1.基于IMODE分层进化算法的火警管理水平评估方法，其特征在于：所述方法包括以下步骤：

S1：在评估开始前，根据消防管理机构提供的故障火灾报警器清单及历史报警数据集数据，计算各类型的火灾探测器的可靠性与故障率的值；

S2：得到各类型火灾探测器的可靠性和故障率后，建立考虑区域特征的BP神经网络模型，在这一模型中，每个火灾报警器的报警信息被汇总为一个样本进行处理，所有样本被随机分为测试集和训练集，从而完成BP神经网络模型的训练操作；

S3：将消防管理机构提供的存在数据缺失的火灾探测器数据汇总为缺损数据集，并执行补足操作，从而得到每个火灾探测器的所属机构编码、机构管辖面积、火灾探测器可靠性、火灾探测器故障率、火警次数、所属项目编号；

S4：为分析各消防大队的综合管理水平，设计分层指标体系；所述综合管理水平由三个评价层的得分加权得到，其中每个评价层的得分又由与之对应的三个子评价指标的得分加权得到，即：每个消防大队都具有9个与之对应的评价指标；其中，部件管理水平层包含辖区期望不可靠性、辖区综合不可靠性、辖区综合故障率三个子评价指标，超额管理水平层包含辖区超额不可靠性、辖区超额故障率、辖区超额火灾频率三个子评价指标，安全管理水平层包含辖区误报警率、辖区真实火灾发生频率、辖区内故障设备数量三个子评价指标；

S5：为对管理水平进行综合评价，引入IMODE分层进化算法，所述IMODE分层进化算法用于每个评价层层内及评价层层间分别进行权重优化；对IMODE分层进化算法得到的最优个体执行解码操作，并为每个消防大队计算得到其管理水平得分；

S6：列出每个消防大队的管理水平得分，并列出每个消防大队在每个评价层的得分情况，并将得分情况反馈给各消防大队，以便于各消防大队对辖区内存在的问题作进一步处理。

2.根据权利要求1所述的方法，其特征在于：所述火灾探测器包括点型感烟探测器、点型感温探测器、线型光束感烟探测器、智能光电探头、手动报警按钮、复合探测器、光束感烟、点型点烟、气体探测器、火焰探测器、点型温烟、信号阀、压力开关、智能感温、智能光电探测器和消火栓。

3.根据权利要求1所述的方法，其特征在于：所述步骤S1中计算各类型火灾探测器的故障率与可靠性的值包括以下步骤：

步骤1‑1：对得到的历史火灾报警数据集进行数据清洗，根据消防管理机构提供的故障火灾报警器清单，从历史报警数据集中剔除掉由故障火灾报警器发出的误报警信息，从而完成数据清洗操作步骤；

步骤1‑2：根据消防管理机构提供的故障火灾报警器清单，经统计得到各类型火灾探测器的故障率；

步骤1‑3：考虑不同火灾探测器间地理位置的关联系，如果有不止1个在同一建筑物内的报警器同时报警，则认为发生了一次真实火灾，以此为依据计算历史火灾报警数据集中所囊括的真实火灾次数，从而得出历史火灾报警数据集中的所有真实报警信号清单；

步骤1‑4：根据得到的真实报警信号清单，利用标准弗里德曼检验方法，计算每个类型的全部火灾探测器在历史火灾报警数据集数据集上的Ranking值；将所有类型火灾探测器的的Ranking值归一化到[0,1]区间，每种类型火灾探测器所对应的归一化的结果即作为该类型火灾探测器的可靠性指标。

4.根据权利要求1所述的方法，其特征在于：所述步骤S2中构建考虑区域特征的BP神经网络模型包括以下步骤：

步骤2‑1：收集所需的样本数据，将每个火灾报警器作为一个样本进行处理，每个样本包括所属机构编码、所属机构管辖面积、可靠性、故障率、火警次数、所属项目编号、火灾概率，其中，同一辖区内的同一种火灾探测器共享相关的可靠性及故障率的值，火警次数为该火灾探测器发出报警信息的总次数，火灾概率为这一火灾探测器发出的真实火灾报警次数占其总报警次数的比例；

步骤2‑2：建立考虑区域特征的BP神经网络模型，在这一模型中，BP神经网络的结构包括7层，其中首层为输入层，中间包括5层全连接的隐含层，最后一层为输出层；所述输入层包含6个输入，分别为所属机构编码、机构管辖面积、火灾探测器可靠性、火灾探测器故障率、火警次数和所属项目编号；所述输出层包括1个输出，即火灾概率；

