基于粒子群變權的公安智能化發展水平評價方法＊

王昊鵬 王鵬 周業勤 王慧

1.山東警察學院 山東省網絡空間安全大數據發展創新實驗室 2.山東省濱州市公安局 3.山東省濟南市公安局歷下區分局

引言

黨的十八屆三中全會首次提出“推進國家治理體系和治理能力現代化”[1]，在數字時代，基于數據的智慧治理上升為國家戰略，各級政府和各行各業都開展了數據智能化建設和應用。2019年5月7日，習近平總書記在全國公安工作會議上指出“要把大數據作為推動公安工作創新發展的大引擎、培育戰斗力生成新的增長點”。各級各地公安機關圍繞智慧公安建設，在頂層設計、資金投入、資源整合、信息共享、業務協同等方面做了大量工作，取得了一定的成績[2～5]。然而各地公安智能化建設發展水平參差不齊，為提高智能化建設的針對性和有效性，對公安智能化發展水平進行評估成為亟待解決的問題。

目前對公安智能化發展水平評價的研究取得了一定的成果，2017年公安部發布了《公安基礎信息化建設評價指南》[6]，構建了包含6項一級指標、21項二級指標和51項評價要素的指標體系，并為每個一、二級指標分配了固定的權重。吳新娣[7]以內蒙古公安智能化建設為對象，設計了包含8個一級指標、21個二級指標和75個三級指標的指標體系，利用熵權法為各指客觀的標賦予了權重。與公安部制定的指標體系相比，該指標體系增加了服務民生和新媒體建設管理兩個一級指標，豐富了對智能化建設領域的評價。張苗苗[8,9]設計了包含3個一級指標、7個二級指標和21個三級指標的指標體系，使用專家主觀賦值的方法為每一個指標賦予了權重。與公安部和吳新娣團隊的指標體系不同的是，該指標體系只針對公安信息化應用水平進行評價，因此不包含基礎建設、數據匯聚、組織管理等方面的內容。這些研究大多注重指標體系的構建，對各指標的賦權基本采用比較簡單的主觀或客觀賦權方法，這些方法評價結果主觀性較大、適用性有限[10]。針對這些問題，本文設計了一種基于粒子群變權（Variable Weight Group Evaluation-Particle Swarm Optimization Algorithm）的評價算法，以所有評價者對所有評價指標的權重為種群，以評價結果的時空相似性為判斷依據，自適應調整評價者權重，兼顧主觀和客觀賦權優點的同時，也避免了單獨使用一種賦權方法的缺陷，提高了評價結果的準確性和穩定性。

一、公安智能化發展水平評價指標體系構建

公安部《公安基礎信息化建設評價指南》是目前正在使用的標準。該指南評價對象是公安的信息化建設而不是智能化建設，雖然智能化起源于信息化，但智能化建設比信息化建設層次更深、范圍更廣，更注重應用的成效，因此不能直接將信息化建設評價套用在智能化建設評價中。在堅持系統性、導向性、針對性、動態性和可操作性的基礎上，結合現有公安信息化建設應用水平評價指標體系，構建公安智能化發展水平評價指標體系。

該指標體系包含基礎建設、數據資源、安全防護、組織管理、應用成效和科技創新等6項一級指標、基礎網絡建設等41項二級指標和146項評價要素（受篇幅限制不再羅列）。指標體系中既有定量指標，也有定性指標。在為指標賦值時，對定量指標，直接根據指標的實際值賦值；對定性指標采取間接賦值法[11]賦值，即先列出定性指標所有可能的取值集合，采用某種標準對“定性變量取值集合”中的元素進行賦值。本文對所有定性指標進行五等級賦值。為方便后續的評價，還應對指標進行歸一化處理，即將所有指標的取值歸一化到[0，1]內。

二、基于粒子群變權的評價模型

（一）評價者權重設置方法

綜合評價的結果取決于被評價對象的認識。為了使評價結果更客觀公正，往往以多個評價者的共同評價結論作為最終評價結果。為避免評價者之間互相干擾，每個評價者都獨立評價并形成各自的評價意見，將所有評價者的評價意見通過某種規則加權匯總為最終評價結果。該結果是否客觀公正取決于多個評價者的權重分配是否合理[12]。

