王昊鵬 王鵬 周業(yè)勤 王慧

1.山東警察學(xué)院 山東省網(wǎng)絡(luò)空間安全大數(shù)據(jù)發(fā)展創(chuàng)新實(shí)驗(yàn)室 2.山東省濱州市公安局 3.山東省濟(jì)南市公安局歷下區(qū)分局

引言

黨的十八屆三中全會首次提出“推進(jìn)國家治理體系和治理能力現(xiàn)代化”[1]，在數(shù)字時代，基于數(shù)據(jù)的智慧治理上升為國家戰(zhàn)略，各級政府和各行各業(yè)都開展了數(shù)據(jù)智能化建設(shè)和應(yīng)用。2019年5月7日，習(xí)近平總書記在全國公安工作會議上指出“要把大數(shù)據(jù)作為推動公安工作創(chuàng)新發(fā)展的大引擎、培育戰(zhàn)斗力生成新的增長點(diǎn)”。各級各地公安機(jī)關(guān)圍繞智慧公安建設(shè)，在頂層設(shè)計(jì)、資金投入、資源整合、信息共享、業(yè)務(wù)協(xié)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(shè)發(fā)展水平參差不齊，為提高智能化建設(shè)的針對性和有效性，對公安智能化發(fā)展水平進(jìn)行評估成為亟待解決的問題。

目前對公安智能化發(fā)展水平評價的研究取得了一定的成果，2017年公安部發(fā)布了《公安基礎(chǔ)信息化建設(shè)評價指南》[6]，構(gòu)建了包含6項(xiàng)一級指標(biāo)、21項(xiàng)二級指標(biāo)和51項(xiàng)評價要素的指標(biāo)體系，并為每個一、二級指標(biāo)分配了固定的權(quán)重。吳新娣[7]以內(nèi)蒙古公安智能化建設(shè)為對象，設(shè)計(jì)了包含8個一級指標(biāo)、21個二級指標(biāo)和75個三級指標(biāo)的指標(biāo)體系，利用熵權(quán)法為各指客觀的標(biāo)賦予了權(quán)重。與公安部制定的指標(biāo)體系相比，該指標(biāo)體系增加了服務(wù)民生和新媒體建設(shè)管理兩個一級指標(biāo)，豐富了對智能化建設(shè)領(lǐng)域的評價。張苗苗[8,9]設(shè)計(jì)了包含3個一級指標(biāo)、7個二級指標(biāo)和21個三級指標(biāo)的指標(biāo)體系，使用專家主觀賦值的方法為每一個指標(biāo)賦予了權(quán)重。與公安部和吳新娣團(tuán)隊(duì)的指標(biāo)體系不同的是，該指標(biāo)體系只針對公安信息化應(yīng)用水平進(jìn)行評價，因此不包含基礎(chǔ)建設(shè)、數(shù)據(jù)匯聚、組織管理等方面的內(nèi)容。這些研究大多注重指標(biāo)體系的構(gòu)建，對各指標(biāo)的賦權(quán)基本采用比較簡單的主觀或客觀賦權(quán)方法，這些方法評價結(jié)果主觀性較大、適用性有限[10]。針對這些問題，本文設(shè)計(jì)了一種基于粒子群變權(quán)（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(biāo)的權(quán)重為種群，以評價結(jié)果的時空相似性為判斷依據(jù)，自適應(yīng)調(diào)整評價者權(quán)重，兼顧主觀和客觀賦權(quán)優(yōu)點(diǎn)的同時，也避免了單獨(dú)使用一種賦權(quán)方法的缺陷，提高了評價結(jié)果的準(zhǔn)確性和穩(wěn)定性。

一、公安智能化發(fā)展水平評價指標(biāo)體系構(gòu)建

公安部《公安基礎(chǔ)信息化建設(shè)評價指南》是目前正在使用的標(biāo)準(zhǔn)。該指南評價對象是公安的信息化建設(shè)而不是智能化建設(shè)，雖然智能化起源于信息化，但智能化建設(shè)比信息化建設(shè)層次更深、范圍更廣，更注重應(yīng)用的成效，因此不能直接將信息化建設(shè)評價套用在智能化建設(shè)評價中。在堅(jiān)持系統(tǒng)性、導(dǎo)向性、針對性、動態(tài)性和可操作性的基礎(chǔ)上，結(jié)合現(xiàn)有公安信息化建設(shè)應(yīng)用水平評價指標(biāo)體系，構(gòu)建公安智能化發(fā)展水平評價指標(biāo)體系。

