CN105844376A - 一种识别因子对业务系统影响度的方法及装置 - Google Patents
一种识别因子对业务系统影响度的方法及装置 Download PDFInfo
- Publication number
- CN105844376A CN105844376A CN201510021965.3A CN201510021965A CN105844376A CN 105844376 A CN105844376 A CN 105844376A CN 201510021965 A CN201510021965 A CN 201510021965A CN 105844376 A CN105844376 A CN 105844376A
- Authority
- CN
- China
- Prior art keywords
- factor
- degree
- judgment matrix
- fuzzy judgment
- layer
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种识别因子对业务系统影响度的方法,包括:利用模糊层次分析法(FAHP)构建因子递阶层次模型;对所述因子递阶层次模型中的各因子进行比较,建立模糊判断矩阵;判断所述模糊判断矩阵是否具有一致性;若具有一致性,则计算因子相对影响度;若不具有一致性,则按照第一算法对所述模糊判断矩阵进行校正,使得校正后的模糊判断矩阵满足一致性,然后再计算因子相对影响度;确定最低层各因子的因子总体影响度;确定最低层中各因子的因子重要度。本发明还同时公开了一种识别因子对业务系统影响度的装置。采用本发明所述技术方案,能智能分析出各因子对业务系统的影响度,提高各因子对业务系统的影响度的计算精度。
Description
技术领域
本发明涉及业务健康分析技术,尤其涉及一种基于模糊层次分析(FAHP,Fuzzy Analytical Hierarchy Process)法的识别因子对业务系统影响度的方法及装置。
背景技术
随着信息技术的发展,基于计算机软件技术构建的业务系统在社会经济运行中的重要性越来越高,特别是在通信、金融、医疗、政务等信息化较为充分的行业。但如果系统出现故障,将导致许多基本业务无法开展。为了避免业务系统不可用后关键业务的运营受到影响,各机构通常会设立网络管理员、系统管理员负责网络、系统的正常运作。通常,需要使用软、硬件设备对可能影响业务系统可用性的因素进行持续监控和大量人力物力的投入。
目前,业务监控主要集中在服务器的硬件和软件系统以及网络运行环境上,因为这是导致业务不可用的最直接因素。目前的管理系统一般对所有与业务相关的资源指标都会做全方面的监控部署,以保证及时发现业务中断情况,但是,不能准确计算出影响业务的关键因素的影响程度(简称影响度),不能有针对性地提出合理的优化改善措施,以达到最低故障率、最小损失和最优的投资效益。并且,由于因素的影响程度判定不够准确,所以无法精准量化业务系统对具体业务的支撑能力,不能从整体层面对业务系统的运行质量进行评价。
健康因子分析对于预防事故的发生、加强和改善系统的性能至关重要。所以,为了系统评价和管理决策,需要建立一套良好识别健康因子影响度的方法。
但是,现有的业务系统的监控方法中存在如下问题:
1.业务健康度计算过程控制功能薄弱,计算过程简单,凭借经验配置各个因子的影响度,不能智能分析出各健康因子的影响度。
2.从业务系统底层指标如中央处理器(CPU,Central Processing Unit)、内存、网络端口等判断业务系统的运行状态,缺少对业务系统整体健康性能的有效评价。
发明内容
有鉴于此,本发明实施例期望提供一种识别因子对业务系统影响度的方法及装置,能智能分析出各因子对业务系统的影响度,提高各因子对业务系统的影响度的计算精度。
为达到上述目的,本发明实施例的技术方案是这样实现的:
本发明实施例提供了一种识别因子对业务系统影响度的方法,所述方法包括:
利用FAHP构建因子递阶层次模型;
对所述因子递阶层次模型中的各因子进行比较,建立模糊判断矩阵;
