风险概率预测模型在近海工程中的应用研究

Ｅ ｍ ，Ｐ ］ Ｐ ｏ ，则 Ｐ 和 Ｐ 。 由降半 ｒ分布 函数确定 。
（ ３ １）
１ ）当群体 中出现 个别适值 相 当高 的个 体时 ，经 过 繁
殖操 作 ，该个体在 下一 代 中数 量大 大增 加 ，经 过几 代进 化后 ，个体之间趋于一致 ，但距离最优点 可能相距很远 。 其
最差个体 交换概率 为 Ｐ 变 异概 率为 Ｐ ，若 群体 的平 均适值 为 厂，最优个 体 的适值 为 ，对 于适值 为 厂的
个体 ，交 换 概 率 为 Ｐ Ｅ［ ｄ＇Ｐ 户 】 ］，变 异 概 率 Ｐ Ｅ
简单遗传算法 中 的繁殖算 子 是 以适值 函数 值 为基 础
的 比例选择 ，个 体被 选择 的次 数 与其适 值 成正 比。这 种 比例选择机制存在两个 问题 ：
０ ∑ 一１ ， 。
ｚ 一 卜
一
／ （ ） ～Ｚ 一
（ ５ ）
主观法采用层次分析法 。决策者首先用 ０ １ ． ．～Ｏ９互补 标度对屙ｆ进行两两 比较 ，得到判断矩阵 。目前 ，有关互补 生 判断矩阵的排序理论与方法已有较深入 的研究 ，我 们不 妨 利用文献 提出的一种简洁的互补判 断矩 阵排序方法 ，即
‰ ｝之后 ，由组合赋 权法 的公 式计算 各影 响要 素 的权 重
。公 式 如 下 ：
（ １ １） 一ａ ＋ （ 一口 城 １ ）
若： 态 ≥． 则３ ０于 ＜ｌｘ— 状 值 ｏ ， Ｌ ， 是【 ＋２ １ ５ ＇ ３ — ｚ
均 一ｏ
（） ６
式 中
一 一第 ｉ 个指标 的客观权 数 ；
了既保持种群 的 多样性 ，又不 使收 敛速 度过 慢 ，本 文综 合采用两种方 式 ：在进 化 的初 始 阶段 ，采 用上 述新 的繁 殖操作来保持 个体 的多 样性 ，在进 化 的后期 ，仍采 用 比
水利水 电施 工 ２ １ ・ ２期 总第 １５期 ０ 第 １ ２
式中 Ｗ — 权 重 ，∑ 。 —
得到 ， 于 Ｇ 的 属性 值 ，从 而 构 成 决 策 矩 阵 Ａ一 关
（ ）× 。令 Ｍ 一 （ ，２ ｎ １ ，… ，ｍ ） ，Ｎ 一 ｛ ，２ … ，ｎ） １ ， 。
保证计算的精度 。
２ ３ ４ 神 经 网 络 权 值 的 确 定 ．．
｝ 为 属 性 的 权 重 向 量 ，其 中 Ｗｉ＞ ０ ，
＞： ｉ 。 Ｗ 一１ 对于方案 Ｊ Ｅ 按第 ｉ Ｔ Ｘ， ． ｊ 个属性 Ｇ 进行测度，
神经 网络 的最佳 权值 分 布通 过样 本学 习得 到 。样 本
Βιβλιοθήκη Baidu
将隶属度作为神经网络的输入，以求得风险模糊概率。 下 面叙述一下本文所提出的影响要素赋 权方法 。关于 赋权主要有主观法和客观 法两大类 。其 中 ，主观法是 由决 策分析者对 各 属性 的主 观重 视 程度 而赋 权 的方 法 ，主要 有 ：专家调查法 、环 比评分法 、层 次分析法 等 ；客观法是 指单纯利用属性的客观信息 而确定权重 的方法 ，主要有熵 信 息法 、离差最大化方法 、基 于方案满 意度法 、基于方 案 贴 近度法等 。主观法所确定的属性 权重体现 了决策者 的意 向，决策或评价结果具有较 大的主 观随意性 ；而客观法 所 确定的属性权重虽然具有较强 的数 学理论依据 ，但没有 考 虑到决策者 的主观意 向，两类方法 均有一定 的局 限性 。为 了兼顾 到对属性 的偏好 ，同时又力 争减少主观 随意性 ，使
（ １ ２ ）
有 自适应机制 的 Ｐ和 Ｐ ，若个体 的适值较高 ，则采用 较 小的 Ｐ 和 Ｐ ，以保护优秀个体 ；若 个体 的适 值较低 ，则
采用较大的 Ｐ 和 Ｐ 来促进新个体 的产生 。 设群体 中最优 个体交换概率为 Ｐ 变异概 率为 ，
