CN109685308A - 一种复杂系统关键路径评估方法及系统 - Google Patents

一种复杂系统关键路径评估方法及系统 Download PDF

Info

Publication number
CN109685308A
CN109685308A CN201811358421.6A CN201811358421A CN109685308A CN 109685308 A CN109685308 A CN 109685308A CN 201811358421 A CN201811358421 A CN 201811358421A CN 109685308 A CN109685308 A CN 109685308A
Authority
CN
China
Prior art keywords
node
matrix
bayesian network
fuzzy
direct relation
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
Application number
CN201811358421.6A
Other languages
English (en)
Inventor
吴德胜
陶良彦
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.)
University of Chinese Academy of Sciences
Original Assignee
University of Chinese Academy of Sciences
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 University of Chinese Academy of Sciences filed Critical University of Chinese Academy of Sciences
Priority to CN201811358421.6A priority Critical patent/CN109685308A/zh
Publication of CN109685308A publication Critical patent/CN109685308A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种复杂系统关键路径评估方法及系统，通过ISM方法获取复杂系统中每一要素的直接关系矩阵；获取每一要素的标准化直接关系矩阵；获取所述复杂系统的综合影响矩阵；根据每一要素的中心度和原因度，获取以每一要素为节点的贝叶斯网络结构，通过三角模糊数法，获取所述贝叶斯网络中每一节点发生每一状态的先验概率；根据所述贝叶斯网络中每一节点发生每一状态的先验概率，获取所述贝叶斯网络中每一子节点引起对应父节点发生每一状态的后验概率；将所述贝叶斯网络的最终节点依次到每一层中后验概率最大的父节点作为关键路径。本发明实施例提供了一种复杂系统中关键路径评估方法，简单方便，并且有效性高。

