CN107707412A - 基于多属性加权的指挥控制网络建模方法 - Google Patents
基于多属性加权的指挥控制网络建模方法 Download PDFInfo
- Publication number
- CN107707412A CN107707412A CN201711092092.0A CN201711092092A CN107707412A CN 107707412 A CN107707412 A CN 107707412A CN 201711092092 A CN201711092092 A CN 201711092092A CN 107707412 A CN107707412 A CN 107707412A
- Authority
- CN
- China
- Prior art keywords
- node
- network
- nodes
- attribute
- command
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 5
- 230000002776 aggregation Effects 0.000 description 7
- 238000004220 aggregation Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- SMZOUWXMTYCWNB-UHFFFAOYSA-N 2-(2-methoxy-5-methylphenyl)ethanamine Chemical compound COC1=CC=C(C)C=C1CCN SMZOUWXMTYCWNB-UHFFFAOYSA-N 0.000 description 1
- NIXOWILDQLNWCW-UHFFFAOYSA-N 2-Propenoic acid Natural products OC(=O)C=C NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 108010070880 sigma K Proteins 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于多属性加权的指挥控制网络建模方法，属于指挥控制领域。具体是：首先，定义节点属性有指控能力、节点任务相关属性、空间距离；其次，将度和介数相结合，综合考虑了网络局部、网络全局特征表达节点的网络属性，在与自身属性加权结合下设计了多属性加权的指控网络边连接策略算法及实现方法。该方法可有效的贴近战场实况、遵循幂率分布、作战效率高等特点，可为指挥控制系统的网络化建设提供理论依据。
Description
技术领域
本发明属于指挥控制领域，具体说是一种基于多属性加权的指挥控制网络建模方法。
背景技术
信息化条件下的指控网络是以物理通信网络为基础的各种非线性逻辑交互关系组成的网络结构，同时网络结构具有非线性、层次性以及自适应等复杂网络特征，这对指控网络中实体间的关系描述、指控网络建模提出了更高的要求。
指控网络建模研究主要包括：指控网络复杂性实证分析、指控网络模型描述及模型演化等几方面。通过指控网络建模，建立了指控网络的边连接关系。网络中节点的连接有自身属性，网络属性研究，节点的属性为指控网络建模提供重要依据。
在节点属性方面，姜志鹏认为网络结构相同的节点处于不同的任务中，重要度不也不尽相同。同时也没有考虑作战节点自身属性存在的差异，体现在整个网络有不同属性的重要度。指控网络的节点连接关系，能够反映了节点自身属性、网络属性，为节点重要度的判断提供重要依据。王洁等人定义复杂信息的拓扑结构和基于节点连接度、介数特性的节点结构重要度，在此基础上提出了基于脆弱性权值的复杂信息系统节点重要度评估混合模型及算法。但是文中没有考虑节点的自身属性特性。李楷等认为度中心性为典型的局部信息判据，不能从网络全局信息层次来分析节点重要程度，介数中心性是基于网络全局信息的。王小光等认为介数仅体现出对最短路数目的占有程度，并未反应出距离、拓扑结构等其它属性。因此就通过介数描述重要度是片面的，必须在拓扑结构的基础上加入重要度影响传播，实现全面、客观的描述。张喜平等引入m阶邻居节点的概念，提出一种复杂网络节点重要度评价方法并建立具有普适性的评价模型。该模型考虑了节点自身属性及m阶邻居节点的属性对节点重要度的贡献。文中没有考虑节点网络属性。张强等从指控网络静态隶属连接和动态交互连接出发建立了网络描述模型，网络边连接策略考虑节点自身属性和网络属性，但网络属性只考虑了节点度，该策略存在仅能体现网络的局部信息，难以反映度数不高但对网络影响较大的节点贡献。王运明等提出的指控网络模型边连接策略考虑了节点自身属性和网络属性，但网络属性只考虑了介数来表征负载能力，忽略了模型中边扩展所带来的缺点，难以反映指控网络局部特性。
