说明书基于直觉模糊集多属性决策的网络选择方法
技术领域
本发明涉及一种基于直觉模糊集多属性决策的网络选择方法，属于计算机网络技术领域。
背景技术
随着无线通信技术的迅猛发展，各种无线通信系统为用户提供了多种异构的网络环境，包括无线个域网(如Bluetooth)、无线局域网(如Wi-Fi)、无线城域网(如Wimax)、公众移动通信网(如GSM、GPRS、UMTS)等，使得用户在选择接入网络时面临着多种选择。由于上述各种网络在覆盖范围、数据传输速率、平均包时延、服务价格、移动性支持能力等方面存在着较大差异，因此，在接入或者切换网络时，需要先解决网络选择问题，使用户在获得高质量网络服务的同时降低服务代价，同时实现网络资源的合理配置和利用。
多属性决策是社会经济和工程技术领域广泛存在的决策问题，由于客观事物的复杂性、不确定性以及人类思维的模糊性，决策信息常以模糊信息来表达。1986年，保加利亚学者Atanassov提出了直觉模糊集(Intuitionistic Fuzzy Sets)的概念，该理论对事物属性的描述上提供了更多的选择方式，在处理不确定信息时具有更强的表现能力。
异构网络环境下的网络选择过程，可以看作是直觉模糊集多属性决策过程，其目标是通过对待选的可接入或切换的网络的综合属性值进行比较，确定出各种网络的优劣，从中选出最佳网络；然而，由于决策者的知识或经验有限，或者决策环境的复杂，网络的各种属性的权重信息并不总是已知的，因此确定属性的权重很重要。
直觉模糊集多属性决策方法主要有：第一，主观赋权法，主要是模糊综合评判模型，通过专家计分法、方根法、极值统计迭带法、二元对比法等方法确定属性权重，然后与决策矩阵运算求解综合属性值；第二，基于直觉模糊集距离的多属性决策方法，如逼近理想解的排序方法(TOPSIS)、多准则妥协解排序法(VIKOR)、灰色关联分析法(GRA)、多维偏好线性规划分析方法(LINMAP)等；第三，基于直觉模糊集熵的多属性决策方法，根据直觉模糊熵公式，基于熵权法确定属性的权重。
但是，上述直觉模糊集多属性决策方法并不适用于异构网络环境下的网络 选择决策，这是因为：对于第一种方法，专家计分法由于对主观先验知识的依赖而难以应用到实际决策过程中，方根法、二元对比法则假设各因素之间的关系为线性关系，采用简单的加权平均法来确定权重，但在网络选择的决策中，由于网络的各种属性的单位不同、量纲不同、数量级不同，这种假设并不总是成立；对于第二种方法，TOPSIS、VIKOR、GRA方法在计算权重过程中存在需要人为确定的常量，而网络环境处于实时动态地变化中，决策者很难实时的确定这些常量，且这种方法所采用的距离公式只是将直觉模糊集的参数分别作为单一的数值带入计算，而由于网络环境的复杂性，待选网络对于相关的属性的隶属度、非隶属度等并不能靠单一的数值就能将其代表的模糊信息表示，因此上述距离公式在一些情况下不能很好的区分不同直觉模糊集的不确定信息量；对于第三种方法，根据每个属性的熵来确定权重，并没有考虑不同的待选网络在同一属性下的差异性，若某一网络属性的熵很大，但所有网络在该属性下的差异很小，那么最后得到的各个网络的综合属性值的差别也就小，不利于最后的网络选择决策。
因此，现有的直觉模糊集多属性决策方法由于不能准确衡量直觉模糊集的距离，无法根据实时的属性值动态的确定权重，且得出的权重值有时并不利于待选网络的排序和决策，所以无法有效解决网络选择的问题。
发明内容
鉴于上述原因，本发明的目的在于提供一种基于直觉模糊集多属性决策的网络选择方法，该方法可以在待选网络的属性值是直觉模糊集且权重完全未知的异构网络环境中，根据实时的属性值确定属性的权重，进而从待选网络中选择出最佳接入或切换的网络，有效的解决网络选择问题。
为实现上述目的，本发明采用以下技术方案：
基于直觉模糊集多属性决策的网络选择方法，包括：
S1：确定直觉模糊集决策矩阵；
S2：将该直觉模糊集决策矩阵中的每个属性值转换为梯形模糊数，得到梯形模糊数决策矩阵，同时得到每个梯形模糊数的隶属度函数；