Description

一种复杂系统关键路径评估方法及系统
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种复杂系统关键路径评估方法及系统。
背景技术
关键路径法(Critical Path Method，简称CPM)，又称关键线路法。一种计划管理方法。它是通过分析项目过程中哪个活动序列进度安排的总时差最少来预测项目工期的网络分析。它用网络图表示各项工作之间的相互关系，找出控制工期的关键路线，在一定工期、成本、资源条件下获得最佳的计划安排，以达到缩短工期、提高工效、降低成本的目的。CPM中工序时间是确定的，这种方法多用于建筑施工和大修工程的计划安排。它适用于有很多作业而且必须按时完成的项目。
关键路线法是一个动态系统，它会随着项目的进展不断更新，该方法采用单一时间估计法，其中时间被视为一定的或确定的。
因此，亟需一种可靠的复杂系统关键路径评估方法。
发明内容
本发明实施例提供一种复杂系统关键路径评估方法及系统，用以实现复杂系统中关键路径的查找。
本发明实施例提供一种复杂系统关键路径评估方法，包括：
S1，通过ISM方法获取复杂系统中每一要素的直接关系矩阵；
S2，对每一要素的直接关系矩阵进行标准化，获取每一要素的标准化直接关系矩阵；
S3，根据每一要素的标准化直接关系矩阵，获取所述复杂系统的综合影响矩阵；
S4，根据每一要素的中心度和原因度，获取以每一要素为节点的贝叶斯网络结构，其中，对于任一要素，若所述任一要素对任一其它要素的影响大于所述任一其它要素对所述任一要素的影响，所述贝叶斯网络结构图中的箭头方向为所述任一要素到所述任一其它要素，所述任一要素的中心度为所述综合影响矩阵行要素之和，所述任一要素的原因度为所述综合影响矩阵列要素之和；
S5，通过三角模糊数法，获取所述贝叶斯网络中每一节点发生每一状态的先验概率；
S6，根据所述贝叶斯网络中每一节点发生每一状态的先验概率，获取所述贝叶斯网络中每一子节点引起对应父节点发生每一状态的后验概率；
S7，将所述贝叶斯网络的最终节点依次到每一层中后验概率最大的父节点作为关键路径。
本发明实施例提供一种复杂系统关键路径评估系统，包括：
矩阵模块，用于通过ISM方法获取复杂系统中每一要素的直接关系矩阵；
标准化模块，用于对每一要素的直接关系矩阵进行标准化，获取每一要素的标准化直接关系矩阵；
综合模块，用于根据每一要素的标准化直接关系矩阵，获取所述复杂系统的综合影响矩阵；
贝叶斯网络模块，用于根据每一要素的中心度和原因度，获取以每一要素为节点的贝叶斯网络结构，其中，对于任一要素，若所述任一要素对任一其它要素的影响大于所述任一其它要素对所述任一要素的影响，所述贝叶斯网络结构图中的箭头方向为所述任一要素到所述任一其它要素，所述任一要素的中心度为所述综合影响矩阵行要素之和，所述任一要素的原因度为所述综合影响矩阵列要素之和；
先验概率模块，用于通过三角模糊数法，获取所述贝叶斯网络中每一节点发生每一状态的先验概率；
后验概率模块，用于根据所述贝叶斯网络中每一节点发生每一状态的先验概率，获取所述贝叶斯网络中每一子节点引起对应父节点发生每一状态的后验概率；
关键模块，用于将所述贝叶斯网络的最终节点依次到每一层中后验概率最大的父节点作为关键路径。
本发明实施例提供一种复杂系统关键路径评估设备，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述复杂系统关键路径评估方法。
本发明实施例提供一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述复杂系统关键路径评估方法。
本发明实施例提供的一种复杂系统关键路径评估方法及系统，其有益效果如下：提供了一种复杂系统中关键路径评估方法，简单方便，并且有效性高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种复杂系统关键路径评估方法的流程图；
图2为本发明实施例中一种复杂系统关键路径评估方法中贝叶斯网络结构图；
图3为本发明实施例一种复杂系统关键路径评估系统的结构示意图；
图4示例了一种服务器的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例一种复杂系统关键路径评估方法的流程图，如图1所示，该方法包括：
S1，通过ISM方法获取复杂系统中每一要素的直接关系矩阵；
S2，对每一要素的直接关系矩阵进行标准化，获取每一要素的标准化直接关系矩阵；
S3，根据每一要素的标准化直接关系矩阵，获取所述复杂系统的综合影响矩阵；
S4，根据每一要素的中心度和原因度，获取以每一要素为节点的贝叶斯网络结构，其中，对于任一要素，若所述任一要素对任一其它要素的影响大于所述任一其它要素对所述任一要素的影响，所述贝叶斯网络结构图中的箭头方向为所述任一要素到所述任一其它要素，所述任一要素的中心度为所述综合影响矩阵行要素之和，所述任一要素的原因度为所述综合影响矩阵列要素之和；