现有基于指控网络模型中的边连接方法仅能反映局部网络节点的重要性、且仅注重网络连通性难以很好体现网络局部特征的不足，大多数指控网络模型中网络边连接策略考虑节点自身属性和网络属性，但网络属性只考虑了节点度，该策略存在仅能体现网络的局部信息，难以反映度数不高但对网络影响较大的节点贡献，网络属性只考虑了介数来表征负载能力，忽略了模型中边扩展所带来的缺点，难以反映指控网络局部特性，同时边连接策略考虑了网络局部、网络全局特征对节点重要性的影响，但缺乏进一步的仿真分析，无法真实准确描述指控网络的结构特性。
发明内容
鉴于上述问题，本申请提出一种基于多属性加权的指挥控制网络建模方法，充分考虑了网络局部、网络全局特征表达节点的网络属性，在与自身属性加权结合下，来表征网络的连接特性。
为实现上述目的，本发明的技术方案是这样实现的：基于多属性加权的指挥控制网络建模方法，具体是：在树状网络结构的基础上增加新边，其边连接策略算法如下：
①给定指控网的指控层次数为D，每节点指控跨度为S，所述指控跨度是指直接下级节点个数；
②生成最高指挥节点，置层次号d＝1；
③置层次号d＝d+1，按照跨度S生成第d层，该层中S个直接下级节点与上级节点连边；
④重复步骤③，直接d＝D，生成树状网络；
⑤根据指控节点自身属性生成指控能力矩阵、节点任务相关属性矩阵、空间距离矩阵；
⑥除末端节点外在所有指控节点中以随机选择一个节点，该节点动态连接另一节点：动态连接后更新指控网络邻接矩阵中元素值；
⑦循环⑤-⑥步，生成指挥控制网络模型。
优选的，指控能力矩阵、节点任务相关属性矩阵是在[0，1]之间根据层级和隶属关系均匀随机生成的；空间距离矩阵是根据欧式距离公式计算得到。
优选的，判断是否能动态连接的步骤是：
A：先计算边连接策略概率；
B：定义一个连接概率，用来判断节点是否能与其它节点相连：若所要连接节点的边连接策略概率小于连接概率，则可以连接，反之，则不连。
优选的，计算边连接策略概率采用如下公式：
p＝α1p1+α2p2
其中，α1为节点属性的权重参数，α2为节点网络属性的权重参数，α1+α2＝1；p1为节点vi连接节点vj的概率，p2表示节点的网络属性对动态连接生成的影响。
优选的，p1的表达式为
其中，accj表示节点指控能力，assij表示节点任务相关属性；dij为两个节点vi和vj之间的空间距离；
优选的，p2表达式为
其中，DBj是指控网络中指控节点j的节点重要度，∑DBj为所有指控节点重要度之和。
进一步优选的，动态连接过程分三步：
a、判断是否与同级机构内部节点相连接；
b、判断是否与同级机构之间节点相连接；
c、判断是否与越级指挥节点相连接。
本发明的有益效果是：相较于现有技术，本发明基于多属性加权的指挥控制网络建模方法研究能充分考虑了网络局部、网络全局特征表达节点的网络属性，在与自身属性加权结合下，来表征网络的连接特性，能真实准确描述指控网络的结构，可以为指控网络建设提供参考。
附图说明
图1为本发明指控网络拓扑图；
图2为本发明指控网络模型节点度分布图；
图3为本发明指控网络模型在随机攻击策略下三种网络结构效率变化图；
图4为本发明指控网络模型在蓄意攻击策略下三种网络结构效率变化图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
指控网络基本实体间的关系描述和分析。利用复杂网络理论对指控网络进行描述主要体现在各个指控层次之间信息交流关系，以及通信传输路径和指挥要素间的相互作用关系。因此对指控网络拓扑结构通过各层级指挥机构及其相互隶属指挥关系加以描述，本申请采用无向连通图来表示。
抽象定义节点集合：V＝{v1,v2,…,vn}，节点vi(i＝1,...,n)代表指控网路中各级指挥机构的抽象；
抽象边的集合：E＝{e1,e2,…,em}，其中边ei(i＝1,...,n)表示节点之间的物质、信息和能量交互连接关系；
所组成的网络图：G＝(V,E)。
本申请构建的模型按照指控网络的层级特性将指控节点分为不同的层次。对于每一层的节点来说，如果两个指挥节点之间有信息传递，就认为这两个节点有边相连，否则就没有边相连。对于不同层级的节点来说，如果两个节点存在信息传递，即两个指挥节点之间就有指挥隶属关系，就认为这两个节点有连接，否则无连接。
通过对指挥控制网络中实体添加属性，可以表示实体之间关系的具体信息、刻画协作关系，同时能够通过统计分析评价指控网络模型。为了刻画指挥控制网络模型的特性，下面为节点分别定义了节点自身属性和节点网络属性。
一、节点自身属性
节点自身属性包括指控能力、节点任务相关属性、空间距离，其定义分别简述如下：
(1)指控能力。acci表示节点指控能力，节点指控能力表示节点能指控网络全局或局部节点的一种度量(如指控节点的数量、类型)，分为全局和局部指控能力。节点指控能力值根据层级采用[0,1]之间均匀分布随机产生。
(2)节点任务相关属性。assij表示指控节点进行协同交互的前提是节点任务相关，assij∈[0,1]，相关程度与连接概率值大小成正比，assij＝0表示指挥实体担负的作战任务完全无关，值为1表示相关。在指控网络中隶属同一机构、隶属不同指挥机构、越级指挥的节点任务相关属性介于[0,1]之间，节点任务相关属性的权重值由指控网络节点所在层级由大变小，跟指控网络内部结构有关。
(3)空间距离。dij为两个节点vi和vj之间的空间距离，通过归一化后的欧式距离表示，值越小，节点连接的概率越大。
二、节点的网络属性
(1)节点度
指控网络边连接关系与节点的自身属性和网络属性密切相关，其中自身节点属性的物理含义定义为节点能力、节点间的任务相关因子和空间距离。网络属性物理含义用作战资源的丰富程度来表示，表现为节点在网络中的地位作用，建模中通常用网络中节点的连接度来衡量节点的网络属性。
节点度是网络拓扑特性中必不可少的特征，节点i的度等于网络图中节点i连边的总数目，记为Ki。指控网络的异质性必然会造成节点度分布不均匀。节点度在某种程度上可作为其在网络中重要程度的依据。
其中，
(2)介数
介数是以经过某个节点最短路径的数目来刻画节点重要性的指标。指控节点介数可以体现节点信息流转能力，反映了节点在整个网络中的作用，是从整体上刻画节点在网络中影响力的指标，节点介数越大，说明经过该节点的信息流越多，即节点在网络中的影响力越大。定义为
其中，Nil为从节点vi到节点vl的最短路径的数目，为节点vi到节点vl的Nil条最短路径中经过节点j的最短路径的数目。
(3)节点度和介数相结合的网络属性
对网络的认识即应该着眼全局发现整体规律，也不应该忽视局部特征，两者对指挥控制网络模型的建设而言同样重要。节点度只能体现出局部网络节点的重要性，单以节点度作为边连接策略会减少了指控网络中度数不高但对整个网络影响较大的节点受到关注的可能；节点介数体现了全局网络节点的重要性，单以节点介数作为边连接策略会忽略了模型中边扩展所带来的缺点，只是考虑到节点对网络中连通性产生影响的这一因素，难以体现网络的局部上的特征。因此，本申请在网络建模时，同时兼顾网络局部和全局，将节点度和介数两个指标综合考虑，提出了基于节点度和介数相结合的指控网络边连接方法。其节点重要性定义如下：
其中Kj是指控网络中节点j的度；∑K为所有指控节点度之和；Bj表示节点j的介数，β是一个可调节的参数，它的取值范围为0≤β≤1。
节点度可被看做是其它节点对其信息交互关系，节点度越高，该节点在局部网络中占有更重要的地位。对于介数越高的节点，网络中最短路径所通过这个节点的次数越多，可以认为这个点出发更容易达到其他点，由此可见这个节点对网络整体而言具有相对较高的意义与价值。综合考虑节点在网络中的局部特性和全局特性，结合节点度和介数两个重要指标，作为指控网络建模中节点网络属性建模的依据。
实施例1
本实施例提供一种基于多属性加权的指挥控制网络建模方法，现有基于指控网络节点度的网络属性边连接方法仅能反映局部网络节点的地位、基于指控网络节点介数的网络属性边连接方法仅注重网络连通性难以很好体现网络局部特征的不足，考虑到指控网络节点本身的多属性问题，提出边连接策略，边连接策略中节点的自身属性综合考虑指控能力、节点任务相关属性、空间距离等节点自身属性对动态连接生成的影响，节点vi连接节点vj的概率为p1，其表达式为
边连接策略中节点的网络属性综合考虑了节点的度和节点的介数，连接概率p2表示节点的网络属性对动态连接生成的影响，其表达式为
式中，DBj是指控网络中指控节点j的节点重要度，∑DBj为所有指控节点重要度之和。
综上所述，基于多属性加权的指挥控制网络模型边连接策略方法表达式如下：
