[发明专利]一种智能模型的分配方法、分配系统及应用系统

权利要求书

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；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；主要特征包括内存、运行时间和安全性；特征类型包括增益型和成本型；特征属性包括常量、连续变量和模糊数；

根据每个分配方案中智能模型个数和归一化的前景值得到最大化分配价值条件，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(x_ij)_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x_ij设定一个参考点O_ij，从而构建各智能模型的参考点矩阵(O_ij)_t*n；

根据每个特征x_ij的特征类型，与参考点O_ij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x_ij相对于设定参考点O_ij的增益gain_ij或损失loss_ij，其中，

gain_ij＝|x_ij-O_ij|^0.28，loss_ij＝-|x_ij-O_ij|^0.32，

如果特征x_ij存在增益，则损失为0；如果特征x_ij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(V_ij)_t*n。