S3：利用直觉模糊集的距离公式，将直觉模糊集的距离关系转换为对应的梯形模糊数集的隶属度函数的面积关系，根据该梯形模糊数决策矩阵，得到各待选网络与所有其它待选网络在每个属性下的总离差；
S4：基于离差最大化思想，建立属性的权重模型，根据步骤S3中得到的总离差值，得到每个属性的权重值；
S5：结合每个属性的权重值，利用直觉模糊集代数平均算子IFWA计算待选网络的综合属性值，根据计算结果从待选网络中选择出最佳网络。
进一步的，
所述步骤S1中的直觉模糊集决策矩阵为：
R＝(rij)m×n
其中：rij＝(μij，vij)，，i∈M，j∈N，M＝{1，2，...m}，N＝{1，2，...n}，
μij表示网络Ai具有属性xj的程度，vij表示网络Ai不具有属性xj的程度，A＝{A1，A2，...，Am}表示待选的m个网络的集合，X＝{X1，X2，...，Xn}表示评估网络性能的n个属性的集合。
所述步骤S2中，将直觉模糊集决策矩阵转换为梯形模糊数决策矩阵，通过以下映射实现：
其中，
对于任意的直觉模糊数α＝(μα，vα，πα)，对应的梯形模糊数为：
则直觉模糊数到梯形模糊数的映射为：有：
a=μαb=μα+πα4c=μα+3πα4d=μα+πα]]>
所述步骤S2中，所述梯形模糊数的隶属度函数为：
所述步骤S3中，直觉模糊集的距离公式为：
d(Ai,Ak)=d(A~i,A~k)=Σj=1nωjd(r~ij,r~kj)]]>
其中，ωj表示网络的第j个属性xj的权重属性，权重集ω＝{ω1，ω2，...，ωn}，(Σj=1nωj2=1,ωj∈[0,1],j∈N).]]>
所述步骤S3中，计算各待选网络与所有其它待选网络在每个属性下的总离差的公式是：
D(ω)=Σi=1mΣj=1nDij(ω)=Σj=1nΣi=1mΣk=1mωjd(rij~,rkj~)]]>
所述步骤S4中，属性的权重模型为：
maxD(ω)=Σj=1nDj(ω)=Σj=1nΣi=1mΣk=1mωjd(r~ij,r~kj)]]>
s.t.Σj=1nωj2=1,ωj∈[0,1],i=1,2,...,n]]>
所述步骤S4中，属性的权重值计算公式为：
ωj=Σi=1mΣk=1md(r~ij,r~kj)Σj=1nΣi=1mΣk=1md(r~ij,r~kj)]]>
所述步骤S5中，计算待选网络的综合属性值公式为：
ri=IFWA(ri1,ri2,...rin)=(1-Πi=1n(1-μi)ωi,Πi=1nviωi)]]>
本发明的优点在于：
1、利用基于直觉模糊集的属性值来表示待选网络对于每个属性的隶属与非隶属信息，能够有效的表现决策信息；
2、将直觉模糊集用梯形模糊数近似表示，将直觉模糊集的距离由有限的点的距离转换为包含在隶属度区间内无数的点组成的隶属度函数的面积关系，提高了距离的计算精度；
3、基于离差最大化的思想确定权重模型，极利于体现网络之间的差异性， 使得网络的排序更为准确。
附图说明
图1是本发明的方法流程示意图。
图2至图7分别是两个梯形模糊数隶属度函数的六种可能的位置关系示意图。
具体实施方式
以下结合附图和实施例对本发明作进一步详细的描述。
图1是本发明的方法流程示意图，如图所示，本发明公开的基于直觉模糊集多属性决策的网络选择方法，包括步骤：
S1：确定直觉模糊集决策矩阵；
对异构网络中的待选网络的多种属性，用直觉模糊集表示每个属性的属性值，得到决策矩阵。
直觉模糊集多属性决策模型为：
设待选的m个网络的集合为A＝{A1，A2，...，Am}，评价网络性能的n个属性的集合为X＝{X1，X2，...，Xn}，另记M＝{1，2，...m}，N＝{1，2，...n}；
属性权重ω＝{ω1，ω2，...，ωn}，(Σj=1nωj2=1,ωj∈[0,1],j∈N),]]>ωj表示网络的第j个属性xj的权重，则直觉模糊集决策矩阵为：
R＝(rij)m×n (1)
其中，rij＝(μij，vij)，i∈M，j∈N，rij表示第i个网络Ai对于第j个属性Xj的属性值，μij表示网络Ai具有属性xj的程度，vij表示网络Ai不具有属性xj的程度。
S2：将直觉模糊集决策矩阵中的每个属性值转换为梯形模糊数，得到每个梯形模糊数的隶属度函数，确定出梯形模糊数决策矩阵；
S21：将直觉模糊数(直觉模糊集决策矩阵中的每个属性值)转换为梯形模糊数：
对于任意的直觉模糊数α＝(μα，vα，πα)，对应的梯形模糊数为：
则直觉模糊数到梯形模糊数的映射为：其中：
a=μαb=μα+πα4c=μα+3πα4d=μα+πα---(2)]]>
S22：确定梯形模糊数的隶属度函数；
梯形模糊数的隶属度函数其定义式如下：
S23：将直觉模糊集决策矩阵转换为梯形模糊数决策矩阵；
基于步骤S21中的映射将直觉模糊集决策矩阵R＝(rij)m×n转换为梯形模糊数决策矩阵R~=(r~ij)m×n=(aij,bij,cij,dij)m×4n,]]>即：
其中，每个属性值rij对应的梯形模糊数为即，
同时，根据公式(3)，得到每个梯形模糊数对应的隶属度函数。
S3：利用直觉模糊集的距离公式，将直觉模糊集的距离关系转换为对应的梯形模糊数集的隶属度函数的面积关系，根据梯形模糊数决策矩阵，得到各待选网络与所有其它待选网络在每个属性下的总离差；
S31：确定直觉模糊数的距离公式；
直觉模糊数的距离公式定义如下：
设两个任意的直觉模糊数α1＝(μ1，v1，π1)和α2＝(μ2，v2，π2)，对应的梯形模糊数分别为和有α~1=(a1,b1,c1,d1),α~2=(a2,b2,c2,d2),]]>则两直觉模糊数间的距离用二者对应的梯形模糊数表示，即：
d(α1,α2)=d(α~1,α~2)=SC-SI---(6)]]>
其中，SC表示由梯形模糊数和的隶属度函数最外面的边界线与水平横轴以及隶属度为1的直线组成的面积，SI表示梯形模糊数和的隶属度函数的面积的交集；
则，
对于两个直觉模糊集，如待选网络Ai和Ak，该两直觉模糊集的属性集记为：Ai＝{ri1，ri2，...rin}，Ak＝{rk1，rk2，...rkn}，
将每个属性值转换为相应的梯形模糊数得到梯形模糊数的集合为A~i={r~i1,r~i2,...r~in},A~k={r~k1,r~k2,...r~kn},]]>那么，网络Ai和Ak的差异用二者的直觉模糊集的距离表示为：
d(Ai,Ak)=d(A~i,A~k)=Σj=1nωjd(r~ij,r~kj)---(7)]]>
S32：基于直觉模糊集的距离公式，求解各个待选网络与所有其它待选网络在每个属性下的总离差；
基于公式(7)，及公式(4)，
对于属性Xj，设待选网络Ai与所有其它的待选网络Ak的离差表示为：
Dij(ω)=Σj=1md(r~ik,r~jk)·ωj---(8)]]>
其中，i∈M，j∈N，
对于属性Xj，所有待选网络与所有其它的待选网络的离差表示为：
Dj(ω)=Σi=1mDij(ω)---(9)]]>
其中，j∈N，
对于所有属性，所有待选网络与所有其它的待选网络在全部属性下的总离差为：
D(ω)=Σj=1nDj(ω)=Σj=1nΣi=1mΣk=1mωjd(r~ij,r~kj)---(10)]]>
S4：基于离差最大化思想，建立属性的权重模型，根据步骤S3中得到的总离差值，得到每个属性的权重值；
S41：基于离差最大化思想和直觉模糊集的距离公式，将属性的权重问题转化为非线性规划问题，得到属性的权重模型如下：
maxD(ω)=Σj=1nDj(ω)=Σj=1nΣi=1mΣk=1mωjd(rij,~rkj~)s.t.Σj=1nωj2=1,ωj∈[0,1],j∈N---(11)]]>
S42：构造Lagrange函数对公式(11)进行求解：
L(ω,λ)=Σj=1nΣi=1mΣk=1mωjd(r~ij,r~kj)+λ2(Σj=1nωj2-1)---(12)]]>
对于公式(12)中的ω和λ分别求偏导数：
∂L∂ωj=Σj=1nΣi=1mΣk=1md(r~ij,r~kj)+λΣj=1nωj=0---(13)]]>
∂L∂λ=Σj=1nωj2-1=0---(14)]]>
得到单位化的属性权重计算公式：
ωj*=Σi=1mΣk=1md(r~ij,r~kj)Σj=1n[Σi=1mΣk=1md(r~ij,r~kj)]2,j∈N---(15)]]>
对公式(15)所示的单位化权重进行归一化处理得到归一化权重计算公式：
ωj=Σi=1mΣk=1md(r~ij,r~kj)Σj=1nΣi=1mΣk=1md(r~ij,r~kj),j∈N---(16)]]>
S5：结合属性的权重值，利用直觉模糊集代数平均算子IFWA，计算待选网络的综合属性值，根据计算结果从待选网络中选出最优接入网络。
待选网络Ai的属性集合为Ai＝{ri1，ri2，...rin}，利用直觉模糊集代数平均算子IFWA计算待选网络的综合属性值：
ri=IFWA(ri1,ri2,...rin)=(1-Πi=1n(1-μi)ωi,Πi=1nviωi)---(17)]]>
根据公式(17)计算出的综合属性值ri，对待选网络排名，并从中选择出 最佳网络。
图2至图7分别是两个梯形模糊数隶属度函数的六种可能的位置关系示意图。如图所示，在上述步骤S31中，具体的两梯形模糊数的隶属度函数的位置关系有六种，分别为：
1)图2所示的两个梯形模糊数隶属度函数中，条件为：a1≤d1≤a2，
两模糊数距离：d(α~1,α~2)=SC-SI=SABCD=c2-b1+d2-a12---(61)]]>
2)图3所示的两个梯形模糊数隶属度函数中，条件为：a1≤a2≤d1≤d2且c1≤b2，
两模糊数距离：d(α~1,α~2)=SC-SI=c2-b1+d2-a12-∫a2d1min(μα~1,μα~2)dt(62)]]>
3)图4所示的两个梯形模糊数隶属度函数中，条件为：a1≤a2≤d1≤d2且c1≥b2，
两模糊数距离：d(α~1,α~2)=SC-SI=c2-b1+d2-a12-d1-a2+c1-b22---(63)]]>
4)图5所示的两个梯形模糊数隶属度函数中，条件为：a1≤a2≤d2≤d1，b1≤b2，c1≥c2，
两模糊数距离：d(α~1,α~2)=SC-SI=d1-a1+c1-b12-d2-a2+c2-b22---(64)]]>
5)图6所示的两个梯形模糊数隶属度函数中，条件为：a1≤a2≤d2≤d1，b1≤b2，c1≤c2，
两模糊数距离：d(α~1,α~2)=SC-SI=SABEK+SCFP+SPQD---(65)]]>
6)图7所示的两个梯形模糊数隶属度函数中，条件为：a1≤a2≤d2≤d1，b1≥b2，c1≥c2，
两模糊数距离：d(α~1,α~2)=SC-SI=SGCDH+SPFB+SPAE---(66)]]>
公式(7)中的可按照1)-6)中的条件选择使用公式(61)-(66)中的一种进行计算。
本发明是基于直觉模糊集多属性决策的网络选择方法，对异构网络中的待选网络的多种属性的属性值，用直觉模糊集决策矩阵表示，利用映射关系将直觉模糊集决策矩阵转换为梯形模糊数决策矩阵，同时获得每个梯形模糊数的隶属度函数；接着，建立直觉模糊集的距离公式，将直觉模糊集的距离关系转换为对应的梯形模糊数集的隶属度函数的面积关系，基于直觉模糊集距离公式， 获得各待选网络与所有其它待选网络在每个属性下的总离差；然后，基于离差最大化思想，建立属性的权重模型，得到每个属性的权重值；最后，结合得到的属性权重值，利用直觉模糊集代数平均算子IFWA求得待选网络的综合属性值，对各个待选网络进行排序，从中选出最优接入或切换网络。本发明利用基于直觉模糊集的属性值表示待选网络每个属性的隶属与非隶属信息，能够有效的表现决策信息，将直觉模糊集用梯形模糊数近似表示，提高了计算直觉模糊集距离的精度，实现了属性权重值随属性值的动态变化而进行自适应调整，能够有效的解决网络选择问题。
以上所述是本发明的较佳实施例及其所运用的技术原理，对于本领域的技术人员来说，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案基础上的等效变换、简单替换等显而易见的改变，均属于本发明保护范围之内。