摘  要： 對基于云模型的系統(tǒng)效能評估方法及過程進行了簡要的描述，用Matlab代碼實現(xiàn)了部分算法，代碼經(jīng)測試均可正確運行。對云模型的研究和應用有一定的推廣價值和研究意義。
關鍵詞： Matlab；云模型； 效能評估

    對于一些復雜的系統(tǒng)，由于其不確定性即模糊性和隨機性，很難準確地對其進行有效的效能評估。因此需要一種評估方法，能夠充分考慮到評估過程中出現(xiàn)的模型，同時能夠有效而簡便地實現(xiàn)定性與定量相互轉(zhuǎn)換[1]。云模型是由李德毅院士提出的一種定性定量互換模型，可將模糊性和隨機性結(jié)合在一起，充分實現(xiàn)精確數(shù)值與定性語言之間的轉(zhuǎn)換，可以有效地實現(xiàn)系統(tǒng)效能評估。而Matlab既是一種直觀、高效的計算機語言，同時又是一個科學計算平臺。它為數(shù)據(jù)分析和數(shù)據(jù)可視化、算法和應用程序開發(fā)提供了可靠的數(shù)學運算和高級圖形繪制工具[2]。
    本文描述了單因素條件下基于云模型效能評估的方法、步驟，并通過Matlab語言予以實現(xiàn)。
1 云模型簡介
1.1 云的基本概念
    云[3]是用自然語言值表示的某個定性概念與定量表示之間的不確定性轉(zhuǎn)換模型，具有直觀性和普遍性。它主要反映概念上的不確定性，即模糊性(邊界上的亦此亦彼性)和隨機性(發(fā)生的概率)。云的數(shù)字特征用3個參數(shù)來描述,即期望值Ex(Expected Value)、熵En(Entropy)和超熵He(Hyper Entropy)，3個數(shù)字特征整體表征一個概念，記做CG(Ex，En，He)。其中期望值Ex為概念上的原型值（中心值、標準值），最能代表這個定性概念的數(shù)值；熵En為概念不確定程度的度量，熵越大，概念相對越模糊；超熵He為熵的不確定程度的度量，即熵的熵，反映了云的離散程度。
1.2 云發(fā)生器
    云發(fā)生器CG(Cloud Generator)指被固化了的云模型生成算法，主要有正向云發(fā)生器和逆向云發(fā)生器兩種。

    逆向云發(fā)生器實現(xiàn)定量數(shù)值到其定性語言值的轉(zhuǎn)換，即從給定的云滴樣本中求出正向云發(fā)生器的3 個特征數(shù)字,從而實現(xiàn)對樣本數(shù)據(jù)的定性評價。
    由于在大多數(shù)的系統(tǒng)效能評估中，通過采樣往往只能得到表示某個概念的一組數(shù)據(jù)值，這種單因素逆向云算法是根據(jù)云的統(tǒng)計特性，僅僅利用云滴xi 的定量數(shù)值來還原出云的3個參數(shù)，如圖2所示。

    逆向云發(fā)生器CG-1(Ex，En，He)的算法[4]：
    
2 基于云模型的系統(tǒng)效能評估步驟
    基于云模型的系統(tǒng)效能評估方法，就是選取系統(tǒng)中的關鍵性指標，再將定性指標用正態(tài)云表述出來，根據(jù)系統(tǒng)指標分層結(jié)構，在不確定的情況下較為客觀地對系統(tǒng)進行綜合效能評估。該方法有3個關鍵因素：指標集U、權重因子集W和評價集V，其中W和V的元素是隸屬云，并不全是精確值。
    而評價指標根據(jù)需要劃分為多級層次結(jié)構，每一層都有隸屬本層的子指標集、權重因子集和評價集，只有在同一層次間的指標才能進行操作和比較，結(jié)果從低層向高層傳遞，最終實現(xiàn)系統(tǒng)整體效能的評估。大致流程如圖3所示。

2.1 確定指標集
    根據(jù)評估需求，先將目標對象分解成多個功能模塊，每個功能模塊稱為一個元素，然后將這些功能模塊分為多個分組，每個分組中的元素為該功能模塊能力的體現(xiàn)。以同一層次的功能模塊作為準則，對下一層元素起支配作用，同時受到上一層元素的支配，這樣形成一個指標體系。
    指標體系是否合理將直接影響最終的評價結(jié)果的可信性，元素選取有很多原則，評價指標的選取必須遵循最簡性、科學性、可測性、客觀性、完備性以及獨立性原則，能夠真實、綜合、全面地反映系統(tǒng)的性能。同時在構建指標體系時必須適當控制層次數(shù)，層次數(shù)應該由評估的復雜度和分析的深度決定，但一般不少于3層。
2.2 建立指標的權重因子集
    采用專家咨詢的方法為各層指標建立權重因子，這些權重因子全部用定性語言表述，如“重要”、“比較重要”、“不重要”等。再將其轉(zhuǎn)化為正態(tài)云來表述，用不同的正態(tài)云圖表示其不同的重要程度。不失一般性，可以將權重因子集描述為W={W1，W2，…，Wn}。通常權重因子集的等級不低于3級，不高于9級。
    例如，可以參照標度值對指標集中兩兩指標間的相對重要性進行打分，并得到專家打分矩陣：
 

2.3 構建各指標的評價集
    評價集的確定也就是在論域中如何劃分定性概念的問題，通常可以先通過用戶直接給出相應語言值的云模型，再通過算法得到相應的數(shù)字特征值。
    指標評價集一般取奇數(shù)個云，如3個或5個，評語總是“好,一般,差”之類的模糊概念。例如，在[0，1]之間，可以將論域分為５個評估等級：“很好”、“好”、“一般”、“差”、“很差”，并分別對應其云模型。存在雙邊約束[Cmin，Cmax] 的評語,可利用下式計算云的數(shù)字特征：


    云是用自然語言值表示的某個定性概念與其定量表示之間的不確定性的轉(zhuǎn)換模型，具有直觀性和普遍性，因此被廣泛應用于人工智能的各個方面。本文就云模型的效能評估過程進行了簡要描述，用Matlab代碼實現(xiàn)了部分算法，并完成了評估云圖的繪制，由此可以得到相應的評估結(jié)果。本文中的代碼經(jīng)測試均可正確運行，這對云模型的研究和實現(xiàn)有一定的推廣價值和研究意義。
參考文獻
[1] 張幸，胡建旺，樊世友.基于云模型的防空C3I系統(tǒng)效能分析研究[J].現(xiàn)代電子技術，2010，33(21)：46-50.
[2] 孫祥，徐流美，吳清.Matlab7.0基礎教程[M].北京：清華大學出版社，2005.
[3] 李德毅．不確定性人工智能[M]．北京：國防工業(yè)出版社，2005.
[4] 劉常昱，馮芒，戴曉軍.基于云X信息的逆向云新算法[J].系統(tǒng)仿真學報，2004，16(11)：2417-2420.