判断所述模糊判断矩阵是否具有一致性;若具有一致性,则计算因子相对影响度;若不具有一致性,则按照第一算法对所述模糊判断矩阵进行校正,使得校正后的模糊判断矩阵满足一致性,然后再计算因子相对影响度;
根据所述因子相对影响度确定最低层各因子的因子总体影响度;
根据所述最低层各因子的因子总体影响度确定最低层中各因子的因子重要度。
优选地,所述利用FAHP构建因子递阶层次模型,包括:
统计业务系统的所有因子;
对各个因子进行分析;
确定与所述业务系统有关的主要因子;
分析所述各主要因子的关联关系、以及隶属关系;
根据所述关联关系以及所述隶属关系,构建因子递阶层次模型。
优选地,所述计算因子相对影响度,包括:
根据具有一致性的模糊判断矩阵F=(rij)nxn,按照公式依次计算各因子的因子相对影响度;其中,设因子递阶层次模型第k-1层中第m个因子Zm包含第k层n个子因子a1,a2,...,an,表示第k层中与Zm有关系的第i个因子的相对影响度,a≥(n-1)/2,k≥2;rij表示ai和aj相对于Zm进行比较时,ai和aj具有的模糊关系隶属度。
优选地,所述第一算法,包括:
构造A=(rij)nxn的特征矩阵B=(bij)nxn,并求出偏差矩阵C=(cij)nxn;其中,A是不具有一致性的模糊判断矩阵;
确定偏差矩阵C中|cij|达到最大值时i、j的值,记i=k,j=t;若ckt>0,则令rrk=rkt-λ,r’rk=rkt+λ;若ckt<0,则令rrk=rkt+λ,rr , k=rkt-λ;其中,λ为调量值,且λ>0;
令r’rk=rkt,且i,j≠k,t,得到构造出的模糊判断矩阵F'=(r’ij)nxn;
再次判断所述F'是否具有一致性,直到在A的基础上构造出具有一致性的模糊判断矩阵为止。
优选地,所述根据所述因子相对影响度确定最低层各因子的因子总体影响度,包括:
从所述因子递阶层次模型的第一层开始,根据公式依次计算每一层中各因子的因子总体影响度,得到最低层各因子的因子总体影响度;
其中,设因子递阶层次模型第k-1层包含x个因子Z1,Z2...Zx,且第m个因子的因子总体影响度为第k层包含s个因子Q1,Q2...Qs,因子Qi(i=1,2....s)的相对影响度为表示第k层中因子Qi的因子总体影响度。
本发明实施例还提供了一种识别因子对业务系统影响度的装置,所述装置包括构建模块、建立模块、判断模块、第一确定模块、第二确定模块和第三确定模块;其中,
所述构建模块,用于利用FAHP构建因子递阶层次模型;
所述建立模块,用于对所述因子递阶层次模型中的各因子进行比较,建立模糊判断矩阵;
所述判断模块,用于判断所述模糊判断矩阵是否具有一致性;
所述第一确定模块,用于若所述判断模块判断所述模糊判断矩阵具有一致性,则计算因子相对影响度;若不具有一致性,则按照第一算法对所述模糊判断矩阵进行校正,使得校正后的模糊判断矩阵满足一致性,然后再计算因子相对影响度;
所述第二确定模块,用于根据所述因子相对影响度确定最低层各因子的因子总体影响度;
所述第三确定模块,用于根据所述最低层各因子的因子总体影响度确定最低层中各因子的因子重要度。
优选地,所述构建模块,用于:
统计业务系统的所有因子;
对各个因子进行分析;
确定与所述业务系统有关的主要因子;
分析所述各主要因子的关联关系、以及隶属关系;
根据所述关联关系以及所述隶属关系,构建因子递阶层次模型。
优选地,所述第一确定模块,用于:
根据具有一致性的模糊判断矩阵F=(rij)nxn,按照公式依次计算各因子的因子相对影响度;其中,设因子递阶层次模型第k-1层中第m个因子Zm包含第k层n个子因子a1,a2,...,an,表示第k层中与Zm有关系的第i个因子的相对影响度,a≥(n-1)/2,k≥2;rij表示ai和aj相对于Zm进行比较时,ai和aj具有的模糊关系隶属度。
优选地,所述第一算法,包括:
构造A=(rij)nxn的特征矩阵B=(bij)nxn,并求出偏差矩阵C=(cij)nxn;其中,A是不具有一致性的模糊判断矩阵;
确定偏差矩阵C中|cij|达到最大值时i、j的值,记i=k,j=t;若ckt>0,则令rrk=rkt-λ,r’rk=rkt+λ;若ckt<0,则令rrk=rkt+λ,r’rk=rkt-λ;其中,λ为调量值,且λ>0;
