CN113642834B - 基于任务属性优先级映射的任务重要性评价方法和系统 - Google Patents
基于任务属性优先级映射的任务重要性评价方法和系统 Download PDFInfo
- Publication number
- CN113642834B CN113642834B CN202110732501.9A CN202110732501A CN113642834B CN 113642834 B CN113642834 B CN 113642834B CN 202110732501 A CN202110732501 A CN 202110732501A CN 113642834 B CN113642834 B CN 113642834B
- Authority
- CN
- China
- Prior art keywords
- task
- attribute
- index
- real
- time satellite
- 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
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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
-
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radio Relay Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于任务属性优先级映射的任务重要性评价方法、系统、存储介质和电子设备,涉及卫星任务重要性评价领域。本发明构建任务属性动态事实库,存储任务属性优先级信息;将卫星任务与事实库关联映射,获取卫星任务的属性分值;根据专家打分结果和结构熵权法获取卫星任务的指标权重;根据卫星任务的属性分值和指标权重,获取任务基础优先级并进行层次化优先级映射,获取优先级信息。避免部分定性指标无法直接衡量其重要性的弊端,能够对各个定性指标确定其取值的值域,减少指标间的差异性与信息不确定性;考虑了不同任务场景下的任务重要性评价的层次化、无交集性,实现不同场景间任务评价分数的不可跨越性,为筹划阶段提供支撑。
Description
技术领域
本发明涉及卫星任务重要性评价技术领域,具体涉及一种基于任务属性优先级映射的任务重要性评价方法、系统、存储介质和电子设备。
背景技术
面向移动目标筹划场景复杂多变,卫星属性多样,目标行为复杂等特点和卫星任务筹划对筹划准确性与应急反应能力提出的高要求,当用户提出任务需求时,需对资源负载、站网资源、时间窗等进行快速计算、筛选,生成筹划方案。为此,为提高卫星筹划任务安排的高效性和准确性,需要对需求及任务进行精确的定级评价。
当前卫星领域的评估包括建立指标体系、生成判断矩阵、计算权重,综合评分四个过程,在建立指标体系中多采用定量指标与定性指标结合,对定量指标直接取其值,定性指标通过专家单一打分确定其取值,而在确定指标权重中,确定权重的方法主要有主观赋权法如AHP、Delphi法和实际权重法如标准离差法、熵权法、CRITIC法(Criteria ImportanceThough Intercrieria Correlation)等。
但是,上述原有方案过程中专家打分难以客观表达出不同类型指标间的差异性,因此增加结果的主观性,并且计算过程涉及多个矩阵,每次迭代都需重新从任务计算结果中获取指标值,或者再次通过专家打分获取定性指标取值,此过程充满不确定性,也难以快速实现。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于任务属性优先级映射的任务重要性评价方法、系统、存储介质和电子设备,解决了现有卫星任务重要性评价结果主观性大的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于任务属性优先级映射的任务重要性评价方法,包括:
S1、根据不同的任务场景,构建对应的指标体系;
S2、根据所述指标体系,构建任务属性动态事实库;
S3、将各个实时卫星任务与所述任务属性动态事实库进行关联映射,获取各个所述实时卫星任务的属性分值;
S4、根据专家打分结果和结构熵权法获取各个所述实时卫星任务的各层次指标权重;
S5、根据各个所述实时卫星任务的属性分值和各层次指标权重,获取各个所述实时卫星任务的任务基础优先级;
S6、根据各个所述实时卫星任务的任务场景,将所述任务基础优先级进行层次化优先级映射,获取各个所述实时卫星任务的优先级信息。
优选的,所述的任务重要性评价方法还包括:
S7、采用预设的任务优先级阈值对所述优先级信息进行筛选,若所述优先级信息大于等于预设的任务优先级阈值时,定义并标记该实时卫星任务为必须执行任务。
优选的,所述S1中的指标体系包括各个指标对应的属性值以及各个基础指标对应的属性分值;
所述各个指标对应的属性值以及各个基础指标对应的属性分值的获取方法包括:
根据所述指标体系中的各个指标,采用枚举法获取各个指标对应的属性值;
所述指标体系中的指标分为统计指标和枚举法指标,对应分别采用统计分析方法或者枚举法获取各个基础指标对应的属性分值;
采用指标模糊一致无量纲化和优势平均加权方法量化处理所述统计指标下的各个基础指标对应的属性分值;
采用指标模糊一致无量纲化量化处理所述枚举法指标下的各个基础指标对应的属性分值。
优选的,所述S2中采用语义网络中的三元组OAV对量化处理后得到的规范化属性分值进行存储与管理,构建属性模型〈属性编号,指标属性值,属性分值〉,并用表格形式表示各属性值-属性分值。
