CN113361853B - 新共识模型的卫星应急任务规划方案效能评估方法及系统 - Google Patents

新共识模型的卫星应急任务规划方案效能评估方法及系统 Download PDF

Info

Publication number
CN113361853B
CN113361853B CN202110466112.6A CN202110466112A CN113361853B CN 113361853 B CN113361853 B CN 113361853B CN 202110466112 A CN202110466112 A CN 202110466112A CN 113361853 B CN113361853 B CN 113361853B
Authority
CN
China
Prior art keywords
matrix
evaluation
vector
utility value
calculating
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.)
Active
Application number
CN202110466112.6A
Other languages
English (en)
Other versions
CN113361853A (zh
Inventor
胡笑旋
晏冰
王彦君
夏维
王执龙
孙海权
伍艺
王杰
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110466112.6A priority Critical patent/CN113361853B/zh
Publication of CN113361853A publication Critical patent/CN113361853A/zh
Application granted granted Critical
Publication of CN113361853B publication Critical patent/CN113361853B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

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

Abstract

本发明实施例提供一种卫星应急任务规划方案的方法及系统，属于卫星调度方案的规划技术领域。所述方法包括：获取各个决策信息矩阵；将决策信息矩阵转化为对应的评估矩阵；计算每两个评估矩阵之间的豪斯多夫距离；计算所有评估矩阵的共识度；判断共识度是否大于或等于预设的共识度阈值；根据公式(1)计算每两个评估矩阵的信任度；根据公式(2)和公式(3)选择需要更新的评估矩阵；根据公式(4)更新选择的评估矩阵；在判断共识度大于或等于共识度阈值的情况下，采用粒子群算法根据评估矩阵确定最终矩阵；计算最终矩阵中每个向量的效用值；根据效用值从最终矩阵中选择作为执行方案的任务规划方案的最优解。