S5，通过三角模糊数法，获取所述贝叶斯网络中每一节点发生每一状态的先验概率；
S6，根据所述贝叶斯网络中每一节点发生每一状态的先验概率，获取所述贝叶斯网络中每一子节点引起对应父节点发生每一状态的后验概率；
S7，将所述贝叶斯网络的最终节点依次到每一层中后验概率最大的父节点作为关键路径。
需要说明的是，解释结构模型法(Interpretative Structural ModelingMethod,简称ISM方法)，是现代系统工程中广泛应用的一种分析方法，是结构模型化技术的一种。
它是将复杂的系统分解为若干子系统要素，利用人们的实践经验和知识以及计算机的帮助，最终构成一个多级递阶的结构模型。此模型以定性分析为主，属于结构模型，可以把模糊不清的思想、看法转化为直观的具有良好结构关系的模型。特别适用于变量众多、关系复杂而结构不清晰的系统分析中，也可用于方案的排序等。它的应用面十分广泛，从能源问题等国际性问题到地区经济开发、企事业甚至个人范围的问题等。它在揭示系统结构，尤其是分析教学资源内容结构和进行学习资源设计与开发研究、教学过程模式的探索等方面具有十分重要作用，它也是教育技术学研究中的一种专门研究方法。
首先通过ISM方法划分要素间的逻辑关系，计算直接关系矩阵，识别出影响复杂系统运行的多种要素，并由N位专家分别对各要素间影响关系的强弱程度进行判断打分。各要素之间的关系强弱可分为：没有影响、低度影响、中度影响、高度影响和极高度影响，分别以0、1、2、3和4代表。若认为要素Ai对要素Aj有极高度的影响，则以4标记，若要素Ai对要素Aj没有影响，则以0标记。综合这N位专家的打分情况，并取平均数作为对应要素影响关系的强弱程度，从而获取到直接关系矩阵U。
接着计算标准化直接关系矩阵X，计算公式如下：
其中，X表示所述标准化直接关系矩阵，U表示效用矩阵，n表示阶数，i表示行数，j表示列数，a表示关键路径参数矩阵，aij表示关键路径参数矩阵中的第i行第j列的元素。
在获得标准化直接关系矩阵X的基础上，利用下面的公式计算综合影响矩阵T，计算公式如下：
其中，T表示所述综合影响矩阵，X表示标准化直接关系矩阵。
下一步绘制贝叶斯网络结构图，并计算网络节点的条件概率。
需要说明的是，贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。贝叶斯网络是基于概率推理的数学模型，所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程，基于概率推理的贝叶斯网络(Bayesian network)是为了解决不定性和不完整性问题而提出的，它对于解决复杂设备不确定性和关联性引起的故障有很大的优势，在多个领域中获得广泛应用。
为进一步分析要素之间的综合影响关系，计算出各要素的影响度D、被影响度R以及中心度D+R与原因度D-R。其中，D表示综合影响矩阵行要素之和；R表示综合影响矩阵列要素之和；D+R表示某要素在所有要素中的位置及其所起作用的大小；若D-R为正数，表示该要素对其它要素影响较大，称为原因要素，若D-R为负数，表示该要素受其它要素影响较大，称为结果要素。
依据D+R、D-R可构造出因果图，其中，箭头指向表示其它要素影响它的程度，比如，要素A对要素A1的影响程度为0，而A1对A的影响程度为0.1，因此，箭头由A1指向A。
该步骤可以清晰地识别出各要素间的逻辑关系，从而绘制贝叶斯网络结构图。贝叶斯网络结构是一个有向无环图(Directed Acyclic Graph,DAG),由变量节点及连接这些节点的有向边构成。节点间的有向变量代表节点间的相互关系(由父节点指向子节点)，用条件概率表达关系强度。图2为本发明实施例中一种复杂系统关键路径评估方法中贝叶斯网络结构图，如图2所示，在该图的实例中，A是C的一个父节点，C是A的一个子节点。
在贝叶斯网络建模过程中最困难的一项工作就是确定每个节点的条件概率分布，但条件概率的计算需要大量的样本数据来满足各节点不同取值的要求，而在无法获得精确概率的情况下，需要进行模糊概率的处理。因此，以问卷调查的方式就节点条件概率征询专家意见并使用三角模糊数法来处理相关数据。
表1为事件发生概率的语意值与相应的三角模糊数，如表1所示，三角模糊数建立了模糊的不确定语言变量和确定数值之间的一个桥梁，当一个评价对象无法进行准确的度量时，运用模糊评价方法可以将其转化为数值。为了将专家对事件状态概率的评判结果与模糊数相联系，引入7个语言变量，即“非常低”、“低”、“偏低”、“中等”、“偏高”、“高”以及“非常高”。通过这种方法可以将专家意见转化为用三角模糊数表示的模糊概率。
表1
概率范围 三角模糊数 表述语句
<1％ (0.0,0.0,0.1) 非常低
1％-10％ (0.0,0.1,0.3) 低
10％-33％ (0.1,0.3,0.5) 偏低
33％-66％ (0.3,0.5,0.7) 中等
66％-90％ (0.5,0.7,0.9) 偏高
90％-99％ (0.7,0.9,1.0) 高
>99％ (0.9,1.0,1.0) 非常高
为了有效确定各个节点在不同状态时的发生概率，需要综合多个专家的意见进行分析。若专家数为q，第k个专家给出的节点Xi处于状态j的概率可依据表1转化为三角模糊数
为综合多位专家的评判结果，采用算术平均法来进行处理，即
其中，表示所述贝叶斯网络中第k个专家第i个节点处于j状态的三角模糊数，q表示专家个数，表示去模糊化后的下限点矩阵，表示去模糊化后的中限点矩阵，表示去模糊化后的上限点矩阵，i表示下限指示器，j表示中限指示器，k表示上限指示器。
随后，采用均值面积法对模糊概率进行解模糊处理，即节点Xi处于j状态的概率为：
其中，表示所述贝叶斯网络中第i个节点处于j状态的平均三角模糊数，表示所述贝叶斯网络中第i个节点处于j状态的q阶三角模糊数，q表示专家个数，表示去模糊化后的下限点矩阵，表示去模糊化后的中限点矩阵，表示去模糊化后的上限点矩阵。
最后，通过归一化处理得到节点Xi处于j状态的精确概率为
其中，Pij表示所述先验概率，A'ij表示去模糊化之后下限点矩阵的转置，B'ij表示去模糊化之后中限点矩阵的转置，C'ij表示去模糊化之后上限点矩阵的转置。
设实验E的样本空间Ω，事件B1,B2...Bn为Ω的一组事件且互不相容，则对应任何一个事件A有此时,P(Bi)为先验概率，P(Bi|A)为后验概率。
由贝叶斯定理可知，贝叶斯网络具有双向推理功能：既可由先验概率推导出后验概率，又可由后验概率推导出先验概率。
先验概率的计算公式为
根据贝叶斯网络的逆向推理，当子节点发生的概率已知时，可以通过贝叶斯公式计算父节点发生某种状态是由子节点那种结果状态引起的概率。
致因链分析是从最终节点依次找到后验概率较大的父节点，即从直接影响创业决策的多种认知要素中，选择影响程度较大的要素，再以此类推，直至找到网络结构的最外一层要素，将这些要素组成的链条即为导致复杂系统运行的重要致因链，也可视为复杂系统运行的关键驱动路径。
本发明实施例的有益效果是：提供了一种复杂系统中关键路径评估方法，简单方便，并且有效性高。
图3为本发明实施例一种复杂系统关键路径评估系统的结构示意图，如图3所示，该系统包括：
矩阵模块301，用于通过ISM方法获取复杂系统中每一要素的直接关系矩阵；
标准化模块302，用于对每一要素的直接关系矩阵进行标准化，获取每一要素的标准化直接关系矩阵；
综合模块303，用于根据每一要素的标准化直接关系矩阵，获取所述复杂系统的综合影响矩阵；
贝叶斯网络模块304，用于根据每一要素的中心度和原因度，获取以每一要素为节点的贝叶斯网络结构，其中，对于任一要素，若所述任一要素对任一其它要素的影响大于所述任一其它要素对所述任一要素的影响，所述贝叶斯网络结构图中的箭头方向为所述任一要素到所述任一其它要素，所述任一要素的中心度为所述综合影响矩阵行要素之和，所述任一要素的原因度为所述综合影响矩阵列要素之和；
先验概率模块305，用于通过三角模糊数法，获取所述贝叶斯网络中每一节点发生每一状态的先验概率；
后验概率模块306，用于根据所述贝叶斯网络中每一节点发生每一状态的先验概率，获取所述贝叶斯网络中每一子节点引起对应父节点发生每一状态的后验概率；
关键模块307，用于将所述贝叶斯网络的最终节点依次到每一层中后验概率最大的父节点作为关键路径。
该系统实施例的具体执行过程与上述方法实施例的执行过程相同，详情请参考上述方法实施例，本实施例在此不再赘述。
图4示例了一种服务器的实体结构示意图，如图4所示，该服务器可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和总线440，其中，处理器410，通信接口420，存储器430通过总线440完成相互间的通信。通信接口440可以用于服务器与智能电视之间的信息传输。处理器410可以调用存储器430中的逻辑指令，以执行如下方法：
S1，通过ISM方法获取复杂系统中每一要素的直接关系矩阵；
S2，对每一要素的直接关系矩阵进行标准化，获取每一要素的标准化直接关系矩阵；
S3，根据每一要素的标准化直接关系矩阵，获取所述复杂系统的综合影响矩阵；
S4，根据每一要素的中心度和原因度，获取以每一要素为节点的贝叶斯网络结构，其中，对于任一要素，若所述任一要素对任一其它要素的影响大于所述任一其它要素对所述任一要素的影响，所述贝叶斯网络结构图中的箭头方向为所述任一要素到所述任一其它要素，所述任一要素的中心度为所述综合影响矩阵行要素之和，所述任一要素的原因度为所述综合影响矩阵列要素之和；
S5，通过三角模糊数法，获取所述贝叶斯网络中每一节点发生每一状态的先验概率；
S6，根据所述贝叶斯网络中每一节点发生每一状态的先验概率，获取所述贝叶斯网络中每一子节点引起对应父节点发生每一状态的后验概率；
S7，将所述贝叶斯网络的最终节点依次到每一层中后验概率最大的父节点作为关键路径。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种复杂系统关键路径评估方法，其特征在于，包括：
S1，通过ISM方法获取复杂系统中每一要素的直接关系矩阵；
S2，对每一要素的直接关系矩阵进行标准化，获取每一要素的标准化直接关系矩阵；
S3，根据每一要素的标准化直接关系矩阵，获取所述复杂系统的综合影响矩阵；
S4，根据每一要素的中心度和原因度，获取以每一要素为节点的贝叶斯网络结构，其中，对于任一要素，若所述任一要素对任一其它要素的影响大于所述任一其它要素对所述任一要素的影响，所述贝叶斯网络结构图中的箭头方向为所述任一要素到所述任一其它要素，所述任一要素的中心度为所述综合影响矩阵行要素之和，所述任一要素的原因度为所述综合影响矩阵列要素之和；
S5，通过三角模糊数法，获取所述贝叶斯网络中每一节点发生每一状态的先验概率；
S6，根据所述贝叶斯网络中每一节点发生每一状态的先验概率，获取所述贝叶斯网络中每一子节点引起对应父节点发生每一状态的后验概率；
S7，将所述贝叶斯网络的最终节点依次到每一层中后验概率最大的父节点作为关键路径。
2.根据权利要求1所述方法，其特征在于，所述步骤S2中，所述标准化直接关系矩阵为：
其中，X表示所述标准化直接关系矩阵，U表示效用矩阵，n表示阶数，i表示行数，j表示列数，a表示关键路径参数矩阵，aij表示关键路径参数矩阵中的第i行第j列的元素。
3.根据权利要求1所述方法，其特征在于，所述综合影响矩阵为：
其中，T表示所述综合影响矩阵，X表示标准化直接关系矩阵。
4.根据权利要求1所述方法，其特征在于，步骤S5具体包括：
S51，获取每一专家对所述贝叶斯网络中每一节点在每一状态的专家意见；
S52，将每一专家对所述贝叶斯网络中每一节点在每一状态的专家意见转换为三角模糊数；
S53，通过算术平均法，获取所述贝叶斯网络中每一节点在每一状态的平均三角模糊数；
S54，通过均值面积法，获取所述贝叶斯网络中每一节点处于每一状态的先验概率。
5.根据权利要求4所述方法，其特征在于，步骤S52中，所述三角模糊数为：
其中，表示所述贝叶斯网络中第k个专家第i个节点处于j状态的三角模糊数，q表示专家个数，表示去模糊化后的下限点矩阵，表示去模糊化后的中限点矩阵，表示去模糊化后的上限点矩阵，i表示下限指示器，j表示中限指示器，k表示上限指示器。
6.根据权利要求4所述方法，其特征在于，步骤S53中，所述平均三角模糊数为：
其中，表示所述贝叶斯网络中第i个节点处于j状态的平均三角模糊数，表示所述贝叶斯网络中第i个节点处于j状态的q阶三角模糊数，q表示专家个数，表示去模糊化后的下限点矩阵，表示去模糊化后的中限点矩阵，表示去模糊化后的上限点矩阵。
7.根据权利要求4所述方法，其特征在于，步骤S54中，所述先验概率为：
其中，Pij表示所述先验概率，A'ij表示去模糊化之后下限点矩阵的转置，B'ij表示去模糊化之后中限点矩阵的转置，C'ij表示去模糊化之后上限点矩阵的转置。
8.一种复杂系统关键路径评估系统，其特征在于，包括：
矩阵模块，用于通过ISM方法获取复杂系统中每一要素的直接关系矩阵；
标准化模块，用于对每一要素的直接关系矩阵进行标准化，获取每一要素的标准化直接关系矩阵；
综合模块，用于根据每一要素的标准化直接关系矩阵，获取所述复杂系统的综合影响矩阵；
贝叶斯网络模块，用于根据每一要素的中心度和原因度，获取以每一要素为节点的贝叶斯网络结构，其中，对于任一要素，若所述任一要素对任一其它要素的影响大于所述任一其它要素对所述任一要素的影响，所述贝叶斯网络结构图中的箭头方向为所述任一要素到所述任一其它要素，所述任一要素的中心度为所述综合影响矩阵行要素之和，所述任一要素的原因度为所述综合影响矩阵列要素之和；
先验概率模块，用于通过三角模糊数法，获取所述贝叶斯网络中每一节点发生每一状态的先验概率；
后验概率模块，用于根据所述贝叶斯网络中每一节点发生每一状态的先验概率，获取所述贝叶斯网络中每一子节点引起对应父节点发生每一状态的后验概率；
关键模块，用于将所述贝叶斯网络的最终节点依次到每一层中后验概率最大的父节点作为关键路径。
9.一种复杂系统关键路径评估设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-7中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
CN201811358421.6A 2018-11-15 2018-11-15 一种复杂系统关键路径评估方法及系统 Pending CN109685308A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811358421.6A CN109685308A (zh) 2018-11-15 2018-11-15 一种复杂系统关键路径评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811358421.6A CN109685308A (zh) 2018-11-15 2018-11-15 一种复杂系统关键路径评估方法及系统

Publications (1)

Publication Number Publication Date
CN109685308A true CN109685308A (zh) 2019-04-26

Family

ID=66185431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811358421.6A Pending CN109685308A (zh) 2018-11-15 2018-11-15 一种复杂系统关键路径评估方法及系统

Country Status (1)

Country Link
CN (1) CN109685308A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210165A (zh) * 2020-01-21 2020-05-29 哈尔滨工业大学 一种基于风险传导耦合的车辆运行风险评估系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184373A (zh) * 2015-09-08 2015-12-23 深圳大学 贝叶斯网络结构学习方法、系统及可靠性模型构建方法
CN106846155A (zh) * 2017-03-29 2017-06-13 哈尔滨理工大学 基于模糊贝叶斯网络的海底管道泄漏事故风险评估方法
CN107341596A (zh) * 2017-06-20 2017-11-10 上海交通大学 基于层次任务网络和关键路径法的任务优化方法
CN107832916A (zh) * 2017-10-13 2018-03-23 四川大学 基于贝叶斯风险网络的梯级水电站关键风险因素及风险传递关键路径的识别方法
CN108062638A (zh) * 2018-02-09 2018-05-22 国通广达（北京）技术有限公司 综合管廊灾害链风险评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184373A (zh) * 2015-09-08 2015-12-23 深圳大学 贝叶斯网络结构学习方法、系统及可靠性模型构建方法
CN106846155A (zh) * 2017-03-29 2017-06-13 哈尔滨理工大学 基于模糊贝叶斯网络的海底管道泄漏事故风险评估方法
CN107341596A (zh) * 2017-06-20 2017-11-10 上海交通大学 基于层次任务网络和关键路径法的任务优化方法
CN107832916A (zh) * 2017-10-13 2018-03-23 四川大学 基于贝叶斯风险网络的梯级水电站关键风险因素及风险传递关键路径的识别方法
CN108062638A (zh) * 2018-02-09 2018-05-22 国通广达（北京）技术有限公司 综合管廊灾害链风险评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周建林: "复杂系统", 《中国博士学位论文全文数据库 经济与管理科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210165A (zh) * 2020-01-21 2020-05-29 哈尔滨工业大学 一种基于风险传导耦合的车辆运行风险评估系统
CN111210165B (zh) * 2020-01-21 2023-04-07 哈尔滨工业大学 一种基于风险传导耦合的车辆运行风险评估系统

Similar Documents

Publication Publication Date Title
Xue et al. Interactive ontology matching based on partial reference alignment
US10467547B1 (en) Normalizing text attributes for machine learning models
CN110516116A (zh) 一种多步分层的学习者认知水平挖掘方法及系统
Dutta et al. ABCpy: A high-performance computing perspective to approximate Bayesian computation
CN110796513A (zh) 多任务学习方法、装置、电子设备及存储介质
CN111177135B (zh) 一种基于界标的数据填补方法及装置
CN112988840A (zh) 一种时间序列预测方法、装置、设备和存储介质
CN115309575A (zh) 基于图卷积神经网络的微服务故障诊断方法、装置及设备
CN111179055A (zh) 授信额度调整方法、装置和电子设备
CN113742069A (zh) 基于人工智能的容量预测方法、装置及存储介质
CN109685308A (zh) 一种复杂系统关键路径评估方法及系统
CN109298989A (zh) 业务指标阈值获取方法及装置
CN109471871A (zh) 公车管理方法及装置
CN114298299A (zh) 基于课程学习的模型训练方法、装置、设备及存储介质
Praynlin et al. Performance analysis of software effort estimation models using neural networks
CN110851600A (zh) 基于深度学习的文本数据处理方法及装置
Chen et al. Fuzzy clustering ensemble considering cluster dependability
CN111209105A (zh) 扩容处理方法、装置、设备及可读存储介质
CN115630979A (zh) 日前电价的预测方法、装置、存储介质及计算机设备
Mohammadi et al. Machine learning assisted stochastic unit commitment: A feasibility study
CN109726401B (zh) 一种专利组合生成方法及系统
CN114238106A (zh) 测试时间预测方法及装置、电子设备、存储介质
CN113962444A (zh) 一种基于强化学习的学生素质素养预测系统
Veluvolu The Establishment of a Financial Crisis Early Warning System for Domestic Listed Companies Based on Two Neural Network Models in the Context of COVID‐19
Morichetta et al. Demystifying deep learning in predictive monitoring for cloud-native SLOs

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

Application publication date: 20190426

RJ01 Rejection of invention patent application after publication