误差 函数 描述 了当前权 值分 布下 的 网络 的模 拟精 度 ，误 差越小 ，模拟 的精度就越 高 。 ２ ３ ５ 改进的遗传算法 ．． （ ）繁殖算子的改进 。 １
学习的一般过 程是 ：首先 初始 化 神经 网络 的权 值 ，该初
・
１４ ・ ０
企业经营与项 目管理
输出层
异算子 ，每次变 异时改变权值总数 的 １ ～２ 。 Ｏ Ｏ （ ）交换概率 Ｐ 和变异概率 Ｐ 的改进 。 ４ 遗传算法 主要通过 交换 和变 异算 子来 模 拟生 物 的进 化机制 ，产生新 的个 体 。其 中的交换 概率 Ｐ 和变 异概 率 Ｐ 是两个重要的控 制参 数 ，它们 直接 决定 了个体 的更 新 能力和算法在解 空间 的搜索 能力 ，Ｐ 和 Ｐ 较 大 ，可 以使
一
●
一
ｋ ， ＿ ］ （ ～ 厂）
ｌＰ １ ｌｐ ｏ ｎ ｍ － ｎ ￣ （ ５ １）
‰
● 一
ｐ
既 ｐ
＿ ～￣ ， ，
，
尼 一 一
一／ ’
Ｓ ｅ２ 将各个体适 值排 序 ，适值 高 的个体 表 示相 对 ｔｐ ： 较优 ，适值低 的表示个体相对较差 。 Ｓ ｅ３ 用最优 的 Ｎ个个体代替 Ｎ 个最差的个体 。 ｔｐ ：
２ ３ ２ 神经 网络拓 扑结构 的选择 ．． 结合本研究 的特 点 ，神 经 网络 的拓扑 结构 采 用三 层
对属性的赋权达 到主观与客观 的统 一 ，本文提 出组合 赋权 的方法 ，该法把 主观和客观两类权 重信息相结 合 ，既能充
分利用客观信息 ，又尽可能地满 足决策者 的主观愿望 ，且
的能力增强 。但 Ｐ和 过大 ，将使 高性能个体 被迅速破 坏 ，造成算法 的性能不稳 定 。而 Ｐ 和 Ｐ 较小 ，则交换 和 变异根本不起 作用 ，进化 过程 容 易停 止。为 了既 能保 证 算法的稳定性 ，又能 加快 进化 的速 度 ，本 文提 出采 用具
吉 Ｄ ∑（ Ｊ ～）
一
∑ｂ４罟一 － １
一 一
（ ０ １ ）
则得属性权重 向量为 “ ｛ ： 一 “ ， ，…，‰ 。
在 得 出 一 ｛ Ｉ ，… ， ， 叫一 ＜ ，叫２ ，… ， ） 和 “ ｛ ，Ｕ ， … ， 一 Ｉ ２
ｆ． ×∞＋Ｏ５ ２ ９ ０ ． Ｘｘ 一状态值
（） ４
（ 令Ｐ ：ｒ／ ｒ，Ｅ Ｅ 。属性Ｇ的信 ） ， ｏ ∑ ｉ ｉＭ， Ｎ × ｊ ｉ
息 熵 为
Ｅ 一 一 （ｎ Ｉｎ） （ ｌ ） ｎ （） ８
上式适用于 相 对 目标 而 言 越大 越好 的 指标 集 ，否
则 ，取 相 反 值 。
当 Ｐ 一０时 ，规 定 Ｐ ｌｐ 一 Ｏ ｎ ，则
隐 层
输入层
图 １ 拓 扑 结 构 图
始权 值是 在一 定 范 围 内随 机取 定 的 。在 此 权 值分 布 下 ， 计算 样本的输 出值 ，进而 得到 样本 输 出值 ｔ与 网络 的期
望输 出值 ０之 间 的 误 差 ，误 差 函数 表 示 为
ｅ 一
群体 中个体 的更新 速度加 快 ，算 法在 解空 间探 索新 区域
— —
ｒ． Ｘｘ ０５ ｚ ０１ ａ－．Ｘｘ ＝状 态值 ４ 若 ： 态值 ＜ｏ５ 状 ． ，则 西 ＝０ ，于 是＜ ｚ １ ｚ ＋ｚ ：
第 ｉ 个指标 的主观权数 ；
主客 权 数 的 比例 。
—
—
Ｌ— ｘｏ ｌ
（） ７
２ ３ 神 经 网络 响应 面的训 练 ．
２ ３ １ 响应 面 的 基 本 理 论 ．．
结构的网络形式 ，其 中输入层 为 个单元 ，隐层 为 ２ ＋１
个 单元 ，输 出层单元数 １ ，结构形式 如图 １ 示 。 所
其 中输 入 层 个 单 元表 示 问题 涉 及 个 影 响 因素 ，
输出层为风险事件 的风 险模 糊概率 。 ２ ３ ３ 神 经元映射函数的选择 ．． 本文采用实 践效 果较 好 的调 和 函数为 映射 函数 ，可
