CN103378903A - 光网络评估方法 - Google Patents

Abstract

本发明公开了一种光网络评估方法，包括：基于需要使用的评估因素、影响目标的因素和准则以及综合评价算式来构建基于层次分析法的网络评估模型；填写成对比较矩阵A＝(a_ij)_n×n，

其中a_ij为第n层中第i个因素与第j个因素对上层因素的影响之比；确定成对比较矩阵的特征向量w和最大特征根λ；进行一致性检验，如果通过一致性检验，则进行到步骤五，如果不能通过一致性检验，则回到步骤二；根据特征向量w计算组合权向量w^(s)并进行组合一致性检验；根据组合权向量w^(s)对网络进行综合评价。该光网络评估方法准确、灵活机动、适应性强的特点。

Description

光网络评估方法

技术领域

本发明涉及通信领域，具体地，涉及一种光网络评估方法。

背景技术

光网络作为提供通信业务承载的基础网络，承担着传输通信网络中80％以上的流通信息量，其质量对承载的通信业务起着至关重要的作用。因此，评估分析光网络中存在的各种问题，有针对性地提出网络建设和整改建议是非常必要的工作。

目前的评估方法中一部分只针对一个评估指标，所得到的评估结果往往过于片面无法全面的评估网络。另一部分评估方法针对多个评估指标，是对多个指标的综合考虑。现存的多指标评估方法主要是分别讨论法和线性加权法。在分别讨论方法中，不会设立一个最终目标值，而是对所有指标分别评估，对每个指标分别与参考指标对比等。这种方便针对每个指标探讨，找到对应的解决方案。该方法相对来说较为繁琐，且由于不具有综合的评估指标在多个方案进行选择时会由于多个指标的优劣不同而产生困难。在线性加权方法中，将各种因素综合考虑。以一个加权结果作为最终评估的标准。这种方法最终评估参考明确，且同时也可以参考每个指标单独考虑。但在各个因素综合考虑时由于需要人为引入权重参量，权重参量的引入多是依靠人为经验，尤其在一些方法中考虑因素较多，单纯的直接确定权重参量往往是过于主观缺乏科学性与准确性的，进而导致评估结果的准确性不足的问题。

发明内容

考虑到现有技术中存在的上述问题，本发明的目的是提供一种光网络评估方法，用于准确地对光网络进行综合评估。

为了实现上述目的，本发明提供一种光网络评估方法，该方法包括以下步骤：步骤一：基于需要使用的评估因素、影响目标的因素和准则以及综合评价算式来构建基于层次分析法的网络评估模型；步骤二：填写成对比较矩阵A＝(a_ij)_n×n，

其中a_ij为第i个因素与第j个因素对上层因素的影响之比，其中，n为成对比较矩阵的行列数；步骤三：确定成对比较矩阵的特征向量w和最大特征根λ；步骤四：进行一致性检验，如果通过一致性检验，则进行到步骤五，如果不能通过一致性检验，则回到步骤二；步骤五：根据特征向量w计算组合权向量w^(s)并进行组合一致性检验；步骤六：根据组合权向量w^(s)对网络进行综合评价。

本发明所提供的光网络评估方法，是一种定性和定量相结合的、系统化、层次化的评估方法，具有系统性、实用性和简洁性的优点。该光网络评估方法将定性分析与定量计算结合起来，给出决策结果，通过比较同一层各因素对上层因素的影响(在其中的重要性)，确定它们在上层因素中占的权重。由于层次分析法中，不把所有因素放在一起比较，而是两两相互对比，同时对比时采用相对尺度，所以可以减少性质不同的诸多因素相互比较的困难，提高准确度。本发明所提供的使用层次分析法的光网络评估方法也因此具有较为准确的优点。此外，本发明所提供的光网络评估方法在选择评估因素时具有灵活机动、适应性强的特点。

本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1示出了评估一个网络时使用层次分析法的网络评估模型图。

