摘要
基于人口的元启发式算法被广泛用于多目标城市疏散规划，然而其内部机制的不透明性限制了从业者在对安全至关重要的场景中的信任。据我们所知，本研究首次将分数阶微积分和分形分析与EvoMapX过程级可解释性框架相结合，应用于疏散优化领域。与传统使用指数移动平均值的EvoMapX不同，该方案通过Caputo和Grünwald–Letnikov导数将长程记忆直接嵌入到可解释性流程中。操作符属性矩阵（OAM）、种群演化图（PEG）和收敛驱动得分（CDS）通过采用Caputo和Grünwald-Letnikov分数阶导数的分数阶公式进行了扩展，并加入了自适应记忆参数，同时结合了Mittag–Leffler紧急性升级动态。引入了一种分数阶PSO变体（FO-EPSO），该变体具有针对不同段的分数速度更新功能，并配备了分形适应度景观分析模块以进行参数自适应调整。该框架包含了九种特定于疏散的操作符、用于区域级属性的空间OAM以及多利益相关者解释流程。基于520个灾害场景的实验表明，可解释性和优化性能并非相互排斥：集成EvoMapX的NSGA-II算法的平均超体积为0.731，而标准算法为0.728，计算开销降低了不到5%。OAM揭示了传统分析方法无法察觉的灾害类型特定操作符模式。在北京朝阳区和卢旺达基加利进行的实际验证证实了这些发现。从操作角度来看，这项工作的最重要成果在于其对人类决策者的影响：一项针对45名应急管理专业人员的对照研究表明，引入EvoMapX解释后，制定疏散计划所需的时间减少了24.9%，决策信心提高了20.3%，算法理解自我评估从18.1%提升到了78.9%（所有结果均满足p < 0.001）。对于实时灾害响应而言，这一过程级透明性的实现所带来的优势同样显著：与非可解释性方案相比，运行时开销仅增加了不到5%，我们认为这是现场应用的关键实际优势。本研究证明了分数阶过程级透明性是安全关键领域中一个可行且有益的可解释优化范式。
