CN103607756A - 一种基于协同学原理的异构网络多属性决策方法 - Google Patents

一种基于协同学原理的异构网络多属性决策方法 Download PDF

Info

Publication number
CN103607756A
CN103607756A CN201310518123.XA CN201310518123A CN103607756A CN 103607756 A CN103607756 A CN 103607756A CN 201310518123 A CN201310518123 A CN 201310518123A CN 103607756 A CN103607756 A CN 103607756A
Authority
CN
China
Prior art keywords
attribute
subsystem
network
order
degree
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310518123.XA
Other languages
English (en)
Other versions
CN103607756B (zh
Inventor
朱琦
张丽娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201310518123.XA priority Critical patent/CN103607756B/zh
Publication of CN103607756A publication Critical patent/CN103607756A/zh
Application granted granted Critical
Publication of CN103607756B publication Critical patent/CN103607756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明是一种基于协同学原理的多属性网络决策方法，该方法将网络看作是由多个属性子系统合成的复合系统，从属性均衡协调发展的角度对网络性能评估，根据业务需求为用户提供满意的QoS，即在会话业务下选择低时延、低抖动的网络，而在交互类业务下选择低价格、高吞吐量的网络，并且有效减少垂直切换次数。具体步骤如下：将每个网络属性归类到对应的属性子系统，计算每个属性子系统中各个序参量分量即网络属性的有序度，将序参量分量的有序度几何平均得到每个属性子系统的有序度，再结合AHP属性权重计算每个网络系统的整体熵值，以熵值作为网络效用函数，选择熵值最小即整体有序度最大、属性整体发展最好的网络作为目标网络。

Description

一种基于协同学原理的异构网络多属性决策方法
 
技术领域
本发明属于通信技术领域，涉及一种基于协同学原理的异构网络多属性决策方法。
 
背景技术
随着无线通信技术的飞跃发展，未来将是各种无线技术共存的局面，各种无线接入技术协同工作融合形成异构网络，它们在覆盖范围、接入速率、容量和网络质量等方面各有优势，彼此之间难以相互替代。异构融合网络环境下，网络的异构性和差异性较大，用户在网络初始化状态首先需要对网络进行选择，选择结束后，随着用户地理位置的改变，业务的变化，以及网络本身的变化，需要对网络重新选择，在异构网络垂直切换过程中，应尽量保证用户的服务质量，即无缝切换，因而异构无线网络中如何选择最优网络是通信领域中研究的一个热点问题。
以往的同构网络选择时只需要考虑接收信号强度，而异构网络中的网络选择问题是典型的多属性决策问题，为了提供用户满意的QoS和最小化服务代价，网络选择除了考虑接收信号强度，还需要根据网络、应用、用户和终端相关的QoS、偏好、服务价格、安全等级、移动性等多种因素进行判断。多属性决策(MADM)常用的网络选择方法包括简单加权法(SAW)、乘法指数权值(MEW)、灰度关联分析法(GRA)、接近理想方案的序数偏好方法(TOPSIS)等。同时多属性决策方法分为客观和主观赋权法，其中客观赋权法根据各个网络客观属性之间的差异来进行网络选择，例如熵权法（EW)，主观赋权法根据用户的服务要求进行网络选择，例如层次分析法(AHP)，这两种赋权法主要是计算出每个网络属性的权重，再将网络参数加权后的值作为效用函数值，从中选择最小成本或者最大效益的网络作为最佳目标网络。
除了主观赋权和客观赋权法，还有考虑主观和客观的网络决策算法，比如有AHP和TOPSIS或AHP和GRA结合的算法，但是这些算法按照一定的权重将规范化后的客观属性加权，并不能很好得解释这样结合后算法的实际物理意义。本发明将协同学理论应用到网络选择中，利用AHP方法得到根据业务的主观权重，计算属性子系统的有序度，反映各属性子系统的发展状况，二者结合后得到复合系统的系统熵值，熵值越小，说明复合系统的整体有序度较大，各属性子系统间协同发展得较好。
 
