CN107734512A - 一种基于灰度关联层次分析的网络选择方法 - Google Patents

一种基于灰度关联层次分析的网络选择方法 Download PDF

Info

Publication number
CN107734512A
CN107734512A CN201710915644.7A CN201710915644A CN107734512A CN 107734512 A CN107734512 A CN 107734512A CN 201710915644 A CN201710915644 A CN 201710915644A CN 107734512 A CN107734512 A CN 107734512A
Authority
CN
China
Prior art keywords
mrow
msub
network
attribute
munder
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
CN201710915644.7A
Other languages
English (en)
Other versions
CN107734512B (zh
Inventor
冯宝
赵高峰
刘金锁
李洋
张立武
蔡世龙
刘文贵
马涛
丁晨阳
胡阳
胡倩倩
高雪
龚亮亮
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.)
Nari Information and Communication Technology Co
Nanjing NARI Group Corp
Original Assignee
Nari Information and Communication Technology Co
Nanjing NARI Group Corp
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 Nari Information and Communication Technology Co, Nanjing NARI Group Corp filed Critical Nari Information and Communication Technology Co
Priority to CN201710915644.7A priority Critical patent/CN107734512B/zh
Publication of CN107734512A publication Critical patent/CN107734512A/zh
Application granted granted Critical
Publication of CN107734512B publication Critical patent/CN107734512B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/18—Selecting a network or a communication service

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开的一种基于灰度关联层次分析的网络选择方法，包括以下几个步骤：(1)利用层次分析法，建立递阶层次，构造判断矩阵(2)计算归一化权重ωj；(3)利用熵权法，构造评估矩阵将评估矩阵归一(4)求解决策属性的熵Ej，计算熵权权重(5)利用灰度关联法，构建全局决策矩阵找出一组参考解v0＝(v01,v02,...,v0n)；(6)计算灰色关联等级灰度多属性判决选择与参考网络关联系数最大的网络作为最佳网络。本发明根据灰度关联法选择与参考网络最为匹配的最佳网络，能有效解决网络决策属性不为单调函数的网络选择问题。