步骤2‑3：将样本随机分为训练集和测试集，其中训练集和测试集的占比分别为70％和

30％；使用标准Levenberg‑Marquardt方法进行训练，采用均方误差MSE作为模型性能的评价指标；

步骤2‑4：使用训练集中的样本数据训练所构建的BP神经网络模型，最大迭代次数设为

1000次；训练完成后，计算测试集在该模型上的均方误差MSE的值以用于评价模型的性能。

5.根据权利要求1所述的方法，其特征在于：所述步骤S3中的补足操作包括：步骤3‑1对于缺损数据集中的每条报警数据，若所属机构数据的数据栏目缺失，则删去该条数据；若火灾探测器可靠性或火灾探测器故障率数据栏目缺失，则使用与该条数据所属机构相同的相同类型火灾探测器的火灾探测器可靠性或火灾探测器故障率数据进行补足；若火警次数数据栏目缺失，则使用与该条数据所属机构相同的相同类型的全部火灾探测器的平均火警次数进行补足；若所属项目编号数据栏目缺失，则将项目编号置为0；

步骤3‑2：将补足后的缺损数据集中的每个火灾探测器的数据作为一个样本处理，使用已训练好的BP神经网络预测这些样本的输出值，即火灾概率的值。

6.根据权利要求1所述的方法，其特征在于：所述步骤S4中，根据以下公式计算每个消防大队的9个评价指标

FS

上式中，EU 表示辖区编号为FS的辖区期望不可靠性水平，P表示各类型火灾探测器所构成的集合， 表示辖区FS下的类型为i的火灾探测器的数量，Ri表示类型为i的火灾探测器的可靠性水平；

FS

上式中，CU 表示辖区FS下的辖区综合不可靠性水平，P表示各类型火灾探测器所构成的集合， 表示辖区FS下的类型为i的火灾探测器的故障数量；

FS

上式中，CF 表示辖区FS下的辖区综综合故障率，P表示各类型火灾探测器所构成的集合， 表示辖区FS下的类型为i的火灾探测器的数量， 表示辖区FS下的类型为i的火灾探测器的故障数；

FS FS FS

OU ＝CU ‑EU

FS FS

上式中，OU 表示辖区FS下的超额不可靠性水平，CU 表示辖区FS下的辖区综合不可靠FS

性水平，EU 表示辖区FS下的辖区期望不可靠性水平；

FS FS

上式中，OF 表示辖区FS下的辖区超额故障率，CF 表示辖区FS下的辖区综综合故障率，P表示各类型火灾探测器所构成的集合， 表示辖区FS下的类型为i的火灾探测器的数量，Fi表示类型为i的火灾探测器的故障率；

FS FS

上式中，OFF 表示辖区FS下的辖区超额火灾频率，D表示数据记录的天数，FN 表示辖区FS

FS下D天内真实发生的火灾次数，A 表示辖区FS下的管辖面积；

FS FS FS

上式中，ER 表示辖区FS下的辖区误报警率，EFN 表示辖区FS内误报警次数，AFN 表示辖区FS内总报警次数；

FS FS

上式中，FF 表示辖区FS下的辖区真实火灾发生频率，D表示数据记录的天数，FN 表示FS

辖区FS下D天内真实发生的火灾次数；所述辖区FS下所属的故障设备数量EN 直接通过统计得到，该指标可用于评价该辖区的安全管理水平。

7.根据权利要求1所述的方法，其特征在于：所述步骤S5中利用IMODE进化算法执行分层优化操作包括以下步骤：

步骤5‑1：确定控制参数后对种群进行初始化，在解空间中随机均匀产生大小为NP的初始总体，个体的每个维度对应了一个评价指标的权重，每个解的取值范围在区间[0，1]之间，用评价函数计算出每个个体的适应度值；

步骤5‑2：对于每一个解，使用DE weighted‑rand‑to‑φbest变异策略生成一个突变后的解，所述突变策略采用下述公式计算得到突变后的解：vi，j＝xi，j+Fi*(xφ，j‑xi，j+xr1，j‑xr2，j)；

其中j表示解的维度，Fi表示缩放因子，r1≠r2≠i是随机整数，xi，j表示突变前的解，xr1，j，xr2，j是从整个种群中随机选择的两个不同个体，xφ，j选自总群体适应度最好的10％的个体，vi，j表示经过变异后的解；

