李杰 崔東文

摘要：為科學識別云南省16個州市的水安全區(qū)域類型，提出了樹-種算法（TSA）-投影尋蹤（PP）識別模型。選取了4個典型測試函數(shù)對TSA進行仿真驗證，并將驗證結(jié)果與人工蜂群（ABC）算法、布谷鳥搜索（CS）算法等6種算法的仿真結(jié)果進行了對比。以云南省為研究對象從水資源條件、經(jīng)濟社會條件和水環(huán)境條件中遴選出了27個指標構(gòu)建區(qū)域水安全類型識別指標體系和分級標準，在各分級標準閾值間采用隨機內(nèi)插的方法生成樣本;同時，構(gòu)建了基于水資源、經(jīng)濟社會和水環(huán)境條件的投影指標函數(shù)，并分別采用TSA搜索最優(yōu)投影向量，計算云南省內(nèi)各州市的綜合投影值以及各分級標準閾值的投影值，然后利用分級標準閾值投影值對各行政區(qū)的水安全區(qū)域類型進行識別。結(jié)果表明：TSA尋優(yōu)精度優(yōu)于ABC、CS等6種算法，具有較好的收斂精度、極值尋優(yōu)能力和收斂穩(wěn)健性能。TSA-PP模型對云南省各州市的水安全類型識別結(jié)果為：昆明市、玉溪市為“中度缺水-較發(fā)達-中等”型;楚雄州、大理州為“嚴重缺水-中度發(fā)達-較差”型;西雙版納、迪慶州為“中度缺水-中度發(fā)達-中等”型;麗江市為“嚴重缺水-中度發(fā)達-中等”型;德宏州為“輕度缺水-中度發(fā)達-中等”型;怒江州為“輕度缺水-中度發(fā)達-較差”型;其他州市被識別為“中度缺水-中度發(fā)達-較差”型。

關(guān)鍵詞：水安全; 區(qū)域類型; 指標體系; 樹-種算法; 投影尋蹤; 云南省

中圖法分類號：P33文獻標志碼： ADOI：10.16232/j.cnki.1001-4179.2019.02.011

1研究背景

水安全是指一個國家或區(qū)域在一定時期、一定技術(shù)水平和經(jīng)濟社會發(fā)展條件下，水資源、水環(huán)境能夠支撐其經(jīng)濟社會的持續(xù)發(fā)展、維護生態(tài)系統(tǒng)良性循環(huán)的狀態(tài)。從水資源角度上來說，水安全是指區(qū)域水資源量及其供給能力能否滿足人類生存與社會發(fā)展所需的穩(wěn)定、持續(xù)、及時與足量的水量與供給能力;從經(jīng)濟社會可持續(xù)發(fā)展的角度上來說，水安全是指區(qū)域水資源量能夠保障該區(qū)域的社會經(jīng)濟當前的需求，同時又不影響當?shù)乜沙掷m(xù)發(fā)展的狀態(tài)和能力;從水環(huán)境水生態(tài)角度上來說，水安全是指水環(huán)境與水生態(tài)質(zhì)量支撐區(qū)域經(jīng)濟社會發(fā)展的綜合承載能力[1]。

云南省地處祖國的西南邊陲，下轄昆明、曲靖等16個州（市），國土面積為39萬km?分屬長江、珠江等六大水系;多年平均降水量為1 279 mm，水資源總量為2 222億m?3，僅次于西藏、四川兩省區(qū)，居全國第三位。由于橫斷山脈深度切割，高差懸殊，地形地貌復雜，云南省水資源總量雖然豐富，但其開發(fā)利難度大、成本高、邊際效益低，加之特殊的地形環(huán)境和氣候條件，降水時空分布極不均勻，從而造成了區(qū)域間經(jīng)濟社會發(fā)展不平衡，水資源、水環(huán)境狀況差異明顯。近些年來，隨著云南省經(jīng)濟社會的飛速發(fā)展、城鎮(zhèn)化和工業(yè)化進程的加快，水資源短缺、水環(huán)境污染等問題日益突出，水安全問題面臨著嚴峻的挑戰(zhàn)。

水安全評價研究起步于20世紀70年代，主要評價方法有層次分析法[2-3]、物元分析法[4]、水貧困指數(shù)法[5]、邏輯斯蒂曲線法[6]、概率神經(jīng)網(wǎng)絡(luò)法[7]、支持向量機法[8]、模糊集對分析法[9-10]，以及最大熵投影尋蹤法[11]等。為了進一步拓展水安全評價方法，本文融合樹-種算法（tree–seed algorithm，TSA）與投影尋蹤（projection pursuit，PP）技術(shù)，構(gòu)建了TSA-PP區(qū)域水安全評價模型，并將其用于對云南省16個州（市）的水安全進行評價。本文主要研究內(nèi)容包括：

（1） 介紹一種新型群體智能算法——樹-種算法（TSA），選取4個標準測試函數(shù)對TSA進行仿真測試，并與人工蜂群（ABC）算法、布谷鳥搜索（CS）算法、混合蛙跳算法（SFLA）、文化算法（CA）、粒子群優(yōu)化（PSO）算法和蟻群優(yōu)化（ACO）算法的性能進行對比。

（2） 基于水資源條件、經(jīng)濟社會條件和水環(huán)境條，遴選出了27個指標來構(gòu)建水安全區(qū)域類型識別指標體系和分級標準。

（3） 利用TSA優(yōu)化PP技術(shù)最佳投影方向，構(gòu)建TSA-PP水安全區(qū)域類型識別模型，來對云南省所轄州（市）的水安全進行評價分析。

2樹-種算法及驗證

2.1樹-種算法

樹-種算法（TSA）是K1ran M. S.于2015年通過模仿大自然中的樹-種子繁衍行為而提出的一種新型的群體啟發(fā)式搜索算法[9]，該算法具有模型簡單、調(diào)節(jié)參數(shù)少、收斂精度高等優(yōu)點，參見參考文獻[12]。TSA的數(shù)學描述如下。

（1） 初始化。在自然界中，樹通過種子傳播到地上，種子隨著時間而生長成新樹，新樹又通過種子傳播進行繁衍生息。假設(shè)將樹群地面范圍作為待優(yōu)化問題的搜索空間，則樹和種子的空間位置可被視為待優(yōu)化問題的候選解（這里將產(chǎn)生種子的樹稱為父樹）。文獻[13] 利用式（1）獲得了待優(yōu)化問題候選解的初始化樹空間位置。

Ti，j=Lj，min+ri，j×（Hj，max-Lj，min）（1）

式中，Ti，j表示第i棵樹的第j維;Hj，max，Lj，min分別表示搜索空間的上、下限;ri，j表示[0，1]范圍內(nèi)的每個維度和位置隨機數(shù)。

（2） 更新機制。TSA中每棵樹產(chǎn)生種子的數(shù)量完全是隨機的，文獻[14]分析表明，每棵樹產(chǎn)生種子數(shù)量的上限和下限在樹群的10%～25%之間具有較好的搜索效果。TSA利用式（2）和式（3）對種子進行更新。

Si，j=Ti，j+i，j×（Bj-Tr，j）（2）

Si，j=Ti，j+i，j×（Ti，j-Tr，j）（3）

式中，Si，j表示將要成長成父樹的第i個種子的第j維;Ti，j表示第i棵樹的第j維;Bj表示當前獲得的最佳樹的個體空間位置的第j維;Tr，j表示從樹群中隨機選擇的第r棵樹的第j維;表示[-1，1]范圍內(nèi)隨機生成的縮放因子。

（3） 控制參數(shù)ST。TSA探索和開發(fā)能力由[0，1]范圍內(nèi)的ST參數(shù)進行控制。較大的ST可以使TSA獲得較好的局部搜索能力和收斂速度;較小的ST會導致TSA收斂緩慢但可獲得較好的全局搜索能力。

（4） 適應度值計算。對于最小值優(yōu)化問題，利用式（4）可從群體中獲得最優(yōu)解。

B=min{f（Ti）}i=1，2，…，N（4）

式中，N表示樹群的數(shù)量。

2.2仿真驗證

為了驗證TSA優(yōu)化性能，實驗選取了4個典型測試函數(shù)進行仿真測試，并與ABC，CS，SFLA，CA，PSO和ACO算法進行性能對比。實驗標準測試函數(shù)如表1所示，其中，f1為單峰連續(xù)優(yōu)化函數(shù)，用于測試算法的收斂速度和尋優(yōu)精度;f2～f4為多峰連續(xù)函數(shù)，存在許多局部極值，用于測試算法逃離局部極值和全局探索能力。

算法參數(shù)設(shè)置為：TSA最大迭代次數(shù)L=1 000，種群規(guī)模算法N=50，控制參數(shù)ST=0.1;ABC算法最大迭代次數(shù)L=1 000，種群規(guī)模N=50，局部循環(huán)次數(shù)lc=60;CS算法最大迭代次數(shù)L=1 000，鳥窩位置數(shù)n=25，發(fā)現(xiàn)概率pa=0.25;SLFA最大迭代次數(shù)L=1 000，青蛙群體規(guī)模N=50，子群數(shù)K=5，子群內(nèi)青蛙個數(shù)Np=10;子群數(shù)局部進化次數(shù)T1=10;CA迭代次數(shù)L=1 000，群體規(guī)模N=50，根據(jù)標準知識產(chǎn)生的群體規(guī)模N′=50;PSO算法最大迭代次數(shù)L=1 000，種群規(guī)模N=50，ω=0.729，局部學習因子、全局學習因子c1=c2=2.0;ACO算法最大迭代次數(shù)L=1 000，群體規(guī)模N=50，常量Q=1，信息素揮發(fā)系數(shù)ρ=0.4。

基于Matlab 2010a，7種算法用M語言實現(xiàn)，對表1中的每個測試函數(shù)獨立運行20次，并統(tǒng)計平均最優(yōu)適應度值（MBF）和標準差（SD）的結(jié)果，詳見表2。其中，MBF反映的是算法在運行至最大迭代次數(shù)時可以達到的求解精度，SD則是反映算法的收斂穩(wěn)定性。

從表2可以得出：對于函數(shù)f1，TSA和SFLA均獲得了較好的收斂精度，精度高于其他5種算法的71個數(shù)量級以上，其中，TSA收斂精度略優(yōu)于SFLA。對于函數(shù)f2，TSA收斂到全局最優(yōu)解0，尋優(yōu)精度遠遠高于其他6種算法。對于函數(shù)f3，TSA、ACO和CS算法均獲得了較好的尋優(yōu)效果，精度高于其他4種算法的5個數(shù)量級以上，其中，TSA尋優(yōu)精度高于ACO和CS算法。對于函數(shù)f4，TSA和ACO算法尋優(yōu)精度相同，精度高于其他5種算法的9個數(shù)量級以上。整體比較而言，7種算法對于4個標準測試函數(shù)的優(yōu)化性能的尋優(yōu)效果從優(yōu)至劣依次是：TSA、ACO、CS、SFLA、ABC、CA和PSO。

可見，對于單峰或多峰函數(shù)，TSA均表現(xiàn)出了較好的尋優(yōu)精度、逃離局部極值能力和收斂穩(wěn)健性能。

3水安全區(qū)域類型識別指標體系

筆者以云南省16個州市的水安全區(qū)域類型識別為例，在充分考慮區(qū)域水資源條件、經(jīng)濟社會發(fā)展水平和水環(huán)境條件3個方面的前提下，參考了文獻[5，7-8，15]并構(gòu)建了具有云南省區(qū)域特征的水安全類型識別指標體系和分級標準，如表3所示。同時，綜合考慮到云南省現(xiàn)階段的水資源、經(jīng)濟社會以及水環(huán)境現(xiàn)狀等因素，擬定了現(xiàn)狀條件下的水安全區(qū)域類型識別指標在各分級的范圍，并依據(jù)各州市及分級閾值的最大值、最小值上下浮動20%來確定各指標的上下限值，對于C20～C22指標，則以“100”作為其上限值。

4TSA-PP水安全類型識別模型

4.1投影尋蹤模型

PP技術(shù)是通過數(shù)學方法將高維數(shù)據(jù)投影到低維空間，在低維空間進行數(shù)據(jù)分析以獲取評價指標最優(yōu)空間投影向量，目前已在水量分配[14]、洪旱災害評估[13]、水資源利用效率[15-16]、水土保持效益評價[17]、洪水分類[18-19]以及水污染物分配[20]等方面得到了應用。PP技術(shù)簡要算法如下[15，21]。