Description

一种基于灰度关联层次分析的网络选择方法
技术领域
本发明涉及一种电力无线通信系统中基于灰度关联层次分析的网络选择方法，属于无线通信技术领域。
背景技术
随着电力行业的发展，电网规模逐渐扩大，网络拓扑日益复杂，当前的以光纤通信为主的电力通信主干网络已经不能满足各种业务的需求。对于远距离接入节点，直接铺设光纤线路费用高昂，缺乏实际价值；在突发性灾害事故下，光纤线路故障难以及时抢修；对于新建变电站，光纤线路建设数量大、工期长，常常会影响到变电站的投产使用。在这些有线通信无法发挥关键作用的领域，无线通信网络技术及其组网系统的应用能够提供优质的通信保障。
因而，无线通信技术在智能电网中发挥越来越重要的作用。目前，电力无线通信采用多种制式，包含230MHz电台专网、WiMax、GPRS公网、CDMA公网、LTE230和LTE1800等多种不同的网络。面对当前用户量大、业务类型复杂等情况，任何单一制式的网络都不能完全满足用户需求，从而表现为多种异构网络共存，优势互补的局面。如何选择一种高可靠、高适应性的无线通信选择方案已成为电力通信领域研究的热点。
发明内容
本发明所要解决的技术问题是提供一种基于灰度关联层次分析的网络选择方法，该方法将层次分析法和灰度关联法结合，综合考虑电力业务需求和网络性能，对电力系统中应用广泛的微功率无线网，230MHz无线专网和1.8G无线专网混合的异构模型执行网络选择，根据灰度关联法选择与参考网络最为匹配的最佳网络，能有效解决网络决策属性不为单调函数的网络选择问题。
本发明为解决上述问题采用以下技术方案：
本发明的一种基于灰度关联层次分析的网络选择方法，包括以下几个步骤：
(1)利用层次分析法，建立递阶层次，构造判断矩阵 表示n行n列的实数矩阵；
(2)计算归一化权重ωj；
(3)利用熵权法，构造评估矩阵将评估矩阵归一
(4)计算决策属性的熵Ej和熵权权重
(5)利用灰度关联法，构建全局决策矩阵找出一组参考解v0＝(v01,v02,...,v0n)；
(6)计算灰色关联等级灰度多属性判决选择与参考网络关联系数最大的网络作为最佳网络。
步骤(1)中，具体的方法如下：
目标层为最佳网络选择，属性层为决策属性，选择带宽、时延、误码率和抖动作为决策属性，方案层为三种待选网络：1.8GHz无线专网、230MHz无线专网以及微功率无线网；
选用1至9的数字及其倒数来表征两种属性之间的关系，数值越大代表属性相对于另一属性越重要；通过将属性层中各属性两两比较，可以得到判断矩阵
其中，n为决策属性的个数；mij＝1,2,…,9为第i个属性相对于第j个属性的重要程度，取值范围为1至9的整数及其倒数，数字越大代表重要程度越高，且满足mij＝1/mji。
步骤(2)中，所述归一化权重的计算方法如下：
因为判断矩阵为对角矩阵，所以有Mx＝λx，其中x为非零特征向量，λ为对应的特征值，特征向量中的元素对应各个属性，归一化之后得到对应的权值：
其中，xi表示特征向量x的第i个元素。
步骤(3)具体的方法如下：
假设有l个待选网络，n个决策属性，则评估矩阵表示为：
其中，rij为第i个网络的第j个属性值,i＝1,2,…,l,j＝1,2,…,n；
为消除不同属性的量纲差异，对属性值进行归一化，对于效益型属性和成本型属性，归一方法分别为：
归一后的评估矩阵为
步骤(4)具体的方法如下：
根据信息熵的定义，第j个决策属性的熵定义为：
其中K＝1/lnl；
由信息熵和熵权的关系，第j个决策属性的熵权权值为：
步骤(5)具体的方法如下：寻找所述参考解：
v0＝(v01,v02,...,v0n)
是灰度关联法的关键，对于单调性属性，参考网络选择正理想解或者负理想解；而对于非单调属性，参考网络根据实际需要选择；
将归一化权重与熵权权重混合，得到既能考虑业务需求又能反应网络状况的混合权重：
其中，t为权重系数，用于调整权重ωj和的重要程度，t∈[0,1]；
将所述混合权重带入到归一化的评估矩阵中，得到全局决策矩阵：
步骤(6)具体的方法如下：各个网络与参考网络的灰度关联系数定义为:
i＝1,2,...,lj＝1,2,...,n
其中，v0j,vij分别为参考网络和第i个网络的全局决策参数，ξ∈[0,1]为辨析系数，得到灰色关联系数矩阵为
灰度关联系数描述了备选网络与参考网络的相似程度，选择与参考网络最接近的网络作为最佳网络，则最佳网络表示为：
即选择与参考网络关联系数最大的网络作为最佳网络，其中Γij为灰色关联系数矩阵Γ的第i行第j列元素。
本发明采用以上技术方案与现有技术相比，具有以下有益效果：
①采用层次分析法和熵权法计算决策属性权重，既考虑网络本身的属性信息，又体现用户在不同业务下的需求；
②采用灰度关联法使选择结果既能保证用户得到确保质量的服务，又能合理均衡分配网络资源，维持网络负载平衡；
③参考网络可以根据实际需求选择，适应性强；
④对于单调性网络属性情况同样适用，即选择理想网络为参考网络；
⑤能有效解决网络决策属性不为单调函数的网络选择问题。
附图说明
图1是异构网络混合模型；
图2是层次结构模型；
图3是单调及非单调属性示意图；
图4是本发明方法的工作流程图；
图5是灰度层次分析法网络选择结果；
图6是AHP-TOPSIS法网络选择结果。
具体实施方式
下面结合附图以及具体实施例对本发明的技术方案做进一步的详细说明：
本发明公开了一种电力无线通信系统中基于灰度关联层次分析的网络选择方法，能有效解决网络决策属性不为单调函数的网络选择问题。该方法先采用层次分析法根据不同业务要求确定决策属性权重和熵权法根据实际网络参数计算决策属性权重，再将两类权重线性叠加，然后用灰度关联法选择与参考网络关联度最高的网络作为最佳网络，既考虑网络本身的属性信息，又体现用户在不同业务下的需求。通过选择不同的参考网络，可以实现不同QoS等级需求。选择结果既能保证用户得到确保质量的服务，又能合理均衡分配网络资源，维持网络负载平衡。仿真结果表明本方法有效，分配结果合理。
