装备平行仿真理论框架研究

葛承垄 朱元昌 邸彦强 胡志伟 孟宪国

近年来军用仿真技术在装备全寿命周期中有了广泛应用,尤其是在部队模拟训练领域、体系对抗仿真领域以及军用试验仿真领域中均发挥了重要作用.但是随着战场和装备复杂度的提高,在一些装备应用领域中,对军用仿真技术提出了新需求,突出表现在以下两个重要领域.

1)装备作战指挥决策领域.装备作战指挥决策由指挥员主观决策和指控(Command&Control,C2)决策系统辅助决策组成,其中C2决策系统发挥了重要作用.然而现有的C2决策系统中使用的计算模型是固定的,无法根据实时战场态势作出自适应调整,不能适应战场进程的快速变化[1];同时无法形成多种作战方案并对方案进行模拟推演进而形成最优方案,影响作战决策的准确度.

2)装备维修保障领域.装备故障预测与健康管理技术(Prognostic and Health Management,PHM)是装备维修保障的基础,其中故障诊断和剩余寿命(Remaining Useful Life,RUL)预测是其主要研究内容.在装备故障诊断领域中,现有的故障诊断方法大都是离线分析方法,具有诊断模型固定、诊断准确度不高的不足,需要在线的具有自适应能力的故障诊断方法[2];在装备RUL预测领域中,研究具有自更新能力[3]的RUL预测模型是RUL预测的发展趋势,是实现动态、自适应RUL预测[4]的基础,从而提高预测的精度.

军用仿真技术在以上两个装备运用领域中遇到的问题可以归纳为领域模型固定,无法根据装备信息进行自适应调整,包括模型参数、结构的变化及模型输出的校正等,模型不具备自适应演化能力.因此,迫切需要研究以数据驱动的可演化建模为支撑的军用仿真技术.针对以上问题,国内仿真领域专家提及平行仿真或与之类似的概念,如胡晓峰教授[5]从大数据对建模方法的挑战角度提出“嵌入式”平行仿真,认为这种仿真框架可以兼顾“过程”与“结果”,允许仿真和预测同时进行,毕长剑教授在第十届中国系统建模与仿真技术高层论坛发言中提到“基于平行系统的嵌入式仿真”,认为这种嵌入式仿真可以通过数据驱动的方式修正仿真模型.但是对于装备平行仿真,目前还没有学者提出较完整的理论框架.本文结合军用仿真应用需求和平行系统理论、动态数据驱动应用系统(Dynamic Data Driven Application System,DDDAS)、共生仿真、在线仿真等理论范式提出装备平行仿真理论框架,包括概念、特点、相关理论范式比较、技术分类以及平行仿真系统的形式化运行过程.

1 装备平行仿真的概念和相关范式

1.1 装备平行仿真的概念

装备平行仿真是指构建与实际武器装备平行运行的仿真系统即平行仿真系统,实际武器装备和平行仿真系统互联在一起,平行仿真系统动态地接收来自实际武器装备的信息,用于演化修正仿真模型,提高仿真结果的准确性,仿真结果可动态地反馈给实际武器装备,指导实际武器装备的运行,提升实际武器装备的运用和保障效能.作为新兴的军用仿真技术,装备平行仿真目前可以用于装备作战指挥决策、装备RUL预测、装备故障诊断等装备运用领域.装备平行仿真示意图如图1所示.

装备平行仿真具有如下技术特点：

1)虚实共生.实际武器装备和平行仿真系统同时存在,构成一种“虚”、“实”互利共生的结构，平行仿真系统受益于实际武器装备信息以演化修正自身模型、提高仿真结果精度,实际武器装备则受益于平行仿真系统反馈的仿真结果以提升装备运用和保障效能.

2)数据驱动.双向数据交互是互利共生的前提,实际武器装备信息和仿真结果都是以数据或数据集的形式存在,数据是驱动平行仿真系统运行与模型演化的源动力,也是提高实际武器装备效能的依据.

3)模型演化.以往仿真系统的仿真模型侧重于一次性构建,即仿真系统运行后模型参数、结构不再改变,模型输出也不再校正,平行仿真系统中的仿真模型是可演化的仿真模型,平行仿真系统能根据实际武器装备信息调整自身模型参数、结构及校正模型输出,使得仿真模型输出不断逼近相应的实际武器装备信息,提高仿真结果的准确性.

4)平行运行.实际武器装备和平行仿真系统同时运行,平行仿真系统以在线的方式获取实际武器装备信息用于修正仿真模型,同时为保证仿真过程和仿真结果反馈的时效性,平行仿真系统的运行一般应快于实际武器装备,以超实时或者尽可能快(As Fast As Possible,AFAP)的方式运行,并具备高性能计算(High Performance Computation,HPC)能力.

1.1.1 实际武器装备和平行仿真系统

实际武器装备是由机、电、液等组成的复杂系统,根据装备平行仿真的不同应用目的,需要能反映装备某一特性的仿真模型.例如,考虑利用装备平行仿真指导装备视情维修过程,需要对装备的剩余寿命进行预测,此时需要构建能够反映装备性能退化过程的仿真模型.在装备平行仿真中,实际武器装备和平行仿真系统通过传感器、执行器进行双向交互.传感器给平行仿真系统提供实际武器装备信息,执行器使得平行仿真系统对实际武器装备执行控制等操作.一些实际武器装备或其子系统并不可控,此时执行器不一定存在.图2为实际武器装备和平行仿真系统的关系示意图.由传感器提供的实际武器装备信息可以划分为两类,即在时刻t的实际武器装备状态信息S t和行为信息B t.

1)状态信息S t.状态反映了实际武器装备在给定时刻多个内部状态变量的取值,可以将实际武器装备状态划分为已知状态S a和未知状态S ua.由于武器装备的复杂性,很难获得装备的完全状态信息S=S a ∪S ua.例如,获取装备的完全状态信息可能会消耗大量时间或者经过密集计算,当平行仿真系统利用这些信息时可能已经出现信息过时的情况.除此之外,一些状态变量能够利用传感器进行观测,而一些状态变量却不可观测.

2)行为信息B t.行为信息反映了状态信息中不能反映的可计量的实际武器装备信息.例如,机械装备中齿轮箱的磨损是导致机械装备故障的重要原因,而磨损量并不能够通过传感器直接观测得到,需要利用传感器监测齿轮箱的振动信号进行分析计算.

由于传感器如温度传感器、振动传感器、压力传感器等都有一定的测量精度和分辨率,所以由传感器提供的状态信息不一定是准确无误的.除此之外,如果利用多传感器组或者网络化传感器对装备状态进行监测就必须对多源数据进行融合处理,才能传输到平行仿真系统中初始化仿真模型并驱动仿真模型运行.然而,数据融合和传感器相关问题超出了本文范围.本文中假定在装备平行仿真的特定应用中,相关信息是可获取的并保证了一定的测量精度,能够直接用于平行仿真系统中.

实际武器装备能够受控于平行仿真系统发送的离散控制信息C t,根据控制信息的执行方式,可以划分为自动控制信息AC t和手动控制信息MC t.由于控制信息的获取需要经过平行仿真系统一定时间的计算或推理,因此假定控制信息是离散的.控制信息C t只在一定受限时间内有效,经过一定时间后可能是无效信息,此时有效地控制信息可能就变为Ct+1.

1.1.2 仿真模型

1)装备平行仿真中的模型集

仿真实际武器装备的特定状态或行为需要可执行的仿真模型,可利用不同的建模技术建立装备模型,不同的模型刻画实际武器装备的不同特性.由于模型仅是实际武器装备的抽象,绝对精确的模型是不存在的.然而,根据装备平行仿真应用的不同,相较于其他模型,一些模型可能更适宜仿真实际武器装备的特定现象.对于任意武器装备而言,都存在大量模型,这些模型刻画武器装备的相同或不同的特性.例如,当前有两种模型刻画机械装备齿轮箱的性能退化过程,那么根据当前齿轮箱的退化状态,有一种退化模型更合适.设集合M为可获取用来仿真实际武器装备的所有模型.

对于面向特定应用的装备平行仿真来说,模型m∈M以足够的逼真度被用于预测实际武器装备的状态和行为,根据装备平行仿真目的的不同,一些模型更适宜此应用.在特定应用中,适宜用来仿真实际武器装备的模型子集(称之为参考模型集)M R ∈M.模型m∈M R是否成立取决于时间,这是由于随着时间的推移,实际武器装备的状态或行为会发生变化,模型的适用性会受影响.如果模型适用性发生变化,那么需要根据当前实际武器装备的状态或行为演化修正当前的参考模型m R ∈M R或者建立一个新的参考模型,因此,参考模型集M R也是时变的.

2)装备平行仿真中的模型参数集

在装备平行仿真中,平行仿真系统被用来预测实际武器装备的状态,根据实际武器装备的特定状态,多个仿真实例被初始化.对于仿真系统初始状态来说,可以使用当前的装备状态,也可以利用装备历史状态甚至二者的合成状态.实际武器装备的状态由一定数量的状态变量和对应的取值构成,因此,仿真模型应包括一定数量的状态参数,用于利用武器装备的状态信息初始化仿真.考虑与状态信息相关的模型参数集PS,模型参数PS和从实际武器装备获取的状态信息S是相关的,即如果仿真模型利用t时刻的装备状态进行初始化,那么PS=S t.

一些实际武器装备是可控的,实际武器装备控制变量需要通过对应的仿真模型反映,所以需要考虑与控制变量相关的模型参数集PC.由于装备本身的因素以及安全性等其他因素,部分实际武器装备或者其子系统是不可控的,因此,根据仿真应用和实际武器装备的不同,可能没有可控的变量,即PC=∅.此时虽然不能通过平行仿真系统控制,然而这并不意味着其他方式也不能控制.模型参数PC和与实际武器装备的控制信息C是相关的,即如果相同的控制信息被用于执行仿真和控制t时刻的实际武器装备,那么C t=PC.

实际武器装备运行在特定的环境中,无论是自然环境还是人工环境,环境对实际武器装备有不可忽视的影响.这种外在的影响是不能通过平行仿真系统的视角来控制的(如果可以控制,那将是集合PC的一部分),即属于不可控范畴,不可控变量是不确定性和随机行为的典型来源,常利用概率假定的方法来近似.为执行多个不同的仿真实例,需要考虑时变的外在影响和不可控变量,设参数集PE是与外在影响相关的模型参数集.

3)平行仿真系统的形式化描述

假定已知实际系统的一个足够精确的模型m∈M R和模型参数集PS、PC和PE的对应取值,那么就能利用平行仿真系统预测实际武器装备在未来一段时间的状态和行为.平行仿真系统的形式化描述如式(1)所示.

1.2 相关理论范式

从虚实共生的角度看,与装备平行仿真(以下简称平行仿真)相关的理论范式/技术主要包括平行系统理论、DDDAS、共生仿真、在线仿真、嵌入式仿真和赛博物理系统(Cyber Physical System,CPS)等.嵌入式仿真[6]源于嵌入式训练,旨在将仿真器嵌入到实际武器装备中,实现虚拟仿真与实况仿真的结合,组成一个嵌入式训练系统,从而为训练人员提供逼真的训练环境,美军的嵌入式仿真基础设施(Embedded Simulation Infrastructure,ESI)计划是有代表性的计划.CPS[7]是指计算资源与物理资源之间的紧密连接关系,即物理系统与赛博组件(计算和通信组件)紧密连接,赛博组件通过相应的传感器和执行器网络监测和控制物理系统,CPS旨在提高物理系统的自适应、自治等能力,这种连接关系使得赛博能力深深嵌入到物理系统中,CPS的研究焦点在于多种软硬件的集成等底层问题.因此,较之平行仿真,嵌入式仿真和CPS在技术内涵上与之有较大差异.下面重点分析和比较平行系统理论、DDDAS、共生仿真、在线仿真这四种理论范式与平行仿真的异同点.

平行系统理论[8]由王飞跃教授于2004年提出,旨在利用复杂系统建模理论建立与实际系统平行的人工系统,在人工系统中进行计算实验,通过实际系统和人工系统的平行执行、演化逼近和反馈控制,达到实现对复杂系统控制和管理的目的,主要应用于社会安全领域、交通工程领域等,随着平行军事体系[9]的提出,其逐步在军事领域应用.DDDAS[10]则强调动态数据注入到正在执行的仿真中的能力和仿真动态控制测量过程的能力,使得仿真和测量构成一个共生反馈控制环[11].共生仿真[12]是指仿真系统和实际系统具有的一种可实时交互的紧密连接关系,二者之间相互依赖,建立一种至少一方从中获益的共生关系,仿真系统可以利用任意数目的假设分析(what-if analysis,WIA)仿真脚本进行仿真分析,其研究焦点集中于建模与仿真问题[13].在线仿真是一种由实际系统实时传感器数据初始化或驱动的仿真[14],在线仿真可以以任意步长运行,即包括墙上时钟、AFAP、其他步长等,由于不具备多脚本仿真管理机制,在线仿真只关注单一的仿真脚本.从四者与平行仿真的相同点来看,文献[15]认为它们具有相似的技术内涵,均是通过对真实系统全局或局部进行实时、在线的交互式仿真,生成关键数据,为真实系统的运行、控制、决策等提供支撑.但是它们之间在研究范畴、研究方法、研究对象、仿真类型、是否支持多脚本仿真、仿真运行方式和应用领域等方面存在较大差异.相关理论范式与平行仿真的具体比较如表1所示.

以平行系统理论与平行仿真的比较为例,平行系统理论研究范畴明确包括人工系统构建、计算实验设计和平行执行技术,主要利用基于智能体的建模和面向对象的编程方法对复杂系统进行控制和管理,没有明确的仿真类型,仿真类型与面向的特定应用有关,支持多脚本仿真,仿真运行方式并没有特别要求,一般为实时,应用领域以民用为主,在军用领域的应用刚刚起步;平行仿真研究范畴主要包括可演化建模技术以及系统运行技术,核心研究方法是模型演化,主要面向实际武器装备在全寿命周期中的应用开展研究,仿真类型为离散事件仿真,并且支持多脚本仿真,仿真系统一般以AFAP或超实时的方式运行,其应用主要面向军用领域.

2 装备平行仿真的分类

数据驱动的模型演化是平行仿真的主要技术内涵,是仿真模型输出向装备真实状态逼近进而提高预测准确性的重要技术途径.平行仿真系统利用模型演化方法来研究军用仿真技术在装备全寿命周期包括装备作战指挥决策、装备RUL预测和装备故障诊断中遇到的领域模型固定、不具备自适应演化能力等突出问题.根据上节分析,模型演化过程ℜ可以用模型m、参数集合PS、PC、PE和仿真持续时间r来表示,如式(2)所示.

利用不同的模型参数可以创建不同的仿真过程,尤其是在装备作战指挥决策中,如可以利用固定参数集合PS、PE和不同的参数集合PC进行不同作战方案的推演和预测,在此情形下,模型演化过程利用不同的可选仿真脚本ℜ0=(m,PS,PC0,PE,r)、ℜ1=(m,PS,PC1,PE,r)进行演化预测,其中PC0和PC1分别代表不同的作战方案.根据模型演化的目的和不同的应用领域,将平行仿真划分为以下I、II、III 3类,不同类型的平行仿真对应不同的参数设置即定量或变量,仿真持续时间r与平行仿真种类划分无关,平行仿真的种类划分如表2所示.

表2 平行仿真的分类

2.1 第Ⅰ类平行仿真

第Ⅰ类平行仿真主要面向装备作战指挥决策领域,解决的是决策支持/控制问题,因此,可称为面向装备作战指挥决策的平行仿真技术.为获得最优的决策方案,即实际武器装备满意的状态和行为,需要根据实时装备状态信息S t、行为信息B t利用模型演化方法ℜ和WIA过程找到集合PC中参数的最优值,故第Ⅰ类平行仿真主要解决最优化问题.其中模型演化ℜ主要用于预测实际武器装备的状态和行为,模型演化过程的形式化描述如式(3)所示,其中PC、PE是变量.WIA过程主要涉及可选决策方案形成和方案仿真推演,一个特定的可选方案由集合PC中模型参数的对应取值所表征,平行仿真系统还能通过假定集合PE中参数的不同取值使得WIA反映不同的环境条件,提高决策过程的鲁棒性.

平行仿真系统的决策反馈途径有两种,一种是反馈给外部决策人员,由外部决策人员进一步决策并执行,另一种是直接利用执行器在实际武器装备中执行.因此,根据决策反馈方式的不同,第Ⅰ类平行仿真可进一步划分为决策支持和控制两类,对于前者来讲,控制实际武器装备完全取决于外部决策人员,外部决策人员可能会考虑或者不考虑平行仿真系统的决策输出PC,决策支持系统并不直接影响实际武器装备;对于后者来讲,控制系统是决策支持系统的延伸,能够利用执行器直接执行决策PC.尽管二者在实现上有显著差别,但从理论视角看二者是对等的,除非外部决策人员拒绝了平行仿真系统的决策.第Ⅰ类平行仿真示意图如图3所示.

2.2 第Ⅱ类平行仿真

第Ⅱ类平行仿真主要用于装备RUL预测领域,可称为面向装备RUL预测的平行仿真技术,旨在利用实际武器装备或其子系统的性能退化信息S t、B t演化RUL预测模型,实现模型参数调整、模型结构更替及模型输出校正,使得RUL预测模型具有自更新能力,实现RUL的准确预测,并利用Monte Carlo仿真实现多退化轨迹的模拟,并得到剩余寿命概率密度函数RULPDF.模型演化的形式化描述如式(4)所示,其中PE为变量,便于在Monte Carlo仿真中通过对不确定性因素的假设进行多轨仿真.

与第Ⅰ类平行仿真不同的是,第Ⅱ类平行仿真不考虑平行仿真系统的控制影响,平行仿真系统的反馈为RUL、RULPDF,即有RUL/∈PC、RULPDF /∈PC,RUL、RULPDF都属于隐含控制量,没有直接体现在集合PC中,而是通过多参数集合共同计算得到.RUL、RULPDF反馈给装备维护人员后,由装备维护人员根据反馈结果和维修经验对实际武器装备或其子系统进行修复、更换等视情维修操作,从而提升武器装备的保障效能.第Ⅱ类平行仿真示意图如图4所示.在面向装备RUL预测的平行仿真中,基础预测模型既要能反映武器装备的退化过程也要易于状态估计、参数更新和输出校正,状态空间模型(State Space Model,SSM)是描述动态系统常用的方法,故可以将武器装备性能退化SSM作为基础预测模型.

2.3 第Ⅲ类平行仿真

第Ⅲ类平行仿真主要应用于装备故障诊断领域,故可称为面向装备故障诊断的平行仿真技术,故障诊断的实质就是利用诊断模型对故障状态进行辨识.平行仿真系统利用实时装备状态信息S t、行为信息B t和模型演化方法ℜ校正诊断模型参数,实现诊断模型的在线自适应修正,提高故障诊断的准确度.模型演化中PS、PE均为变量,根据集合PC是否是变量,可以将辨识过程划分为主动辨识和被动辨识两种,分别如式(5)、式(6)所示.

主动辨识是指利用控制参数PC,主动对实际武器装备施加影响,来考察、验证自适应辨识的有效性,指导、改进自适应辨识的方法.被动辨识中,平行仿真系统并不对实际武器装备施加任何影响,即PC未被利用,直接利用自适应辨识方法进行故障诊断.集合PC里面包含了平行仿真系统能够对实际武器装备施加影响的那些可控变量.任何由第三方对实际武器装备施加的外在控制(如对装备施加高应力或进行故障注入)必须在诊断模型中反映或者作为集合PE的一部分.第Ⅲ类平行仿真示意图如图5所示.

3 装备参考模型演化与平行仿真系统的运行过程

3.1 装备参考模型演化

模型演化是平行仿真技术在建模方法上区别于以往建模技术的主要所在,模型一般包括模型输入、模型结构、模型参数、模型输出4部分,平行仿真中的模型演化主要包括模型结构演化、模型参数演化、模型输出演化3个方面的内涵,模型结构演化是指根据装备信息进行参考模型自适应选择和更替;模型参数演化是指根据装备信息进行参考模型参数自适应修正;模型输出演化是指根据装备信息校正模型输出结果.模型演化与模型自适应修正内涵相似,不作严格区分.

根据不同的应用领域,平行仿真系统需要利用不同的建模方法得到装备某一参考模型,采用适宜的模型演化方法对装备参考模型进行自适应修正,使得参考模型输出不断逼近装备真实状态和行为,以装备状态和行为的预测准确度提高为基础,增强平行仿真系统的决策支持/控制、预测和辨识能力,解决装备应用领域中以往仿真技术遇到的突出问题.在第Ⅰ类平行仿真中,可基于Agent建模建立装备作战行为模型,并采用拉丁超立方试验[15]和进化算法[16−17]等对此模型进行演化修正,完成对战场态势的快速、准确预测,为通过WIA制定最优的作战方案提供预测数据支持;在第Ⅱ类平行仿真中,基于SSM 建模建立描述装备性能退化的状态空间模型[18],利用顺序数据同化如卡尔曼滤波[19](Kalman Filter,KF)、粒子滤波[20](Particle Filter,PF)等和参数估计算法如极大似然估计(Maximum Likelihood Estimation,MLE)、期望最大化[21](Expectation Maximum,EM)算法等对装备退化SSM 进行演化,不断逼近装备真实退化状态并有效预测装备剩余寿命;在第Ⅲ类平行仿真中,基于人工智能建模建立装备可演化故障诊断模型,并利用机器学习、人工分析等方法对故障诊断模型进行自适应演化,提高分类器的识别能力和辨识准确度.装备参考模型与模型演化方法示意图如图6所示.

3.2 平行仿真系统运行过程的形式化描述

按照是否解决最优化问题,平行仿真技术可以划分为面向最优化问题的平行仿真(即第Ⅰ类平行仿真)和面向非最优化问题的平行仿真(即第Ⅱ、Ⅲ类平行仿真),下面以面向最优化问题的平行仿真为例形式化说明平行仿真系统的运行过程.

3.2.1 目标和性能指标

平行仿真系统首先应该具备辨识待解决问题和触发模型演化的能力.为此,模型演化触发函数形式化定义为

待解决问题依赖于实际武器装备的当前操作状态,平行仿真系统应该在启动模型演化之前对问题进行辨识.因此,需要对特定应用情况下待解决的问题进行描述,待解决问题涉及特定的目标.在平行仿真中,从性能指标PI的角度定义目标Ω.在第Ⅰ类平行仿真中,其目的是通过模型演化和WIA寻找最优作战决策方案.为通过WIA有效比较不同方案,需要能够量化不同WIA脚本的性能指标PI.为了比较PI的值,形式化定义比较函数为

比较函数用于表征性能指标值PI i在目标Ω的情况下,是否优于另一个性能指标值PI j或者与之是否相当.例如,在第Ⅰ类平行仿真中,目标Ω为作战效能,即Ω=max{PI},其中PI是表征作战效能的性能指标,如毁伤概率、战损比、突防概率等.

3.2.2 解和解空间

在平行仿真中,待解决问题的解并不局限于具体数值,由解构成的解空间取决于特定应用.例如,第Ⅱ类平行仿真的解与面向无人机群路径规划问题(属于第Ⅰ类平行仿真)的解有很大不同,前者的解包括RUL具体数值和由Monte-Carlo过程得到的RUL概率密度函数,后者的解是二维/三维空间中由一系列的位置点组成的作战路径.因此,解空间X取决于特定问题信息Γ,从解空间中通过选择x∈X作为特定问题的解.

在第Ⅰ类平行仿真中,解代表模型参数PC对应的值,即问题的解仅代表一个WIA脚本部分元素的对应值.然而一个解不足以创建一个完整的WIA仿真脚本.为利用仿真评估脚本性能,其他元素即m、PS、PE、r也需要明确给定,形式化定义WIA设计函数为

设计函数将一个解x i与其他要求元素的值联合构成一个完整的WIA脚本w i.由于解空间源于Γ,对解空间X中的所有的解应用f w可获得脚本空间W={w0,w1,···}={f w(x0),f w(x1),···}.

模型演化和WIA的执行需要仿真函数,其形式化定义为

仿真函数用于利用模型演化方法预测装备状态、行为并评估WIA脚本.仿真输出可以是状态和行为信息[SS,SB],也可以是性能指标PI,前者经过进一步处理可以得到PI.由于PI取决于特定应用,定义特定应用函数为

特定应用函数可针对特定的WIA脚本w i并基于仿真结果[SS,SB]i计算PI i,在第Ⅰ类平行仿真中可直接利用仿真结果[SS,SB]i对WIA脚本进行评估.然而在其他种类平行仿真中有可能还需要时刻t处实际武器装备的状态S t和行为B t,例如在第Ⅱ类平行仿真中需要利用状态S t和行为B t计算仿真结果与实际状态、行为的偏离程度,进而以此偏离程度为基础进行估计状态更新.

3.2.3 解的搜索

在第Ⅰ类平行仿真中,作战方案问题的解决是通过模型演化和WIA过程实现的,其本质可以看作模型自适应修正和基于仿真的在线最优化过程.第Ⅰ类平行仿真中的最优化问题可描述为：二元关系用来确定脚本空间中脚本的部分顺序,利用比较函数f c得到性能指标PI0、PI1、...、PI n−1后,当且仅当f c=true时,即如果性能指标PI i优于或者与PI j相当时,成立.在第Ⅰ类平行仿真中存在最优解即存在非空集合X o ∈X,类似地存在最优脚本W o ∈W,并有

由式(12)可知,X o中的所有解与性能指标是对应的,式(13)表明,X o中的所有解优于X中的其他解,所以由WIA过程执行的搜索目标就是寻找X o.最优化过程由一个合适的最优化方法执行,最优化函数可记为

最优化函数依赖于能反映最优化目标Ω的比较函数f c和源自特定问题信息Γ的解空间.模型演化和WIA脚本执行时间不同,目标Ω和解空间也是不同的.在模型演化和WIA执行之前,需要一个运行预处理过程,负责对实际武器装备运行状态进行分析并明确待解决的问题,即目标Ω和特定问题信息Γ.为此,问题分析函数可定义为

基于以上分析,第Ⅰ类平行仿真系统运行过程的形式化描述如图7所示.

4 结论

本文基于装备作战指挥决策领域和装备维修保障领域中对军用仿真技术的新需求,提出了装备平行仿真较完整的理论框架.作为缘起于军用仿真领域的新兴仿真技术,针对装备平行仿真的下一步研究工作主要包括：

1)面向特定应用的装备平行仿真技术.本文主要关注装备平行仿真的理论框架问题,下一步将结合具体装备和具体应用领域,应用装备平行仿真技术的思想和理论框架,研究面向特定应用的装备平行仿真技术,主要包括装备状态感知、参考模型建模、参考模型演化等问题,并开发原型系统进行技术验证和示范.

2)装备平行仿真的运行支撑技术.装备平行仿真技术要求平行仿真系统高效运行,以提高仿真的实时性和仿真结果反馈的时效性,这就需要研究运行支撑技术,具体包括仿真引擎设计、超实时仿真技术、虚实交互技术、并行处理技术和仿真克隆技术等.

3)广义平行仿真技术研究.将装备平行仿真技术推广到其他军用领域和民用领域,研究广义平行仿真技术,分别解决广义的决策支持/控制、预测和辨识等问题,丰富平行仿真的技术内涵,拓宽平行仿真技术的应用范围.

1 杨妹,杨山亮,许霄,等.面向高层辅助决策的作战分析仿真系统框架[J].系统工程与电子技术,2016,38(6):1440-1449.

2 李晗,萧德云.基于数据驱动的故障诊断方法综述[J].控制与决策,2011,26(1):1-9.

3 张仕新,昝翔,李浩,等.状态维修理论及剩余寿命预测的研究现状与展望[J].兵工自动化,2014,33(9):15-20.

4 刘大同,周建宝,郭力萌,等.锂离子电池健康评估和寿命预测综述[J].仪器仪表学报,2015,36(1):1-16.

5 胡晓峰.大数据时代对建模仿真的挑战与思考[J].军事运筹与系统工程,2013,27(4):5-12.

6 刘永辉,林平.嵌入式仿真技术及其军事应用研究[J].军事运筹与系统工程,2010,24(4):29-34.

7 RAJKUMAR R,LEE I,SHA L,et al.Cyber-physical systems:the next computing revolution[C]//Proceedings of ACM/IEEE Design Automation Conference(DAC),2010:731-736.

8 王飞跃.平行系统方法与复杂系统的管理和控制[J].控制与决策,2004,19(5):485-489.

9 王飞跃.面向赛博空间的战争组织与行动:关于平行军事体系的讨论[J].军事运筹与系统工程,2012,26(3):5-10.

10 DAREMA F.Dynamic data driven application systems:new capabilities for application simulation and measurements[C]//Proceedings of the International Conference on Computational Science,2005:610-615.

11 DAREMAF,DOUGLASC,PATRAA.InfoSymbiotics/DDDAS:the power of dynamic data driven applications systems[R].NSF Workshop Report,2010.

12 FUJIMOTO R,LUNCEFORD D,PAGE E,et al.Grand challenges for modeling and simulation[R].Dagstuhl Report,2002,8:49-52.

13 AYDT H,TURNER S J,CAI W,et al.Research issues in symbiotic simulation[C]//Proceedings of the Winter Simulation Conference,2009:1213-1222.

14 ANNAN S M,BANKS J.Design of a knowledge-based on-line simulation system to control a manufacturing shop floor[J].IIE Transactions,1992,24(3):72-83.

15 焦松,李伟,楚威,等.情报数据驱动的在线仿真系统动态修正方法[J].系统工程与电子技术,2016,38(5):1201-1207.

16 AYDT H,TURNER S J,CAI W,et al.Symbiotic simulation control in semiconductor manufacturing[C]//Proceedings of the International Conference on Computational Science,2008:26-35.

17 YAGIURA M,IBARAKI T.Use of dynamic programming in genetic algorithms for permutation problems[J].European Journal for Operational Research,1996,92(2):387-401.

18 HUANG Y,VERBRAECK A.A dynamic data-driven approach for rail transport system simulation[C]//Proceedings of the 2009 Winter Simulation Conference,2009:2553-2562.

19 KALMAN R E.A new approach to linear fi ltering and prediction problems[J].Transactions of the Asme-Journal of Basic Engineering,1960,82(Series D):35-45.

20 ZHANG H J,QIN S X,MA J W,et al.Using residual resampling and sensitivity analysis to improve particle fi lter data assimilation accuracy[J].IEEE Geoscience and Remote Sensing Letters,2013,10(6):1404-1408.

21 陈海燕.动态数据驱动的航班延误预测关键技术研究[D].南京:南京航空航天大学,2012.