一种基于区间三角模糊数的异构无线网络选择方法

摘要

本发明针对异构无线网络的选择问题，考虑到不同网络各种参数变化的不确定性和无规律性，给出了基于区间三角模糊数的网络选择方法。该方法构建了结合主客观权重的优化模型，以获得最优权重，其中主观权重由模糊层次分析法获得，客观权重通过熵权法获得。在构造决策矩阵时，考虑到网络参数的不确定性，利用区间三角模糊数对数据进行处理，最后基于改进的灰色关联分析法，实现了对网络的排序。本发明的方法相对于其他方法能够有效减少终端的切换次数，在网络参数方面（时延，时延抖动，吞吐量方面）都有较好的性能。

主权项

一种基于基于区间三角模糊数的异构无线网络选择方法，其特征在于，该方法包括以下步骤：步骤一：计算各个网络判决属性的最优权重，设w_j为第j个网络判决属性的最优权重，j＝1,2,…N，N是网络判决属性的个数，则最优权重向量W＝[w₁,w₂...w_N]，基于主观赋权法得到的权值向量W^(S)与基于客观赋权法计算得到的权值向量W^(O)应与最优的权值向量W的偏差达到最小，其中主观权重由三角模糊层次分析法获得，客观权重由熵权法获得，建立最优化模型：$\min D=\theta \underset{j=1}{\overset{N}{\Sigma }}{(w_j-w_j^S)}^2+(1-\theta )\underset{j}{\overset{N}{\Sigma }}{(w_j-w_j^O)}^2$$s.t.\left\{\begin{array}{c}{w}_j\ge 0\\ \underset{j=1}{\overset{N}{\Sigma }}{w}_j=1\end{array}\right.$其中，为第j个网络判决属性的主观权重，为第j个网络判决属性的最优权重，θ为对主观赋权的加权系数；相应地，(1‑θ)为对客观赋权的加权系数，为了求解最优权重，针对上述优化模型，构造Lagrange函数：$L(W,\lambda )=\theta \underset{j=1}{\overset{N}{\Sigma }}{(w_j-w_j^S)}^2+(1-\theta )\underset{j=1}{\overset{N}{\Sigma }}{(w_j-w_j^O)}^2-2\lambda (\underset{j=1}{\overset{N}{\Sigma }}{w}_j-1)$其中，λ为拉格朗日乘数，对上式的w_i和λ分别求偏导，可以得到：$\lambda =\frac{1-\underset{j=1}{\overset{N}{\Sigma }}{X}_j}{N},j=\mathrm{1,2},...,N,w_j=X_j+\lambda =X_j+\lambda =X_j+(1-\underset{j=1}{\overset{N}{\Sigma }}{X}_j)/N,j=\mathrm{1,2}...,N,$其中，继而可以求得最优权重向量W＝[w₁,w₂...w_N]；步骤二：构建决策矩阵A.获得决策矩阵先用语言变量表示某一时刻获得的不同网络的不同网络参数，然后根据语言变量和区间三角模糊数的对应关系对不同网络参数进行量化，可以得到量化后的决策矩阵；设有M个备选网络，有N个网络参数判决属性，x_ij(i＝1,2...Mj＝1,2...N)是第i个网络在第j个判决属性下的区间三角模糊数,并将其表示为：x_ij＝[(a_ij,a_ij')；b_ij；(c_ij',c_ij)](i＝1,2...M j＝1,2...N)(a_ij,a_ij')表示某个网络参数下限的波动范围，(c_ij',c_ij)表示上限的波动范围，b_ij表示该网络判决属性的最有可能值，纵坐标是网络判决属性j三角隶属度函数，满足三角隶属函数：$\mu \left(x_{\mathrm{ij}}\right)=\left\{\begin{array}{c}\frac{x_{\mathrm{ij}}-a_{\mathrm{ij}}}{b_{\mathrm{ij}}-a_{\mathrm{ij}}},a_{\mathrm{ij}}\le x_{\mathrm{ij}}\le b_{\mathrm{ij}}\\ \frac{x_{\mathrm{ij}}-c_{\mathrm{ij}}}{b_{\mathrm{ij}}-c_{\mathrm{ij}}},b_{\mathrm{ij}}\le x_{\mathrm{ij}}\le c_{\mathrm{ij}}\end{array}\right.,1\le i\le M,1\le j\le N;$B.归一化处理对每个属性做如下的归一化处理：$r_{\mathrm{ij}}=[(\frac{a_{\mathrm{ij}}}{c_j^{+}},\frac{{a_{\mathrm{ij}}}^{\prime }}{c_j^{+}});\frac{b_{\mathrm{ij}}}{c_j^{+}};(\frac{{c_{\mathrm{ij}}}^{\prime }}{c_j^{+}},\frac{c_{\mathrm{ij}}}{c_j^{+}})],i=\mathrm{1,2}...M;j=\mathrm{1,2}...N$其中并记r_ij＝[(g_ij,g_ij')；h_ij；(l_ij,l_ij')]，且$g_{\mathrm{ij}}=\frac{a_{\mathrm{ij}}}{c_j^{+}},{g_{\mathrm{ij}}}^{\prime }=\frac{{a_{\mathrm{ij}}}^{\prime }}{c_j^{+}},h_{\mathrm{ij}}=\frac{b_{\mathrm{ij}}}{c_j^{+}},l_{\mathrm{ij}}=\frac{{c_{\mathrm{ij}}}^{\prime }}{c_j^{+}},{l_{\mathrm{ij}}}^{\prime }=\frac{c_{\mathrm{ij}}}{c_j^{+}},$则可以得到归一化后的决策矩阵R_M×N＝[r_ij]_M×N；步骤三：网络排序设备选网络M个，判决属性N个，其中备选网络集为C＝{C₁,C₂,...,C_M}，C₁,C₂,...,C_M为M个备选网络，A.确定参考序列在构造了决策矩阵之后，参考序列R₀可以定义为：R₀＝(r₀₁,r₀₂,...,r_0N)＝([(1,1)；1；(1,1)],[(1,1)；1；(1,1)],...,[(1,1)；1；(1,1)])B.