一、网络模型
本发明无线通信网络选择230MHz无线专网、1.8GHz无线专网和微功率无线网混合分布模型，实现网络覆盖区域互补。图1显示网络混合分布模型，不同网络覆盖区域互有补充。电力系统中存在数据类业务、语音类业务、视频类业务等多种业务类型，典型如：监测信息、控制信息、VoIP、视频监控等。不同业务对网络有不同要求，如VoIP对网络带宽要求较低，对短时延要求较高，而视频监控对带宽要求较高。根据用户不同需求，应该选择合适的网络选择方法使用户接入合适的网络，充分利用网络资源，提高网络利用率。
二、方法基础
参见图4，灰度关联层次分析法包括如下步骤：
(1)建立递阶层次，构造判断矩阵计算归一化权重ωj。为层次分析权值计算过程，利用层次分析法根据用户需求和偏好对网络进行加权。
(2)构造评估矩阵将评估矩阵归一求解决策属性的熵Ej，计算熵权权重为熵权权值计算过程，利用熵权法根据网络实际状况对网络进行加权。
(3)构建全局决策矩阵找出一组参考解v0＝(v01,v02,...,v0n)；计算灰色关联等级灰度多属性判决为灰度关联过程，首先根据上面两种权重计算混合权重，然后采用灰度关联法选择与参考网络最接近的网络作为最佳网络。
(1)层次分析法
层次分析方法是70年代由美国运筹学家Sstty提出，是一种定性与定量分析相结合的多目标决策分析方法。对于具有多属性的复杂问题时，其各属性之间的权重往往有效确定，为避免该问题，层次分析法不把所有属性一起比较，而是两两相互比较；采用相对尺度，以尽量减少性质不同的属性相互比较的困难，提高准确度。利用层次分析法进行网络选择，首先要建立递阶层次，如图2所示。其中目标层为最佳网络选择；属性层为决策属性，本文选择带宽、时延、误码率和抖动作为决策属性；方案层为3种待选网络。
在层次分析法中，一般用1至9的数字及其倒数来表征两种属性之间的关系，数值越大代表某属性相对于另一属性越重要。通过将属性层中各属性两两比较，可以得到判断矩阵
其中，n为决策属性的个数；mij＝1,2,…,9为第i个属性相对于第j个属性的重要程度，取值范围为1至9的整数及其倒数，数字越大代表重要程度越高，且满足mij＝1/mji。
因为判断矩阵为对角矩阵，所以有Mx＝λx，其中x为非零特征向量，λ为对应的特征值。特征向量中的元素对应各个属性，归一化之后可以得到对应的权值：
其中，xi为特征向量x的第i个元素。为防止我们的判断带有主观性和片面性，还需要进行一致性检验，若检验需调整判断矩阵以满足一致性条件。
(2)熵权法
在信息论中，信息熵用来表征信息量的大小，熵越小，包含的信息量就越大，即信息的变化程度越大。根据这一特性，我们可以比较某一属性在各种选择方案中的重要程度。如果某一指标的在不同方案中差异较大，说明该属性在评估过程中的作用越大，则其信息熵较小，该属性的熵权权重也就较大。假设有l个待选网络，n个决策属性，则评估矩阵可以表示为：
其中，rij为第i个网络的第j个属性值。
为消除不同属性的量纲差异，对属性值进行归一化。对于效益型属性和成本型属性，归一方法分别为：
归一后的评估矩阵为
根据信息熵的定义，第j个决策属性的熵定义为：
其中K＝1/lnl。
由信息熵和熵权的关系，第j个决策属性的熵权权值为：
(3)灰度关联法
灰度关联分析是通过计算灰色关联度，用灰色关联序列来描述属性间关系的强弱、大小和次序等众多因素的分析方法。灰度关联法的基本思想是，根据序列与参考序列的关联系数来判断之间的联系，关联系数越大，则序列与参考序列越相似。利用这一性质，可以设置不同等级的参考网络，进行合理的网络选择。
类似TOPSIS等算法假设所有属性均为单调函数，即成本型属性越大越好，效益型属性越小越好。但实际中上述假设不一定满足。当业务考虑不同等级QoS需求时，就会产生非单调性的属性效应。如图3所示，这里只考虑网络时延这一个属性。从图中可以看出，若假设时延为单调性函数，对于VoIP、流媒体和管理信息三种不同的业务，网路1的时延均小于网络2，此时由TOPSIS算法决策出的最佳网络均为网络1；而若假设时延为非单调性函数，根据灰度关联法，以最接近业务要求的时延的网络为最优网络，此时VoIP业务的最佳网络为网络1，而流媒体和管理信息业务的最佳网络为网络2。在后一种方案中，用户对不同业务的QoS能够得到满足，且各网络接入均衡，有利于降低使用成本，提高网络资源利用率。
三、灰度关联层次分析法
本发明的灰度关联层次分析发将层次分析法、熵权法和灰度关联法相结合，首先利用层次分析法，依据不同业务下各网络属性之间重要程度得到网络属性的归一化权值，然后采用熵权法，根据网络属性实际值对不同选择方案的作用大小得到熵权权重，最后利用灰度关联法，寻找与参考网络最接近的网络作为最优网络，完成网络选择过程。
由上可以看出，寻找合适的参考解：
v0＝(v01,v02,...,v0n)
是灰度关联法的关键。对于单调性属性，参考网络可以选择正理想解或者负理想解；而对于非单调属性，参考网络根据实际需要选择。
将归一化权重与熵权权重混合，得到既能考虑业务需求又能反应网络状况的混合权重：
其中，t为权重系数，根据实际需要选择，一般可选为0.5。
将上述混合权重带入到归一化的评估矩阵中，可以得到全局决策矩阵：
各个网络与参考网络的灰度关联系数(GRC,Gray Rational Coefficient)定义为:
i＝1,2,...,lj＝1,2,...,n
其中，v0j,vij分别为参考网络和第i个网络的全局决策参数，ξ∈[0,1]为辨析系数，一般可取为0.5。得到灰色关联系数矩阵为
灰度关联系数描述了备选网络与参考网络的相似程度，选择与参考网络最接近的网络作为最佳网络，则最佳网络可以表示为：
