CN110944349A - 基于直觉模糊数和topsis的异构无线网络选择方法 - Google Patents

Abstract

本发明公开了基于直觉模糊数和TOPSIS的异构无线网络选择方法，具体步骤包括：S1、获取目标网络属性和当前业务类型；S2、根据获取到的目标网络属性参数构造目标决策矩阵，并进行归一化处理；S3、构建不同业务类型下的直觉模糊层次分析模型，并获取相应的网络属性权重矩阵；S4、将所得网络属性权重矩阵与目标决策矩阵进行简单乘法加权，得到加权决策矩阵；S5、利用TOPSIS法对加权决策矩阵进行排序，取最优结果作为最终目标网络进行切换。本发明采用直觉模糊数进行语义重要程度表达，较一般模糊数和三角模糊数等更能丰富地表达不确定性和模糊性符合实际；实现了基于直觉层次分析模型计算网络属性权重，实现网络最佳选择。

Description

基于直觉模糊数和TOPSIS的异构无线网络选择方法

技术领域

本发明属于异构网络融合领域，特别涉及基于直觉模糊数和TOPSIS的异构无线网络选择方法。

背景技术

随着无线通信技术的迅猛发展，无线网络的异构性特征越发明显。无线网络包括宽带无线接入网、蜂窝移动网和卫星网络等不同种类的网络。从20世纪80年代初的第一代移动通信系统，到现在的4G、WLAN甚至5G，各种异构网络的出现和交叠，使得移动用户终端在选择上十分困难。为了更好地满足用户在不同业务及应用场景下的网络服务需求，异构网络融合成为必然趋势。

异构无线网络融合是以用户需求为导向，旨在充分利用现有网络资源，降低网络开销成本，维持网络负载均衡，以满足用户无缝连接的服务需求，为用户提供高质量、丰富、便捷的服务。其主要涉及移动性管理、无线资源管理、服务质量以及网络安全性等问题。在本发明中主要体现为移动性管理技术，即切换技术。

异构无线网络融合面临的挑战之一就是如何设计高效、合理的垂直判决算法，以满足不同网络间无缝切换的需求。目前基于多属性的网络接入算法层出不穷，常见有简单加权(Simple Additive Weighting，SAW)、乘法加权(Multiplicative ExponentWeighting，MEW)、熵权法(Entropy)、层次分析(Analytic Hierarchy Process，AHP)、逼近理想解(TOPSIS)、灰色关联分析(Grey Relation Analysis，GRA)等，研究表明基于多属性的网络决策算法操作简单灵活，可行性高。

同时在异构无线网络中，不同业务类型下对网络属性的要求不同，在以往的研究中，用户对不同业务的重视程度及不同业务类型下属性间的重要程度通常采用“重要”“不重要”等模糊语言来表示，常见的有层次分析法AHP的1-9标度用以表示语义重要程度，在模糊层次分析(Fuzzy Analytic Hierarchy Process，FAHP)中，则采用0-1标度或三角模糊数来表示。对于以上一般模糊数和三角模糊数而言，通常不能同时表达支持和反对的决策信息，因而使得语义重要程度表达不清晰，不能反映用户的实际情况。而直觉模糊数从隶属度、非隶属度、犹豫度三个层面出发，更能丰富地展现和表示语义间重要程度，其在表征不确定性和模糊性方面功能更加强大，更具优势。故而本发明针对语义重要程度表达不清晰、不准确等问题，采用直觉模糊数进行语义表达，同时结合TOPSIS方法进行网络综合排序，在满足用户服务质量的同时，更准确地反映用户对不同属性或业务之间重要程度的主观偏好。实验表明本发明将直觉模糊层次分析应用到多属性决策中进行网络综合决策是一种新颖有效的决策方法。

发明内容

本发明的目的在于克服现有技术的不足与缺点，提供一种基于直觉模糊数和理想点法(Technique for Order Preference by Similarity to an Ideal Solution，TOPSIS)的异构无线网络选择方法。本发明主要用以改进一般模糊数和三角模糊数等表征不完善的问题，同时将模糊控制融入到多属性决策当中，实现更符合用户实际、满足用户服务质量(Qualityof Service，Qos)需求的网络选择。

本发明至少通过如下技术方案之一实现。

基于直觉模糊数和TOPSIS的异构无线网络选择方法，包括以下步骤：

S1、获取目标网络属性和当前业务类型；

S2、根据获取到的目标网络属性参数构造目标决策矩阵，并进行归一化处理；

S3、构建不同业务类型下的直觉模糊层次分析模型，并获取相应的网络属性权重矩阵；

S4、将所得网络属性权重矩阵与目标决策矩阵进行简单乘法加权，得到加权决策矩阵；

S5、利用TOPSIS法对加权决策矩阵进行排序，取最优结果作为最终目标网络进行切换。

进一步地，所述步骤S1中目标网络属性主要为网络带宽、时延、丢包、抖动、成本和安全，所述当前业务类型为会话类、流媒体类、背景/后台类和交互类。

进一步地，所述步骤S2中，利用收集到的目标网络属性，构造目标决策矩阵，假定现有m个候选网络，其影响网络决策的属性为n个，构建网络属性决策矩阵D＝[d_ij]_m×n(i＝1,2,...m,j＝1,2,...n)，其中d_ij表示第个i候选网络对应的第j个属性，具体表示为：

并进行归一化处理得到标准化决策矩阵R＝[r_ij]_m×n(i∈[1,m],j∈[1,n])，其中r_ij表示归一化后的第个i候选网络对应的第j个属性，表示如下：

进一步地，所述步骤S3主要是构建不同业务类型下直觉模糊层次结构(Intuitionistic Fuzzy Analytic Hierarchy Process，IFAHP)，其中属性间对比语义重要程度用直觉正态模糊数进行表示，得到相应的直觉模糊偏好关系矩阵，最终得到该业务类型下不同属性上的直觉模糊值，进而对该模糊值进行运算得到对应的网络属性权重矩阵，具体包括以下步骤：

1)采用直觉模糊数对模糊层次分析模型(Fuzzy Analytic Hierarchy Process，FAHP)中两两比较矩阵语义重要程度进行表示，其中一组直觉模糊数定义如下：

A＝(μ_A,ν_A),(0≤μ_A≤1,0≤ν_A≤1,0≤μ_A+ν_A≤1) (3)

式中μ_A和ν_A分别代表直觉模糊数A的隶属度和非隶属度；

2)根据不同业务类型的属性重要程度，对该业务中网络的n个属性按照语义重要程度进行两两比较，构建属性间偏好矩阵如下所示，其中A_ij表示第i个网络属性相较于第j个网络属性的重要程度：

对属性偏好矩阵进行算子集成，得到对应属性的直觉模糊值矩阵

表示第j个属性集成后所对应的直觉模糊数，其集成算子公式表述如下：

式中

和

为集成后属性直觉模糊数的隶属度和非隶属度，μ_ij和ν_ij则为进行算子集成前属性偏好矩阵中每组直觉模糊数所对应的隶属度和非隶属度；

3)根据其记分函数计算得到对应属性的偏好值，将其作为决策矩阵的权重，其记分函数表示为：

S(A)＝1-|μ_A-ν_A| (6)

则其属性权值矩阵为W＝[W₁,W₂,...W_n]，其中第j个属性权重表示为：

4)对以上所得的属性权值矩阵进行归一化权重矩阵

使得各属性和相加为1，具体如下：

进一步地，所述步骤S4的加权决策矩阵X＝[x_ij]_m×n(i∈[1,m],j∈[1,n])如下：

其中x_ij为加权决策矩阵中第i个候选网络对应的第j个属性，

为所述权重矩阵，R为归一化后的目标决策矩阵。

进一步地，所述步骤S5包括以下步骤：

a)对于加权后的决策矩阵X＝[x_ij]_m×n(i∈[1,m],j∈[1,n])，根据不同属性定义其正理想集X⁺和负理想集X^-，表示如下：

其中，

和

分别第j个属性对应的正理想解和负理想解；

对于效益型属性而言：

对于成本型属性则为：

b)获取各候选网络到正负理想解的距离，分别定义为

和

其公式如下：

c)获取候选网络的贴近度C_i，表示如下：

d)最终根据网络贴近度从大到小进行排序，选择贴近度最大的网络进行接入。

本发明主要应用于异构网络环境下(3G、4G、无线网络并存)用户终端(如手机、平板等)的网络选择问题，通过直觉模糊数和TOPSIS相结合的方法，改善了一般模糊数语义重要程度表达不清晰、不准确的问题，同时在不同的业务条件下(如会话类业务，典型的QQ通信等)满足用户服务质量的同时为用户选择最为合适的网络接入。在未来本发明可以嵌入到终端芯片中，在异构环境中自动为用户选择最为适合当前业务类型的网络进行切换接入，具有很大的发展空间。

本发明与现有技术相比，具有以下优势：

1、采用直觉模糊数进行语义重要程度表达，较一般模糊数和三角模糊数等更能丰富地表达不确定性和模糊性，符合实际；

2、首次实现了基于直觉层次分析模型计算网络属性权重；

3、将模糊理论与多属性结合，采用直觉模糊层次分析与TOPSIS相结合进行网络决策，有效降低乒乓效应，实现网络最佳选择。

附图说明

图1为本实施例基于直觉模糊数和TOPSIS的异构无线网络选择方法的流程图；

图2为本实施例的场景仿真图；

图3为本实施例的直觉模糊层次模型图；

图4为本实施例的实验结果对比图；

图5为本实施例的仿真结果对比图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1所示为本实施例基于直觉模糊数和TOPSIS的异构无线网络选择方法，具体包括以下步骤：

S1、获取移动用户终端当前所处网络属性集和所使用业务类型。如图2所示，本实施例中移动用户终端所处网络环境主要包含3G通信标准UMTS、4G通信标准LTE、无线局域网WLAN和城域网WIMAX，并选取以下网络属性作为决策评判标准集，主要为：带宽、时延、丢包、抖动、成本、安全。假定用户终端所使用业务类型为会话类业务，其用户所处网络环境及其相应网络属性设定如表1所示。

表1候选网络的属性值

S2、构建网络属性决策矩阵，并进行归一化处理；

根据实施例步骤S1中网络属性值随机生成的网络属性参数按公式(1)构造决策矩阵，具体为：

根据公式(2)进行归一化后为：

S3、根据图3从目标层、准则层、方案层三个方面来构建直觉模糊层次分析模型(IFAHP)，采用直觉模糊数对模糊层次分析模型(FAHP)中属性间两两比较矩阵语义重要程度进行表示，其主要作用于图3中的准则层，之后通过计算获取相应网络参数权重；

其中，根据公式(3-4)采用直觉模糊数建立属性间对比矩阵，其中对于会话类业务本实施例中设置网络属性间重要程度为：延迟＝抖动>带宽>丢包>安全>成本，具体构建如下所示：

以上偏好矩阵按照公式(5)对每行进行运算集成得到一组属性模糊集

具体为：

按照公式(6-7)改进后的记分函数进行计算得到对应属性的权重为：

W＝[0.4096,0.4596,0.4334,0.2901,0.2117,0.2423]

按照公式(8)进行归一化后，最终属性权重为：

S4、按照公式(9)对决策矩阵进行加权，构造加权决策矩阵X；

对实施例步骤S2中的决策矩阵，将步骤S3所得的权重

进行加权，得到加权后的决策矩阵X，具体为：

S5、采用TOPSIS法对决策矩阵进行排序，选取最佳网络进行切换决策。

对实施例步骤4)中的加权决策矩阵X，按照公式(10-15)确定其正负理想解集为：

X⁺＝[0.1874 0.1506 0.1536 0.0935 0.0660 0.0671]

X^-＝[0.0082 0.0753 0.0485 0.0338 0.0165 0.0479]

之后，根据公式(16-17)计算各候选网络到正负理想解的距离为：

最后，根据公式(18)计算贴近度为：

C_i＝[0.4120 0.2902 0.6330 0.4412]

其中，i＝1～4，按照贴近度大小排序为：C₃＞C₄＞C₁＞C₂，即网络最佳选择为WIMAX。

本实施例中会话类业务其属性重要程度为：延迟＝抖动>带宽>丢包率>安全>成本，实验结果图4显示各属性权重大小与该业务类型的重要程度一致，与其他常见的2中权重确定方法对比，显示其处于AHP和FAHP之间，既能如实地反映网络属性间的重要程度，又能比较综合地展现不同业务类型对属性的要求，避免了一些传统AHP赋权中某些属性赋权过高的极端情况，一定程度上也避免传统FAHP方法中属性重要程度表示不明显的情况。实验结果表明，本发明的基于直觉模糊数的赋权方法更为折衷，是一种新颖的有效赋权法。同时从图5仿真结果来看，本发明的网络选择结果与另外两种传统的网络选择结果一致，其最佳网络选择WIMAX的次数和概率更高，表明本发明结果是可行的，也能更好地为用户选择最佳的网络进行选择和接入。

综上所述，本发明为用户终端在异构无线网络环境中提供了一种新颖有效的网络选择方法，它能根据不同的业务类型，有效合理地为用户选择一个更为折衷的合适的网络，具有一定的实际价值和作用。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.基于直觉模糊数和TOPSIS的异构无线网络选择方法，其特征在于，包括以下步骤：

S1、获取目标网络属性和当前业务类型；

S2、根据获取到的目标网络属性参数构造目标决策矩阵，并进行归一化处理；

S3、构建不同业务类型下的直觉模糊层次分析模型，并获取相应的网络属性权重矩阵；

S4、将所得网络属性权重矩阵与目标决策矩阵进行简单乘法加权，得到加权决策矩阵；

S5、利用TOPSIS法对加权决策矩阵进行排序，取最优结果作为最终目标网络进行切换。

2.根据权利要求1所述的基于直觉模糊数和TOPSIS的异构无线网络选择方法，其特征在于，所述步骤S1中目标网络属性主要为网络带宽、时延、丢包、抖动、成本和安全，所述当前业务类型为会话类、流媒体类、背景/后台类和交互类。

3.根据权利要求1所述的基于直觉模糊数和TOPSIS的异构无线网络选择方法，其特征在于，所述步骤S2中，利用收集到的目标网络属性，构造目标决策矩阵，假定现有m个候选网络，其影响网络决策的属性为n个，构建网络属性决策矩阵D＝[d_ij]_m×n(i＝1,2,...m,j＝1,2,...n)，其中d_ij表示第个i候选网络对应的第j个属性，具体表示为：

并进行归一化处理得到标准化决策矩阵R＝[r_ij]_m×n(i∈[1,m],j∈[1,n])，其中r_ij表示归一化后的第个i候选网络对应的第j个属性，表示如下：

4.根据权利要求1所述的基于直觉模糊数和TOPSIS的异构无线网络选择方法，其特征在于，所述步骤S3主要是构建不同业务类型下直觉模糊层次结构(Intuitionistic FuzzyAnalytic Hierarchy Process，IFAHP)，其中属性间对比语义重要程度用直觉正态模糊数进行表示，得到相应的直觉模糊偏好关系矩阵，最终得到该业务类型下不同属性上的直觉模糊值，进而对该模糊值进行运算得到对应的网络属性权重矩阵，具体包括以下步骤：

1)采用直觉模糊数对模糊层次分析模型(Fuzzy Analytic Hierarchy Process，FAHP)中两两比较矩阵语义重要程度进行表示，其中一组直觉模糊数定义如下：

A＝(μ_A,ν_A),(0≤μ_A≤1,0≤ν_A≤1,0≤μ_A+ν_A≤1) (3)

式中μ_A和ν_A分别代表直觉模糊数A的隶属度和非隶属度；

2)根据不同业务类型的属性重要程度，对该业务中网络的n个属性按照语义重要程度进行两两比较，构建属性间偏好矩阵具体如下，其中A_ij表示第i个网络属性相较于第j个网络属性的重要程度：

对属性偏好矩阵进行算子集成，得到对应属性的直觉模糊值矩阵

表示第j个属性集成后所对应的直觉模糊数，其集成算子公式表述如下：

式中

和

为集成后属性直觉模糊数的隶属度和非隶属度，μ_ij和ν_ij则为进行算子集成前属性偏好矩阵中每组直觉模糊数所对应的隶属度和非隶属度；

3)根据其记分函数计算得到对应属性的偏好值，将其作为决策矩阵的权重，其记分函数表示为：

S(A)＝1-|μ_A-ν_A| (6)

则其属性权值矩阵为W＝[W₁,W₂,...W_n]，其中第j个属性权重表示为：

对以上所得的属性权值矩阵进行归一化权重矩阵

4)使得各属性和相加为1，具体如下：

5.根据权利要求1所述的基于直觉模糊数和TOPSIS的异构无线网络选择方法，其特征在于，所述步骤S4的加权决策矩阵X＝[x_ij]_m×n(i∈[1,m],j∈[1,n])如下：

其中x_ij为加权决策矩阵中第i个候选网络对应的第j个属性，

为所述权重矩阵，R为归一化后的目标决策矩阵。

6.根据权利要求1所述的基于直觉模糊数和TOPSIS的异构无线网络选择方法，其特征在于，所述步骤S5包括以下步骤：

a)对于加权后的决策矩阵X＝[x_ij]_m×n(i∈[1,m],j∈[1,n])，根据不同属性定义其正理想集X⁺和负理想集X^-，表示如下：

其中，

和

分别第j个属性对应的正理想解和负理想解；

对于效益型属性而言：

对于成本型属性则为：

b)获取各候选网络到正负理想解的距离，分别定义为

和

其公式如下：

c)获取候选网络的贴近度C_i，表示如下：

d)最终根据网络贴近度从大到小进行排序，选择贴近度最大的网络进行接入。

Images