該指標(biāo)體系包含基礎(chǔ)建設(shè)、數(shù)據(jù)資源、安全防護(hù)、組織管理、應(yīng)用成效和科技創(chuàng)新等6項(xiàng)一級指標(biāo)、基礎(chǔ)網(wǎng)絡(luò)建設(shè)等41項(xiàng)二級指標(biāo)和146項(xiàng)評價要素（受篇幅限制不再羅列）。指標(biāo)體系中既有定量指標(biāo)，也有定性指標(biāo)。在為指標(biāo)賦值時，對定量指標(biāo)，直接根據(jù)指標(biāo)的實(shí)際值賦值；對定性指標(biāo)采取間接賦值法[11]賦值，即先列出定性指標(biāo)所有可能的取值集合，采用某種標(biāo)準(zhǔn)對“定性變量取值集合”中的元素進(jìn)行賦值。本文對所有定性指標(biāo)進(jìn)行五等級賦值。為方便后續(xù)的評價，還應(yīng)對指標(biāo)進(jìn)行歸一化處理，即將所有指標(biāo)的取值歸一化到[0，1]內(nèi)。

二、基于粒子群變權(quán)的評價模型

（一）評價者權(quán)重設(shè)置方法

綜合評價的結(jié)果取決于被評價對象的認(rèn)識。為了使評價結(jié)果更客觀公正，往往以多個評價者的共同評價結(jié)論作為最終評價結(jié)果。為避免評價者之間互相干擾，每個評價者都獨(dú)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(guī)則加權(quán)匯總為最終評價結(jié)果。該結(jié)果是否客觀公正取決于多個評價者的權(quán)重分配是否合理[12]。

綜合評價的本質(zhì)是評價者與評價對象之間隨時空變化的互相交互、互相認(rèn)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(fā)展，評價者對評價對象的認(rèn)識也會隨著時間和評價對象的發(fā)展產(chǎn)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(quán)重衡量發(fā)展變化的評價對象必然會影響評價結(jié)果的準(zhǔn)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(rèn)知、心理狀態(tài)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(quán)重會影響評價結(jié)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(jié)果應(yīng)該是相似的，如果某一個評價者的評價結(jié)果與評價者群體評價結(jié)果差異過大，說明該評價者的評價結(jié)果不夠客觀，應(yīng)適當(dāng)減小其評價權(quán)重。當(dāng)然，很多情況下評價指標(biāo)體系覆蓋多知識領(lǐng)域，例如公安智能化發(fā)展水平評價指標(biāo)體系涵蓋了公安學(xué)、管理學(xué)、計(jì)算機(jī)技術(shù)、通信技術(shù)、安全技術(shù)等多學(xué)科知識，很難找到一個具備所有學(xué)科知識的評價者，這時就不能以整個指標(biāo)體系評價結(jié)果的相似性作為調(diào)整評價者權(quán)重的依據(jù)，而是將評價者權(quán)重以各級指標(biāo)為單位進(jìn)行拆分，然后根據(jù)各級指標(biāo)評價結(jié)果的相似性作為調(diào)整評價者各級指標(biāo)權(quán)重的依據(jù)。

（二）基于粒子群算法的評價者權(quán)重群

根據(jù)上述分析，可對評價者、評價對象、評價權(quán)重、評價值做如下定義：假設(shè)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(biāo)體系包含L級，每一級K個評價指標(biāo)，則W(gi,l,k)表示為第i個評價者對評價指標(biāo)體系中第l級第k個指標(biāo)的評價權(quán)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(biāo)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(biāo)權(quán)重作為一個粒子群，評價開始前為每一個層次內(nèi)的所有指標(biāo)賦予平均權(quán)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(jù)，更新評價者權(quán)重，如此迭代，直至得到最優(yōu)評價值或達(dá)到最大迭代次數(shù)。

（三）基于評價值時空特征的評價者權(quán)重調(diào)節(jié)

根據(jù)前文分析，評價者打分時受主客觀影響，評價值表現(xiàn)出一定的時空特征。本文以這些時空特征為依據(jù)調(diào)整評價者權(quán)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(biāo)的評價尺度（或打分標(biāo)準(zhǔn)）應(yīng)該是穩(wěn)定的，不同評價對象的同一個評價指標(biāo)如果完成情況相同或相似，其評價值也應(yīng)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(biāo)的評價值體現(xiàn)出了評價尺度前后不一的情況，應(yīng)適當(dāng)減小其在該指標(biāo)上的評價權(quán)重。評價值時間特征可用指標(biāo)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(biāo)的完成情況，為方便計(jì)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(yīng)該是相同或者相似的，在實(shí)際評價中，評價者受自身知識結(jié)構(gòu)、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(jié)果相似性”調(diào)整評價者權(quán)重，而對“評價結(jié)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(shí)取得了較好的效果，但其只從評價結(jié)果這個表面現(xiàn)象上消除了不一致，沒有從評價者自身知識結(jié)構(gòu)、偏好上消除產(chǎn)生不一致的根源。同時，由于將評價者的權(quán)重作為一個整體，調(diào)整權(quán)重時還犧牲了一部分客觀性。