即选择与参考网络关联系数最大的网络作，其中Γij为灰度关联矩阵Γ的第i行第j列元素。
图5是灰度层次分析法网络选择结果，运用灰度关联层次分析法计算不同业务下各网络与参考网络的关联度，选择关联度最大的网络为最佳网路。图5可以看出在VoIP、视频监控、监测信息和控制信息业务下，最佳选择网络分别为微功率无线网、1..8GHz无线专网、230MHz无线专网和1.8GHZ无线专网。
图6是AHP-TOPSIS法网络选择结果。AHP-TOPSIS法根据待选网络与正负理想网络的距离选择最佳网络，其选择结果如图6所示，最佳网络为距离最小的网络。可以看出，四种业务下的最佳网络均为1.8GHz无线专网。
表1是待选网络参数。
表1
表2是不同业务对网络属性的要求程度。
表2
表3是不同业务决策属性关系及权重。
表3
表4是不同业务决策属性混合权重。
表4
表5是不同业务参考网络属性。
表5
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.一种基于灰度关联层次分析的网络选择方法，其特征在于，包括以下几个步骤：
(1)利用层次分析法，建立递阶层次，构造判断矩阵
(2)计算归一化权重ωj；
(3)利用熵权法，构造评估矩阵将评估矩阵归一
(4)计算决策属性的熵Ej和熵权权重
(5)利用灰度关联法，构建全局决策矩阵找出一组参考解v0＝(v01,v02,...,v0n)；
(6)计算灰色关联等级灰度多属性判决选择与参考网络关联系数最大的网络作为最佳网络。
2.根据权利要求1所述的基于灰度关联层次分析的网络选择方法，其特征在于，步骤(1)中，具体的方法如下：
目标层为最佳网络选择，属性层为决策属性，选择带宽、时延、误码率和抖动作为决策属性，方案层为三种待选网络：1.8GHz无线专网、230MHz无线专网以及微功率无线网；
选用1至9的数字及其倒数来表征两种属性之间的关系，数值越大代表属性相对于另一属性越重要；通过将属性层中各属性两两比较，可以得到判断矩阵
其中，n为决策属性的个数；mij＝1,2,…,9为第i个属性相对于第j个属性的重要程度，取值范围为1至9的整数及其倒数，数字越大代表重要程度越高，且满足mij＝1/mji。
3.根据权利要求2所述的基于灰度关联层次分析的网络选择方法，其特征在于，步骤(2)中，所述归一化权重的计算方法如下：
因为判断矩阵为对角矩阵，所以有Mx＝λx，其中x为非零特征向量，λ为对应的特征值，特征向量中的元素对应各个属性，归一化之后得到对应的权值：
<mrow> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>x</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>,</mo> </mrow>
其中，xi表示特征向量x的第i个元素。
4.根据权利要求3所述的基于灰度关联层次分析的网络选择方法，其特征在于，步骤(3)具体的方法如下：
假设有l个待选网络，n个决策属性，则评估矩阵表示为：
其中，rij为第i个网络的第j个属性值,i＝1,2,…,l,j＝1,2,…,n；
为消除不同属性的量纲差异，对属性值进行归一化，对于效益型属性和成本型属性，归一方法分别为：
<mrow> <msub> <mover> <mi>r</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>/</mo> <mrow> <mo>(</mo> <munder> <mi>max</mi> <mi>i</mi> </munder> <mo>(</mo> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> <mo>+</mo> <munder> <mi>min</mi> <mi>i</mi> </munder> <mo>(</mo> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mover> <mi>r</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mrow> <mo>(</mo> <munder> <mi>max</mi> <mi>i</mi> </munder> <mo>(</mo> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> <mo>+</mo> <munder> <mi>min</mi> <mi>i</mi> </munder> <mo>(</mo> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> <mo>-</mo> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>/</mo> <mrow> <mo>(</mo> <munder> <mi>max</mi> <mi>i</mi> </munder> <mo>(</mo> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> <mo>+</mo> <munder> <mi>min</mi> <mi>i</mi> </munder> <mo>(</mo> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
归一后的评估矩阵为
5.根据权利要求4所述的基于灰度关联层次分析的网络选择方法，其特征在于，步骤(4)具体的方法如下：
根据信息熵的定义，第j个决策属性的熵定义为：