（1） 數(shù)據(jù)預處理。對于正向、負向指標，分別采用式（5）和式（6）進行處理。

x（i，j）=[x（i，j）-xmin（j）]/[xmax（j）-xmin（j）]（5）

x（i，j）=[xmax（j）-x（i，j）]/[xmax（j）-xmin（j）]（6）

式中，x（i，j）為指標特征值歸一化序列;xmax（j），xmin（j）分別為第j個指標值的上、下限值。

（2） 構(gòu)建投影值指標函數(shù)。

z（i）=mj=1a（j）x（i，j）（7）

式中，a為單位長度向量。

（3） 模型求解。將搜尋最優(yōu)投影向量問題轉(zhuǎn)化為單目標非線性最優(yōu)求解問題，即：

max：Q（a）=SzDz

s.t：mj=1a?2（j）=1a∈[-1，1]（8）

式中，SZ為投影值z（i）的標準差;DZ為投影值z（i）的局部密度。SZ，DZ表達式參見文獻[14];Q（a）即本文待優(yōu)化目標函數(shù)QW（a），QS（a）和QE（a）。

4.2 TSA-PP模型識別實現(xiàn)步驟

Step 1。依據(jù)表3，在評價指標標準閾值間隨機生成10組數(shù)據(jù)樣本，共隨機生成了50組數(shù)據(jù)樣本，利用式（5）和式（6）對樣本進行一致性處理。

Step 2。利用一致性處理后的樣本，分別構(gòu)建基于水資源條件、經(jīng)濟社會條件、水環(huán)境條件的投影指標函數(shù)QW（a），QS（a）和QE（a）。利用TSA對QW（a），QS（a）和QE（a）投影向量進行優(yōu)化求解。

Step 3。設(shè)置樹群規(guī)模N、問題維度D、最大迭代次數(shù)L、當前迭代次數(shù)l、控制參數(shù)ST，利用式（1）初始化樹群D維空間位置，確定隨機產(chǎn)生每棵樹的種子數(shù)量。

Step 4。利用適應度函數(shù)計算樹群中每棵樹的適應度值并進行比較，根據(jù)適應度值確定當前最佳父樹空間位置。

Step 5。利用適應度函數(shù)計算種子個體的適應度值。若當前最佳種子適應度值優(yōu)于父樹適應度值，則將父樹從樹群中移除，當前種子保存成父樹，并保留當前位置為最優(yōu)個體空間位置;否則保留前代父樹位置為最優(yōu)個體空間位置。

Step 6。若[0，1]范圍內(nèi)隨機產(chǎn)生的數(shù)字小于控制參數(shù)ST，則利用式（2）更新維度，否則利用式（3）更新維度。

Step 7。令l=l+1，判斷算法是否達到終止條件，若是，輸出最佳樹個體空間位置，算法結(jié)束;否則重復Step5～Step5。

Step 8。分別輸出最佳樹個體空間位置，即最佳投影向量aW，aS，aE。

Step 9。利用式（5）和式（6）對云南省各州市指標數(shù)據(jù)及分級標準閾值進行一致性處理，利用最佳投影向量aW，aS，aE分別計算各州市的綜合投影值zW（i），zS（i），zE（i）以及各分級標準閾值的投影值zW（k），zS（k），zE（k）（k=5，為水安全區(qū)域類型識別分級數(shù)）;同時，利用zW（k），zS（k），zE（k）對各州市的水安全區(qū)域類型進行識別。

5實例應用

5.1模型構(gòu)建與求解

（1）數(shù)據(jù)來源。本文研究數(shù)據(jù)來源于《2015年云南省水資源公報》《2015年云南省統(tǒng)計年鑒》等，限于篇幅從略。

（2）優(yōu)化目標函數(shù)構(gòu)建。基于表3，并依據(jù)TSA-PP水安全區(qū)域類型識別模型實現(xiàn)步驟，利用隨機生成并經(jīng)過一致性處理的樣本，分別構(gòu)建水安全區(qū)域類型識別投影目標函數(shù)QW（a），QS（a）和QE（a）;借助于TSA，對最佳投影向量aW，aS，aP分別進行優(yōu)化求解。TSA參數(shù)的設(shè)置，除了最大迭代次數(shù)L=100外，其余參數(shù)的設(shè)置同上。

（3）模型求解。本文TSA采用Matlab 2010a以

M語言實現(xiàn)，分別對投影目標函數(shù)QW（a），QS（a）和QE（a）獨立運行20次，并分別統(tǒng)計平均適應度值Q（a）、標準差（SD）以及平均投影向量a，如表4所示。TSA在目標函數(shù)QW（a），QS（a）和QE（a）上的前5次進化過程圖如圖1所示。

從表4及圖1可以看出，TSA在投影目標函數(shù)QW（a），QS（a）和QE（a）上連續(xù)運行20次的SD精度均在4.02×10-4以上，表明TSA具有較好的求解精度和穩(wěn)健性能。

5.2評價結(jié)果與分析

依據(jù)TSA-PP水安全區(qū)域類型識別模型實現(xiàn)步驟，將云南省16個州市的指標數(shù)據(jù)按照公式（5）和公式（6）進行一致性處理;利用aW，aS，aE分別計算水資源條件、經(jīng)濟社會條件和水環(huán)境條件下的水安全區(qū)域類型識別分級標準zW（k），zS（k），zE（k）以及綜合投影值zW（i），zS（i），zE（i）。詳見表5～6和圖2所示。由表6和圖2可以得出以下結(jié)論。

（1） 從水資源條件方面來看，怒江州、德宏州識別為輕度缺水地區(qū)。怒江州雖然在16個州市中水資源利用率極低（僅為1.18%），降水量、人均水資源量最大，但是在單位面積水利實施供水能力和水庫總庫容占供水總量之比兩個方面表現(xiàn)較差，識別為輕度缺水較合理。德宏州在降水量等水資源量方面表現(xiàn)突出，同時在供水量模數(shù)和單位面積水利實施供水能力兩方面表現(xiàn)也較好，識別為輕度缺水較合理。麗江市、楚雄州和大理州水資源開發(fā)初具規(guī)模，同時在降水量、產(chǎn)水量模數(shù)等自然水資源量方面表現(xiàn)較差，識別為嚴重缺水地區(qū)較合理。將其他11個州市識別為中度缺水地區(qū)，或在天然水資源量方面表現(xiàn)較差，比如昆明市和玉溪市等;或在人工水資源量方面表現(xiàn)較差，比如迪慶、普洱等。從圖2可以直觀看出，德宏州的水資源條件投影值最大，為1.597 6，楚雄州最小，為0.721 7。

（2） 從經(jīng)濟社會條件方面來看，昆明市、玉溪市被識別為較發(fā)達;其他14個州市被識別為中度發(fā)達。從圖2可以直觀看出，昆明市的經(jīng)濟社會條件投影值最大，為2.290 0，怒江州的投影值最小，為1.261 4。

（3）從水環(huán)境條件方面來看，16個州市的水環(huán)境質(zhì)量狀況表現(xiàn)均不容樂觀，識別等級在中等-較差之間。其中，昆明市、玉溪市、麗江市、西雙版納州、德宏州、迪慶州被識別為中等，其他10個州市被識別為較差。從圖2可以直觀看出，德宏州的水環(huán)境條件投影值最大，為1.768 2，昭通市的最小，為0.834 8。

（4）從水安全區(qū)域類型綜合識別結(jié)果來看，昆明市和玉溪市的水安全區(qū)域類型被識別為“中度缺水-較發(fā)達-中等”型。昆明市是云南省的經(jīng)濟、政治和文化中心，經(jīng)濟社會較發(fā)達，玉溪市的人均GDP、城鎮(zhèn)化率和人均純收入僅次于昆明市，兩市均屬于較發(fā)達地區(qū)，但是在水資源、水環(huán)境兩方面表現(xiàn)一般。通過加大水環(huán)境污染整治力度、提高城市污水處理及再生水的利用率，兩市的水安全可以得到進一步提升，但是受限于天然水資源量，比如，降水量、人均水資源量及產(chǎn)水量模數(shù)等方面的制約，兩市的水安全提升空間有限。

怒江州、德宏州的水安全區(qū)域類型分別被識別為“輕度缺水-中度發(fā)達-較差”型、“輕度缺水-中度發(fā)達-中等”型。通過發(fā)展經(jīng)濟，提高工業(yè)、農(nóng)業(yè)用水效率，改善水環(huán)境質(zhì)量等，水安全水平可以得到有效提升。尤其是怒江州，其城市污水處理率僅為36.1%，通過加大水環(huán)境污染整治力度、改造城市污水處理設(shè)施等，水安全水平將會得到大幅提升。

楚雄州、大理州的水安全區(qū)域類型被識別為“嚴重缺水-中度發(fā)達-較差”型，在水資源、水環(huán)境兩方面均表現(xiàn)較差。通過加大水污染防治力度，提高污水處理率，改善水環(huán)境質(zhì)量，其水安全水平可以得到進一步提升;但是受制于天然降水量、人均水資源量等的制約，其水安全水平提升程度有限。

麗江市的水安全區(qū)域類型被識別為“嚴重缺水-中度發(fā)達-中等”型，主要是在水資源方面表現(xiàn)較差。通過新建水利工程，提高供水量模數(shù)和水庫總庫容占供水總量之比，其水安全水平可以得到提升。

西雙版納州、迪慶州的水安全區(qū)域類型均被識別為“中度缺水-中度發(fā)達-中等”型，就是在水資源、經(jīng)濟社會和水環(huán)境3個方面均表現(xiàn)一般。通過改善民生和發(fā)展經(jīng)濟，加大水源開發(fā)力度，提高供水能力和水資源利用效率，進一步改善城市環(huán)境質(zhì)量，兩個州的水安全水平將會得到較大提高。

其他州市，比如曲靖市、保山市等7個州市的水安全區(qū)域類型被識別為“中度缺水-中度發(fā)達-較差”型，均是在水環(huán)境方面表現(xiàn)最差。通過發(fā)展經(jīng)濟，加大水源開發(fā)力度，提高供水量模數(shù)及單位面積水利實施供水能力，尤其是通過加大水環(huán)境治理力度，改善水環(huán)境質(zhì)量，則上述7個州市的水安全狀況將會得到較大改善。

6結(jié) 論

（1） 介紹了一種新型群體智能算法——樹-種算法（TSA），選取了4個標準測試函數(shù)對TSA進行仿真驗證，并與ABC，CS，SFLA，CA，PSO和ACO算法進行性能對比，結(jié)果表明，TSA具有較好的尋優(yōu)精度、逃離局部極值的能力和收斂穩(wěn)健性能。

（2） 綜合考慮到云南省區(qū)域水資源、經(jīng)濟社會和水環(huán)境條件，提出了具有區(qū)域特征的水安全區(qū)域類型識別指標體系和分級標準。在各識別指標標準閾值間隨機生成數(shù)據(jù)樣本，構(gòu)造了基于水資源、經(jīng)濟社會和水環(huán)境條件的投影目標函數(shù);同時，利用TSA搜索各目標函數(shù)的最佳投影向量。指標體系、分級標準、數(shù)據(jù)樣本生成方法及目標函數(shù)的構(gòu)建方法，對區(qū)域水安全類型的識別或評價研究均具有一定的參考價值。

（3） 提出了TSA與PP相融合的TSA-PP水安全區(qū)域類型識別模型，以云南省16個州市的水安全區(qū)域類型識別為例進行驗證。驗證結(jié)果表明，TSA-PP模型用于水安全區(qū)域類型的識別是可行的也是有效的。

（4） 從實例水安全區(qū)域類型識別結(jié)果來看：① 昆明市、玉溪市為“中度缺水-較發(fā)達-中等”型;② 楚雄州、大理州為“嚴重缺水-中度發(fā)達-較差”型;③ 西雙版納州、迪慶州為“中度缺水-中度發(fā)達-中等”型;④ 麗江市為“嚴重缺水-中度發(fā)達-中等”型;⑤ 德宏州為“輕度缺水-中度發(fā)達-中等”型;⑥ 怒江州為“輕度缺水-中度發(fā)達-較差”型;⑦ 其他州市被識別為“中度缺水-中度發(fā)達-較差”型。

針對不同的水安全區(qū)域類型，通過分析，提出了水安全水平提升及改善的措施方法。

參考文獻：

[1]劉斌濤，陶和平，孔博，等.云南省水資源時空分布格局及綜合評價[J].自然資源學報，2014，29（3）：454-465.

[2]王彥威，鄧海利，王永成.層次分析法在水安全評價中的應用[J].黑龍江水利科技，2007（3）：117-119.

[3]崔艷強，范弢，楊佳.云南省城市飲用水安全評價研究[J].人民長江，2011，42（7）：51-55.

[4]劉傳旺，吳建平，任勝偉，等.基于層次分析法與物元分析法的水安全評價[J].水資源保護，2015，31（3）：27-32.

[5]貢力，靳春玲.基于水貧困指數(shù)的城市水安全評價研究[J].水力發(fā)電學報，2014，33（6）：84-90.

[6]宋培爭，汪嘉楊，劉偉，等.基于PSO優(yōu)化邏輯斯蒂曲線的水資源安全評價模型[J].自然資源學報，2016，31（5）：886-893.

[7]汪嘉楊，劉韻，李祚泳，等.基于指標規(guī)范化概率神經(jīng)網(wǎng)絡(luò)的水安全評價模型[J].水力發(fā)電學報，2014，33（6）：78-83.

[8]汪嘉楊，王文圣，李祚泳，等.基于TS-SVM模型的水安全評價[J].水資源保護，2010（2）：1-4.

[9]沈俊源，吳鳳平，于倩雯.基于模糊集對分析的最嚴格水安全綜合評價[J].水資源與水工程學報，2016，27（2）：92-97.

[10]王子茹.基于可變模糊集對立統(tǒng)一定理的水安全評價研究[J].人民長江，2011，42（9）：1-3.

[11]蘇敏杰，白栩嘉.NBA-MEPP模型在區(qū)域水資源安全評價中的應用[J].人民長江，2017，48（13）：36-42.

[12]Klran M S.TSA：Tree-seed algorithm for continuous optimization[J].Expert Systems with Applications，2015，42（19）：6686-6698.

[13]崔東文.雞群優(yōu)化算法投影尋蹤洪旱災害評估模型[J].水利水電科技進展，2016，36（2）：16-23.

[14]崔東文，金波.基于新型蝙蝠算法-投影尋蹤模型的文山州水量分配方法[J].水利水電科技進展，2017，37（2）：55-62.

[15]白栩嘉 蘇敏杰.基于改進PSO-PP模型的區(qū)域水資源利用效率評價[J].人民長江，2016，47（23）：38-43.

[16]崔東文.文山州近10年水資源利用效率評價SLC-PP模型及應用[J].河海大學學報：自然科學版，2017，45（2）：129-136.

[17]徐昕，李杰，陳芳，等.基于WPAPP模型的水土保持綜合效益研究[J].人民長江，2017，48（12）：79-83.

[18]張雅琦，李妍清，戴明龍，等.基于投影尋蹤法的三峽入庫洪水與壩址洪水分類[J].人民長江，2016，47（9）：25-28.

[19]汪麗娜，陳曉宏，李粵安.投影尋蹤和人工魚群算法的洪水分類[J].人民長江，2008，39（24）：34-37.

[20]崔東文.正弦余弦算法-投影尋蹤水污染物總量分配模型[J].水資源保護，2016，32（6）：75-81.

[21]崔東文，郭榮.SSO-PP模型在水源地安全保障達標評價中的應用[J].水利經(jīng)濟，2015，33（5）：8-13.

引用本文：李杰， 崔東文.云南省水安全區(qū)域類型識別TSA-PP模型及應用[J].人民長江，2019，50（2）：58-64.

TAS-PP model and its applications in identifying water security zone type in Yunnan Province

LI Jie?，CUI Dongwen?2

（1.Yunnan Water Conservancy and Hydropower Survey and Design Institute， Kunming 650021， China;2.Wenshan Water Bureau of Yunnan Province， Wenshan 663000，China）

Abstract： TSA-PP identification model （tree-seed algorithm and projection pursuit） was proposed to scientifically identify the water security zone of sixteen prefectures in Yunnan Province. We selected four typical test functions to simulate TSA， and compared it with the results obtained by other six algorithms including ABC algorithm and CS algorithm. We chose twenty-seven indicators from water resources condition， economic and social conditions and water environment condition to construct the regional water safety type identification index system and grading standard. Random interpolation method was used to get samples between the thresholds of each classification standards; meanwhile， based on the three aforementioned conditions， projection indicator function was constructed. TSA was used to search the optimal projection vector. The comprehensive projection value of each prefecture and the threshold value of each grading standard were calculated. The graded standard threshold projection value was employed to identify the water area of each prefecture. The results show that TSA is superior to ABC and CS algorithm， and it has good abilities in convergence accuracy， extreme value search and convergence performance. The results （denoted by “water stress condition- economic/social condition- water environment condition） obtained by TSA-PP model are as follows： Kumming and Yuxi are “moderate-developed-moderate” type; Chuxiong and Dali prefectures are “severe-moderate developed-poor” type; Xishuangbanna and Diqing prefectures are identified as “moderate-moderate developed-moderate” type; Lijiang is “severe-moderate-moderate” type; Dehong prefecture is “mild-moderate developed-moderate” type; Nujiang prefecture is “mild-moderate-poor” type; other prefectures are “moderate-moderate developed-poor” type.

Key words：water safety; water security zone type; index system; tree-seed algorithm; projection pursuit; Yunnan Province