传统的样 小圳练方法 中，一 般采用 单样本 训练模 式 ，
单样 本训练对每 一个样 本点 来 说 ，都 可以 达到理 想 的精
度 ，每一 次训 练结 束后 ，得 到 的权 值 的确使 该样 本误 差
最小 ，但 在进行下 一个 样本 点训 练结 束后 ，得 到 的权 值 却不 一定 能使 上 一个样 本点 满 足误差 最小 条件 。为 了更 好地提高样本～ ～ ～ ～ 训练 精度 ，本 文采 用 了批样 本训 练 和单 样
ＤＪ 为状 态调查值 与平 均 值 的距 离值 ，由此数值 可判 断 出每一组 调查 值偏 离平 均值 的程 度 ，剔 除 一组 或 几组 偏离实 际情 况较 远 的数据 ，然后 综合 平 均得 到最 终 的影 响要素状态 值 。
２ ２ 隶属 度 的 求解 ．
运用 ２ １ ． 中的方法求得各影响要素状态值 ，由组合赋权 方法可计算得到各影响要素的权重值 ，进而加权综合求 出上 级风险因素总的状态值。通过如下转化 ，得到其隶属度 。
与 比例选择 机制 相 比 ，这种 繁殖 操作 的最 大 优点 在 于保持 了种群 个体 的多样性 ，即使有 少 数适值 极 高 的个 体 出现 ，在下一 代 中也仅 能 复制一 个 ，从 而避 免 了整 个 种群 的过早收敛 。当然 ，这样 会使 进 化 的速 度 减慢 。为
２ ３ ６ 样 本 的 训 练 ．．
理 ，将其之 间的函数关系采用可计算 的方式来表 达 。 本 文采用神经 网络响 应面 拟合 真 实 的状态 函数 进 行
风险模糊 概率 的计算 。只要 选择 出适 当的 网络结 构 ，并
且确定 了网络的最优权值 ，便 能方便地 构筑 出可 以精确 、
快速 、稳 定地拟合任何复杂 函数 的神经网络响应面 。
（ ）确定指标最优 值和最劣值 ，分别构 成最优值 向量 ４
Ａ 和 最 劣 值 向 量 Ａ～。
客观法 采 用 熵 信 息 法 。对 规 范 化 的 决 策 矩 阵 Ｒ：
Ｊ Ｊ
Ａ 一 （ …， ｝ ｛ｍ ｘ Ｉ ， ｒｎ ｆ ∈ｆ） ｕ ， 一 （ ａ ％ ∈， （ ｉ ｝ ） ａ ｙ ｉ Ａ 一 ｛ ， ） ｛ｍｎ ∈ｊ ， ｍ ｘ ｌ ∈ ｝ …， ： （ ｉ ｆ ｖ ｉ （ ａｖ ） ） ｉ
具有思路清晰 、简洁 实用 、易于在 计算 机上 实现 等特 点 。 该方法是主观法＋Ａ ＨＰ法与客观法 ＋熵信息法的融合。
设 Ｘ一 ｛ ｚ ，ｚ ，… ， 为 多属性决 策 问题 的方 案 ｚ ｝
集 合 ，Ｇ 一 ｛ ，Ｇ ，… ， Ｇ】 ２
Ｗ２ ，… ，
） 属 性 集 ，Ｙ 为 ， ｛ ， Ｕ一
（ ）用 多组调 查 值 的平 均值 向量 Ｚ代 替 最优 值 向量 ５ Ａ 和最劣值 向量 Ａ一，计算 各影 响要 素 的状 态调查 值 与 平 均值 的距离
… 一
＂ 一 （ 一 Ｅ） Ｕ ｉ １ ／＞：１ Ｅ ） （一 ｋ
ｕ ｛ ２ ： 口 ，Ｖ ，…，
（） ９
） ，即为 属性权重 向量 ，其 中 ＞
中
ｋ （ 一ｆ） ， ］
（ ４ １）
２ ）当群体 中的个体 适值彼 此非 常接近 时 ，繁殖 操作
将趋 于纯粹的随机选择 ，使进化过程停滞 。 为解决这一 问 题 ，本文 采用 一 种新 的繁 殖操 作 ，其 基本 算法如下 ： Ｓｅｌ 计算群体 内各个体 的适值 。 ｔｐ ：
工程项 目风 险分析 涉及的影 响 因素众多 ，关系复 杂 。 这些影响 因素 与风 险模 糊概率之 间是一个 高度非 线性 的 、
难 以用数学 函数 表达 的复 杂 函数关 系 。因此 ，传 统 的一 些依赖于状 态 函数 的风 险模 糊 概 率计 算 方 法无 法 使 用 。 因而要准确地 计算 出模 糊概 率 ，必 须对 其 进行 必要 的处