<mrow> <msub> <mi>E</mi> <mi>j</mi> </msub> <mo>=</mo> <mo>-</mo> <msubsup> <mi>K&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </msubsup> <msub> <mi>f</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>lnf</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow>
其中K＝1/lnl；
由信息熵和熵权的关系，第j个决策属性的熵权权值为：
6.根据权利要求5所述的基于灰度关联层次分析的网络选择方法，其特征在于，步骤(5)具体的方法如下：寻找所述参考解：
v0＝(v01,v02,...,v0n)
是灰度关联法的关键，对于单调性属性，参考网络选择正理想解或者负理想解；而对于非单调属性，参考网络根据实际需要选择；
将归一化权重与熵权权重混合，得到既能考虑业务需求又能反应网络状况的混合权重：
其中，t为权重系数，用于调整权重ωj和的重要程度，t∈[0,1]；
将所述混合权重带入到归一化的评估矩阵中，得到全局决策矩阵：
7.根据权利要求6所述的基于灰度关联层次分析的网络选择方法，其特征在于，步骤(6)具体的方法如下：各个网络与参考网络的灰度关联系数定义为:
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>&amp;gamma;</mi> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mrow> <mn>0</mn> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <munder> <mi>min</mi> <mi>i</mi> </munder> <munder> <mi>min</mi> <mi>j</mi> </munder> <mo>|</mo> <msub> <mi>v</mi> <mrow> <mn>0</mn> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>|</mo> <mo>+</mo> <mi>&amp;xi;</mi> <munder> <mi>max</mi> <mi>i</mi> </munder> <munder> <mi>max</mi> <mi>j</mi> </munder> <mo>|</mo> <msub> <mi>v</mi> <mrow> <mn>0</mn> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>|</mo> </mrow> <mrow> <mo>|</mo> <msub> <mi>v</mi> <mrow> <mn>0</mn> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>|</mo> <mo>+</mo> <mi>&amp;xi;</mi> <munder> <mi>max</mi> <mi>i</mi> </munder> <munder> <mi>max</mi> <mi>j</mi> </munder> <mo>|</mo> <msub> <mi>v</mi> <mrow> <mn>0</mn> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>|</mo> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>l</mi> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>n</mi> </mrow> </mtd> </mtr> </mtable> </mfenced>
其中，v0j,vij分别为参考网络和第i个网络的全局决策参数，ξ∈[0,1]为辨析系数，得到灰色关联系数矩阵为
灰度关联系数描述了备选网络与参考网络的相似程度，选择与参考网络最接近的网络作为最佳网络，则最佳网络表示为：
<mrow> <msub> <mi>S</mi> <mrow> <mi>G</mi> <mi>R</mi> <mi>A</mi> </mrow> </msub> <mo>=</mo> <mi>arg</mi> <munder> <mi>max</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>...</mn> <mo>,</mo> <mi>l</mi> </mrow> </munder> <msub> <mi>&amp;Gamma;</mi> <mi>i</mi> </msub> </mrow>
即选择与参考网络关联系数最大的网络作为最佳网络，其中Γij为灰色关联系数矩阵Γ的第i行第j列元素。
CN201710915644.7A 2017-09-30 2017-09-30 一种基于灰度关联层次分析的网络选择方法 Active CN107734512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710915644.7A CN107734512B (zh) 2017-09-30 2017-09-30 一种基于灰度关联层次分析的网络选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710915644.7A CN107734512B (zh) 2017-09-30 2017-09-30 一种基于灰度关联层次分析的网络选择方法