发明内容
技术问题：本发明的目的是提供一种基于AHP和协同学原理的多属性网络决策方法，该方法将每个网络看作是由多个属性子系统合成的复合系统，属性子系统的协同作用体现宏观的网络性能，从属性均衡协调发展的角度对网络性能评估，同时考虑不同业务下的用户服务需求，更符合异构网络决策问题的实际情况，在会话业务下能选择低时延、低抖动的网络，而在交互类业务下选择低价格、高吞吐量的网络，并且可以有效减少垂直切换次数。       
技术方案：本发明的基于协同学原理的异构网络多属性网络决策方法，包括以下步骤：
1）确定候选网络复合系统的构成：将每个候选网络复合系统                                               
Figure 201310518123X100002DEST_PATH_IMAGE002
看作是由吞吐量子系统
Figure 201310518123X100002DEST_PATH_IMAGE004
、及时性子系统
Figure 201310518123X100002DEST_PATH_IMAGE006
、可靠性子系统
Figure 201310518123X100002DEST_PATH_IMAGE008
和费用子系统
Figure DEST_PATH_IMAGE010
组成的系统，所述吞吐量子系统
Figure 112499DEST_PATH_IMAGE004
包含的属性为可用速率
Figure DEST_PATH_IMAGE012
和峰值速率
Figure DEST_PATH_IMAGE014
，及时性子系统
Figure 581307DEST_PATH_IMAGE006
包含的属性为包时延
Figure DEST_PATH_IMAGE016
和包抖动
Figure DEST_PATH_IMAGE018
，可靠性子系统
Figure 186601DEST_PATH_IMAGE008
包含的属性为包丢失，费用子系统
Figure 42824DEST_PATH_IMAGE010
包含的属性为每比特费用
Figure DEST_PATH_IMAGE022
，以上属性分别为所对应属性子系统中的序参量分量；
2）计算属性子系统的序参量分量的有序度：对属性子系统
Figure DEST_PATH_IMAGE024
，假定属性
Figure DEST_PATH_IMAGE026
的取值越大网络性能越好，反之性能越差，而属性
Figure DEST_PATH_IMAGE028
的取值越大网络性能越差，反之性能越好，其中k为属性子系统编号，
Figure DEST_PATH_IMAGE030
，为属性子系统
Figure 647724DEST_PATH_IMAGE024
中效益型属性的个数，
Figure DEST_PATH_IMAGE034
为属性子系统的属性总个数，
Figure DEST_PATH_IMAGE036
，则属性子系统
Figure 466644DEST_PATH_IMAGE024
中各个序参量分量
Figure DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE040
的有序度为，其中
Figure DEST_PATH_IMAGE044
分别为属性
Figure 744304DEST_PATH_IMAGE038
的最大值和最小值，i为属性子系统中属性的编号；
3）计算属性子系统的有序度：将步骤2）中得到的属性子系统的序参量分量的有序度
Figure DEST_PATH_IMAGE046
几何平均得到属性子系统
Figure 914254DEST_PATH_IMAGE024
的有序度为
Figure DEST_PATH_IMAGE048
；
4）根据业务类型计算层次分析法权重，具体流程为：
a）根据业务类型分别建立关于步骤1）中确定的所有属性两两比较的判断矩阵
Figure DEST_PATH_IMAGE050
，判断矩阵的元素值为1到9的整数或其倒数，根据
Figure DEST_PATH_IMAGE052
，计算出判断矩阵的最大特征值和
Figure 561321DEST_PATH_IMAGE054
对应的特征向量
