[發明專利]基于直覺模糊集多屬性決策的網絡選擇方法

有效

• 申請號: 201410033996.6
• 申請日: 2014-01-23
• 公開（公告）號: CN104812027B
• 公開（公告）日: 2019-09-10
• 發明（設計）人: 蘇放;李靜;黃洋;路放;肖坤
• 申請（專利權）人: 北京郵電大學
• 主分類號: H04W48/18
• 分類號: H04W48/18;H04W36/14
• 代理公司: 北京北新智誠知識產權代理有限公司 11100
• 代理人: 趙郁軍

技術領域

本發明涉及一種基于直覺模糊集多屬性決策的網絡選擇方法，屬于計算機網絡技術領域。

背景技術

隨著無線通信技術的迅猛發展，各種無線通信系統為用戶提供了多種異構的網絡環境，包括無線個域網(如Bluetooth)、無線局域網(如Wi-Fi)、無線城域網(如Wimax)、公眾移動通信網(如GSM、GPRS、UMTS)等，使得用戶在選擇接入網絡時面臨著多種選擇。由于上述各種網絡在覆蓋范圍、數據傳輸速率、平均包時延、服務價格、移動性支持能力等方面存在著較大差異，因此，在接入或者切換網絡時，需要先解決網絡選擇問題，使用戶在獲得高質量網絡服務的同時降低服務代價，同時實現網絡資源的合理配置和利用。

多屬性決策是社會經濟和工程技術領域廣泛存在的決策問題，由于客觀事物的復雜性、不確定性以及人類思維的模糊性，決策信息常以模糊信息來表達。1986年，保加利亞學者Atanassov提出了直覺模糊集(Intuitionistic?Fuzzy?Sets)的概念，該理論對事物屬性的描述上提供了更多的選擇方式，在處理不確定信息時具有更強的表現能力。

異構網絡環境下的網絡選擇過程，可以看作是直覺模糊集多屬性決策過程，其目標是通過對待選的可接入或切換的網絡的綜合屬性值進行比較，確定出各種網絡的優劣，從中選出最佳網絡；然而，由于決策者的知識或經驗有限，或者決策環境的復雜，網絡的各種屬性的權重信息并不總是已知的，因此確定屬性的權重很重要。

直覺模糊集多屬性決策方法主要有：第一，主觀賦權法，主要是模糊綜合評判模型，通過專家計分法、方根法、極值統計迭帶法、二元對比法等方法確定屬性權重，然后與決策矩陣運算求解綜合屬性值；第二，基于直覺模糊集距離的多屬性決策方法，如逼近理想解的排序方法(TOPSIS)、多準則妥協解排序法(VIKOR)、灰色關聯分析法(GRA)、多維偏好線性規劃分析方法(LINMAP)等；第三，基于直覺模糊集熵的多屬性決策方法，根據直覺模糊熵公式，基于熵權法確定屬性的權重。

但是，上述直覺模糊集多屬性決策方法并不適用于異構網絡環境下的網絡選擇決策，這是因為：對于第一種方法，專家計分法由于對主觀先驗知識的依賴而難以應用到實際決策過程中，方根法、二元對比法則假設各因素之間的關系為線性關系，采用簡單的加權平均法來確定權重，但在網絡選擇的決策中，由于網絡的各種屬性的單位不同、量綱不同、數量級不同，這種假設并不總是成立；對于第二種方法，TOPSIS、VIKOR、GRA方法在計算權重過程中存在需要人為確定的常量，而網絡環境處于實時動態地變化中，決策者很難實時的確定這些常量，且這種方法所采用的距離公式只是將直覺模糊集的參數分別作為單一的數值帶入計算，而由于網絡環境的復雜性，待選網絡對于相關的屬性的隸屬度、非隸屬度等并不能靠單一的數值就能將其代表的模糊信息表示，因此上述距離公式在一些情況下不能很好的區分不同直覺模糊集的不確定信息量；對于第三種方法，根據每個屬性的熵來確定權重，并沒有考慮不同的待選網絡在同一屬性下的差異性，若某一網絡屬性的熵很大，但所有網絡在該屬性下的差異很小，那么最后得到的各個網絡的綜合屬性值的差別也就小，不利于最后的網絡選擇決策。

因此，現有的直覺模糊集多屬性決策方法由于不能準確衡量直覺模糊集的距離，無法根據實時的屬性值動態的確定權重，且得出的權重值有時并不利于待選網絡的排序和決策，所以無法有效解決網絡選擇的問題。

發明內容

鑒于上述原因，本發明的目的在于提供一種基于直覺模糊集多屬性決策的網絡選擇方法，該方法可以在待選網絡的屬性值是直覺模糊集且權重完全未知的異構網絡環境中，根據實時的屬性值確定屬性的權重，進而從待選網絡中選擇出最佳接入或切換的網絡，有效的解決網絡選擇問題。

為實現上述目的，本發明采用以下技術方案：

基于直覺模糊集多屬性決策的網絡選擇方法，包括：

S1：確定直覺模糊集決策矩陣；

S2：將該直覺模糊集決策矩陣中的每個屬性值轉換為梯形模糊數，得到梯形模糊數決策矩陣，同時得到每個梯形模糊數的隸屬度函數；

S3：利用直覺模糊集的距離公式，將直覺模糊集的距離關系轉換為對應的梯形模糊數集的隸屬度函數的面積關系，根據該梯形模糊數決策矩陣，得到各待選網絡與所有其它待選網絡在每個屬性下的總離差；

S4：基于離差最大化思想，建立屬性的權重模型，根據步驟S3中得到的總離差值，得到每個屬性的權重值；