一种基于网络层次分析法的异构网络多属性决策方法

摘要

本发明是一种基于网络层次分析法的异构网络多属性决策方法，该方法在计算网络属性权重时考虑复杂动态网络中属性的相互作用和反馈，还考虑目标网络对网络选择的影响，更符合异构网络决策问题的实际情况，在实时语音业务下能选择低时延、低抖动的网络。具体步骤如下：先计算权重，将影响网络选择的属性因素和目标网络分为功能组、成本组和方案组，建立组内、组间元素之间和组与组之间的相互关系，按照层次分析法建立两两比较的判断矩阵，得到特征向量构成子矩阵，子矩阵共同组成未加权超矩阵，超矩阵加权和幂运算得到极限超矩阵和ANP权重；然后以ANP权重和归一化的网络参数得到网络的效用函数值，对其排序并选择效用值最大的作为目标网络。

主权项

1.一种基于网络层次分析法的异构网络多属性决策方法，其特征在于该方法包括以下步骤：a.网络选择系统的网络结构模型的建立：整个异构网络选择系统的网络层内部是相互影响的元素所形成的网络结构，将影响网络选择的属性因素和目标网络的所有因素分成功能组C₁、成本组C₂和方案组C₃，C₁分为可用带宽c₁₁和总带宽c₁₂，C₂分为包时延c₂₁，包抖动c₂₂，丢包率c₂₃和价格c₂₄，C₃包含的目标网络有UMTS-1，UMTS-2，WLAN-1，WLAN-2，WiWAX-1和WiMAX-2，分别对应于元素c₃₁，c₃₂，c₃₃，c₃₄，c₃₅和c₃₆，C_i表示第i个元素组，c_ik表示第i个元素组的第k个元素，K_i表示第i个元素组的元素数目，i=1,2,3，k=1，...,K_i，K₁=2,K₂=4,K₃=6，三组总共12个元素；b.组内组间元素的判断矩阵的建立：对以上三个组，根据层次结构的相互依存和反馈关系，利用层次分析法先将元素组C₁内元素c₁₁和c₁₂分别以各个元素c_ik作为准则时进行两两比较，得到12个2*2维的判断矩阵，矩阵中每个值反映元素c₁₁和c₁₂对于元素c_ik的重要程度，同样用层次分析法分别建立元素组C₂内元素和C₃内元素分别以各个元素c_ik为准则时两两比较的判断矩阵，分别得到12个4*4维的判断矩阵和12个6*6维的判断矩阵，假设以上判断矩阵用B=(b_mn)表示，b_mn是用数字1-9或其倒数表示的第m个元素相对第n个元素在某准则下的相对重要程度；c.元素组的判断矩阵的建立：以目标网络为主准则，同样按照层次分析法，分别以C₁，C₂，C₃作为次准则构造三个元素组两两比较，得到3个3*3维的判断矩阵，假设判断矩阵表示为E=(e_mn)，e_mn是用数字1-9或其倒数表示的第m个元素组相对第n个元素组在元素组C_j准则下的相对重要程度；d.判断矩阵的特征向量和特征值的计算：步骤b的判断矩阵为B=(b_mn)，使用求和的方法计算其特征向量为G=(g(1),...,g(m)，...,g(K_i))^T，其中m,n=1,2，...,K_i，i，j=1,2,3，其最大特征根为B为判断矩阵，G为判断矩阵特征向量，(BG)_m为所得向量(BG)的第m个向量值；判断矩阵B的一致性比率用CR表示，CR=CI/RI，RI为平均随机一致性指标，CI为一致性指标且CI=(λ_max-K_i)/(K_i-1)，若CR>0.1，需要对比较矩阵再做调整，返回步骤b；对于步骤c中得出的元素组间的判断矩阵E，方法同上可求出其特征向量和最大特征值，并做一致性检验，若CR>0.1则返回步骤c调整矩阵；e.未加权超矩阵的构成：假设元素组C_i中的K_i个元素基于元素组C_j中第k个元素c_jk建立的判断矩阵B的特征向量在步骤d中已求出，i，j=1,2,3，k=1,...,K_j，将其表示为$G_{\mathrm{ij}}^{\left(c_{\mathrm{jk}}\right)}={(g_{\mathrm{ij}}^{\left(c_{\mathrm{jk}}\right)}\left(1\right),...g_{\mathrm{ij}}^{\left(c_{\mathrm{jk}}\right)}\left(m\right)...,g_{\mathrm{ij}}^{\left(c_{\mathrm{jk}}\right)}\left(K_i\right))}^T,$表示向量中的第m个向量值，依次从c_j1到分别计算其特征向量得出的向量整列填入到子矩阵W_ij中，即最终网络层元素组内和组间元素相互影响构成的所有W_ij矩阵一起组成未加权超矩阵W=(W_ij)，i，j=1,2,3；f.加权矩阵的构成：以元素组C_j作为次准则对C₁，C₂，C₃三个元素组进行两两比较建立判断矩阵其特征向量按步骤d中用同样方法可求，表示为a_1j,a_2j,a_3j分别表示特征向量值，j=1,2,3，将向量整列填入到加权矩阵A中，$A=(H^{\left(C_1\right)},H^{\left(C_2\right)},H^{\left(C_3\right)})=\left(a_{\mathrm{ij}}\right),$i，j=1,2,3；g.加权超矩阵的构成：对未加权矩阵W进行加权处理以保证列归一，得到加权超矩阵M=(M_ij)，其子矩阵M_ij=a_ij*W_ij，对加权超矩阵M进行2k+1次幂运算S=M^2k+1，直到出现极限超矩阵S=MS为止，否则需要调整判断矩阵并重新计算特征向量，利用极限超矩阵S计算得到网络属性的ANP权重W_anp和网络目标的权重向量W_net；h.网络选择：将网络参数按照属性的效益型和成本型分别归一化，再用代价函数法计算每个网络的代价函数值，对其排序，取代价函数值最大的网络作为目标网络。