Figure DEST_PATH_IMAGE056
，其中
Figure DEST_PATH_IMAGE058
为特征向量，
Figure DEST_PATH_IMAGE060
为特征值，
b）根据下式计算得到判断矩阵的一致性比率为：
，其中
Figure DEST_PATH_IMAGE064
为矩阵维数，即候选网络复合系统包含的属性个数，
Figure DEST_PATH_IMAGE066
为根据所述矩阵维数
Figure 400095DEST_PATH_IMAGE064
查询平均随机性一致性指标表得到的平均一致性指标；
c）判断是否满足
Figure DEST_PATH_IMAGE068
，如是，则返回步骤a），否则进入步骤d）；
d）将矩阵的最大特征值
Figure 729445DEST_PATH_IMAGE054
对应的特征向量
Figure 990662DEST_PATH_IMAGE056
归一化，得到该业务类型对应的层次分析法权重为
Figure DEST_PATH_IMAGE070
，
Figure DEST_PATH_IMAGE072
分别为
Figure 954814DEST_PATH_IMAGE064
个属性所对应的权重；
5）计算复合系统熵值：将步骤3）得到的属性子系统的有序度
Figure DEST_PATH_IMAGE074
按照步骤4）得到的层次分析法权重
Figure DEST_PATH_IMAGE076
进行加权复合，得到第
Figure DEST_PATH_IMAGE078
个候选网络复合系统
Figure 400707DEST_PATH_IMAGE002
的系统熵值为
Figure DEST_PATH_IMAGE080
，其中
Figure DEST_PATH_IMAGE082
表示第
Figure DEST_PATH_IMAGE084
个属性子系统
Figure DEST_PATH_IMAGE086
的属性编号，
Figure DEST_PATH_IMAGE088
表示编号
Figure DEST_PATH_IMAGE090
的属性对应的权重，
Figure DEST_PATH_IMAGE092
表示属性子系统
Figure 472481DEST_PATH_IMAGE086
对候选网络复合系统
Figure 271809DEST_PATH_IMAGE002
的贡献权重，
Figure DEST_PATH_IMAGE094
为候选网络复合系统的个数；
6）将步骤5）中计算得到的各个候选网络复合系统的系统熵值
Figure DEST_PATH_IMAGE096
作为衡量网络性能的效用函数，选取其中系统熵值最小的网络作为目标网络，即
Figure DEST_PATH_IMAGE098
。
本发明将协同学原理应用到网络选择问题中，将每个网络看作是由多个属性子系统构成的复合系统，属性子系统间的协同作用呈现网络的整体性能，建立了协同度评价指标模型，用于对宏观的网络性能进行评估。
本发明将每个网络看作是由多个属性子系统合成的复合系统，从属性均衡协调发展的角度对网络性能评估，同时考虑不同业务下的用户服务需求，实现了较好的决策。    
有益效果：本发明与现有技术相比，具有以下优点：      
1.将协同学原理应用到网络选择中，网络被视为多个属性子系统组成的复合系统，各个属性子系统相互影响又相互合作，属性子系统协同发展最好的网络才是整体性能最优的，若有一方面因素发展不好都会影响所选网络的整体性能，因而在客观方面能以系统内部协调度较好评价网络的总体性能，从而做出客观正确选择。
2.同时利用AHP方法得到各类业务的属性权重，与客观性能进行加权得到最后的效用函数而做出判决，使决策不仅考率了网络客观属性，还要考虑用户需求，使得决策结果更符合实际情况。
3.在会话类业务下，基于AHP和协同学理论的异构网络多属性决策方法的选择结果的平均包时延、包抖动均小于熵权法EW和灰色关联分析法GRA算法，在交互类业务下，基于AHP和协同学理论的异构网络多属性决策方法的选择结果的每比特价格小于EW，GRA算法，而吞吐量大于EW，GRA算法，并且可以有效减少垂直切换次数，因而此算法可以根据不同的业务类型为用户提供满意的QoS。
 