优选的,所述S4具体包括:
S41、根据德尔菲法收集的各个专家意见,获取各个所述实时卫星任务各个指标对应的典型排序矩阵;
S42、根据所述典型排序矩阵,采用结构熵权法获取各个所述实时卫星任务各个指标对应的各专家认识盲度;
S43、根据所述各专家认识盲度,获取潜在偏差数据;
S44、根据所述潜在偏差数据,获取各个所述实时卫星任务同一层次指标权重;
S45、根据所述同一层次指标权重,采用归一化计算方法获取各个所述实时卫星任务各层次指标权重。
优选的,所述S5中各个所述实时卫星任务的任务基础优先级表示为:
其中,taski表示第i个实时卫星任务;Ni表示第i个实时卫星任务的指标个数;wg表示该实时卫星任务的各层次指标权重;scoreij表示的第i个实时卫星任务的属性分值。
优选的,所述S6包括:
根据各个所述实时卫星任务对应的任务场景设置级别,不同的级别对应不同的分值区间,各区间部分重叠;采用如下公式将所述任务基础优先级进行层次化优先级映射计算,
其中,Weighti表示第i个实时卫星任务的优先级信息,taski表示第i个实时卫星任务;f(taski)表示第i个实时卫星任务的任务基础优先级;NT表示当前批次各个所述实时卫星任务当前级别的任务数量;表示当前批次各个所述实时卫星任务的任务基础优先级中的最小值;/>表示当前批次各个所述实时卫星任务的任务基础优先级中的最大值;lenghi表示当前级别对应分值区间;scoreg表示各层次化级别对应分值底数。
一种基于任务属性优先级映射的任务重要性评价系统,包括:
指标体系构建模块,用于根据不同的任务场景,构建对应的指标体系;
事实库构建模块,用于根据所述指标体系,构建任务属性动态事实库;
属性分值获取模块,用于将各个实时卫星任务与所述任务属性动态事实库进行关联映射,获取各个所述实时卫星任务的属性分值;
指标权重获取模块,用于根据专家打分结果和结构熵权法获取各个所述实时卫星任务的各层次指标权重;
基础优先级获取模块,用于根据各个所述实时卫星任务的属性分值和各层次指标权重,获取各个所述实时卫星任务的任务基础优先级;
优先级获取模块,用于根据各个所述实时卫星任务的任务场景,将所述任务基础优先级进行层次化优先级映射,获取各个所述实时卫星任务的优先级信息。
一种存储介质,其存储有用于基于任务属性优先级映射的任务重要性评价的计算机程序,其中,所述计算机程序使得计算机执行如上所述的任务重要性评价方法。
一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的任务重要性评价方法。
(三)有益效果
本发明提供了一种基于任务属性优先级映射的任务重要性评价方法、系统、存储介质和电子设备。与现有技术相比,具备以下有益效果:
本发明构建任务属性动态事实库,存储任务属性优先级信息,并存储不同任务场景的指标体系;将各个实时卫星任务与所述任务属性动态事实库进行关联映射,获取各个所述实时卫星任务的属性分值;根据专家打分结果和结构熵权法获取各个所述实时卫星任务的各层次指标权重;根据各个所述实时卫星任务的属性分值和各层次指标权重,获取各个所述实时卫星任务的任务基础优先级;根据各个所述实时卫星任务的任务场景,将所述任务基础优先级进行层次化优先级映射,获取各个所述实时卫星任务的优先级信息,即任务重要性评价。避免部分定性指标无法直接衡量其重要性的弊端,能够对各个定性指标确定其取值的值域,减少指标间的差异性与信息不确定性;同时考虑了不同任务场景下的任务重要性评价的层次化、无交集性,为此设计了映射函数,实现不同场景间任务评价分数的不可跨越性,为任务筹划阶段提供支撑。
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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例提供的一种基于任务属性优先级映射的任务重要性评价方法的流程示意图;
图2为本发明实施例提供的一种源头需求任务场景的指标体系结构示意图;
图3为本发明实施例提供的另一种源头需求任务场景的指标体系结构示意图;
图4为本发明实施例提供的一种结构熵权法流程图;
图5为本发明实施例提供的一种基于任务属性优先级映射的任务重要性评价系统的结构框图。
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,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。
本申请实施例通过提供一种基于任务属性优先级映射的任务重要性评价方法、系统、存储介质和电子设备,解决了现有卫星任务重要性评价结果主观性大的技术问题。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明实施例构建任务属性动态事实库,存储任务属性优先级信息,并存储不同任务场景的指标体系;将各个实时卫星任务与所述任务属性动态事实库进行关联映射,获取各个所述实时卫星任务的属性分值;根据专家打分结果和结构熵权法获取各个所述实时卫星任务的各层次指标权重;根据各个所述实时卫星任务的属性分值和各层次指标权重,获取各个所述实时卫星任务的任务基础优先级;根据各个所述实时卫星任务的任务场景,将所述任务基础优先级进行层次化优先级映射,获取各个所述实时卫星任务的优先级信息,即任务重要性评价。避免部分定性指标无法直接衡量其重要性的弊端,能够对各个定性指标确定其取值的值域,减少指标间的差异性与信息不确定性;同时考虑了不同任务场景下的任务重要性评价的层次化、无交集性,为此设计了映射函数,实现不同场景间任务评价分数的不可跨越性,为任务筹划阶段提供支撑。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例:
第一方面,如图1所示,本发明实施例提供了一种基于任务属性优先级映射的任务重要性评价方法,包括:
S1、根据不同的任务场景,构建对应的指标体系;
S2、根据所述指标体系,构建任务属性动态事实库;
S3、将各个实时卫星任务与所述任务属性动态事实库进行关联映射,获取各个所述实时卫星任务的属性分值;
S4、根据专家打分结果和结构熵权法获取各个所述实时卫星任务的各层次指标权重;
S5、根据各个所述实时卫星任务的属性分值和各层次指标权重,获取各个所述实时卫星任务的任务基础优先级;
S6、根据各个所述实时卫星任务的任务场景,将所述任务基础优先级进行层次化优先级映射,获取各个所述实时卫星任务的优先级信息;
S7、采用预设的任务优先级阈值对所述优先级信息进行筛选,若所述优先级信息大于等于预设的任务优先级阈值时,定义并标记该实时卫星任务为必须执行任务。
本发明实施例避免部分定性指标无法直接衡量其重要性的弊端,能够对各个定性指标确定其取值的值域,减少指标间的差异性与信息不确定性;同时考虑了不同任务场景下的任务重要性评价的层次化、无交集性,为此设计了映射函数,实现不同场景间任务评价分数的不可跨越性,为任务筹划阶段提供支撑。
下面将结合具体内容对上述方案的各个步骤进行详细介绍:
S1、根据不同的任务场景,构建对应的指标体系。
本发明实施例中的任务场景至少包括源头需求、航渡跟踪、指示、毁伤评估等任务场景;且所述指标体系的所有指标均为可以列举出其取值的全集的指标。
其中,需求优先级围绕任务文件中的任务属性:提出机构、目标类型、最晚时间、窗口数量、目标国别、目标航线、目标位置、频次要求、提出频率、目标的提出与落实比、是否引导任务、保障装备类型等属性构建指标体系。
如图2所示,源头需求场景下需求优先级指标为:提出机构、目标国别、目标类型、目标位置、频次要求、窗口数量、提出频率、最晚时间、目标的提出与落实比;航渡跟踪场景下需求优先级指标为:提出机构、目标国别、目标类型、目标位置、目标航线、频次要求、窗口数量、提出频率、最晚时间、末次发现时效性、目标的提出与落实比;指示场景下需求优先级指标为:提出机构、目标国别、目标类型、目标位置、频次要求、窗口数量、提出频率、最晚时间、目标的提出与落实比、保障装备类型;毁伤评估场景下需求优先级指标为:提出机构、目标国别、目标类型、目标位置、频次要求、窗口数量、提出频率、最晚时间、目标的提出与落实比。
任务优先级为需求筹划后对应的元任务的优先级,资源与任务一一对应,因此,在考虑需求优先级的任务属性之外,在上述四种场景指标基础上将资源分配信息如观测时效性、时间窗竞争度、卫星传感器类型、卫星可靠性等作为指标体系的组成要素进行构建。
如图3所示,源头需求场景下任务优先级指标为:提出机构、目标国别、目标类型、目标位置、频次要求、窗口数量、提出频率、最晚时间、目标的提出与落实比、观测时效性、时间窗竞争度、卫星传感器类型、卫星可靠性;航渡跟踪场景下任务优先级指标为:提出机构、目标国别、目标类型、目标位置、目标航线、频次要求、窗口数量、提出频率、最晚时间、末次发现时效性、目标的提出与落实比、观测时效性、时间窗竞争度、卫星传感器类型、卫星可靠性;指示场景下任务优先级指标为:提出机构、目标国别、目标类型、目标位置、频次要求、窗口数量、提出频率、最晚时间、目标的提出与落实比、保障装备类型、观测时效性、时间窗竞争度、卫星传感器类型、卫星可靠性;毁伤评估场景下任务优先级指标为:提出机构、目标国别、目标类型、目标位置、频次要求、窗口数量、提出频率、最晚时间、目标的提出与落实比、观测时效性、时间窗竞争度、卫星传感器类型、卫星可靠性。
不同任务场景下指标体系均包括各个指标对应的属性值以及各个基础指标对应的属性分值。
所述各个指标对应的属性值以及各个基础指标对应的属性分值的获取方法包括:
各个指标对应的属性值全集确定:根据所述指标体系中的各个指标,采用枚举法获取各个指标对应的属性值。
各个基础指标对应的属性分值生成:所述指标体系中的指标分为统计指标和枚举法指标,对应分别采用统计分析方法或者枚举法获取各个基础指标对应的属性分值。
所述统计指标是指能够利用经验数据统计分析方法的指标,利用历史数据的统计得到其优先级;例如:目标类型等。
所述枚举法指标是指不能统计分析的指标通过枚举法确定其取值,并由专家打分确定其分值;例如:提出机构、目标国别、目标类型、目标位置、目标航线、频次要求、窗口数量、提出频率、最晚时间、末次发现时效性、目标的提出与落实比、观测时效性、时间窗竞争度、卫星传感器类型、卫星可靠性等。
上述两种属性分值获取方法中涉及的历史业务数据大量繁杂以及各属性值的分值量纲不一致等,均存在大量先验知识,在该过程中,为有效平抑历史数据内任务属性值分值的离散性,本发明实施例设计了指标模糊一致无量纲化和优势平均加权计算两阶段的属性分值量化方法,针对不同分值设置方法进行组合优化,指标模糊一致无量纲化方法在两种设置方法中均被应用,而优势平均加权计算方法主要应用于需要大量历史数据的经验数据统计分析方法中,针对多条数据进行聚合处理。具体包括:
采用指标模糊一致无量纲化所述统计指标下的各个基础指标对应的属性分值和所述枚举法指标下的各个基础指标对应的属性分值;使属性取值在[0,1]之间,该方法可以保持原数据间的差异性。考虑任务指标属性值均为正向,因此可以在Min-Max标准化方法的基础上重新设计标准化函数,处理方式如下所示,该方法区间中间近似于线性映射,两侧近似于二次曲线映射,可以较好的避免异常值对优先级的多度影响。
其中,xi,j表示第i个指标属性的第j属性分值;C为常量,默认为1;(xi,j)max和(xi,j)min分别表示该属性分值的最大值和最小值;yi,j表示标准化处理后的第i个指标属性的第j属性分值,其取值范围被映射至[0,1]之间。
对两种分值设置方法的分值进行规范化处理,使各个属性分值的取值范围映射在[0,1]内,解决存在的级差过大、量纲不一致等问题。
在指标模糊一致无量纲化计算过程中对所有指标属性的所有属性分值进行了去量纲的归一化计算,但是在基于经验数据统计分析的属性分值设置方法中,由于历史数据中有大量同类任务,因此在针对某个属性遍历历史数据中可能与多条历史数据对应的任务属性分值匹配成功,此时的任务属性分值为数据集合的形式存在,为此需要通过一种聚合方法形成指标的唯一优先级,当前此方法主要应用于目标类型的属性分值设置中。
因此,如下式所示,还采用优势平均加权方法量化处理所述统计指标下的各个基础指标对应的属性分值。对历史数据集合进行聚合,形成各个基础指标的唯一优先级,即属性分值。
其中,yi,j *表示平均加权后的第i个指标属性的第j属性分值;ωi表示第i个指标属性的权重;N表示某卫星任务的目标类型在历史数据内出现的次数;yi,j表示上述指标模糊一致无量纲化部分的计算结果。
本发明实施例对指标属性分值的确定设计了两种确定方法,对于一些受前后筹划或者其他属性影响的指标如目标类型指标值,通过一定时间区间内的历史数据进行统计分析确定,而不是一次性确定;考虑层次化评价显然更合理。
S2、根据所述指标体系,构建任务属性动态事实库。
任务属性动态事实库是负责存储“指标属性值-属性分值”数据的知识库,其客观性和合理性会在极大程度上影响优先级计算结果的有效性。事实库的构建与应用包含基于优先级指标体系的属性分值生成、基于语义网络的“指标属性值-分值”存储、实时任务与事实库属性关联映射三个部分。
本步骤中采用语义网络中的三元组OAV对量化处理后得到的规范化属性分值进行存储与管理,构建属性模型<属性编号,指标属性值,属性分值>,并用表格形式表示各属性值-属性分值。例如卫星可靠性属性值-属性分值表见表1所示。
表1卫星可靠性reliability属性值-属性分值表
编号 | 卫星可靠性reliability | 属性分值 |
reliability-1 | 健康 | 0.9 |
reliability-2 | 故障可用 | 0.8 |
reliability-3 | 故障不可用 | 0.7 |
S3、将各个实时卫星任务与所述任务属性动态事实库进行关联映射,获取各个所述实时卫星任务的属性分值。
当新批次的各个实时卫星任务到达时,将任务属性、资源能力属性等与已建立的任务属性动态事实库进行指标属性值的匹配,得到各实时卫星任务的属性分值scoreij。
S4、根据专家打分结果和结构熵权法获取各个所述实时卫星任务的各层次指标权重。
在专家打分过程中为避免单个专家知识过于单薄导致的认知偏差,组建由不同级别专家组成的专家团队。
根据评估指标确定对应的权重集,用“德尔菲法”采集专家意见,并按照“德尔菲法”规定的程序和要求,向若干个需求筹划领域的专家依据自身的经验以及规划场景,根据意见调查表问卷调查对属性指标重要性进行排序,专家组成员的选取应满足鲜明的代表性、权威性和公正性条件。
如果决策者认为某个指标的重要性为最重要,就在该指标对应行的第1列打“√”,其它重要性选择以此类推。如果决策者认为两个或两个以上的指标具有同等的重要性,那么就在这些指标对应行的相同的列打“√”。假设有m名决策者参与n个评估指标权重确定,那么可以得到m张意见调查表。每张意见调查表对应一个评估指标的排序数组{bi1,bi2,…,bin},其中,bij(i=1,2,…,m;j=1,2,…,n)表示第i名专家对第j个指标做出的重要性选择,并且bij∈{1,2,…,n};具体的,打分表设计方法举例见表2。
针对源头需求场景下的需求优先级指标体系,假设专家为3个,指标共9个,则打分表如下:
表2-1需求优先级评估指标重要性意见表-源头场景-专家1
表2-2需求优先级评估指标重要性意见表-源头场景-专家2
表2-3需求优先级评估指标重要性意见表-源头场景-专家3
转化为数组为:
表(提出机构、目标类型、目标国别、目标位置、频次要求、窗口数量、最晚时间、提出频率、提出与落实比)=(9,1,8,7,2,3,4,5,6);
表(提出机构、目标类型、目标国别、目标位置、频次要求、窗口数量、最晚时间、提出频率、提出与落实比)=(8,1,7,2,9,4,6,5,3);
表(提出机构、目标类型、目标国别、目标位置、频次要求、窗口数量、最晚时间、提出频率、提出与落实比)=(6,1,5,2,7,8,9,4,3);
将其合成为典型排序矩阵作为结构熵权法的输入即可计算出源头需求场景下某需求优先级指标权重。
如图4所示,所述S4具体包括:
S41、根据上述德尔菲法收集的各个专家意见,获取各个所述实时卫星任务各个指标对应的典型排序矩阵。本步骤需要自定义各专家权重,默认各专家权重均为
S42、根据所述典型排序矩阵,采用结构熵权法获取各个所述实时卫星任务各个指标对应的各专家认识盲度。
本步骤中对上述典型排序矩阵进行盲度分析,包含熵值计算以及计算认识盲度:专家“典型排序”的意见往往会因为数据“噪声”,产生潜在的偏差和溯源数据的不确定性,为消除数据“噪声”和减少不确定性,需要对指标的定性判断结论统计分析与处理,即用熵理论计算其熵值,以减少专家“典型排序”的不确定性。
计算各个专家对各个指标的重要性排序熵值和重要性排序隶属度,用于度量专家对某个指标的看重程度公式如下:
计算指标重要性熵值:
其中,n为指标个数,bij(i=1,2,…,m;j=1,2,…,n)表示第i名专家对第j个指标做出的重要性选择。
计算重要性隶属度:
计算专家平均认识度Aj,用于度量所有专家对某一指标重要性的一致认识:
在此基础上得到各专家认识盲度Qj,用于度量所有专家对某一指标认识的差异程度:
S43、根据所述各专家认识盲度,获取潜在偏差数据。
S44、根据所述潜在偏差数据,获取各个所述实时卫星任务同一层次指标权重Cj;用于度量剔除专家认识差异后某指标的重要性:
Cj=Aj(1-Qj)
S45、根据所述同一层次指标权重,采用归一化计算方法获取各个所述实时卫星任务各层次指标权重wg,
其中,ωj表示指标属性重要性权重。
特别注意的是,当到达的卫星任务缺失某项指标属性时,为保证各属性权重的归一化特性,需要对权重设置进行适应性调整,调整方法为在完备的基础权重上对存在的属性重新进行归一化,计算方式为 其中Ni表示第i个到达的卫星实时任务的实际具有的指标属性数量。
S5、根据各个所述实时卫星任务的属性分值和各层次指标权重,获取各个所述实时卫星任务的任务基础优先级;各个所述实时卫星任务的任务基础优先级表示为:
其中,taski表示第i个实时卫星任务;Ni表示第i个实时卫星任务的指标个数;wg表示该实时卫星任务的各层次指标权重;scoreij表示的第i个实时卫星任务的属性分值。
S6、根据各个所述实时卫星任务的任务场景,将所述任务基础优先级进行层次化优先级映射,获取各个所述实时卫星任务的优先级信息。
在基础优先级综合考虑各个指标属性的基础上,实际应用中对不同级别的任务场景应当具有层次化。
所述S6包括:
根据各个所述实时卫星任务对应的任务场景设置级别,不同的级别对应不同的分值区间,各区间部分重叠;采用如下公式将所述任务基础优先级进行层次化优先级映射计算,
其中,Weighti表示第i个实时卫星任务的优先级信息,taski表示第i个实时卫星任务;f(taski)表示第i个实时卫星任务的任务基础优先级;NT表示当前批次各个所述实时卫星任务当前级别的任务数量;表示当前批次各个所述实时卫星任务的任务基础优先级中的最小值;/>表示当前批次各个所述实时卫星任务的任务基础优先级中的最大值;lenghi表示当前级别对应分值区间;scoreg表示各层次化级别对应分值底数,例如指示场景层级分值底数为95。
通过上述函数映射,就能保证各实时卫星任务优先级归档各级别,保证各层级任务的绝对重要性。
S7、采用预设的任务优先级阈值对所述优先级信息进行筛选,若所述优先级信息大于等于预设的任务优先级阈值时,定义并标记该实时卫星任务为必须执行任务。
第二方面,如图5所示,本发明实施例提供一种基于任务属性优先级映射的任务重要性评价系统,包括:
指标体系构建模块,用于根据不同的任务场景,构建对应的指标体系;
实库构建模块,用于根据所述指标体系,构建任务属性动态事实库;
属性分值获取模块,用于将各个实时卫星任务与所述任务属性动态事实库进行关联映射,获取各个所述实时卫星任务的属性分值;
指标权重获取模块,用于根据专家打分结果和结构熵权法获取各个所述实时卫星任务的各层次指标权重;
基础优先级获取模块,用于根据各个所述实时卫星任务的属性分值和各层次指标权重,获取各个所述实时卫星任务的任务基础优先级;
优先级获取模块,用于根据各个所述实时卫星任务的任务场景,将所述任务基础优先级进行层次化优先级映射,获取各个所述实时卫星任务的优先级信息;
任务筛选模块,用于采用预设的任务优先级阈值对所述优先级信息进行筛选,若所述优先级信息大于等于预设的任务优先级阈值时,定义并标记该实时卫星任务为必须执行任务。
可理解的是,本发明实施例提供的基于任务属性优先级映射的任务重要性评价系统与本发明实施例提供的基于任务属性优先级映射的任务重要性评价方法相对应,其有关内容的解释、举例和有益效果等部分可以参考任务重要性评价方法中的相应部分,此处不再赘述。
第三方面,本发明实施例提供一种存储介质,其存储有用于基于任务属性优先级映射的任务重要性评价的计算机程序,其中,所述计算机程序使得计算机执行如上所述的任务重要性评价方法。
第四方面,本发明实施例提供一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的任务重要性评价方法。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明实施例构建任务属性动态事实库,存储任务属性优先级信息,并存储不同任务场景的指标体系;将各个实时卫星任务与所述任务属性动态事实库进行关联映射,获取各个所述实时卫星任务的属性分值;根据专家打分结果和结构熵权法获取各个所述实时卫星任务的各层次指标权重;根据各个所述实时卫星任务的属性分值和各层次指标权重,获取各个所述实时卫星任务的任务基础优先级;根据各个所述实时卫星任务的任务场景,将所述任务基础优先级进行层次化优先级映射,获取各个所述实时卫星任务的优先级信息,即任务重要性评价。避免部分定性指标无法直接衡量其重要性的弊端,能够对各个定性指标确定其取值的值域,减少指标间的差异性与信息不确定性;同时考虑了不同任务场景下的任务重要性评价的层次化、无交集性,为此设计了映射函数,实现不同场景间任务评价分数的不可跨越性,为任务筹划阶段提供支撑。
2、本发明实施例对指标属性分值的确定设计了两种确定方法,对于一些受前后筹划或者其他属性影响的指标如目标类型指标值,通过一定时间区间内的历史数据进行统计分析确定,而不是一次性确定;;考虑层次化评价显然更合理。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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 (6)
1.一种基于任务属性优先级映射的任务重要性评价方法,其特征在于,包括:
S1、根据不同的任务场景,构建对应的指标体系;
S2、根据所述指标体系,构建任务属性动态事实库;其中,所述任务属性动态事实库是负责存储指标属性值-属性分值数据的知识库;
S3、将各个实时卫星任务与所述任务属性动态事实库进行关联映射,获取各个所述实时卫星任务的属性分值;
S4、根据专家打分结果和结构熵权法获取各个所述实时卫星任务的各层次指标权重;
S5、根据各个所述实时卫星任务的属性分值和各层次指标权重,获取各个所述实时卫星任务的任务基础优先级;
S6、根据各个所述实时卫星任务的任务场景,将所述任务基础优先级进行层次化优先级映射,获取各个所述实时卫星任务的优先级信息;
所述S1中的指标体系包括各个指标对应的属性值以及各个基础指标对应的属性分值;
所述各个指标对应的属性值以及各个基础指标对应的属性分值的获取方法包括:
根据所述指标体系中的各个指标,采用枚举法获取各个指标对应的属性值;
所述指标体系中的指标分为统计指标和枚举法指标,对应分别采用统计分析方法和枚举法获取各个基础指标对应的属性分值;
采用指标模糊一致无量纲化和优势平均加权方法量化处理所述统计指标下的各个基础指标对应的属性分值;
采用指标模糊一致无量纲化方法量化处理所述枚举法指标下的各个基础指标对应的属性分值;
所述S2中采用语义网络中的三元组OAV对量化处理后得到的规范化属性分值进行存储与管理,构建属性模型〈属性编号,指标属性值,属性分值〉,并用表格形式表示各属性值-属性分值;
所述S4具体包括:
S41、根据德尔菲法收集的各个专家意见,获取各个所述实时卫星任务各个指标对应的典型排序矩阵;
S42、根据所述典型排序矩阵,采用结构熵权法获取各个所述实时卫星任务各个指标对应的各专家认识盲度;
S43、根据所述各专家认识盲度,获取潜在偏差数据;
S44、根据所述潜在偏差数据,获取各个所述实时卫星任务同一层次指标权重;
S45、根据所述同一层次指标权重,采用归一化计算方法获取各个所述实时卫星任务各层次指标权重;
所述S6包括:
根据各个所述实时卫星任务对应的任务场景设置级别,不同的级别对应不同的分值区间,各区间部分重叠;采用如下公式将所述任务基础优先级进行层次化优先级映射计算,
其中,Weighti表示第i个实时卫星任务的优先级信息,taski表示第i个实时卫星任务;f(taski)表示第i个实时卫星任务的任务基础优先级;NT表示当前批次各个所述实时卫星任务当前级别的任务数量;表示当前批次各个所述实时卫星任务的任务基础优先级中的最小值;/>表示当前批次各个所述实时卫星任务的任务基础优先级中的最大值;lenghi表示当前级别对应分值区间;scoreg表示各层次化级别对应分值底数。
2.如权利要求1所述的任务重要性评价方法,其特征在于,还包括:
S7、采用预设的任务优先级阈值对所述优先级信息进行筛选,若所述优先级信息大于等于预设的任务优先级阈值时,定义并标记该实时卫星任务为必须执行任务。
3.如权利要求1所述的任务重要性评价方法,其特征在于,所述S5中各个所述实时卫星任务的任务基础优先级表示为:
其中,taski表示第i个实时卫星任务;Ni表示第i个实时卫星任务的指标个数;wg表示该实时卫星任务的各层次指标权重;scoreij表示的第i个实时卫星任务的属性分值。
4.一种基于任务属性优先级映射的任务重要性评价系统,其特征在于,包括:
指标体系构建模块,用于根据不同的任务场景,构建对应的指标体系;
实库构建模块,用于根据所述指标体系,构建任务属性动态事实库;其中,所述任务属性动态事实库是负责存储指标属性值-属性分值数据的知识库;
属性分值获取模块,用于将各个实时卫星任务与所述任务属性动态事实库进行关联映射,获取各个所述实时卫星任务的属性分值;
指标权重获取模块,用于根据专家打分结果和结构熵权法获取各个所述实时卫星任务的各层次指标权重;
基础优先级获取模块,用于根据各个所述实时卫星任务的属性分值和各层次指标权重,获取各个所述实时卫星任务的任务基础优先级;
优先级获取模块,用于根据各个所述实时卫星任务的任务场景,将所述任务基础优先级进行层次化优先级映射,获取各个所述实时卫星任务的优先级信息;
所述指标体系构建模块中的指标体系包括各个指标对应的属性值以及各个基础指标对应的属性分值;
所述各个指标对应的属性值以及各个基础指标对应的属性分值的获取方法包括:
根据所述指标体系中的各个指标,采用枚举法获取各个指标对应的属性值;
所述指标体系中的指标分为统计指标和枚举法指标,对应分别采用统计分析方法和枚举法获取各个基础指标对应的属性分值;
采用指标模糊一致无量纲化和优势平均加权方法量化处理所述统计指标下的各个基础指标对应的属性分值;
采用指标模糊一致无量纲化方法量化处理所述枚举法指标下的各个基础指标对应的属性分值;
所述实库构建模块中采用语义网络中的三元组OAV对量化处理后得到的规范化属性分值进行存储与管理,构建属性模型〈属性编号,指标属性值,属性分值〉,并用表格形式表示各属性值-属性分值;
所述指标权重获取模块具体用于:
S41、根据德尔菲法收集的各个专家意见,获取各个所述实时卫星任务各个指标对应的典型排序矩阵;
S42、根据所述典型排序矩阵,采用结构熵权法获取各个所述实时卫星任务各个指标对应的各专家认识盲度;
S43、根据所述各专家认识盲度,获取潜在偏差数据;
S44、根据所述潜在偏差数据,获取各个所述实时卫星任务同一层次指标权重;
S45、根据所述同一层次指标权重,采用归一化计算方法获取各个所述实时卫星任务各层次指标权重;
所述优先级获取模块具体用于:
根据各个所述实时卫星任务对应的任务场景设置级别,不同的级别对应不同的分值区间,各区间部分重叠;采用如下公式将所述任务基础优先级进行层次化优先级映射计算,
其中,Weighti表示第i个实时卫星任务的优先级信息,taski表示第i个实时卫星任务;f(taski)表示第i个实时卫星任务的任务基础优先级;NT表示当前批次各个所述实时卫星任务当前级别的任务数量;表示当前批次各个所述实时卫星任务的任务基础优先级中的最小值;/>表示当前批次各个所述实时卫星任务的任务基础优先级中的最大值;lenghi表示当前级别对应分值区间;scoreg表示各层次化级别对应分值底数。
5.一种存储介质,其特征在于,其存储有用于基于任务属性优先级映射的任务重要性评价的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1~3任一项所述的任务重要性评价方法。
6.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如权利要求1~3任一项所述的任务重要性评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110732501.9A CN113642834B (zh) | 2021-06-29 | 2021-06-29 | 基于任务属性优先级映射的任务重要性评价方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110732501.9A CN113642834B (zh) | 2021-06-29 | 2021-06-29 | 基于任务属性优先级映射的任务重要性评价方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642834A CN113642834A (zh) | 2021-11-12 |
CN113642834B true CN113642834B (zh) | 2023-08-29 |
Family
ID=78416404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110732501.9A Active CN113642834B (zh) | 2021-06-29 | 2021-06-29 | 基于任务属性优先级映射的任务重要性评价方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642834B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015070466A1 (zh) * | 2013-11-18 | 2015-05-21 | 国家电网公司 | 安全风险评估方法和装置 |
CN105205341A (zh) * | 2015-10-27 | 2015-12-30 | 国网福建省电力有限公司 | 一种基于客户诉求的电力配网改造需求模型构建方法 |
CN106779279A (zh) * | 2016-11-10 | 2017-05-31 | 广东工业大学 | 一种工业用户能效评估方法及系统 |
WO2019127945A1 (zh) * | 2017-12-26 | 2019-07-04 | 佛山科学技术学院 | 基于结构化神经网络的成像任务可调度性预测方法 |
CN111062558A (zh) * | 2019-10-29 | 2020-04-24 | 合肥工业大学 | 基于任务需求的卫星价值分析方法和系统 |
CN111861193A (zh) * | 2020-07-16 | 2020-10-30 | 浙江省生态环境低碳发展中心 | 一种平原河网水环境承载力评估及预警指标体系构建方法 |
CN112101779A (zh) * | 2020-09-15 | 2020-12-18 | 南京智慧航空研究院有限公司 | 基于主客观结合的结构熵权法机场场面运行综合评价系统 |
WO2021093821A1 (zh) * | 2019-11-14 | 2021-05-20 | 中兴通讯股份有限公司 | 智能助理评价、推荐方法、系统、终端及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050108074A1 (en) * | 2003-11-14 | 2005-05-19 | Bloechl Peter E. | Method and system for prioritization of task items |
-
2021
- 2021-06-29 CN CN202110732501.9A patent/CN113642834B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015070466A1 (zh) * | 2013-11-18 | 2015-05-21 | 国家电网公司 | 安全风险评估方法和装置 |
CN105205341A (zh) * | 2015-10-27 | 2015-12-30 | 国网福建省电力有限公司 | 一种基于客户诉求的电力配网改造需求模型构建方法 |
CN106779279A (zh) * | 2016-11-10 | 2017-05-31 | 广东工业大学 | 一种工业用户能效评估方法及系统 |
WO2019127945A1 (zh) * | 2017-12-26 | 2019-07-04 | 佛山科学技术学院 | 基于结构化神经网络的成像任务可调度性预测方法 |
CN111062558A (zh) * | 2019-10-29 | 2020-04-24 | 合肥工业大学 | 基于任务需求的卫星价值分析方法和系统 |
WO2021093821A1 (zh) * | 2019-11-14 | 2021-05-20 | 中兴通讯股份有限公司 | 智能助理评价、推荐方法、系统、终端及可读存储介质 |
CN111861193A (zh) * | 2020-07-16 | 2020-10-30 | 浙江省生态环境低碳发展中心 | 一种平原河网水环境承载力评估及预警指标体系构建方法 |
CN112101779A (zh) * | 2020-09-15 | 2020-12-18 | 南京智慧航空研究院有限公司 | 基于主客观结合的结构熵权法机场场面运行综合评价系统 |
Non-Patent Citations (1)
Title |
---|
基于案例推理的旧工业区再生利用方案优选;王浩玮等;《土木工程与管理学报》;第第36卷卷(第第2期期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113642834A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
US20120109714A1 (en) | Confidence Based Selection for Survey Sampling | |
Sallehuddin et al. | Application of grey relational analysis for multivariate time series | |
CN108510180B (zh) | 一种生产设备所处性能区间的计算方法 | |
CN112182720A (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
CN109740036B (zh) | Ota平台酒店排序方法及装置 | |
Nikolenko et al. | Investment policy of governance of economic security of agrarian sector of Ukraine on the basis of theory of fuzzy logics | |
Yet et al. | Estimating criteria weight distributions in multiple criteria decision making: a Bayesian approach | |
CN113642834B (zh) | 基于任务属性优先级映射的任务重要性评价方法和系统 | |
Ruocco et al. | An empirical approach to compare the performance of heterogeneous academic fields | |
CN116307038A (zh) | 一种灌溉用水量预测方法、系统及计算机存储介质 | |
CN114625781A (zh) | 一种基于商品住房价值的批量评估方法 | |
Karamanis et al. | Analyzing employment by occupation across sectors in Greek labor market | |
US8396875B2 (en) | Online stratified sampling for classifier evaluation | |
CN117010713A (zh) | 基于海面移动目标搜索的方案元任务重要性评价方法 | |
Zhang | Benefit evaluation of human resource management in agricultural enterprises based on convolutional neural network. | |
Hong et al. | Goal programming and data envelopment analysis approach to disaster relief supply chain design | |
CN112990703A (zh) | 国际工程市场匹配度评价方法、电子设备及存储介质 | |
CN112884317A (zh) | 一种节水型城市的评价方法、系统、设备及其存储介质 | |
Sallehuddin et al. | Grey relational analysis and its application on multivariate time series | |
US11816592B2 (en) | Digital democracy beneficiary management system using Bayesian statistics, machine learning and voting logic | |
CN115099624B (zh) | 一种基于直觉模糊熵和区间模糊熵的多属性决策系统 | |
US11803815B1 (en) | System for the computer matching of targets using machine learning | |
CN114819282A (zh) | 基于个性化共识的应急任务规划方案评估方法和系统 | |
CN115496304B (zh) | 一种代理购电量预测算法的立体综合评价方法及系统 |
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 |