p＝α1p1+α2p2 (6)
其中，α1为节点属性的权重参数，α2为节点网络属性的权重参数，α1+α2＝1。
本发明根据综合考虑了网络局部、网络全局特征表达节点的网络属性，在与自身属性加权结合下，发明了指控网络边连接策略算法。
本发明的指控网络生成算法步骤如下：
为了定量评价本申请提出的边连接策略的有效性，在模型构建过程中为网络中的节点考虑到网络本身的多属性特性，在树状网络结构的基础上考虑增加新边，其边连接策略算法如下：
①给定指控网的指控层次数为D，每节点指控跨度为S，所述指控跨度是指直接下级节点个数；
②生成最高指挥节点，置层次号d＝1；
③置层次号d＝d+1，按照跨度S生成第d层，该层中S个直接下级节点与上级节点连边；
④重复步骤③，直接d＝D，生成树状网络；
⑤根据指控节点自身属性生成指控能力矩阵、节点任务相关属性矩阵、空间距离矩阵；
⑥除末端节点外在所有指控节点中以随机选择一个节点，该节点动态连接另一节点：
判断是否能动态连接的步骤是：
A：先计算边连接策略概率；
B：定义一个连接概率，用来判断节点是否能与其它节点相连：若所要连接节点的边连接策略概率小于连接概率，则可以连接，反之，则不连；
动态连接后更新指控网络邻接矩阵中元素值。
动态连接过程分三步：
a、判断是否与同级机构内部节点相连接。
b、判断是否与同级机构之间节点相连接。
c、判断是否与越级指挥节点相连接。
⑦循环⑤-⑥步，生成指挥控制网络模型。
实施例2
请参阅图1、图2、表1、图3、图4、所示，基于多属性加权的指挥控制网络建模方法，验证与分析如下：
本申请提出的边连接策略得到的指控网络模型的节点度分布如图2示，从图2以看出该模型显示度分布在低端会偏离幂律分布而出现低头现象，而在高端仍能保持幂律分布与现有实证指控网络分析相一致，符合指控网络实证数据。即说明指控网络是一种无尺度网络。
指控节点数量、跨度、层级相同时，统计不同边连接策略生成的网络结构的平均路径长度L和聚集系数C，如表1所示。
表1指控网络结构的特征参数统计
为了和本申请指控网络模型对比，重新实现作战体系网络模型中的建模方法，总节点数为341，层级为5，跨度为4，模型的平均路径长度和聚集系数如表一所示。
作战体系网络模型边连接方法中网络属性用度表现节点拥有作战资源的丰富程度，即连接度建立模型。扁平化指控网络模型中边连接方法中网络属性用介数表征节点初始负载建立模型。从表一可以看出扁平化指控网络模型在聚集系数上要好于作战体系网络模型，平均路径长度不及作战体系网络模型，从而可以说明在指控网络中边连接策略中网络属性单独用度具有不合理性，度在指控网络中将大大减少网络中度数不高但对网络的影响较大的节点。但是介数在指控网络建模中也存在一些缺点，就是网络模型中边的增加，也使得一些中层和少量底层节点度数增大，重要性发生改变，虽然这些节点度数增大，但它们很少处于其他节点间的最短路径之上。两种模型的参数各有优缺点。本申请指控网络模型在边连接方法中的网络属性同时考虑了度和介数的优点，把两者结合不仅考虑了指控节点资源的丰富程度还考虑了节点的负载能力，从表一中可以看出本申请指控网络模型在平均路径长度和聚集系数上要好于作战体系网络模型，但是聚集系数不及扁平化指控网络模型。原因是模型的算法没有考虑动态择优，对指控网络协同指挥关系边进行了全连接也具有不合理性。促使指控节点的聚集系数比本申请聚集系数大得多。
针对本申请构建的多属性加权指挥控制网络模型，对指控网络模型进行拓扑分析时，必不可少的要对网络的鲁棒性进行分析，那么本申请模型在面对攻击时，其自身调节以及修复能力如何，都是需要进一步探索的问题。对网络效率进行随机攻击、蓄意攻击下进行模拟实验，其中攻击的强度用删除网络中的节点数表示。
如图3可以看出，在对扁平化指控网络模型、作战体系网络模型、本申请指控网络模型分别进行随机攻击时网络效率随删除节点个数的变化，受到随机攻击时，三种模型网络效率下降缓慢，在删除节点个数以190为分界点，前190个节点可以看出扁平化指控网络模型的网络效率表现出较好的抗毁性，在前110个节点可以看出作战体系网络模型和本申请指控网络模型下降趋势相同，从后110个节点出现明显区别，本申请指控网络模型的抗毁性要好于作战体系网络模型，从后190个节点可以看出本申请指控网络模型网络效率表现出良好的优势，抗毁性也有极大改善。说明本申请建模方法对随机攻击具有良好的抗毁性，符合实际指控网络无标度特性。
在宏观上，三种网络模型都表现出网络效率下降的特点，在攻击前5个节点时，本申请指控网络模型网络效率较其他两种模型下降缓慢，表现出较好的抗毁性，在攻击节点为5到40范围内扁平化指控网络模型好的抗毁性，但是本申请指控网络模型依然要好于作战体系网络模型，在攻击节点40到70之间，本申请指控网络模型抗毁性依然表现要好于其它两种网络模型，原因本申请的建模算法中考虑网络本身的多属性特性及其动态择优方法，使节点之间有很好的信息交流和共享能力。在攻击70个节点以后网络效率下降出现微小变动，但三种网络模型趋势表现基本相一致。从微观上来说本申请指控网络模型遭受蓄意攻击时，在阶段性表现良好的抗毁性。
相较于现有技术，本发明基于多属性加权的指挥控制网络建模方法研究可有效的贴近战场实况、遵循幂率分布、作战效率高等特点，可为指挥控制系统的网络化建设提供理论依据。解决现有边连接策略具有方法单一，而且适用性不好等缺点。因此，定义网络自身属性，同时将度和介数相结合，综合考虑了网络局部、网络全局特征表达节点的网络属性，在与自身属性加权结合下设计了多属性加权的指控网络边连接策略算法及实现方法，能够有效适用于指控网络建模。
特别需要指出，对于本领域的普通研究技术人员来说，在本发明的教导下所作的针对本发明的等效变化，仍应包含在本发明申请专利范围所主张的范围中。
Claims (7)
1.基于多属性加权的指挥控制网络建模方法，其特征在于，具体是：在树状网络结构的基础上增加新边，其边连接策略算法如下：
①给定指控网的指控层次数为D，每节点指控跨度为S，所述指控跨度是指直接下级节点个数；
②生成最高指挥节点，置层次号d＝1；
③置层次号d＝d+1，按照跨度S生成第d层，该层中S个直接下级节点与上级节点连边；
④重复步骤③，直接d＝D，生成树状网络；
⑤根据指控节点自身属性生成指控能力矩阵、节点任务相关属性矩阵、空间距离矩阵；
⑥除末端节点外在所有指控节点中以随机选择一个节点，该节点动态连接另一节点：动态连接后更新指控网络邻接矩阵中元素值；
⑦循环⑤-⑥步，生成指挥控制网络模型。
2.根据权利要求1所述基于多属性加权的指挥控制网络建模方法，其特征在于，指控能力矩阵、节点任务相关属性矩阵是在[0，1]之间根据层级和隶属关系均匀随机生成的；空间距离矩阵是根据欧式距离公式计算得到。
3.根据权利要求1所述基于多属性加权的指挥控制网络建模方法，其特征在于，判断是否能动态连接的步骤是：
A：先计算边连接策略概率；
B：定义一个连接概率，用来判断节点是否能与其它节点相连：若所要连接节点的边连接策略概率小于连接概率，则可以连接，反之，则不连。
4.根据权利要求3所述基于多属性加权的指挥控制网络建模方法，其特征在于，计算边连接策略概率采用如下公式：
p＝α1p1+α2p2
其中，α1为节点属性的权重参数，α2为节点网络属性的权重参数，α1+α2＝1；p1为节点vi连接节点vj的概率，p2表示节点的网络属性对动态连接生成的影响。
5.根据权利要求4所述基于多属性加权的指挥控制网络建模方法，其特征在于，p1的表达式为
其中，accj表示节点指控能力，assij表示节点任务相关属性；dij为两个节点vi和vj之间的空间距离。
6.根据权利要求4所述基于多属性加权的指挥控制网络建模方法，其特征在于，p2表达式为
其中，DBj是指控网络中指控节点j的节点重要度，∑DBj为所有指控节点重要度之和。
7.根据权利要求3所述基于多属性加权的指挥控制网络建模方法，其特征在于，动态连接过程分三步：
a、判断是否与同级机构内部节点相连接；
b、判断是否与同级机构之间节点相连接；
c、判断是否与越级指挥节点相连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711092092.0A CN107707412A (zh) | 2017-11-08 | 2017-11-08 | 基于多属性加权的指挥控制网络建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711092092.0A CN107707412A (zh) | 2017-11-08 | 2017-11-08 | 基于多属性加权的指挥控制网络建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107707412A true CN107707412A (zh) | 2018-02-16 |
Family