Description

新共识模型的卫星应急任务规划方案效能评估方法及系统
技术领域
本发明涉及卫星调度方案的规划技术领域，具体地涉及一种新共识模型的卫星应急任务规划方案效能评估方法及系统。
背景技术
卫星在对地成像过程中，经常会遇到各种紧急成像应急任务，如地震、战争、火灾等，此类应急任务往往具有高动态性和高时效性，在应急任务规划过程中需进行快速规划，生成新的成像控制指令，确定执行应急任务时间窗并尽可能减少对原任务规划方案的扰动情况。因此，对规划方案进行评估是十分必要的。但是，现有技术中的评估方法都是从单个角度出发，对方案进行评估。事实上，卫星的任务规划方案能否实现预期效果，需要满足多个调度系统的要求。而不同的调度系统之间由于评估的角度不同，其评估的结果自然也就存在较大的差异，因此难以得到一个较为中肯的任务规划方案。
发明内容
本发明实施例的目的是提供一种新共识模型的卫星应急任务规划方案效能评估方法及系统，该方法及系统可以在筛选任务规划方案的同时，满足不同调度系统的要求。
为了实现上述目的，本发明实施例提供一种新共识模型的卫星应急任务规划方案效能评估方法，所述方法包括：
获取各个调度系统评价多个待选的任务规划方案优劣性的决策信息矩阵；
在犹豫模糊二元语义集下将所述决策信息矩阵转化为对应的评估矩阵；
计算每两个所述评估矩阵之间的豪斯多夫距离；
根据所述豪斯多夫距离计算所有所述评估矩阵的共识度；
判断所述共识度是否大于或等于预设的共识度阈值；
在判断所述共识度小于所述共识度阈值的情况下，根据公式(1)计算每两个所述评估矩阵的信任度，
Figure BDA0003043399000000021
其中，ωl为第τ组评估矩阵
Figure BDA0003043399000000022
与评估矩阵
Figure BDA0003043399000000023
之间的信任度，m、n分别表示矩阵中行数量和列数量，i、j分别表示行序号和列序号，
Figure BDA0003043399000000024
表示第p个评估矩阵中的犹豫模糊二元语义集
Figure BDA0003043399000000025
和第q个评估矩阵中的犹豫模糊二元语义集
Figure BDA0003043399000000026
之间的豪斯多夫距离，f表示评估矩阵的数量，
Figure BDA0003043399000000027
表示第p个评估矩阵
Figure BDA0003043399000000028
和第q个评估矩阵
Figure BDA0003043399000000029
之间的相似度；
根据公式(2)和公式(3)选择需要更新的评估矩阵，
Figure BDA00030433990000000210
Figure BDA00030433990000000211
其中，
Figure BDA00030433990000000212
分别为评估矩阵
Figure BDA00030433990000000213
中犹豫模糊二元语义集
Figure BDA00030433990000000214
中的参数，g表示犹豫模糊二元语义集
Figure BDA00030433990000000215
中参数
Figure BDA00030433990000000216
的数量，POS为需要更新的评估矩阵的位置，
Figure BDA00030433990000000217
表示某矩阵
Figure BDA00030433990000000219
与其他评估矩阵之间整体相似度的最小值，a为需要更新的评估矩阵的位置，
Figure BDA00030433990000000218
为需要更新的矩阵；
根据公式(4)更新选择的评估矩阵，
Figure BDA0003043399000000031
其中，
Figure BDA0003043399000000032
表示更新后的评估矩阵，δ为预设的矩阵调整参数，
Figure BDA0003043399000000033
为评估矩阵
Figure BDA0003043399000000034
的期望；
再次根据所述豪斯多夫距离计算所有所述评估矩阵的共识度，并执行所述方法的相应步骤，直到判断所述共识度大于或等于所述共识度阈值；
在判断所述共识度大于或等于所述共识度阈值的情况下，采用粒子群算法根据所述评估矩阵确定最终矩阵；
计算所述最终矩阵中每个向量的效用值；
根据所述效用值从所述最终矩阵中选择作为执行方案的所述任务规划方案的最优解。
可选地，所述粒子群算法的适应度函数为公式(5)，
Figure BDA0003043399000000035
其中，fitness[i1]为所述适应度函数的值。
可选地，所述计算所述最终矩阵中每个向量的效用值包括：
根据公式(6)计算所述最终矩阵中每个向量的第一效用值，
Figure BDA0003043399000000036
其中，
Figure BDA0003043399000000037
为向量xij的第一效用值，g为递增效益型属性的向量的数量，n-g为递减效益型属性的向量
Figure BDA0003043399000000038
的数量；
所述根据所述效用值从所述最终矩阵中选择作为执行方案的所述任务规划方案的最优解包括：
选择所述最终矩阵中所述第一效用值最大的向量对应的任务规划方案作为执行方案。
可选地，所述计算所述最终矩阵中每个向量的效用值包括：
根据公式(7)计算所述最终矩阵的第二效用值，
Figure BDA0003043399000000041
其中，
Figure BDA0003043399000000042
为向量
Figure BDA0003043399000000043
的第二效用值，
Figure BDA0003043399000000044
所述根据所述效用值从所述最终矩阵中选择作为执行方案的所述任务规划方案的最优解包括：
选择所述最终矩阵中所述第二效用值最大的向量对应的任务规划方案作为执行方案。
可选地，所述计算所述最终矩阵中每个向量的效用值包括：
根据公式(8)计算所述评估矩阵的第三效用值，
Figure BDA0003043399000000045
其中，
Figure BDA0003043399000000046
为向量
Figure BDA0003043399000000047
的第三效用值；
所述根据所述效用值从所述最终矩阵中选择作为执行方案的所述任务规划方案的最优解包括：
选择所述最终矩阵中所述第三效用值最大的向量对应的任务规划方案作为执行方案。
可选地，所述计算所述最终矩阵中每个向量的效用值包括：
根据公式(6)计算所述最终矩阵中每个向量的第一效用值，
Figure BDA0003043399000000048
其中，
Figure BDA0003043399000000049
为向量xij的第一效用值，g为递增效益型属性的向量的数量，n-g为递减效益型属性的向量
Figure BDA0003043399000000051
的数量；
根据公式(7)计算所述最终矩阵的第二效用值，
Figure BDA0003043399000000052
其中，
Figure BDA0003043399000000053
为向量
Figure BDA0003043399000000054