綜合評價的本質是評價者與評價對象之間隨時空變化的互相交互、互相認知的過程。從評價值取得的時間上來看，一方面評價對象會隨著時間的推移不斷變化發展，評價者對評價對象的認識也會隨著時間和評價對象的發展產生變化，而且這種變化往往滯后于評價對象的變化，用固定的評價者權重衡量發展變化的評價對象必然會影響評價結果的準確性；另一方面同一評價者對多個評價對象評價時，在時間上必然有一個先后順序，評價尺度受評價者自身認知、心理狀態和外界干擾的變化影響很難保持完全一致，固定的評價者權重會影響評價結果的一致性。從評價對象的評價值空間上來看，不同評價者對同一評價對象的評價結果應該是相似的，如果某一個評價者的評價結果與評價者群體評價結果差異過大，說明該評價者的評價結果不夠客觀，應適當減小其評價權重。當然，很多情況下評價指標體系覆蓋多知識領域，例如公安智能化發展水平評價指標體系涵蓋了公安學、管理學、計算機技術、通信技術、安全技術等多學科知識，很難找到一個具備所有學科知識的評價者，這時就不能以整個指標體系評價結果的相似性作為調整評價者權重的依據，而是將評價者權重以各級指標為單位進行拆分，然后根據各級指標評價結果的相似性作為調整評價者各級指標權重的依據。

（二）基于粒子群算法的評價者權重群

根據上述分析，可對評價者、評價對象、評價權重、評價值做如下定義：假設m位評價者組成評價者群組G={gi}，i=1,2,…,m；n個待評價對象組成評價對象群組O={oi}，j=1,2,…,n，其中第j個評價對象表示其在整個評價對象群組中是第j個被評價的；評價指標體系包含L級，每一級K個評價指標，則W(gi,l,k)表示為第i個評價者對評價指標體系中第l級第k個指標的評價權重；Y(gi,oj,l,k)表示為第i個評價者對第j個評價對象的第l級第k個指標的評價值。

本文將評價者對評價對象的所有層次化評價指標權重作為一個粒子群，評價開始前為每一個層次內的所有指標賦予平均權重，然后以評價者對所有評價對象的評價值的時空特征為依據，更新評價者權重，如此迭代，直至得到最優評價值或達到最大迭代次數。

（三）基于評價值時空特征的評價者權重調節

根據前文分析，評價者打分時受主客觀影響，評價值表現出一定的時空特征。本文以這些時空特征為依據調整評價者權重。

以評價者對所有評價對象的評價順序作為時間軸，同一個評價者對所有評價對象的同一個指標的評價尺度（或打分標準）應該是穩定的，不同評價對象的同一個評價指標如果完成情況相同或相似，其評價值也應該是相同或相似的，不能受評價順序的影響，評價值越評越高或越評越低或忽高忽低。如果評價者對某一評價指標的評價值體現出了評價尺度前后不一的情況，應適當減小其在該指標上的評價權重。評價值時間特征可用指標完成情況與其評價值之間的歐式距離Qzy表示：

公式（1）中，Z(oj,l,k)為第j個評價對象第l級第k個指標的完成情況，為方便計算，Z(oj,l,k)和Y(gi,oj,l,k)都要事先歸一化處理。

以所有評價對象作為空間軸，所有評價者對同一個評價對象的評價值應該是相同或者相似的，在實際評價中，評價者受自身知識結構、偏好等主客觀因素影響，無法做到相同或相似。為了減小這種影響，很多研究基于單一評價者與整個評價者群體的“評價結果相似性”調整評價者權重，而對“評價結果相似性”的定義有的用平均值、有的用方差等。這些方法確實取得了較好的效果，但其只從評價結果這個表面現象上消除了不一致，沒有從評價者自身知識結構、偏好上消除產生不一致的根源。同時，由于將評價者的權重作為一個整體，調整權重時還犧牲了一部分客觀性。