為此本文將評價者權(quán)重按照評價指標(biāo)體系，在空間上進(jìn)行層次化打散。對評價對象的總體評價目標(biāo)、一級指標(biāo)、二級指標(biāo)分別設(shè)置評價者權(quán)值，依據(jù)其所對應(yīng)的總體評價目標(biāo)、一級指標(biāo)、二級指標(biāo)評價結(jié)果的相似性分別調(diào)整。

對評價者群組G={gi} 中的任意評價者gi對 第l級指標(biāo)評價值可表示為：

任意兩個評價者ge和gh對第l級指標(biāo)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(biāo)函數(shù)可表示為：

（四）基于可變滑動窗口的陷入局部最優(yōu)判斷

粒子群算法在處理多峰復(fù)雜問題時容易將局部小峰值誤認(rèn)為全局最優(yōu)峰值而停止迭代，為避免陷入局部最優(yōu)，本文設(shè)計(jì)一種基于可變滑動窗口的陷入局部最優(yōu)判斷方法。粒子群算法初始迭代前設(shè)置一個窗口尺寸為1、起始位置也為1的滑動窗口，經(jīng)過一次迭代后，計(jì)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(dāng)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(rèn)為陷入局部最優(yōu)，同時將滑動窗口起始位置更新為當(dāng)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(nèi)不重復(fù)遍歷的特征，因此常被用于跳出局部最優(yōu)。本文使用混沌算法跳出局部最優(yōu)，當(dāng)判斷算法陷入局部最優(yōu)后，在下次迭代時使用混沌算法的Logistic映射重新構(gòu)造粒子種群。

（五）基于評價者權(quán)重波動的慣性系數(shù)更新

粒子群算法中的慣性系數(shù)ω用于表示粒子維持自身速度不變的趨勢，一般設(shè)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(qiáng)，ω越小代表局部搜索能力越強(qiáng)。在算法初始階段為了快速找到最優(yōu)解的大體位置，可以設(shè)置較大的ω值，在算法迭代后期，為了進(jìn)行精確的局部搜索，可以設(shè)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(quán)重會產(chǎn)生較大變化，隨著迭代次數(shù)的增加，評價意見趨于一致，評價者權(quán)重的調(diào)整幅度也會減小。這個規(guī)律正好符合慣性系數(shù)ω變化規(guī)律，因此，可用評價者權(quán)重波動表示慣性系數(shù)。假設(shè)當(dāng)前迭代次數(shù)為t+1，則所有評價者對各級指標(biāo)總的權(quán)重波動可表示為：

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

（六）改進(jìn)算法描述

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

1.初始化

對粒子群算法進(jìn)行初始化，評價者初始權(quán)重賦平均值，設(shè)置算法最大進(jìn)化代數(shù)M，慣性系數(shù)ω，加速系數(shù)c1和c2。

2.更新

使用公式（6）計(jì)算權(quán)重波動，使用公式（7）計(jì)算權(quán)重系數(shù)。

3.評價

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

4.跳出局部最優(yōu)

使用混沌算法，重新構(gòu)造種群并轉(zhuǎn)到第2步驟。

5.結(jié)束

判斷是否達(dá)到最大進(jìn)化代數(shù)或滿足結(jié)束條件，若滿足則算法結(jié)束，否則轉(zhuǎn)到第2個步驟。

三、算法驗(yàn)證

（一）實(shí)驗(yàn)數(shù)據(jù)

自2021年9月開始，對我國東部沿海A省的15個地級市進(jìn)行了歷時9個月的調(diào)研及數(shù)據(jù)采集。以該數(shù)據(jù)為依據(jù)，邀請公安智能化系統(tǒng)設(shè)計(jì)人員、公安機(jī)關(guān)信通部門管理人員、公安機(jī)關(guān)各類智能化系統(tǒng)使用人員和高校及科研院所公安智能化應(yīng)用研究人員等四類共20人進(jìn)行評價，使用評價結(jié)果對本文設(shè)計(jì)的算法進(jìn)行驗(yàn)證。

