火灾等级评价与快速救援措施优化

王磊

摘   要：“水火无情”，一定规模的火灾可能造成很大的经济损失，对于火灾等级的分析，科学合理的火灾救援策略的部署十分关键。基于此，进行火灾等级的评价并制定相应的救援措施。从模糊综合评价方向出发，设定评判矩阵、模糊子集求解综合评判矩阵，以4个因素的所处范围为依据得到各个火灾的预期危害等级。结合所给经纬度数据将经度、纬度以及问题一求出的危害等级3个纬度的数据输入自组织特征映射网中进行分类，经过多次迭代处理，得到确定的放火位置。

关键词：火灾等级评价;模糊综合评价法;隶属函数;自组织特征映射网

1    问题阐述

问题1：请你对附件2中的2 033个火灾预期危害等级进行评价，并筛选出10大火灾编号。

问题2：结合问题1中所确定的火灾等级及火灾位置，请筛选出重点的放火位置。

2    模型建立与求解

2.1  问题一的求解

2.1.1  模糊综合评判模型建立

火灾的发生受到诸多因素影响，在进行评价的过程中必须同时考虑各种因素，而在很多问题上，人们对事物的评价常常带有模糊性，因此，应用模糊数学的方法进行综合评判将会取得更好的实际效果。

首先建立评判对象的因素集U={u1，u2，…，un}，其中的因素即为本题附件所给的初始火灾面积、风力大小、预期蔓延速度、救援难度系数，这些影响因素对于火灾等级具有重要的影响作用[1]。

设定评判集V={V1，V2，…，Vm}，在此将火灾划分为5个等级，其中5表示火灾最严重，1表示最轻微（见表1）。

建立单因素评判将U到V的模糊映射表示为：

2.1.2  模型的求解

将评判等级和评判因素确定以后，为了方便处理，将蔓延速度按照“缓慢”、“慢”、“适中”、“快”、“特快”依次映射为0.2、0.4、0.6、0.8、1.0。之后即可确定单因素评判的映射关系，按照数据平均分布的原则设定等级划分标准如表1所示。

根据各因素所占的频率，依照公式（2）计算出单因素评判矩阵R如表2所示。

确定权重大小为A=[μ1（u1）， μ2（u2）， μ3（u3）， μ4（u4）， μ5（u5）]，根据B=A。R即可求出不同火灾所对应的各个评判元素的数值，选择最大的一项数值所对应的当列所属火灾危险等级。

据此划分出第5种危险等级内的火灾编号，共有239个，再以救援难度系数、预期蔓延速度作为筛选标准，筛选出编号为108、132、372、553、620、854、945、1 371、1 409、2 001的火灾为最大的10场火灾[2]。

2.2  问题二的求解

2.2.1  防火位置规划模型建立

将附件中2 033个火灾发生地点的经纬度坐标输入Matlab中，如图1所示。

考虑到样本数据的实际情况，为了保证自组织特征映射网（Self-Organizing Feature Map，SOFM）的训练效率，同时充分照顾到各个可能会发生火灾的地区，提高算法的可实施性，在此，将这2 033个火灾发生地点分成6大块，每块对应设置一个重点的放火位置（神经元）。

2.2.2  SOFM网络的工作原理

SOFM网络是一种基于Hebb学习规则进行网络训练，具有自组织功能的神经网络。它可把任意维的输入信号变换到一维或二维的离散网格上，并保持一定的拓扑有序性。SOFM网络具有特征抽取作用，通过自身训练可以自动对输入模式进行聚类，用聚类中心（各输出节点的权向量）代表原输入。

SOFM的基本思想是网络输出层各神经元竞争对输入模式的响应机会，最后仅一个神经元成为竞争的胜者，并对那些与获胜神经元相邻的指定邻域内的各神经元的所有连接权朝着更有利于它们竞争获胜的方向调整。

算法的基本操作步骤如下：

步骤1：对图像数据作归一化处理，将各点像素值归一化到区间[0，1]内，由此得到图像X=（X1，X2，…，Xi），其中Xi为图像一点的归一化后的模式。

步骤2：初始化网络连接权值Wj，其中1≤j≤M为竞争层神经元向量元素的个数。

步骤3：选择获胜单元c：

步骤4：进行连接权调整：

∆Wj=η（t）NBc（t）（xi-wj）

其中，η（t）为学习率，NBc（t）为邻域函数，且：

j∈NBc（t）， 0<η（t）<1

步骤5：按照以上步骤，反复训练每一个输入的模式值Xi，直至完成规定的训练次数。经过学习后，再次将Xi输入网络，其输出结果即为分类结果。

2.2.3  防火位置的求解

基于以上分析，将经度、纬度、量化后的火灾等级3个纬度的数据输入SOFM网络中，设置网络结构为6×1，训练次数为300次，最终得到图2。

可见，SOFM最终为每个重点的放火区域依次分配了221、570、72、309、476、385个火灾，各神经元最终所处坐标即为筛选出的重点的放火位置。

为了更加直观地看出算法的分类结果，借助Matlab二维绘图工具，将各个不同的防火区域用不同的颜色予以区分[3]，同时标示出各个重点防火位置，6个重点防火位置坐标依次为：（125.190 9， 45.277 0）;（115.416 3， 37.757 4）;（84.987 8， 41.963 5）;（106.178 1， 34.553 0）;（116.951 3， 29.547 3）;（104.858 7， 27.216 5）。

3    模型评价与推广

采用了模糊綜合分析模型，此类模型不仅可对评价对象按综合分值的大小进行评价和排序，而且还可根据模糊评价集上的值按最大隶属度原则或接近原则去评定对象所属的等级。关于SOFM神经网络模型，其网络收敛速度快，并且自适应的特点保证了可以成功地应用于解决组合优化问题。

[参考文献]

[1]王   晨.火灾等级标准问题的数量化研究[J].武警学院学报，2010，26（12）：5-7.

[2]田国华，杨   松.我国31个地区森林火灾时空分布特征[J].森林防火，2013（2）：10-14.

[3]孙军田，张   喆.基于神经网络数据挖掘技术确定灾害等级的灭火救援出动力量模型研究[C]//南京：2016中国消防协会科学技术年会，2016.