的第二效用值，
Figure BDA0003043399000000055
根据公式(8)计算所述评估矩阵的第三效用值，
Figure BDA0003043399000000056
其中，
Figure BDA0003043399000000057
为向量
Figure BDA0003043399000000058
的第三效用值；
所述根据所述效用值从所述最终矩阵中选择作为执行方案的所述任务规划方案的最优解包括：
根据所述第一效用值对所述最终矩阵中的向量进行降序排序以形成第一序列；
根据第二效用值对所述最终矩阵中的向量进行升序排序以得到第二序列；
根据所述第三效用值对所述最终矩阵中的向量进行降序排序以得到第三序列；
采用优势理论根据所述第一序列、第二序列以及第三序列确定作为执行方案的所述任务规划方案的最优解。
可选地，所述方法还包括：
根据公式(9)对所述最终矩阵中的向量进行归一化处理，
Figure BDA0003043399000000059
其中，
Figure BDA00030433990000000510
为归一化处理后的向量，xij为归一化处理前的犹豫模糊二元语义集，m为所述最终矩阵中行向量的总数量，Δ-1为二元语义转换逆函数。
可选地，所述计算每两个所述评估矩阵之间的豪斯多夫距离包括：
根据公式(10)计算所述豪斯多夫距离，
Figure BDA0003043399000000061
其中，
Figure BDA0003043399000000062
为所述豪斯多夫距离。
另一方面，本发明还提供一种新共识模型的卫星应急任务规划方案效能评估系统，所述系统包括处理器，所述处理器被配置为用于执行如上述任一所述的方法。
再一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。
通过上述技术方案，本发明提供的新共识模型的卫星应急任务规划方案效能评估方法及系统通过建立不同调度系统的决策信息矩阵，对多个决策信息矩阵进行共识度的融合，实现了各个调度系统对方案评估的角度的统一；然后再采用粒子群算法根据融合的结果确定最终矩阵，实现了各个任务规划方案评估的参数化；最后采用计算效应值的方式实现对各个任务规划方案的优劣度的评估，从而筛选出最优解。该筛选系统及方法克服了现有技术无法同时从多个调度系统的角度出发，来筛选出最佳的任务规划方案的技术缺陷。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是根据本发明的一个实施方式的新共识模型的卫星应急任务规划方案效能评估方法的流程图；
图2是根据本发明的一个实施方式的新共识模型的卫星应急任务规划方案效能评估方法的部分流程图；以及
图3是根据本发明的一个实施方式的新共识模型的卫星应急任务规划方案效能评估方法的部分流程图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
如图1所示是根据本发明的一个实施方式的新共识模型的卫星应急任务规划方案效能评估方法的流程图。在图1中，该方法可以包括：
在步骤S10中，获取各个调度系统评价多个待选的任务规划方案优劣性的决策信息矩阵。
在步骤S11中，在犹豫模糊二元语义集下将决策信息矩阵转化为对应的评估矩阵。其中，对于采用犹豫模糊二元语义集对决策信息矩阵转换的具体过程，虽然也可以是本领域人员所知的多种形式。但是，在本发明的一个优选示例中，为了降低系统的运算量，该犹豫模糊二元语义集可以是例如S＝{s0＝极差,s1＝非常差,s2＝差,s3＝一般,s4＝好,s5＝非常好,s6＝特别好}。在犹豫模糊二元语义集下将决策信息矩阵中的语言转化为与语言尺度，使得在后续计算的过程中能够降低需要处理的数据量，从而降低了系统的运算量。
在步骤S12中，计算每两个评估矩阵之间的豪斯多夫距离。豪斯多夫距离是在度量空间中任意两个集合之间定义的一种距离，用来描述两个集合之间的差异性。通过计算每两个评估矩阵之间的豪斯多夫距离就能够确定不同评估矩阵之间的差异。但是，在该实施方式中，常规的豪斯多夫距离在计算的过程需要预先对每个集合中的元素进行归一化计算，然后才能开始计算豪斯多夫距离。因此，如果直接采用常规的豪斯多夫距离计算公式就会提高该步骤S12的计算量。由于在本发明提供的算法中，该步骤S12在算法的每次迭代计算时都需要执行一次计算，因此该步骤S12每多执行一次计算，就会使得整体算法的计算次数大大增加。故在本发明的一个优选示例中，为了避免出现因为加入豪斯多夫距离计算而导致的额外计算量的增加，该豪斯多夫距离的计算公式可以是如公式(1)所示，
Figure BDA0003043399000000081
其中，
Figure BDA0003043399000000082
为犹豫模糊二元语义集
Figure BDA0003043399000000083
和
Figure BDA0003043399000000084
之间的豪斯多夫距离，
Figure BDA0003043399000000085
Figure BDA0003043399000000086
Figure BDA0003043399000000087
为S＝{s0,s1,...,sg}中的一个元素，
Figure BDA0003043399000000088
为符号转移值并且
Figure BDA0003043399000000089
Figure BDA00030433990000000810
为犹豫模糊二元语义集
Figure BDA00030433990000000811
的粒度，
Figure BDA00030433990000000812
Figure BDA00030433990000000813
Figure BDA00030433990000000814
为S＝{s0,s1,...,sg}中的一个元素，
Figure BDA00030433990000000815
为符号转移值并且
Figure BDA00030433990000000816
Figure BDA00030433990000000817
为
Figure BDA00030433990000000818
的粒度。
在实际计算时，只需要将两个评估矩阵直接加入该公式(1)就能够直接计算出两个评估矩阵的豪斯多夫距离，从而避免加入归一化计算的过程，减少了因加入豪斯多夫距离而导致的运算量。
在步骤S13中，根据该豪斯多夫距离计算所有评估矩阵的共识度。
在步骤S14中，判断共识度是否大于或等于预设的共识度阈值。
在步骤S15中，在判断共识度小于共识度阈值的情况下，根据公式(2)计算每两个评估矩阵的信任度，
Figure BDA0003043399000000091
其中，ωτ为第τ组评估矩阵
Figure BDA0003043399000000092
与评估矩阵
Figure BDA0003043399000000093
之间的信任度，m、n分别表示矩阵中行数和列数，i、j分别表示行序号和列序号，
Figure BDA0003043399000000094
表示第p个评估矩阵中的犹豫模糊二元语义集
Figure BDA0003043399000000095
和第q个评估矩阵中的犹豫模糊二元语义集