（二）實(shí)例驗(yàn)證

為驗(yàn)證本文提出的算法，分別使用標(biāo)準(zhǔn)AHP法（文獻(xiàn)8使用的方法）、標(biāo)準(zhǔn)熵權(quán)法（Entropy Method，文獻(xiàn)7使用的方法）、標(biāo)準(zhǔn)粒子群算法（PSO）和本文提出的算法（VPSO）對本文設(shè)計(jì)的指標(biāo)體系和第三章（一）部分中的數(shù)據(jù)進(jìn)行指標(biāo)賦權(quán)及評價打分，41個二級指標(biāo)，每個二級指標(biāo)滿分10分。

使用標(biāo)準(zhǔn)AHP法時，首先請20位評價者分別根據(jù)指標(biāo)體系對各一級、二級指標(biāo)賦權(quán)并根據(jù)第三章（一）部分的數(shù)據(jù)對各指標(biāo)打分，然后對20位評價者的賦權(quán)進(jìn)行算數(shù)平均，用平均權(quán)值分別與20位評價者的評價值計(jì)算各評價對象總評價值，最后計(jì)算20個總評價值的算數(shù)平均值，作為最終評價結(jié)果。

使用標(biāo)準(zhǔn)熵權(quán)法時，首先根據(jù)本文的指標(biāo)體系和第三章（一）部分的數(shù)據(jù)，用熵權(quán)計(jì)算公式計(jì)算各一級、二級指標(biāo)權(quán)重，然后用熵權(quán)權(quán)重分別與20位評價者的評價值計(jì)算各評價對象總評價值，最后計(jì)算20個總評價值的算數(shù)平均值，作為最終評價結(jié)果。

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

式中，cmax和cmin分 別取2.0和0.5，t和tmax為當(dāng)前迭代次數(shù)和最大迭代次數(shù)。

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

各算法計(jì)算結(jié)果與標(biāo)準(zhǔn)結(jié)果（該標(biāo)準(zhǔn)結(jié)果為2021年A省15個地市公安智能化發(fā)展水平評價官方公布結(jié)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(jié)果的準(zhǔn)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(jì)算的總分、標(biāo)準(zhǔn)總分、不同算法計(jì)算的排名和標(biāo)準(zhǔn)排名。根據(jù)表1計(jì)算得到各相似性結(jié)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(biāo)準(zhǔn)排名完全一致，PSO算法、AHP算法和EM算法得到的排名與標(biāo)準(zhǔn)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(biāo)準(zhǔn)結(jié)果不完全一樣，但基本與標(biāo)準(zhǔn)結(jié)果曲線重合，說明VPSO算法的各評價值與標(biāo)準(zhǔn)結(jié)果基本一致，而其他三種的評價值與標(biāo)準(zhǔn)結(jié)果差異較大。

VPSO算法得到的各一級指標(biāo)排名與各一級指標(biāo)的標(biāo)準(zhǔn)排名完全一致，說明VPSO算法對同一個評價者評價不同指標(biāo)賦予不同權(quán)重，既保證了總結(jié)果的準(zhǔn)確性，也保證了各指標(biāo)評價結(jié)果的準(zhǔn)確性。PSO算法、AHP算法和EM算法對各一級指標(biāo)評價結(jié)果與標(biāo)準(zhǔn)結(jié)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(biāo)賦予相同權(quán)重，無法保證各指標(biāo)評價的準(zhǔn)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(fā)展水平和各指標(biāo)的發(fā)展水平進(jìn)行精確有效的評價。

四、結(jié)語

本文提出了一種基于粒子群變權(quán)的公安智能化發(fā)展水平評價方法。以所有評價者對所有評價指標(biāo)的權(quán)重為種群，設(shè)計(jì)評價者權(quán)值自適應(yīng)調(diào)整的粒子群算法，對算法進(jìn)行了三點(diǎn)改進(jìn)：（1）以評價值得時空相似性為目標(biāo)函數(shù)；（2）以評價者權(quán)重波動作為慣性系數(shù)；（3）通過可變滑動窗口判斷是否陷入局部最優(yōu)。

使用2021年A省公安科技信息化暨大數(shù)據(jù)智能化建設(shè)應(yīng)用發(fā)展水平綜合評估工作中采集的數(shù)據(jù)和評價結(jié)果進(jìn)行了驗(yàn)證，驗(yàn)證結(jié)果表明，本文提出的算法，可同時對公安智能化總的發(fā)展水平和各指標(biāo)的發(fā)展水平進(jìn)行精確有效的評價，為下一步實(shí)施分類精準(zhǔn)整改提升提供了依據(jù)。