令r’rk=rkt,且i,j≠k,t,得到构造出的模糊判断矩阵F'=(r’ij)nxn;
再次判断所述F'是否具有一致性,直到在A的基础上构造出具有一致性的模糊判断矩阵为止。
优选地,所述第二确定模块,用于:
从所述因子递阶层次模型的第一层开始,根据公式依次计算每一层中各因子的因子总体影响度,得到最低层各因子的因子总体影响度;
其中,设因子递阶层次模型第k-1层包含x个因子Z1,Z2...Zx,且第m个因子的因子总体影响度为第k层包含s个因子Q1,Q2...Qs,因子Qi(i=1,2....s)的相对影响度为表示第k层中因子Qi的因子总体影响度。
本发明实施例所提供的识别因子对业务系统影响度的方法及装置,利用FAHP构建因子递阶层次模型;对所述因子递阶层次模型中的各因子进行比较,建立模糊判断矩阵;判断所述模糊判断矩阵是否具有一致性;若具有一致性,则计算因子相对影响度;若不具有一致性,则按照第一算法对所述模糊判断矩阵进行校正,使得校正后的模糊判断矩阵满足一致性,然后再计算因子相对影响度;根据所述因子相对影响度确定最低层各因子的因子总体影响度;根据所述最低层各因子的因子总体影响度确定最低层中各因子的因子重要度。如此,弥补了传统业务系统中无法准确计算各因素影响度的缺陷,通过引入FAHP,能智能分析出各因子对业务系统的影响度,提高了各因子对业务系统的影响度的计算精度,从而可有效预防事故的发生、加强和改善业务系统的性能,对业务系统评价和管理决策提供重要参考依据。此外,还能节省人力和物力成本。
附图说明
图1为本发明实施例提供识别因子对业务系统影响度的方法的实现流程图;
图2为本发明实施例提供的判断模糊判断矩阵是否具有一致性的具体流程示意图;
图3为本发明实施例提供的识别因子对业务系统影响度的装置的组成结构示意图。
具体实施方式
为了能够更加详尽地了解本发明的特点与技术内容,下面结合附图对本发明的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本发明。
图1为本发明实施例提供的识别因子对业务系统影响度的方法的实现流程图,如图1所示,所述方法主要包括以下步骤:
步骤101:利用模糊层次分析法(FAHP)构建因子递阶层次模型。
优选地,所述利用FAHP法构建因子递阶层次模型,包括:
统计业务系统的所有因子;
对各个因子进行分析;
确定与所述业务系统有关的主要因子;
分析所述各主要因子的关联关系、以及隶属关系;
根据所述关联关系以及所述隶属关系,构建因子递阶层次模型。
本实施例中,所述因子其实是指健康因子。
这里,所述因子递阶层次模型也可以称为健康因子指标体系或健康因子模型。
这里,所述业务系统可以是各行业的业务系统,如通信系统、金融系统、政务系统等等。
具体地,所述因子递阶层次模型至少包括两层,即包括第一层和最低层;其中,所述第一层是整个因子递阶层次模型的最顶层,也称为总目标层。
步骤102:对所述因子递阶层次模型中的各因子进行比较,建立模糊判断矩阵。
具体地,所述模糊判断矩阵表示针对上一层某元素(因子),本层次与之有关元素之间相对重要性的比较。
具体地,模糊判断矩阵的一般形式为:
其中,元素rij表示本层次中元素ai和元素aj进行比较时,元素ai和元素aj具有的模糊关系隶属度。
优选地,所述模糊关系隶属度可用0.1-0.9标度给予定量描述,如表1所示。
表1:元素两两比较0.1-0.9数量标度
步骤103:判断所述模糊判断矩阵是否具有一致性;若具有一致性,则计算因子相对影响度;若不具有一致性,则按照第一算法对所述模糊判断矩阵进行校正,使得校正后的模糊判断矩阵满足一致性,然后再计算因子相对影响度。
优选地,所述判断所述模糊判断矩阵是否具有一致性,包括:
若模糊判断矩阵的可达矩阵的对角线上不存在为1的元素,则判定所述模糊判断矩阵具有一致性。
具体地,如何求取模糊判断矩阵的可达矩阵为现有技术,在此不再赘述。
优选地,所述第一算法,包括:
构造A=(rij)nxn的特征矩阵B=(bij)nxn,并求出偏差矩阵C=(cij)nxn;其中,A是不具有一致性的模糊判断矩阵;
确定偏差矩阵C中|cij|达到最大值时i、j的值,记i=k,j=t;若ckt>0,则令rrk=rkt-λ,r’rk=rkt+λ;若ckt<0,则令rrk=rkt+λ,r’rk=rkt-λ;其中,λ为调量值,且λ>0;
令r’rk=rkt,且i,j≠k,t,得到构造出的模糊判断矩阵F'=(r’ij)nxn;
再次判断所述F'是否具有一致性,直到在A的基础上构造出具有一致性的模糊判断矩阵为止。
本实施例中,因子相对影响度是指将因子递阶层次模型中相对于上一层某因子而言,本层中与之有联系的因子的影响性排列出来,即某因子的各子因素的相对影响程度。
优选地,所述计算因子相对影响度,包括:
设因子递阶层次模型第k-1层中第m个因子Zm包含第k层n个子因子a1,a2,...,an,且得到满足一致性的模糊判断矩阵F=(rij)nxn,以表示第k层中与Zm有关系的第i个因子的相对影响度,则本质上即是第k层中第i个因子在上层因子Zm准则下的相对重要性的权重,有
其中,a≥(n-1)/2, 且
这里,为了保证要求参数a≥(n-1)/2;并且,a取值越小,表明越重视各因子间重要程度差异。
根据上述所建立的具有一致性的模糊判断矩阵F=(rij)nxn,按照公式(1)可依次计算各因子的因子相对影响度。
步骤104:根据所述因子相对影响度确定最低层各因子的因子总体影响度。
这里,所述因子总体影响度是指某个因子对整个业务系统健康度影响程度所占比,通常用百分数表示。
这里,最低层具体包含的因子个数依据实际业务系统而定。
具体地,所述确定最低层各因子的因子总体影响度,包括:
从所述因子递阶层次模型的第一层开始,根据公式(2)依次计算每一层中各因子的因子总体影响度,进而得到最低层各因子的因子总体影响度。
具体地,所述第一层是整个因子递阶层次模型的最顶层,也称为总目标层。
这里,所述最低层各因子的因子总体影响度,即为最低层各因子对于总目标层的影响度。
具体地,设因子递阶层次模型第k-1层包含x个因子Z1,Z2...Zx,且第m个因子的因子总体影响度为第k层包含s个因子Q1,Q2...Qs,因子Qi(i=1,2....s)的相对影响度为则第k层中因子Qi的因子总体影响度为
其中,当Qi与Zt没有关系时,Rij=0;
可以证明,它表明因子总体影响度即是各因子在影响业务健康度的健康因子集合中所占的份额,反映了各因子对业务的影响程度。
步骤105:根据所述最低层各因子的因子总体影响度确定最低层中各因子的因子重要度。
这里,因子重要度用于表示因子递阶层次模型中各因子对总目标层的贡献地位。
优选地,所述确定最低层中各因子的因子重要度,包括:
将最低层中各因子的因子总体影响度按照从大到小顺序排序。
具体地,设Ci为因子递阶层次模型中最低层因子i的因子总体影响度,为最低层所有因子的因子总体影响度集合,将中所有Ci按由大到小排序。
假设Ci处于第j位,则Ci的因子重要度为I(Ci)=j。
这里,I(Ci)反映了健康因子i对业务健康的贡献地位。
可见,最低层因子是最基本的衡量系统健康度的指标。
本发明实施例所述技术方案中,引入FAHP算法构造因子相对影响度、因子总体影响度和因子重要度三个指标来表征因子对业务的影响度,弥补了传统业务系统中无法准确计算各因素影响度的缺陷,通过引入FAHP,能智能分析出各因子对业务系统的影响度,提高了各因子对业务系统的影响度的计算精度,从而可有效预防事故的发生、加强和改善业务系统的性能,对业务系统评价和管理决策提供重要参考依据,能够帮助运维管理人员全面了解业务系统的状态。
图2为本发明实施例提供的判断模糊判断矩阵是否具有一致性的具体流程示意图,如图2所示,该流程主要包括以下步骤:
步骤201:确定模糊判断矩阵A的可达矩阵T。
具体地,如何求取模糊判断矩阵的可达矩阵为现有技术,在此不再赘述。
步骤202:根据可达矩阵T判断模糊判断矩阵A是否具有一致性,若A具有一致性,转步骤206;否则,执行步骤203;
具体地,A是ai与aj相比较的值rij,即
步骤203:构造特征矩阵B=(bij)nxn,并求出偏差矩阵C=(cij)nxn。
具体地,B是A的特征矩阵;偏差矩阵C=A-B。
步骤204:确定偏差矩阵C中|cij|达到最大值时i、j的值,记i=k,j=t;若ckt>0,则令rrk=rkt-λ,r’rk=rkt+λ;若ckt<0,则令rrk=rkt+λ,r’rk=rkt-λ;其中,λ为调量值,且λ>0。
也就是说,当|cij|达到最大值时,令i=k,j=t。
优选地,通常取λ=0.05。
步骤205:令r’rk=rkt,且i,j≠k,t,F'=(r’ij)nxn,转步骤201。
也就是说,求出F'后,转到步骤201中,求构造出的模糊判断矩阵F'的可达矩阵,再次判断所述F'是否具有一致性,直到在A的基础上构造出具有一致性的矩阵为止。
步骤206:结束。
上述方案中,判断模糊判断矩阵是否具有一致性,是一个很重要的步骤,它直接影响由模糊判断矩阵得到的排序向量是否能真实地反映各因子(变量或因素)的客观排序。
图3为本发明实施例提供的识别因子对业务系统影响度的装置的组成结构示意图,如图3所示,所述装置包括构建模块31、建立模块32、判断模块33、第一确定模块34、第二确定模块35和第三确定模块36;其中,
所述构建模块31,用于利用FAHP构建因子递阶层次模型;
所述建立模块32,用于对所述因子递阶层次模型中的各因子进行比较,建立模糊判断矩阵;
所述判断模块33,用于判断所述模糊判断矩阵是否具有一致性;
所述第一确定模块34,用于若所述判断模块判断所述模糊判断矩阵具有一致性,则计算因子相对影响度;若不具有一致性,则按照第一算法对所述模糊判断矩阵进行校正,使得校正后的模糊判断矩阵满足一致性,然后再计算因子相对影响度;
所述第二确定模块35,用于根据所述因子相对影响度确定最低层各因子的因子总体影响度;
所述第三确定模块36,用于根据所述最低层各因子的因子总体影响度确定最低层中各因子的因子重要度。
优选地,所述构建模块31,用于:
统计业务系统的所有因子;
对各个因子进行分析;
确定与所述业务系统有关的主要因子;
分析所述各主要因子的关联关系、以及隶属关系;
根据所述关联关系以及所述隶属关系,构建因子递阶层次模型。
优选地,所述第一确定模块34,用于:
根据具有一致性的模糊判断矩阵F=(rij)nxn,按照公式依次计算各因子的因子相对影响度;其中,设因子递阶层次模型第k-1层中第m个因子Zm包含第k层n个子因子a1,a2,...,an,表示第k层中与Zm有关系的第i个因子的相对影响度,a≥(n-1)/2,k≥2;rij表示ai和aj相对于Zm进行比较时,ai和aj具有的模糊关系隶属度。
优选地,所述第一算法,包括:
构造A=(rij)nxn的特征矩阵B=(bij)nxn,并求出偏差矩阵C=(cij)nxn;其中,A是不具有一致性的模糊判断矩阵;
确定偏差矩阵C中|cij|达到最大值时i、j的值,记i=k,j=t;若ckt>0,则令rrk=rkt-λ,r’rk=rkt+λ;若ckt<0,则令rrk=rkt+λ,r’rk=rkt-λ;其中,λ为调量值,且λ>0;
令r’rk=rkt,且i,j≠k,t,得到构造出的模糊判断矩阵F'=(r’ij)nxn;
再次判断所述F'是否具有一致性,直到在A的基础上构造出具有一致性的模糊判断矩阵为止。
优选地,所述第二确定模块35,用于:
从所述因子递阶层次模型的第一层开始,根据公式依次计算每一层中各因子的因子总体影响度,得到最低层各因子的因子总体影响度;
其中,设因子递阶层次模型第k-1层包含x个因子Z1,Z2...Zx,且第m个因子的因子总体影响度为第k层包含s个因子Q1,Q2...Qs,因子Qi(i=1,2....s)的相对影响度为表示第k层中因子Qi的因子总体影响度。
优选地,所述第三确定模块36,还用于:将最低层中各因子的因子总体影响度按照从大到小顺序排序。
本领域技术人员应当理解,图3所示的装置中的各模块的实现功能可参照前述方法的相关描述而理解。
实际应用中,所述状构建模块31、建立模块32、判断模块33、第一确定模块34、第二确定模块35和第三确定模块36可由装置中的中央处理器(CPU,Central Processing Unit)、微处理器(MPU,Micro Processor Unit)、数字信号处理器(DSP,Digital Signal Processor)或现场可编程门阵列(FPGA,FieldProgrammable Gate Array)实现。
上述装置可设置于各个行业的业务系统中。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种识别因子对业务系统影响度的方法,其特征在于,所述方法包括:
利用模糊层次分析法FAHP构建因子递阶层次模型;
对所述因子递阶层次模型中的各因子进行比较,建立模糊判断矩阵;
判断所述模糊判断矩阵是否具有一致性;若具有一致性,则计算因子相对影响度;若不具有一致性,则按照第一算法对所述模糊判断矩阵进行校正,使得校正后的模糊判断矩阵满足一致性,然后再计算因子相对影响度;
根据所述因子相对影响度确定最低层各因子的因子总体影响度;
根据所述最低层各因子的因子总体影响度确定最低层中各因子的因子重要度。
2.根据权利要求1所述的方法,其特征在于,所述利用FAHP构建因子递阶层次模型,包括:
统计业务系统的所有因子;
对各个因子进行分析;
确定与所述业务系统有关的主要因子;
分析所述各主要因子的关联关系、以及隶属关系;
根据所述关联关系以及所述隶属关系,构建因子递阶层次模型。
3.根据权利要求1所述的方法,其特征在于,所述计算因子相对影响度,包括:
根据具有一致性的模糊判断矩阵F=(rij)nxn,按照公式依次计算各因子的因子相对影响度;其中,设因子递阶层次模型第k-1层中第m个因子Zm包含第k层n个子因子a1,a2,...,an,表示第k层中与Zm有关系的第i个因子的相对影响度,a≥(n-1)/2,k≥2;rij表示ai和aj相对于Zm进行比较时,ai和aj具有的模糊关系隶属度。
4.根据权利要求1所述的方法,其特征在于,所述第一算法,包括:
构造A=(rij)nxn的特征矩阵B=(bij)nxn,并求出偏差矩阵C=(cij)nxn;其中,A是不具有一致性的模糊判断矩阵;
确定偏差矩阵C中|cij|达到最大值时i、j的值,记i=k,j=t;若ckt>0,则令rrk=rkt-λ,r’rk=rkt+λ;若ckt<0,则令rrk=rkt+λ,r’rk=rkt-λ;其中,λ为调量值,且λ>0;
令r’rk=rkt,且i,j≠k,t,得到构造出的模糊判断矩阵F'=(r’ij)nxn;
再次判断所述F'是否具有一致性,直到在A的基础上构造出具有一致性的模糊判断矩阵为止。
5.根据权利要求1所述的方法,其特征在于,所述根据所述因子相对影响度确定最低层各因子的因子总体影响度,包括:
从所述因子递阶层次模型的第一层开始,根据公式i=1,2...s,依次计算每一层中各因子的因子总体影响度,得到最低层各因子的因子总体影响度;
其中,设因子递阶层次模型第k-1层包含x个因子Z1,Z2...Zx,且第m个因子的因子总体影响度为第k层包含s个因子Q1,Q2...Qs,因子Qi(i=1,2....s)的相对影响度为表示第k层中因子Qi的因子总体影响度。
6.一种识别因子对业务系统影响度的装置,其特征在于,所述装置包括构建模块、建立模块、判断模块、第一确定模块、第二确定模块和第三确定模块;其中,
所述构建模块,用于利用FAHP构建因子递阶层次模型;
所述建立模块,用于对所述因子递阶层次模型中的各因子进行比较,建立模糊判断矩阵;
所述判断模块,用于判断所述模糊判断矩阵是否具有一致性;
所述第一确定模块,用于若所述判断模块判断所述模糊判断矩阵具有一致性,则计算因子相对影响度;若不具有一致性,则按照第一算法对所述模糊判断矩阵进行校正,使得校正后的模糊判断矩阵满足一致性,然后再计算因子相对影响度;
所述第二确定模块,用于根据所述因子相对影响度确定最低层各因子的因子总体影响度;
所述第三确定模块,用于根据所述最低层各因子的因子总体影响度确定最低层中各因子的因子重要度。
7.根据权利要求6所述的装置,其特征在于,所述构建模块,用于:
统计业务系统的所有因子;
对各个因子进行分析;
确定与所述业务系统有关的主要因子;
分析所述各主要因子的关联关系、以及隶属关系;
根据所述关联关系以及所述隶属关系,构建因子递阶层次模型。
8.根据权利要求6所述的装置,其特征在于,所述第一确定模块,用于:
根据具有一致性的模糊判断矩阵F=(rij)nxn,按照公式依次计算各因子的因子相对影响度;其中,设因子递阶层次模型第k-1层中第m个因子Zm包含第k层n个子因子a1,a2,...,an,表示第k层中与Zm有关系的第i个因子的相对影响度,a≥(n-1)/2,k≥2;rij表示ai和aj相对于Zm进行比较时,ai和aj具有的模糊关系隶属度。
9.根据权利要求6所述的装置,其特征在于,所述第一算法,包括:
构造A=(rij)nxn的特征矩阵B=(bij)nxn,并求出偏差矩阵C=(cij)nxn;其中,A是不具有一致性的模糊判断矩阵;
确定偏差矩阵C中|cij|达到最大值时i、j的值,记i=k,j=t;若ckt>0,则令rrk=rkt-λ,r’rk=rkt+λ;若ckt<0,则令rrk=rkt+λ,r’rk=rkt-λ;其中,λ为调量值,且λ>0;
令r’rk=rkt,且i,j≠k,t,得到构造出的模糊判断矩阵F'=(r’ij)nxn;
再次判断所述F'是否具有一致性,直到在A的基础上构造出具有一致性的模糊判断矩阵为止。
10.根据权利要求6所述的装置,其特征在于,所述第二确定模块,用于:
从所述因子递阶层次模型的第一层开始,根据公式i=1,2...s,依次计算每一层中各因子的因子总体影响度,得到最低层各因子的因子总体影响度;
其中,设因子递阶层次模型第k-1层包含x个因子Z1,Z2...Zx,且第m个因子的因子总体影响度为第k层包含s个因子Q1,Q2...Qs,因子Qi(i=1,2....s)的相对影响度为表示第k层中因子Qi的因子总体影响度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510021965.3A CN105844376A (zh) | 2015-01-16 | 2015-01-16 | 一种识别因子对业务系统影响度的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510021965.3A CN105844376A (zh) | 2015-01-16 | 2015-01-16 | 一种识别因子对业务系统影响度的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105844376A true CN105844376A (zh) | 2016-08-10 |
Family
ID=56580148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510021965.3A Pending CN105844376A (zh) | 2015-01-16 | 2015-01-16 | 一种识别因子对业务系统影响度的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844376A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109412885A (zh) * | 2018-09-03 | 2019-03-01 | 北京数介科技有限公司 | 检测方法及装置 |
CN114841576A (zh) * | 2022-05-10 | 2022-08-02 | 电子科技大学 | 基于模糊层次分析的雷达设备健康状态评估方法 |
-
2015
- 2015-01-16 CN CN201510021965.3A patent/CN105844376A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109412885A (zh) * | 2018-09-03 | 2019-03-01 | 北京数介科技有限公司 | 检测方法及装置 |
CN114841576A (zh) * | 2022-05-10 | 2022-08-02 | 电子科技大学 | 基于模糊层次分析的雷达设备健康状态评估方法 |
CN114841576B (zh) * | 2022-05-10 | 2023-04-18 | 电子科技大学 | 基于模糊层次分析的雷达设备健康状态评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | An objective-based scenario selection method for transmission network expansion planning with multivariate stochasticity in load and renewable energy sources | |
Ramanathan | Data envelopment analysis for weight derivation and aggregation in the analytic hierarchy process | |
Siraj et al. | A heuristic method to rectify intransitive judgments in pairwise comparison matrices | |
US7243049B1 (en) | Method for modeling system performance | |
CN110704542A (zh) | 一种基于节点负载的数据动态分区系统 | |
CN107193876A (zh) | 一种基于最近邻knn算法的缺失数据填补方法 | |
CN109360084A (zh) | 征信违约风险的评估方法及装置、存储介质、计算机设备 | |
CN106682809A (zh) | 企业bim技术应用能力量化评估方法 | |
CN110474808A (zh) | 一种流量预测方法及装置 | |
CN104468728B (zh) | 一种基于信息熵和方差的服务选择方法 | |
CN104574141A (zh) | 一种业务影响度分析方法 | |
CN107908536A (zh) | Cpu‑gpu异构环境中对gpu应用的性能评估方法及系统 | |
Rani et al. | An integrated simulation and data envelopment analysis in improving SME food production system | |
CN105471647A (zh) | 一种电力通信网故障定位方法 | |
Ren et al. | Semiparametric Bayesian variable selection for gene‐environment interactions | |
CN106612511A (zh) | 一种基于支持向量机的无线网络吞吐量的评估方法及装置 | |
CN112668822A (zh) | 科技成果转化平台共享系统、方法、存储介质、手机app | |
US10627808B2 (en) | Managing manufacturing capacity plan performance | |
CN108696397B (zh) | 一种基于ahp和大数据的电网信息安全评估方法及装置 | |
Schuh et al. | Approach to evaluate complexity in new product development projects | |
CN111209930A (zh) | 一种生成授信策略的方法、装置和电子设备 | |
Briand et al. | A classification procedure for the effective management of changes during the maintenance process | |
CN105844376A (zh) | 一种识别因子对业务系统影响度的方法及装置 | |
Ramirez et al. | Can crop insurance premiums be reliably estimated? | |
CN110348540A (zh) | 基于聚类的电力系统暂态功角稳定故障筛选方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160810 |
|
RJ01 | Rejection of invention patent application after publication |