区间分析法是处理非线性最优最劣法(BWM)存在多解问题的有效方法。本文基于权重区间中心点的大小关系,提出了一种无需计算区间优先度即可获得优先度矩阵的全新便捷算法;然后,在此基础之上,利用“尺度变换”的思想,给出了几类求解权重区间中心点的估计方法,并探讨了这些方法的计算偏差;最后,利用本文所提方法研究了一类电网关键物资的选取问题。本研究简化了已有文献中的区间分析法,规避了求解非线性优化模型的复杂计算过程,推广了非线性BWM的应用范围。Interval analysis is an effective method for dealing with the existence of multiple solutions in nonlinear Best-Worst Methods (BWM). This article proposes a convenient algorithm for obtaining the priority matrix without calculating the interval priority based on the size relationship of the center points of the weight interval. Then, based on this, several methods for estimating the center point of the weight interval were proposed using the idea of “scale transformation”, and the calculation bias of these methods was discussed. Finally, the method proposed in this article was used to study the selection of key materials for a class of power grid enterprises. This study greatly simplifies the interval analysis method in existing literature, and avoids the complex calculation process of solving nonlinear optimization models, and extends the application scope of nonlinear BWM.
移动视频业务应用广泛,流量占比高且持续增长.针对有限的移动网络带宽,如何合理地规划网络服务、提供优质的移动视频体验,需要客观的视频体验评估反馈网络服务提供商和视频服务运营商以改善网络利用率及传输方案.当前大多数视频服务质量评估方法都基于DPI(Deep Packet Inspection)方法获取视频播放信息以计算视频QoE(Quality of Experience).然而,为了保护用户隐私和网络安全,越来越多的视频采用HTTPS加密传输,使得传统的DPI方法无法获取码率和清晰度等QoE评估参数.因此,文中提出一种基于视频块统计特征的加密视频QoE参数识别方法(以代表性网络视频YouTube为例).首先,根据SSL/TLS协议握手过程中未加密部分识别HTTPS加密的YouTube流量.然后,根据视频流前若干个包的4种特征识别出HLS、DASH和HPD传输模式,再根据视频块统计特征建立机器学习模式识别视频块的码率和清晰度.实验结果表明该方法传输模式、码率和清晰度识别平均准确率分别达到98%、99%和98%,可以有效用于加密YouTube的QoE评估.
信息资源在分发共享过程中存在带宽拥塞、内容冗余等问题,播存网络借助"一点对无限点"的物理广播分发共享信息资源,对解决此类问题有独特优势.播存网络采用统一内容标签(uniform content label,UCL)适配用户兴趣和推荐信息资源,用户如何高效地获得自己感兴趣的UCL是播存网络中的关键问题.针对该问题,提出一种播存网络环境下的UCL协同过滤推荐方法(unifying collaborative filtering with popularity and timing,UCF-PT).首先,通过设定一对相似度阈值来计算用户与UCL数据的稀疏情况,根据稀疏情况决定二者对UCL评分的影响权值,并基于二者权值预测用户对UCL的评分,生成推荐结果集.其次,依据UCL热度调整推荐结果集的UCL顺序,从而使热门UCL更容易推荐给用户;最后提出UCL价值衰减函数,保证较新的UCL具备较高的推荐优先级.实验结果表明:与传统推荐方法相比,该方法不仅具有良好的推荐精度,还可保证所推荐UCL的热度与时效性,更适用于在播存网络环境下推荐UCL.
暂无评论