引言水利工程项目评价主要包括水利项目前期决策、工程建设、项目管理及运营情况等方面，包含项目建成后的运营期内经济、生态和社会效益等维度。水利工程项目建成运营后的综合评价结果可以提供相关数据基础，为以后同类水利工程项目的投资立项、科研研究以及管理运营等方面提供参考，有助于高效提高国内水利工程项目的投资决策、建设施工和运营能力。为了建立完善、科学的水利工程项目综合效益评价体系，采用科学、客观和高效的分析研究方法具有很强的实践作用和必要性。理论研究中发现，专家打分法、灰色关联度分析法、层次分析法以及模糊综合评价法等均可被用于水利工程项目的综合效益评价工作，但不同方法各有利弊。为了使评价结果能够保持较好的公正、合理性、客观性以及权威性，考虑结合层次分析法与遗传算法，建立GA-AHP评价分析优化模型，通过主、客观方法结合，解决层次分析法客观性较弱的缺陷。1水利工程生态环境影响的评价优化模型1.1指标体系构建水利工程生态环境影响的评价指标体系如图1所示。为了确保评价模型具有可行性和准确性，基于系统性原则、可比性原则和可操作性原则构建指标体系，参考其他专家学者的研究成果[1]。一级指标体系分为自然环境和社会环境，二级指标包括地质环境、水文环境、社会效益和移民安置等10项。由于研究重点在于层次分析法的结果优化，自然环境和社会环境的指标结构一样，对层次分析法的优化过程并无影响，因此主要针对自然环境的指标进行优化分析。10.3969/j.issn.1004-7948.2023.07.018.F001图1水利工程生态环境影响的评价指标体系1.2层次分析法层次分析法(AHP)将与决策具有强弱相关性的元素分解成目标、准则、方案等层次，在此基础上进行定性和定量分析[2]。层次分析法中需要对所有3阶以上的判断矩阵进行一致性检验。CR=(λmax-N)/(N-1)RI (1)式中：CR——判断矩阵A中除了最大特征值外所有其他N-1个特征根的算术平均值的相反数，CR0.10时，判断矩阵的一致性可接受，能够较为准确地表示各元素间的相对重要性；λmax——所有特征值取最大值后对应的一重的正特征值；RI——平均随机一致性因素。2基于遗传算法优化的层次分析法(GA-AHP)层次分析法通过构建判断矩阵求解各元素之间的相关性和重要性程度，并通过一致性指标检验其合理性，使用层次分析法建立的指标体系下，不同专家评价的自然环境和社会环境因素的重要性不同，易导致一致性检验不通过[3-4]。GA-AHP模型通过快速检验判断矩阵的一致性，构建优化的权重比，使判断矩阵的一致性效果更优[5]。遗传算法是基于自然选择和群体遗传继承的搜索算法，通过建立目标解的求解种群，编码公式形成“染色体”，基于给定的目标函数，通过内部自身进行染色体相关因子交换和突变，并进行不断的迭代进化，使群体的适应度和平均适应度不断提高，直至最优[6]。2.1建立层次模型根据前文介绍的指标体系和层次分析法的判断矩阵，构建系统的递阶层次结构，建立层次结构模型。2.2编码方法选用二进制编码方法对判断矩阵的元素进行处理，取值范围基于层次分析法的标度取值范围表确定。X=Umin+(∑i=1Lbi·2i-1)·Umax-Umin2L-1 (2)式中：Umin、Umax——参数X的取值范围；bi——参数X取值范围中的第i段；L——总染色体个数。2.3目标函数及评价函数层次分析法的检验通过一致性指标CR进行验证，GA-AHP目标函数的建立基于两点考虑。为了保证最终得出的判断矩阵能够实现一致性指标，并达到更好的检验效果，即一致性指标数值趋于0；考虑可能存在迭代过程中陷入局部最优解的问题，通过均方误差函数(MSE)矫正最优解的偏差[7-8]。MSEw^i-wi=1n∑i=1nw^i-wi2 (3)式中：wi——判断矩阵初始权重；w^i——优化后的判断矩阵权重。最终确定的目标函数公式为：FK=∂•CR+1-∂•MSEwi^-wi (4)式中：∂——平衡因子（值取为0~1）；CR——一致性检验指标数值。文中遗传算法主要用于一致性指标检验优化，为了判断矩阵优化后的合理性，评价函数采用一致性指标CR。2.4适应度函数及染色体选择、变异与交叉研究使用比例选择算子确定群体中各个个体遗传到下一代群体中的数量，要求所有个体的适应度必须为正数或0、不能是负数。目标函数求最小值，采用的适应度函数公式为：F(K)=Cmax-F(K),当F(K)Cmax时0                      ,当F(K)≥Cmax时 (5)式中：Cmax——一个适当的相对比较大的数，取100 000 000。交叉概率设置为0.6，采用基本变异方法进行变异。3环境评价指标优化分析3.1算法模型3.1.1层次分析法判断矩阵二级指标排列矩阵如表1所示。10.3969/j.issn.1004-7948.2023.07.018.T001表1二级指标排列矩阵项目地质环境水文环境局部气候环境土壤环境生物多样性地质环境1.000.611.271.631.13水文环境1.631.000.961.220.52局部气候环境0.791.041.000.391.44土壤环境0.610.822.571.000.84生物多样性0.891.940.691.191.003.1.2GA-AHP模型遗传算法初始参数如表2所示。