步骤5‑3：突变策略执行完成之后，采用与步骤5‑1相同的方法计算突变后的解vi，j的适应度值；将突变后的解vi，j和突变前的解xi，j进行随机进行二项式交叉以产生新的种群，所述二项式交叉采用如下公式实现：

其中，其中rand是一个[0，1]之间的随机数，j表示当前解的维度，jrand是一个[1，D]之间的随机整数，D代表解的总维度个数，Cri是交叉概率；

步骤5‑4：用评价函数计算出vi，j和ui，j中每个个体的适应度值，为下一步的贪婪选择策略提供数据参考；

步骤5‑5：使用贪婪选择的策略，将新解ui，j和突变前的解xi，j进行比较，将最优个体送入下一次循环，然后使用线性机制动态地减小种群NP：min init

其中，NP 是算法可以成立的最小个体数，NP 是种群初始化时的个体数，FES是当前评估函数值，MAXFES是预定义的评估函数的最大值，G表示当前迭代次数；

步骤5‑6：若当前的函数评价次数已经达到所设置的最大函数评价次数的50％，采用标准模拟退火算法对种群中的每个解进行一次优化，以实现搜索性能的进一步提升；

步骤5‑7：若当前的函数评价次数已经达到所设置的最大迭代次数，则退出迭代，否则重复步骤5‑2、步骤5‑3、步骤5‑4、步骤5‑5和步骤5‑6；退出迭代时，还需返回优化后的各评价子层间的权重分布情况及各评价子层间的各评价指标的权重分布情况。

8.根据权利要求5所述的的方法，其特征在于：所述步骤5‑1中，根据以下步骤计算解的适应度值：

步骤5‑1‑1：对于待评价的全部辖区，首先根据3个评价子层各自对应的3个评价指标权重，分别计算出3个评价子层的得分：FS FS FS

L1＝a1*EU +a2*CU +a3*CFFS FS FS

L2＝a4*OU +a5*OF +a6*OFFFS FS FS

L3＝a7*ER +a8*FF +a9*EN其中L1，L2，L3分别表示部件评价子层、超额评价子层、安全评价子层的得分，a1，a2，a3是FS FS FS FS FS

部件评价子层中指标EU ，CU ，CF 对应的权重，a4，a5，a6是超额评价子层中指标OU ，OF ，FS FS FS FS

OFF 对应的权重，a7，a8，a9是安全评价子层中指标ER ，FF ，EN 对应的权重；

步骤5‑1‑2：根据上一步得出的3个评价子层的得分，进一步得出各个辖区的综合得分，称每个消防大队管理的区域为一个辖区，称每个辖区的得分为一个辖区样本点：FS

CE ＝a10*L1+a11*L2+a12*L3FS

其中，CE 表示辖区FS的综合评分，a10是部件评价子层的权重，a11是超额评价子层的权重，a12是安全评价子层的权重；

步骤5‑1‑3：设定高斯分布的均值中心数为μ＝80，标准差σ＝20/3，称[μ‑3σ，μ‑2σ)、[μ‑

2σ，μ‑σ)、[μ‑σ，μ)、[μ，μ+σ)、[μ+σ，μ+2σ)、[μ+2σ，μ+3σ]分别为区间1、区间2、区间3、区间4、区间5和区间6；统计落入每个区间的辖区样本点数量Ni，其中i为区间编号；

步骤5‑1‑4：按如下公式，计算落入区间1至区间6内每个区间的期望辖区样本点数量：Ei＝ratei*N

上式中，i为区间编号，其可能的取值为1、2、3、4、5或6。Ei为落入区间i的期望辖区样本点数量，N为辖区的总数量。ratej为落入区间i的期望辖区样本点数量占辖区的总数量N的比例，根据高斯分布的3σ原则，有rate1＝rate6＝2.140％，rate2＝rate5＝13.590％，rate3＝rate4＝34.135％；

步骤5‑1‑5：计算区间1至区间6内，每个区间对应的Ni与Ei的差值的绝对值Di；计算得到D1、D2、D3、D4、D5、D6的标准差为UD，称UD为待评价个体的分布不均衡度，并使用1/UD作为待评价个体的适应度值。

9.基于IMODE进化算法的火警管理水平评估系统，其特征在于：所述该系统包括终端设备，终端设备采用互联网终端设备，包括处理器和计算机可读存储介质；所述计算机可读存储介质，用于存储多条指令，指令适于由终端设备的处理器加载并执行如权利要求1‑8中任一项所述的基于IMODE分层进化算法的火警管理水平评估方法。