图2示出了在图1条件下第二层对第一层的成对比较矩阵。

图3示出了使用“和法”计算特征向量和最大特征根λ的流程图。

图4示出了根据一种优选实施方式的一致性检验的流程图。

图5示出了评估多个网络时使用层次分析法的网络评估模型图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

本发明提供了一种光网络评估方法，该方法包括以下步骤：步骤一：基于需要使用的评估因素、影响目标的因素和准则以及综合评价算式来构建基于层次分析法的网络评估模型；步骤二：填写成对比较矩阵A＝(a_ij)_n×n，

其中a_ij为第i个因素与第j个因素对上层因素的影响之比，其中，n为成对比较矩阵的行列数；步骤三：确定成对比较矩阵的特征向量w和最大特征根λ；步骤四：进行一致性检验，如果通过一致性检验，则进行到步骤五，如果不能通过一致性检验，则回到步骤二；步骤五：根据特征向量w计算组合权向量w^(s)并进行组合一致性检验；步骤六：根据组合权向量w^(s)对网络进行综合评价。

根据本发明的光网络评估方法可以适用于对一个网络对进行评估得到一个评估结果，并可在同等评估约束条件下与其它网络比较。还可以适用于对多个网络进行评估和比较，确定所述多个网络相对彼此在评估因素约束下的优劣。

对一个网络对进行评估

图1示出了评估一个网络时使用层次分析法的网络评估模型图。

在评估一个网络的情况下，所述步骤一可以包括：在对一个网络进行评估时，以所使用的评估因素作为第三层方案层，以影响目标的因素和准则作为第二层准则层，以综合评价算式为第一层目标层，构建基于层次分析法的网络评估模型。

参考图1，其中最上层(即，第一层)为目标层，目标层因素为所要得到的综合评估算式，即如何通过下层因素值计算综合评估得数的算式。由方案层各评估因素经过计算后得到各评估因素在综合评估中的比重，进而得到综合评估的加权算式。第二层为准则层，为影响目标的主要因素和准则。第二层因素可以由系统资源性能和系统可靠性能组成。最底层(即，第三层)为方案层，是模型需要评价比较的对象，由网络的不同评估因素构成，所述评估因素诸如可以为资源利用率C₁，经济效率C₂，网络可扩性C₃，预留使用率C₄，业务保护率C₅，业务保护强度C₆，网络有效性C₇和分级等级效率C₈等。可以理解，所述评估因素仅为示例性的，不用于限定本发明，其他用于评估网络的评估因素也是可以的。模型最终通过计算得到计算最终综合评估的算式，然后通过网络各评估因素的具体值代入，即可得到网络综合评估结果。

所述步骤二可以包括填写成对比较矩阵A＝(a_ij)_n×n，

其中a_ij为第n层中第i个因素与第j个因素对上层因素的影响之比。其中，所述成对比较矩阵是这样的概念：假设要比较某一层n个因素C₁，C₂，…，C_n对上层因素O的影响，即其在上层因素中的重要性，则每次取两个因素C_i和C_j，用a_ij表示C_i和C_j对上层元素O的影响之比，全部比较结果可用成对比较矩阵A＝(a_ij)_n×n，表示。以图1的示例为例，图1中显示了3个成对比较矩阵，比较矩阵即对比同在一个对比层面的因素，B1和B2为一个成对比较矩阵；C1，C2，C3，C4为一个成对比较矩阵；C5，C6，C7，C8为一个成对比较矩阵。

图2示出了在图1条件下第二层对第一层的成对比较矩阵。

优选地，可以使用“1-9尺度”作为比较尺度，即a_ij相对尺度的取值范围为1，2，...，9及其倒数1，1/2，...，1/9。根据实验证明“1-9尺度”是符合心理学的，同时其效果在较简单的尺度中最好，而且结果并不劣于较复杂的尺度。表1中使出了1-9尺度情况下a_ij的含义。

表1

a_ij为成对比较矩阵的元素，C_i某一层中的第i个因素，C_j为某一层中的第j个因素。

优选地，所述步骤三确定成对比较矩阵的特征向量w和最大特征根λ可以采用“和法”，因为“和法”运算准确度较高，且较为简单。图3示出了使用“和法”计算特征向量w和最大特征根λ的流程图。参考图3，该确定成对比较矩阵的特征向量w和最大特征根λ的步骤可以包括：将成对比较矩阵A中的每一列向量归一化其中

为第i行第j个元素的列归一化后元素值；对

行求和将

归一化

w＝(w₁，w₂，…，w_n)^T即为近似特征向量；计算

作为最大特征根λ的近似值。

图5示出了根据一种优选实施方式的一致性检验的流程图。参考图4，所述一致性检验可以包括以下步骤：计算一致性指标其中n为成对比较矩阵的行列数，即比较因素数；计算一致性比率CR，其中RI为随机一致性指标，其通过随机构造正反阵并计算平均值的方法得到，当CR小于预定值(例如，CR＜0.1)时，判断所述成对比较矩阵A的不一致程度在容许范围之内，通过一致性检验，当CR大于等于预定值(例如，CR≥0.1)时，判断所述成对比较矩阵A的不一致程度不在容许范围之内，不能通过一致性检验。如果可以通过一致性检验，则可用A的特征向量作为权向量。

下面详细解释一下一致性指标CI，随机一致性指标RI以及一致性比率CR的含义及计算方法。

a.一致性指标CI定义如下：

$\mathrm{CI}=\frac{\mathrm{\λ}-n}{n-1}---\left(1\right)$

其中n为成对比较矩阵的行列数，即比较因素数。CI＝0时A为一致阵；CI越大A的不一致程度越严重。注意到A的n个特征根之和恰好等于n，所以CI相当于除λ外其余n-1个特征根的平均值。

b.随机一致性指标RI，为了确定A的不一致程度的容许范围，需要找出衡量A的一致性指标CI的标准。引入随机一致性指标RI，采用随机构造正反阵，计算平均值的方法来的得到，通过用100-500个样本计算，得到表2如下：

n	1	2	3	4	5	6	7	8	9
										RI	0	0	0.58	0.90	1.12	1.24	1.32	1.41	1.45

表2

c.一致性比率CR，对于n≥3的成对比较矩阵A，将它的一致性指标CI与同阶(指n相同)的随机一致性指标RI之比称为CR，即

$\mathrm{CR}=\frac{\mathrm{CI}}{\mathrm{RI}}$

当CR小于预定值时，例如，CR＜0.1时，认为A的不一致程度在容许范围之内，可用A的特征向量作为权向量。当CR大于等于预定值时，例如CR≥0.1，认为A的不一致程度不在容许范围之内，不能用A的特征向量作为权向量，此时则回到步骤二，重新填写成对比较矩阵A。

如果通过一致性检验，则进行到步骤五，计算组合权向量并进行组合一致性检验。

优选地，可以通过以下方法来计算组合权向量并进行组合一致性检验：利用以下公式计算第三层对第一层的组合权向量w⁽³⁾：w⁽³⁾＝W³w²。其中，W^(s)是以第s层对第s-1层的权向量为列向量组成的矩阵，计算第三层对第一层的组合一致性比率为

其中，CR^(p)为第p层的组合一致性比率，CR^(p)通过以下公式计算：

p＝2，3，…s，其中，s为总层数。而在图20一所示的示例中，p可以为2或3，s为3，第p层的一致性指标为 ${\mathrm{CI}}^{\left(p\right)}=[{\mathrm{CI}}_1^{\left(p\right)},...,{\mathrm{CI}}_n^{\left(p\right)}]w^{p-1},$ 第p层的随机一致性指标 ${\mathrm{RI}}^{\left(p\right)}=[{\mathrm{RI}}_1^{\left(p\right)},...,{\mathrm{RI}}_n^{\left(p\right)}]w^{p-1},$ 当CR^*小于预定值时，判断整个组合通过一致性检验。

下面进一步解释组合权向量的计算方法，以及组合一致性的检验。

①组合权向量：

若有s层，则第k层对第1层(设只有1个因素)的组合向量满足

w^(k)＝W^(k)w^(k-1)，k＝3，4，…s

其中W^(k)是以第k层对第k-1层的权向量为列向量组成的矩阵。于是最下层(第s层)对最上层的组合权向量为w^(s)＝W^(s)W^(s-1)…W³w²。组合权向量w^(s)大于等于0，小于等于1，并且组合权向量w^(s)的和为1。

②组合一致性检验

下式中CI^(p)为第p层的一致性指标；RI^(p)为第p层的随机一致性指标；CR^(p)为第p层的组合一致性比率；

组合一致性检验可逐层进行。若第p层的一致性指标为

${\mathrm{CI}}^{\left(p\right)}=[{\mathrm{CI}}_1^{\left(p\right)},...,{\mathrm{CI}}_n^{\left(p\right)}]w^{p-1}$

${\mathrm{RI}}^{\left(p\right)}=[{\mathrm{RI}}_1^{\left(p\right)},...,{\mathrm{RI}}_n^{\left(p\right)}]w^{p-1}$

则第p层的组合一致性比率为

${\mathrm{CR}}^{\left(p\right)}=\frac{{\mathrm{CI}}^{\left(p\right)}}{{\mathrm{RI}}^{\left(p\right)}},$ p＝2，3，…s

第p层通过一致性检验的条件为CR^(p)小于预定值(例如CR^(p)＜0.1)。定义最下层(第s层)对第一层的组合一致性比率为

${\mathrm{CR}}^{*}=\underset{p=2}{\overset{s}{\mathrm{\Σ}}}{\mathrm{CR}}^{\left(p\right)}$

对于重大项目尽当CR^*小于预订阈值时(例如CR^*小于0.2)，才认为整个层次的比较判断通过一致性检验。利用该一致性检验保证成对比较矩阵设计的合理性与计算结果的有效性。

然后，在步骤六中，根据组合权向量w^(s)对网络进行综合评价。根据一种实施方式，组合权向量w^(s)越大，所对应的评估因素对评估结果的影响越大。通常组合权向量w^(s)即各评估因素对网络评估的重要性比，也就是各评估因素占总的评估结果的比重，即加权系数。利用该组合权向量，我们可以得到综合评估的计算算式。用该组合权向量与网络的各评估因素的具体取值进行加权计算，即可得到一个整体的评估结果。例如，可以通过以下公式来获得评估结果：评估结果＝评估因素C₁ ^*组合权向量w^(s)中的第一个数+评估因素C₂ ^*组合权向量w^(s)中的第二个数+评估因素C₃ ^*组合权向量w^(s)中的第三个数……。

对多个网络对进行评估

图5示出了评估多个网络时使用层次分析法的网络评估模型图。

在评估多个网络的情况下，所述步骤一可以包括：在对多个网络之间进行比较时，以所评估的多个网络作为第三层方案层，以所使用的评估因素以及影响目标的因素和准则作为第二层准则层，以综合评价算式为第一层目标层，构建基于层次分析法的网络评估模型。

参考图5，其中最上层(即，第一层)为目标层，目标层因素为所要得到的综合评估算式。第二层为准则层，为所使用的评估因素以及影响目标的因素和准则，可以根据评估因素数量级复杂程度确定是否需要多层的准则层，图5中示出了两层的准则层，其中准则层的上层由系统资源性能和系统可靠性能组成，准则层的下层为需要评价比较的对象，由网络的不同评估因素构成，所述评估因素诸如可以为资源利用率C₁，经济效率C₂，网络可扩性C₃，预留使用率C₄，业务保护率C₅，业务保护强度C₆，网络有效性C₇和分级等级效率C₈等。可以理解，所述影响目标的准则和评估因素仅为示例性的，不用于限定本发明，其他影响目标的准则和用于评估网络的评估因素也是可以的。最底层(即，第三层)为方案层，方案层为需要评估的网络，可以包括网络G₁、网络G₂和网络G₃等。应该理解，也可以评估多于或少于图5中示出的三个网络。模型最终通过计算得到计算最终综合评估的算式，然后通过网络各评估因素的具体值代入，即可得到网络综合评估结果。所述步骤二可以包括填写成对比较矩阵A＝(a_ij)_n×n，

其中a_ij为第n层中第i个因素与第j个因素对上层因素的影响之比。其中，所述成对比较矩阵是这样的概念：假设要比较某一层n个因素C₁，C₂，…，C_n对上层因素O的影响，即其在上层因素中的重要性，则每次取两个因素C_i和C_j，用a_ij表示C_i和C_j对上层元素O的影响之比，全部比较结果可用成对比较矩阵A＝(a_ij)_n×n， $a_{\mathrm{ij}}>0,a_{\mathrm{ij}}=\frac{1}{a_{\mathrm{ji}}}$ 表示。

图2示出了在图1条件下第二层对第一层的成对比较矩阵。

优选地，可以使用“1-9尺度”作为比较尺度，即a_ij相对尺度的取值范围为1，2，...，9及其倒数1，1/2，...，1/9。根据实验证明“1-9尺度”是符合心理学的，同时其效果在较简单的尺度中最好，而且结果并不劣于较复杂的尺度。表1中使出了1-9尺度情况下a_ij的含义。

表3

a_ij为成对比较矩阵的元素，C_i某一层中的第i个因素，C_j为某一层中的第j个因素。

优选地，所述步骤三确定成对比较矩阵的特征向量和最大特征根λ可以采用“和法”，因为“和法”运算准确度较高，且较为简单。图3示出了使用“和法”计算特征向量和最大特征根λ的流程图。参考图3，该确定成对比较矩阵的特征向量和最大特征根λ的步骤可以包括：将成对比较矩阵A中的每一列向量归一化其中

为第i行第j个元素的列归一化后元素值第i行第j个元素的列归一化后元素值；对

行求和

将

归一化

w＝(w₁，w₂，…，w_n)^T即为近似特征向量；计算

作为最大特征根λ的近似值。

图5示出了根据一种优选实施方式的一致性检验的流程图。参考图4，所述一致性检验可以包括以下步骤：计算一致性指标

其中n为成对比较矩阵的行列数，即比较因素数；计算一致性比率CR，

其中RI为随机一致性指标，其通过随机构造正反阵并计算平均值的方法得到，当CR小于预定值(例如，CR＜0.1)时，判断所述成对比较矩阵A的不一致程度在容许范围之内，通过一致性检验，当CR大于等于预定值(例如，CR≥0.1)时，判断所述成对比较矩阵A的不一致程度不在容许范围之内，不能通过一致性检验。如果可以通过一致性检验，则可用A的特征向量作为权向量。

下面详细解释一下一致性指标CI，随机一致性指标RI以及一致性比率CR的含义及计算方法。

a.一致性指标CI定义如下：

$\mathrm{CI}=\frac{\mathrm{\λ}-n}{n-1}---\left(1\right)$

其中n为成对比较矩阵的行列数，即比较因素数。CI＝0时A为一致阵；CI越大A的不一致程度越严重。注意到A的n个特征根之和恰好等于n，所以CI相当于除λ外其余n-1个特征根的平均值。

b.随机一致性指标RI，为了确定A的不一致程度的容许范围，需要找出衡量A的一致性指标CI的标准。引入随机一致性指标RI，采用随机构造正反阵，计算平均值的方法来的得到，通过用100-500个样本计算，得到表4如下：

n	1	2	3	4	5	6	7	8	9
										RI	0	0	0.58	0.90	1.12	1.24	1.32	1.41	1.45

表4

c.一致性比率CR，对于n≥3的成对比较矩阵A，将它的一致性指标CI与同阶(指n相同)的随机一致性指标RI之比称为CR，即

$\mathrm{CR}=\frac{\mathrm{CI}}{\mathrm{RI}}$

当CR小于预定值时，例如，CR＜0.1时，认为A的不一致程度在容许范围之内，可用A的特征向量作为权向量。当CR大于等于预定值时，例如CR≥0.1，认为A的不一致程度不在容许范围之内，不能用A的特征向量作为权向量，此时则回到步骤二，重新填写成对比较矩阵A。

如果通过一致性检验，则进行到步骤五，计算组合权向量并进行组合一致性检验。

优选地，可以通过以下方法来计算组合权向量并进行组合一致性检验：

利用以下公式计算第三层对第一层的组合权向量w⁽³⁾：w⁽³⁾＝W³w²。其中，W^(s)是以第s层对第s-1层的权向量为列向量组成的矩阵，计算第三层对第一层的组合一致性比率为

其中，CR^(p)为第p层的组合一致性比率，CR^(p)通过以下公式计算：

p＝2，3，…s，其中，s为总层数，s大于等于1，第p层的一致性指标为第p层的随机一致性指标当CR^*小于预定值时，判断整个组合通过一致性检验。

下面进一步解释组合权向量的计算方法，以及组合一致性的检验。

①组合权向量：

若有s层，则第k层对第1层(设只有1个因素)的组合向量满足

w^(k)＝W^(k)w^(k-1)，k＝3，4，…s

其中W^(k)是以第k层对第k-1层的权向量为列向量组成的矩阵。于是最下层(第s层)对最上层的组合权向量为w^(s)＝W^(s)W^(s-1)…W³w²。组合权向量w^(s)大于等于0，小于等于1，并且组合权向量w^(s)的和为1。

②组合一致性检验

下式中CI^(p)为第p层的一致性指标；RI^(p)为第p层的随机一致性指标；CR^(p)为第p层的组合一致性比率；

组合一致性检验可逐层进行。若第p层的一致性指标为

${\mathrm{CI}}^{\left(p\right)}=[{\mathrm{CI}}_1^{\left(p\right)},...,{\mathrm{CI}}_n^{\left(p\right)}]w^{p-1}$

${\mathrm{RI}}^{\left(p\right)}=[{\mathrm{RI}}_1^{\left(p\right)},...,{\mathrm{RI}}_n^{\left(p\right)}]w^{p-1}$

则第p层的组合一致性比率为

${\mathrm{CR}}^{\left(p\right)}=\frac{{\mathrm{CI}}^{\left(p\right)}}{{\mathrm{RI}}^{\left(p\right)}},$ p＝2，3，…s

第p层通过一致性检验的条件为CR^(p)小于预定值(例如CR^(p)＜0.1)。

定义最下层(第s层)对第一层的组合一致性比率为

${\mathrm{CR}}^{*}=\underset{p=2}{\overset{s}{\mathrm{\Σ}}}{\mathrm{CR}}^{\left(p\right)}$

对于重大项目尽当CR^*小于预订阈值时(例如CR^*小于0.2)，才认为整个层次的比较判断通过一致性检验。利用该一致性检验保证成对比较矩阵设计的合理性与计算结果的有效性。

然后，在步骤六中，根据组合权向量w^(s)对网络进行综合评价。根据一种实施方式，组合权向量w^(s)越大，所对应的网络越优。上述步骤得到的方案层组合权向量w^(s)＝W^(s)W^(s-1)…W³w²，即各网络对目标层(网络评价)的重要比重。通过该向量中各分量的值即可知道组合权向量w^(s)越大，所对应的网络越优。例如，可以通过以下公式来获得评估结果：评估结果＝网络G₁ ^*组合权向量w^(s)中的第一个数+网络G₂ ^*组合权向量w^(s)中的第二个数+网络G₃ ^*组合权向量w^(s)中的第三个数……。

本发明所提供的光网络评估方法，是一种定性和定量相结合的、系统化、层次化的评估方法，具有系统性、实用性和简洁性的优点。该光网络评估方法将定性分析与定量计算结合起来，给出决策结果，通过比较同一层各因素对上层因素的影响(在其中的重要性)，确定它们在上层因素中占的权重。由于层次分析法中，不把所有因素放在一起比较，而是两两相互对比，同时对比时采用相对尺度，所以可以减少性质不同的诸多因素相互比较的困难，提高准确度。本发明所提供的使用层次分析法的光网络评估方法也因此具有较为准确的优点。此外，本发明所提供的光网络评估方法在选择评估因素时具有灵活机动、适应性强的特点。根据本发明的光网络评估方法可以适用于对一个网络对进行评估得到一个评估结果，并可在同等评估约束条件下与其它网络比较。还可以适用于对多个网络进行评估和比较，确定所述多个网络相对彼此在评估因素约束下的优劣。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (9)

1.一种光网络评估方法，该方法包括以下步骤：

步骤一：基于需要使用的评估因素、影响目标的因素和准则以及综合评价算式来构建基于层次分析法的网络评估模型；

步骤二：填写成对比较矩阵A＝(a_ij)_n×n，其中a_ij为第i个因素与第j个因素对上层因素的影响之比，其中，n为成对比较矩阵的行列数；

步骤三：确定成对比较矩阵的特征向量w和最大特征根λ；

步骤四：进行一致性检验，如果通过一致性检验，则进行到步骤五，如果不能通过一致性检验，则回到步骤二；

步骤五：根据特征向量w计算组合权向量w^(s)并进行组合一致性检验；

步骤六：根据组合权向量w^(s)对网络进行综合评价。

2.根据权利要求1所述的光网络评估方法，其中，所述步骤一包括：

在对一个网络进行评估时，以所使用的评估因素作为第三层方案层，以影响目标的因素和准则作为第二层准则层，以综合评价算式为第一层目标层，构建基于层次分析法的网络评估模型。

3.根据权利要求1所述的光网络评估方法，其中，所述步骤一包括：

在对多个网络之间进行比较时，以所评估的多个网络作为第三层方案层，以所使用的评估因素以及影响目标的因素和准则作为第二层准则层，以综合评价算式为第一层目标层，构建基于层次分析法的网络评估模型。

4.根据权利要求2或3所述的光网络评估方法，其中，所述影响目标的因素和准则包括系统资源性能和系统可靠性能中的至少一者，所述评估因素包括资源利用率、经济效率、网络可扩性、预留使用率、业务保护率、业务保护强度、网络有效性和分级等级效率中的至少一者。

5.根据权利要求1所述的光网络评估方法，其中，所述步骤三包括：

将成对比较矩阵A中的每一列向量归一化其中

为第i行第j个元素的列归一化后元素值；

对

行求和 ${\tilde{w}}_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\tilde{w}}_{\mathrm{ij}};$

将

归一化

w＝(w₁，w₂，…，w_n)^T即为特征向量w的近似值；

计算作为最大特征根λ的近似值。

6.根据权利要求1所述的光网络评估方法，其中，所述步骤四包括：

计算一致性指标

计算一致性比率CR，其中RI为随机一致性指标，其通过随机构造正反阵并计算平均值的方法得到，当CR小于预定值时，通过一致性检验，当CR大于等于预定值时，不能通过一致性检验。

7.根据权利要求6所述的光网络评估方法，其中，所述步骤五包括：

利用以下公式计算第三层对第一层的组合权向量w⁽³⁾：

w⁽³⁾＝W³w²

其中，W^(s)是以第s层对第s-1层的权向量为列向量组成的矩阵，

计算第三层对第一层的组合一致性比率为

其中，CR^(p)为第p层的组合一致性比率，CR^(p)通过以下公式计算：

p＝2，3，…s，其中，s为总层数，第p层的一致性指标为

第p层的随机一致性指标当CR^*小于预定值时，判断整个组合通过一致性检验。

8.根据权利要求7所述的光网络评估方法，其中，所述步骤六包括：

组合权向量w^(s)越大，所对应的评估因素对评估结果的影响越大。

9.根据权利要求7所述的光网络评估方法，其中，所述步骤六包括：

组合权向量w^(s)越大，所对应的网络越优。

Images