ID=61179967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711092092.0A Pending CN107707412A (zh) | 2017-11-08 | 2017-11-08 | 基于多属性加权的指挥控制网络建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107707412A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109005055A (zh) * | 2018-07-16 | 2018-12-14 | 西安交通大学 | 基于多尺度拓扑空间的复杂网络信息节点重要度评价方法 |
| CN109255722A (zh) * | 2018-08-22 | 2019-01-22 | 电子科技大学 | 一种基于邻居拓扑的复杂网络层次分析系统及方法 |
| CN110009625A (zh) * | 2019-04-11 | 2019-07-12 | 上海科技大学 | 基于深度学习的图像处理系统、方法、终端、及介质 |
| CN110011851A (zh) * | 2019-04-10 | 2019-07-12 | 重庆邮电大学 | 一种指挥控制网中指挥节点最优覆盖布置方法 |
| CN110688754A (zh) * | 2019-09-25 | 2020-01-14 | 中国人民解放军国防科技大学 | 一种作战体系架构建模与最优搜索方法 |
| CN112291827A (zh) * | 2020-10-29 | 2021-01-29 | 王程 | 社会属性驱动的容迟网络路由改良算法 |
| CN113342523A (zh) * | 2021-06-04 | 2021-09-03 | 中国人民解放军军事科学院评估论证研究中心 | 作战体系结构均衡性分析方法、装置、设备和介质 |
| CN114021319A (zh) * | 2021-10-26 | 2022-02-08 | 岭南师范学院 | 一种基于改进桥接系数的指挥控制网络关键边识别方法 |
-
2017
- 2017-11-08 CN CN201711092092.0A patent/CN107707412A/zh active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109005055A (zh) * | 2018-07-16 | 2018-12-14 | 西安交通大学 | 基于多尺度拓扑空间的复杂网络信息节点重要度评价方法 |
| CN109255722A (zh) * | 2018-08-22 | 2019-01-22 | 电子科技大学 | 一种基于邻居拓扑的复杂网络层次分析系统及方法 |
| CN109255722B (zh) * | 2018-08-22 | 2020-09-18 | 电子科技大学 | 一种基于邻居拓扑的复杂网络层次分析系统及方法 |
| CN110011851A (zh) * | 2019-04-10 | 2019-07-12 | 重庆邮电大学 | 一种指挥控制网中指挥节点最优覆盖布置方法 |
| CN110011851B (zh) * | 2019-04-10 | 2022-05-13 | 重庆邮电大学 | 一种指挥控制网中指挥节点最优覆盖布置方法 |
| CN110009625A (zh) * | 2019-04-11 | 2019-07-12 | 上海科技大学 | 基于深度学习的图像处理系统、方法、终端、及介质 |
| CN110688754A (zh) * | 2019-09-25 | 2020-01-14 | 中国人民解放军国防科技大学 | 一种作战体系架构建模与最优搜索方法 |
| CN110688754B (zh) * | 2019-09-25 | 2024-07-26 | 中国人民解放军国防科技大学 | 一种作战体系架构建模与最优搜索方法 |
| CN112291827A (zh) * | 2020-10-29 | 2021-01-29 | 王程 | 社会属性驱动的容迟网络路由改良算法 |
| CN113342523A (zh) * | 2021-06-04 | 2021-09-03 | 中国人民解放军军事科学院评估论证研究中心 | 作战体系结构均衡性分析方法、装置、设备和介质 |
