1]之间的随机数，j表示当前解的维度，j
rand
是一个[1,d]之间的随机整数，d代表解的总维度个数，cri是交叉概率；
[0135]
步骤5-4：用评价函数计算出v
i,j
和u
i,j
中每个个体的适应度值，为下一步的贪婪选择策略提供数据参考；
[0136]
步骤5-5：使用贪婪选择的策略，将新解u
i,j
和突变前的解x
i,j
进行比较，将最优个体送入下一次循环，然后使用线性机制动态地减小种群np：
[0137][0138]
其中，np
min
是算法可以成立的最小个体数，np
init
是种群初始化时的个体数，fes是当前评估函数值，max
fes
是预定义的评估函数的最大值，g表示当前迭代次数；
[0139]
步骤5-6：若当前的函数评价次数已经达到所设置的最大函数评价次数的50％，采用标准模拟退火算法对种群中的每个解进行一次优化，以实现搜索性能的进一步提升；
[0140]
步骤5-7：若当前的函数评价次数已经达到所设置的最大迭代次数，则退出迭代，否则重复步骤5-2、步骤5-3、步骤5-4、步骤5-5和步骤5-6；退出迭代时，还需返回优化后的各评价子层间的权重分布情况及各评价子层间的各评价指标的权重分布情况。
[0141]
s6：列出每个消防大队的管理水平得分，并列出每个消防大队在每个评价层的得分情况，并将得分情况反馈给各消防大队，以便于各消防大队对辖区内存在的问题作进一步处理。
[0142]
基于imode进化算法的火警管理水平评估系统，其特征在于：该系统包括终端设备，终端设备采用互联网终端设备，包括处理器和计算机可读存储介质；包括但不限于磁盘存储器、cd-rom、光学存储器；计算机可读存储介质，用于存储多条指令。
[0143]
结合实施例对本发明作进一步描述：
[0144]
在imode算法中，缩放因子为0.5，交叉概率为0.3，评估函数的最大值被设置为
500。此外，种群初始化时的个体数被设置为100，算法可以成立的最小个体数被设置为20；为了保证实验的公平性，所有算法的最大评价次数均被设置为500次；所有的仿真实验都是在安装有intel i7-7600u@2.80ghz的双核处理器的相同设备上进行的；仿真实验的运行环境还包括大小为16g的运行内存及型号为intel hd graphics 620的显卡；算法运行的软件平台为matlab 2020b，其中还包括版本为3.3的platemo组件。如图2所示，正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。通常一个多层神经网络由l层神经元组成，第一层称作输入层，最后一层称作输出层，中间层为隐藏层。其中输入层的向量为x＝(x1,x2,...,xi,...,xm)，第l层的隐藏向量为输出层向量为y＝(y1,y2,...,yk,...,yn)。设为第l-1层的第i个神经元与第l层的第j个神经元之间的连接权重，为第l层的第j个神经元的偏置向量。那么我们可以得到：
[0145][0146][0147]
其中为第l层的第j个神经元的输入，f为激活函数，也就是sigmod函数：
[0148][0149]
如图3所示，包含了部件管理水平分层评价指标、超额管理水平分层评价指标、安全管理水平分层评价指标三个分层评价指标体系，这三个评价指标共同构成决策层，从而实现对于结果的综合评价。为了有效评价各大队的管理水平，并尽可能差异化各大队的不同层面的能力水平，在部件管理水平分层评价指标体系中设计了辖区期望不可靠性、辖区综合不可靠性、辖区综合故障率这三个子评价指标，在超额管理水平分层评价指标体系中设计了辖区超额不可靠性、辖区超额故障率、辖区超额火灾频率这三个子评价指标，并在安全管理水平分层评价指标体系中设计了辖区误报警率、辖区真实火灾发生频率、辖区内故障设备数量这三个子评价指标。
[0150]
如图4所示，该算法被用于在个评价层层内及评价层层间分别进行权重优化，以使得个大队综合评估分数水平的分布情况尽可能与所设定的高斯分布情况相接近。
[0151]
进一步，为了分析imode与其他优化算法，如de、pso、shade、cso等的效果差异性，进行了不同对比算法的效果对比实验，结果如表1所示。
[0152]
表1 不同对比算法的效果对比实验结果
[0153][0154]
各对比算法所得到的分布不均衡度结果ud如上表所示：所有对比算法的初始种群规模均被设置为100，最大评价次数均被设置为5000；各对比算法的参数列表包括：de(cr＝0.9，f＝0.5)、imode(minn＝4，arate＝2.6)、pso(w＝0.4)、cso(phi＝0.1)。
[0155]
采用运行时间与ud的最优值对各算法进行评价，每个评价维度包含了均值mean、标准差std、中值median及中位数iqr的数据信息，以便于对结果进行进一步的分析。从表1中可以看出，de-sf、imode与shade-sf三种算法在分布不均衡度结果ud上不具有显著差异，说明其算法效果相近。在运行时间维度上，cso-sf的运行时间相对较短，但其对ud的优化能力较差。公开还以频数直方图的形式给出了最终种群中100个个体的ud分布情况；可以看出，尽管较多个体的ud值聚集在5.7附近，但并未导致种群出现显著的停滞效应，算法进化曲线显示，算法具有较好的进化水平，并能保持较好的探索能力，直至约第4000次评价时达到最优值。综合来看，imode的平均运行时间最短，且算法效果最优，说明其在火灾报警评价优化问题上具有较佳的优化能力。
[0156]
工作原理：基于imode分层进化算法的火警管理水平评估方法及系统，利用统计学方法计算真实火灾次数，friedman test和holm post-hoc方法被用于区分不同类型火灾探测器的差异性；在bp神经网络中引入所属辖区信息，以实现对探测器火灾误报信号鉴别水平的进一步提升；为imode分层进化算法设计了分层指标体系；通过分层权重优化以实现各大队管理水平的差异化评估。实施例中数据显示：本方法能较好地预测各类型火灾探测器在不同区域下为真实火灾的概率，并能根据三个子评价层内的九个评价指标，有效地区分各消防大队的综合管理水平。
[0157]
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。