Figure BDA0003043399000000096
之间的豪斯多夫距离，f表示评估矩阵的数量，
Figure BDA0003043399000000097
表示第p个评估矩阵
Figure BDA0003043399000000098
和第q个评估矩阵
Figure BDA0003043399000000099
之间的相似度；
在步骤S16中，根据公式(3)和公式(4)选择需要更新的评估矩阵，
Figure BDA00030433990000000910
Figure BDA00030433990000000911
其中，
Figure BDA00030433990000000912
分别为评估矩阵
Figure BDA00030433990000000913
中犹豫模糊二元语义集
Figure BDA00030433990000000914
中的语言术语和语言转移值，g表示犹豫模糊二元语义集
Figure BDA00030433990000000915
中语言术语
Figure BDA00030433990000000916
的尺度，POS为需要更新的评估矩阵的位置，
Figure BDA00030433990000000917
表示相似度的最小值，a为需要更新的评估矩阵的位置，
Figure BDA00030433990000000918
为需要更新的矩阵。
在步骤S17中，根据公式(5)更新选择的评估矩阵，
Figure BDA00030433990000000919
其中，
Figure BDA00030433990000000920
表示更新后的评估矩阵，δ为预设的矩阵调整参数，
Figure BDA0003043399000000101
为评估矩阵
Figure BDA0003043399000000102
的期望。
再次根据豪斯多夫距离计算所有评估矩阵的共识度，并执行方法的相应步骤，直到判断共识度大于或等于共识度阈值。
在步骤S18中，在判断共识度大于或等于共识度阈值的情况下，采用粒子群算法根据评估矩阵确定最终矩阵。
在上述算法中，步骤S12计算出了每两个评估矩阵之间的豪斯多夫距离，步骤S13基于该豪斯多夫距离作进一步计算，从而得到所有评估矩阵之间的共识度。该共识度(值越小，表示共识度越高)可以用来判断当前的各个评估矩阵是否差异过大。如果差异过大，即步骤S14判断该共识度小于共识度阈值，则需要执行步骤S15至步骤S17；反之，如果差异处于相对可接受的范围，即步骤S14判断共识度大于或等于共识度阈值，则可以直接执行步骤S18，从而跳出迭代的循环。
在步骤S15至步骤S17中，首先通过步骤S15中的公式(2)计算出每两个评估矩阵之间的信任度，从而确定不同的调度系统之间的信任度。然后结合步骤S16中的公式(3)和公式(4)基于计算出的信任度确定当前需要更新的评估矩阵的位置。最后，采用公式(5)对该矩阵进行更新。
在步骤S18中，由于当前的各个评估矩阵经过步骤S15至步骤S17的更新处理，各个评估评估矩阵之间处于共识度较高的状态。那么为了进一步将各个评估矩阵融合为一个矩阵，从而便于最终确定各个任务规划方案的效应值，因此，在步骤S18中可以采用粒子群算法根据评估矩阵确定最终矩阵。对于该粒子群算法，则可以是本领域人员所知的多种方式。在本发明的一个优选示例中，该粒子群算法的适应度函数可以是如公式(6)所示，
Figure BDA0003043399000000111
其中，fitness[i1]为该适应度函数的值。
在步骤S19中，计算最终矩阵中每个向量的效用值。
在步骤S20中，根据效用值从最终矩阵中选择作为执行方案的任务规划方案的最优解。
步骤S18中输出的最终矩阵内的向量即为各个评估矩阵关于每个任务规划方案的评估内容，因此通过直接计算每个向量对应的效用值并结合判断即能够评估各个任务规划方案优劣。对于该效用值的计算方式，则可以是本领域人员所知的多种方式。在本发明的一个优选示例中，该计算方式可以是例如根据公式(7)计算最终矩阵中每个向量的第一效用值，
Figure BDA0003043399000000112
其中，
Figure BDA0003043399000000113
为向量xij的第一效用值，g为递增效益型属性的向量的数量，n-g为递减效益型属性的向量
Figure BDA0003043399000000114
的数量。
相应地，步骤S20则可以是选择最终矩阵中第一效用值最大的向量对应的任务规划方案作为执行方案。
在本发明的另一个优选示例中，该计算方式也可以是例如根据公式(8)计算最终矩阵的第二效用值，
Figure BDA0003043399000000115
其中，
Figure BDA0003043399000000116
为向量
Figure BDA0003043399000000117
的第二效用值，
Figure BDA0003043399000000118
相应地，步骤S20则可以是选择最终矩阵中第二效用值最大的向量对应的任务规划方案作为执行方案。
在本发明的再一个优选示例中，该计算方式还可以是例如根据公式(9)计算评估矩阵的第三效用值，
Figure BDA0003043399000000121
其中，
Figure BDA0003043399000000122
为向量
Figure BDA0003043399000000123
的第三效用值。
相应地，步骤S20则可以是选择所述最终矩阵中所述第三效用值最大的向量对应的任务规划方案作为执行方案。
进一步地，考虑到上述三个优选示例的效用值计算方式考虑的因素相对单一。那么为了进一步提高任务规划方案的筛选的精准度，也可以考虑将上述三种方法结合起来。具体地，该步骤S19则可以是包括如图2中所示出的步骤。在图2中，该步骤S19可以包括：
在步骤S30中，根据公式(5)计算最终矩阵中每个向量的第一效用值，
Figure BDA0003043399000000124
其中，
Figure BDA0003043399000000125
为向量xij的第一效用值，g为递增效益型属性的向量的数量，n-g为递减效益型属性的向量
Figure BDA0003043399000000126
的数量；
在步骤S31中，根据公式(6)计算最终矩阵的第二效用值，
Figure BDA0003043399000000127
其中，
Figure BDA0003043399000000128
为向量
Figure BDA0003043399000000129
的第二效用值，
Figure BDA00030433990000001210
在步骤S32中，根据公式(7)计算评估矩阵的第三效用值，
Figure BDA00030433990000001211
其中，
Figure BDA00030433990000001212
为向量
Figure BDA00030433990000001213
的第三效用值；
相应地，步骤S20则可以是包括如图3中所示出的步骤。在该图3中，该步骤S20可以包括：
在步骤S40中，根据第一效用值对最终矩阵中的向量进行降序排序以形成第一序列；
在步骤S41中，根据第二效用值对最终矩阵中的向量进行升序排序以得到第二序列；