计算参考数列与属性值数列之间元素的对应距离令：$\left\{\begin{array}{c}{\Delta }_{\mathrm{ij}}^{\left(1\right)}=\sqrt{\frac{1}{3}[{({g_{\mathrm{ij}}}^{\prime }-1)}^2+{(h_{\mathrm{ij}}-1)}^2+{({l_{\mathrm{ij}}}^{\prime }-1)}^2]}\\ {\Delta }_{\mathrm{ij}}^{\left(2\right)}=\sqrt{\frac{1}{3}[{(g_{\mathrm{ij}}-1)}^2+{(h_{\mathrm{ij}}-1)}^2+{(l_{\mathrm{ij}}-1)}^2]}\end{array}\right.,i=\mathrm{1,2},...,M;j=\mathrm{1,2},...,N$这样对应每一个网络的每一个判决属性，可以得到一个区间数并获得距离的最大值和最小值：$\begin{array}{cc}{\Delta }_{\max }^{\left(1\right)}=\underset{i,j}{\max }{\Delta }_{\mathrm{ij}}^{\left(1\right)},& {\Delta }_{\max }^{\left(2\right)}=\underset{i,j}{\max }{\Delta }_{\mathrm{ij}}^{\left(2\right)}\\ {\Delta }_{\min }^{\left(1\right)}=\underset{i,j}{\min }{\Delta }_{\mathrm{ij}}^{\left(1\right)},& {\Delta }_{\min }^{\left(2\right)}=\underset{i,j}{\min }{\Delta }_{\mathrm{ij}}^{\left(2\right)}\end{array},i=\mathrm{1,2},...,M,j=\mathrm{1,2},...,N$C.计算各判决属性与参考数列之间的灰色关联系数${\xi }_{\mathrm{ij}}^{\left(1\right)}=\frac{{\Delta }_{\min }^{\left(1\right)}+\rho {\Delta }_{\max }^{\left(1\right)}}{{\Delta }_{\mathrm{ij}}^{\left(1\right)}+\rho {\Delta }_{\max }^{\left(1\right)}},{\xi }_{\mathrm{ij}}^{\left(2\right)}=\frac{{\Delta }_{\min }^{\left(2\right)}+\rho {\Delta }_{\max }^{\left(2\right)}}{{\Delta }_{\mathrm{ij}}^{\left(2\right)}+\rho {\Delta }_{\max }^{\left(2\right)}},i=\mathrm{1,2},...,M,j=\mathrm{1,2},...,N$其中，ρ为分辨系数，设为0.5；D.计算各备选网络与参考数列之间的灰色关联度${\gamma }_i^{\left(1\right)}=\underset{j=1}{\overset{N}{\Sigma }}{w}_j{\xi }_{\mathrm{ij}}^{\left(1\right)},{\gamma }_i^{\left(2\right)}=\underset{j=1}{\overset{N}{\Sigma }}{w}_j{\xi }_{\mathrm{ij}}^{\left(2\right)},i=\mathrm{1,2},...,M$其中，权重w_j为之前计算的最优权重向量，每一个备选网络的灰色关联度为一个区间数；E.对备选网络进行排序通过区间可能度的概念，备选网络C_s优于C_t(s,t＝1,2,...,M)的可能度p(C_s≥C_t)可以通过下式确定：$p_{\mathrm{st}}=p(C_s\ge C_t)=p({\gamma }_s\ge {\gamma }_t)=\max \{1-\max \{\frac{{\gamma }_t^{\left(2\right)}-{\gamma }_s^{\left(1\right)}}{L\left({\gamma }_s\right)+L\left({\gamma }_t\right)},0\},0\}$其中：${\gamma }_s={[\gamma }_s^{\left(1\right)},{\gamma }_s^{\left(2\right)}],{\gamma }_t={[\gamma }_t^{\left(1\right)},{\gamma }_t^{\left(2\right)}],$$L\left({\gamma }_s\right)={\gamma }_s^{\left(2\right)}-{\gamma }_s^{\left(1\right)},L\left({\gamma }_t\right)={\gamma }_t^{\left(2\right)}-{\gamma }_t^{\left(1\right)},s,t=\mathrm{1,2},...,M$得到可能度矩阵：$P_{M\times M}=\left[\begin{array}{cccc}{p}_{11}& p_{12}& ...& p_{1M}\\ p_{21}& p_{22}& ...& p_{2M}\\ ...& ...& ...& \\ p_{M1}& p_{M2}& ...& p_{\mathrm{MM}}\end{array}\right]$则备选网络集中的C_s(s＝1,2,...,M)的综合指标为：$V_s=\frac{1}{M(M-1)}(\underset{t=1}{\overset{M}{\Sigma }}{p}_{\mathrm{st}}+\frac{M}{2}-1),s=\mathrm{1,2},...,M$根据V_s(s＝1,2,...,M)对所有备选网络进行排序。V_s越大，网络整体性能越优。