附图说明
图1为采用AHP和协同学理论实现网络选择的算法流程示意图。
图2为P=0.5时会话业务下的时延、抖动参数和交互类业务下的价格、吞吐量参数的平均统计结果。
图3为会话语音业务下各算法的切换次数随着状态转移概率P的变化图。
图4为交互类业务下各算法的切换次数随着状态转移概率P的变化图。
 
具体实施方式
下面结合实施例和说明书附图对发明的技术方案进行详细说明：
本发明的思路是将协同学理论运用到解决异构网络的网络选择问题，层次分析法AHP用于求不同业务下的主观属性权重，协同学原理用于对网络属性进行客观判决。建立协同度评价模型，得到属性子系统的有序度，按照AHP权重加权合成得到复合系统的熵值。
以复合系统的熵值为效用函数，对候选网络进行排序并选择代价函数最小的网络，熵值越小的网络对应的属性子系统间协同效应越大，网络性能越好。
整个网络选择过程采用AHP方法和协同学原理实现网络选择的总体流程图见附图1。
本发明的基于协同学原理的异构网络多属性网络决策方法，包括以下步骤：
1）确定候选网络复合系统的构成：在基于协同学原理的多属性网络决策方法中，每个候选网络看作是由多个属性子系统合成的复合系统，各个属性子系统相互影响又相互合作，产生协同作用和合作效应。从系统的角度，将每个网络看作是由多个属性子系统合成的复合系统，各个属性子系统相互影响又相互合作，产生协同作用和合作效应，假设每个候选网络复合系统
Figure 919828DEST_PATH_IMAGE002
是由吞吐量子系统、及时性子系统
Figure 889501DEST_PATH_IMAGE006
、可靠性子系统
Figure 492520DEST_PATH_IMAGE008
和费用子系统
Figure 135991DEST_PATH_IMAGE010
组成的系统，即
Figure DEST_PATH_IMAGE100
，所述吞吐量子系统包含的属性为可用速率
Figure 324713DEST_PATH_IMAGE012
和峰值速率
Figure 964380DEST_PATH_IMAGE014
，及时性子系统
Figure 524674DEST_PATH_IMAGE006
包含的属性为包时延和包抖动
Figure 309276DEST_PATH_IMAGE018
，可靠性子系统
Figure 254098DEST_PATH_IMAGE008
包含的属性为包丢失
Figure 606582DEST_PATH_IMAGE020
，费用子系统
Figure 112912DEST_PATH_IMAGE010
包含的属性为每比特费用
Figure 613164DEST_PATH_IMAGE022
，以上属性分别为所对应属性子系统中的序参量分量。
2）计算属性子系统的序参量分量的有序度：对属性子系统，假定属性
Figure 568667DEST_PATH_IMAGE026
的取值越大网络性能越好，反之性能越差，而属性
Figure 416538DEST_PATH_IMAGE028
的取值越大网络性能越差，反之性能越好，其中k为属性子系统编号，
Figure 404085DEST_PATH_IMAGE030
，
Figure 628393DEST_PATH_IMAGE032
为属性子系统
Figure 510462DEST_PATH_IMAGE024
中效益型属性的个数，
Figure 857130DEST_PATH_IMAGE034
为属性子系统的属性总个数，
Figure 269656DEST_PATH_IMAGE036
，则属性子系统
Figure 94393DEST_PATH_IMAGE024
中各个序参量分量
Figure 275976DEST_PATH_IMAGE038
，
Figure 793545DEST_PATH_IMAGE040
的有序度为
                    (1)
其中
Figure 823260DEST_PATH_IMAGE044
分别为网络属性
Figure 921666DEST_PATH_IMAGE038
的最大值和最小值，i为属性子系统中属性编号，该公式相当于对各个序参量分量即网络属性进行规范化，使其均满足有序度
Figure 610136DEST_PATH_IMAGE046
越大网络的属性性能越好，取值范围为0~1。可知属性的有序度
Figure 163794DEST_PATH_IMAGE046
越大，
Figure 319969DEST_PATH_IMAGE038
对有序的“贡献”越大，即属性
Figure 677876DEST_PATH_IMAGE038
在属性子系统
Figure 349029DEST_PATH_IMAGE024
的协同过程中越占据主导作用。
3）计算属性子系统的有序度：属性子系统的性能不但取决于所有属性的大小，还取决于它们之间的组合形式，将属性子系统
Figure 522521DEST_PATH_IMAGE024
中各个序参量分量的有序度几何平均得到属性子系统
Figure 625792DEST_PATH_IMAGE024
的有序度为
Figure 721924DEST_PATH_IMAGE048
                          (2)
属性子系统有序度
Figure DEST_PATH_IMAGE102
越大，说明属性子系统
Figure 731731DEST_PATH_IMAGE024
的网络性能参数越优。属性子系统的有序度用于衡量网络系统的客观局部属性性能，其整体效应体现网络的性能。
4）根据业务类型计算层次分析法AHP权重：
a）根据业务类型分别建立关于步骤1）中确定的所有属性两两比较的判断矩阵
Figure 924815DEST_PATH_IMAGE050
，形式如下：
Figure DEST_PATH_IMAGE104
         (3)
其中
Figure DEST_PATH_IMAGE106
表示第m个网络属性相对第n个网络属性的重要程度，
Figure DEST_PATH_IMAGE108
和
Figure DEST_PATH_IMAGE110
代表第m个网络属性和第n个网络属性的权重，
Figure 755017DEST_PATH_IMAGE106
值是引用数字1到9或其倒数作为标度的，数值大小代表了属性的相对重要程度。判断矩阵的主对角线均为1，关于主对角线对称的两个矩阵元素值呈倒数关系，
Figure DEST_PATH_IMAGE112
，且。判断矩阵B存在特征方程满足，其中
Figure DEST_PATH_IMAGE118
为非零特征向量，
Figure DEST_PATH_IMAGE120
为特征值，计算出判断矩阵的最大特征值
Figure 775112DEST_PATH_IMAGE054
和
Figure 324167DEST_PATH_IMAGE054
对应的特征向量
Figure 633926DEST_PATH_IMAGE056
。
b）计算判断矩阵的一致性比率：为对所建立的网络属性的判断矩阵B进行一致性校验：对各网络属性因素两两比较时，得到的判断矩阵不一定满足一致性，可能出现
Figure 766967DEST_PATH_IMAGE106
与
Figure DEST_PATH_IMAGE122
并不相等，因此需衡量属性判断矩阵的合理性，若不合理，那么得到的主观权重也是不合理的。一致性的衡量指数用一致性比率
Figure DEST_PATH_IMAGE124
表示：
Figure DEST_PATH_IMAGE126
                           (4)
其中
Figure DEST_PATH_IMAGE128
的计算公式为：
Figure DEST_PATH_IMAGE130
                      (5)
Figure 505859DEST_PATH_IMAGE066
为平均随机一致性指标，需要根据判断矩阵的阶数查表，其
Figure 345639DEST_PATH_IMAGE066
值如表1所示：
表1  平均随机性一致性指标
Figure 888616DEST_PATH_IMAGE066
矩阵的阶数 1 2 3 4 5 6 7 8 9
Figure DEST_PATH_IMAGE132
 0.00 0.00 0.58 0.90 1.12 1.24 1.32 1.41 1.45
c）判断是否满足
Figure DEST_PATH_IMAGE134
，如是，说明建立的判断矩阵不合理，则返回步骤a），需要根据用户的业务需求调整，将重要性设的过大的属性降低其重要性，即降低该属性在判断矩阵中的元素值，用户看重但重要性设置不高的属性提高其重要性，即提高该属性在判断矩阵中的元素值，对判断矩阵中的个别元素值略微调整，比如3，5分别代表不同的重要程度，是人为给定的，重要性为5时矩阵不一致那么可以调整重要程度为3、7或其他，从而修改了判断矩阵B；若
Figure DEST_PATH_IMAGE136
时，说明判断矩阵满足一致性，进入步骤d）。
d）将矩阵的最大特征值对应的特征向量
Figure 726570DEST_PATH_IMAGE056
归一化后就能得到该业务类型对应的层次分析法权重向量
Figure DEST_PATH_IMAGE138
，
Figure 483174DEST_PATH_IMAGE072
分别为
Figure 134735DEST_PATH_IMAGE064
个属性所对应的权重，T是转置符号。
5）计算复合系统熵值：利用信息论的无序与有序来间接衡量各属性子系统间的协同度，越是无序不协调的属性系统其无序程度即熵值越大，反之越是有序协调的属性系统其熵值越小，即熵值可以间接反映了属性子系统的协同效用。根据AHP权重
Figure 242368DEST_PATH_IMAGE070
计算各个属性子系统的权重即属性子系统所包含的属性权重之和，将属性子系统的有序度按照各个属性子系统的权重分别加权求和得到各个网络复合系统的熵值，第
Figure 248687DEST_PATH_IMAGE078
个候选网络复合系统
Figure 727659DEST_PATH_IMAGE002
的系统熵值为
Figure 994692DEST_PATH_IMAGE080
            (6)
其中表示第
Figure 659209DEST_PATH_IMAGE084
个属性子系统
Figure 980469DEST_PATH_IMAGE086
的属性编号，表示编号
Figure 534127DEST_PATH_IMAGE090
的属性对应的权重，
Figure 621294DEST_PATH_IMAGE092
表示属性子系统
Figure 785559DEST_PATH_IMAGE086
对候选网络复合系统
Figure 89501DEST_PATH_IMAGE002
的贡献权重，
Figure 630204DEST_PATH_IMAGE094
为候选网络复合系统的个数。这四个属性子系统按照各自的贡献权重与自身熵值加权求和得到复合系统的熵值，因此当四个属性子系统的有序度都较大时其复合系统熵值较小，系统较为有序，协同度即合作效应也越大，网络的性能也越好。
6）将各个候选网络复合系统的系统熵值
Figure 70413DEST_PATH_IMAGE096
作为衡量网络性能的效用函数，选取系统熵值最小的网络作为目标网络，即
Figure 671158DEST_PATH_IMAGE098
                     (7)
该网络是属性子系统间协同发展最好的网络，熵值最小的网络是属性子系统间协同发展最好的网络，说明各属性系统均衡协调发展得越好。
综上所述，将协同学原理应用到解决多属性网络的决策，把每个网络看作是由多个属性子系统合成的复合系统，属性子系统的协同作用体现宏观的网络性能，从属性均衡协调发展的角度对网络性能评估，同时考虑不同业务下的用户服务需求，更符合异构网络决策问题的实际情况。如附图2中的表格所示是在状态转移概率P=0.5时，在会话类业务下，基于协同学原理的异构网络多属性决策方法的选择结果的平均包时延、包抖动均小于熵权法EW和灰色关联分析法GRA算法，在交互类业务下，基于协同学原理的异构网络多属性决策方法的选择结果的每比特价格小于EW，GRA算法，而吞吐量大于EW，GRA算法，并且通过附图3和附图4可见本发明算法可以有效减少垂直切换次数，因而说明基于协同学原理的网络决策方法可以根据不同的业务类型为用户提供满意的QoS。

Claims (1)

1.一种基于协同学原理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： 
1）确定候选网络复合系统的构成：将每个候选网络复合系统                                                
Figure 201310518123X100001DEST_PATH_IMAGE001
看作是由吞吐量子系统
Figure 57885DEST_PATH_IMAGE002
、及时性子系统
Figure 201310518123X100001DEST_PATH_IMAGE003
、可靠性子系统
Figure 228884DEST_PATH_IMAGE004
和费用子系统
Figure 201310518123X100001DEST_PATH_IMAGE005
组成的系统，所述吞吐量子系统
Figure 183065DEST_PATH_IMAGE002
包含的属性为可用速率
Figure 681042DEST_PATH_IMAGE006
和峰值速率
Figure 201310518123X100001DEST_PATH_IMAGE007
，及时性子系统
Figure 826590DEST_PATH_IMAGE003
包含的属性为包时延和包抖动，可靠性子系统
Figure 472784DEST_PATH_IMAGE004
包含的属性为包丢失
Figure 825267DEST_PATH_IMAGE010
，费用子系统
Figure 141717DEST_PATH_IMAGE005
包含的属性为每比特费用
Figure DEST_PATH_IMAGE011
，以上属性分别为所对应属性子系统中的序参量分量；
2）计算属性子系统的序参量分量的有序度：对属性子系统
Figure 517335DEST_PATH_IMAGE012
，假定属性
Figure DEST_PATH_IMAGE013
的取值越大网络性能越好，反之性能越差，而属性
Figure 875635DEST_PATH_IMAGE014
的取值越大网络性能越差，反之性能越好，其中k为属性子系统编号，
Figure DEST_PATH_IMAGE015
，
Figure 722106DEST_PATH_IMAGE016
为属性子系统
Figure 773239DEST_PATH_IMAGE012
中效益型属性的个数，
Figure DEST_PATH_IMAGE017
为属性子系统的属性个数，
Figure 636152DEST_PATH_IMAGE018
，则属性子系统
Figure 314257DEST_PATH_IMAGE012
中各个序参量分量
Figure DEST_PATH_IMAGE019
，
Figure 251120DEST_PATH_IMAGE020
的有序度为
Figure DEST_PATH_IMAGE021
，其中分别为属性的最大值和最小值，i为属性子系统中属性的编号；
3）计算属性子系统的有序度：将所述步骤2）中得到的属性子系统的序参量分量的有序度
Figure DEST_PATH_IMAGE023
几何平均得到属性子系统
Figure 287581DEST_PATH_IMAGE012
的有序度为
Figure 469163DEST_PATH_IMAGE024
；
4）根据业务类型计算层次分析法权重，具体流程为：
a）根据业务类型分别建立关于步骤1）中确定的所有属性两两比较的判断矩阵，所述判断矩阵的元素值为1到9的整数或其倒数，根据
Figure 596519DEST_PATH_IMAGE026
，计算出判断矩阵
Figure 434025DEST_PATH_IMAGE025
的最大特征值和
Figure 436354DEST_PATH_IMAGE027
对应的特征向量，其中
Figure DEST_PATH_IMAGE029
为特征向量，
Figure 911646DEST_PATH_IMAGE030
为特征值，
b）根据下式计算得到判断矩阵的一致性比率为：
Figure DEST_PATH_IMAGE031
，其中
Figure 672666DEST_PATH_IMAGE032
为矩阵维数，即候选网络复合系统包含的属性个数，
Figure DEST_PATH_IMAGE033
为根据所述矩阵维数
Figure 917834DEST_PATH_IMAGE032
查询平均随机性一致性指标表得到的平均一致性指标；
c）判断是否满足，如是，则返回步骤a），否则进入步骤d）；
d）将矩阵的最大特征值
Figure 985245DEST_PATH_IMAGE027
对应的特征向量归一化，得到该业务类型对应的层次分析法权重为
Figure DEST_PATH_IMAGE035
，
Figure 79158DEST_PATH_IMAGE036
分别为个属性所对应的权重；
5）计算复合系统熵值：将所述步骤3）得到的属性子系统的有序度
Figure DEST_PATH_IMAGE037
按照步骤4）得到的层次分析法权重
Figure 870844DEST_PATH_IMAGE038
进行加权复合，得到第
Figure 966976DEST_PATH_IMAGE040
个候选网络复合系统的系统熵值为
Figure DEST_PATH_IMAGE041
，其中
Figure 855353DEST_PATH_IMAGE042
表示第
Figure DEST_PATH_IMAGE043
个属性子系统
Figure 931893DEST_PATH_IMAGE044
的属性编号，
Figure DEST_PATH_IMAGE045
表示编号的属性对应的权重，
Figure DEST_PATH_IMAGE047
表示属性子系统
Figure 14305DEST_PATH_IMAGE044
对候选网络复合系统的贡献权重，
Figure 739696DEST_PATH_IMAGE048
为候选网络复合系统的个数；
6）将步骤5）中计算得到的各个候选网络复合系统的系统熵值作为衡量网络性能的效用函数，选取其中系统熵值最小的网络作为目标网络，即
Figure 685786DEST_PATH_IMAGE050
。
CN201310518123.XA 2013-10-29 2013-10-29 一种基于协同学原理的异构网络多属性决策方法 Active CN103607756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310518123.XA CN103607756B (zh) 2013-10-29 2013-10-29 一种基于协同学原理的异构网络多属性决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310518123.XA CN103607756B (zh) 2013-10-29 2013-10-29 一种基于协同学原理的异构网络多属性决策方法

Publications (2)

Publication Number Publication Date
CN103607756A true CN103607756A (zh) 2014-02-26
CN103607756B CN103607756B (zh) 2017-04-05

Family

ID=50125947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310518123.XA Active CN103607756B (zh) 2013-10-29 2013-10-29 一种基于协同学原理的异构网络多属性决策方法

Country Status (1)

Country Link
CN (1) CN103607756B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106131920A (zh) * 2016-06-21 2016-11-16 南京邮电大学 一种基于多属性与排队理论的异构网络选择方法
CN106535226A (zh) * 2016-10-17 2017-03-22 南京邮电大学 一种基于协同学理论的多网络协同选择和聚合方法
CN107949038A (zh) * 2017-10-31 2018-04-20 南京邮电大学 一种基于ahp和相似度的网络选择方法
CN109756892A (zh) * 2019-01-15 2019-05-14 安徽理工大学 一种基于异构网络的网络选择和数据传输加密的方法
CN110213739A (zh) * 2019-06-11 2019-09-06 北京航空航天大学 面向矿车无人驾驶运输系统的多模式通信方法和装置
CN110933691A (zh) * 2019-11-28 2020-03-27 哈尔滨工业大学 一种用于专用融合网络中基于相对熵和理想解的垂直切换方法
CN113115411A (zh) * 2021-03-31 2021-07-13 华南理工大学 一种基于协同理论的异构无线网络选择方法
CN114449536A (zh) * 2022-01-27 2022-05-06 重庆邮电大学 一种基于深度强化学习的5g超密集网络多用户接入选择方法
CN116017626A (zh) * 2023-01-04 2023-04-25 南京邮电大学 一种基于能效的多服务异构网络接入选择方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108024307B (zh) * 2017-12-03 2020-06-02 北京邮电大学 一种基于物联网的异构网络接入选择方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102149171A (zh) * 2011-04-01 2011-08-10 北京邮电大学 一种基于融合的异构无线接入网络的网络选择方法及装置
CN102427595A (zh) * 2011-12-29 2012-04-25 北京邮电大学 用于异构融合无线网络的自适应优化切换控制方法和装置
CN103108382A (zh) * 2012-11-20 2013-05-15 南京邮电大学 一种基于网络层次分析法的异构网络多属性决策方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102149171A (zh) * 2011-04-01 2011-08-10 北京邮电大学 一种基于融合的异构无线接入网络的网络选择方法及装置
CN102427595A (zh) * 2011-12-29 2012-04-25 北京邮电大学 用于异构融合无线网络的自适应优化切换控制方法和装置
CN103108382A (zh) * 2012-11-20 2013-05-15 南京邮电大学 一种基于网络层次分析法的异构网络多属性决策方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵亮等: "基于VC-DRSA的信息系统多属性群决策安全评估", 《南京邮电大学学报（自然科学版）》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106131920A (zh) * 2016-06-21 2016-11-16 南京邮电大学 一种基于多属性与排队理论的异构网络选择方法
CN106535226A (zh) * 2016-10-17 2017-03-22 南京邮电大学 一种基于协同学理论的多网络协同选择和聚合方法
CN107949038B (zh) * 2017-10-31 2020-07-03 南京邮电大学 一种基于ahp和相似度的网络选择方法
CN107949038A (zh) * 2017-10-31 2018-04-20 南京邮电大学 一种基于ahp和相似度的网络选择方法
CN109756892A (zh) * 2019-01-15 2019-05-14 安徽理工大学 一种基于异构网络的网络选择和数据传输加密的方法
CN110213739A (zh) * 2019-06-11 2019-09-06 北京航空航天大学 面向矿车无人驾驶运输系统的多模式通信方法和装置
CN110933691A (zh) * 2019-11-28 2020-03-27 哈尔滨工业大学 一种用于专用融合网络中基于相对熵和理想解的垂直切换方法
CN110933691B (zh) * 2019-11-28 2022-06-21 哈尔滨工业大学 一种用于专用融合网络中基于相对熵和理想解的垂直切换方法
CN113115411A (zh) * 2021-03-31 2021-07-13 华南理工大学 一种基于协同理论的异构无线网络选择方法
CN113115411B (zh) * 2021-03-31 2022-05-24 华南理工大学 一种基于协同理论的异构无线网络选择方法
CN114449536A (zh) * 2022-01-27 2022-05-06 重庆邮电大学 一种基于深度强化学习的5g超密集网络多用户接入选择方法
CN114449536B (zh) * 2022-01-27 2023-05-23 重庆邮电大学 一种基于深度强化学习的5g超密集网络多用户接入选择方法
CN116017626A (zh) * 2023-01-04 2023-04-25 南京邮电大学 一种基于能效的多服务异构网络接入选择方法
CN116017626B (zh) * 2023-01-04 2023-09-22 南京邮电大学 一种基于能效的多服务异构网络接入选择方法

Also Published As

Publication number Publication date
CN103607756B (zh) 2017-04-05

Similar Documents

Publication Publication Date Title
CN103607756A (zh) 一种基于协同学原理的异构网络多属性决策方法
CN102781072B (zh) 基于多属性决策和群组决策的网络选择方法
Vo et al. Slicing the edge: Resource allocation for RAN network slicing
CN107734512B (zh) 一种基于灰度关联层次分析的网络选择方法
Wang et al. An approach for spatial-temporal traffic modeling in mobile cellular networks
CN107484209B (zh) 一种考虑用户QoS的网络负载均衡垂直切换方法
CN103108382B (zh) 一种基于网络层次分析法的异构网络多属性决策方法
US8588702B2 (en) Method, equipment for submitting a measurement report
CN103781157A (zh) 一种基于多网络并行传输的异构网络接入决策方法
Zhu et al. Adaptive multiservice heterogeneous network selection scheme in mobile edge computing
CN104602325A (zh) 一种基于层次分析法的异构无线网络选择方法
Chao et al. A novel big data based telecom user value evaluation method
CN108024307B (zh) 一种基于物联网的异构网络接入选择方法及系统
CN103957559A (zh) 一种基于用户体验的异构网络接入选择方法
CN107949038A (zh) 一种基于ahp和相似度的网络选择方法
Pervaiz et al. Game theoretical formulation of network selection in competing wireless networks: An analytic hierarchy process model
CN113133019A (zh) 一种输出网络优化方案的方法
CN110113803A (zh) 一种异构网络中基于用户体验的网络接入选择方法
CN104125626A (zh) 通信模式的选择方法及终端
CN106535226A (zh) 一种基于协同学理论的多网络协同选择和聚合方法
WO2020215282A1 (en) Method and apparatus for evaluate data traffic depressed by radio issues
CN115065999B (zh) 一种结合业务多样性和终端偏好的网络垂直切换方法
CN116366459A (zh) 一种双模业务流分配方法
Bulti et al. Clustering-based adaptive low-power subframe configuration with load-aware offsetting in dense heterogeneous networks
CN112867101B (zh) 一种基于灰度综合评价值的公安异构无线专网选择方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant