一种智能模型的分配方法、分配系统及应用系统技术方案

一种智能模型的分配方法、分配系统及应用系统，涉及光通信领域，方法包括确定每个分配方案中智能模型的主要特征、特征类型和特征属性，结合多次测试得到的特征值构建特征表，进而建立评价矩阵并计算该分配方案的归一化前景矩阵；在最大化分配价值条件下计算客观权重，并根据主观权重与客观权重计算评价目标，采用梯度法逐步更新客观权重直至评价目标小于设定值，将此时客观权重作为均衡权重计算对应分配方案的分配价值；比较不同分配方案的分配价值，选择最大分配价值的分配方案。本发明专利技术可以取得智能模型的最佳调度，实现效率最大化。

【技术实现步骤摘要】
一种智能模型的分配方法、分配系统及应用系统
本专利技术涉及光通信领域，具体来讲涉及一种智能模型的分配方法、分配系统及应用系统。
技术介绍
在已有的研究中，主要应用期望效用理论研究多属性决策问题。但期望效用理论存在固有缺陷：它假定所有决策者是完全理性的且总是追求效用最大化。因此，由它得到的结论通常与不确定性情况下决策者的实际决策行为不符，如著名的阿莱悖论和埃尔斯伯格悖论。而前景理论利用价值函数v(x)和决策权重函数w(p)来描述个人的选择行为。价值函数与参考点的选取有关，前景值由价值函数和决策权重函数共同决定，即前景理论主要从增益和损失的角度分析问题，其基本理论观点是：面对“增益”，倾向于“风险规避”；面对“损失”，倾向于“追求风险”。这个假设与决策原则相一致，因此，由它得到的结果更符合不确定情形下的实际决策行为。对于评价智能模型的特征指标，因各种不同的实际情况，现有技术缺乏光网络设备模型评估标准及研究，多数采用模糊模式识别的方式，按照资源使用的维度对模型指标进行细粒度的分类。此方法的不足是：采用模糊识别理论针对的是单一特征属性值，光通信本文档来自技高网...

【技术保护点】
1.一种智能模型的分配方法，其特征在于，包括：/n确定每个分配方案中智能模型的主要特征、特征类型和特征属性，结合多次测试得到的特征值构建特征表，进而建立评价矩阵并计算该分配方案的归一化前景矩阵；/n在最大化分配价值条件下计算客观权重，并根据主观权重与客观权重计算评价目标，采用梯度法逐步更新客观权重直至评价目标小于设定值，将此时客观权重作为均衡权重计算对应分配方案的分配价值；/n比较不同分配方案的分配价值，选择最大分配价值的分配方案。/n

【技术特征摘要】
1.一种智能模型的分配方法，其特征在于，包括：
确定每个分配方案中智能模型的主要特征、特征类型和特征属性，结合多次测试得到的特征值构建特征表，进而建立评价矩阵并计算该分配方案的归一化前景矩阵；
在最大化分配价值条件下计算客观权重，并根据主观权重与客观权重计算评价目标，采用梯度法逐步更新客观权重直至评价目标小于设定值，将此时客观权重作为均衡权重计算对应分配方案的分配价值；
比较不同分配方案的分配价值，选择最大分配价值的分配方案。


2.如权利要求1所述的智能模型的分配方法，其特征在于，确定所述主要特征包括：
计算两两特征之间的斯皮尔曼相关系数，并与相关系数阈值相比较，小于或等于相关系数阈值为不相关，将所有不相关的特征作为主要特征。


3.如权利要求1所述的智能模型的分配方法，其特征在于：
所述特征属性包括常量、连续变量和模糊数，根据每个主要特征的多个特征值，将特征属性为连续变量和模糊数的主要特征进行量化，并将量化后的主要特征构建特征表；
根据模型种类和特征构建评价矩阵，根据每个模型给定的参考点构建参考点矩阵，根据特征类型包括的增益型和成本型，计算当前分配场景下的归一化前景矩阵。


4.如权利要求3所述的智能模型的分配方法，其特征在于，将特征属性为连续变量的特征通过正态分布进行量化，包括：
根据所述特征的多个特征值做出频率分布直方图，并计算特征值的偏度与峰度，如果偏度与峰度满足正态分布，则求得正态分布函数；如果不满足正态分布，则将偏态分布转化为正态分布函数。


5.如权利要求3所述的智能模型的分配方法，其特征在于，将特征属性为模糊量的特征通过构建语言评判模糊集的方式量化，包括：
建立语言评判的等级集合，每个等级g通过直觉模糊数表示，计算各模型的特征评判平均值；

其中p(g)表示该特征属于等级g的概率；α(g)，β(g)分别表示等级g的隶属度与非隶属度。


6.如权利要求3所述的智能模型的分配方法，其特征在于，计算当前分配场景下的归一化前景矩阵包括：
根据每个分配方案构建评价矩阵(xij)t*n，其中i表示智能模型种类编号，j表示特征编号，t表示智能模型种类数量，n表示特征总数；对每个模型下每个特征xij设定一个参考点Oij，从而构建各智能模型的参考点矩阵(Oij)t*n；
根据每个特征xij的特征类型，与参考点Oij进行比对，对于成本型特征，低于参考点的部分为增益，超过参考点的部分为损失；对于增益型特征，低于参考点的部分为损失，超过参考点的部分为增益；
计算每个特征xij相对于设定参考点Oij的增益gainij或损失lossij，其中，
gainij＝|xij-Oij|0.28，lossij＝-|xij-Oij|0.32，
如果特征xij存在增益，则损失为0；如果特征xij存在损失，则增益为0；将增益和损失对应放入增益矩阵和损失矩阵中，通过增益矩阵和损失矩阵构建当前分配场景下的归一化前景矩阵(Vij)t*n。


7.如权利要求1所述的智能模型的分配方法，其特征在于，所述智能模型的客观权重包括客观模型权重wik和客观特征权重wijk，通过朗格朗日乘子法求解客观权重，






其中，i表示智能模型种类编号，j表示特征的编号，t表示智能模型种类数量，n表示特征总数；k表示分配场景的编号，且k＝0表示分配在设备平台，k＝1表示分配在管控平台，wik表示第i种智能模型在第k种场景下的客观模型权重，wijk表示第i种智能模型的第j个特征在第k种场景下客观特征权重，mik表示第i种智能模型在第k种场景下个数，vijk表示第i种智能...

【专利技术属性】
技术研发人员：匡立伟，李文超，尹山，吴军，谢秋红，
申请(专利权)人：烽火通信科技股份有限公司，
类型：发明
国别省市：湖北;42