[发明专利]一种提高复杂信息系统效能的全局敏感性分析方法

权利要求书

1.提高复杂信息系统效能的全局敏感性分析方法，其特征包括如下步骤：

(1)明确复杂信息系统，建立评估指标体系，构建效能评估模型。

(2)实验设计，生成训练样本输入集，输入效能评估模型，计算并输出训练样本结果集。

(3)训练样本集归一化处理，得到标准的训练样本集。

(4)将标准训练样本集输入极限学习机，找到输入变量与效能值之间的关系，直到满足拟合精度，输出代理模型。

(5)实验设计，生成分析样本输入集并归一化，输入代理模型，输出分析样本结果集。

(6)分析样本集反归一化处理，利用全局敏感性分析，筛选敏感指标。

(7)调整敏感指标取值得到最优效能值，由指标找到对应的系统部件，根据参数值对其进行功能优化。

2.根据权利要求1所述方法，其特征在于，步骤(1)针对效能模型的建立其实现方法如下：

复杂信息系统效能评估方法众多，ADC(WSEIAC)模型是当今公认的有效的效能评估模型，可以进行变量间的分析，公式透明性好，易于理解和计算。ADC模型为：

E＝A×D×C

其中A为系统的可用性(Availability)向量，表示系统开始执行任务瞬间处于不同状态的概率。D矩阵为可信性(Dependability)矩阵，表示开始瞬间系统处于某状态而在使用过程中转移到另一状态的概率，C矩阵为系统的能力(Capability)矩阵，通过能力指标计算，针对不同复杂信息系统构建不同的能力指标体系。由于指标体系具有层次性，数量多，采用层次分析法(AHP)计算能力值。由分析得到当确定复杂信息系统的组成，初始状态，完成任务中可能出现的工作状态后，可用性矩阵和可信性矩阵变为定量矩阵，影响复杂系统效能值的为能力矩阵。

3.根据权利要求1所述的方法，其特征在于，步骤(2)用于训练样本集的生成，分为两个步骤，一是根据指标取值范围，采用拉丁超立体抽样方法(Latin hypercube sampling)进行采样，获取训练样本的输入集；二是将训练样本输入集带入步骤(1)构建的效能评估模型，计算得到训练样本输出集，进而得到训练样本集。训练样本集分为两部分，3/4的数据集作为训练集，剩余1/4为测试集。

样本质量影响代理模型的精度，为生成高质量的样本，尽可能的减少迭代次数，本发明选取拉丁超立方体抽样方法生成样本，具体实现步骤为：假设生成n个m维的实验样本，将每一维度n等分，假设区间为[0，1]，则每个维度分为在每个维度的n个空间进行取样，分别得到(1≤j≤n)，根据每个维度值随机选取配对，已经选过的分量值不重复进行选择，形成n个采样点的m维数据。