CN107734512B - 一种基于灰度关联层次分析的网络选择方法 - Google Patents

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ω_j；(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E_j，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,...,v_0n)；(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ω_j；

(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E_j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,...,v_0n)；

(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；m_ij＝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m_ij＝1/m_ji。

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，x_i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，r_ij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,...,v_0n)

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ω_j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，v_0j,v_ij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

Γ_ij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ω_j。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E_j，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,...,v_0n)；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；m_ij＝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m_ij＝1/m_ji。

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，x_i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，r_ij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,...,v_0n)

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，v_0j,v_ij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

Γ_ij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 (4)

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

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；m_ij＝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m_ij＝1/m_ji；

(2)计算归一化权重ω_j；

(3)利用熵权法，构造评估矩阵

将评估矩阵归一

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，r_ij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

(4)计算决策属性的熵E_j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,...,v_0n)；

步骤(5)具体的方法如下：寻找所述参考解：

v₀＝(v₀₁,v₀₂,...,v_0n)

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ω_j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：

(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(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，x_i表示特征向量x的第i个元素。

3.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(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：

4.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(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:

其中，v_0j,v_ij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

Γ_ij为灰色关联系数矩阵Γ的第i行第j列元素。

Images