為此本文將評價者權重按照評價指標體系，在空間上進行層次化打散。對評價對象的總體評價目標、一級指標、二級指標分別設置評價者權值，依據其所對應的總體評價目標、一級指標、二級指標評價結果的相似性分別調整。

對評價者群組G={gi} 中的任意評價者gi對 第l級指標評價值可表示為：

任意兩個評價者ge和gh對第l級指標評價值的余弦相似度表示為：

則評價值空間特征可用評價者群組G={gi}的評價相似性表示：

綜合公式（1）和（4），粒子群的目標函數可表示為：

（四）基于可變滑動窗口的陷入局部最優判斷

粒子群算法在處理多峰復雜問題時容易將局部小峰值誤認為全局最優峰值而停止迭代，為避免陷入局部最優，本文設計一種基于可變滑動窗口的陷入局部最優判斷方法。粒子群算法初始迭代前設置一個窗口尺寸為1、起始位置也為1的滑動窗口，經過一次迭代后，計算相鄰兩代的評價意見的相似性，若相似性較小則滑動窗口起始位置更新為當前代，同時窗口尺寸減為1；若相似性較大則首先判斷滑動窗口尺寸，若小于3則滑動窗口位置不變，尺寸加1，若大于等于3則認為陷入局部最優，同時將滑動窗口起始位置更新為當前代，并將尺寸減為1。具體流程如圖1所示。

混沌算法具有在其取值范圍內不重復遍歷的特征，因此常被用于跳出局部最優。本文使用混沌算法跳出局部最優，當判斷算法陷入局部最優后，在下次迭代時使用混沌算法的Logistic映射重新構造粒子種群。

（五）基于評價者權重波動的慣性系數更新

粒子群算法中的慣性系數ω用于表示粒子維持自身速度不變的趨勢，一般設定在0.4～0.9之間，既可以是固定值，也可以是變化值，ω越大代表全局搜索能力越強，ω越小代表局部搜索能力越強。在算法初始階段為了快速找到最優解的大體位置，可以設置較大的ω值，在算法迭代后期，為了進行精確的局部搜索，可以設置較小的ω值。

對群組評價，由于評價初始階段各評價者評價意見差異較大，為得到一致性較高的評價意見，評價者權重會產生較大變化，隨著迭代次數的增加，評價意見趨于一致，評價者權重的調整幅度也會減小。這個規律正好符合慣性系數ω變化規律，因此，可用評價者權重波動表示慣性系數。假設當前迭代次數為t+1，則所有評價者對各級指標總的權重波動可表示為：

根據公式（6）可知權重波動范圍區間是[0,1]，將其映射到慣性系數ω的[0.4,0.9]取值范圍，則慣性系數可表示為：

（六）改進算法描述

綜合第二章（一）～（四）部分內容，可將本文提出的基于粒子群變權評價算法（VPSO）步驟描述如下：

1.初始化

對粒子群算法進行初始化，評價者初始權重賦平均值，設置算法最大進化代數M，慣性系數ω，加速系數c1和c2。

2.更新

使用公式（6）計算權重波動，使用公式（7）計算權重系數。

3.評價

使用公式（5）對評價結果相似性進行評價，記錄粒子的歷史最優位置和種群的歷史最優位置。使用滑動可變窗口算法判斷是否陷入局部最優。若陷入局部最優則繼續執行本步驟，否則轉到下一步驟。

4.跳出局部最優

使用混沌算法，重新構造種群并轉到第2步驟。

5.結束

判斷是否達到最大進化代數或滿足結束條件，若滿足則算法結束，否則轉到第2個步驟。

三、算法驗證

（一）實驗數據

自2021年9月開始，對我國東部沿海A省的15個地級市進行了歷時9個月的調研及數據采集。以該數據為依據，邀請公安智能化系統設計人員、公安機關信通部門管理人員、公安機關各類智能化系統使用人員和高校及科研院所公安智能化應用研究人員等四類共20人進行評價，使用評價結果對本文設計的算法進行驗證。

（二）實例驗證

為驗證本文提出的算法，分別使用標準AHP法（文獻8使用的方法）、標準熵權法（Entropy Method，文獻7使用的方法）、標準粒子群算法（PSO）和本文提出的算法（VPSO）對本文設計的指標體系和第三章（一）部分中的數據進行指標賦權及評價打分，41個二級指標，每個二級指標滿分10分。

使用標準AHP法時，首先請20位評價者分別根據指標體系對各一級、二級指標賦權并根據第三章（一）部分的數據對各指標打分，然后對20位評價者的賦權進行算數平均，用平均權值分別與20位評價者的評價值計算各評價對象總評價值，最后計算20個總評價值的算數平均值，作為最終評價結果。

使用標準熵權法時，首先根據本文的指標體系和第三章（一）部分的數據，用熵權計算公式計算各一級、二級指標權重，然后用熵權權重分別與20位評價者的評價值計算各評價對象總評價值，最后計算20個總評價值的算數平均值，作為最終評價結果。

使用粒子群算法時，算法各參數設置如下：將每一位評價者對指標體系中每一個一級、二級指標的評價權重視為一個粒子，最大進化代數T=200，使用公式（5）作為目標函數，r1和r2設 為[0,1]之間的隨機數，加速系數c1和c2用于平衡粒子自身最優和種群整體最優，表示形式為：

式中，cmax和cmin分 別取2.0和0.5，t和tmax為當前迭代次數和最大迭代次數。

標準粒子群算法種群規模N=20，使用固定慣性系數，不判定是否陷入局部最優；本文算法種群規模N=980，使用公式（7）確定的可變慣性系數，使用可變滑動窗口思想判定是否陷入局部最優并使用混沌算法跳出局部最優。

各算法計算結果與標準結果（該標準結果為2021年A省15個地市公安智能化發展水平評價官方公布結果）對比如圖2、表1所示。

使用得分相似度和排名相似度來衡量各算法評價結果的準確性，可分別表示為：

式中，Simscore和 Simrank分別表示得分相似度和排名相似度，分別表示不同算法計算的總分、標準總分、不同算法計算的排名和標準排名。根據表1計算得到各相似性結果詳見表2。

表2 各算法得分相似度和排名相似度

從表1、表2和圖2可以看出，VPSO算法得到的排名與標準排名完全一致，PSO算法、AHP算法和EM算法得到的排名與標準排名分別有4個、9個和12個評價對象順序不同，四種算法排名相似度分別為100%、73.33%、40%和40%，得分相似度分別為97.89%、97.23%、95.94%和94.57%。雖然VPSO算法得到的各評價對象的評價值與標準結果不完全一樣，但基本與標準結果曲線重合，說明VPSO算法的各評價值與標準結果基本一致，而其他三種的評價值與標準結果差異較大。

VPSO算法得到的各一級指標排名與各一級指標的標準排名完全一致，說明VPSO算法對同一個評價者評價不同指標賦予不同權重，既保證了總結果的準確性，也保證了各指標評價結果的準確性。PSO算法、AHP算法和EM算法對各一級指標評價結果與標準結果差異很大，這是由于三種算法對同一個評價者評價不同指標賦予相同權重，無法保證各指標評價的準確性。綜上所述，本文提出的VPSO算法可同時對公安智能化總的發展水平和各指標的發展水平進行精確有效的評價。

四、結語

本文提出了一種基于粒子群變權的公安智能化發展水平評價方法。以所有評價者對所有評價指標的權重為種群，設計評價者權值自適應調整的粒子群算法，對算法進行了三點改進：（1）以評價值得時空相似性為目標函數；（2）以評價者權重波動作為慣性系數；（3）通過可變滑動窗口判斷是否陷入局部最優。

使用2021年A省公安科技信息化暨大數據智能化建設應用發展水平綜合評估工作中采集的數據和評價結果進行了驗證，驗證結果表明，本文提出的算法，可同時對公安智能化總的發展水平和各指標的發展水平進行精確有效的評價，為下一步實施分類精準整改提升提供了依據。