云计算环境下基于马尔可夫链模型

合集下载

马尔可夫链模型讲解

马尔可夫链模型（Markov Chain Model）目录[隐藏]1 马尔可夫链模型概述2 马尔可夫链模型的性质3 离散状态空间中的马尔可夫链模型4 马尔可夫链模型的应用o 4.1 科学中的应用o 4.2 人力资源中的应用5 马尔可夫模型案例分析[1]o 5.1 马尔可夫模型的建立o 5.2 马尔可夫模型的应用6 参考文献[编辑]马尔可夫链模型概述马尔可夫链因安德烈·马尔可夫（Andrey Markov，1856－1922）得名，是数学中具有马尔可夫性质的离散时间随机过程。

该过程中，在给定当前知识或信息的情况下，过去（即当期以前的历史状态）对于预测将来（即当期以后的未来状态）是无关的。

时间和状态都是离散的马尔可夫过程称为马尔可夫链, 简记为。

马尔可夫链是随机变量的一个数列。

这些变量的范围，即他们所有可能取值的集合，被称为“状态空间”，而Xn的值则是在时间n的状态。

如果Xn + 1对于过去状态的条件概率分布仅是Xn的一个函数，则这里x为过程中的某个状态。

上面这个恒等式可以被看作是马尔可夫性质。

马尔可夫在1906年首先做出了这类过程。

而将此一般化到可数无限状态空间是由柯尔莫果洛夫在1936年给出的。

马尔可夫链与布朗运动以及遍历假说这两个二十世纪初期物理学重要课题是相联系的，但马尔可夫寻求的似乎不仅于数学动机，名义上是对于纵属事件大数法则的扩张。

马尔可夫链是满足下面两个假设的一种随机过程：1、t+l时刻系统状态的概率分布只与t时刻的状态有关，与t时刻以前的状态无关；2、从t时刻到t+l时刻的状态转移与t的值无关。

一个马尔可夫链模型可表示为=(S，P，Q)，其中各元的含义如下：1）S是系统所有可能的状态所组成的非空的状态集，有时也称之为系统的状态空间，它可以是有限的、可列的集合或任意非空集。

本文中假定S是可数集(即有限或可列)。

用小写字母i,j(或S i,S j)等来表示状态。

2）是系统的状态转移概率矩阵，其中P ij表示系统在时刻t处于状态i，在下一时刻t+l处于状态i的概率，N是系统所有可能的状态的个数。

马尔可夫链在计算机中的应用

马尔可夫链在计算机中的应用
马尔可夫链在计算机领域中有多种应用，以下是一些例子：
1. 图像分类：马尔科夫链可以应用于图像分类中，将图像看作状态序列，每个状态表示图像像素的某个特定值。

通过马尔科夫链，可以计算出每个像素点的概率分布，以此来实现图像分类的功能。

2. 语音识别：在语音识别任务中，马尔科夫链通常被用来建立一个时间序列模型，通过不断计算每一次的观测结果来计算下一次的状态转移。

这有助于提高语音识别的准确度。

3. 隐马尔可夫模型：这是信息论和语音识别的重要工具。

4. 排队理论：马尔可夫链在优化电信网络的性能方面也有应用，其中消息必须经常竞争有限的资源，并在所有资源都已分配时排队。

5. 统计模拟：众所周知的“马尔可夫链蒙特卡罗”随机变量生成技术是基于马尔可夫链的。

6. 生物信息学和系统生物学：在生物信息学和系统生物学中，马尔可夫链也被用来建模生物系统的动态行为，如基因表达、蛋白质相互作用等。

总的来说，马尔可夫链因其强大的概率建模能力和在各种领域的广泛应用而备受瞩目。

如需了解更多有关马尔可夫链在计算机中的应用，建议查阅计算机科学领域的最新研究进展。

加权马尔可夫链模型构建

加权马尔可夫链模型构建1.引言1.1 概述在信息科学领域中，马尔可夫链模型是一种重要的数学工具，用于描述随机过程的动态演变。

然而，传统的马尔可夫链模型并未考虑到各个状态之间的重要性差异，在处理实际问题时可能存在一定的局限性。

为了解决这个问题，加权马尔可夫链模型被提出。

加权马尔可夫链模型引入了状态之间的权重，用于表示不同状态之间的重要性差异。

通过引入权重，我们可以更准确地反映状态之间的转移概率，从而提高模型的预测精度和可靠性。

构建加权马尔可夫链模型的方法主要包括两个步骤：状态权重计算和状态转移概率估计。

状态权重计算是根据实际问题的特点和要求，为每个状态赋予一个合理的权重值。

状态转移概率估计是基于历史数据和统计方法，通过计算不同状态之间的转移概率来构建模型。

这两个步骤的合理性和准确性直接影响到最终模型的效果。

本文将详细介绍加权马尔可夫链模型的基本原理和构建方法。

在基本原理部分，我们将对马尔可夫链模型进行简要回顾，并介绍加权马尔可夫链模型的概念和优势。

在构建方法部分，我们将介绍状态权重计算和状态转移概率估计的具体步骤和技巧，并通过实例来说明方法的有效性和实用性。

通过本文的研读，读者将深入了解加权马尔可夫链模型的基本原理和构建方法，掌握构建该模型的关键技巧，从而在实际问题中能够更加准确地描述和预测随机过程的演变，提高模型的应用价值。

同时，本文也为相关领域的研究提供了一定的参考和借鉴。

1.2文章结构文章结构的主要目的是为读者提供一个清晰的框架，以便他们能够更好地理解和跟随文章的内容。

本文按照以下结构进行组织和呈现：1. 引言1.1 概述1.2 文章结构1.3 目的2. 正文2.1 加权马尔可夫链模型的基本原理2.2 构建加权马尔可夫链模型的方法3. 结论3.1 总结3.2 研究展望在引言部分，我们将介绍文章的背景和动机，概述加权马尔可夫链模型的重要性和应用领域。

接着，我们将逐步展示文章的主要结构和内容，以便读者能够了解整篇文章的逻辑和安排。

空间马尔可夫链测算-概述说明以及解释

空间马尔可夫链测算-概述说明以及解释1.引言1.1 概述在空间马尔可夫链的研究中，该模型主要用于描述和分析具有空间特征的随机过程。

与传统的马尔可夫链不同的是，空间马尔可夫链不仅考虑了状态的转移概率，还考虑了状态间的空间依赖关系。

通过将马尔可夫链的状态扩展为空间上的节点，我们可以更好地模拟和分析各种现实世界中的随机过程。

本文将详细介绍空间马尔可夫链的概念和测算方法。

在第二章中，我们将首先给出空间马尔可夫链的定义和基本概念，包括状态空间、状态转移概率和初始概率分布等。

然后，我们将介绍一些经典的空间马尔可夫链模型，如格点模型和连续空间模型，并对它们的特点进行讨论。

在第三章中，我们将重点介绍空间马尔可夫链的测算方法。

这些方法包括参数估计、马尔可夫链融合和模拟仿真等。

我们将详细介绍每种方法的原理和步骤，并给出相应的数学公式和算法。

此外，我们还将讨论测算结果的解释和应用，以及可能存在的限制和改进空间。

总之，本文旨在为读者提供一个全面的关于空间马尔可夫链测算的指南。

通过对该模型的深入理解和应用，我们可以更好地分析和预测各种具有空间特征的随机过程，为实际问题的解决提供科学依据和决策支持。

在未来的研究中，我们也将继续探索空间马尔可夫链的新理论和方法，以适应不断变化的科学和工程需求。

文章结构部分的内容应该是对整篇文章的结构和各个部分的内容进行介绍和说明。

以下是对文章结构部分的内容的一个可能的编写：1.2 文章结构本文共分为引言、正文和结论三个部分。

每个部分的主要内容如下：引言部分：引言部分包括了概述、文章结构和目的三个小节。

概述部分会对空间马尔可夫链测算的主题进行简要介绍，指出该主题的重要性和研究意义。

文章结构部分则会明确说明整篇文章的结构安排和各个部分的主要内容。

目的部分则会明确表达本文的研究目的和所要解决的问题。

正文部分：正文部分分为空间马尔可夫链的概念和空间马尔可夫链的测算方法两个小节。

空间马尔可夫链的概念部分会系统介绍空间马尔可夫链的基本概念、特点和相关理论背景，为后续的测算方法提供理论基础。

马尔可夫链模型python实现

马尔可夫链模型python实现马尔可夫链模型是一种统计模型，它假设未来的状态只与当前状态有关，而与过去的状态无关。

这种特性被称为“无记忆性”或“马尔可夫性质”。

在Python中，我们可以使用NumPy和Pandas等库来实现马尔可夫链模型。

以下是一个简单的马尔可夫链模型的Python实现：pythonimport numpy as npimport pandas as pd# 假设我们有一个状态集合，状态0可以转移到状态0或状态1，状态1只能转移到状态0states = ['state0', 'state1']# 定义转移概率矩阵transition_matrix = np.array([[0.9, 0.1], # 状态0转移到状态0的概率是0.9，转移到状态1的概率是0.1[1.0, 0.0] # 状态1只能转移到状态0])# 初始化当前状态current_state = 'state0'# 模拟马尔可夫链for _ in range(10):print(f"当前状态: {current_state}")# 根据转移概率矩阵确定下一个状态next_state_probabilities =transition_matrix[states.index(current_state)]next_state = np.random.choice(states, p=next_state_probabilities)current_state = next_state# 输出最终的状态print(f"最终状态: {current_state}")上述代码首先定义了状态集合和转移概率矩阵，然后初始化了当前状态。

接着，它使用一个循环来模拟马尔可夫链的演化，每次迭代都会根据当前的状态和转移概率矩阵来确定下一个状态。

最后，它输出了最终的状态。

马尔可夫链蒙特卡洛方法在环境科学中的应用案例分析(五)

马尔可夫链蒙特卡洛方法在环境科学中的应用案例分析引言马尔可夫链蒙特卡洛方法（Markov Chain Monte Carlo, MCMC）是一种重要的随机模拟技术，它在环境科学领域中有着广泛的应用。

本文将通过几个具体的案例分析，探讨MCMC在环境科学中的应用。

案例一：气候变化模拟气候变化对全球环境和人类生活产生着深远的影响。

为了更好地理解和预测气候变化，科学家们利用MCMC方法构建了气候模型。

这些模型通过考虑大气、海洋、陆地和冰雪等要素之间的相互作用，模拟了全球气候系统的变化过程。

MCMC方法在气候模型中的应用主要体现在参数估计和不确定性分析方面。

由于气候系统的复杂性，其中涉及的参数众多且相互关联。

通过MCMC方法，科学家们可以对这些参数进行有效的估计，并且得到相应的参数分布信息，从而提高模型的准确性和可靠性。

案例二：生态系统动态建模生态系统是地球上生物和非生物要素相互作用的复杂系统，其动态变化对环境保护和资源管理具有重要意义。

MCMC方法在生态系统动态建模中的应用，为科学家们提供了一种强大的工具。

例如，在研究生态系统中的物种丰富度和群落结构时，科学家们可以利用MCMC方法对相关参数进行估计，并且对模型进行拟合和验证。

通过MCMC方法得到的参数估计结果，可以帮助科学家们深入理解生态系统的动态变化规律，并为生态保护和资源管理提供科学依据。

案例三：环境污染模拟与评估环境污染对人类健康和生态系统造成了严重的影响，因此对其进行准确的模拟与评估具有重要意义。

MCMC方法在环境污染模拟与评估中的应用，为科学家们提供了一种有效的手段。

在模拟环境污染扩散过程时，科学家们可以利用MCMC方法对相关的物理模型进行参数估计和不确定性分析。

通过对模型参数进行随机抽样，科学家们可以得到环境污染扩散的概率分布，从而更准确地评估污染物对周围环境的影响。

结论通过以上的案例分析，我们可以看到MCMC方法在环境科学中的广泛应用。

无论是气候变化模拟、生态系统动态建模还是环境污染模拟与评估，MCMC方法都能够为科学家们提供有效的工具，帮助他们更好地理解和应对环境问题。

马尔可夫链的基本概念

马尔可夫链的基本概念马尔可夫链是一种特殊的随机过程，广泛应用于统计学、机器学习、经济学、计算机科学等多个领域。

为了深入理解马尔可夫链的概念，我们先从基本定义开始，再逐步探讨其性质、分类、应用及实例分析。

一、马尔可夫链的定义马尔可夫链是一种具有“无记忆”特性的随机过程，即在给定当前状态的前提下，未来状态与过去状态无关。

换句话说，系统的未来发展只依赖于当前的状态，而不依赖于以前的状态。

这一特性通常被称为“马尔可夫性”，是马尔可夫链最大的特点。

在形式上，我们可以定义一个离散时间的马尔可夫链为一个由状态集合 ( S ) 组成的序列，其中 ( S ) 可能是有限的也可能是无限的。

设 ( X_n ) 为在时间 ( n ) 时刻该过程所处的状态，若满足条件：[ P(X_{n+1} = j | X_n = i, X_{n-1} = k, , X_0 = m) =P(X_{n+1} = j | X_n = i) ]其中，( P ) 是条件概率，这就表明该过程符合马尔可夫性质。

二、马尔可夫链的基本组成要素状态空间：状态空间是指系统所有可能的状态集合，通常用集合 ( S ) 表示。

例如，一个简单天气模型可以将状态空间定义为 ( S = {晴天, 雨天} )。

转移概率：马尔可夫链中的转移概率是指从一个状态转移到另一个状态的概率。

对于有限状态空间，转移概率通常用转移矩阵表示，其元素 ( P_{ij} ) 表示从状态 ( i ) 转移到状态 ( j ) 的概率。

初始分布：初始分布描述了系统在时间 ( t=0 ) 时，各个状态出现的概率。

通常用一个向量表示，如 ( _0(i) ) 代表在初始时刻处于状态 ( i ) 的概率。

三、马尔可夫链的性质马尔可夫链具有许多重要的性质，其中最为关键的是遍历性和极限性。

遍历性：如果一个马尔可夫链在长期运行后，将以一种稳定的方式达到各个状态，并且这个稳态与初始选择无关，那么我们称它为遍历。

换句话说，一个遍历性的马尔可夫链在达到平稳分布后，各个状态出现的概率将保持不变。

人工智能开发中的马尔科夫链算法详解

人工智能开发中的马尔科夫链算法详解人工智能是当今世界科技领域的一项重要研究领域，它涉及到很多复杂的算法和模型。

其中，马尔科夫链算法在人工智能的开发中扮演着重要的角色。

马尔科夫链算法是一种基于概率的模型，可以用于预测和模拟复杂的系统行为。

本文将详细介绍马尔科夫链算法的原理和应用。

1. 马尔科夫链的基本原理马尔科夫链是一种状态转移模型，它描述了在给定系统中，从一个状态转移到下一个状态的概率。

这种模型的基本思想是，当前状态的转移只与前一个状态相关，与其他状态的转移无关。

这也被称为“无记忆性”。

马尔科夫链可以用数学表达式表示。

假设我们有一系列的状态，用S1，S2，S3，...，Sn表示，其中S1是初始状态。

我们还需要定义一个状态转移矩阵A，其中aij表示从状态Si转移到状态Sj的概率。

那么，对于任意的k，我们可以计算出状态在第k步的概率分布向量Pk，其中Pk=[pk1，pk2，...，pkn]，pkj表示在第k步系统处于状态Sj的概率。

马尔科夫链有一个重要的性质，即它具有收敛性。

当马尔科夫链的状态转移矩阵满足一定条件时，系统的状态分布将会趋于稳定。

这使得马尔科夫链可以用于预测和模拟系统的长期行为。

2. 马尔科夫链的应用马尔科夫链在人工智能领域有许多应用。

以下是其中几个典型的应用案例。

2.1 自然语言处理在自然语言处理中，马尔科夫链可以用来生成文本。

通过学习文本的统计规律，我们可以构建一个马尔科夫链模型，利用状态转移概率生成新的句子。

例如，我们可以通过学习一本小说的句子结构和词语频率，构建一个马尔科夫链模型，从而生成新的小说段落。

2.2 金融市场分析马尔科夫链可以用于预测金融市场的走势。

通过分析历史数据，我们可以构建一个马尔科夫链模型，根据当前市场状态的转移概率预测未来的市场走势。

这对于投资者来说是一个有用的参考。

2.3 图像识别在图像识别领域，马尔科夫链可以用来识别和跟踪图像中的对象。

通过学习图像的像素分布和颜色特征，我们可以构建一个马尔科夫链模型，从而实现对目标对象的识别和跟踪。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＲｅｓｅａｒｃｈｏｎｓｕｐｐｌｙｃｈａｉｎｐａｒｔｎｅｒｓｅｌｅｃｔｉｏｎｂａｓｅｄｏｎＭａｒｋｏｖｃｈａｉｎｄｙｎａｍｉｃｆｕｚｚｙｅｖａｌｕａｔｉｏｎｉｎｃｌｏｕｄｃｏｍｐｕｔｉｎｇ
引言
随着经济全球化和信息技术的迅猛发展，各个企业之间的竞争与挑战日益加剧。供应链管理（ＳＣＭ）已逐渐成为适应当前网络环境下个性化需求、动态需求、全球化等现代市场特征下的新型管理模式，管理供应链各节点企业之间的协同和一体化运作。如何选择合适的供应链合作伙伴对供应链整体运营绩效有着举足轻重的影响。因此，对供应链合作伙伴的评价选择一直是学术界研究的热点和核心问题。与此同时，供应链上的许多企业实体自身拥有的信息化建设方面并不完备，在资金和技术方面都存在很多的不足与缺陷。如何突破这些方面的瓶颈，是其面临的一大难题。近年来，云计算俨然已成为学术界和产业界的一个研究热点问题。它的核心思想是将大量用网络连接的计算资源统一管理和调度，构成一个计算资源池，
２］３］４］权方法［、数据包络分析方法［、数学规划方法［、粗糙集理５］６，７］论［以及各种方法的有机组合［。然而，上述方法都只是针
对于节点企业某一个时间点的状态进行的静态角度评价分析，而云计算平台上的供应链企业的评价会随着时间改变而动态变化。如果仅仅考虑某一特定时间点进行的评价，就无法对节点企业的整体进行一个全面评估，更无法对节点企业的未来趋
ＤＵＡＮＸｉ，ＨＵＡＮＧＭｅｎｇｘｉｎｇ，ＷＡＮＢｉｎｇ，ＹＡＮＧＸｉｏｎｇ
（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，ＨａｉｎａｎＵｎｉｖｅｒｓｉｔｙ，Ｈａｉｋｏｕ５７０２２８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｃｌｏｕｄｃｏｍｐｕｔｉｎｇｐｒｏｖｉｄｅｓａｇｏｏｄｉｎｔｅｇｒａｔｅｄｅｎｖｉｒｏｎｍｅｎｔｆｏｒｔｈｅｆｌｅｘｉｂｉｌｉｔｙ，ｌｏｏｓｅｃｏｕｐｌｉｎｇ， “ ｓｅａｍｌｅｓｓ ”ｉｎｔｅｇｒａｔｉｏｎａｎｄｂｕｉｌｄｉｎｇｏｆｓｕｐｐｌｙｃｈａｉｎ，ｗｈｉｃｈｍａｋｅｓｉｔｐｏｓｓｉｂｌｅｆｏｒｎｏｄｅｅｎｔｅｒｐｒｉｓｅｓｔｏｃｈｏｏｓｅａｒｉｇｈｔｐａｒｔｎｅｒｉｎａｒａｐｉｄａｎｄｌｏｗｃｏｓｔｗａｙ，ｔｈｅｓｕｐｐｌｙｃｈａｉｎｐａｒｔｎｅｒｓｅｌｅｃｔｉｏｎａｎｄｅｖａｌｕａｔｉｏｎａｎｄｔｈｅｎｊｏｉｎｔｌｙｉｍｐｒｏｖｅｓｔｈｅｏｖｅｒａｌｌｓｕｐｐｌｙｃｈａｉｎｐｅｒｆｏｒｍａｎｃｅ．Ｈｏｗｅｖｅｒｐｒｏｃｅｓｓｉｓｄｙｎａｍｉｃａｎｄｔｈｅｅｖａｌｕａｔｉｏｎｉｎｄｅｘｅｓａｒｅｆｕｚｚｙａｎｄｕｎｃｅｒｔａｉｎｕｎｄｅｒｔｈｅｃｌｏｕｄｃｏｍｐｕｔｉｎｇｅｎｖｉｒｏｎｍｅｎｔ．Ｔｏａｄｄｒｅｓｓｔｈｅｐｒｏｂｌｅｍｓａｂｏｖｅ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｄｙｎａｍｉｃｆｕｚｚｙｅｖａｌｕａｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎＭａｒｋｏｖｃｈａｉｎ．Ｂａｓｅｄｏｎｔｈｅｃｏｎｓｔｒｕｃｔｅｄ，ｔｈｅｍｏｄｅｌａｄｏｐｔｅｄａｓｕｂｊｅｃｔｉｖｅａｎｄｏｂｊｅｃｔｉｖｅｃｏｍｐｒｅｈｅｎｓｉｖｅｗｅｉｇｈｔｃａｌｃｕｌａｔｉｎｇｍｅｔｈｏｄｔｏｃａｌｃｕｌａｔｅｔｈｅｅｖａｌｕａｔｉｏｎｉｎｄｅｘｓｙｓｔｅｍｉｎｄｅｘｗｅｉｇｈｔ．Ｔｈｅｎｉｔｕｓｅｄｔｈｅｆｕｚｚｙｃｏｍｐｒｅｈｅｎｓｉｖｅａｎａｌｙｓｉｓｍｅｔｈｏｄｔｏｅｖａｌｕａｔｅｎｏｄｅｅｎｔｅｒｐｒｉｓｅｓｉｎｄｉｆｆｅｒｅｎｔｈｉｓｔｏｒｉｃａｌｐｅｒｉｏｄｓ，ａｎｄｏｂｔａｉｎｅｄｔｈｅｓｔｅａｄｙｓｔａｔｅｖｅｃｔｏｒｂｙｉｎｔｒｏｄｕｃｉｎｇＭａｒｋｏｖｃｈａｉｎｔｈｅｏｒｙａｎｄｅｓｔａｂｌｉｓｈｉｎｇｔｒａｎｓｉｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｍａｔｒｉｘ．Ｎｅｘｔ，ｉｔｇａｉｎｅｄｔｈｅｄｅｖｅｌｏｐｍｅｎｔｔｒｅｎｄｏｆｎｏｄｅｅｎｔｅｒｐｒｉｓｅｓａｎｄｔｈｅｉｒｃｏｍｐｒｅｈｅｎｓｉｖｅｅｖａｌｕａｔｉｏｎｖａｌｕｅｂｙｃｏｍｂｉｎｉｎｇｔｈｅｗｅｉｇｈｔｖａｌｕｅ，ｔｈｅｅｘａｍｐｌｅｓａｎｄｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｔｈａｔｔｈｅｅｖａｌｕａｔｉｏｎｍｅｔｈｏｄｉｓｒｅａｓｏｎａｂｌｅａｎｄｆｅａｓｉｂｌｅ．ｃａｌｃｕｌａｔｅｄａｂｏｖｅ．ＦｉｎａｌｌｙＫｅｙｗｏｒｄｓ：ｃｌｏｕｄｃｏｍｐｕｔｉｎｇ；ｐａｒｔｎｅｒｓｅｌｅｃｔｉｏｎ；ｓｕｐｐｌｙｃｈａｉｎ；ｄｙｎａｍｉｃｆｕｚｚｙｅｖａｌｕａｔｉｏｎ；Ｍａｒｋｏｖｃｈａｉｎ
*+, 89:; <=>?, @ABCDE -./ F"DE
G"DE
８］是以俄国数学家Ｍａｒｋｏｖ名字而命名的一马尔可夫算法［
种方法。它可以根据某些事物历史一段时期内的不同状态来评估它的变化趋势，为未来决策提供依据。当前，不少人将此
９］方法应用于各方面研究，亢永等人［提出一种ＳＰＡＭａｒｋｏｖ链
收稿日期：２０１３０８０４；修回日期：２０１３１０１４基金项目：国家自然科学基金资助项目（７１１６１００７）；国家教育部社科基金资助项目（１０ＹＪＣＺＨ０４９）；海南省重点科技计划资助项目（ＺＤＸＭ２０１２００６１，ＺＤＸＭ２０１３００７８）作者简介：段茜（１９８８），女，江西萍乡人，硕士，主要研究方向为数据与知识工程、供应链管理、云计算（ｄｕａｎｘｉ９９９＠１６３．ｃｏｍ）；黄梦醒（１９７４），男，１９８６），男，硕士，主要研究方向为云计算．教授，博士（后），主要研究方向为数据与知识工程、云计算与物联网、智能信息处理器；万兵（
第３１卷第８期２０１４年８月
计算机应用研究ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ
Ｖｏｌ．３１Ｎｏ．８Ａｕｇ．２０１４
云计算环境下基于马尔可夫链动态模糊评价的供应链伙伴选择研究
的动态评价预测模型，应用于预测评估城市埋地燃气管道系
１０］将马尔可夫链与集对分析四元系数相结统。靖培星等人［段茜，黄梦醒，万兵，杨雄
（海南大学信息科学技术学院，海口５７０２２８）摘要：云计算环境为供应链柔性、松耦合、无缝集成与构建提供了良好的集成环境，使节点企业可以快速且以较低的成本来选择合适的企业，共同提高供应链整体绩效。然而，云计算环境下供应链伙伴选择评价过程具有动态性以及评价指标模糊性和不确定性的特点。针对这些问题，提出基于马尔可夫链的动态模糊评价模型。通过构建的评价指标体系，采用主客观相结合的综合权重法计算指标权值，利用模糊综合分析法对不同历史时间段的节点企业进行评价，引入马尔可夫链理论，建立概率转移矩阵，得到状态稳定向量，结合权值得到节点企业发展趋势以及综合评估值。最后，通过实例证明该评价方法的合理性和可行性。关键词：云计算；供应链；伙伴选择；动态模糊评价；马尔可夫链中图分类号：ＴＰ３９１；Ｆ２７４文献标志码：Ａ文章编号：１００１３６９５（２０１４）０８２４０３０４ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１３６９５．２０１４．０８．０３９