Publications (2)

Publication Number Publication Date
CN107734512A true CN107734512A (zh) 2018-02-23
CN107734512B CN107734512B (zh) 2021-06-04

Family

ID=61209462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710915644.7A Active CN107734512B (zh) 2017-09-30 2017-09-30 一种基于灰度关联层次分析的网络选择方法

Country Status (1)

Country Link
CN (1) CN107734512B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109302734A (zh) * 2018-10-31 2019-02-01 国网福建省电力有限公司 一种无线接入网络规划的接入制式选择方法
CN109345029A (zh) * 2018-10-26 2019-02-15 石家庄铁道大学 一种基于改进Topsis法的隧道施工优选方法
CN110418363A (zh) * 2019-08-27 2019-11-05 南京邮电大学 基于改进熵权和灰色关联分析法的异构无线网络垂直切换方法
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
CN111083724A (zh) * 2019-12-26 2020-04-28 重庆邮电大学 一种雾计算网络下基于ocwg-topsis的用户关联方法
CN112073983A (zh) * 2020-08-21 2020-12-11 国网电力科学研究院有限公司 基于流量预测的无线数据中心网络拓扑优化方法及系统
CN112533220A (zh) * 2020-11-29 2021-03-19 国网辽宁省电力有限公司电力科学研究院 基于灰色层次分析法的5g网络切片电源终端接入方案
CN112566219A (zh) * 2020-12-03 2021-03-26 国网甘肃省电力公司信息通信公司 一种电力通信异构网络选择的权重确定方法
CN112566196A (zh) * 2020-11-04 2021-03-26 北京中电飞华通信有限公司 一种基于智能电网的异构网络接入选择方法及相关设备
CN112867101A (zh) * 2019-11-28 2021-05-28 哈尔滨工业大学 一种基于灰度综合评价值的公安异构无线专网选择方法
CN113010270A (zh) * 2021-04-08 2021-06-22 桂林电子科技大学 基于Kubernetes平台资源动态负载均衡调度方法及系统
CN114329788A (zh) * 2021-12-31 2022-04-12 武汉理工大学 一种基于田口法和熵权灰色关联分析的车门优化设计方法
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

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080279152A1 (en) * 2007-05-09 2008-11-13 Electronics And Telecommunications Research Institute Method and apparatus for performing power consumption based handover between hybrid networks
US20090023453A1 (en) * 2007-07-20 2009-01-22 Jianhong Hu Owa converged network access architecture and method
CN101640895A (zh) * 2009-08-31 2010-02-03 北京邮电大学 一种保证流媒体服务质量的方法及系统
CN102781072A (zh) * 2012-07-27 2012-11-14 南京邮电大学 基于多属性决策和群组决策的网络选择方法
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
CN104602325A (zh) * 2015-01-20 2015-05-06 重庆邮电大学 一种基于层次分析法的异构无线网络选择方法
CN105207821A (zh) * 2015-07-28 2015-12-30 北京邮电大学 一种面向业务的网络综合性能评估方法
CN107105453A (zh) * 2017-03-31 2017-08-29 合肥工业大学 基于层次分析法和进化博弈理论的异构网络选择接入方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080279152A1 (en) * 2007-05-09 2008-11-13 Electronics And Telecommunications Research Institute Method and apparatus for performing power consumption based handover between hybrid networks
US20090023453A1 (en) * 2007-07-20 2009-01-22 Jianhong Hu Owa converged network access architecture and method
CN101640895A (zh) * 2009-08-31 2010-02-03 北京邮电大学 一种保证流媒体服务质量的方法及系统
CN102781072A (zh) * 2012-07-27 2012-11-14 南京邮电大学 基于多属性决策和群组决策的网络选择方法
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
CN104602325A (zh) * 2015-01-20 2015-05-06 重庆邮电大学 一种基于层次分析法的异构无线网络选择方法
CN105207821A (zh) * 2015-07-28 2015-12-30 北京邮电大学 一种面向业务的网络综合性能评估方法
CN107105453A (zh) * 2017-03-31 2017-08-29 合肥工业大学 基于层次分析法和进化博弈理论的异构网络选择接入方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CUI LI-LI ; ZHANG RUI-PENG ; WANG PENG: "Method for Supplier Selection Based on ANP and Entropy Righ", 《 2009 SECOND INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION》 *
QINGYANG SONG: "Network selection in an integrated wireless LAN and UMTS environment usingmathematical modeling and computing tachniques", 《 IEEE WIRELESS COMMUNICATIONS ( VOLUME: 12 , ISSUE: 3 , JUNE 2005 )》 *
孙寅彪: "基于网络性能与业务特征感知的异构网络选择算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
陈芳: "基于多属性决策的异构无线网络接入选择方案设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345029A (zh) * 2018-10-26 2019-02-15 石家庄铁道大学 一种基于改进Topsis法的隧道施工优选方法
CN109302734A (zh) * 2018-10-31 2019-02-01 国网福建省电力有限公司 一种无线接入网络规划的接入制式选择方法
CN109302734B (zh) * 2018-10-31 2021-01-29 国网福建省电力有限公司 一种无线接入网络规划的接入制式选择方法
CN110418363A (zh) * 2019-08-27 2019-11-05 南京邮电大学 基于改进熵权和灰色关联分析法的异构无线网络垂直切换方法
CN112867101A (zh) * 2019-11-28 2021-05-28 哈尔滨工业大学 一种基于灰度综合评价值的公安异构无线专网选择方法
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
CN111083724A (zh) * 2019-12-26 2020-04-28 重庆邮电大学 一种雾计算网络下基于ocwg-topsis的用户关联方法
CN111083724B (zh) * 2019-12-26 2022-02-11 重庆邮电大学 一种雾计算网络下基于ocwg-topsis的用户关联方法
CN112073983A (zh) * 2020-08-21 2020-12-11 国网电力科学研究院有限公司 基于流量预测的无线数据中心网络拓扑优化方法及系统
CN112073983B (zh) * 2020-08-21 2022-10-04 国网电力科学研究院有限公司 基于流量预测的无线数据中心网络拓扑优化方法及系统
CN112566196A (zh) * 2020-11-04 2021-03-26 北京中电飞华通信有限公司 一种基于智能电网的异构网络接入选择方法及相关设备
WO2022095620A1 (zh) * 2020-11-04 2022-05-12 北京中电飞华通信有限公司 一种基于智能电网的异构网络接入选择方法及相关设备
CN112566196B (zh) * 2020-11-04 2023-11-03 北京中电飞华通信有限公司 一种基于智能电网的异构网络接入选择方法及相关设备
CN112533220A (zh) * 2020-11-29 2021-03-19 国网辽宁省电力有限公司电力科学研究院 基于灰色层次分析法的5g网络切片电源终端接入方案
CN112566219A (zh) * 2020-12-03 2021-03-26 国网甘肃省电力公司信息通信公司 一种电力通信异构网络选择的权重确定方法
CN112566219B (zh) * 2020-12-03 2023-05-19 国网甘肃省电力公司信息通信公司 一种电力通信异构网络选择的权重确定方法
CN113010270A (zh) * 2021-04-08 2021-06-22 桂林电子科技大学 基于Kubernetes平台资源动态负载均衡调度方法及系统
CN114329788A (zh) * 2021-12-31 2022-04-12 武汉理工大学 一种基于田口法和熵权灰色关联分析的车门优化设计方法
CN114329788B (zh) * 2021-12-31 2024-04-12 武汉理工大学 一种基于田口法和熵权灰色关联分析的车门优化设计方法
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