在步骤S42中，根据第三效用值对最终矩阵中的向量进行降序排序以得到第三序列；
在步骤S43中，采用优势理论根据第一序列、第二序列以及第三序列确定作为执行方案的任务规划方案的最优解。
另外，为了便于上述效用值的计算，在计算上述效用值之前可以先对最终宁矩阵中的每个向量进行归一化处理。具体地，可以是根据公式(10)对最终矩阵中的向量进行归一化处理，
Figure BDA0003043399000000131
其中，
Figure BDA0003043399000000132
为归一化处理后的向量，xij为归一化处理前的犹豫模糊二元语义集，m为所述最终矩阵中行向量的总数量，Δ-1为二元语义转换逆函数，即xij＝{(si，αi)|i＝1，2，…，l(xij)}，△-1(si，αi)＝si+αi。
另一方面，本发明还提供一种新共识模型的卫星应急任务规划方案效能评估系统，所述系统包括处理器，所述处理器被配置为用于执行如上述任一所述的方法。
再一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。
通过上述技术方案，本发明提供的新共识模型的卫星应急任务规划方案效能评估方法及系统通过建立不同调度系统的决策信息矩阵，对多个决策信息矩阵进行共识度的融合，实现了各个调度系统对方案评估的角度的统一；然后再采用粒子群算法根据融合的结果确定最终矩阵，实现了各个任务规划方案评估的参数化；最后采用计算效应值的方式实现对各个任务规划方案的优劣度的评估，从而筛选出最优解。该筛选系统及方法克服了现有技术无法同时从多个调度系统的角度出发，来筛选出最佳的任务规划方案的技术缺陷。
此外，为了验证本发明提供的方法及系统的技术效果，可以采用本发明提供的方法及系统应用至模拟卫星任务计划系统中，对该模拟卫星任务计划系统生成的多个任务规划方案进行了评估。
应用的过程中，其硬件环境可以是3.6GHz CPU，32GB内存的运行设备，软件环境可以为MATLAB编码。
由于卫星应急任务具有时效性强、异质性高、动态性强等特点，急需应急任务时间窗且在应急任务时间窗有限的情况下，快速完成任务，因此建立指标体系时需考虑任务完成情况。此外，规划中涉及到卫星、地面站等多类资源及原规划方案中大量的观测应急任务，需要在处理好资源约束、时间窗约束等情况下，将应急任务快速安排到原规划方案中，并尽可能减少对原规划方案的扰动，因此在建立指标体系时考虑方案本身的性能及资源利用情况。因此将卫星应急任务规划方案评估指标分为三个效能指标，分别是应急任务完成、方案性能和资源利用能力。
根据应急任务观测需求，选择了四个卫星紧急任务计划方案作为备选方案，分别从应急任务完成情况、任务绩效和资源利用能力三个方面进行效能评估。要求三个卫星调度系统在犹豫模糊二元语言环境下下对这四个方案进行成对比较。通常，语言标号集可以被预先定义，作为评估所有选项的参考量表，包括对称分布语言项和不平衡语言项。在这一部分，可以选取了7个语言标签，例如S＝{s0＝极差，s1＝非常差，s2＝差，s3＝一般，s4＝好，s5＝非常好，s6＝特别好}。
在步骤S10至步骤S11中，得到如表1至表3所示的评估矩阵，
表1犹豫模糊二元语义集评估矩阵
Figure BDA0003043399000000151
任务完成 方案性能 资源利用情况
x<sub>1</sub> {(s<sub>4</sub>,0.1),(s<sub>5</sub>,-0.2)} {(s<sub>2</sub>,0.2),(s<sub>3</sub>,0.1)} {(s<sub>4</sub>,0.4)}
x<sub>2</sub> {(s<sub>2</sub>,-0.15)} {(s<sub>5</sub>,0.25),(s<sub>6</sub>,0.3)} {(s<sub>3</sub>,0.3)}
x<sub>3</sub> {(s<sub>0</sub>,0.4)} {(s<sub>5</sub>,0.35)} {(s<sub>3</sub>,0.1),(s<sub>4</sub>,-0.15)}
x<sub>4</sub> {(s<sub>5</sub>,0.25),(s<sub>6</sub>,-0.3)} {(s<sub>4</sub>,0)} {(s<sub>3</sub>,0)}
表2犹豫模糊二元语义集评估矩阵
Figure BDA0003043399000000152
任务完成 方案性能 资源利用情况
x<sub>1</sub> {(s<sub>2</sub>,0.1)} {(s<sub>1</sub>,0)} {(s<sub>3</sub>,0.4),(s<sub>4</sub>,-0.1)}
x<sub>2</sub> {(s<sub>1</sub>,0.15)} {(s<sub>4</sub>,0.3),(s<sub>5</sub>,-0.3)} {(s<sub>1</sub>,0.3),(s<sub>2</sub>,-0.1)}
x<sub>3</sub> {(s<sub>0</sub>,0.1),(s<sub>1</sub>,-0.2)} {(s<sub>5</sub>,0.1)} {(s<sub>5</sub>,0)}
x<sub>4</sub> {(s<sub>4</sub>,-0.4)} {(s<sub>5</sub>,0.1),(s<sub>6</sub>,-0.25)} {(s<sub>3</sub>,0.1)}
表3犹豫模糊二元语义集评估矩阵
Figure BDA0003043399000000153
任务完成 方案性能 资源利用情况
x<sub>1</sub> {(s<sub>6</sub>,0)} {(s<sub>3</sub>,0.45)} {(s<sub>2</sub>,0.4)}
x<sub>2</sub> {(s<sub>3</sub>,0.4)} {(s<sub>5</sub>,-0.3)} {(s<sub>3</sub>,0.3),(s<sub>4</sub>,-0.2)}
x<sub>3</sub> {(s<sub>3</sub>,0.1),(s<sub>4</sub>,-0.2)} {(s<sub>5</sub>,0)} {(s<sub>3</sub>,0),(s<sub>4</sub>,0)}
x<sub>4</sub> {(s<sub>5</sub>,0.4),(s<sub>6</sub>,-0.1)} {(s<sub>3</sub>,0.1),(s<sub>4</sub>,-0.25)} {(s<sub>2</sub>,0.4)}
在步骤S12中，计算每两个评估矩阵之间的豪斯多夫距离：
Figure BDA0003043399000000154
Figure BDA0003043399000000161
在步骤S13中，计算得到共识度。具体地，依据步骤S12中计算得到的豪斯多夫距离，计算得到共识度CON(R)＝0.7759。由于预设的共识度阈值为CON0＝0.8，因此本轮迭代中未满足共识度要求，故需要转向执行步骤S15至步骤S17。
在步骤S15至步骤S17中，首先通过步骤S16确定出评估矩阵的位置，即：S＝1.5021，POS＝2；再结合步骤S17对评估矩阵进行更新，其得到的新的评估矩阵如表4所示：
表4犹豫模糊二元语义集评估矩阵
Figure BDA0003043399000000162
Figure BDA0003043399000000164
在多次反复执行迭代，并返回执行步骤S13后，得到的共识度为CON0＝0.8013，此时的三个调度系统的评估矩阵分别如表5、6、7所示：
表5犹豫模糊二元语义集评估矩阵
Figure BDA0003043399000000163
任务完成 方案性能 资源利用情况
x<sub>1</sub> {(s<sub>4</sub>,0.1),(s<sub>5</sub>,-0.2)} {(s<sub>2</sub>,0.2),(s<sub>3</sub>,0.1)} {(s<sub>4</sub>,0.4)}
x<sub>2</sub> {(s<sub>2</sub>,-0.15)} {(s<sub>5</sub>,0.25),(s<sub>6</sub>,0.3)} {(s<sub>3</sub>,0.3)}
x<sub>3</sub> {(s<sub>0</sub>,0.4)} {(s<sub>5</sub>,0.35)} {(s<sub>3</sub>,0.1),(s<sub>4</sub>,-0.15)}
x<sub>4</sub> {(s<sub>5</sub>,0.25),(s<sub>6</sub>,-0.3)} {(s<sub>4</sub>,0)} {(s<sub>3</sub>,0)}
表6犹豫模糊二元语义集评估矩阵
Figure BDA0003043399000000171
任务完成 方案性能 资源利用情况
x<sub>1</sub> {(s<sub>3</sub>,-0.2500)} {(s<sub>1</sub>,0.4954)} {(s<sub>3</sub>,-0.1904),(s<sub>3</sub>,0.0546)}
x<sub>2</sub> {(s<sub>1</sub>,0.4220)} {(s<sub>4</sub>,-0.1471),(s<sub>4</sub>,0.0489)} {(s<sub>2</sub>,-0.2288),(s<sub>2</sub>,0.0652)}
x<sub>3</sub> {(s<sub>1</sub>,-0.3365),(s<sub>1</sub>,0.0065)} {(s<sub>4</sub>,0.2184)} {(s<sub>4</sub>,-0.3933)}
x<sub>4</sub> {(s<sub>4</sub>,-0.3922)} {(s<sub>4</sub>,-0.2649),(s<sub>4</sub>,0.0536)} {(s<sub>3</sub>,0.4194)}
表7犹豫模糊二元语义集评估矩阵
Figure BDA0003043399000000172
任务完成 方案性能 资源利用情况
x<sub>1</sub> {(s<sub>6</sub>,0)} {(s<sub>3</sub>,0.45)} {(s<sub>2</sub>,0.4)}
x<sub>2</sub> {(s<sub>3</sub>,0.4)} {(s<sub>5</sub>,-0.3)} {(s<sub>3</sub>,0.3),(s<sub>4</sub>,-0.2)}
x<sub>3</sub> {(s<sub>3</sub>,0.1),(s<sub>4</sub>,-0.2)} {(s<sub>5</sub>,0)} {(s<sub>3</sub>,0),(s<sub>4</sub>,0)}
x<sub>4</sub> {(s<sub>5</sub>,0.4),(s<sub>6</sub>,-0.1)} {(s<sub>3</sub>,0.1),(s<sub>4</sub>,-0.25)} {(s<sub>2</sub>,0.4)}
在步骤S18中，经过粒子群算法对三个评估矩阵进行聚合后，得到如表8所示的最终矩阵：
表8所有卫星调度员的聚合意见
任务完成 方案性能 资源利用情况
x<sub>1</sub> {(s<sub>6</sub>,0)} {(s<sub>3</sub>,0.45)} {(s<sub>2</sub>,0.4)}
x<sub>2</sub> {(s<sub>3</sub>,0.4)} {(s<sub>5</sub>,-0.3)} {(s<sub>3</sub>,0.3)}
x<sub>3</sub> {(s<sub>3</sub>,0.1)} {(s<sub>5</sub>,0)} {(s<sub>3</sub>,0)}
x<sub>4</sub> {(s<sub>6</sub>,-0.1)} {(s<sub>4</sub>,-0.25)} {(s<sub>2</sub>,0.4)}
采用如图2和3中所示出的效用值的筛选各个任务规划方案，其得到的三种排序方式如表9所示，
表9利用MULTIMOORA方法得到的方案排序结果
Figure BDA0003043399000000181
在步骤S20中，基于优势理论计算，x4＞x2＞x1＞x3，因此最佳的任务规划方案为x4。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种新共识模型的卫星应急任务规划方案效能评估方法，其特征在于，所述方法包括：
获取各个调度系统评价多个待选的任务规划方案优劣性的决策信息矩阵；
在犹豫模糊二元语义集下将所述决策信息矩阵转化为对应的评估矩阵；
计算每两个所述评估矩阵之间的豪斯多夫距离；
根据所述豪斯多夫距离计算所有所述评估矩阵的共识度；
判断所述共识度是否大于或等于预设的共识度阈值；
在判断所述共识度小于所述共识度阈值的情况下，根据公式(1)计算每两个所述评估矩阵的信任度，
Figure FDA0003789778720000011
其中，ωl为第l组评估矩阵
Figure FDA0003789778720000012
与评估矩阵
Figure FDA0003789778720000013
之间的信任度，m、n分别表示矩阵中行数和列数，i、j分别表示行序号和列序号，
Figure FDA0003789778720000014
表示第p个评估矩阵中的犹豫模糊二元语义集
Figure FDA0003789778720000015
和第q个评估矩阵中的犹豫模糊二元语义集
Figure FDA0003789778720000016
之间的豪斯多夫距离，f表示评估矩阵的数量，
Figure FDA0003789778720000017
表示第p个评估矩阵
Figure FDA0003789778720000018
和第q个评估矩阵
Figure FDA0003789778720000019
之间的相似度；
根据公式(2)和公式(3)选择需要更新的评估矩阵，
Figure FDA00037897787200000110
Figure FDA0003789778720000021
其中，
Figure FDA0003789778720000022
分别为评估矩阵
Figure FDA0003789778720000023
中犹豫模糊二元语义集
Figure FDA0003789778720000024
中的语言术语和语言转移值，g表示犹豫模糊二元语义集
Figure FDA0003789778720000025
中语言术语
Figure FDA0003789778720000026
的尺度，POS为需要更新的评估矩阵的位置，
Figure FDA0003789778720000027
表示某矩阵
Figure FDA0003789778720000028
与其他评估矩阵之间整体相似度的最小值，q为需要更新的评估矩阵的位置，
Figure FDA0003789778720000029
为需要更新的矩阵；
根据公式(4)更新选择的评估矩阵，
Figure FDA00037897787200000210
其中，
Figure FDA00037897787200000211
表示更新后的评估矩阵，δ为预设的矩阵调整参数，
Figure FDA00037897787200000212
评估矩阵
Figure FDA00037897787200000213
的期望；
再次返回执行根据所述豪斯多夫距离计算所有所述评估矩阵的共识度的步骤，直到判断所述共识度大于或等于所述共识度阈值；
在判断所述共识度大于或等于所述共识度阈值的情况下，采用粒子群算法根据所述评估矩阵确定最终矩阵；
计算所述最终矩阵每个向量的效用值；
根据所述效用值从所述最终矩阵中选择作为执行方案的所述任务规划方案的最优解。
2.根据权利要求1所述的方法，其特征在于，所述粒子群算法的适应度函数为公式(5)，
Figure FDA0003789778720000031
其中，fitness[i1]为所述适应度函数的值。
3.根据权利要求1所述的方法，其特征在于，所述计算所述最终矩阵中每个向量的效用值包括：
根据公式(6)计算所述最终矩阵中每个向量的第一效用值，
Figure FDA0003789778720000032
其中，
Figure FDA0003789778720000033
为向量xij的第一效用值，g为递增效益型属性的向量的数量，n-g为递减效益型属性的向量
Figure FDA0003789778720000034
的数量；
所述根据所述效用值从所述最终矩阵中选择作为执行方案的所述任务规划方案的最优解包括：
选择所述最终矩阵中所述第一效用值最大的向量对应的任务规划方案作为执行方案。
4.根据权利要求1所述的方法，其特征在于，所述计算所述最终矩阵中每个向量的效用值包括：
根据公式(7)计算所述最终矩阵的第二效用值，
Figure FDA0003789778720000035
其中，
Figure FDA0003789778720000036
为向量
Figure FDA0003789778720000037
的第二效用值，
Figure FDA0003789778720000038
所述根据所述效用值从所述最终矩阵中选择作为执行方案的所述任务规划方案的最优解包括：
选择所述最终矩阵中所述第二效用值最大的向量对应的任务规划方案作为执行方案。
5.根据权利要求1所述的方法，其特征在于，所述计算所述最终矩阵中每个向量的效用值包括：
根据公式(8)计算所述评估矩阵的第三效用值，
Figure FDA0003789778720000041
其中，
Figure FDA0003789778720000042
为向量
Figure FDA0003789778720000043
的第三效用值；
所述根据所述效用值从所述最终矩阵中选择作为执行方案的所述任务规划方案的最优解包括：
选择所述最终矩阵中所述第三效用值最大的向量对应的任务规划方案作为执行方案。
6.根据权利要求1所述的方法，其特征在于，所述计算所述最终矩阵中每个向量的效用值包括：
根据公式(6)计算所述最终矩阵中每个向量的第一效用值，
Figure FDA0003789778720000044
其中，
Figure FDA0003789778720000045
为向量xij的第一效用值，g为递增效益型属性的向量的数量，n-g为递减效益型属性的向量
Figure FDA0003789778720000046
的数量；
根据公式(7)计算所述最终矩阵的第二效用值，
Figure FDA0003789778720000047
其中，
Figure FDA0003789778720000048
为向量
Figure FDA0003789778720000049
的第二效用值，
Figure FDA00037897787200000410
根据公式(8)计算所述评估矩阵的第三效用值，
Figure FDA0003789778720000051
其中，
Figure FDA0003789778720000052
为向量
Figure FDA0003789778720000053
的第三效用值；
所述根据所述效用值从所述最终矩阵中选择作为执行方案的所述任务规划方案的最优解包括：
根据所述第一效用值对所述最终矩阵中的向量进行降序排序以形成第一序列；
根据第二效用值对所述最终矩阵中的向量进行升序排序以得到第二序列；
根据所述第三效用值对所述最终矩阵中的向量进行降序排序以得到第三序列；
采用优势理论根据所述第一序列、第二序列以及第三序列确定作为执行方案的所述任务规划方案的最优解。
7.根据权利要求3至6任一所述的方法，其特征在于，所述方法还包括：
根据公式(9)对所述最终矩阵中的向量进行归一化处理，
Figure FDA0003789778720000054
其中，
Figure FDA0003789778720000055
为归一化处理后的向量，xij为归一化处理前的犹豫模糊二元语义集，m为所述最终矩阵中行向量的总数量，Δ-1为二元语义转换逆函数。
8.根据权利要求1所述的方法，其特征在于，所述计算每两个所述评估矩阵之间的豪斯多夫距离包括：
根据公式(10)计算所述豪斯多夫距离，
Figure FDA0003789778720000061
其中，
Figure FDA0003789778720000062
为所述豪斯多夫距离。
9.一种新共识模型的卫星应急任务规划方案效能评估系统，其特征在于，所述系统包括处理器，所述处理器被配置为用于执行如权利要求1至8任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1至8任一所述的方法。
CN202110466112.6A 2021-04-28 2021-04-28 新共识模型的卫星应急任务规划方案效能评估方法及系统 Active CN113361853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110466112.6A CN113361853B (zh) 2021-04-28 2021-04-28 新共识模型的卫星应急任务规划方案效能评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110466112.6A CN113361853B (zh) 2021-04-28 2021-04-28 新共识模型的卫星应急任务规划方案效能评估方法及系统

