一种多状态网络的单态可靠度贡献的自适应评估方法

本发明涉及多状态网络性能评估，特别是涉及一种多状态网络的单态可靠度贡献的自适应评估方法。

背景技术：

1、多状态网络（msn）模型能准确刻画系统的不确定性与复杂性，现有研究通常以msn的可靠性指标来衡量网络能否满足不小于

d 的需求，但该指标仅反映最低需求，难以满足更严格的评估要求。为此，提出单态可靠度贡献（single-statereliability contribution, src）的概念，定义为网络恰好满足

d 单位需求的概率，以反映精细状态分布与性能表现。现有算法虽可实现src计算，但因子集交集严重、双层递归复杂度指数增长等问题，难以适用于大规模msn。

2、经分析发现hcl算法（参考文献huang d h, chang p c, lin y k. a multi-state network to evaluate network reliability with maximal and minimalcapacity vectors by using recursive sum of disjoint products[j]. expertsystems with applications,2022,193:116421）存在以下两方面不足：（1）状态空间子集内部和子集之间普遍存在交集（如多个

d -mp之间无法区分支配关系），这导致算法在基于递归sdp原理计算时，需要不断剔除因交集而产生的重复概率项。当

d -mc和

d -mp的数量庞大时，该过程的时间复杂度急剧上升且难以接受。此外，子集及其交集概率的计算高度依赖于rsdp算法，而rsdp在大规模网络或

d -mp/

d -mc数量较多的情况下同样效率不足。主递归与rsdp双重嵌套的瓶颈，使得hcl算法的复杂度呈指数级增长。（2）hcl算法的应用场景主要局限于在随机给定需求

d 时，利用预设的最大/最小状态向量进行src评估。实际上，这些向量更多是为了验证算法效率而人为设定的假设性条件，而非在特定网络中严格定义并生成的

d -mc或

d -mp。此外，对hcl算法在效率验证方面所开展的实验仅限于不超过60个上、下界向量，数据规模有限，难以说明其在大规模网络中的有效性与可扩展性。由此可见，针对不同网络结构和规模，仍亟需探索更高效的src评估方法。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高多状态网络性能的一种多状态网络的单态可靠度贡献的自适应评估方法。

2、一种多状态网络的单态可靠度贡献的自适应评估方法，所述方法包括：

3、检查输入数据中是否包含邻近需求级别的状态向量，根据状态向量的完备性判定需求向量类型。

4、基于判定的需求向量类型，自适应选择对应的子方法进行单态可靠度贡献评估。

5、若网络状态或输入数据发生变化，重新执行需求向量类型的判定及子方法的选择步骤，完成单态可靠度贡献的动态评估。

6、一种多状态网络的单态可靠度贡献的自适应评估装置，所述装置包括：

7、需求类型判断模块，用于检查输入数据中是否包含邻近需求级别的状态向量，根据状态向量的完备性判定需求向量类型。

8、评估方法选择模块，用于基于判定的需求向量类型，自适应选择对应的子方法进行单态可靠度贡献评估。

9、动态评估模块，用于若网络状态或输入数据发生变化，重新执行需求向量类型的判定及子方法的选择步骤，完成单态可靠度贡献的动态评估。

10、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

11、检查输入数据中是否包含邻近需求级别的状态向量，根据状态向量的完备性判定需求向量类型。

12、基于判定的需求向量类型，自适应选择对应的子方法进行单态可靠度贡献评估。

13、若网络状态或输入数据发生变化，重新执行需求向量类型的判定及子方法的选择步骤，完成单态可靠度贡献的动态评估。

14、上述一种多状态网络的单态可靠度贡献的自适应评估方法，通过计算最小状态向量与最大状态向量的数量比，动态匹配计算成本更低的子方法，当数量比较小时（最小状态向量更少），选用基于

d -mp的状态空间分解方法（

d -mp-ssd），利用较少的

d -mp和(

d +1)-mp计算可靠度差值；当数量比较大时（最大状态向量更少），切换为基于

d -mc的状态空间分解方法（

d -mc-ssd），通过较少的

d -mc和(

d -1)-mc计算不可靠度差值，避免对庞大向量集的冗余处理，显著降低高维向量场景下的计算负荷。同时，通过需求向量类型进行动态判定，若输入数据包含邻近需求级别的状态向量，采用上述自适应选择策略；若仅包含目标需求的状态向量，则调用改进的hcl方法，用状态空间分解（ssd）替代传统递归不交化（rsdp），其时间复杂度公式中组件状态组合规模与向量数量的关联度降低，可适应更大数据规模。此外，动态评估机制确保网络状态或输入数据变化时，能实时重新判定类型并切换子方法，支持动态需求场景。通过按需适配计算路径+低复杂度算法替代+动态响应机制的组合，本方法在保证评估精度的同时，大幅降低高向量数量场景的时间复杂度，扩展至非随机需求和大规模数据场景，实现多状态网络可靠度评估的效率与适用性提升，达成提高多态网络性能的技术效果。

1.一种多状态网络的单态可靠度贡献的自适应评估方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，根据状态向量的完备性判定需求向量类型，包括：

3.根据权利要求2所述的方法，其特征在于，根据状态向量的完备性判定需求向量类型，包括：

4.根据权利要求1至3任意一项所述的方法，其特征在于，

5.根据权利要求4所述的方法，其特征在于，利用目标需求级别对应的最小状态向量计算所述多状态网络满足不小于所述目标需求级别对应单位需求的目标可靠度，以及利用所述邻近需求级别对应的最小状态向量计算所述多状态网络满足不小于所述邻近需求级别单位需求的邻近可靠度，包括：

6.根据权要求5所述的方法，其特征在于，

7.根据权利要求6所述的方法，其特征在于，利用所述目标需求级别对应的最大状态向量计算所述多状态网络满足不大于所述目标需求级别对应单位需求的目标不可靠度，以及利用邻近需求级别对应的最大状态向量计算所述多状态网络满足不大于所述邻近需求级别对应单位需求的邻近不可靠度，包括：

8.一种多状态网络的单态可靠度贡献的自适应评估装置，其特征在于，所述装置包括：

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。