10.3969/j.issn.1004-7948.2023.07.018.T002表2遗传算法初始参数参数名称数值个体染色体编码长度/个10群体大小200交叉概率/%60变异概率/%1终止代数1 000平衡因子0.9（避免原始数据影响过大造成局部最优解）3.2方案选取对基准方案进行优化求解。并基于基准方案模拟不同的打分结果，按照基准方案判断矩阵上的任意上三角元素值bij，按照比例α进行缩放扩大，得到以bij'组成的判断矩阵，形成模拟方案，进行灵敏度分析，即新的判断矩阵bij'为：bij'=α×bij (6)层次分析法多方案CR数值如表3所示。10.3969/j.issn.1004-7948.2023.07.018.T003表3层次分析法多方案CR数值方案CR值一致性检验基准方案0.088 5通过模拟方案(α=60%)0.063 0通过模拟方案(α=140%)0.108 7未通过3.3求解结果基于AHP算法，针对二级指标行和指标每行的特征向量值进行归一化处理，最后确定每个元素的权重。该模型以二级指标为例，该模型下的CI值为0.099 1，RI值为1.12，CR值为0.088 5≤0.1，通过一致性检验。二级指标层次分析结果如表4所示。5个二级指标权重值集中于平均值20%附近，整体结果平均程度较为显著，分析结果虽通过了一致性检验，但过于平均的权重分配导致方案无法反映各指标的重要程度。AHP算法存在一定缺陷，需考虑进一步优化分析。10.3969/j.issn.1004-7948.2023.07.018.T004表4二级指标层次分析结果影响因子特征向量权重值/%地质环境1.04220.84水文环境0.99419.88局部气候环境0.87017.40土壤环境1.02720.53生物多样性1.06821.35按照遗传算法设置，得出3种方案的最终优化结果。GA-AHP方案优化分析CR及优化结果如表5所示。GA-AHP对3种方案均有比较明显的优化效果，其中模拟方案的一致性指标CR由不通过转为通过，数值从0.108 7降为0.001 5，并且基准方案和优选方案的CR值也进一步下降，一致性优良，数值趋近于0，表明最终得到的结果一致性极强，更具适用性。10.3969/j.issn.1004-7948.2023.07.018.T005表5GA-AHP方案优化分析CR及优化结果方案CR数值（优化前）CR数值（优化后）fmin一致性检验基准方案0.088 50.001 60.000 8通过模拟方案(α=60%)0.063 00.003 00.000 7通过模拟方案(α=140%)0.108 70.001 30.001 5通过GA-AHP算法层次排序及权重比较汇总如表6所示。自然环境指标中最重要的影响因素是地质环境和水文环境，权重值均占据25%以上，局部气候环境和土壤环境重要性次之，生物多样性对自然环境指标有影响，但并非强影响，其权重平均占比仅为6%。在后续运营中，应重点保护并维持所在地的水质和地质环境的健康。10.3969/j.issn.1004-7948.2023.07.018.T006表6GA-AHP算法层次排序及权重比较汇总影响因子基准方案模拟方案(α=60%)模拟方案(α=140%)排序序号特征向量权重值/%排序序号特征向量权重值/%排序序号特征向量权重值/%地质环境11.48629.7311.60032.0111.64132.83水文环境21.33326.6621.35727.1421.53130.63局部气候环境40.93218.6331.15523.0931.16823.37土壤环境30.93718.7340.52910.5840.3937.86生物多样性50.3126.2550.3597.1950.2665.32与主观的专家打分得到的层次分析法结果相比，AHP算法的结果更直接，但产生的权重更为均衡，无法明显判断影响因素的重要性，是一种均衡考量的措施；GA-AHP算法产生结果的精度更高，误差更小，能够直观地看出影响因素之间的重要性，对AHP算法进行了一定程度的纠正。4结语从生态环境角度分析，建立水利工程后评价指标体系，并通过主观专家打分的方式，利用层次分析法对水利工程项目对生态环境影响情况进行分析评价，依据一致性检验结果和对影响因素进行判断分析，表明此指标体系的建立具有合理性和普适性。基于遗传算法搭建层次分析法判断权重优化的数学模型，通过GA-AHP算法的结果分析可知，相对于其他优化算法，GA-AHP算法是一种基于全局最优的修正方式，只需考虑判断矩阵的准则函数的数值，不需考虑线性、离散、多峰、凹形等其他算法需要考虑的前置问题，因此对判断矩阵的修正较为直观、高效；另一方面，优化结果能更为直观地判断影响因素之间的重要性排序，对主观打分得出的权值结果也能实现一定程度上纠偏。该方法既避免了单因子评价法中某一评价因子将其他因子的信息完全覆盖的弊端，同时避免了结果过于乐观，计算结果稳定，求解精度高。