Also Published As

Publication number Publication date
CN107734512B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN107734512A (zh) 一种基于灰度关联层次分析的网络选择方法
CN109495296B (zh) 基于聚类与神经网络的智能变电站通信网络状态评价方法
CN108419274B (zh) 一种基于效用函数的异构无线网络选择方法
CN101572623B (zh) 基于主客观组合评价的网络性能综合评价方法
CN110795692A (zh) 一种主动配电网运行状态评估方法
CN108197820B (zh) 一种配电网可靠性关联关系模型的建立方法
CN105868912A (zh) 基于数据融合的电力变压器状态评价方法及装置
CN105427053A (zh) 一种应用于配网建设改造方案与供电质量评估指标的关联影响分析模型
CA2436352A1 (en) Process and system for developing a predictive model
CN104318482A (zh) 一套智能配电网综合评估体系和方法
CN104021300B (zh) 一种基于分布式电源接入对配电网影响的综合评估方法
CN103108382A (zh) 一种基于网络层次分析法的异构网络多属性决策方法
CN109003000A (zh) 一种主动配电网的电能质量综合评估方法
CN106845777A (zh) 案件工作量评价方法、法官业绩评价方法、建模方法、计算装置和计算机可读存储介质
CN104504280B (zh) 电动汽车充电桩集群管理系统通信方式综合评价方法
CN104243478A (zh) 网络设备的安全防护能力评估方法及设备
CN106650959A (zh) 一种基于改进灰色聚类的配电网抢修能力评估方法
CN111160732A (zh) 一种适用于多站融合安全与效益综合评价的方法
CN110059913A (zh) 一种计及未来态的停电计划的量化评估方法
Du et al. A hybrid group-making decision framework for regional distribution network outage loss assessment based on fuzzy best-worst and MARCOS methods
CN112183999A (zh) 一种配电主设备传感器可靠性评估指标特征提取方法
CN112365074B (zh) 一种基于电网调控数据的人工智能决策方法
CN111047461B (zh) 一种直流多微网的黑启动方法
CN115860526A (zh) 一种基于综合模糊评估的通信网络综合效能评估方法
CN114647947A (zh) 单位造价预测方法、装置、电子设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant