五个模糊集分别表示非常低的可靠性、低可靠性、中可靠性、高可靠性和 非常高的可靠性；具体如图5所示。
[0106] (3-1-2)给出模糊系统的模糊规则，从以上的内容我们得到27条模糊规则，具体 如表1所示：
[0109] (3-1-3)计算 ac、adPI a "的值，具体为：
[0110] a。= I-U。，0彡u。彡1，0彡a。彡1，u。为新任务分配前节点的计算使用 率；am= 1-u m, 0彡Um彡1，0彡a I，u m为新任务分配前节点的存储使用率；a n = l-un, 0彡un彡1，0彡a 1，u n为新任务分配前节点的网络使用率；所述u。、uj u n均为 已知量；
[0111] (3-1-4)将步骤（3-1-3)计算的a。、adP a n的值输入模糊系统中，利用步骤 (3-1-1)中的公式分别求得a。、B111和a "的隶属度函数值LA、M和HA ;
[0112] (3-1-5)计算每个模糊规则的隶属度函数值MP，所述每个模糊规则的隶属度函数 值MP为每条模糊规则中隶属度函数值的最小值；
[0113] (3-1-6)计算可靠性指标R的五个模糊集中每个模糊集的输出权重ω ;方法：取 每个模糊集对应的所有模糊规则的隶属度函数值MP中的最大值为该模糊集的输出权重；
[0114] (3-1-7)利用逆模糊化使用面积中心法公式得到节点的可靠性指标R，具体由公 式：
[0116] 给出，其中ωνυ?、COuo ωΜΚ、ωΗΚ和ω VHR依次为VLR、LR、MR、HR和VHR五个模糊集 的输出权重。
[0117] 除以上可靠性计算方法外，对本领域技术人员来讲，也可以采用其他的可靠性算 法来获得每个节点基于节点的计算可用性、网络可用性和存储可用性的可靠性指标，这些 可靠性指标也可以解决本发明中可靠性计算的技术问题，并能取得与本发明中的可靠性方 法相同的技术效果。
[0118] 所述网络拓扑结构是指用传输介质互连各种设备的物理布局，主要的拓扑结构有 总线型拓扑、星形拓扑、环形拓扑、树形拓扑以及它们的混合型；
[0119] 所述节点的完好性指标由公式：
[0121] 给出，其中P为节点的完好性指标，MTTRj为该节点在第j种故障中的平均排故时 间，所述排故时间包括发现故障时间和排故时间；MTBFj为该节点在第j种故障中的平均故 障间隔时间，即工作时间，所述故障包括4种，具体如表2所示：
[0124] 节点j的度Dj为直接与节点j连接的其他节点的个数；
[0125] 节点j的接近度是指节点j到网络中其他所有节点的距离之和的倒数，由公式：
[0127] 给出，其中CC,为节点j的接近度，Cl1为节点j与网络拓扑其他节点中每个节点的 最短距离，N是网络拓扑中节点的总个数；
[0128] 节点j的介数是指网络中所有最短路径中经过节点j的比例，由公式：
[0130] 给出，其中Bj为节点j的介数，n ik为节点i与节点k之间最短路径的条数，n ik(j) 为节点i与节点k之间最短路径中经过节点j的条数；
[0131] 节点j的核度积是指节点j孤立后，网络中所有节点相互通信的最短路径总长度 以及网络中的链路数目，由公式：
[0133] 给出，其中T,为节点j被孤立后的核度积，Sti为网络拓扑结构G中任意两个节点 相互通信的最短路径长度总和，为节点j被孤立后网络拓扑结构G中任意两个节点相 互通信的最短路径长度总和，1<；为网络拓扑结构G中的链路数，4%为节点j被孤立后网络 拓扑结构G中的链路数；
[0134] 节点j的网络效率η 为节点j被孤立后网络拓扑结构G中任意两个节点间距离 的倒数的平均值，由公式：
[0135] η j= MEAN (I/d ； s), 1 i, j NMi ^ j
[0136] 给出，其中n,为节点j的网络效率，MEAN为进行取平均值运算的函数，Cl1,表示节 点j被孤立后网络拓扑结构G中任意两个节点间的距离，N是网络拓扑结构G中节点的总 个数；
[0137] 以上计算节点的完好性指标、节点的度、节点的接近度、节点的介数、节点的核积 度和节点的网络效率均为标准算法，在该算法的基础上对标准算法进行改进或形式上的改 变也可用于本发明中来计算各个网络拓扑结构参数的值。
[0138] (4)应用极大不相关法则对步骤（3)计算的输入指标进行筛选，流程如图6所示， 具体为：计算每一个输入指标与其他输入指标相关函数的平均相关性作为该输入指标的平 均相关性指标，若所有输入指标的平均相关性指标的最大值大于预先设定的阈值，则删除 平均相关性指标最大值对应的输入指标后，重新返回步骤（3)，否则，进入步骤（5);
[0139] 所述计算每一个输入指标与其他输入指标相关函数的平均相关性具体由公式：
[0141] 给出，其中计算^为指标s与其他指标相关函数的平均相关性，c为指标的总个 数，L j为指标s与指标j之间的相关函数；
[0142] (5)对步骤（4)中选择的输入指标的指标值进行归一化处理；具体由公式：
[0144] 给出，其中Xi^表示步骤⑷中网络拓扑结构G中第i节点的第j个输入指标的 指标值，X' U是对指标X U归一化后的值，n表示网络拓扑结构G中节点的总个数；p为步 骤（4)中选择的指标总个数；
[0145] 对于本领域技术人员来讲，可以采用其他的归一化处理方法来获得输入指标值的 归一化值。
[0146] (6)计算出每个指标的权重；对于权重的计算可以采用多种指标作为的权重的计 算指标，例如指标的绝对值、指标的信息熵等，本发明采用熵权计算的方法来计算出每个指 标的权重，具体为：
[0147] (6-1)计算每个节点的指标值在整个指标中所占的概率，具体由公式：
[0149] 给出，其中Pli j为网络拓扑结构G中第i节点的第j个输入指标的指标值在所有 节点所有指标的指标值中所占的概率，？ u为每个节点的归一化指标值；P为步骤（4) 选择的指标总个数；n表示整个网络拓扑中节点的总个数；ζ为调整参数，取值范围为 10 8-10 6; ζ是为了为避免熵权计算产生无意义而引入的调整参数，避免在取对数操作时， 避免出现InO的情况；
[0150] (6-2)根据步骤（6-1)的结果计算每个指标的信息熵；具体由公式：
[0152] 给出，其中Hj为指标j的信息熵值；
[0153] (6-3)计算每个指标的熵权重，具体由公式：
[0155] 给出，其中Wj为指标j的熵权重；
[0156] (7)给定指标j的归一化理想值b' ，计算每个节点的灰度关联值，具体由公式：
[0158] 给出，其中a u由公式：
[0160] 给出，其中
β为预先给 定的常数，通常1 ;所述归一化理想值为：若指标越大越好，则理想值为1，反之，理想值为 〇 ；
[0161] (8)对步骤（7)获得的各个节点的灰色关联值进行排序，选择前5% -10%的节点 为导航卫星完好性关键点。
[0162] 本发明以一个简单的网络为例，其拓扑结构如图3所示，我们使用基于灰色关联 的导航卫星完好性关键点识别算法，来确定完好性关键点。
[0163] 计算各个节点的各个指标值，如下表3所示，并进行极大不相关法的指标筛选。
[0166] 我们选取阈值为D = 75%，通过极大不相关法计算复相关系数，获得结果如表4所 示：
[0169] 计算各指标的权重，如表5所示：
[0172] 根据灰度关联的方法，我们计算得到各个节点的灰度关联值，归一化后，我们得到 了图7的计算结果。
[0173] 本发明仿真结果显示：根据最后得到的灰度关联度，我们排序后得到重要度排序 为：4、6、5、7、9、2、1、3。所以，节点4节点就是整个网络的完好性关键点。当然，节点5和节 点6也很重要。传统算法，没有有效的识别出节点5的关键特性，认为节点6和节点7有着 相同的重要程度。但是，如果节点5损坏，那么，整个网络将会分隔为两部分。另一个方面， 本文提出的算法，充分的将每个节点都区分了出来，有着很好的区分特性，这是该算法充分 结合的可靠性、完好性和拓扑重要度的结果。所以，该算法可以很有效的结合所有属性的特 性，可以更加全面的评价出完好性关键点。
[01