Publications (2)

Publication Number Publication Date
CN113361853A CN113361853A (zh) 2021-09-07
CN113361853B true CN113361853B (zh) 2022-12-06

Family

ID=77525564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110466112.6A Active CN113361853B (zh) 2021-04-28 2021-04-28 新共识模型的卫星应急任务规划方案效能评估方法及系统

Country Status (1)

Country Link
CN (1) CN113361853B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9569729B1 (en) * 2016-07-20 2017-02-14 Chenope, Inc. Analytical system and method for assessing certain characteristics of organizations
CN110119887A (zh) * 2019-04-22 2019-08-13 合肥工业大学 用于选择卫星任务规划方案的方法
CN112149949A (zh) * 2020-07-31 2020-12-29 北京邮电大学 一种基于犹豫模糊及层次分析法的卫星通信系统效能评估方法
CN112465337A (zh) * 2020-11-25 2021-03-09 重庆邮电大学 一种基于犹豫模糊语言术语集的污水处理厂选址方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6443858B2 (ja) * 2014-11-20 2018-12-26 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 算出装置、算出方法、学習装置、学習方法、及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9569729B1 (en) * 2016-07-20 2017-02-14 Chenope, Inc. Analytical system and method for assessing certain characteristics of organizations
CN110119887A (zh) * 2019-04-22 2019-08-13 合肥工业大学 用于选择卫星任务规划方案的方法
CN112149949A (zh) * 2020-07-31 2020-12-29 北京邮电大学 一种基于犹豫模糊及层次分析法的卫星通信系统效能评估方法
CN112465337A (zh) * 2020-11-25 2021-03-09 重庆邮电大学 一种基于犹豫模糊语言术语集的污水处理厂选址方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Distance Measures for Multiple-Attributes Decision-Making Based on Connection Numbers of Set Pair Analysis With Dual Hesitant Fuzzy Sets;J.-B.Liu 等;《IEEE Access》;20200101;第8卷;全文 *
Multi-criteria direct clustering method based on hesitant fuzzy sets;X.-K. Wang;《The 26th Chinese Control and Decision Conference》;20140714;全文 *
二元语义处理不同偏好评价信息的群决策方法;韩二东等;《计算机工程与应用》;20150215;第51卷(第04期);全文 *
基于多粒度犹豫模糊语言信息的群推荐方法研究;陈秀明;《中国博士学位论文全文数据库-信息科技辑》;20180115;第2018年卷(第1期);全文 *

Also Published As

Publication number Publication date
CN113361853A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
US10824959B1 (en) Explainers for machine learning classifiers
US20190034834A1 (en) Method and apparatus for training model based on random forest
CN102855259B (zh) 大规模数据聚类分析的并行化
US10354201B1 (en) Scalable clustering for mixed machine learning data
US11228489B2 (en) System and methods for auto-tuning big data workloads on cloud platforms
US10268749B1 (en) Clustering sparse high dimensional data using sketches
JP6779231B2 (ja) データ処理方法及びシステム
US20210377122A1 (en) Mixed-precision neural networks
CN111695602B (zh) 多维度任务人脸美丽预测方法、系统及存储介质
CN115858168B (zh) 一种基于重要性排序的地球应用模型编排系统及其方法
CN112766318A (zh) 业务任务执行方法、装置以及计算机可读存储介质
CN113361853B (zh) 新共识模型的卫星应急任务规划方案效能评估方法及系统
CN112258129A (zh) 配送路径预测网络训练、配送资源调度方法及装置
CN115630514B (zh) 一种无人机集群协同任务分配方法与装置
CN113761033B (zh) 基于档案数字化管理的信息整理方法及系统
CN115358308A (zh) 一种大数据实例约简方法、装置、电子设备及存储介质
CN114997621A (zh) 基于信任和意见相似度综合关系的方案筛选方法及系统
CN114818458A (zh) 系统参数优化方法、装置、计算设备及介质
CN114581220A (zh) 数据处理方法、设备及分布式计算系统
CN113469280A (zh) 一种基于图神经网络的数据血缘发现方法、系统及装置
CN112884028A (zh) 一种系统资源调整方法、装置及设备
US20240061906A1 (en) System and method for downsampling data
CN115859156A (zh) 应用资源密集类型的分类方法、装置和计算机设备
CN117077813A (zh) 一种机器学习模型的训练方法及训练系统
CN113705965A (zh) 基于直觉语言偏好关系粒的卫星观测方案筛选方法及系统

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