| CN113342523B (zh) * | 2021-06-04 | 2023-10-03 | 中国人民解放军军事科学院评估论证研究中心 | 作战体系结构均衡性分析方法、装置、设备和介质 |
| CN114021319A (zh) * | 2021-10-26 | 2022-02-08 | 岭南师范学院 | 一种基于改进桥接系数的指挥控制网络关键边识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107707412A (zh) | 基于多属性加权的指挥控制网络建模方法 | |
| Kong et al. | A reliable and efficient task offloading strategy based on multifeedback trust mechanism for IoT edge computing | |
| CN113282368B (zh) | 一种用于变电站巡视的边缘计算资源调度方法 | |
| CN112598150B (zh) | 一种在智能电厂中基于联邦学习提升火灾检测效果的方法 | |
| CN112953761B (zh) | 一种面向多跳网络中虚网构建的资源虚实映射方法 | |
| CN111611062B (zh) | 云边协同分层计算方法及云边协同分层计算系统 | |
| CN109818786A (zh) | 一种云数据中心应用可感知的分布式多资源组合路径最优选取方法 | |
| CN111176784B (zh) | 一种基于极限学习机和蚁群系统的虚拟机整合方法 | |
| CN113347027B (zh) | 一种面向网络虚拟孪生的虚拟实例放置方法 | |
| CN112312299A (zh) | 服务卸载方法、装置及系统 | |
| CN113037546A (zh) | 基于深度强化学习的安全性虚拟网络映射方法 | |
| Li et al. | Adaptive particle swarm optimization using scale-free network topology | |
| CN115396322B (zh) | 一种基于层介数连边策略的指挥控制超网络建模方法 | |
| CN115001978B (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
| CN114792187B (zh) | 基于意愿和信任双重约束的群智感知团队招募方法及系统 | |
| Cao et al. | Layered model aggregation based federated learning in mobile edge networks | |
| CN114599043A (zh) | 一种基于深度强化学习的空天地一体化网络资源分配方法 | |
| CN114745288A (zh) | 基于区块链和动态赋权的复杂网络抗毁性模型量化方法 | |
| Lu et al. | Resources collaborative scheduling model based on trust mechanism in cloud | |
| Gao et al. | Deep reinforcement learning based rendering service placement for cloud gaming in mobile edge computing systems | |
| Kaul et al. | Effective Prediction in Amazon Web Service based Clustered Data using Artificial Neural Networks | |
| CN115456313B (zh) | 一种基于分层优化的工业互联网资源调配方法 | |
| CN117858164B (zh) | 一种基于GAMNet的作战无人集群通信资源协同管控方法及系统 | |
| Tang et al. | Grid task scheduling strategy based on differential evolution-shuffled frog leaping algorithm | |
| CN112306641B (zh) | 一种用于虚拟机迁移模型的训练方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |